基于小波分析的GPS PWV与PM2.5比较研究

通过比较2013-11~12的BJNM站点GPS PWV序列与天坛站点PM2.5浓度序列发现,两者的相关系数大于0.535,sig值小于0.01,存在显著的正相关特性;基于小波分析方法剔除高频噪声、细微扰动和小尺度系统影响的第4层低频系数重构的PWV序列与PM2.5序列的相关性达到0.749;高频系数重构的PM2.5序列与PWV序列的相关性达到0.839,更能反映两者的正相关特性。     

不同季节的北京市GPS可降水量与PM_(2.5)/PM_(10)的比较研究

通过北京市2013年的PM2.5/PM10资料与GPS可降水量资料比较发现,在秋冬春季节,PM2.5/PM10与GPS可降水量呈明显的正相关性,相关系数大于0.5,在个别时段达到了0.89,而这一相关性在降水较多的夏季并不明显;水汽含量的上升是秋冬春季节雾霾天气过程发生的重要因素。     

基于小波变换的河北省GPS PWV与PM2.5的相关性分析研究

以2014-01~03的河北省GPS和PM2.5观测数据为例,利用小波变换方法开展GPS水汽和PM2.5浓度的相关性分析。结果表明,低频系数重构的GPS水汽与PM2.5浓度序列较好地反映了两者之间的正相关特性;D7高频信号（128~256 h）及D7与D6高频信号（64~256 h）重构的GPS水汽与PM2.5浓度的相关性较原始序列的相关性有较大提高;对于持续7 d的重度雾霾过程,由第7层和第6层高频系数重构的GPS水汽序列与PM2.5浓度序列的相关性达到0.890;不同时刻水汽变化对PM2.5浓度观测的影响,在水汽变化波动较大时段,水汽与PM2.5浓度的相关性为正;对于水汽变化波动较小时段,由于水汽与PM2.5浓度峰值时刻的差异,水汽与PM2.5浓度序列的相关性则不明显。     

雾霾对GPS天顶对流层延迟与精密单点定位影响研究

通过计算对流层延迟和精密单点定位的点位坐标,研究雾霾天气对GPS天顶对流层延迟和精密单点定位精度的影响。结果表明,当空气质量持续良好、没有雾霾发生时,空气质量指数(air quality index, AQI)与对流层延迟的相关性很小;当重度雾霾天气持续发生时,雾霾会对天顶对流层延迟产生40~60 mm的影响。但在精密单点定位中,通过对对流层延迟进行参数估计的方法可以消除绝大部分雾霾对定位精度的影响,因此无论重度雾霾天气是否发生,AQI指数与精密单点定位精度的相关性很小。     

上海夏季雾霾的影响因素研究

由于对流层中气象因素变化剧烈且蕴含大量的水蒸气和颗粒物，雾霾的发生也极易改变卫星信号的传播路径，从而导致对流层延迟发生变化，因此重点研究气象因素与雾霾之间的相关性问题。通过上海市2016年62 d(DOY 153～214)的大气中污染物含量资料与天顶对流层延迟比较分析发现，大气中每种污染物含量基本呈现相似的走势，天顶对流层延迟随PM2.5含量增加而增大，且在日值数据的比较中发现，上海夏季的PM2.5含量与气压、气温和相对湿度成正相关关系，与风速、降水量呈负相关关系。     

融合GNSS气象参数的BP神经网络雾霾预测研究

结合IGS中心获取的BJFS站气象参数（气温（T）、气压（P）、大气可降水量（PWV））及同期PM_2.5数据，建立一种融合时序网络和回归网络的雾霾预测模型，对PM_2.5浓度进行预测。研究表明，引入GNSS气象参数的融合网络模型较单一网络模型适应性强、准确度高，在一定精度范围内可准确预测PM_2.5的变化，时效性达3 h。本文结论验证了卫星导航技术应用于雾霾天气监测及预报的可行性。     

基于FJCORS资料探测大气可降水量的研究

本文采用超快速预报星历处理福建省连续运行卫星定位服务系统(FJCORS)资料得到大气可降水量(PWV),分别与同期采用最终精密星历和探空资料获得的PWV进行对比,结果表明:采用不同星历反演的PWV偏差在0.25 mm以内,并与探空结果具有较好的一致性,相关系数达到0.92,因此采用预报星历可以近实时反演PWV。对2015年"苏迪罗"台风登陆福建前后的PWV动态分析研究,表明PWV资料可以很好地监测水汽时空分布和变化,有助于分析强降雨天气的水汽传输过程,对预报强降水具有重要的指示作用。     

北斗CORS探测的大气可降水量与重庆降雨的关系

通过分析2018年2次典型降雨过程中大气可降水量(precipitable water vapor,PWV)的分布特征及其与实际降水量的关系,探讨PWV在预测降雨中的应用。结果表明,在降雨过程中,PWV的分布与实际降水量具有很好的相关性。PWV对降雨的发生具有一定的指示作用,在降雨发生前6~12 h,PWV开始增加;在降雨发生前1~2 h内PWV迅速上升;当PWV显著增加并保持高值时,预示强降雨的发生。PWV变化越快,降雨概率和降水量就越大。滑动平均处理结果进一步证明,强降雨发生前后,PWV会出现快速聚集和释放的现象,PWV可作为短期临近预报及天气分析等研究和应用的序列资料,为传统气象手段提供有力补充。     

长三角地区GNSS可降水量直接转换模型研究

为简化GNSS大气可降水量(PWV)的计算过程,提高GNSS-PWV实时解算效率,利用2017~2018年长三角地区7个GNSS测站数据,分析GNSS-PWV与对流层延迟(ZTD)、地面气温(T)、地面气压(P)之间的线性关系,通过线性拟合建立PWV直接转换区域模型。实验结果表明：1）PWV与ZTD、P和T之间具有良好的相关性,相关系数分别为0.99、-0.74和0.73;2）基于ZTD的全年单因子PWV模型的RMS为3.07 mm,基于ZTD和T的全年双因子PWV模型RMS为2.35 mm,基于ZTD和P的全年双因子PWV模型RMS为1.18 mm,基于ZTD、T和P的全年多因子PWV模型RMS为0.47 mm,基于ZTD、T和P的分季节多因子PWV模型的平均RMS为0.28 mm,后者预测精度略优。     

我国环境空气质量时空分布特征分析

根据国家环保部PM2.5 IN网站公布的环境空气质量指数,和国家气象局提供的气象数据,利用GIS强大的数据处理功能、空间分析功能和可视化功能,对2013年全国各个城市的环境空气质量指数数据进行处理与分析。初步揭示了环境空气质量在季节上的周期性,与降水、气压、温度的相关性,以及AQI在地域上南低北高、在垂直方向上呈递减趋势,且随高度的增加,变化趋势逐渐减慢的空间格局。     

中国近地面PM2.5浓度与排放的时空分布及其关联分析

PM_2.5是威胁人体健康的主要大气污染物之一。大量研究关注近地面PM_2.5浓度的监测及其时空分布,但目前针对PM_2.5排放及其与近地面浓度之间的关联研究较为缺乏。本文通过2000—2014年近地面PM_2.5浓度格网数据和PM_2.5排放格网数据,采用长时间序列分析法对PM_2.5浓度和PM_2.5排放从定性和定量两个角度进行时空变化趋势对比研究,并进一步结合标准差椭圆法和趋势分析法,分析了我国近地面PM_2.5浓度和PM_2.5排放的时空变化特征及其关联。结果表明,从总体时间序列趋势上,近地面PM_2.5浓度和PM_2.5排放之间在空间分布上基本呈现一致性,集中在胡焕庸线以东的人口密集区,但在时间上,PM_2.5浓度和排放之间存在动态变化时间差。且PM_2.5浓度的变化更为明显,2000—2007年高于35 μg/m³的国土面积占比增加了14.26%,2007—2014年减少了2.84%;从标准差椭圆分析来看,PM_2.5浓度椭圆和排放椭圆在覆盖面积和方位角上与人口和经济分布吻合,但前者面积更大,长轴更接近于东西方向,二者存在约17°差异,而两类椭圆的中心位置随时间变化呈现出较一致的轨迹特征并呈现出滞后特点;此外,受大气扩散、点源排放等因素影响,PM_2.5浓度变化趋势与排放变化趋势在胡焕庸线以东并不完全一致,部分区域排放呈降低趋势而浓度则反而呈升高趋势。因此,从全国层面来看,减排政策对浓度降低在时间上虽存在滞后,但边际效益显著,并已显露成效;而从局地来看,受地形、气象条件和大气化学过程等复杂影响,二者的变化在空间上仍会存在差异,有待进一步深入研究;从防控措施来看,在继续加强落实本地减排政策的同时,应考虑污染物的扩散迁移规律,加强联防联控,有效改善空气质量。     

融合GNSS水汽、风速与大气污染物的河北省冬季PM2.5浓度预测研究

为提高PM_2.5浓度预测的时效和精度,本文综合大气污染物、GNSS水汽和风速等观测要素,利用FFT与LSTM神经网络方法构建PM_2.5浓度预测模型,开展未来24 h的PM_2.5浓度预测研究。首先对大气污染物、GNSS水汽和风速等观测要素进行快速傅里叶变换,提取各类要素的公共变化周期,获得最佳公共周期为216 h;然后选取最佳公共周期长度的各类要素作为模型输入,24 h序列的PM_2.5浓度作为模型输出,分别以PM_2.5单要素的RBF神经网络和融合大气污染物、风速、GNSS水汽的LSTM神经网络构建PM_2.5浓度预测模型;最后利用实测PM_2.5浓度序列分别对2种模型开展外部可靠性检验,将RMSE和IA作为评价指标进行模型精度评价。研究结果表明,基于FFT-LSTM的PM_2.5浓度预测模型的RMSE和IA分别为16.22 μg/m³和84.36%,模型预测精度较好,可有效预测未来24 h的PM_2.5浓度,该模型可为大气污染防治部门空气质量预测提供参考。     

基于中国大气环境监测站点的2015—2019年大气质量状况时空变化分析

2013年以来几次严重的雾霾污染事件引起了公众的广泛关注,此后中国实施了一系列有关大气污染防治的政策、法规和措施来改善大气质量。为了分析近年来中国大气质量的时空变化特征,本文选取2015—2019年生态环境部国控站点监测的大气污染关键参数,对比分析了空气质量指数和6种大气污染物的季均、年均浓度变化结果,并利用组合指标分析法和相关分析法探讨了不同大气污染物之间的相关性。结果表明：① PM_2.5、PM₁₀、SO₂、CO和NO₂浓度和AQI均有明显下降,2019年均浓度较2015年均浓度分别下降4.5%、3.84%、7.86%、3.74%、0.95%,AQI下降了19.31%,同时,O₃浓度则上升了0.79%;② 从空间分布来看,中国北方地区PM₁₀、PM_2.5、O₃、NO₂、SO₂、CO年均质量浓度和AQI分别比南方地区高25.2%、18.73%、4.95%、17.6%,32.74%、16.17%、28.3%;③ 从季节性变化规律来看,除了O₃呈现出夏季浓度高,冬季浓度低外,其他5种污染物和AQI都呈现相反的季节变化规律;④ 总体而言,目前中国大气污染以PM_2.5和O₃为主,PM_2.5与NO₂、SO₂、CO之间有极显著的正相关关系（r>0.85,p<0.01）,而O₃与其前体物NO₂和CO之间存在显著的负相关关系（r>0.8,p<0.01）。     

耦合卡尔曼滤波和多层次聚类的中国PM2.5时空分布分析

近年来,细颗粒物污染尤其是PM_2.5受到人们越来越多的关注,研究PM_2.5的时空分布规律也具有越来越重大的意义。传统的遥感反演方法模型复杂,且不能揭示近地表面的PM_2.5分布规律。地面监测站的建设为PM_2.5的研究提供了更实时的观测数据,但由于测量噪声的影响,观测数据存在不准确的极端异常值。为了揭示中国PM_2.5的时空分布特征,本研究采用Kalman滤波对2015年中国338个城市的空气质量监测网络大数据进行最佳估计,并分析其时空特征。同时,根据中国各城市的PM_2.5浓度的时序分布,采用基于DTW的K-Medoids聚类方法将其分为4个等级,并采用q统计量来评估PM_2.5浓度分布的空间分层异质性。结果表明,采用Kalman滤波能有效去除数据噪声,峰值信噪比（PSNR）明显增大。在时空分布上,中国PM_2.5时间分布曲线呈现“U”形,冬季PM_2.5浓度明显高于夏季,且日变化曲线呈现“W”形;秋冬季PM_2.5浓度的空间分层异质性非常显著,且空间分布呈现“双核分布”,重污染区主要分布在华北平原、新疆等地,西藏、广东、云南等地是稳定的空气质量优良区。     

集成多源遥感数据的PM2.5浓度空间分布制图

针对传统地面稀疏站点监测PM_2.5浓度以点带面的缺陷,本研究拟借助多源遥感数据开展了地面大气细颗粒物PM_2.5浓度空间分布模拟研究。以京津冀地区2013年的年均、季均PM_2.5浓度模拟图为例,用简化的气溶胶反演算法（SARA）反演了 1 km高分辨率AOD,并结合高分辨率遥感提取污染相关地理要素,对研究区PM_2.5浓度空间分布进行地理统计模拟及优选。结果表明：① SARA算法反演的AOD与地基AERONET相关性达0.99,能准确地反映研究区AOD的时空分布特征;② 集成多源遥感数据的地理加权回归模型拟合度高（平均R²-0.66）,其空间模拟显示研究区平均PM_2.5污染南部城镇最重,中东部城区次之,西北山区较轻;③ 研究区PM_2.5污染程度高,全年平均模拟浓度高达75 μg/m³,在气候环境及主要污染源季节性差异驱动下,浓度分布季节性特征显著,冬季污染最严重,而夏、秋季相对较轻。该成果对于精细把握PM_2.5污染特征,指导污染防控具有重要意义。     

耦合土地利用回归与人口加权模型的PM2.5暴露风险评估

PM_2.5已成为人群健康的重要威胁之一,科学精准的暴露评估是PM_2.5风险防控的前提,为提升PM_2.5暴露精准评估,本文利用土地利用数据、道路数据、气象数据等构建PM_2.5土地利用回归反演模型,实现了2013年12月1日-2014年2月8日（冬季）广佛都市区PM_2.5时空动态演变监测,在此基础上将PM_2.5反演结果与人口密度数据耦合,分别从PM_2.5污染浓度与人口加权PM_2.5浓度2个方面,评估广佛都市区PM_2.5污染暴露风险。研究结果表明：① 土地利用回归模型能够较好的反映研究区域内PM_2.5的空间分布特征,R²大于0.78;② 2013年12月1日-2014年2月8日,广佛都市区PM_2.5浓度平均值呈现波动变化趋势,研究时段内,最高平均浓度为97.91 μg/m³ （12月29日-1月11日）,最低平均浓度为53.40 μg/m³ （1月26日-2月8日）,全时段PM_2.5浓度超WHO健康标准的面积占比达99.8%;③ 广佛都市区PM_2.5的空间分布具有异质性规律,其高值区分别位于广州市天河区、越秀区、番禺区北部、花都区北部及佛山市禅城区、南海区中部、三水区中部,低值区主要位于广州市白云区、番禺区东南部及佛山市顺德区南部。人口加权暴露风险存在2个高值中心,分别位于广州市和佛山市的主城区;④ 耦合人口加权模型前后,广佛都市区PM_2.5暴露风险高风险区空间分布发生变化,未考虑人口加权模型时,广佛深高值区较为分散,主要位于南海区、天河区、越秀区、禅城区,考虑人口加权模型后,高值区更加集中于广州市和佛山市的主城区。     

土地利用/覆盖的空气污染效应分析

以长株潭城市群核心区为对象,运用GIS和RS技术获取研究区土地利用/覆盖和空气污染分布格局,结合景观指数移动窗口分析结果,分年均和季节时间尺度分析NO₂、PM₁₀、O₃、PM_2.5浓度空间分布特征与土地利用格局的耦合关系。结果表明：长株潭城市群土地利用/覆盖,对空气污染物浓度的变化影响显著,具有季节效应。建设用地和道路面积占比与NO₂、PM_2.5浓度显著正相关,与O₃浓度呈显著负相关;林地面积占比越大,NO₂、PM_2.5浓度越低;土地利用/覆盖对PM₁₀浓度影响相对不稳定,易受不同季节局地尺度工业生产和建筑开发活动影响。从土地利用/覆盖微观配置角度,景观破碎程度越高,PM₁₀浓度越高;散布与并列指数越大,NO₂和PM_2.5浓度越高、O₃浓度越低;多样性指数与PM_2.5浓度显著正相关。从优化土地利用降低空气污染角度创建的长株潭城市群生态绿心区的作用尚未真正展现。研究结果对明确反映土地利用/覆盖与空气污染特征间的关系,指导城市土地利用活动的合理开发具有重要的价值。     

时间尺度重构EEMD-GRNN改进模型预测PM2.5的研究

合理构建PM_2.5浓度预测模型是科学、准确地预测PM_2.5浓度变化的关键。传统PM_2.5预测EEMD-GRNN模型具有较好的预测精度,但是存在过于关注研究数据本身而忽略其物理意义的不足。本研究基于南京市2014-2017年PM_2.5浓度时间序列数据,分析PM_2.5浓度多尺度变化特征及其对气象因子和大气污染因子的尺度响应,基于时间尺度重构进行EEMD-GRNN模型的改进与实证研究。南京市样本数据PM_2.5浓度变化表现为明显的天际尺度和月际尺度,从重构尺度（天际、月际）构建GRNN模型更具有现实意义;同时,PM_2.5对PM₁₀、NO₂、O₃、RH、MinT等因子存在多尺度响应效应,以其作为GRNN模型中的输入变量更具有时间序列上的解释意义。改进后的EEMD-GRNN模型具有更高的PM_2.5浓度预测精度,MAE、MAPE、RMSE和R²分别为6.17、18.41%、8.32和0.95,而传统EEMD-GRNN模型的模型有效性检验结果分别为8.37、27.56%、11.56、0.91。对于高浓度天（PM_2.5浓度大于100 μg/m³）的预测,改进模型更是全面优于传统EEMD-GRNN模型,MAPE为12.02%,相较于传统模型提高了9.03%。     

2019年北京市PM2.5人群暴露剂量特征分析

近年来,PM_2.5已成为雾霾爆发的主要污染物之一,人口长期暴露在高浓度的PM_2.5中可能会大大的提高居民患病的几率,危害居民身心健康。本研究以空气污染严重且人口高度集中的北京市作为研究区,以2019年北京市的PM_2.5浓度监测数据、人口空间分布栅格数据及不同人群的长期呼吸量等为数据基础,构建了“污染物浓度—暴露人口—呼吸量”的PM_2.5人口暴露剂量评估模型,进而对北京市2019年的PM_2.5人口暴露强度空间分异特征及不同人群的暴露剂量差异进行分析。结果表明：① 2019年北京市的PM_2.5浓度在冬季时最高,日均浓度达48.89 μg/m³,并均呈现出北低南高的整体态势;② PM_2.5人口暴露量存在显著的空间分异特征,不同人群的PM_2.5暴露量均呈现出由城中心向周边减弱的整体态势,高暴露区主要集中于城区地带;③ 不同性别、年龄组人群的PM_2.5人口暴露强度存在明显的空间分异特征,且城市内部不同人群的PM_2.5暴露剂量也存在明显差异;④ PM_2.5的暴露风险并非完全取决于污染物浓度的大小,而是由污染源浓度和暴露受体的空间分布特征等多方面共同决定,北京城区的高PM_2.5人口暴露区才是高风险区,是未来政府有效防控污染物危害的核心区。     

基于移动监测数据的不同城市场景下PM2.5浓度精细模拟与时空特征解析

城市内部PM_2.5浓度分布具有明显的空间异质性,而传统方法基于遥感数据或监测站点数据进行分析,难以揭示高时空分辨率下城市内部的PM_2.5浓度分布特征,缺少不同时刻城市场景（如：道路、工业区、住宅区等）对PM_2.5浓度复杂非线性影响的解析。本研究将移动监测传感器安装于快递车上,采集福州市主城区南部不同类型场景的PM_2.5浓度,然后融合地理加权回归（Geographical Weighted Regression, GWR）和梯度提升决策树（Gradient Boosting Decision Tree, GBDT）方法,提出一种基于GWR-GBDT的PM_2.5模拟与场景解析模型,能够较好地拟合气象、场景因素与PM_2.5浓度的非线性关系,提升了城市PM_2.5污染精细监测能力;并结合部分依赖图解析不同时段不同场景因素对PM_2.5浓度的非线性作用影响。结果表明：① 基于移动PM_2.5浓度监测数据,利用GWR-GBDT模型能够较好地模拟城市场景、气象和PM_2.5浓度之间的非线性关系,能够有效精细模拟PM_2.5浓度的空间分布,十折验证R²结果为0.52~0.94;② 通过部分依赖图分析同一场景在不同时段对PM_2.5浓度响应的异质性,发现各类场景对PM_2.5浓度提升或抑制作用并不稳定;③ 解析不同时段人类活动与城市场景对PM_2.5浓度的交互作用发现,教育医疗单位和住宅区两类场景对PM_2.5浓度的提升作用都与人类通勤有密切关系,高污染场景中的建筑工地在采取的洒水降尘措施后能在数小时内有效缓解PM_2.5污染,公园文体服务区在多数时段对PM_2.5浓度具有抑制作用,工业区和道路多数时段会致使对PM_2.5浓度提升;④ 从PM_2.5浓度的空间分布来看,福州市主城区南部PM_2.5浓度总体呈现东南高-西北低的分布趋势,建筑工地、道路和工业区场景轻度以上污染面积占比明显高于其他场景,公园场景总体PM_2.5浓度较低,山体公园傍晚会受到周边工业区的影响而导致PM_2.5浓度升高,而城市陆地外围水域对沿岸PM_2.5浓度具有抑制作用;⑤ 研究结果可为不同场景下PM_2.5污染精细化治理、城市规划以及老人、儿童等高危人群的PM_2.5污染暴露风险防范提供支持。