arXiv cs.AI· Abhishek A. Sabnis, Mihai Mitrea, Lya Lugon, Karine Sartelet, Marc Bocquet, Xiaoyuan Cheng, Shupeng Zhu, Sibo Cheng·· 12 小时前AI 评分31
从确定性到生成式深度学习：基于稀疏观测的城市空气质量重建
From Deterministic to Generative Deep Learning for Urban Air Quality Reconstruction from Sparse Observations
AI 导读
研究团队用扩散模型生成框架从稀疏观测重建 NO2、O3、PM2.5 和 PM10 四种污染物的全场分布，并与确定性深度学习模型对比。模型在全场模拟数据上训练，在巴黎 9 至 28 个监测站的真实观测上评估，模拟验证数据上取得高结构相似度，真实观测上生成的空间模式经功率谱分析被认为合理。团队还提出数据增强方法，无需重新训练即可迁移到真实观测并泛化到训练期之外。
正文 · AI 翻译
摘要：空气污染的全场重建对于评估污染暴露和支持公共卫生决策至关重要。然而，污染物之间复杂的相互作用、难以预测的天气模式以及有限的监测站覆盖使这项任务变得复杂。我们应用深度学习技术，从四种关键污染物（NO2、O3、PM2.5 和 PM10）的稀疏观测中提供快速、准确的重建。模型在全场模拟数据上训练，并在巴黎市 9 至 28 个监测站收集的真实观测数据上评估。我们提出了一种用于多污染物重建的基于扩散的生成框架，并将其性能与确定性深度学习模型进行基准比较。尽管观测存在噪声且空间变异性强，模型在模拟验证数据上仍实现了高结构相似性，并在真实观测数据上产生了符合实际的空間模式，功率谱分析表明了这一点。我们引入了数据增强方法，无需重新训练即可迁移到真实观测数据，使模型能够泛化到训练期之外。这些发现凸显了机器学习模型在空气污染重建任务中可靠地实际部署的潜力。
| 主题： | 机器学习（cs.LG）；人工智能（cs.AI） |
| 引用为： | arXiv:2607.25687 [cs.LG] |
| （或本版本的 arXiv:2607.25687v2 [cs.LG]） | |
| https://doi.org/10.48550/arXiv.2607.25687 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Sibo Cheng [查看电子邮件]
[v1]
2026年7月28日星期二 13:03:09 UTC（9,388 KB）
[v2]
2026年10月26日星期一 21:54:19 UTC（12,289 KB）
来源：arXiv cs.AI · arxiv.org