我国城市气体污染物主要包括氮氧化物、 臭氧、 二氧化硫和颗粒物等, 其中NO2和SO2是气体污染物中常见的污染痕量气体, 对地气辐射、 全球气候、 空气质量和人体健康都有着直接或间接的影响。 淮北地区是我国基础能源和重要原料煤炭的生产基地, 长期的煤炭生产使得当地大气环境污染相对更为复杂, 开展快速获取大气污染物浓度是目前研究热点之一。 差分吸收光谱(DOAS)仪是一种光学遥感式光谱设备, 具有稳定、 时间分辨率高、 灵敏度高和不受搭建平台制约等优势特点, 可同时获取多种污染气体的浓度信息。 针对淮北地区复杂的环境污染, 构建了基于移动平台的车载小型差分吸收光谱系统(DOAS), 该系统包括光谱采集系统、 温控系统和GPS定位系统。 利用车载GPS定位系统记录移动过程中的经纬度和车速, 光谱仪放置在恒温系统中, 保障系统测量的精准性。 在实验期间, 首先测试了系统的性能, 规划了走航观测路线, 并将车载DOAS测量结果与地基MAX-DOAS进行对比以验证系统的准确性, 实现了对淮北地区的大气典型污染物的快速、 便捷、 精准监测。 航测期间, 利用QDOAS软件对原始测量光谱进行反演处理, 选取相对干净的光谱作为参考谱, 获取了淮北地区NO2和SO2柱浓度空间分布, 其中NO2的浓度范围为5.09×1015～15.4×1016 molecule·cm-2, SO2的浓度范围为3.53×1015～9.07×1016 molecule·cm-2。 将车载DOAS测量的结果分别与站点地基MAX-DOAS测量结果和卫星(TROPOMI)数据对比, 均具有较好一致性(相关系数R2>0.75)。 外场实验表明构建的车载小型DOAS系统可以准确的获取城市污染气体柱浓度分布, 为确认城市污染气体的源区和校验卫星遥感数据提供一种有效的技术手段。

利用基于主成分分析 (PCA) 算法的径向基 (RBF) 神经网络对大气中 SO2 浓度进行滚动预测。以北京大兴地区 2019 年 9 月 1 日至 2020 年 10 月 31 日的气象数据和空气质量参数为基础, 结合逐步回归法筛选出与 SO2 线性相关的参数作为输入样本, 构建 PCA-RBF 预测模型。利用该模型预测北京大兴地区某天的 SO2 浓度, 将预测值保留并作为下一天预测模型的输入参数。以此将预测值不断地向前延伸并进行分析和预测, 从而实现 SO2 浓度的滚动预测。对比 RBF 网络和 PCA-RBF 网络两种模型的预测结果, 其中 PCA-RBF 模型期望值和预测值的误差及相关系数分别为 0.03 μg·m-3 和 0.9989。表明 PCA-RBF 网络模型能精准预测 SO2 浓度变化趋势, 为进一步解决大气污染问题提供技术支持。