成都地区气溶胶散射吸湿增长因子双变量模型

基于成都市2017年10～12月逐时的“干”气溶胶散射系数和吸收系数观测数据,结合该时段同时次的能见度（V）、相对湿度（RH）以及二氧化氮（NO₂）监测资料,利用“光学综合法”计算气溶胶散射吸湿增长因子,并探究了气溶胶散射吸湿增长因子单变量f（RH）模型的适用性及其改进方案.结果表明：幂函数、二次多项式、幂指函数形式的f（RH）模型在低RH条件下（RH<85%）均能很好地模拟气溶胶散射吸湿增长因子随RH的变化特征,但在高RH条件下（RH>85%）的模拟值会出现较大的偏差.黑碳质量浓度（C_BC）是影响气溶胶散射吸湿增长因子的另一关键变量,二者之间满足非线性关系.以RH和C_BC为自变量构建了气溶胶散射吸湿增长因子双变量f（RH,C_BC）模型,模型计算值和实测值之间的决定系数R²为0.763,平均相对误差MRE为14.28%.双变量模型f（RH,C_BC）的应用显著改善了气溶胶散射消光系数的模拟效果.     

气溶胶散射吸湿增长因子的BP神经网络模型

气溶胶组分、结构以及形态的复杂性对高湿条件下气溶胶散射吸湿增长因子统计模型的适用性提出了挑战。基于成都市2017年10—12月浊度计和黑碳仪的逐时观测资料，结合同时次的环境气象监测数据，利用“光学综合法”计算气溶胶散射吸湿增长因子。以相对湿度(RH)、C_BC、C_BC/C₍PM_2.5)、C_PM1/C₍PM_2.5)以及C₍PM_2.5)/C₍PM₁₀)作为输入因子[C_BC、C_PM1、C₍PM_2.5)、C₍PM₁₀)分别为黑碳(BC)、PM₁、PM_2.5、PM₁₀的质量浓度],构建了气溶胶散射吸湿增长因子的BP神经网络...