本数据集基于MCD19A2、MERRA-2、ERA5_land数据集，通过数据预处理、数据上采样、时空匹配将气溶胶光学厚度（AOD）、波长指数（AE）、气象参数等多种数据提取，将AERONET地面站点观测值作为目标真值，利用机器学习算法LightGBM训练模型，反演2018年至2022年“一带一路”沙漠地区的逐日1公里分辨率陆地沙尘气溶胶光学厚度。本次沙尘气溶胶光学厚度数据集为“一带一路”地区的沙尘研究提供基础数据。
1. MCD19A2数据：从美国MODIS官方网站(https://modis.gsfc.nasa.gov//)下载。
2. MERRA-2 tavg1_2d_aer_Nx数据：从美国宇航局戈达德地球科学数据和信息服务中心(https://disc.gsfc.nasa.gov/)下载。 （该数据需要下载全球范围）
3. ERA5-Land数据：从欧洲中期天气预报中心(https://cds.climate.copernicus.eu/)下载。 （该数据需要下载东经0°-东经150°，北纬81°-南纬11°的范围）
1. 遥感数据预处理：MERRA-2(0.5°×0.625°)和ERA5-Land(0.1°×0.1)分别通过双线性插值采样至1公里分辨率，其中ERA5-Land在此之前还需通过最近邻插值填补缺失值，按照最近点像素的方式时空匹配，提取所需数据。将研究范围内的AERONET地面站点观测数据，筛选出波长指数(AE)<1 的气溶胶光学厚度(AOD)作为沙尘AOD的目标真值。
2. 反演方法：采用最终采用LightGBM模型分别训练两个模型：(1)完整模型，即各项预测因子均未缺失作为输入训练的模型（MCD19A2数据存在大量缺失，针对非缺失部分）；(2)非完整模型，即MCD19A2存在数据缺失的部分，仅采用由MERRA-2、ERA5-Land数据提取的预测因子为输入训练的模型。两个模型的输出需要与经降尺度后的MERRA-2的沙尘AOD数据取均值处理，才作为最终反演结果。
参考文献：Ke G, Meng Q, Finley T, et al. Lightgbm: A highly efficient gradient boosting decision tree[J]. Advances in neural information processing systems, 2017, 30.
数据精度：取AERONET站点经匹配后未用于训练的数据作验证。平均绝对误差（MAE）为0.0515；均方根误差（RMSE）为0.0805；平均偏差（MBE）为-0.0252；相关系数（R）为0.8559；落在期望误差（EE）为81.74%。
| # | 编号 | 名称 | 类型 |
| 1 | 2022YFF0711702-04 | 沙漠、沙尘数据融合制备技术及长时序高质量数据制备 | 国家重点研发计划 |
本作品采用
知识共享署名
4.0 国际许可协议进行许可。
CSTR:11738.11.NCDC.NIEER.DB6510.2024
10.12072/ncdc.nieer.db6510.2024
