基于遥感同化的PM2.5源清单优化方法研究

The effects of PM2.5 on human health have been widespread concern, the accuracy of PM2.5 source inventory plays a key role in the PM2.5 air quality model. How to obtain the accurate PM2.5 source inventory with high spatial resolution is a difficult problem of current research. Currently research on source inventory optimization based on direct investigations or source inversion model are somewhat limited by the lower spatial resolution of ground monitoring data. From the point of view of improving the spatial resolution of the revised data resoure with remote sensing data, this research focuses on three sections as follows.(1) PM2.5 concentration inversion based on LM -BP algorithm optimized artificial neural network model, used to assimilate instead of ground-based observations data; (2) The assimilation inversion of CAMx mode analog concentration and remote sensing data based on Ensemble Kalman Filter (EnKF) with the introduction of explicit revised factor of the PM2.5 source inventory;(3) Empirical research on the PM2.5 source inventory optimization method in the Beijing - Tianjin - Hebei region to provide reliable uncertainty range.The optimized PM2.5 source inventory obtained through this research can provide reliable support for not only the policy-making of regional PM2.5 pollution defense and joint control but also the improvement of air quality model PM2.5 forecasting capability.

PM2.5的人体健康效应已受到舆论的广泛关注，PM2.5源清单的准确性对于PM2.5模式预报结果的优劣起关键作用，如何获取高空间分辨率、精确的PM2.5源清单是当前研究的难点问题。目前基于直接调查、源反演模型的源清单订正方法都一定程度上受到地面监测资料空间分辨率较低的限制，本项目从利用遥感资料提高订正数据源空间分辨率的角度入手，研究：（1）基于LM-BP算法优化的人工神经网络模型反演PM2.5浓度，以之代替地面观测资料进行同化；（2）引入显式的PM2.5源清单订正因子，研究基于集合卡尔曼滤波（EnKF）的遥感反演与模式模拟浓度同化的源清单优化方法；（3）以京津冀地区为实验区域，对PM2.5源清单优化方法进行实证研究，提供可靠的不确定性范围。通过本研究方法优化的PM2.5源清单，可为PM2.5污染区域联防联控政策制订以及提高空气质量模式PM2.5预报能力提供可靠的支持。

PM2.5源清单的准确性对于PM2.5模式预报结果的优劣起关键作用，如何获取高空间分辨率、精确的PM2.5源清单是当前研究的难点问题。目前基于直接调查、源反演模型的源清单订正方法都一定程度上受到地面监测资料空间分辨率较低的限制，本项目从利用遥感资料提高订正数据源空间分辨率的角度入手，研究：（1）基于LM-BP算法优化的人工神经网络模型反演PM2.5浓度，以之代替地面观测资料进行同化，提高观测资料的空间分辨率；（2）引入显式的PM2.5源清单订正因子，研究基于集合卡尔曼滤波（EnKF）的遥感反演与模式模拟浓度同化的源清单优化方法；（3）以京津冀地区为实验区域，对PM2.5源清单优化方法进行实证研究，对研究得到的PM2.5源清单优化结果进行验证和评价。主要研究成果包括：（1）设计了基于LM-BP算法优化的人工神经网络模型的流程，层数和节点，采用贝叶斯正则化法消除神经网络训练过程中的过拟合现象，增强模型的泛化能力。通过在在海森矩阵上加一个小正数μ，使海森矩阵变为正定矩阵，可以用较短的时间完成网络迭代求参的过程。研究构建的近地面PM2.5浓度估算模型绝对误差百分比为25%，也就是误差在每立方米6-7微克。（2）构建了CAMx模式的运行环境，设计了基于集合卡尔曼滤波的PM2.5源清单优化算法，考虑污染源排放的时间相关性，设计不同模拟步长和先验误差标准差的系列实验，选择均方根误差最低的实验方案对PM2.5源清单进行优化，为京津冀地区PM2.5源清单优化实证研究提供了理论及技术基础。（3）以京津冀地区为实验区域进行PM2.5源清单优化方法实证研究，根据研究提出的PM2.5源清单优化算法获取优化过的PM2.5源清单；分别将初始PM2.5源清单、优化过的PM2.5源清单带入CAMx模式进行下一时刻的预报，利用地面监测数据对两者模拟结果进行精度验证，结果表明，优化后的PM2.5源清单模拟结果得到较大的改善，更为贴近真实站点观测值，而且对于PM2.5浓度高值的模拟效果更佳。通过本研究方法优化的PM2.5源清单，可为PM2.5污染区域联防联控政策制订以及提高空气质量模式PM2.5预报能力提供可靠的支持。