[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

技術領域

本發明涉及遙感和大氣環境領域，具體涉及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。

背景技術

大氣中的PM_2.5濃度超標會對人體健康產生十分不利的影響，目前PM_2.5已成為我國第4大致死風險因素污染。因此，研究有效的PM_2.5濃度與監測技術，掌握以PM_2.5為主導的霧霾污染的實時變化動向，直接關系到普通公民的身心健康和社會公共安全，更對制定科學合理的空氣污染治理與防控措施來提高空氣質量具有重大社會意義。

目前，傳統的地面PM_2.5監測站，其“點”狀的監測模式、有限的站點數量和不均衡空間分布導致其無法實現大空間范圍的PM_2.5濃度監測。基于遙感的PM_2.5濃度監測技術利用遙感影像來測量入射輻射量的散射變化反演得到AOD數據，然后建立AOD與PM_2.5濃度的對應關系來反演得到PM_2.5濃度影像，從而實現PM_2.5濃度的動態監測。

目前，遙感AOD反演PM_2.5的模型方法可分為比例因子法、物理模型法和經驗統計模型法。比例因子法在缺乏地面PM_2.5監測數據的前提下也能夠進行模擬和計算，但其在估算短期PM_2.5平均濃度(如季節平均、月平均甚至日均值)時效果卻不太理想。總體來看，物理模型法效果好于比例因子法，但是由于PM_2.5和AOD關系的物理機理比較復雜，現有的半經驗公式還難以完全準確描述他們之間的關系，導致不同地區的差距也比較大。而且半經驗公式中的一些參數數據在實際應用中不易獲取，因而也限制了該方法的應用。經驗統計模型法相對于前兩者反演結果更加精確，尤其是能夠反映時空特征的高級統計模型。其中GWR是描述地理空間非穩定關系的最為經典的模型，通過輔助的氣象和地理要素變量在部分研究區具有較好的表現性，但相同變量的GWR模型在不同的區域的表現性不一，主要是由于AOD-PM_2.5關系的時空變化性，要求反映PM_2.5濃度的產生和擴散的地理和氣象因素變量等輔助變量也應該表現出相應的時空變化性。但目前常規GWR模型未對這些變量的時空適用性深入分析，導致選取的變量代表性不強，變量之間存在一定的冗余，影響模型的反演精度。

發明內容

本次發明針對現有AOD反演PM_2.5的GWR模型在選取變量方法的不足，提出一種篩選區域性GWR模型的最佳季節變量組合并建立季節性GWR模型的方法。

為實現上述技術目的，本發明采用了以下技術方案：

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，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：

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；