[發明專利]一種基于季節性輔助變量優化的遙感AOD反演地面PM2.5的方法

在審

• 申請號: 201710119754.2
• 申請日: 2017-03-02
• 公開（公告）號: CN106971060A
• 公開（公告）日: 2017-07-21
• 發明（設計）人: 蔣曼;孫偉偉;楊剛
• 申請（專利權）人: 寧波大學
• 主分類號: G06F19/00
• 分類號: G06F19/00
• 代理公司: 杭州九洲專利事務所有限公司33101
• 代理人: 張羽振

1.一種基于季節性輔助變量優化的遙感AOD反演地面PM_2.5的方法，其特征在于，包括以下步驟：

步驟1，建立包含主變量AOD、PM_2.5、輔助變量氣象和地理要素的時空統一的數據集AV并按季節進行歸類整合；

步驟2，選擇季節性最佳單變量；

先構建沒有輔助變量的AOD-PM_2.5模型，然后將單個輔助變量分別加入該基本模型中，統計每一變量在四個季節中的模型擬合系數的R²；將四個季節中這些變量擬合系數從高到低排列，選取前m個即為各季節中表現性較好輔助變量AV′；

模型的基本結構為：

PM_2.5(i,j)＝β_0(i,j)+β_AOD(i,j)AOD_(i,j)

當加入輔助變量時，建立單變量GWR模型結構為：

${\mathrm{PM}}_{2.5(i,j)}={\mathrm{\β}}_{0(i,j)}+{\mathrm{\β}}_{AOD(i,j)}{\mathrm{AOD}}_{(i,j)}+{\mathrm{\β}}_{k(i,j)}{\mathrm{AV}}_{SUB(i,j)}^k$

AOD_(i,j)和PM_2.5(i,j)是站點i在j天時的AOD和PM_2.5值,相應的AOD系數是β_AOD(i,j).β₀是模型常數項；表示從輔助變量數據集AV里面選擇的第k個要素，β_k就是相應輔助變量特定位置的系數；輔助變量數據集AV就是最初選取變量；

步驟3，排除預篩選單變量存在的嚴重共線性；

本步驟對原始所有的變量采用斯皮爾曼等級相關分析，計算兩兩變量之間的存在的共線性，對上一步表現性較好的輔助變量AV′進一步限定。當上一步中預先篩選出來的兩個變量的相關系數大于0.3時排除其中一個變量，剩余的變量集為AV″。

步驟4，通過多變量組合實驗最終確定的篩選變量在GWR模型中的組合；

本步驟建立的公式表示為：

${\mathrm{PM}}_{2.5(i,j)}={\mathrm{\β}}_{0(i,j)}+{\mathrm{\β}}_{AOD(i,j)}{\mathrm{AOD}}_{(i,j)}+{\mathrm{\Σ}}_{k=1}^c{\mathrm{\β}}_{k(i,j)}{\mathrm{AV}}_{SUB(i,j)}^k$

這里c等于AV″中變量的個數。

2.根據權利要求1所述的基于季節性輔助變量優化的遙感AOD反演地面PM_2.5的方法，其特征在于：步驟4中評價模型的指標有四種。即R²，RMSE，MAPE和AICc；其中前3個指標可以用于模型建立和模型驗證，AICc指標僅用于模型的擬合的判斷；通過模型的綜合擬合得分和綜合驗證得分的均值得到模型的數據首先需要對四項指標分別按季節計算得分，計算模型擬合綜合得分S₁和模型驗證綜合得分S₂；S₁，S₂的平均值即為模型的綜合得分S，每個季節得分最高的模型即對應的變量組合即為該區域特定季節最佳的變量組合，計算得分公式分別為：

${\left(R_{(k,l)}^2\right)}^{\′}=\frac{R_{(k,l)}^2}{R_{(MAX,l)}^2}---\left(1\right)$

${\left({\mathrm{RMSE}}_{(k,l)}\right)}^{\′}=\frac{{\mathrm{RMSE}}_{(MAX,l)}}{{\mathrm{RMSE}}_{(k,l)}}---\left(2\right)$

${\left({\mathrm{MAPE}}_{(k,l)}\right)}^{\′}=\frac{{\mathrm{MAPE}}_{(MAX,l)}}{{\mathrm{MAPE}}_{(k,l)}}---\left(3\right)$

${\left({\mathrm{AICc}}_{(k,l)}\right)}^{\′}=\frac{{\mathrm{AICc}}_{(MAX,l)}}{{\mathrm{AICc}}_{(k,l)}}---\left(4\right)$

這里RMSE_(k,l)，MAPE_(k,l)，AICc_(k,l)表示第k個變量在季節l下統計得到的R²，RMSE，MAPE，AICc；

RMSE_(MAX,l)，MAPE_(MAX,l)，AICc_(MAX,l)分別表示該季節l下變量最大值的R²，RMSE，MAPE，AICc；

(RMSE_(k,l))′，(MAPE_(k,l))′，(AICc_(k,l))′分別是通過計算得到的新的R²，RMSE，MAPE，AICc；求這四個值的平均即為模型擬合的綜合值S₁；

$S_1=\frac{1}{4}({\left(R_{(k,l)}^2\right)}^{\′}+{\left({\mathrm{RMSE}}_{(k,l)}\right)}^{\′}+{\left({\mathrm{MAPE}}_{(k,l)}\right)}^{\′}+{\left({\mathrm{AICc}}_{(k,l)}\right)}^{\′})---\left(5\right)$

同樣的方法計算模型驗證時各變量的(RMSE_(k,l))″，(MAPE_(k,l))″，并求綜合得分S₂；

$S_2=\frac{1}{3}({\left(R_{(k,l)}^2\right)}^{\′\′}+{\left({\mathrm{RMSE}}_{(k,l)}\right)}^{\′\′}+{\left({\mathrm{MAPE}}_{(k,l)}\right)}^{\′\′})---\left(6\right)$

求S₁，S₂的平均值即為模型的綜合得分，每個季節得分最高的模型即對應的變量組合即為該區域特定季節最佳的變量組合。