Die Studie präsentiert eine Dual-View Supergrid-bewusste Graph-Neuronale-Netzwerk-Methode (DSGNN) zur regionalen Luftqualitätsschätzung.
Bestehende Methoden teilen das Untersuchungsgebiet in getrennte Gitterregionen ein und verwenden 2D-Konvolution, um die räumlichen Abhängigkeiten benachbarter Gitterregionen zu modellieren. Dies versagt jedoch dabei, die räumlichen Abhängigkeiten entfernter Gitterregionen zu erfassen.
DSGNN adressiert dieses Problem, indem es die räumlichen Abhängigkeiten entfernter Gitterregionen aus zwei Perspektiven (Satellitenabgeleitete Aerosoloptische Dichte (AOD) und Meteorologie) modelliert:
Umfangreiche Experimente auf zwei Datensätzen zeigen, dass DSGNN die besten Leistungen bei der Luftqualitätsschätzung erbringt und den besten Baseline-Ansatz im Durchschnitt um 19,64 % in MAE übertrifft.
To Another Language
from source content
arxiv.org
Key Insights Distilled From
by Xin Zhang,Li... at arxiv.org 04-03-2024
https://arxiv.org/pdf/2404.01975.pdfDeeper Inquiries