[发明专利]一种日尺度自适应建模的PM2.5全覆盖估算方法

权利要求书

1.一种日尺度自适应建模的PM2.5全覆盖估算方法，其特征在于，该方法包括以下步骤：

获取气象站点空气质量监测数据、气象监测数据以及大气光学气溶胶厚度；

根据空气质量监测数据、气象监测数据以及大气光学气溶胶厚度构建第一年度模型；根据空气质量监测数据和气象监测数据构建第二年度模型；

将以预设大小为单元划分的日尺度的地区监测数据的格网，分别输入第一年度模型和第二年度模型，输出PM2.5的预测数据；利用PM2.5的预测数据与气象监测数据以及大气光学气溶胶厚度匹配到格网中的气象站点；

其中，采用XGBoost算法开发程序构建所述第一年度模型和所述第二年度模型；

所述根据空气质量监测数据、气象监测数据以及大气光学气溶胶厚度构建第一年度模型具体为：

以大气光学气溶胶厚度为因变量，空气质量监测数据和气象监测数据为自变量获得缺失大气光学气溶胶厚度；

以缺失大气光学气溶胶厚度、大气光学气溶胶厚度和气象监测数据为自变量，空气质量监测数据为因变量，构建第一年度模型；

所述根据空气质量监测数据和气象监测数据构建第二年度模型具体为：

以气象监测数据为自变量，空气质量监测数据为因变量，构建第二年度模型；

所述以预设大小为单元划分的地区监测数据的格网不含PM2.5气象站点的数据；

所述第一年度模型和所述第二年度模型的训练过程包括：

(1)初始化特征集，所述特征集中的元素为特征变量；

所述利用所述特征集训练第一年度模型时，特征变量包括空气质量监测数据、气象监测数据以及大气光学气溶胶厚度；利用所述特征集训练第二年度模型时，特征变量包括空气质量监测数据和气象监测数据；

(2)获取特征子集，计算特征子集中每个特征变量的重要性，根据特征变量的重要性利用交叉验证法得到特征子集的得分；

(3)将当前特征子集中重要性最小的特征变量进行移除操作，得到当前新特征子集；

(4)不断重复步骤(2)和步骤(3)，直到特征子集中特征变量的数量为空或者达到预设的阈值时，停止搜索；

(5)比较所有特征子集的得分，输出最高的得分对应的特征子集。

2.根据权利要求1所述的一种日尺度自适应建模的PM2.5全覆盖估算方法，其特征在于，所述空气质量监测数据为气象站点的PM2.5监测数据；所述气象监测数据包括大气边界层高度、相对湿度、地表压力、地表2m温度、地表10m风速、臭氧柱总量、植被指数、30m高程和1公里年度人口分布数据。