论文用扩散生成模型从稀疏站点重建城市多污染物分布。
资讯摘要
论文将深度学习用于从稀疏观测重建NO2、O3、PM2.5和PM10四种污染物的全场分布，模型在全场模拟数据上训练，并在巴黎9至28个监测站的真实观测上评估。作者提出基于扩散的生成式多污染物重建框架，与确定性深度学习模型对比；结果显示模拟验证数据上结构相似度较高，真实观测上功率谱分析呈现合理空间模式。论文还提出数据增强方法，使模型无需重训即可迁移到真实观测。
要点速读
- 论文提出基于扩散的生成式框架，用于多污染物全场重建，并与确定性深度学习模型进行基准对比。
- 模型在模拟数据上训练，在巴黎9至28个监测站的真实观测上评估，功率谱分析显示真实观测上产生合理的空间模式。
- 作者提出数据增强方法，使模型无需重新训练即可迁移到真实观测并泛化到训练时段之外。
中文摘要由 AI 根据公开来源生成，可能存在理解偏差；具体能力、数字、开放时间等信息请以原文为准。
采集于 2026/10/29 08:00:21（北京时间）。 arXiv 日期为本次公告时间，论文初次投稿日期请查看原文版本记录。