从2012年到2019年,根据空间CatBoost方法,在中国各地以1公里×1公里的空间分辨率重建年度XCO2
Chao Wu1, Yuechuang Ju2, Shuo Yang2
1School of Geographic and Biologic Information, Nanjing University of Posts and Telecommunications, Nanjing, 210023, China; Smart Health Big Data Analysis and Location Services Engineering Lab of Jiangsu Province, Nanjing University of Posts and Telecommunications, Nanjing, 210023, China.
Environmental research
|August 11, 2023
概括
一个新的SCatBoost模型为中国提供了高分辨率的二氧化碳 (XCO2) 数据,揭示了日益增长的趋势和区域差异. 这种进步有助于碳减排战略和政策决策.
科学领域:
- 环境科学 环境科学
- 数据科学数据科学数据科学
- 大气化学 大气化学
背景情况:
- 高分辨率的二氧化碳 (XCO2) 数据对于气候变化减缓和排放评估至关重要.
- 现有的卫星衍生XCO2数据集缺乏详细研究应用所需的空间分辨率.
研究的目的:
- 开发一种新的空间机器学习模型 (SCatBoost),用于重建高分辨率的XCO2数据集.
- 为了生成一个精细的XCO2数据集为中国跨越2012-2019年.
- 分析中国XCO2的时空趋势.
主要方法:
- 空间信息与CatBoost算法的融合,以创建SCatBoost模型.
- 使用现有的全球地图1°XCO2数据 (GLM-XCO2) 作为输入.
- 交叉验证证实了SCatBoost的预测能力 (R2 = 0.88,RMSE = 0.20 ppm).
主要成果:
- 通过使用SCatBoost,为中国 (2012-2019) 创建了一个1公里空间分辨率的XCO2数据集.
- 数据显示,全国XCO2总体上升趋势,从392.65ppm上升到410.36ppm.
- 与西部内陆地区相比,东部沿海地区的XCO2度较高.
结论:
- 通过整合机器学习和空间特征,SCatBoost提供了一种高精度的方法来生成细度的XCO2数据.
- 生成的数据集为中国各地的XCO2时空变化提供了有价值的见解.
- 这些发现支持在国家和城市聚集地规模上改进碳减排政策和规划.
