伴随着 PM2.5的持续下降，O3污染问题日益突出，中国政府已将其作为保护气候、生态系统和人类健康的目标。虽然卫星对大气臭氧气柱的检索已经运行了几十年，中国也从2013 年开始在全国范围内对O3进行监测，但O3的气候学变异性仍然未知，这阻碍了对中国O3的长期驱动因素和影响的了解。在此，我们建立了一个极端梯度增强（XGBoost）模型，该模型整合了高分辨率气象数据、卫星痕量气体检索数据等，提供了2005-2021年中国每日地面O3的重建数据。模型验证证实了该数据集的稳健性，基于样本的交叉验证的 R2为 0.89。来自城市、农村和背景站点的独立历史观测数据也证实了长期变化的准确性。数据集以 0.1°×0.1°的无间隙网格覆盖了 2005-2021 年的长时段，有助于气候、生态和健康研究。
本研究中 2013-2021年中国大陆地面臭氧小时观测数据来自中国国家环境监测中心网络。从 2013 年的约 900 个监测站开始，到 2021 年的约 1600 个监测站。我们剔除了O3负值，然后计算了每个监测点的O3日最大 8 小时平均浓度（MDA8）。由于对流层中 O3的丰度受排放（人为和自然）和气象条件的影响，将气象变量、人为排放清单、海拔高度、土地利用、归一化差异植被指数（NDVI）等作为机器学习模型的输入变量。
我们采用极端梯度提升（XGBoost）算法，利用一组相关的预测变量来预测地面臭氧（O3）浓度。XGBoost 是一种基于梯度树提升的高效机器学习算法，已被广泛应用于许多任务中。此前，我们曾采用它来纠正化学传输模型的系统偏差。XGBoost 是集合学习技术之一，它结合多个弱模型（如决策树）生成一个强模型，以获得更好的性能。集合学习中的组合方式。为了评估模型在估算每日 MDA8 O3浓度方面的整体性能，我们采用了基于样本（样本外）和基于站点（站点外）的 10 倍交叉验证（CV）方法。
数据质量良好。
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.DB6646.2024
10.5281/zenodo.6507706
