PollutionNet: A Vision Transformer Framework for Climatological Assessment of NO$_2$ and SO$_2$ Using Satellite-Ground Data Fusion

📄 arXiv: 2604.03311 📥 PDF

作者: Prasanjit Dey, Soumyabrata Dev, Bianca Schoen-Phelan

分类: cs.CV

发布日期: 2026-04-07

💡 一句话要点

PollutionNet：融合卫星与地面数据的Vision Transformer大气污染评估框架

🎯 匹配领域: 支柱八：物理动画 (Physics-based Animation)

关键词: 大气污染评估 Vision Transformer 卫星数据融合 地面监测数据 时空建模

📋 核心要点

  1. 传统大气污染监测方法受限于卫星数据缺失和地面站点覆盖不足，难以全面评估污染状况。
  2. PollutionNet利用Vision Transformer融合卫星和地面数据，通过自注意力机制捕捉复杂时空依赖关系。
  3. 实验表明，PollutionNet在NO$_2$和SO$_2$预测上优于传统模型，误差降低高达14%。

📝 摘要（中文）

准确评估大气中的二氧化氮（NO$_2$）和二氧化硫（SO$_2$）浓度对于理解气候-空气质量的相互作用、支持环境政策和保护公众健康至关重要。传统的监测方法存在局限性：卫星观测提供广阔的空间覆盖范围，但存在数据缺失；地面传感器提供高时间分辨率，但空间范围有限。为了解决这些挑战，我们提出了PollutionNet，一个基于Vision Transformer的框架，它将Sentinel-5P TROPOMI垂直柱密度（VCD）数据与地面观测相结合。通过利用自注意力机制，PollutionNet捕捉到传统CNN和RNN模型常常忽略的复杂时空依赖关系。在爱尔兰（2020-2021）的案例研究表明，PollutionNet实现了最先进的性能（NO$_2$的RMSE为6.89 $\mu$g/m$^3$，SO$_2$的RMSE为4.49 $\mu$g/m$^3$），与基线模型相比，预测误差降低了高达14%。除了准确性的提高，PollutionNet还为应用气候学提供了一个可扩展且数据高效的工具，能够在监测网络稀疏的地区进行稳健的污染评估。这些结果突出了先进机器学习方法在加强气候相关空气质量研究、为环境管理提供信息和支持可持续政策决策方面的潜力。

🔬 方法详解

问题定义：论文旨在解决大气污染评估中，由于卫星数据存在缺失以及地面监测站点分布有限，导致无法准确、全面地评估NO$_2$和SO$_2$污染状况的问题。现有方法，如单纯依赖卫星数据或地面数据插值，难以有效捕捉污染物的时空变化规律，预测精度较低。

核心思路：论文的核心思路是利用Vision Transformer强大的时空建模能力，将卫星观测数据和地面监测数据进行有效融合，从而弥补各自的不足。Vision Transformer的自注意力机制能够捕捉污染物在空间和时间上的复杂依赖关系，提高预测精度。

技术框架：PollutionNet框架主要包含数据预处理、特征提取和预测三个阶段。首先，对Sentinel-5P TROPOMI卫星数据和地面监测数据进行预处理，包括数据清洗、插值和归一化。然后，利用Vision Transformer提取卫星数据和地面数据的时空特征，并将这些特征进行融合。最后，使用全连接层或回归模型进行NO$_2$和SO$_2$浓度的预测。

关键创新：该论文的关键创新在于将Vision Transformer应用于大气污染评估领域，并设计了一种有效融合卫星数据和地面数据的框架。与传统的CNN和RNN模型相比，Vision Transformer能够更好地捕捉污染物在空间和时间上的长距离依赖关系，从而提高预测精度。

关键设计：在网络结构方面，论文采用了多层Transformer编码器，并使用了位置编码来保留空间信息。在损失函数方面，论文采用了均方根误差（RMSE）作为主要的优化目标。此外，论文还探索了不同的数据融合策略，例如直接拼接和注意力加权融合。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

PollutionNet在爱尔兰的案例研究中表现出色，NO$_2$的RMSE为6.89 $\mu$g/m$^3$，SO$_2$的RMSE为4.49 $\mu$g/m$^3$，相比于基线模型，预测误差降低了高达14%。这表明PollutionNet能够有效融合卫星和地面数据，提高大气污染评估的准确性。

🎯 应用场景

PollutionNet可应用于区域空气质量评估、污染源识别、环境政策制定和公共健康预警等领域。该研究成果有助于更准确地了解大气污染的时空分布特征，为政府和企业提供决策支持，从而改善空气质量，保护公众健康，并促进可持续发展。

📄 摘要（原文）

Accurate assessment of atmospheric nitrogen dioxide (NO$_2$) and sulfur dioxide (SO$_2$) is essential for understanding climate-air quality interactions, supporting environmental policy, and protecting public health. Traditional monitoring approaches face limitations: satellite observations provide broad spatial coverage but suffer from data gaps, while ground-based sensors offer high temporal resolution but limited spatial extent. To address these challenges, we propose PollutionNet, a Vision Transformer-based framework that integrates Sentinel-5P TROPOMI vertical column density (VCD) data with ground-level observations. By leveraging self-attention mechanisms, PollutionNet captures complex spatiotemporal dependencies that are often missed by conventional CNN and RNN models. Applied to Ireland (2020-2021), our case study demonstrates that PollutionNet achieves state-of-the-art performance (RMSE: 6.89 $\mu$g/m$^3$ for NO$_2$, 4.49 $\mu$g/m$^3$ for SO$_2$), reducing prediction errors by up to 14% compared to baseline models. Beyond accuracy gains, PollutionNet provides a scalable and data-efficient tool for applied climatology, enabling robust pollution assessments in regions with sparse monitoring networks. These results highlight the potential of advanced machine learning approaches to enhance climate-related air quality research, inform environmental management, and support sustainable policy decisions.