npjClimAtmosSci|利用基于时空加权树

npj Clim Atmos Sci | 利用基于时空加权树的算法从卫星观测中推导PM2.5：提高建模精度和可解释性基于树的机器学习算法，如随机森林，已成为从卫星观测中估计细颗粒物（PM2.5）的有效工具。然而，它们通常在时间和空间上具有不变的模型结构和配置，因此可能无法完全捕捉PM2.5和预测因子之间关系的时空变化，导致准确性有限。在这里，我们提出了用于地表PM2.5遥感的基于地理和时间加权树的模型（GTW-Tree）。与传统的基于树的模型不同，GTW-Tree模型因时间和空间而异，以模拟PM2.5估计的可变性，并且它们可以输出每个位置的可变重要性，以便更深入地了解PM2.5的决定因素。在中国的实验表明，GTW-Tree模型显著优于传统的基于树的模型，预测误差降低了21%以上。GTW-Tree推导的时间-位置特定变量重要性揭示了预测因子对PM2.5的时空变化影响。气溶胶光学深度（AOD）在很大程度上有助于PM2.5的估计，尤其是在中国中部地区。所提出的模型对于PM2.5和环境遥感等各个领域的时空建模和解释具有重要意义。本研究旨在发展基于地理和时间加权树的模型，以捕捉PM2.5遥感的时空异质性。使用空间和时间上的局部样本构建这些模型，并将样本的权重引入模型训练。此外，我们还通过搜索类似的非局部样本来增强模型的稳定性，从而将全局趋势纳入局部建模。本研究使用三种典型的基于树的算法构建GTW-Tree模型，即GTW-RF，GTW-LGBM和GTW-XGBoost。这些贡献可归纳为以下几个方面。首先，我们提出了GTW树模型，以获得更高准确度的空间连续PM2.5估计。其次，深入探索PM2.5建模的可变重要性的时空变化可能有助于增强我们对驱动机制的理解。我们的模型具有很强的适用性，可以扩展到其他各种环境研究领域的时空建模。