近日，中国科学技术大学地球和空间科学学院大气科学专业姜哲研究员团队使用深度学习模型和卡尔曼滤波同化方法，对2015-2020年我国东部大气一氧化碳（CO）浓度进行了比较分析。相关研究成果以“A comparative analysis for a
deep learning model (hyDL-CO v1.0) and Kalman filter to predict CO
concentrations in China”为题发表在地球科学知名期刊Geoscientific Model Development。姜哲研究员为本论文的通讯作者，硕士研究生韩伟超为第一作者。
空气污染物的准确模拟和预测对于改善空气质量以及制定有效的环境保护政策至关重要。对流层CO是主要的空气污染物，化石燃料的燃烧为其重要的来源。由于1~2个月的长生命期，对流层CO是大气传输的理想示踪器。尽管大气化学传输模型（CTM）已经被广泛应用于大气成分的模拟，但模拟结果仍然与观测数据存在较大的差异。资料同化整合模拟和观测，可以显著改善模拟的大气成分，但同化结果仍然会受到潜在的模式误差的影响。基于此，本文开发了一种混合深度学习模型（hyDL-CO v1.0），通过与卡尔曼滤波同化方法的比较分析，探究这两种方法在模拟和预测具有长生命期和强区域传输的大气成分的能力。
图1 地面观测、深度学习模型与卡尔曼滤波同化CO浓度日变化曲线（2015-2018, 2019-2020）
研究发现，深度学习模型能够很好地预测我国地表CO浓度，同时展现了良好的时间扩展性与空间扩展性，相比之下，卡尔曼滤波同化的CO浓度虽然也展现出了较高的相关系数，但与观测浓度的负偏差较大。这项工作展示了深度学习模型在预测大气成分方面的优缺点，有助于日后进一步开展关于深度学习技术对于模拟和预测大气成分的研究。
图2 深度学习预测与地面观测CO浓度（a, 2015-2018; b, 2019-2020），卡尔曼滤波同化与地面观测CO浓度（c, 2015-2018; d, 2019-2020）
本课题得到了中科院创新人才计划和国家自然科学基金（41721002）的支持。同时，中国科学技术大学超级计算中心为本研究提供了高性能计算支持。
参考文献：
Han,
W., He, T.-L., Tang, Z., Wang, M., Jones, D., and Jiang, Z.: A comparative
analysis for a deep learning model (hyDL-CO v1.0) and Kalman filter to predict
CO concentrations in China, Geosci. Model Dev., 15, 4225–4237,
https://doi.org/10.5194/gmd-15-4225-2022, 2022.
原文链接：
https://gmd.copernicus.org/articles/15/4225/2022/gmd-15-4225-2022.html
供稿：韩伟超