中國(guó)東部典型城市群AOD時(shí)空演變及預(yù)測(cè)

唐燕,許睿,孟繁玥

(天津理工大學(xué)管理學(xué)院,天津 300384)

0 引言

大氣氣溶膠是大氣中懸浮的液態(tài)或固態(tài)微粒的總稱[1],其濃度的增加使大氣能見(jiàn)度下降,破壞地球輻射平衡,影響著人類在空中與地面的交通通行,還會(huì)對(duì)人體健康造成威脅。作為表征氣溶膠氣候效應(yīng)的重要參數(shù)之一,氣溶膠光學(xué)厚度(AOD)已逐漸成為研究熱點(diǎn)。探究中國(guó)典型城市群AOD時(shí)空演變規(guī)律與精準(zhǔn)預(yù)測(cè)模型,能在一定程度上反應(yīng)大氣污染狀況與生態(tài)環(huán)境效應(yīng),為大氣污染物的估算提供參考,對(duì)相關(guān)部門深化大氣污染治理和生態(tài)環(huán)境保護(hù)工作具有重要意義。

AOD探測(cè)主要包括地面監(jiān)測(cè)與衛(wèi)星遙感兩種方式,地面監(jiān)測(cè)雖能得到近地面污染物濃度的變化特征,但其只能進(jìn)行有限的地面觀測(cè),并不能反映大范圍的時(shí)空變化特征,衛(wèi)星遙感剛好可彌補(bǔ)這種不足。其中MODIS數(shù)據(jù)光譜及空間分辨率較高,適用性強(qiáng),因此被廣泛使用于區(qū)域大氣污染、大范圍AOD時(shí)空變化研究等。王銀牌等[2]對(duì)全國(guó)的AOD分布進(jìn)行分析,得出胡煥庸線東南地區(qū)的AOD呈增加趨勢(shì),人類活動(dòng)對(duì)AOD的影響顯著。此外,相關(guān)學(xué)者運(yùn)用MODIS產(chǎn)品對(duì)京津冀、長(zhǎng)三角洲、珠三角洲等經(jīng)濟(jì)高度發(fā)達(dá)地區(qū)的AOD也進(jìn)行了研究,結(jié)果表明聚類分析的MODIS數(shù)據(jù)可避免AOD時(shí)序變化混雜,AVHRR反演的AOD與MODIS變化規(guī)律十分一致[3,4]。由此可知,MODIS AOD數(shù)據(jù)精度較好,研究城市區(qū)域AOD分布變化是必要和可行的。

在AOD預(yù)測(cè)研究方面,Arif等[5]利用BP神經(jīng)網(wǎng)絡(luò),調(diào)整了中分辨率成像光譜儀業(yè)務(wù)反演算法中的AOD偏差與系統(tǒng)誤差。Nabavi等[6]利用機(jī)器學(xué)習(xí)算法,預(yù)測(cè)地表測(cè)量稀疏區(qū)的AOD變化并驗(yàn)證了其方法的有效性。Das等[7]利用神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)AOD來(lái)描述和量化氣溶膠對(duì)氣候的影響,研究了一種基于主動(dòng)學(xué)習(xí)的數(shù)據(jù)采集方法。由上可得,對(duì)于AOD的預(yù)測(cè)不僅可以估量氣候變化、修正偏差、剔除異常值,也能夠深入分析以數(shù)據(jù)為驅(qū)動(dòng)的機(jī)器學(xué)習(xí)方法。在機(jī)器學(xué)習(xí)方面,Falamarzi等[8]根據(jù)溫度數(shù)據(jù)模擬蒸散量,將ANN和WNN神經(jīng)網(wǎng)絡(luò)模型對(duì)比分析,得出分解時(shí)間序列和利用小波作為激活函數(shù)效果最優(yōu)。Samadianfard等[9]將混合WNN神經(jīng)網(wǎng)絡(luò)模型用于土壤溫度預(yù)測(cè)方面,WNN神經(jīng)網(wǎng)絡(luò)的表現(xiàn)優(yōu)于人工神經(jīng)網(wǎng)絡(luò)和GEP。小波變換作為一種數(shù)據(jù)預(yù)處理技術(shù),由于其在時(shí)間和頻率上分析信號(hào)的能力,克服了傳統(tǒng)傅立葉變換的基本缺點(diǎn)[10]。這些研究表明WNN模型具備收斂速度快、對(duì)時(shí)間序列適應(yīng)性極佳的特點(diǎn)。

盡管已有研究從不同的數(shù)據(jù)產(chǎn)品、影響因子、特征分布等方面分析了AOD的時(shí)空演變,不同地區(qū)間的AOD分布特征以及AOD預(yù)測(cè)模型的研究仍相對(duì)較少。鑒于此,本文開(kāi)展了以下三方面的研究:1)對(duì)比分析胡煥庸線東南地區(qū)人類活動(dòng)密集的三大典型城市群的AOD時(shí)空分布特征;2)構(gòu)建小波變換與BP神經(jīng)網(wǎng)絡(luò)結(jié)合的AOD預(yù)測(cè)模型;3)將預(yù)測(cè)結(jié)果與實(shí)際數(shù)據(jù)進(jìn)行對(duì)比,驗(yàn)證預(yù)測(cè)精度與穩(wěn)定程度。

1 資料與方法

1.1 研究區(qū)域及數(shù)據(jù)來(lái)源

采用Collection 6.1 MODIS/Terra收集的MOD04-3K產(chǎn)品進(jìn)行AOD反演。目前已有很多學(xué)者采用MOD04-3K數(shù)據(jù)進(jìn)行AOD時(shí)空分布分析,并驗(yàn)證了該產(chǎn)品在大氣污染研究領(lǐng)域具備實(shí)質(zhì)性作用[11-13]。同時(shí)還可基于這種城市地區(qū)暗目標(biāo)與深藍(lán)反演算法,提高影像精度,其官網(wǎng)為https://ladsweb.modaps.eosdis.nasa.gov/。該傳感器空間分辨率為3 km,時(shí)間分辨率為1天。

研究區(qū)域的經(jīng)緯度分別為京津冀地區(qū) (35.7°N–42.8°N、113.2°E–120°E)、長(zhǎng)三角地區(qū) (25°N–37°N、113.5°E–124.5°E)、珠三角地區(qū) (21.2°N–24°N、111.5°E–115.5°E)。運(yùn)用 ENVI的 MCTK 工具箱對(duì)研究區(qū)域2010–2019年MODIS產(chǎn)品,進(jìn)行經(jīng)緯度批量幾何校正。處理好的影像進(jìn)行拼接、掩膜提取研究區(qū)域,生成季節(jié)平均、年均AOD數(shù)據(jù)層。選擇2016–2019年6–8月三個(gè)城市群夏季AOD日值總共1104筆數(shù)據(jù),以2016–2018年AOD數(shù)據(jù)為訓(xùn)練集,19年AOD數(shù)據(jù)為測(cè)試集進(jìn)行預(yù)測(cè)實(shí)驗(yàn)。各城市群缺失數(shù)據(jù)分別為4天、28天、30天。由于各城市群2016–2019年AOD數(shù)值趨于平穩(wěn),且缺失數(shù)據(jù)量不足總體的6%,因此,利用缺失數(shù)據(jù)相鄰多個(gè)時(shí)空維度歷史均值進(jìn)行數(shù)值修復(fù)。

1.2 AOD預(yù)測(cè)模型構(gòu)建

1.2.1 小波理論

小波分析在傅里葉變換基礎(chǔ)上增添了時(shí)域的分辨能力,構(gòu)成多分辨率的分析理論。通過(guò)改變伸縮因子與平移因子得到信號(hào)近似細(xì)節(jié)部分,在不同分辨率下顯示信號(hào)的特征,實(shí)現(xiàn)對(duì)信號(hào)不同時(shí)間和空間的局部特征分析[14]?；诟盗⑷~變換的小波分析的計(jì)算公式為

式中:a、τ分別為伸縮因子與平移因子,ψ[(t-π)/a]為小波函數(shù),W(t)為待分析信號(hào),把基本的Morlet小波函數(shù)ψ(t)平移τ后,再通過(guò)不同尺度的a與待分析的信號(hào)W(t)做內(nèi)積進(jìn)行小波變換。WNN網(wǎng)絡(luò)以BP神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)為基礎(chǔ),以小波基函數(shù)為激活函數(shù),信號(hào)向前傳播的同時(shí)誤差反向傳播。如圖1所示,X1,X2,···,XN為網(wǎng)絡(luò)輸入?yún)?shù)即AOD訓(xùn)練數(shù)集,ωij為隱含層,Yk為神經(jīng)網(wǎng)絡(luò)輸出參數(shù)即AOD預(yù)測(cè)值。

圖1 WNN神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)Fig.1 Topological structure of wavelet neural network

為提高模型的收斂速度與精度,將收集的數(shù)據(jù)進(jìn)行歸一化得到標(biāo)準(zhǔn)化數(shù)據(jù),使數(shù)據(jù)映射在(0,1)區(qū)間。將AOD訓(xùn)練數(shù)據(jù)X1,X2,···,XN歸一化輸入網(wǎng)絡(luò),得到隱含層輸出。其歸一化、隱含層輸出、網(wǎng)絡(luò)輸出公式分別為

式中:X′為標(biāo)準(zhǔn)化數(shù)據(jù),X為輸入數(shù)據(jù),Xmax、Xmin分別為輸入數(shù)據(jù)的極值,μ(j)為隱含層第j個(gè)節(jié)點(diǎn)輸出值,f(x)為小波基函數(shù),ωij為權(quán)值,βj為平移因子,αj為伸縮因子,ωio為隱含層到輸出層的權(quán)值,μ(i)為第i個(gè)隱含層節(jié)點(diǎn)的輸出值,k為輸出層的節(jié)點(diǎn)數(shù)即預(yù)測(cè)數(shù)集。

1.2.2 AOD預(yù)測(cè)模型

AOD的擬合預(yù)測(cè)是對(duì)時(shí)間序列不斷逼近的過(guò)程,將處理好的數(shù)據(jù)輸入到神經(jīng)網(wǎng)絡(luò)中,對(duì)AOD數(shù)據(jù)進(jìn)行實(shí)驗(yàn)預(yù)測(cè),Wavelet-BP預(yù)測(cè)模型的流程如圖2所示。

圖2 AOD預(yù)測(cè)模型流程圖Fig.2 Flow chart of AOD prediction model

具體步驟如下：

1)樣本分類。將AOD分為測(cè)試樣本和訓(xùn)練樣本,訓(xùn)練樣本歸一標(biāo)準(zhǔn)化輸入到初始網(wǎng)絡(luò)。

2)預(yù)測(cè)輸出。訓(xùn)練樣本經(jīng)過(guò)小波基函數(shù)、小波基函數(shù)的偏導(dǎo)函數(shù)得到AOD期望輸出誤差e。

3)判斷滿足指標(biāo)。若誤差e滿足預(yù)測(cè)條件則進(jìn)行解碼,否則反向傳播到預(yù)測(cè)網(wǎng)絡(luò)模型,不斷修正,將網(wǎng)絡(luò)的初始化參數(shù)進(jìn)行調(diào)試。

4)將解碼的訓(xùn)練樣本歸一化后,輸入到經(jīng)測(cè)試樣本調(diào)試的精確網(wǎng)絡(luò),獲得的預(yù)測(cè)數(shù)據(jù)經(jīng)過(guò)反歸一化映射得到最終預(yù)測(cè)結(jié)果。

1.2.3 模型參數(shù)與評(píng)價(jià)指標(biāo)

采用小波變換與BP神經(jīng)網(wǎng)絡(luò)相結(jié)合的AOD預(yù)測(cè)模型在Matlabr2014b系統(tǒng)環(huán)境下運(yùn)行,經(jīng)過(guò)反復(fù)的實(shí)驗(yàn)測(cè)試,其網(wǎng)絡(luò)參數(shù)選取隱含層節(jié)點(diǎn)數(shù)為6、權(quán)重值0.01、學(xué)習(xí)概率0.001、迭代次數(shù)400。為評(píng)價(jià)模型的預(yù)測(cè)效果,常用評(píng)價(jià)指標(biāo)均方根誤差ERMS、平均絕對(duì)誤差EMA、確定系數(shù)R2對(duì)AOD預(yù)測(cè)模型進(jìn)行評(píng)價(jià)。各指標(biāo)計(jì)算公式分別為

式中:yi為真實(shí)值,?yi為預(yù)測(cè)值,m為總樣本數(shù)。

2 結(jié)果與分析

2.1 城市群的AOD分布特征

2.1.1 AOD時(shí)序分布特征

2010–2019年各城市群的AOD月際變化如圖3所示,圖中傾斜直線為城市群AOD線性回歸擬合趨勢(shì)線。各城市群的AOD值由高到低排序大致為:京津冀、長(zhǎng)三角、珠三角,京津冀與長(zhǎng)三角AOD減弱程度相近,珠三角AOD值最小,在地理分布上,體現(xiàn)了由北至南逐漸降低的階梯式格局。從AOD年度高值分布看,京津冀和長(zhǎng)三角的最大值出現(xiàn)在6月或7月的次數(shù)占樣本年數(shù)的80%,珠三角最大值出現(xiàn)在3月或4月、6月或7月的占比分別為40%和50%。京津冀和長(zhǎng)三角地區(qū)的AOD高值普遍出現(xiàn)在夏季,珠三角出現(xiàn)在春季或夏季,且AOD值由北至南減小,說(shuō)明地理和季節(jié)因素是造成AOD值增高的重要因素。一方面,夏季高溫高濕環(huán)境下,氣溶膠空間垂直和水平的輸送速度變快,AOD高值范圍擴(kuò)大;另一方面,春夏季降水量由北至南逐漸增多,南風(fēng)盛行,利于顆粒物清除,也可以抑制AOD增長(zhǎng);此外,春夏季由工農(nóng)業(yè)生產(chǎn)和人類頻繁活動(dòng)產(chǎn)生的廢氣、廢水和廢棄物等也會(huì)使AOD增高[15]。

圖3 典型城市群2010–2019年AOD時(shí)間序列Fig.3 AOD time series of the three urban agglomerations from 2010 to 2019

2.1.2 年均AOD對(duì)比

2010–2019年各城市群AOD年均分布如圖4所示。各地區(qū)的AOD分布差異分析:

圖4 2010–2019年典型城市群AOD分布。(a)京津冀城市群;(b)長(zhǎng)三角城市群;(c)珠三角城市群Fig.4 AOD distribution of the three typical urban agglomerations from 2010 to 2019.(a)Beijing-Tianjin-Hebei city group,(b)Yangtze River Delta city group,(c)Pearl River Delta city group

1)跨區(qū)間AOD分布特征。京津冀位于華北地區(qū),處于溫帶季風(fēng)氣候,其AOD年均值分布如圖4(a)所示,呈現(xiàn)“南高北低”的趨勢(shì)。長(zhǎng)三角城市群依傍黃海、東海,主要為亞熱帶季風(fēng)氣候,河網(wǎng)密度是中國(guó)最高的地區(qū),其AOD年均值分布如圖4(b)所示,與京津冀地區(qū)AOD分布相反,呈現(xiàn)出“北高南低”的趨勢(shì)。珠三角地區(qū)的AOD分布如圖4(c)所示,其AOD高值主要分布在中部地區(qū)。處于亞熱帶季風(fēng)氣候的珠三角地區(qū),其氣候更適宜植被生長(zhǎng),豐富的植被覆蓋將AOD控制在一個(gè)穩(wěn)定的較低水平。天津、佛山及河北省南部城市工業(yè)發(fā)達(dá)、人口密度大,致使AOD偏高,空氣污染嚴(yán)重。上海及江蘇省一帶的AOD高值城市除了具備上述特點(diǎn)外,還受到沙塵遠(yuǎn)距離輸送以及黃海、東海、渤海的海鹽氣溶膠的影響[16,17]。中山、江門雖工業(yè)產(chǎn)值不高,但這些地區(qū)受近海的海鹽氣溶膠影響,河流污染經(jīng)一系列變化產(chǎn)生的硫化氫、氨氣等飄散到空氣中,帶來(lái)更多水汽污染[18],氣溶膠組成復(fù)雜化,進(jìn)而AOD偏高。

2)城市群內(nèi)部AOD差異。京津冀地區(qū)在北京、保定、石家莊地區(qū)AOD污染呈現(xiàn)出明顯分界線。以市級(jí)行政區(qū)劃分來(lái)看,高濃度地區(qū)出現(xiàn)在天津、河北省的廊坊、滄州、保定、衡水、邢臺(tái)、邯鄲。其中邯鄲AOD最高,張家口和承德的AOD最低。從省級(jí)行政區(qū)劃分來(lái)看,長(zhǎng)三角地區(qū)AOD值由大到小排序?yàn)?江蘇省、安徽省、上海市、浙江省,AOD分布呈階梯狀向南擴(kuò)散,高值出現(xiàn)在鎮(zhèn)江、嘉興地區(qū),低值出現(xiàn)在杭州、宣城、臺(tái)州。珠三角AOD高值在中部、中西部地區(qū)的佛山、江門、中山一帶及惠州局部地區(qū),呈現(xiàn)小范圍集中的趨勢(shì)。這些城市毗鄰南海,且內(nèi)陸地區(qū)有山脈阻隔的地理特征,是珠三角工業(yè)發(fā)展、人口密度十分集中、產(chǎn)業(yè)豐富的地區(qū)[19]。

2.1.3 季節(jié)AOD對(duì)比

三個(gè)地區(qū)的AOD季節(jié)空間分布如圖5所示,各城市群AOD季節(jié)變化的空間特征與年均分布相似。京津冀地區(qū)前三季度AOD高值主要分布在天津,以及河北省南部的衡水、保定、石家莊、邢臺(tái)、邯鄲。AOD分布呈春季到夏季快速蔓延、到秋季小幅減弱趨勢(shì),最終在冬季達(dá)到較低的水平。長(zhǎng)三角春季南北地區(qū)AOD分布差異顯著,分界區(qū)途徑太湖、蕪湖、銅陵、安慶一帶;夏季出現(xiàn)重心“南移”的趨勢(shì),以鹽城、嘉興為中心存在兩個(gè)AOD高值區(qū)域;在秋季,AOD高值主要分布在上海、江蘇、安徽部分地區(qū),浙江地區(qū)AOD顯著降低;冬季總體AOD又降到全年最低水平。珠三角四季AOD高值均出現(xiàn)在珠三角中部的佛山、中山等。在秋季AOD高值向西偏移,惠州的局部地區(qū)也存在AOD高值,全年AOD變化在三個(gè)城市群中最為平穩(wěn)。

圖5 2010–2019年典型城市群AOD季節(jié)空間分布。(a)京津冀城市群;(b)長(zhǎng)三角城市群;(c)珠三角城市群Fig.5 AOD seasonal spatial distribution of the three typical urban agglomerations from 2010 to 2019.(a)Beijing-Tianjin-Hebei city group,(b)Yangtze River Delta city group,(c)Pearl River Delta city group

2.1.4 AOD影響因素分析

為探究各地區(qū)AOD的影響因素,挑選了生產(chǎn)總值指數(shù)、人口密度、植被覆蓋指數(shù)(NDVI)、溫度、降水量、風(fēng)速六個(gè)指標(biāo),其中兩個(gè)人文要素,四個(gè)自然要素。利用SPSS軟件,對(duì)2010–2019年各地區(qū)AOD與影響因子進(jìn)行Pearson相關(guān)性分析,各因素對(duì)AOD的影響程度如圖6所示。生產(chǎn)總值指數(shù)、人口密度和溫度等因素可顯著促進(jìn)AOD增強(qiáng),而NDVI、降水量和風(fēng)速等對(duì)AOD有抑制作用。對(duì)于京津冀地區(qū)而言,AOD削弱最明顯的因素為NDVI,相關(guān)系數(shù)為-0.82。長(zhǎng)三角地區(qū)除生產(chǎn)總值指數(shù)與人口密度外,溫度對(duì)AOD貢獻(xiàn)占較大比例,相關(guān)系數(shù)為0.77。相對(duì)于其它兩個(gè)地區(qū),珠三角風(fēng)速對(duì)AOD削弱也起顯著作用。

圖6 典型城市群AOD與影響因子的相關(guān)性分析Fig.6 Correlation analysis of AOD and influencing factors in the three typical urban agglomerations

2.2 實(shí)驗(yàn)擬合預(yù)測(cè)

2.2.1 實(shí)驗(yàn)數(shù)據(jù)

考慮到遙感反演AOD的效果受有無(wú)云層影響,且各城市群夏季的AOD數(shù)據(jù)相對(duì)全面,此外,受氣象條件及人為活動(dòng)等因素影響,實(shí)驗(yàn)期限的延長(zhǎng)會(huì)導(dǎo)致預(yù)測(cè)網(wǎng)絡(luò)的精度下降和收斂速度降低,因此,選取近四年夏季AOD日值的短期預(yù)測(cè)模式,這樣結(jié)果會(huì)更加貼近預(yù)測(cè)年份的實(shí)際情況。如圖7所示,以2016–2019年的6–8月份夏季AOD日值進(jìn)行實(shí)驗(yàn)預(yù)測(cè),抽取2016–2018年夏季AOD日值276筆共3組作為訓(xùn)練樣本,2019年夏季AOD日值為測(cè)試樣本,以前3年夏季AOD數(shù)據(jù)預(yù)測(cè)后1年夏季AOD數(shù)據(jù)。經(jīng)實(shí)驗(yàn)發(fā)現(xiàn),增加隱含層節(jié)點(diǎn)數(shù)、迭代次數(shù),都對(duì)最終預(yù)測(cè)結(jié)果有一定程度的影響,同時(shí)增加上述兩種網(wǎng)絡(luò)參數(shù)會(huì)使得程序運(yùn)行時(shí)間呈幾何增長(zhǎng),經(jīng)大量試驗(yàn)測(cè)試最終得到前文1.2.3節(jié)的網(wǎng)絡(luò)參數(shù)。

圖7 各地區(qū)2016–2019年夏季AOD數(shù)據(jù)集。(a)京津冀地區(qū);(b)長(zhǎng)三角地區(qū);(c)珠三角地區(qū)Fig.7 AOD data sets of the three regions in summer from 2016 to 2019.(a)Beijing-Tianjin-Hebei region,(b)Yangtze River Delta region,(c)Pearl River Delta region

2.2.2 預(yù)測(cè)結(jié)果

各地區(qū)的AOD預(yù)測(cè)結(jié)果如圖8所示。京津冀地區(qū)8月的AOD變化波動(dòng)仍十分明顯,差值達(dá)到了±1.83,高峰期出現(xiàn)在夏季的第七十天。長(zhǎng)三角、珠三角地區(qū)的AOD波動(dòng)差值均在1以內(nèi),說(shuō)明不同地區(qū)由于氣候差異與綠色植被的生長(zhǎng)時(shí)期等影響空氣污染。根據(jù)預(yù)測(cè)值與觀測(cè)值的描述性統(tǒng)計(jì)結(jié)果,可發(fā)現(xiàn)使用小波變換與BP神經(jīng)網(wǎng)絡(luò)相結(jié)合的方法預(yù)測(cè)不同地區(qū)的AOD,預(yù)測(cè)精度高,穩(wěn)定性表現(xiàn)良好。以數(shù)據(jù)為驅(qū)動(dòng),結(jié)合小波變換下神經(jīng)網(wǎng)絡(luò)的非線性特性,經(jīng)反復(fù)訓(xùn)練,可以不斷提高預(yù)測(cè)模型的逼近能力,具體結(jié)果如表1所示。

表1 描述性統(tǒng)計(jì)結(jié)果Table 1 Descriptive statistics

由ERMS、EMA、R2評(píng)價(jià)指標(biāo)對(duì)三個(gè)城市群的AOD預(yù)測(cè)值與實(shí)際值做誤差分析以及擬合程度分析,結(jié)果如表2所示。京津冀、長(zhǎng)三角、珠三角WNN預(yù)測(cè)結(jié)果的R2均高于75%,WNN的ERMS均低于BP,說(shuō)明WNN模型在不同地區(qū)進(jìn)行AOD短期擬合預(yù)測(cè)效果較好,該模型可用于AOD非線性時(shí)間序列預(yù)測(cè)。

表2 AOD預(yù)測(cè)模型評(píng)價(jià)分析Table 2 Evaluation and analysis of AOD prediction model

3 結(jié)論

1)從各城市群AOD時(shí)間序列的趨勢(shì)可知,三個(gè)城市群的AOD均呈逐年下降的趨勢(shì)。京津冀地區(qū)的AOD呈反復(fù)性和周期性波動(dòng),峰值為1.11,出現(xiàn)在2011年7月;長(zhǎng)三角城市群的AOD峰值為1.42,出現(xiàn)在2012年6月,AOD四季變化較為平穩(wěn);位于南部的珠三角地區(qū)其AOD相對(duì)較低,其峰值為1.12,出現(xiàn)在2016年7月,通過(guò)分析近十年的時(shí)序變化可得知AOD出現(xiàn)高值均在夏季。

2)根據(jù)行政區(qū)內(nèi)部的AOD差異可得知,京津冀地區(qū)的AOD高污染分布在天津,以及河北省石家莊、廊坊、滄州、衡水、保定等地,具有“南高北低”的特征;長(zhǎng)三角城市群的AOD高濃度集中在以鎮(zhèn)江為中心的“人字形”區(qū)域,該地區(qū)的AOD不僅受沙塵的遠(yuǎn)距離輸送,海洋海鹽氣溶膠也構(gòu)成了成分豐富的氣溶膠,聚集在長(zhǎng)三角以北的區(qū)域;珠三角城市群AOD高污染集中在廣州、佛山、江門等地區(qū),且AOD四季變化最為平穩(wěn)。

3)利用WNN模型對(duì)各地區(qū)AOD進(jìn)行預(yù)測(cè),R2均高于0.75,說(shuō)明該模型可以起到較好的擬合效果。精度較高,收斂速度較快,說(shuō)明在非線性的時(shí)間序列問(wèn)題上,該預(yù)測(cè)模型有一定的可行性。此外,該模型無(wú)需輸入氣象條件因素等數(shù)據(jù),依賴變量少,可通過(guò)訓(xùn)練樣本不斷優(yōu)化預(yù)測(cè)網(wǎng)絡(luò)。其預(yù)測(cè)效果可通過(guò)增添相關(guān)氣象因素等變量數(shù)據(jù),進(jìn)一步提高模型的性能和精確度。預(yù)測(cè)模型在某些方面也存在欠缺,在數(shù)據(jù)訓(xùn)練測(cè)試階段,需要針對(duì)不同的非線性數(shù)據(jù)設(shè)定相匹配的網(wǎng)絡(luò)初始化參數(shù),并且無(wú)法選取自適應(yīng)的小波基函數(shù)等,有待進(jìn)一步研究與改進(jìn)。