清华大学国家环境保护大气复合污染来源与控制重点实验室王书肖教授课题组与微软亚太研究院合作在《EnvironmentalScience & Technology》期刊上发表了题为“Deep learning forprediction of the air quality response to emission changes”的论文，提出了利用深度学习方法预测空气质量对大气污染物排放响应的新思路，展示了深度学习在表征大气复杂系统特征和在污染防治决策中的广泛应用前景。
点击阅读原文可获取原文链接。
研究背景与意义
空气污染严重危害着人类的健康。对于空气污染治理，其根本在于必须持续科学地降低大气污染物的排放量。然而在污染治理过程中常会面临的一个棘手问题是：由于复杂的大气物理与化学过程，二次污染物与各个前体物之间呈现多元的非线性关系。环境学家为此开发了大气化学和传输模式（Chemistry and Transport Model, CTM）。但基于少数特定减排情景的CTM模拟无法支撑对多区域、多行业、多污染物排放精准调控的需求。要快速找到减排效果好且成本有效的减排方案，需要明确前体物排放与环境空气质量之间的全局响应关系，空气质量响应曲面模型（RSM, response surface model）能够满足这一需求。本研究建立了基于深度学习方法的响应曲面模型（Deep-learning-based response surface model, deepRSM），利用人工智实现了更精准的响应曲面拟合，解决了快速预测污染控制效果的问题，显着提升了RSM方法对于辅助决策的适用性及有效性。
研究内容与结果
机器学习的方法可以发现数据的规律，在这之前采用一些解释性方法有助于了解数据的特征。前期，研究组成员已在响应关系的表达上进行了探索性研究，借助统计方法基于先验知识对“排放-浓度”非线性关系进行了显式表征，建立了高阶多项式形式的响应曲面模型（Response SurfaceModel with Polynomial Functions, pf-RSM）。基于该成果，本研究采用卷积神经网络的方法（convolutional neural networks, CNN）建立了deepRSM。CNN通过直接输入原始图像可以学习到数据的特征，近年来得到了广泛的应用。研究选取了与O3和PM2.5生成重要相关的18个化学物种，基于两个CTM模拟的浓度空间分布建立各网格点“排放-浓度”响应函数，大大提高了计算效率，扩展了该模型的应用范围。采用中国、华北平原、汾渭平原以及川渝平原四个不同尺度和区域的空气质量响应曲面数据进行验证，表明deepRSM对响应曲面的拟合准确度均显着优于以往方法。
作者贡献
通讯作者：清华大学环境学院王书肖教授（shxwang@），微软亚太研究院秦涛研究员（taoqin@）
