[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

摘要

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。

主权项

1.一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，其特征在于，包括以下步骤，/n步骤1，数据获取与模型变量的选择，包括获取PM2.5站点数据并剔除异常值，地面PM2.5浓度反演模型中自变量包含气溶胶厚度AOD；/n步骤2，数据处理与匹配，包括统一所有变量的时间尺度，所有自变量的空间分辨率转化为与AOD一致，获取地面PM2.5浓度监测站位置上的自变量X，与站点的PM2.5浓度Y相匹配，剔除存在空值的站点；/n步骤3，由地面PM2.5浓度监测站位置构建空间邻接矩阵W₀，步骤如下，/n步骤3.1，由地面PM2.5浓度监测站构建泰森多边形；/n步骤3.2，创建泰森多边形的空间邻接矩阵，得到地面PM2.5浓度监测站的邻接矩阵；/n步骤4，对邻接矩阵W₀进行中心化，结果记为W₁,计算矩阵W₁的特征值和特征向量，矩阵W₁的所有特征向量构成的向量组记为E；/n步骤5，从步骤4所得的向量组E中通过逐步回归提取特征向量作为PM2.5浓度的空间影响因子；/n步骤6，将步骤5提取的所有特征向量添加到自变量中，使用最小二乘法求解回归系数，得到PM2.5浓度的特征向量空间滤值回归模型如下，/nY＝β₀+β₁AOD+X_auxβ_t+E_kβ_k+ε/n其中，β₀表示截距，β₁表示AOD的回归系数，X_aux表示步骤1中选出的t个辅助自变量构成的矩阵，E_k是步骤5中提取出的k个特征向量构成的矩阵，β_t和β_k分别表示X_aux和E_k的回归系数所构成的向量，E_kβ_k表示PM2.5浓度的空间影响因素，ε是一个n×1的误差向量；/n步骤7，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，带入步骤6所得的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。/n