【《S市PM2.5浓度时空精细预报方法研究》18000字】

S市PM2.5浓度时空精细预报方法研究摘要近年来，随着我国工业化进程的加快和城市的快速发展，空气污染程度加剧，以PM2.5为主要成分的大气污染物对社会的发展和人类身体健康以及生态环境带来了不利影响。熟识城市PM2.5的时空分布特征以及演变规律，建立空气质量预报模型对于智慧城市的建设和公众的出行具有重要的意义。现有的空气质量预报方法不计其数，而基于深度学习的方法是现在预测空气质量的主流方法，在这一领域有许多创新的方法，具有前瞻性。通过研究深度学习的预测方法，以期望找寻一种合适的方法提高空气质量预报的准确性。本文以长沙市为研究区域，将研究内容分为时序预报和空间估算研究两个主体，开展PM2.5浓度时空预报算法研究。在时序预报研究上，实现了小时级别的站点PM2.5浓度精细预报，并且尝试采用构建CNN-LSTM模型进行预报的方法改进LSTM预报方法，对冬季1月份的PM2.5浓度进行研究，拟合精度达到0.83以上，均方根误差不超过5ug/m3,精度较高；使用LSTM模型对短期未来24小时的PM2.5浓度进行准确预报，87%的监测站点预报结果R2在0.7以上，62%的监测站点预报结果RSME不超过10ug/m3,模型性能较优。在空间估算研究上，采用随机森林算法实现PM2.5浓度空间分布模拟，模型拟合精度为0.83，交叉验证拟合精度达到0.63，均方根误差均不超过5ug/m3，具有较高的精度。关键词：空气污染预测深度学习细颗粒物机器学习目录目录TOC\o"1-4"\f\h\z\u第1章绪论 11.1 选题背景与研究意义 11.2 国内外研究现状 11.2.1 空气质量时序预报研究现状 21.2.2 空气质量空间分布估算研究现状 31.3 研究目标与内容 31.3.1研究目标 31.3.2研究内容 31.4 技术路线与论文组织架构 4第2章研究区概与数据处理 62.1 研究区概况 62.2 研究数据获取 72.3数据预处理 7第3章PM2.5浓度站点时序深度学习预报 93.1 LSTM时序预报建模 93.1.1 LSTM原理 103.1.2 预报模型构建 123.2 CNN-LSTM预报建模 153.2.1 CNN-LSTM原理 153.2.2 预报模型构建 153.3 结果分析与讨论 173.3.1逐小时预报 173.3.2预报时长拓展研究 223.3.3站点全天时预报成果 23第4章PM2.5浓度时空精细预报方法研究 264.1 空间分布估算制图 26随机森林原理 26随机森林建模制图 274.2 时空耦合精细预报制图 30第5章结论与展望 325.1 结论 325.2 展望 32参考文献 35第2页，共37页第1章绪论选题背景与研究意义研究表明，长期暴露在空气污染中会增加死亡的风险。每立方米10微克浓度的PM2.5和每立方米10ppb浓度的臭氧的增加与全因死亡率增加7.3%(95%置信区间[CI]，7.1至7.5)和1.1%(95%置信区间，1.0至1.2)具有相关性[1]。特别地，有学者通过对流感病毒的研究，首次在国家层面检验空气污染和传染性疾病之间关系的研究，表明，在2013年9月至2014年12月期间，中国大约每10例流感事件中就有1例可能是由于暴露于环境PM2.5所致[2]。PM2.5作为大气气溶胶的一种典型代表，对入射太阳辐射的吸收和散射作用所造成的辐射强迫直接影响全球气候，同时，有的气溶胶颗粒会形成云的凝结核，对云反照率及可降雨量造成影响，间接影响全球气候[3-5]。影响空气质量因素比较复杂，污染物浓度的高低与气象信息呈现相关性，大气对污染物浓度具有扩散稀释作用，比如湿度、风向、风速等将影响污染物浓度的扩散速度,而地形的变化会对气候形成一定的影响，因此，地形也对污染物浓度的扩散速率也具有一定的影响作用；除此之外，污染物浓度也会受到排放物浓度的影响，排放物是指与工业烟尘、汽车尾气和地表灰尘有关的因素，如土地利用、道路等[6]。步入十四五新时代，应新型智慧城市建设要始终着眼于更好地把握解决人民群众尤其基层百姓最关心的日常出行和健康问题和和城市建设可持续发展的要求，在政府民众强烈要求污染防治刻不容缓的形势下，PM2.5（细颗粒物浓度）作为大气污染物的主要成分，因此，本课题拟基于气象数据和历史污染物浓度数据以及其他数据，即耦合多源地理要素基于深度学习的方法精准评估PM2.5，这对于建设空气质量预警系统，采取有效措施防治空气污染和城市科学规划和推动产业结构升级奠定了基础，提供了一定的科学依据。国内外研究现状现代空气污染预报方法的基本思想是通过分析历史空气污染物数据和气象数据等信息，了解空气污染物浓度时空分布规律，建立模型，通过预测时段的气象信息和其他信息通过模型预测空气质量。现有的空气质量预报方法其实不计其数，学者从多种角度切入寻求高精度的空气污染预测模型，而追溯其根源，实际上，空气污染预测模型的研究从大体上可以分为三个个主体方向：第一，是从污染物浓度扩散的角度出发（物理）；第二，是从污染物浓度增加的角度出发（物理）；第三，是从多元因素影响污染物浓度产生复杂的物理与化学变化。最早是欧洲一些发达国家最早研究空气污染预测，提出了大气运动对污染影响的潜势预测[7]；随后在监测技术的发展和污染物历史数据积累的基础上部分学者提出基于历史污染物的统计预报模型[8]和基于对大气环境进行高度模拟的气象模型进行数值预测方法的研究[9]；随着大数据时代的来临和人工智能的发展，在人工神经网络研究发展的基础上，机器学习特别是深度学习的方法进行空气污染预测的方法成为了现代研究空气质量预报的趋势，在精度上有了很大提升。空气质量时序预报研究现状统计预报的方式进行时序预报研究，其基本思想是通过对历史污染物浓度数据与气象条件等进行相关分析，进行预报建模，如多元线性回归（MLR）模型[10]和自回归积分滑动平均模型ARIMA[11]。由于其对数据以及硬件的精度要求不高，更适合应用在城市级这类区域范围不是很大的空气质量预报研究中。虽然应用比较灵活，但短板也尤其明显，忽略影响空气污染的复杂因素会导致其性能不是很高，受限数据缺失的不确定性，预测精度还有很大的提升空间。 基于数值预测的空气质量模型是以大气动力学为基础，通过对大气中物理与化学性质的分析，建立大气污染物在空气中输送扩散的数值模型［12］。常用的模型有CMAQ（CommunityMulti-scaleAirQuality）、SMOKE（SparseMatrixOperatorKernelEmission）、WRF（TheWeatherResearchandForecasting）和MM5（MesoscaleModel5）模型等[13-15]。但是数值预测模型对数据要求比较高，存在运行效率不高的问题。近些年来随着机器学习与深度学习算法的不断发掘，拓宽了空气质量预测的研究方向，不少学者通过机器学习或深度学习方法，在空气质量时序预报研究上取得了不错的进展，机器学习方法比如XGBoost[16]模型、MFO-SVM[17]模型、STELM[18]模型等模型,深度学习比如CNN模型[19]、LSTM[20]模型等，在此基础上，一些学者通过分析模型的性能及其特征，采用多种方法结合的形式进行预报建模，大幅提高了精度，比如CNN-LSTM预报模型[21]。空气质量空间分布估算研究现状在早期开展PM2.5浓度监测的工作中，大部分学者采用空间插值比如克里金插值、反距离权重插值等来解释PM2.5浓度的空间分布规律，但是预测精度不高，对于监测站点的要求较高，需要监测站点分布均匀且密集。随着时间的发展，简单的空间插值方式越来越不能满足学者对于研究的要求，依靠地理学定理的发展出来一些模型，通过分析PM2.5浓度与所处环境的地理要素特征之间的联系进行建模，比如地理加权回归（GeographicWeightedRegression，GWR）[22]模型，一种多元回归线性回归模型。但是，影响PM2.5浓度的因素复杂，各种因素之间也会进行复杂作用，单单用线性回归的方法不能解释这些因素与PM2.5浓度之间的联系。为了更好的挖掘各类特征因素与PM2.5浓度之间的联系，一些学者尝试利用机器学习或是深度学习的方法建立模型进行污染物浓度空间分布模拟研究，比如，Zhou等构建了PM2.5浓度遥感估算GAM模型[23]。研究目标与内容1.3.1研究目标基于国内城市特别是中心大城市空气污染尤为显著的情形，为有效防治空气污染，针对城市地区的关键空气污染物浓度时空分布差异性特征进行研究，深度考察污染物浓度历史数据的时间变化特征，并根据气象因素、地形因素、交通等多角度因素耦合作用为铺垫，以期构建一个PM2.5浓度时空分布精细预测模型。循环神经网络擅于处理具有时间关联性的预测研究，而随机森林对于处理具有多维特征的数据方面具有优势，因此，本文拟采用（LSTM）长短期记忆神经网络和（RF）随机森林网络联合预报的方法，得到未来一天逐小时的PM2.5浓度空间预报制图。使相关环境管理部门能够掌握污染物的来源，及时针对特定区域采取相关防治措施，为制定科学合理的策略进行管理提供了依据。1.3.2研究内容本文的研究内容主要大致分为两个方向的研究。实现PM2.5浓度由单一到多个站点，由多个站点到面的预测。（1）PM2.5浓度站点时序预报方法研究采取深度学习或机器学习的方法研究污染物浓度历史数据，利用气象数据，预测PM2.5浓度。从单一站点的预测出发，通过建模剔除变量法，对预测结果进行对比，筛选出对PM2.5浓度最具影响力的变量；同时，对于各类时长的预测的精度进行评定，选取较高精度的时序预报模型，确定预报时间范围；比较不同的预测方法比如长短期记忆网络（LSTM）、卷积神经网络耦合长短期记忆网络（CNN-LSTM）回归预测方法、极限学习机（ELM）回归预测方法预测PM2.5浓度，进行精度评价和分析，最终确定站点PM2.5浓度预报方法。通过单一站点研究方法确立，对多个站点进行循环预报，为时空耦合精细预报模型建立奠定数据基础。（2）PM2.5浓度时空耦合精细预报采用随机森林方法研究PM2.5浓度空间分布特征，利用气象数据、高程、人口、土地利用等数据，利用（2）得到的站点PM2.5浓度未来24小时的预测数据进行空间制图建模，对气象数据、高程数据等变量进行筛选，确定建模变量，对站点数据进行训练，进行精度评定，确定建模方法。对研究区域进行划分，绘制网格，获取高分辨率的加密点，利用获取的预估模型对加密点的PM2.5的浓度进行预估，实现了小时级别的PM2.5浓度时空精细预报制图；对比PM2.5浓度（实际观测值）与PM2.5浓度（预测值）空间预报制图结果，进行成果的分析与评定。技术路线与论文组织架构通过系统学习的深度学习、机器学习、空间制图知识，熟悉工具如ArcGIS、MATLAB、SPSS、Excel，掌握python语言，采用这类工具和语言作为技术支撑，进行了两个方面的研究，包括PM2.5浓度站点时序预测和空间制图。本文主要根据此次设计所作的主要工作，包括文献资料的查询、数据的获取以及预处理、PM2.5浓度的站点时序预报、PM2.5浓度的空间制图、成果的精度分析与评价，针对这些工作内容，将整篇文章分为以下几个章节：第1章绪论部分，这部分内容主要根据在设计前期所作的相关文献查询和文献翻译以及研究目标内容确立等工作进行了阐述，包括选题背景与研究意义、国内外研究现状、研究目标与内容、论文技术路线与论文组织框架。这一部分内容工作从宏观上为后期的实验确立了研究的方向。第2章研究概况与数据处理，这一章节包括研究区概况、研究数据获取以及数据预处理。选定研究区域和研究数据，通过多种渠道获取数据，并对数据进行分类、预处理工作，为实验中期PM2.5浓度时序预报建模以及PM2.5浓度空间制图建模奠定了数据基础。第3章PM2.5浓度站点时序深度学习预报，这一章节主要为确定PM2.5浓度站点时序预报方法，进行模型的建立，同时在预测方法上具有一定创新型，不同于大多数研究拘泥于历史污染物浓度数据。首先阐述了使用长短期记忆（LSTM）方法进行逐小时预报建模的过程，接着拓展了一种卷积神经网络与长短期记忆联合（CNN-LSTM）逐小时预测的方法进行预报建模的过程。在此基础上，将极限学习机（ELM）方法与上述两种方法进行对比，判定精度，拟确定预测建模的方法。通过已确定的模型，进行预测时长的拓展，对各类时长的预测进行精度评价与分析。第4章PM2.5浓度时空精细预报方法研究，这一章节主要解决了现在大多数学者研究侧重于单一或稀疏站点污染物浓度预测的问题，包括三个方面的内容，一是污染物空间分布估算，通过随机森林方法进行建模，对加密点的PM2.5浓度进行预估，实现由地面稀疏监测站点的PM2.5浓度向地面连续分布面状的PM2.5浓度分布制图；二是根据第3章所获得的PM2.5浓度站点预报值进行同等随机森林建模方法，实现PM2.5浓度在时空维度上连续的精细预报制图。第5章结论与展望，根据本次设计的研究目的、研究内容、研究成果，进行整体研究思路、结果的总结，得出结论；并针对本文的研究思路中存在的一些不足之处，提出具有可实施性的一些措施，对未来可开展的创新性研究做出规划和展望。

第2章研究区概与数据处理研究区概况如下图所示，长沙市位于长江以南、湖南省东部偏北的位置。坐标跨越东经111°53′至114°15′，北纬27°51′～28°41′，呈东西走向的长条状，面积约为11819平方千米；从地形上看，长沙市主要由山地、丘陵、平原组成，地形分布北部、西部以及南部的边缘地区主要是山地，其余地区以丘陵和平原为主，地势较为缓和；长沙市属亚热带季风气候，四季分明；是国务院批复确定的中国长江中游地区重要的中心城市；常住总人口超过800万人，人口密集，是长江区域的重点城市；交通发达，是湖南省综合交通枢纽；该城市主要包括9个分区：宁乡市、芙蓉区、长沙县、雨花区、浏阳市、开福区、岳麓区、望城区和天心区，管辖六个区、一个县、两个市，其中芙蓉区、天心区、雨花区、岳麓区为长沙市中心城区，这四个区域的经济发展状况较为良好，城市建设用地占比高，而其余地区的土地类型以林地、耕地、居民地以及工厂等为主。通过对该城市的自然地理要素以及人文地理要素对污染物浓度影响程度的考察，进行污染物浓度预测算法的研究，对长江中下游城市空气污染防控预警系统的建设具有重要意义。图2-1湖南省长沙市研究数据获取本次设计所获取的数据，选取区域为湖南省长沙市，主要分为六种类型：浓度数据、气象数据、人口数据、高程数据、道路数据以及土地利用数据等。浓度数据，包括178个监测站点的污染物浓度数据，监测站点多，且在各个区均有分布，污染物主要由O3滑动8小时、PM2.5、PM10、SO2、CO、O3、NO2六类主要污染物浓度数据构成，数据由湖南省长沙生态环境中心提供，数据采样时间间隔1个小时，时间为每天24的逐小时数据，时间范围为2020年夏冬两季的数据。格式为表格格式，少量站点在某时段存在缺失，数据重复等问题。气象数据，包括长沙市2020年一整年采样时间间隔为大致一小时的湿度（SHU）、气压（PRS）、温度（TMP）、降水（PRE）、风力（WIN）数据，数据由湖南省气象局网站长沙市气象局()获取，格式为文本格式，为格网分布式的加密点数据，含有经纬度以及气象数据的值。部分数据采样间隔分布不均（少于1小时）和缺失的问题。人口数据，包括2019年的长沙市人口分布数据，数据的空间分辨率为100*100米，由网站统计年鉴分享平台()提供数据，格式为标签图像文件。道路数据，包括长沙市各类道路的道路等级以及长度数据，数据的格式为矢量文件；长沙市2017年的土地利用数据，为面状矢量文件格式；长沙市地形高程数据、湖南省地级市行政边界和区县行政边界矢量数据。均来自于网站地理国情监测云平台()。2.3数据预处理针对2.2节获取的研究数据，进行数据预处理工作。对各类数据的处理情况根据设计的具体实践（第3、4章）会有所不同。此次设计进行时序预报建模和空间分布估算建模的工作主要以工具MATLAB为主要工作空间，因此在处理数据最后尽量回归到MATLAB能处理的状态。（1）浓度数据的处理。查询监测站信息利用站点名作为索引进行站点信息的匹配工作和批处理工作解决监测站点浓度数据没有经纬度信息；部分时刻站点浓度数据存在异常值（负值）、以及重复和缺失现象，针对这种现象，采取负值取零，删去重复值的方法，以Excel、MATLAB作为技术支撑，将浓度数据保存为数据集格式。（2）气象数据的处理。利用MATLAB对各类气象数据文件进行分类并进行初步预处理使得ArcGIS能对数据进行展点等后续多项如显示XY事件等操作，对于数据缺失的部分采取相邻时段均值替换，而数据重复的部分采取均值；由于站点的位置和气象数据网格点经纬度信息不匹配，利用ArcGIS进行批量处理操作：对气象数据进行重采样和空间插值处理，利用空间分析提取赋值给监测站点，使得监测站点具有时间连续变化的气象数据信息。利用（1）获得的浓度数据根据站点号（上一步获得的）与此时获得的站点气象数据匹配进行数据的匹配，数据格式也保存为矢量形式。（3）人口数据、地形数据，利用ArcGIS，对人口数据和地形数据进行投影变化，空间分析将值提取至监测站点，最后将数据进行转化，通过MATLAB进行格式转化保存为数据集形式。以上三步获取得到的数据集，具有站点号、时间、污染物浓度、气象数据信息等基本信息，为PM2.5浓度站点时序预报的研究做数据准备工作。（4）道路数据预处理。进行投影。（5）土地利用数据预处理。进行投影。（6）其他数据预处理。利用湖南省地级市行政边界文件将长沙市边界矢量文件导出，利用获得的长沙市绘制网格加密点，同（2）（3）步骤使得网格加密点具有气象数据信息、人口、地形信息。由于涉及到建模思想，（4）、（5）、（6）数据的具体处理过程在第四章进行详细阐述。通过以上步骤对数据进行了梳理。大部分步骤采用Python、ArcGIS、MATLAB等语言与工具进行批处理工作，大幅度缩减了工作的时间，并且避免了人工处理的错误。

第3章PM2.5浓度站点时序深度学习预报传统的PM2.5浓度预测的一般思想原理是研究历史污染物浓度数据时序变化的特征规律，以过去时刻污染物浓度作为变量预测未来时刻的污染物浓度，这种思想过度依赖于海量的历史数据，并且存在计算量大，只能对于固定站点进行研究，容易受外在因素的影响等问题。然而PM2.5浓度不会止步于过去时段内的污染物浓度影响，笔者认为这只是在理想状态下的研究，实际污染物并不会在原地以匀速扩散。实际污染物的浓度受多方因素影响：扩散速度会受到空气中的湿度、风力、气压、降水等因素影响；大量污染物受风力、风速影响由其他站点传播至站点致使站点PM2.5浓度骤然上升等等。在预测时长上大多数学者选取日、月均值、季均值进行，只能在宏观上对PM2.5浓度变化的趋势具有了解，却不能实现精细预测。本文基于以上问题提出了一种以气象数据和污染物浓度数据为预测变量，进行小时级别的PM2.5浓度预测的建模方法，提高了PM2.5浓度预测的精度。图3-1PM2.5浓度站点时序预报LSTM时序预报建模LSTM原理由于结构的特征，循环神经网络（RecurrentNeuralNetwork，RNN）在处理具有前后时间关联性的序列数据具有优势，克服了传统前馈神经网络（FeedforwardNeuralNetwork）不具有记忆能力，难以通过分析历史数据获取前后时刻序列数据的联系。然而，循环神经网络存在一定缺陷：循环神经网络不能存储较长时间的信息，由于其采用链式求导法则，随着时间的往后推动，离节点越远的后续节点所受前节点的影响或是急剧增加或是逐渐消失，出现梯度爆炸或梯度消失的问题。长短期记忆网络（LongShortTermMemoryNetwork，LSTM）的出现完善了循环神经网络梯度爆炸或梯度消失的问题。作为一类特殊的循环神经网络，LSTM在处理序列数据方面具有显著优势，不仅能够充分考虑相邻时刻事件之间的联系，也能够处理时间跨度较长的序列数据，保留了RNN的优点，在此基础上进行了发展。适合日常生活中时间序列事件的预测研究。LSTM在RNN的基础上增加了记忆单元，具有两个传输状态：记忆单元状态(h)、隐藏状态(c)；主要分为四个部分组成：输入门、输出门、遗忘门、记忆单元，每一个单元的构成都具有其特定的功能。RNN、LSTM网络结构、LSTM网络内部结构分别如下图所示：图3-2RNN网络结构图图3-3LSTM网络结构图图3-4长短期记忆网络内部结构图在时间步t上，每个记忆单元节点具有四种门：输入门it、输出门ot、遗忘门ft、候选单元gt。LSTM的可学习权重包括输入权W、循环权RW=WiWfWgWo其中的下标i、f、g、o分别表示输入门、遗忘门、候选单元和输出门。具体分为以下几个步骤，其具体公式和步骤如下：（1）输入门：输入门（inputgate）控制输入保存到记忆细胞中的信息，对于t时刻的输入门iit=（2）遗忘门：遗忘门(forgetgate)决定记忆单元需要遗忘的信息，对于t时刻的遗忘门ftft=σg（3）候选单元：t时刻为记忆单元状态添加信息值gt gt=σ（4）输出门：输出门（outputgate）控制输出的信息，t时刻的输出值otot=σg其中σg为门激活函数、σc为状态激活函数，σg函数为使用σx=1+e−x−1根据以上公式对下一时刻的记忆单元状态值ct和隐藏状态值hct=ht=预报模型构建拟确定训练变量此次设计主要目的是预测PM2.5浓度，而PM2.5浓度易受多源因素影响发生显著变化，就本次获取的整体数据分析PM2.5浓度的影响因素：历史污染物浓度自身会随着时间的变化，呈现一定的周期性和规律；本次研究区域位于长江中下游地区，气候属亚热带季风气候，各个季节呈现不同气象特征，而气象因素也会影响污染物浓度的扩散速度和扩散方向；地势越高，风力大，污染物浓度扩散地快，而相对盆地这类地势低处的地形，气压稳定，湿度大，污染物不易扩散容易聚集；研究区域人口越密集，那么该区域交通、生活、生产所需必然伴随着能源地消耗和污染物的产生。因此，初步选定监测站点的六种污染物浓度PM2.5、PM10、SO2、O3、NO2、CO(包含O3滑动8小时和O3小时尺度的数据)，五种气象数据包括温度、湿度、风速、气压作为此次LSTM神经网络PM2.5浓度预测模型的预测变量，其中响应为PM2.5浓度。时间跨度为2020年1月1日0时至2020年2月1日0时（冬季），数据间隔为1小时(污染物浓度数据、气象数据，其余为恒定值)，每个站点数据共计745条，共167个站点。模型搭建数据准备由于PM2.5浓度容易受到气象因素的影响，并且气象变化更快的原因，此次设计将前一小时的污染物浓度数据和预测时的气象数据作为训练模型的预测变量，而将预测时的PM2.5浓度作为响应，据此，对数据进行相应处理：如下图所示，根据数据预处理得到的监测站数据集，将数据分为预测变量x和响应y，x包括整体数据（污染物浓度、气象数据等）。对x进行分类，将污染物浓度数据(人口和高程数据可选)挑选出来作为预测变量x1，而其余作为预测变量x2(人口和高程数据可选)。预测变量数据错开：将x1的第一个样本值与倒数到第二个样本值筛选出来，筛选x2的第二个样本直至最后一个样本，将两者进行串联得到新的预测变量X；响应y也做相应处理，筛选第二个样本直至最后一个样本以得到新的响应Y。图3-5模型搭建数据准备模型设计具体过程依据（1）所获取的数据集，共173个监测站点，每个监测站点含745条时序数据信息，共计128885条数据，对训练数据与测试数据进行分区，其中训练集由时间序列前90%的数据集构成，共计115996条数据，测试集由其余10%的数据集构成，共计12889条数据。根据（2）所做数据准备，准备预测变量与响应，神经网络的输入为前一时间步的污染物浓度PM2.5、PM10、SO2、O3、NO2、CO，预测时间步的气象数据（温度、湿度、风速、气压），输出为预测时间步的PM2.5浓度，时间步对应于1小时；为了获得更好的训练效果防止训练发散，所有训练集的所有数据进行归一化处理操作，测试集的预测变量采用训练集预测变量的归一化参数进行归一化处理。接下来，依据上述步骤，对监测站点进行网络构建与预报，具体建模过程如下：第一步：定义LSTM架构。指定LSTM含有200个隐藏层，特征数目为11，响应数目为1;依此通过相关函数决定序列输入层(sequenceInputLayer)、LSTM层、丢弃层(dropoutLayer)、完全连接层(FullyConnectedLayer)。其中丢弃层参数设置为0.5，有效防止过拟合的问题。通过上述工作进行初步定义网络层架构。第二步：指定训练选项，综合多种情形，Adam工作性能优秀，具有实现简单，计算高效、对内存需求少等优点,优化器设为Adam。设置训练次数为250，为防止梯度爆炸，将梯度阈值设置为1；初始学习率为0.005，在训练进程到一半时，学习率乘以0.2来降低学习率。在初次建模时，为了更好的观察训练的进行，在训练选项中通过添加‘Plotstraining-progress’选择显示进程；为了选择最优模型，将初始学习率，学习率降低因子等参数可以在实验中更改，直至模型的预测精度符合要求。第三步：利用训练数据集训练LSTM网络。第四步：利用测试集进行预测，由于训练与测试数据的时间步都为1小时，则可以直接利用测试集数据利用上一步获得的网络进行预测，重置网络状态，使用for循环对每一个时间步进行预测，并在每一次预测时进行网络状态更新，最终所有预测值进行归一化恢复处理操作。第五步：筛选变量，利用(2)所得数据带入模型中，根据剔除或增加变量法分析变量，以获取最优模型。第六步：研究预测时间步，并对不同时间步的预测结果和精度进行评定与分析。CNN-LSTM预报建模CNN-LSTM原理在上一小节的内容的基础上进行拓展，提出一种两个神经网络联合预测（卷积神经网络和长短期记忆网络结合，CNN-LSTM）的方法进行预测模型构建的研究，期望提高预测结果的精度。长短期记忆网络（LSTM）对于处理时间序列的数据具有优势，但在输入神经网络的变量含有特征尺度较大时，会影响处理效率和精度，大量的参数可能导致过拟合。而卷积神经网络（ConvolutionNeuralNetworks,CNN）善于处理图像的特征，可以完美解决上述过拟合和效率低的问题。将具有污染物浓度、气象因素（温度、湿度、风速、气压）的时间序列数据作为图像数据，利用卷积神经网络提取数据的特征，将输出作为LSTM的输入数据，利用LSTM网络进行回归预测。应用该研究思路进行模型的探索。CNN-LSTM结构如下图所示图3-6CNN-LSTM结构预报模型构建数据处理与3.1节预报建模所作数据处理内容相同。网络预报模型构建的具体过程如下：第一步：CNN-LSTM层。指定该模型具有两个隐藏层，第一个隐藏层具有150层，第二个隐藏层具有100层。首先对输入层的特征尺寸进行定义（每次预测变量的个数）；由于要使用CNN和LSTM结合预测，添加序列折叠层，通过该层将‘图像序列’（带有多项特征的数据相当于二维图像形式，具有时间特征和值）进行时间步卷积操作；增加二维卷积层，设置滤波器的高宽分别为3、1，过滤器的个数设置为12，其中垂直和水平步幅均设置为1；由于随着深度神经网络层数增加，越往后面，输入数据的变化非常明显而不能适应网络参数的更新，采取批次规范化层进行归一化处理；由于梯度消失的问题，而一般的激活函数sigmoid和tanh不能用于多层网络，因此，再添加一个校正线性单元层，其公式如3-8所示；接下来进行池化，选择最大池化（MaxPooling），具有防止过拟合的作用；卷积操作完成，对应之前的序列的折叠层，在这里添加一个序列展开层，恢复序列结构；为了将多维的输入实现一维化的操作，添加平滑层（FlattenLayer）;增添LSTM层，再增加丢弃层；增加全连接层；最后增加回归输出层。fx=第二步：指定训练选项。采用Adam求解器，训练次数为250次，梯度阈值为1，初始学习率设为0.001，定义在125轮训练以后开始下降学习率，批的最小尺寸设为100。相关设置具体如下表所示，其余参数按默认设置。表3-1训练参数指标表属性值初始学习率1.00E-03降低学习率选项piecewise降低学习率因子0.2学习率下降时期125梯度阈值1训练最大次数250小批尺寸100显示培训进度选项0执行环境CPU第三步：根据层结构和训练选项进行模型的训练，修改参数优化模型。第四步：将第三步训练优化得到的模型，应用到测试集预测，最终获得的预测值进行反归一化处理。进行结果的精度评定与分析。第五步：与3.1节得到的模型预测结果以及精度进行对比与分析，得出结论。结果分析与讨论3.3.1逐小时预报以冬季1月1日0时至2月1日零时（冬季）为时间跨度，时间间隔为1小时，以前90%为训练集，后10%为测试集。利用过去一个小时监测站点的六种污染物浓度PM2.5、PM10、SO2、O3、NO2、CO(包含O3滑动8小时和O3小时尺度的数据)与未来一小时五种气象数据包括温度、湿度、风速、气压对未来一小时的PM2.5浓度进行预测。变量分析通过实验，将高程、人口密度这类随时间变化并不大的“稳定因子”加入预测变量进行建模，使用均方根误差（RMSE）、拟合精度（R2）两个指标以及拟合直线和散点图进行模型精度的评价，同时使用测试集验证模型，结果如图3-9至图3-10所示。此过程通过3.1节LSTM建模方法，利用增加变量法进行研究。未增加高程和人口密度作为变量进行PM2.5浓度预测时，建模RMSE为4.84ug/m3，R2为0.94；增加高程作为变量进行预测建模，RSME为7.54ug/m3，R2为0.88；而增加了人口密度作为变量后，RMSE高达19.03ug/m3。R2为0.02，RMSE越小，说明预报模型的预报整体误差小；R2越接近1，说明预报值与实际观测值的拟合效果，预报模型越有效；散点图的分布可以判别PM2.5浓度预报值与PM2.5浓度实际观测之间的关联趋势；通过对比建模的RMSE、R2、图像散点图以及拟合直线的分布情况，结果说明，未增加高程和人口密度因子作为变量时，即利用过去一个小时监测站点的六种污染物浓度PM2.5、PM10、SO2、O3、NO2、CO(包含O3滑动8小时和O3小时尺度的数据)与未来一小时五种气象数据包括温度、湿度、风速、气压作为建模的预测变量预报未来一小时的PM2.5浓度效果最佳，散点分布图呈线性分布，采用最小二乘拟合直线，直线斜率接近于1，说明预报效果极佳。使用测试集进行比较，三种情形下的拟合精度与拟合趋势效果也呈现依次下降的趋势，更加验证了结论，所以对于站点PM2.5预测变量的选择上考虑时间依赖性强的因子。其中RMSE、R2的计算公式如下：RMSE=i=1ny−yR2=y−y图3-8未增加稳定因子时训练建模、测试的散点图及其拟合精度：(a)训练;(b)测试图3-9增加高程时训练建模、测试的散点图及其拟合精度：(a)训练;(b)测试图3-10增加人口密度时训练建模、测试的散点图及其拟合精度：(a)训练;(b)测试（2）预报方法研究以55号站点为例，根据3.1、3.2节的LSTM与CNN-LSTM建模过程进行PM2.5浓度预报建模，预测未来一小时的PM2.5浓度，使用一种机器学习方法极限学习机（ExtremeLearningMachines,ELM）与两种方法进行对比，为了保证对比的可信度，三种方法建模使用相同的训练集，使用同一个测试集进行测试，对结果进行分析评价。绘制预报值与实际观测值散点图、拟合直线，通过散点图和拟合直线分析拟合效果。如图3-11所示，通过各预报趋势线与实际观测值趋势线对比，虽然三种方式都能够有效预测PM2.5浓度，但其中CNN-LSTM回归预报结果与实际观测值最接近，其趋势基本吻合，LSTM次之，而ELM的效果最差。图3-11拟合趋势线对比图通过计算RSME、R2两个指标，对CNN-LSTM、LSTM和ELM三种预报方法的结果分别进行评定与分析，实验得到的结果如图3-13至图3-17所示，从散点图、拟合趋势线以及拟合精度R2等各项指标分析分析：三种方法测试集的RSME均不超过7.46ug/m3，而拟合精度均优于0.73，预报效果均呈现良好，其中CNN-LSTM的方法预测效果呈现最佳，LSTM也是一种精度较高的方法，并且与前者相差并不大，ELM预测显然没有前两种有效。从各预报方法的误差分布图来看，其趋势与PM2.5浓度趋势图一致，当PM2.5浓度变化较为明显的时间段内的预报误差也会随之增加，而相对平缓的时段预测值与实际观测值吻合情况相当好。在实验的过程中发现，随着试验次数的增加，虽然RMSE和R2的值会发生波动，但并不影响三种方法的预测效果，随机进行十次实验，对均方根误差以及拟合精度值进行平均，分析结果，如表3-2所示，CNN-LSTM和LSTM的预测效果在训练集上差别不大，而CNN-LSTM在测试集的预测效果上更佳，ELM预报效果最差。通过脚本运行计时，LSTM的预报模型的效率比CNN-LSTM高，ELM预报模型的效率最高，有时预报模型精度甚至优于前两种模型，但预测精度不稳定。综合以上评价，LSTM预报模型性能最优，适用于站点PM2.5浓度时序预报。表3-2各预报方法精度指标平均值预报方法建模R2测试R2建模RSME测试RSMECNN-LSTM0.970.844.754.61LSTM0.980.834.125.31ELM0.940.606.899.33图3-12CNN-LSTM预测结果对比及其误差分布图3-13CNN-LSTM训练建模、测试的散点图及其拟合精度：图左训练;图右测试图3-14LSTM预测结果对比及其误差分布图3-15LSTM训练建模、测试的散点图及其拟合精度：图左训练;图右测试图3-16ELM预测结果对比及其误差分布图3-17ELM训练建模、测试的散点图及其拟合精度：图左训练;图右测试3.3.2预报时长拓展研究经过3.3.1逐小时预报建模的结果分析，已经可以通过分析历史污染物浓度数据和气象数据与PM2.5浓度之间的时序联系获取未来1小时的PM2.5浓度，并且预测精度较高，而实际生活中一小时的预测结果显然不能满足需求，基于此，本文提出一种新的方法预报未来8个小时、24小时、72小时的PM2.5浓度。其基本原理：根据训练集所得到的LSTM的网络模型，由T-1时刻的污染物浓度和T时刻的气象数据可以获得T时刻的PM2.5浓度预测值，将T时刻的PM2.5浓度预测值代入T时刻的预测变量中即T时刻预测值更换为T+1时刻观测值，更新网络状态，对T+1时刻的PM2.5浓度进行预测，通过多次迭代预测，就可以实现从小时预测到更长时间的预测。根据这种思想研究不同时长的预测的精度。其散点分布图与各项精度指标如图所示。通过对比分析直接预测8小时、直接预测24小时与直接预测72小时的结果精度，结果显示直接预测8小时、24小时的精度较高，72小时预测精度较差，预测的时间跨度越长，预测结果越不可靠。图3-17未来8小时预测结果及其精度指标图3-17未来24小时预测结果及其精度指标图3-19未来72小时预测结果及其精度指标3.3.3站点全天时预报成果根据3.3.2节对监测站点未来24小时（全天时）的PM2.5浓度进行预报，各站点PM2.5预测精度如下表所示，由于站点过多，仅显示部分结果（共173个监测站点，仅显示100个监测站点的精度指标结果），其余预报成果提交于附录中。部分监测站点由于气象数据或历史污染物浓度数据异常缺失，无法补全进行训练预报。据统计，总共173个监测站点，其中有150个监测站点的全天时预测样本集的R2值超过0.7，占比约87%；RMSE不超过10ug/m3的监测站点占比约62%,说明整体预测精度高，模型预测性能强，并且比较稳定，预测结果与实际观测值比较吻合。而部分监测站点PM2.5浓度预测精度不高与所处时段（冬季）以及某些突发不可控因素导致PM2.5浓度急剧变化有关。表3-3各监测站点预报精度指标站点编号训练样本集全天时预报样本集站点编号训练样本集全天时预报样本集R2R2RMSER2R2RMSE10.930.738.08510.980.898.6520.980.859.50520.980.8114.3930.970.9012.19530.970.8710.3340.980.796.36540.980.824.8050.980.689.84550.980.8514.3560.970.8310.24560.980.816.327NULLNULLNULL570.980.904.7580.980.888.39580.980.828.9590.980.817.49590.980.8712.20100.980.736.48600.980.8312.50110.980.914.72610.980.8815.31120.980.805.59620.970.808.07130.980.8612.28630.980.878.47140.980.879.83640.980.8511.32150.980.826.36650.980.895.35160.980.806.14660.980.824.95170.980.886.76670.980.805.98180.980.814.84680.980.656.3319NULLNULLNULL690.980.823.07200.980.865.14700.980.805.17210.980.843.77710.980.6610.49220.980.779.07720.980.863.22230.980.906.07730.980.867.58240.980.6918.28740.980.795.83250.980.892.56750.980.795.85260.980.927.03760.980.8711.07270.980.874.48770.980.852.79280.980.843.25780.970.788.63290.980.785.82790.980.614.10300.980.786.56800.980.786.40310.980.708.74810.980.6712.52320.980.798.76820.980.764.57330.980.866.27830.980.916.52340.980.809.44840.970.857.81350.970.816.46850.980.859.43360.980.804.31860.980.833.78370.970.606.72870.980.857.13380.980.807.66880.970.577.27390.980.6818.6989NULLNULLNULL400.980.714.35900.960.877.19410.980.799.34910.960.5312.97420.990.765.99920.960.7711.12430.980.8210.65930.960.7712.56440.980.609.75940.960.7111.73450.980.669.36950.960.759.05460.980.715.81960.960.6513.98470.980.832.96970.950.907.47480.980.828.0098NULLNULLNULL490.980.772.78990.970.7212.93500.980.789.261000.940.7213.93

第4章PM2.5浓度时空精细预报方法研究针对大多数学者在PM2.5浓度时序预测研究中仅针以地面分布稀疏的监测站点为研究对象，对站点PM2.5浓度预报建模精心钻研，而忽略连续空间PM2.5浓度估算，研究方案很难运用于实际特定时刻以及特定地的PM2.5浓度预测的难题，本文提出一种长短期记忆（LongShortMemoryTime,LSTM）和随机森林（RandomForest,RF）结合的方法实现PM2.5浓度时空耦合精细预报制图，为PM2.5浓度时空预报趋势提供一种新的技术方案和研究路线。空间分布估算制图随机森林原理决策树（DecisionTree）是一种监督学习算法，根据任务类型可以分为分类与回归决策树；使用分类回归预测数（ClassificationAndRegression,CART）既可以用于分类，也可用回归预测，其构成为一个二叉树，基本思想原理是通过给定样本，样本具有分类结果或对应输出值及属性或特征一一对应，通过学习样本对新数据做出判断分类或回归预测。决策树广泛应用于统计和数据挖掘技术领域，其优缺点也比较突出：相较于传统的统计预测模型，针对变量复杂、多的情况，性能优越，运行速率快，预测准确率高；其缺点是容易发生过拟合，容易忽略变量之间的相互关联等。本次设计的情形显然是回归任务，通过分析多个监测站点的PM2.5浓度与气象数据以及道路长度、人口、土地利用情况等之间的联系，以建立模型能够准确预测PM2.5浓度。随机森林（RandomForest，RF），是集成学习中的Bagging(BootstrapAggregation)算法，集成学习的基本思想特点是“集思广益”，将多个只在个别领域表现突出的监督模型结合起来以获取一个稳定而在多领域表现较好的模型。而RF由多棵决策树构成，在训练过程中，随机从数据集中采样来训练模型中的每棵决策树，由于每次采取的样本不一样，每一个决策树的输出结果相似却并不一样，根绝这些相似的决策树结果分支整合最终输出结果。因此，采用RF进行预报建模具有如下优点：由于模型的随机性很强，可以很大程度上解决决策树容易产生过拟合的问题；对于异常数据的处理能力强，由于每个决策树只采用总体数据集的部分样点，因此在处理多维度的特征变量时运行效率相比单一决策树提高了不少；由于其自身结构的特点，模型可以直观的解释每个变量的贡献程度。在进行PM2.5浓度预报研究时，不可避免应用多类特征要素进行预测研究，而随机森林显然适用该类情形。随机森林建模制图建模数据准备由第三章所获取的数据：2020年1月31日23时至2020年2月1日0时共24小时167个监测站点的PM2.5浓度数据以及预测数据、气象条件包括气温、气压、风速、湿度数据，以及人口密度数据和地形高程数据。而现有的数据很明显不能满足构建模型的需要。道路越密集，交通越便利，意味着交通流量的增加，而机动车的开动必然伴随着能源的消耗从而影响PM2.5浓度；另一方面，城市的规模越大，城镇建筑物在研究区域的面积占比越多，也能在一定程度上影响着PM2.5的浓度。因此，道路以及土地利用也是影响PM2.5浓度的关键因子。而将道路、土地利用等地理要素特征变量通过数据处理，赋值到监测站点是比较棘手的问题。为解决该问题，本研究利用ArcGIS和SPSS作为技术支撑，采用空间分析思想，通过对监测站点周围建立缓冲区，缓冲区取1km，截取道路长度以及土地利用面积，经过领域分析与统计，获得监测站周围的道路长度，以及各种类型的土地在监测站点周围的面积。以表为表现形式建立监测站点与两种地理要素之间的联系。进一步，由于研究区域的土地利用类型较多，而面积占主体为主要为其中几种，特别考虑城市建设用地，为研究特定土地利用类型对PM2.5浓度的影响，选取土地利用类型中的四种：水田、有林地、其他建设用地（除城市建设用地之外的其他建设用地）、城镇用地，进行面积占比计算。对地理要素特征变量进行筛选，选取剔除变量或增加变量法，选取最具有影响力的特征变量作为建模变量，并对各要素对PM2.5浓度的影响效果做分析。最终获取的特征变量如表4-1所示。贡献程度“+”表示该要素与PM2.5浓度呈正相关，“-”则相反。城镇用地面积占比的贡献呈负，地形高程的贡献为负，也证明城市的发展程度和高程与PM2.5浓度相关。表4-1模型变量选取变量单位贡献程度气压Pa+风速m/s-温度K-湿度%+高程m-人口人+城镇用地占比%+水田面积占比%-其他建设用地面积占比%+林地面积占比%-预测变量准备为实现稀疏观测站点到面状的PM2.5浓度预报，采用网格对研究区域划分，划分的尺寸尽量小，设置划分尺寸为1km即PM2.5浓度空间分布预报制图分辨率。采用网格的中心点作为加密点，这些加密点相当于新增的“监测站点”，这些新增的点不具有除了位置之外的属性信息，因此需要对加密点进行与监测站点相同的数据处理工作：根据第二章所获得的气象数据、地形高程数据、人口数据，利用空间分析将值提取至加密点；对加密点建立缓冲区，采取与（1）节相同方式建立表联系；最后，加密点也同样具有气象条件、地形高程等地理要素特征。建模制图过程根据（1）所做的数据准备，以特定时刻的167个站点数据为例进行模型构建，训练变量为监测站点处的气压、风速、温度、湿度、高程、人口城镇用地占比、水田面积占比、其他建设用地占比以及林地面积占比，预测变量为监测站点的PM2.5浓度，研究这些地理要素特征与PM2.5浓度的联系，采用随机森林算法进行预报建模，根绝建模结果预测PM2.5浓度，最后制图，具体步骤如下：第一步：准备预测变量数据与响应。第二步：指定随机森林训练选项并进行训练，定义决策数的个数为100，选择任务为回归，选定需要存储每棵树的袋子里的观测结果的信息，同时指定需要预测机器重要性的分析。第三步：利用精度指标R2、RMSE对训练结果进行评定，为了更好的检验模型的泛化能力和稳定性，采用十折交叉验证训练模型。优化模型。模型拟合精度为0.83，交叉验证拟合精度达到0.63，均方根误差均不超过5ug/m3，模型精度较好。图4-1PM2.5浓度与预报值散点分布图：图左为训练模型精度；图右为十折交叉验证精度第四步：根据优化模型，进行空间PM2.5浓度分布模拟。利用加密点的地理要素特征变量预测加密点处的PM2.5浓度。第五步：根据加密点预测的PM2.5浓度，采用空间插值生成区域PM2.5浓度分布图。如图4-1为某一时刻的PM2.5浓度空间分布制图结果，图像所在区域颜色越接近浅绿色表明该地区PM2.5浓度越低，而越接近深红色表明该地区的PM2.5浓度越高。其中中西部受轻中度，污染中部地区受污染最严重，而东西边缘地区受污染程度较轻，污染物浓度沿东西走势逐渐变低，与图4-2所示长沙市分区情况也比较吻合，位于中部地区为芙蓉区、开福区、雨花区等区都属于市中心区域，属于交通更加便利，人口分布更为集中，受污染的来源更多，而浏阳市与宁乡市发展没有市中心那么好，因此中部地区PM2.5浓度相对于东西两部就会高很多。图4-2长沙市PM2.5浓度空间分布图4-3长沙市分区图时空耦合精细预报制图根据3.3节获取的167个监测站点的未来24小时（1月31日1时至2月1日零时）的PM2.5浓度（预测值）利用4.1节的空间分布估算制图原理获取PM2.5浓度空间分布精细制图。实现了由监测站点PM2.5浓度的时序预报向面的延伸，如图4-3所示，总体而言，在这24小时内，长沙市中心持续受空气污染影响，且受影响最严重，而其余地区受地形、城市开发程度等影响，污染情况没有那么严重。图4-4长沙市PM2.5浓度时空耦合精细预报制图

第5章结论与展望结论此次设计以湖南省长沙市为研究区域，从多种角度与因素分析PM2.5浓度的时空变化特征，期望利用深度学习或机器学习算法以实现PM2.5浓度时空精细预报，基于此，开展多项工作，通过熟悉工具、学习多种算法，对PM2.5浓度的时空预测方法具有一定理解。根据以上的工作，在自己的理解下尝试采用LSTM、RF算法开展实验，获得一种PM2.5浓度时空耦合预报制图方法。本文的研究成果与结论主要分为两部分。在时序预报研究上，实现了小时级别的站点PM2.5浓度精细预报，并且采用一种构建CNN-LSTM模型进行预报的方法改进LSTM预报方法；使用LSTM模型对短期未来8小时、24小时的PM2.5浓度进行准确预报。在空间估算研究上，采用随机森林算法实现PM2.5浓度空间分布模拟，根据时序预报研究的未来24小时的PM2.5浓度预报结果采用上述空间模拟方法获取PM2.5浓度时空预报制图，实现了站点PM2.5浓度向空间维度的拓展。展望根据本研究所作的共内容，本文针对实际工作的不足之处在以下几个方面提出了展望，期望在下一阶段的工作中完善设计。首先，数据处理方面，此次设计处理数据的效率不是很高，采用多个工具处理数据，数据之间的转换过程多，开展的工作内容断断续续，不能实现一步到位，并且对于数据缺失的问题不能很妥善地处理。因此在下一阶段的工作中，将在数据处理的工作量上将进一步拓展，完善代码，提高数据处理的效率。其次，时序预报研究方面，采用CNN-LSTM方法进行预报建模改进LSTM预报建模的效果没有那么显著，代码运行效率不是很高，尤其是对应多个站点的时序预报，处理时间较长，并且在长期预测方面效果不佳。采用LSTM预报模型在实现时间预测窗口的延长，使用滚动预测的方式对未来8小时、24小时的PM2.5浓度进行直接预测，预测精度明显比逐小时预报效果差，滚动预测方法进行预报进行长期的预测结果不可信。因此在未来的工作中期望改进CNN-LSTM模型代码的实现，对预测时长的拓展考虑采用增大时间间隔，利用相同时间步滑动预测的方式进行预测，即将时间步滑动窗口由1小时延长至多小时，由多个时间步的PM2.5浓度预测多个时间步的PM2.5浓度，实现多输入多输出。最后，空间分布估算方面，文献资料的查询工作不到位，对空间制图的概念以及实验了解不是很深，采用随机森林算法进行建模预报，精度存在不高的现象，并且，时空预报制图不够精细。预期在一阶段工作中拓展学习资料；从建模变量入手，挖掘更具有影响力的数据，比如AOD数据等，在制图上添加更多细节。参考文献[1]DiQ,WangY,ZanobettiA,etal.AirPollutionandMortalityintheMedicarePopulation[J].NewEnglandJournalofMedicine,2017,376(26):2513-2522.[2]ChenG,ZhangW,LiS,etal.TheimpactofambientfineparticlesoninfluenzatransmissionandthemodificationeffectsoftemperatureinChina:Amulti-citystudy[J].EnvironmentInternational,2017,98:82.[3]KnippertzP,EvansMJ,FieldPR,etal.ThepossibleroleoflocalairpollutioninclimatechangeinWestAfrica[J].NatureClimateChange,2015,5(9):815-822.[4]AbbattJ,LeaitchWR,AliabadiAA,etal.Overviewpaper:NewinsightsintoaerosolandclimateintheArctic[J].AtmosphericChemistryandPhysics,2019,19(4):2527-2560.[5]ZhangRJ,Kin-FaiHO.TheRoleofAerosolinClimateChange,theEnvironment,andHumanHealth[J].AtmosphericandOceanicScienceLetters,2012.[6]FangX,ZouB,LiuX,etal.Satellite-basedgroundPM2.5est