目前，在各种大气污染物的模拟中，独立痕量气体的模拟受到关键遥感产品分辨率不足的制约，导致模拟可靠性不足。本研究将空间采样和参数卷积相结合，利用地面观测、遥感产品、气象数据、援助数据和随机 ID 优化 LightGBM。通过上述技术和大气污染物序列模拟，我们得到了 2015-2018 年中国大部分地区 PM2.5 每日 1 公里分辨率的无缝产品。通过随机抽样、随机站点抽样、特定区域验证、不同模型比较以及不同研究的横向比较，我们验证了我们对多种大气污染物空间分布的模拟是可靠和有效的。
本研究使用的数据包括中国PM2.5每日地面监测数据。此外，还使用了遥感数据、气象数据和辅助数据。
基于随机ID、空间采用、参数卷积和其他方法的多污染物通用机器学习模型，可在预测大气污染物浓度变化时更好地考虑多种因素，并优化对污染物空间分布的估计。我们使用CV和视觉定性分析来评估模型结果。将LightGBM、LSTM 和RF-Ps与我们的模型进行比较，以评估其性能。最后，我们使用 SHAP 尝试解释模型的输出结果。
随机样本的 CV 值为：PM2.5 的 R2 为 0.88，均方根误差为 9.91 µg/m3。结合 SHapley Additive exPlanations（SHAP）方法，明确了模拟过程中不同参数的作用，并证实了参数卷积的积极作用。
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.ZENODO.DB4184.2024
10.5281/zenodo.7857008
