遥感异常与地球化学指标间的映射关系模型探索

采用改进的遥感异常提取方法,以甘肃金川地区的LandSat 8遥感影像数据为基础,结合主成份分析方法及低通滤波后期处理,得到空间规律性较强的烃基及铁染异常;进而对测区的土壤地球化学取样分析数据,利用统计学方法寻找不同元素异常(或地球化学指标)的内在关联,并建立土壤地球化学指标比值与遥感异常之间的关系模型。继续构建出基于LandSat 8遥感影像的净反射率值与地球化学因子之间的统计模型,并以此预测模型对测区进行了遥感地球化学异常的圈定。预测结果表明:建立的遥感地球化学统计模型高异常区与已知矿区范围基本吻合,通过提取的遥感地球化学异常不仅能表达化探常规异常的信息,还可以把其空间分布规律明晰出来,让某些局部弱异常得到增强。遥感地球化学异常得到了野外验证,说明利用地质资料建立的基于LandSat 8遥感地球化学预测模型比单一的遥感或化探异常有更好的预测效果。     

基于集成学习方法的中国近地面臭氧浓度时空分布

自2013年大气污染防治行动以来，PM_2.5、PM₁₀、SO₂、NO₂等空气污染物浓度都有不同程度下降，但臭氧污染仍有上升趋势，臭氧污染已成为制约中国空气质量持续改善的关键问题。地基站点可以提供空间上特定点的臭氧浓度，但无法获得近地面臭氧连续的空间分布。由于臭氧大量分布于平流层，遥感卫星反演的臭氧柱浓度产品仅能反映整层臭氧柱浓度，但整层臭氧柱浓度与近地面浓度无明显相关性，因而无法体现近地面臭氧浓度。本文综合地基监测数据、再分析资料、卫星产品，采用不同的模型方法，得到近地面臭氧浓度的时空分布，结果表明集成学习方法可以准确估算近地面臭氧在空间上的分布状况和在时间上的变化趋势。本文对比了梯度提升回归树(GBRT)、极端随机树(ERT)、极端梯度提升器(XGBoost) 3种不同的集成学习方法在近地面臭氧污染估算的效果表现，3种集成学习方法在2019年—2020两年的十折交叉验证R2都在0.89以上，极端梯度提升器(XGBoost)方法在RMSE、MAE指标上有最好的表现，2019年—2020年两年的平均R...