结合被动遥感与机器学习方法定量分析中东和北非地区的气溶胶组分

《Remote Sensing Applications: Society and Environment》：Quantifying Aerosol Composition Over the Middle East and North Africa Environments Integrating Passive Remote Sensing and Machine Learning

　　

**摘要**

本研究利用多源卫星和再分析数据集，对2003年至2020年中东和北非（MENA）地区的气溶胶光学厚度（AOD）进行了综合评估。分析识别出萨赫勒-撒哈拉沙漠（SSD）、中/西非（CWA）和中东地区（ME）存在持续的气溶胶热点，春季（MAM）和夏季（JJA）出现季节性峰值，分别与沙尘暴和生物质燃烧有关。MODIS作为验证再分析数据集的基准，揭示了区域间的差异。MERRA-2在SSD和北非（NA）地区与MODIS高度吻合，而CAMSRA在东非（EA）地区表现更优。CALIPSO的垂直廓线突显了高空悬浮气溶胶层，强调了对流过程的作用。气溶胶垂直特征揭示了不同季节的随高度变化规律：冬季（DJF）在5公里以下发现中等去偏振现象，表明混合气溶胶的存在；夏季（JJA）去偏振极小，表明为球形粒子。气溶胶消光系数在低海拔处达到峰值，这是由于局地排放所致，其经度变化反映了地形的影响。本研究强调了多数据集整合对于可靠气溶胶监测的重要性，并推荐采用集成机器学习（ML）模型用于AOD的操作性预报。XGBoost和随机森林等ML模型表现优于其他模型，实现了近乎完美的相关性和最小化误差。多线性回归模型和K最近邻在AOD预测中表现出显著的低估。模型特征重要性和SHAP分析确定了沙尘（DU）和黑色碳（BC）为主要预测因子，而PM2.5和O3在CAMSRA中至关重要，反映了特定数据集的气溶胶动力学。研究结果有助于改进气候模型并制定区域特定的空气质量政策，尤其是沙尘和人为气溶胶的缓解措施。

**引言**

撒哈拉沙漠和阿拉伯沙漠是地球上重要的大气沙尘来源，这在开创性的研究中已有记载（Washington等，2006；Heinold等，2007）。中东和北非（MENA）地区是全球沙漠沙尘的热点地区，其气候系统在局地、区域和全球尺度上都受到这些颗粒物的深刻塑造。靠近世界上最大的暖沙漠——撒哈拉沙漠，使MENA成为最尘埃密集的地区之一，对大气动力学、辐射平衡和生态过程之间的复杂相互作用有贡献（Karami等，2024；Berhane等，2024a,b）。对伊朗进行的类似长期气溶胶分析也揭示了AOD模式显著的空间和时间变率，与沙漠沙尘传输和人为排放有关，特别是在干旱和半干旱环境中（Yousefi等，2020）。气溶胶颗粒的三维运动受风向季节转换和相对湿度变化的显著影响。区域极端大气事件，包括阿曼湾上的热带气旋，也可能显著改变阿拉伯半岛及其邻近地区的气溶胶传输路径和水分-气溶胶相互作用（Lahijani等，2024）。人为气溶胶和自然气溶胶（以撒哈拉沙漠尘埃为主要自然来源）共同导致MENA地区季节性气候特征的波动（Berhane和Bu，2021）。然而，土地利用变化和气候变化等人为因素增加了沙尘暴的复杂性，并有广泛的潜在健康影响，强调了对缓解政策的需要（Ben-noun，2022）。最近在伊朗的研究进一步表明，土地利用变化、城市化和空气污染治理措施对中东地区环境中的长期PM2.5变率和区域气溶胶负荷有显著影响（Yousefi等，2025）。因此，沙尘暴对农业产生重大影响，包括降低作物和牲畜产量、减少产量以及增加经济负担（Miri等，2009）。

云-气溶胶激光雷达和红外路径卫星观测（CALIPSO）卫星由于其高分辨率的全局云和气溶胶测量垂直廓线，包括MENA地区的沙尘，被证明非常有价值（Schepanski等，2007；Crouvi等，2012；Prospero等，2021；Mousavi等，2023）。这些观测还使识别沙尘热点成为可能，如乍得的博代尔凹陷，并有助于限制北非沙尘的虚部折射率，这对理解太阳辐射吸收及其对地球系统动力学的影响至关重要。研究已识别和表征了萨赫勒-撒哈拉和西非等地区的沙尘来源。例如，Yu和Notaro（2018）进行的一项研究强调了西非El Djouf沙漠——一个常被低估的沙尘来源区的重大影响。Guinoiseau等（2022）的另项研究利用稀土元素模式和同位素来区分撒哈拉和萨赫勒地区的沙尘来源。研究还探讨了撒哈拉矿物尘埃对北大西洋海气相互作用（Shu-hua Chen等，2021）和中欧颗粒物（Loskot等，2024）的影响。除来源和排放外，这些研究还探讨了沙漠沙尘辐射强迫对萨赫勒降水的影响。Kim等（2017）的一项研究讨论了与海表温度变化、植被变化和温室气体变暖相比，沙尘对萨赫勒降水影响的相对重要性。这些多方面的研究为特定区域中沙尘的三维模式提供了宝贵的见解，提供了对其来源、排放及其对环境与气候的深远影响的全面理解。

多项科学研究已对MENA地区的气溶胶垂直结构进行了研究（例如Berhane等，2024a, b）。这些研究通常涉及使用遥感技术，如激光雷达和卫星观测，来调查大气中气溶胶的分布和特征。其中一项由Wainker等（2013）利用CALIPSO卫星数据对阿拉伯半岛及周边海域气溶胶垂直分布进行的研究。Marinou等（2016）的另一项研究聚焦地中海地区，调查了10年间气溶胶的垂直结构。这些研究和其他研究为了解MENA地区气溶胶的垂直分布提供了宝贵见解，有助于我们理解该地区气溶胶的性质、来源和传输机制。此外，Parajuli等（2020）利用微脉冲激光雷达网络（MPLNET）数据研究了波斯湾地区六年期间气溶胶属性的垂直分布。进一步，Gui等（2021）利用搭载在CALIPSO卫星上的云-气溶胶正交偏振激光雷达（CALIOP）仪器考察了阿拉伯半岛的气溶胶垂直分布。这些近期研究连同我们以前的和目前的工作，继续推进对MENA地区气溶胶三维垂直结构的了解，揭示了这些区域的气溶胶特征、来源和传输动力学。

尽管上述研究为MENA地区气溶胶垂直结构提供了有价值的见解，但存在一些需要考量和解决的复杂性和不足，如有限的时空覆盖范围。激光雷达和卫星观测等遥感技术可能无法在精细空间尺度上或连续在时间上捕捉气溶胶变率，这会影响结果的代表性。此外，从遥感数据中反演气溶胶属性存在不确定性，涉及假设和不确定性，如关于气溶胶组成、粒径分布和垂直廓线的假设。这些不确定性可能在反演的气溶胶属性中引入误差，影响结果的准确性。对MENA地区气溶胶来源和传输路径的了解仍然有限，尤其是缺乏对长程传输机制及其对区域气溶胶负荷贡献的全面理解。更好地表征气溶胶来源，包括沙漠沙尘等自然来源和工业排放及城市污染等人为来源，对于准确模拟气溶胶分布和趋势至关重要。来自霍尔木兹海峡和伊朗东南部马克兰沿海平原的地貌调查进一步强调了风力作用和河流沉积物来源在区域沙尘产生和传输过程中的重要性（Mohammadi，2023）。沉积学和地球化学证据也将马克兰沿海平原沉积物识别为影响该地区大气沙尘活动的重要潜在风成沉积物来源（Kaveh等，2020）。对MENA地区气溶胶类型的表征不足，该地区气溶胶类型多样，包括矿物尘埃、海盐、人为活动污染物和生物质燃烧产生的有机气溶胶。伊朗西北部乌尔米耶湖盆地等盐碱和蒸发岩环境在干旱气候条件下也可能向区域沙尘活动贡献细矿物颗粒和富盐沉积物（Mohammadi，2024）。然而，研究往往聚焦于特定气溶胶类型或区域，导致对气溶胶变率全谱及其对空气质量、能见度和气候影响的认知存在空白。MENA地区气溶胶的长期观测也不充分，难以检测趋势、理解季节变率并评估空气质量管理策略的有效性。因此，利用跨越MENA地区数十年的高质量气溶胶测量数据来准确评估长期变化及其驱动因素十分重要。

在本研究中，我们实施了先进的回归模型来预测AOD，利用MERRA-2和CAMSRA的数据，将关键气溶胶物种（沙尘（DU）、海盐（SS）、有机碳（OC）、硫酸盐（SO4）、一氧化碳（CO）、臭氧（O3）、二氧化硫（SO2）和黑色碳（BC））与PM2.5、PM10和NO2一起作为预测特征纳入。我们的研究区域涵盖北非、萨赫勒、东非、中西非和中东地区，包括约24个国家，具有多样的地形和排放特征。伊朗东南部等干旱地区复杂的地貌构造和构造控制的排水系统也在沉积物动员和区域气溶胶传输动力学中发挥重要作用（Kaveh-Firouz等，2023）。通过分析时空气溶胶变化和垂直属性，本工作旨在增进对研究不足地区气溶胶动力学的理解，同时提高气候和空气质量应用中的预测准确性。

此外，将观测数据与建模工作相结合可以增进我们对气溶胶动力学的理解并提高预测模型的准确性。准确预测气溶胶光学厚度（AOD）对环境监测至关重要，但由于多种气溶胶物种（如沙尘、海盐、黑色碳）之间复杂的相互作用以及多变的气象条件，这仍然是一个挑战。需要先进的机器学习（ML）技术来捕捉非线性关系和特征依赖性，因为传统方法如化学传输模型常常难以应对区域异质性。最近使用高级机器学习框架进行的PM2.5重建研究也强调了整合气象和排放相关预测因子对提高多种气候条件下长期气溶胶估计准确性的重要性（Yousefi等，2026）。机器学习（ML）的最新进展通过有效建模大气变量之间复杂的非线性关系，显著改善了气溶胶反演和预测。与依赖详细物理参数化且常常难以代表区域异质性和排放清单不确定性的传统化学传输模型不同，ML算法可以从多源大气数据集中高效学习非线性特征相互作用。近期研究已成功展示了ML技术在MENA地区和其他气候多样环境中的高时间分辨率气溶胶反演和空气质量预测能力（Chen等，2018；Fan等，2026）。这些研究强调了集成学习方法在提高预测准确性的能力，同时提供了对气溶胶物种和气象变量相对重要性的宝贵见解。受这些进展的启发，本研究评估了多种机器学习回归算法在利用MERRA-2和CAMSRA再分析数据集预测MENA地区AOD方面的性能。在本研究中，我们采用多种回归和基于集成的ML模型，如多线性回归（MLR）、随机森林（RF）、K最近邻（KNN）、XGBoost、AdaBoost和梯度提升决策树（GBDT），使用MERRA-2和CAMSRA数据集预测AOD。

为了解释模型预测，我们进行了特征重要性分析和SHAP（SHapley加法解释）值分析，揭示了在不同子区域中沙尘（DU）、黑色碳（BC）、PM2.5和其他污染物的相对贡献。例如，SHAP分析可能突显北非地区沙尘的主导地位，而人为SO4和NO2对中东城市区域的影响。这些见解对于制定针对性排放削减策略的决策者至关重要。这些建模方法对MENA地区的环境监测和政策制定具有重要影响。

集成方法的高精度支持了沙尘暴预报和空气质量管理等业务化应用，而可解释性特征有助于识别主要污染源，以便实施有针对性的缓解措施。随着气候变化和城市化的持续影响该地区的气溶胶特征，这些数据驱动的方法在科学认知和实际环境管理中都将变得日益重要。纳入以上所有分析后，研究应用可进一步拓展至利用深度学习进行高分辨率AOD制图，或将其与气候—健康影响研究相结合，特别是在易受影响的MENA地区人群中。本研究通过采用SHAP等可解释人工智能（XAI）工具增强气溶胶科学研究，同时为可持续环境管理提供了实际可行的研究结果。后续章节介绍了数据产品与方法（第2节）、气溶胶的时空变化、分类及趋势（第3节），以及讨论部分和结论总结（第4节）。

**各章节摘要**

**研究区域**

MENA研究区域涵盖北非、萨赫勒-撒哈拉沙漠、东非、中非和西非以及中东等具有独特特征的多个子区域（图1）。研究域边界涉及多个国家及主要海洋，包括印度洋、阿拉伯海和地中海。每个子区域拥有各自独特的地形和地理特征，共同构成了该大陆的多样性。

**研究区域（MENA）组成**

**气溶胶的时空变化**

四个数据集的空间分析揭示了气溶胶趋势的一致性模式，尤其是在气溶胶生成量显著增高的区域（图2）。这种一致性强调了在不同数据集之间所观察到的现象的稳健性，增强了研究结果可靠性的信心。观测空间图对应的统计指标列于表3中。表3中报告的百分位（%）值表示各再分析数据……

**结论总结**

对MENA地区气溶胶光学厚度（AOD）的全面研究得出了多项重要发现，既证实了又拓展了先前的研究成果。在中非/西非、萨赫勒-撒哈拉沙漠和中东地区识别出的持续性气溶胶热点与以往研究（Washington等，2006；Heinold等，2007）中描述的天然尘埃排放和人为污染源的已知模式相符。我们的季节分析进一步证实了……

**CRediT作者贡献声明**

Henok Tewelde：撰写—审阅与编辑，验证，资源，调查，数据整理。
Lingbing Bu：撰写—审阅与编辑，验证，监督，资源，项目管理，方法论，调查，资金获取，数据整理，概念化。
Belay Demoz：撰写—审阅与编辑，验证，资源，数据整理。
Samson Hagos：撰写—审阅与编辑，验证，软件，方法论，数据整理。
Samuel Abraham Berhane：撰写—原始……

**未引用参考文献**

Aldabe等，2011；Amiridis等，2013；Chang等，2025；Chen等，2021；Choi等，2020；da Silva等，2013；Dahutia，2017；Factorization，2019；Gelaro等，2017；Ginoux等，2010；Huang等，2023；Hunt等，2009；Jia等，2021；Liu等，2021；Lopes等，2013；Masoud，2023；McCarty等，2016；Nielsen等，2017；Omar等，2009；Ou等，2022；Proven?al等，2016；Proven?al等，2017；Ryu等，2021；Soni等，2021；Wang等，2018。

**利益冲突**

作者声明在本文的发表过程中不存在利益冲突。

**数据可用性声明**

数据将在合理请求下提供。然而，支持本研究发现的数据已公开免费向公众提供，可从以下网址下载：https://asdc.larc.nasa.gov/project/CALIPSO/、https://gmao.gsfc.nasa.gov/reanalysis/MERRA-2/ 以及 https://modis.gsfc.nasa.gov/。

**资金资助**

本研究由国家自然科学基金（批准号：42175145）和上海航天科技创新基金（SAST2022-039）资助。

**利益冲突声明**

? 作者声明不存在可能影响本文所报告工作的已知竞争性经济利益或个人关系。

**致谢**

我们衷心感谢通过Earth数据（ASDC/Data/CALIPSO (nasa.gov)）提供的CALIPSO数据产品的宝贵支持。我们同时对HDF-EOS团队致以诚挚的谢意，感谢他们在数据管理方面始终如一的帮助与支持（可通过Comprehensive Examples (hdfeos.org)获取）。其中一位作者感谢印度新德里科学技术部下属法定机构科学与工程研究委员会（SERB）的……

Samuel Abraham Berhane | Pelati Althaf | Kanike Raghavendra Kumar | Lingbing Bu | Henok Tewelde | Samson Hagos | Belay Demoz

南京信息工程大学近空间环境特征与效应国家重点实验室，南京，210044，中国