本文主要研究内容
作者刘博威（2019）在《GPS反演大气可降水量与区域PM2.5的相关性研究——以徐州地区为例》一文中研究指出：水汽是大气中重要的组成成分,在大气中含量占比较少但变化范围较大,水汽在各种天气变化中起主导作用。传统的大气探测手段在连续性以及精度方面具有很大局限性,而GPS水汽反演技术在经历了多次变革发展之后,具有全天候、精度高、实时快捷、不受天气状况的影响以及成本低廉等优点,使其被广泛应用于各类天气观测预报工作。随着近些年经济体的高速发展,各种污染物排放导致环境恶化加剧,空气质量逐年下降,雾霾是大气污染的重要现象之一,其成因是大气内各种污染颗粒物借由一定条件的气象因素凝结或聚集,短时间内无法自行沉降使能见度恶化,而大气水汽是促使雾霾成型的外在气象因素条件之一。本文利用国内5座城市GPS观测站和国控气象站数据,建立基于水汽反演的大气可降水量和大气污染物相关性模型和大气污染物预测模型,主要内容包括:(1)天顶可降水量PWV的获取。使用GAMIT处理国内5座城市GPS站获取天顶对流层延迟,并结合实验区域本地化_mT模型解算出PWV。通过与探空站相对应时刻获取的PWV对比,从处理时间、处理精度、处理的复杂性等多方面对PWV的获取进行精度对比评价。(2)徐州地区大气颗粒物PM2.5与PWV相关性研究。针对所选用研究地区区域概况及逐月份的极端雾霾天气,将GAMIT解算得到的徐州市大气可降水量及国控气象监测站PM2.5数据进行相关性及变化趋势分析。对比可知GPS反演大气可降水量与PM2.5呈正相关,样本数据反映的极端天气也与历史天气预报提供信息基本吻合;(3)基于BP神经网络的水汽反演大气污染预测模型建立。为了更精确的获取两者之间的模型,运用神经网络技术进行学习预测,建立PM2.5监测模型并使之与探空站大气污染颗粒物数据对比,二者相关系数显著高于线性回归模型,均方根误差也有明显改善,各精度指标均表明BP神经网络的优化模型相对于线性回归模型更优,进一步验证了基于GPS水汽反演与BP神经网络技术构建大气污染预测模型的可行性,为大气监测领域研究提供新的可能。
Abstract
shui qi shi da qi zhong chong yao de zu cheng cheng fen ,zai da qi zhong han liang zhan bi jiao shao dan bian hua fan wei jiao da ,shui qi zai ge chong tian qi bian hua zhong qi zhu dao zuo yong 。chuan tong de da qi tan ce shou duan zai lian xu xing yi ji jing du fang mian ju you hen da ju xian xing ,er GPSshui qi fan yan ji shu zai jing li le duo ci bian ge fa zhan zhi hou ,ju you quan tian hou 、jing du gao 、shi shi kuai jie 、bu shou tian qi zhuang kuang de ying xiang yi ji cheng ben di lian deng you dian ,shi ji bei an fan ying yong yu ge lei tian qi guan ce yu bao gong zuo 。sui zhao jin xie nian jing ji ti de gao su fa zhan ,ge chong wu ran wu pai fang dao zhi huan jing e hua jia ju ,kong qi zhi liang zhu nian xia jiang ,wu mai shi da qi wu ran de chong yao xian xiang zhi yi ,ji cheng yin shi da qi nei ge chong wu ran ke li wu jie you yi ding tiao jian de qi xiang yin su ning jie huo ju ji ,duan shi jian nei mo fa zi hang chen jiang shi neng jian du e hua ,er da qi shui qi shi cu shi wu mai cheng xing de wai zai qi xiang yin su tiao jian zhi yi 。ben wen li yong guo nei 5zuo cheng shi GPSguan ce zhan he guo kong qi xiang zhan shu ju ,jian li ji yu shui qi fan yan de da qi ke jiang shui liang he da qi wu ran wu xiang guan xing mo xing he da qi wu ran wu yu ce mo xing ,zhu yao nei rong bao gua :(1)tian ding ke jiang shui liang PWVde huo qu 。shi yong GAMITchu li guo nei 5zuo cheng shi GPSzhan huo qu tian ding dui liu ceng yan chi ,bing jie ge shi yan ou yu ben de hua _mTmo xing jie suan chu PWV。tong guo yu tan kong zhan xiang dui ying shi ke huo qu de PWVdui bi ,cong chu li shi jian 、chu li jing du 、chu li de fu za xing deng duo fang mian dui PWVde huo qu jin hang jing du dui bi ping jia 。(2)xu zhou de ou da qi ke li wu PM2.5yu PWVxiang guan xing yan jiu 。zhen dui suo shua yong yan jiu de ou ou yu gai kuang ji zhu yue fen de ji duan wu mai tian qi ,jiang GAMITjie suan de dao de xu zhou shi da qi ke jiang shui liang ji guo kong qi xiang jian ce zhan PM2.5shu ju jin hang xiang guan xing ji bian hua qu shi fen xi 。dui bi ke zhi GPSfan yan da qi ke jiang shui liang yu PM2.5cheng zheng xiang guan ,yang ben shu ju fan ying de ji duan tian qi ye yu li shi tian qi yu bao di gong xin xi ji ben wen ge ;(3)ji yu BPshen jing wang lao de shui qi fan yan da qi wu ran yu ce mo xing jian li 。wei le geng jing que de huo qu liang zhe zhi jian de mo xing ,yun yong shen jing wang lao ji shu jin hang xue xi yu ce ,jian li PM2.5jian ce mo xing bing shi zhi yu tan kong zhan da qi wu ran ke li wu shu ju dui bi ,er zhe xiang guan ji shu xian zhe gao yu xian xing hui gui mo xing ,jun fang gen wu cha ye you ming xian gai shan ,ge jing du zhi biao jun biao ming BPshen jing wang lao de you hua mo xing xiang dui yu xian xing hui gui mo xing geng you ,jin yi bu yan zheng le ji yu GPSshui qi fan yan yu BPshen jing wang lao ji shu gou jian da qi wu ran yu ce mo xing de ke hang xing ,wei da qi jian ce ling yu yan jiu di gong xin de ke neng 。
论文参考文献
论文详细介绍
论文作者分别是来自中国矿业大学的刘博威，发表于刊物中国矿业大学2019-07-18论文，是一篇关于水汽反演论文,大气可降水量论文,相关性分析论文,神经网络论文,中国矿业大学2019-07-18论文的文章。本文可供学术参考使用，各位学者可以免费参考阅读下载，文章观点不代表本站观点，资料来自中国矿业大学2019-07-18论文网站，若本站收录的文献无意侵犯了您的著作版权，请联系我们删除。
标签：水汽反演论文; 大气可降水量论文; 相关性分析论文; 神经网络论文; 中国矿业大学2019-07-18论文;