湿地生态系统实际蒸散发数据驱动估算模型研究

利用Fluxnet2015全球通量塔观测数据集,研究了随机森林(RF)、梯度增强回归分析(GBR)、支持向量回归(SVR)和深度学习神经网络(DNN)预测湿地生态系统的实际蒸散发(Evaporation,ET)。通过对比研究,确定了预测实际蒸散发的最佳特征变量组合,包括短波辐射、净辐射、初级生产总值、气温、土壤温度、风速、降水、经度、纬度和时间。以此为模型输入,利用Fluxnet2015站点测试数据集和ERA5-Land再分析资料提供的输入特征,对比分析了不同模型的实际蒸散发估计精度,结果表明:以站点数据为输入,SVR算法精度相对较高,其R^(2)可达0.896,RPE最小为31.5%;以ERA5-Land再分析资料为输入,除了GBR算法以外,其余3种方法R^(2)高于0.820,RPE小于57%。另外,模型算法估计的ET精度要明显高于ERA5-Land再分析资料提供的ET产品。

基于极端梯度提升树和深度学习方法估算中国地表NO_(2)浓度

二氧化氮(NO_(2))是备受关注的重要大气污染物之一,与人体呼吸系统和心血管疾病有紧密关系.卫星遥感是获得大尺度NO_(2)分布情况的有效方法,搭载于Aura卫星上的臭氧监测仪(Ozone Monitoring Instrument,OMI)可以反演全球尺度的对流层NO_(2)柱浓度.然而,由于观测条件(如云覆盖)和传感器物理异常影响,OMI在中国地区存在1/2以上的缺失数据,严重限制了数据的应用价值.本文首先基于深度学习方法重建OMI对流层NO_(2)柱浓度缺失数据,然后结合气象资料和地面信息(如道路密度)等数据,利用梯度提升树模型估算了2018—2020年中国近地面NO_(2)浓度日均值,最后使用机器学习解释性算法评估了OMI数据对近地面NO_(2)估算的适用性和敏感性.结果表明:OMI数据缺失值的重建效果和近地面NO_(2)估算精度良好,OMI缺失数据重建值与原始数据的交叉验证R^(2)为0.81,近地面NO_(2)浓度估算值与中国环境总站监测值交叉验证R^(2)为0.84;气象要素对近地面NO_(2)的敏感性最高,特征重要度为36.7%,OMI对流层NO_(2)柱浓度的特征重要度约为8%.

数据驱动的FY-4A遥感估算安徽省近地面PM_(2.5)浓度模型研究

PM_(2.5)是造成雾霾天气的主要因素之一,会影响近地面大气水平能见度,危害交通安全与生命健康.对区域PM_(2.5)浓度进行长时间序列监测具有重要意义,其中,卫星遥感反演作为地面实测的有效补充手段而被广泛应用.地球同步静止轨道卫星观测具有高频次、无回访等待周期、无数据区间间隙等优势.基于地球静止气象卫星风云四号A星(FY-4A)L1级通道数据、角度数据与云检测数据,本研究发展了随机森林模型RF、极端梯度提升XGBoost、卷积神经网络CNN 3种数据驱动模型,实现对安徽省域近地面PM_(2.5)浓度逐小时卫星遥感估算.同时,通过样本交叉验证、站点交叉验证方法对比了三者的精度,结果表明:CNN模型经样本交叉验证的R^(2)=0.89,站点交叉验证的R^(2)=0.82,在3种模型中表现最优,且通道数据中第三通道对估算的信息增益最大.基于此,利用CNN模型估算了2021年全年安徽省域白天小时级的近地面PM_(2.5)浓度,针对2021-12-23的一次PM_(2.5)污染事件分析表明,近地面PM_(2.5)浓度分布有很强的区域分异与时序性.