安徽省PM_(2.5)浓度反演方法对比及时空变化研究

作者：赵月娇; 赵萍; 徐凯健; 周鹏; 申鹏举; 于婉婉; 陈国旭

来源：环境科学与技术, 2022, 45(06): 171-178.

DOI：10.19672/j.cnki.1003-6504.0013.22.338

• 多尺度地理加权回归
• 随机森林
• 神经网络
• PM_(2.5)
• 时空分布

为探讨安徽省PM2.5时空分布特征，文章基于2015-2020年地基观测PM2.5、AOD、植被覆盖产品以及气象要素数据等，对比了多尺度地理加权回归、随机森林、全连接神经网络3种模型的精确度，并采用全连接神经网络模型反演了PM2.5浓度，分析了PM2.5浓度的时空变化特征，以及各因子对PM2.5浓度的影响力。结果表明：3种模型中，全连接神经网络模型的精确度最高；2015-2020年PM2.5浓度从平均51.29μg/m3递减至36.71μg/m3，季节尺度上，PM2.5浓度冬季>春、秋季>夏季，受政策及疫情影响，2018年的秋冬季、2020年的春夏季PM2.5浓度下降同比最快；空间上表现为皖北>皖中>皖南。10个影响因子两两交互，均比单一因子对PM2.5浓度的影响大，其中AOD对PM2.5的影响力最大，各因子在不同的季节会对PM2.5产生不同程度的影响力。

• 单位
  合肥工业大学