[发明专利]融合细颗粒物浓度数据的区域PM2.5遥感反演模型

权利要求书

1.一种融合细颗粒物浓度数据的区域PM2.5遥感反演模型的建立方法，其特征在于，以多元线性回归模型、地理加权回归模型、线性混合效应模型中的任意一种模型为基础模型，在该基础模型中引入MASINGAR的PM2.5产品数据，即日本气象厅提供的全球大气气溶胶种类模式的PM2.5浓度预报结果，以该预报结果作为增加的预测因子，结合地基观测数据计算包括所述增加的预测因子在内的各预测因子的线性回归系数，以计算出的线性回归系数建立一个同时关联所述基础模型与MASINGAR的PM2.5产品数据的改进模型，使用该改进模型作为估算PM2.5浓度的遥感反演模型；

所述融合细颗粒物浓度数据的区域PM2.5遥感反演模型的建立方法具体通过以下步骤得到：

S1)依据选用的气溶胶光学厚度数据的空间分辨率将观测区域划分为若干具有相同空间分辨率的网格，获取每个网格的气溶胶光学厚度数据值，选取与观测区域对应的归一化植被指数数据、气象分析数据、地形因素数据及地基观测数据，引入MASINGAR的PM2.5产品数据，从MASINGAR的PM2.5产品数据中选取出与所述气溶胶光学厚度数据具有相同时间分辨率的数据，分别将地形因素数据及所选取的MASINGAR的PM2.5产品数据插值或转换到与所述网格具有相同的空间分辨率；将归一化植被指数数据、气象分析数据、地形因素数据中距离地基观测站点最近的数据作为与地基观测数据相对应的数据；

S2)根据不同网格区域内的地基观测数据及与地基观测数据对应的各预测因子建立线性方程组，其中预测因子为步骤S1所选取的气溶胶光学厚度数据、归一化差异植被指数数据、气象分析数据、地形因素数据及MASINGAR的PM2.5产品数据，用线性方程组求解各预测因子对应的的线性回归系数；

S3)用步骤S2求解得到的线性回归系数结合气溶胶光学厚度数据、归一化差异植被指数数据、气象分析数据、地形因素数据、MASINGAR的PM2.5产品数据建立用于估算PM2.5浓度的改进模型，即所述遥感反演模型；

以所述线性混合效应模型为基础模型时，所述步骤S2中基于式1建立线性方程组：

ε_n,m～N(0,σ²)；

式1中，n为网格坐标；m表示时间点；β₀表示固定截距，β₁–β₉表示各预测因子的线性回归系数，和分别表示网格n在m时间点对应的气溶胶光学厚度数据的随机截距和随机斜率，表示预测因子MAPM_n,m的随机斜率；ε_n,m为误差项，PM_2.5n,m是地基观测站点的PM2.5观测数据,AOD_n,m是气溶胶光学厚度数据，MAPM_n,m是MASINGAR的PM2.5产品数据，TEMP_n,m表示气温数据，RH_n,m表示相对湿度数据，WS_n,m表示风速数据，PREC_n,m表示ERA5可降水量数据，BLH_n,m表示ERA5边界层高度数据，TF_n,m表示地形因素数据，NVDI_n,m表示归一化植被产品数据；

ε_n,m～N(0,σ²)代表误差项满足均值为0，标准差为σ的正态分布，表示随机效应的方差-协方差矩阵；

以所述多元线性回归模型为基础模型时，所述步骤S2中基于式2建立线性方程组：

式2中，b为多元线性回归模型的截距，a₁–a₉分别代表不同预测因子的斜率，AOD为是气溶胶光学厚度数据，MAPM是MASINGAR的PM2.5产品数据，TEMP表示气温数据，RH表示相对湿度数据，WS表示风速数据，PREC表示可降水量数据，BLH表示边界层高度数据，TF表示地形因素数据，NVDI表示归一化植被产品数据，ε为误差项；

以所述地理加权回归模型为基础模型时，所述步骤S2中基于式3建立线性方程组：

式3中，b₀为地理加权回归模型的截距，b₁–b₉分别代表不同预测因子的斜率，(i,j)代表地面网格的索引，AOD_s为是气溶胶光学厚度数据，MAPM_s是MASINGAR的PM2.5产品数据，TEMP_s表示气温数据，RH_s表示相对湿度数据，WS_s表示ERA5风速数据，PREC_s表示可降水量数据，BLH_s表示边界层高度数据，TF_s表示地形因素数据，NVDI_s表示归一化植被产品数据，ε_s为误差项。