Китайские ученые предложили метод прогнозирования концентрации CO₂ по спутниковым данным с помощью алгоритмов машинного обучения

Дайджест исследований

Поскольку концентрация углекислого газа (CO2) продолжает расти, изменение климата, характеризующееся глобальным потеплением, представляет собой серьезную проблему для глобального устойчивого развития. В настоящее время большинство глобальных коротковолновых инфракрасных прогнозов концентрации CO2 опираются на полностью физические алгоритмы прогнозирования, для которых необходимы сложные расчеты. В данной работе предлагается метод прогнозирования концентрации усредненного по колонке CO2 (XCO2) по коротковолновым инфракрасным гиперспектральным спутниковым данным с использованием машинного обучения, позволяющий избежать итерационных вычислений, характерных для физического метода. Обучающий набор данных построен на основе спектральных данных Орбитальной углеродной обсерватории-2 (OCO-2), данных о концентрации XCO2, полученных с помощью OCO-2, данных об альбедо поверхности и измерений аэрозольной оптической глубины (AOD) за 2019 год. В данном исследовании для анализа использовались различные алгоритмы машинного обучения, включая Random Forest, XGBoost и LightGBM. Результаты показали, что Random Forest превосходит другие модели, достигая корреляции 0,933 со спутниковыми продуктами, средней абсолютной ошибки (MAE) 0,713 промилле и среднеквадратичной ошибки (RMSE) 1,147 промилле. Затем эта модель была применена для получения концентрации CO2 в толще атмосферы на 2020 год. Результаты показали корреляцию 0,760 с измерениями Сети наблюдений за колоннами углерода (TCCON), что выше корреляции 0,739 с данными спутниковой продукции, что подтверждает эффективность метода извлечения.

Исследование опубликовано в журнале Atmosphere.