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.     

运用贝叶斯方法的PM2.5浓度时空建模与预测

针对当前我国大部分地区正面临严重的空气污染问题,对重污染区域进行时空建模具有重要的意义。该文基于贝叶斯时空模型建立了京津冀区域的PM2.5浓度时空预测模型,该模型充分考虑了PM2.5浓度的时间变异特性与空间分布特性,并引入了气象数据作为协变量对没有监测站的位置进行预测。实验结果表明,该方法具有很好的预测精度,其在测试站点上的拟合优度达到了0.9以上,能够应用于区域级PM2.5浓度的时空分布建模与预测。     

顾及平稳特征的PM2.5浓度时空趋势拟合研究

针对PM2.5浓度估算中全局平稳因素和局部非平稳因素同时存在的问题,该文以京津冀地区2015年1月—7月的PM2.5浓度为研究对象,人口密度、GDP、AOD、温度、相对湿度、风速和大气压强为影响因子,利用混合时空地理加权回归模型对PM2.5浓度进行估算。结果显示,考虑全局平稳特征时能有效地提升PM2.5浓度估算的精度,PM2.5浓度与风速、温度呈负相关关系,京津冀地区PM2.5浓度呈北低南高的趋势。     

基于GTWR模型的3km京津冀PM2.5时空分布和影响因素分析

PM_2.5与空气质量和公众健康密切相关,许多研究使用遥感结合其他辅助数据的模型反演PM_2.5的浓度,以捕捉各地区PM_2.5时空分布。本文针对京津冀地区数据分辨率较低的问题,采用3 km分辨率的气溶胶光学厚度(AOD)数据及12个辅助变量,建立时间地理加权回归模型(GTWR),估算3 km京津冀地区2020—2022年PM_2.5浓度分布。结果表明:①GTWR模型数据的R²(0.86)均优于OLS模型数据的R²(0.66)和GWR模型数据的R²(0.78)。②在时空分布上,2020—2022年京津冀PM_2.5浓度的空间分布与地形呈负相关。低值区主要分布在地势较高的山区;高值区主要分布在地势较低的平原。③2020—2022年京津冀PM_2.5季节平均浓度差异显著,由高至低依次为冬季(60.88 μg/m³)、秋季(37.78 μg/m³)、春季(31.75 μg/m³)、夏季(22.16 μg/m³)。④PM_2.5浓度与AOD的相关性最强。研究得出3 km分辨率的AOD数据与GTWR模型相结合在反演PM_2.5浓度方面具有较好的适用性。     

杭州地区2015年PM2.5浓度时空变化特征分析

在2015年杭州地区11个地面观测站PM2.5质量浓度监测数据的基础上,结合MOD04_3K AOT产品,建立了利用AOT反演近地面PM2.5质量浓度的模型.利用实测和遥感反演数据共同分析了杭州市PM2.5质量浓度时空变化特征.分析结果表明,PM2.5质量浓度分布的日变化特征为:在杭州市中心城区,冬季、春季及秋季都存在典型的双峰变化,冬季、春季的峰值出现在9:00-12:00,秋季峰值出现在6:00-9:00;夏季表现出夜间浓度高于白天的特征.PM2.5质量浓度分布的季节性变化特征为:冬季＞春季＞秋季＞夏季.PM2.5质量浓度的空间分布格局为:杭州地区东北区域的浓度明显高于其他区域;杭州—富阳—桐庐沿线、杭州—临安沿线PM2.5质量浓度存在高浓度的分布条带,PM2.5质量浓度的空间分布与城镇化的格局相似.PM2.5质量浓度空间分布与地形和植被指数呈负相关,春季地形和植被指数对PM2.5浓度分布的抑制影响最大.     

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.     

基于支持向量回归的PM2.5浓度实时预报

为了研究适合于我国当前重污染天气的实时空气质量预报模型,论文利用支持向量回归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,构建了基于支持向量回归的PM2.5浓度实时预报模型。实验表明,该方法能够对未来6日内的日均PM2.5浓度以及未来0~72h内的小时级PM2.5浓度进行预报,且模型训练过程和预报过程都耗时很短,适用于建立PM2.5浓度实时预报系统。     

一种协同时空地理加权回归PM2.5浓度估算方法

针对PM2.5浓度估算中时空特征考虑不足和样本量较少的问题,该文将协同训练和时空地理加权回归相结合,提出了协同时空地理加权回归。采用两个不同参数的时空地理加权回归模型作为回归器,利用一个回归器训练另一个回归器的未标注样本,选择最优结果作为标注样本加入标注样本,通过不断学习扩大标注样本量提升模型的回归性能。以京津冀地区2015年3-7月的PM2.5浓度数据为实验数据,利用气溶胶光学厚度产品、温度、风速和相对湿度进行建模,采用不同核函数的时空地理加权回归作为对比方法进行实验。结果显示,协同时空地理加权回归性能比基于Gauss核函数时空地理加权回归提升了10%,比基于bi-square核函数时空地理加权回归提升了6.25%,证明该文方法能够提升时空样本数量不足时的PM2.5浓度估算精度。     

基于深度学习的城市PM2.5浓度时空分布预测及不确定性评估

城市PM2.5浓度的时空分布预测旨在基于有限观测样本实现研究区域内PM2.5分布的全范围感知。理想的预测模型需同时保证结果的高精度与高可靠性。然而,现有研究大多以提升精度为唯一目的,忽视了由于数据质量与模型结构的各异所导致预测结果的不确定性,这极大限制了高精度预测结果的可靠性与可用潜力,从而难以有效辅助空气污染治理等实际应用。为此,本文提出一种耦合不确定性评估的PM2.5浓度时空分布预测模型。通过构建以图卷积和循环网络为主的预测模块,实现PM2.5浓度的高精度预测;同时,基于对抗学习策略与变分自编码思想构建不确定性量化模块,同步揭示预测结果的不确定性水平。深圳市实际数据实证表明,本文方法能有效兼顾PM2.5浓度预测结果的精度与可靠性,能为包括监测站点布局选址在内的环境治理工作提供科学决策支持。     

卷积神经网络的PM2.5预报模型

针对目前基于机器学习的PM2.5预报模型无法充分利用研究区域内其他相关站点的数据问题,该文提出了一种区域时空点数据的表示方法,并在此基础上提出了基于卷积神经网络的PM2.5预报模型。该模型利用了区域内多站点的历史PM2.5实测数据以及相应的气象预报数据,对区域内任一站点PM2.5浓度进行预报。实验结果显示,该模型在京津冀区域内能对未来至少3d内的PM2.5浓度进行较高精度的预报。与基于单站点的前馈神经网络预报结果对比表明,对区域整体污染及气象状况建模的卷积神经网络模型预报精度更高。该模型对区域内所有站点的预测结果与地面实测值的分布基本一致,表明了该模型具有对区域内PM2.5浓度进行时空预报的能力。     

基于LUR的武汉市PM2.5浓度空间分布模拟

基于稀疏监测点的监测数据无法直接获取城市内部空气污染的高分辨率空间分布。以武汉市为例,研究了基于土地利用回归(landuseregression,LUR)模型的大气PM2.5浓度高分辨率空间分布模拟。采用双变量相关分析识别出与PM2.5浓度相关性最高的4个影响因子,分别是1000m缓冲区内道路长度,500m缓冲区内水域面积,500m缓冲区内建设用地面积以及工业污染影响。采用PM2.5月平均浓度和识别出的影响因子连同气象条件(月平均温度和月降水量)进行多元线性回归分析,相关系数R2达到0.905,调整后的R2为0.885。在研究区建立均匀格网(2km×2km),利用得到的LUR方程计算格点PM2.5浓度值,应用空间插值制成武汉市主城区夏季PM2.5浓度空间分布模拟图。模拟结果显示,主城区有三个PM2.5浓度高值中心,分别为青山工业区、江北工业区和汉口汉西建材市场区域。汉阳南部、武昌南部的大型湖泊和水域面积比例较大的区域表现为两个PM2.5浓度低值中心。     

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。     

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。     

京津冀地区PM2.5/PM10浓度时空分布监测与分析

针对京津冀地区多年来重工业较多、结构性污染突出等问题,该文充分利用多期扬尘地表和工业企业污染源、交通网络、地理国情地表覆盖数据、气象和地形数据,结合MODIS AOD产品和环境监测数据,采用主成分分析和最佳子集回归方法优选预测变量,构建估算PM2.5和PM10浓度的地理加权回归模型,实现京津冀地区2013、2015和2017年PM2.5/PM10年均浓度空间分布模拟制图,分析PM2.5/PM10年均浓度时空分布。实验结果表明,PM2.5和PM10浓度估算模型的决定系数R2分别为0.76和0.86,平均相对预测误差分别为10.87%和13.54%。     

区域CORS网在PM2.5监测中的应用研究

在雾霾频发的冬季大气可降水量PWV与大气污染物PM_2.5之间存在一定的关联关系,本文通过对河南地区CORS网的GNSS大气可降水量与PM_2.5之间的相关性进行分析并建立了实时监测模型。试验研究发现：河南地区冬季雾霾频发期大气可降水量PWV与PM_2.5之间存在着较强的正相关关系,通过建立的PM_2.5实时监测模型验证了可以依据大气可降水量PWV对PM_2.5进行实时监测,并取得了较为理想的结果,可以为当前进行PM_2.5监测提供一种新的参考。     

基于深度学习的PM2.5预测模型建立

本文以京津冀地区为例,选择大气气溶胶光学厚度AOD(Aerosol Optical Depth)和气象参数为影响因子,建立基于深度置信网络DBN(Deep Belief Nets)的PM2.5预测模型,对PM2.5进行有效预测,并与BP神经网络预测结果对比,最后形成整个京津冀地区的PM2.5预测专题图。实验结果表明基于深度学习的置信网络对PM2.5浓度预测效果比BP神经网络更佳,预测精度有较大提高。     

基于遥感技术的大气细颗粒物PM2.5监测研究进展

PM 2.5已经日渐成为大气中首要的污染物。同时越来越多的研究表明,PM 2.5污染对人们的正常生活会造成严重的影响,有效监测其空间分布对污染防治和健康影响等具有重要意义。利用遥感技术开展PM 2.5监测已经成为重要且有效的手段,遥感影像的空间分辨率不断提高、PM 2.5遥感反演模型的推陈出新,进一步助推和加深了遥感技术在PM 2.5监测领域中的应用。本文通过归纳总结用于PM 2.5反演的主要遥感数据源,并结合PM 2.5遥感反演模型的基本原理,从不同数据源角度综述了PM 2.5遥感监测技术的研究进展,最后展望了现有监测技术存在的问题以及发展趋势,为开展PM 2.5遥感监测和深化应用提供理论支撑。