如何利用深度學(xué)習(xí)優(yōu)化大氣污染物排放量估算？

編者按：全球碳排放問題亟待解決已是非常明確的科學(xué)共識，為了實現(xiàn)凈零排放這一全球性目標，微軟在2020年就提出了將在2030年實現(xiàn)碳負排放。近日，微軟亞洲研究院與清華大學(xué)的研究員們共同合作，在環(huán)境與地球科學(xué)領(lǐng)域國際知名期刊 Geoscientific Model Development 上發(fā)表了題為 “Exploring Deep Learning for Air Pollutant Emission Estimation” 的論文。文章詳細闡述了如何使用 AI 來幫助環(huán)境學(xué)家更精確地估算 NOx、SO2、VOC、一次 PM2.5 等污染物的排放量，并且把相對的估計誤差降低了20%，極大提高了估算精度。該方法同樣可以應(yīng)用于二氧化碳、甲烷等溫室氣體的排放估算中，為中國實現(xiàn)“碳達峰、碳中和”也提供了有價值的參考。

隨著經(jīng)濟發(fā)展和人口數(shù)量的飛速增長，人類活動排放的有害氣體嚴重損壞著公共健康與生態(tài)系統(tǒng)。排放清單的準確核算是有效模擬空氣污染控制政策的重要前提，但由于污染源繁多如居民生活、汽車尾氣、車間工廠等，并且其排放量不斷變化，因此基于傳統(tǒng)“自下而上”的排放源調(diào)查效率十分低下。而且傳統(tǒng)方法嚴重依賴于宏觀統(tǒng)計數(shù)據(jù)，缺乏時效性及精度保障。這種不準確的排放清單也成為了當前影響空氣質(zhì)量預(yù)測與模擬精度的主要限制因素。

事實上，排放清單和空氣污染之間存在著一個對偶結(jié)構(gòu)?？紤]到空氣污染物的濃度可以通過地面觀測、衛(wèi)星遙感等手段獲取，研究員們猜想，如果排放清單與污染物濃度之間有一個足夠準確的關(guān)系，那么就使用污染物濃度作為約束，來獲得更準確的排放清單?；诖耍④泚喼扪芯吭号c清華大學(xué)的研究員們共同合作，在環(huán)境與地球科學(xué)領(lǐng)域國際知名期刊 Geoscientific Model Development 上發(fā)表了題為 “Exploring Deep Learning for Air Pollutant Emission Estimation” 的論文。研究員們在論文中提出了一種基于對偶學(xué)習(xí)的新方法，利用 AI 任務(wù)的原始對偶結(jié)構(gòu)來獲取信息反饋和正則化信號，從而增強學(xué)習(xí)和推理過程。該方法的關(guān)鍵難點在于如何快速準確的量化從排放到濃度的高度非線性響應(yīng)關(guān)系。

Exploring Deep Learning for Air Pollutant Emission Estimation

論文鏈接：

https://gmd.copernicus.org/articles/14/4641/2021/gmd-14-4641-2021.html

模型代碼：

https://doi.org/10.5281/zenodo.4607127

為此，研究員們設(shè)計了基于神經(jīng)網(wǎng)絡(luò)的化學(xué)傳輸模型 NN-CTM，來準確表征從排放轉(zhuǎn)化到環(huán)境濃度中所經(jīng)歷的一系列大氣物理化學(xué)過程。與傳統(tǒng)的化學(xué)傳輸模型 CTM  相比，它是高效且可微分的，所以可基于濃度觀測值和模擬值之間的誤差梯度來更新排放清單。

圖1：基于對偶學(xué)習(xí)的排放清單估算框架圖

構(gòu)建以復(fù)雜神經(jīng)網(wǎng)絡(luò)  為基礎(chǔ)的化學(xué)傳輸模型

首先，研究員們構(gòu)建了以神經(jīng)網(wǎng)絡(luò)為基礎(chǔ)的化學(xué)傳輸模型 NN-CTM，以模擬大氣污染物的生成過程。同時結(jié)合光照、地理、氣象等信息，該模型可模擬出最終空氣中的污染物濃度?？紤]到 CTM 中復(fù)雜的物理化學(xué)反應(yīng)、時空的對流擴散、地理特征等影響，研究員們選用了一個相對復(fù)雜的復(fù)合神經(jīng)網(wǎng)絡(luò)。如圖2所示，在該網(wǎng)絡(luò)中，研究員們用 CNN 實現(xiàn)了對地理位置的編碼，用 LSTM 循環(huán)神經(jīng)網(wǎng)絡(luò)實現(xiàn)了對時序變化信息的編碼，用 U-Net 實現(xiàn)了對空間信息的建模。

圖2：NN-CTM 模型結(jié)構(gòu)

實驗結(jié)果表明，訓(xùn)練好的 NN-CTM 模型可以很準確地復(fù)現(xiàn)大氣污染物的數(shù)值模擬結(jié)果，且誤差僅有3%左右，同時模擬速度可達到原數(shù)值模型的1000倍。

表1：NN-CTM 模型誤差

排放清單反向估算

研究員們基于訓(xùn)練好的 NN-CTM 來準確反映排放清單與污染物濃度之間的關(guān)系，進而在模型中輸入地表和衛(wèi)星觀測的污染物濃度數(shù)據(jù)，通過誤差反向傳播的方法來估算新的排放清單。

圖3：排放清單反向估算

在本研究中，不同季節(jié)對排放清單的調(diào)整存在著很大的區(qū)別。表2列出了四個月內(nèi)機器學(xué)習(xí)方法估算的排放清單（N-Emis）較原始清單（P-Emis）的變化率。新的 N-Emis 結(jié)果表明：NOx 在1、10月份增加約3.5~4.0%，而7月份減少超過10%；NH3 的排放量在1月份增加，而在其他三個月減少，其中10月份的降幅最大；SO2 的排放量在所有月內(nèi)都減少約10%；VOC 的排放量也發(fā)生降低，且幅度比 SO2 更大，約20%，這可能與 CTM 對 O3 的高估有關(guān)；一次 PM2.5 的排放量在所有月都增加不到5%。

表2：估算的排放清單相比原始的排放清單區(qū)別

為了進一步分析不同區(qū)域的排放變化，研究員們首先選取了5個典型區(qū)域：人口密集的京津冀地區(qū)（BTH）、長江三角洲地區(qū) （YRD）、珠江三角洲地區(qū)（PRD）、四川盆地地區(qū)（SCH） ，以及因缺少觀測數(shù)據(jù)而約束條件不足的中國西北部地區(qū)（NWC）。并計算了各典型區(qū)域內(nèi)5種排放物4個月的平均排放量在調(diào)整前后的變化，如圖4所示。

圖4：不同區(qū)域主要污染物排放量的變化

隨后，研究員們將使用調(diào)整后的排放清單（N-Emis）的污染物濃度模擬值與612個觀測站的數(shù)據(jù)進行對比，發(fā)現(xiàn)NO2、SO2、O3 和 PM2.5 濃度的平均絕對誤差（MAE）分別從7.39降低至5.91（20.03%）、3.64降低至3.22（11.54%）、14.33降低至11.56（19.33%）ppbv 和從18.94降低至16.67 (11.99%) μg m-3。結(jié)果證明了 N-Emis 的可靠性及本研究應(yīng)用機器學(xué)習(xí)方法的實用性。（注：括號內(nèi)數(shù)值為降低率。）

圖5：污染物誤差對比

本篇論文提出的方法也可以擴展到如 CH4、CO2 等溫室氣體的排放清單估算問題及其他基礎(chǔ)性研究問題上。除此之外，該方法還可以應(yīng)用到基于實時污染物觀測數(shù)據(jù)所構(gòu)建的實時排放清單監(jiān)測系統(tǒng)中。

可以看到，本文的研究成果對環(huán)境問題的改善，以及溫室氣體排放的控制有著十分重要的參考價值。在未來，微軟亞洲研究院的研究員們會繼續(xù)高度關(guān)注人類可持續(xù)發(fā)展中的諸多重要問題，探索 AI 技術(shù)在電池材料開發(fā)、吸碳材料開發(fā)、碳捕捉過程、碳封存過程等各個方面的應(yīng)用，持續(xù)以前沿技術(shù)推動可持續(xù)發(fā)展。

作者：黃麟（微軟亞洲研究院），劉松（清華大學(xué)），張佳（微軟亞洲研究院），邢佳（清華大學(xué)）