浙江省近地表PM2.5质量浓度模型模拟

摘要

可吸入颗粒物PM2.5对人体健康造成严重影响，如何从区域尺度上全面而准确地模拟PM2.5空间分布，是学术界长期亟待解决的问题。传统的站点监测方法虽然能够较精准地检测当地的PM2.5质量浓度，却无法实现较大范围内PM2.5质量浓度的空间分布监测。　　当前利用土地利用回归模型模拟PM2.5空气污染浓度分布日益成熟。针对以上科学问题，研究首先基于31个站点预测整个浙江省PM2.5质量浓度和基于10个站点预测杭州地区的PM2.5质量浓度，提取包括气象、土地利用、地形及其他共20个影响PM2.5浓度的因子，基于土地利用回归模型(Land Use Regression,LUR)分别利用运用地理加权（GWR）方法和普通最小二乘法（OLS）对浙江省近地表PM2.5日均质量浓度空间分布进行了预测，并对比了两种方法的有缺点和适用性。结果表明：运用地理加权（GWR）方法建立拟合方程的R2平均值（0.69）和R2Adjusted平均值（0.53）都优于运用普通最小二乘法（OLS）建立拟合方程的R2平均值（0.53）和R2Adjusted平均值（0.41），但是两者的AIC指数却没有明显差异。基于10个站点预测杭州地区的PM2.5质量浓度时，运用GWR方法建立拟合方程的R2值和R2Adjusted值都优于运用OLS方法，且GWR的A IC值变化趋势(均值-182.4)明显低于OLS值变化趋势(均值74.8)。结论表明，应用LUR模型模拟大尺度区域的近地表PM2.5浓度是有效的。基于GWR的预测方法优于OLS的预测方法。本文提供的方法对进一步研究PM2.5估测模型具有一定的参考价值。其次，研究基于杭州地区2014年度到2015年度全年的PM2.5质量浓度数据，提取包括污染点源因子、交通因子、人口因子、土地利用因子和气象因子等60个预测因子，基于地理加权算法(GWR)建立春、夏、秋季的模型，实现对杭州地区近地表PM2.5质量浓度空间分布的预测。结果表明:基于地理加权回归算法时，检验模型的R2值分别达到0.76（春季）、0.70(夏季)、0.73（秋季）、0.76（冬季）,模型能够解释PM2.5浓度值80％以上的变异。每个季度杭州地区PM2.5浓度变化不尽相同，但总体以杭州中部最高，西南部偏低。研究说明基于LUR模型模拟大尺度地区PM2.5质量浓度空间分布是可行的。最后，研究基于浙江省152个站点利用遥感数据反演MODIS下午星的AOD数据，并通过反距离插值得到各空气监测站点的气象因子，建立逐步多元线性回归模型和BP人工神经网络，并对比两种模型。结果表明:基于运用BP人工神经网络建立的拟合方程的R2值和R2Adjusted值都优于运用逐步多元线性回归方法，运用BP人工神经网络验证模型的R2值是0.56，RMSE值是16.15，MAE值是12.88。基于运用逐步多元线性回归方法的R2值是0.44，RMSE值是20.48，MAE值是14.6。应用非线性人工神经网络模型可以更好的实现了相关影响因素与近地表PM2.5空间分布的非线性隐式表达，预测效果更佳。

目录

封面

声明

中文摘要

英文摘要

目录

第一章 绪论

1.1选题的背景

1.2土地利用回归模型研究进展

1.3大气污染物浓度预测的人工神经网络方法

1.4大气颗粒物的遥感反演研究进展

1.5 大气颗粒物浓度与土地利用数据的关系研究进展

1.6大气颗粒物浓度与气象因子的关系研究进展

1.7 研究内容与技术路线

第二章 建模数据

2.1研究区域特征分析

2.2 MODIS AOD卫星数据

2.3地基气象数据

2.4数据处理和匹配

2.5 缓冲半径和预测变量

2.6 插值方法

第三章 基于主成分分析（PCA）的GWR算法和OLS算法

3.1研究区域地基数据

3.2地理加权回归和全域最小二乘回归算法的原理

3.3站点因子筛选

3.4模型的建立与结果

第四章 基于GWR算法模拟杭州市PM2.5空间分布

4.1研究区域地基数据

4.2部分建模数据统计特征描述

4.3杭州地区的预测模型建立

4.4杭州地区PM2.5浓度空间分布

第五章 基于多元逐步线性回归算法和BP人工神经网络建模

5.1研究区域地基数据

5.2 建模数据分析

5.3多元逐步统计回归原理

5.4 BP人工神经网络模型原理

5.5建立多元逐步回归模型和BP人工神经网络模型

第六章 结论与讨论

6.1主要结论

6.2讨论

参考文献

致谢

个人简介