【技术实现步骤摘要】
一种可选的PM2.5浓度估算方法
[0001]本专利技术属于大气环境质量监测领域,特别涉及该领域中的一种可选的PM2.5浓度估算方法。
技术介绍
[0002]细颗粒物PM2.5是指在空气动力学中直径小于或等于2.5μm的颗粒物,这种颗粒物能够长时间悬浮在空气中,被人体吸附进入支气管和肺泡中,直接影响肺的换气通气等功能,甚至也可以通过毛细血管进入人体血液循环系统,对心脏及心血管造成严重危害,近年来越发引发民众对大气环境质量问题的担忧。因此,如何准确地估算特定范围内的PM2.5浓度空间分布特征,实现PM2.5浓度的监测和预警,一直是相关领域研究的热点和难点。
[0003]当前,对于PM2.5浓度的估算主要通过站点观测的手段,即在特定区域内基于有限个PM2.5浓度观测站点数据进行空间插值反演,估算一定范围内的PM2.5浓度,这种方法得到的数据信息可靠性高,且能实现连续的动态观测。这里提及的空间插值是指根据已知观测样本点的PM2.5浓度真实值来估计待估位置点的PM2.5浓度值,其原理是通过已知观测点样本数据构建函数关系,综合空间位置关系以及空间相关性,从而估算其他任意点或任意分区的PM2.5浓度。
[0004]常用的空间插值法可以归结为二类,一类是确定性方法,另一类是空间统计方法。确定性方法中最具代表性的是反距离权重法和泰森多边形法。这种传统的概念性模型对PM2.5浓度的空间变化一般采用均化处理方式,用以方便产流计算,但随之带来的问题就是难以客观反映PM2.5浓度的空间分布,一定程度上忽略了PM2.5浓度在空 ...
【技术保护点】
【技术特征摘要】
1.一种可选的PM2.5浓度估算方法,其特征在于,包括如下步骤:步骤1,通过离散变异函数公式计算所有站点PM2.5浓度样本点对的实验变异函数值;将PM2.5浓度z(x)在站点x处和站点x+h处方差的一半定义为z(x)在x轴方向上的变异函数,记为γ(x,h);其中,Var[z(x)-z(x+h)]代表z(x)-z(x+h)的方差;在二阶平稳假设的情况下,对任意h有:E[z(x)]=E[z(x+h)]
ꢀꢀ
(2)其中,E[z(x)]和E[z(x+h)]分别代表z(x)和z(x+h)的PM2.5浓度数学期望,整理得:这时变异函数γ(x,h)依赖于两个变量:站点位置x和PM2.5浓度样本点对的距离h,若变异函数仅仅依赖于距离h而与站点位置x无关,则γ(x,h)可以写为γ(h):离散样本的实验变异函数计算公式为:其中,i=1,...,N(h),h为各站点PM2.5浓度样本点对的距离,N(h)代表站点PM2.5浓度样本点对距离为h时所有样本点对的个数,z(x
i
)和z(x
i
+h)分别代表在空间位置点x
i
和x
i
+h处的PM2.5浓度真实值;步骤2,采用最小二乘支持向量机拟合实验变异函数值,得到理论变异函数模型;步骤21,最小二乘支持向量机LS-SVM输入变量和输出变量分别为距离和实验变异函数值,假定需要拟合的数据集为其中,h
i
∈R
d
,取d=1,h
i
表示第i个样本点对的距离,作为自变量,γ(h
i
)∈R,表示在距离h
i
下的实验变异函数值,作为因变量,n代表分组后需要拟合的实验变异函数值总个数;回归函数f(h)的基本形式可以用下式(6)表示:其中,h为PM2.5浓度样本点对的距离,ω为权系数向量,即列向量,ω
T
代表其转置向量;为输入空间到特征空间的映射函数,b为常数项;步骤22,依据统计学习理论,支持向量机模型的目的是使结构风险和经验风险同时达到最小,将支持向量机模型转换为优化函数到最小,将支持向量机模型转换为优化函数其中,i=1,...,N,N为分组后需要拟合的实验变异函数值总个数,表示结构风险,结构风险描述支持向量机模型的复杂度,||ω||2为ω的2-范数平方,范数平方,表示经验风险,经验风险描述支持向量机模型与真实数据的拟合程度,在最小二乘支持向量机方法中,经验风险用误差平方和表示,e
i
表示误差项,γ表示正则化参数;在LS-SVM中,误差项e
i
等于站点PM2.5浓度真实值y
i
与回归模型计算的PM2.5浓度之差,因此优化函数须满足约束条件:
步骤23,利用拉格朗日乘数法将步骤22中式(8)含约束条件的优化函数转化为无约束条件的拉格朗日函数,所述拉格朗日函数条件的拉格朗日函数,所述拉格朗日函数整理为:其中,α
i
是拉格朗日乘子,根据KKT条件,所述拉格朗日函数最优解条件为:用线性方程组表示上式,得到:其中,e=[...
【专利技术属性】
技术研发人员:车磊,王海起,陈奇东,梁庆娜,桂丽,杨会贇,张璇,
申请(专利权)人:中国电波传播研究所中国电子科技集团公司第二十二研究所,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。