温度递减率对加权平均温度的影响

引入温度递减率,和地表温度一起作为独立参数对加权平均温度进行拟合,并根据所建立的温度递减率模型,分析其对加权平均温度的影响。研究表明,高精度的温度递减率有利于改善加权平均温度模型拟合值的分布,使其不再与地表温度呈现简单的线性关系,即使不同探空站的地表温度相同,它们计算的加权平均温度也不相同,从而提高GPS气象学中PWV的转换精度。     

中国近地面PM2.5浓度与排放的时空分布及其关联分析

PM2.5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PM2.5浓度的监测及其时空分布,但目前针对PM2.5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PM2.5浓度格网数据和PM2.5排放格网数据,采用长时间序列分析法对PM2.5浓度和PM2.5排放从定性和定量两个角度进行...     

北京城区不透水地表盖度变化及对地表温度的影响

基于QuickBird高分辨率影像、LandsatTM影像及夜间灯光数据,设计了集成CART（Classification and Regression Tree,）算法和多源遥感数据估算亚像元级不透水地表盖度的技术方案,采取适用于典型温带半干旱地区的ISP（Impervious Surface Percentage ）提取方法,提取2001年和2011年北京城区不透水地表盖度,并将不透水地表盖度分为3类,ISP为10%~60%的区域为低密度区,60%~80%的区域为中密度区,大于80%的区域为高密度区。同时采用单窗算法反演2001年和2011年地表温度,对2001-2011年北京六环以内城区不同环路区域ISP发展趋势,以及其与地表温度的相关性进行分析。结果表明：（1）北京城区的不透水地表盖度变化主要集中在低密度区域,与之相比,中密度区域和高密度区域不透水地表盖度变化不大。2001-2011年来北京五环以内区域由于城建区较多,整体不透水地表变化并不明显,主要变化区域集中在五环至六环以内区域,其中低密度区增长明显,中密度区和高密度区主要增长集中在东部,可以看出,近年来五环至六环以内区域发展迅速,城建区范围不断扩大。（2）相较于2001年,2011年北京市中心地表温度明显上升,高温区聚集程度更为明显。其中四环以内地表温度与周边区域地表温度相比,温差明显增大。（3）通过对比2001年和2011年各密度区平均地表温度发现,相较于2001年,2011年北京市六环以内城区各密度区之间的地表温度差异更大,城市热岛效应更为明显。（4）2001年和2011年北京城区各环路区域内不透水地表盖度与地表温度均呈正相关。四环至六环区域,地表温度随不透水地表盖度变化的趋势相近。ISP在10%~20%的区域,地表温度随不透水地表盖度增高而上升的速率明显高于其他区域,ISP大于20%的区域地表温度上升速率下降,且趋于一致。     

基于WPA-WOA-BP神经网络的PM2.5浓度预测

针对传统BP神经网络存在的学习速度慢、易陷入局部极值等问题,利用鲸鱼优化算法(WOA)以及狼群算法(WPA)混合优化BP神经网络的权值和阈值,构建WPA-WOA-BP神经网络模型,并对PM2.5浓度进行预测.实验结果证明,WPA-WOA-BP神经网络模型预测稳定性高,可用于PM2.5浓度的预测,且预测精度优于BP神经网...     

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。     

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。     

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。     

基于Spearman秩相关系数的PWV与PM2.5相关性研究

在讨论大气可降水量(PWV)与细颗粒物(PM 2.5)之间的相关性时,传统方法未能很好地顾及连续数据中包含的非雾霾天气信息的影响,为此本文提出2个数据选取标准——时间标准和空气质量指数(AQI)等级标准,用于获取雾霾期间对应的PWV和PM 2.5序列。为解决数据筛选后不连续的问题,引入一种非参数性质的Spearman秩相关系数ρ,在北京市2014~2016年雾霾多发期,分析不同AQI等级对应时段的非连续等距的PWV和PM 2.5序列的相关性可知,筛选后3 a的ρ在第1、4季度的均值分别为0.6613和0.6280,整体均值为0.6447,表明雾霾天气下PWV和PM 2.5序列具有单调正向的相关性,而传统分析方法(未筛选)下两者的相关系数均较小,表明在对数据进行选取后的分析结果更具针对性和准确性。     

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。     

中国城市建设用地扩展模式与PM2.5关系探究

随着快速的城镇化进程,PM2.5带来的污染越来越严重,在一定程度上影响了城市的发展.所以本文从探讨城市扩展模式与PM2.5关系这一视角出发,利用景观扩展指数识别2005—2015年中国城市建设用地的扩展类型,并通过裁剪PM2.5数据,在国家、地区和省级3个尺度内探究PM2.5的分布情况.最后采用OLS模型和GWR模型进...     

基于地理神经网络加权回归的中国PM2.5浓度空间分布估算方法

中国空气污染问题日益严重,为获得连续的PM_2.5浓度空间分布,现有研究建立了多种基于统计回归的PM_2.5估算模型。然而,由于PM_2.5回归关系显著的空间非平稳性和复杂的非线性特征,如何实现高精度、高合理性的PM_2.5浓度空间大面估计仍然面临挑战,尤其在地形变化复杂、覆盖范围广阔的中国地区更为突出。本文引入了一种将普通线性回归（OLR）和神经网络结合的地理神经网络加权回归（GNNWR）模型,通过集成遥感数据、气象数据和地理信息数据建立了基于GNNWR的PM_2.5浓度空间估算方法。文章以中国2017年PM_2.5年平均浓度估算为例,开展了该模型与OLR、地理加权回归（GWR）的比较实验。实验结果表明,基于GNNWR的PM_2.浓度估算性能指标均明显优于OLR和GWR,且预测精度显著高于GWR。此外,GNNWR获得的PM_2.5浓度空间分布也更为合理,较为细致地刻画了中国地区PM_2.5浓度的局部空间变化和细节层次。     

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。     

湖南地区加权平均温度的影响因素分析及建模

利用湖南地区长沙、怀化、郴州3个探空站连续3 a（2012～2014年）的观测数据,以数值积分法计算的大气加权平均温度（Tm）作为参考值,分析Tm与地面气温Ts、水汽压es及大气压Ps之间的相关性,并基于最小二乘原理建立湖南地区多因子Tm模型。研究结果表明,Tm与地面温度Ts和水汽压es呈正相关性,与大气压Ps呈负相关;Bevis模型的Tm偏差主要分布在0～4 K之间,存在一定的系统偏差,而基于Ts单因子的Tm模型偏差主要分布在-2~3 K之间;双因子与三因子精度相当,但均优于单因子模型。总体而言,基于地面气温Ts和水汽压es的双因子Tm模型的精度优于基于Ts的单因子模型,更优于Bevis模型,适用于湖南地区的GPS气象研究及业务应用。     

Identification of major sources of PM2.5 in St. Louis Missouri USA

The objective of this study is to examine the use of the conditional probability function(CPF) and nonparametric regression(NPR) to identify the relationship between wind direction and concentration of PM2.5(particulate matter with aerodynamic diameter less than or equal to 2.5 μm). Twenty four-hour integrated PM2.5 mass and species concentrations were measured at the St. Louis-Midwest Supersite in East St. Louis,Illinois,USA in the periods of 22-28 June 2001,7-13 November 2001,and 19-25 March 2002. Wind di...