基于优化神经网络的AOD与PM_(2.5)关系模型研究

为了克服BP神经网络反演PM_(2.5)精度较低的问题,基于2017-2019年河南省MODIS气溶胶光学厚度(AOD)与PM_(2.5)浓度数据,使用量化共轭梯度算法代替传统BP神经网络使用的LM(Levenberg-Marquardt)算法,收敛速度快,且不需要其他参数。为了验证优化算法,将研究数据按照季节分类,使用日均PM_(2.5)近地面值与AOD构建关系模型。对于MODIS AOD在时空上的缺失,使用暗像元算法反演MODIS遥感图像作为补充。其中70%数据建立训练集,20%的数据建立验证集,10%的数据建立测试集。实验结果表明:PM_(2.5)与AOD存在正相关性,其中春季相关性0.7,夏季0.84,秋季0.68,冬季0.56。优化的模型相比BP神经网络模型,R值四季均有提高,春季0.54提升到0.62,夏季0.82提升到0.86,秋季0.72提升到0.79,冬季0.53提升到0.64;RMSE四季均有降低。从结果可以看出,PM_(2.5)与AOD存在显著的相关性,可以用AOD来反演PM_(2.5)。优化的神经网络模型在精度上有明显提高,可以用于估算高精度的PM_(2.5)浓度。

2015~2019年河南省PM_(2.5)时空特征与驱动因素分析

PM_(2.5)是雾-霾中的主要成分,河南省已成为PM_(2.5)污染防治重点地区之一.基于2015~2019年河南省PM_(2.5)浓度数据,使用空间自相关和空间热点探测方法分析其时空特征,引入地理探测器方法分析气象因素、空气质量因素和社会因素对PM_(2.5)浓度的解释力度.结果表明,河南省2015~2019年PM_(2.5)浓度整体呈现降低趋势,高污染天数减少和低污染天数增加,高污染逐步向中污染转化;PM_(2.5)浓度具备明显的空间聚集特征,全局空间自相关指数先降后升,空间热点集中在豫北地区(安阳市、鹤壁市、新乡市和焦作市),空间冷点集中在豫西地区(三门峡市、洛阳市和南阳市);空间重心转移呈现出北上的趋势;单因子探测显示,在9个影响因子中,土地利用类型(解释力度为0.511,下同)、降水量(0.312)和NO_(2)浓度(0.277)是影响PM_(2.5)浓度最明显的因子,其余因子影响力排序为PM10浓度(0.255)、温度(0.209)、风速(0.183)、臭氧浓度(0.121)、GDP(0.073)和人口数量(0.046);交互作用探测显示,多因子共同作用比单因子影响更加显著.结果可以为治理河南省大气污染提供理论支持.