[发明专利]PM2.5

说明书

本发明提供一种PM_2.5浓度估算模型的构建方法，该方法利用多源的自然环境和社会因子，进行处理和拼接获得覆盖研究区的各种栅格化影响因子；针对反距离权重型空间权重矩阵和k邻近型空间权重矩阵中的带宽，利用遗传算法得到一组最优带宽，不同的带宽代表各个影响因子的对PM_2.5浓度具有不同尺度的空间影响；并基于该最优带宽和空间权重矩阵类型得到多组空间特征向量，构建多尺度特征向量空间滤值变系数模型，将空间特征向量与影响因子分别配对，表示每一影响因子所具有的不同的空间影响，本发明消除了PM_2.5浓度的空间自相关效应，提高模型精度，最终得到高精度的地表PM_2.5浓度连续分布。

技术领域

本发明属于空间统计分析服务应用的技术领域，具体涉及一种PM_2.5浓度估算模型的构建方法。

背景技术

PM_2.5是指漂浮在空气中的空气动力学直径≤2.5μg/m³的细颗粒物，目前是我国大多数城市的首要大气污染物。研究表明，高浓度PM_2.5对人类社会和个人身体健康具有不利影响，如阻碍视线影响交通，损害个人呼吸系统、心血管系统和免疫系统。

区域性的PM_2.5浓度监测依赖于大规模的空气质量监测站点的建立，随着全国空气质量监测站点愈发完备，越来越多的研究人员将研究重心转为大范围的PM_2.5浓度建模。部分学者采用普通克里金方法，依据空气质量监测站点的PM_2.5浓度值进行插值，获得缺乏监测数据区域的PM_2.5浓度。还有一部分学者采用普通时空克里金和贝叶斯最大熵方法，通过经验时空半方差函数捕获PM_2.5浓度的时空依赖，充分利用PM_2.5的空间和时间特征，得到多维时间的大规模区域性的PM_2.5浓度值。然而上述方法缺乏考虑自然和社会环境的相关因素对PM_2.5浓度值的影响，同时其拟合精度受限于空气质量监测站点的分布不均问题。

随着遥感影像的愈发成熟，其具有高时空分辨率和覆盖范围广的特征，越来越多的学者尝试采用遥感影像解决监测站点分布不均匀的问题。相关学者利用气溶胶厚度和颗粒物存在的相关关系，构建线性模型拟合PM_2.5浓度；部分学者探究了其他相关自然因素如：地表温度、降水、高程等对PM_2.5浓度。如郭红等基于卫星多光谱技术，计算大气气溶胶光学厚度的年平均值、地面PM_2.5浓度观测平均值、相关气象数据平均值，构建PM_2.5浓度估算模型，克服了监测站点分布不均匀问题。此外，部分学者将社会因素纳入PM_2.5浓度估算过程中，相关社会因子数据包括夜光强度、人口密度、交通路网、土地利用等因素。

传统的线性回归建模难以拟合相关因子对PM_2.5浓度的复杂影响过程。土地利用回归(Land-use regression,LUR)、空间滞后模型(Spatial lag model,SLM)、空间误差模型(Spatial error model,SEM)、地理加权回归(Geographically weighted regression,GWR)等具有空间地理思维的回归方法被应用到PM_2.5浓度建模当中。随着机器学习和深度学习在各个行业地广泛应用，相关模型也被应用到PM_2.5浓度建模当中，如支持向量回归(Support Vactor Regression,SVR)、BP神经网络、随机森林算法(Random forest,RF)、深度残差网络(Deep residual network,ResNet)、长短期记忆模型(long-short termmemory,LSTM)等。然而，PM_2.5浓度具有空间自相关性，存在较强的空间聚集效应，而相关算法缺乏对空间影响的考虑，同时认为各个影响因子对PM_2.5浓度的空间影响是同质的，缺乏多尺度空间影响的考虑。