基于小波变换的CMONOC的ZTD与PM2.5浓度的相关性研究

基于水汽与GNSS ZTD之间的高相关性,该文利用2015年12月至2016年5月中国大陆环境监测网络(CMONOC)的GNSS数据,借助小波变换方法开展GNSS ZTD与GNSS站点所在城市的PM2.5浓度观测的相关性研究。采用小波变换方法对ZTD与PM2.5进行相同的分解与重构,并对分解重构后的ZTD与PM2.5进行相关性分析。实验表明:基于小波变换方法分解重构的GNSS ZTD与PM2.5浓度的相关性明显高于GNSS ZTD与PM2.5浓度实测值的相关性,在中国华北、华中、西北及东北地区GNSS ZTD与PM2.5浓度的相关性呈显著正相关特性,中国西南以及沿海地区,由于降水及其他因素的干扰,GNSS ZTD与PM2.5浓度的相关性不显著。     

基于小波变换的CMONOC的ZTD与PM2.5浓度的相关性研究

基于水汽与GNSS ZTD之间的高相关性,该文利用2015年12月至2016年5月中国大陆环境监测网络(CMONOC)的GNSS数据,借助小波变换方法开展GNSS ZTD与GNSS站点所在城市的PM2.5浓度观测的相关性研究。采用小波变换方法对ZTD与PM2.5进行相同的分解与重构,并对分解重构后的ZTD与PM2.5进行相关性分析。实验表明:基于小波变换方法分解重构的GNSS ZTD与PM2.5浓度的相关性明显高于GNSS ZTD与PM2.5浓度实测值的相关性,在中国华北、华中、西北及东北地区GNSS ZTD与PM2.5浓度的相关性呈显著正相关特性,中国西南以及沿海地区,由于降水及其他因素的干扰,GNSS ZTD与PM2.5浓度的相关性不显著。     

一种对流层延迟的ZTD与PM2.5浓度相关性研究

基于水汽与GNSS ZTD之间的高相关性,该文利用2015年12月至2016年5月中国大陆环境监测网络(CMONOC)的GNSS数据,借助小波变换方法开展GNSS ZTD与GNSS站点所在城市的PM2.5浓度观测的相关性研究。采用小波变换方法对ZTD与PM2.5进行相同的分解与重构,并对分解重构后的ZTD与PM2.5进行相关性分析。实验表明:基于小波变换方法分解重构的GNSS ZTD与PM2.5浓度的相关性明显高于GNSS ZTD与PM2.5浓度实测值的相关性,在中国华北、华中、西北及东北地区GNSS ZTD与PM2.5浓度的相关性呈显著正相关特性,中国西南以及沿海地区,由于降水及其他因素的干扰,GNSS ZTD与PM2.5浓度的相关性不显著。     

基于小波变换的CMONOC的ZTD与PM2.5浓度的相关性研究

基于水汽与GNSS ZTD之间的高相关性,该文利用2015年12月至2016年5月中国大陆环境监测网络(CMONOC)的GNSS数据,借助小波变换方法开展GNSS ZTD与GNSS站点所在城市的PM2.5浓度观测的相关性研究。采用小波变换方法对ZTD与PM2.5进行相同的分解与重构,并对分解重构后的ZTD与PM2.5进行相关性分析。实验表明:基于小波变换方法分解重构的GNSS ZTD与PM2.5浓度的相关性明显高于GNSS ZTD与PM2.5浓度实测值的相关性,在中国华北、华中、西北及东北地区GNSS ZTD与PM2.5浓度的相关性呈显著正相关特性,中国西南以及沿海地区,由于降水及其他因素的干扰,GNSS ZTD与PM2.5浓度的相关性不显著。     

基于小波变换的GNSS ZTD与土壤水含量相关性初探

利用2018年11月—2019年1月,大陆环境检测网络的NMEL站全球卫星导航系统天顶对流层延迟（GNSS ZTD）数据和中科院遥感与数字地球研究所闪电河流域土壤水分监测试验区的土壤水含量数据,借助小波变换的方法进行了月时间尺度的GNSS ZTD与土壤水含量的相关性分析研究．实验表明:在月时间尺度上,GNSS ZTD与土壤水含量存在相关性,GNSS ZTD经小波分解后的低频趋势项与土壤水含量相关性明显高于GNSS ZTD与土壤水含量的相关性,[JP2]分析认为，降水发生时GNSS ZTD升高因素会造成与土壤水含量相关性异常      

基于小波变换的地震前后GNSS ZTD异常变化分析

地震前后的水汽变化特征分析可为震前地震预测和灾后次生灾害预警提供参考．该文借助小波变换方法开展地震前后全球卫星导航系统(GNSS)天顶对流层延迟(ZTD)(水汽)的异常变化研究．通过对ZTD结合地震与降水数据来分析地震前后水汽变化特征,利用小波变换的方法分解重构ZTD数据,分析GNSS ZTD在地震前后的异常变化．研究发现:地震前后存在水汽突变情况,小波变换后的ZTD能更清楚显示震后水汽变化特征与地震关系及水汽周期变化．      

一种新的雾霾天气下PM2.5浓度短时预测模型

大气污染一直是影响人们生活质量的主要因素之一,针对山东省临沂市2018—2019年空气质量情况,采用小波变换DB5(Daubechies 5)的尺度系数A4对临沂市的细颗粒物(Fine Particulate Matter,PM2.5)浓度、天顶总延迟量(Zenith Total Delay,ZTD)、大气可降水量(Precipitable Water Vapar,PWV)和NO2浓度进行分解与重构,然后利用多元线性回归方法建立适合临沂地区的雾霾天气下短时预报模型,重构后的PM2.5浓度与NO2浓度相关系数、PM2.5与PWV相关系数较原始序列分别提高了20.46％,25.48％,重构后的模型决定系数R2、F检验、F检验对应的P值,剩余平方和S2较原始模型分别提高了29.86％,18.89％,0,72.72％.因此建立临沂地区雾霾天气下短时PM2.5预报模型可以有效地进行PM2.5监测,对雾霾治理提供一定的技术支持.     

基于小波相干的雾霾与GNSS对流层延迟相关性分析

为了进一步揭示雾霾与对流层延迟相关性的细部特征,基于小波相干算法构建雾霾与天顶对流层延迟（zenith tropospheric delay,ZTD）相关性分析的新方法,有效地分析了雾霾与ZTD相关性的时频空间分布特征及成因。首先,通过分析IGS（internet GNSS service）北京站2014-2017年每个月的ZTD与量化评定雾霾的空气质量指数（air quality index,AQI）的相关系数,发现两者在月尺度上相关系数绝对值大于0.4的比率占29.17%,宏观上显示了两者具有相关性。其次,采用小波相干的方法分析了北京2014-2017年期间年度ZTD与AQI的相关性,发现ZTD与AQI在一定的时频域上具有很强的相关性,并且通过了95%置信度检验。最后,由北京、长春部分时域的ZTD与AQI相关性分析可知,北京3月份ZTD与AQI总体上呈现正相关,并且AQI与温度、气压、湿度和风速具有较好的相关性;在研究时域内秸秆燃烧加剧了北京、长春的雾霾,进而影响对流层延迟。     

2015—2016年东北三省PM2.5的时空分布特征

基于2015—2016年东北三省36个主要城市PM2.5浓度数据以及同期大气氧化物数据,运用克里金插值法及相关性分析法,对PM2.5的时空分布特征及与其他大气氧化物的相关性进行分析.结果表明:2016年较2015年PM2.5浓度显著降低,下降了17.83％;PM2.5浓度由高到低的季节依次是冬季、秋季、春季和夏季,浓度分别为64.31、49.44、39.57、28.09μg·m-3;PM2.5月均浓度呈U形分布,最大值出现在11月,最小值出现在8月.分地区来看,PM2.5空间分布整体呈南高北低状态,黑龙江省的年均PM2.5浓度明显低于另外两省.PM2.5与CO、SO2、NO2浓度均为极显著正相关,表明CO、SO2、NO2对PM2.5浓度有显著影响.     

融合GNSS PWV、风速与大气污染观测的河北省春季PM2.5浓度模型研究

PM2.5浓度时空演化特征分析有助于大气污染的现状和发展认知，但PM2.5浓度监测积累时间较短，且受到排放强度和气象因素的影响，因此可融合全球导航卫星系统（Global Navigation Satellite System，GNSS）天顶可降水量（precipitable water vapor，PWV）、风速和大气污染物构建PM2.5浓度模型。以河北省为例，首先分别开展PM2.5浓度与大气污染物、GNSS PWV及风速的相关性分析；然后将大气污染物、GNSSPWV和风速作为输入，PM2.5浓度作为输出，利用逆传播（back propagation，BP）神经网络分别构建城市PM2.5浓度模型和区域PM2.5浓度模型；最后进行PM2.5浓度模型可靠性检验。将模型预测值与PM2.5浓度实测值比较发现，预测PM2.5浓度等级准确率高，相对误差较低。该模型可用于区域PM2.5浓度时空演化特征分析。     

融合GNSS气象参数的PM2.5随机森林预测模型

针对PM2.5浓度的预报问题,该文结合国家GNSS服务(IGS)分析中心获取的北京房山站的气象数据及同期的PM2.5实测数据,分析了气象因子和环境污染物因子对PM2.5浓度的影响,并提出 了基于随机森林算法的PM2.5浓度预测方法,建立了融合GNSS气象参数的PM2.5随机森林预测模型.实验结果表明:该算法的时效性达6 h,在一定精度范围内能够取得较好的预测效果,同时能够有效地抑制过拟合的现象.     

太阳黑子数时间序列的奇异谱分析和小波分析

本文对小波变换和奇异谱分析方法进行了简要介绍,对离散小波的分解和重构、奇异谱分析的重构进行了详细阐述。结合太阳黑子数1749年至2007年3月期间的月平均值时间序列进行了小波变换的分解和重构及SSA方法的重构,提取了其主要的周期特性,并对两种分析方法进行了比较。     

北京房山雾霾与GNSS水汽相关性分析

伴随着我国社会经济的高速发展,近年各地来雾霾事件频发,严重的影响了人民的日常生活。本文分析了北京房山2014到2017年空气质量影响因子(PM2.5、PM10和AQI)与大气可降水量的相关性,在此基础上本文对GNSS技术探测雾霾发生的可行性进行了研究。本文基于对北京房山站的分析结果,表明PM2.5、PM10含量、AQI与大气中可降水量PWV具有较强的正相关性,且大气中PM2.5、PM10含量、AQI与可降水量PWV都表现出明显的季节性特征,以上结论表明GNSS技术可用于雾霾的预测。     

融合GNSS ZTD和气象要素的内蒙古土壤水含量模型

土壤水含量是农牧业衡量干旱的重要指标,对气候生态具有重要影响,土壤水的变化趋势对于区域的水土流失和气候变化研究等工作具有重要意义,而我国对于土壤水含量的监测起步较晚,因此有必要利用其他已有数据开展土壤水含量模型研究. 利用内蒙古已有全球导航卫星系统(GNSS)天顶对流层延迟(ZTD)数据和湿度、日照以及蒸发量数据进行土壤水含量反演模型研究. 首先将各要素与土壤水含量进行相关性分析,因土壤水含量与GNSS ZTD数据均存在观测噪声,所以应对数据进行去噪处理. 利用小波变换方法剔除噪声,去噪后土壤水含量数据与各要素相关性均有所提高,土壤水含量与湿度相关性最好,两者各实验点的平均相关性为0.645;土壤水含量与日照和蒸发量呈负相关,其平均相关性分别为?0.561、?0.547;而土壤水含量与GNSS ZTD数据相关性最小,其平均相关性为0.271. 根据各要素与土壤水含量的相关性,进行土壤水含量模型构建并进行可靠性验证. 经验证误差统计发现:实验区域NMWJ站模型精度最高,其精度为90.1%;HLAR站点模型精度最低,其精度为69.1%;各站点的平均精度为81.35%. 基于多变量要素的土壤水含量模型可为土壤水含量的趋势变化研究提供参考,通过研究土壤水含量的变化趋势,对区域进行水资源的合理分配利用从而达到节约水资源目的.      

基于相空间重构和高斯过程回归的对流层延迟预测

天顶对流层延迟(zenith tropospheric delay,ZTD)是影响GPS定位精度的关键因素,为了提高ZTD的预测精度,提出一种基于相空间重构的高斯过程回归预测模型。针对ZTD时间序列的混沌特性,利用国际GNSS服务(International GNSS Service,IGS)站提供的ZTD数据,采用Cao方法确定嵌入维数,对ZTD数据进行相空间重构,探究高斯过程(Gaussian process,GP)模型对12个位于南、北半球不同纬度等级IGS站的ZTD预测精度和准确性。为了验证GP模型的有效性,将预测结果分别与原始数据和反向传播(back propagation,BP)神经网络模型预测结果作对比分析,进一步探究不同时间对ZTD预测精度的影响,并分析了经度和海拔对ZTD预测精度的影响。结果表明,GP模型预测结果的均方根误差(root mean square error,RMSE)达到mm级,GP模型与理论值的相关性达到0.997,预测精度指标明显优于BP神经网络模型;GP模型在南半球的预测精度高于北半球,且在高纬地区的RMSE小于3.6 mm,更适用于高纬地区的对流层延迟预测;在研究时域内,GP模型在大部分站点对晚上的预测精度高于白天,经度对ZTD预测精度的影响不明显,海拔与ZTD预测精度呈正比。     

GNSS自动化监测系统的大坝变形预测方法研究

以GNSS自动化监测系统的大坝变形预测方法为主要研究目的,针对大坝GNSS自动化监测数据大样本、高采样率、连续等特点,提出了一种结合小波分析与BP、NAR神经网络预测大坝变形的新方法。利用多尺度小波分析对GNSS大坝变形数据序列进行分解与重构,对重构后的低频近似序列采用BP神经网络进行建模预测,对重构后的高频细节序列采取NAR动态神经网络进行建模预测,最后叠加各尺度下预测结果获得大坝变形预测值。应用结果表明,该方法预测精度高、泛化性能好,可广泛应用于采用GNSS自动化监测系统的大坝变形预测。     

基于小波变换的土壤重金属铬含量定量反演

耕地污染日益严重,耕地土壤的重金属高光谱信息属于非线性的微弱信号。小波变换作为常用的非线性微弱信号处理手段,在保留更多微弱信号的基础上可以更好的提取出土壤重金属的微弱光谱信息。文中研究在Db4小波对土壤原始光谱进行分解与重构的基础上提取特征波段,利用特征波段与重金属含量的相关性建立偏最小二乘模型反演土壤重金属铬含量。研究表明,利用Db4小波函数对原始光谱进行分解和重构可以有效提取土壤重金属铬的特征光谱信息;利用小波分解与重构所提取的特征光谱信息与重金属铬含量之间的相关性所建立的PLS模型的决定系数明显高于基于传统一阶微分处理土壤光谱所建立的PLS模型的决定系数。     

SHAtrop:基于陆态网GNSS数据的中国大陆区域ZTD模型

对陆态网223个全球导航卫星系统（Global Navigation Satellite System，GNSS）测站6 a实测对流层天顶延迟（zenith total delay，ZTD）的时空特性进行了分析，结果表明，各测站ZTD平均值随大地高指数递减，衰减因子与纬度近似线性关系，其时域变化呈现年周期和半年周期，周期、振幅、初相位与地域分布有关。综合采用周期函数及格网函数，建立了中国大陆区域ZTD经验模型SHAtrop。模型提供区域内分辨率为2.5°×2.0°的格网，用户使用时，先在相应格网内插得到对应参数，再利用三角函数得到椭球面ZTD，最后利用指数函数计算ZTD。实测ZTD的数据验证结果表明，SHAtrop的均方根误差（root mean square，RMS）为3.4 cm，优于常见经验模型。SHAtrop采用较多测站，对高程改正更精细；使用时只需要输入经纬度与时间，使用方便，能满足中国区域GNSS用户实时定位导航的ZTD改正需求。     

2016年四川省PM2.5浓度时空分布研究

PM2.5导致大气能见度下降,造成雾霾天气.本文基于2016年四川省89个空气质量监测站的PM2.5数据,对2016年四川省PM2.5浓度时空分布特征进行研究分析.结果表明,2016年四川省PM2.5浓度空间分布呈现出西北部PM2.5浓度较低、空气质量较好,东南部PM2.5浓度较高、空气质量较差的趋势;时间分布呈现夏季PM2.5浓度较低、空气质量较好,冬季PM2.5浓度较高、空气质量较差的趋势,从而得出四川省PM2.5浓度时间和空间分布规律及分布图.     

基于随机森林的PM2.5实时预报系统

针对我国当前重污染天气PM2.5浓度的实时预报问题,该文提出了一种基于随机森林算法的PM2.5浓度实时预报方法,并利用此方法对北京市地面空气质量监测数据和气象数据进行分析,建立了基于随机森林算法的PM2.5浓度实时预报模型。实验证明,该模型能够对72h内PM2.5浓度进行较高精度的实时预报,通过使用Spark分布式计算框架,能够有效降低算法耗时,文章基于此模型与Spark分布式计算框架建立了PM2.5实时预报系统。