[发明专利]一种基于高斯回归的空间细粒度污染推断方法

说明书

本发明公开了一种基于高斯回归的空间细粒度污染推断方法，涉及大气污染模型技术领域，包括以下步骤：S1，定义给定监测区域内所有监测点位的数据，对所有未知点位的PM2.5的数值进行推断；S2，确定选用的高斯回归模型，使用该高斯回归模型进行数据训练；S3，选用训练数据和测试数据，并利用训练数据和测试数据获得待推断空间细粒度污染预测值。该方法与其他污染推测方法相比具有较高的准确性和稳定性，更加适合对细粒度PM2.5进行空间推断；精细的污染热图使得后续的精细污染管控及健康风险评估具有更大的可能性。

技术领域

本发明涉及环境监测领域，尤其涉及一种基于高斯回归的空间细粒度污染推断方法。

背景技术

为了精细的研究PM2.5的产生、扩散规律，需要有更密集部署的监测系统，目前我国在各个主要的城市均部署了精准的国控站进行监测，但监测密度仍然非常稀疏，例如北京大约一万平方公里面积只有35个国控站点进行监测，这对于精准的空间推断，以及之后的精细管控、健康风险评估均构成了很大的挑战。相关研究表明，即使相距较近的两地，其PM2.5也可能存在较大的差距。

为了对空间的污染监测数据进行推断，近年来提出了两类主要的方法。第一类为传统的扩散模型，如高斯煙羽模式，三维街谷模型和计算流体力学模型。这些模型通常综合了诸如气象信息，街道地理特征信息，交通信息等众多数据，并进行复杂的数据建模，但是这类模型通常需要对物理环境进行较为强烈的假设，同时又需要各种纬度精细的监测数据，而这些对于空气污染监测领域而言，获取相对较难。第二类模型基于空间推断，这类模型基于城市内已经监测得倒的稀疏国控站点的数据，并结合气象、地理位置，交通信息等数据，建立空间统计推断模型，从而对未知地点的污染数值进行推断。但是，对于未部署国控站点的区域并不能准确推断出该区域的数据，因此如何有效利用有限的数据对未部署地点进行50米精度的推测是目前亟待解决的问题。

发明内容

本发明的目的在于提供一种基于高斯回归的空间细粒度污染推断方法，从而解决现有技术中存在的前述问题。

为了实现上述目的，本发明采用的技术方案如下：

1.一种基于高斯回归的空间细粒度污染推断方法，包括以下步骤：

S1，定义给定监测区域内所有监测点位的数据，对所有未知点位的PM2.5的数值进行推断；

S2，确定选用的高斯回归模型，使用该高斯回归模型进行数据训练；

S3，选用训练数据和测试数据，并利用训练数据和测试数据获得待推断空间细粒度污染预测值。

优选地，步骤S1中定义给定的数据具体为：

x_i表示监测区域内第i个监测站的经纬度，使用y_i表示该监测点位的PM2.5的数值；

对所有未知点位的PM2.5的数值进行推断的公式为：

其中∈_i表示噪声。

本方法的目标为对于给定的数据，学习得出正确的函数f，从而能对任意给定的x，预测其对应的y。

高斯过程为一统计学分布，是一系列关于连续域(时间或空间)的随机变量的联合，而且针对每一个时间点或空间点上的随机变量都是服从高斯分布的。在高斯回归问题中，函数f分布服从高斯分布(正态分布)，

优选地，步骤S2中具体过程包括：

S21，定义f_i＝f(x_i)；

S22，当x满足下述条件：