一组正在寻求深度学习以改善空气质量估计的科学家认为，化石燃料燃烧所产生的空气污染会影响人类健康，但预测给定时间和地点的污染水平仍然具有挑战性。

研究小组的研究结果可能对建模人员研究工业生产率等经济因素和住院等健康因素如何随污染水平变化而有所帮助。

宾州州立地理学助理教授于满竹说：“空气质量是影响人们生活的城市地区的主要问题之一。” “然而，现有的观察还不足以提供全面的信息，以帮助脆弱的人群提前计划。”

科学家们说，卫星和地面观测都可以测量空气污染，但它们是有限的。例如，卫星每天可能在同一时间通过给定的位置，却错过了在不同时间的发射如何变化。地面气象站不断收集数据，但仅在有限的位置。

为了解决这个问题，科学家们使用深度学习（一种机器学习）来分析大洛杉矶地区的卫星观测和地面观测的二氧化氮之间的关系。科学家们说，二氧化氮主要与交通和发电厂的排放有关。

于说：“目前的问题是二氧化氮在白天变化很大。” “但是我们还没有一个每小时的，郊区规模的产品可以用来跟踪空气污染。通过比较地表水平和卫星观测，我们实际上可以产生具有更高时空分辨率的估计值。”

科学家说，这种了解的关系使研究人员能够进行每日卫星观测，并每小时大约在3英里的网格中估算出大气中的二氧化氮。他们最近在《全面环境科学》杂志上发表了他们的发现。

“这里的挑战是，我们是否可以找到地球表面的测量值与对流层的卫星观测值之间的联系，而实际上它们彼此相距很远。这就是深度学习的目的。”

深度学习算法的运行方式与人脑非常相似，并具有多层人工神经元，用于处理数据和创建模式。科学家说，该系统根据在大量数据中发现的连接来学习和训练自己。

科学家测试了两种深度学习算法，发现一种算法将地面观测与卫星观测直接进行了比较，从而更准确地预测了二氧化氮的水平。添加气象数据，海拔和地面站以及主要道路和发电厂的位置等信息，可以进一步提高预测准确性。

于说，研究人员可能会对其他温室气体进行重复研究，并将其应用于不同的城市或区域和大陆规模。此外，当发射新的高分辨率卫星时，可以更新该模型。

于说：“以高的时空分辨率，我们的研究结果将促进空气质量与健康问题之间的研究，并增进对空气中污染物动态演变的理解。”