首页 | 本学科首页   官方微博 | 高级检索  
     检索      

基于集成学习方法的中国近地面臭氧浓度时空分布
引用本文:宋世鹏,范萌,陶金花,陈三明,顾坚斌,韩宗甫,梁晓霞,陆晓艳,王甜甜,张莹.基于集成学习方法的中国近地面臭氧浓度时空分布[J].遥感学报,2023(8):1792-1806.
作者姓名:宋世鹏  范萌  陶金花  陈三明  顾坚斌  韩宗甫  梁晓霞  陆晓艳  王甜甜  张莹
作者单位:桂林理工大学地球科学学院;中国科学院空天信息创新研究院遥感科学国家重点实验室;首都师范大学资源环境与旅游学院;广西壮族自治区生态环境监测中心;江苏省环境监测中心;中国科学院大学
基金项目:国家重点研发计划(编号:2018YFC0214003);;国家自然科学基金(编号:41771391,42171393,41871254);;广西重点研发计划(编号:AB20238015)~~;
摘    要:自2013年大气污染防治行动以来,PM2.5、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...

关 键 词:遥感  近地面臭氧  集成学习  极端随机树  梯度回归提升树  极端梯度提升器  TROPOMI  新冠疫情
设为首页 | 免责声明 | 关于勤云 | 加入收藏

Copyright©北京勤云科技发展有限公司  京ICP备09084417号