一种基于季节性辅助变量优化的遥感AOD反演地面PM2.5的方法技术

本发明专利技术涉及基于季节性辅助变量优化的遥感AOD反演地面PM2.5的方法。本发明专利技术提出的AOD反演PM2.5模型中筛选区域性GWR模型的季节变量筛选和建立季节性GWR模型的方法是利用GWR模型中日关键变量的季节性规律来筛选变量和构建模型。不仅考虑了单个变量的季节性特征，而且排除了变量之间的严重的共线性，考虑到变量之间的相互影响通过多变量组合的实验，进一步确定季节性GWR模型变量组合。总之，本发明专利技术提出的方法能够有效的优化常规的GWR模型，建立带有区域时空特征的季节性GWR模型，提高区域遥感反演PM2.5浓度上有重要的实际应用。

【技术实现步骤摘要】
一种基于季节性辅助变量优化的遥感AOD反演地面PM2.5的方法
本专利技术涉及遥感和大气环境领域，具体涉及基于季节性辅助变量优化的遥感AOD反演地面PM2.5的方法。
技术介绍
大气中的PM2.5浓度超标会对人体健康产生十分不利的影响，目前PM2.5已成为我国第4大致死风险因素污染。因此，研究有效的PM2.5浓度与监测技术，掌握以PM2.5为主导的雾霾污染的实时变化动向，直接关系到普通公民的身心健康和社会公共安全，更对制定科学合理的空气污染治理与防控措施来提高空气质量具有重大社会意义。目前，传统的地面PM2.5监测站，其“点”状的监测模式、有限的站点数量和不均衡空间分布导致其无法实现大空间范围的PM2.5浓度监测。基于遥感的PM2.5浓度监测技术利用遥感影像来测量入射辐射量的散射变化反演得到AOD数据，然后建立AOD与PM2.5浓度的对应关系来反演得到PM2.5浓度影像，从而实现PM2.5浓度的动态监测。目前，遥感AOD反演PM2.5的模型方法可分为比例因子法、物理模型法和经验统计模型法。比例因子法在缺乏地面PM2.5监测数据的前提下也能够进行模拟和计算，但其在估算短期PM2.5平均本文档来自技高网...

【技术保护点】
一种基于季节性辅助变量优化的遥感AOD反演地面PM2.5的方法，其特征在于，包括以下步骤：步骤1，建立包含主变量AOD、PM2.5、辅助变量气象和地理要素的时空统一的数据集AV并按季节进行归类整合；步骤2，选择季节性最佳单变量；先构建没有辅助变量的AOD‑PM2.5模型，然后将单个辅助变量分别加入该基本模型中，统计每一变量在四个季节中的模型拟合系数的R

【技术特征摘要】
1.一种基于季节性辅助变量优化的遥感AOD反演地面PM2.5的方法，其特征在于，包括以下步骤：步骤1，建立包含主变量AOD、PM2.5、辅助变量气象和地理要素的时空统一的数据集AV并按季节进行归类整合；步骤2，选择季节性最佳单变量；先构建没有辅助变量的AOD-PM2.5模型，然后将单个辅助变量分别加入该基本模型中，统计每一变量在四个季节中的模型拟合系数的R2；将四个季节中这些变量拟合系数从高到低排列，选取前m个即为各季节中表现性较好辅助变量AV′；模型的基本结构为：PM2.5(i,j)＝β0(i,j)+βAOD(i,j)AOD(i,j)当加入辅助变量时，建立单变量GWR模型结构为：AOD(i,j)和PM2.5(i,j)是站点i在j天时的AOD和PM2.5值,相应的AOD系数是βAOD(i,j).β0是模型常数项；表示从辅助变量数据集AV里面选择的第k个要素，βk就是相应辅助变量特定位置的系数；辅助变量数据集AV就是最初选取变量；步骤3，排除预筛选单变量存在的严重共线性；本步骤对原始所有的变量采用斯皮尔曼等级相关分析，计算两两变量之间的存在的共线性，对上一步表现性较好的辅助变量AV′进一步限定。当上一步中预先筛选出来的两个变量的相关系数大于0.3时排除其中一个变量，剩余的变量集为AV″。步骤4，通过多变量组合实验最终确定的筛选变量在GWR模型中的组合；本步骤建立的公式表示为：这里c等于AV″中变量的个数。2.根据权利要求1所述的基于季节性辅助变量优化的遥感AOD反演地面PM2.5的方法，其特征在于：步骤4中评价模型的指标有四种。即R2，RMSE，MAPE和AICc；其中前3个指标可以用于模型建立和模型验证，AICc指标仅用...

【专利技术属性】
技术研发人员：蒋曼，孙伟伟，杨刚，
申请(专利权)人：宁波大学，
类型：发明
国别省市：浙江,33