扩散生成框架用于巴黎空气污染稀疏观测重建

Abhishek A. Sabnis 等（Sibo Cheng 团队）提出了一种基于扩散模型的多污染物生成式框架，用于从稀疏监测数据重建巴黎 NO2、O3、PM2.5 和 PM10 的全场分布，并与确定性深度学习模型进行了对比基准测试。 模型在全场模拟数据上训练，评估使用巴黎 9 到 28 个监测站的真实观测。在模拟验证数据上取得高结构相似度，功率谱分析显示其对真实观测空间模式的重建较为逼真。通过数据增强方法，模型无需重新训练即可迁移到真实观测并泛化到训练期之外。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。