GPS反演大气可降水量与区域PM2.5的相关性研究——以徐州地区为例

摘要

水汽是大气中重要的组成成分，在大气中含量占比较少但变化范围较大，水汽在各种天气变化中起主导作用。传统的大气探测手段在连续性以及精度方面具有很大局限性，而GPS水汽反演技术在经历了多次变革发展之后，具有全天候、精度高、实时快捷、不受天气状况的影响以及成本低廉等优点，使其被广泛应用于各类天气观测预报工作。随着近些年经济体的高速发展，各种污染物排放导致环境恶化加剧，空气质量逐年下降，雾霾是大气污染的重要现象之一，其成因是大气内各种污染颗粒物借由一定条件的气象因素凝结或聚集，短时间内无法自行沉降使能见度恶化，而大气水汽是促使雾霾成型的外在气象因素条件之一。本文利用国内5座城市GPS观测站和国控气象站数据，建立基于水汽反演的大气可降水量和大气污染物相关性模型和大气污染物预测模型，主要内容包括： （1）天顶可降水量PWV的获取。使用GAMIT处理国内5座城市GPS站获取天顶对流层延迟，并结合实验区域本地化Tm模型解算出PWV。通过与探空站相对应时刻获取的PWV对比，从处理时间、处理精度、处理的复杂性等多方面对PWV的获取进行精度对比评价。 （2）徐州地区大气颗粒物PM2.5与PWV相关性研究。针对所选用研究地区区域概况及逐月份的极端雾霾天气，将GAMIT解算得到的徐州市大气可降水量及国控气象监测站PM2.5数据进行相关性及变化趋势分析。对比可知GPS反演大气可降水量与PM2.5呈正相关，样本数据反映的极端天气也与历史天气预报提供信息基本吻合； （3）基于BP神经网络的水汽反演大气污染预测模型建立。为了更精确的获取两者之间的模型，运用神经网络技术进行学习预测，建立PM2.5监测模型并使之与探空站大气污染颗粒物数据对比，二者相关系数显著高于线性回归模型，均方根误差也有明显改善，各精度指标均表明BP神经网络的优化模型相对于线性回归模型更优，进一步验证了基于GPS水汽反演与BP神经网络技术构建大气污染预测模型的可行性，为大气监测领域研究提供新的可能。

目录

声明

致谢

变量注释表

1 绪论

1.1 研究背景与意义（Background and Significance）

1.2 国内外研究现状（Research Status at Home and Abroad）

1.2.1 国外研究现状

1.2.2 国内研究现状

1.3.1 主要研究内容

1.3.2 技术路线

1.4 章节安排（Chapter Arrangement）

2 地基GPS水汽反演基本原理

2.1.1 GPS气象学概述

2.1.2 大气水汽介绍

2.1.3 大气层结构

2.2 地基GPS水汽反演技术（Ground-based GPS Retrieving Water Vapor Technology）

2.3 对流层延迟及误差改正模型（ Tropospheric Delay and Error Correction Model）

2.3.1 经典对流层天顶延迟模型

2.3.2 映射函数模型

2.3.3 其它传输误差

2.4 水汽反演核心参数获取（ Acquisition of Core Parameters of Retrieving Water Vapor）

2.4.1 天顶湿延迟获取

2.4.2 大气加权平均温度模型

2.4.3 本地化加权平均温度

2.4.4 大气水汽含量计算方法

2.5 本章小结（Chapter Summary）

3 徐州地区地基GPS反演大气可降水量

3.1 水汽反演流程（Water Vapor Retrieved Process）

3.2.1 气象信息数据

3.2.2 GPS观测站概况

3.2.3 本地化加权平均温度

3.3.1 数据资料获取

3.3.2 水汽反演及精度分析

3.4 本章小结（Chapter Summary）

4 大气可降水量与污染颗粒物PM2.5的相关性研究

4.1 研究区域概况（Research Area Overview）

4.2 相关性研究流程（Relevance Research Process）

4.3 徐州地区PWV与大气颗粒物PM2.5的相关性研究

4.4 本章小结（Chapter Summary）

5 基于BP神经网络的PM2.5预测模型试验研究

5.1 BP神经网络算法（BP Neural Network Algorithm）

5.1.1 BP神经网络介绍

5.1.2 数据标准化

5.1.3 神经网络参数设置

5.2 大气污染颗粒物BP神经网络模型应用分析（ Application Analysis of BP Neural Network Model for Air Pollution Particles）

5.3 基于GPS/PWV的大气颗粒物PM2.5反演线性/非线性模型对比分析（Comparison of linear/nonlinear models of PM2.5 inversion of atmospheric particulate matter based on GPS/PWV）

5.4 本章小结（Chapter Summary）

6 结论与展望

6.1 结论（Conclusions）

6.2 展望（Prospects）

参考文献

作者简历

学位论文原创性声明

学位论文数据集