.png){kind=icon}
返回
Estimating background PM2.5 concentrations using a wavelet-based convolution framework
.png){kind=icon}
PRE
AI
DOI：10.1007/s10661-026-16082-7.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
量化由长距离输送和周边地区弥散排放驱动的区域背景污染，对于分离本地源对空气质量的影响至关重要。现有背景估计方法（如统计聚类和光谱滤波）的局限性在于未能考虑定义背景污染所必需的空间分辨率。本研究采用信号处理方法，利用MERRA2再分析数据集获取印度PM2.5背景浓度的时空分布。该方法利用小波变换捕捉邻近区域时间序列中低频分量的相干性。所得到的PM2.5背景图捕捉了印度主要的季节性和区域性污染模式，包括冬季在印度-恒河平原（IGP）的积累以及西北部季风前尘驱动的增强。该方法再现了污染期与清洁期之间的预期转换，得到一致的背景模式。将所推导的PM2.5背景与四个主要印度城市通过高斯混合模型-隐马尔可夫模型（GMM-HMM）获得的背景进行比较，也显示出良好的一致性，各城市MAD值在2.2（加尔各答）至10.8（德里）µg/m3之间。高低排放网格的分析表明，该方法在低排放网格中正确地给出了更高的背景贡献，反映了主导的区域输送作用，而在高排放网格中则显示出与本地源相关的更高增量。最后，与第5百分位PCHIP导出的背景浓度进行评估，结果显示德里监测网络中具有中等一致性（MAE=21.95µg/m3，RMSE=29.45µg/m3），在德里背景站点上显著改善（MAE=14.03µg/m3，RMSE=17.65µg/m3），这与该地点本地源影响减弱一致，并支持所提出方法的可靠性。
Keyword:
Regional Background
Wavelet Transform
Convolution
Spectral Filtering
PM2.5 Concentration
期刊
IF:
3
论文数:
2.4K
被引数:
3.5W
机构
引用论文
A TUTORIAL ON HIDDEN MARKOV-MODELS AND SELECTED APPLICATIONS IN SPEECH RECOGNITION关于语音识别中的隐马尔可夫模型和选定应用的教程.png)
PROCEEDINGS OF THE IEEE
PROCEEDINGS OF THE IEEEIF25.9
PREAI
分享收藏Connecting Crop Productivity, Residue Fires, and Air Quality over Northern India将印度北部的作物生产力，残留物火灾和空气质量联系起来SCIENTIFIC REPORTS
OAAI
SCIENTIFIC REPORTSIF3.9
OAAI分享收藏Dust events and their influence on aerosol optical properties over Jaipur in Northwestern India
PREAI
分享收藏Assessment of Spatio-Temporal Variations in PM2.5 and Associated Long-Range Air Mass Transport and Mortality in South Asia评估南亚PM2.5的空间-时间变化及其相关远距离气团输送与死亡率
OAAI
OAAI分享收藏
查看更多内容