徐成康，陳斯婕，董長(zhǎng)哲，徐文韜，劉 東

（1.浙江大學(xué) 光電科學(xué)與工程學(xué)院，浙江 杭州 310027；2.上海衛(wèi)星工程研究所，上海 200240）

0 引言

PM2.5即空氣動(dòng)力學(xué)直徑小于2.5 μm 的細(xì)顆粒物，又被稱為可入肺顆粒物，是空氣污染霧霾危害中的主要成分之一，對(duì)氣候、環(huán)境和人類健康有極大的危害［1］。目前，我國(guó)已形成系統(tǒng)化的地面空氣質(zhì)量監(jiān)測(cè)體系，能夠?qū)M2.5、PM10、一氧化碳、二氧化硫、二氧化氮和臭氧等主要污染物進(jìn)行實(shí)時(shí)精確監(jiān)控。但地面監(jiān)測(cè)站點(diǎn)缺乏區(qū)域覆蓋能力，且分布不均，無(wú)法對(duì)各類污染物的分布及相互作用過(guò)程進(jìn)行有效的追蹤分析和預(yù)測(cè)，而星載遙感觀測(cè)具有全天時(shí)、高覆蓋等獨(dú)特優(yōu)勢(shì)，在大氣狀態(tài)監(jiān)測(cè)領(lǐng)域中被廣泛應(yīng)用。如美國(guó)航空航天局（National Aeronautics and Space Administration，NASA）的TERRA 和AQUA 兩顆衛(wèi)星上的中分辨率成像光譜儀（Moderate Resolution Imaging Spectroradiometer，MODIS），在全球氣溶膠觀測(cè)上取得了巨大成功［2］。

目前已經(jīng)有相關(guān)研究將星載傳感器反演的氣溶膠光學(xué)厚度（Aerosol Optical Depth，AOD）通過(guò)經(jīng)驗(yàn)或半經(jīng)驗(yàn)統(tǒng)計(jì)、地理加權(quán)回歸、化學(xué)傳輸模式算法等方法反演地表PM2.5濃度［3-5］，但僅通過(guò)被動(dòng)遙感數(shù)據(jù)反演PM2.5精度較低。星載被動(dòng)遙感手段能夠進(jìn)行超大范圍顆粒物柱總量探測(cè)，但一定程度上受限于其垂直探測(cè)能力及光照條件，導(dǎo)致觀測(cè)結(jié)果較粗糙，而地面空氣質(zhì)量監(jiān)測(cè)體系具有全天時(shí)高效探測(cè)近地表顆粒物濃度的能力［6］。因此，本文通過(guò)神經(jīng)網(wǎng)絡(luò)結(jié)合星載遙感數(shù)據(jù)、地表測(cè)量數(shù)據(jù)和其他輔助數(shù)據(jù)來(lái)反演估計(jì)PM2.5，能夠提高觀測(cè)范圍和預(yù)測(cè)能力，為相關(guān)科研目標(biāo)及政策實(shí)施提供便利。隨著衛(wèi)星平臺(tái)和遙感觀測(cè)儀器的高速發(fā)展，使在衛(wèi)星上搭載的先進(jìn)遙感儀器進(jìn)行宏觀大氣狀態(tài)觀測(cè)和源匯分析是必然的趨勢(shì)。

1 研究區(qū)域與數(shù)據(jù)來(lái)源

1.1 研究區(qū)域

研究區(qū)域?yàn)殚L(zhǎng)三角地區(qū)，以杭州市國(guó)家基準(zhǔn)氣象站為中心，地理位置如圖1 所示。長(zhǎng)三角地區(qū)遠(yuǎn)離中國(guó)西北部的天然沙塵源，地勢(shì)平坦植被多，基本不存在沙塵長(zhǎng)距離傳輸［7］。從地理上看，長(zhǎng)三角（30°～33° N，119°～122° E）是長(zhǎng)江與錢塘江形成的天然沖積平原，工農(nóng)業(yè)十分發(fā)達(dá)，且人口稠密，上海、南京、杭州等特大城市均位于該區(qū)域。圖1 中標(biāo)注了杭州市國(guó)家基準(zhǔn)氣象站的位置，本研究使用的霧霾層高度（Haze Layer Height，HLH）由該站點(diǎn)的地基微脈沖激光雷達(dá)（Micro-Pulse Lidar，MPL）數(shù)據(jù)計(jì)算得到。圖1 同樣標(biāo)注了該區(qū)域內(nèi)空氣質(zhì)量指數(shù)（Air Quality Index，AQI）站點(diǎn)的位置分布，是PM2.5實(shí)測(cè)數(shù)據(jù)的數(shù)據(jù)來(lái)源。在研究時(shí)間上，覆蓋了從2017年1月—2020年5月共3.5a的時(shí)間。

圖1 研究區(qū)域及MPL/AQI 站點(diǎn)分布Fig.1 Studied area and the locations of the MPL/AQI stations

1.2 地基數(shù)據(jù)

本文使用的PM2.5濃度數(shù)據(jù)來(lái)自于AQI 站點(diǎn)，在研究區(qū)域內(nèi)共計(jì)有182 個(gè)站點(diǎn)，所采集的數(shù)據(jù)包括站點(diǎn)每小時(shí)及24 h 滑動(dòng)平均的PM2.5濃度數(shù)據(jù)，HLH 數(shù)據(jù)從杭州市國(guó)家基準(zhǔn)氣象站點(diǎn)數(shù)據(jù)中計(jì)算得到。在將AOD 通過(guò)經(jīng)驗(yàn)公式轉(zhuǎn)化為PM2.5濃度的過(guò)程中，混合層高度（Mixing Layer Height，MLH）作為轉(zhuǎn)換中的比例因子是一個(gè)關(guān)鍵參數(shù)。AOD 是垂直方向的氣溶膠光學(xué)總量，MLH 是近地面的氣溶膠混合高度，在沒(méi)有上層傳輸?shù)那闆r下（且絕大部分為細(xì)顆粒物），可以認(rèn)為AOD 和PM2.5成正比，HLH 的高度和PM2.5濃度成反比［8］。在理想狀態(tài)下，邊界層高度（Boundary Layer Height，BLH）可視為混合層高度，但實(shí)際中氣溶膠并不是總局限在邊界層以內(nèi)，且在邊界層內(nèi)分布也不均勻，因此使用BLH 替代MLH，將柱AOD 轉(zhuǎn)化為地表PM2.5會(huì)有顯著的誤差，需要合適的校正方法來(lái)提高PM2.5濃度估算的準(zhǔn)確性［9-10］。已有相關(guān)研究使用梯度法從微脈沖激光雷達(dá)廓線中計(jì)算BLH 并轉(zhuǎn)換為HLH，該方法充分考慮了邊界層以上的氣溶膠，能夠有效校正偏差，提高反演準(zhǔn)確性［11-13］。

利用地基站點(diǎn)的監(jiān)測(cè)數(shù)據(jù)來(lái)驗(yàn)證AOD-PM2.5的估算準(zhǔn)確率，并使用HLH 標(biāo)準(zhǔn)化來(lái)代替?zhèn)鹘y(tǒng)的AOD/BLH 標(biāo)準(zhǔn)化，進(jìn)一步改善估算的結(jié)果。如圖2（a）所示，無(wú)法直接從AOD 與PM2.5濃度變化中提取兩者的關(guān)系，因此通過(guò)計(jì)算皮爾遜相關(guān)系數(shù)平方（R2）來(lái)計(jì)算特征相關(guān)性，進(jìn)一步分析HLH 的相關(guān)性及相較于BLH 的進(jìn)步。比較圖2（b）、圖2（c），分別對(duì)應(yīng)AOD/BLH 與PM2.5的濃度相關(guān)性及AOD/HLH 與PM2.5的濃度相關(guān)性，同時(shí)考慮相對(duì)濕度（Relative Humidity，RH）對(duì)PM2.5濃度探測(cè)的影響，通過(guò)計(jì)算吸濕增長(zhǎng)因子f（RH）進(jìn)行PM2.5校正，校正后兩者的R2分別為0.17 和0.41，明顯提升。

圖2 AOD 和PM2.5時(shí)序圖及相關(guān)性比較Fig.2 Time-series diagram and correlation comparison of AOD/PM2.5

1.3 AOD 與氣象數(shù)據(jù)

遙感AOD 數(shù)據(jù)來(lái)自NASA 的MODIS 傳感器公開(kāi)數(shù)據(jù)。MODIS 是搭載在TERRA 和AQUA兩顆衛(wèi)星上的MODIS，覆蓋了0.4～14.4 μm 光譜范圍，分辨率最高達(dá)250 m［14］。本研究使用的數(shù)據(jù)產(chǎn)品為MODIS 多角度大氣校正算法（Multi-Angle Implementation of Atmospheric Correction，MAIAC）產(chǎn)品，編號(hào)MCD19A2。MAIAC 產(chǎn)品為MODIS 觀測(cè)結(jié)果通過(guò)算法反演得到的1 km 空間分辨率的AOD 數(shù)據(jù)，使用了改進(jìn)的光譜表面反射算法來(lái)確保AOD 反演的準(zhǔn)確性［15］。

由于星載AOD 數(shù)據(jù)受到云和地表特征的影響，存在較多無(wú)效值，需要模型AOD 數(shù)據(jù)輔助，并通過(guò)神經(jīng)網(wǎng)絡(luò)對(duì)MAIAC AOD 數(shù)據(jù)進(jìn)行填補(bǔ)。采用的AOD 模型數(shù)據(jù)來(lái)自于為戈達(dá)德地球觀測(cè)系統(tǒng)（Goddard Earth Observing System Model，GEOS）模型，數(shù)據(jù)產(chǎn)品為GEOS5 FP 2 d 時(shí)間平均初級(jí)氣溶膠診斷（Time-Averaged Primary Aerosol Diagnostics）空間分辨率為0.25°×0.312 5°，時(shí)間分辨率為3 h［16］。其他氣象數(shù)據(jù)來(lái)自于歐洲中期天氣預(yù)報(bào)中心（The European Centre for Medium-Range Weather Forecasts，ECMWF）的再分析數(shù)據(jù)（ECMWF Reanalysis v5，ERA5），該數(shù)據(jù)庫(kù)提供了從1979 年起，大氣、陸地和海洋氣候變量的每小時(shí)估計(jì)值［17］。本文主要使用了ERA 5 數(shù)據(jù)庫(kù)中的單層和氣壓分層數(shù)據(jù)中的地表溫度、濕度、壓強(qiáng)、風(fēng)速和邊界層高度數(shù)據(jù)，其空間分辨率為0.25°×0.25°，時(shí)間分辨率為1 h。

2 研究方法與模型

2.1 機(jī)器學(xué)習(xí)模型

支持向量機(jī)（Support Vector Machine，SVM）常用于處理機(jī)器學(xué)習(xí)中的分類問(wèn)題，對(duì)于分類問(wèn)題，SVR 是在特征空間中尋找一個(gè)曲面，使得不同特征之間的間隙最大，而離該曲面最近的特征向量，則被稱為支持向量。支持向量回歸（Support Vector Regression，SVR）是SVM 方法的擴(kuò)展，簡(jiǎn)單的線性回歸是要找出一條殘差最小的線，而SVR 則是找出一個(gè)超平面，使得所有的樣本點(diǎn)離超平面的總偏差最小，主要用于處理回歸問(wèn)題［18］。

隨機(jī)森林（Random Forest，RF）是典型的多模型聯(lián)合的機(jī)器學(xué)習(xí)模型，其通過(guò)組合一系列決策樹的結(jié)果來(lái)進(jìn)行聯(lián)合預(yù)測(cè)。具體算法流程為：先對(duì)原始訓(xùn)練數(shù)據(jù)集進(jìn)行隨機(jī)采樣，用于訓(xùn)練第一個(gè)決策樹，之后進(jìn)行重新采樣訓(xùn)練下一個(gè)模型，重復(fù)訓(xùn)練N個(gè)模型，采樣使用隨機(jī)子空間法，確保決策樹之間的低相關(guān)性；訓(xùn)練完成后，輸入測(cè)試數(shù)據(jù)能夠得到N個(gè)預(yù)測(cè)輸出，通過(guò)多數(shù)投票或者求取平均值的方法得到最終的預(yù)測(cè)結(jié)果［19］。

多層感知機(jī)（Multilayer Perceptron，MLP）是一種神經(jīng)網(wǎng)絡(luò)模型，由輸入、隱藏層和輸出層構(gòu)成，層與層之間全連接，即每一個(gè)節(jié)點(diǎn)都與其上下層的所有節(jié)點(diǎn)有連接，每一層的輸出傳入到下一層直到生成最終的結(jié)果。MLP 使用如Tanh 或Sigmoid 等激活函數(shù)，通過(guò)給神經(jīng)元引入非線性因素來(lái)克服線性模型的限制，增強(qiáng)網(wǎng)絡(luò)的適用性［20］，在分類與回歸問(wèn)題中有廣泛應(yīng)用。

2.2 ADRN 與集成學(xué)習(xí)

由于MAIAC AOD 觀測(cè)結(jié)果存在大量缺失現(xiàn)象，很難使用基于卷積神經(jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)方法，因?yàn)榫矸e神經(jīng)網(wǎng)絡(luò)需要完整的圖像或具有有限隨機(jī)缺失值的圖像進(jìn)行訓(xùn)練，而MAIAC AOD 則通常是因?yàn)樵茖右约暗乩項(xiàng)l件等原因產(chǎn)生缺失，這種缺失過(guò)程并不隨機(jī)。本文使用的深度學(xué)習(xí)網(wǎng)絡(luò)為基于自動(dòng)編碼器的深度殘差網(wǎng)絡(luò)（Auto-encoderbased Deep Residual Network，ADRN）及集成算法，算法結(jié)構(gòu)及流程如圖3 所示。ADRN 具有對(duì)稱結(jié)構(gòu)的編碼和解碼層，能夠?qū)Χ鄠€(gè)協(xié)變量特征進(jìn)行監(jiān)督學(xué)習(xí)，通過(guò)中間層潛在地學(xué)習(xí)有效的數(shù)據(jù)特征，提高學(xué)習(xí)效率［21］。普通的前向反饋神經(jīng)網(wǎng)絡(luò)（Feedforward Neural Network，F(xiàn)FNN）在用于回歸預(yù)測(cè)時(shí)，會(huì)隨著隱藏層的增加而發(fā)生梯度飽和以及精度下降的現(xiàn)象，因此ADRN 在編碼層和解碼層引入殘差連接以提高學(xué)習(xí)效率［22］，實(shí)現(xiàn)在廣區(qū)域內(nèi)穩(wěn)健估算AOD 數(shù)據(jù)。

圖3 ADRN 模型結(jié)構(gòu)及集成學(xué)習(xí)流程Fig.3 ADRN model structure and the integrated learning process

模型訓(xùn)練時(shí)使用了集成裝袋（Bagging）算法，該算法被廣泛應(yīng)用于回歸和分類應(yīng)用中，上文提到的RF 算法就是一種典型的集成算法。由于使用的數(shù)據(jù)集涵蓋地時(shí)間跨度較大（3.5 a），且數(shù)據(jù)分布離散，訓(xùn)練單個(gè)模型受數(shù)據(jù)集的影響較大，因此預(yù)測(cè)效果較差。而Bagging 算法通過(guò)將原始訓(xùn)練集進(jìn)行隨機(jī)取樣，構(gòu)建并訓(xùn)練多個(gè)獨(dú)立的弱學(xué)習(xí)器，之后將弱學(xué)習(xí)器結(jié)合形成強(qiáng)學(xué)習(xí)器來(lái)完成學(xué)習(xí)任務(wù)。Bagging 算法能夠有效減小預(yù)測(cè)的偏差和協(xié)方差，提高精度，避免過(guò)擬合［23］。本文使用ADRN 模型作為集成算法的基礎(chǔ)模型。

2.3 數(shù)據(jù)預(yù)處理

由于使用各類數(shù)據(jù)的空間分辨率不一致，存在MAIAC AOD 和ERA5 氣象數(shù)據(jù)的大區(qū)域覆蓋數(shù)據(jù)，也有類似HLH 和PM2.5濃度的點(diǎn)數(shù)據(jù)，為了便于制作模型訓(xùn)練集，首先需對(duì)各類數(shù)據(jù)進(jìn)行時(shí)空間匹配。遙感觀測(cè)數(shù)據(jù)中空間分辨率不足1 km 的參數(shù)，會(huì)使用雙線性插值法插值到1 km 分辨率；然后以MAIAC 觀測(cè)時(shí)間為基準(zhǔn)，與其他氣象參數(shù)進(jìn)行時(shí)間匹配；AQI 站點(diǎn)的PM2.5數(shù)據(jù)則與1 km 網(wǎng)格上的最近距離點(diǎn)進(jìn)行匹配。匹配完成后進(jìn)行標(biāo)準(zhǔn)化去除特征之間的相關(guān)性并使特征具有相似分布，提高模型訓(xùn)練效率。

3 結(jié)果與分析

3.1 MAIAC AOD 填補(bǔ)

AOD 填補(bǔ)模型的輸入包括經(jīng)度、緯度、地表高程、時(shí)間、地表濕度、溫度和壓強(qiáng)、東西風(fēng)速、南北風(fēng)速、邊界層高度、GEOS AOD 等特征，3 年時(shí)間的MAIAC 數(shù)據(jù)量太大，因此以周為單位進(jìn)行數(shù)據(jù)集采樣和模型訓(xùn)練。使用的深度學(xué)習(xí)框架為PYTORCH，訓(xùn)練使用NVIDIA TITAN XP 顯卡，通過(guò)網(wǎng)格搜索尋找模型適合的超參數(shù)，最終ADRN模型參數(shù)設(shè)定如下：學(xué)習(xí)率為0.001，批量大小為512，訓(xùn)練100 輪；采用學(xué)習(xí)率衰減策略，當(dāng)監(jiān)測(cè)到當(dāng)前損失函數(shù)在10 個(gè)輪次內(nèi)沒(méi)有下降時(shí)，學(xué)習(xí)率縮小至1/2，以減小訓(xùn)練時(shí)的參數(shù)震蕩，使得模型結(jié)果更接近最優(yōu)解；使用Adam 優(yōu)化器進(jìn)行參數(shù)更新，在學(xué)習(xí)過(guò)程中自適應(yīng)地迭代更新學(xué)習(xí)率和權(quán)重，相比隨機(jī)梯度下降有更好的效果。訓(xùn)練完成后，模型的驗(yàn)證結(jié)果R2為0.97。AOD 填補(bǔ)效果如圖4 所示，圖4（a）為實(shí)際MAIAC AOD 觀測(cè)結(jié)果，由于云層與地表因素影響，有較多區(qū)域無(wú)法反演得到AOD，存在大范圍空缺，圖4（b）、圖4（c）為模型填補(bǔ)后的AOD 分布。通過(guò)比較可以看出，填補(bǔ)的AOD 與原始MAIAC AOD 分布一致，且數(shù)據(jù)無(wú)明顯突變，分布連續(xù)，該填補(bǔ)模型能夠有效提高被動(dòng)遙感數(shù)據(jù)的可用性。

圖4 2017 年1 月13 日MAIAC AOD 填補(bǔ)效果Fig.4 MAIAC AOD interpolation result on January 13th，2017

3.2 PM2.5濃度逐小時(shí)估算

在AOD 填補(bǔ)模型的基礎(chǔ)上，將填補(bǔ)后的MAIAC AOD 作為特征，與地基站點(diǎn)的PM2.5數(shù)據(jù)進(jìn)行匹配后結(jié)合其他氣象數(shù)據(jù)形成PM2.5的訓(xùn)練集，并利用機(jī)器學(xué)習(xí)算法與集成學(xué)習(xí)進(jìn)行訓(xùn)練測(cè)試。MLP 模型訓(xùn)練超參數(shù)如下：3 層隱藏層，節(jié)點(diǎn)數(shù)分別為12、24 和12，迭代次數(shù)1 000 次，學(xué)習(xí)率為0.001，激活函數(shù)為RELU，批量大小為512，使用Adam 優(yōu)化器。SVR 模型訓(xùn)練超參數(shù)如下：使用RBF 核函數(shù)，gamma 為0.06，訓(xùn)練容差為0.001。RF模型訓(xùn)練超參數(shù)為：最大隨機(jī)采樣率為50%，即每次隨機(jī)采樣樣本數(shù)占總訓(xùn)練集的50%，最大樹深度20，決策樹數(shù)量500。集成學(xué)習(xí)的流程如下：首先對(duì)原始訓(xùn)練數(shù)據(jù)集進(jìn)行有放回地隨機(jī)采樣得到100 個(gè)樣本集，之后基于每個(gè)樣本集訓(xùn)練基礎(chǔ)模型，得到100 個(gè)相互獨(dú)立的基學(xué)習(xí)器；其次進(jìn)行實(shí)際PM2.5濃度估算時(shí)，將所有模型的輸出取平均作為集成模型的估計(jì)結(jié)果，ADRN 基礎(chǔ)模型的超參數(shù)與AOD 填補(bǔ)模型一致。

模型的測(cè)試結(jié)果如圖5 所示，MLP、SVR、RF和ADRN 集成模型分別對(duì)應(yīng)圖5（a）～圖5（d），相關(guān)性分別達(dá)到0.43、0.55、0.83 和0.87，在相關(guān)性和均方根誤差（Root Mean Square Error，RMSE）上，ADRN 集成模型的表現(xiàn)最為優(yōu)異。同時(shí)比較了使用BLH 和HLH 時(shí)模型的驗(yàn)證效果，結(jié)果見(jiàn)表1，使用HLH 特征對(duì)各模型的PM2.5的濃度估算結(jié)果都有明顯改善，如SVR 模型的R2從0.42 提高到0.55，同時(shí)偏差絕對(duì)值從0.62 減小到0.12，而ADRN 集成模型的相關(guān)性與偏差等指標(biāo)在2 種情況下都最為優(yōu)異。

表1 使用 BLH 和 HLH 特征的PM2.5濃度估計(jì)結(jié)果Tab.1 Estimation results of PM2.5 concentration with BLH/HLH features

圖5 PM2.5濃度模型估計(jì)散點(diǎn)Fig.5 PM2.5 concentration model estimation

續(xù)圖5 PM2.5濃度模型估計(jì)散點(diǎn)Continuous Fig.5 PM2.5 concentration model estimation

訓(xùn)練完成的ADRN 集成模型可用于估算研究區(qū)域在該3.5 a 時(shí)間內(nèi)日間任意小時(shí)的PM2.5濃度分布，圖6（a）～圖6（d）展示了杭州市區(qū)2019 年12 月12 日在8：00、11：00、14：00 以及17：00 這幾個(gè)時(shí)間點(diǎn)的濃度分布估算結(jié)果，圖中的箭頭代表該時(shí)刻的風(fēng)向。早上8：00 時(shí)，正值早高峰，交通排放增加，PM2.5高濃度地區(qū)集中在市中心并沿主要道路分布，最高濃度超過(guò)了100 μg/m3，此時(shí)整體風(fēng)向?yàn)闁|北風(fēng)；中午11：00 時(shí)，PM2.5濃度有一定程度的下降，且東部地區(qū)下降幅度較大；14：00 時(shí)，風(fēng)向?yàn)槠珫|風(fēng)，PM2.5平均濃度繼續(xù)下降，且東北部PM2.5濃度相比于西南角下降更多，東北風(fēng)將高濃度地區(qū)的污染氣體攜帶到西部；17：00 時(shí)，城區(qū)的PM2.5濃度保持在50 μg/m3左右。PM2.5的濃度分布與日間交通狀況一致，且在交通干道周邊濃度較高，說(shuō)明日間交通排放是城市顆粒物的主要來(lái)源之一。進(jìn)一步分析PM2.5濃度的日間每小時(shí)及季節(jié)變化，如圖6（e）、圖6（f）所示。

圖6 杭州市區(qū)2019 年12 月12 日估算PM2.5濃度的空間分布及濃度變化時(shí)序Fig.6 Distribution of the estimated PM2.5 concentration in Hangzhou on December 12th，2019 and the concentration time-series

觀察到，日間不同時(shí)間的PM2.5濃度有明顯的變化，早上8～10 點(diǎn)濃度最高，之后逐漸下降，下午5 點(diǎn)后又有小幅上升，與早晚高峰時(shí)間匹配。同時(shí)觀察到，模型估計(jì)的PM2.5相較于站點(diǎn)實(shí)測(cè)數(shù)據(jù)更低，出現(xiàn)該現(xiàn)象的主要原因是AQI 監(jiān)測(cè)點(diǎn)基本分布在居民區(qū)及道路周邊，而居民區(qū)和道路周邊由于人類活動(dòng)導(dǎo)致PM2.5濃度相對(duì)更高，而模型估算結(jié)果考慮的是區(qū)域內(nèi)整體的PM2.5濃度，因此實(shí)測(cè)濃度比模型估算濃度高具有可解釋性。季節(jié)變化上，在冬季，12 月至來(lái)年2 月的濃度最高，夏季濃度最低。冬季空氣干燥，降水較少，且存在逆溫現(xiàn)象不利于污染氣體排放，同時(shí)冬季燃煤量和汽車尾氣排放加劇，這些因素共同導(dǎo)致冬季的PM2.5濃度居高不下；而夏季氣旋活動(dòng)較頻繁，降水較多，有利于PM2.5的擴(kuò)散和清除［24］。以上分析結(jié)果表明，以小時(shí)為精度的PM2.5濃度監(jiān)測(cè)對(duì)空氣質(zhì)量的正確分級(jí)和有效管控有重要意義［25］。

4 結(jié)束語(yǔ)

本文提出了基于主被動(dòng)結(jié)合和深度學(xué)習(xí)算法進(jìn)行日間逐小時(shí)PM2.5濃度反演的方法：首先將從MPL 剖面計(jì)算得到的HLH 參數(shù)代替?zhèn)鹘y(tǒng)的BLH參數(shù)進(jìn)行標(biāo)準(zhǔn)化；其次對(duì)MAIAC AOD、氣象參數(shù)與PM2.5濃度的相關(guān)性進(jìn)行分析，改進(jìn)了PM2.5逐時(shí)估算的準(zhǔn)確性；最后基于MAIAC AOD 填補(bǔ)結(jié)果，建立了高時(shí)空分辨率的PM2.5濃度估算模型。通過(guò)多種模型的對(duì)比試驗(yàn)，分析了HLH 對(duì)PM2.5濃度估算帶來(lái)的性能提升。以杭州城區(qū)為例，對(duì)該地區(qū)PM2.5濃度的時(shí)空變化進(jìn)行了研究分析。

本研究對(duì)在監(jiān)測(cè)偏遠(yuǎn)地區(qū)空氣質(zhì)量與擴(kuò)大PM2.5探測(cè)的時(shí)空覆蓋范圍有重要價(jià)值，而獲得高精度、高時(shí)空分辨率的空氣質(zhì)量相關(guān)數(shù)據(jù)，是進(jìn)行氣象、氣候、環(huán)境影響等諸多研究的必要基礎(chǔ)，也是對(duì)污染源進(jìn)行準(zhǔn)確定位、對(duì)排放量進(jìn)行長(zhǎng)期觀測(cè)，為有效的排查污染成因和制定治理政策提供參考的重要支撐［26］。在此研究基礎(chǔ)上，后續(xù)可結(jié)合長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)等循環(huán)神經(jīng)網(wǎng)絡(luò)進(jìn)行PM2.5濃度預(yù)測(cè)等工作。