论文部分内容阅读
随着我国工业化、城市化的迅速发展,大气污染颗粒物、痕量气体的排放也大幅增长,大气污染问题日益严峻,与此同时,伴随而来的流行性疾病、呼吸道疾病严重的危害着人类健康,因此,获取高时间、空间分辨率的近地面污染物浓度空间分布意义重大。随着互联网和信息技术的不断发展,大数据时代的来临,数据呈指数级增长,信息爆炸是当今时代的重要特征,而新兴起的机器学习算法能够快速而又高精度的提取特征,已经应用于医疗、人脸识别、语音识别、机器翻译等众多领域,与此同时,近些年大气监测相关的各类遥感卫星也陆续发射升空,监测着大气中各组分的变化,提供海量的数据。因此,本文运用机器学习的算法,结合卫星传感器OMI、TROPOMI提供的NO2数据、MODIS提供的NDVI数据、EMCWF提供的气象数据、MEIC提供排放清单数据以及其他各类数据,与国控站点观测的近地面O3浓度数据进行时空匹配、训练拟合验证,从而预测获取高时空分辨的近地面O3浓度分布,并进行人口加权暴露评估,总结为以下几点:（1）本文选取近些年研究中被广泛使用的回归模型时空地理加权回归（GTWR）、随机森林（RF）、梯度提升回归树（GBRT）进行相同数据集的交叉验证实验,决定系数R2分别为:0.80、0.84、0.91,均方根误差分别为:14.75（μg/m3）、13.12（μg/m3）、9.67（μg/m3）,GBRT的预测性能表现最佳,效果最好。（2）对时空匹配后的数据集进行特征变量选择,使模型更加精简高效后,进行Missing组、OMI-NO2组、TROPOMI-NO2组作近地面O3浓度预测的对比实验。结果表明,TROPOMI-NO2组决定系数R2为0.92,均方根误差RMSE为12.52（μg/m3）,均优于其他两组实验;而在预测的O3空间分布图方面,TROPOMI-NO2组的预测结果匹配后的数据样样本多、空间分布不存在条带情况、平滑性、连续性最好、空间分布细节更为明显,且对臭氧的低估现象有明显改善;在与地面真实观测值对比方面,TROPOMI-NO2组全国范围年均值与地面观测值分布一致性最好,浓度最接近地面真实值,在江苏、四川、广东、吉林的对比试验中,TROPOMI-NO2组均最接近地面真实值,而O3中值地区（四川、广东）OMI-NO2组、Missing组存在一定的偏差。（3）结合模型预测的近地面O3浓度空间分布,对我国各省作人口加权暴露评估,人口加权O3浓度值最高的5个省依次为:河南（109.44μg/m3）、河北（108.65μg/m3）、陕西（107.28μg/m3）、山东（106.46μg/m3）、安徽（103.40μg/m3）,最低的五个省:海南（55.16μg/m3）、辽宁（74.76μg/m3）、贵州（75.55μg/m3）、福建（76.43μg/m3）、广西（77.03μg/m3）,人口加权O3暴露持续时间上最长的5个省依次是:河南（203天）、山东（200天）、陕西（196天）、宁夏（195天）、河北（193天）,一年内平均约有54%的天数处于O3浓度非达标的状态,最短的5个省:海南（41天）、贵州（76天）、黑龙江（85天）、广西（85天）、云南（89天）,一年内约有21%的天数处于O3浓度非达标的状态。本论文有图24幅,表9个,参考文献93篇。