全文总字数：4408字
1. 研究目的与意义（文献综述）
在经济发展进入新常态的2012年后，随着经济发展方式的转变，我国经济发展已由近30年年均 10%左右高速发展的阶段逐步过渡到高质量发展阶段，在生态文明建设水平不断提高的同时，环境监测与治理也日益受到社会的重视，并逐步融入经济发展之中，拥有了越来越多的话语权。据国家生态环境部所发布的《2013-2018年中国空气质量改善报告》，近年来，在经济持续增长、能源消费持续增长的情况下，我国环境空气质量总体有所改善，各种大气污染物浓度也有较大幅度的下降。实施新的环境空气质量标准的74个城市中，pm2.5、pm10、so2的平均浓度分别下降了42%、27%、68%。该报告指出，尽管生态环境得到一定程度的改善，但全国六成以上城市 pm2.5年平均浓度仍不达标，未达到35微克/立方米的环境空气质量标准要求，与世界卫生组织准则值（10微克/立方米）还有较大差距，秋、冬季污染天气依然多发，环境污染状况依然险峻，形势不容乐观，尤其是以化石燃料为主造成的大气污染，覆盖范围广、滞留时间长、毒害性强，严重地影响到公众健康安全和社会可持续发展。可吸入颗粒物（inhalable particulate matter,pm2.5）是气溶胶状态大气污染的主要成分，它能够长时间停留在大气中，传播距离较远，并且对能见度、空气质量和天气气候都有很大影响，易携带大量有毒有害物质, 经呼吸道进入人体肺部深处及血液循环, 长时间暴露于pm2.5颗粒物中，能对呼吸系统、细血管系统、神经系统、免疫系统都会造成一定损害，严重时会损伤 dna遗传物质，增加致癌危险，因此研究pm2.5的时空变化规律迫在眉睫。
研究 pm2.5时空变化规律需要长期、准确的污染物空间分布数据，现阶段地面监测网络是其数据的主要来源，虽然自2013年起我国各大城市开始建立pm2.5监测站，对pm2.5进行实时监测，数据精度高，但是这些监测站较为稀疏，空间分布不均匀，集中分布在城市内，且数量较少，不足以准确地反应广阔空间范围内pm2.5的分布，从而无法支撑起对pm2.5时空分布的理论研究。相对于传统的地面监测手段，卫星遥感由于具有大区域尺度、完全覆盖地表空间的特点，遥感图像可以大空间范围内连续和不同尺度上直接反映大气污染物在整个区域的宏观分布趋势、扩散方式和传输路径，弥补了地面监测站低分辨率的不足。遥感获取的气溶胶光学厚度( aerosol optical depth，aod) 与 pm2. 5 浓度具有良好的相关关系，已被成功用于地面 pm2.5 浓度模拟，尤其是大范围pm2.5浓度估算。若能够建立地面pm2.5数据与遥感aod产品的关系模型，则可以利用卫星所提供的aod产品估算大空间范围内的pm2.5浓度分布，可有效提高地面监测站的空间分辨率，对pm2.5浓度的监测对区域大气污染的监测和治理具有重要意义。
近几十年来，为了研究气溶胶光学厚度与ＰＭ２.５的关系，诸多学者建立了统计回归模型来表征pm2.5和aod等因子的内在联系，并通过将地面监测和遥感观测数据进行结合获得了与传统模拟方法相当或更高精度的pm2.5 浓度空间分布。例如，wang 和christopher采用普通线性回归模型建立了美国阿拉巴马州杰斐逊县modis aod数据与pm2.5浓度的相关关系，结果表明二者日均尺度的线性相关系数可达到0.7。考虑到pm2.5 浓度的复杂影响效应，一些学者逐渐将气象要素等影响因子纳入回归模型。例如，李啸天等基于aod 数据、气象数据和植被覆盖数据，采用普通线性回归（ordinary linear regression，olr）模型进行了江苏省pm2.5浓度的反演，其结果能较好地揭示pm2.5浓度的时空规律。顾及到pm2.5与aod等因子关系的固有空间异质特征，许多学者引入了地理加权回归（geographically weighted regression，gwr）模型，来细化表征pm2.5浓度的局部空间变化，并获得了比全局回归模型更为合理的空间分布结果。例如， ma等人建立了一个全国规模的地理加权回归模型用于估计中国每日pm2.5浓度，结果表明pm2.5预测值的年平均误差（mpe）为8.28μg/m3。然而，gwr模型通常只能刻画较为简单的非线性空间关系，而pm2.5空间估算则逐渐被认为是一种更为复杂的多变量非线性问题。由此，许多学者引入了以神经网络为代表的人工智能方法，利用其对非线性关系的超强拟合能力，实现了pm2.5浓度更高精度的空间估算。神经网络是人工智能领域中一种新颖的机器学习方法,可以对大量输入数据的特征表示进行有效学习,为pm2.5等气象时间序列的预测提供了新的研究思路和方法。例如，zheng y等使用历史空气质量数据和气象数据提出了一个fc-lstm预测模型来预测未来24 h pm2.5污染浓度。综上所述，综合考虑到pm2.5与aod存在的复杂非线性时空关系，以及气象要素等影响因子对pm2.5分布的影响，本文提出基于时序aod数据的循环神经网络模型（rnn），利用modis aod和气象及土地利用数据来估算pm2.5浓度，从而为相关部门了解大气污染情况及解决污染问题提供基础数据支撑。
2. 研究的基本内容与方案
①基本内容：基于非线性神经网络模型，建立卫星气溶胶厚度与地面监测站pm2.5质量浓度之间的映射关系，在此基础上，对估算结果进行时空分析
②目标：提高pm2.5质量浓度监测的空间分辨率，通过反演实现对无地监测站地区pm2.5污染状况的监测，,实现大气环境的实时动态监测
③拟采用的技术方案及措施
3. 研究计划与安排
2020.3.01. 数据收集
2020.3.15. 数据处理
2020.4.01. 统计建模进行pm2.5估算与评价
4. 参考文献（12篇以上）
【1】zongwei ma, xuefei hu, lei huang, jun bi and yang liu, estimating ground-level pm2.5 in china using satellite remote sensing, environmental science technology, 2014, 48(13) 7436-7444
【2】焦利民，张博恩等，气溶胶光学厚度与pm2.5浓度相关关系的时空变异，干旱区资源与环境，2016年第30卷第12期
【3】王静，杨复沫等，北京市modis气溶胶光学厚度和pm2.5质量浓度的特征及其相关性，中国科学院研究生院学报，2010年第27卷第1期
课题毕业论文、开题报告、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
