成都地区气溶胶散射吸湿增长因子的多变量模型.pdfVIP

成都地区气溶胶散射吸湿增长因子的多变量模型

摘要

气溶胶吸湿性不仅影响大气能见度的变化，也是评估气溶胶直接辐射强迫

不确定性的重要来源，在整个大气气溶胶科学研究中处于基础地位。本文基于

成都市2017年10～12月逐时的“干”气溶胶散射系数和吸收系数观测数据，

结合该时段同时次的能见度（V）、相对湿度（RH）以及二氧化氮（NO2）监

测资料，利用“光学综合法”计算气溶胶散射吸湿增长因子（f），探讨f模型

的构建及其应用。主要论点如下：

（1）f的单变量模型（幂函数、幂指函数和二次多项式）在低湿条件

（RH85%）下均能较好地模拟f随RH的变化特征，但在高湿条件（RH85%）

下的模拟值则会出现较大的偏差。发现黑碳质量浓度（CBC）是影响f的另一关

键变量，以RH和CBC为自变量构建了f的双变量模型，其模拟值和实测值之

间的决定系数（R2）为0.763，f的模拟效果显著改善。

（2）利用相关性分析和方差膨胀因子相结合的方法诊断了RH、CBC、

CBC/CPM1、CBC/CPM2.5、CBC/CPM10、CPM1/CPM2.5、CPM1/CPM10以及CPM2.5/CPM10之

间的多重共线性问题（C、C、C分别为PM、PM、PM的质量浓

PM1PM2.5PM1012.510

度），提出了f的解释变量集（RH、CBC、CBC/CPM2.5、CPM1/CPM2.5和CPM2.5/CPM10）。

f单变量广义可加模型（GAM）的分析结果表明，RH虽然是f的决定性影响因

素，但f与其它解释变量尤其是CBC也呈现出显著的非线性关系。以RH、CBC、

CBC/CPM2.5、CPM1/CPM2.5和CPM2.5/CPM10为自变量构建了f多变量影响的GAM模

型，对应的调整判定系数（R2）和压轴回归决定系数（R2）分别为0.787和0.797，

进一步提升了f的模拟效果。

（3）以f的解释变量集作为输入因子构建了f的BP神经网络模型，其模

22

拟值与实测值之间的决定系数（R）为0.870，高湿条件下对应的决定系数（R）

为0.749，改善了高湿条件下统计模型存在的模拟误差。分析f对霾强度变化的

响应特征，在不同霾强度条件下分别利用BP神经网络模型、多变量GAM模型、

双变量模型和二次多项式单变量模型模拟f，BP神经网络模型均取得了最佳的

模拟效果。即相比传统的统计模型，BP神经网络模型能更好地反映f多因素影

响的复杂非线性关系且模型的适应性更强。

（4）利用f的单变量模型（幂函数、幂指函数和二次多项式）将环境条件

下气溶胶散射消光系数进行湿度订正，并借助“干”气溶胶散射消光系数bsp

2

与CPM2.5的线性关系式（CPM2.5=0.154*bsp+2.335，R=0.915）反演CPM2.5，模拟

值与实测值之间的决定系数（R2）分别为0.852、0.850和0.861，明显优于湿度

2

未定正的模拟效果（R=0.406）。f的双变量模型在单变量模型的基础上显著提

2

升了CPM2.5的模拟效果（R=0.903），并较好地模拟了一次霾演化过程中的f

与CPM2.5，为CPM2.5的反演提供了新方