基于残差修正框架的小时尺度近地面臭氧估算方法
《Atmospheric Pollution Research》:Estimation method of hourly near-surface ozone based on a residual correction framework
【字体:
大
中
小
】
时间:2026年07月17日
来源:Atmospheric Pollution Research 3.9
编辑推荐:
陈佳佳|李子伟|张学辰|魏颖 中国山西师范大学地理科学学院,太原030031 摘要 对近地面臭氧(O3)进行高时空分辨率的监测对于空气污染控制与公共卫生研究至关重要。本研究整合了多种数据源,包括地面监测数据、卫星遥感产品、气象再分析数据、排放清单以及地理因素,以0.05°的空间分
陈佳佳|李子伟|张学辰|魏颖 中国山西师范大学地理科学学院,太原030031 摘要 对近地面臭氧(O3)进行高时空分辨率的监测对于空气污染控制与公共卫生研究至关重要。本研究整合了多种数据源,包括地面监测数据、卫星遥感产品、气象再分析数据、排放清单以及地理因素,以0.05°的空间分辨率估算每小时近地面O3浓度。此外,还引入了优化后的化学传输模型RMAPS_Chem的模拟输出,该模型能够准确再现近地面O3及其主要前体物二氧化氮(NO2)的分布情况。经过处理的大气化学数据进一步被纳入O3估算模型中。通过应用时空LightGBM(ST-LightGBM)模型,研究者构建了残差校正框架,用于修正随机森林(RF)模型的预测结果。研究结果表明,所提出的模型在每小时尺度及0.05°分辨率下具有较高的准确性(R2 = 0.86,RMSE = 13.58 μg/m3),同时显著提升了空间映射质量。这些研究成果为精细尺度的O3监测提供了有效方法,对空气污染的预防与控制具有重要的实际意义。引言 地面臭氧(O3)是一种光化学空气污染物,由其两种主要前体物——挥发性有机化合物(VOCs)和氮氧化物(NOx)在阳光照射下发生光化学反应而生成(Wang等,2019;Wang等,2017)。作为一种二次污染物,O3会对人类健康造成危害,例如导致低出生体重和早产(Wang等,2021;Yang等,2020),增加公众患抑郁症或焦虑症的风险(Zhao等,2020),还会提高心血管疾病、呼吸系统疾病甚至早死的概率(Ito等,2005;Li等,2021;Maji等,2019;Neidell和Kinney,2010;Tian等,2020;Wang等,2020)。此外,从生态系统和气候变化的角度来看,O3暴露还会影响小麦、大豆等农作物的产量,从而造成经济损失(Feng和Kobayashi,2009;Feng等,2019;Li等,2021;Schauberger等,2019)。获取高精度时空分辨率的近地面O3数据具有重要意义。在那些由于人为前体物排放导致O3空间异质性较高的城市中,低分辨率的O3产品会限制相关分析的开展(Requia等,2020);而在污染严重的城区,时空分辨率不足的近地面O3估算结果则会制约进一步的環境管理及健康风险评估工作(Wei等,2019)。基于点-面融合框架的估算模型能够捕捉大范围空间上月度或季节性O3浓度的时空变化规律。Kong等人(2021)通过数据同化技术,获得了2013年至2018年全国范围内15公里分辨率的每小时O3数据,其预测精度为R2 = 0.77。Wang等人(2022)则提出了一种基于“向日葵8号”热红外遥感产品及气象数据的自适应地理空间定位模型,用于估算2017年至2019年中国全境的近地面O3质量浓度,基于站点的验证精度可达R2 = 0.85。在这些研究的基础上,结合先进的卫星数据与深度学习技术来实现每小时近地面O3的映射已成为重要的研究方向。例如,Zhu等人(2023)开发了“学习表面臭氧”(LESO)反演框架,该框架能够生成2012年至2021年中国、欧洲和美国地区0.1° × 0.1°空间分辨率的每小时近地面O3数据,克服了基于卫星反演低层大气O3过程中的关键技术难题。Zhang等人(2024)则运用循环神经网络结合多源观测数据与辅助信息,实现了2015年至2020年中国地区相同空间分辨率的每小时近地面O3反演,在基于样本的交叉验证中取得了R2 = 0.72的精度,在基于站点的交叉验证中则为0.65。更近期的是,Kang等人(2026)开发的DeepMAP框架利用地球静止卫星数据,能够同时实现六种污染物的每小时级预测。尽管基于卫星的近地面O3反演技术已取得显著进展,但现有产品仍存在局限性,难以捕捉复杂地形、严重污染异质性以及卫星观测缺失所带来的细尺度空间变化特征。因此,从模型发展的角度而言,仍需进一步改进O3的估算方法。梯度提升树在空间预测方面存在一定不稳定性,若忽略高空间梯度特征可能会降低估算精度,而随机森林则通常表现出更好的稳健性(Chen等,2022)。Li等人(2019)提出,将时空变量纳入原始模型中可以进一步提升基于树的模型的性能。Zhan等人(2018)构建了一种名为“时空克里金-随机森林”模型的混合模型,用于预测中国地区的近地面O3浓度,取得了较好的效果(整体R2 = 0.69;中国西南部地区R2 = 0.66)。Li等人(2020)进一步提出了RF-GAM模型。与其他模型相比,GAM模型能够考虑O3浓度的时间自相关性,具备更好的外推能力(Chen等,2018;Ma等,2016),该模型的精度可达R2 = 0.76,RMSE为14.41 μg/m3。然而,仅依靠统计模型和机器学习模型仍不足以完全体现O3形成过程中复杂的物理化学过程。因此,将化学传输模型与数据驱动方法相结合,逐渐成为提升O3估算精度与通用性的重要途径。近年来,化学传输模型与机器学习的融合更是成为了重要发展趋势。例如,Ren等人(2022)应用贝叶斯集成机器学习框架对CMAQ模拟的O3数据进行降尺度处理,得到了美国地区的MDA8表面O3浓度数据,整体拟合精度为R2 = 0.83。Ye等人(2022)则利用随机森林模型,诊断并纠正了GEOS-Chem模型在模拟2018年中国夏季MDA8 O3浓度时存在的过高估偏误。此外,Hickman等人(2025)总结了机器学习与人工智能在対流层O3研究中的应用进展,指出了当前存在的前体物观测不足、模型可解释性有限等关键问题。不过,现有的大多数化学传输模型-机器学习融合框架都是针对日尺度MDA8 O3设计的,其在高分辨率小时级O3预测方面的能力有限,也无法充分利用物理模拟中的时空非线性残差特征。尽管化学传输模型-机器学习融合框架具有巨大潜力,但目前大多数研究仍集中在日尺度MDA8 O3上,而高分辨率小时级O3预测的相关研究还较为不足。这一差距为本研究提供了重要动力。为解决现有研究在覆盖中国内地范围、高分辨率小时级O3预测能力以及未能充分利用残差的时空非线性特征等方面的局限性,本研究整合了经改进的RMAPS_Chem模型的输出结果,构建了一种近地面O3估算框架,该框架首先利用随机森林进行初步预测,再借助时空LightGBM模型进行残差校正,从而实现了0.05°空间分辨率下的高精度小时级O3映射。研究区域与数据来源 为实现对O3的高精度时空估算,明确界定研究区域并整合多元数据源至关重要。本文首先介绍了研究区域,随后阐述了本研究所使用的数据来源。方法 本研究提出了一种两步残差校正框架(ST-RL),该框架将每月的随机森林预测与ST-LightGBM残差校正相结合。随机森林用于捕捉整体趋势,而ST-LightGBM则用于改善残差预测,尤其是极端值部分的预测。为在精度与效率之间取得平衡,随机森林是针对每个月分别训练的,而ST-LightGBM则是基于所有月份的数据汇总后进行训练的。季节性信息则通过气象等预测因子隐含地体现出来。定量评估结果 由于本研究的目标变量是每小时近地面O3,且其时空分布会随月份发生变化,因此本研究为2019年的每个月份分别建立了独立的随机森林模型,以此获得更为可靠的预测结果。2019年的12个月份均进行了随机森林建模,各月份的样本数量如表3所示。可以看出,8月和9月的样本数量略低于其他月份。基于站点的验证精度以及MDA8的时空分析 由于“每日最大8小时平均值”是评估O3污染状况的常用指标,基于对O3的 hourly连续精细预测结果,本节计算了每天每个网格对应的8小时滑动最大值。为清晰呈现2019年夏季研究区域的整体O3污染状况,本节计算了夏季MDA8 O3数值,并给出了MDA8的平均值,以及MDA8 ≥ 100 μg/m3和MDA8 ≥ 160 μg/m3的空间出现概率。结论与讨论 通过整合多源小时级数据并构建残差校正模型,本研究实现了0.05°空间分辨率下高精度的每小时近地面O3估算。研究结果表明,“向日葵8号”卫星的辐射产品、ERA5-Land气象数据,以及模型模拟得到的O3和NO2数据,都对模型性能的提升起到了重要作用。与单步随机森林模型相比,ST-RL模型取得了更好的效果。CRediT作者贡献说明 陈佳佳:撰写——初稿、可视化、验证、软件、资源、项目管理、方法论、资金获取、正式分析、数据整理、概念构思。李子伟:可视化、调研。张学辰:撰写——审阅与编辑、指导、方法论。魏颖:撰写——审阅与编辑、指导、数据整理。未引用参考文献 Ito等,2005;Li等,2021;Li等,2019;Li和Rappenglück,2014;世界卫生组织,2005。利益冲突声明 作者声明不存在任何可能影响本文研究结果的已知财务利益或个人关系。资金支持 本研究得到了山西省自然科学基金(202403021212117)的资助。利益冲突声明 ? 作者声明不存在任何可能影响本文研究结果的已知财务利益或个人关系。致谢 我们衷心感谢所有数据提供方。感谢中国国家环境监测中心提供的地面监测数据,感谢日本宇宙航空研究开发机构提供的“向日葵8号”卫星遥感数据,感谢欧洲气候变迁服务组织提供的ERA5-Land气象再分析数据,感谢清华大学提供的MEIC排放清单数据,以及美国国家航空航天局提供的MODIS NDVI数据。此外,我们还要……
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号