近地面臭氧的反演是监测与评估臭氧污染的重要支撑。然而，由于反演过程中缺少对臭氧生消途径的充分认知，近地面臭氧反演模型的精度和空间移植性均受到限制。
《遥感学报》编委、武汉大学遥感信息工程学院李四维教授团队在RemoteSensingofEnvironment上发表了题为“SurfaceUV-assistedretrievalofspatiallycontinuoussurfaceozonewithhighspatialtransferability”的论文，采用了波长为nm的近地面紫外辐照度和二氧化氮柱浓度作为近地面臭氧的指标特征，实现了近地面臭氧的高精度、时空间连续的反演，并提升了臭氧反演的空间移植性。
01
研究背景
时空间连续的近地面臭氧浓度反演研究是监测与评估臭氧污染的重要支撑。基于机器学习的近地面臭氧反演，能够建立近地面臭氧监测站点浓度与气象、卫星等数据的联系，可得到连续的臭氧浓度反演。
现有近地面臭氧的反演方法将臭氧柱浓度作为关键变量，但臭氧柱浓度与近地面臭氧的关联度低，无法准确捕捉近地面臭氧的分布特征。现有方法由于缺少对臭氧的光化学特性刻画，导致反演模型强烈依赖站点监测浓度，模型在精度和空间移植性等方面存在不足。理解近地面臭氧的光化学机理，并将相关特性结合到近地面臭氧的反演模型中，是实现高精度近地面臭氧浓度反演的关键，也是提升臭氧反演的空间移植性的重要途径。
本文采用了时空间连续的波长为nm的近地面紫外辐照度和二氧化氮柱浓度，作为近地面臭氧的指标特征，采用机器学习模型对指标特征的缺失数据进行补全，并捕捉了近地面臭氧浓度与其光化学特征之间的联系，从而实现近地面臭氧的高精度、时空间连续的反演，并提升了臭氧反演的空间移植性。
02
研究方法
（1）通过时空间连续的ERA5气象信息，结合随机森林机器学习模型，将卫星观测区域的nm波长的近地面紫外辐照度和NO2柱浓度作为训练目标，实现对卫星观测缺失区域的近地面紫外辐照度和NO2柱浓度进行补全。
（2）利用时空间补全的nm近地面紫外辐照度和NO2柱浓度，结合LightGBM模型，将近地面臭氧监测站点数据作为训练目标，实现对近地面臭氧的反演。
（3）通过一系列的验证方法，验证和比较该模型的精度和空间移植性。模型精度验证结果如图一所示。
图1近地面臭氧浓度反演结果的散点图(a)基于样本的十折交叉验证；(b)基于站点的十折交叉验证；(c)基于时间的十折交叉验证。
03
研究内容
近地面臭氧浓度反演模型大多基于臭氧柱浓度作为关键指标，然而位于近地面的臭氧仅占臭氧总柱浓度的小部分，仅凭该信息难以满足近地面臭氧反演的高精度需求。其他辅助信息（如空气湿度、降水量、风速等）主要表征了污染物的扩散和沉降过程，仍难准确表示臭氧的生消途径。
臭氧的生成是臭氧途径中的关键一环。有关臭氧光化学的动力学研究报道提供了筛选关键信息的工具。基于对近地面臭氧光化学的研究，臭氧的生成主要与其前驱体（氮氧化物NOx和可挥发性有机物VOCs）相关，并且二氧化氮的光解反应是一系列复杂过程反应的决速步骤之一。
本研究根据二氧化氮光解反应，利用近地面紫外辐照度，作为反演近地面臭氧浓度的关键指标，同时也将二氧化氮柱浓度作为反演模型的重要特征。模型的基于样本的十折交叉验证精度R2为0.，基于站点的十折交叉验证精度R2为0.，基于时间的十折交叉验证精度R2为0.77。该反演模型精度较传统模型有显著提高（如图二所示），表明近地面紫外辐照度对于近地面臭氧浓度反演具有关键作用。
图2该反演模型与传统的近地面臭氧浓度反演模型的精度比较
由于平流层臭氧和近地面臭氧形成因素不同，臭氧柱浓度和近地面臭氧浓度的关系随区域、时间变化。传统的利用臭氧柱浓度反演近地面臭氧浓度的模型强烈依赖于地基监测站点构建的臭氧柱浓度和地表浓度的相互关系，导致模型在地基监测站点稀少的区域反演精度下降明显。
本研究用近地面紫外辐照度和近地面臭氧前体物等与近地面臭氧强相关的因素作为关键指标反演臭氧，减少模型的区域性限制，提升模型的泛化能力。如图三所示，本模型在监测站点密集的东部省份，如山东省和河南省具备优秀的反演精度（R2均接近0.9，较传统模型有提升）。更重要的是模型精度在站点稀疏的西部省份较传统模型有大幅提升，在这些省份的表现可以与东部省份相近。且在这些省份中，模型的RMSE降低效果西部均超过或等于东部省份。可以看出，通过引入近地面紫外辐照度，对传统模型中空间移植性的问题得到很好解决。
图3该反演模型与传统模型在站点稀疏和密集区域的精度比较
然而，由于OMI传感器存在异常情况，以及在云条件下无法实现准确反演，导致近地面紫外辐照度和二氧化氮柱浓度的卫星数据有大量缺失的情况，限制了模型的应用性能。
以往研究尚未有基于统计模型的近地面紫外辐照度的空间补全，此研究通过将紫外特性与气象等条件进行关联，通过随机森林模型实现了高精度卫星反演近地面紫外辐照度缺失数据补全，得到的反演精度经过十折交叉验证，可达到R2=0.。图四展示了卫星近地面紫外辐照度缺失数据和二氧化氮柱浓度缺失数据的补全模型在各种验证方式下的效果。补全模型均达到高精度，表明模型能够成功捕捉紫外辐照度和二氧化氮柱浓度的空间分布特征。
图4卫星缺失数据补全结果的散点图(a)近地面紫外辐照度的基于样本的十折交叉验证结果；(b)二氧化氮柱浓度的基于样本的十折交叉验证结果(c)近地面紫外辐照度的基于像元的十折交叉验证结果；(d)近地面紫外辐照度的基于时间的十折交叉验证结果。
本研究是一项将物理化学机制信息融入到机器学习模型中的探索。本研究结合了光化学机理于统计模型中，通过加入化学机理的约束，将关键信息作为特征输入到反演模型中，不仅能实现模型精度的进一步提升，也具备可解释性。
04
研究结论
本研究通过近地面臭氧的光化学机理，将近地面紫外辐照度作为近地面臭氧的关键指标，代替传统模型中臭氧柱浓度的作用，实现了近地面臭氧的高精度反演（R2=0.，RMSE=17.09μg/m3）。通过对近地面紫外辐照度和二氧化氮柱浓度缺失数据的补全，实现了反演近地面臭氧浓度的时空连续性。该反演模型也具备优良的空间移植性。
论文信息
论文题目
SurfaceUV-assistedretrievalofspatiallycontinuoussurfaceozonewithhighspatialtransferability
发表期刊
RemoteSensingofEnvironment
全文论文链接
转载请注明：http://www.0431gb208.com/sjslczl/368.html
