عمق نوری آئروسل بازیابی شده توسط ماهواره (AOD) به طور گسترده ای برای تخمین غلظت و تجزیه و تحلیل الگوی مکانی – زمانی ذرات معلق کمتر یا مساوی 2.5 میکرون (PM 2.5 ) استفاده می شود، همچنین راهی برای تحقیقات مرتبط در مورد آلودگی هوا فراهم می کند. . بسیاری از مطالعات شبکه های غلظت PM 2.5 را با وضوح 3 یا 10 کیلومتر ایجاد کردند. با این حال، وضوح نسبتاً درشت محصولات AOD ماهواره ای، تعیین ویژگی های مقیاس ریز توزیع های PM 2.5 را که برای تجزیه و تحلیل کیفیت هوای شهری مهم هستند، دشوار می کند. علاوه بر این، ترکیب و خواص شیمیایی PM 2.5نسبتاً پیچیده هستند و ممکن است تحت تأثیر عوامل بسیاری مانند عوامل هواشناسی و نوع پوشش زمین قرار گیرند. در این مقاله، یک محصول AOD با وضوح فضایی 1 کیلومتر که از الگوریتم پیاده‌سازی چندزاویه تصحیح جوی (MAIAC)، اندازه‌گیری‌های PM 2.5 از سایت‌های زمینی و داده‌های هواشناسی به عنوان متغیر کمکی به دست آمده است، در پشتیبانی اصلاح‌شده ادغام می‌شوند. مدل رگرسیون برداری (MSVR) که در این مقاله برای تخمین غلظت PM 2.5 و تحلیل الگوی مکانی – زمانی PM 2.5 پیشنهاد شده است. با در نظر گرفتن مجموعه داده نسبتاً کوچک و رابطه تا حدودی پیچیده بین متغیرها، ما یک مدل رگرسیون بردار پشتیبانی اصلاح شده (MSVR) پیشنهاد می کنیم که بر اساس SVR برای برازش و تخمین PM است.غلظت 2.5 در استان هوبی چین. در این مقاله، ضریب همبستگی متقاطع (R2) 0.74 را برای رگرسیون متغیرهای مستقل و وابسته به دست آوردیم، و مدل SVR معمولی R2 0.60 را به عنوان مقایسه به دست آورد. ما فکر می‌کنیم که مدل MSVR ما علی‌رغم بسیاری از عوامل پیچیده که ممکن است بر دقت تأثیر بگذارد، عملکرد نسبتاً خوبی داشته است. سپس از مدل بهینه MSVR برای انجام تخمین PM 2.5 ، تجزیه و تحلیل الگوهای مکانی-زمانی آنها و تلاش برای توضیح دلایل احتمالی این الگوها استفاده کردیم. نتایج نشان داد که برآوردهای PM 2.5 بازیابی شده از 1 کیلومتری MAIAC AOD می تواند مشخصات توزیع فضایی دقیق تری از PM 2.5 را منعکس کند.و دقت بالاتری نسبت به آن از 3 کیلومتری MODIS AOD دارند. بنابراین، مدل MSVR پیشنهادی می تواند روش بهتری برای تخمین PM 2.5 باشد، به خصوص زمانی که مجموعه داده نسبتاً کوچک باشد.

کلید واژه ها:

PM 2.5 ; MAIAC 1 کیلومتر AOD ; مودیس ; رگرسیون بردار پشتیبانی اصلاح شده ; داده های هواشناسی

1. مقدمه

در حال حاضر، آلودگی هوا و مشکلات بهداشتی مرتبط با آن به نقاط داغ تحقیقاتی تبدیل شده است [ 1 ]. مطالعات متعدد نشان داده است که ذرات کوچکتر از 2.5  نوع گره ناشناخته: فونتنوع گره ناشناخته: فونت Unknown node type: fontUnknown node type: fontدر قطر آیرودینامیکی (PM 2.5 ) اثرات نامطلوبی بر سلامت انسان داشته و می تواند باعث بیماری های ریوی و قلبی عروقی شود [ 2 ، 3 ].
افرادی که در معرض محیط های آلوده قرار می گیرند مستعد بیماری یا حتی مرگ هستند. بنابراین، نظارت بر قرار گرفتن در معرض PM 2.5 و تجزیه و تحلیل الگو برای ارزیابی کیفیت هوا و مطالعات اپیدمیولوژیک محیطی حیاتی است [ 4 ، 5 ]. غلظت PM 2.5 به طور سنتی توسط سایت های نظارت زمینی توزیع شده در سراسر کشور به دست می آید. با این حال، سایت‌های نظارت زمینی موجود به دلیل هزینه ساخت بالا، برای ارائه نظارت مستمر PM 2.5 بسیار پراکنده هستند. در مقابل، سنجش از دور ماهواره ای دارای پوشش فضایی گسترده و پیوسته است و به طور گسترده در تخمین غلظت PM 2.5 استفاده شده است [ 6 ، 7 ]]، اگرچه ابر می تواند بر در دسترس بودن داده ها تأثیر بگذارد.
عمق نوری آئروسل مشتق شده از ماهواره (AOD) نشان دهنده مقدار نوری است که از یک پرتو توسط نقش پراکندگی یا جذب آئروسل در طول مسیر آن حذف می شود [ 8 ، 9 ]. علاوه بر این، مطالعات قبلی نشان داده اند که رابطه مستقیمی بین ذرات جو (مانند PM 2.5 ) و AOD وجود دارد [ 10 ]. بنابراین، محصولات AOD ماهواره‌های سنجش از دور یک روش بالقوه مقرون‌به‌صرفه برای تخمین غلظت‌های جرمی PM 2.5 در سطح زمین ارائه می‌کنند [ 11 ، 12 ]. مجموعه ای از محصولات AOD برای چنین بررسی هایی استفاده شده است [ 13 ]، به عنوان مثال، طیف سنج تصویربرداری با وضوح متوسط ​​(MODIS) [ 14 ]، 15 ]، طیف رادیومتر تصویربرداری چند زاویه ای [ 16 ]، هیماواری-8 (H8) [ 17 ، 18 ]، و مجموعه رادیومتر تصویربرداری مادون قرمز مرئی [ 19 ]. با این حال، وضوح فضایی نسبتاً درشت (معمولاً 3 کیلومتر یا 10 کیلومتر) سنسورهای ماهواره ای فوق، تخمین دقیق PM 2.5 را در مناطق شهری محدود می کند. اخیراً، الگوریتم پیاده‌سازی چند زاویه‌ای تصحیح جوی (MAIAC)، که از تحلیل سری‌های زمانی و تکنیک‌های پردازش مبتنی بر تصویر استفاده می‌کند، برای انجام بازیابی آئروسل و اصلاحات جوی توسعه داده شده است.
پیاده‌سازی چند زاویه‌ای تصحیح جوی (MAIAC) یک الگوریتم عمومی جدید است که در مجموعه 6 (C6) اندازه‌گیری‌های MODIS برای بازیابی عمق نوری آئروسل (AOD) روی زمین با وضوح فضایی بالا (1 کیلومتر) اعمال می‌شود [ 20 ]. محصول AOD مرتبط MCD19A2 (مجموعه MODIS مجموعه 6 (C6) روزانه AOD)، که بر اساس الگوریتم MAIAC است، در سال 2018 منتشر شد [ 21 ]. اگرچه هدف محصول MAIAC AOD نظارت بر آئروسل است، این محصول با وضوح 1 کیلومتر به ما فرصتی می دهد تا غلظت PM 2.5 را در وضوح مکانی و زمانی بالاتر تخمین بزنیم.
مطالعات قبلی نشان داده اند که رابطه بین PM 2.5 و AOD نسبتاً پیچیده است و ممکن است تحت تأثیر یک سری پارامترها، مانند نوع آئروسل و ساختار عمودی توزیع آئروسل [ 22 ]، رطوبت نسبی (RH) [ 23 ] باشد. ، ارتفاع لایه مرزی سیاره ای (PBLH) [ 24 ]، سرعت و جهت باد [ 25 ]، تفاوت عمق و دمای لایه وارونگی [ 24 ]، پوشش زمین [ 26 ] و غیره. علاوه بر این، اخیراً از روش های پیچیده تری برای تخمین PM 2.5 با در نظر گرفتن این پارامترها ایجاد شده است.
مطالعات سعی شده است با رویکردهای آماری رابطه بین این متغیرها را بررسی کنند. بسیاری از رویکردهای مختلف توسط مطالعاتی که رابطه بین PM 2.5 و AOD را مورد بررسی قرار داده اند پیشنهاد شده است. به عنوان مثال، مدل رگرسیون خطی، مدل رگرسیون وزن‌دار جغرافیایی [ 27 ، 28 ]، مدل دو مرحله‌ای [ 29 ] و روش‌های شبکه عصبی جدید توسعه‌یافته [ 30 ، 31 ] را شامل می‌شود، اما به آن محدود نمی‌شود. به عنوان داده های مکانی، داده های غلظت PM 2.5 ناهمگنی و وابستگی مکانی دارند. مشخصات آماری PM 2.5غلظت ممکن است در مکان و زمان متفاوت باشد. این ناهمسانگردی فضا-زمان ممکن است متغیرهای تصادفی مستقل و توزیع شده یکسان را در اکثر روش‌های یادگیری ماشین نقض کند [ 32 ].
ماشین بردار پشتیبان (SVM) بر اساس اصل کمینه‌سازی ریسک ساختاری که در ابتدا برای حل مسائل طبقه‌بندی با استفاده از یادگیری نمونه کوچک توسعه یافته بود، برای حل مشکلات رگرسیونی امیدوارکننده است. SVM برای رگرسیون که به عنوان رگرسیون بردار پشتیبان (SVR) نامیده می شود، به دلیل قابلیت ذاتی آن برای دور زدن مشکل بیش از حد برازش در رگرسیون و بهبود توانایی تقریب پاسخ، عملکرد برتر را نشان داده است [ 33 ].
با توجه به ویژگی های آزمایش:
1. رابطه غیرخطی و پیچیده; به عنوان یک تحقیق جوی، رابطه بین PM 2.5 ، AOD و متغیرهای کمکی نسبتاً پیچیده است و بهتر است آن را با مدل غیر خطی توصیف کنیم. تابع هسته می تواند عملیات محصول داخلی را در فضای نقشه برداری ساده کند و از محاسبه مستقیم در فضای با ابعاد بالا اجتناب کند.
2. مجموعه داده نسبتاً کوچک. الگوریتم های رگرسیون به طور کلی از قانون داده های بزرگ تبعیت می کنند. این بدان معناست که نتیجه نهایی با نمونه های بیشتر نسبتا دقیق تر است. SVM دستیابی به نتایج نسبتاً خوبی را در نمونه های کوچک امکان پذیر می کند. SVR بر اساس ماشین بردار پشتیبان مشکلات رگرسیون را با استفاده از یادگیری نمونه کوچک حل می کند. علاوه بر این، “نمونه کوچک” یک مفهوم قابل توجه است. ما فکر می کنیم که نمونه های آزمایش ما برای کشف رابطه غیرخطی کافی است.
3. قابلیت مدیریت مجموعه داده های با ابعاد بالا به خوبی. SVR می‌تواند رابطه غیرخطی بین داده‌ها و ویژگی‌ها را در مجموعه داده‌های نسبتاً کوچک، به ویژه در مقایسه با سایر روش‌های یادگیری ماشین، درک کند.
بنابراین، این مقاله روش SVR اصلاح شده (MSVR) را برای بهبود دقت برآورد غلظت PM 2.5 پیشنهاد می‌کند. MSVR اثرات فاصله مکانی را بر دقت برآورد در نظر می‌گیرد و عواملی را در ورودی مدل اضافه می‌کند که به طور کلی شامل می‌شوند و تأثیر نسبتاً مهم‌تری دارند، با MAIAC AOD به عنوان پیش‌بینی‌کننده اولیه و اطلاعات هواشناسی و پوشش زمین به عنوان اطلاعات جانبی.

2. مواد و روش

2.1. منطقه مطالعه

منطقه مورد مطالعه این مقاله هوبی، چین است. استان هوبی در مرکز چین واقع شده است و مرکز آن، ووهان، یکی از بزرگترین شهرها و مراکز در حال توسعه کشور است ( شکل 1 ). با توسعه سریع شهرنشینی و صنعتی شدن در چین، بلایای آب و هوایی، مانند مه دود، اغلب در شهرهای بزرگ چین در نتیجه بدتر شدن شرایط جوی و محیطی رخ می دهد [ 34 ]. تحقیق در مورد تخمین و تجزیه و تحلیل PM 2.5 در ووهان می‌تواند راهنمایی سازنده برای تحقیقات کیفیت هوای شهری در سایر شهرهای بزرگ چین باشد. در همین حال، با توجه به شرایط اقلیمی و پوشش زمین پیچیده استان هوبی، تحقیقات در این زمینه می تواند به تجزیه و تحلیل اثرات عوامل مختلف مانند آب و هوا و پوشش زمین بر PM کمک کند.2.5 توزیع.

2.2. داده های تجربی

2.2.1. داده های MAIAC و MODIS AOD

الگوریتم MAIAC یک الگوریتم پیشرفته برای بازیابی آئروسل و تصحیح جوی برای داده‌های MODIS بر روی سطوح تاریک و روشن بیابان است. این الگوریتم مزایای پردازش سری زمانی را در سطح هم افزایی برای پوشش ابر و بازیابی سطح آئروسل بررسی می کند. الگوریتم MAIAC تا 16 روز از اندازه گیری های MODIS شبکه ای برای بازیابی همزمان AOD و ضریب توزیع بازتاب دو طرفه سطحی (BRF)/albedo استفاده می کند و سپس AOD را با وضوح 1 کیلومتر تولید می کند. این الگوریتم هر دو سلول شبکه جداگانه (که پیکسل نیز نامیده می شود) و مناطق با اندازه ثابت (25 × 25 کیلومتر مربع) (که بلوک نیز نامیده می شود) استفاده می کند، همانطور که توسط الگوریتم ماسک ابری و بازیابی مورد نیاز است [ 21 ].
مطالعات نشان داده اند که MAIAC AOD به خوبی با AERONET AOD (Aerosol Robotic Network AOD) موافق است که معمولاً به عنوان مقادیر واقعی پایه AOD در نظر گرفته می شود [ 35 ]. علاوه بر این، مطالعات مقایسه ای بین AOD ماهواره ای و AERONET AOD نشان داد که الگوریتم MAIAC دقت را نسبت به MODIS DB (آبی عمیق)/DT (هدف تیره) بهبود می بخشد [ 36 ]. Mhawish [ 20 ] RMSE 0.148 برای MAIAC، 0.198 برای MODIS DB و 0.183 برای MODIS DT به دست آورد.
AERONET AOD در حال حاضر 61 ایستگاه دارد که در چین توزیع شده است، اما هیچ ایستگاهی در منطقه تحقیقاتی ما، استان هوبی، وجود ندارد. بنابراین، ممکن است نتوانیم مقایسه ای بین داده های AERONET و MODIS در منطقه مورد مطالعه دوره مورد مطالعه انجام دهیم. علاوه بر این، تحقیقاتی انجام شده است که بینش هایی را در مورد عملکرد الگوریتم MAIAC با مقایسه محصولات آئروسل MAIAC با مشاهدات زمینی در 9 مکان معمولی در چین به دست آورده است. این تحقیق نشان داد که مقادیر MAIAC و AOD مشاهده شده از زمین ضریب همبستگی بالایی را نشان می‌دهند (R در اکثر سایت‌ها به بالاتر از 0.85 یا حتی 0.9 رسیده است) با وجود انواع سطح پیچیده، منابع آئروسل متنوع، و بارگذاری سنگین ذرات معلق در هوا در جو وسیع چین. MODIS MAIAC 1 کیلومتر AOD در 550 نانومتر، در مقایسه با اندازه‌گیری‌های AERONET در سایت‌های Xuzhou و Taihu که نسبتاً نزدیک به منطقه تحقیقاتی ما هستند، R از 0.91 و 0.878 به دست آمد. مطالعات بیشتر و بیشتری از MAIAC AOD برای PM استفاده می کنندوارونگی 2.5 در چین. ما معتقدیم که این محصول AOD دارای تضمین کیفیت در چین است.
2.2.2. متغیرهای کمکی
از آنجا که جریان اتمسفر تحت تأثیر پارامترهای هواشناسی (مثلاً دما و رطوبت) [ 25 ] است و از آنجا که آلاینده های هوا ممکن است توسط برخی از انواع پوشش زمین (مثلاً پوشش گیاهی) جذب شوند [ 37 ]، پارامترهای هواشناسی و پارامترهای پوشش زمین به عنوان متغیرهای کمکی پذیرفته شدند. در الگوریتم ما برای بهبود دقت تخمین PM 2.5 .
  • داده های هواشناسی
ارتفاع لایه مرزی (BLH, m) به ضخامت لایه مرزی سیاره اشاره دارد و یکی از پارامترهای فیزیکی مهم برای مدل عددی جو و ارزیابی محیط جوی است. معمولاً BLH با PM 2.5 رابطه منفی دارد زیرا BLH بالاتر می تواند جو نزدیک سطح را گسترش دهد و همرفت عمودی را تسهیل کند. رطوبت می تواند با تغییر وزن ذرات و تأثیر بیشتر بر سرعت انتشار آلاینده ها بر غلظت PM 2.5 تأثیر بگذارد [ 38 ]. دما با PM 2.5 رابطه منفی دارد زیرا لایه وارونگی ناشی از دمای پایین برای همرفت جو مساعد نیست [ 39 ]]. بنابراین، در این مقاله، سه نوع پارامتر هواشناسی، BLH، رطوبت نسبی (RH،٪)، و دمای 2 متر نزدیک به زمین (T, ° C)، در الگوریتم ما برای بهبود دقت تخمین استفاده شد.
داده های BLH، RH و T به کار گرفته شده در این مقاله از مرکز اروپایی پیش بینی هوای متوسط ​​(ECMWF) ( https://www.ecmwf.int/ ) به دست آمده است. ECMWF کیفیت کنترل شده مکانی و زمانی سازگار، زمان واقعی، پیش‌بینی‌های جاری، تحلیل مجدد آب و هوا و مجموعه داده‌های خاص را ارائه می‌کند. سیستم جذب داده مورد استفاده برای تولید ERA-Interim بر اساس نسخه IFS (Cy31r2) در سال 2006 بود. این سیستم شامل تجزیه و تحلیل تغییرات 4 بعدی (4D-Var) با پنجره تجزیه و تحلیل 12 ساعته است. وضوح فضایی مجموعه داده تقریباً 80 کیلومتر (طیفی T255) در 60 سطح عمودی، از سطح تا 0.1 hPa و در وضوح افقی 0.125 ° × 0.125 درجه است و وضوح زمانی آن 3 ساعت است.
  • داده های پوشش زمین
متغیرهای پوشش زمین، به ویژه پوشش گیاهی و پارامترهای ساخت و ساز، می توانند بر عملکرد مدل های رگرسیونی AOD-PM 2.5 تأثیر بگذارند [ 40 ]. مطالعات نشان داده اند که پوشش گیاهی با استفاده از رسوب گذاری، عقب ماندگی و جذب، تأثیر آشکاری بر کاهش و توزیع مجدد ذرات اتمسفر دارد. شایان ذکر است که این اثرات با تغییر فصول تغییر خواهد کرد زیرا برخی از پوشش های گیاهی در فصول مختلف حالت های متفاوتی خواهند داشت. به طور کلی، پوشش گیاهی زمستانی کمترین اثر کاهشی را بر روی PM 2.5 دارد [ 41 ]. برعکس، زمین های ساختمانی گرد و غبار و سایر آلاینده ها را تولید می کنند که غلظت آلاینده های جوی را افزایش می دهد.
در این مقاله از داده های پوشش زمین با تفکیک مکانی 1 کیلومتر استفاده شده است. داده ها از بخش “داده های نظارت سنجش از دور پوشش زمین در چین” در وب سایت مرکز داده آکادمی علوم چین برای منابع و علوم محیطی ( https://www.resdc.cn ) به دست آمده است. این پایگاه داده ای از وضعیت پوشش زمین چند فازی برای منطقه ملی زیر سال های انباشت تولید شده توسط تفسیر بصری دستی و بر اساس داده های تصویر سنجش از دور TM/ETM Landsat فراهم می کند. انواع پوشش اراضی شامل شش نوع اولیه است: زمین زیر کشت، جنگل، علفزار، آب، مناطق مسکونی و زمین های بلااستفاده.
2.2.3. اندازه گیری PM 2.5 زمینی
اندازه گیری های PM 2.5 زمینی به عنوان داده های آموزشی و داده های آزمایشی در الگوریتم ما برای به دست آوردن رابطه بین PM 2.5 و AOD استفاده شد و سپس برای تولید PM 2.5 پیوسته استفاده شد. همانطور که در شکل 1 نشان داده شده است ، 47 سایت پایش زمینی ملی در منطقه مورد مطالعه (استان هوبی) وجود دارد. 47 سایت عمدتاً در شهرهای پرجمعیت مانند ووهان (10 سایت) واقع شده اند و مناطق روستایی بدون سایت های زمینی وجود دارد. اندازه گیری PM 2.5 در چهار فصل سال 2017 از این سایت ها در آزمایش این مقاله استفاده شد. داده های ساعتی PM 2.5 از وب سایت PM25.IN ( https://www.pm25.in/ ) جمع آوری شد.ارائه شده توسط مرکز ملی نظارت بر محیط زیست چین (CNEMC)؛ در مورد تحقیقات جهانی، داده های PM 2.5 را می توان از وب سایت زیر ( https://www.aqicn.info/here/ ) به دست آورد.
ماهواره های Terra و Aqua تقریباً در ساعت 10:30 صبح و 13:30 بعد از ظهر به وقت محلی از روی خط استوا عبور کردند [ 42 ]. برای اطمینان از ثبات زمانی AOD و PM 2.5 ، میانگین اندازه گیری ساعتی PM 2.5 را از ساعت 10:00 صبح تا 14:00 بعد از ظهر گرفتیم.
2.2.4. پیش پردازش و یکپارچه سازی داده ها
تمام داده ها و توضیحات در جدول 1 فهرست شده است.
چهار نوع داده در MSVR استفاده شد، از جمله AOD، عوامل هواشناسی، پوشش زمین و PM 2.5 زمین ، و پیش پردازش و یکپارچه سازی داده ها به دلیل تفاوت در پوشش مکانی و فراوانی مشاهده داده ها مورد نیاز بود. برای اطمینان از سازگاری فضایی داده‌ها از منابع متعدد، همه داده‌ها ابتدا دوباره به یک سیستم مختصات یکپارچه پیش‌بینی شدند: سیستم مختصات جغرافیایی سیستم جهانی ژئودتیک 1984 [ 43 ، 44 ].
از یک طرف، جو در حال حرکت و گردش است، بنابراین غلظت ذرات اتمسفر در یک مکان خاص در طول زمان تغییر می کند. از طرفی متغیرهای این تحقیق داده های آنی نیستند، بلکه میانگین در یک بازه زمانی معین هستند. بنابراین، میانگین وزنی 3 × 3 پیکسل را در مرکز شبکه در نظر گرفتیم.
در همین حال، داده‌های کاربری جنگل و ساخت‌وساز که به طور قابل‌توجهی بر شکل‌گیری و غلظت PM 2.5 تأثیر گذاشت، با یک بافر 1 کیلومتری از سایت‌های پایش زمینی استخراج شد. از نظر ثبات زمانی، داده‌های هواشناسی با میانگین دوره از ساعت 10 صبح تا 14:00 بعد از ظهر به وقت محلی برای مطابقت با دوره زمانی که Terra و Aqua از خط استوا عبور کردند، ادغام شدند. استخراج و ادغام داده‌های چند منبعی عمدتاً با کدگذاری در پایتون پیاده‌سازی شد.
2.2.5. ساخت و آموزش مدل
برای عملکرد بهتر MSVR، مجموعه داده ها شامل همه متغیرها ابتدا به [0، 1] نرمال سازی شدند. در مورد تنظیمات پارامتر مدل MSVR، ما هسته RBF را برای تابع هسته با در نظر گرفتن روابط پیچیده بین همه متغیرها انتخاب کردیم. ما مجموعه‌ای از ترکیب‌های مقادیر پارامترهای “گاما” و “C” (پارامتر مجازات) را فهرست کردیم و سپس با جستجوی شبکه‌ای، مقادیر پارامتر بهینه را انتخاب کردیم.
در این آزمایش از اعتبار سنجی متقابل پنج برابری استفاده شد. مجموعه داده آموزشی ابتدا به طور تصادفی به پنج زیر مجموعه تقسیم شد که تقریباً 20٪ از کل رکورد داده در هر زیرمجموعه بود. در هر دور اعتبارسنجی متقاطع، یک زیر مجموعه برای استفاده به عنوان نمونه اعتبار سنجی انتخاب شد و زیر مجموعه های باقی مانده برای آموزش و برازش مدل مورد استفاده قرار گرفتند.
در این آزمایش، سه شاخص آماری شامل R2، میانگین درصد خطا (MPE) و جذر میانگین مجذور خطاهای پیش‌بینی (RMSE) برای ارزیابی عملکرد مدل محاسبه شد. ارزیابی دقت و مقایسه مدل های مختلف بعداً در بخش 4.1 مورد بحث قرار می گیرد .

2.3. اصل SVR

ماشین بردار پشتیبان (SVM) نوعی روش یادگیری ماشینی است که بر اساس تئوری یادگیری آماری، نظریه ابعاد و اصل به حداقل رساندن ریسک ساختاری است. مزایای منحصر به فرد بسیاری را در حل مسائل نمونه کوچک، غیرخطی و تشخیص الگوی با ابعاد بالا نشان می دهد و تا حد زیادی بر مشکلات “فاجعه بعد” و “آموزش بیش از حد” غلبه می کند [ 45 ]. SVM به طور گسترده برای حل مسائلی مانند طبقه بندی و نگاشت غیرخطی استفاده می شود و در حل مسئله مجموعه داده های نمونه کوچک بهتر عمل می کند. SVM می تواند تا حدودی مشکلات انتخاب مدل و یادگیری بیش از حد را که ممکن است برای برخی از شبکه های سنتی مشکل باشد، حل کند.
رگرسیون بردار پشتیبان (SVR) کاربرد SVM در تجزیه و تحلیل رگرسیون [ 46 ] است و وظیفه رگرسیون را با تبدیل یک مسئله جدایی ناپذیر فضای کم بعدی به یک مسئله خطی قابل تفکیک فضای با ابعاد بالا با استفاده از تابع نگاشت فضا حل می کند. 47 ]. ما باید یک ابر صفحه متناسب با توزیع داده های نمونه پیدا کنیم، که به معنای به حداقل رساندن مجموع فاصله بین نقاط نمونه و ابر صفحه است [ 48 ، 49 ].
در این آزمایش، برای مجموعه ای معین از داده های آموزشی، متغیرها x ، y ایکس، �هر دو بردار هستند { (ایکس1، y1) ، ( ایکس2، y2) ، ⋯ ، ( ایکسمن، yمن) }،x⊂ آرn a n d y⊂ آر{(ایکس1، �1)، (ایکس2، �2)، ⋯،(ایکسمن، �من)}، ایکس⊂آر� آ�د �⊂آر، مشکل رگرسیون یافتن مسطح ترین تابع است f�که یک نقطه در فضا را ترسیم می کند آرnآر�به فضا آرآربا کمترین ریسک مورد انتظار

کلید SVR غیرخطی ترسیم بردار ورودی است X∈ _آرnایکس∈آر�به یک فضای ویژگی با ابعاد بالا اچ∈ آرمتراچ∈ آرمتر(با m بزرگتر از n)، از طریق نقشه برداری و سپس حل رگرسیون خطی در فضا اچاچ.

φ ( X) : X→ اچ�(ایکس):ایکس→اچ

زنگ میزنیم φ ( X)�(ایکس)تابع نگاشت، و معمولاً محاسبه تابع نگاشت دشوار است. بنابراین، تابع هسته ک( x ، y )ک(ایکس، �)به SVR وارد شده است، که در آن ⟨ ∅ ( x ) , ∅ ( y ) ⟩〈∅(ایکس)، ∅(�)〉مخفف محصول اسکالر نگاشت شده به فضای ویژگی است.

ک( x ، y ) = ⟨ ∅ ( x ) , ∅ ( y  ) ⟩ک(ایکس، �)= 〈∅(ایکس)، ∅(�)〉

در فضای با ابعاد بالا، ما می توانیم یک ابر صفحه برای تقسیم نقاط نمونه پیدا کنیم و ابر صفحه به صورت زیر تعریف می شود.  ω �بردار نرمال است که جهت ابر صفحه را تعیین می کند. ببجابجایی است که فاصله بین ابر صفحه و مبدا را تعیین می کند.

ω ϕ ( x ) + b = 0��(�)+�=0

تابع از دست دادن SVR به صورت تعریف شد

L ( f( x ) ، y, ε ) = {     0 , | y         – f( x ) | ≤ε| y– f( x ) | −ε, | y – f( x ) | >ε�(�(�),�,�)={     0،         |�-�(ایکس)|≤�|�-�(ایکس)|-�، |�-�(ایکس)|>�

در جایی که y مقدار واقعی مربوط به متغیر وابسته در نمونه است، f ( x ) مقدار پیش‌بینی‌شده‌ای است که توسط مدل آموزش‌دیده شده برگردانده می‌شود، و ε�تغییرات بین y و f ( x ) بالا را توصیف می کند.

متغیرهای سستی ξمن، ξ∗من��, ��∗معرفی می شوند و سپس مسئله غیرخطی اولیه برای یافتن مقادیر بهینه برای آن تبدیل می شود ω�و b ، پارامترهای تابع رگرسیون خطی. بنابراین، فرآیند حل را می توان به عنوان مدل ریاضی زیر نشان داد.

⎧⎩⎨⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪m i n12| | ω | |2+ سی∑i = 1n(ξمن+ξ∗من)اس _ تی .⎧⎩⎨⎪⎪⎪⎪yمن− ω ϕ (ایکسمن) − b ≤ ε +ξ∗من–yمن+ ω ϕ (ایکسمن) + b ≤ ε +ξ∗من, i = 1 , 2 , ⋯ , n ξمن≥ 0 ، ξ∗من≥ 0{���12||�||2+�∑�=1�(��+��∗)�.�.{��−��(��)−�≤�+��∗−��+��(��)+�≤�+��∗, �=1,2,⋯,���≥0, ��∗≥0

2.4. ایده اصلی MSVR

تعدادی از مطالعات نشان داده اند که توزیع فضایی غلظت PM 2.5 متمایز است. طبق قانون اول جغرافیا، هرچه پیکسل از پیکسل مرکزی دورتر باشد، تأثیر آن کمتر است [ 50 ]. با این حال، مدل سنتی SVR از روش میانگین کلی استفاده می‌کند و تأثیرات متفاوت فاصله‌های پیکسل از مقدار مرکزی در برآورد PM 2.5 نادیده گرفته می‌شود . PM 2.5 اساساً با ناهمگونی مکانی و زمانی آن مشخص می‌شود و مدل‌های زیادی مانند مدل‌های GWR و GTWR برای پوشش این ویژگی‌ها پیشنهاد شدند [ 33 ، 51 ].
در این تحقیق، SVR نه تنها در استفاده از اطلاعات غنی متغیرهای ورودی، بلکه از نظر استخراج اطلاعات جغرافیایی وزن شده با فاصله پیکسل‌های مجاور از یک پیکسل مرکزی و اختلاف زمانی نسبت به سطح زمین اصلاح و بهبود می‌یابد. اندازه گیری PM 2.5 بنابراین، SVR اصلاح‌شده را می‌توان رگرسیون بردار پشتیبان فضا-زمان نیز نامید. ساختار اصلی MSVR در شکل 2 روشن شد .

برای یک پیکسل معین، ویژگی های مکانی (Ps) و زمانی (Pt) آن را می توان به صورت زیر بیان کرد:

ص = ∑ww = 11دس2wپسw∑ww = 11دس2wص= ∑�=1�1دس�2پس�∑�=1�1دس�2
Pt = ∑Ll = 11دتی2لپتیل∑Ll = 11دتی2لPt= ∑�=1�1���2���∑�=1�1���2

که در آن ds و dt نشان دهنده فواصل مکانی و زمانی هستند. W و L نشان دهنده پیکسل های w در نزدیکی سایت و l روزهای قبل برای همان پیکسل هستند.

هنگام در نظر گرفتن اطلاعات مکانی و زمانی، مدل را می توان به صورت PM 2.5 = f (AOD، RH، BLH، T، LC، Ps، Pt) توصیف کرد.
به منظور ارزیابی دقت مدل، شاخص‌های ارزیابی رگرسیون رایج را معرفی کردیم: R2 ، MPE و RMSE. معنای خاص و روش های محاسبه این شاخص ها به شرح زیر است:

ضریب همبستگی متقاطع (همچنین R2 ) از نظر آماری دقت پیش‌بینی یک مدل آماری را کمی نشان می‌دهد. نسبت واریانس در متغیر نتیجه را نشان می دهد که توسط پیش بینی ها توضیح داده می شود. همچنین به عنوان ضریب همبستگی متقابل شناخته می شود.

آر2= 1 –∑ni = 1(yمن–yمنˆ)2∑ni = 1(yمن–y¯)2�2=1−∑�=1�(��−��^)2∑�=1�(��−�¯)2

میانگین درصد خطا (MPE) که در برخی از روش های آماری گزارش می شود، معیارهای خطای علامت دار هستند که نشان می دهد که آیا پیش بینی ها مغرضانه هستند یا خیر.

M P E =100 %n∑i = 1n∣∣∣yمن–yمنˆyمن∣∣∣���=100%�∑�=1�|��−��^��|

ریشه میانگین مربعات خطا (RMSE) جذر میانگین مربع خطا است.

R M S E =1n∑i = 1n(yمن–yمنˆ)2————-⎷����=1�∑�=1�(��−��^)2

جایی که yمن��نشان دهنده ارزش واقعی است، yمنˆ��^نشان دهنده مقدار پیش بینی است، y¯�¯میانگین تمام مقادیر واقعی را نشان می دهد.

3. آزمایش ها و نتایج

3.1. ساخت و ساز مدل MSVR و تخمین PM 2.5

3.1.1. ویژگی های آماری متغیرها

برای بدست آوردن نمای کلی از وضعیت کلی و روند متغیرها، آمار توصیفی متغیرهای مورد استفاده در مدل MSVR در جدول 2 و جدول 3 شامل میانگین، حداکثر (حداکثر)، حداقل (حداقل) و استاندارد نشان داده شده است. انحراف (Std. Dev.) برای همه متغیرهای ارائه شده در جدول. با توجه به سوابق جدول، میانگین سالانه غلظت PM 2.5 در سال 2017 برای همه سایت های نظارتی در استان هوبی 66.79 بود.  μg / _متر3 �g/m3و حداکثر غلظت PM 2.5 به 344.66 رسید  μg / _متر3 �g/m3، که بسیار فراتر از استاندارد هدف موقت کیفیت هوای سازمان جهانی بهداشت 35 بود μg / _متر3�g/m3(WHO، 2006) و از مقدار مجاز فراتر رفت (75 μg / _متر3�g/m3) از استاندارد کیفیت هوای چین. این داده های آماری بیشتر ضرورت انجام تحقیقات PM 2.5 و منطقی بودن انتخاب هوبی، چین، به عنوان یک منطقه آزمایشی را نشان می دهد.
3.1.2. PM 2.5 تخمینی توسط MSVR
قبل از تخمین PM 2.5 بر اساس روش MSVR ساخته شده، ما روابط بین PM 2.5 و AOD را بررسی کردیم. نتایج نشان داد که AOD رابطه مثبتی با غلظت PM 2.5 داشت و زمانی که مکان سایت یا زمان مشاهده تغییر کرد، مقادیر AOD و غلظت PM 2.5 روندهای نوسانی مشابهی داشتند. با استفاده از مدل MSVR بهینه تولید شده در فرآیند آموزش، ما تخمین های پیوسته PM 2.5 در وضوح فضایی 1 کیلومتر را به دست آوردیم. برای تجسم، ما یک نقشه رندر ایجاد کردیم که منعکس کننده غلظت و توزیع PM 2.5 در منطقه مورد مطالعه است که در شکل 3 نشان داده شده است.. همانطور که در نمودار نشان داده شده است، تخمین PM 2.5 دارای مقادیر و توزیع های متفاوتی در مناطق مختلف است و در بخش زیر به جزئیات این ویژگی ها می پردازیم.

3.2. تجزیه و تحلیل الگوی غلظت PM 2.5

3.2.1. الگوی فضایی PM تخمینی 2.5

مدل MSVR ارائه شده در این مقاله برای تخمین غلظت پیوسته PM 2.5 در منطقه مورد مطالعه در وضوح شبکه هر دو مورد استفاده قرار گرفت.1 × 1 کیلومتر 1×1 kmاز MAIAC AOD و 3 × 3 کیلومتر 3×3 kmاز MODIS AOD. اگرچه از منابع داده های مختلف مشتق شده است، الگوهای توزیع PM 2.5 مشتق از MAIAC و MODIS بسیار مشابه بودند، به عنوان مثال، مناطق با ارزش بالا و الگوهای تغییرات فضایی مشابه.
چه از MAIAC و چه از MODIS، غلظت بالای PM 2.5 عموماً در شهرهای توسعه یافته شهری رخ می دهد که جمعیت و منابع آلودگی در آن متمرکز شده اند، در حالی که غلظت پایین PM 2.5 معمولاً در مناطق روستایی یا مناطق کوهستانی رخ می دهد همانطور که در ادبیات نشان داده شده است. در منطقه مورد مطالعه استان هوبی، مقادیر بالا عمدتاً در ووهان، شیانگ یانگ، جینگژو و سایر شهرهای به سرعت در حال توسعه توزیع شده است.
همانطور که در شکل 4 نشان داده شده است ، اگرچه PM 2.5 MODIS و MAIAC دارای توزیع های فضایی بسیار مشابه در سال 2017 هستند، PM 2.5 کیلومتری MAIAC دارای مزایای غیرقابل انکاری از نظر وضوح است. هنگامی که منطقه مورد مطالعه در مقیاس کوچکتر، مانند یک منطقه شهری، کوچک‌نمایی شد، 3 کیلومتری PM 2.5 می‌توانست تنها تغییرات کلی فضایی را توصیف کند، و پیکسل‌ها نسبتاً درشت و خوانش دشوار شدند. با این حال، 1 کیلومتر PM 2.5 مشتق شده از MAIAC AOD قادر بود تغییرات فضایی ظریف تری را منعکس کند و می تواند پیکسل های با سطوح بالای PM 2.5 را از سایرین متمایز کند. این تفاوت ما را قادر به یافتن منابع آلودگی کرد.
علاوه بر این، MAIAC AOD با وضوح 1 کیلومتر می تواند جفت های AOD-PM 2.5 بسیار بیشتری تولید کند [ 52 ، 53 ] نسبت به MODIS AOD با وضوح 3 کیلومتر. در نتیجه، هنگامی که مجموعه داده بزرگتر می شود، MAIAC AOD قادر است اطلاعات بیشتری را در رابطه با PM 2.5 منعکس کند و می تواند به نتایج بهتری دست یابد.
برای ارزیابی دقت تخمین، مقادیر PM 2.5 اندازه‌گیری شده سایت مانیتورینگ زمینی 1844A را به عنوان مقادیر واقعی درجا استخراج می‌کنیم. مقادیر تخمینی PM 2.5 از MAIAC 1 کیلومتری AOD و MODIS 3 کیلومتری AOD تولید می شود. ما همبستگی خطی مقادیر PM 2.5 اندازه گیری و برآورد شده، 0.6355 برای MAIAC AOD و 0.5918 برای MODIS AOD (نشان داده شده در شکل 5 ) را تجزیه و تحلیل کردیم. همانطور که نتیجه نشان می دهد، PM 2.5 تخمین زده شده از MAIAC AOD نه تنها دارای وضوح فضایی بالاتری است، بلکه از دقت تخمین بالاتری نیز برخوردار است که امکان سنجی و برتری MAIAC AOD را از نظر تخمین PM 2.5 نشان می دهد.
3.2.2. الگوی فصلی PM تخمینی 2.5
برای نشان دادن الگوی زمانی و فصلی PM 2.5 در منطقه مورد مطالعه، داده‌های فصول مختلف برای ساخت مدل‌های رگرسیون فصلی استخراج شد و سپس غلظت PM2.5 فصول مختلف برآورد شد. شکل 6 توزیع میانگین فصلی PM 2.5 را نشان می دهد . شکل 6 نشان می دهد که تخمین PM 2.5 حاصل از مدل MSVR بهینه با استفاده از مقادیر MAIAC AOD با وضوح 1 کیلومتر به عنوان ورودی های مدل، تفاوت های فصلی قابل توجهی داشتند.
مقادیر غلظت PM 2.5 به طور کلی در تابستان کم بود و به کمترین مقدار در بین چهار فصل رسید. برعکس، غلظت PM 2.5 در زمستان به بالاترین حد خود رسید که ممکن است دلیل بیشتر آلودگی هوا در زمستان باشد. علاوه بر این، غلظت PM 2.5 در بهار و پاییز بین دو فصل دیگر کاهش یافت، به طور کلی بیشتر از تابستان و کمتر از زمستان، که می تواند با تفاوت های آب و هوایی فصلی توضیح داده شود.
مقادیر غلظت PM 2.5 به طور کلی در تابستان کم بود و به کمترین مقدار در بین چهار فصل رسید. در مقابل، غلظت PM 2.5 به طور کلی در زمستان به سطح بالایی می رسد، که با این واقعیت مطابقت دارد که هوای مه آلود بیشتر در زمستان رخ می دهد. علاوه بر این، از این طرف، نتایج آزمایش ما معقول بود. علاوه بر این، غلظت PM 2.5 در بهار و پاییز بین دو فصل دیگر کاهش می یابد، به طور کلی بیشتر از تابستان و کمتر از زمستان، که می تواند با تفاوت های آب و هوایی فصلی توضیح داده شود.

4. بحث

4.1. عملکرد مدل MSVR

مدل‌های رگرسیون بردار پشتیبان متعارف (SVR) بر روی همان مجموعه داده برای مقایسه و ارزیابی عملکرد MSVR انجام شد. سه شاخص ارزیابی، از جمله R2، MPE و RMSE، در ارزیابی عملکرد مدل استفاده شد. همانطور که در جدول 4 و جدول 5 ثبت شده است، دقت رگرسیون تحت تاثیر فصل و نوع مدل قرار گرفت و به طور کلی با ایجاد مدل ها در فصول مختلف (به عنوان مثال، مدل تابستانی به دلیل عدم وجود داده های AOD عملکرد ضعیفی را نشان داد) نسبت به کل افزایش یافت. سال؛ علاوه بر این، مدل MSVR به طور کلی عملکرد بهتری نسبت به SVR داشت. R 2مدل MSVR کل سال 0.14 نسبت به مدل SVR افزایش یافت، در حالی که MPE و RMSE مدل MSVR 1.42 کاهش یافت. μg / _متر3�g/m3و 1.73 μg / _متر3�g/m3، به ترتیب. با توجه به پیچیدگی فضای بازیابی و مطالعه اتمسفر، تاثیر بازتاب سطحی، آلودگی ابر و غیره، ما فکر می کنیم MSVR در این مقاله عملکرد نسبتا خوبی را به دست آورد.
R 2 ، MPE و RMSE مدل‌های MSVR به ترتیب در چهار فصل افزایش یافتند. اندازه گیری ها و مقادیر تخمینی در مقیاس های مختلف برای فصول مختلف نشان داد که مقادیر غلظت PM 2.5 در طول زمان تغییر می کند. به طور کلی، همانطور که نتایج نشان می دهد، غلظت PM 2.5 در زمستان به اوج مقدار و در تابستان به کمترین مقدار رسید که با دانش تجربی موجود مطابقت خوبی داشت.
همانطور که در شکل 7 نشان داده شده است، PM 2.5 تخمین زده شده و PM 2.5 اندازه گیری شده به طور متمرکز در نزدیکی خط مرکزی توزیع شده اند، به این معنی که PM 2.5 تخمینی به طور کلی الگوی مشابه با PM 2.5 اندازه گیری شده دارد، بدون توجه به مدل MSVR یا مدل SVR. طبق شکل، اکثر مقادیر PM 2.5 بین 20 قرار می گیرند μg / _متر3�g/m3تا 80 μg / _متر3�g/m3. و از شکل، شکاف بین مقادیر تخمینی و اندازه‌گیری شده PM 2.5 مدل SVR زمانی بزرگتر می‌شود که مقادیر PM 2.5 بالاتر می‌رود. این بدان معنی است که مدل MSVR برای تخمین دقیق در سطح بالای مقادیر PM 2.5 توانایی بیشتری دارد.
همانطور که نتایج نشان داد، مدل MSVR بهتر از مدل SVR معمولی در تخمین PM 2.5 عمل کرد. علاوه بر این، در مقایسه با سایر مدل‌های غیرخطی، مانند شبکه عصبی، MSVR برای مجموعه داده‌های نسبتاً کوچک، مانند مجموعه داده‌های مورد استفاده در این مقاله، مناسب‌تر است. SVM دارای یک مبنای نظری ریاضی محکم و توانایی تعمیم قوی است که می تواند به طور موثر مشکل ساخت مدل داده های با ابعاد بالا را تحت حجم نمونه محدود حل کند و به همین ترتیب، MSVR در مقایسه با سایر مدل های غیر خطی ساخت و آموزش نسبتا آسانی دارد.

4.2. مزایای MAIAC AOD

در این مقاله، AOD MAIAC با تفکیک مکانی 1 کیلومتر و MODIS AOD با وضوح فضایی 3 کیلومتر برای تخمین غلظت PM 2.5 محیط با همان مدل بهینه مورد استفاده قرار گرفتند. با توجه به نتایج، تخمین PM 2.5 از MAIAC AOD و MODIS AOD توزیع مکانی و زمانی مشابهی داشتند. با این حال، همانطور که در شکل 4 و شکل 5 نشان داده شده است ، MAIAC AOD با وضوح 1 کیلومتر می تواند جفت های AOD-PM 2.5 بسیار بیشتری نسبت به MODIS AOD با وضوح 3 کیلومتر ایجاد کند. در نتیجه، وقتی مجموعه داده بزرگتر می شود، MAIAC AOD قادر است اطلاعات بیشتری را در رابطه با PM 2.5 منعکس کند.، و می تواند در وارونگی به نتایج بهتری دست یابد. تحقیقات نشان داده است که همبستگی بین PM 2.5 و AOD با کاهش وضوح AOD علیرغم عدم تطابق ذاتی بین اندازه‌گیری‌های سطح زمین PM 2.5 و اندازه‌گیری‌های یکپارچه عمودی AOD به طور قابل‌توجهی کاهش یافت [ 54 ]. این نتیجه را می توان از تحلیل ما در شکل 5 نیز مشاهده کرد.
بازیابی PM 2.5 با وضوح فضایی بالاتر، تشخیص ویژگی های توزیع فضایی را ممکن می سازد. این امر برای تعیین دقیق منبع آلودگی هوا در جایی که غلظت PM 2.5 معمولاً به طور غیرعادی بالا می رود از اهمیت زیادی برخوردار است. علاوه بر این، ما نمی توانیم سایر برتری های الگوریتم MAIAC را نسبت به الگوریتم DB/DT نادیده بگیریم. به عنوان مثال، MAIAC با وضوح بالا قادر به تشخیص منابع آئروسل و ویژگی های خوب است، دقت بازیابی MAIAC بالاتر از DT/DB با دقت بیشتر در سطح تاریک است، و MAIAC حساسیت کمتری به تغییرات در انواع آئروسل در فصول سال دارد.

4.3. تجزیه و تحلیل الگوی فضایی-زمانی PM 2.5

در ابتدا، همانطور که در شکل 3 نشان داده شده است ، باید توجه داشت که اکثر شهرهای بخش های میانی و جنوبی، مانند جینگژو، کیان جیانگ، جینگمن و ووهان، سطح غلظت PM 2.5 بالاتری دارند. این ممکن است به عنوان جمعیت بزرگتر، انتشار وسایل نقلیه سنگین و اتکای بیشتر به صنایع کربن فشرده برای بخش قابل توجهی از فعالیت های اقتصادی آنها تفسیر شود [ 55 ]. علاوه بر این، تحقیقات نشان می‌دهد که ذرات ثانویه ناشی از واکنش‌های شیمیایی در آلاینده‌های گازی اولیه نیز ممکن است در سطوح این منطقه نقش داشته باشند [ 51 ]. از سوی دیگر، کمترین PM 2.5سطح در شیان، شمال غربی هوبی، با جنگل های کوهستانی و پوشش گیاهی بیشتر و سطوح انتشار انسانی بسیار پایین تر، که برای پراکندگی و رقیق شدن جو مفید است، رخ می دهد.
ثانیاً، غلظت PM 2.5 در فصول سال بسیار متفاوت است. بالاترین سطح PM 2.5 در سال 2017 در زمستان و کمترین آن در تابستان رخ داده است ( شکل 6 ). حداکثر غلظت فصلی PM 2.5 در زمستان ممکن است دلیل احتراق زغال سنگ و شرایط نامساعد جوی برای پراکندگی آلودگی در زمستان (مانند آب و هوای راکد و وارونگی دما) باشد [ 56 ]. شایان ذکر است که ذرات ثانویه تولید شده از واکنش های شیمیایی در آلاینده های گازی اولیه می توانند به تشکیل PM ریز کمک کنند. تابستان فصلی با کمترین میانگین PM 2.5 بودتمرکز. این ممکن است به عنوان کاهش انتشارات انسانی مربوط به سوزاندن زغال سنگ برای گرمایش خانگی تفسیر شود. بادهای موسمی تابستانی همچنین می توانند به دفع ذرات معلق در هوا کمک کنند [ 57 ].

4.4. محدودیت ها

روش MSVR ارائه شده در این مقاله محدودیت های خاص خود را دارد. اول، به دلیل از دست رفتن داده‌های AOD در برخی روزها، که معمولاً به دلیل پوشش ابر و بازتاب سطح بالا ایجاد می‌شود، تعداد تطابق‌های AOD-PM 2.5 در روز محدود است [ 58 ] که منجر به برازش بیش از حد مدل یا کاهش دقت تخمین می‌شود. . علاوه بر این، تمرکز این آزمایش روش رگرسیون است. تجزیه و تحلیل ویژگی های PM 2.5 در مقیاس بزرگ و طولانی مدت یا در مناطق شهری به اندازه کافی دقیق نیست. در کار آینده، داده‌های ماهواره‌ای موجود بیشتر با وضوح و کیفیت بالاتر باید در تحقیقات AOD-PM 2.5 معرفی شوند .
شایان ذکر است که MODIS AOD یک میانگین ستونی است و سطحی نیست. محصولات ماهواره‌ای وجود دارند که پروفایل‌های عمودی را ارائه می‌دهند، و اینها در مدل‌های فرعی شیمی هوا MERRA-2 و ECMWF جذب شده‌اند و می‌توانند تخمین‌های سطحی را ارائه دهند [ 59 ]. با این حال، با توجه به کاربرد گسترده فعلی MODIS AOD و تحقیقات فعلی در مورد AOD پروفایل های عمودی کافی نیست، ما تأثیر میانگین ستون بر آزمایش را بررسی نکرده ایم. این نقطه تمرکز کار آینده ما است.
در این آزمایش، ما عمدتاً داده‌های هواشناسی و پوشش زمین را اضافه کردیم، اما در واقع، رابطه بین AOD و PM 2.5 تحت تأثیر عوامل زیادی مانند وارونگی دما و پارامترهای بیشتر از جمله پارامترهای هواشناسی، توپوگرافی و جامعه قرار می‌گیرد [ 60 ]. تأثیر این عوامل نسبتاً پیچیده است و تحقیقات فعلی هنوز بالغ نشده است. در کارهای آینده سعی خواهیم کرد عوامل بیشتری را وارد رگرسیون و تحلیل کنیم.
علاوه بر این، ترکیب و ساختار آلاینده‌های جوی کاملاً پیچیده و متنوع است [ 61 ]، مانند SO 2 ، NO 2 ، CO، O 3 و غیره. ما متعهد به تحقیق و بازیابی AOD و سایر آلاینده‌های بیشتر خواهیم بود.

5. نتیجه گیری ها

داده های AOD ماهواره ای مورد استفاده در این آزمایش از نظر وضوح و دقت نسبت به AOD معمولی DB/DT برتری دارند. داده‌های AOD ماهواره‌ای با وضوح بالاتر (1 کیلومتر) برای اطمینان از اینکه PM 2.5 به‌دست‌آمده می‌تواند ویژگی‌های زمانی و مکانی دقیق‌تر و دقیق‌تری را منعکس کند، استفاده می‌شود. علاوه بر این، دقت الگوریتم MAIAC بالاتر از الگوریتم DT/DB در سطح تاریک است. آزمایش امکان سنجی 1 کیلومتری MAIAC AOD برای بازیابی PM 2.5 و برتری بیش از 3 کیلومتر MODIS AOD از نظر وضوح مکانی و دقت بازیابی را تأیید کرد.
MSVR پیشنهادی در این مقاله، بر اساس SVR سنتی برای رگرسیون AOD و PM 2.5 اصلاح شده و دقت آزمایش را بهبود می بخشد. نتایج نشان داد که مدل MSVR می‌تواند دقت رگرسیون را از R2 0.60 به 0.74 در سال 2017 و 0.66 تا 0.78 در سال 2018 نسبت به SVR سنتی بهبود بخشد.
ما پارامترهای هواشناسی رایج را برای کاهش تأثیر عوامل پیچیده بر بازیابی PM 2.5 از ماهواره AOD تا حدی معرفی کردیم. پارامترهای هواشناسی یکپارچه و داده‌های پوشش زمین نشان داد که متغیرهای کمکی مناسب می‌توانند عملکرد بازیابی PM 2.5 را بهبود بخشند.
نتایج تجربی همچنین نشان داد که PM 2.5 دارای تفاوت های مکانی و زمانی آشکار است. ما توزیع مکانی و زمانی و ویژگی های PM 2.5 در استان هوبی را تجزیه و تحلیل کردیم و تجزیه و تحلیل فوق را بر اساس فصل انجام دادیم. ما همچنین دلیل احتمالی چنین تفاوت‌های مکانی و زمانی را تحلیل کردیم.
در کار آینده خود از سه جنبه تلاش خواهیم کرد. ابتدا سعی خواهیم کرد ماهواره هایی با وضوح بالاتر و الگوریتم بازیابی آئروسل با عملکرد بهتر پیدا کنیم. شایان ذکر است که اخیراً مطالعاتی وجود دارد که ترکیب تکنیک‌های سنجش از راه دور ماهواره‌ای و یک شبکه حسگر کم‌هزینه جدید را برای تخمین غلظت PM 2.5 طولانی‌مدت برای افزایش چگالی اندازه‌گیری پیشنهاد می‌کند. در مرحله دوم، ما سعی خواهیم کرد تأثیر خاص عوامل هواشناسی، توپوگرافی و اجتماعی را بر ویژگی های توزیع PM 2.5 و بازیابی PM 2.5 از ماهواره AOD کشف کنیم. ثالثاً، ما سعی خواهیم کرد سری های زمانی طولانی تر و دامنه وسیع تری از تجزیه و تحلیل PM 2.5 را انجام دهیمویژگی های توزیع

منابع

  1. Landrigan، PJ; فولر، آر. آکوستا، NJR؛ آدئی، او. آرنولد، آر. باسو، ن. Baldé، AB; برتولینی، آر. بوز-اوریلی، اس. بوفورد، جی. و همکاران کمیسیون Lancet در مورد آلودگی و سلامت. Lancet 2018 ، 391 ، 462-512. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  2. بیلن، آر. Raaschou-Nielsen، O.; استافوگیا، م. اندرسن، ZJ; واین مایر، جی. هافمن، بی. ولف، ک. سمولی، ای. فیشر، پی. Nieuwenhuijsen، MJ; و همکاران اثرات قرار گرفتن طولانی مدت در معرض آلودگی هوا بر مرگ و میر ناشی از علل طبیعی: تجزیه و تحلیل 22 گروه اروپایی در پروژه چند مرکزی ESCAPE. Lancet 2014 ، 383 ، 785-795. [ Google Scholar ] [ CrossRef ]
  3. پولزر، جی. تادانو، YS؛ Siqueira، HV; گودوی، AF; یاماموتو، CI; دی آندره، PA; پاولیکویس، تی. اندراده، ام دی اف; اولیویرا، ا. سالدیوا، PH; و همکاران ارزیابی تاثیر PM2.5 بر بیماری های تنفسی با استفاده از شبکه های عصبی مصنوعی محیط زیست آلودگی 2018 ، 235 ، 394-403. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  4. چان، YC; سیمپسون، RW; Mctainsh، GH; Vowles، PD; کوهن، دی دی خصوصیات گونه های شیمیایی در ذرات معلق PM2.5 و PM10 در بریزبن، استرالیا. اتمس. محیط زیست 2015 ، 37 ، 31-39. [ Google Scholar ] [ CrossRef ]
  5. وانگ، ی. جیا، سی. تائو، اچ. ژانگ، ال. لیانگ، ایکس. ما، ج.-م. گائو، اچ. هوانگ، تی. Zhang، K. خصوصیات شیمیایی و تقسیم منبع PM2.5 در یک شهر نیمه خشک و صنعتی پتروشیمی، شمال غربی چین. علمی کل محیط. 2016 ، 573 ، 1031-1040. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  6. ما، ز. هو، ایکس. Sayer، AM; لوی، آر. ژانگ، Q. ژو، ی. تانگ، اس. بی، جی. هوانگ، ال. لیو، ی. روندهای فضایی-پورال مبتنی بر ماهواره در PM2. 5 غلظت: چین. محیط زیست چشم انداز سلامتی 2016 ، 124 ، 184-192. [ Google Scholar ] [ CrossRef ] [ PubMed ][ نسخه سبز ]
  7. لی، اس. جوزف، ای. Min, Q. سنجش از دور PM2.5 سطح زمین که ترکیبی از AOD و مشخصات پس پراکندگی است. سنسور از راه دور محیط. 2016 ، 183 ، 120-128. [ Google Scholar ] [ CrossRef ]
  8. Paciorek، CJ; یانگ، L. AOD–PM2.5 انجمن: Paciorek و لیو پاسخ. محیط زیست چشم انداز سلامتی 2010 ، 118 ، A110–A111. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  9. ژانگ، تی. گونگ، دبلیو. وانگ، دبلیو. جی، ی. زو، ز. Huang, Y. برآوردهای PM2.5 سطح زمین در چین با استفاده از مدل‌های رگرسیون وزن‌دار جغرافیایی مبتنی بر ماهواره (GWR) با گنجاندن NO و شاخص گیاهی پیشرفته (EVI) بهبود می‌یابند. بین المللی جی. محیط زیست. Res. بهداشت عمومی 2016 ، 13 ، 1215. [ Google Scholar ] [ CrossRef ]
  10. وی، جی. هوانگ، دبلیو. لی، ز. شو، دبلیو. پنگ، ی. سان، ال. کریب، ام. تخمین غلظت PM2.5 با وضوح 1 کیلومتر در سراسر چین با استفاده از رویکرد جنگل تصادفی فضا-زمان. سنسور از راه دور محیط. 2019 ، 231 ، 111221. [ Google Scholar ] [ CrossRef ]
  11. Xia، X. Qi، Q. لیانگ، اچ. ژانگ، ا. جیانگ، ال. بله، ی. لیو، سی. Huang، Y. الگوی توزیع مکانی و تغییرات زمانی آلاینده‌های جوی در سال 2013 در شنژن، چین. ISPRS Int. J. Geoinf. 2017 ، 6 ، 2. [ Google Scholar ] [ CrossRef ]
  12. گراس، بی. شافر، ک. Keckhut، P. سرمقاله مهمان بخش ویژه: پیشرفت در سنجش از دور برای مدیریت کیفیت هوا. J. Appl. Remote Sens. 2018 , 12 , 042601. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  13. پارک، اس. چوی، جی. محتوای آئروسل جوی اندازه‌گیری شده با ماهواره در کره: سیگنال‌های انسانی از سوابق دهه‌ای. GISci. Remote Sens. 2016 ، 53 ، 1-17. [ Google Scholar ] [ CrossRef ]
  14. یوانیو، ایکس. یوکسوان، دبلیو. کای، ز. ونهائو، دی. بائولی، ال. Yuqi، B. برآورد روزانه غلظت PM2.5 سطح زمین در پکن با استفاده از وضوح 3 کیلومتری MODIS AOD. محیط زیست علمی تکنولوژی 2015 ، 49 ، 12280-12288. [ Google Scholar ]
  15. تو، دبلیو. زنگ، ز. ژانگ، ال. لی، ی. Wang، W. برآورد غلظت PM25 سطح زمین در مقیاس ملی در چین با استفاده از رگرسیون وزن‌دار جغرافیایی بر اساس MODIS و MISR AOD. محیط زیست علمی آلودگی Res. 2016 ، 23 ، 8327-8338. [ Google Scholar ] [ CrossRef ]
  16. تو، دبلیو. زنگ، ز. پان، X. ژانگ، ال. چن، دی. تخمین PM2.5 در شیان، چین با استفاده از عمق نوری آئروسل: مقایسه بین مدل‌های بازیابی MODIS و MISR. علمی جمع. محیط زیست 2015 ، 505 ، 1156-1165. [ Google Scholar ] [ CrossRef ]
  17. زنگ، ال. مائو، اف. گوا، جی. گونگ، دبلیو. وانگ، دبلیو. Pan, Z. تخمین غلظت ساعتی PM1 از عمق نوری آئروسل Himawari-8 در چین. محیط زیست آلودگی 2018 ، 241 ، 654-663. [ Google Scholar ] [ CrossRef ]
  18. یومیموتو، ک. ناگائو، TM؛ کیکوچی، م. Sekiyama، TT; موراکامی، اچ. تاناکا، TY; اوگی، ا. آیری، اچ. خطی، پ. Okumura، H. Aerosol assimilation با استفاده از داده‌های Himawari-8، نسل بعدی ماهواره‌های هواشناسی زمین ثابت: همسان سازی Aero-sol با Himawari-8. ژئوفیز. Res. Lett. 2016 ، 43 ، 5886-5894. [ Google Scholar ] [ CrossRef ]
  19. یائو، اف. سی، م. لی، دبلیو. Wu, J. مقایسه چند بعدی بین MODIS و VIIRS AOD در تخمین غلظت PM2.5 سطح زمین در یک منطقه به شدت آلوده در چین. علمی کل محیط. 2018 ، 618 ، 819-828. [ Google Scholar ] [ CrossRef ]
  20. مهویش، ع. بانرجی، تی. سورک هامر، م. لیاپوستین، آ. برودی، دی.م. Chatfield، R. مقایسه و ارزیابی MODIS Multi-Angle Implementation of Atmospheric Correction (MAIAC) محصول آئروسل در جنوب آسیا. سنسور از راه دور محیط. 2019 ، 224 ، 12-28. [ Google Scholar ] [ CrossRef ]
  21. لیاپوستین، آ. وانگ، ی. کورکین، اس. Huang, D. MODIS Collection 6 الگوریتم MAIAC. اتمس. Meas. فنی 2018 ، 11 ، 5741–5765. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  22. بویوک، ن. لئون، J.-F. دلباره، اچ. پودوین، تی. DeRoo, C. تاثیر لایه مرزی اختلاط بر رابطه بین PM2.5 و ضخامت نوری آئروسل. اتمس. محیط زیست 2010 ، 44 ، 271-277. [ Google Scholar ] [ CrossRef ]
  23. ژنگ، سی. ژائو، سی. زو، ی. وانگ، ی. شی، ایکس. وو، ایکس. چن، تی. وو، اف. Qiu، Y. تجزیه و تحلیل عوامل تأثیرگذار برای رابطه بین PM2.5 و AOD در پکن. اتمس. شیمی. فیزیک بحث و گفتگو. 2017 ، 17 ، 13473–13489. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  24. ما، ز. هو، ایکس. هوانگ، ال. بی، جی. لیو، ی. تخمین PM2.5 سطح زمین در چین با استفاده از سنجش از راه دور ماهواره ای. محیط زیست علمی تکنولوژی 2014 ، 48 ، 7436-7444. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  25. گوا، جی. شیا، اف. ژانگ، ی. لیو، اچ. لی، جی. لو، م. او، جی. یان، ی. وانگ، اف. مین، م. و همکاران تأثیر تغییرپذیری روزانه و عوامل هواشناسی بر رابطه PM2.5-AOD: پیامدهایی برای سنجش از دور PM2.5. محیط زیست آلودگی 2017 ، 221 ، 94-104. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  26. لیو، ی. Paciorek، CJ; کوتراکیس، ص. برآورد تغییرپذیری مکانی و زمانی منطقه ای غلظت PM 2.5 با استفاده از داده های ماهواره ای، هواشناسی و اطلاعات کاربری زمین. محیط زیست چشم انداز سلامتی 2009 ، 117 ، 886-892. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  27. شیائو، ال. لانگ، ی. Christakos، GJAE نقشه برداری فضایی و زمانی با وضوح بالا PM2. 5 غلظت در سرزمین اصلی Chi-na با استفاده از تکنیک ترکیبی BME-GWR. اتمس. محیط زیست 2018 ، 173 ، 295-305. [ Google Scholar ] [ CrossRef ]
  28. ژای، ال. لی، اس. زو، بی. سانگ، اچ. نیش، ایکس. Xu، S. یک مدل رگرسیون دارای وزن جغرافیایی بهبود یافته برای تخمین غلظت PM 2.5 در مناطق بزرگ. اتمس. محیط زیست 2018 ، 181 ، 145-154. [ Google Scholar ] [ CrossRef ]
  29. سو، تی. لی، جی. لی، سی. لاو، AK-H. یانگ، دی. شن، سی. مقایسه ای از غلظت های PM2.5 تبدیل شده با AOD با استفاده از روش های مختلف برای تخمین توزیع عمودی آئروسل. اتمس. محیط زیست 2017 ، 166 ، 531-542. [ Google Scholar ] [ CrossRef ]
  30. چن، جی. لی، اس. Knibbs، LD; هام، ن. کائو، دبلیو. لی، تی. گوا، جی. رن، اچ. آبرامسون، ام جی; Guo, Y. یک روش یادگیری ماشینی برای تخمین غلظت PM2.5 در سراسر چین با اطلاعات سنجش از دور، هواشناسی و کاربری زمین. علمی کل محیط. 2018 ، 636 ، 52-60. [ Google Scholar ] [ CrossRef ]
  31. یانگ، کیو. یوان، Q. یو، ال. لی، تی. شن، اچ. ژانگ، L. روابط بین PM2.5 و عمق نوری آئروسل (AOD) در سرزمین اصلی چین: درباره و پشت تغییرات مکانی-زمانی. محیط زیست آلودگی 2019 ، 248 ، 526-535. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  32. یانگ، دبلیو. دنگ، م. خو، اف. وانگ، اچ. پیش‌بینی PM2.5 ساعتی با استفاده از مدل رگرسیون بردار پشتیبان فضا-زمان. اتمس. محیط زیست 2018 ، 181 ، 12-19. [ Google Scholar ] [ CrossRef ]
  33. روی، ا. چاکرابورتی، اس. از متامدل مبتنی بر رگرسیون برداری با نمونه‌گیری تطبیقی ​​متوالی برای تحلیل قابلیت اطمینان سازه‌ها پشتیبانی می‌کند. Reliab. مهندس سیستم Saf. 2020 ، 200 ، 106948. [ Google Scholar ] [ CrossRef ]
  34. ژانگ، تی. زو، ز. گونگ، دبلیو. زو، ز. سان، ک. وانگ، ال. هوانگ، ی. مائو، اف. شن، اچ. لی، ز. و همکاران برآورد غلظت PM2.5 با وضوح فوق العاده بالا در مناطق شهری با استفاده از بازیابی 160 متر Gaofen-1 AOD. سنسور از راه دور محیط. 2018 ، 216 ، 91-104. [ Google Scholar ] [ CrossRef ]
  35. Giles، DM; سینیوک، ا. سوروکین، ام جی. Schafer, JS; اسمیرنوف، آ. اسلوتسکر، آی. اک، TF; هولبن، BN; لوئیس، جی آر. پیشرفت‌های کمپبل، JR در شبکه رباتیک آئروسل (AERONET) نسخه 3-الگوریتم کنترل کیفیت تقریباً خودکار خودکار با غربالگری ابری بهبود یافته برای اندازه‌گیری عمق نوری آئروسل خورشیدی (AOD). اتمس. Meas. فنی 2019 ، 12 ، 169–209. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  36. ژانگ، ز. وو، دبلیو. فن، م. وی، جی. تان، ی. وانگ، Q. ارزیابی بازیابی آئروسل MAIAC در چین. اتمس. محیط زیست 2019 ، 202 ، 8-16. [ Google Scholar ] [ CrossRef ]
  37. چن، جی. Knibbs، LD; ژانگ، دبلیو. لی، اس. کائو، دبلیو. گوا، جی. رن، اچ. وانگ، بی. وانگ، اچ. ویلیامز، جی. تخمین توزیع فضایی-منفذی غلظت PM1 در چین با سنجش از دور ماهواره‌ای، هواشناسی و اطلاعات کاربری زمین. محیط زیست آلودگی 2018 ، 233 ، 1086-1094. [ Google Scholar ] [ CrossRef ]
  38. وانگ، جی. Ogawa، S. اثرات شرایط هواشناسی بر غلظت PM2.5 در ناکازاکی، ژاپن. بین المللی جی. محیط زیست. Res. بهداشت عمومی 2015 ، 12 ، 9089-9101. [ Google Scholar ] [ CrossRef ]
  39. هوانگ، اف. شیا، ال. چائو، دبلیو. Qin، X. وی، دبلیو. لو، ی. تائو، ال. چی، جی. جین، جی. چن، اس. و همکاران PM2.5 تغییرات فضایی و زمانی و رابطه با عوامل هواشناسی طی سال‌های 2013-2014 در پکن، چین. PLoS ONE 2015 ، 10 ، e0141642. [ Google Scholar ] [ CrossRef ]
  40. تریفونوا، TA; میشچنکو، NV; Grishina، YP روشی مبتنی بر سنجش از دور برای تعیین آلودگی هوای صنعتی. نقشه علمی Remote Sens. 1998 , 35 , 22-30. [ Google Scholar ] [ CrossRef ]
  41. چن، بی. لی، اس. یانگ، ایکس. لو، اس. وانگ، بی. Niu، X. ویژگی‌های PM2.5 جوی در توده‌ها و مکان‌های پوشش غیر جنگلی در مناطق شهری-روستایی در پکن، چین. اکوسیست شهری. 2016 ، 19 ، 867-883. [ Google Scholar ] [ CrossRef ]
  42. کومار، A. بلند مدت (2003-2012) MODIS فضایی-زمانی (سطح ترا/آکوا 3) تغییرات آب و هوایی عمق نوری آئروسل و خواص ابر بر روی یک منطقه نیمه خشک شهری استوایی در شمال هند مشتق شده است. اتمس. محیط زیست 2014 ، 83 ، 291-300. [ Google Scholar ] [ CrossRef ]
  43. هائو، ی. لیو، ی. عوامل تأثیرگذار غلظت PM2.5 شهری در چین: تحلیل اقتصادسنجی فضایی. جی. پاک. تولید 2016 ، 112 ، 1443-1453. [ Google Scholar ] [ CrossRef ]
  44. کلی، KM; دنیس، ML تبدیل بین WGS84 Realizations و دیگر فریم های مرجع. در خلاصه AGU Fall Meeting ; اتحادیه ژئوفیزیک آمریکا: واشنگتن، دی سی، ایالات متحده آمریکا، 2018. [ Google Scholar ]
  45. Noble, W. ماشین بردار پشتیبان چیست؟ نات. بیوتکنول. 2006 ، 24 ، 1565-1567. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  46. اسمولا، ای جی; Schölkopf, B. A Tutorial on Support Vector Regression. آمار محاسبه کنید. 2004 ، 14 ، 199-222. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  47. چانگ، سی.-سی. لین، سی.-جی. LIBSVM: کتابخانه ای برای ماشین های بردار پشتیبانی. ACM Trans. هوشمند سیستم تکنولوژی 2011 ، 2 ، 27. [ Google Scholar ] [ CrossRef ]
  48. زو، اس. لیان، ایکس. وی، ال. چه، جی. شن، ایکس. یانگ، ال. کیو، ایکس. لیو، ایکس. گائو، دبلیو. رن، ایکس. و همکاران پیش‌بینی PM2.5 با استفاده از SVR با الگوریتم PSOGSA بر اساس CEEMD، GRNN و GCA با در نظر گرفتن عوامل هواشناسی. اتمس. محیط زیست 2018 ، 183 ، 20-32. [ Google Scholar ] [ CrossRef ]
  49. عوض، م. Khana, R. رگرسیون برداری پشتیبان. در ماشین های یادگیری کارآمد ; Apress: برکلی، کالیفرنیا، ایالات متحده آمریکا، 2015; صص 67-80. [ Google Scholar ]
  50. وانگ، اس. ژو، سی. وانگ، ز. فنگ، ک. Hubacek، K. ویژگی ها و محرک های توزیع ذرات ریز (PM2.5) در چین. جی. پاک. تولید 2017 ، 142 ، 1800-1809. [ Google Scholar ] [ CrossRef ]
  51. بالاسوندارام، اس. در مورد رگرسیون بردار پشتیبان لاگرانژی. سیستم خبره Appl. 2010 ، 37 ، 8784-8792. [ Google Scholar ] [ CrossRef ]
  52. چادنوفسکی، آ. تانگ، سی. لیاپوستین، آ. وانگ، ی. شوارتز، جی. Koutrakis، PJAC یک ارزیابی انتقادی از بازیابی عمق نوری آئروسل با وضوح بالا برای پیش‌بینی ذرات ریز. اتمس. شیمی. فیزیک 2013 ، 13 ، 10907. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  53. چادنوفسکی، AA; کوتراکیس، پ. کلوگ، آی. ملی، اس جی. نوردیو، اف. لیاپوستین، هوش مصنوعی؛ وانگ، ی. شوارتز، جی. پیش‌بینی ذرات ریز با استفاده از بازیابی عمق نوری آئروسل با وضوح بالا (AOD). اتمس. محیط زیست 2014 ، 89 ، 189-198. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  54. چادنوفسکی، AA; کوستینسکی، آ. لیاپوستین، آ. کوتراکیس، PJEP مقیاس های فضایی آلودگی از تصویربرداری ماهواره ای با وضوح متغیر. محیط زیست آلودگی 2013 ، 172 ، 131-138. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  55. گوان، دی. سو، ایکس. ژانگ، Q. پیترز، GP; لیو، ز. لی، ی. او، ک. محرک‌های اجتماعی-اقتصادی انتشار اولیه PM 2.5 چین. محیط زیست Res. Lett. 2014 ، 9 ، 024010. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  56. هوانگ، تی. یو، ی. وی، ی. وانگ، اچ. هوانگ، دبلیو. چن، X. ویژگی های فضایی-فصلی و عوامل تاثیر بحرانی PM2. 5 غلظت در تراکم شهری پکن-تیانجین-هبی. PLoS ONE 2018 , 13 , e0201364. [ Google Scholar ]
  57. چنگ، ز. لی، ال. لیو، جی. شناسایی اثرات فضایی و عوامل محرک آلودگی PM2.5 شهری در چین. Ecol. اندیک. 2017 ، 82 ، 61-75. [ Google Scholar ] [ CrossRef ]
  58. لین، سی. لبزوسکی، ال. Mak، HWL; Fung, JC; لاو، AK; Kenea، ST; بلال، م. هی، JDV. لو، ایکس. Ma، J. مشاهده PM2.5 با استفاده از ترکیبی از سنجش از دور ماهواره ای و شبکه حسگر کم هزینه در مناطق شهری سیبری با نظارت محدود مرجع. اتمس. محیط زیست 2020 ، 227 ، 117410. [ Google Scholar ] [ CrossRef ]
  59. توث، TD; ژانگ، جی. کمپبل، جی آر. هایر، ای. رید، JS; شی، ی. Westphal، DL تأثیر کیفیت داده و بازنمایی سطح به ستون بر رابطه PM2.5/AOD ماهواره ای برای ایالات متحده به هم پیوسته. اتمس. شیمی. فیزیک بحث و گفتگو. 2014 ، 14 ، 6049-6062. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  60. زنگ، ز. وانگ، دبلیو. تو، دبلیو. لی، ی. بله، اف. وانگ، سی. تخمین غلظت PM2.5 سطح زمین در پکن، چین با استفاده از عمق نوری آئروسل و پارامترهای لایه وارونگی دما. علمی جمع. محیط زیست 2017 ، 575 ، 1219-1227. [ Google Scholar ] [ CrossRef ]
  61. لالیتاپورن، پ. کوراتا، جی. ماتسوکا، ی. Thongboonchoo، N.; Surapipith، VJ تجزیه و تحلیل طولانی مدت تغییرات فصلی no 2، co و aod با استفاده از مشاهدات ماهواره ای در آسیا و مقایسه با موجودی و مدل انتشار. اتمس. سلامت 2013 ، 6 ، 655-672. [ Google Scholar ] [ CrossRef ]
Ijgi 10 00031 g001 550
شکل 1. منطقه مورد مطالعه و سایت های نظارتی در استان هوبی توزیع شده است و تعداد کل سایت های نظارتی در سال 2017 47 مورد بود.
Ijgi 10 00031 g002 550
شکل 2. ساختار اصلی مدل MSVR.
Ijgi 10 00031 g003 550
شکل 3. برآورد میانگین غلظت PM 2.5 در منطقه مورد مطالعه در سال 2017، با مدل بهینه MSVR انتخاب شده در تفکیک فضایی 1 کیلومتر.
Ijgi 10 00031 g004 550
شکل 4. مقایسه وضوح فضایی سالانه 1 کیلومتر PM 2.5 مشتق شده از MAIAC AOD ( a ) و 3 کیلومتر PM 2.5 مشتق شده از MODIS AOD ( c ) در استان هوبی در سال 2017. هنگامی که نقشه به مقیاس کوچکتر بزرگنمایی می شود، نقشه فضایی مزایای PM 2.5 1 کیلومتری با مقایسه غلظت PM 2.5 مشتق از MAIAC ( b ) و مشتق شده از MODIS ( d ) نمایش داده می شود.
Ijgi 10 00031 g005 550
شکل 5. تجزیه و تحلیل همبستگی خطی PM 2.5 اندازه گیری شده و PM 2.5 تخمینی ، PM 2.5 برآورد شده از MAIAC 1 کیلومتری AOD و MODIS 3 کیلومتری AOD بازیابی شده است.
Ijgi 10 00031 g006 550
شکل 6. توزیع و تغییرات میانگین تخمین PM 2.5 در چهار فصل ( a ) برای بهار، ( b ) برای تابستان، ( c ) برای پاییز و ( d ) برای زمستان) در منطقه مورد مطالعه Hubei، چین.
Ijgi 10 00031 g007 550
شکل 7. نمودارهای پراکندگی نتایج اعتبار سنجی متقاطع برای مدل های SVR ( a ) و SVR اصلاح شده ( b ) در سال 2017، SVR ( c ) و طرح اصلاح شده 2018. ( d ) در شکل نشان داده شده است. محور افقی مقادیر واقعی PM 2.5 اندازه گیری شده را نشان می دهد و محور عمودی نشان دهنده PM 2.5 پیش بینی شده به دست آمده از مدل های رگرسیونی است. خطوط سیاه خط مرجع 1:1 هستند.

مقالات داخلی و بین المللی

مطالب مرتبط ...

بدون دیدگاه

دیدگاهتان را بنویسید