基于深度学习模拟全球大气化学数值模式中的气相化学过程

发布时间:2022-09-01

        全球大气化学传输模型是当前进行空气质量预测和管理的主要工具。然而,精确和快速的空气质量模拟和预测往往受到模型计算性能的限制。气相化学过程的模拟在大气化学传输模型模拟过程中最为耗时。为了加快全球大气化学传输模式中气相化学模块的求解速度,中国科学院大气物理研究所LAPC国家重点实验室硕士生王自溪,李杰研究员和吴林研究员基于深度学习构建了一个残差神经网络模拟器,初步高精度高速度重现了全球嵌套网格空气质量预报模式系统(GNAQPMS)中气相化学过程(碳键机制 (CBM-Z))的模拟。


        利用构建的神经网络模型,从空间和时序上详细分析了在更短时间步长、更高分辨率水平上,深度学习技术替代大气化学传输模式中气相化学模块的可能性。结果表明,神经网络(NN)模型能够在保持与CBM-Z模块相似准确性(平均相关系数平方达0.95)的前提下加速约300-750倍。同时,进一步分析了NN模型对不同高度、不同空间光化学反应过程中的关键氧化物种O3、NOx和OH的预测效果,达到了与CBM-Z模块几乎一致的空间分布和时序变化。




  该研究的通讯作者为中国科学院大气物理研究所李杰研究员和吴林研究员。研究成果近期发表于Frontiers in Environmental Science期刊上。该研究获得了中国科学院战略性先导专项培育项目(XDPB1903)、中国科学院战略性先导科技专项(XDA19040202)、国家自然科学基金(92044302)和中科院信息化专项 (CAS-WX2021SF-0107)、国家重大科技基础设施“地球系统数值模拟装置”等联合资助。

  【论文信息】 :
  Wang, Z. X., Li, J., Wu, L., Zhu, M. M., Zhang, Y. J., Ye, Z. L., Wang, Z. F., 2022. Deep learning-based gas-phase chemical kinetics kernel emulator: Application in a global air quality simulation case. Front. Environ. Sci. 10, 955980. https://doi.org/ 10.3389/fenvs.2022.955980