摘要
在快速城市化、工业化的背景下，空气中颗粒物污染已成为不可避免的一种环境问题。大气环境污染对生态环境、气候变化、人类健康等各方面均产生重要影响，气溶胶光学厚度（AOD）是描述气溶胶含量和大气颗粒物污染的一个重要表征，对AOD进行空间重构能够进一步了解空气环境质量，更好地为空气复合污染研究提供数据支持，为我国流行病学与健康卫生效应研究提供长期的基础资料，其具有重要意义。AOD数据主要通过卫星遥感方式获取，该方式能够提供长时间、大范围数据集，但由于传感器的设计原理、校准过程和反演算法的不同，反演的AOD产品存在一定的高估和低估现象；又由于云层遮盖、轨道间隔等其他因素，造成AOD数据缺失。 本文以提高AOD数据精度和覆盖范围为研究方向，对AOD数据进行空间重构，以MODISAOD数据为研究对象，结合机器学习技术探索出更高效的AOD空间重构算法，提高AOD数据的精度和覆盖范围。重点研究内容如下： 1．提出了基于机器学习的AOD偏差校正模型，解决AOD数据高估和低估问题。以MODISAOD数据为研究对象，将不同尺度的MODISAOD数据与EAR5气象数据、高程数据等进行时空配置、特征选择、归一化处理构建数据集，运用机器学习方法（ANN、SVR、XGBoost）对构建的数据模型进行偏差校正对比分析，验证ANN模型为最佳AOD偏差校正模型。 2．提出基于遗传算法优化的随机森林（GA-RFR）AOD数据回归预测模型，解决AOD数据缺失问题。运用校正后的数据，结合随机森林回归（RFR）模型对AOD数据进行填充，针对RFR模型中使用网格搜索交叉验证方法实现参数最优化的过程中，恒定不变的搜索步长可能会造成模型欠拟合和过拟合问题，利用遗传算法优异的全局寻优能力，运用GA-RFR回归模型有效避免了模型过拟合或欠拟合问题，通过对比分析GA-RFR模型在保证覆盖度的情况下，数据的精确度更高。 3．设计并实现气溶胶光学厚度数据空间重构原型系统。在上述算法研究的基础上，对平台体系架构、数据库、系统功能进行了设计，实现了集数据预处理、数据管理、气溶胶光学厚度偏差校正、填充、专题制图为一体的“AODSRSystem”系统，并证明了“AODSRSystem”能够支持气溶胶光学厚度数据空间重构方法研究，具有重要的应用价值。
NETL