[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"doc-detail-118148-en":3,"doc-seo-118148-105":30,"detail-sidebar-cat-0-en-105":91},{"code":4,"msg":5,"data":6},0,"success",{"doc_id":7,"user_id":8,"nickname":9,"user_avatar":10,"doc_module":4,"category_id":11,"category_name":12,"doc_title":13,"doc_description":14,"doc_content":15,"file_id":16,"file_url":17,"file_type":18,"file_size":19,"view_count":4,"is_deleted":4,"is_public":20,"is_downloadable":20,"audit_status":20,"page_count":21,"language":22,"language_code":23,"site_id":24,"html_lang":23,"table_of_contents":25,"faqs":26,"seo_title":27,"seo_description":14,"update_tm":28,"read_time":29},118148,2336464648322,"Aria","https://ap-avatar.wpscdn.com/avatar/2200025388227c56fec?_k=1778556882303663488",8,"Research & Report","Mapping and Interpolation of Tropospheric Ozone Data with Machine Learning Methods","Spatio-temporal mapping and interpolation methods for tropospheric ozone are developed using machine learning techniques. Tropospheric ozone is treated as a toxic trace gas whose concentrations are hard to quantify without measurements due to ozone’s secondary formation and multiple physical-chemical processes. Machine learning models are trained on large ozone datasets from the Tropospheric Ozone Assessment Report (TOAR), integrating model and geospatial data to produce high-resolution, high-accuracy regional-to-global data products with hourly to multi-year temporal coverage.","Mapping and Interpolation of Tropospheric Ozone Data with Machine Learning Methods  \nDissertation  \nzur Erlangung des Grades Doktorin der Ingenieurwissenschaften (Dr.-Ing.)  \nder Landwirtschaftlichen Fakultät der Rheinischen Friedrich-Wilhelms-Universität Bonn  \nvon  \nClara Betancourt  \naus  \nKöln  \nBonn ŵųŵŶ  \nReferent:  \nPD Dr. Martin Schultz, Forschungszentrum Jülich GmbH  \nŴ. Korreferentin:  \nProf. Dr. Ribana Roscher, Forschungszentrum Jülich GmbH  \nŵ. Korreferent:  \nProf. Dr. Jürgen Kusche, Rheinische Friedrich-Wilhelms-Universität Bonn  \nTag der mündlichen Prüfung: ŵŻ . August ŵųŵŶ  \nAngefertigt mit Genehmigung der Landwirtschaftlichen Fakultät der Universität Bonn  \nKurzfassung  \nMapping und Interpolation von troposphärischen Ozondaten mit Machine Learning Methoden  \nTroposphärisches Ozon ist ein giftiges Spurengas in der Atmosphäre. Es schadet der menschlichen Gesundheit, Nutzpflanzen und Vegetation, und ist ein kurzlebiges Treibhausgas. Ozon ist ein sekundärer Luftschadstoff, der in der Atmosphäre zahlreiche physikalische und chemische Prozesse auf unterschiedlichen Zeitskalen durchläuft. Wie bei vielen anderen Umweltvariablen ist es daher schwierig, dort Ozonkonzentrationen zu quantifizieren, wenn keine Messungen verfügbar sind. Um dieses Problem zu lösen, ist das Ziel dieser Arbeit die Entwicklung von räumlich-zeitlichen Mapping-und Interpolationsmethoden unter Verwendung von Techniken des Machine Learning am Beispiel von Ozondaten. Wir trainieren die Machine Learning Modelle auf Ozonmesswerten, die in der Datenbank des Tropospheric Ozone Assessment Report (TOAR) verfügbar sind. Die wichtigsten Beiträge dieser Arbeit sind:  \n• Mapping und Interpolation von Ozondaten, um hochauflösende, hochpräzise raum-zeitliche Datenprodukte zu liefern. Die Datenprodukte decken räumliche Bereiche von der regionalen bis zur globalen Ebene ab, und ihre zeitliche Auflösung reicht von stündlichen Daten bis zu mehrjährigen Statistiken. Wir verwenden große Datensätze mit Ozonmesswerten, kombiniert mit Modelldaten und Geodaten, um die Datenprodukte zu erstellen.  \n• Anpassung, Entwicklung und Erläuterung neuer Machine Learning Methoden, die wir zur Erstellung dieser Datenprodukte verwenden. Die wichtigsten Algorithmen dieser Arbeit basieren auf Entscheidungsbäumen und Graphen. Zum Beispiel entwickeln wir eine Evaluierungstechnik auf unterschiedlichen Skalen für räumliche Machine Learning Modelle und überprüfen ihre physikalische Konsistenz mit Hilfe von Shapley-Werten.  \n• Nutzung von raum-zeitlichen Mustern inGeodaten undOzonmessungen in Machine Learning Modellen. Wir verwenden aggregierte lokale bis regionale geospatiale Daten in Machine Learning Modellen. Außerdem wenden wir einen Machine Learning Algorithmus an, der Ozonmessungen an unregelmäßig angeordneten Stationen verarbeiten kann.  \nMit dieser Arbeit veröffentlichenwirAQ-Bench, einen Benchmark-Datensatz für Machine Learning auf globalen Langzeit Ozonmetriken. Wir verknüpfen erklärbares Machine Learning auf AQ-Bench mit Unsicherheitsbewertungen, um die Grenzen des Datensatzes und die Anwendbarkeit der resultierenden Machine Learning Modelle aufzuzeigen. Mit den trainierten Modellen erstellen wir auch die erste vollständig datengetriebene, globale, hochauflösende Karte von Langzeit-Ozonmetriken (Auflösung: ų,Ŵ°, Jahre: ŵųŴų bis ŵųŴŷ) . Wir entwickeln aucheine graphbasierte Methode zur Interpolation fehlender DatenfürOzonmessungen. Die Methode hat einen Index of Agreement von ų,żŹ - ų,żż für die stündliche Interpolation fehlender Messdaten in Deutschland.  \nDie Synthese dieser Arbeit ist, dass ein Zusammenspiel von physikalisch fundierter Datenauswahl, Unsicherheitsquantifizierung und Erklärbarkeit beim Machine Learning zuverlässige Umweltdatenprodukte erzeugen kann. Wir haben auch festgestellt, dass die Genauigkeit der Datenprodukte in einer bestimmten Region hauptsächlich von einer guten Abdeckung mit Ozonmessungen in dieser Region abhängt. Daher trägt diese Arbeit nicht nur zur l","cbCaiffOGv8KpgDq","https://ap.wps.com/l/cbCaiffOGv8KpgDq","pdf",29046249,1,167,"English","en",105,"# Kurzfassung\n## Mapping und Interpolation von Ozondaten\n## Neue Machine-Learning-Methoden\n## Nutzung raum-zeitlicher Muster und Benchmark\n# Abstract\n## Motivation und Zielsetzung\n## Datenquellen und Trainingsansatz\n## Kerneiträge und Methoden\n## Wirkung und Synthese","[{\"question\":\"为什么需要对对流层臭氧进行时空制图与插值？\",\"answer\":\"对流层臭氧是有毒的痕量气体且会危害健康与植被，但在缺少观测时难以量化其浓度。臭氧在大气中经历多种物理与化学过程，增加了不确定性，因此需要机器学习驱动的时空映射与插值。\"},{\"question\":\"数据产品是如何生成并覆盖哪些空间与时间尺度的？\",\"answer\":\"将TOAR数据库中的大量臭氧观测与模型数据及地理空间数据结合，训练机器学习模型以生成数据产品。覆盖范围从区域到全球，时间分辨率从小时尺度到多年统计。\"},{\"question\":\"AQ-Bench基准数据集与可解释性在工作中的作用是什么？\",\"answer\":\"作者发布AQ-Bench，用于在全球长时间臭氧指标上进行机器学习基准评估。将可解释机器学习与不确定性评估结合，用于展示数据集边界并说明所得模型的适用性。\"}]","Mapping and Interpolation of Tropospheric Ozone Data with Machine Learning Methods | PDF",1785681889,421,{"code":4,"msg":31,"data":32},"ok",{"site_id":24,"language":23,"slug":33,"title":13,"keywords":34,"description":14,"schema_data":35,"social_meta":86,"head_meta":88,"extra_data":90,"updated_unix":28},"mapping-and-interpolation-of-tropospheric-ozone-data-with-machine-learning-methods","",{"@graph":36,"@context":85},[37,54,68],{"@type":38,"itemListElement":39},"BreadcrumbList",[40,44,48,51],{"item":41,"name":42,"@type":43,"position":20},"https://docshare.wps.com","Home","ListItem",{"item":45,"name":46,"@type":43,"position":47},"https://docshare.wps.com/document/","Document",2,{"item":49,"name":12,"@type":43,"position":50},"https://docshare.wps.com/document/research-report/",3,{"item":52,"name":13,"@type":43,"position":53},"https://docshare.wps.com/document/mapping-and-interpolation-of-tropospheric-ozone-data-with-machine-learning-methods/118148/",4,{"url":52,"name":13,"@type":55,"author":56,"headline":13,"publisher":58,"fileFormat":61,"inLanguage":23,"description":14,"dateModified":62,"datePublished":62,"encodingFormat":61,"isAccessibleForFree":63,"interactionStatistic":64},"DigitalDocument",{"name":9,"@type":57},"Person",{"url":41,"name":59,"@type":60},"DocShare","Organization","application/pdf","2026-08-02",true,{"@type":65,"interactionType":66,"userInteractionCount":4},"InteractionCounter",{"@type":67},"ViewAction",{"@type":69,"mainEntity":70},"FAQPage",[71,77,81],{"name":72,"@type":73,"acceptedAnswer":74},"为什么需要对对流层臭氧进行时空制图与插值？","Question",{"text":75,"@type":76},"对流层臭氧是有毒的痕量气体且会危害健康与植被，但在缺少观测时难以量化其浓度。臭氧在大气中经历多种物理与化学过程，增加了不确定性，因此需要机器学习驱动的时空映射与插值。","Answer",{"name":78,"@type":73,"acceptedAnswer":79},"数据产品是如何生成并覆盖哪些空间与时间尺度的？",{"text":80,"@type":76},"将TOAR数据库中的大量臭氧观测与模型数据及地理空间数据结合，训练机器学习模型以生成数据产品。覆盖范围从区域到全球，时间分辨率从小时尺度到多年统计。",{"name":82,"@type":73,"acceptedAnswer":83},"AQ-Bench基准数据集与可解释性在工作中的作用是什么？",{"text":84,"@type":76},"作者发布AQ-Bench，用于在全球长时间臭氧指标上进行机器学习基准评估。将可解释机器学习与不确定性评估结合，用于展示数据集边界并说明所得模型的适用性。","https://schema.org",{"og:url":52,"og:type":87,"og:title":13,"og:site_name":59,"og:description":14},"article",{"robots":89,"canonical":52},"index,follow",{"doc_id":7,"site_id":24},{"code":4,"msg":5,"data":92},[93,97,101,105,110,115,120,123,128,131,135],{"id":20,"doc_module":4,"doc_module_name":46,"category_name":94,"show_sort_weight":95,"slug":96},"Story & Novel",90,"story-novel",{"id":47,"doc_module":4,"doc_module_name":46,"category_name":98,"show_sort_weight":99,"slug":100},"Literature",80,"literature",{"id":53,"doc_module":4,"doc_module_name":46,"category_name":102,"show_sort_weight":103,"slug":104},"Exam",70,"exam",{"id":106,"doc_module":4,"doc_module_name":46,"category_name":107,"show_sort_weight":108,"slug":109},5,"Comic",60,"comic",{"id":111,"doc_module":4,"doc_module_name":46,"category_name":112,"show_sort_weight":113,"slug":114},6,"Technology",50,"technology",{"id":116,"doc_module":4,"doc_module_name":46,"category_name":117,"show_sort_weight":118,"slug":119},7,"Healthcare",40,"healthcare",{"id":11,"doc_module":4,"doc_module_name":46,"category_name":12,"show_sort_weight":121,"slug":122},30,"research-report",{"id":124,"doc_module":4,"doc_module_name":46,"category_name":125,"show_sort_weight":126,"slug":127},9,"Religion & Spirituality",20,"religion-spirituality",{"id":126,"doc_module":4,"doc_module_name":46,"category_name":129,"show_sort_weight":126,"slug":130},"World Cup","world-cup",{"id":132,"doc_module":4,"doc_module_name":46,"category_name":133,"show_sort_weight":132,"slug":134},10,"Lifestyle","lifestyle",{"id":136,"doc_module":4,"doc_module_name":46,"category_name":137,"show_sort_weight":106,"slug":138},19,"General","general"]