一种基于卷积神经网络的源解析因子识别方法

为解决源解析因子识别过程中人为参与及判定过程复杂的问题,提高源解析因子识别工作的效率,提出基于卷积神经网络（CNN）的 源解析因子识别方法.通过文献调研,构造可供CNN模型训练的因子识别数据集,对因子识别模型进行训练与调试,并以北京市南部采样点的PM_2.5组分观测数据对模型进行验证.同时,利用正定矩阵分解模型（PMF）解析得到不同因子数时的源谱矩阵,输入因子识别模型并与人工分析比对.结果表明,9个因子时模型的识别效果最佳,可以实现既无重复识别又无“无法判定”的情况,与源解析因子人工识别结果吻合,证明了所提出方法的合理性与可行性.该方法不仅对源解析中因子识别问题具有一定的实用价值,同时对减排策略的制定与动态调整也具有积极意义.     

北京大气中CFC-11的浓度观测与变化趋势

近几年大气中CFC的浓度在人类活动的影响下发生了迅速变化,考虑到CFC浓度变化对平流层臭氧和全球变暖的影响,采用两步深冷冻浓缩自动进样系统,配以气相色谱/质谱联机对北京大气中的CFC-11进行了连续观测.结果表明,1999～2003年CFC-11的浓度季节变化均呈单峰形态,峰值出现在7～8月,月平均浓度最高值为1149.5±531.9×10^-12(体积分数);谷值出现在春季的3～5月份,月平均浓度最低值为487.5±131.5×10^-12(体积分数);北京大气中CF-11年平均浓度在观测时间段内呈先上升后下降的趋势,其中1995～1998年增长较快,平均增长率为17.9%,1999年后呈缓慢下降趋势,平均下降率为10.7%,平均浓度是Mauna Loa全球基准观测站观测到大气本底CFC-11浓度的3～5倍.