[发明专利]基于时空光梯度增强机的地表O3

权利要求书

1.基于时空光梯度增强机的地表O₃浓度估算方法，包括以下步骤：步骤一，观测值预处理；步骤二，统一化处理；步骤三，单元网格建立；步骤四，数据整备清洗；步骤五，特征性选择；步骤六，生成估算模型；其特征在于：

其中上述步骤一中，对地表O₃观测值进行预处理，获取研究区0.1°×0.1°空间分辨率的日最大八小时滑动平均浓度[O₃]_MDA8；

其中上述步骤二中，获取卫星反演O₃柱浓度数据、气象数据和辅助数据，随后对卫星反演O₃柱浓度数据、气象数据和辅助数据进行预处理，将不同格式和不同时间分辨率的数据进行统一化处理，得到统一化数据；

其中上述步骤三中，创建研究范围网格，之后将步骤二中得到的统一化数据匹配到各单元网格中，随后获取网格中多个站点的O₃测量值，然后分别取均值，得到测量平均值；

其中上述步骤四中，对步骤三中得到的测量平均值进行整合，整合后进行数据清洗，清洗后得到清洗后数据；

其中上述步骤五中，采用包裹式和嵌入式相交集的方式对清洗后数据的特征进行选择；对数据的特征进行选择的过程如下：

S5-1，采用Pearson相关系数来检验特征之间的相关性；

S5-2，利用方差膨胀因子方法计算所选变量之间是否存在多重共线性；

S5-3，根据VIF值对变量间的共线性进行判定；

S5-4，使用包裹式和嵌入式相交集的方式来进行特征重要性计算，并根据计算结果选取数据特征；

其中上述步骤六中，根据步骤五中特性选择的结果，来构建时空-LightGBM的机器学习模型，之后利用构建的模型对O₃浓度进行估算；构建时空-LightGBM的机器学习模型过程如下：

S6-1，从数据集N中提取Z个样本，建立有一个根节点的回归树；

S6-2，对每个样本计算负梯度，并将每个样本的负梯度标记为对应样本的残差；

S6-3，将样本的残差作为训练数据，通过最小化损失函数，从M维特征中选取最佳划分节点，划分样本得到新树对应的叶子节点区域，对树进行更新，得到梯度提升决策回归树；

S6-4，重复S6-2和S6-3的过程直到误差小于预估最大误差，同时每棵梯度提升决策回归树，都满足以下条件：

其中(x_i，y_i)为样本集，i＝1,2,…,N，x^j为变量x的第j个特征，R_m(j，s)为切分变量x^j和切分点s对应的区域，为每个区域的最优值；

S6-5，通过相邻像元和中心像元的距离、时间加权来对时空地理数据的提取；

S6-6，根据S6-4和S6-5中的结果，建立O₃浓度预测模型，之后使用建立的模型对地表O₃的浓度进行估算；

所述S6-5中，对时空地理数据的提取的特征提取方程为：

Space_w＝f(Lon，Lat)＝haversine(α₂-α₁)+cosα₁cosα₂haversine(β₂-β₁) (4)；

所述S6-6中，建立的O₃浓度预测模型为：

O₃＝f(OMI，ssrd，tp，rh，blh，sp，t2m，tcwv，u10，PM2.5，SO₂，

NO₂，CO，Space，Time、LUCC、POP)

其中，Space_w表示栅格中某像元到边界和中心的距离；Lon表示像元所在的经度；Lat表示像元所在的经度；Space和Time表示空间和时间特征；r代表地球半径；DOY(Day Of Year)表示当日在一年中属于第几天；Year代表该年的总天数。