一种基于高斯回归的空间细粒度污染推断方法技术

本发明专利技术公开了一种基于高斯回归的空间细粒度污染推断方法，涉及大气污染模型技术领域，包括以下步骤：S1，定义给定监测区域内所有监测点位的数据，对所有未知点位的PM2.5的数值进行推断；S2，确定选用的高斯回归模型，使用该高斯回归模型进行数据训练；S3，选用训练数据和测试数据，并利用训练数据和测试数据获得待推断空间细粒度污染预测值。该方法与其他污染推测方法相比具有较高的准确性和稳定性，更加适合对细粒度PM2.5进行空间推断；精细的污染热图使得后续的精细污染管控及健康风险评估具有更大的可能性。

A spatial fine-grained pollution inference method based on Gaussian regression

【技术实现步骤摘要】
一种基于高斯回归的空间细粒度污染推断方法
本专利技术涉及环境监测领域，尤其涉及一种基于高斯回归的空间细粒度污染推断方法。
技术介绍
为了精细的研究PM2.5的产生、扩散规律，需要有更密集部署的监测系统，目前我国在各个主要的城市均部署了精准的国控站进行监测，但监测密度仍然非常稀疏，例如北京大约一万平方公里面积只有35个国控站点进行监测，这对于精准的空间推断，以及之后的精细管控、健康风险评估均构成了很大的挑战。相关研究表明，即使相距较近的两地，其PM2.5也可能存在较大的差距。为了对空间的污染监测数据进行推断，近年来提出了两类主要的方法。第一类为传统的扩散模型，如高斯煙羽模式，三维街谷模型和计算流体力学模型。这些模型通常综合了诸如气象信息，街道地理特征信息，交通信息等众多数据，并进行复杂的数据建模，但是这类模型通常需要对物理环境进行较为强烈的假设，同时又需要各种纬度精细的监测数据，而这些对于空气污染监测领域而言，获取相对较难。第二类模型基于空间推断，这类模型基于城市内已经监测得倒的稀疏国控站点的数据，并结合气象、地理位置，交通信息等数据，建本文档来自技高网...

【技术保护点】
1.一种基于高斯回归的空间细粒度污染推断方法，其特征在于，包括以下步骤：/nS1，定义给定监测区域内所有监测点位的数据，对所有未知点位的PM2.5的数值进行推断；/nS2，确定选用的高斯回归模型，使用该高斯回归模型进行数据训练；/nS3，选用训练数据和测试数据，并利用训练数据和测试数据获得待推断空间细粒度污染预测值。/n

【技术特征摘要】
1.一种基于高斯回归的空间细粒度污染推断方法，其特征在于，包括以下步骤：
S1，定义给定监测区域内所有监测点位的数据，对所有未知点位的PM2.5的数值进行推断；
S2，确定选用的高斯回归模型，使用该高斯回归模型进行数据训练；
S3，选用训练数据和测试数据，并利用训练数据和测试数据获得待推断空间细粒度污染预测值。


2.根据权利要求1所述的基于高斯回归的空间细粒度污染推断方法，其特征在于，步骤S1中定义给定的数据具体为：

xi表示监测区域内第i个监测站的经纬度，使用yi表示该监测点位的PM2.5的数值；
对所有未知点位的PM2.5的数值进行推断的公式为：



其中∈i表示噪声。


3.根据权利要求1所述的基于高斯回归的空间细粒度污染推断方法，其特征在于，步骤S2中具体过程包括：
S21，定义fi＝f(xi)；
S22，当x满足下述条件：



其中K是协方差矩阵，其中Kij＝k(xi,xj)，k(x1,x2)可以是任何满足半正定特征的核函数，其中K是协方差矩阵。<...

【专利技术属性】
技术研发人员：李倩，刘锐，谢涛，席春秀，张丽伟，
申请(专利权)人：中科宇图科技股份有限公司，
类型：发明
国别省市：北京;11