2003-2020 Global Hourly 0.25° PM2.5 Dadaset

该数据集通过深度学习框架DeepCAMS对CAMS PM2.5产品进行时空降尺度处理，以提高分辨率。它能够产生精确的时间变化根均方误差（RMSE）改善0.84（4.46至5.30）ug/m3和空间细节的平均绝对误差（MAE）改善0.16（0.34至0.50）ug/m3。

This dataset employs the deep learning framework DeepCAMS to perform spatiotemporal downscaling on the CAMS PM2.5 product, thereby enhancing its resolution. It achieves a precise temporal variation root mean square error (RMSE) improvement of 0.84 (from 4.46 to 5.30) µg/m³ and a spatial detail mean absolute error (MAE) improvement of 0.16 (from 0.34 to 0.50) µg/m³.

原始信息汇总

数据集概述

数据集名称

DeepCAMS (STOTEN 2022)

数据集描述

DeepCAMS是一个用于生成2003至2020年期间，每小时0.25°分辨率的全球PM2.5数据集的深度学习框架。该数据集通过将CAMS（Copernicus Atmosphere Monitoring Service）的粗分辨率（0.75°，3小时）PM2.5产品进行时空降尺度处理来增强分辨率。

数据集内容

• 2003-2020年全球每小时0.25°PM2.5数据集

数据集验证

• 与传统时空插值方法相比，DeepCAMS在GEOS-CF上的模拟验证显示，其能准确模拟时间变化。
• 在CAMS上的实际验证表明，DeepCAMS在区域和全球尺度上均展现出空间一致性和时间连续性。
• 通过与OpenAQ空气质量数据的对比验证，DeepCAMS保持了与原始CAMS相当的精度，同时将时空分辨率提高了三倍。

数据集下载

可通过Zenodo下载：10.5281/zenodo.6967082

数据集使用

• 环境要求：CUDA 10.0, PyTorch 1.x
• 模型训练：包括空间降尺度与时间降尺度两个阶段
• 测试：通过特定脚本进行时空降尺度结果的测试

联系方式

• 邮箱：[e-mail]; [e-mail]

引用信息

@article{xiao2022deepcams, title={Generating a long-term (2003- 2020) hourly 0.25° global PM2.5 dataset via spatiotemporal downscaling of CAMS with deep learning (DeepCAMS)}, author={Xiao, Yi and Wang, Yuan and Yuan, Qiangqiang and He, Jiang and Zhang, Liangpei}, journal={Science of The Total Environment}, volume={848}, pages={157747}, year={2022}, publisher={Elsevier} }

搜集汇总

数据集介绍

构建方式

该数据集通过深度学习框架DeepCAMS构建，旨在将Copernicus Atmosphere Monitoring Service (CAMS)的粗时空分辨率（0.75°，3小时）PM2.5数据降尺度至高时空分辨率（0.25°，每小时）。构建过程分为两个阶段：首先进行空间降尺度，利用高分辨率但短期（2018-2020）的Goddard Earth Observing System composition forecast (GEOS-CF)系统PM2.5数据作为参考，通过深度学习模型学习从低分辨率到高分辨率的非线性统计关系；随后进行时间降尺度，进一步将3小时分辨率数据转化为每小时分辨率。

特点

该数据集的主要特点在于其高时空分辨率和长期覆盖范围。数据集涵盖了2003至2020年的全球每小时PM2.5浓度数据，空间分辨率达到0.25°，显著优于原始CAMS数据的0.75°分辨率。此外，通过深度学习方法，数据集在保持与原始CAMS数据一致的精度的同时，显著提升了时空分辨率，为环境管理和空气污染研究提供了更为精细的数据支持。

使用方法

用户可通过Zenodo平台下载该数据集，并结合提供的PyTorch和MATLAB代码进行进一步分析和模型训练。数据集的使用分为两个主要步骤：首先进行空间降尺度训练，使用低分辨率和高分辨率的GEOS-CF数据对模型进行训练；随后进行时间降尺度训练，将3小时分辨率数据转化为每小时分辨率。测试阶段可通过提供的测试脚本对模型进行验证，确保数据集的准确性和可靠性。

背景与挑战

背景概述

随着全球环境问题的日益严峻，细颗粒物（PM2.5）的监测与分析成为环境管理的重要组成部分。武汉大学的研究团队，由Yi Xiao、Yuan Wang、Qiangqiang Yuan、Jiang He和Liangpei Zhang领导，于2022年开发了2003-2020全球小时级0.25°分辨率的PM2.5数据集。该数据集通过深度学习框架DeepCAMS，对Copernicus Atmosphere Monitoring Service（CAMS）的粗分辨率数据进行时空降尺度处理，生成了高时空分辨率的PM2.5数据。这一研究不仅填补了长期高分辨率PM2.5数据的空白，还为全球范围内的空气质量研究提供了有力支持，特别是在环境管理和空气污染缓解方面具有重要意义。

当前挑战

该数据集的构建面临多项挑战。首先，原始CAMS数据的时空分辨率较低（0.75°，3小时），难以满足细尺度研究的需求。其次，从低分辨率数据到高分辨率数据的非线性统计降尺度过程复杂，需要借助深度学习技术进行有效建模。此外，数据集的验证过程也极具挑战，需通过高质量的短期数据（如GEOS-CF系统数据）进行模拟验证，并通过OpenAQ等实地数据进行真实性检验。这些挑战不仅涉及技术层面的创新，还要求研究团队具备深厚的环境科学和数据处理能力。

常用场景

经典使用场景

2003-2020 Global Hourly 0.25° PM2.5 Dataset 在环境科学领域中具有广泛的应用前景。该数据集通过深度学习技术，将Copernicus Atmosphere Monitoring Service (CAMS) 的粗分辨率数据降尺度至0.25°的精细分辨率，并提供每小时更新的全球PM2.5浓度数据。这一高时空分辨率的数据集为研究全球空气质量变化、污染物扩散模式以及气候变化对空气质量的影响提供了重要支持。

衍生相关工作

基于该数据集，许多相关研究工作得以展开。例如，研究人员利用该数据集开发了更为精确的空气质量预测模型，进一步提升了预测的准确性和时效性。此外，该数据集还激发了关于深度学习在环境科学中应用的广泛讨论，推动了相关算法和模型的优化与创新。这些衍生工作不仅丰富了环境科学的研究内容，还为未来的空气质量管理提供了新的思路和方法。

数据集最近研究

最新研究方向

在环境科学领域，2003-2020 Global Hourly 0.25° PM2.5 Dataset的最新研究方向主要集中在通过深度学习技术实现高时空分辨率的PM2.5数据降尺度。该数据集通过深度学习框架DeepCAMS，将Copernicus Atmosphere Monitoring Service (CAMS)的粗时空分辨率数据降尺度至0.25°和每小时分辨率，显著提升了数据的空间细节和时间连续性。这一研究不仅在环境管理中具有重要意义，还为全球范围内的空气质量监测和污染控制提供了更为精确的数据支持。此外，该数据集的验证结果表明，其在区域和全球尺度上均展现出良好的时空一致性，进一步推动了空气质量预测和政策制定的科学依据。