论文部分内容阅读
随着中国经济增长以及社会建设的不断发展,伴随而来的是空气污染问题不断恶化,雾霾事件频发,由空气污染带来的问题已经引起了社会各界高度重视。据统计,我国每年都有70%以上的城市空气质量超标,其中以Particulate Matter 2.5(PM2.5)为特征污染物的区域性大气污染已成为京津冀城市群当前最迫切、最突出的环境问题。目前我国已经建立了覆盖全国的空气污染物地面监测网,但是已有的监测站点集中分布在城区,而城市郊区和农村等无测站区则成为空气质量评价、污染防控、预报预警和污染暴露研究的“盲区”。PM2.5污染影响因素复杂且区域差异明显,仅利用有限的监测站点观测数据难以准确揭示PM2.5浓度的时空分布和变化机制。基于卫星遥感的气溶胶光学厚度（aerosol optical depth,AOD）产品为揭示区域大气中污染物的分布状况、污染源分布及扩散动态等提供了有效途径。存在问题用两句话总结。针对这些问题,本文进行相关研究,一方面基于卫星遥感AOD产品可以弥补除城市中心区外其他地区监测站点空间覆盖严重不均的问题;另一方面考虑到监测站点地区与无监测站点地区在计算PM2.5污染均值时会有误差产生,AOD产品可用于校正计算时产生的误差,以提高我们对整个区域空气质量的认知水平。本文所选研究区域为京津冀城市群,该区域不仅是我国空气污染严重区域,同时也是大气环境质量改善的重点和难点地区。为了精确估算京津冀城市群PM2.5浓度以及分析PM2.5浓度空间差异与长期变化等特征,本文分析了2014年至2019年地面观测站点的PM2.5浓度数据的时间和空间的变化规律作为先验知识,在此基础上完成了不同季节条件下特征变量的选取,构建融合多元因子的估算模型用于精确估计京津冀近地面PM2.5浓度,并对PM2.5浓度时空分布特征进行分析。通过这些研究,本文能够为空气质量预报预警和空气污染区域联防联控提供较为科学的依据和准确度较高的数据源。本文主要研究内容如下:（1）基于站点尺度数据,本文进行了PM2.5浓度时空变化特征分析。从时间特征角度,对京津冀城市群PM2.5浓度进行基于自然时间维度的划分,分析不同时间维度下PM2.5浓度的变化规律。同时利用小波分析方法,挖掘长时间序列尺度下PM2.5浓度变化规律。得到了2015年至2019年京津冀13个城市的PM2.5年平均浓度趋势、月均PM2.5浓度整体变化趋势;年头和年尾时间段的PM2.5浓度日均值变化趋势、年中时段变化趋势及PM2.5浓度水平;PM2.5浓度显著季节变化特征及其在各个季度横向比较结果。从空间特征来看,本文分析了京津冀地区监测站点的PM2.5浓度的空间差异性,得到PM2.5浓度在冬季表现出的空间相关性及空间差异性最明显。（2）考虑PM2.5浓度变化与多种自然因素与人为因素相关性,为了能够区分潜在影响因子对PM2.5浓度在空间差异和时空变化方面的影响,本文根据地面监测站点PM2.5浓度表现出的季节变化规律作为先验知识,通过贪心算法根据各潜在因子在建模过程中的贡献程度选择特征变量,探讨各个特征变量在估算PM2.5浓度研究方面的有效性,对京津冀地区PM2.5浓度多元因子在模型优化过程中的贡献程度进行分析,得到了建模过程中针对不同季节的最优因子组合。（3）PM2.5浓度数据具有时间和空间特性。为了充分利用数据间的时空相关性,本文基于贪心算法的特征变量选择方法寻找与在不同季节条件下对PM2.5浓度估算模型贡献程度高的多元特征变量,建立可信度高的融合多元复杂特征变量的季节性时空地理加权回归（Geographically and Temporally Weighted Regression Model,GTWR）优化模型,对京津冀地区的PM2.5浓度进行季节性拟合。为了对比GTWR模型的精度优势,本研究利用地理加权回归模型（GWR）与克里格（Kriging）方法分别构建不同季节条件下PM2.5浓度的估计模型。采用交叉检验方法对比分析了三种模型的精度。研究结果表明用GTWR方法构建的PM2.5浓度估算模型的拟合结果更好,能准确估算京津冀地区PM2.5浓度的时空分布。同时,利用模型估算研究了京津冀地区PM2.5浓度的时空分布特征,基于估算模型获得的空间连续的PM2.5浓度的时空分布特征与基于监测站点PM2.5浓度的时空特征结果一致。本研究能够弥补PM2.5地面监测站点数据代表性的不足,获得无测站地区PM2.5浓度的时空分布,为超大城市群区域污染联防联控和环境污染暴露研究提供准确数据源。