[发明专利]一种基于季节性辅助变量优化的遥感AOD反演地面PM2.5的方法

说明书

技术领域

本发明涉及遥感和大气环境领域，具体涉及基于季节性辅助变量优化的遥感AOD反演地面PM_2.5的方法。

背景技术

大气中的PM_2.5浓度超标会对人体健康产生十分不利的影响，目前PM_2.5已成为我国第4大致死风险因素污染。因此，研究有效的PM_2.5浓度与监测技术，掌握以PM_2.5为主导的雾霾污染的实时变化动向，直接关系到普通公民的身心健康和社会公共安全，更对制定科学合理的空气污染治理与防控措施来提高空气质量具有重大社会意义。

目前，传统的地面PM_2.5监测站，其“点”状的监测模式、有限的站点数量和不均衡空间分布导致其无法实现大空间范围的PM_2.5浓度监测。基于遥感的PM_2.5浓度监测技术利用遥感影像来测量入射辐射量的散射变化反演得到AOD数据，然后建立AOD与PM_2.5浓度的对应关系来反演得到PM_2.5浓度影像，从而实现PM_2.5浓度的动态监测。

目前，遥感AOD反演PM_2.5的模型方法可分为比例因子法、物理模型法和经验统计模型法。比例因子法在缺乏地面PM_2.5监测数据的前提下也能够进行模拟和计算，但其在估算短期PM_2.5平均浓度(如季节平均、月平均甚至日均值)时效果却不太理想。总体来看，物理模型法效果好于比例因子法，但是由于PM_2.5和AOD关系的物理机理比较复杂，现有的半经验公式还难以完全准确描述他们之间的关系，导致不同地区的差距也比较大。而且半经验公式中的一些参数数据在实际应用中不易获取，因而也限制了该方法的应用。经验统计模型法相对于前两者反演结果更加精确，尤其是能够反映时空特征的高级统计模型。其中GWR是描述地理空间非稳定关系的最为经典的模型，通过辅助的气象和地理要素变量在部分研究区具有较好的表现性，但相同变量的GWR模型在不同的区域的表现性不一，主要是由于AOD-PM_2.5关系的时空变化性，要求反映PM_2.5浓度的产生和扩散的地理和气象因素变量等辅助变量也应该表现出相应的时空变化性。但目前常规GWR模型未对这些变量的时空适用性深入分析，导致选取的变量代表性不强，变量之间存在一定的冗余，影响模型的反演精度。

发明内容

本次发明针对现有AOD反演PM_2.5的GWR模型在选取变量方法的不足，提出一种筛选区域性GWR模型的最佳季节变量组合并建立季节性GWR模型的方法。

为实现上述技术目的，本发明采用了以下技术方案：

一种基于季节性辅助变量优化的遥感AOD反演地面PM_2.5的方法，包括以下步骤：

步骤1，建立包含主变量AOD、PM_2.5、辅助变量气象和地理要素的时空统一的数据集AV并按季节进行归类整合；

步骤2，选择季节性最佳单变量；

先构建没有辅助变量的AOD-PM_2.5模型，然后将单个辅助变量分别加入该基本模型中，统计每一变量在四个季节中的模型拟合系数的R²；将四个季节中这些变量拟合系数从高到低排列，选取前m个即为各季节中表现性较好辅助变量AV′；

模型的基本结构为：

PM_2.5(i,j)＝β_0(i,j)+β_AOD(i,j)AOD_(i,j)

当加入辅助变量时，建立单变量GWR模型结构为：

AOD_(i,j)和PM_2.5(i,j)是站点i在j天时的AOD和PM_2.5值,相应的AOD系数是β_AOD(i,j).β₀是模型常数项；表示从辅助变量数据集AV里面选择的第k个要素，β_k就是相应辅助变量特定位置的系数；辅助变量数据集AV就是最初选取变量；

步骤3，排除预筛选单变量存在的严重共线性；