Estimación de la Concentración de XCO a partir de Datos de Satélite en Infrarrojo Térmico Basada en Aprendizaje por Conjuntos
Autores: Gong, Xiaoyong; Zhang, Ying; Fan, Meng; Zhang, Xinxin; Song, Shipeng; Li, Zhongbin
Idioma: Inglés
Editor: MDPI
Año: 2024
Acceso abierto
Artículo científico
2024
Estimación de la Concentración de XCO a partir de Datos de Satélite en Infrarrojo Térmico Basada en Aprendizaje por Conjuntos
Categoría
Ciencias Naturales y Subdisciplinas
Subcategoría
Astronomía
Palabras clave
Temperaturas globales
Dióxido de carbono atmosférico
Sensor infrarrojo de cruce
CO promedio en columna
Aprendizaje en conjunto
Árboles Aleatorios Extremos
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 8
Citaciones: Sin citaciones
Las temperaturas globales continúan en aumento a medida que las concentraciones de dióxido de carbono (CO) en la atmósfera aumentan, y el calentamiento climático se ha convertido en un gran desafío para el desarrollo sostenible global. El instrumento Cross-Track Infrared Sounder (CrIS) es un espectrómetro de transformada de Fourier con una resolución espectral de 0.625 cm que cubre una banda de absorción de CO de 15 m, proporcionando una forma de monitorear el CO a gran escala dos veces al día. Este documento propone un método para predecir la concentración de CO promedio en columna (XCO) a partir de datos de satélites de infrarrojo térmico utilizando aprendizaje en conjunto para evitar los cálculos iterativos de los modelos de transferencia radiativa, que son necesarios para la estimación de optimización (OE). El conjunto de datos de entrenamiento se construyó con datos satelitales de CrIS, parámetros meteorológicos del Reanálisis v5 del Centro Europeo para Pronósticos Meteorológicos a Medio Plazo (ECMWF) y observaciones en tierra. El conjunto de entrenamiento se procesó utilizando dos métodos: análisis de significancia de correlación (abreviado como CSA) y análisis de componentes principales (PCA). Se utilizaron Extreme Gradient Boosters (XGBoost), Extreme Random Trees (ERT) y Gradient Boost Regression Tree (GBRT) para entrenar y aprender a desarrollar el nuevo modelo de recuperación. Los resultados mostraron que el R de la predicción de XCO construida a partir del conjunto de datos PCA fue mayor que el del conjunto de datos CSA. Estos tres modelos de aprendizaje fueron verificados por conjuntos de validación, y el modelo ERT mostró el mejor acuerdo entre las predicciones del modelo y la verdad (R = 0.9006, RMSE = 0.7994 ppmv, MAE = 0.5804 ppmv). Finalmente, se seleccionó el modelo ERT para estimar las concentraciones de XCO. La desviación de las predicciones de XCO de 12 sitios TCCON en 2019 estuvo dentro de +/-1 ppm. Los promedios mensuales de las concentraciones de XCO, en estrecha concordancia con las observaciones en tierra de TCCON, se agruparon en cuatro regiones: Asia (R = 0.9671, RMSE = 0.7072 ppmv), Europa (R = 0.9703, RMSE = 0.8733 ppmv), América del Norte (R = 0.9800, RMSE = 0.6187 ppmv) y Oceanía (R = 0.9558, RMSE = 0.4614 ppmv).
Descripción
Las temperaturas globales continúan en aumento a medida que las concentraciones de dióxido de carbono (CO) en la atmósfera aumentan, y el calentamiento climático se ha convertido en un gran desafío para el desarrollo sostenible global. El instrumento Cross-Track Infrared Sounder (CrIS) es un espectrómetro de transformada de Fourier con una resolución espectral de 0.625 cm que cubre una banda de absorción de CO de 15 m, proporcionando una forma de monitorear el CO a gran escala dos veces al día. Este documento propone un método para predecir la concentración de CO promedio en columna (XCO) a partir de datos de satélites de infrarrojo térmico utilizando aprendizaje en conjunto para evitar los cálculos iterativos de los modelos de transferencia radiativa, que son necesarios para la estimación de optimización (OE). El conjunto de datos de entrenamiento se construyó con datos satelitales de CrIS, parámetros meteorológicos del Reanálisis v5 del Centro Europeo para Pronósticos Meteorológicos a Medio Plazo (ECMWF) y observaciones en tierra. El conjunto de entrenamiento se procesó utilizando dos métodos: análisis de significancia de correlación (abreviado como CSA) y análisis de componentes principales (PCA). Se utilizaron Extreme Gradient Boosters (XGBoost), Extreme Random Trees (ERT) y Gradient Boost Regression Tree (GBRT) para entrenar y aprender a desarrollar el nuevo modelo de recuperación. Los resultados mostraron que el R de la predicción de XCO construida a partir del conjunto de datos PCA fue mayor que el del conjunto de datos CSA. Estos tres modelos de aprendizaje fueron verificados por conjuntos de validación, y el modelo ERT mostró el mejor acuerdo entre las predicciones del modelo y la verdad (R = 0.9006, RMSE = 0.7994 ppmv, MAE = 0.5804 ppmv). Finalmente, se seleccionó el modelo ERT para estimar las concentraciones de XCO. La desviación de las predicciones de XCO de 12 sitios TCCON en 2019 estuvo dentro de +/-1 ppm. Los promedios mensuales de las concentraciones de XCO, en estrecha concordancia con las observaciones en tierra de TCCON, se agruparon en cuatro regiones: Asia (R = 0.9671, RMSE = 0.7072 ppmv), Europa (R = 0.9703, RMSE = 0.8733 ppmv), América del Norte (R = 0.9800, RMSE = 0.6187 ppmv) y Oceanía (R = 0.9558, RMSE = 0.4614 ppmv).