基于地基拉曼激光雷达观测的环境因子驱动大气CO2变化多模型敏感性分析框架

《Atmosphere》：A Multi-Model Sensitivity Analysis Framework for Environmental-Factor-Driven Atmospheric CO2 Variations Based on Ground-Based Raman Lidar Observations

　　

区域尺度大气CO2变化反映边界层混合、气象条件与燃烧相关排放，但单模型分析难以分离其相对贡献。研究人员在河南南阳利用地基拉曼激光雷达观测构建多模型框架，整合物理启发的扩散与混合代理变量、XGBoost/集成归因模型、物理引导梯度正则化神经网络(PG-GRNN)与格兰杰(Granger)时间可预测性检验。分析采用22,942个质量控制样本及210–600 m垂直平均CO2浓度。多模型比较识别气压、温度、湿度、NO2、SO2为与CO2变率最一致的相关因子；格兰杰分析进一步显示NO2、气压、SO2、温度、湿度具有显著滞后预测关系，最优滞后阶分别为2、9、9、7、10。PG-GRNN达到高预测精度（R2=0.9744；MSE=15.41）。完整比较表明时间可预测性、物理引导学习与物理启发代理变量捕捉了CO2响应的互补方面。该框架为结合地基激光雷达、环境监测与时间序列分析以支持区域碳监测与遥感产品验证提供了可解释路径。

研究背景方面，大气二氧化碳(CO₂)持续增加并影响全球气候系统，区域CO₂浓度受人为排放、大气传输与环境条件共同影响。现有方法包括物理传输扩散模型、机器学习算法与统计分析：物理模型基于质量守恒等定律，但参数化不确定性和空间异质性限制其区域至全球应用；数据驱动方法可学习非线性关系，但缺乏物理约束、可解释性不足；传统统计回归可解释性强，但处理非线性和共线性能力有限。当前研究面临两方面问题：不同模型理论假设与特征提取机制不同导致因子贡献评估存在模型依赖性不确定性；多源数据时间分辨率不同导致时尺度不匹配，且环境因子对CO₂变化的滞后影响缺乏系统分析。因此，研究人员有必要构建集成物理模型、数据驱动与统计方法的综合分析框架，以提高CO₂变化归因与预测可靠性。该论文发表于《Atmosphere》。

主要关键技术方法方面，研究人员使用2025年3月12日至4月18日河南南阳38天连续观测样本队列，地基高光谱拉曼激光雷达获取CO₂剖面，近地面污染物与气象参数同步监测；数据经时间戳校正24分钟、1.5分钟容差匹配、210–600 m垂直平均、基于中位数与中位绝对偏差的鲁棒三西格玛质控，保留22,942个有效样本。方法上构建物理启发过程模型（Pasquill–Gifford–Turner(PGT)稳定度、高斯烟羽扩散、箱式混合代理变量+随机森林特征重要性）、XGBoost/集成归因模型、物理引导梯度正则化神经网络(PG-GRNN)、格兰杰时间可预测性检验，并以R²、MSE、RMSE及MDI、梯度敏感度、滞后显著性进行评价。

研究结果如下。

3.1 多模型CO₂浓度预测性能：六类方法预测值与观测值均沿1:1参考线分布。Granger基面板R²最高0.9814，PG-GRNN为0.9744，PGT为0.9711，箱式模型为0.9675，XGBoost/集成模型为0.9649，高斯扩散代理模型最低0.9037。结果表明时间可预测性与物理引导学习最贴近观测，单一模型不足以主导归因。

3.2 环境驱动因子多模型识别：各方法主导变量不同，PG-GRNN中气压敏感度0.5476最高，箱式模型中风速相关项0.4373最高，高斯与PGT中湿度最高，XGBoost/集成归因中NO₂最高。归一化综合重要性为气压＞温度＞湿度＞NO₂＞SO₂＞CO＞风速＞PM_2.5＞PM₁₀＞O₃＞风向，说明气象条件提供背景控制，燃烧与污染相关NO₂、SO₂补充短时尺度信息。

3.3 环境因子滞后影响：对变量一阶差分后比较1–10阶，NO₂、气压、SO₂、温度、湿度历史信息显著改善CO₂预测（p＜0.05）。NO₂最优滞后2阶，温度7阶，气压与SO₂均为9阶，湿度10阶；CO、O₃、颗粒物与风成分未达显著。结果显示短滞排放信号、中滞热力调节与长滞气象状态并存，但是预测性而非严格因果。

讨论部分总结：研究人员指出气压、温度、湿度、NO₂、SO₂跨模型最一致，气象因子通过边界层结构、稳定度与扩散条件控制CO₂累积稀释；NO₂在多模型重要且具短滞预测性，CO更多反映同步排放或同源关联；PG-GRNN高精度的同时梯度正则提升平滑与物理一致性。空间转移性上，相似气候区混合因子可作候选预测变量，但因子排序与滞后阶随局地排放、生态系统与传输改变，迁站需本地预处理、校准与独立验证；框架可支撑变量筛选、监测系统设计及短期预报候选特征，但本研究限于单站、38天、210–600 m平均层。

结论部分翻译：本研究面向河南南阳地基高光谱拉曼激光雷达连续CO₂观测，建立集成物理启发特征、集成机器学习、PG-GRNN与格兰杰时间可预测性检验的环境因子分析框架，以210–600 m垂直平均CO₂浓度为目标。多模型结果表明气压、温度、湿度、NO₂、SO₂是与CO₂变化最一致的环境因子，综合重要性为气压＞温度＞湿度＞NO₂＞SO₂＞CO＞风速＞PM_2.5＞PM₁₀＞O₃＞风向，说明近地面CO₂变化受燃烧相关污染信号影响，并与边界层热力、扩散能力和大气稳定度密切相关。PG-GRNN在该数据划分下R²=0.9744、MSE=15.41，梯度正则使模型在捕捉非线性响应时保持输出平滑。格兰杰分析最优滞后为NO₂ 2阶、温度7阶、气压与SO₂ 9阶、湿度10阶；CO、O₃、PM₁₀、PM_2.5与风成分在p＜0.05水平无稳定滞后可预测性，结果应解释为时间可预测关系而非直接物理因果。该研究为地基CO₂数据融合、激光雷达与遥感CO₂产品验证及区域碳浓度环境响应分析提供参考；受单站与时段限制，未来应纳入更长序列、多站点、边界层高度、通量与排放清单以检验关键因子稳定性与空间适用性。