京津冀地区PM2.5/PM10浓度时空分布监测与分析

针对京津冀地区多年来重工业较多、结构性污染突出等问题,该文充分利用多期扬尘地表和工业企业污染源、交通网络、地理国情地表覆盖数据、气象和地形数据,结合MODIS AOD产品和环境监测数据,采用主成分分析和最佳子集回归方法优选预测变量,构建估算PM2.5和PM10浓度的地理加权回归模型,实现京津冀地区2013、2015和2017年PM2.5/PM10年均浓度空间分布模拟制图,分析PM2.5/PM10年均浓度时空分布。实验结果表明,PM2.5和PM10浓度估算模型的决定系数R2分别为0.76和0.86,平均相对预测误差分别为10.87%和13.54%。     

一种协同时空地理加权回归PM2.5浓度估算方法

针对PM2.5浓度估算中时空特征考虑不足和样本量较少的问题,该文将协同训练和时空地理加权回归相结合,提出了协同时空地理加权回归。采用两个不同参数的时空地理加权回归模型作为回归器,利用一个回归器训练另一个回归器的未标注样本,选择最优结果作为标注样本加入标注样本,通过不断学习扩大标注样本量提升模型的回归性能。以京津冀地区2015年3-7月的PM2.5浓度数据为实验数据,利用气溶胶光学厚度产品、温度、风速和相对湿度进行建模,采用不同核函数的时空地理加权回归作为对比方法进行实验。结果显示,协同时空地理加权回归性能比基于Gauss核函数时空地理加权回归提升了10%,比基于bi-square核函数时空地理加权回归提升了6.25%,证明该文方法能够提升时空样本数量不足时的PM2.5浓度估算精度。     

利用搜索引擎数据模拟疾病空间分布

互联网记录了人们的日常生活,对带有位置信息的搜索引擎数据进行分析和挖掘可以获得隐藏于其中的地理信息。本文通过分析中国各省流感月度发病数与相关关键词百度搜索指数之间的相关性,选取相关性较高关键词的百度指数作为解释变量,发病数作为因变量,在采用主成分分析法消除变量共线性后,分别使用普通最小二乘回归（OLS）、地理加权回归（GWR）及时空地理加权回归（GTWR）构建流感发病数的空间分布模型。模型的拟合度能够从OLS的0.737、GWR的0.915提高到GTWR的0.959,赤池信息准则（AIC）也表明,GTWR模型明显优于OLS与GWR模型。验证结果显示,GTWR模型能准确识别流感高发地区,将该方法与搜索引擎数据结合能较好地模拟流感空间分布,为空间流行病学的研究提供预测模型和统计解释。     

地理加权回归建模结果不确定性度量与约束方法EI北大核心CSCD

作为一种经典局部加权最小二乘方法,地理加权回归建模一直受样本空间稀疏及预测变量局部共线性等因素困扰,导致建模结果不确定性呈现空间异质。通过协方差传播定律构建后验标准差精度评价指标,本文提出了一种地理加权回归建模结果不确定性度量与约束方法,并基于地表PM 2.5浓度遥感制图实例开展了验证。试验结果表明:不确定性约束后,不同参数下地理加权回归模型的拟合精度、基于样本/站点/区域的十折交叉验证精度均有改善;局部共线性导致的模型回归系数符号偏差问题得到了改正;模型预测结果奇异值及负值能被有效甄别,有效提升了地表PM 2.5浓度制图结果的可靠性。该不确定性度量与约束方法可有效保证地理加权回归模型估算结果的稳定性和有效性。     

利用主成分分析法及地理加权回归模型分析AOD数据

针对采用地理加权回归模型（GWR）进行预测时输入变量较多导致计算复杂度高,而输入变量较少引起预测精度降低这一问题,提出了一种基于主成分分析的地理加权回归方法（PCA-GWR）。首先,该方法检验了气溶胶光学厚度（AOD）影响因素之间的共线性;然后,通过非线性主成分分析法（NLPCA）对影响AOD值的若干相关变量进行处理,既消除了相关变量彼此之间的多重共线性,又可以起到降维的作用;最后,利用非线性主成分分析得到较少的几个综合指标,通过地理加权回归模型对AOD值进行分析预测。为验证该方法的有效性,采用京津冀地区的AOD、高程、风速、气温、湿度、气压、坡度、坡向数据,利用Pearson相关系数法选取与AOD浓度具有较高相关性的影响因素作为常规的GWR模型的输入变量,在变量个数相同的前提下,与本文方法进行对比。研究结果表明：应用非线性主成分分析法对相关变量进行预处理后,有效地解决了变量之间的共线性,保留了原始影响因素主要信息,提高了运算效率,且该方法所得的MAE、RMSE、AIC及其拟合优度R²均优于常规的GWR模型。     

顾及平稳特征的PM2.5浓度时空趋势拟合研究

针对PM2.5浓度估算中全局平稳因素和局部非平稳因素同时存在的问题,该文以京津冀地区2015年1月—7月的PM2.5浓度为研究对象,人口密度、GDP、AOD、温度、相对湿度、风速和大气压强为影响因子,利用混合时空地理加权回归模型对PM2.5浓度进行估算。结果显示,考虑全局平稳特征时能有效地提升PM2.5浓度估算的精度,PM2.5浓度与风速、温度呈负相关关系,京津冀地区PM2.5浓度呈北低南高的趋势。     

北京PM2.5浓度空间分布的贝叶斯地理加权回归模拟北大核心CSCD

针对地理加权回归(GWR)模型无法克服小样本数据下异常值影响的问题,该文利用贝叶斯地理加权回归(BGWR)模型对北京地区2016年10月1日至12月29日长达90d的PM2.5监测数据进行了浓度模拟。该方法通过加入贝叶斯先验信息,选取不同的平滑函数,在局部空间样本稀少的情况下,有效降低了异常值和"弱数据"对回归结果的影响,更加真实地反映了PM2.5浓度空间分布。实验结果表明,基于不同平滑函数的3种BGWR模型校正决定系数分别达到了0.799、0.801和0.867。平均比GWR模型提升了28%,比OLS模型提升了32%,证实了BGWR模型在模拟PM2.5浓度分布时具有更好的适用性。     

社会经济权重约束下的时空地理加权回归方法

时空地理加权回归方法本质上是一种局部回归,容易放大局部的时空效应,而减小或者忽略了影响因素全局上的重要程度,造成估计偏差.为了解决这个问题,该文提出一种社会经济权重约束下的时空地理加权回归方法,在计算时空权重矩阵的同时,采用客观赋值法,利用各社会经济因素间的对比强度和冲突性,从全局角度计算各社会经济因素的权重,再基于各因素权重估算相对应的回归系数.以京津冀地区生产性服务业影响因素分析为例,进行实验验证.结果 表明,新方法的RMSE和SSE比传统GTWR的分别提升了75.08％、93.9％,R2提升了13.4％,有效弥补了GTWR放大时空非平稳特征、忽略社会经济因素重要程度的不足,提升模型拟合效果.     

基于地理国情数据的PM2.5浓度估算方法研究

以京津冀地区为研究对象,结合地理国情数据开展PM_(2.5)浓度估算方法的研究,在相关因素分析的基础上,运用土地利用回归方法与地理加权回归方法建立PM_(2.5)浓度空间分布回归模型,采用十折交叉验证对比模型稳定性与拟合精度,探索研究区最优建模方法及PM_(2.5)重要影响因子。结果表明:从模型稳定性及拟合精度来看,地理加权回归模型优于土地利用回归模型,模型调整后的R2分别为0.85、0.832,平均相对误差为12.4%、13.8%,均方根误差为10.61μg/m3、11.94μg/m3。相关分析判定结果表明,京津冀地区PM_(2.5)浓度的影响因子主要为气温、气压、房屋建筑、林地、耕地、降水、污染企业等。     

一种局部多项式时空地理加权回归方法

基于加权最小二乘估计的时空地理加权回归方法,在随机项方差相同且最小的假设条件下估计回归参数和拟合值,由于没有考虑时空分析中异方差影响而导致估计结果存在一定偏差。局部多项式估计是一种消除异方差影响的非参数估计方法。本文在局部多项式估计原理基础上,提出了局部多项式时空地理加权回归方法。它是采用三元一阶泰勒级数展开式重构时空回归系数和自变量矩阵,进而建立满足高斯-马尔可夫独立同分布假定要求的新模型,利用新模型回归系数估计值、拟合值以及新模型与原模型的关系,可得到原模型回归系数估计值和拟合值。本文采用模拟数据和真实数据进行试验,以GTWR与局部线性地理加权回归作为对比方法,从方法适用性、整体估计效果、回归系数估计偏差和拟合优度、整体估计偏差等方面分析了LPGTWR方法性能,有效证明了LPGTWR方法能消除异方差影响提升估计精度。     

PM_(2.5)土地利用回归模型地理要素的选取

针对PM_(2.5)土地利用回归(Land Use Regression,简称LUR)模型地理要素选取不规范、代表性不明确的问题,本文从地理要素的精度、易获取程度、广泛应用程度及地理要素与PM_(2.5)的经验相关性4个评价指标出发,结合层次分析法(Analytic Hierarchy Process简称AHP)和熵值法,对京津冀地区PM_(2.5)LUR模型构建时各备选地理要素的权重进行综合度量。结果显示,京津冀地区污染企业、交通网络、地表覆盖等优选地理要素的综合权重分别为20%、19%、18%,地理要素与PM_(2.5)的经验相关性和数据精度等优先评价指标的综合权重占××的比例分别次为49%、26%。该方法得出的评价结果符合客观实际,能达到科学选取地理要素的目的,对评估地理要素的代表性和分析LUR的异同性及地方主要污染要素具有重要的参考价值。     

基于改进LUR模型的大区域PM2.5浓度空间分布模拟

针对采用传统土地利用回归（land use regression,LUR）模型进行大气污染物浓度模拟时预测变量信息损失的缺陷,将主成分分析（principle component analysis,PCA）与逐步多元线性回归（stepwise multiple line regression,SMLR）相结合,提出了一种改进的LUR（PCA+SMLR）模型模拟大区域PM_2.5浓度空间分布的方法。首先采用相关分析筛选与PM_2.5显著相关的预测变量,然后对筛选出的预测变量进行主成分变换（PCA）,最后保留所有主成分变量进行SMLR建立回归模型模拟PM_2.5浓度。并以京津冀为研究区域进行实验验证,对PCR、SMLR、PCA+SMLR这3种模型的实验结果进行对比分析,结果表明,PCA+SMLR模型可提高预测变量对回归模型的贡献度,调整后R2达0.883,并且其精度检验指标及制图效果皆优于传统的LUR模型,证明了该模型可有效提高PM_2.5浓度的模拟精度,对PM_2.5区域联防联控具有指导意义。     

一种基于主成分分析的协同克里金插值方法

针对协同克里金插值方法在插值时,辅助变量较多造成计算复杂度增加,而辅助变量较少引起插值精度降低这一问题,提出了一种基于主成分分析的协同克里金插值方法（PCA-CoKriging）。该方法首先使用主成分分析对插值相关变量进行将维,得到较少几个综合指标,然后里利用这几个综合指标作为辅助变量进行协同克里金插值。为验证该方法的有效性和数据分布对该方法的影响,本文选取了2016年北京市范围内4个季节中PM_2.5浓度满足正态分布效果不同的4组数据,分别使用PCA-CoKriging和普通克里金插值方法、常规协同克里金插值方法,进行了插值试验。结果表明,本文方法与普通克里金插值方法、常规协同克里金插值法在4组试验中的平均绝对误差分别为4.91、6.04、5.61,平均均方根误差分别为6.65、8.76、7.57。综合比较,本文方法比常规协同克里金插值的平均绝对误差与均方根误差分别提升了10.73%、12.56%,比普通克里金插值法的平均绝对误差与均方根误差分别提升了18.71%、24.09%。     

基于LUR的武汉市PM2.5浓度空间分布模拟

基于稀疏监测点的监测数据无法直接获取城市内部空气污染的高分辨率空间分布。以武汉市为例,研究了基于土地利用回归(landuseregression,LUR)模型的大气PM2.5浓度高分辨率空间分布模拟。采用双变量相关分析识别出与PM2.5浓度相关性最高的4个影响因子,分别是1000m缓冲区内道路长度,500m缓冲区内水域面积,500m缓冲区内建设用地面积以及工业污染影响。采用PM2.5月平均浓度和识别出的影响因子连同气象条件(月平均温度和月降水量)进行多元线性回归分析,相关系数R2达到0.905,调整后的R2为0.885。在研究区建立均匀格网(2km×2km),利用得到的LUR方程计算格点PM2.5浓度值,应用空间插值制成武汉市主城区夏季PM2.5浓度空间分布模拟图。模拟结果显示,主城区有三个PM2.5浓度高值中心,分别为青山工业区、江北工业区和汉口汉西建材市场区域。汉阳南部、武昌南部的大型湖泊和水域面积比例较大的区域表现为两个PM2.5浓度低值中心。     

无缝线性回归与预测模型

建立回归模型常采用最小二乘方法并忽略自变量观测误差。尽管同时顾及自变量和因变量观测误差的总体最小二乘方法近年来得到了广泛研究,但在模型预测时,依然忽略了待预测自变量的观测误差。对此,本文提出了一种严格考虑所有变量观测误差的无缝线性回归和预测模型,该模型将回归模型的建立和因变量预测联合处理,在建立回归模型过程中对待预测自变量的观测误差进行估计并修正,从而提高了模型预测效果。理论证明,现有的几种线性回归模型都是无缝线性回归和预测模型的特例。试验结果表明,无缝线性回归和预测模型的预测效果优于现有的几种模型,尤其在变量观测误差相关性较大时,无缝模型对预测效果的改善更为显著。     

采用主成分分析法的面状居民地自动选取

居民地选取是一个多种因素相互约束、相互关联的过程,而这些影响居民地重要性因素的关系往往难以定量地描述出来,提出了基于主成分分析法的居民地自动选取方法。首先,采用主成分分析法对这些相互约束、相互影响的因子转换成一组无关变量;其次,对这转换后的无关变量提取主要成分;第三,计算出主成分的权重用以评价居民地的重要性程度;最后,利用开方根模型完成居民地要素的定额选取。该方法将相互关联、相互约束的影响居民地重要性的因子转换成新的无关变量,提炼出其主要成分并计算权值用以综合评价居民地的重要性。实验对比分析表明,该方法综合考虑了居民地要素的行政等级、位置特征和面积大小等因素对居民地重要性的影响,选取结果,较好地保持了居民地选取前后的整体形态,符合选取原则。     

融合GNSS PWV、风速与大气污染观测的河北省春季PM2.5浓度模型研究

PM2.5浓度时空演化特征分析有助于大气污染的现状和发展认知，但PM2.5浓度监测积累时间较短，且受到排放强度和气象因素的影响，因此可融合全球导航卫星系统（Global Navigation Satellite System，GNSS）天顶可降水量（precipitable water vapor，PWV）、风速和大气污染物构建PM2.5浓度模型。以河北省为例，首先分别开展PM2.5浓度与大气污染物、GNSS PWV及风速的相关性分析；然后将大气污染物、GNSSPWV和风速作为输入，PM2.5浓度作为输出，利用逆传播（back propagation，BP）神经网络分别构建城市PM2.5浓度模型和区域PM2.5浓度模型；最后进行PM2.5浓度模型可靠性检验。将模型预测值与PM2.5浓度实测值比较发现，预测PM2.5浓度等级准确率高，相对误差较低。该模型可用于区域PM2.5浓度时空演化特征分析。