相关实验视频
Updated: Jan 18, 2026

Using Generative Art to Convey Past and Future Climate Transitions
Published on: March 31, 2023
从化学气候模型中对臭氧度进行基于机器学习的偏差校正的未来预测
Yiqian Ni1,2, Yang Yang1,2, Hailong Wang3
1State Key Laboratory of Climate System Prediction and Risk Management/Jiangsu Key Laboratory of Atmospheric Environment Monitoring and Pollution Control/Jiangsu Collaborative Innovation Center of Atmospheric Environment and Equipment Technology/Joint International Research Laboratory of Climate and Environment Change, Nanjing University of Information Science and Technology, Nanjing, Jiangsu 210044, China.
机器学习纠正了全球气候模型中的偏差,以更准确地预测未来的臭氧,这对于空气质量和健康评估至关重要.
科学领域:
- 大气化学和气候科学
- 环境建模和机器学习
背景情况:
- 全球化学气候模型 (CCM) 对于预测未来的表面臭氧至关重要,对于空气质量管理和健康风险评估至关重要.
- 现有的CCM在空间分布,规模和趋势上表现出偏差,限制了它们的区域应用和可靠性.
- 需要准确的臭氧预测来为有效的环境保护战略提供信息.
研究的目的:
- 应用一个机器学习 (ML) 算法,LightGBM,以纠正来自社区地球系统模型版本2 (CESM2) 的臭氧模拟中的偏差.
- 为中国,美国和欧洲从2020年到2060年根据共享社会经济路径 (SSP1-2.6和SSP5-8.5) 校准未来的表面臭氧预测.
- 分析未来臭氧趋势的驱动因素,区分人为排放和气候变化影响.
主要方法:
- 使用LightGBM ML算法来纠正CESM2模拟的表面臭氧度中的偏差.
- 应用了偏差校正模型来预测未来的臭氧水平在两个对比的排放场景下 (SSP1-2.6和SSP5-8.5).
- 进行了分解分析,以将预测臭氧变化归因于人为排放和气候影响.
主要成果:
- 基于ML的偏差校正显著改善了空间分布,并将臭氧偏差降低了40-60%,还纠正了SSP1-2.6.6.下中国东部潜在错误的趋势.
- 根据SSP1-2.6的预测,到2060年,中国,美国和欧洲的纠正臭氧预计将大幅减少.
- 在SSP5-8.5下,预计中国的纠正臭氧将增加,到2060年,美国和欧洲的增加将较小.
- 人为排放变化被确定为未来臭氧趋势的主要驱动因素.
- 在受污染的中国东部观察到"气候惩罚" (气候变化导致的臭氧增加),而在SSP5-8.5.5下,中国西部,美国和欧洲出现了气候好处 (臭氧减少).
结论:
- 将ML与CCM结合起来,提供了一种强大的方法来提高空气质量预测的准确性.
- 经ML校正的预测提供了对未来表面臭氧的更可靠估计,支持更好的区域环境政策.
- 考虑到排放和气候变化对未来臭氧水平的影响不同,需要制定特定区域的环境保护战略.
相关概念视频
Predicting Reaction Outcomes
Global Climate Change
Predicting Molecular Geometry
Precipitation and Co-precipitation
Mechanistic Models: Compartment Models in Individual and Population Analysis
Regression Analysis
In regression analysis, a regression equation is determined based on the line of best fit– a line that best fits the data points plotted in a graph. This line is also called the regression line. The algebraic equation for the regression line is called the regression equation. It is represented as:

