基于机器学习的星载短波红外CO_(2)柱浓度估算研究

作者：李静波; 张莹; 盖荣丽

来源：中国环境科学, 2022, 1-14.

DOI：10.19674/j.cnki.issn1000-6923.20221117.025

• 二氧化碳平均柱浓度
• 集成学习
• 极端随机森林
• 梯度提升
• 决策树
• XGBoost
• 短波红外

CO2的浓度近几年急剧上升，引起了广泛的关注。卫星遥感已成为监测全球大气CO2浓度不可或缺的技术手段，也正在成为国际认可的全球碳核查方法。短波红外波段对近地面CO2更敏感，因此更适合用于地面碳源汇动态变化的监测。目前国际上短波红外多采用全物理反演算法，由于气溶胶、水汽和地表反射率影响复杂，现有的物理反演模型具有不确定性，因此本文利用OCO-2卫星遥感数据、TCCON站观测数据（全球碳柱总量观测网，TCCON）、NDVI归一化植被指数数据、ERA5大气数据，采用决策树和集成学习（XGBoost、普通随机森林、极端随机森林、梯度提升）对二氧化碳平均柱浓度进行预测。通过相关性分析、特征选择与特征提取，建立模型预测二氧化碳平均柱浓度，再与TCCON站点的地基观测数据进行比对。通过分析不同模型（决策树、XGBoost、普通随机森林、极端随机森林、梯度提升）预测的结果，发现使用极端随机森林回归模型预测CO2平均柱浓度的精度最高，R2、均方根误差RMSE、平均绝对误差MAE、平均相对误差MRE分别为：0.953、0.492ppmv、0.260ppmv、0.063%，其余模型次之，因此对ExtraTreesRegressor（极端随机森林回归模型）的预测性能随自身参数的影响进行了分析，结果表明，在误差允许的范围内（±2 ppmv），极端随机森林回归模型和梯度提升回归模型预测的准确率一样，都为98.10%。由于CO2的背景浓度较高，而边界层内CO2 浓度的空间差异相对较小，因此需要进一步缩小误差的范围，在±1 ppmv误差范围内，两个模型（极端随机森林回归模型和梯度提升）预测的准确率分别为91.82%和90.51%。所以采用极端随机森林算法预测CO2柱浓度的结果更好，精度更高，符合二氧化碳预测的精度要求。

• 单位
  中国科学院; 大连大学; 遥感科学国家重点实验室