BP神经网络的近地面臭氧估算及时空特征分析

doi:10.13474/j.cnki.11-2246.2021.0171

测绘通报 ›› 2021, Vol. 0 ›› Issue (6): 28-32,126.doi: 10.13474/j.cnki.11-2246.2021.0171

BP神经网络的近地面臭氧估算及时空特征分析

李紫微, 马庆勋, 吕杰

西安科技大学, 陕西西安 710054

收稿日期:2020-09-24 修回日期:2020-12-31 发布日期:2021-06-28
通讯作者: 马庆勋。E-mail:554649952@qq.com
作者简介:李紫微(1995—),女,硕士生,研究方向为大气遥感。E-mail:liiiziwei@163.com
基金资助:
国家自然科学基金（41674013；41874012）

BP neural network for near-surface ozone estimation and spatial and temporal characteristics analysis

LI Ziwei, MA Qingxun, Lü Jie

Xi'an University of Science and Technology, Xi'an 710054, China

Received:2020-09-24 Revised:2020-12-31 Published:2021-06-28

摘要/Abstract

摘要： 近年来，中国东部城市光化学烟雾污染频繁发生，臭氧（O₃）作为光化学烟雾的标志性污染物日益成为影响城市或区域大气的首要污染物。为探究京津唐地区近地面臭氧污染特征及时空变化趋势，本文基于前馈（BP）神经网络，结合地面监测站点臭氧浓度数据、卫星遥感臭氧柱总量数据与气象站点气象要素数据的非线性关系建立近地面臭氧浓度反演模型，并对近地面臭氧时空分布进行分析。结果表明：评价模型可靠性的决定系数R²为0.888、RMSE为10.742、MAE为9.596，建立的BP神经网络模型精度较高；2016—2019年京津唐臭氧年平均浓度呈现增加趋势；四季中，京津唐夏季臭氧浓度最大，冬季最小。研究结果为近地面臭氧估算提供了技术参考，同时对环境监测具有重要的现实指导意义。

关键词: 京津唐地区, BP神经网络, 臭氧反演, 时空特征分析, 臭氧浓度变化趋势

Abstract: In recent years, photochemical smog pollution frequently occurs in the eastern cities of China. O₃, as a landmark pollutant of photochemical smog, is increasingly becoming the primary pollutant affecting urban or regional air pollution. To explore the Beijing-Tianjin-Tangshan (BTT) region surface ozone pollution characteristic and changing trend of time and space, this study based on feedforward (back propagation, BP) neural network, an inversion model of surface ozone concentration was established combined with the nonlinear relationship between the ozone concentration data of ground monitoring stations and the total ozone column data of satellite and meteorological data of meteorological stations. The results show that the R², RMSE, and MAE of the reliability evaluation model are 0.888, 10.742, and 9.596, respectively, and the accuracy of the established neural network model is relatively high. From 2016 to 2019, the annual average ozone concentration in the Beijing-Tianjin-Tangshan region showed an increasing trend. In the four seasons, ozone concentration in Beijing, Tianjin, and Tangshan are the highest in summer and the lowest in winter. The results provided a technical reference for near-surface ozone estimation and have important practical significance for environmental monitoring.

Key words: Beijing-Tianjin-Tangshan (BTT) region, BP neural network, ozone inversion, spatio-temporal characteristic analysis, variation trend of ozone

中图分类号:

P237

李紫微, 马庆勋, 吕杰. BP神经网络的近地面臭氧估算及时空特征分析[J]. 测绘通报, 2021, 0(6): 28-32,126.

LI Ziwei, MA Qingxun, Lü Jie. BP neural network for near-surface ozone estimation and spatial and temporal characteristics analysis[J]. Bulletin of Surveying and Mapping, 2021, 0(6): 28-32,126.

参考文献

[1] 王金南. 控制PM2.5污染: 中国路线图与政策机制[M]. 北京: 科学出版社, 2016.
[2] 徐杰. 中国主要城市群环境空气中臭氧浓度的变化规律分析[J]. 上海节能, 2020(6): 549-553.
[3] WU S L, MICKLEY L J, LEIBENSPERGER E M, et al. Effects of 2000—2050 global change on ozone air quality in the United States[J]. Journal of Geophysical Research Atmospheres, 2008, 113: D06302.
[4] 刘宏举, 郑有飞, 吴荣军, 等. 地表臭氧浓度增加对南京地区冬小麦生长和产量的影响[J]. 中国农业气象, 2009, 30(2): 195-200.
[5] 刘小正, 楼晟荣, 陈勇航, 等. 基于OMI数据的中国中东部城市近地面臭氧时空分布特征研究[J]. 环境科学学报, 2016, 36(8): 2811-2818.
[6] 杜勤博, 陈欢欢, 李玥莹, 等. BP神经网络模型在O₃质量浓度预报中的应用[J]. 广东气象, 2019, 41(3): 29-32.
[7] 曹斌, 邱振戈, 朱述龙, 等.BP神经网络遥感水深反演算法的改进[J].测绘通报,2017(2): 40-44.
[8] 张海龙, 蒋建军, 吴宏安, 等.SAR与TM影像融合及在BP神经网络分类中的应用[J].测绘学报,2006,35(3):229-233.
[9] 王丽. 京津冀地区资源开发利用与环境保护研究[J]. 经济研究参考, 2015(2): 49-73.
[10] 程麟钧, 王帅, 宫正宇, 等. 京津冀区域臭氧污染趋势及时空分布特征[J]. 中国环境监测, 2017, 33(1): 14-21.
[11] 邹艳芸. 基于LSTM神经网络的PM_(2.5)浓度预测算法研究[D]. 南京:南京信息工程大学,2019.
[12] 刘宇轩. 基于后向传播神经网络的典型道路PM2.5和臭氧预测模型研究[D]. 杭州:浙江大学, 2020.
[13] 张珺, 王式功, 杜亮亮, 等. 基于BP神经网络的河北中南部空气质量预报研究[J]. 江西农业学报, 2019, 31(5): 96-102.
[14] 叶斌, 雷燕. 关于BP网中隐含层层数及其节点数选取方法浅析[J]. 商丘职业技术学院学报, 2004,3(6): 52-53.
[15] 李苹, 余晔, 赵素平, 等. 2015-2017年中国近地面O₃污染状况与影响因素分析[J]. 高原气象, 2019, 38(6): 1344-1353.
[16] LU X, ZHANG L, CHEN Y F, et al. Exploring 2016—2017 surface ozone pollution over China: source contributions and meteorological influences [J]. Atmospheric Chemistry and Physics, 2019, 19(12): 8339-8361.
[17] 王玫, 郑有飞, 柳艳菊, 等. 京津冀臭氧变化特征及与气象要素的关系[J]. 中国环境科学, 2019, 39(7): 2689-2698.
[18] 武晓红, 韩爱梅. 2016年太原市臭氧的时空分布特征[J]. 环境与发展, 2019, 31(1): 175-176.
[19] 陈魁, 郭胜华, 董海燕, 等. 天津市臭氧浓度时空分布与变化特征研究[J]. 环境与可持续发展, 2010,35(1): 17-20.
[20] 王锡曚, 李传哲, 王树谦, 等. 近50年来京津唐地区降水时空演变特征分析[J]. 水电能源科学, 2015, 33(7): 7-11.
[21] 陈世俭, 童俊超, KAZUHIKO K B, 等. 气象因子对近地面层臭氧浓度的影响[J]. 华中师范大学学报(自然科学版), 2005,39(2): 273-277.
[22] 段欲晓, 徐晓峰, 张小玲. 北京地面O3污染特征及气象条件分析[J]. 气象科技, 2001,29(4): 15-18.

BP神经网络的近地面臭氧估算及时空特征分析

BP neural network for near-surface ozone estimation and spatial and temporal characteristics analysis

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价

[1]	刘璐, 罗年学, 赵前胜. 基于历史数据的黄海浒苔爆发规模预测[J]. 测绘通报, 2022, 0(7): 7-11.
[2]	冯俊俊, 周立, 欧阳犬平, 周珍. 优化短期余水位组合预测模型[J]. 测绘通报, 2022, 0(3): 96-100.
[3]	丁仁军, 王友昆, 张君华, 刘晨. 基于BP神经网络的昆明天顶湿延迟模型[J]. 测绘通报, 2022, 0(3): 107-110.
[4]	毛斌, 韩文泉, 谢宏全, 吕海扬. 基于北京二号影像辅助nDSM的建筑物自动提取[J]. 测绘通报, 2022, 0(3): 132-137.
[5]	宋宝, 柯福阳, 赵兴旺. 面向LiDAR/Radar松组合的迭代加权IEKF-BP组合算法精度分析[J]. 测绘通报, 2021, 0(2): 44-48.
[6]	鲁小红. 最优权组合预测法在采煤沉陷变形预测中的应用[J]. 测绘通报, 2020, 0(4): 111-115.
[7]	郭云开, 许敏, 张晓炯, 刘雨玲. 结合PRO-4SAIL和BP神经网络的叶绿素含量高光谱反演[J]. 测绘通报, 2020, 0(3): 21-24.
[8]	冯绍权, 花向红, 陶武勇, 宣伟, 吴伟, 续东. 一种基于GA-BP-MC神经网络的高铁桥墩沉降预测模型[J]. 测绘通报, 2019, 0(7): 50-53,82.
[9]	周访滨, 邹联华, 张晓炯, 孟凡一. 栅格DEM微地形分类的BP神经网络法[J]. 测绘通报, 2019, 0(10): 101-104,132.
[10]	韩红超. 量子粒子群BP神经网络在GNSS高程转换中的应用分析[J]. 测绘通报, 2019, 0(1): 85-88.
[11]	杨丁亮, 刘志平, 仲崇武. 百度地图坐标解密方法精度分析[J]. 测绘通报, 2018, 0(7): 43-47.
[12]	丰秋林, 郑南山. 机器学习算法辅助的GPS信噪比观测值土壤湿度反演[J]. 测绘通报, 2018, 0(7): 106-111.
[13]	黄凯, 陈渠森, 鞠博晓. GNSS自动化监测系统的大坝变形预测方法研究[J]. 测绘通报, 2018, 0(1): 147-150.
[14]	沈震, 徐良骥, 刘潇鹏, 秦长才, 王振兵. 机器学习辅助下的概率积分法参数预计模型寻优[J]. 测绘通报, 2016, 0(10): 35-38.
[15]	孙茂存, 李俊锋, 李飞, 刘宝锋, 周波, 刘帅. 基于BP人工神经网络的震前电离层VTEC异常扰动研究[J]. 测绘通报, 2015, 0(6): 16-19.