论文部分内容阅读
随着公众对空气质量关注日益提高,以流行病学研究污染物暴露浓度对人体健康影响为典型代表的空气质量相关研究,对整个研究区域内更为准确捕捉污染物浓度时空变化特征的要求也越来越高。外场观测是进行空气质量研究的一种有效方式,但由于受观测点位的代表性、观测点覆盖面不足的限制,仅代表采样点周边局部污染状况。空气质量模型能再现污染物在大气中的迁移转化过程,进而得到区域大气污染物时空连续的分布特征,但其结果受大气污染物排放清单、气象场、地形等因素的影响不确定性较大。数据融合是将实际观测数据和模型模拟数据进行空间数理统计处理,同时利用监测点位数据可靠性高和模拟数据时空连续性好的优点,可更好捕捉研究区域内污染物浓度时空分布特征,实用价值高。受美国环保署(USEPA)委托,论文对USEPA提供的VNA、eVNA、Downscaler三种数据融合算法进行分析校验,优化计算速度,并评估应用效果。在此基础上,论文研发了空气质量模拟与监测数据融合工具(Data Fusion),为空气污染与健康效益评估快速提供不同数据融合方法结果的模型数据输入。最后,论文通过PM2.5和O3两种污染物的实际案例应用分析,探究Data Fusion在为空气质量相关分析及人体健康效益评估提供空气质量输入的应用。应用分析结果表明,数据融合结果的数据准确度及精度在独立验证站点显著高于原始空气质量模型模拟数据。其中,PM2.5污染物VNA、eVNA、Downscaler方法的R-square值分别提升了30.05%、51.76%、55.14%,RMSE值分别降低了30.16%、29.05%、30.64%;O3污染物VNA、eVNA、Downscaler方法的R-square值分别提升了34.45%、34.27%、36.80%,RMSE值分别降低了65.70%、63.51%、65.79%。研究表明,不同数据融合算法得到的空气质量输入对健康影响评估有明显影响,美国宾夕法尼亚州PM2.5及O3空气质量浓度改善可获得货币化健康效益(PM2.5环境浓度CMAQ、VNA、eVNA、Downscaler预测方法得到的经济效益分别约为51.1亿美元、71.6亿美元、70.5亿美元、69.8亿美元;而O3环境浓度不同预测方法得到的经济效益分别约为70.7亿美元、83.9亿美元、80.5亿美元、85.0亿美元)。