论文部分内容阅读
随着测绘科学技术的不断进步,全球导航定位系统(GNSS)技术的应用领域不断拓展,逐步应用到环境监测、地震预测、气象等诸多领域。其中GNSS在气象学中的应用不断深入,具有重要的研究意义。近年来雾霾频繁发生于全国各地,给人民生产生活造成巨大影响。PM2.5是雾霾的主要组成成分,进行PM2.5浓度时空演化特征分析有助于认知大气污染的发展和现状。我国PM2.5浓度监测起步较晚,且当前主要是由物理方法获得,当前获得PM2.5浓度的方法主要通过地面监测、卫星遥感反演等,前者造价昂贵且操作复杂,后者精度较低,这不利于开展PM2.5浓度时空演化特征分析,故国内外学者提出建立PM2.5浓度模型的方法,拟通过选取适当的自变量和模型建立PM2.5浓度模型。水汽在PM2.5形成过程中起到重要作用,水汽浓度饱和时,会与空气中的细小灰尘结合形成颗粒,参与到PM2.5的形成;同时水汽作为一种反应物与空气中的大气污染物发生化学反应,形成细小颗粒,而该颗粒属于PM2.5。目前获得水汽数据的方法主要有无线电探空、水汽辐射计、卫星遥感反演等,以上方法中,无线电探空与水汽辐射计造价昂贵且工作量大,卫星遥感反演精度较低,这对获得水汽数据造成诸多干扰。而利用GNSS反演水汽,不仅不受天气条件影响,且其精确、快速、时空分辨率高等优点,应用领域日益广泛。鉴于GNSS水汽的优点,且水汽在PM2.5形成过程中扮演的角色,将其作为自变量参与PM2.5浓度模型构建。由于PM2.5浓度变化机理复杂,受到外部气象条件以及内部大气污染观测的影响,故综合考虑内外部因素,选择合适的模型,建立PM2.5浓度模型,进行PM2.5浓度时空演化特征分析。本文的主要研究内容及结论如下:1、研究GNSS水汽与PM2.5浓度的关系。本文通过研究GNSS水汽与PM2.5浓度在时间序列上的相关关系,GNSS水汽的变化过程对应了PM2.5浓度的相应变化,由于GNSS水汽存在明显的季节性变化,对其进行小波分解重构后进行相关性比较,分解重构后相关性结果较高,可以作为自变量参与PM2.5浓度模型构建。2、运用BP神经网络建立PM2.5浓度模型。以河北省冬春季节为例,对影响PM2.5浓度的内外部因素选择合适的自变量,大气污染观测选择相关性较高的PM10、SO2、CO、NO2、O3,外部气象条件选择GNSS水汽与风速,模型在污染浓度等级为良、轻度污染、中度污染、重度污染时拟合效果较好。3、建立多变量PM2.5浓度模型。对参与模型构建的自变量进一步进行选择,内部因素选用相关性最高的PM10,外部气象条件GNSS水汽、风速,并与仅以PM10为自变量的PM2.5浓度模型相比较,多变量浓度模型效果较好,且该确定性模型在污染等级为良、轻度污染、中度污染拟合效果较好。