一种基于地基和卫星观测的时空连续PM2.5反演方法技术

本申请公开了基于地基和卫星观测的时空连续PM2.5反演方法,该方法包括以下步骤：将监测区域分割为若干子区域；给各个子区域建立随机森林回归模型，在最优模型下反演得出各个子区域的PM2.5浓度估算值；用普通克里金插值算法计算各个子区域内各个站点观测的空间内插值；基于PM2.5浓度卫星估算值和空间插值的均方根误差，使用逆方差加权方法对PM2.5浓度卫星估算值和空间内插值进行计算得到最终的PM2.5浓度反演值；本申请综合采用多尺度分割、随机森林回归模型以及对地面观测结果进行插值，实现了对近地面PM2.5浓度的无缝高精度的计算。

A Spatiotemporal Continuous PM2.5 Inversion Method Based on Ground-based and Satellite Observations

This application discloses a spatiotemporal continuous PM2.5 inversion method based on ground-based and satellite observations, which includes the following steps: dividing the monitoring area into several sub-regions; establishing a stochastic forest regression model for each sub-region, inverting the PM2.5 concentration estimates of each sub-region under the optimal model; and calculating the observed PM2.5 concentration of each sub-region by ordinary Kriging interpolation algorithm Spatial interpolation; Based on the root mean square error of PM2.5 concentration satellite estimation and spatial interpolation, the inverse variance weighting method is used to calculate the PM2.5 concentration satellite estimation and spatial interpolation to obtain the final PM2.5 concentration inversion value; This application integrates multi-scale segmentation, random forest regression model and interpolation of ground observation results to achieve near-ground PM2.5 concentration. Seamless high precision calculation.

【技术实现步骤摘要】
一种基于地基和卫星观测的时空连续PM2.5反演方法
本公开一般涉及环境监测
，具体涉及空气中颗粒物的监测技术，尤其涉及一种基于地基和卫星观测的时空连续PM2.5反演方法。
技术介绍
在过去几十年里，由于迅速地城市扩张和工业化，大量的颗粒物(PM，即直径在1纳米到1亿之间的微粒)排放到空气中，导致灰霾事件频发，尤其是经济发达和人口密集的大都市区尤为突出。大气颗粒物是气溶胶的最主要的组成部分，通过直接或间接作用影响天气和气候系统。具体而言，一方面，气溶胶能够直接吸收和散射太阳辐射，扰动地气系统的能量收支；其次，它能作为云凝结核或冰核改变云的微物理和辐射性质以及云的寿命，间接影响气候系统。此外，大气中吸收性的气溶胶，主要是不完全燃烧排放的黑炭气溶胶，还能通过大气环流过程进行远距离传输，沉降到冰雪表面，从而降低冰雪反照率，增强其对太阳辐射的吸收，加速冰雪融化。更重要地，大气悬浮颗粒物也被证明会引起健康问题，如呼吸系统疾病，心血管疾病甚至引发肺癌等。根据世界卫生组织(WHO)在2018年发布的最新报告，全世界80％以上的人口正面临空气污染问题，每年有800多万人死于空气污染。一般来说，细颗粒(PM2.5)更有可能在空气中停留更长时间，并且比粗颗粒(PM10，空气动力学直径小于10微米的颗粒物)更容易进行长距离传输，从而影响较偏远地区的空气质量。此外，它们可以更深入地进入人类循环系统，从而导致更严重的健康问题。因此开展细颗粒物PM2.5的分布和时空演变研究对于进一步了解实际环境承载与空气污染控制而言是及其必要的。自上个世纪以来，随着人们对空气污染的理解和公共安全卫生意识的不断深入，人们的注意力已经从最初的悬浮微粒总量(TSP)转移到可以吸入颗粒物。早在1987年，美国环境保护署就用PM10浓度取代了TSP浓度用以监测空气质量，而1997年又进一步提出了PM2.5日均限制和年均限制，随后分别于1996年和2012年两次对其进行修改。中国关于细颗粒物的常规监控起步较晚，2001年制定了PM10标准，后于2012年将PM2.5浓度限制纳入新的环境空气质量标准(GB3095-2012)。当前已经积累了大量的关于PM2.5的研究,包括颗粒物浓度时空变化，化学成分测量和分析，环境和健康影响分析，以及基于卫星观测的区域浓度估计等。对于PM2.5浓度的研究从数据源上分为基于站点和基于卫星两种方式，其中基于站点的研究，数据可靠性高，能实时连续观测，但是站点稀疏，难以反映偏离站点的位置上气象、地形和排放源对颗粒物浓度所造成的实际影响。而基于大视域、高覆盖的卫星观测手段可以弥补站点观测的不足。大视域、宽覆盖的卫星观测弥补了稀疏的地基站点观测带来的不足，是目前的研究热点。已有研究表明，卫星反演的气溶胶光学厚度与粒径为0.1～2微米的颗粒物浓度密切相关，而大部分的PM2.5处于这一粒径范围内，因此理论上卫星AOD产品是一个用于反演PM2.5浓度的有效工具。当前使用主要的卫星产品包括中分辨率成像光谱仪(MODIS)AOD、多角度成像光谱仪(MISR)AOD、可见红外成像辐射计(VIIRS)AOD以及Himawari-8AOD产品等。与此同时也发展了多种颗粒物浓度估算预测方法，例如线性回归模型(multiplelinearregression，MLR)、线性混合模型(linearmixedeffects，LME)以及神经网络模型(artificialneuralnetwork，ANN)等。现有技术中的反演PM2.5浓度的方法存在以下缺点：首先忽略了空间异质性对反演结果的影响。当前已有的模型除基于多元线性回归发展而来的地理加权模型外，其他模型均不考虑空间异质性对模型参数估计的影响，即对研究区内所有样本进行一致处理。尽管这一过程减少了计算量，但是当研究区范围较大且下垫面复杂时，所得参数的区域代表性差，模型不能正确反映解释变量对特定位置颗粒物浓度的影响。而地理加权模型是基于像素或者人为划分区域实现的，要么计算量过大，要么区域划分的合理性有待改进。其次忽略了解释变量之间的多重共线性而导致的模型过拟合。多重共线性是指线性回归模型中的解释变量之间由于存在相关关系而使模型估计失真或难以准确估计。共线性又分为完全共线性和非完全共线性，当完全共线性存在时，回归系数的最小二乘估计不存在；而非完全共线性较强时，回归系数的无偏估计也不是有效的，从而对模型产生影响。一方面，可能会由于方差较大，使参数的显著性检验增加接受原假设的可能，从而舍掉某些对被解释变量而言有显著影响的因子；另一方面，变大的方差容易使模型预测的“区间”变大，使预测失去意义。而当前对PM2.5的估计通常会引入较多的解释变量，如温度、湿度、压强、风速、植被覆盖度等；这些变量之间呈现出一定程度的共线性，尤其是气象参量之间，因此，如果不对输入变量进行选择和处理，很有可能会导致参数估计失稳。最后现有技术中的方法完全基于卫星数据得到的反演结果空间覆盖度低。基于卫星AOD数据反演PM2.5，其结果受限于AOD的空间覆盖度。一方面，卫星AOD的反演是基于光学通道实现的，容易受到云和水汽的影响，即当云层较厚或水汽含量较多或发生降雨时，反射信号不能被卫星所接收，从而形成大面积的数据缺失。以葵花8号静止卫星为例，其AOD产品在中国的最大空间覆盖度低于45％。此外，AOD的反演与地表反照率有关，当地表反照率高即高亮地表，AOD的反演精度低，在对数据进行质控和筛选时会增加卫星AOD的缺失率。
技术实现思路
鉴于现有技术中的上述缺陷或不足，期望提供一种基于地基和卫星广策的时空连续PM2.5反演方法，实现对近地面PM2.5浓度的无缝反演。第一方面本申请提供的基于地基和卫星观测的时空连续PM2.5反演方法包括以下步骤：将监测区域分割为若干子区域；给各个子区域建立随机森林回归模型，将气象动态指标和卫星AOD作为解释变量输入到随机森林网络后训练随机森林回归模型得到最优模型，在最优模型下反演得出各个子区域的PM2.5浓度卫星估算值确定各个子区域内的PM2.5浓度卫星估算值的均方根误差RMSEsatellite；用普通克里金插值算法计算各个子区域内各个站点观测的空间内插值确定各个子区域内的空间内插值的均方根误差RMSEKring；使用逆方差加权方法对PM2.5浓度卫星估算值和空间内插值进行融合得到最终的PM2.5浓度反演值PMfusing。根据本申请实施例提供的技术方案，所述将监测区域分割为若干子区域具体包括以下步骤：以地理静态指标与PM2.5实测浓度为样本，统计出各静态指标与PM2.5实测浓度的相关系数；以相关系数作为权重对各静态指标进行指标归一化,得到归一化参量N_index，所述归一化参量N_index以栅格数据的形式显示；对归一化参量N_index的栅格数据进行多尺度分割，确定最优分割方案并以最优分割方案将监测区域分割为若干子区域。根据本申请实施例提供的技术方案，所述使用逆方差加权方法对PM2.5浓度卫星估算值和空间内插值进行融合，从而得到最终的PM2.5浓度反演值PMfusing之前还包括：建立PM2.5浓度卫星估算值和空间内插值的拟合函数；根据拟合函数得到卫星观测缺失像素的PM2.5浓度卫星估算值。根据本申请实本文档来自技高网...

【技术保护点】
1.一种基于地基和卫星观测的时空连续PM2.5反演方法，所述方法包括：将监测区域分割为若干子区域；给各个子区域建立随机森林回归模型，将气象动态指标和卫星AOD作为解释变量输入到随机森林网络后训练随机森林回归模型得到最优模型，在最优模型下反演得出各个子区域的PM2.5浓度卫星估算值

【技术特征摘要】
1.一种基于地基和卫星观测的时空连续PM2.5反演方法，所述方法包括：将监测区域分割为若干子区域；给各个子区域建立随机森林回归模型，将气象动态指标和卫星AOD作为解释变量输入到随机森林网络后训练随机森林回归模型得到最优模型，在最优模型下反演得出各个子区域的PM2.5浓度卫星估算值确定各个子区域内的PM2.5浓度卫星估算值的均方根误差RMSEsatellite；用普通克里金插值算法计算各个子区域内各个站点观测的空间内插值确定各个子区域内的空间内插值的均方根误差RMSEKring；使用逆方差加权方法对PM2.5浓度卫星估算值和空间内插值进行融合得到最终的PM2.5浓度反演值PMfusing。2.根据权利要求1所述的基于地基和卫星观测的时空连续PM2.5反演方法，其特征在于，所述将监测区域分割为若干子区域具体包括以下步骤：以地理静态指标与PM2.5实测浓度为样本，统计出各静态指标与PM2.5实测浓度的相关系数；以相关系数作为权重对各静态指标进行指标归一化，得到归一化参量N_index，所述归一化参量N_index以栅格数据显示；对归一化参量N_index的栅格数据进行多尺度分割，确定最优分割方案并以最优分割方案将监测区域分割为若干子区域。3.根据权利要求1或2所述的基于地基和卫星观测的时空连续PM2.5反演方法，其特征在于，所述使用逆方差加权方法对PM2.5浓度卫星估算值和空间内插值进行融合，从而得到最终的PM2.5浓度反演值PMfusing之前还包括：建立PM2.5浓度卫星估算值和空间内插值的拟合函数；根据拟合函数得到卫星观测缺失像素的PM2.5浓度卫星估算值4.根据权利要求2所述的基于地基和卫星观测的时空连续PM2.5反演方法，其特征在于，所述静态指标包括人为颗粒物排放密度AE、人口密度Pop、高程DEM；所述归一化参量N_index由以下公式计算得到：其中：。5.根据权利要求2所述的基于地基和卫星观测的时空连续PM2.5反演方法，其特征在于，所述以对归一化参量N_index的栅格数据进行多尺...

【专利技术属性】
技术研发人员：龚威，史硕，毛飞跃，臧琳，徐宝，宋沙磊，
申请(专利权)人：天津珞雍空间信息研究院有限公司，
类型：发明
国别省市：天津,12