CN109784557A - 基于经验贝叶斯克里金模型来估算pm2.5的方法、系统及介质 - Google Patents

基于经验贝叶斯克里金模型来估算pm2.5的方法、系统及介质 Download PDF

Info

Publication number
CN109784557A
CN109784557A CN201910013379.2A CN201910013379A CN109784557A CN 109784557 A CN109784557 A CN 109784557A CN 201910013379 A CN201910013379 A CN 201910013379A CN 109784557 A CN109784557 A CN 109784557A
Authority
CN
China
Prior art keywords
data
semivariable function
function
semivariable
subset
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201910013379.2A
Other languages
English (en)
Inventor
刘湘湘
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Aerospace Intelligent City System Technology Research Institute Co Ltd
Original Assignee
Shenzhen Aerospace Intelligent City System Technology Research Institute Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shenzhen Aerospace Intelligent City System Technology Research Institute Co Ltd filed Critical Shenzhen Aerospace Intelligent City System Technology Research Institute Co Ltd
Priority to CN201910013379.2A priority Critical patent/CN109784557A/zh
Publication of CN109784557A publication Critical patent/CN109784557A/zh
Pending legal-status Critical Current

Links

Landscapes

  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于经验贝叶斯克里金模型来估算PM2.5的方法、系统及存储介质，将待估算地区的地面PM2.5观测数据重采样到预先创建的网格中并进行匹配；将匹配好的网格数据划分为多个特定大小的重叠子集；通过子集中的PM2.5观测数据估计半变异函数；将估计出的半变异函数用作模型，通过模型在每个输入位置进行无条件模拟，产生新的PM2.5模拟值；通过PM2.5模拟值来估计新的半变异函数，且依据经验贝叶斯规则来计算该半变异函数的权重；重复上述第四、五步若干次，将最后一次得到的权重对半变异函数进行加权，将加权结果在未知位置进行PM2.5预测。本发明能够节约成本，大大提高PM2.5的估算精度。

Description

基于经验贝叶斯克里金模型来估算PM2.5的方法、系统及介质
技术领域
本发明涉及空气质量检测技术领域，尤其涉及一种基于经验贝叶斯克里金模型来估算PM2.5的方法、系统及存储介质。
背景技术
空气污染是当今社会最关注的话题之一，因为它危害了人类和其他生物的健康，造成了巨大的损失。PM2.5(又称细颗粒，细粒)是指环境空气中空气动力学当量直径小于或等于2.5微米的颗粒物，也称为可入肺颗粒物。它的直径还不到人的头发丝粗细的1/20。虽然，PM2.5只是地球大气成分中含量很少的组分，但它对空气质量和能见度等有重要的影响。它能较长时间悬浮于空气中，其在空气中含量浓度越高，就代表空气污染越严重。长期暴露在PM2.5中会影响人换上鼻炎、哮喘和肺癌，减少人均寿命。因此，估算PM2.5分布是一件十分重要的事情。准确的估计和及时的播报，能够为人们决定是否合适出门，出门是否需要戴口罩等提供很好的建议。尽管有少量的学者采用空间插值法来估算PM2.5，但是，采用的都是传统的空间插值方法，精确性不高。当前的PM2.5的地面检测站点安装成本高并且覆盖不足，所以，有少量学者采用了传统的空间插值方法来估算PM2.5。但是，他们的方法对PM2.5的估算不够高。因此，需要采用一种精确性更高的空间插值模型来实时估算pm2.5。
发明内容
本发明提供一种基于经验贝叶斯克里金模型来估算PM2.5的方法、系统及存储介质，以解决现有的空间插值方法对地面PM2.5的估算精度不高的问题。
为实现上述目的，本发明提供一种基于经验贝叶斯克里金模型来估算PM2.5的方法，包括以下步骤：
S1，将待估算地区的地面PM2.5观测数据重采样到预先创建的网格中并进行匹配；
S2，将匹配好的网格数据划分为多个特定大小的重叠子集；
S3，通过子集中的PM2.5观测数据来估计半变异函数；
S4，将估计出的半变异函数用作模型，通过所述模型在子集的每个输入位置进行无条件模拟，产生新的PM2.5数据作为PM2.5模拟值；
S5，通过所述PM2.5模拟值来估计新的半变异函数，并且依据经验贝叶斯规则来计算该半变异函数的权重；
S6，重复上述步骤S4及S5，模拟产生PM2.5模拟值和依据模拟数据来估算新的半变异函数若干次，将最后一次得到的权重对半变异函数进行加权，将加权后的结果在未知位置进行PM2.5预测。
其中，所述S1、将待估算地区的地面PM2.5观测数据重采样到预先创建的网格中并进行匹配的步骤之前还包括：
S0，根据待估算地区的经纬度范围以及分辨率创建网格。
其中，每个子集有100个点，重复上述步骤S4及S5的次数为100次。
其中，所述S6，重复上述步骤S4及S5，模拟产生PM2.5模拟值和依据模拟数据来估算新的半变异函数若干次，将最后一次得到的权重对半变异函数进行加权，将加权后的结果在未知位置进行PM2.5预测的步骤包括：
重复上述步骤S4及S5，模拟产生PM2.5模拟值和依据模拟数据来估算新的半变异函数100次，其中，每次重复，步骤S4中的半变异函数都会在对应的位置模拟出新的数据子集，新的数据子集估计产生新的半变异函数和该变异函数对应的权重，将得出的权重和步骤S1中的半变异函数相结合，得到没有被采样位置的PM2.5预测值和预测标准差；
重复100次后，得到最终的预测值，将最后一次得到的权重对半变异函数进行加权，采用加权后的半变异函数在未知位置进行PM2.5预测。
本发明还提出一种基于经验贝叶斯克里金模型来估算PM2.5的装置，包括：存储器、处理器以及存储在所述存储器上的计算机程序，所述计算机程序被所述处理器运行时实现如上所述的方法的步骤。
本发明还提出一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器运行时实现如上所述的方法的步骤。
现有的PM2.5都是通过监测站监测或是采用了传统的空间插值方法来估算。前者的成本高，而后者不够精确。相比现有技术，本发明提出的一种基于经验贝叶斯克里金模型来估算PM2.5的方法、系统及存储介质，在获取了PM2.5数据点有限的约束条件下，采用基于经验贝叶斯的克里金插值来估算局部区域的PM2.5的浓度，本发明不但能够节约成本，而且能够大大提高PM2.5的估算精度，可以在监测站资源有限的情况下，得到局部地区的更为精确的PM2.5估计值。
附图说明
图1是本发明基于经验贝叶斯克里金模型来估算PM2.5的方法实施例的流程示意图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
由于传统的克里金插值方法对现实的假设太强，导致采用传统的克里金插值得到的PM2.5估算值的精确性不高。首先，传统克里金插值假设空间属性是均一的。也就是说，对于空间的任意一点，都有同样的期望和方差。其次，传统克里金假设估计的半方差图就是真实的半方差图。这就要求数据来自高斯分布。当且仅当数据的分布服从高斯分布的时候，采用传统的克里金插值才会得到最好的估计值。而真实世界的数据分布是很难服从高斯分布的。因此，这些假设在现实世界很难成立。所以，采用传统克里金插值方法估算出来的PM2.5并不精确。
本发明采用的基于经验贝叶斯克里金插值方法不要求PM2.5必须满足高斯分布，也不假设空间属性是均一的。因此，它能够为大范围地区的非均一数据提供精确的插值，而且能够将非高斯分布的数据局部性地转化为高斯分布。因此，比起传统的克里金插值,经验贝叶斯克里金插值能够估算出更为精确的局部地区的PM2.5值。
具体地，请参照图1，图1是本发明提出的基于经验贝叶斯克里金模型来估算PM2.5的方法实施例的流程示意图。
如图1所示，本发明第一实施例提出一种基于经验贝叶斯克里金模型来估算PM2.5的方法，包括以下步骤：
S1，将待估算地区的地面PM2.5观测数据重采样到预先创建的网格中并进行匹配；
在此步骤S1之前还包括：
S0，根据待估算地区的经纬度范围以及分辨率创建网格。
S2，将匹配好的网格数据划分为多个特定大小的重叠子集；
S3，通过子集中的PM2.5观测数据来估计半变异函数；
S4，将估计出的半变异函数用作模型，通过所述模型在子集的每个输入位置进行无条件模拟，产生新的PM2.5数据作为PM2.5模拟值；
S5，通过所述PM2.5模拟值来估计新的半变异函数，并且依据经验贝叶斯规则来计算该半变异函数的权重；
S6，重复上述步骤S4及S5，模拟产生PM2.5模拟值和依据模拟数据来估算新的半变异函数若干次，将最后一次得到的权重对半变异函数进行加权，将加权后的结果在未知位置进行PM2.5预测。
其中，作为一种实现方式，每个子集有100个点，重复上述步骤S4及S5的次数为100次。
以100次为例，对本发明方案进行详细阐述：
本发明的主要方案是：根据待估算地区的经纬度范围以及分辨率创建网格，将待估算地区的地面PM2.5观测数据重采样到创建的网格中并进行匹配；然后，将网格数据划分为多个特定大小的重叠子集(默认为每个子集有100个点)；待划分好子集之后，进行以下3个操作：
步骤一：通过子集中的PM2.5观测数据估计各个子集的半变异函数；
步骤二：将估计出的半变异函数当做模型，模型将会在子集的每个输入位置进行无条件模拟，产生新PM2.5数据；
步骤三：使用模拟出来的PM2.5数据来估计新的半变异函数和该半变异函数的权重，其权重是依据贝叶斯规则来计算。
重复步骤二和步骤三至100次。每次重复，步骤一中的半变异函数都会在对应的位置模拟出新的数据子集，新的子集会产生新的半变异函数的估计和该变异函数对应的权重。将得出的权重和第一步中的半变异函数相结合，如此就能得到没有被采样位置的PM2.5预测值和预测标准差。每一次重复，都会进行反复的转换和偏差校正，预测标准差都会变小。大概重复100次左右，就能得到最终的预测值。采用加权后的半变异函数在未知位置进行PM2.5预测。
相比现有技术，现有的PM2.5都是通过监测站监测或是采用了传统的空间插值方法来估算。前者的成本高，而后者不够精确。本发明提出的一种基于经验贝叶斯克里金模型来估算PM2.5的方法、系统及存储介质，在获取了PM2.5数据点有限的约束条件下，采用基于经验贝叶斯的克里金插值来估算局部区域的PM2.5的浓度，本发明不但能够节约成本，而且能够大大提高PM2.5的估算精度，可以在监测站资源有限的情况下，得到局部地区的更为精确的PM2.5估计值。
此外，本发明还提出一种基于经验贝叶斯克里金模型来估算PM2.5的装置，包括：存储器、处理器以及存储在所述存储器上的计算机程序，所述计算机程序被所述处理器运行时实现如上所述的方法的步骤。
此外，本发明还提出一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器运行时实现如上所述的方法的步骤。
需要说明的是，上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在如上的一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，电视机，电脑等)执行本发明各个实施例的方法。
以上所述仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或流程变换，或直接或间接运用在其它相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (6)

1.一种基于经验贝叶斯克里金模型来估算PM2.5的方法，其特征在于，包括以下步骤：
S1，将待估算地区的地面PM2.5观测数据重采样到预先创建的网格中并进行匹配；
S2，将匹配好的网格数据划分为多个特定大小的重叠子集；
S3，通过子集中的PM2.5观测数据来估计半变异函数；
S4，将估计出的半变异函数用作模型，通过所述模型在子集的每个输入位置进行无条件模拟，产生新的PM2.5数据作为PM2.5模拟值；
S5，通过所述PM2.5模拟值来估计新的半变异函数，并且依据经验贝叶斯规则来计算该半变异函数的权重；
S6，重复上述步骤S4及S5，模拟产生PM2.5模拟值和依据模拟数据来估算新的半变异函数若干次，将最后一次得到的权重对半变异函数进行加权，将加权后的结果在未知位置进行PM2.5预测。
2.根据权利要求1所述的基于经验贝叶斯克里金模型来估算PM2.5的方法，其特征在于，所述S1、将待估算地区的地面PM2.5观测数据重采样到预先创建的网格中并进行匹配的步骤之前还包括：
S0，根据待估算地区的经纬度范围以及分辨率创建网格。
3.根据权利要求1所述的基于经验贝叶斯克里金模型来估算PM2.5的方法，其特征在于，每个子集有100个点，重复上述步骤S4及S5的次数为100次。
4.根据权利要求3所述的基于经验贝叶斯克里金模型来估算PM2.5的方法，其特征在于，所述S6，重复上述步骤S4及S5，模拟产生PM2.5模拟值和依据模拟数据来估算新的半变异函数若干次，将最后一次得到的权重对半变异函数进行加权，将加权后的结果在未知位置进行PM2.5预测的步骤包括：
重复上述步骤S4及S5，模拟产生PM2.5模拟值和依据模拟数据来估算新的半变异函数100次，其中，每次重复，步骤S4中的半变异函数都会在对应的位置模拟出新的数据子集，新的数据子集估计产生新的半变异函数和该变异函数对应的权重，将得出的权重和步骤S1中的半变异函数相结合，得到没有被采样位置的PM2.5预测值和预测标准差；
重复100次后，得到最终的预测值，将最后一次得到的权重对半变异函数进行加权，采用加权后的半变异函数在未知位置进行PM2.5预测。
5.一种基于经验贝叶斯克里金模型来估算PM2.5的装置，其特征在于，包括：存储器、处理器以及存储在所述存储器上的计算机程序，所述计算机程序被所述处理器运行时实现如权利要求1-4中任一项所述的方法的步骤。
6.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器运行时实现如权利要求1-4中任一项所述的方法的步骤。
CN201910013379.2A 2019-01-07 2019-01-07 基于经验贝叶斯克里金模型来估算pm2.5的方法、系统及介质 Pending CN109784557A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910013379.2A CN109784557A (zh) 2019-01-07 2019-01-07 基于经验贝叶斯克里金模型来估算pm2.5的方法、系统及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910013379.2A CN109784557A (zh) 2019-01-07 2019-01-07 基于经验贝叶斯克里金模型来估算pm2.5的方法、系统及介质

Publications (1)

Publication Number Publication Date
CN109784557A true CN109784557A (zh) 2019-05-21

Family

ID=66499977

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910013379.2A Pending CN109784557A (zh) 2019-01-07 2019-01-07 基于经验贝叶斯克里金模型来估算pm2.5的方法、系统及介质

Country Status (1)

Country Link
CN (1) CN109784557A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111259539A (zh) * 2020-01-14 2020-06-09 中山大学 一种道路pm2.5精细化污染分布的模拟方法、系统及计算机存储介质
CN112598178A (zh) * 2020-12-23 2021-04-02 北方民族大学 一种基于贝叶斯框架下的大气污染物浓度预测方法
CN114329887A (zh) * 2021-11-22 2022-04-12 北京理工大学 一种数据驱动的动态混合高斯航天器轨道误差演化方法

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106407633A (zh) * 2015-07-30 2017-02-15 中国科学院遥感与数字地球研究所 基于时空回归克里金模型估算地面pm2.5的方法及系统

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106407633A (zh) * 2015-07-30 2017-02-15 中国科学院遥感与数字地球研究所 基于时空回归克里金模型估算地面pm2.5的方法及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
张楚天等: "贝叶斯最大熵方法时空预测关键问题研究与应用", 《中国博士学位论文全文数据库 基础科学辑》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111259539A (zh) * 2020-01-14 2020-06-09 中山大学 一种道路pm2.5精细化污染分布的模拟方法、系统及计算机存储介质
CN112598178A (zh) * 2020-12-23 2021-04-02 北方民族大学 一种基于贝叶斯框架下的大气污染物浓度预测方法
CN112598178B (zh) * 2020-12-23 2022-03-29 北方民族大学 一种基于贝叶斯框架下的大气污染物浓度预测方法
CN114329887A (zh) * 2021-11-22 2022-04-12 北京理工大学 一种数据驱动的动态混合高斯航天器轨道误差演化方法

Similar Documents

Publication Publication Date Title
AU2018101946A4 (en) Geographical multivariate flow data spatio-temporal autocorrelation analysis method based on cellular automaton
WO2018058821A1 (zh) 一种基于种植设备的病虫害预测方法及装置
CN107688906B (zh) 多方法融合的输电线路气象要素降尺度分析系统及方法
Lewis et al. Evaluation of historical diurnal temperature range trends in CMIP5 models
CN108375808A (zh) Nriet基于机器学习的大雾预报方法
CN111199270B (zh) 一种基于深度学习的区域波高预报方法及终端
CN109784557A (zh) 基于经验贝叶斯克里金模型来估算pm2.5的方法、系统及介质
CN110232471B (zh) 一种降水传感网节点布局优化方法及装置
Burden et al. A statistical method for determining the volume of volcanic fall deposits
CN112054943A (zh) 一种移动网络基站流量预测方法
CN112926172B (zh) 一种突发性重金属水污染追踪溯源的方法
CN113610243A (zh) 基于耦合机器学习和相关性分析的大气污染物溯源方法
CN113379107A (zh) 基于lstm和gcn的区域电离层tec预报方法
CN113740220A (zh) 基于高分辨气溶胶资料的多尺度三维变分同化方法
Bessac et al. Stochastic simulation of predictive space–time scenarios of wind speed using observations and physical model outputs
Porter et al. Methods for reducing biases and errors in regional photochemical model outputs for use in emission reduction and exposure assessments
CN106323670A (zh) 土壤采样点确定方法及装置
CN117252436B (zh) 一种土地利用变化生态风险分区的方法和系统
Kumar et al. Data assimilation of surface air pollutants (O3 and NO2) in the regional-scale air quality model AURORA
CN113610436B (zh) 一种承灾体动态脆弱性评估方法及系统
CN114511239B (zh) 土壤重金属污染风险区划分方法、装置、电子设备及介质
Saha et al. Relative impacts of projected climate and land use changes on terrestrial water balance: a case study on Ganga River basin
Rahman A statistical approach to multisite downscaling of daily extreme temperature series: A case study using data in Bangladesh
Shi et al. A Grey Model for Short-Term Prediction of the Ionospheric TEC
Hart et al. Accuracy and power analysis of social interaction networks

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20190521