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平均浓度(如季节平均、月平均甚至日均值)时效果却不太理想。总体来看，物理模型法效果好于比例因子法，但是由于PM2.5和AOD关系的物理机理比较复杂，现有的半经验公式还难以完全准确描述他们之间的关系，导致不同地区的差距也比较大。而且半经验公式中的一些参数数据在实际应用中不易获取，因而也限制了该方法的应用。经验统计模型法相对于前两者反演结果更加精确，尤其是能够反映时空特征的高级统计模型。其中GWR是描述地理空间非稳定关系的最为经典的模型，通过辅助的气象和地理要素变量在部分研究区具有较好的表现性，但相同变量的GWR模型在不同的区域的表现性不一，主要是由于AOD-PM2.5关系的时空变化性，要求反映PM2.5浓度的产生和扩散的地理和气象因素变量等辅助变量也应该表现出相应的时空变化性。但目前常规GWR模型未对这些变量的时空适用性深入分析，导致选取的变量代表性不强，变量之间存在一定的冗余，影响模型的反演精度。
技术实现思路
本次专利技术针对现有AOD反演PM2.5的GWR模型在选取变量方法的不足，提出一种筛选区域性GWR模型的最佳季节变量组合并建立季节性GWR模型的方法。为实现上述技术目的，本专利技术采用了以下技术方案：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，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。作为优选：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指标仅用于模型的拟合的判断；通过模型的综合拟合得分和综合验证得分的均值得到模型的数据首先需要对四项指标分别按季节计算得分，计算模型拟合综合得分S1和模型验证综合得分S2；S1，S2的平均值即为模型的综合得分S，每个季节得分最高的模型即对应的变量组合即为该区域特定季节最佳的变量组合，计算得分公式分别为：这里RMSE(k,l)，MAPE(k,l)，AICc(k,l)表示第k个变量在季节l下统计得到的R2，RMSE，MAPE，AICc；RMSE(MAX,l)，MAPE(MAX,l)，AICc(MAX,l)分别表示该季节l下变量最大值的R2，RMSE，MAPE，AICc；(RMSE(k,l))′，(MAPE(k,l))′，(AICc(k,l))′分别是通过计算得到的新的R2，RMSE，MAPE，AICc；求这四个值的平均即为模型拟合的综合值S1；同样的方法计算模型验证时各变量的(RMSE(k,l))″，(MAPE(k,l))″，并求综合得分S2；求S1，S2的平均值即为模型的综合得分，每个季节得分最高的模型即对应的变量组合即为该区域特定季节最佳的变量组合。本专利技术的有益效果是：本专利技术提出的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。附图说明图1为本专利技术的实施例流程图。图2为单辅助变量模型结果图。图3为多变量组合模型结果图。具体实施方式下面结合实施例对本专利技术做进一步描述。下述实施例的说明只是用于帮助理解本专利技术。应当指出，对于本
的普通技术人员来说，在不脱离本专利技术原理的前提下，还可以对本专利技术进行若干改进和修饰，这些改进和修饰也落入本专利技术权利要求的保护范围内。本专利技术技术方案可采用计算机软件实现自动运行流程。以下结合图1详述区域性GWR模型的季节变量筛选和季节性GWR模型建立的方法的步骤。步骤1，本专利技术提出的筛选区域性GWR模型的最佳季节变量建立季节性GWR模型的方法，需要首先对主变量和辅助变量的数据集进行时空整合编码到一个数据集AV，具体的数据整合编码等为现有的技术。然后分四个季节的数据集进行实验。步骤2，选择季节性贡献度较大的单变量；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)(1)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
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。