在全球变暖的大环境与趋势下,甲烷作为温室气体的重要组成部分,对气候变化影响深远。我国作为甲烷排放最多的国家,对我国大气甲烷浓度的时空分布变化特征进行分析与研究是十分必要的。本文利用数十年的卫星数据资料和地面观测数据对中国区域内对流层大气甲烷浓度的空间分布、变化趋势与规律进行了分析研究。本文的主要研究内容有:(1)数据获取与预处理。使用Python编写脚本批处理HDF原始数据文件,提取所需数据集,并对数据集分层处理,对分层得到的原始数据进行数据清洗,剔除缺失值和无效值,使用数据缩放,对数据特征归一化或标准化操作。(2)卫星反演数据与地面观测数据比较验证。对AIRS卫星反演大气甲烷浓度数据和瓦里关大气本底站甲烷浓度观测数据进行比较验证,研究发现AIRS卫星反演数据与地面数据趋势一致,相关性高,呈显著正相关,二者误差较小,基本小于3%,AIRS卫星反演数据可靠性高,可以用来分析研究中国区域内大气甲烷浓度时空变化特征与规律。(3)对流层中下层甲烷浓度特征分析。通过线性回归拟合、Pearson相关分析、反距离权重插值法和小波分析等方法对中国区域内的大气甲烷浓度特征进行了分析,发现中国大气甲烷浓度呈逐年线性上升趋势,增长率大于全球平均水平。由小波分析可知,中国对流层中下层的大气甲烷浓度存在6月和12月的周期,12月为第一主周期。通过对大气甲烷浓度与海拔高度及大气温度的关系进行分析,发现大气甲烷浓度随海拔高度升高而降低,在对流层顶之上,甲烷浓度骤然下降;我国各区域甲烷浓度与大气温度之间相关性差别较大,全国平均呈现较弱负相关。(4)基于机器学习模型的甲烷特征分析与预测。使用凝聚层次聚类算法对全国各省份平均甲烷浓度进行聚类分析,根据数据间相似性原理,可将中国各省份分为4个聚类,其结果与中国区域对流层中层大气甲烷浓度分布结果相似。利用LSTM长短期记忆神经网络可长期记忆的特点,建立LSTM预测模型,对大气甲烷浓度时序数据进行预测分析,利用前12个月历史数据,预测下月数据。构建的网络模型预测效果较好,甲烷浓度预测值与实际值的平均绝对误差MAE和均方根误差RMSE分别为2.734和3.420,准确率较高。图[36]表[13]参[67]