长期暴露于细颗粒物（PM2.5）与中国老年人血脂异常之间的关联，以及维生素D在此过程中的调节作用

《Atmospheric Pollution Research》：The association of long-term exposure to PM 1 with dyslipidemia in Chinese older adults and the modifying role of vitamin D

本研究提出HMFSEM模型，通过集成五种回归算法填补TROPOMI甲烷浓度数据空缺，实现每日连续时空覆盖，验证其在南美地区时空重建的高效性。

　　

钱晓|勇万|葛涵|刘宇|刘宇航|李晓文|周宏宇

中国石油大学（华东）海洋科学与空间信息学院，青岛，266580，中国

摘要

利用具有时空连续覆盖范围的甲烷浓度数据进行时空分析，可以有效捕捉排放源的分布特征，为甲烷的定量和源追踪提供可靠的数据支持。然而，由于传感器技术的限制、仪器成本以及大气干扰，目前来自卫星遥感和地面观测站的甲烷浓度数据存在时空分布不连续的问题，这限制了局部甲烷的监测和量化。为了解决这个问题，本研究提出了一种HMFSEM模型，用于填补TROPOMI反演的XCH₄数据中的缺失值。该模型整合了五种互补的回归算法，实现了具有连续空间覆盖范围的XCH₄数据的日重建。在北美南部的应用测试表明，该模型在空间和时间维度上都表现出较高的重建精度。在空间尺度上，重建结果与原始TROPOMI XCH₄数据的空间分布高度一致，并有效填补了由云层遮挡和轨道间隙造成的观测空白，生成了具有连续空间覆盖范围的XCH₄数据。在时间尺度上，对于德克萨斯州的五个关键排放区域，该模型重建的甲烷浓度时间序列显示出与TROPOMI XCH₄数据所捕捉到的持续增加和季节性波动高度一致的时间变化特征和趋势。这些结果表明，HMFSEM模型重建的XCH₄数据与原始观测结果高度一致，显著增强了TROPOMI XCH₄数据的时空连续性，为局部甲烷监测和量化提供了数据支持，提高了卫星遥感在连续区域尺度上进行甲烷监测的能力。

引言

甲烷是仅次于二氧化碳的第二大人为温室气体，其全球变暖潜能约为二氧化碳的28倍（Allen等人，2018年）。由于甲烷的大气寿命相对较短（约9年），减少甲烷排放可以在短期内带来显著的气候效益。因此，控制甲烷排放对于实现《巴黎协定》的温度控制目标至关重要（Saunois等人，2016年），特别是在短期气候缓解策略中发挥着关键作用。然而，自2007年以来，全球大气中的甲烷浓度呈现加速增长的趋势，主要受人类活动如化石燃料开采、农业活动和废物管理的影响（Jacob等人，2022年；Lan等人，2021年；Zhang等人，2021b年）。美国德克萨斯州的二叠纪盆地等主要石油和天然气生产区域，其甲烷排放量较高，对全球甲烷预算产生了重大影响（Alvarez等人，2018年；Zhang等人，2020b年）。因此，准确监测和量化甲烷排放源的时空分布特征已成为制定减排政策和气候研究中的关键科学问题。

目前，甲烷监测的主要方法包括地面观测、机载观测和卫星遥感（Alcibahy等人，2025年）。地面观测提供了高精度的数据；然而，由于站点网络稀疏和空间代表性有限，它们无法完全捕捉甲烷的区域分布模式（Mohammadimanesh等人，2025年）。尽管机载观测具有高空间分辨率，但其高昂的成本和有限的覆盖范围使其不适合大规模、长期监测的需求（Zhang等人，2023年）。相比之下，卫星遥感技术为大规模甲烷监测提供了突破性的解决方案（Rouet-Leduc和Hulbert，2024年）。早期的卫星如SCIAMACHY和AIRS实现了全球甲烷观测；然而，它们的低空间分辨率（>50公里）使得识别和有效捕捉局部排放源变得困难，特别是那些较小且难以检测的排放源（Zhang等人，2023年）。GOSAT卫星的发射标志着甲烷卫星监测的新阶段，其10.5公里的空间分辨率使得能够进行区域尺度的甲烷通量估算。然而，由于其 revisit周期（3天）和严格的观测条件要求，其数据密度仍不足以满足高频监测的需求（Parker等人，2020年）。作为下一代卫星，搭载在Sentinel-5 Precursor上的TROPOMI具有7×5.5公里的空间分辨率和每日全球覆盖范围，在全球和区域甲烷排放估算中发挥着关键作用。基于TROPOMI数据的研究成功识别和量化了多个超级排放源，为精细的甲烷排放监测提供了重要的技术支持（Lorente等人，2021年；Qu等人，2021年）。尽管如此，TROPOMI数据在实际应用中仍存在局限性；受云层覆盖和轨道限制的影响，其数据在时空分布上表现出极端的不连续性（Balasus等人，2023年）。这些缺点严重阻碍了其在局部和长期连续监测中的应用，因此强调了进行时空连续XCH₄数据重建研究的必要性。

为了解决上述问题，现有研究采用了空间插值（Liu等人，2012年；Sheng等人，2023年；Xiang等人，2022年）和机器学习（Jin等人，2024年）方法来重建缺失数据。虽然传统插值方法易于实现，但在复杂环境中精度较低，特别是在处理数据缺失或不连续区域时，其有效性有限（Uddin和Czajkowski，2022年）。相比之下，机器学习方法通过有效捕捉非线性关系并利用多源辅助数据重建缺失数据，展示了更大的潜力。现有研究采用了随机森林、支持向量机和神经网络等算法，结合气象再分析数据、地表特征参数和其他辅助信息，实现了温室气体浓度（包括CO₂和CH₄）的高精度重建（Han等人，2025年；He等人，2024年；Jin等人，2024年；Te等人，2024年；Wan等人，2023年）。此外，与复杂的大气模型相比，机器学习方法还具有计算资源需求低、易于获取和高精度等优点（Ai等人，2024年；Liu等人，2018年）。然而，现有的机器学习方法主要集中在特定时间段或区域的应用上，缺乏对每日、长期连续数据集重建的研究。此外，在多样化和复杂的气候变化情景下，单一模型的适应性和稳定性不足。

集成学习方法通过结合多个基础学习器的预测，可以有效减少与单一模型相关的方差和偏差，从而提高预测的稳定性和泛化能力（Dietterich，2000年）。在遥感数据处理领域，集成方法的表现优于单个算法。然而，它们在甲烷浓度数据重建中的应用仍然相对较少，特别是在每日连续重建方面的研究不足（Ai等人，2024年）。

为了获得时空连续的XCH₄数据，本研究提出了一种分层多源特征堆叠集成模型（HMFSEM），该模型结合了多源特征学习。通过整合多个基础学习器，该模型捕捉了气象数据、高分辨率地表反照率数据和TROPOMI反演的XCH₄观测值之间的非线性关系，从而实现了区域数据集的每日连续重建。通过与TCCON地面站点的比较以及对2021-2025年北美南部甲烷浓度空间分布和时间趋势的分析，验证了生成数据集的可靠性和其在甲烷排放监测中的潜力。

数据来源

本文使用的数据如表1所示，包括：

(1)

ERA5-Land数据来自欧洲中期天气预报中心（ECMWF）提供的高分辨率地表再分析产品，空间分辨率约为11公里，时间分辨率为每日。表1中涉及的气象要素（如风速、温度、湿度等）可以为模型训练提供辅助输入变量

HMFSEM模型的原理

本文提出了一种堆叠模型HMFSEM，该模型融合了原始特征。该模型通过多层结构捕捉气象参数与XCH₄数据之间的非线性关系，实现了高精度的XCH₄重建。它主要包括输入层、数据处理层、基础模型训练层、元特征融合层和元模型预测层。实验结果表明，HMFSEM模型可以实现每日、空间连续的XCH₄数据

结果与讨论

为了全面验证所提出的HMFSEM模型在不同时空尺度下的重建性能，本研究基于测试集数据进行了一系列验证实验和分析。首先，通过分析每日重建效果（第4.1节），验证了该模型在北美南部地区连续10天内对观测间隙的空间填充能力和重建效果。随后，进行了局部

结论

本研究提出了一种XCH₄数据重建模型HMFSEM，该模型实现了北美南部地区的每日XCH₄重建，具有连续的地表覆盖范围，从而克服了现有卫星反演XCH₄数据在时空覆盖方面的局限性。在北美南部的应用和验证表明，该模型在空间和时间维度上都表现出较高的重建性能。

CRediT作者贡献声明

钱晓：写作 – 审稿与编辑，撰写 – 原始草稿，可视化，验证，监督，方法论，数据管理，概念化。勇万：写作 – 审稿与编辑，监督，概念化。葛涵：写作 – 审稿与编辑，监督，概念化。刘宇：写作 – 审稿与编辑，监督，概念化。刘宇航：写作 – 审稿与编辑，监督，概念化。李晓文：写作 – 审稿与编辑，监督，形式分析，

写作过程中生成式AI和AI辅助技术的声明

在准备这项工作时，作者使用了ChatGPT来检查语法和拼写错误。使用该工具后，作者根据需要审查和编辑了内容，并对出版物的内容负全责。

利益冲突声明

作者声明他们没有已知的竞争性财务利益或个人关系可能会影响本文报告的工作。

致谢

本研究得到了中国国家重点科技项目“油气区多能源集成与协同技术”[项目编号 2025ZD1406900]的支持