基于PWV时序变化的北京地区雾霾预测

摘要

近年来，雾霾现象在我国各大城市频频发生，雾霾不仅会对人体健康造成危害，同时还极大地影响了人们的生产生活，因此，对雾霾现象的监测预警已经凸显其在现代生产生活中的重要性。尽管目前已经有一些能够对雾霾进行监测预警的手段方法，这些方法中主要包括散射辐射计、激光雷达等，但他们在一定程度上仍具有局限性，比如时空分辨率低、价格昂贵等。GNSS技术经过多年的不断发展和完善，具备了精度高、不间断、操作简便、长期稳定等优点，同时也促进了衍生的交叉学科—GNSS气象学的发展，其中，基于GNSS探测大气水汽（Perceptible Water Vapor，PWV）的技术在降水预报中已经得到广泛应用。雾霾爆发时空气质量指数（Air Quality Index，AQI）、PM2.5相对较高，同时会引起PWV、相对湿度等气象指标产生变化，进而导致GNSS信号从卫星到接收机的延迟产生变化。本文以北京作为研究区域，在北京地区以IGS数据为基础，研究北京地区PM2.5与PWV、AQI与ZTD（Zenith Total Delay）的时序变化特征，探索雾霾生消过程中的一些共性规律，并将发现的规律结合GNSS反演技术应用于雾霾的实时监测与预报。
　　本文主要的研究内容有：
　　1.本文首先介绍了雾霾产生的原因及危害，分析雾霾的分布特征。
　　2.详细介绍GNSS探测大气水汽的相关原理、流程，利用中国及周边的IGS站提供的数据，采用GAMIT/BLOCK软件解算获取ZTD，以得到PWV。
　　3.重点研究了雾霾因子与PWV的时序特征。逐月分析2015年北京地区PM2.5与PWV、AQI与ZTD的时序特征，除丰雨期个别时段外，在大部分雾霾生消过程中AQI与ZTD、PM2.5与PWV时间序列高度一致，显示了极强的相关性：雾霾生成阶段，四者均持续上升；雾霾持续阶段，四者在峰值附近上下波动；雾霾消散阶段，四者迅速下降。同时也简单分析了在无霾情况下四者的时序特征，在无雾霾时，AQI与ZTD、PM2.5与PWV的波动幅度不大，但同样表现出较高的相关性。
　　4.基于北京地区雾霾因子与PWV时序特征一致的特性，将BP、模糊、小波神经网络应用于PM2.5的浓度预测。利用GNSS数据解算得到时值PWV数据，结合气象数据，采用三种神经网络，对北京地区2015年冬季和夏季PM2.5时值浓度进行预测，并分析预测精度。采用遗传算法和粒子群算法对BP神经网络进行优化，得到GA-BP和PSO-BP预测模型，利用该模型对多雨期PM2.5进行预测，预测精度较优化前有明显提高。

目录

声明

第1章 绪论

1.1 研究的背景与意义

1.2 国内外研究的进展概述

1.3 本文研究的目的与主要内容

第2章 雾霾产生的原因及分布特征

2.1雾霾产生的原因

2.2雾霾的分布特征

2.3北京地区空气质量

2.4 本章小结

第3章 北京地区PM2.5/PWV、AQI/ZTD时序变化特征

3.1 GNSS探测大气水汽的基本原理

3.2地基GNSS数据处理软件

3.3地基GNSS在探测大气水汽中的精度验证

3.4北京地区PM2.5/PWV、AQI/ZTD时序特征

3.5 本章小结

第4章 应用神经网络进行北京地区PM2.5浓度预测

4.1 BP、模糊、小波神经网络

4.2 BP神经网络对北京地区PM2.5日均值预报

4.3三种神经网络预测北京地区PM2.5时值浓度

4.4 基于GA-BP和PSO-BP神经网络的多雨期PM2.5时值预测

4.5 本章小结

第5章 结论与展望

参考文献

个人简介、攻读硕士期间发表的学术论文及参加的科研项目

致谢