基于LUR 模型下PM2.5 浓度的空间分布模拟分析

PM2:5 是大气重要污染物之一, 模拟 PM2:5 浓度空间分布对于大气污染防治具有重要意义。将土地利用回归 模型 (LUR) 应用到安徽省污染较重的皖北地区, 以监测点为中心, 建立半径分别为 0.5、 1、 1.5、 2、 3、 4、 5 km 的 缓冲区, 结合土地利用因子、道路因子、污染源因子、气象因子、高程因子及人口因子共 105 个变量, 建立了该地 区四季和年均 LUR 模型, 并通过留一交叉互验, 验证了模型精度。结果表明: 研究区 PM2:5 浓度受草地、湿地、降水 量、相关湿度、气压、风速、二级公路、三级公路、废气污染企业、人口数量影响较大。调整 R2 分别为 0.828 (春)、 0.731 (夏)、 0.831 (秋)、 0.775 (冬)、 0.892 (年均); 均方根误差 (RMSE) 分别为 6.34 µg·m−3 (春)、 7.01 µg·m−3 (夏)、 6.28 µg·m−3 (秋)、 6.71 µg·m−3 (冬)、 5.33 µg·m−3 (年均); 模拟精度 R2 分别为 0.825 (春)、 0.730 (夏)、 0.834 (秋)、 0.772 (冬)、 0.897 (年均), 模型表现良好, 解释力强。从模拟的 PM2:5 浓度空间分布可以看出, 不同季节呈现明显不同的空间分布特 征, 这与来自北方的大量污染颗粒物、当地的煤矿开采以及秋耕秸秆燃烧等潜在污染源有关。     

基于气象因素的PM10浓度预测

为建立准确高效的空气质量预报系统,建立以污染物、气象因素、污染物混合气象因素的三种预测因子模式,并将该三种预测因子模式作为支持向量机回归 (Support vector machine regression, SVR)的输入变量进行PM10浓度的每日预测,寻找最优预测因子模式。并使用灰狼优化算法 (Grey wolf optimization, GWO)对支持向量机回归模型进行优化,形成GWO-SVR模型。实验结果表明,污染物混合气象因素作为输入变量为最优预测因子模式, SVR和GWO-SVR模型测试集确定系数分别达到$R^2$=0.79和$R^2$=0.81,预测精度较高,经比较发现GWO-SVR模型预测性能较好。之后,依据风向条件对数据进行分类,使用较优的GWO-SVR进行PM10浓度预测,预测结果显示盛行西南风时, 预测集评测指标为$R$=0.91、$M_{\rm SE}$=47.15,优于盛行东北风时的$R$=0.87、$M_{\rm SE}$=125.80和所有数据下的$R$=0.90、$M_{\rm SE}$=107.94。     

基于遥感数据和GWR 模型的成都PM2.5 浓度时空分布特征研究

利用 MODIS 021KM 数据反演成都地区 2018 年逐日 AOD 数据, 并结合 PM2.5 地面监测数据以及气象数据 构建地理加权回归 (GWR) 模型得到成都地区逐月 PM2.5 浓度。结果表明: (1) 和多元线性回归模型相比, GWR 模型 反演的 PM2.5 浓度的 R2、 ERMS 和 EMA 分别为 0.884、 7.8704 µg·m−3 和 6.1566 µg·m−3 , 都优于多元线性回归的 0.808、 9.7098 µg·m−3 和 7.6081 µg·m−3, 说明该模型能有效估算成都地区 2018 年 PM2.5 浓度。 (2) 成都地区 PM2.5 浓度在月尺 度上呈现出先降低、后升高的变化特征。 2 月最高为 67.38 µg·m−3, 7 月最低为 28.31 µg·m−3; PM2.5 浓度季节变化特征 为夏季、秋季、春季、冬季依次递增。 (3) 成都地区 PM2.5 浓度空间分布总体上呈现“中间高、两边低”的特征。西部 地区为 PM2.5 浓度低值区, 中部地区为高值区, 东部的简阳市和金堂县为 PM2.5 浓度次高值区。     

基于随机森林回归分析的PM2.5浓度预测模型

针对神经网络算法在当前PM2.5浓度预测领域存在的易过拟合、网络结构复杂、学习效率低等问题,引入RFR(random forest regression,随机森林回归)算法,分析气象条件、大气污染物浓度和季节所包含的22项特征因素,通过调整参数的最优组合,设计出一种新的PM2.5浓度预测模型—RFRP模型.同时,收集了西安市2013-2016年的历史气象数据,进行模型的有效性实验分析.实验结果表明,RFRP模型不仅能有效预测PM2.5浓度,还能在不影响预测精度的同时,较好地提升模型的运行效率,其平均运行时间为0.281 s,约为BP-NN(back propagation neural network,BP神经网络)预测模型的5.88％.     

激光雷达探测反演PM2.5浓度的精度研究

给出了355nm激光雷达与布设在中国科学院大气物理研究所325m铁塔上的BAM-1020颗粒物监测仪对比观测实验的结果,通过2011年9月21日至10月21日一个月的对比实验发现,激光雷达探测的气溶胶消光系数与实测的PM2.5浓度之间存在较好的相关性。利用线性回归模型建立消光系数与颗粒物浓度之间的关系式,并通过铁塔实测的PM2.5浓度对该关系式在垂直高度上的反演精度进行研究。结果显示,在63,80,120,160m高度处雷达反演的PM2.5与实测值之间的相关系数分别为0.9447,0.9331,0.9284,0.9308,说明激光雷达能有效探测颗粒物的垂直分布状况。激光雷达探测将有利于研究污染物的空间分布状况和污染物跨界输送问题,并为区域大气联防联控制定政策和措施提供数据支持。     

空气中PM2.5成因与扩散规律的建模与仿真

PM2.5作为大气首要污染物,严重影响着人们的健康.为了研究PM2.5的成因、分布、扩散规律,文中提出“多元线性回归模型”,通过研究PM2.5与其他大气指标间的相关程度来分析PM2.5的成因;使用“小波分析”分析西安地区的13个监测点PM2.5浓度值的变化,并描述其PM2.5的时空分布规律;使用“高斯模型”直观地看出在扩散点源影响下的安全和严重污染区域,在保证计算精度的前提下提高了计算效率.每个模型都通过仿真结果证明了其有效性和实用性.     

香烟烟雾中颗粒物粒径的分布情况

由于PM10以下的微粒对人体的危害巨大,测定了燃烧香烟后室内空气可吸入颗粒物(PM10)的数量浓度、质量浓度,选取合适的粒径分布函数,分析0μm～10μm粒径间隔的分布,得到频率密度峰值。得出香烟烟雾中颗粒物的集中范围,能够更好地判断香烟烟雾中颗粒物对人体的危害大小。     

图像能量与对比度的霾检测算法

针对目前霾检测方法实时性差且成本较高的问题，提出一种基于图像能量与对比度的霾检测方法。首先，对CMOS相机拍摄的图像进行预处理。由于相机受外界影响会出现轻微摆动，故需对图像进行配准；其次，在图像的关键区域中获取目标与水平天空背景的对比度和图像能量两个特征向量；再次，将对比度、图像能量、环境湿度作为输入，将激光粒子计数器测得的实时PM10浓度作为输出，进行支持向量回归训练，建立图像和PM10浓度间的关系模型；最后，根据得到的模型计算待测图像所对应的PM10浓度。将该方法检测的PM10浓度与激光粒子计数器测得浓度值进行对比，实验表明该方法检测结果的平均相对误差在10%以内，MSE为0.006 2，表明预测值与真值拟合程度较好，模型检测的精度较高。在此基础上增加训练样本可进一步提高模型精度。此外，该方法可针对不同待测环境建立相应的关系模型，具有较强的灵活性。     

基于Adam 注意力机制的PM2:5浓度预测方法

大气 PM2:5 浓度是一种具有较强时序特征的数据, 故目前关于 PM2:5 浓度的预测多选择 RNN、 LSTM 等 序列模型进行。但由于 RNN、 LSTM 等模型对不同时刻输入的数据都采用相同的权重进行计算, 不符合类脑设 计, 造成 PM2:5 浓度预报准确率较低。针对以上问题, 提出一种基于 Adam 注意力机制的 PM2:5 预测方法 (AT-RNN 和AT-LSTM), 该方法首先通过 Adam 算法寻找 RNN 或 LSTM 的最优参数并在 Encoder 阶段引入注意力机制, 将 注意力权重分配给具有时间序列特征的输入, 再进行 Decoder 解析和预测。通过实验, 对比了 BP、 RNN、 LSTM 和AT-RNN、 AT-LSTM 预测合肥市 PM2:5 浓度的效果。结果表明, 基于 Adam 注意力模型的预测方法准确率优于其它 方法, 证明该方法在污染物预测中的有效性。     

中国近地面PM2.5 质量浓度卫星遥感数据集比较及历史趋势分析

随着对大气污染问题的日益重视, 监测大气颗粒物质量浓度也成为了热门研究领域。针对现行两种流行算法 (基于模式模拟和基于机器学习) 产生的近地面PM2:5 质量浓度科学数据集进行了比较分析, 利用城市年均PM2:5 监测 数据定量评估两数据集的不确定性, 并通过空间自相关分析对两数据集的空间合理性进行了评价。同时, 还利用标准 差椭圆分析研究了2000–2018 年间主要污染区域(北京、天津、河北、河南、山西、山东等地) PM2:5 的时空演变趋 势。结果表明, 基于机器学习算法产生的数据集(CHAP) 具有较高的精度, 适用于区域性空气质量研究; 而基于模式模 拟算法产生的数据集(vanDonkelaarA) 具有合理的空间分布, 更适合于大尺度、长时间的污染趋势分析。由标准差椭 圆分析发现, 2000–2018 年研究区域标准差椭圆中心的位置整体向东北方向移动; 2013 年前PM2:5 分布范围及年均值 在波动中呈现整体上升的趋势, 随后显著下降, 造成PM2:5 浓度下降的主要因素是有效管控措施的实施。研究结果为 中国区域的细颗粒物污染研究的数据集选取提供了参考依据, 为大气细颗粒物污染的防控提供科学支撑。     

基于线性光谱混合模型的地表温度像元分解方法

以北京市Landsat TM为数据源,提出了一种新的地表温度光谱分解模型(Temperature Unmixing with Spectral,TUS),以期将地表温度的空间分辨率提高到30 m.首先,基于线性光谱混合模型获得地表组分的丰度值.然后,基于温度/植被指数选取典型端元的地表温度.最后,综合地表组分的比辐射率数据实现地表温度的分解.结果表明,TUS模型能够有效地提高地表温度的空间分辨率,反映不同地表组分地表温度的空间差异性,平均绝对误差(MAE)和均方根误差(RMSE)分别为1.25 K和2.27 K,非常适合于复杂地表覆盖地区的地表温度降尺度处理.     

基于卫星数据和深度学习方法预测京津冀地区地表 NO2浓度

二氧化氮 (NO2) 对人类健康和气候变化有着诸多负面影响, 随着中国城镇化和工业化进程加速, NO2污染成 为人们日益关注的问题。相关研究表明传统的单个站点监测结果只能代表数平方公里内的污染物水平, 无法提供大 尺度的污染物分布信息。相比于站点监测, 卫星遥感可以提供大尺度且时空连续的数据, 为研究大气污染提供了新 的角度。基于哨兵5P卫星的NO2柱浓度数据和气象、人口密度等其他辅助数据, 构建了对地表NO2进行预测的深度神 经网络 (DNN) 模型。并使用两种交叉验证方法对该模型进行验证。在基于样本的验证中, 模型的决定系数 R2、均方 根误差 (RMSE) 和平均预测误差 (MAE) 分别为0.80、7.72 μg/m3和 5.31 μg/m3;在基于站点的验证中, 模型的R2、RMSE 和MAE分别为 0.74、8.95 μg/m3和6.01 μg/m3, 两种验证结果都表明DNN模型具有较好的整体预测能力和空间泛化 性。此外, 与经典的地学统计和机器学习算法对比结果表明DNN预测性能优于其它方法。最后用训练好的模型获得 了京津冀地区 0.1° 的NO2分布图。     

西安市大气颗粒物中棕碳的吸光性研究

利用离线滤膜-溶剂提取-连续光谱分析的方法在 2016 年 12 月 25 日到 2017 年 12 月 26 日期间对西安市大气 颗粒物进行了连续一年的监测与分析。用石英纤维滤膜收集大气 PM2:5 样品, 再分别利用超纯水和甲醇超声萃取样品 中的水溶性有机碳 (WSOC) 和甲醇可溶性有机碳 (MSOC), 最后进行紫外-可见吸收光谱分析获得样品光吸收特性。 对西安市水溶性棕碳 (BrC) 和甲醇溶性 BrC 在 365 nm 下冬季和夏季的吸光贡献分析发现, 冬、夏两个季节甲醇提 取的有机组分光吸收效率均高于水提取的, 甲醇溶性有机碳质量吸收效率 [MAE(MSOC)] 年均值 [(1.60±0.67) m2·g−1] 是水溶性有机碳质量吸收效率 [MAE(WSOC)] 年均值 [(0.90±0.47) m2·g−1] 的 1.17 倍, 表明有机溶剂萃取组分中含有 更多的吸光能力更强的物质。冬季的 MAE(WSOC) 为 (2.05±0.86) m2·g−1, MAE(MSOC) 为 (1.53±0.36) m2·g−1; 夏季的 MAE(WSOC) 为 (1.06±0.24) m2·g−1, MAE(MSOC) 为 (0.51±0.17) m2·g−1。冬季的 MAE 值总体高于夏季的, 且冬季的 WSOC 的 E250/E265 值 (5.25) 相对低于夏季 (5.58), 可能因冬季燃煤取暖排放导致。对 BrC 中的水溶性有机碳与气象 六要素浓度进行了线性拟合, 结果显示 WSOC 与 PM2:5 (R2 = 0.6417) 和 PM10 (R2 = 0.4035) 有一定的相关性, 但与 O3 (R2 = 0.0682) 没有显示出明显的相关性, 表明其二次光化学反应的来源占比很小。     

包头城区冬春大气颗粒物污染特征及其与气象条件关系

包头2015~2016年冬春季节出现了连续的雾霾天气,不仅对能见度产生较大影响而且严重危害人体健康。选取了包头主城区8个空气质量浓度监测点的数据,对主城区的PM2.5和PM10污染特征进行分析,确定其空间差异特征和时间性变化特征。依据监测区功能的不同将包头主城区划分为5个区域,对各个区域监测点数据筛选整理,得到冬春季各个区域PM2.5和PM10质量浓度由高到低的顺序均为：工业区＞ 商业区 ＞文化区 ＞交通枢纽区＞公园游览区。各区域颗粒物月变化曲线呈双峰单谷型,12月最高,2月最低,并对成因进行分析总结;逐日变化反映PM2.5和PM10质量浓度具有较好的相关性,且受气象条件影响显著;日变化呈双峰双谷趋势。本文选取了气温、气压、相对湿度和风速等气象因子,利用Spearman秩相关分析研究各个气象因子对大气PM2.5和PM10质量浓度的影响。包头春季PM2.5和PM 10的质量浓度分别与气温、气压正相关,与风速、相对湿度（伴有降水时）负相关,风速、气压和相对湿度是影响污染物质量浓度分布的主要因素。     

基于抛物方程的无线电环境地图快速构建方法

研究一种基于三维抛物方程的无线电环境地图快速构建方法，并探讨几种空间插值方法的精确度和适用性，为网络优化和管理提供一种有效工具。利用抛物方程快速计算大区域复杂环境电场分布，参考地理学中最佳统计单元选取四种典型研究区域，分别采用Kriging、反距离加权法(IDW)、双调和样条插值和基于三角剖分的几种插值法对研究区域进行分析。结果表明：a) 几种三角剖分插值和双调和样条插值在各区域RMSE最小且时间最短，但空间拟合程度最低；b) Kriging在各区域中空间拟合程度最高，RMSE和时间随半方差模型有所差异；c) IDW在各区域中RMSE和空间拟合程度较好，但需要时间最长。几种空间插值方法中，指数模型Kriging能以最高精确度和适用性构建基于三维抛物方程的无线电环境地图。     

环渤海城市群空气污染特征及其与气象要素的关系

为探究环渤海三大城市群空气污染特征及其与气象要素关系的异同, 基于 2015–2019 年空气质量指数日报资 料及同期气象要素资料, 利用空间自相关模型和皮尔逊相关系数对其相关性进行了分析。研究表明: (1)对于 PM2.5、 PM10 和 O3 这三大被研究的首要污染物, 在冬季主要以 PM2.5、PM10 为主, 夏季以 O3 为主。除 O3 外其余污染物浓度 呈现下降趋势。(2) 空气质量指数 (AQI) 呈现秋季最低、冬季最高的变化特点, 年际上空气质量在逐步改善。(3) AQI 存在明显的空间集聚现象, 总体上由沿海向内陆逐渐由空气质量优良区变为空气污染区。(4) AQI、PM2.5、PM10 和 O3 在不同季节与各气象要素的相关性不同, 且相关性强度呈非线性变化。     

面向ICESat-2单光子激光雷达的陆地目标测距误差分析

单光子激光雷达所获取的光子事件存在随机分布的特点,使得其激光测距值出现不确定性,从而降低了单光子激光雷达的测距精度。在不减小采样分辨率的情况下,采用累积邻近多光斑的光子事件来构建光子累积直方图,并基于反算的目标响应函数的时间重心来确定激光测距值。针对ICESat-2单光子激光雷达,以测距均方根误差（RMSE）和平均绝对误差（MAE）为性能指标,构建出一种综合考虑陆地地形、累积光斑数目和回波光子数等多因素对其测距误差影响的评估方法。同时,选取ICESat-2过境美国犹他州西瓦利城的某观测条带的随机地形数据进行验证分析。结果表明,所提出的激光测距值解算方法能够使该条带的测距RMSE值由114.25 cm降低到63.84 cm,MAE值由70.97 cm降低到48.52 cm,均优于ICESat-2数据产品提供的137.96 cm RMSE值和97.24 cm MAE值,这对提升单光子激光雷达在陆地区域的测距精度具有一定的借鉴作用。