雅加达（一座热带首都城市）地面臭氧的时空分布映射：基于多源卫星数据的机器学习方法

《Remote Sensing Applications: Society and Environment》：Mapping spatio-temporal of ground-level ozone in Jakarta, a tropical capital city: A machine learning approach with multi-source satellite data

地面臭氧浓度时空分布与预测模型研究。基于2022-2024年雅加达多源卫星数据（大气参数、植被指数、夜间灯光等），采用LightGBM、随机森林和线性回归三种模型，验证LightGBM最优（R2=0.73，RMSE=10.2μg/m3）。研究表明工业区与人口密集区（北/西雅加达）臭氧浓度最高（旱季达74.33μg/m3），雨季骤降（10.16μg/m3），El Ni?o事件加剧污染。模型整合空间地理坐标、二氧化硫、风向分量和夜间灯光因子，为热带超大城市臭氧监测提供新方法，支持城市规划和污染治理决策。

　　地面臭氧（Ground-Level Ozone，简称GLO）是一种对人类健康和生态环境具有显著影响的有害空气污染物。在印尼，尤其是首都雅加达，GLO的监测设施相对有限，仅有五座地面监测站，这表明需要探索更有效的监测方法。本研究旨在利用卫星数据和机器学习技术，绘制2022年至2024年间雅加达地区GLO浓度的空间-时间分布图。通过整合大气、生物物理和人为变量，构建了三种模型：线性回归、随机森林（Random Forest, RF）和轻梯度提升机（Light Gradient Boosting Machine, LightGBM）。结果显示，在包含空间地理定位信息的情况下，LightGBM模型预测精度最高（R2=0.73），其中二氧化硫（SO?）、南北风向分量（V10）和夜间灯光（Nighttime Light, NTL）成为第三重要的预测变量。

从空间分析来看，雅加达的工业区和高度城市化的区域显示出较高的GLO浓度，尤其是在北雅加达和西雅加达。季节性趋势表明，GLO浓度在干旱季节达到峰值（74.33 μg/m3），而在雨季则显著下降（10.16 μg/m3），这种变化主要受到太阳辐射和大气稳定性的影响。2023年观测到的最高GLO水平与厄尔尼诺现象引发的温度升高相吻合。此外，局部气候区（Local Climate Zone, LCZ）分析进一步揭示，城市化区域的GLO浓度普遍高于植被覆盖区。这项研究展示了将遥感技术与机器学习相结合在热带大都市中估算GLO的潜力，尤其是在缺乏完善监测基础设施的地区。研究结果可用于支持数据驱动的城市规划和政策制定，以减少臭氧污染并促进绿色城市发展。

臭氧（O?）作为一种重要的大气气体，其功能随高度而变化。在平流层中，臭氧能够吸收有害的紫外线辐射，从而保护人类健康和生态环境（Checa-Garcia et al., 2018; Sinha and Toumi, 1997）。然而，在对流层，尤其是接近地面的臭氧，作为次生污染物，其形成过程涉及氮氧化物（NO?）和挥发性有机化合物（VOCs）的光化学反应（Lu et al., 2019）。随着工业化和城市化的加速发展，地面臭氧污染已成为重要的环境挑战（Brauer et al., 2016; Zhang et al., 2020）。高浓度的地面臭氧与多种健康影响相关，包括呼吸系统和心血管系统的疾病、哮喘、慢性阻塞性肺病、早产、低出生体重、焦虑、抑郁，甚至可能导致过早死亡（Bell, 2004; Lu et al., 2019; Liu et al., 2018; Maji et al., 2019; Tian et al., 2020; Turner et al., 2016; Q. Wang et al., 2021; Zhao et al., 2020）。此外，臭氧对生态系统和农业也造成负面影响，抑制植物生长，加速叶片衰老，并降低作物产量，进而导致国家经济损失（Ainsworth et al., 2012; Feng et al., 2019; Rai and Agrawal, 2012; Schauberger et al., 2019）。同时，对流层臭氧通过影响辐射强迫和大气温度，还对气候变化产生贡献（W. Chen et al., 2007; Gaudel et al., 2018; Manning and v. Tiedemann, 1995; Shindell et al., 2013）。因此，准确监测和评估地面臭氧对于评估其影响和制定有效的控制策略至关重要（Feng and Kobayashi, 2009; J. Li et al., 2021; Monks et al., 2015）。

在印尼，特别是对于地面臭氧的监测，主要依赖于配备臭氧分析仪的地面监测站，这些仪器使用紫外光谱法和紫外吸收法进行测量（https://www.bmkg.go.id/）。印尼目前仅有两座地面臭氧监测站，分别位于西苏门答腊的Bukit Kototabang和雅加达的Kemayoran（BMKG, 2025）。此外，雅加达环境局（DLH）还运营五座地面监测站，用于监测雅加达地区的地面臭氧（DLH, 2021）。尽管这些监测站提供了高精度的数据，但由于其分布稀疏且运营成本较高，监测范围受到限制。紫外吸收法还对传感器的安装位置敏感，这可能引入测量误差，并影响不同地点数据的一致性。此外，传统的紫外系统可能缺乏足够的灵敏度，无法有效检测低浓度的臭氧，这在臭氧浓度波动较大的区域尤为复杂（Jeong and Park, 2024）。

遥感方法能够提供广泛的地理覆盖范围，可以监测大面积区域的臭氧浓度，克服了地面监测网络的局限性。它们还具备高时间分辨率，减少了对监测站位置的依赖。卫星遥感用于空气污染地图绘制始于20世纪90年代，当时使用了国家海洋和大气管理局（NOAA）和陆地卫星（Landsat）的数据（Muhsoni, 2015）。此后，随着专门传感器如臭氧监测仪器（Ozone Monitoring Instrument, OMI）和对流层监测仪器（TROPOspheric Monitoring Instrument, TROPOMI）的发展，卫星遥感技术在空气污染监测方面取得了显著进步（Anenberg et al., 2020）。如今，卫星数据已成为估计空气质量的重要工具，尤其是在缺乏充足地面监测网络的地区。例如，Sentinel-5P TROPOMI数据被用于估算地面臭氧质量（X. Wang et al., 2022）。此外，其他关键变量如来自欧洲中期天气预报中心（ERA5 Reanalysis）的全球大气再分析数据集的气象数据、来自中分辨率成像光谱仪（Moderate Resolution Imaging Spectroradiometer, MODIS）的陆地表面温度（LST）和增强植被指数（EVI），以及来自可见光红外成像辐射计套件（Visible Infrared Imaging Radiometer Suite, VIIRS）传感器的夜间灯光数据，也被用于估算地面臭氧浓度（X. Chen et al., 2023; Fania et al., 2024）。

近年来，大多数研究采用机器学习方法，如深度森林、随机森林（RF）、轻梯度提升机（LightGBM）、极端梯度提升机（XGB）和源-汇方法，来预测地面臭氧的空间分布，特别是在亚热带国家（J. Chen et al., 2022; Chen et al., 2023; Wang et al., 2022; Wang et al., 2022; Kim et al., 2025; Fania et al., 2024; Du et al., 2022; Zong et al., 2024）。将遥感数据与机器学习模型相结合，可以提高预测的准确性，并改善空间和时间分辨率，使环境监测更加高效和可扩展（J. Chen et al., 2023; Huang et al., 2025; Jian et al., 2024）。然而，仍有一些研究较少整合多种数据源，包括大气参数（如臭氧前体物）、生物物理参数和人为因素，以预测地面臭氧的空间分布。

在印尼这样的热带环境中，利用遥感数据进行地面臭氧浓度预测的机器学习方法应用仍较为有限。雅加达作为印尼的首都，目前是世界上第31大城市（Wikipedia, 2025），预计到2030年，其人口将达到约1100万（BPS, 2018）。雅加达的地面臭氧问题主要源于多个主要的排放源。交通是最大的贡献者，汽车尾气释放臭氧形成前体物，如二氧化氮（NO?）和挥发性有机化合物（VOCs），以及由于燃料不完全燃烧而产生的二氧化碳（CO）和一氧化氮（NO）。工业部门也通过制造工厂和燃煤发电厂排放的二氧化硫（SO?）对臭氧浓度产生显著影响。居民区的露天燃烧活动则增加了PM2.5和CO的浓度，这些污染物通过光化学反应进一步提升地面臭氧水平（Perdinan et al., 2023）。这凸显了对地面臭氧浓度进行测绘以及制定缓解策略的紧迫性，以保障未来雅加达的空气质量。

因此，本研究的目标是绘制雅加达都市区域的地面臭氧浓度地图，重点关注其空间-时间分布、估算和预测。通过整合大气、生物物理和人为因素，采用机器学习方法进行综合的地面臭氧测绘。本研究预计能够为公众和相关机构提供有价值的信息，支持在雅加达快速城市化背景下应对地面臭氧空气质量问题的决策制定。

研究区域为印尼的首都雅加达，涵盖所有行政区域：北雅加达、西雅加达、东雅加达、南雅加达和中雅加达。雅加达以其严重的空气污染而闻名，是印尼臭氧污染最严重的城市之一（Lee and Greenstone, 2021）。从地理上看，雅加达位于南纬6度10分30秒、东经106度49分39秒，总面积为660,98平方公里（BPS, 2024）。研究时间跨度为三年，从2022年1月1日到2024年12月31日。研究设计旨在全面分析雅加达地区地面臭氧的时空分布特征，结合多源卫星数据和地面监测数据，提高对臭氧污染的监测和评估能力。

变量重要性分析的结果表明，LightGBM模型在预测雅加达地区地面臭氧浓度时，排除空间地理定位信息（Scenario 1）的情况下，三个最重要的变量是夜间灯光（NTL，占比10.11%）、二氧化氮（NO?，占比9.21%）和地表压力（8.33%）。NTL作为人为活动的指标，显示出较高夜间灯光强度的区域通常具有更密集的人口和更大的人类活动。当包含空间地理定位信息（Scenario 2）时，变量的重要性发生变化，其中SO?、南北风向分量（V10）和夜间灯光（NTL）成为第三重要的预测变量。这表明，空间地理信息对于准确预测臭氧浓度具有重要作用，尤其是在城市环境中，不同区域的地理特征可能显著影响臭氧的生成和扩散过程。

讨论部分指出，本研究通过整合多种卫星数据，构建了雅加达地区的地面臭氧浓度地图，涵盖了大气、生物物理和人为因素。为应对地面监测站数量有限的问题，采用了包括线性回归、随机森林（RF）和轻梯度提升机（LightGBM）在内的多种机器学习算法。在这些模型中，LightGBM表现最佳，其预测精度略高于随机森林。这一结果与先前研究（Zong et al., 2024）一致，表明LightGBM在处理复杂环境数据方面具有优势。同时，研究发现，结合空间地理信息的模型在捕捉臭氧浓度的空间和时间变化方面效果更佳，显示出空间变量在预测中的重要性。

研究还强调，雅加达的臭氧污染不仅受到人为排放的影响，还受到自然因素的制约。例如，太阳辐射和大气稳定性是影响臭氧浓度季节性变化的关键因素。在干旱季节，由于太阳辐射较强，臭氧生成反应更加活跃，导致浓度升高；而在雨季，降水和云层覆盖可能降低臭氧的形成速率，从而减少其浓度。此外，厄尔尼诺现象引起的温度升高也可能加剧臭氧污染，特别是在城市热岛效应明显的区域。这些自然因素与人为活动相互作用，使得臭氧污染的预测和管理变得更加复杂。

本研究的结果表明，使用多源卫星数据和地面监测数据进行地面臭氧建模是可行的，并且能够有效提高预测的准确性。研究发现，LightGBM模型在雅加达地区表现最优，其R2值为0.73，均方根误差（RMSE）约为10.2 μg/m3。这表明，该模型能够较好地捕捉臭氧浓度的空间和时间变化模式，为城市空气质量监测和管理提供有力支持。此外，研究还指出，大气、生物物理和人为因素的综合考虑，对于提高模型性能至关重要。例如，地表温度、植被指数和夜间灯光数据能够提供关于城市热环境、植被覆盖和人类活动的重要信息，从而帮助识别臭氧污染的高风险区域。

从应用角度来看，本研究的成果可以为政府和相关机构提供科学依据，支持制定更有效的空气质量管理政策。特别是在缺乏充足地面监测网络的地区，卫星数据和机器学习方法可以作为重要的补充手段，提高监测的广度和精度。此外，研究结果还可以用于指导城市规划，例如在高污染区域增加绿化带、优化交通布局、减少工业排放等，以降低臭氧污染的风险。同时，研究还为公众提供了关于臭氧污染的信息，有助于提高人们的环保意识和参与度。

本研究的创新之处在于，它结合了多种数据源和机器学习方法，为热带大都市的地面臭氧监测提供了新的思路。相比传统的地面监测方法，该方法不仅降低了监测成本，还提高了数据获取的效率和覆盖范围。此外，研究还强调了空间地理信息在臭氧污染预测中的重要性，表明在城市环境中，地理位置和地形特征可能对臭氧浓度产生显著影响。因此，未来的空气质量监测和管理应更加注重空间变量的整合，以提高预测的准确性和实用性。

在作者贡献方面，Balqis Meiliana和Muhammad Hilal Arrizqon负责撰写原始稿件、可视化、验证、软件开发、方法论设计、调查研究、正式分析、数据管理、概念设计等工作。Parwati Sofan参与了撰写和编辑工作，并提供了研究方法和调查的监督。Firman Hadi负责撰写和编辑，并提供了对研究的反馈和建议。所有作者均对研究的各个方面进行了深入探讨，并确保研究结果的科学性和可靠性。

在伦理声明中，作者确认本研究未在其他期刊发表，也未在其他期刊审稿中。所有作者均审核并批准了论文的提交。如果论文被接受，作者同意在未获得版权持有人书面同意的情况下，不会以任何形式（包括电子形式）在其他地方发表相同内容的文章。

在资金支持方面，本研究未获得外部资助，主要依赖于研究团队自身的资源和努力。这表明研究的开展主要基于学术探索和技术创新，而非依赖于政府或企业提供的资金支持。尽管如此，研究的成果仍然具有重要的实际意义，能够为政策制定者和城市规划者提供科学依据，推动更环保的城市发展。

在竞争利益声明中，作者表示他们没有已知的与本研究相关的竞争性财务利益或个人关系。这表明研究的开展是出于纯粹的学术目的，且研究结果不会受到外部利益的影响。这种声明有助于提高研究的可信度和透明度，确保研究结果的客观性和科学性。

最后，在致谢部分，研究团队感谢雅加达省环境局在实地数据收集方面的支持。这表明，尽管研究主要依赖于卫星数据，但地面监测数据的获取仍然需要相关机构的协助和合作。这种跨部门的合作对于提高研究的准确性和全面性具有重要意义，同时也体现了科学研究与实际应用之间的紧密联系。

综上所述，本研究通过整合多源卫星数据和机器学习方法，成功绘制了雅加达地区的地面臭氧浓度地图，揭示了其空间-时间分布特征。研究结果不仅为印尼的空气质量管理提供了新的思路，也为其他热带大都市的臭氧污染监测和管理提供了借鉴。未来的研究可以进一步探索不同机器学习算法在臭氧污染预测中的表现，以及如何更有效地整合多种数据源，以提高预测的准确性和适用性。此外，还可以关注臭氧污染与其他环境因素（如PM2.5、NO?等）之间的相互作用，为综合环境管理提供更全面的数据支持。