大范围一氧化碳的短期对流层柱密度风险的不确定性的量化-Journal of Environmental Management期刊

“ 一氧化碳的区域分布具有显著的时空自相关和异质性，利用深度学习预测的结果能有效表征改特征和过程；并且较ARIMA方法具有更高的可靠性和稳健性”

大范围一氧化碳的短期对流层柱密度风险的不确定性的量化-该文被发表在最新一期的Journal of Environmental Management期刊上，该期刊最新影响因子=8.0。

• 比较ARIMA、LightGBM、ConvLSTM2D、Bayes_CL对Sentinel 5P柱状CO的预测效果。
• 典型的LightGBM和ConvLSTM2D在预测Sentinel 5P柱状CO方面表现良好。
• Bayes_CL更有潜力承担柱状CO的预测任务。
• Bayes_CL预测表明，从2022年到2023年，亚洲柱状CO增加。

目前，传统的统计方法（ARIMA）仍然主导着一氧化碳有关的短期风险的评估，限制了提高准确性和可靠性的潜力。亟需深度学习模型对可靠性或者稳健性的评估。论文提及了LightGBM、ConvLSTM2D和原创优化Bayes_CL模型与ARIMA在Sentinel 5P柱状CO预测中的多方面比较。该研究结果表明，机器学习模型及其优化版本在交叉验证(CV)、可视化和整体预测性能方面明显优于传统的ARIMA模型。值得注意的是，基于贝叶斯和残差优化的机器学习模型(Bayes_CL)获得了最高的CV得分(Bayes_CL R2 = 0.8, LightGBM R2 = 0.79, ConvLSTM2D R2 = 0.75, ARIMA R2 = 0.61)，以及优越的可视化和其他指标。使用Bayes_CL，论文有效地量化了2023年下半年（COVID-19封锁完全解除之后）中国大陆柱状CO水平增加2.4%。该研究证实，机器学习模型可以有效地取代传统的Sentinel 5P柱状CO短期风险评估方法。这一转变对政策制定、温室效应评估和人口健康风险评估具有重要意义，特别是在人类活动严重中断的不确定情况下，从而影响环境安全。

研究区概况

Bayes_CL简化流程

模拟结果差异性展示

其余结果可在下方原文共享链接查阅

期刊为作者提供了50天的免费分享链接：

https://authors.elsevier.com/c/1jsoE14Z6tsupj

点击过程可能弹出人机测试链接。

感谢阅读！