用于美国本土NOx排放的雅可比正则化模拟器

《Atmospheric Environment》:Jacobian-regularized emulator for NO x emissions over the contiguous United States

【字体: 大 中 小 】 时间:2026年07月23日 来源:Atmospheric Environment 3.8

编辑推荐:

  摘要:及时更新排放清单对于精确的空气质量建模至关重要,但传统的逆向建模受化学传输模型的高计算成本限制。我们开发了一种基于雅可比正则化U-Net架构的排放调整框架,该框架能够模拟CMAQ模型,高效更新美国本土的NOx排放数据。两个仿真器分别使用2011年和2014年6月、7月、8月

  摘要:及时更新排放清单对于精确的空气质量建模至关重要,但传统的逆向建模受化学传输模型的高计算成本限制。我们开发了一种基于雅可比正则化U-Net架构的排放调整框架,该框架能够模拟CMAQ模型,高效更新美国本土的NOx排放数据。两个仿真器分别使用2011年和2014年6月、7月、8月的CMAQ模拟数据进行训练,并在2017年同期进行测试,随后用于调整2017年同期的NOx排放量。第一个仿真器被训练为重现每日地表NO2浓度及其对NOx排放输入的敏感性,而第二个仿真器则被训练为仅重现浓度值。两者均实现了高重复性,IOA值达到0.98。我们将每个仿真器作为正向模型,通过迭代调整2017年夏季的NOx排放量,以最小化仿真浓度与参考浓度之间的差异。我们通过完整的CMAQ模拟对这些调整后的排放量进行了评估。具有敏感性意识的反演方法将CMAQ模拟中的整体偏差从相对于观测值的-52.1%显著降低到-1.3%。与站点测量数据的对比表明,这些调整后的排放量将此前的低估程度从-35.8%改善为+7.5%。相比之下,未经正则化的反演方法则过度修正了NOx排放量,使得整体偏差上升至+12.3%,站点级偏差上升至+22.9%。这些结果表明,通过约束仿真器以复制敏感性雅可比矩阵,可确保驱动反演的排放量与浓度梯度与主模型保持物理一致性,从而避免排放量输入的过度修正。这种方法证明了雅可比正则化深度学习可作为替代成本高昂的基于CTM的迭代反演方法的有效方案。

引言:准确估算人为产生的氮氧化物(NOx)排放量对于预测空气质量、制定有效的减排策略以及评估合规性至关重要(Anenberg等人,2022;McDuffie等人,2020)。尽管自下而上的清单方法如美国环境保护署的全国排放清单被广泛使用,但这些方法在活动数据、排放因子以及时空分配方面存在较大不确定性,且通常需要数年才能编制完成(Elguindi等人,2020;M. Li等人,2021)。化学传输模型如社区多尺度空气质量模型直接以这些清单作为排放输入。因此,清单中的偏差可能会影响模拟出的空气污染物浓度,进而降低预报精度和空气质量评估效果(Park等人,2023)。为消除这些偏差,人们试图通过自上而下的方式利用卫星观测数据,如臭氧监测仪器和对流层监测仪器的数据来估算污染物排放量。然而,多项建模研究显示,自上而下的估算结果与现有的自下而上清单相比存在28–70%的地域差异,这表明仍需实用的方法来解决这一差距(Elguindi等人,2020;Hsu等人,2024)。要缩小这一差距,就需要系统地、以观测数据为依据来更新排放清单,这一需求推动了人们对更高效的自上而下反演框架的追求。

自上而下的逆向建模方法通过迭代调整排放输入,直至CTM模拟的污染物负荷与卫星观测数据相一致,从而完善排放清单,同时考虑观测误差和先前的排放不确定性。为应对这一挑战,已有多种方法论框架被开发出来,它们在实施成本和物理稳定性方面各有优势。Martin等人(2003)利用GOME二氧化氮柱数据,结合质量平衡方法估算基于卫星的NOx排放量,后来Lamsal等人(2011)又将其扩展到使用SCIAMACHY二氧化氮柱数据。这些研究表明,可通过化学寿命和传输参数将污染物排放率与卫星观测到的污染物浓度联系起来,从而提供一种简单有效的自上而下方法来完善排放清单(Elguindi等人,2020;Serrano-Calvo等人,2023;Sun,2022)。虽然计算成本更高,但基于敏感性的方法则利用由排放量与浓度雅可比矩阵表示的模型污染物浓度对排放扰动的敏感性,借助贝叶斯框架来实现这一目标。例如,将CMAQ三维解耦直接方法与OMI和TROPOMI观测数据相结合的区域应用,已成功降低了东亚和美国本土模拟地表NO2浓度的偏差(Park等人,2023;Souri等人,2016,2017)。最近,利用地球静止环境监测光谱仪的每小时观测数据,使得能够进行日变化排放调整,解决了早期受太阳同步轨道限制的反演方法的不足(Park等人,2024a)。

总体而言,基于CTM的排放调整方法都面临着同一个根本性瓶颈:即依赖耗时的、计算成本高的正向模拟来评估每次排放调整的效果。这一限制促使人们开发出计算效率更高的神经网络仿真器作为替代的正向模型。早期的统计替代方法,包括克里金法和响应面法,最初被用于近似CTM的输出,但这些方法通常难以捕捉复杂的高维大气过程。深度学习的出现使得仿真器的能力大幅提升。Liu等人(2021)用基于ResNet的仿真器替换了CMAQ的气相化学求解器,使得194种化学物质的计算速度提升了85倍,而Wang等人(2022)则报告称,在全球空气质量预测系统中,CBM-Z机制的计算速度提升了300–750倍。Vlasenko等人(2021)仅利用气象输入数据就模拟出了CMAQ的地表NO2浓度,其计算速度约为CMAQ的720倍,但重复性相对较低(R = 0.67–0.74)。Xu等人(2022)应用U-Net架构模拟CMAQ中的三维大气传输过程,在GPU上实现了164倍的加速。Salman等人(2024)将U-Net仿真器框架扩展到模拟美国本土夏季的每小时地表NO2浓度,其与CMAQ的相关系数为0.979,一致性指数为0.989。此外,他们通过仿真器得到的NOx排放量与NO2浓度敏感性系数与CMAQ DDM-3D方法计算的系数非常接近(R = 0.927),而且其在GPU上的计算速度更快,快600多倍。

这些神经网络仿真器通过学习从排放输入到浓度输出的可微映射来近似CTM模拟的复杂过程。例如,在模拟地表NO2浓度时,可通过自动微分计算预测浓度相对于输入NOx排放量的梯度,不过这些梯度在迭代排放优化中的物理真实性仍有待进一步研究。基于神经网络仿真器的可微性,基于替代模型的反演方法已被应用于多个地球物理领域,以替代昂贵的正向模型,用于基于梯度的优化。例如,物理引导的神经网络替代模型降低了地下流场基于梯度反演的计算成本(N. Wang等人,2021)。同样,可逆神经网络也使得地球物理反问题的贝叶斯后验估计更加高效(Zhang和Curtis,2021),而可微的物理信息架构也被应用于碳封存监测的地球物理数据联合反演中(M. Liu等人,2023)。除了正向仿真之外,神经网络替代模型还能学习用于4D-Var数据同化及参数调优的输入输出导数(Nonnenmacher和Greenberg,2021)。然而,基于梯度的反演有一个关键要求,即仿真器生成的雅可比矩阵必须具有物理准确性。标准的神经网络训练目标仅优化输出精度,而不限制模型导数的准确性,这就导致即使正向预测准确,仿真器的雅可比矩阵也可能存在噪声或不可靠。Aires等人(1999)首次指出了这一问题,他们证明传统的多层感知器训练可能会导致雅可比矩阵不稳定,并提出了正则化策略来提高导数的平滑度。后续研究进一步强调了在逆向建模和数据同化框架中使用神经网络导数时的稳定性问题(Hatfield等人,2021)。为解决这一问题,人们提出了多种方法,包括通过一组神经网络的平均值来降低噪声(Krasnopolsky,2007),使用预先计算的平均雅可比矩阵代替网络生成的矩阵(Chevallier和Mahfouf,2001),以及将参考模型的雅可比矩阵直接纳入训练损失函数中(Z. Li等人,2024;Pan和Duraisamy,2018)。可微神经网络替代模型已被提出用于大气传输建模中的基于梯度反演(Benson等人,2025),并在陆面建模中用于针对卫星观测数据进行高效参数校准(Ahmad等人,2025)。已有若干深度学习替代模型被用于优化CTM模拟的排放清单,包括响应面优化(Z. Liu等人,2026;Xing等人,2020)和基于梯度的反向传播(Huang等人,2021);不过,由于这些模型纯属数据驱动,其优化梯度的物理一致性可能无法得到验证。尽管近期有研究展示了从早期仿真器中提取伴随敏感性的可行性,用于孤立的气相化学过程(Y. Liu等人,2025),但由于缺乏明确的敏感性约束,依赖未经正则化的网络可能会导致物理上不合理的空间梯度。在本研究中,我们开发了一种排放调整框架,该框架利用基于U-Net的CMAQ仿真器,为美国本土的NOx排放清单提供雅可比正则化的、基于梯度的更新。我们将从CMAQ DDM-3D得到的排放量与浓度雅可比矩阵纳入训练损失函数,从而引入明确的敏感性约束,确保仿真器生成的雅可比矩阵具有物理合理性。经过训练的仿真器在迭代优化循环中作为可微的替代正向模型,通过不断调整NEI中的先前NOx排放量,使其与2017年夏季观测到的参考地表NO2浓度之间的差异最小化。这样一来,排放量的更新既能保持主CTM的物理一致性,又能避免在计算效率与物理合理的排放优化之间的权衡。

研究区域与时间范围:本研究区域为EPA 12US1建模网格上的美国本土,水平分辨率为12公里(见图1)。该区域涵盖所有48个相邻州,与用于全国空气质量评估的标准EPA建模平台一致。建模配置,包括气象输入、排放清单及CTM设置,均参照Salman等人的研究(2024),具体内容将在2.2节中详细说明。研究时间跨度为三个夏季(6月、7月、8月),即2011年夏季、2014年夏季以及2017年夏季。

仿真性能:仿真器在反演过程中作为可微的正向模型,其雅可比矩阵直接决定了每次迭代中的排放量调整幅度(公式4)。因此,要使调整后的排放量能够正确反馈到主模型中,就必须准确复制CMAQ的模拟结果。为了评估所训练仿真器相对于主模型CMAQ的复制能力,我们将2017年夏季仿真得到的每日地表NO2浓度与CMAQ的模拟值进行了比较。两个仿真器均取得了较好的复制效果。

讨论:深度学习仿真器已成为CTM的高效替代模型,但较高的正向预测精度并不能保证仿真器真正掌握了污染物浓度对排放变化的非线性响应规律。尽管未经正则化的仿真器和经过雅可比正则化的仿真器在针对CMAQ的测试中表现相当(3.1节),但它们调整后的排放量却产生了截然不同的结果(3.2节)。

结论:本研究开发了一种基于梯度的逆向建模框架,该框架利用基于深度学习的CMAQ替代模型,为美国本土提供空间上明确的NOx排放量调整方案。该框架将U-Net仿真器作为可微的正向模型嵌入迭代优化循环中,通过自动微分高效计算排放量与浓度之间的雅可比矩阵,从而无需额外的伴随模型。我们应用该框架调整了每日NO和……

作者贡献声明:Sagun Gopal Kayastha:概念设计、数据整理、形式分析、研究调查、方法设计、验证、可视化、初稿撰写。Ahmed Khan Salman:概念设计、数据整理、方法设计、监督指导、验证、审稿与编辑。Jincheol Park:研究调查、方法设计、软件应用、监督指导、审稿与编辑。Masoud Ghahremanloo:数据整理、研究调查、方法设计、资源协调、审稿与编辑。Jia Jung:数据整理……

利益冲突声明:作者声明不存在任何可能影响本文研究的已知财务利益或个人关系。

致谢:本研究得到了NASA Aura科学团队基金(NNH19ZDA001N-AURAST)的支持。同时,我们也感谢休斯顿大学的研究计算数据中心(RCDC)为这项工作提供的高性能计算环境支持。

Sagun Gopal Kayastha|Ahmed Khan Salman|Jincheol Park|Masoud Ghahremanloo|Jia Jung|Yunsoo Choi
美国德克萨斯州休斯顿市,休斯顿大学地球与大气科学系,邮编77004
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号