课题组基于MAX-DOAS和机器学习技术成功反演了0-60 km高度范围内臭氧垂直廓线。反演结果与在线仪器、激光雷达和卫星观测数据进行对比，表现出了较高的一致性。在Environmental Science & Technology期刊发表了题为Stacking Machine Learning Models Empowered High Time-height Resolved Ozone Profiling from Ground to the Stratopause Based on MAX-DOAS Observation的论文，2021级博士生张三保为第一作者。

       传统的O₃垂直探测方法往往受到空间和时间分辨率低、成本高、操作繁琐等局限性，而这项新方法则通过结合MAX-DOAS观测技术和机器学习模型，克服了这些限制。通过使用辐射传输模拟、MAX-DOAS观测和再分析数据集获得的参数进行训练，机器学习模型能够成功反演出臭氧垂直廓线。为了提高O₃反演的准确性，研究团队采用了堆叠机器学习模型的方法对机器学习结果进行了优化。

       通过与现场仪器、激光雷达和卫星观测数据进行比较，研究团队验证了利用MAX-DOAS技术和机器学习模型反演的O₃垂直廓线具有较高的可信性。误差分析表明该方法的总误差在25%以内。

       这项研究是首次使用地基被动光学遥感技术实现从地面到对流层顶（0-60公里）高时间-高度分辨率的臭氧垂直分布。它为加强我们对大气环境中臭氧动态特征的理解开辟了新途径。

原文链接：Sanbao Zhang, Shanshan Wang, Jian Zhu, Ruibin Xue, Zhiwen Jiang, Chuanqi Gu, Yuhao Yan, and Bin Zhou. (2024). Stacking Machine Learning Models Empowered High Time-Height-Resolved Ozone Profiling from the Ground to the Stratopause Based on MAX-DOAS Observation. Environmental Science & Technology. DOI:  https://doi.org/10.1021/acs.est.3c09099