基于小波变换与回归分析的融合GNSS水汽、风速和PM10要素的PM2.5浓度模型

作者：王勇; 任栋; 刘严萍; 娄泽生

来源：系统工程理论与实践, 2020, 40(03): 761-770.

• PM2.5
• PM10
• 水汽
• 风速
• 小波变换
• 回归分析

PM2.5浓度时空演化分析有助于认知大气污染的发展和现状.由于我国PM2.5浓度监测起步较晚,积累数据短,有必要利用其它已有数据开展PM2.5浓度模型研究.PM2.5浓度变化受到内部因素与外部气象条件的影响.本文以河北省为例,选择PM10为影响PM2.5浓度变化的内部因素、水汽与风速为PM2.5浓度变化的外部气象条件,融合三种要素构建多变量PM2.5浓度模型.开展了PM2.5与PM10、水汽、风速的相关性分析,鉴于水汽值存在季节性差异,利用小波变换对水汽序列分解重构后再开展PM2.5与水汽的相关性分析.采用回归分析方法构建了融合PM10、水汽、风速的PM2.5浓度多变量预测模型,利用PM2.5实测值进行了模型的可靠性检验.研究发现:PM2.5与PM10、小波变换分解重构后的水汽呈正相关,与风速呈负相关;与PM2.5浓度实测值相比,多变量模型PM2.5浓度预测精度优于单变量模型;对于PM2.5浓度分级预测效果统计,在大气空气质量为良、轻度污染、中度污染的情况下,多变量模型PM2.5浓度预测效果较好.基于多变量要素模型反演的PM2.5浓度序列可用于河北省大气污染变化分析.

• 单位
  天津城建大学