使用融合技术和机器学习框架,对中国大陆高分辨率地面NO2度的长期时空模式进行定量重建
Zhen Li1, Heng Dong2, Sicong He2
1School of Resources and Environment Engineering, Wuhan University of Technology, Wuhan 430070, China; State Key Laboratory of Information Engineering in Surveying, Mapping and Remote Sensing, Wuhan University, Wuhan, 430079, China.
Environment international
|July 18, 2025
概括
这项研究融合了卫星数据,为中国创建了一个高分辨率的二氧化 (NO2) 估计模型. 该模型准确地跟踪NO2污染,揭示城市和季节性差异.
科学领域:
- 大气化学 大气化学
- 遥感 遥感 遥感 遥感
- 环境科学 环境科学
背景情况:
- 二氧化 (NO2) 是一种重要的大气微量气体,对空气质量和人类健康有重大影响.
- 目前对NO2的卫星监测在持续时间,数据质量和空间分辨率方面面临限制,这阻碍了全面分析.
研究的目的:
- 为中国大陆开发一个长期,高精度的表面NO2估计模型.
- 通过创建一个融合的,高一致性的数据集,克服现有的卫星NO2数据的局限性.
主要方法:
- 使用TROPOMI热层NO2列度数据作为基线.
- 使用分区和累积分布函数 (CDF) 技术用于卫星数据融合.
- 开发了一种机器学习模型 (LGBM),集成多源地理数据,以在1平方公里分辨率下进行表面NO2估计.
主要成果:
- 合并的数据集改善了OMI和TROPOMI数据之间的空间相关性 (R=0.74到0.86).
- 在2014-2020年期间,LGBM模型在估计日均近地 NO2 度时实现了高精度 (R2=0.85).
- 结果揭示了中国大陆NO2污染的详细空间和时间演变,包括城市规模的差异和季节性变化.
结论:
- 开发的融合和机器学习方法有效地提高了NO2监测能力.
- 高分辨率的长期NO2估计为了解污染暴露和为环境政策提供信息提供了关键数据.
更多相关视频
08:23Real-time Breath Analysis by Using Secondary Nanoelectrospray Ionization Coupled to High Resolution Mass Spectrometry
Published on: March 9, 2018
9.0K
10:28Investigating the Relationship between Sea Surface Chlorophyll and Major Features of the South China Sea with Satellite Information
Published on: June 13, 2020
5.9K
