二维码
电话
当前位置: 首页 >  技术 >  行业专家 > 详情

马里兰大学韦晶、李占清及爱荷华大学王俊团队ES&T:基于可解释时空加权人工智能的中国高分辨率地面NO2浓度监测

2022-08-08 09:08:08 来源:马里兰大学韦晶

  成果简介

  近日,美国马里兰大学大气与海洋科学系韦晶博士、李占清教授及美国爱荷华大学化学与生化工程系王俊教授团队及其合作者在环境领域顶级期刊Environmental Science & Technology上发表了题为“Ground-Level NO2 Surveillance from Space Across China for High Resolution Using Interpretable Spatiotemporally Weighted Artifcial Intelligence”论文。这项研究开发了一种新的人工智能方法,即通过将时空加权信息整合到缺失极端随机树和深度森林模型中,填补了卫星对流层NO2产品缺失,然后结合大气再分析、模式模拟资料等大数据,估算得到我国逐日1公里无缝地表NO2浓度,这对氮循环和健康相关研究具有潜在价值,尤其是城市等中小尺度地区。

  引言

  二氧化氮(NO2)是大气中最重要的微量气体之一,对生态环境和空气质量影响很大。它是地面附近的主要污染物,可吸入,能够对健康构成威胁。氮氧化物也是PM2.5的前体物,也可以导致地表臭氧的形成。氮氧化物来源多样且复杂,人为源包括化石燃料发电厂、汽车尾气、工业活动、生物燃料和居民烹饪;自然源主要包括野火、土壤和雷电等。地表NO2水平是衡量空气质量或空气污染的重要指标。由于NOx在大气中的寿命较短,因此基于稀疏的地面监测站,尤其是在人口稠密的发展中国家,如中国,准确量化具有良好空间覆盖的表面NO2浓度具有挑战性。

  本研究利用大量地面实测和卫星遥感资料,并考虑空气污染的时空连续变化特征,开发了一种集成机器和深度学习模型的新框架,首先利用提出的时空加权-缺失极端随机树模型填补了卫星对流层(地面-10公里左右)NO2产品中的缺失值【基于中国科学技术大学刘诚教授团队开发的我国1公里TROPOMI对流层NO2产品,及中国矿业大学秦凯教授团队开发的我国25公里OMI对流层NO2产品】,再基于此数据利用提出的时空加权-深度森林模型估算得到我国每日无缝1公里地面NO2浓度。最后,通过分析中国各地地表NO2的空间分布及其在法定节假日和新冠肺炎大流行期间的变化,证明了数据集的应用和保真度。

  图文导读

对流层NO2填充与地表NO2估算结果

对流层NO2填充与地表NO2估算结果

图1:国家及区域尺度(a)原始和(b)缺失值填充前后对流层NO2柱(mol/cm2)空间分布,及(c)我们模型估算和(d)地面测量地表NO2浓度(μg/m3)对比图。红色圆圈表示严重污染区域。

  由于云污染的影响,卫星对流层NO2遥感产品存在大量缺失值,平均空间覆盖率仅为51%左右,尤其是在中国南方的多雨地区。我们利用机器学习和对流层NO2模式模拟资料填补了卫星空白,得到每天1 km对流层NO2数据,空间覆盖率增加到100%。可以看到即使在高度污染条件下(红色圆圈区域),缺失的对流层NO2信息也可以很好地重建(图1a-b)。图1c显示了我们模型估算的某一天地面NO2浓度的空间分布示例。我们ChinaHighNO2数据集可以提供全国任何位置的地表NO2信息,我们不但可以准确捕捉低污染地区(如中国东北和西南部)地表NO2的空间分布,更重要的是,我们的预测结果在严重污染地区(如中国东部)的空间格局和地基观测高度一致(图1d),尤其是对流层数据缺失严重的华北平原。

地表NO2人工智能估算模型评估

地表NO2人工智能估算模型评估

图2:基于样本的地面NO2日估算值(μg/m3)在(a)整个中国、(b)每个监测站、及(c)每一天的十折交叉验证结果。

  我们分别使用基于样本和城市的十折交叉验证方法评估了模型在不同时空尺度下的估算和预测性能,验证结果表明本文地表NO2的日估算值和预测值与地面测量值高度一致,两者间的相关系数R2分别为0.93和0.71,估计和预测不确定性整体较低,平均均方根误差(RMSE)分别为4.89和9.95μg/m3,平均绝对误差(MAE)分别为3.48和7.4 μg/m3(图2a)。我们的地表NO2估计值倾向于低估,但不多(斜率= 0.92),这主要是因为在严重污染的情况下,数据样本数量较少会影响模型训练。此外,严重污染条件下的卫星对流层NO2柱很容易被低估。我们的模型在单个站点上也表现良好,尤其是在中国东部(例如,CV-R2 > 0.9,RMSE < 4 μg/m3)。整体上有超过83%和85%的监测站的CV-R2值大于0.8,RMSE小于6 μg/m3(图2b)。该模型的表现比较稳定,受时间变化的影响较小,在大多数情况下可以较好地监测地表NO2浓度变化(图2c)。

中国高分辨率高质量地表NO2数据集

中国高分辨率高质量地表NO2数据集

图3:中国年平均(a)国家和典型地区地面NO2浓度(μg/m3),以及我国(b)土地利用覆盖(LUC)、(c)夜间灯光(NTL)、(d)人口分布(POP)和(e)道路分布图。

  整体上,城市和农田区域(图3b)的地表NO2浓度较高,其中高污染NO2水平主要出现在经济发达、人口集中的中国中部和东部地区(图3c-d),例如京津冀和长江三角洲城市群。在中国西北地区,地表NO2浓度通常遵循人口和道路的分布,主要来自人为和交通排放(图3d-e)。相比之下,由于人类分布稀疏,中国西南和东北地区的NO2污染较低。由于1 km的高空间分辨率,我们数据集可以在城市尺度提供较详细的地表NO2变化信息。我国NO2含量最高的30个城市大多位于中国的传统重工业区,例如京津唐地区、山东和河南省,其中天津、唐山和廊坊市是地表NO2暴露最严重的三个城市。长期持续的重工业活动生产排放了大量的污染气体。整体上,地表NO2水平与城市经济发展水平和人口密度显著正相关。同时,我们发现中国城市和郊区之间存在非常明显的地表NO2浓度差异,平均值达到28%,尤其是省会城市,占到了前30个地级市的三分之一以上。

工作日和周末期间的平均地表NO2浓度

图4:中国和四个典型地区在(a)春节和(b)国庆假期之前、期间和之后,及(c)工作日和周末期间的平均地表NO2浓度(μg/m3)对比。

  我们调查了中国春节和国庆节两个法定节假日对地表NO2浓度的影响。可以发现比较类似的变化规律:节假日前,地表NO2保持高水平;放假后,由于工厂停工、人为排放大量减少,导致地表NO2浓度逐渐降低,达到最小值;假期结束后地表又逐渐增加,逐渐恢复到正常水平。整体上,我国春节和国庆节期间的地表NO2浓度分别比节假日前后低22%和14%。特别是京津冀和长江三角洲地区,两者间的差异分别达到60%和39%,印证了地面NO2强烈的假期效应及其强度(图4a-b)。相对于发达国家(如欧洲和美国),我国地面NO2浓度在一周内变化相对稳定、变化较小且不规则(图4c)。整体上,工作日和周末之间的地面NO2浓度差异很小,在±1μg/m3范围内。在主要欧美国家,地面NO2工作日比周末高得多。这主要归因于不同国家经济生产活动的差异,例如,许多中国工厂一周连续运营导致持续的污染排放。

COVID-19期间我国地表NO2变化

COVID-19期间我国地表NO2变化

图5:中国地表NO2日浓度(μg/m3)的3天滑动平均值时间序列曲线,及中国东部农历新年前后六个时期(即P1-P6)2020年和2019年地表NO2浓度的相对差异(%)。上图中的红色边界和星形分别表示湖北省和武汉市。图中k为斜率,三个星号表示p < 0.001。

  在新冠疫情爆发(P1)之前,中国东部大部分地区的地表NO2浓度与历史相比变化不大,但在湖北省和周边地区开始下降。在封锁期间(P2),地表NO2浓度急剧下降,几乎整个中国东部地区的相对变化大于60%。这主要是由于工业生产和人类活动停止,氮氧化物排放量显著减少。然而,封城对地表NO2浓度有着强烈而持续的影响(相对变化> 30%),直到农历新年后第48天(P3)。随着疫情逐渐得到控制,城市禁令解除,人为排放量增加,该影响在大部分地区逐渐降低(P4)。在P5和P6期间,地表NO2浓度逐渐恢复到历史水平,在中国东部大部分地区,包括严重疫情地区(如湖北省),相对变化在±20%以内,在一些低风险地区(如中国东南部),甚至略高,表明人类生活已恢复正常。我们也对比了对流层NO2数据,尽管相似的变化趋势,但疫情对对流层NO2的影响持续时间要比地面NO2短1.7倍,这种差异也表明了地面NO2可以更好地代表局部尺度上NOx排放的变化。