CN111125937A - 基于时空加权回归模型近地面大气细颗粒物浓度估算方法 - Google Patents
基于时空加权回归模型近地面大气细颗粒物浓度估算方法 Download PDFInfo
- Publication number
- CN111125937A CN111125937A CN202010029939.6A CN202010029939A CN111125937A CN 111125937 A CN111125937 A CN 111125937A CN 202010029939 A CN202010029939 A CN 202010029939A CN 111125937 A CN111125937 A CN 111125937A
- Authority
- CN
- China
- Prior art keywords
- data
- aot
- concentration
- method based
- estimation method
- 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.)
- Granted
Links
Images
Landscapes
- Testing Or Calibration Of Command Recording Devices (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种基于时空加权回归模型近地面大气细颗粒物浓度估算方法，包括：S1，获取地面监测站点的PM2.5月浓度数据；S2，获取MODIS/Terra 1km AOT数据，并对所述AOT数据消除量纲；S3，获取气象数据和NDVI数据，S4，将所述PM2.5月浓度数据、对应月份消除量纲后的AOT数据、对应月份的气象监测数据和对应月份的NDVI数据进行匹配，构建单月的AOT‑PM2.5模型；本发明可以比较精准地指示大气细颗粒物浓度的时空变化特征，弥补地面监测站点少，分布不均匀的缺陷，该数据对大气细颗粒物暴露健康评估和大气细颗粒物对陆地生态系统影响评估提供科学依据。
Description
技术领域
本发明涉及遥感数据应用技术领域，尤其涉及一种基于时空加权回归模型近地面大气细颗粒物浓度估算方法。
背景技术
大气颗粒物(particalate matter,PM)是城镇大气主要污染之一。细颗粒物(fineparticles)，是指空气动力学当量直径≦2.5μm的颗粒物，即PM2.5。PM2.5可深入到细支气管和肺泡。近几年来随着中国经济的发展，PM2.5的排放量也在增加，逐渐引起人们对空气质量的关注。虽然全国367个城市都建立了空气监测站点，但站点分布不均匀，且站点数量经济发达地区比较稠密，经济落后地区比较稀少，并不能精确反应PM2.5浓度的分布。
发明内容
本发明的目的是为了解决现有技术中存在的缺点，而提出一种基于时空加权回归模型近地面大气细颗粒物浓度估算方法。
为了实现上述目的，本发明采用了如下技术方案：
一种基于时空加权回归模型近地面大气细颗粒物浓度估算方法，包括以下步骤：
S1，获取地面监测站点的PM2.5月浓度数据；
S2，获取MODIS/Terra 1km AOT数据，并对所述AOT数据消除量纲；
S3，获取气象数据和NDVI5数据，
S4，将所述PM2.5月浓度数据、对应月份消除量纲后的AOT数据、对应月份的气象监测数据和对应月份的NDVI数据进行匹配，构建单月的AOT-PM2.5模型；
S5，利用所述AOT-PM2.5模型对近地PM2.5浓度时空分布进行模拟，回归映射估算出近地面PM2.浓度。
优选地，所述AOT–PM2.5模型为：
PM2.5K＝β0(μK,γK)+β1(μK,γK)AOTK+β2(μK,γK)PK+β3(μK,γK)RK+β4(μK,γK)UK+β5(μK,γK)WK+β6(μK,γK)TK+β7(μK,γK)HK+β8(μK,γK)SK+β10(μK,γK)NDVIK+εk(μK,γK),PM2,5K
其中PM2.5K为监测K点在位置(μK,γK)处PM2.5浓度；β0为位置(μK,γK)处的截距；AOTK、PK、UK、WK、TK、HK、SK、NDVIK和为(μK,γK)位置处的建模变量值；β1-γ8分别为特定位置处(μK,γK)气溶胶光学厚度AOT、大气压P、降水量R、相对湿度U、风速W、气温T、边界层高度H、日照时长S和植物覆盖指数NDVI的斜率；εk(μK,γK)是误差项。
优选地，在步骤S4中，在模型构建过程中利用自适应型Gauss函数按照相关要素分布的疏密创建核表面。
优选地，在步骤S4和S5之间还包括：利用交叉验证法验证所述AOT–PM2.5模型的拟合优良性。
优选地，对所述AOT–PM2.5模型进行拟合的公式为：
当CV值达到最小时，对应的b即为最佳带宽，其中，yo≠k(b)表示带宽为最佳带宽b时AOT–PM2.5模型拟合所得K点PM2.5浓度；yk为K点PM2.5浓度的监测值。
优选地，步骤S5包括：当回归映射所得PM2.5浓度高于所有监测站点监测的PM2.5浓度最大值的20％时，将回归映射所得PM2.5浓度赋值为监测站点PM2.5浓度最大值的120％；当回归映射所得PM2.5浓度低于所有监测站点监测的PM2.5浓度最小值的60％时，将回归映射所得PM2.5浓度赋值为监测站点PM2.5浓度最小值的60％。
优选地，步骤S1包括：获取PM2.5监测站位置信息和监测数据，利用VBA程序代码提取每日13:00-14:00的PM2.5小时数据。
优选地，所述获取MODIS/Terra 1km AOT数据之后包括：通过OMI传感器获得的大气AOT数据，采用IDL语言进行几何校正，利用ENVI5.3无缝拼接工具“seamless Mosaic”对AOT数据进行无缝拼接，并将每日数据加权平均得到大气月AOT数据。
优选地，所述并对所述AOT数据消除量纲包括：利用z-score标准化法对大气AOT数据进行标准化：z-score＝(x-μ)/σ；
其中，μ为所有AOT数据的算术平均值；σ为所有AOT数据的标准差；z-score为标准化后变量值；x为实际变量值。
与现有技术相比，本发明提出了一种基于时空加权回归模型近地面大气细颗粒物浓度估算方法，具有以下有益效果：
本发明通过将所述PM2.5月浓度数据、对应月份消除量纲后的AOT数据、对应月份的气象监测数据和对应月份的NDVI数据进行匹配，构建单月的AOT-PM2.5模型，利用所述AOT-PM2.5模型对近地PM2.5浓度时空分布进行模拟，回归映射估算出近地面PM2.浓度，获得的区域尺度近地表PM2.5的浓度可以比较精准地指示PM2.5浓度的时空变化特征，弥补地面监测站点少，分布不均匀的缺陷，该数据对大气细颗粒物暴露健康评估和PM2.5对陆地生态系统影响评估提供科学依据，也为制定大气环境保护政策提供科学依据。
附图说明
图1为本发明提出的基于时空加权回归模型近地面大气细颗粒物浓度估算方法的流程示意图。
图2为本发明的PM2.5地面监测站点分布图。
图3为本发明的植物覆盖指数图。
图4为本发明的气溶胶光学厚度图。
图5为本发明的模型效果参数表。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
请参照图1-5，一种基于时空加权回归(STWR)模型近地面大气细颗粒物浓度估算方法，包括以下步骤：
S1，获取地面监测站点的PM2.5月浓度数据；
S2，获取MODIS/Terra 1km AOT数据，并对所述AOT数据消除量纲；
S3，获取气象数据和NDVI5数据，
S4，将所述PM2.5月浓度数据、对应月份消除量纲后的AOT数据、对应月份的气象监测数据和对应月份的NDVI数据进行匹配，构建单月的AOT-PM2.5模型(时空加权回归模型)；
S5，利用所述AOT-PM2.5模型对近地PM2.5浓度时空分布进行模拟，回归映射估算出近地面PM2.浓度。
基于中国月尺度数据进行建模，并将经过上述处理地面监测站PM2.5月浓度数据与对应月份消除量纲后的遥感气溶胶光学厚度(AOT)和各气象要素数据进行匹配，分别构建了单月的AOT–PM2.5模型，所述AOT–PM2.5模型为：
PM2.5K＝β0(μK,γK)+β1(μK,γK)AOTK+β2(μK,γK)PK+β3(μK,γK)RK+β4(μK,γK)UK+β5(μK,γK)WK+β6(μK,γK)TK+β7(μK,γK)HK+β8(μK,γK)SK+β10(μK,γK)NDVIK+εk(μK,γK),PM2,5K
其中PM2.5K为监测K点在位置(μK,γK)处PM2.5浓度；β0为特定位置(μK,γK)处的截距；AOTK、PK、UK、WK、TK、HK、SK、NDVIK和为(μK,γK)位置处的建模变量值；β1-β8分别为特定位置处(μK,γK)气溶胶光学厚度AOT、大气压P、降水量R、相对湿度U、风速W、气温T、边界层高度H、日照时长S和植物覆盖指数NDVI的斜率；εk(μK,γK)是误差项。
在步骤S5之间还包括：利用交叉验证法验证所述AOT–PM2.5模型的拟合优良性。衡量统计模型拟合优良性，交叉验证法(crossvalidation，CV)确定最佳带宽，对所述AOT–PM2.5模型进行拟合的公式为：
当CV值达到最小时，对应的b即为最佳带宽，其中，yo≠k(b)表示带宽为最佳带宽b时AOT–PM2.5模型拟合所得K点PM2.5浓度；yk为K点PM2.5浓度的监测值。
利用所构建的模型对近地PM2.5浓度时空分布进行模拟的过程称为回归映射，本研究对回归映射所得PM2.5浓度进行如下处理：当回归映射所得PM2.5浓度高于所有监测站点所得PM2.5浓度最大值的20％时，将回归映射所得PM2.5浓度赋值为监测站点PM2.5浓度最大值的120％；当回归映射所得PM2.5浓度低于所有监测站点所得PM2.5浓度最小值的60％时，将回归映射所得PM2.5浓度赋值为监测站点PM2.5浓度最小值的60％。
本方案中，使用时，地面空气质量监测站PM2.5浓度处理方法，首先获取PM2.5监测站位置信息和监测数据，利用VBA程序代码提取每日13:00-14:00的PM2.5小时数据。PM2.5地面监测站点分布如图2所示。
OMI卫星遥感AOT处理方法为：OMI传感器获得的大气AOT数据，首先，采用IDL语言进行几何校正，利用ENVI5.3无缝拼接工具“seamlessMosaic”对AOT数据进行无缝拼接，并将每日数据加和平均得到月AOT数据，以上所有数据均通过克里金插值的方法生成空间连续分布的栅格图层(分辨率0.1°×0.1°)，投影方式统一采用WGS84(WorldGeodeticSystem1984)坐标系统.为了消除变量间的量纲关系，便于不同单位和量级的数据能够进行比较和计算，本研究利用z-score标准化法对数据进行标准化：
z-score＝(x-μ)/σ
其中，μ为所有AOT数据的算术平均值；σ为所有AOT数据的标准差；z-score为标准化后变量值；x为实际变量值。
地面气象站气象数据处理方法：首先获取气象站位置信息和监测数据(大气压P、降水量R、相对湿度U、风速W、气温T、日照时长S)，并与空气质量监测站站点匹配，利用VBA程序代码提取每日13:00-14:00的气象小时数据，衡量统计模型拟合优良性。为了更加详细地验证预测模型的精度，分别计算12个月的相关系数R2、均方根误差RMSE和平均相对误差绝对值MAPE。每个月的数据集为两组，其中60％的数据记录用于模型构建，其余40％用于准确性评估。时空加权回归拟合统计指标(R2、RMSE、MAPA)。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。
Claims (9)
1.一种基于时空加权回归模型近地面大气细颗粒物浓度估算方法，其特征在于，包括以下步骤：
S1，获取地面监测站点的PM2.5月浓度数据；
S2，获取MODIS/Terra 1km AOT数据，并对所述AOT数据消除量纲；
S3，获取气象数据和NDVI5数据，
S4，将所述PM2.5月浓度数据、对应月份消除量纲后的AOT数据、对应月份的气象监测数据和对应月份的NDVI数据进行匹配，构建单月的AOT-PM2.5模型；
S5，利用所述AOT-PM2.5模型对近地PM2.5浓度时空分布进行模拟，回归映射估算出近地面PM2.浓度。
2.根据权利要求1所述的基于时空加权回归模型近地面大气细颗粒物浓度估算方法，其特征在于，所述AOT-PM2.5模型为：
PM2.5K＝β0(μK，γK)+β1(μK，γK)AOTK+β2(μK，γK)PK+β3(μK，γK)RK+β4(μK，γK)UK+β5(μK，γK)WK+β6(μK，γK)TK+β7(μK，γK)HK+β8(μK，γK)SK+β10(μK，γK)NDVIK+εk(μK，γK)，PM2,5K
其中PM2.5K为监测K点在位置(μK，γK)处PM2.5浓度；β0为位置(μK，γK)处的截距；AOTK、PK、UK、WK、TK、HK、SK、NDVIK和为(μK，γK)位置处的建模变量值；β1-β8分别为特定位置处(μK，γK)气溶胶光学厚度AOT、大气压P、降水量R、相对湿度U、风速W、气温T、边界层高度H、日照时长S和植物覆盖指数NDVI的斜率；εk(μK，γK)是误差项。
3.根据权利要求1所述的基于时空加权回归模型近地面大气细颗粒物浓度估算方法，其特征在于，在步骤S4中，在模型构建过程中利用自适应型Gauss函数按照相关要素分布的疏密创建核表面。
4.根据权利要求1所述的基于时空加权回归模型近地面大气细颗粒物浓度估算方法，其特征在于，在步骤S5之间还包括：利用交叉验证法验证所述AOT–PM2.5模型的拟合优良性。
5.根据权利要求4所述的基于时空加权回归模型近地面大气细颗粒物浓度估算方法，其特征在于，对所述AOT–PM2.5模型进行拟合的公式为：
当CV值达到最小时，对应的b即为最佳带宽，其中，Yo≠k(b)表示带宽为最佳带宽b时AOT–PM2.5模型拟合所得K点PM2.5浓度；yk为K点PM2.5浓度的监测值。
6.根据权利要求1所述的基于时空加权回归模型近地面大气细颗粒物浓度估算方法，其特征在于，步骤S5包括：
当回归映射所得PM2.5浓度高于所有监测站点监测的PM2.5浓度最大值的20％时，将回归映射所得PM2.5浓度赋值为监测站点PM2.5浓度最大值的120％；当回归映射所得PM2.5浓度低于所有监测站点监测的PM2.5浓度最小值的60％时，将回归映射所得PM2.5浓度赋值为监测站点PM2.5浓度最小值的60％。
7.根据权利要求1所述的基于时空加权回归模型近地面大气细颗粒物浓度估算方法，其特征在于，步骤S1包括：
获取PM2.5监测站位置信息和监测数据，利用VBA程序代码提取每日13:00-14:00的PM2.5小时数据。
8.根据权利要求1所述的基于时空加权回归模型近地面大气细颗粒物浓度估算方法，其特征在于，所述获取MODIS/Terra 1km AOT数据之后包括：
通过OMI传感器获得的大气AOT数据，采用IDL语言进行几何校正，利用ENVI5.4无缝拼接工具“seamless Mosaic”对AOT数据进行无缝拼接，并将每日数据加和平均得到AOT月数据。
9.根据权利要求8所述的基于时空加权回归模型近地面大气细颗粒物浓度估算方法，其特征在于，所述并对所述AOT数据消除量纲包括：利用z-score标准化法对AOT数据进行标准化：
z-score＝(x-μ)/σ；
其中，μ为所有AOT数据的算术平均值；σ为所有AOT数据的标准差；z-score为标准化后变量值；x为实际变量值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010029939.6A CN111125937B (zh) | 2020-01-13 | 2020-01-13 | 基于时空加权回归模型近地面大气细颗粒物浓度估算方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010029939.6A CN111125937B (zh) | 2020-01-13 | 2020-01-13 | 基于时空加权回归模型近地面大气细颗粒物浓度估算方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111125937A true CN111125937A (zh) | 2020-05-08 |
| CN111125937B CN111125937B (zh) | 2023-05-02 |
Family
ID=70487977
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010029939.6A Active CN111125937B (zh) | 2020-01-13 | 2020-01-13 | 基于时空加权回归模型近地面大气细颗粒物浓度估算方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111125937B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114324097A (zh) * | 2022-01-04 | 2022-04-12 | 北京大学深圳研究生院 | 大气颗粒物质量浓度标准的确定方法 |
| CN114974459A (zh) * | 2022-05-25 | 2022-08-30 | 武汉大学 | Pm2.5浓度估算模型的构建方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103674794A (zh) * | 2013-12-16 | 2014-03-26 | 中国科学院遥感与数字地球研究所 | 遥感监测近地表细颗粒物质量浓度pm2.5的多元回归方法 |
| CN105117610A (zh) * | 2015-09-21 | 2015-12-02 | 黄波 | 一种基于时空特征的实时估算细颗粒物浓度的方法 |
| WO2018214060A1 (zh) * | 2017-05-24 | 2018-11-29 | 北京质享科技有限公司 | 一种城市小尺度空气质量指数预测方法与系统 |
-
2020
- 2020-01-13 CN CN202010029939.6A patent/CN111125937B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103674794A (zh) * | 2013-12-16 | 2014-03-26 | 中国科学院遥感与数字地球研究所 | 遥感监测近地表细颗粒物质量浓度pm2.5的多元回归方法 |
| CN105117610A (zh) * | 2015-09-21 | 2015-12-02 | 黄波 | 一种基于时空特征的实时估算细颗粒物浓度的方法 |
| WO2018214060A1 (zh) * | 2017-05-24 | 2018-11-29 | 北京质享科技有限公司 | 一种城市小尺度空气质量指数预测方法与系统 |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114324097A (zh) * | 2022-01-04 | 2022-04-12 | 北京大学深圳研究生院 | 大气颗粒物质量浓度标准的确定方法 |
| CN114974459A (zh) * | 2022-05-25 | 2022-08-30 | 武汉大学 | Pm2.5浓度估算模型的构建方法 |
| CN114974459B (zh) * | 2022-05-25 | 2024-04-16 | 武汉大学 | Pm2.5浓度估算模型的构建方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111125937B (zh) | 2023-05-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Wei et al. | Improved 1 km resolution PM 2.5 estimates across China using enhanced space–time extremely randomized trees | |
| Su et al. | Relationships between the planetary boundary layer height and surface pollutants derived from lidar observations over China: regional pattern and influencing factors | |
| CN106442236A (zh) | 基于卫星遥感的地面pm2.5反演方法及系统 | |
| Nashwan et al. | Development of high-resolution daily gridded temperature datasets for the central north region of Egypt | |
| CN109784552A (zh) | 一种基于Re-ESF算法的空间变系数PM2.5浓度估算模型的构建方法 | |
| Biard et al. | Automated detection of weather fronts using a deep learning neural network | |
| CN111723525B (zh) | 一种基于多源数据和神经网络模型的pm2.5反演方法 | |
| CN113344149B (zh) | 一种基于神经网络的pm2.5逐小时预测方法 | |
| CN115357847B (zh) | 一种基于误差分解的日尺度星地降水融合方法 | |
| CN111125937A (zh) | 基于时空加权回归模型近地面大气细颗粒物浓度估算方法 | |
| CN116450700B (zh) | 极轨卫星地表温度时间归一化方法、装置及电子设备 | |
| CN115438848A (zh) | 基于深度混合图神经网络的pm2.5浓度长期预测方法 | |
| Dayalu et al. | Assessing biotic contributions to CO 2 fluxes in northern China using the Vegetation, Photosynthesis and Respiration Model (VPRM-CHINA) and observations from 2005 to 2009 | |
| Si et al. | Evaluation of the MISR fine resolution aerosol product using MODIS, MISR, and ground observations over China | |
| Kokkonen et al. | Simulation of the radiative effect of haze on the urban hydrological cycle using reanalysis data in Beijing | |
| CN110160924B (zh) | 一种颗粒物浓度检测方法 | |
| CN108956392B (zh) | 一种潮滩沉积物类型的无人机识别方法 | |
| Han et al. | Estimation of high-resolution PM2. 5 concentrations based on gap-filling aerosol optical depth using gradient boosting model | |
| Jing et al. | Estimating PM2. 5 concentrations in a central region of China using a three-stage model | |
| CN115372287B (zh) | 基于高分五号卫星数据的二氧化硫排放清单构建方法 | |
| CN117077558A (zh) | 一种时空精细化的风速场构建方法 | |
| CN115239027B (zh) | 空气质量格点化集合预报的方法及装置 | |
| CN111199092A (zh) | 太阳辐射遥感估算方法、系统及数据处理装置 | |
| CN116429648B (zh) | 改进的时空LightGBM的地表PM10估算方法 | |
| Represa et al. | Daily concentrations of PM2. 5 in the Valencian community using random forest for the period 2008–2018 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |