PM制造技术

本发明专利技术提供一种PM

【技术实现步骤摘要】
PM
2.5
浓度估算模型的构建方法


[0001]本专利技术属于空间统计分析服务应用的
，具体涉及一种PM
2.5
浓度估算模型的构建方法。

技术介绍

[0002]PM
2.5
是指漂浮在空气中的空气动力学直径≤2.5μg/m3的细颗粒物，目前是我国大多数城市的首要大气污染物。研究表明，高浓度PM
2.5
对人类社会和个人身体健康具有不利影响，如阻碍视线影响交通，损害个人呼吸系统、心血管系统和免疫系统。
[0003]区域性的PM
2.5
浓度监测依赖于大规模的空气质量监测站点的建立，随着全国空气质量监测站点愈发完备，越来越多的研究人员将研究重心转为大范围的PM
2.5
浓度建模。部分学者采用普通克里金方法，依据空气质量监测站点的PM
2.5
浓度值进行插值，获得缺乏监测数据区域的PM
2.5
浓度。还有一部分学者采用普通时空克里金和贝叶斯最大熵方法，通过经验时空半方差函数捕获PM
2.5
浓度的时空依赖，充分利用PM
2.5
的空间和时间特征，得到多维时间的大规模区域性的PM
2.5
浓度值。然而上述方法缺乏考虑自然和社会环境的相关因素对PM
2.5
浓度值的影响，同时其拟合精度受限于空气质量监测站点的分布不均问题。
[0004]随着遥感影像的愈发成熟，其具有高时空分辨率和覆盖范围广的特征，越来越多的学者尝试采用遥感影像解决监测站点分布不均匀的问题。相关学者利用气溶胶厚度和颗粒物存在的相关关系，构建线性模型拟合PM
2.5
浓度；部分学者探究了其他相关自然因素如：地表温度、降水、高程等对PM
2.5
浓度。如郭红等基于卫星多光谱技术，计算大气气溶胶光学厚度的年平均值、地面PM
2.5
浓度观测平均值、相关气象数据平均值，构建PM
2.5
浓度估算模型，克服了监测站点分布不均匀问题。此外，部分学者将社会因素纳入PM
2.5
浓度估算过程中，相关社会因子数据包括夜光强度、人口密度、交通路网、土地利用等因素。
[0005]传统的线性回归建模难以拟合相关因子对PM
2.5
浓度的复杂影响过程。土地利用回归(Land
‑
use regression,LUR)、空间滞后模型(Spatial lag model,SLM)、空间误差模型(Spatial error model,SEM)、地理加权回归(Geographically weighted regression,GWR)等具有空间地理思维的回归方法被应用到PM
2.5
浓度建模当中。随着机器学习和深度学习在各个行业地广泛应用，相关模型也被应用到PM
2.5
浓度建模当中，如支持向量回归(Support Vactor Regression,SVR)、BP神经网络、随机森林算法(Random forest,RF)、深度残差网络(Deep residual network,ResNet)、长短期记忆模型(long
‑
short term memory,LSTM)等。然而，PM
2.5
浓度具有空间自相关性，存在较强的空间聚集效应，而相关算法缺乏对空间影响的考虑，同时认为各个影响因子对PM
2.5
浓度的空间影响是同质的，缺乏多尺度空间影响的考虑。
[0006]Zhang等人采用特征向量空间滤值建模方法模拟地表PM
2.5
浓度，分别考虑了自变量中的空间影响因子和非空间影响因子，但对于空间变异部分考虑不足。Tan等人采用随机效应特征向量空间滤值算法构建空间变系数方法构建地表PM
2.5
浓度模型，将自变量对PM
2.5
浓度的影响分为定系数和空间变系数部分，但缺乏考虑自变量对PM
2.5
浓度的多尺度影响。

技术实现思路

[0007]本专利技术的目的在于针对现有技术的不足之处，提供一种PM
2.5
浓度估算模型的构建方法，该方法对特征向量空间滤值变系数方法进行拓展，引入空间多尺度概念，表示影响因子对PM
2.5
浓度具有的多尺度效应，提出一种自适应的空间多尺度方法，进一步提高模型拟合精度。
[0008]为解决上述技术问题，本专利技术采用如下技术方案：
[0009]一种PM
2.5
浓度估算模型的构建方法，其特征在于，包括如下步骤：
[0010]步骤1：对地面监测站点记录的PM
2.5
数据进行质量评估与均值处理；
[0011]步骤2：选取合适的影响因子，并对影响因子进行预处理处理与均值处理；
[0012]步骤3：统一坐标站点和影响因子的空间坐标系，并得到坐标站点下的PM
2.5
浓度值和各个影响因子数值；
[0013]步骤4：计算PM
2.5
浓度值和各个影响因子的皮尔逊相关系数，对相关系数低于一定值的影响因子进行剔除；
[0014]步骤5：根据实际需求的比例将步骤4中的数据划分为建模集和测试集；
[0015]步骤6：选取合适的空间权重矩阵类型；
[0016]步骤7：基于遗传算法选取最佳带宽；
[0017]步骤8：根据步骤7中得到的最优带宽和步骤6中所选择的空间权重矩阵类型，构建空间权重矩阵；中心化空间权重矩阵并求取特征值和特征向量，其特征向量代表空间影响，为空间特征向量，并对所获得的空间特征向量进行初筛；将生成的空间特征向量与影响因子分别配对组成交互项；对影响因子、交互项进行重新组合构建模型，并对交互项和空间特征向量采用前向选择进行筛选；
[0018]步骤9：对模型精度评价；
[0019]步骤10：根据上述获得的空间特征向量和影响因子，代入步骤8所构建模型进行计算PM
2.5
浓度值并制图，获得大范围内的连续PM
2.5
浓度图。
[0020]进一步地，步骤2具体包括如下步骤：
[0021]步骤2.1：从各种资源节点获取各个影响因子的原始影像和相关数据，其中，影响因子包括自然环境因子和社会因子，影像类根据不同产品类型的相关需求进行相关校正；针对离散站点或其他矢量格式，通过相关软件进行矢量转栅格、插值、核密度分析的操作转换为覆盖研究区的栅格影像；
[0022]步骤2.2：对原始影像数据进行拼接和均值处理，得到覆盖范围完整的影像数据，再根据影像因子时空分辨率和PM
2.5
浓度时间分辨率的实际需求，统一影像因子得时空分辨率，进行上述处理完成后仍存在缺失值的问题，进行缺失值补全操作。
[0023]进一步地，步骤4中对皮尔逊相关系数小于0.1的影响因子进行剔除。
...

【技术保护点】

【技术特征摘要】
1.一种PM
2.5
浓度估算模型的构建方法，其特征在于，包括如下步骤：步骤1：对地面监测站点记录的PM
2.5
数据进行质量评估与均值处理；步骤2：选取合适的影响因子，并对影响因子进行预处理处理与均值处理；步骤3：统一坐标站点和影响因子的空间坐标系，并得到坐标站点下的PM
2.5
浓度值和各个影响因子数值；步骤4：计算PM
2.5
浓度值和各个影响因子的皮尔逊相关系数，对相关系数低于一定值的影响因子进行剔除；步骤5：根据实际需求的比例将步骤4中的数据划分为建模集和测试集；步骤6：选取合适的空间权重矩阵类型；步骤7：基于遗传算法选取最佳带宽；步骤8：根据步骤7中得到的最优带宽和步骤6中所选择的空间权重矩阵类型，构建空间权重矩阵；中心化空间权重矩阵并求取特征值和特征向量，其特征向量代表空间影响，为空间特征向量，并对所获得的空间特征向量进行初筛；将生成的空间特征向量与影响因子分别配对组成交互项；对影响因子、交互项进行重新组合构建模型，并对交互项和空间特征向量采用前向选择进行筛选；步骤9：对模型精度评价；步骤10：根据上述获得的空间特征向量和影响因子，代入步骤8所构建模型进行计算PM
2.5
浓度值并制图，获得大范围内的连续PM
2.5
浓度图。2.根据权利要求1所述的PM
2.5
浓度估算模型的构建方法，其特征在于，步骤2具体包括如下步骤：步骤2.1：从各种资源节点获取各个影响因子的原始影像和相关数据，其中，影响因子包括自然环境因子和社会因子，影像类根据不同产品类型的相关需求进行相关校正；针对离散站点或其他矢量格式，通过相关软件进行矢量转栅格、插值、核密度分析的操作转换为覆盖研究区的栅格影像；步骤2.2：对原始影像数据进行拼接和均值处理，得到覆盖范围完整的影像数据，再根据影像因子时空分辨率和PM
2.5
浓度时间分辨率的实际需求，统一影像因子得时空分辨率，进行上述处理完成后仍存在缺失值的问题，进行缺失值补全操作。3.根据权利要求1所述的PM
2.5
浓度估算模型的构建方法，其特征在于，步骤4中对皮尔逊相关系数小于0.1的影响因子进行剔除。4.根据权利要求1所述的PM
2.5
浓度估算模型的构建方法，其特征在于，步骤6中空间权重矩阵的类型包括反距离权重型空间权重矩阵和k邻近型空间权重矩阵。5.根据权利要求1所述的PM
2.5
浓度估算模型的构建方法，其特征在于，步骤7中最佳带宽的选取方法为：步骤7.1：对带宽进行编码并生成一组带宽；步骤7.2：根据步骤7.1的规则生成多组带宽，初始化多组带宽种群；步骤7.3：构建适应度函数，应用该函数评价各个种群中各组带宽适应度；其中，适应度函数的公式如下所示：
式中，y
ij
表示第i份验证集的第j个站点PM
2.5
浓度真实值；表...

【专利技术属性】
技术研发人员：陈玉敏，谭黄元，苏恒，陈玥君，周安南，陈国栋，
申请(专利权)人：武汉大学，
类型：发明
国别省市：