Variability, predictability, and uncertainty in global aerosols inferred from gap-filled satellite observations and an econometric modeling approach
填补后卫星的观测和计量经济学建模方法推断出的全球气溶胶的变异性，可预测性和不确定性
摘要：气溶胶的时间序列分析和随机建模评估对于气候变化和人类健康研究至关重要。但是，在全球范围内对气溶胶光学深度（AOD）的精确特征，其可变性，趋势和可预测性及其相关的不确定性尚无定论。另外，跨空间和跨时间的卫星检索式AOD的间隙仍然是准确揭示气溶胶特性的障碍。这项研究使用MODIS Collection 6 AOD检索进行了2003年至2015年全球气溶胶的时间序列分析和建模。首先应用随机森林（RF）回归来替换卫星AOD检索中的缺失数据。然后分别使用Mann-Kendall分析方法和自回归综合移动平均值（ARIMA）模型研究AOD的变化和趋势，并预测未来的价值。结果表明，开发的RF模型显着提高了AOD数据覆盖率，均方根误差和绝对绝对误差统计指标分别远低于0.13和0.08。在东亚，南亚和西南亚，西非和中非以及南美洲北部发现了较高的AOD含量。气溶胶的变化和趋势显示出明显的差异，可能是由于粉尘排放，生物质燃烧，化石燃料燃烧和社会经济实践造成的，这对气候系统和减缓政策制定具有重大影响。ARIMA模型以清晰的年度和季节变化描述了AOD功能，并且在大多数地区都具有很高的准确性。模型的性能受到数据质量和数据值的共同影响。总的来说，我们的研究表明，RF模型在重建面积尺度上的卫星AOD丢失缺失中的可行性和适用性，以及随机ARIMA模型准确描绘和预测AOD剖面的能力。全球模拟和预测的气溶胶将改善对气溶胶影响的评估，以用于气候和流行病学研究。
亮点：
- 开发了一种随机森林方法来填补全球MODIS AOD的空白。
- 差异，趋势，驱动因素和预测是通过填补空缺的AOD来获得的。
- 对于空缺的AOD，ARIMA性能主要由数据质量和值决定。
- ARIMA对季节性强烈的气溶胶显示出令人满意的预测。
- 合理的预测有助于制定强有力的缓解策略。
主要方法：
- 采用随机森林回归来重建MODIS AOD图像中丢失的像素。作为一种机器学习方法，随机森林回归集成了许多决策树，这些决策树是使用输入变量的组合构建的。
- 时间序列分析已成为一个新兴的领域，以了解随着时间的推移保留在观测中的模式。在这个领域内，由Box等人首先引入的ARIMA方法。已应用于气候学，水文学，能源和经济学。广义上，ARIMA模型由三个阶段组成：模型识别，参数和诊断检查以及预测。从上述阶段中精心选择的最佳拟合模型随后用于预测未来价值。
部分结果：
通过比较实施RF方法之前（a）和之后（b）的MODIS AOD的空间覆盖率，以及（c）中显示的年度和季节精度评估，对随机森林（RF）缺口AOD进行评估。
使用RF缺口填充的AOD数据，2003年至2015年平均（a）年和季节性（b-e）年AOD变化的空间分布。为了进行比较，AERONET AOD的年度变化还显示了带有彩色点的彩色点，这些点的色标与MODIS AOD相同。
基于2003-2015年期间反季节化的月度异常，年度（a）和季节性（b–e）AOD趋势的空间分布。
（a）NDVI，（b）降水，（c）风速和（d）2003年至2015年的火灾次数，以及（e）2010年至2015年的CO2排放量的年平均值。
（a）RMSE，（b）MAE，（c）rRMSE和（d）MAPE的空间分布，是使用最适合的ARIMA的预测值相对于2016年的实际MODIS AOD值计算得出的。
中心图：2016年预测的AOD图的年平均值。线图（a – j）显示从每个大陆选择的位置的最佳拟合ARIMA预测与参考MODIS AOD的比较，在图中用黑圈标记。这些位置与部署AERONET站的位置一致。它们是：（a）GSFC，（b）BSRN_BAO_Boulder，（c）Rio_Branco，（d）CEILAP-BA，（e）Banizoumbou，（f）堪培拉，（g）坎普尔，（h）北京，（i）汉堡， （j）里尔。黑线和蓝线分别代表实际AOD值和预测AOD值。深色阴影区域和浅色阴影区域分别表示预测间隔为80％和95％的预测。
使用RF差距填充数据集的结果表明，东亚，南亚和西南亚，西非和中非以及南美洲北部的年度AOD较高。在美国东部，亚马逊盆地，西欧，东北非洲，华南和澳大利亚东海岸，观察到明显的AOD下降趋势，而在印度半岛，阿拉伯半岛，中亚，东非观察到上升趋势，以及南美南部。气溶胶变化和趋势的显着差异可能与（但不限于）粉尘排放，生物质燃烧，化石燃料燃烧，大气条件，社会经济实践以及与能源有关的政策有关。
在此基础上，我们进一步使用随机ARIMA模型来模拟气溶胶剖面并预测全球范围内的一年铅AOD值，这可以为空气质量，气候和流行病学研究提供有价值的信息。相对较低的RMSE，MAE，rRMSE和MAPE值，以及与2016年AOD参考值的良好一致性证明，ARIMA模型在大多数地区均表现良好。但是，该模型难以捕获极端事件和在某些地区季节性较弱的序列。ARIMA模型的性能也可能会受到AOD数据的质量和值的影响，较高的精度和较低的值会产生更有希望的预测结果。
总体而言，我们的研究将有助于实施空气质量控制政策，以减少气溶胶排放和由此产生的气溶胶浓度。需要进一步的工作以定量地了解AOD较高地区的影响因素，以便法规可以针对具有高度优先级/重要性的特定因素。季节性气溶胶变化的特征对于评估极端气溶胶污染事件引起的风险也很重要。在气候变化和全球化的背景下，气溶胶污染不仅是一个国家问题，而且是一个以气候相互作用和社会经济影响为边界的国际问题，需要全球共同努力。
引用格式：
Li X, Liu K, Tian J. Variability, predictability, and uncertainty in global aerosols inferred from gap-filled satellite observations and an econometric modeling approach. Remote Sensing of Environment 2021; 261.
全文获取方式：
关注公众号“一个有趣的灵魂W”，回复“hw13”获取全文下载地址。
