论文部分内容阅读
近些年,随着我国经济快速发展,城市空气污染已成为影响生态环境的突出问题之一,其中PM2.5污染最为严重。目前,主要通过地面监测站来监测PM2.5浓度,但由于监测站数量有限、分布不均匀、无法对大区域的空气污染物进行实时监测,使其具有一定的局限性,利用地基GNSS技术与卫星遥感技术监测PM2.5浓度已成为一种新趋势、新方法。本文结合地基GNSS技术全天候、实时性及卫星遥感技术全覆盖、空间性的优点,利用2018年陕西地区大气可降水量(Precipitable Water Vapor,PWV)、气溶胶光学厚度(Aerosol Optical Depth,AOD)、空气质量、气象及地理位置数据等,构建地理加权回归(Geographically Weighted Regression,GWR)模型模拟 PM2.5 浓度,分析陕西地区PM2.5浓度分布特征。对GWR模型适用性及模拟精度进行分析评定,发现综合考虑多因素及空间差异性的GWR模型更适合陕西地区PM2.5空间聚集特征,可预测监测站未覆盖区域更高精度的PM2.5浓度,主要研究内容如下:(1)基于地基GNSS技术的PM2.5浓度反演分析。利用2018年陕西地区PWV分布数据,分季节逐步分析天顶对流层延迟(Zenith Tropospheric Delay,ZTD)与空气质量指数(Air Quality Index,AQI)、ZTD与PM2.5浓度、PWV与PM2.5浓度的变化趋势及相关性,并建立基于PWV、气象数据的PM2.5浓度多元线性回归模型。结果表明:空气污染期间PWV与PM2.5浓度变化趋势一致,具有显著正相关性,一定程度上PWV会影响PM2.5浓度变化,可利用PWV变化情况研究PM2.5浓度。同时气象因素对PM2.5聚集与传输有不同程度影响,基于PWV及气象数据的PM2.5浓度多元回归模型效果较好,可为PM2.5浓度研究提供参考。(2)基于MODIS数据的PM2.5浓度反演分析。利用2018年陕西地区MODIS气溶胶数据提取AOD,分季节分析AOD与PM2.5浓度的变化趋势及相关性,并建立基于AOD的PM2.5浓度回归模型。结果表明:春、夏、秋、冬季AOD与PM2.5浓度相关系数为0.631、0.305、0.873、0.689,两者存在显著正相关性,其中地区AOD值越高,气溶胶分布越严重,一定程度会加剧PM2.5污染。因此,根据气溶胶变化情况来研究PM2.5浓度具有一定意义。(3)应用GWR模型模拟研究PM2.5浓度。结合GNSS PWV、MODIS AOD及空气质量、气象、地理位置数据等,分季节构建适合研究区域PM2.5浓度空间分布特征的GWR模型,通过分析模型回归系数研究PWV与AOD在不同位置对PM2.5浓度的影响程度。结果表明:PWV与AOD对PM2.5浓度的影响程度随位置及季节变化存在空间差异性,综合考虑PWV、AOD、气象因素、地理位置等其它影响因素的GWR模型优于仅基于PWV及气象数据的PM2.5浓度回归模型和基于AOD的PM2.5浓度回归模型,同时优于未考虑空间差异性的OLS全局回归模型。其中GWR模型R2分别为0.794(春季)、0.607(夏季)、0.884(秋季)、0.937(冬季),相比普通最小二乘(Ordinary Least Squares,OLS)回归模型,R2分别提升 20.852%、21.888%、7.805%、12.892%,拟合精度分别提升31.256%、17.165%、24.818%、45.939%,GWR模型拟合程度及拟合精度大幅度提升;同时GWR模型预测PM2.5浓度相对精度分别达90.586%、88.731%、87.878%、92.425%,均超过80%,模型性能好,模拟精度高,实用性强,GWR模型更适用于模拟PM2.5浓度,可为监测站未覆盖区域的PM2.5浓度模拟预测提供参考。