佳文赏析

NDVI、DEM及人口等遥感产品

研究方法

时空-光梯度推进机（STLG）模型示意图

基于梯度提升决策树思想和微软开发的光梯度推进机（LightGBM）框架，通过考虑大气污染的时空变化特性，扩展了一种全新的时空-光梯度推进机（STLG）模型，应用于地球大数据，反演近地表PM2.5浓度。LightGBM是一种快速、分布式、高效的方法，能够解决传统人工智能方法面临的主要挑战，即计算复杂性。

该方法基于直方图优化算法和带有深度限制的Leaf-wise算法构建决策树，利用单边梯度采样（GOSS）和互斥特征绑定（EFB）方法减少数据量和特征量，因此具有更快的训练速度、更低的内存使用及更高的准确率，可用于大处理大规模数据，同时能够支持特征和数据高效并行。

研究结论

(1) STLG模型能够较准确地估算中国逐小时PM2.5浓度，整体精度达到85%，RMSE为13.62 µg m−3；同时，站外验证结果表明该模型具有较强的空间预测能力，能较准确预测没有地基观测站点处的PM2.5小时浓度。

中国不同小时的PM2.5浓度估算值

十折交叉验证结果

(2) 中国PM2.5污染日变化较大，日出时总体处于较低水平。由于人类活动的不断增加，空气污染逐渐严重，在10:00-11:00左右达到峰值，高污染可以持续几个小时。随着时间的推移，人类活动逐渐消退，细颗粒物不断沉降，在日落时分，中国大部分地区的PM2.5浓度不断下降。

表 中国、中国东部、京津冀、长三角和珠三角

PM2.5逐小时浓度值

(3) 在考虑时空信息后，所有模型的整体精度和空间预测能力显著得到提升。同时，在所有树模型中，STLG模型展现出最高的模型估算和预测精度；更重要的是，该模型在保证精度的同时，显著提升了运行速度并降低了内存消耗。因此，该模型对于未来全球高时空PM估算具有重要意义。

表 不同树模型整体精度、空间预测能力、

运行速度和内存消耗对比

论文标题

Himawari-8-derived diurnal variations in ground-level PM2.5 pollution across China using the fast space-time Light Gradient Boosting Machine (LightGBM)

发表期刊

Atmospheric Chemistry and Physics

论文全文链接

数据集共享

目前，CHAP数据集包括近地表PM1、PM2.5、PM10、O3、NO2、SO2和CO共7种不同粒径、不同种空气污染物，空间覆盖整个中国，空间分辨率最高可达1千米，时间分辨率最高可达小时级，时间最长可追溯到2000年。该数据集不断更新，免费开放，欢迎大家联系下载。

数据概述

作者主页，欢迎联系

数据链接：

https://weijing-rs.github.io/product.html

作者简介

韦晶：马里兰大学博士后，研究方向为卫星云、气溶胶、近地表颗粒物和痕量气体等大气环境遥感。

Email: [email protected]

Homepage:

https://weijing-rs.github.io/index.html

李占清：马里兰大学教授，研究方向为卫星遥感、空气污染、气候变化、大气物理和环境等。

Email: [email protected]

Homepage:

https://www2.atmos.umd.edu/~zli/

Rachel T. Pinker：马里兰大学教授，研究方向为卫星遥感、大气辐射、气溶胶-云-气候相互作用等。

E-mail: [email protected]

Homepage: https://www2.atmos.umd.edu/~pinker/

王俊：爱荷华大学教授，研究方向为卫星遥感、地球系统模式、空气质量、野火监测、资料同化、环境智能及陆空相互作用等。

E-mail: [email protected]

Homepage:

https://arroma.uiowa.edu/index.php

Email: [email protected]

Homepage: https://www.researchgate.net/profile/Lin_Sun92

相关论文推荐

(ESI Hot and Highly Cited Paper)

https://doi.org/10.1016/j.envint.2020.106290

(ESI Highly Cited Paper)

Wei, J., Li, Z., Cribb, M., Huang, W., Xue, W., Sun, L., Guo, J., Peng, Y., Li, J., Lyapustin, A., Liu, L., Wu, H., and Song, Y. Improved 1 km resolution PM2.5 estimates across China using enhanced space-time extremely randomized trees. Atmospheric Chemistry and Physics, 2020, 20(6), 3273–3289.

(ESI Hot and Highly Cited Paper)

( ESI Hot and Highly Cited Paper)

Wei, J., Li, Z., Guo, J., Sun, L., Huang, W., Xue, W., Fan, T, and Cribb, M. Satellite-derived 1-km-resolution PM1 concentrations from 2014 to 2018 across China. Environmental Science & Technology, 2019, 53(22), 13265–13274.

https://doi.org/10.1021/acs.est.9b03258

(ESI Hot and Highly Cited Paper)

贾臣，孙林，陈允芳，张熙空，王伟燕，王永吉.2020.深度置信网络算法反演Landsat 8 OLI气溶胶光学厚度.遥感学报，24（10）：1180-1192

转载自遥感学报

经作者授权转载

文章仅代表作者观点，与本公众号无关，版权归原作者所有

原文标题：好文推荐丨利用时空—光梯度推进机估算中国PM2.5污染日变化

-The end-

图文编辑：罗煜湘

审编：张平平

终审： 颜子明 黄宗财 鲁嘉颐

猜你喜欢

地学招聘 | 临沂大学资源环境学院2021年人才招聘启事

专题征稿 | “卫星地震观测技术与应用”2021学术研讨会暨“电磁监测试验卫星计划第五届国际研讨会”（一号通知）

好书推荐 | 《斯坦福大学奇幻地理：科学、艺术与想象》

赠书活动 | 《地质图——认识地球从这里开始》

扫描二维码，关注我们

我要睁大眼睛看看，是哪个小可爱也【在看】 鸭~返回搜狐，查看更多