1 淮北师范大学物理与电子信息学院, 安徽 淮北 235000
2 污染物敏感材料与环境修复安徽省重点实验室, 安徽 淮北 235000
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。
车载 小型差分吸收系统 淮北地区 柱浓度 大气污染 Vehicle-mounted Minioptical differential absorption spectroscopic Huaibei region Column concentration Atmospheric pollution
1 淮北师范大学物理与电子信息学院, 安徽 淮北 235000
2 污染物敏感材料与环境修复安徽省重点实验室, 安徽 淮北 235000
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。
逐步回归分析 主成分分析 主成分分析-径向基神经网络 stepwise regression analysis principal component analysis principal component analysis-radial basis function SO2 SO2 大气与环境光学学报
2022, 17(5): 550
淮北师范大学物理与电子信息学院, 安徽 淮北 235000
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。
粒子群算法 反向传播神经网络 逐步回归 NO2 浓度预测 particle swarm optimization back propagation neural network stepwise regression NO2 concentration prediction 大气与环境光学学报
2022, 17(2): 230
淮北师范大学物理与电子信息学院, 安徽 淮北 235000
基于多轴差分吸收光谱技术 (MAX-DOAS) 反演 NO2 柱浓度的方法, 构建了相应的地基 MAX-DOAS 系统, 开展了 NO2 柱浓度变化特征的观测。反演中选取天顶方向的光谱作为参考光谱, 通过非线性最小二乘法反演出 NO2 斜柱浓度 (SCD), 结合不同观测方向的斜柱浓度得到 NO2 差分斜柱浓度 (dSCD), 再利用几何近似法得到大气质量因子 (AMF), 最终获取 NO2 垂直柱浓度 (VCD)。于 2019 年 6 月至 2020 年 5 月在淮北地区开展了为期一年的外场实验, 研究结果表明淮北地区 NO2 VCD的月均值在观测期间内呈现倒“U”型变化, 在 12 月份达到最高值 2.13×1016 molecules·cm-2, 在 8 月份达到最低值 5.23×1015 molecules·cm-2。将 MAX-DOAS 观测结果的日均值与 OMI 卫星 (云系数分别为 0
多轴差分吸收光谱技术 NO2 垂直柱浓度 对比分析 multi-axis differential optical absorption spectro OMI OMI NO2 vertical column density contrastive analysis 大气与环境光学学报
2021, 16(2): 107
淮北师范大学 物理与电子信息学院，安徽淮北235000
构建了具有操作简单、大范围以及高灵敏度等特点的地基多轴差分吸收系统（MAX-DOAS），对淮北地区2019年10月至2020年5月进行连续观测，得到HCHO的时间序列。为了减少其他气体的干扰，采用不同波段反演HCHO差分斜柱浓度，对比发现，选用324~342 nm波段时，反演误差波动最小，能够精确获取甲醛气体浓度。由HCHO月均值序列结果可知，疫情中期与疫情前后相比，浓度分别降低了35%和23%。日变化以及周变化结果表明淮北地区HCHO浓度具有早晚高、中午低的日变化特征，且没有明显的周末效应。结合Hysplit风场后向轨迹模型对高值天气的风场进行研究，发现在2020年1月12~14日与18~21日期间，淮北地区在西北风场的影响下，会受到来自砀山等地的污染输送影响，引起HCHO浓度的升高。MAX-DOAS测量HCHO柱浓度结果与OMI卫星数据进行对比发现两种测量方式具有良好的一致性（R2=0.87）。
HCHO 多轴差分吸收光谱 OMI卫星 垂直柱浓度 浓度特征 HCHO MAX-DOAS OMI satellite Vertical column density Concentration characteristics
