论文部分内容阅读
据研究表明,在我国大气污染的6项指标中,首要污染物PM2.5和O3是对我国人民群众健康造成最大威胁的两种污染物。河南的平原地区地形特殊、人口集中,研究分析PM2.5、O3时空变化特征,具有重大意义。研究空气质量的时空变化特征需要气候学尺度上足够的空气质量历史数据作为支撑。为了弥补实测资料在时空分布不均的缺陷,利用卫星资料反演和模式同化来获得均匀空间分布污染数据是一种有效的手段。由于资料反演存在误差,需要对卫星资料反演的污染数据进行适用性验证。本文选取美国国家航空航天局（NASA）利用GOES-5卫星反演和资料同化的模拟获得的再分析数据MERRA2（Modern-Era Retrospective Analysis for Research and Applications）数据集作为研究对象。基于2017～2019年PM2.5、O3实时监测数据对同时期的MERRA2再分析资料进行对比分析,通过空间分布和时间变化特征、统计分析比较进行系统评估。经分析验证,MERRA2能较好的表征出O3浓度在河南平原地区的变化特征,但对于MERRA2的PM2.5数据集,虽然也能应用于河南平原地区,但存在一定的低估现象。为了改善MERRA2的低估现象,我们基于2017～2020年MERRA2、实测、观测三种数据,对MERRA2再分析PM2.5资料中的不确定性因素进行分析,并通过气溶胶化学组分含量分析和机器学习两种方法加以修订,极大的改善了河南平原地区MERRA2再分析资料适用性较差的效果,最终得到一套适用于河南平原地区的数据集,为相关研究的资料选择提供依据。主要结论如下:1)MERRA2与实测PM2.5浓度资料的均方根误差在50μg/m3左右,总平均偏差在-4μg/m3左右,春季平均偏差为0.69μg/m3,夏季为13.91 μg/m3,秋季为9.54μg/m3,冬季为-31 μg/m3。由此可知,MERRAPM2.5浓度资料可以反映春、夏、秋三季地面PM2.5浓度的变化趋势,但冬季的资料出现了较大的偏差,因此,在使用冬季的MERRA2近地面PM2.5浓度资料时必须非常谨慎。MERRA2再分析PM2.5数据可以反映出PM2.5浓度年际以及月际变化的大致趋势,但不能重现日际变化特征。通过PM2.5浓度空气质量等级比较发现,MERRA2能够表征出PM2.5浓度低值区域（空气质量为优良）的空间位置,但对污染程度较高（重度污染及以上）地区的PM2.5浓度存在一定的低估,且随着PM2.5浓度的增加,其MERRA2与实测的偏差也逐渐增大。2)MERRA2与地面站实测的O3浓度相关性为0.8,平均偏差在23 μg/m3左右,均方根误差在46μg/m3左右,变化趋势具有很好的一致性,但MERRA2的变化趋势整体小于实测数据。夏季偏差较小,除夏季外,均表现出一定程度的高估现象;且两者具有相似的月变化特征。3)通过对气溶胶化学组分测量分析后加入硝酸盐、铵盐等气溶胶化学组分,可使相关系数从0.44提高到0.76,并通过参数化方法提高到0.89。平均偏差也控制在-1～1 μg/m3之间,均方根误差也减小到30 μg/m3左右。4)通过18种机器算法建立修正模型,线性里边弹性网络回归算法模拟效果较好,非线性里边人工神经网络算法拟合的效果最好。整体来看,采用非线性模型拟合的效果整体比线性模型的好,且均方根误差从50 μg/m3减少到20μg/m3左右,平均偏差控制在15μg/m3左右,极大的改善了河南平原地区MERRA2再分析资料适用性较差的结果。5)通过对典型污染过程分析,发现18种算法都可以很好的描述出PM2.5浓度的大致变化趋势,但弹性网络回归算法偏差较大,且对于较小的变化的描述不如人工神经网络算法好;对于重污染天气,两者都不能描述出来,可能是由于PM2.5的计算里边缺少硝酸盐、铵盐等组分。