论文部分内容阅读
随着全球工业化进程，尤其中国经济高速发展带来了严重空气污染问题。传统手段对PM(Particulate Matter)监测由于分布站点少，运营成本高而达不到较大空间覆盖。遥感观测在大面积尺度上极大方便对空气污染监测。已有很多研究表明，遥感气溶胶光学厚度(AOD)产品能够很好应用于PM监测。 为了尽可能提高遥感AOD估算PM的精度，需要考虑影响AOD-PM表达式的多种因素(特别是目前物理基础理论不是十分成熟的情况下)。这些因素包括地表下垫面(山区、平原等)、混合层高度、以及温度、湿度等气象要素。而对于如何构建AOD-PM表达式进行遥感PM估算，通常采用的方法包括多变量统计回归，或者先研究单一变量与PM之间的关系来构建AOD估算PM模型。 简单的线性或非线性模型不足以提高遥感PM估算精度。为建立遥感AOD估算PM模型，需要结合尽可能多的相关影响因子，进行多时空尺度、多粒径模型分析。而人工神经网络方法已被广泛且很好地应用于空气污染估算。本文针对上述问题提出贝叶斯正则化BP神经网络来构建遥感AOD估算PM模型。在BP网络框架下，用2007-2008两年MODIS双星(Terra和Aqua)AOD产品，结合7个站点地面观测数据(PM与气象数据(边层高度、相对湿度、温度、风速与风向))建立中国东部地区BP网络PM估算模型。并在此模型框架下进行时空采样尺度、边层高度及不同粒径(PM10、PM2.5、PM1)敏感性分析。其中时空采样为：1)时间采样方案：小时平均(Terra10:30与Aqua13:30)、日平均(24小时平均)以及季节影响。2)空间采样：主要考虑不同空间采样方案如：10×10km2、30×30km2、50×50km2AOD。 模型估算结果表明：①小时平均与日平均采样变化不是非常明显，其中以小时平均(对应Aqua时间13:30)PM相关性较好。②空间采样30×30km2AOD表现比较好。③从季节来看，PM观测值与PM估算值(BP模型估算)相关系数在秋季表现最佳(80.2％以上呈中强相关)。而春季与夏季相关系数只有50％在中强相关(R>0.4)以上。④PM10估算精度明显不如PM2.5与PM1。PM10不但包括了粗粒子气溶胶，也包括细粒子气溶胶，范围更广，但更不精确。⑤郑州的观测PM与估算PM(13:30小时平均PM2.5)相关系数最高(R=0.74)，其次南宁在3种时间采样方案(小时平均与日平均)下比较稳定。相关系数最差为番禺和临安。 研究同时也表明神经网络遥感AOD估算PM模型能较好地适用于中国东部地区。在此PM估算模型上进行季节分类能得到更高估算精度，PM的估算精度对边界层高度的变化比较敏感，基本上三种粒径的估算精度随边界层高度增大而变低。将来需要联合多源遥感数据(如MISR、CALISPO)，得到气溶胶更准确的分布信息(如气溶胶的垂直分布，气溶胶的类型分布，更高时空分辨率的AOD分布等)，结合大气物理相关理论，进行更深层次的物理推导，进一步提高遥感PM估算精度。