化学気候モデルからのオゾン濃度の機械学習ベースバイアス補正将来予測

科学分野:

• 大気化学および気候科学
• 環境モデリングおよび機械学習

背景:

• グローバル化学気候モデル（CCM）は、大気質管理および健康リスク評価に不可欠な将来の表面オゾンの予測に不可欠です。
• 既存のCCMは、空間分布、大きさ、および傾向においてバイアスを示しており、それらの地域適用および信頼性を制限しています。
• 効果的な環境保護戦略を知らせるためには、正確なオゾン予測が必要です。

研究 の 目的:

• LightGBM機械学習（ML）アルゴリズムを適用して、コミュニティ地球システムモデルバージョン2（CESM2）からのオゾンシミュレーションのバイアスを補正すること。
• 共有社会経済的経路（SSP1-2.6およびSSP5-8.5）の下での中国、米国、ヨーロッパの2020年から2060年までの将来の表面オゾン予測を較正すること。
• 人為的な排出量と気候変動の影響を区別して、将来のオゾン傾向の要因を分析すること。

主な方法:

• LightGBM MLアルゴリズムを利用して、CESM2シミュレートされた表面オゾン濃度のバイアスを補正しました。
• バイアス補正されたモデルを適用して、2つの対照的な排出シナリオ（SSP1-2.6およびSSP5-8.5）の下での将来のオゾンレベルを予測しました。
• 将来のオゾンへの変化を人為的な排出量と気候効果に帰属させるために、分解分析を実施しました。

主要な成果:

• MLベースのバイアス補正は、空間分布を大幅に改善し、オゾンバイアスを40〜60％削減しました。また、SSP1-2.6下での中国東部における潜在的に誤った傾向も補正しました。
• SSP1-2.6下では、補正されたオゾンは2060年までに中国、米国、ヨーロッパ全体で大幅に減少すると予測されています。
• SSP5-8.5下では、補正されたオゾンは2060年までに中国で増加し、米国とヨーロッパではより小さな増加が見込まれます。
• 人為的な排出量の変化が、将来のオゾン傾向の支配的な要因であると特定されました。
• 「気候ペナルティ」（気候変動によるオゾン増加）は、汚染された中国東部で観察されましたが、SSP5-8.5下での中国西部、米国、ヨーロッパでは気候の利益（オゾン減少）が発生しました。

結論:

• MLとCCMを組み合わせることは、大気質予測の精度を高めるための強力なアプローチを提供します。
• ML補正された予測は、将来の表面オゾンにより信頼性の高い推定値を提供し、より良い地域環境政策をサポートします。
• 将来のオゾンレベルに対する排出量と気候変動のさまざまな影響を考慮して、地域固有の環境保護戦略が必要です。