论文部分内容阅读
获取无缝的PM2.5浓度数据是研究污染物时空分布连续变化的基本前提,也是大气环境监测与生命健康问题的重要基础。遥感反演PM2.5作为大范围高时空分辨率PM2.5浓度获取的重要途经,因其反演中采用数据多数是以极轨卫星获取得到,数据时空上存在不同程度的缺失,造成反演后的结果不完整。为了弥补数据缺失及减少因时相合成时数据缺失导致的系统偏差,对遥感反演PM2.5缺失数据重构成为了重要的热点研究问题之一。本研究以长三角地区为例,尝试提出一种基于时空融合的卷积神经网络与长短期记忆神经网络组合（Combination of convolution neural network and long and short-term memory neural network based on space-time fusion,ST-Conv LSTM）的缺失数据重构框架,并基于地面台站数据对重构后的数据（Reconstructed data based on ST-Conv LSTM in Yangtze River Delta,STCLYRD）进行精度验证;此外,针对常规插值算法中存在的“高值低估”问题,探讨了超分辨率重建对于PM2.5高频信息重构的可行性。主要的工作以及结论如下:（1）比较了空间插值与时间插值方法对于PM2.5缺失数据重构的优势与不足,在CHAPV3日尺度PM2.5数据存在大量非随机性缺失以及空间插值与时间插值各自局限性的前提下,设定了25%与50%的缺失率阈值,提出了兼顾空间和时间的时空插值方法,完成了CHAPV3日尺度数据的粗补偿。相较于空间插值提高了在大缺失率下的可用性;相较于时间插值提高了插值精度。（2）在顾及时空关系的数据补充下提出了一种基于时空融合的Conv LSTM缺失数据重构框架,在多源数据协同下对粗补偿的CHAPV3日尺度PM2.5数据进行精纠正。基于该缺失数据重构框架,以长三角地区为例,重建了该地区因AOD缺失导致的PM2.5浓度的空白。该方法更好地考虑了数据的时空关系,有效减少了单纯插值造成的时空非平稳性误差。（3）以地面台站实际历史测量值为真实值,以相应时空位置处的缺失重构数据STCLYRD PM2.5浓度值为估计值,采用4个误差统计指标验证了在本研究所提出的缺失重构框架下所得到的缺失重构数据STCLYRD的不同时间尺度上的整体精度。相较于传统的AOD数据融合缺失数据重构方法,本研究提出的基于时空融合的Conv LSTM缺失数据重构框架所得到的STCLYRD数据具有更高的精度,CC可达0.89。在逐月的日尺度精度分析中,在覆盖率仅有4%的二月份STCLYRD数据重构精度也有良好的结果。在月/年尺度分析中,相较于CHAPV3月/年均值产品依然存在缺失,缺失重构月均值数据STCLYRD具有更高空间覆盖率的同时减少了因数据缺失导致的时相合成中所产生的不确定性误差。（4）在PM2.5重污染(PM2.5＞100μg/m3)事件的重构能力分析中,即PM2.5高频数据的重构能力,基于分类指标（监测率POD、误报率FAR及成功率）分析了缺失重构数据STCLYRD对于重污染事件的监测能力,以误差统计指标评估了监测到的重污染事件的重构浓度值与实际监测值之间的误差。结果表明重构数据STCLYRD在缺失值位置处相较于CHAPV3日尺度PM2.5数据0的重污染事件监测率,有了一定程度上的提升。而对于重构数据STCLYRD及CHAPV3与地面台站同时监测到的重污染事件相比,在高值区同样存在低估的现象。（5）针对常规插值算法中存在的高值低估问题,本研究探讨了超分辨率重建在PM2.5高频数据重构的应用,在重构数据STCLYRD的基础上对高频数据进行超分辨率重建,得到了超分重构数据（Reconstructed data based on ST-Conv LSTM and Super-Resolution reconstruction in Yangtze River Delta,SRSTCLYRD）。结果表明,超分辨率重建方法可以有效地突出因传统插值方法平滑掉的空间细节,相较于重构数据STCLYRD,超分重构数据SRSTCLYRD对于重污染事件的监测能力提高了68.63%;而在与STCLYRD同时监测到的重污染事件中,其重构的浓度值于地面实际观测值之间误差相对更小,更加接近于真实值。因此超分辨重建能够在一定程度上逼近真实值,还原到真实的PM2.5高频信息。