武汉理工大学何青青副教授在ES&T发表最新研究成果!

科技   2024-09-07 00:02   贵州  

利用可解释的机器学习模型揭示地表温度对地面臭氧高时空分辨率制图的影响

作为一种短寿命污染物,臭氧浓度在空间和时间上变化显著,因而需要进行高时空分辨率的预测与制图,以便更全面地了解暴露水平及相关健康风险,而这需要识别和探索与地面臭氧变化密切相关且具有高时空分辨率数据的环境变量。区别于以前研究以再分析产品中的空气温度作为主要预测因子来建立预测模型,本研究以从卫星观测提取的全覆盖地表温度(LST)数据作为主要预测变量,结合XGBoost模型开发全国尺度的日均0.01°空间分辨率的臭氧浓度预测模型,并使用SHAP(SHapley Additive exPlanations)方法,量化每个变量对模型的影响程度和方向,重点关注LST在地面臭氧浓度高分辨率制图中的重要贡献。
以我国2019年为例,臭氧的高时空分辨率预测模型取得了较好的预测精度(交叉验证 R² 为 0.91 、 RMSE 为 13.51 μg/m³),同时能获取揭示城市内部精细变化的日均全覆盖分布图。不同空间分辨率下的变量重要性分析突出显示了卫星观测的LST在地面臭氧预测建模和高时空分辨率制图中的关键作用,可能超过其他气象要素(例如边界层高度、降水)、污染物变量(例如C2H6、NO2)、以及地理相关变量(例如海拔高度、人口密度)的影响(图1)。此外,研究发现各预测变量在臭氧高时空分辨率制图中的贡献存在显著的时空变化。在全国范围内,LST在春夏季主要产生正贡献,而在秋冬季转为负贡献(图2)。鉴于LST具有长期高时空分辨率数据,本研究提出的预测建模方法可有效延展至全球其他区域及其他年份,并且产生的数据集可极大地帮助与臭氧这一重大环境挑战相关的暴露评估和流行病学研究。

图1. 每个预测变量对用SHAP方法评估的地面臭氧浓度的影响:(a)根据每个监测站的SHAP绝对值计算的平均贡献;(b)每个预测变量的SHAP值分布,颜色表示每个预测器的归一化值。

图2.地表温度平均影响在不同时期的空间分布:(a)2019全年、(b)暖季(3 - 8月)和(c)寒季(9 - 2月),(d)右下图为以每个建模日的平均SHAP值量化的地表温度平均影响的时间序列图。
此研究近期发表在环境科学领域知名期刊《Environmental Science and Technology》上,题目为《Unraveling the influence of satellite-observed land surface temperature on high-resolution mapping of ground-level ozone using interpretable machine learning》,由武汉理工大学资源与环境工程学院何青青副教授及学生曹静茹、叶童、王纬航与美国加州大学洛杉矶分校Pablo Saide教授共同完成。研究产生的我国2000年至今的高时空分辨率臭氧数据已共享到https://zenodo.org/uploads/13623698。

生态遥感前沿
分享生态遥感领域实用教程、最新科研成果及资讯,交流、合作等事宜请加Novel_2020
 最新文章