高时空分辨率下的PM2.5和臭氧混合污染的预测方法技术

本发明专利技术公开了一种高时空分辨率下的PM2.5和臭氧混合污染的预测方法，包括以下步骤：先以历史的空气质量数据为因变量，与历史的空气质量数据对应的驱动因子数据为自变量，获得最优的PM

【技术实现步骤摘要】
高时空分辨率下的PM2.5和臭氧混合污染的预测方法


[0001]本专利技术属于大气污染治理
，涉及一种高时空分辨率下的PM
2.5
和臭氧混合污染的预测方法。

技术介绍

[0002]PM
2.5
是最常见的大气污染物之一，因其对人类健康和环境的重大影响而被广泛研究。近年来，研究人员提出了很多控制措施，有效降低了PM
2.5
浓度。然而，虽然PM
2.5
的下降速度很快，但是O3的水平却异常上升。各种研究表明，PM
2.5
的减少导致辐射通量的增加，加剧了O3污染，可见，以控制PM
2.5
为重点的减排措施导致的污染源排放结构的变化可能是O3污染持续上升的主要原因。目前，虽然通过布设的检测设备进行监测，能够获取该区域内的PM
2.5
和O3污染状况，但是缺乏对PM
2.5
和O3混合作用的空气质量预测研究，这导致人们无法直观判断某一个区域PM
2.5
和O3的污染状况。因此，获得一种能够准确预测高时空分辨率下的PM
2.5
和O3混合污染状况的方法，对于研究PM
2.5
和O3之间的协同作用和权衡是非常必要的。
[0003]机器学习建模是一种大气预测和管理应用的新兴技术，其中土地利用回归(LUR)模型和随机森林(RF)模型的应用最为广泛。例如，利用LUR模型可以获得污染物与驱动因子之间的影响关系，然而，在以往的研究中，由于监测点数据小于40个，不能满足构建LUR模型的自变量数据要求，而且监测点采样周期短，这导致监测时间上也没有完整的年份逐小时数据，也会造成LUR模型构建不规范和产生误差性，特别的，驱动因子选择过于单一，并没有完全囊括能够反映城市化的特征因子(如AOI，POI，景观指数等)，会造成模型过于片面和单一，缺乏广泛适用性，难以全面评价城市化对空气质量的影响，因而很难获得可靠的具有高时空分辨率的LUR模型。另外，RF模型具有黑箱效应，无法准确看到污染物和驱动因子之间的影响关系，可见单一的预测模型仍然存在可靠性差等不足。此外，现有预测方法中采用的预测网格通常为四边形和圆形，这使得预测网格之间可能会产生折叠和交叉影响，导致出现邻域不一致、各向同性、紧凑、采样率不高等缺陷，最终难以构建高分辨率的空间分布图。
[0004]因此，如何构建一种准确性高的预测模型，对于准确预测PM
2.5
和O3的混合污染状况以及开展对PM
2.5
和O3混合污染状况的深入研究具有重要意义。

技术实现思路

[0005]本专利技术要解决的技术问题是克服现有技术的不足，提供一种适用性好、可靠性好的高时空分辨率下的PM
2.5
和臭氧混合污染的预测方法。
[0006]为解决上述技术问题，本专利技术采用以下技术方案：
[0007]一种高时空分辨率下的PM
2.5
和臭氧混合污染的预测方法，包括以下步骤：
[0008]S1、采集待预测区域历史的空气质量数据和与所述历史的空气质量数据对应的驱动因子数据；所述历史的空气质量数据包括待预测区域监测站点历史上每小时测定的PM
2.5
和臭氧的浓度数据；所述驱动因子数据包括坐标、气象因素、遥感因素、人口密度、土地覆盖率、道路密度和景观指数；
[0009]S2、将待预测区域监测站点历史上每小时测定的PM
2.5
和臭氧的浓度数据转换成年平均值、季度平均值、周末平均值、工作日平均值和特殊日平均值，与所述驱动因子数据中的相关因子分别构建不同时间段对应的PM
2.5
和臭氧的LUR模型、PM
2.5
和臭氧的改进型RF模型；
[0010]S3、对步骤S2中得到的不同时间段对应的PM
2.5
和臭氧的LUR模型、PM
2.5
和臭氧的改进型RF模型分别进行验证，筛选出决定系数R2最大且均方根误差RMSE最低的LUR模型或RF模型作为PM
2.5
和臭氧的浓度预测模型；
[0011]S4、将待预测区域划分成若干个六边形网格，以六边形网格作为预测单元；
[0012]S5、从各个六边形网格区域内提取与所述PM
2.5
和臭氧的浓度预测模型中对应的显著相关的驱动因子；
[0013]S6、将各个六边形网格区域内的与所述PM
2.5
和臭氧浓度显著相关的驱动因子分别输入到所述PM
2.5
和臭氧的浓度预测模型中，获得各个六边形网格区域对应的PM
2.5
和臭氧的浓度，得到高时空分辨率下的PM
2.5
浓度空间分布预测图和臭氧浓度空间分布预测图；
[0014]S7、将高时空分辨率下的PM
2.5
浓度空间分布预测图和臭氧浓度空间分布预测图在空间上相交，得到待预测区域内的PM
2.5
和臭氧的混合污染预测图。
[0015]上述的预测方法，进一步改进的，步骤S1中，所述气象因素中的相关因子包括温度、湿度、风向和风速；所述遥感因素中的相关因子包括兴趣点数据、兴趣区数据、归一化植被指数、降雨量栅格数据、灯光数据、建筑物占比数据。
[0016]上述的预测方法，进一步改进的，步骤S2中，所述不同时间段对应的PM
2.5
和臭氧的LUR模型的构建方法包括以下步骤：
[0017](1)将PM
2.5
和臭氧浓度的年平均值、季度平均值、周末平均值、工作日平均值和特殊日平均值，与驱动因子数据中的相关因子进行双变量相关性分析，筛选出与PM
2.5
和臭氧浓度显著相关的驱动因子；
[0018](2)将筛选出的与PM
2.5
和臭氧浓度显著相关的驱动因子分别进行逐步线性回归处理，构建PM
2.5
浓度、臭氧浓度与显著相关的驱动因子的映射关系，分别得到不同时间段内对应的PM
2.5
和臭氧的LUR模型。
[0019]上述的预测方法，进一步改进的，步骤S2中，所述PM
2.5
和臭氧的改进型RF模型的构建方法包括以下步骤：
[0020](a)将PM
2.5
和臭氧浓度的年平均值、季度平均值、周末平均值、工作日平均值和特殊日平均值，与所述驱动因子数据构建随机森林模型；
[0021](b)通过随机森林模型进行两次筛选，筛选出与PM
2.5
和臭氧浓度显著相关的驱动因子，构建PM
2.5
浓度、臭氧浓度与显著相关的驱动因子的映射关系，分别得到PM
2.5
和臭氧的改进型RF模型。
[0022]上述的预测方法，进一步改进的，步骤S4中，所述六边形网格为正六边形网格；所述正六边形网格的边长为1km。
[0023]本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种高时空分辨率下的PM2.5和臭氧混合污染的预测方法，其特征在于，包括以下步骤：S1、采集待预测区域历史的空气质量数据和与所述历史的空气质量数据对应的驱动因子数据；所述历史的空气质量数据包括待预测区域监测站点历史上每小时测定的PM
2.5
和臭氧的浓度数据；所述驱动因子数据包括坐标、气象因素、遥感因素、人口密度、土地覆盖率、道路密度和景观指数；S2、将待预测区域监测站点历史上每小时测定的PM
2.5
和臭氧的浓度数据转换成年平均值、季度平均值、周末平均值、工作日平均值和特殊日平均值，与所述驱动因子数据中的相关因子分别构建不同时间段对应的PM
2.5
和臭氧的LUR模型、PM
2.5
和臭氧的改进型RF模型；S3、对步骤S2中得到的不同时间段对应的PM
2.5
和臭氧的LUR模型、PM
2.5
和臭氧的改进型RF模型分别进行验证，筛选出决定系数R2最大且均方根误差RMSE最低的LUR模型或RF模型作为PM
2.5
和臭氧的浓度预测模型；S4、将待预测区域划分成若干个六边形网格，以六边形网格作为预测单元；S5、从各个六边形网格区域内提取与所述PM
2.5
和臭氧的浓度预测模型中对应的显著相关的驱动因子；S6、将各个六边形网格区域内的与所述PM
2.5
和臭氧浓度显著相关的驱动因子分别输入到所述PM
2.5
和臭氧的浓度预测模型中，获得各个六边形网格区域对应的PM
2.5
和臭氧的浓度，得到高时空分辨率下的PM
2.5
浓度空间分布预测图和臭氧浓度空间分布预测图；S7、将高时空分辨率下的PM
2.5
浓度空间分布预测图和臭氧浓度空间分布预测图在空间上相交，得到待预测区域内的PM
2.5
和臭氧的混合污染预测图。2.根据权利要求1所述的预测方法，其特征在于，步骤S1中，所述气象因素中的相关因子包括温度、湿度、风向和风速；所述遥感因素中的相关因子包括兴趣点数据、兴趣区数据、归一化植被指数、降雨量栅格数据、灯光数据、建筑物占比数据。3.根据权利要求2所述的预测方法，其特征在于，步骤S2中，所述不同时间段对应的PM
2.5
和臭氧的LUR模型的构建方法包括以下步骤：(1)将PM
2.5
和臭氧浓度的年平均值、季度平均值、周末平均值、工作日平均值和特殊日平均值，与驱动因子数据中的相关因子进行双变量相关性分析，筛选出与PM
2.5

【专利技术属性】
技术研发人员：宾娟，李晓东，
申请(专利权)人：湖南大学，
类型：发明
国别省市：