基于气象观测数据建立卷积神经网络算法反演PM_(2.5)

利用扬州市气象观测站点和中国环境监测总站的逐小时数据估算PM_(2.5) 的各相关组合因子,然后利用CNN卷积神经网络算法构建反演PM_(2.5) 质量浓度的机器学习模型。结果表明:(1)利用CNN卷积神经网络算法反演PM_(2.5) 是有效且可行的,且比一般的线性回归算法效果更佳,为反演PM_(2.5) 提供了一种新的机器学习方法。(2)在影响PM_(2.5) 反演的各输入变量因子中,PM_(10)与能见度变量为高相关因子。利用神经卷积网络算法反演PM_(2.5) 理论上反演精度能够随着输入信息增多而不断提高。

结合地基PM_(2.5)观测资料构建京津冀MODIS AOD完整数据集

针对遥感气溶胶光学厚度(AOD)产品普遍存在的非随机性缺失问题,本文选取2020年京津冀地区10km×10km的MODIS_MYDMOD04_L2日值数据和地基PM_(2.5)浓度观测日值数据,经过MODIS AOD单星两种算法产品的逆方差加权及双星算术平均融合、PM_(2.5)浓度数据的嵌套式时空混合效应模型转换融合和基于上述两种融合产品的时空克里金插值融合等方法集成,建立了研究区完整的AOD日值数据集.结果显示:经AERONET AOD数据验证,双星MODIS AOD融合结果R^(2)为0.87,RMSE为0.27;混合效应模型转换融合结果R^(2)为0.82,RMSE为0.31;时空克里金插值融合结果R^(2)为0.83,RMSE为0.28.AOD数据年平均每日空间覆盖率从MODIS原始数据的58.36%提高到时空克里金插值融合后的98.00%.MODIS AOD多算法多星数据融合的作用是增强与PM_(2.5)浓度日均值数据在时间尺度上的匹配度.地基PM_(2.5)浓度转换融合的作用一是补充区域内分布较均匀的局域AOD相对高值数据,保障了后续时空克里金插值的整体精度;二是能改善大片区域原始AOD数据缺失问题,可明显提高插值的时空覆盖率.所设计的数据融合方法体系,具有方法较简便、精度较高、数据集完整性好的特点.