предыдущий|следующий

Пространственное и временное распределение концентрации озона вблизи поверхности в Китае на основе методов интегрированного обучения

  • role： First author第一作者
  • Affiliation：

    College of Earth Sciences, Guilin University of Technology, Guilin 541000, China

    State Key Laboratory of Remote Sensing Science, Aerospace Information Research Institute, Chinese Academy of Sciences, Beijing 100101, China

  • Email：18366840667@163.com
  • Introduction：宋世鹏，研究方向为大气环境遥感。E-mail： 18366840667@163.com
SONG Shipeng12,  
  • Affiliation：

    State Key Laboratory of Remote Sensing Science, Aerospace Information Research Institute, Chinese Academy of Sciences, Beijing 100101, China

FAN Meng2,  
  • Affiliation：

    State Key Laboratory of Remote Sensing Science, Aerospace Information Research Institute, Chinese Academy of Sciences, Beijing 100101, China

TAO Jinhua2,  
  • Affiliation：

    College of Earth Sciences, Guilin University of Technology, Guilin 541000, China

CHEN Sanming1,  
  • Affiliation：

    State Key Laboratory of Remote Sensing Science, Aerospace Information Research Institute, Chinese Academy of Sciences, Beijing 100101, China

GU Jianbin2,  
  • Affiliation：

    State Key Laboratory of Remote Sensing Science, Aerospace Information Research Institute, Chinese Academy of Sciences, Beijing 100101, China

HAN Zongfu2,  
  • Affiliation：

    College of Resource Environment and Tourism, Capital Normal University, Beijing 100089, China

LIANG Xiaoxia4,  
  • Affiliation：

    Guangxi Eco-Environmental Monitoring Center, Nanning 530028, China

LU Xiaoyan5,  
  • Affiliation：

    Jiangsu Provincial Environmental Monitoring Center, Nanjing 210019, China

WANG Tiantian6,  
  • role： Corresponding author通信作者
  • Affiliation：

    State Key Laboratory of Remote Sensing Science, Aerospace Information Research Institute, Chinese Academy of Sciences, Beijing 100101, China

  • Email：zhangying01@radi.ac.cn
  • Introduction：张莹，研究方向为大气痕量气体定量遥感。E-mail： zhangying01@radi.ac.cn
ZHANG Ying2*

реферат

C 2013 года, когда начала действия «Национальная программа по борьбе с загрязнением воздуха», концентрация атмосферных загрязняющих веществ, таких как PM2.5, PM10, SO2, NO2, снизилась в разной степени, однако загрязнение озоном продолжает увеличиваться, и стало ключевой проблемой, препятствующей постоянному улучшению качества воздуха в Китае. Станции на земле могут предоставить концентрацию озона в определенной точке пространства, но не могут получить непрерывное пространственное распределение озона вблизи поверхности. Ввиду того, что озон сильно распространяется в стратосфере, продукты измерения вертикальной концентрации озона с помощью спутников могут отражать только полную вертикальную концентрацию озона, но она не имеет явной связи с концентрацией вблизи поверхности, поэтому не могут отражать концентрацию озона вблизи поверхности. В данной статье путем использования данных наблюдений на земле, повторно анализируемых данных и спутниковых продуктов, использования различных модельных методов получено пространственное и временное распределение концентрации озона вблизи поверхности, результаты показали, что интегрированные методы обучения могут точно оценивать пространственное распределение и временную тенденцию концентрации озона вблизи поверхности. В данной статье произведено сравнение трех различных методов интегрированного обучения их проявлений при оценке загрязнения озоном вблизи поверхности. Три метода интегрированного обучения имеют проявления выше 0.89 при десятикратном перекрестном подтверждении в 2019-2020 годах, метод экстремального градиентного бустинга (XGBoost) имеет лучшие показатели по RMSE, MAE, средние показатели RMSE и MAE в 2019-2020 годах составляют 15,77 μg/m3 и 10,53 μg/m3 соответственно, однако на основе метода экстремальные случайные деревья (ERT) удалось получить более непрерывное и естественное пространственное распределение озона вблизи поверхности. Поэтому окончательным выбором стал метод экстремального случайного дерева (ERT) для оценки данных о концентрации озона вблизи поверхности в Китае, и на основе этого проведен анализ пространственных и временных характеристик. В связи с активной политикой китайского правительства по сокращению выбросов и влиянием эпидемии, тенденция увеличения концентрации озона за несколько лет обратилась на спад, среднегодовая концентрация озона в 2020 году составила 107,41 ± 18,6 мкг/м3, в сравнении со среднегодовой в 109,26 ± 19,71 мкг/м3 в прошлом году. По времени, в период с мая по сентябрь температура выше, происходят интенсивные фотохимические реакции, из-за чего часто происходят случаи высокой загрязненности озоном. По пространству, Пекинско-Тяньцзиньская-Хэбэйская агломерация, Дельта Янцзы, Дельта Жемчужного речного устья, Чэнъи-Чунское экономическое сообщество и другие городские образования значительно превышают окружающие области, являются ключевыми регионами для борьбы с загрязнением озоном.

ключеви́че слова́

Дистанционное зондирование; Озон вблизи поверхности; Интегрированное обучение; Экстремальные случайные деревья; Градиентный бустинг; Экстремальный градиентный бустинг; TROPOMI; Новая коронавирусная инфекция

References

  1. 1.
    Bell M L. 2006. The use of ambient air quality modeling to estimate individual and population exposure for human health research: a case study of ozone in the Northern Georgia Region of the United States. Environment International, 32(5): 586-593
  2. 2.
    Breiman L. 2001. Random forests. Machine Learning, 45(1): 5-32
  3. 3.
    Chen L F, Wang Y P, Zhang X X, Wang Z F, Tao J H, Wang L L and Zhang Y. 2019. Satellite remote sensing monitoring of ozone and its precursors for regional secondary pollution risk control. Environmental Monitoring and Forewarning, 11(5): 13-21
  4. 4.
    Chen R J, Chen B H and Kan H D. 2010. Health impact assessment of surface ozone pollution in Shanghai. China Environmental Science, 30(5): 603-608
  5. 5.
    Chen T Q and Guestrin C. 2016. XGBoost: a scalable tree boosting system//Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. San Francisco: ACM: 785-794
  6. 6.
    Cheng L J. 2018. A Study on the Evolution of Ozone Pollution in China and Regional Management Methods. Beijing: China University of Geosciences
  7. 7.
    Chin M, Jacob D J, Munger J W, Parrish D D and Doddridge B G. 1994. Relationship of ozone and carbon monoxide over North America. Journal of Geophysical Research: Atmospheres, 99(D7): 14565-14573
  8. 8.
    Dueñas C, Fernández M C, Cañete S, Carretero J and Liger E. 2002. Assessment of ozone variations and meteorological effects in an urban area in the Mediterranean Coast. Science of the Total Environment, 299(1/3): 97-113
  9. 9.
    Duncan B N, Yoshida Y, Olson J R, Sillman S, Martin R V, Lamsal L, Hu Y T, Pickering K E, Retscher C, Allen D J and Crawford J H. 2010. Application of OMI observations to a space-based indicator of NOx and VOC controls on surface ozone formation. Atmospheric Environment, 44(18): 2213-2223
  10. 10.
    Fang T. 2020. Study on Estimation and Prediction of Near-Surface Ozone based on Neural Network. Shanghai: Shanghai Normal University
  11. 11.
    Feister U and Balzer K. 1991. Surface ozone and meteorological predictors on a subregional scale. Atmospheric Environment. Part A. General Topics, 25(9): 1781-1790
  12. 12.
    Friedman J, Hastie T and Tibshirani R. 2000. Additive logistic regression: a statistical view of boosting (With discussion and a rejoinder by the authors). The Annals of Statistics, 28(2): 337-407
  13. 13.
    Gardner M W and Dorling S R. 2000. Statistical surface ozone models: an improved methodology to account for non-linear behaviour. Atmospheric Environment, 34(1): 21-34
  14. 14.
    Geurts P, Ernst D and Wehenkel L. 2006. Extremely randomized trees. Machine Learning, 63(1): 3-42
  15. 15.
    Haagen-Smit A J. 1952. Chemistry and physiology of Los Angeles smog. Industrial and Engineering Chemistry, 44(6): 1342-1346
  16. 16.
    Sillman S. 1995. The use of NOy, H2O2, and HNO3 as indicators for ozone‐NOx‐hydrocarbon sensitivity in urban locations. Journal of Geophysical Research, 100: (D7):14175-14188
  17. 17.
    Song Z G, Bai Y, Wang D F, Li T and He X Q. 2021. Satellite retrieval of air pollution changes in central and Eastern China during COVID-19 lockdown based on a machine learning model. Remote Sensing, 13(13): 2525
  18. 18.
    Tao J H, Fan M, Gu J B and Chen L F. 2020. Satellite observations of the return-to-work over China during the period of COVID-19. Journal of Remote Sensing (Chinese), 24(7): 824-836
  19. 19.
    Wang C, Wang S, Yang B B, Zhang Z H, Wang L and Liu M. 2015. Study of the effect of meteorological conditions on the ambient air ozone concentrations in Shenyang. Environmental Monitoring in China, 31(3): 32-37
  20. 20.
    Wei J, Li Z Q, Li K, Dickerson R R, Pinker R T, Wang J, Liu X, Sun L, Xue W H and Cribb M. 2022. Full-coverage mapping and spatiotemporal variations of ground-level ozone (O3) pollution from 2013 to 2020 across China. Remote Sensing of Environment, 270: 112775
  21. 21.
    Zhan Y, Luo Y Z, Deng X F, Grieneisen M L, Zhang M H and Di B F. 2018. Spatiotemporal prediction of daily ambient ozone levels across China using random forest for human exposure assessment. Environmental Pollution, 233: 464-473
  22. 22.
    Zhang Y, Wang W H, Zhang X Y and Lawrence F. 2013. Interannual variations of Arctic ozone and their relationship to the polar vortex. Journal of Remote Sensing, 17(3): 527-540

Читать полностью

The above content is generated by Large Model Translation. The translated content is for reference only. We do not assume any commercial or legal responsibilty for any consequences arising from the use of our website