通过可解释的机器学习和多源遥感,了解中国东南部地面层臭氧的空间和季节性变化
Haobin Zhong1, Ling Zhen2, Qiufang Yao3
1School of Advanced Materials Engineering, Jiaxing Nanhu University, Jiaxing 314001, China; Center for Excellence in Regional Atmospheric Environment, Institute of Urban Environment, Chinese Academy of Sciences, Xiamen 361021, China; Jiaxing key Laboratory of Preparation and Application of Advanced Materials for Energy Conservation and Emission Reduction, Jiaxing 314001, China.
The Science of the total environment
|January 31, 2024
概括
地表臭氧 (O3) 污染影响健康和空气质量. 使用卫星数据的机器学习模型揭示了诸如温度和前体等关键因素,这些因素推动了江省的臭氧模式.
科学领域:
- 大气科学 大气科学
- 环境科学 环境科学
- 数据科学数据科学数据科学
背景情况:
- 地表臭氧 (O3) 是一种主要的空气污染物,对人类健康和生态系统产生不利影响.
- 了解O3的时空动态对于有效的空气质量管理至关重要.
研究的目的:
- 调查中国江省地面层臭氧的时空特征.
- 开发和验证O3动态评估的数据驱动机器学习模型.
- 确定影响区域O3模式的关键气象,地理和前体因素.
主要方法:
- 利用地面观测和卫星获取O3数据.
- 开发机器学习模型,结合多源遥感数据 (气象,地理,大气参数).
- 采用可解释的建模来量化影响O3水平的多因素相互作用.
主要成果:
- 在解释区域O3动态方面实现了高模型性能 (皮尔森r=0.81).
- 确定了温度,相对湿度,O3总列和前体分布作为关键驱动因素.
- 由多因素相互作用驱动的氧3水平的量化季节性变化:春秋高,夏季抑制,冬季抑制.
结论:
- 综合卫星数据和机器学习为区域空气质量评估提供了强大的方法.
- 该研究提供了对江O3污染控制的复杂相互作用的见解.
- 这种方法可以为目标空气质量控制策略提供信息.
