验证和校准气溶的光学深度,并根据中国的多来源数据对气溶类型进行分类
Jing Wang1, Yusi Liu2, Li Chen1
1School of Geographic and Environmental Sciences, Tianjin Normal University, Tianjin 300387, China.
The Science of the total environment
|September 3, 2023
概括
这项研究通过使用机器学习来提高气溶光学深度 (AOD) 的准确性,完善了中国的气溶类型分类. 生物质燃烧和城市气溶是不同地区和季节的主导类型.
科学领域:
- 大气科学 大气科学
- 环境科学 环境科学
- 遥感 遥感 遥感 遥感
背景情况:
- 准确的气溶分类对于识别和控制空气污染源至关重要.
- 现有的气溶光学深度 (AOD) 数据集需要提高分辨率和准确性,以进行有效的分析.
研究的目的:
- 提高中国AOD数据的空间分辨率和准确性.
- 通过先进的建模技术,完善中国各地的气溶类型的分类.
主要方法:
- 从现代时代的研究和应用后期分析版本2 (MERRA2) 和哥白尼大气监测服务 (CAMS) 与Aeronet机器人网络 (AERONET) 数据对比的验证的AOD数据.
- 使用极端随机树 (ERT),自适应增强 (AdaBoost) 和梯度增强决策树 (GBDT) 机器学习模型模拟的高分辨率AOD.
- 根据从中等分辨率成像光谱辐射仪 (MODIS) 获得的斯特罗姆指数 (AE) 和校准的AOD来分类气溶类型.
主要成果:
- CAMS高估了AOD的21.4%,而MERRA2低估了它的17.3%.
- 该ERT模型表现出卓越的性能,确定系数 (R2) 为0.825,平方根平均误差 (RMSE) 为0.174.
- 生物质燃烧/城市工业气溶普遍存在,特别是在中国南部,东部和中部,春夏期间.
结论:
- ERT模型为高精度的AOD模拟和气溶类型分类提供了可靠的方法.
- 气溶类型的季节性和区域性变化被确定,清洁大陆和沙漠尘埃气溶的不同模式.
