2026《PM2.5浓度反演方法研究的文献综述》2600字.docxVIP

1绪论

PAGE

PAGE31

PM2.5浓度反演方法研究的文献综述

PM2.5与居民的健康息息相关，获取区域PM2.5浓度并及时发布是人们做好防护工作的前提。利用遥感技术记录大范围连续的AOD数据，再使用AOD数据估算地表PM2.5浓度是目前广泛研究的区域PM2.5反演方法。现有的PM2.5反演方法大致可以划分为四类，分别是：基于物理化学的方法、基于统计回归的方法、基于机器学习算法的方法以及基于神经网络的方法。

（1）基于物理化学的方法

基于物理化学的方法可以分为基于物理机理的半经验公式法与基于化学传输的比例因子法。前者是从物理机理角度出发，构建PM2.5与AOD之间的公式而实现估算。Zhang等人建立了AOD与PM2.5体积之间的半经验公式，对2013年10月至2013年12月的中国京津冀地区地表PM2.5浓度进行估算[38]。Lin等人考虑到气溶胶特性，在算法中纳入了吸湿性生长、粒子质量消光效率等因素的影响，估算了中国565个站点的PM2.5年平均值与月平均值[39]。后者又称比例因子法，通过大气污染化学传输模式来模拟PM2.5与AOD之间的比例关系，从而估算PM2.5浓度。Geng等人改进了使用化学传输模型估算PM2.5浓度的方法，并基于此得到了2006年至2012年的中国PM2.5浓度[40]。

（2）基于统计回归的方法

基于统计回归的方法是目前最为广泛使用的PM2.5浓度反演方法。该方法的核心思想是先将地面监测站点PM2.5数据与AOD遥感数据进行时空匹配，再建立二者之间的统计模型，最后把全局AOD数据输入模型得到研究区域的PM2.5估计值。此方法相比基于物理化学的方法，优势是省略了探究PM2.5和AOD之间复杂物理机制的环节，并且在研究区域具有良好的适应性。众多学者对基于统计回归的PM2.5反演方法进行了大量研究，在此将其划分为简单线性回归方法与高级统计回归方法。Wang等人对AOD数据进行高度和湿度订正，再建立AOD和PM2.5的线性模型，并使用北京地区数据验证了模型的可行性[41]。焦利民等人研究了基于土地利用回归（landuseregression,LUR）的PM2.5估算模型，利用该模型得到了高分辨率的武汉夏季PM2.5浓度空间分布图[42]。陈辉等人考虑到PM2.5污染特征的空间差异性，使用地理加权回归模型进行了2013年12月至2014年2月的全国冬季PM2.5估算[43]。

（3）基于机器学习的方法

也有学者尝试将机器学习算法引入到PM2.5与AOD的关系研究之中，如汤宇磊等人使用随机森林算法，深入研究了四川盆地2013年至2017年PM2.5浓度时空分布[44]；邵绮等人以北京市为研究地区，充分考虑AOD与气象因素的影响，对比研究了随机森林、多元线性回归、支持向量机等模型的反演效果，结果表明随机森林的反演精度最高，效果最好[45]；李丽娟等人以京津冀地区为研究区域，分别使用多元线性回归、回归树、随机森林和支持向量机建立PM2.5反演模型，结果表明随机森林算法能有效提高地表PM2.5反演精度[46]。Ma等人探讨了K近邻(KNN)、支持向量机回归(SVR)、回归树(RT)、随机森林(RF)等6种机器学习算法在杭州地区PM2.5浓度反演的效果，发现随机森林算法表现最佳，在具有较高时空分辨率的同时保持着良好的反演精度[47]。Zhang等人开发了一个随机森林模型，结合AOD数据、气象数据、土地利用数据以及社会经济数据，反演了南非经济中心豪登省的PM2.5日浓度，并分析了PM2.5浓度的时空分布特征[48]。

（4）基于神经网络的方法

由于PM2.5与AOD等要素之间的关系十分复杂，无法用数学公式完整的表现出它们之间的关系，因此有学者将具有超强计算能力的神经网络算法应用到PM2.5浓度估算中。Gupta等人基于神经网络，利用MODISAOD及气象数据，估计美国东南部的PM2.5浓度，证明了人工神经网络应用于空气质量监测的潜力[49]。杜震洪等人将普通线性回归与神经网络相结合，提出了地理神经网络加权回归（GNNWR）模型，进行了全国尺度的PM2.5浓度的高精度估算[50]。Li等人提出一种深度卷积神经网络（CNN）模型，对人口、国内生产总值（GDP）、地形、土地利用和土地覆盖以及PM2.5之间的关系进行学习，实现了高精度的PM2.5空间估算[51]。Sun等人提出了一种基于卷积神经网络的PM2.5浓度盲估计方法，结果显示该方法在AQID数据库上的表现优越，取得了最低的均方根误差[52]。耿冰等人使用HimawariAOD数据与气象站点观测数据，结合DNN模型对北京市的PM2.5浓度进行了高精度反演，结果显示DNN模型的性能优于主流方法[53]。Lee等人以朝鲜半岛为研究对象，利用