PDRE - 污染物直接辐射效应量化评估系统产品系统

1、自己负责的科研项目需要，目的是为了高效量化气溶胶辐射效应。本项目面向环境保护、大气科学、气候变化研究等领域，开发了一款基于机器学习与可解释性技术的桌面端分析系统，用于量化大气污染物（PM2.5、PM10、SO₂、NO₂、CO、O₃）对地表辐射收支的直接扰动。系统集成 XGBoost 模型训练、Optuna 超参自动优化、SHAP 归因分析、清洁背景物理约束筛选与 PDRE 差分量化五大功能，支持多站点批量处理与 GPU 加速，结果自动导出为 CSV 报告与高分辨率热力图，相比传统人工处理方式效率提升 10 倍以上。
2、排放在大气中的各种污染物可以通过散射和吸收太阳辐射来直接改变地气系统的能量收支平衡，即直接辐射效应。这中污染物直接辐射效应（pollutant direct radiative effect，以下简称PDRE）在地表表现为总辐射的减少（冷却效应）和散射辐射比例的增加（施肥效应），进而影响生态系统碳汇和太阳能发电效率。此外，污染物直接辐射效应还可以用来量化污染物对地气系统短波辐射收支的影响，这对气候变化与污染协同评估至关重要。因此，我们希望精确估算PDRE，以便于在理解全球与区域能量平衡的基础上评估大气污染治理政策气候协同效益。

系统主要功能与特点如下：1）机器学习模型训练模块：该模块支持多站点气象与辐射观测数据输入，可自动解析时间特征、太阳天顶角、云量、边界层高度等多维变量。通过算法框架自动完成数据清洗、特征工程与模型训练的操作，获得高精度辐射估算模型。2）SHAP可解释性分析模块：引入SHAP方法计算各特征变量贡献度并拟合其与相应特征值的线性斜率。自动生成高分辨率热力图（支持TIF与PDF），以量化展示气象要素对辐射变化的影响方向与强度，打破机器学习模型物理规律不可见的局限性。3）清洁背景提取模块：利用观测数据，通过算法自动分离出受气溶胶影响极小的清洁背景污染数据。同样支持支持多站点批量处理与异常数据过滤，为后续PDRE的计算提供可靠基准值。4）PDRE计算模块：对比模型基于实际观测污染物估算的辐射值与基于清洁背景污染数据估算得到理论清洁背景下的辐射值，差分可精确量化污染直接辐射效应的瞬时值。同样支持多目标变量并行计算，结果自动导出为CSV表格，可直观评估污染物对小时累计辐射收支的扰动。5）可视化交互与自动化管理：基于PyQt5构建图形用户界面，提供目录选择、多选站点等交互组件及实时日志面板。支持多站点批量处理与后台多线程运行，避免界面卡顿，提升大规模数据处理效率。综上，本系统集成数据处理、模型预测与归因分析全流程，为污染物辐射效应研究提供了强大的工具支撑。

1、所有的核心思路都有我自己独立完成。
2、技术栈：Python + PyQt5 桌面端，XGBoost 做辐射估算模型，Optuna 自动调参，SHAP 做可解释性归因，NumPy/Pandas 处理数据，Matplotlib/Seaborn 出图，支持 CPU/GPU 双模式。
架构：PyQt5 多标签页界面 + 四大模块（模型训练 / SHAP 分析 / 清洁背景提取 / PDRE 计算），QThread 多线程后台跑批量任务，不卡界面。
亮点：机器学习 + SHAP 可解释性结合，用物理规律验证模型学对了；清洁背景用四重物理约束自动筛选；支持多站点批量 + 总辐射/直接辐射/散射辐射三目标并行；结果一键导出 CSV 和高分辨率热力图。
难点：一是让黑盒模型"讲物理道理"——用 SHAP 斜率验证 PM2.5 上升确实导致辐射下降；二是"清洁背景态"怎么定义——靠晴空阈值、透过率、海拔修正、样本量四重约束从污染数据里剥离出来；三是多站点大数据量下保持界面流畅——靠多线程架构解决。