[发明专利]用于PM2.5浓度分布的时空估算和预测方法

说明书

本发明提供了用于PM2.5浓度分布的时空估算和预测的方法。用于PM2.5浓度分布的时空估算和预测的方法包括：细粒度气溶胶光学厚度(AOD)的采集与校正，计算细粒度PM2.5的回归模型，以及细颗粒PM2.5浓度分布预测。通过对几种回归模型和机器学习模型的比较，确定了XGBoost模型作为该框架下的估计模型，其均方根误差(RMSE)最低为32.86μg/m³，R²最高为0.71。经过10次验证和与传统时间序列预测模型——季节自回归差分移动平均(SARIMA)模型的时空对比，ConvLSTM的预测精度更高，总平均预测RMSE为14.94μg/m³，而SARIMA的预测精度为17.41μg/m³。此外，ConvLSTM在时间上的波动较小，稳定性较好，在空间上也能较好地消除预测精度的空间差异。

技术领域

本发明涉及环境领域，具体地，涉及用于PM2.5浓度分布的时空估算和预测方法。

背景技术

PM，颗粒物的缩写，指空气中运动当量直径小于等于2.5微米的颗粒物。大量的观测研究表明，PM2.5的质量浓度主要受各种污染源和气象条件的影响。以PM2.5为主要污染物的大气重污染事件，对人们的日常出行和社会活动产生重大影响。已经证实，细颗粒物的浓度与心肺疾病和呼吸系统的发病率和死亡率呈正相关。如果人们生活在空气污染物浓度过高的环境中，会因吸入污染物过多而产生急性健康风险，如慢性呼吸道疾病、心血管疾病等。研究表明，PM2.5可渗透到肺和支气管，长期接触PM2.5可增加呼吸系统疾病和心血管疾病的发病率和死亡率；PM2.5直径小，质量好，在大气中停留时间长，传输距离长，因此，它会严重影响大气能见度，对人们的日常生活和社会活动产生不良影响。因此，快速准确地预测PM2.5浓度已成为大气污染防治领域的研究热点。

发明内容

本发明提供了一种用于PM2.5浓度分布的时空估算和预测的方法，包括：

细粒度气溶胶光学厚度(AOD)的采集与校正，包括：

处理MCD19A2、GEOS FP和地面气象观测数据的原始数据集，选择并定义从MCD19A2中提取的AOD为AOD-0数据集，在GEOS-FP数据的基础上，利用自然邻域插值方法将PBLH转换成与AOD数据集相同的栅格格式文件，便于AOD的校正；

使用相对湿度分布数据集修正AOD-0。校正方程如下，

其中RH表示相对湿度，AOD0表示AOD-0，AOD1表示AOD-1，对于每一个对应的单元，使用函数来修正AOD-0，然后得到AOD-1分布；

基于AOD-1和PBLH数据集，使用下面的公式第二次修正AOD：

其中AOD1是AOD-1，AOD2是AOD-2。最后得到了AOD-2分布，即修正后的精细时空AOD分布；

计算细粒度PM2.5的回归模型：

对空气质量观测数据进行预处理，提取16个空气质量站点的PM2.5小时浓度值，再利用地面气象观测资料提取风速和降水值；

计算151天内16个站点PM2.5浓度、风速和降水的日平均值，对AOD-2光栅图像进行相同的预处理；

从151天和16个站共得到151×16＝2416组变量，利用回归模型和机器学习方法，建立PM2.5浓度与其他自变量之间的估计模型，并进行精度比较，其中，回归模型包括线性模型、脊模型、最小绝对收缩和选择算子(LASSO)模型、立体模型和极端梯度增强(XGBoost)模型；

建立PM2.5浓度与AOD之间的模型，并利用该模型估计整个研究区PM2.5的空间连续分布，使用块统计和缺失值填充(BSMP)方法使AOD成为完整的空间连续分布；