加强了中国各地的PM2.5估计:一种AOD独立的两阶段方法,包含了改进的空间时间异质性表示

科学领域:

• 环境科学 环境科学
• 大气化学 大气化学
• 数据科学数据科学数据科学

背景情况:

• 中国的人口增长和老龄化减少了空气污染控制带来的公共卫生效益.
• 来自卫星的气溶光学深度 (AOD) 估计PM2.5度的方法存在显著的空间数据缺口.
• 现有的研究需要更好地代表PM2.5的时空异质性.

研究的目的:

• 为2020年为中国开发一个高精度,全覆盖的每日1公里PM2.5测绘模型.
• 通过排除卫星数据来克服基于AOD的方法的局限性.
• 为了增强PM2.5的空间时间异质性的表现.

主要方法:

• 使用极端梯度提升 (XGBoost) 算法开发了一个两阶段模型.
• 模型1包含了改进的时间编码和地形分类因子 (DC).
• 模型2整合了观察和估计的值,以构建一个增强的空间自相对应术语 (Ps).

主要成果:

• 在2020年,在没有AOD产品的情况下,在中国实现了高精度的每日1公里PM2.5映射.
• 模型2在交叉验证中表现出色 (R2=0.948,MAE=3.792 μg/m3,RMSE=7.144 μg/m3).
• 特征重要性和SHAP分析确定了关键预测因素;相关性分析揭示了时间编码,PM2.5和气象因素之间的联系.

结论:

• 这种新型模型有效地代表了时空信息,提高了大规模PM2.5估计的准确性.
• 改进的时间编码与季节变化保持一致,并与气象因素协同作用.
• 增强的空间自关联术语 (Ps) 更好地捕捉PM2.5的空间模式,优于传统方法.