[发明专利]基于时空数据模型的城市级PM2.5浓度预测方法

说明书

技术领域

本发明属于多学科和技术相互交叉结合的应用领域，具体涉及一种基于时空数据模型的城市级PM2.5浓度预测方法。

背景技术

PM2.5是对空气中直径小于或等于2.5微米的固体颗粒或液滴的总称。PM2.5能降低空气的能见度，导致灰霾天的出现；PM2.5通过呼吸道进入人的肺部，增加呼吸道疾病和心血管疾病的发病率。为了控制PM2.5对环境和人类健康造成的危害，需要实时掌握现在和将来的PM2.5浓度值。因此，对PM2.5浓度值进行实时预测具有重要的现实意义。

由于无法获得PM2.5浓度值的历史数据，开发了基于互联网的在线PM2.5浓度数据采集系统。在线PM2.5浓度数据采集系统获取的国内城市级PM2.5浓度值存在部分缺失，缺失数据无法用于PM2.5浓度的数据分析与建模研究。因此，需要对缺失的PM2.5浓度数据进行插值计算，有研究者使用了反向距离加权插值(Sree Dhevi,A.T."Imputing missing values using Inverse Distance Weighted Interpolation for time series data."Advanced Computing(ICoAC),2014Sixth International Conference on.IEEE,2014)，文中使用了缺失数据的采样时刻到周围数据采样时刻的时间距离作为权值进行插值计算，反向距离加权插值只能对单个缺失数据进行插值，忽略了数据连续缺失的情况；也有使用土地使用回归模型和克里格方法进行插值(Zou B,Luo Y,Wan N,et al.Performance comparison of LUR and OK in PM2.5concentration mapping:a multidimensional perspective[J].Scientific reports,2015,5)，对土地使用回归模型和克里格插值的插值效果进行了比较，说明土地使用回归模型的插值效果好，土地使用回归模型忽略了PM2.5浓度的时间和空间特性。

上述对缺失PM2.5浓度的插值算法存在不足：反向距离加权插值适合对单个缺失数据进行插值计算，而现实采集的数据存在连续缺失的情况，使得反向距离加权插值的应用受到限制；土地使用回归模型使用土地使用类型和人口密度作为预测因子，忽略了PM2.5浓度的时间和空间特性，使得插值的效果不好。对缺失PM2.5浓度数据的插值计算是预测PM2.5浓度的前提，是保证PM2.5浓度预测准确度的重要环节。

过去对PM2.5浓度预测的研究中，大多使用了线性模型，把研究的重点放在了预测因子的选择上，有学者使用湿度作为模型预测因子(Barman S C,Singh R,Negi M P S,et al.Fine particles(PM2.5)in residential areas of Lucknow city and factors influencing the concentration[J].CLEAN–Soil,Air,Water,2008,36(1):111-117.)，建立湿度与PM2.5浓度的线性模型，模型最终的拟合度只有0.53；有使用土地类型、人口密度作为PM2.5的预测因子(Zou B,Luo Y,WanN,et al.Performance comparison of LUR and OK in PM2.5concentration mapping:a multidimensional perspective[J].Scientific reports,2015,5)，建立土地使用回归模型对PM2.5浓度进行预测，预测效果有所提升，拟合度为0.69；Song W和Jia H等人的文章中，在温度、湿度、风速的基础上，加入了边界层高度和卫星获取的气溶胶光学厚度作为PM2.5的预测因子(Song W,Jia H,Huang J,et al.A satellite-based geographically weighted regression model for regional PM 2.5estimation over the Pearl River Delta region in China[J].Remote Sensing of Environment,2014,154:1-7)，建立地理加权回归模型，模型对测试集的拟合度为0.74。因此，在城市级PM2.5浓度数据集获取非常困难、数据采集站点少以及遥感技术获得的数据集精确度不高的条件下，如何选择适当的预测因子成为预测PM2.5浓度的关键。