留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

融合GNSS PWV、风速与大气污染观测的河北省春季PM2.5浓度模型研究

王勇 任栋 刘严萍 李江波

王勇, 任栋, 刘严萍, 李江波. 融合GNSS PWV、风速与大气污染观测的河北省春季PM2.5浓度模型研究[J]. 武汉大学学报 ● 信息科学版, 2019, 44(8): 1198-1204. doi: 10.13203/j.whugis20170340
引用本文: 王勇, 任栋, 刘严萍, 李江波. 融合GNSS PWV、风速与大气污染观测的河北省春季PM2.5浓度模型研究[J]. 武汉大学学报 ● 信息科学版, 2019, 44(8): 1198-1204. doi: 10.13203/j.whugis20170340
WANG Yong, REN Dong, LIU Yanping, LI Jiangbo. Spring PM2.5 Concentration Model in Hebei Province Based on GNSS PWV, Wind Speed and Air Pollution Observation[J]. Geomatics and Information Science of Wuhan University, 2019, 44(8): 1198-1204. doi: 10.13203/j.whugis20170340
Citation: WANG Yong, REN Dong, LIU Yanping, LI Jiangbo. Spring PM2.5 Concentration Model in Hebei Province Based on GNSS PWV, Wind Speed and Air Pollution Observation[J]. Geomatics and Information Science of Wuhan University, 2019, 44(8): 1198-1204. doi: 10.13203/j.whugis20170340

融合GNSS PWV、风速与大气污染观测的河北省春季PM2.5浓度模型研究

doi: 10.13203/j.whugis20170340
基金项目: 

天津市自然科学基金 17JCYBJC21600

河北省自然科学基金 D2015209024

详细信息
    作者简介:

    王勇, 博士, 教授, 主要从事GNSS气象学研究。wangyongjz@126.com

  • 中图分类号: P228

Spring PM2.5 Concentration Model in Hebei Province Based on GNSS PWV, Wind Speed and Air Pollution Observation

Funds: 

The Natural Science Foundation of Tianjin Municipality 17JCYBJC21600

the Natural Science Foundation of Hebei Province D2015209024

More Information
    Author Bio:

    WANG Yong, PhD, professor, majors in GNSS meteorology. E-mail: wangyongjz@126.com

  • 摘要: PM2.5浓度时空演化特征分析有助于大气污染的现状和发展认知,但PM2.5浓度监测积累时间较短,且受到排放强度和气象因素的影响,因此可融合全球导航卫星系统(Global Navigation Satellite System,GNSS)天顶可降水量(precipitable water vapor,PWV)、风速和大气污染物构建PM2.5浓度模型。以河北省为例,首先分别开展PM2.5浓度与大气污染物、GNSS PWV及风速的相关性分析;然后将大气污染物、GNSSPWV和风速作为输入,PM2.5浓度作为输出,利用逆传播(back propagation,BP)神经网络分别构建城市PM2.5浓度模型和区域PM2.5浓度模型;最后进行PM2.5浓度模型可靠性检验。将模型预测值与PM2.5浓度实测值比较发现,预测PM2.5浓度等级准确率高,相对误差较低。该模型可用于区域PM2.5浓度时空演化特征分析。
  • 图  1  PM2.5浓度与大气污染观测及GNSS PWV、风速的比较(青龙)

    Figure  1.  Comparisons Among PM2.5 Concentration, Gaseous Pollutants, GNSS PWV and Wind Speed (Qinglong)

    图  2  区域与城市PM2.5浓度模型预测值与实测PM2.5浓度的比较(平山)

    Figure  2.  Comparison Among PM2.5 Concentration, Urban and Regional Predictive Values PM2.5 Concentration Model (Pingshan)

    表  1  PM2.5浓度与大气污染观测及GNSS PWV、风速的相关性统计

    Table  1.   Correlation Between PM2.5 Concentration and Gaseous Pollutants, GNSS PWV and Wind Speed

    城市 PM2.5&PM10 PM2.5&SO2 PM2.5&NO2 PM2.5&CO PM2.5&O3 PM2.5&PWV PM2.5&风速
    怀来 0.916 0.807 0.567 0.418 0.492 0.461 0.476
    兴隆 0.855 0.831 0.490 0.395 0.481 0.436 0.465
    怀安 0.872 0.770 0.709 0.272 0.506 0.537 0.563
    滦平 0.908 0.607 0.710 0.688 0.138 0.509 -0.156
    涉县 0.876 0.801 0.558 0.293 0.512 0.182 0.224
    平山 0.867 0.843 0.581 0.111 0.337 0.139 0.114
    晋州 0.858 0.836 0.562 0.298 0.160 0.112 0.105
    满城 0.801 0.781 0.524 0.406 0.415 0.149 0.142
    安新 0.870 0.306 0.630 0.334 0.567 0.159 0.107
    三河 0.871 0.846 0.606 0.487 0.489 0.398 0.400
    唐山 0.827 0.779 0.397 0.352 0.352 0.374 0.298
    迁安 0.859 0.820 0.496 0.370 0.458 0.337 0.348
    遵化 0.854 0.814 0.474 0.362 0.218 0.388 0.371
    青龙 0.858 0.830 0.514 0.296 0.443 0.347 0.356
    注:PM2.5浓度与大气污染观测、GNSS水汽、风俗的相关性检验的显著性值均为0
    下载: 导出CSV

    表  2  区域PM2.5浓度与大气污染观测及GNSS PWV、风速的相关性统计

    Table  2.   Correlation Between Regional PM2.5 Concentration and Gaseous Pollutants, GNSS PWV and Wind Speed

    区域 PM2.5&PM10 PM2.5&SO2 PM2.5&NO2 PM2.5&CO PM2.5&O3 PM2.5&PWV PM2.5&风速
    坝上 0.816 0.387 0.670 0.496 0.122 0.495 0.174
    中部 0.849 0.633 0.541 0.376 0.351 0.235 0.218
    南部 0.872 0.831 0.550 0.237 0.324 0.145 0.154
    沿海 0.858 0.830 0.514 0.296 0.443 0.347 0.356
    下载: 导出CSV

    表  3  城市PM2.5预测模型均方根误差统计表

    Table  3.   Root Mean Square Error Statistics of Urban Forecast Model

    站点 轻度污染 中度污染 重度污染
    区域 城市 区域 城市 区域 城市 区域 城市 区域 城市
    怀来 12.16 9.26 15.06 16.97 16.52 18.06 31.46 35.44 49.27 43.07
    兴隆 9.60 12.92 12.62 14.07 14.86 21.60 16.96 15.41 47.76 78.05
    怀安 9.78 9.57 17.41 17.76 24.41 16.44 34.31 30.86 34.14 41.09
    滦平 10.37 10.08 13.13 12.67 14.44 18.65 24.91 28.93 29.68 35.29
    涉县 8.66 13.03 13.29 17.74 14.22 15.62 14.67 23.08 54.57 52.91
    平山 13.72 13.67 13.25 14.25 15.26 19.41 13.65 13.19 41.61 50.86
    晋州 12.32 13.03 12.12 16.23 14.42 24.23 14.92 22.02 40.36 59.11
    满城 17.94 15.03 18.23 18.29 17.36 20.80 19.32 29.22 66.39 86.31
    安新 14.76 18.25 17.09 16.26 18.90 21.80 24.31 26.39 78.85 79.14
    三河 12.49 11.58 24.77 16.01 16.53 19.06 21.47 23.13 54.94 51.19
    唐山 16.05 13.03 17.91 16.05 17.78 19.01 18.12 18.89 53.78 46.48
    迁安 16.23 9.99 13.72 15.70 19.17 19.51 23.15 20.30 54.56 64.91
    遵化 16.10 10.38 12.57 14.76 24.72 15.78 17.04 18.90 60.48 78.77
    青龙 11.62 11.62 13.03 13.03 22.98 22.98 21.45 21.45 75.41 75.41
    下载: 导出CSV

    表  4  区域PM2.5模型均方根误差统计

    Table  4.   Root Mean Square Error Statistics of Regional Prediction Model Sample

    区域 轻度污染 中度污染 重度污染
    样本数 均方根误差 样本数 均方根误差 样本数 均方根误差 样本数 均方根误差 样本数 均方根误差
    坝上 3 441 9.99 1 949 14.74 1 030 18.33 457 25.05 707 92.14
    中部 438 14.03 1 270 13.19 1 207 17.35 807 18.60 1 868 97.78
    南部 2 304 10.16 2 231 13.53 1 988 16.98 1 425 15.50 3 334 41.40
    沿海 608 11.62 651 13.03 352 22.98 143 21.45 126 75.41
    下载: 导出CSV
  • [1] 戴树桂.环境化学进展[M].北京:化学工业出版社, 2005

    Dai Shugui. Advance in Environmental Chemistry[M]. Beijing:Chemical Industry Press, 2005
    [2] Li Li, Lei Yalin, Wu Sanmang, et al. The Health Economic Loss of Fine Particulate Matter(PM2.5) in Beijing[J]. Journal of Cleaner Production, 2017(161):1153-1161 http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=5b49d6b7f1c9a209e1e4abeebfd55393
    [3] 王振波, 方创琳, 许光, 等. 2014年中国城市PM2.5浓度的时空变化规律[J].地理学报, 2015, 70(11):1720-1734 doi:  10.11821/dlxb201511003

    Wang Zhenbo, Fang Chuanglin, Xu Guang, et al. Spatial-Temporal Character of the PM2.5 in China in 2004[J]. Acta Geographica Sinica, 2015, 70(11):1720-1734 doi:  10.11821/dlxb201511003
    [4] 潘文超, 郝金明, 张辉, 等.雾霾与GPS对流层天顶延迟相关性探究[J].武汉大学学报·信息科学版, 2017, 42(5):609-615 http://ch.whu.edu.cn/CN/abstract/abstract5726.shtml

    Pan Wenchao, Hao Jinming, Zhang Hui, et al. Correlation of the Haze and GPS Troposphere Zenith Path Delay[J]. Geomatics and Information Science of Wuhan University, 2017, 42(5):609-615 http://ch.whu.edu.cn/CN/abstract/abstract5726.shtml
    [5] 王勇, 刘严萍, 李江波, 等.水汽和风速对雾霾在PM2.5/PM10变化的影响[J].灾害学, 2015, 30(1):5-7 doi:  10.3969/j.issn.1000-811X.2015.01.002

    Wang Yong, Liu Yanping, Li Jiangbo, et al. The Effect of PM2.5/PM10 Variation Based on Precipitable Water Vapor and Wind Speed[J]. Journal of Catastrophology, 2015, 30(1):5-7 doi:  10.3969/j.issn.1000-811X.2015.01.002
    [6] 王勇, 刘严萍, 李江波, 等. GPS和无线电探空的水汽变化与PM2.5/PM10变化的相关性研究[J].武汉大学学报·信息科学版, 2016, 41(12):1626-1630 http://ch.whu.edu.cn/CN/abstract/abstract5614.shtml

    Wang Yong, Liu Yanping, Li Jiangbo, et al. The Correlation Between the Variation of PM2.5/PM10 and Precipitable Water Vapor Based on GPS and Radiosonde[J]. Geomatics and Information Science of Wuhan University, 2016, 41(12):1626-1630 http://ch.whu.edu.cn/CN/abstract/abstract5614.shtml
    [7] 张淑平, 韩立建, 周伟奇, 等.冬季PM2.5的气象影响因素解析[J].生态学报, 2016, 36(24):7897-7907 http://d.old.wanfangdata.com.cn/Periodical/stxb201624001

    Zhang Shuping, Han Lijian, Zhou Weiqi, et al. Relationships Between Fine Particulate Matter(PM2.5) and Meteorological Factors in Winter at Typical Chinese Cities[J]. Acta Ecologica Sinica, 2016, 36(24):7897-7907 http://d.old.wanfangdata.com.cn/Periodical/stxb201624001
    [8] 伍荣生.大气动力学[M].北京:高等教育出版社, 2005

    Wu Rongsheng. Atmospheric Dynamics[M]. Beijing:Higher Education Press, 2005
    [9] 孙蓉花, 陈学刚, 魏疆, 等.乌鲁木齐市PM2.5浓度与气象条件耦合分析[J].环境污染与防治, 2017, 39(12):1353-1357 http://d.old.wanfangdata.com.cn/Periodical/hjwryfz201712014

    Sun Ronghua, Chen Xuegang, Wei Jiang, et al. Coupling Analysis of PM2.5 Concentration and Meteorological Conditions in Urumqi[J]. Environmental Pollution and Prevention, 2017, 39(12):1353-1357 http://d.old.wanfangdata.com.cn/Periodical/hjwryfz201712014
    [10] 姚宜斌, 罗亦泳, 张静影, 等.基于小波相干的雾霾与GNSS对流层延迟相关性分析[J].武汉大学学报·信息科学版, 2018, 43(12):2131-2138 http://ch.whu.edu.cn/CN/abstract/abstract6300.shtml

    Yao Yibin, Luo Yiyong, Zhang Jingying, et al. Correlation Analysis Between Haze and GNSS Tropospheric Delay Based on Coherent Wavelet[J]. Geomatics and Information Science of Wuhan University, 2018, 43(12):2131-2138 http://ch.whu.edu.cn/CN/abstract/abstract6300.shtml
    [11] 程春英, 尹学博.雾霾之PM2.5的来源、成分、形成及危害[J].大学化学, 2014, 29(5):1-6 http://d.old.wanfangdata.com.cn/Periodical/dxhx201405001

    Cheng Chunying, Yin Xuebo. Source, Composition, Formation and Hazed of PM2.5 in Haze[J]. University Chemistry, 2014, 29(5):1-6 http://d.old.wanfangdata.com.cn/Periodical/dxhx201405001
    [12] 刘杰, 杨鹏, 吕文生, 等.基于气象因素的PM2.5质量浓度预测模型[J].山东大学学报(工学版), 2015, 45(6):76-83 http://d.old.wanfangdata.com.cn/Periodical/sdgydxxb201506011

    Liu Jie, Yang Peng, Lü Wensheng, et al. Prediction Models of PM2.5 Mass Concentration Based on Meteorological Factors[J]. Journal of Shandong University(Engineering Science), 2015, 45(6):76-83 http://d.old.wanfangdata.com.cn/Periodical/sdgydxxb201506011
    [13] 刘严萍, 王勇, 赖迪辉.基于PM10与气态污染物的北京市PM2.5浓度模型研究[J].灾害学, 2016, 31(2):116-118, 155 doi:  10.3969/j.issn.1000-811X.2016.02.023

    Liu Yanping, Wang Yong, Lai Dihui. Study of PM2.5 Concentrations Model Based on PM10 and Gaseous Pollutants in Beijing[J]. Journal of Catastrophology, 2016, 31(2):116-118, 155 doi:  10.3969/j.issn.1000-811X.2016.02.023
    [14] Tian J, Chen D. A Semi-empirical Model for Predicting Hourly Ground-level Fine Particulate Matter (PM2.5) Concentration in Southern Ontario from Satellite Remote Sensing and Ground-Based Meteorological Measurements[J]. Remote Sensing of Environment, 2010, 114(2):221-229 doi:  10.1016/j.rse.2009.09.011
    [15] 邓敏, 陈倜, 杨文涛.融合空间尺度特征的时空序列预测建模方法[J].武汉大学学报·信息科学版, 2015, 40(12):1625-1632 http://ch.whu.edu.cn/CN/abstract/abstract3391.shtml

    Deng Min, Chen Ti, Yang Wentao. A New Method of Modeling Spatio-Temporal Sequence by Considering Spatial Scale Characteristics[J]. Geomatics and Information Science of Wuhan University, 2015, 40(12):1625-1632 http://ch.whu.edu.cn/CN/abstract/abstract3391.shtml
    [16] 郭建平, 吴业荣, 张小曳, 等. BP网络框架下MODIS气溶胶光学厚度产品估算中国东部PM2.5[J].环境科学, 2013, 34(3):817-825 http://d.old.wanfangdata.com.cn/Periodical/hjkx201303001

    Guo Jianping, Wu Yerong, Zhang Xiaoye, et al. Estimation of PM2.5 over Eastern China from MODIS Aerosol Optical Depth Using the Back Propagation Neural Network[J] Environmental Science, 2013, 34(3):817-825 http://d.old.wanfangdata.com.cn/Periodical/hjkx201303001
    [17] 焦利民, 许刚, 赵素丽, 等.基于LUR的武汉市PM2.5浓度空间分布模拟[J].武汉大学学报·信息科学版, 2015, 40(8):1088-1094 http://ch.whu.edu.cn/CN/abstract/abstract3417.shtml

    Jiao Limin, Xu Gang, Zhao Suli, et al. LUR-Based Simulation of the Spatial Distribution of PM2.5 of Wuhan[J]. Geomatics and Information Science of Wuhan University, 2015, 40(8):1088-1094 http://ch.whu.edu.cn/CN/abstract/abstract3417.shtml
    [18] 王芳, 程水源, 李明君, 等.遗传算法优化神经网络用于大气污染预报[J].北京工业大学学报, 2002, 15(5):62-64 http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=bjgydxxb200909015

    Wang Fang, Cheng Shuiyuan, Li Mingjun, et al. Optimizing BP Networks by Means of Genetic Algorithms in Air Pollution Prediction[J]. Journal of Beijing University of Technology, 2002, 15(5):62-64 http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=bjgydxxb200909015
    [19] 付桂琴, 张杏敏, 尤凤春, 等.气象条件对石家庄PM2.5浓度的影响分析[J].干旱气象, 2016, 34(2):349-355 http://d.old.wanfangdata.com.cn/Periodical/ghqx201602017

    Fu Guiqin, Zhang Xingmin, You Fengchun, et al. Effect of Meteorological Conditions on PM2.5 in Shijiazhuang of Hebei[J]. Journal of Arid Meteorology, 2016, 34(2):349-355 http://d.old.wanfangdata.com.cn/Periodical/ghqx201602017
  • [1] 种洋, 柴洪洲, 郭云飞, 王旭, 刘必欣.  自组织优化分类的AUV地磁导航适配区选取 . 武汉大学学报 ● 信息科学版, 2022, 47(5): 722-730. doi: 10.13203/j.whugis20190443
    [2] 伍亿真, 施开放, 余柏蒗, 李川龙.  利用NPP-VIIRS夜间灯光遥感数据分析城市蔓延对雾霾污染的影响 . 武汉大学学报 ● 信息科学版, 2021, 46(5): 777-789. doi: 10.13203/j.whugis20200455
    [3] 许珊, 邹滨, 王敏, 刘宁.  PM2.5浓度空间估算的神经网络与克里格方法对比 . 武汉大学学报 ● 信息科学版, 2020, 45(10): 1642-1650. doi: 10.13203/j.whugis20180482
    [4] 赵祥鸿, 暴景阳, 欧阳永忠, 黄贤源, 黄辰虎, 陆秀平.  利用BP神经网络剔除多波束测深数据粗差 . 武汉大学学报 ● 信息科学版, 2019, 44(4): 518-524. doi: 10.13203/j.whugis20160336
    [5] 李爽, 翟亮, 桑会勇, 邹滨, 方新, 甄云鹏.  基于改进LUR模型的大区域PM2.5浓度空间分布模拟 . 武汉大学学报 ● 信息科学版, 2018, 43(10): 1574-1579, 1587. doi: 10.13203/j.whugis20170042
    [6] 王勇, 刘严萍, 李江波, 柳林涛.  GPS和无线电探空的水汽变化与PM2.5/PM10变化的相关性研究 . 武汉大学学报 ● 信息科学版, 2016, 41(12): 1626-1631. doi: 10.13203/j.whugis20140628
    [7] 李冲, 李建成, 黄瑞金, 谭理.  考虑欧拉矢量的BP神经网络模型建立区域地壳运动速率场 . 武汉大学学报 ● 信息科学版, 2014, 39(3): 362-366. doi: 10.13203/j.whugis20120046
    [8] 张凯, 赵建虎, 施闯, 张海涛.  BP神经网络用于水下地形适配区划分的方法研究 . 武汉大学学报 ● 信息科学版, 2013, 38(1): 56-59.
    [9] 李伦, 吴雄斌, 徐兴安, 刘斌.  高频地波雷达风速反演经验模型 . 武汉大学学报 ● 信息科学版, 2012, 37(9): 1096-1099.
    [10] 张小红, 何锡扬, 郭博峰, 徐运.  基于GPS非差观测值估计大气可降水量 . 武汉大学学报 ● 信息科学版, 2010, 35(7): 806-810.
    [11] 聂建亮, 高为广, 张双成.  利用BP神经网络的动态精密单点定位故障诊断算法 . 武汉大学学报 ● 信息科学版, 2010, 35(3): 283-285.
    [12] 张双成, 刘经南, 叶世榕, 陈波.  顾及双差残差反演GPS信号方向的斜路径水汽含量 . 武汉大学学报 ● 信息科学版, 2009, 34(1): 100-104.
    [13] 王殊伟, 李斐, 柯宝贵, 王文睿.  基于BP神经网络算法的GPS水准高程转换 . 武汉大学学报 ● 信息科学版, 2009, 34(10): 1190-1193.
    [14] 宋雷, 方剑, 周旭华, 黄腾.  Bayesian正则化BP神经网络拟合两类似大地水准面 . 武汉大学学报 ● 信息科学版, 2009, 34(5): 552-555.
    [15] 高为广, 杨元喜, 张双成.  顾及动力学模型误差影响的GPS/INS组合导航自适应滤波算法 . 武汉大学学报 ● 信息科学版, 2008, 33(2): 191-194.
    [16] 王贵文, 王泽民, 杨剑.  地基GPS准实时反演三峡地区大气可降水量的研究 . 武汉大学学报 ● 信息科学版, 2007, 32(9): 761-763.
    [17] 李国平, 黄丁发, 刘碧全.  成都地区地基GPS观测网遥感大气可降水量的初步试验 . 武汉大学学报 ● 信息科学版, 2006, 31(12): 1086-1089.
    [18] 王建梅, 覃文忠.  基于L-M算法的BP神经网络分类器 . 武汉大学学报 ● 信息科学版, 2005, 30(10): 928-931.
    [19] 邵黎霞, 何宗宜, 艾自兴, 宋晓东.  基于BP神经网络的河系自动综合研究 . 武汉大学学报 ● 信息科学版, 2004, 29(6): 555-557.
    [20] 贾永红, 李德仁.  多源遥感影像像素级融合分类与决策级分类融合法的研究 . 武汉大学学报 ● 信息科学版, 2001, 26(5): 430-434.
  • 加载中
图(2) / 表(4)
计量
  • 文章访问数:  766
  • HTML全文浏览量:  86
  • PDF下载量:  179
  • 被引次数: 0
出版历程
  • 收稿日期:  2018-05-27
  • 刊出日期:  2019-08-05

融合GNSS PWV、风速与大气污染观测的河北省春季PM2.5浓度模型研究

doi: 10.13203/j.whugis20170340
    基金项目:

    天津市自然科学基金 17JCYBJC21600

    河北省自然科学基金 D2015209024

    作者简介:

    王勇, 博士, 教授, 主要从事GNSS气象学研究。wangyongjz@126.com

  • 中图分类号: P228

摘要: PM2.5浓度时空演化特征分析有助于大气污染的现状和发展认知,但PM2.5浓度监测积累时间较短,且受到排放强度和气象因素的影响,因此可融合全球导航卫星系统(Global Navigation Satellite System,GNSS)天顶可降水量(precipitable water vapor,PWV)、风速和大气污染物构建PM2.5浓度模型。以河北省为例,首先分别开展PM2.5浓度与大气污染物、GNSS PWV及风速的相关性分析;然后将大气污染物、GNSSPWV和风速作为输入,PM2.5浓度作为输出,利用逆传播(back propagation,BP)神经网络分别构建城市PM2.5浓度模型和区域PM2.5浓度模型;最后进行PM2.5浓度模型可靠性检验。将模型预测值与PM2.5浓度实测值比较发现,预测PM2.5浓度等级准确率高,相对误差较低。该模型可用于区域PM2.5浓度时空演化特征分析。

English Abstract

王勇, 任栋, 刘严萍, 李江波. 融合GNSS PWV、风速与大气污染观测的河北省春季PM2.5浓度模型研究[J]. 武汉大学学报 ● 信息科学版, 2019, 44(8): 1198-1204. doi: 10.13203/j.whugis20170340
引用本文: 王勇, 任栋, 刘严萍, 李江波. 融合GNSS PWV、风速与大气污染观测的河北省春季PM2.5浓度模型研究[J]. 武汉大学学报 ● 信息科学版, 2019, 44(8): 1198-1204. doi: 10.13203/j.whugis20170340
WANG Yong, REN Dong, LIU Yanping, LI Jiangbo. Spring PM2.5 Concentration Model in Hebei Province Based on GNSS PWV, Wind Speed and Air Pollution Observation[J]. Geomatics and Information Science of Wuhan University, 2019, 44(8): 1198-1204. doi: 10.13203/j.whugis20170340
Citation: WANG Yong, REN Dong, LIU Yanping, LI Jiangbo. Spring PM2.5 Concentration Model in Hebei Province Based on GNSS PWV, Wind Speed and Air Pollution Observation[J]. Geomatics and Information Science of Wuhan University, 2019, 44(8): 1198-1204. doi: 10.13203/j.whugis20170340
  • 近年来以PM2.5为主要污染物的中国区域灰霾污染形势严峻[1-2]。重污染天气过程严重影响了公众健康和人民日常生活。研究区域PM2.5浓度变化规律不仅有助于认知大气污染,评估其对公众健康和环境的影响,还可为实施有针对性的控制措施提供科学参考。国内外学者综合分析了城市PM2.5浓度的时空变化规律及气象成因[3-4],将影响PM2.5浓度变化的内部因素(大气污染物)和外部气象条件分别与PM2.5浓度进行相关性分析,发现PM2.5浓度变化与大气污染物和气象要素变化相关[5-7],气流的运动快慢直接影响污染物的扩散和稀释[8]。如采暖期风速小于2 m/s,污染物不能及时扩散、输送,是造成PM2.5浓度偏高的重要外部条件。文献[9]分析了水汽压和相对湿度对PM2.5浓度的影响,文献[10]分析了雾霾与全球导航卫星系统(Global Navigation Satellite System,GNSS)对流层延迟的相关性,而由对流层延迟计算得到的GNSS天顶可降水量(precipitable water vapor,PWV)在雾霾形成过程中起着重要作用[11]。国内外学者分别基于大气污染物、气象要素、气溶胶产品、地理相关变量等开展了PM2.5浓度模型研究[12-17],但上述模型一般仅考虑大气污染物或气象要素等一类变量改变对PM2.5浓度变化的影响,且在选用气象要素时未将GNSS PWV作为自变量参与到建模构建中。水汽是气态污染物形成PM颗粒化学过程以及PM颗粒转化为雾霾过程的重要因素。因此,有必要在PM2.5浓度模型构建中加入PWV作为自变量进行约束。

    鉴于PM2.5浓度受大气污染物排放和气象因素的影响,本文提出一种融合GNSS PWV、风速和大气污染观测的PM2.5浓度模型。在开展PM2.5浓度与GNSS PWV、风速、大气污染观测相关性分析的基础上,利用逆传播(back propagation,BP)神经网络分别构建城市PM2.5浓度模型和区域PM2.5浓度模型,并与实测PM2.5浓度比较验证模型的可靠性。

    • 河北省(113°04′E~119°53′E,36°01′N~42°37′N)兼有高原、山地、丘陵、平原、湖泊和海滨等地形,本文按照地理分布将其分为4个区域,分别是南部平原地区、中部平原地区、东部沿海地区和北部坝上高原。将研究区PM2.5数据、GNSS测站纳入各区域。

      本文PM2.5浓度数据为2014年1月-3月与2015年1月-3月的监测站点观测数据,数据采样率为1 h,单位为μg/m3。大气污染观测物包括PM10、SO2、NO2、O3和CO。大气污染观测时间与数据采样率和PM2.5浓度数据相同,CO浓度单位为mg/m3,PM10、SO2、NO2、O3浓度单位为μg/m3

      本文GNSS PWV数据由河北省GNSS连续运行参考站(continuously operation reference stations,CORS)观测数据反演获得,GNSS PWV解算方案软件为GAMIT10.6,星历为国际GNSS服务(International GNSS Service,IGS)精密星历,解算方式为Relax模式,卫星高度角10°,引入同期国内IGS站点WUHN、LHAZ、URUM、SHAO等数据联合解算,站点天顶对流层延迟的解算为每小时估算一个值,结合站点气象观测数据可以获得河北省GNSS站点时值PWV,单位为mm。风速观测数据单位为m/s。PWV和风速数据的观测时间、数据采样率与PM2.5浓度数据相同。本文采用同时具有PM2.5浓度、大气污染观测、GNSS PWV与风速观测数据的14个站点进行研究。

      由于PM2.5浓度受到气象观测和大气污染观测的影响,各要素之间差异较大,具有较强的非线性特性,而人工神经网络是一种描述非线性现象的有效工具。BP神经网络作为神经网络中使用最为广泛的一类,在PM2.5浓度预测中应用较为广泛[18],因此本文选取BP神经网络方法为研究方法。

    • 首先进行PM2.5浓度与大气污染观测及GNSS PWV、风速的相关性比较。表 1为城市PM2.5浓度与大气污染及GNSS PWV、风速的相关性统计结果。由表 1可以看出,PM2.5与大气污染观测之间呈显著正相关,是因为氮氧化物和硫氧化物进入空气中经过相互作用生成二次细小粒子,进一步增加空气中的PM2.5浓度[13]。PM2.5与GNSS PWV呈正相关,分析其原因为,该段时间内没有发生大规模的降水,春季气温较低,煤炭燃烧产生大量的硫氧化物和氮氧化物与空气中的PWV发生化学反应生成大量的微颗粒,属于PM2.5;当空气中相对湿度较高时,PM2.5易附着在空气中且不易扩散,从而造成PM2.5的高浓度污染,使PM2.5浓度随相对湿度增加而升高[6, 11]。PM2.5与风速之间呈正相关,可能是由于低风速情况下颗粒物扩散速度慢,有利于颗粒物混合均匀并加快化学反应的发生,从而增加空气中微颗粒物的浓度,使得PM2.5浓度升高[7, 19]图 1是随机选取的一个城市(青龙)的PM2.5浓度与大气污染观测及GNSS PWV、风速的比较图。由表 1图 1可知,PM2.5与大气污染观测、PWV和风速呈正相关特性。

      表 1  PM2.5浓度与大气污染观测及GNSS PWV、风速的相关性统计

      Table 1.  Correlation Between PM2.5 Concentration and Gaseous Pollutants, GNSS PWV and Wind Speed

      城市 PM2.5&PM10 PM2.5&SO2 PM2.5&NO2 PM2.5&CO PM2.5&O3 PM2.5&PWV PM2.5&风速
      怀来 0.916 0.807 0.567 0.418 0.492 0.461 0.476
      兴隆 0.855 0.831 0.490 0.395 0.481 0.436 0.465
      怀安 0.872 0.770 0.709 0.272 0.506 0.537 0.563
      滦平 0.908 0.607 0.710 0.688 0.138 0.509 -0.156
      涉县 0.876 0.801 0.558 0.293 0.512 0.182 0.224
      平山 0.867 0.843 0.581 0.111 0.337 0.139 0.114
      晋州 0.858 0.836 0.562 0.298 0.160 0.112 0.105
      满城 0.801 0.781 0.524 0.406 0.415 0.149 0.142
      安新 0.870 0.306 0.630 0.334 0.567 0.159 0.107
      三河 0.871 0.846 0.606 0.487 0.489 0.398 0.400
      唐山 0.827 0.779 0.397 0.352 0.352 0.374 0.298
      迁安 0.859 0.820 0.496 0.370 0.458 0.337 0.348
      遵化 0.854 0.814 0.474 0.362 0.218 0.388 0.371
      青龙 0.858 0.830 0.514 0.296 0.443 0.347 0.356
      注:PM2.5浓度与大气污染观测、GNSS水汽、风俗的相关性检验的显著性值均为0

      图  1  PM2.5浓度与大气污染观测及GNSS PWV、风速的比较(青龙)

      Figure 1.  Comparisons Among PM2.5 Concentration, Gaseous Pollutants, GNSS PWV and Wind Speed (Qinglong)

      将河北省站点分为4个区域并且将4个区域内的数据进行整合,分析区域内PM2.5与大气污染观测、PWV和风速的相关性,统计结果见表 2。由表 2可以看出,在一个区域内,PM2.5浓度与大气污染观测、风速、GNSS PWV仍然是正相关的。说明在地势和气候相近的地区,PM2.5的浓度与大气污染观测、风速、GNSS PWV等存在关联。因此可利用BP神经网络对其进行预测模型的构建。

      表 2  区域PM2.5浓度与大气污染观测及GNSS PWV、风速的相关性统计

      Table 2.  Correlation Between Regional PM2.5 Concentration and Gaseous Pollutants, GNSS PWV and Wind Speed

      区域 PM2.5&PM10 PM2.5&SO2 PM2.5&NO2 PM2.5&CO PM2.5&O3 PM2.5&PWV PM2.5&风速
      坝上 0.816 0.387 0.670 0.496 0.122 0.495 0.174
      中部 0.849 0.633 0.541 0.376 0.351 0.235 0.218
      南部 0.872 0.831 0.550 0.237 0.324 0.145 0.154
      沿海 0.858 0.830 0.514 0.296 0.443 0.347 0.356
    • 对上述14个城市分别进行模型构建:将影响PM2.5浓度变化的外部因素与外部气象条件作为输入,PM2.5浓度作为输出。同时把每个城市的相关数据分为两组,一组将2014年1月-3月作为训练建模数据,用来建立BP神经网络模型;另一组将2015年1月-3月作为测试数据对模型进行可靠性验证。由于PM2.5浓度变化较大,故对其进行分级建模。依照空气污染指数分级标准,将上述14个城市的PM2.5浓度数据以50 μg/m3为标准分为优、良、轻度污染、中度污染、重度污染(超过200 μg/m3均视为重度污染),建立城市及区域PM2.5浓度模型,并对其进行验证。图 2是平山PM2.5浓度实测值与城市模型预测值和区域模型预测值的比较图。

      图  2  区域与城市PM2.5浓度模型预测值与实测PM2.5浓度的比较(平山)

      Figure 2.  Comparison Among PM2.5 Concentration, Urban and Regional Predictive Values PM2.5 Concentration Model (Pingshan)

      图 2可知,对PM2.5浓度进行分级模型构建后,可以得到不同等级的城市与区域PM2.5浓度预测模型,其预测值与验证值基本上未超过该等级限制的范围,即用该分级模型预测的PM2.5浓度等级基本符合要求。为了更精确地统计模型的预测误差,对误差值进行整理分析,得到其相对误差。本文发现,PM2.5浓度在不同等级预测模型的两个极值附近时预测值偏差较大。对于PM2.5浓度值较低的数值来说,建模后误差值对其影响较大。对于PM2.5浓度值较高的数值来说,相同的误差值对其影响很小。为了确保模型的可靠度,计算该预测模型预测值的相对误差。计算发现,除在每个等级极值附近相对误差值较大(未超过该等级限定值),其余各项误差较小,几乎低于其本身值的20%,可知精度较高。

      为更好地反映预测模型的精度,对预测模型误差值进行整理分析,统计分析结果见表 3。由表 3可以看出,预测模型在污染浓度等级为优时,均方根误差值小,由于其预测值较低,故其精密程度较低;在污染浓度等级为良、轻度污染、重度污染时,均方根误差值较小,预测结果较为准确;在污染浓度等级为重度污染时,出现均方根误差值较大的情况,因为预测值与真值的数值较大,故偏差较大。

      表 3  城市PM2.5预测模型均方根误差统计表

      Table 3.  Root Mean Square Error Statistics of Urban Forecast Model

      站点 轻度污染 中度污染 重度污染
      区域 城市 区域 城市 区域 城市 区域 城市 区域 城市
      怀来 12.16 9.26 15.06 16.97 16.52 18.06 31.46 35.44 49.27 43.07
      兴隆 9.60 12.92 12.62 14.07 14.86 21.60 16.96 15.41 47.76 78.05
      怀安 9.78 9.57 17.41 17.76 24.41 16.44 34.31 30.86 34.14 41.09
      滦平 10.37 10.08 13.13 12.67 14.44 18.65 24.91 28.93 29.68 35.29
      涉县 8.66 13.03 13.29 17.74 14.22 15.62 14.67 23.08 54.57 52.91
      平山 13.72 13.67 13.25 14.25 15.26 19.41 13.65 13.19 41.61 50.86
      晋州 12.32 13.03 12.12 16.23 14.42 24.23 14.92 22.02 40.36 59.11
      满城 17.94 15.03 18.23 18.29 17.36 20.80 19.32 29.22 66.39 86.31
      安新 14.76 18.25 17.09 16.26 18.90 21.80 24.31 26.39 78.85 79.14
      三河 12.49 11.58 24.77 16.01 16.53 19.06 21.47 23.13 54.94 51.19
      唐山 16.05 13.03 17.91 16.05 17.78 19.01 18.12 18.89 53.78 46.48
      迁安 16.23 9.99 13.72 15.70 19.17 19.51 23.15 20.30 54.56 64.91
      遵化 16.10 10.38 12.57 14.76 24.72 15.78 17.04 18.90 60.48 78.77
      青龙 11.62 11.62 13.03 13.03 22.98 22.98 21.45 21.45 75.41 75.41

      对区域PM2.5浓度预测模型的样本数及误差值进行整理分析,统计分析结果见表 4。由表 4可知,区域预测模型样本数较大时,区域预测模型与城市区域预测模型差异较小,预测结果较为准确。因此可用区域PM2.5浓度模型代替城市PM2.5浓度模型,以减少建模数量。

      表 4  区域PM2.5模型均方根误差统计

      Table 4.  Root Mean Square Error Statistics of Regional Prediction Model Sample

      区域 轻度污染 中度污染 重度污染
      样本数 均方根误差 样本数 均方根误差 样本数 均方根误差 样本数 均方根误差 样本数 均方根误差
      坝上 3 441 9.99 1 949 14.74 1 030 18.33 457 25.05 707 92.14
      中部 438 14.03 1 270 13.19 1 207 17.35 807 18.60 1 868 97.78
      南部 2 304 10.16 2 231 13.53 1 988 16.98 1 425 15.50 3 334 41.40
      沿海 608 11.62 651 13.03 352 22.98 143 21.45 126 75.41
    • 本文通过对PM2.5浓度与大气污染物及GNSS PWV和风速的相关性分析及模型构建,得出以下结论:PM2.5浓度与大气污染物之间存在显著正相关特性;PM2.5浓度与GNSS PWV之间以及与低风速之间存在正相关特性。利用BP神经网络构建的PM2.5预测模型以大气污染物与气象要素为参数,综合考虑了影响PM2.5浓度变化的内部因素与外部条件,模型拟合度较好,可以准确地预报PM2.5浓度等级。

      本文提出的PM2.5浓度模型可用于区域PM2.5浓度时空演化特征分析,对掌握大气污染的时空分布规律和减灾预报具有借鉴和指导意义。因模型建立数据时间尺度较短,可以在数据完整时进行更长时间序列的建模与模型可靠性验证。由于PM2.5浓度值跨度大,导致PM2.5浓度在污染等级处于优、重度污染两个极值时模型预测效果较差,下一步研究可添加约束条件改善模型精度。

参考文献 (19)

目录

    /

    返回文章
    返回