在《Atmospheric Environment》期刊上发表的 “A CatBoost approach with wavelet decomposition to improve satellite-derived high-resolution estimates in Beijing-Tianjin-Hebei” 一文中，福州大学的于丁、陈佐旗、卢文芳*、王小芹等研究者提出了一种创新方法。该方法利用 CatBoost 算法结合小波分解技术，对京津冀地区的高分辨率进行估算，为该领域的研究带来了新的思路和方法。
研究背景
随着空气污染对人类生活质量影响的日益凸显，作为主要空气污染物，其数据的准确性和高分辨率对于污染防控至关重要。京津冀地区作为我国污染较为严重的区域，迫切需要精准的数据来支持决策制定。然而，当前获取高分辨率数据面临诸多挑战，如地面监测站分布不均、卫星遥感数据受云层和降雨影响等。在此背景下，本研究旨在利用先进技术提高京津冀地区估算的精度。
CatBoost 算法简介
CatBoost 是一种基于树提升的梯度提升决策树框架。它通过独特的顺序提升方式替代传统梯度估计方法，有效降低了梯度偏差和预测偏移，显著提高了模型的准确性和泛化能力。尤其适用于处理具有众多输入特征和噪声数据的回归问题，这使其在本研究的 AOD 重建和估算中发挥了重要作用。在本研究中，研究人员运用贝叶斯优化算法对 CatBoost 的超参数进行微调，以确保模型达到最佳性能。
研究方法
数据来源
高程数据：采用航天飞机雷达地形（SRTM）数据，该数据具有实用性强、免费获取的优点，经重采样得到 2015 年 1 公里网格的高程数据。
气象数据：运用欧洲中期天气预报中心第五代再分析陆地（ERA5 - Land）2015 - 2019 年气象再分析数据，经立方插值处理后用于分析。
AOD 数据：使用 MODIS 基于多角度大气校正（MAIAC）算法的 AOD 产品，并以地基气溶胶机器人网络（AERONET）观测数据进行验证。
地面测量数据：收集 2015 - 2019 年京津冀地区 155 个站点的测量数据，并进行严格筛选和处理。
人口数据：获取世界人口（WorldPop）2015 - 2019 年 1 公里网格的年度人口分布数据。
研究步骤
AOD 重建：以气象变量、一年中的第几天和高程为自变量，利用 CatBoost 模型对缺失的 AOD 数据进行重建，确保重建后 AOD 值为正。
估算：采用两阶段法，第二阶段以无间隙 AOD、气象变量、天数和高程为输入，考虑气象数据滞后效应并进行小波分解，以优化估算结果。
研究结果
AOD 重建成果
2015 - 2019 年 AOD 重建性能稳定，达 0.80 - 0.82，RMSE 约 0.15 - 0.17。重建后的 AOD 与 AERONET AOD 的为 0.52，优于同类研究，且合并数据集准确性较高，可用于后续估算。重建后 AOD 覆盖率显著提升，年平均 AOD 呈下降趋势，分布具有区域差异，季节性变化明显，夏季最高。
估算效果
对比不同实验，添加滞后气象因素和小波分解均有助于提高估算精度，其中 Case (5) 表现最佳，，RMSE = 。2015 - 2019 年年平均值逐年下降，季节性分布与 AOD 相似且各季节均值也下降，仅 2019 年冬季东南部仍较高。
暴露分析结论
2015 - 2019 年京津冀地区人口增加，但和人口加权暴露强度逐年下降。按区域分析，北部空气质量最优，东部降低显著，南部和暴露强度最高，北京人口密集，和暴露强度下降明显。
研究结论
本研究运用 CatBoost 算法结合小波分解技术，成功提高了京津冀地区卫星高分辨率估算的准确性。通过重建 AOD 数据，填补了数据空白，为深入了解该地区空气污染状况提供了关键支持。研究表明，京津冀地区浓度下降主要受人为因素影响，如污染防控政策，自然因素也有一定作用。未来研究可进一步优化方法，拓展研究范围，深入探究时空变化规律。本研究为大气环境管理和决策提供了重要的数据依据和科学参考。
