场景感知PM2.5估计网络

全球无间隙制图

利用图注意力网络集成局部模型，克服陆气交互异质性，提升全球PM2.5制图精度，尤其在监测稀疏地区。

白开旭 · Ke, Li · Songyun, Qiu · Zhe, Zheng · Jiao, Penglong · Yibing, Sun · Liuqing, Shao · 刘朝顺 · Xinran, Li · Li, Zhengqiang · 郭建平 · Chang, Nibin

ISPRS Journal of Photogrammetry and Remote Sensing 2025

参数信息

相关系数

0.909

均方根误差

9.87 μg m⁻³

偏差降低

44.2 %

偏差降低

12.7 %

偏差降低

32.4 %

偏差降低

44.4 %

偏差降低

48.3 %

技术优势

监测薄弱区更准

利用场景相似性选择最相关的32个站点模型进行集成，缓解了数据不平衡引起的低精度问题。

输出无间隙全球图

结合长时序AOD数据，可生成2000-2021年全球陆地逐日无间隙的PM2.5浓度。

误差下降近一半

与常用全球建模方法相比，在中国、美国、欧洲、印度及某全球产品上的建模偏差分别降低44.2%、12.7%、32.4%、44.4%和48.3%。

应用场景

• 环境监测：替代传统插值或单一全球模型，生成更精准的全球PM2.5分布图以追踪污染。
• 遥感制图：利用卫星AOD数据反演无间隙PM2.5，弥补地面监测网络的空间缺口。
• 空气质量监测：即使在站点稀少的地区也能提供可靠的PM2.5估计，支撑空气质量评估。
• 地球观测：可将该方法迁移到其他面临类似数据不平衡的地球观测任务中。