摘要 | 第3-5页 |
Abstract | 第5-6页 |
第1章 绪论 | 第10-21页 |
1.1 研究背景与意义 | 第10-11页 |
1.2 国内外研究现状 | 第11-17页 |
1.2.1 国内研究现状 | 第12-14页 |
1.2.2 国外研究现状 | 第14-17页 |
1.2.3 存在的问题 | 第17页 |
1.3 本文研究内容与技术路线 | 第17-20页 |
1.3.1 研究内容 | 第17-19页 |
1.3.2 技术路线 | 第19-20页 |
1.4 文章结构安排 | 第20-21页 |
第2章 研究区与数据来源 | 第21-27页 |
2.1 研究区概况 | 第21-23页 |
2.1.1 京津冀地区 | 第21-22页 |
2.1.2 东三省地区 | 第22页 |
2.1.3 长三角地区 | 第22-23页 |
2.1.4 珠三角地区 | 第23页 |
2.2 数据来源 | 第23-24页 |
2.2.1 PM_(2.5)地面监测数据 | 第23页 |
2.2.2 气象数据 | 第23-24页 |
2.2.3 MODIS气溶胶光学厚度产品数据 | 第24页 |
2.3 数据预处理 | 第24-26页 |
2.3.1 PM_(2.5)地面监测数据预处理 | 第24-25页 |
2.3.2 气象数据预处理 | 第25页 |
2.3.3 MODIS气溶胶光学厚度产品数据预处理 | 第25页 |
2.3.4 数据的多重共线性检验 | 第25-26页 |
2.3.5 数据的归一化处理 | 第26页 |
2.4 本章小结 | 第26-27页 |
第3章 研究方法 | 第27-34页 |
3.1 BP人工神经网络 | 第27-30页 |
3.1.1 BP人工神经网络的原理 | 第27-28页 |
3.1.2 BP人工神经网络的优缺点 | 第28-30页 |
3.1.3 BP人工神经网络的应用 | 第30页 |
3.2 支持向量回归 | 第30-32页 |
3.2.1 支持向量回归的原理 | 第30-31页 |
3.2.2 支持向量回归的优缺点 | 第31-32页 |
3.2.3 支持向量回归的应用 | 第32页 |
3.3 克里金空间插值 | 第32页 |
3.4 BP&ε-SVR组合模拟模型 | 第32-33页 |
3.5 本章小结 | 第33-34页 |
第4章 中国典型区域PM_(2.5)的估算及验证 | 第34-48页 |
4.1 BP人工神经网络模型的构建 | 第35-39页 |
4.2 支持向量回归模型构建 | 第39-42页 |
4.3 BP&ε-SVR组合模拟模型估算PM_(2.5) | 第42-47页 |
4.3.1 PM_(2.5)浓度值的估算 | 第42页 |
4.3.2 组合模拟模型的精度验证 | 第42-46页 |
4.3.3 组合模型与单一模型的对比 | 第46-47页 |
4.4 本章小结 | 第47-48页 |
第5章 中国典型区域PM_(2.5)的时空变化特征分析 | 第48-61页 |
5.1 2000 ~2016年PM_(2.5)的时间变化特征 | 第48-53页 |
5.1.1 京津冀2000~2016年PM_(2.5)的时间变化特征 | 第48-49页 |
5.1.2 东三省2000~2016年PM_(2.5)的时间变化特征 | 第49-50页 |
5.1.3 长三角2000~2016年PM_(2.5)的时间变化特征 | 第50-51页 |
5.1.4 珠三角2000~2016年PM_(2.5)的时间变化特征 | 第51-53页 |
5.2 2000 ~2016年PM_(2.5)的空间变化特征 | 第53-60页 |
5.2.1 京津冀2000~2016年PM_(2.5)的空间变化特征 | 第53-55页 |
5.2.2 东三省2000~2016年PM_(2.5)的空间变化特征 | 第55-57页 |
5.2.3 长三角2000~2016年PM_(2.5)的空间变化特征 | 第57-59页 |
5.2.4 珠三角2000~2016年PM_(2.5)的空间变化特征 | 第59-60页 |
5.3 本章小结 | 第60-61页 |
第6章 结论与展望 | 第61-64页 |
6.1 结论 | 第61-62页 |
6.2 创新点 | 第62页 |
6.3 展望 | 第62-64页 |
参考文献 | 第64-70页 |
攻读学位期间发表的学术论文和研究成果 | 第70-71页 |
致谢 | 第71页 |