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.     

北京市细颗粒物时空分布及与呼吸系统疾病相关分析

细颗粒物（PM2.5）即粒径小于2.5μm的可吸入颗粒物[1],是当今中国城市大气污染的首要污染物。本研究以北京市为例,选取北京市2010年至2012年三年内采暖期与非采暖期两个不同时期的细颗粒物（PM0.3,PM0.5,PM1）实测数据,及同时期北京市患呼吸系统疾病人数数据,运用地统计的空间分析方法,对获取数据进行空间化及插值研究。通过偏相关分析法对北京市细颗粒物浓度与患呼吸系统疾病人数数据进行相关分析。得出以下主要结论：①细颗粒物的空间变化明显,2010年、2011年及2012年细颗粒物浓度整体呈上升趋势,2012年三种粒径细颗粒物浓度整体高于2010年与2011年。②不同粒径的细颗粒物,对呼吸疾病的影响程度不同：在0.3μm,0.5μm与1μm三种粒径的细颗粒物中,PM1对呼吸系统疾病影响最大,偏相关系数达到0.785。     

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。     

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。     

MODIS卫星遥感估计福州地区近地面PM2.5浓度

卫星遥感反演气溶胶光学厚度已被广泛应用于近地面空气污染遥感监测。为揭示福州地区细颗粒物污染的空间分异趋势,利用2014年—2015年的地基监测细颗粒物(PM_(2.5))浓度数据、MODIS 3 km气溶胶光学厚度(AOD)卫星数据以及GEOS-FP气象数据,分别构建了估计福州地区近地面PM2.5浓度的日校正模型和站点一日校正模型,并利用十折交叉验证方法对2个模型进行评价验证。结果表明:(1)日校正模型和站点一日校正模型分别能够解释福州地区PM2.5浓度76.2%和81.4%的变异,反演的2014年—2015年福州地区近地面PM2.5浓度和地面实测站点数据之间的相关性R~2分别为0.724(RMSE=10.993μg·m~(-3))和0.781(RMSE=9.687μg.m~(-3));(2)分别针对不同下垫面环境的城市站点和县郊站点数据进行模型拟合验证,两个模型反演的PM2.5浓度值与地面实测值之间皆具有良好的相关性,R~2最高可达0.808;(3)将模型反演的PM2.5浓度季均值与地面实测季均值进行对比分析,结果也显示二者高度相关,据此反演的2015年福州地区年平均PM2.5浓度分布图可清晰地揭示福州地区PM_(2.5)浓度分布的空间变化情况。由此可见,基于MODIS 3 km AOD产品和气象数据建立的近地面PM_(2.5)浓度遥感估算模型能够很好地反演出福州地区近地面PM2.5浓度分布情况。     

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。     

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.     

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.     

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。     

顾及PWV的中南4省1区春节期间PM2.5浓度估算

社会经济的发展伴随而来的环境污染问题日渐得到人们的重视.针对中南地区4省1区(河南省、湖北省、湖南省、广东省和广西壮族自治区)春节期间PM2.5的变化情况,结合该区域所属及其相邻探空站获取的大气可降水量PWV数据以及气象监测站获取的风速数据,通过反距离加权插值得到中南4省1区春节期间的PWV和风速值,综合考虑CO、SO2、O3和NO2等大气污染物以及PWV、风速和DEM高程值建立该地区春节期间的地理加权回归(GWR)、地理加权回归克里金(GWRK)以及地理加权回归规则样条(GWRCRS)插值模型,并运用3种模型对中南地区4省1区2017、2018年春节假期期间进行PM2.5浓度估算.研究结果显示,GWRK和GWRCRS模型的估算效果较GWR模型更优,而GWRCRS模型估算精度最高,对中南地区4省1区春节期间的PM2.5监测预警具有一定的实用性参考价值.     

新冠疫情影响下武汉市气溶胶类型变化分析

应用湖北省武汉市2019年12月1日—2020年4月30日期间的大气颗粒物数据(PM10与PM2.5),以及MODIS气溶胶产品,获取该区域的气溶胶光学厚度(aerosol optical depth,AOD)、精细模式分数(fine-mode fraction,FMF)数据,建立4种气溶胶类型(城市/工业型、沙尘型、干洁海洋型和混合型)模型,对比分析新冠肺炎疫情影响下,社会管控及产业停产对武汉市大气颗粒物及气溶胶类型特性的影响。结果表明,管控及停产期间由于人为排放量减少,大气颗粒物浓度值均呈现下降趋势,除春节假期以外,城市/工业型气溶胶占比同样呈下降趋势,干洁海洋型气溶胶占比则上升至13.4%,而有序复工复产后,变化趋势则与管控停产期间相反。与2017—2019年同时期相比,春节后持续管控及停产期间,大气颗粒物浓度值和气溶胶参数同样低于往年同期。MODIS气溶胶产品能够有效获取区域气溶胶特性,对区域大气环境的监测及治理提供数据帮助。     

基于精细模式气溶胶与WRF模式估算PM_(2.5)质量浓度

将气象要素加入到基于气溶胶光学厚度(aerosol optical depth,AOD)的近地面大气颗粒物浓度估算是目前热门的技术手段之一。获取了江苏省南京市2014年3月—2019年2月期间的AOD,精细模式分数(fine-mode fraction,FMF)和PM_(2.5)质量浓度数据,并结合天气研究和预报(weather research and forecast,WRF)模式得到的气象模拟数据,对南京市PM_(2.5)的质量浓度进行反演。结果表明,相比于AOD与PM_(2.5)进行相关性分析,通过FMF校正得到的精细气溶胶光学厚度AOD_f与PM_(2.5)的相关性分析能够取得更高的拟合系数,R~2最高达到0.40。利用随机森林模型,引入含不同高度的气象因子对PM_(2.5)质量浓度建立反演模型,得到的拟合系数与各误差指标均优于仅含近地面气象因子的模型,表明PM_(2.5)质量浓度受到多因子共同作用的影响,能较好地为利用多源数据反演PM_(2.5)质量浓度提供依据和参考。     

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。     

融机器学习与WRF大气模式的PM2.5预报方法

针对当前我国重污染天气实时的空气质量预报问题,该文提出了一种融合随机森林算法与WRF大气模式的PM2.5浓度实时预报方法。该方法结合了北京市地面空气质量监测数据和WRF气象数据进行分析,将高层大气状态(如逆温层高度等)融入了预报模型中,建立了0~72h的PM2.5浓度实时预报模型。实验证明,该模型能够对0~72h单站点的PM2.5浓度进行较高精度的实时预报,且在24~72h的长时预报结果上较基于地面空气污染物数据与地表气象站数据的预报方法精度有明显提升,即该方法可以更好地模拟大气物理化学状态,从而更为精准地进行长时PM2.5浓度预报。     

融合机器学习与WRF大气模式的PM2.5预报方法

针对当前我国重污染天气实时的空气质量预报问题,该文提出了一种融合随机森林算法与WRF大气模式的PM2.5浓度实时预报方法。该方法结合了北京市地面空气质量监测数据和WRF气象数据进行分析,将高层大气状态(如逆温层高度等)融入了预报模型中,建立了0～72 h的PM2.5浓度实时预报模型。实验证明,该模型能够对0～72 h单站点的PM2.5浓度进行较高精度的实时预报,且在24～72 h的长时预报结果上较基于地面空气污染物数据与地表气象站数据的预报方法精度有明显提升,即该方法可以更好地模拟大气物理化学状态,从而更为精准地进行长时PM2.5浓度预报。     

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.     

滨州市PM2.5浓度时空分布研究

目前,我国已经成为PM2.5污染的重灾区,由此引发出一系列的大气环境和人类健康问题。因此,研究PM2.5的时空分布及其演变规律显得尤为迫切。本文对滨州市六个大气环境监测点2013年1月到2014年12月的PM2.5浓度数据进行分析整理,运用数理统计分析方法,结合地理信息系统技术,综合分析滨州市PM2.5污染水平、时空分布特征。结果表明,综合GIS手段的PM2.5浓度可视化分析方法能够较好的弥补传统图表、文字等表达方式的不足。     

北京地区GPS水汽变化与雾霾的相关性

针对北京地区雾霾频发的现状,该文基于雾霾与GPS水汽共有的影响因素,以具体季节为背景,对北京地区2014年1—11月对流层干延迟ZHD、GPS可降水量与大气中PM2.5含量的一致性做了分析。研究结果表明:雾霾过程中盛夏季节表现为大气中PM2.5含量与GPS可降水量具有很好的正相关性,而在冬季则表现为大气中的PM2.5含量与对流层干延迟含量具有很好的正相关性,并发现结合两者的变化在一定程度上可用于雾霾天气的监测与预警。     

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。     

多基站协同训练神经网络的PM2.5预测模型

针对通过数值方法对PM2.5进行预测已经取得了良好的效果,但相关模型重视时间影响因子而对空间影响因素的关联性考虑不足的问题,该文提出了多基站协同训练长短时记忆网络预测模型。该模型以时空数据作为输入,并将多个基站数据进行协同训练。MC-LSTM网络通过采用多基站共享参数的方式,减少了需要训练的网络复杂度,减轻了网络过拟合的风险。利用MC-LSTM网络对北京市21个监测基站数据进行了处理,结果表明:MC-LSTM网络能够同时对各个基站的PM2.5浓度进行预测。