作者
刘宇莘
文章摘要
长时间序列、高分辨率的二氧化碳柱平均干空气摩尔分数（XCO₂）数据集是评估碳排放与实施低碳循环的重要基础。针对主流卫星XCO₂观测数据空间分辨率较粗的问题，本文提出融合卷积神经网络（CNN）与空间CatBoost（SCatBoost）的混合模型，以全球陆地1°分辨率GLM-XCO₂数据集为基础，重建2010—2020年中国1km×1km分辨率XCO₂年度数据集。交叉验证结果显示，CNN+SCatBoost模型R²达0.93，RMSE为0.17ppm，性能显著优于SCatBoost（R²=0.91、RMSE=0.20ppm）与CatBoost（R²=0.77、RMSE=0.32ppm）。2010—2020年中国XCO₂年均浓度从388.74ppm增至412.96ppm，空间上东部沿海高于西部内陆，高浓度区域呈由东向西渐进式扩张。本研究生成的高分辨率数据集为碳减排政策制定提供了科学支撑。
文章关键词
XCO₂；CNN+SCatBoost；高分辨率；时空特征；中国
参考文献
[1] Wu,C.Ju,Y.Yang,S.Zhang,Z.Chen,Y.Reconstructing annual XCO(2)at a 1 kmx1 km spatial resolution across China from 2012 to 2019 based on a spatial CatBoost method.Environ Res 2023,236,116866.[CrossRef].
[2] 48.He,S.Yuan,Y.Wang,Z.Luo,L.Zhang,Z.Dong,H.Zhang,C.Machine Learning Model-Based Estimation of XCO2 with High Spatiotemporal Resolution in China.Atmosphere 2023,14,436.[CrossRef].
[3] 54.Li,T.Wu,J.Wang,T.Generating daily high-resolution and full-coverage XCO(2)across China from 2015 to 2020 based on OCO-2 and CAMS data.Sci.Total Environ.2023,893,164921.[CrossRef].
Full Text:
DOI
