英语原文共 9 页，剩余内容已隐藏，支付完成后下载完整资料
一个半经验模型，用于从卫星遥感预测安大略省南部每小时地面水平的颗粒物（PM2.5）浓度和基于地面的气象测量
摘要：开发了半经验模型来预测区域范围内与卫星立交桥重合的地面平均颗粒物（PM2.5）的小时浓度。 该模型通过表征边界层的同化参数来校正中等分辨率成像光谱辐射计（MODIS）的气溶胶光学厚度（AOD）数据，并根据接近地面的气象条件进一步调整校正值。 该模型的建立和验证采用2004年为加拿大安大略省南部收集的数据。总体而言，该模型能够解释65％的地面PM2.5浓度变化。 PM2.5质量浓度的模型预测值与实际观测值高度相关。 模型的均方根误差为6.1mu;g/m发现地面温度和相对湿度的合并对提高模型的可预测性有重要意义。 同化气象场的粗分辨率限制了其在AOD校正中的价值。 虽然MODIS AOD数据是每天采集的，并且由于天气条件不利，有效的数据覆盖有时会非常有限，但该模型提供了一种经济有效的方法，用于获得除地面以外的补充PM2.5浓度信息监测站测量。
关键词：MODIS 气溶胶光学厚度 PM2.5 气象场 造型
1、介绍
暴露于空气动力学直径小于2.5mu;m的颗粒物质（PM2.5）对人体健康有负面影响，并可能引起呼吸问题，心血管和肺部疾病以及其他健康问题（Pope III等人，2002; Kappos等人， 2004）。 短期和长期接触PM2.5都与发病率增加有关（Brunekreef＆Holgate，2002; 磨坊主 等人，2007）。 因此定期测量地面PM2.5浓度对流行病学研究非常重要; 它还为有效管理和预测空气质量提供了宝贵的信息（Al-Saadi等人，2005）。 许多工业化国家已经建立了空气质量监测网络，以便每天或每小时测量不同地点的污染物浓度。 空气质量数据的时间分辨率和准确度因测量方法而异Cyrys等，2001).
虽然地基测量通常被认为是准确的，但它们仅代表点站周围相对较小的区域。 通常情况下，有限的空间覆盖和不规则地面监测站的分布在很大程度上限制了大气污染时空动态及其对人类健康和环境影响的研究。 另外，复杂的基于过程的空气污染模型，通过考虑污染物的产生，运输和清除来估算污染物浓度，在很多情况下受到人为排放清单和自然资源不完整信息的阻碍Koelemeijer等人， 2006).
卫星遥感已被用来补充地面PM2.5浓度的预测（GL- [PM2.5]）。 卫星能够以相对较低的成本覆盖广阔的空间。 对于气溶胶研究，中分辨率成像光谱辐射计（MODIS）的推出使得从卫星的光谱观测中可以全球地检索气溶胶光学厚度（AOD）数据。 MODIS AOD是卫星立交桥期间大气柱中气溶胶消光的一种测量方法。 随着检索算法的发展，MODIS AOD在为GL- [PM2.5]提供更精确估计的角色中变得越来越重要。 多成像分光辐射度计（MISR）也具有全球气溶胶数据的能力。 MODIS和MISR AOD数据的检索策略和空间和时间特征不同Xiao等人， 2009).一些研究致力于探索卫星测量的AOD和GL-[PM2.5。 已经做出努力来调查这两个变量之间的相关性及其在时间和空间上的变化（恩格尔 - 考克斯 等人，2004; Hutchison等人，2004; Hutchison等人，2005; Gupta等人， 2006）。 尽管卫星测量的AOD和GL- [PM2.5]之间的相关性的强度据报道对于不同的研究区域是不同的，但卫星遥感在预测地面情况方面显示出巨大的潜力。 已经尝试通过合并某些环境因素来模拟AOD-PM2.5关系。 例如，经验模型已经发展成多种形式，从简单的线性关系到涉及气象和地理数据的更复杂的非线性关系（Liu等人，2005; Koelemeijer 等人，2006; Kumar等人，2007）。 然而，即使考虑到需要相对大量输入的模型，文献中模型的预测能力也不是很理想。 尽管某些柱状大气特征（例如模式同化的边界层高度）已经被考虑，但在建模GL- [PM2.5]的过程中尚未明确考虑地面气象条件。
在本文中，我们打算开发一个可用于在区域范围内预测GL- [PM2.5]的新模型。 该模型旨在综合利用卫星观测资料，同化气象场和地面气象观测资料，并将其视为半经验模型，因为该模型的构成从相关理论中吸取了深刻见解，并且在数据的统计推动下进行。
2 MODIS AOD反演及其与地面PM2.5浓度（GL- [PM2.5]）的关系
气溶胶通常被认为是悬浮在空气中的固体或液体颗粒。 AOD（tau;）定义为沿大气柱从地面到大气顶部的气溶胶消光的积分（Chylek等人，2005）。 理论上，tau;可以通过下式计算：
其中sigma;EXT（h）是地面以上垂直高程h处的气溶胶消光系数。 AOD参数化为大气顶部辐照度与地面辐照度之比。 借助配备有MODIS的卫星，可以使用基于传感器记录的辐射的辐射传输模型计算AOD（考夫曼等人，1997).
相比之下，GL- [PM2.5]测量地面附近大气中颗粒物质（直径le;2.5mu;m）的质量浓度。 通过使用以下公式可以校正原始AOD（AOD *）以更好地与GL- [PM2.5]相关（Koelemeijer等人， 2006):
其中BLH表示行星边界层高度和f（湿度）是柱状湿度的函数。 校正是消除水蒸气和大气柱高度对光消光效率的影响。
考夫曼等人 （2003年） 表明大多数气溶胶存在于对流层低层，特别是在行星边界层（PBL），由于主动混合，颗粒更均匀分布。 在PBL中，气溶胶的特性通常不会在不同海拔高度发生显着变化，特别是当对流显着时。 水蒸气对AOD的影响可以作为边界层湿度的函数来量化。 一些研究人员（Chin等人，2002; Liu等人，2005; Donkelaar等，2006; Koelemeijer等人，2006年）建议空气湿度帐户
用于部分光消光。 例如，当空气湿度较高时，吸湿颗粒的大小会呈指数级增长，导致其消光效率显着增加，并且会高估气溶胶质量。 另一方面，对于给定的AOD值，较厚的PBL通常对应较低的气溶胶密度。 因此，BLH与GL- [PM2.5]的关系被认为是MODIS AOD的分母。 此外，还有一些其他因素将AOD和GL- [PM2.5]联系起来，包括颗粒组成，尺寸分布和垂直位置。 有关这些因素的信息可用于进一步改进AOD-PM2.5关系的建模（Hutchison等人，2008).
3 数据收集和处理
本研究收集了各种来源的大量数据，包括历史空气质量数据集，MODIS气溶胶图像，表征柱状大气特性的同化气象场和地基气象测量。
3.1 地面PM2.5浓度数据
安大略省环境部（OME）每小时运行一个监测网络，测量地面PM2.5浓度（GL [PM2.5]）。 数据用于检查是否符合可接受的值并向公众报告风险。 2004年全年小时GL [PM2.5]测量值（mu;g/msup3;）来自OME历史空气质量数据的电子档案。 这些测量结果由安大略省南部的监测站采集。 根据 OME（1998），通过锥形元件振荡微量天平（TEOM）方法获得在地平面上每小时GL- [PM2.5]的连续测量。 该方法测量附着在中空，锥形和摆动玻璃棒尖端的过滤器上的质量累积。 直接测量过滤器上的质量积累是基于振荡频率随时间的变化而获得的。 应该指出的是，这种方法可以测量正在研究的气溶胶的干质量，并且可以低估由气溶胶蒸发引起的气溶胶浓度。 由于极端的天气条件或设备故障，无效的数据（元数据中记载的值）被删除，只保留代表车站位置周围颗粒物质真实浓度的有效数据。 选择了15个台站来提供建模数据，其余15个台站被保留用于验证（图。1）。 建模站和验证站被选定为具有合理的空间覆盖和分布。 这样的选择是为了最小化（如果不是消除的话）在建模或验证中可能的空间自相关效应的意图。 这两组台站都没有显示明显的空间分布模式（例如群集）。
3.2 MODIS卫星资料
大气负荷，以MODIS观测值作为2级产品（5分钟刈幅颗粒），典型空间分辨率为10 km。 两个独立的算法适用于在陆地上获取气溶胶（考夫曼等人，1997）和海洋（Tanre 等人，1997）。 从MODIS获取土地上的气溶胶的策略首先被引入 考夫曼等人 （1997年）。 陆地上的AOD可以在三种波长下获得：0.47mu;m，0.55mu;m和0.66mu;m。 虽然数据检索算法在过去几年中不断发展以达到更好的准确性，但该算法的理论基础自成立以来一直未发生变化。 该算法的策略是检查查找表以确定最能模拟MODIS观测到的光谱磁阻的条件，并检索相关的气溶胶特性，包括AOD。
图1.本研究中使用的OME空气质量监测站（分为建模站和验证站）的空间分布。
3.3 GEOS-4气象场
气象领域包括边界层高度（BLH），特定湿度（SH），空气压力（AP）和空气温度（AT）从美国宇航局全球模拟同化研究中心获得。 根据戈达德地球观测系统（GEOS）的各种观测结果，这些气象场被同化。 提供GEOS-4气象场的分辨率为1°纬度times;1.25°经度。 尽管BLH数据是二维的，但SH和AT数据是以三维方式提供的，其中包括55个垂直层同化的一堆层。 使用SH，AT和AP计算六个底层各自的相对湿度（RH），它们一起对应于较低的对流层（大约低于大气2-3公里）。 用于计算饱和水蒸汽的众所周知的等式（巴克，1981年）被采用，以便RH可以作为水蒸汽压力（SH和AP的函数）与饱和水蒸汽压力（AT和AP的函数）之比来推导。 随后通过对获得的平均值估算对流层低层的GEOS-4柱状相对湿度（GRH）
3.4 地面气象测量
从安大略南部分布的天气监测站收集2004年地面气象测量数据，包括地表风速（SWS），地表温度（ST）和地表相对湿度（SRH）。 这些数据最初由加拿大环境部（EC）提供，并由流域组织。 本研究仅包括提供小时测量的台站数据。
3.5 数据预处理和集成
来自上述四个来源的数据在空间和时间上共同定位，以建立完整的数据集，作为以下分析和建模的基础。 基于点的台站数据（包括GL- [PM2.5]，ST，SRH和SWS）和基于区域的图像数据（包括MODIS AOD，GEOS-4 BLH和GEOS-4 RH）基于它们的接近度的空间。 例如，空气质量站的GL [PM2.5]读数与覆盖该站的MODIS AOD像素值相关联。 BLH和GRH值是使用反距离加权法对其四个最接近的像素中心的每个台站位置进行插值。 来自最近气象站的气象数据被用来表示空气质量监测站的气象条件。 随着时间的推移，近乎即时的MODIS AOD测量与GL- [PM2.5]，ST，SRH和SWS每小时的一致性测量以及GEOS-4 BLH的多小时平均值（3小时平均值）和GRH（平均6小时）。 在下面的分析中，只有在选定的30个地面站空间共处的数据以及在MODIS天线时间上匹配的数据才包括在内。 在建模过程中涉及的数据变量的更详细的特征总结在 表格1。 整个预处理根据测量PM2.5数据的台站将数据集进一步分为建模集和验证集（参考 第3.1节）。 随后对建模集中的数据进行采样，以在观察值之间产生更长的时滞（超过90小时）。 这是为了尽量减少建模过程中时间自相关的影响。
表1 包含在建模中的数据变量的描述。
|
变量名 单元 |
频率 |
资源 |
|
颗粒物质的 剩余内容已隐藏，支付完成后下载完整资料 资料编号：[24818]，资料为PDF文档或Word文档，PDF文档可免费转换为Word |
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
