NO2 是主要的大气污染气体之一, 在大气光化学过程中起着重要作用。研究 NO2 浓度的时空演变, 预测其浓度变化趋势, 对政府出台改善环境措施具有重要意义。提出利用粒子群算法 (PSO) 的反向传播 (BP) 神经网络对大气 NO2 浓度进行预测。以合肥地区 2017 年 1 月 1 日至 2019 年 12 月 31 日的大气污染数据和气象数据为基础, 结合逐步回归方法筛选出与 NO2 浓度相关性较大的影响因子作为输入样本。构建 PSO-BP 神经网络预测模型, 利用 PSO 找出 BP 神经网络最优的初始权值和阈值。对比 BP 神经网络、遗传算法改进的 BP 神经网络和 PSO 改进的 BP 神经网络三种模型的预测结果, 发现 PSO-BP 模型能够较为准确地预测出 NO2 浓度的动态变化规律, 并且预测精度高、模式简单, 有望广泛应用于大气污染物浓度预测等方面的研究。

NO2是大气污染的主要气体之一,其浓度的快速监测对相应地区环境改善具有重要的指导意义.本文以NO2浓度极低时的地面天顶光作为参考光谱,其它时刻天顶光作为样品光谱,利用差分吸收光谱(Differential Optical Absorption Spectroscopy,DOAS)法,对2014年2月5日邯郸市大气中NO2浓度及其变化进行了实时监测,并分析了浓度变化的原因.本文采用的NO2浓度监测方法具有实验搭建简单、耗费较低、精度较高等优点,具备较强的实用性.

主要研究了一种利用非色散光学法进行NO2 浓度检测的技术,其基本原理是利用NO2 在紫外可见光波段有 较强吸收的特点,根据朗伯-比尔定律通过预先标定好的气体吸收率与浓度的关系曲线来推导气体浓 度信息。在实验室使用光谱仪、氙灯和已知浓度的一系列标准样气进行实验,从光谱仪测得 的290～410 nm范围的光谱数据中选取带宽为5 nm的四个波段,分别计算不同气体浓度下的吸收 率,然后分别与浓度作多项式拟合。通过对比不同波段范围和拟合阶次下的拟合相关系数,确定 了一个拟合效果最好的波段和拟合阶次,为滤光片的选择提供了依据。

构建了一套光谱测量系统, 以太阳光为光源, 利用高精度成像光谱仪采集太阳光谱, 选取某一时刻的太阳光谱为参考, 结合当时的污染气体浓度数据, 应用差分吸收原理, 反演出其他任意时刻的NO2浓度。运用Origin7.5软件进行光谱解析, 根据HITRAN数据库绘制吸收截面谱, 并获取指定数值的应用, 实现了对光谱谱线的定量分析, 并且误差小。该反演过程具有光谱处理失真低以及反演参量精度高的特点, 一定程度上提高了太阳光谱反演气体浓度的精度。实验结果与其他设备测量结果一致, 证实了该方法的可行性。

分析了差分吸收光谱法反演大气二氧化氮(NO2)浓度过程中任意选择缓变吸收结构表达式对反演结果的影响.传统的二氧化氮浓度反演中直接用比值光谱的低阶拟合曲线代替缓变吸收信息,阶次选择任意,数值模拟发现这种方法会给反演结果带来很大的误差(最大在40%以上).本文提出以二氧化氮吸收截面为参考,通过对比值光谱的非线性回归,确定缓变吸收信息的表达式.此方法避免了拟合多项式选择的任意性,提高了二氧化氮浓度反演的准确性,数值模拟结果误差不超过1%,并以此获得了合理的二氧化氮浓度实测值.

本文给出了用太阳光作光源，用二极管阵列做探测器，通过分析太阳光谱测量大气中NO2浓度的方法。通过对观测数据的分析，得到合肥市西郊地区上空大气中NO2的含量大约为(1～4)×1016分子cm2，结果与其他测量仪器所得的数据一致。