The capability of deep learning model to predict atmospheric compositions across spatial and temporal domains
Notice bibliographique
Résumé
Machine learning (ML) techniques have been extensively applied in the field of atmospheric science. It provides an efficient way of integrating data and predicting atmospheric compositions. However, whether ML predictions can be extrapolated to different domains with significant spatial and temporal discrepancies is still unclear. Here we explore the answer to this question by presenting a comparative analysis of surface carbon monoxide (CO) and ozone (O3) predictions by integrating deep learning (DL) and chemical transport model (CTM) methods. The DL model trained with surface CO observations in China in 2015-2018 exhibited good spatial and temporal extrapolation capabilities, i.e., good surface daily CO predictions in China in 2019-2020 and over 10% independent observation stations in China in 2015-2020. The spatial and temporal extrapolation capabilities of DL model are further evaluated by predicting hourly surface O3 concentrations in China, the United States (US) and Europe in 2015-2022 with a DL model trained with surface O3 observations in China and the US in 2015-2018. Compared to baseline O3 simulations using GEOS-Chem (GC) model, our analysis exhibits mean biases of 2.6 and 4.8 µg/m3 with correlation coefficients of 0.94 and 0.93 (DL); and mean biases of 3.7 and 5.4 µg/m3 with correlation coefficients of 0.95 and 0.92 (GC) in Europe in 2015-2018 and 2019-2022, respectively. This analysis indicates the potential of DL to make reliable atmospheric composition predictions over spatial and temporal domains where a wealth of local observations for training is not available.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».