论文部分内容阅读
由于城市化和工业化的快速发展,我国对资源的消耗与日俱增,空气污染问题越来越影响到人们的生活健康和国家的发展战略。传统大气污染物监测一般通过站点进行监测,我国对大气污染的监测工作起步较晚,监测站点分布不均和覆盖率不足对空气污染监测有很大限制,且地面站的维护需要耗费大量的人力物力。遥感技术基于其覆盖面积广、实时监测等优势越来越多的被应用到空气质量的监测中。本文以京津冀地区2014～2016年遥感数据、气象数据和PM2.5站点监测等数据为主要数据源,基于机器学习算法,对PM2.5浓度预测模型、时空分布特征以及主要大气污染物的相关性进行了深入探讨与研究,其主要研究成果如下:(1)以 MAIAC(Multi-angle implementation of atmospheric correction)AOD(Aerosol Optical Depth)数据,温度、湿度、气压等9种气象参数以及PM2.5站点监测数据,采用神经网络与深度置信网络(DBN,Deep Belief Networks)算法建立了 PM2.5浓度预测模型,进而反演出1km分辨率PM2.5浓度分布,与MODIS 3km分辨率气溶胶产品相比,在空间分辨率和有效值覆盖率方面都有较大提高。(2)在PM2.5浓度预测中,对DBN模型和BP(Back Propagation)神经网络模型预测精度进行对比分析,结果表明:DBN模型R2=0.71、均方根误差RMSE=17.63μg/m3、平均误差=15.03μg/m3;BP网络预测模型分别为0.68、23.51μg/m3、20.03μg/m3,从而看出DBN模型优于BP神经网络模型。(3)对PM2.5站点监测数据进行了分析,其3年内年度时间分布特征为:1月份保持在较高浓度水平,2、3月份逐渐上升达到最高值,4月份开始逐渐降低,6月份达到污染浓度最低值,7月份有一定程度的回升,8、9月份再次回落,10、11、12月份浓度逐渐升高,直到次年1、2月份。对预测模型反演的PM2.5浓度空间分布分析表明,西部、北部山区浓度普遍较低,中部、南部、东部城市地区浓度较高,北京、廊坊、天津、保定等地区受PM2.5影响较为严重,秦皇岛、唐山、张家口等地PM2.5浓度较低。(4)对主要大气污染物与PM2.5相关分析得知,由于受燃料燃烧、汽车尾气排放等因素的影响,京津冀地区PM2.5浓度受CO、NO2、S02的影响极为明显,并且远大于O3的影响。综上所述,基于遥感影像AOD数据、气象数据和PM2.5站点数据,建立的PM2.5浓度预测模型,精度较高,可以对区域PM2.5浓度空间分布进行较好的反演,便于对PM2.5时空分布特征进行分析,根据PM2.5浓度与SO2、NO2、CO、O3等污染物相关性,得出CO对PM2.5浓度贡献最大。