基于深度神经网络的京津冀地区PM2.5反演

京津冀地区受到重工业生产导致的污染气体排放、 地形不利于大气污染物扩散等因素的影响,一直是空气污染最严重的地区.地面站点观测数值的极度不均匀分布导致PM2.5浓度高值区的反演结果是有偏的;传统的回归算法难以挖掘PM2.5与大气参数间复杂的非线性关系,PM2.5浓度反演精度仍待提高.在总结传统回归算法反演PM2.5浓度缺点的基础上,提出了基于深度神经网络(Deep Neural Network,DNN)的PM2.5浓度反演模型,并利用2015年京津冀地区的PM2.5浓度进行验证,验证结果表明:(1)样本均衡化明显提高了深度神经网络反演PM2.5浓度时的精度,也提高了DNN模型的鲁棒性;(2)DNN能够很好地挖掘PM2.5浓度与大气因子间的非线性关系,空气质量监测站点观测的PM2.5浓度与DNN反演得到的PM2.5浓度相关系数达到0.94;(3)2015年京津冀地区冬季的PM2.5浓度最高,夏季的PM2.5浓度最低,高污染地区主要集中在中南部;北京市与石家庄市PM2.5浓度峰值主要分布在冬季;12月份空气污染频率略低于其他月份,但空气污染持续时间更长.