2026《PM2.5反演数据与方法研究现状文献综述》1400字.docxVIP

PM2.5反演数据与方法研究现状文献综述

气溶胶光学厚度（AerosolOpticalDepth,AOD）描述了大气中颗粒物减弱太阳辐射的程度，与地面PM2.5浓度有很强的物理机制和数理统计关系，在用于估算PM2.5浓度的大气气溶胶性质方面是应用最广泛的。20世纪末，随着美国国家航空航天局(NASA)中分辨率成像光谱仪(MODIS)的问世，环境遥感的应用进入了一个新的阶段，也促进了气溶胶遥感技术的逐步成熟。应用最为广泛的MOD04系列数据，由于使用时间长，反演模型较为丰富，包括BP神经网络、随机森林、支持向量机等多种机器学习算法[7-8]。

吕达仁等[6]第一次将消光角散射法这一方法大胆地应用于气溶胶分布并通过实验进行了验证，用较好的结果证实了其可行性，随后国内学者相继提出并改进了多种气溶胶遥感检测方法。Li等[9]结合插值后MAIACAOD以及土地利用类型和ERA-Interim再分析气象数据，采用多元线性回归模型估算了美国东部的日PM2.5浓度值。学者试图建立其与气象资料的相关性，利用卫星观测手段结合气象资料对气溶胶数据进行建模分析。许岳磊等[10]在构建PM2.5与AOD关系时分析了各气象要素的影响，结果表明，结合地区与季节的关系模型拟合效果更好，随时间和高度变化的气象要素相关性优于特定时刻的气象要素。历青等通过对比风云3号卫星和MODIS的AQUA卫星的数据反演的AOD与实测PM2.5的关系，发现京津冀及周边区域前者的PM2.5遥感监测能力方面略优于后者，说明国产卫星在大气环境遥感监测中的应用能力取得了长足的进步；王安娜等在对Himawari-8AOD数据预处理时，加入边界层高度这一气象因子进行垂直订正，发现AOD与PM2.5的相关性显著提高，决定系数R2接近0.5，说明边界层高度BLH这一因子对反演PM2.5有显著作用；朱文德基于改进的地理加权回归模型，结合Himawari-8AOD数据以及气息数据、实测PM2.5数据，进行回归分析与模型拟合，实验效果良好，证明Himawari-8AOD数据反演PM2.5方面有很强的实践性与可行性；Zhang等在反演华北地区PM2.5浓度时，引入细颗粒物柱状体积消光比(VE)，将气溶胶光学深度(AOD)转换为微粒物质体积，并建立了一种从细模态分数(FMF)中获取气溶胶光学深度(VE)的参数化方法，实验验证结果表明，该方法在输入数据的不确定性较大的情况下表现良好。Yang等自2013年2月起对中国368个城市的PM2.5与AOD数据进行分析，发现京津冀和成渝地区两种数据的空间相关性较高，长三角、珠三角等沿海地区相对较弱，PM2.5与AOD比值具有明显的南北差异，华北地区比值高，北方整体高于南方，为中国的大尺度PM2.5时空分布研究打下基础。Yang等对中国68个主要城市进行了连续22个月的调查研究，发现PM2.5与相对湿度(RH)、温度(TEM)、风速(WS)和表面压力(PS)等气象因子的空间和季节变化关系的研究结论比以往的研究更加准确，有助于PM2.5的变化浓度预测和雾霾控制，提高预测精度和策略效率。接下来的时间里，研究人员通过不断尝试与探索，在计算机视觉发展浪潮中抓住机遇，将更多新颖的算法和模型应用在该领域以提高拟合效果。陈辉等[15]利用MAIACAOD产品结合地面监测点数据，运用土地利用回归（LandUseRegression,LUR）模型预测了北京市的季节PM2.5浓度，R2≥0.81。邵琦等利用MODIS3KMAOD产品和ERA5气象再分析资料，结合实测PM2.5数据，基于机器学习的方法反演北京市2017年近地面的PM2.5浓度，印证了机器学习中随机森林算法在众多模型中的优越性，并提供了时空分析的研究思路；刘林钰等将Himawari气溶胶光学厚度日数据产品和气象数据引入深度神经网络模型中，反演得到的华东地区2016至2018年PM2.5数据分布情况与实测数据非常接近，说明深度学习这一新型思路的发展潜力；Li李同文等将地理相关性转化为一种智能深度学习架构，进行PM2.5的预测与分析，这种地理智能方法记为Geoi-DBN，它考虑地理距离和时空相关的PM2.5，实验使用2015年中国AOD数据进行了训练和测试，结果表明Geoi-DBN的性能明显优于传统的神经网络，为大地理区域的空气污染监测提供了一个新的视角。