• 关键词：近地面臭氧  XGBoost  TROPOMI  OMI  时空分布

• 基金项目：国家重点研发科技专项 （No.2017YFB0503500）；福建省科技计划项目（No.2020L3005）

• 赵楠
• 福州大学， 空间数据挖掘与信息共享教育部重点实验室， 福州 350108;福州大学， 福建省数字区域工程技术研究中心，福州 350108;数字中国研究院（福建），福州 350003

• 卢毅敏
• 福州大学， 空间数据挖掘与信息共享教育部重点实验室， 福州 350108;福州大学， 福建省数字区域工程技术研究中心，福州 350108;数字中国研究院（福建），福州 350003

• 摘要：本文采用XGBoost机器学习算法，融合臭氧浓度地面监测数据、欧洲中期天气预报中心的ERA5数据集、中国多尺度排放清单模型构建的排放清单数据集、高分辨率遥感影像（TROPOMI_NO₂、OMI_NO₂）以及人口数据和DEM数据，构建训练估算数据集，开展近地面臭氧浓度估算研究.模型构建采用递归式特征消除法进行特征变量的选择，并对其进行十折交叉和自建模验证，R²分别为0.871和0.955，RMSE分别为12.8 μg·m^-3和7.514 μg·m^-3.同时进行了高分辨率遥感影像对估算结果的贡献分析，结果表明引入TROPOMI_NO₂因子参与建模可校正近地面臭氧浓度普遍被低估现象.模型模拟结果显示臭氧浓度回归估算结果层次更加分明、条带现象消失、连续性和平滑性明显改善.

• Abstract：In this paper， the Extreme Gradient Boosting（XGBoost） machine learning algorithm was used to estimate near-surface ozone concentration. By integrating the ground monitoring data of ozone concentration， ERA5 dataset of European Centre for Medium-Range Weather Forecasts （ECMWF）， emission inventory dataset of Multi-resolution Emission Inventory for China（MEIC）， high-resolution remote sensing images （TROPOMI_NO₂， OMI_NO₂）， population data and DEM data， a training dataset was built to construct a remote sensing estimation model. A recursive feature elimination method was used to select features of the model， and the 10-fold cross-validation and self-modeling verification were performed. The R² were respectively 0.871 and 0.955； the RMSE were 12.8 μg·m^-3 and 7.514 μg·m^-3 respectively. At the same time， the contribution of high-resolution remote sensing images to the estimation was analyzed. The results showed that the introduction of TROPOMI_NO₂ factor to the modeling can improve the general underestimation of near-surface ozone concentration. The simulation results show that the ozone concentration regression estimation results are more distinct， the banding phenomenon disappears， and the continuity and smoothness are significantly improved.

• Key words：near-surface ozone  XGBoost  TROPOMI  OMI  spatial-temporal distribution

• 
  摘要点击次数： 183 全文下载次数： 388