本文档属于类型a，即单篇原创研究的报告。以下是对该研究的详细介绍：

主要作者及研究机构

本研究由熊英杰、杜宁、王莉、张显云、王耀、张洪飞共同完成，研究机构为贵州大学矿业学院。该研究发表于《中国科技论文》2024年8月第19卷第8期。

学术背景

气溶胶光学厚度（Aerosol Optical Depth, AOD）是描述气溶胶对光削减作用的重要参数，广泛应用于气候研究和大气环境观测中。然而，由于云层等气象条件和卫星传感器性能的影响，卫星获取的AOD数据常存在缺失，这限制了其在大气污染监测和气候变化研究中的应用。因此，如何有效补全AOD数据成为一个重要的研究课题。本研究提出了一种基于Prophet-LSTM+P-BSHADE融合模型的AOD补值方法，旨在提高AOD数据的覆盖度和精度。

研究流程

1. 数据预处理
   本研究使用2016年3月至2021年2月中国陆地区域1 km×1 km分辨率的MAIAC（Multiangle Implementation of Atmospheric Correction）AOD数据。由于多云、雨雪等天气因素，MAIAC AOD数据存在大量缺失。首先对数据进行预处理，包括质量控制和数据融合。预处理后的数据显示，2020年MAIAC AOD数据的缺失率高达86%以上。

2. 时间维度补值模型
   在时间维度上，本研究采用了Prophet-LSTM组合时序模型进行补值。Prophet模型是一种基于加法模型的时间序列预测方法，能够快速处理缺失数据。LSTM（Long Short-Term Memory）模型则是一种特殊的循环神经网络，能够捕捉长时间序列中的非线性关系。具体流程如下：

   • 使用Prophet模型对缺失的时间序列进行预测，补齐数据。
   • 将补齐后的数据输入LSTM模型进行训练，LSTM模型堆叠了4层，并引入了CSPConv和空间通道注意力机制，以提高模型的表达能力。
   • 使用带有掩码的损失函数，确保模型只利用真实数据进行训练。

3. 空间维度补值模型
   在空间维度上，本研究采用了P-BSHADE（Partial Best Spatial Heterogeneity Adaptive Estimation）模型进行插值。该模型通过计算缺失点周围采样数据的空间贡献权重，利用拉格朗日方程组求解缺失值。具体流程如下：

   • 计算缺失点周围采样数据的相关系数，选择相关性最大的10组数据参与插值。
   • 构建拉格朗日方程组，求解权重并得出缺失值。

4. 时空补值模型构建
   将时间维度和空间维度的补值结果进行线性融合，得到最终的AOD补值结果。融合公式为：
   [ y_0 = a \cdot y_0^{spatial} + b \cdot y_0^{temporal} ]
   其中，a和b分别为空间维度和时间维度的权重，本研究均取值为0.5。

5. 验证与评价
   本研究使用AERONET（Aerosol Robotic Network）地面监测站点的AOD数据对补值结果进行验证。评价指标包括平均绝对误差（MAE）、均方根误差（RMSE）和皮尔逊相关系数（r）。结果表明，Prophet-LSTM+P-BSHADE融合模型的补值精度显著优于传统的克里金插值和时空克里金插值方法。

主要结果

1. 补值精度
   2016年至2020年，Prophet-LSTM+P-BSHADE融合模型的验证精度指标分别为：r=0.905，MAE=0.237，RMSE=0.375。该模型的补值精度明显优于其他对比模型。

2. 时间分布特征
   2016年至2020年，中国陆地区域AOD值的时间分布呈现明显的季节性变化，整体表现为冬季>春季>夏季>秋季。2016年AOD值最高，2020年最低。

3. 空间分布特征
   从空间分布来看，AOD值总体呈现东高西低的特点，塔里木盆地局部较高。东部地区由于人口密集和工业化程度高，AOD值较高；塔里木盆地则因沙尘暴等自然因素导致AOD值较高。

结论

本研究提出的Prophet-LSTM+P-BSHADE融合模型能够有效补全AOD数据，显著提高了数据的覆盖度和精度。该模型不仅考虑了AOD数据的时间相关性，还结合了空间相关性，为AOD数据的补值提供了一种新的方法。研究结果对于大气污染监测、气候变化研究以及PM2.5反演等应用具有重要意义。

研究亮点

1. 创新性方法
   本研究首次将Prophet模型与LSTM模型结合，并引入P-BSHADE模型，提出了一种兼顾时间维度和空间维度的AOD补值方法。

2. 高精度补值
   与传统的克里金插值和时空克里金插值方法相比，Prophet-LSTM+P-BSHADE融合模型的补值精度显著提高，验证指标r达到0.905。

3. 应用价值
   该研究为AOD数据的补值提供了一种高效、可靠的方法，有助于提高大气污染监测和气候研究的准确性。

其他有价值的内容

本研究还详细分析了2016年至2020年中国陆地区域AOD值的时间和空间分布特征，揭示了AOD值的变化规律及其与自然和人为因素的关系。这些分析结果为后续研究提供了重要的数据支持。