[发明专利]一种基于Stacking集成模型的近地面二氧化氮浓度估算方法

说明书

本发明属于遥感数据应用技术技术领域，涉及一种基于Stacking集成模型的近地面二氧化氮浓度估算方法，包括以下步骤：获取监测站点实际NO₂浓度数据、气象监测数据、地理数据和人口数据；获取NO₂对流层柱浓度卫星遥感数据并进行验证；数据清理，采用网格化方式对监测站点实际NO₂浓度数据和NO₂对流层柱浓度卫星遥感数据进行求均并与气象监测数据匹配，构建NO₂数据集；基于NO₂数据集进行建模，采用GA‑RF、GA‑GBRT和GA‑XGBoost三种模型作为基学习器，岭回归作为元学习器进行融合得到Stacking集成模型；利用Stacking集成模型对近地面NO₂浓度进行模拟估算，得到近地面NO₂浓度。本发明通过多种机器学习算法的结合，克服单个模型的缺陷，优化线性回归的输入，提升模型整体性能。

技术领域

本发明属于遥感数据应用技术技术领域，涉及一种基于Stacking集成模型的近地面二氧化氮浓度估算方法。

背景技术

NO₂是大气中重要的污染物，关系到光化学烟雾，酸沉降以及大气臭氧变化，对水体，土壤和大气造成破坏。NO₂不仅是O₃、PAN等光化学污染物的重要前体物，还能通过光化学反应生成NO₃，形成酸沉降，严重危害到大气和生态环境。NO₂的自然排放源主要有闪电、土壤排放和生物质的自然燃烧等自然过程；化石燃料燃烧和汽车尾气排放是NO₂排放的主要人为源，人为源排放占2/3。NO₂是一种生命时间较短(只有小时量级)的污染气体，高浓度的NO₂大都存在于排放源周围，并且存在于对流层的低层，尤其是边界层底部，而近地面NO₂浓度直接威胁人体健康，会导致肺功能下降和呼吸道疾病。目前NO₂已经作为空气质量监测的日常项目之一，监测近地面NO₂浓度能够反映NO₂治理成效，为研究大气环境变化，分析大气质量变化原因提供依据。

传统观测NO₂浓度的手段有地面光谱仪监测、机载观测器监测和大气定点采样等技术。但这些传统的观测手段在时间和空间范围上或多或少有着限制，不能够进行大尺度的研究。例如：地基点式和化学抽取式分析方法能够较为准确地得到NO₂的实际浓度，但是这些站点在空间上稀疏并且排列不均匀，大部分站点分布在城市中，站点数据仅能够反映小范围地区的污染状况；机载观测仪器能够获得NO₂的垂直廓线信息和空间分辨率较高的区域NO₂浓度分布，但是这种观测手段比较昂贵。

机器学习模型，如随机森林模型和极限随机树模型，由于具有处理复杂变量的能力，通产更具有较高的预测精度。随着机器学习模型的不断研究与发展，已经有越来越多的研究利用机器学习模型估算近地面NO₂浓度。2019年韩旭的硕士毕业论文《基于多源卫星数据产品的近地面NO₂浓度遥感估算》中，综合OMI和GOME-2两颗卫星产品的数据，选用机器学习方法中的极限随机树模型和随机森林模型，用十折交叉验证方法对上述两种模型进行评价，最终选用极限随机树模型对近地面白天NO₂浓度进行估算。