应用案例
点击
关注我们FOLLOW US
1
摘要
2023年3月至2024年2月,在中国秦岭北麓郊区测量大气中二氧化碳和甲烷浓度,并用机器学习算法研究气象因素对大气二氧化碳和甲烷季节性动态的影响。年平均大气CO2和CH4分别为446.1±10.0ppm和2118.9±50.5 ppb。冬季,人为排放主导了大气中CO2和CH4的变化,采暖期高于背景水平的过量CO2(ΔCO2)和CH4(ΔCH4)主要来自燃烧排放。选择七种ML算法来确定气象因素的变量重要性,其中极限梯度提升(XGBoost)和随机森林(RF)显示了这些因素的最佳性能和排名一致性。春季大气和土壤的湿度和温度对CO2的影响较大(XGBoost:80.4%;RF:78.1%),而冬季湿度至关重要,XGBoost和RF的重要性各不相同,为69.3%。在夏季和秋季,光合光子通量密度和风速(WS)(总计35.2%~50.7%)主导了CO2动态。对于CH4,春季大气和土壤湿度(总计约40.0%)是关键因素,而冬季大气湿度很重要。WS在夏季(XGBoost:26.3%;RF:33.3%)和秋季(XGBoost.19.8%;RF:28.8%)的影响最大。冷锋通过等气象过程显著降低了霾事件期间的二氧化碳和甲烷浓度。XGBoost和RF已成为确定有利于季节性温室气体演变的关键气象因素的强大工具。
2
研究目的
识别关键气象因素
探究影响中国郊区大气CO₂和CH₄季节变化的主要气象因子,为减排政策提供依据。
评估机器学习方法
对比7种算法性能,优选RF和XGBoost算法,确定不同季节的主导气象因素。
分析雾霾影响
研究雾霾期间气象条件与温室气体浓度的短期关联。
3
研究方法
图1. 温室气体观测站位于中国西安郊区,靠近秦岭北麓。
数据采集
2023年3月-2024年2月,在秦岭北麓郊区站点采用Picarro G2401分析仪和涡动观测系统连续监测大气CO₂、CH₄浓度及气象数据。
数据处理
用MICE方法填补缺失值并进行归一化,按8:2划分训练集(含验证集)和测试集。
模型构建
对比7种机器学习算法(如线性回归、随机森林、XGBoost等),通过贝叶斯优化调参。
模型评估
基于RMSE、MAE和R²指标筛选最优模型(XGBoost和随机森林表现最佳)。
关键因素识别
采用MDI和增益方法量化气象因子对CO₂/CH₄的影响权重。
4
结论
在2023年3月至2024年2月期间,监测了在秦岭北麓附近的郊区大气中的二氧化碳和甲烷的浓度变化,并记录了气象数据。揭示了CO2和CH4浓度的时间变化及其可能的排放源,并评估了气象因素对季节性CO2和CH4浓度变化的影响。得出以下结论:
结论一
大气中CO2和CH4的年平均浓度分别为446.1±10.0 ppm和2118.9±50.5 ppb。大气中CO2的季节性日变化在05:00-07:00达到峰值,CH4的最大值在10:00-12:00。冬季,人为排放主导了大气CO2和CH4的变化。在供暖期间,超过背景水平的过量二氧化碳和甲烷主要是由燃烧排放造成的。
图2. 观测点月平均大气CO2和CH4浓度。
结论二
比较七种不同ML算法的性能,所有非线性算法的性能都明显优于线性算法,其中RF和XGBoost两种非线性算法表现最佳,一致地确定了影响季节性CO2和CH4动态的关键气象因素。
结论三
在一年的现场观测中,大气中的二氧化碳浓度在春季受大气和土壤湿度和温度的影响较大(XGBoost:80.4%;RF:78.1%),而冬季则主要受湿度(XGBoost和RF的69.3%)的影响。夏季和秋季,PPFD和WS(总重要性为35.2%~50.7%)是CO2变化的关键驱动因素。大气和土壤湿度(总重要性约为40.0%)在春季主导了CH4的变化,而大气湿度在冬季占主导地位。此外,冷锋通道等气象过程改善了垂直大气混合,导致霾事件期间二氧化碳和甲烷水平显著降低。
- END -
原文链接:
https://doi.org/10.1016/j.uclim.2025.102312如果希望进一步了解以上案例的仪器信息以及更多的应用方向,欢迎与我们联系讨论:
Email:
james@cen-sun.com 15205149997
chenxf@cen-sun.com 18969955870