[发明专利]顾及全局空间自相关性和局部异质性的地面PM2.5浓度建模方法

说明书

本发明提出了一种顾及全局空间自相关性和局部异质性的地面PM2.5浓度建模方法。本发明针对PM2.5监测站点数量有限且分布不均，且传统PM2.5回归建模方法缺少对局部空间影响和全局空间影响同时考虑的问题，提出了一种顾及全局空间自相关性和局部异质性的地面PM2.5浓度建模方法，同时考虑全局和局部空间效应，消除空间自相关因素和空间异质因素的影响。分别通过构建全局空间权重矩阵和局部空间权重矩阵，提取出全局空间影响因子和局部空间影响因子。然后再根据两者构建回归模型，得到地面PM2.5浓度估计模型，以供后续研究和分析。

技术领域

本发明属于空间统计分析服务应用技术领域，特别涉及一种顾及全局空间自相关性和局部空间异质性的地面PM2.5浓度建模方法。

背景技术

PM2.5是空气污染的主要污染物，给人们生产和生活造成巨大影响的同时还对人体健康有着极大的危害。近年来空气污染问题越来越被重视，地面PM2.5浓度监测站在全国范围内建立了起来，但监测站点数量有限且分布不均。随着遥感技术的发展，有学者开始采用遥感数据来反演PM2.5浓度。常用的PM2.5反演数据有气溶胶光学厚度(AOD)、归一化植被指数(NDVI)、数字高程模型(DEM)，以及各种气象因子和污染源数据等。利用遥感数据进行PM2.5反演常用模型有普通最小二乘回归(OLS)、土地利用回归(LUR)、地理加权回归(GWR)、空间滤值(ESF)和空间误差(SEM)等模型。

PM2.5的分布受到空间效应的影响，具有空间自相关性和空间异质性。PM2.5在空间上的分布是连续的，存在空间自相关性；而PM2.5又受到地形、气象因子、污染源等因素的影响，这些因素又随着位置的改变而改变，具有空间异质性。传统PM2.5回归建模方法只单独考虑全局空间自相关性或局部空间异质性，没有同时考虑全局和局部的空间影响，即回归模型只在一定程度上削弱了空间效应的影响。

为了同时消除全局和局部空间效应的影响，本发明提出了一种顾及全局空间自相关性和局部空间异质性的地面PM2.5浓度建模方法。本发明认为局部空间影响可以分为两部分，一部分是局部环境条件本身造成的空间影响；另一部分则是全局空间影响以及该全局影响在局部的表现。这就是全局和局部空间回归建模的结合点。本发明分别通过全局空间权重矩阵和局部空间权重矩阵提取出全局空间影响因子和局部空间影响因子。在提取局部空间影响因子时，把全局空间影响因子作为因子数据，同气溶胶厚度、气象因子、污染源等因子数据一起提取出局部空间影响因子，然后再与全局空间影响因子一起进行回归建模，得到地面PM2.5浓度估算模型。

发明内容

基于遥感数据和污染源数据，对地面站点PM2.5浓度进行建模，并估计无站点位置的PM2.5浓度。发明旨在同时考虑全局和局部的空间效应，结合全局和局部回归思想，消除全局空间自相关因素和局部异质因素的影响，进一步提高PM2.5建模精度和估算效果。

参见图1，本发明所采用的技术方案包括如下步骤：

步骤1：数据获取与处理。获取气象站点的PM2.5地面监测值，并从各数据源获取与地面PM2.5相关的因子数据。气溶胶厚度产品与PM2.5浓度显著相关，为必需自变量。气象数据、污染源数据以及其他因子数据根据研究区气候特征和数据质量选取。对所有数据进行预处理，包括删除空值和异常值、投影转换、时间和空间分辨率的统一。

步骤2：构建全局空间权重矩阵。根据气象站点数据的投影坐标，构建研究区域内所有站点的全局空间权重矩阵，并中心化处理为对称矩阵，将空间关系转化为权重值。构建方法采用：基于邻接关系构建；或者基于反距离加权构建；或者复合型。

步骤3：全局空间因子提取。基于全局空间权重矩阵，根据空间自相关程度大小提取出全局空间影响因子，记为Eα。

步骤4：构建局部空间权重矩阵。选取空间权函数，构建每一个站点与该站点局部空间影响范围内其余站点的局部空间权重矩阵，局部空间影响范围在步骤5中优化确定。