[发明专利]基于遥感数据的地面PM2.5浓度特征向量空间滤值建模方法

说明书

本发明提出一种基于遥感数据的地面PM2.5浓度特征向量空间滤值建模方法，包括数据获取与模型变量的选择，数据处理与匹配，由研究区国控点位置构建空间邻接矩阵，进行中心化并计算矩阵特征值和特征向量，从向量组中提取合适的特征向量作为PM2.5浓度的空间影响因子；得到PM2.5浓度的特征向量空间滤值回归模型，将提取的特征向量均插值为与AOD具有相同空间分辨率的栅格图像，带入特征向量空间滤值回归模型进行栅格计算，得到研究区内连续的PM2.5浓度空间分布模型。本发明针对地面国控点数量较少且分布不均的问题，选取分辨率较高且连续分布的遥感数据进行地面PM2.5浓度的反演可供大范围内PM2.5时空特征研究使用。

技术领域

本发明属于空间统计分析服务应用技术领域，特别涉及一种基于遥感数据的地面PM2.5浓度特征向量空间滤值建模方法。

背景技术

PM2.5对大气环境质量和人体健康都有着极大的危害。一方面，PM2.5污染会造成腐蚀，植被破坏等环境问题，细颗粒物的散射消光作用使得大气能见度下降。另一方面，由于PM2.5的体积小(直径约为人类头发平均粗细的1/30)，它可以通过呼吸深入人体肺部，携带表面的有毒物质一起渗入血液，对人体健康产生不利影响，并且它在大气中漂浮时间长、传播距离远，危害作用强于其他空气污染物(2006，参考背景文献1)。

近几年来我国政府越来越关注PM2.5污染问题，全国地面PM2.5浓度监测站(简称“国控点”)的数量至今已增加到1586个。但是国控点的数量仍远远不够，而且分布稀疏不均，主要集中在城市中心，在农村和郊区则分布较少。为了研究大范围内连续的PM2.5浓度分布情况，有研究者使用GIS领域的空间插值方法，如反距离权重法、普通克里格法和协同克里格法等，由离散的站点数据获得连续的PM2.5面状分布(2016，参考背景文献2)，但是插值精度受站点数量和空间分布的限制。遥感影像一般具有较高的空间分辨率、大范围连续分布且容易获取，因此研究者们使用遥感数据反演地面PM2.5浓度(2005，参考背景文献3)。

反演地面PM2.5浓度最主要的遥感数据是气溶胶厚度(AOD)，它表征无云大气铅直气柱中气溶胶散射造成的消光程度，在可见光和近红外波段反演的AOD所对应的颗粒物直径在0.1～2um之间，与PM2.5的直径范围接近(2001，参考背景文献4)。Engelcox等(2004，参考背景文献5)使用2002年全美国的PM2.5浓度数据构建其与AOD间的线性回归模型，得到它们间的相关系数为0.4。Wang等(2003，参考背景文献6)使用2002年美国阿拉巴马州杰斐逊县7个站点的PM2.5数据，构建与AOD的线性回归方程，证明了二者之间存在良好的线性关系。Liu等(2010，参考背景文献7)发现使用大气边界层高度(PBLH)对AOD进行垂直订正，使用相对湿度(RH)对AOD进行湿度订正后，AOD与PM2.5的相关性更强。此外，研究表明影响PM2.5浓度的还有气象因子如气温、气压、风速、降水等(2015，参考背景文献8)，土地利用状况(2012，参考背景文献9)，道路网和人口密度(2016，参考背景文献10)等，建模时具体选择哪些变量要根据研究区情况而定。

多元线性回归模型的结构简单，易于构建，是PM2.5浓度建模中最常用的模型，但它是全局性模型，适用条件是因变量呈独立随机分布，不受空间影响。PM2.5的分布具有空间异质性：不同区域的PM2.5浓度存在差异，并且PM2.5与自变量之间的关系也随着空间的变化而变化(2015，参考背景文献11)。因此，使用全局线性模型进行PM2.5浓度建模，忽略了空间影响因素，模型精度受限。地理加权回归模型(GWR)(2014，参考背景文献12)的回归系数随空间位置的变化而变化,可以消除一部分空间影响，提升模型精度，但其残差仍存在空间自相关性，不符合回归模型的假设，说明对空间影响消除的不彻底。另外还有物理模型(2014，参考背景文献13)、神经网络模型(2013，参考背景文献14)等更复杂的PM2.5建模方法。