双任务物理信息神经网络用于PM2.5浓度预测

《Neurocomputing》:Double-task physics-informed neural network for the prediction of PM2.5 concentration

【字体: 大 中 小 】 时间:2026年03月24日 来源:Neurocomputing 6.7

编辑推荐:

  预测颗粒物(Particulate Matter, PM)浓度具有不可否认的意义,因为它是防止其对人类健康产生不利影响的关键。基于物理的方法依赖多种不同的变量和方程来执行此任务。这些方法可靠,因为它们基于已知的物理定律和模型。神经网络依赖于高计算能力和大量数据

  
预测颗粒物(Particulate Matter, PM)浓度具有不可否认的意义,因为它是防止其对人类健康产生不利影响的关键。基于物理的方法依赖多种不同的变量和方程来执行此任务。这些方法可靠,因为它们基于已知的物理定律和模型。神经网络依赖于高计算能力和大量数据。它们比基于物理的模型更快,但有时被视为黑箱,可能不太可靠。因此,需要一种快速且可靠的解决方案。物理信息神经网络(Physics-Informed Neural Networks, PINNs)利用了所有四个方面(变量、方程、计算能力和大量数据),这使它们比经典神经网络更可靠,且比基于物理的方法更快。本文提出了一种模型,该模型利用多种气象和光学变量以及一个物理启发损失函数来预测颗粒物浓度值。本文还讨论了不同因素对该模型性能的影响,例如可用真实值的数量、边界条件(Boundary Conditions, BCs)的使用以及预测时间范围。该模型显示出令人满意的性能。更确切地说,与所提出的最佳基线方法相比,该模型将平均绝对误差(Mean Absolute Error, MAE)从3.74降低到2.71。
论文解读文章:

空气污染已被全球疾病负担研究认定为全球第五大致死风险因素,其中细颗粒物(PM2.5,空气动力学直径小于2.5微米的颗粒物)的高浓度暴露与不良健康结局密切相关。因此,准确且全球性的 PM2.5 浓度预测对于有效监测空气相关健康危害至关重要。现有方法分为两类:基于物理的方法(如大气耦合传输-化学模型)依赖多个变量和方程,可靠性高但计算耗时;神经网络方法速度快但被视为“黑箱”,可靠性不足。为兼顾速度与可靠性,物理信息神经网络(PINNs)应运而生,它结合变量、方程、计算能力和大量数据,在性能上优于传统神经网络,且快于纯物理模型。然而,构建基于物理的损失函数通常需要气溶胶源汇项(sources and sinks terms),但这类数据与地面真实值一样难以获取,构成科学障碍。研究人员针对此问题开展研究,提出了一种双任务物理信息神经网络(Double-task PINN),通过辅助任务(预测源汇项)自产所需数据,实现半监督联合训练。该模型在《Neurocomputing》上发表,实验证明其性能显著优于多项基线方法,如将MAE从3.74降至2.71,展示了在速度、可靠性和半监督学习能力上的重要突破。

研究人员主要采用以下关键技术方法:1) 模型架构:一个编码器(4个卷积层+2个前馈层)连接两个相同解码器(对称结构),通过跳跃连接实现双任务输出(PM2.5浓度和源汇项)。2) 物理信息损失函数:基于气溶胶传输方程(公式(2)),利用绝对值函数构建损失项,引导模型在无真实值时的训练。3) 边界条件(BCs)处理:采用硬约束(直接替换输出像素值)或软约束(局部均方误差损失)以利用稀疏地面真实值。4) 数据来源与预处理:使用CAMS(Copernicus Atmosphere Monitoring Service)模型提供的模拟数据,时间跨度为12个月,空间覆盖欧洲区域(64×64像素),包含AOD、气象变量等;对低AOD值滤波、对输入/输出应用对数变换以加速收敛。关键样本队列源于CAMS再分析数据集。

研究结果部分:

**6.1 与最新方法的比较**:通过对比多项式回归、随机森林、克里金法、UNet、GAN等基线,研究人员发现所提PINN模型在所有指标(MAE、QE、FSIM)上均优于其他方法(除MBE和推理时间),具体表现为MAE从最佳基线(UNet)的3.74降至2.71,FSIM从6.19%提升至5.38%(注:FSIM值越低越好?原文FSIM以百分比表示,但未明确好坏方向,此处按原文表述)。推理时间与其他数据驱动方法相当(约0.008秒),远快于复杂模型。

**6.2 物理信息损失的影响**:通过消融实验(是否使用PI损失),研究人员发现使用PI损失的模型MAE为3.17,未使用的为3.62,表明性能提升不仅源于架构,更直接归因于PI损失函数带来的半监督学习能力。

**6.3 边界条件的影响**:对比硬约束与软约束及五种BC配置(无BC、随机1%、随机5%、陆地上随机1%、陆地上随机5%),研究人员发现硬约束在多数配置下优于软约束,最佳组合为“陆地上随机5%”+硬约束(MAE=2.71, FSIM=5.38%);软约束仅在“随机5%”配置下表现较好。硬约束能更有效利用局部地面真实值信息。

**6.4 无监督训练量的影响**:改变完整训练集月数N(9、6、3个月),研究人员发现PINN在所有N值下均优于UNet和GAN,且N越小(无监督比例越高)性能越好,例如N=3时MAE仅3.08,显示PI损失在半监督场景中的高效性。

**6.5 其他预测时间范围下的表现**:对比3小时、24小时、168小时预测窗口,PINN在所有窗口下MAE均低于UNet,168小时时优势最明显(MAE=4.49 vs 6.46),证明模型在多时间尺度上的鲁棒性。

**6.6 视觉比较**:通过输出图像对比,PINN(尤其使用硬约束时)在保留地面真实值中的模式与局部结构方面优于UNet和GAN,研究人员认为这得益于其对物理先验(气溶胶传输方程)的利用。

在讨论部分,研究人员分析了不同配置下的性能差异,指出硬约束比软约束更适用于PINN,因为软约束会导致物理损失与BC损失间竞争;GAN性能较差的原因可能为模式崩塌(mode collapse);多任务学习(主任务+辅助任务)对主任务有促进效果。结论部分原文为:本文提出了一种新的半监督物理信息模型用于估计地面水平PM2.5浓度。该模型使用基于物理方程的损失函数,并通过辅助任务(预测气溶胶源汇项)自行产生损失函数所需的部分值。物理信息损失可用于联合训练两个任务。研究表明,该模型优于所有提出的最新方法和深度学习模型。消融实验表明其性能归因于不寻常的架构(允许实现两个任务)和物理信息损失函数。它还能利用边界条件(以稀疏真实值矩阵形式)作为先验信息。此外,硬约束比软约束更有效地利用这些边界条件,这与其他研究结论一致。最后,无论完整真实值数量增加或减少,该模型均保持优于最新方法的性能,显示出在半监督学习背景下的鲁棒性。这种鲁棒性,加上模型较短的推理时间、利用稀疏真实值和物理先验知识的能力以及相对于最新方法的准确性,使得该模型成为预测地面水平PM2.5值的一种特别有前景的方法,而这对于监测与空气质量相关的健康危害至关重要。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号