Generating a long-term (2003−2020) hourly 0.25° global PM2.5 dataset via spatiotemporal downscaling of CAMS with deep learning (DeepCAMS)

缩小尺度 均方误差 环境科学 期限(时间) 比例(比率) 时间分辨率 图像分辨率 空气质量指数 数据同化 插值(计算机图形学) 地球观测 计算机科学 遥感 气象学 数据挖掘 统计 人工智能 数学 地理 地图学 图像(数学) 航空航天工程 卫星 工程类 物理 降水 量子力学
作者
Yi Xiao,Yuan Wang,Qiangqiang Yuan,Jiang He,Liangpei Zhang
出处
期刊:Science of The Total Environment [Elsevier]
卷期号:848: 157747-157747 被引量:14
标识
DOI:10.1016/j.scitotenv.2022.157747
摘要

Generating a long-term high-spatiotemporal resolution global PM2.5 dataset is of great significance for environmental management to mitigate the air pollution concerns worldwide. However, the current long-term (2003-2020) global reanalysis dataset Copernicus Atmosphere Monitoring Service (CAMS) reanalysis has drawbacks in fine-scale research due to its coarse spatiotemporal resolution (0.75°, 3-h). Hence, this paper developed a deep learning-based framework (DeepCAMS) to downscale CAMS PM2.5 product on the spatiotemporal dimension for resolution enhancement. The nonlinear statistical downscaling from low-resolution (LR) to high-resolution (HR) data can be learned from the high quality (0.25°, hourly) but short-term (2018-2020) Goddard Earth Observing System composition forecast (GEOS-CF) system PM2.5 product. Compared to the conventional spatiotemporal interpolation methods, simulation validations on GEOS-CF demonstrate that DeepCAMS is capable of producing accurate temporal variations with an improvement of Root-Mean-Squared Error (RMSE) of 0.84 (4.46 to 5.30) ug/m3 and spatial details with an improvement of Mean Absolute Error (MAE) of 0.16 (0.34 to 0.50) ug/m3. The real validations on CAMS reflect convincing spatial consistency and temporal continuity at both regional and global scales. Furthermore, the proposed dataset is validated with OpenAQ air quality data from 2017 to 2019, and the in-situ validations illustrate that the DeepCAMS maintains the consistent precision (R: 0.597) as the original CAMS (R: 0.593) while tripling the spatiotemporal resolution. The proposed dataset will be available at https://doi.org/10.5281/zenodo.6381600.
最长约 10秒,即可获得该文献文件

科研通智能强力驱动
Strongly Powered by AbleSci AI
更新
大幅提高文件上传限制,最高150M (2024-4-1)

科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
实时播报
1秒前
鲁大诗完成签到,获得积分10
1秒前
Hao应助ES采纳,获得10
2秒前
2秒前
亘木完成签到,获得积分10
3秒前
隐形曼青应助慧子采纳,获得10
4秒前
YINZHE应助科研通管家采纳,获得10
4秒前
NexusExplorer应助科研通管家采纳,获得10
4秒前
YINZHE应助科研通管家采纳,获得10
4秒前
Ava应助科研通管家采纳,获得10
4秒前
Owen应助科研通管家采纳,获得10
4秒前
CipherSage应助科研通管家采纳,获得10
4秒前
Lucas应助科研通管家采纳,获得10
4秒前
5秒前
CodeCraft应助鲸是蓝色的鲸采纳,获得10
5秒前
英俊的铭应助健康的易梦采纳,获得10
5秒前
六六完成签到,获得积分10
5秒前
n烨发布了新的文献求助10
5秒前
CodeCraft应助SFYIII采纳,获得10
7秒前
8秒前
Meihi_Uesugi完成签到,获得积分20
8秒前
8秒前
10秒前
紫金大萝卜应助Meihi_Uesugi采纳,获得20
11秒前
李健的小迷弟应助12采纳,获得10
12秒前
shuxiansheng发布了新的文献求助10
12秒前
水阔鱼沉发布了新的文献求助10
13秒前
打打应助安详的书本采纳,获得10
13秒前
拼搏之云完成签到,获得积分20
13秒前
Lucas应助化学位移值采纳,获得10
14秒前
田睿发布了新的文献求助10
14秒前
15秒前
100发布了新的文献求助10
16秒前
17秒前
17秒前
小蘑菇应助chancewong采纳,获得10
17秒前
18秒前
19秒前
20秒前
是江江哥啊完成签到,获得积分10
20秒前
高分求助中
【本贴是提醒信息,请勿应助】请在求助之前详细阅读求助说明!!!! 20000
One Man Talking: Selected Essays of Shao Xunmei, 1929–1939 1000
The Three Stars Each: The Astrolabes and Related Texts 900
Yuwu Song, Biographical Dictionary of the People's Republic of China 800
Multifunctional Agriculture, A New Paradigm for European Agriculture and Rural Development 600
Challenges, Strategies, and Resiliency in Disaster and Risk Management 500
Bernd Ziesemer - Maos deutscher Topagent: Wie China die Bundesrepublik eroberte 500
热门求助领域 (近24小时)
化学 材料科学 医学 生物 有机化学 工程类 生物化学 纳米技术 物理 内科学 计算机科学 化学工程 复合材料 遗传学 基因 物理化学 催化作用 电极 光电子学 量子力学
热门帖子
关注 科研通微信公众号,转发送积分 2481326
求助须知:如何正确求助?哪些是违规求助? 2144104
关于积分的说明 5468299
捐赠科研通 1866532
什么是DOI,文献DOI怎么找? 927659
版权声明 563032
科研通“疑难数据库(出版商)”最低求助积分说明 496371