论文部分内容阅读
近年来,由大气细颗粒物(PM2.5)所引起的空气污染事件频发。针对PM2.5的有效监测及其所引起的健康效应的研究与分析,已逐渐成为各国政府、学者与普通民众广泛关注的热点。在我国,现有的对PM2.5的监测数据的获取主要依赖于地面监测站点的统计数据。仅依赖于传统的地面监测站点,难以保证全方位、有效的实现PM25监测数据的获取与更新。卫星遥感监测数据的出现,为估算全空间范围内的PM2.5浓度开辟了一条新的路径。卫星遥感监测数据具有空间性、连续性等明显优势,在大气环境变化监测研究中具有较高的使用价值。另一方面,除了需要对PM25浓度进行实时、有效监测外,PM25对人类的身体健康所带来的危害也需格外重视。研究表明,随着大气中PM2.5含量的升高,哮喘病、气管炎、支气管炎、慢性阻塞性肺病等诸多与呼吸系统相关的疾病的发病率和死亡率会大大增加。因此,研究如何基于卫星遥感监测数据实现近地面PM2.5浓度高效、合理估算,并针对PM25所引起的健康效应进行合理分析与推理,可对政府有关部门制定相关措施、减轻PM25对居民健康危害影响提供一种新的帮助。为深入探讨上述问题,本文以北京市主城区为研究对象,开展对北京市主城区近地面PM25遥感估算以及主城区呼吸系统疾病门诊就诊人数预报研究。具体研究内容与结论如下:（1）面向MODIS AOD产品数据、地面实测PM2.5数据、气象数据三种数据资料,基于深度信念网络（DBN）构建了适用于北京市主城区近地面PM2 5遥感估算模型。同时,为提高实验效率,在模型构建过程中,采用基于树结构Parzen估计器（TPE）超参数优化算法对模型进行了优化。而后,基于构建的模型估算了 2013年北京市主城区近地面PM2.5逐日平均浓度。结果显示模型MAE、RMSE、R 分别为:40μg/m3、57μg/m3、0.63。（2）面向2013年北京市主城区的PM25估算数据、气象数据和呼吸系统疾病门诊就诊数据三种数据资料,联合分布滞后非线性模型（DLNM）定量分析了PM2.5对北京市主城区居民呼吸系统疾病带来的累积滞后效应。本研究分别顾及了 PM25暴露-滞后反应函数关系以及混杂因素对累积滞后效应分析结果的影响。结果表明:当指定PM25暴露-滞后反应函数关系为非线性,并且模型中调节混杂因素后,模型分析结果通过了统计学显著性检验。随着PM2 5每增加10μg/m3主城区居民患病相对风险率（RR）在滞后当天、滞后0～1天、滞后0～2天以及滞后 0～3 天分别为:1.001744（95%CI:1.000286～1.003203）、1.003059（95%CI:1.000684～1.005439）、1.003936（95%CI:1.000938～1.006942）、1.004357（95%CI:1.000938～1.009563）、1.004299（95%CI:1.00013～1.008487）,并且在滞后 0～3 天取得最大效应值。相反,在非线性函数关系下模型中忽略混杂因素影响后,累积滞后效应分析结果未通过统计学显著性检验;而当指定pM2.5暴露-滞后反应函数关系为线性时,无论模型中调节混杂因素与否,分析结果均未通过统计学显著性检验。（3）面向2013年北京主城区PM2.5估算数据、气象数据、呼吸系统疾病医院门诊就诊数据三种数据资料,采用长短期记忆网络（LSTM）对主城区呼吸系统疾病门诊就诊人数进行了预报。并对比分析了长短期记忆网络（LSTM）、综合自回归移动平均（ARIMA）、多层感知器（MLP）在内的三种预报模型的预报效果。结果显示:当时间步长为3时LSTM模型的预报效果最佳,模型MAE、MAPE、RMSE、R分别为24、10.87%、31、0.87,且与累积滞后效应结果相匹配。说明LSTM能够预测与处理时间序列中延迟相对较长的重要事件,同时也说明LSTM可以作为累积滞后效应分析的新辅助手段;MLP预报模型在时间步长为 1 效果最好,模型 MAE、MAPE、RMSE、R 分别为 25、11.01%、32、0.85,与LSTM相比MLP无法处理时间序列中的延迟性事件;ARIMA根据呼吸系统疾病门诊就诊人数时间序列的变化规律进行外推预报,无法将与呼吸系统疾病相关的影响因素纳入模型进行分析,相比较而言预报效果较差,模型MAE、MAPE、RMSE、R 分别为 78、21.10%、102、0.84。