[发明专利]一种面向多维时空因子的PM2.5

说明书

本发明公开了一种面向多维时空因子的PMsubgt;2.5/subgt;浓度精细化时空模拟与定量分析方法，属于大气污染时空分布分析计算技术领域，具体步骤如下：步骤1：构建研究区时尺度多维动静态时空影响要素与PMsubgt;2.5/subgt;浓度的LUR‑SDM耦合模型；步骤2：根据十折交叉验证法对步骤1建立的模型进行验证与精度检验；步骤3：经步骤2验证后，在研究区域进行高分辨率的网格嵌套，实现研究区PMsubgt;2.5/subgt;浓度时尺度高精度空间模拟；步骤4：根据步骤1建立的模型以及步骤3的拟合结果，分析PMsubgt;2.5/subgt;污染时间和空间的直接和溢出效应。上述模型更加真实的反映污染物浓度和解释变量之间的关系，同时对于区域间的联防联控具有重要意义。

技术领域

本发明属于大气污染物时空分布分析计算技术领域，具体涉及一种面向多维时空因子的PM_2.5浓度精细化时空模拟与定量分析方法。

背景技术

LUR模型(土地利用回归模型)最早是由Briggs等于1997年在小区域空气质量和健康分异研究中提出的，是一种模拟城市尺度大气污染浓度空间分异的通用模型。与其他模型相比，LUR模型能更好的解释空气污染物小尺度变化，在不使用详细排放清单获取小规模空气污染物浓度。它通常利用数十个采样点的大气污染物浓度作为因变量，通过在GIS框架内获取站点周边的土地利用、交通等数据作为自变量，建立回归模型来分析这些因素对污染物浓度空间分布的影响，进而利用模型对研究区任意位置的污染物浓度进行模拟。

LUR模型在欧洲和北美的健康研究中得到了广泛的应用，近几年来，逐步被引入亚洲空气污染浓度研究中。中国关于LUR模型的应用最初只限于几个城市，且由于我国在2013年前尚未把PM_2.5纳入常规监测范围，缺少长时间序列的实时监测数据，因此关于PM_2.5浓度的LUR建模非常少。直到近两年，涉及多个城市乃至全国范围的PM_2.5浓度LUR模型空间分布模拟才取得了长足的进展。

基于LUR模型模拟PM_2.5浓度空间分布时，影响因子的选取至关重要。通过展开对PM_2.5的来源解析、成因机理等研究发现，交通排放、煤炭燃烧、工业排放、气象条件、区域传输因素是影响大气污染的最关键因子。目前我国学者通过构建PM_2.5浓度LUR模型，相继实现了我国多个城市及全国范围年尺度或季节尺度的PM_2.5浓度空间模拟。研究中所使用的影响因子主要包括：土地利用、气象因子(气温、降水)、AOD、道路长度、地形、社会经济因子等，数据条件允许下，也有较少学者加入了工业源因素。值得注意的是，交通流量最能直接表征交通排放，然由于数据源等局限性，我国PM_2.5浓度LUR模型中，交通排放因子基本用道路长度代替。

利用传统的LUR建模方法，由于忽略了城市尺度下大气污染的空间依赖性，缺乏对污染物本身及影响因素的空间溢出研究，模型结果存在偏误，为更真实反映污染物浓度与地理要素之间的空间异质性或非线性关系，近年来也有研究逐渐将LUR与GWR、贝叶斯最大熵值等模型耦合，实现PM_2.5浓度的空间分布模拟研究。

根据PM_2.5的高流动性和地理学第一定律，大气污染存在明显的跨区域传播特性，即一个区域的雾霾可能会影响其邻近地区的空气质量，地理上邻近区域的PM_2.5污染可能存在很强的空间相关性。而空间杜宾模型(SpatialDurbin Model,SDM)可同时考虑因变量及其影响要素的空间依赖性被证明建模效果更优。但目前对于将LUR模型与SDM模型耦合用于PM_2.5污染浓度的实时定量评估与精准模拟的研究并未发现。

发明内容