PM2.5浓度插值中不同空间插值方法对比

针对不同插值方法对于重点大气颗粒物污染源PM_(2.5)大区域内整体分布情况的插值效果和精度存在差异性的问题,该文以石家庄市赵县100个点的PM_(2.5)的数据作为样本点,利用反距离权重法、普通克里格插值法和协同克里格插值法,分别进行PM_(2.5)浓度的空间插值。利用研究区内另外20个PM_(2.5)的数据点进行插值精度的检验。研究结果表明:协同克里格插值的精度最高,但可视化效果不如其他两种方法。     

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。     

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。     

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。     

卷积神经网络的PM2.5预报模型

针对目前基于机器学习的PM2.5预报模型无法充分利用研究区域内其他相关站点的数据问题,该文提出了一种区域时空点数据的表示方法,并在此基础上提出了基于卷积神经网络的PM2.5预报模型。该模型利用了区域内多站点的历史PM2.5实测数据以及相应的气象预报数据,对区域内任一站点PM2.5浓度进行预报。实验结果显示,该模型在京津冀区域内能对未来至少3d内的PM2.5浓度进行较高精度的预报。与基于单站点的前馈神经网络预报结果对比表明,对区域整体污染及气象状况建模的卷积神经网络模型预报精度更高。该模型对区域内所有站点的预测结果与地面实测值的分布基本一致,表明了该模型具有对区域内PM2.5浓度进行时空预报的能力。     

地理加权回归模型的多重共线性诊断方法

地理加权回归是常用的空间分析方法,已广泛应用于各个领域,但利用此方法进行回归分析前,往往忽略了对设计矩阵进行局部多重共线性的诊断,从而导致对模型的估计不准确。因此,本文在引入了全局模型的多重共线性诊断方法的基础上,对这些方法进行了改进,改进后构建了加权方差膨胀因子法和加权条件指标方法——分解比法,用于诊断地理加权回归模型设计矩阵的多重共线性问题。实验结果表明,多重共线性不存在于全局模型,而可能存在于局部模型中,构建的两种方法能够有效地诊断地理加权回归模型的多重共线性问题,且加权条件指标方法——分解比法比加权方差膨胀因子法在诊断多重共线性问题上更有优势。     

基于支持向量回归的PM2.5浓度实时预报

为了研究适合于我国当前重污染天气的实时空气质量预报模型,论文利用支持向量回归方法对北京市地面空气质量监测数据和气象数据进行分析,构建了基于支持向量回归的PM2.5浓度实时预报模型。实验表明,该方法能够对未来6日内的日均PM2.5浓度以及未来0~72h内的小时级PM2.5浓度进行预报,且模型训练过程和预报过程都耗时很短,适用于建立PM2.5浓度实时预报系统。     

一元线性回归模型显著性检验方法的改进

采用重复观测的方法,即对每个测量点重复m次的方法,组建新的数对(xi,■),建立改进的一元线性回归模型y=β0 β1xi ■■~N(0,σ2/m),对残差平方和Qε进行分解为误差平方和QE和重复观测变异平方和QL。从而给出不同的检验方法确定回归方程拟合的好坏。     

引入模型误差的线性回归模型

在线性回归模型中,经常出现病态问题,严重影响计算结果的精度.文中提出一种引入模型误差求解部分参数的方法,此方法可以改变病态问题,提高部分参数的求解精度,且通过算例检验这种方法的可行性,并探讨它的使用范围.     

加权灰色线性回归组合模型在高铁隧道沉降监测中的应用

近年来,相关的研究与实践表明,变形监测的数据处理方法比较成熟,如回归模型、卡尔曼滤波模型、灰色模型、时间序列模型以及人工神经网络模型等各种模型,均经过了各种检验,而且有效地应用在变形监测技术中。然而单一的模型预测有其自身的局限性,因此,预测模型需要采用组合优化模型弥补单一模型的缺陷。本文主要阐述了加权灰色线性回归组合模型在高铁隧道沉降预测中的应用,通过与传统的GM(1,1)模型以及灰色线性回归组合模型进行对比。实验结果表明,加权灰色线性回归组合模型具有较高的预测精度。     

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。     

基于GNSS的空间PM2.5检测系统设计及应用

针对PM_2.5浓度空间检测难度大、传统检测设备灵活性低下等缺点,提出了基于GNSS的空间PM_2.5检测系统.系统包括主控、PM_2.5传感器、GNSS定位模块、电源模块、数据记录模块、4G网络模块等部分,在工作过程中可同时获得位置信息和PM_2.5浓度数据,并将两者进行匹配、保存及发送.该系统具有体积小、重量轻、灵活性好和使用方便等优点,大大拓展了空气质量监测的作业空间,提高了传统作业方式的灵活性,具有广阔的应用前景.      

地理加权回归的城市道路时空运行态势空间网格计算方法

随着城市化加速发展,交通拥堵已成为全球大城市面临的共同难题。高效、准确地分析与发现交通状态与影响因素的空间变化关系是优化道路交通要素配置的重要基础。提出了城市道路交通空间地理加权（road grid geographically weighted regression,RG-GWR）模型,首先以两种尺寸网格嵌套的九宫格计算区域路网承载力比率,识别出路网配置不均衡区域;然后结合实况交通态势,以地理加权回归模型计算单元网格的交通时空运行态势影响异质性参数及其回归关系,得到基于网格的邻近区域路网交通要素配置配比,实现以九宫格为单元的路网要素优化配置。以成都市核心区为例,构建了3种尺寸的空间网格,形成多级叠加的九宫格模型,计算提取了两种级别九宫格模型区域承载力参数,结果与高德实际路况匹配度分别达到62.5%与87.5%;RG-GWR模型在不同时段交通态势拟合度达到80%以上。结果表明,从空间角度分析道路交通均衡配置高效、可行,具有服务于智能化平台的广阔前景。     

门限重复单元的PM2.5浓度预报方法

针对当前我国重污染天气实时的空气质量预报问题,该文提出了一种基于长短期记忆神经网络的PM2.5浓度实时预报方法。此方法结合了北京市地面空气质量监测数据、天气预报模式的气象预报数据及东亚地区污染物排放清单进行分析,在将高层大气状态及排放状况融入了预报模型的同时,利用LSTM模型模拟区域PM2.5浓度的时序连续变化特征,建立了0~72h的区域PM2.5浓度实时预报模型。实验证明,该方法可以有效表征大气污染物变化的时序特征,从而进行更为精准的长时PM2.5浓度预报。同时,使用门限重复单元作为LSTM神经网络的核心,在保障模型精度的同时,进一步减少了模型训练时间,提高了模型的计算效率。     

混合地理加权回归模型算法研究

以迭代算法为基础，推导出混合地理加权回归模型的常系数（全局参数）和变系数（局域参数）的计算方法，并以上海市住宅小区楼盘销售平均价格为例进行验证。结果表明，混合地理加权回归模型的计算量略大于地理加权回归模型，但对样本数据的拟合更好，局域参数估计更稳健。     

基于不同插值方法的PM1污染物浓度研究

随着GIS和计算机技术的不断发展,窄间数据插值应用越来越广,本文基于PM1污染物浓度数据,阐述了反距离加权插值法（IDW）,普通克里格插值法（Kriging）和样条函数插值（SPLINE）三种空间插值方法的数学含义,并指山了各自的特点。在IDW插值图像中,在权重不同的情况下,变化比较大的地方出现在采样点属性值变化剧烈和频繁的区域。SPLINE（规则样条）是基于生成具有连续的二阶导数和最小平方曲率的插值方法。Kriging比其他二种方法灵活,参数限制更多。但不管用哪一种插值方法,空间插值不能代替观测数据,在有一定数量的观测数据的基础上,插值结果才会更逼近真实值。     

基于深度学习的中国连续空间覆盖PM2.5浓度预报

实现全国连续空间覆盖未来小时尺度的PM_2.5浓度实时、高精度预报是一个难题。本文建立基于深度学习的多层长短期记忆迭代模型和改进的空间反向传播神经网络S-BPNN模型来实现全国小时尺度PM_2.5浓度的空间预报。首先,研究基于空间相关性将全国1286个空气质量监测站点在空间上进行自适应分区,并对各个分区分别构建多层LSTM迭代预报模型实现未来24 h各个监测站点的PM_2.5浓度的实时预报。其次,应用改进的S-BPNN空间化模型实现未来24 h全国连续空间覆盖的PM_2.5浓度精细化制图。然后,利用2016—2019年中国PM_2.5监测站的历史数据进行训练和验证,结果显示预报模型和空间化模型的相关系数R²分别为0.88和0.87,表明模型都能实现较高的精度。最后,基于提出的预报模型和空间化模型,辅助从监测站实时获取的大气污染数据和气象数据,通过搭建的大气污染物浓度预报智能化在线信息原型系统可实时发布预报结果并可进行空间化展示。研究实现了全国连续空间覆盖的PM_2.5浓度高时空精度的实时预测,以支持大气污染联防联控和公众环境空间质量信息服务。     

气象要素空间插值方法优化研究

运用反距离加权插值法(IDW)和梯度反距离加权插值法(GIDW)对全国183个气象站的2001年、2002年平均气温进行了内插,并在此基础上进行了幂指数优化和邻近点选择优化。交叉验证结果表明,对于IDW方法,幂指数为3、邻近点选择采用三角网法的插值结果最优;对于GIDW方法,幂指数为2、邻近点选择采用固定数目法的插值结果最优。在幂指数和邻近点选择优化的基础上,比较了IDW方法与GIDW方法的插值结果,考虑经纬度和海拔高程的GIDW方法明显优于IDW方法。在此基础上,提出了基于K-means聚类的空间插值优化方法,实践证明聚类后再插值比直接插值效果更佳,聚类为插值前的数据预处理提供了一种新的思路。     

流动重力空间插值方法比较

流动重力对于地震监测具有十分重要的指示作用,对其进行空间插值能获取其空间分布特征、弥补测站数据较少的不足。本文使用球面Kriging、反距离加权、改进的Shepard 3种方法对流动重力进行插值,从数据分布、插值点个数、插值分辨率、搜索半径（搜索点数）分析插值结果,并对结果予以验证。结果表明：①与球面Kriging、反距离加权法相比较,改进的Shepard方法对于流动重力的插值能取得较好的结果,当插值区域内流动重力样本点的变化较小、不存在异常点时,使用球面克里金插值会获得连续性好、平滑度较高的插值结果;②流动重力插值过程中要根据样本点分布特征、插值范围选取适当的分辨率;③对于地球要素插值,要充分考虑其地球物理构造性质及空间相关性和变异性。     

病态线性模型参数估计的主元加权迭代法

在测量数据处理中的病态性问题往往会导致参数最小二乘估计的性质显著变坏,如何分析模型的病态性质、克服或减弱模型病态性、取得更为准确的参数估值是测量数据处理中无法回避的一个重要问题。本文将主元加权迭代法引入到测量数据处理中,就其在良态和病态两种平差问题中的表现与传统方法进行了对比和分析。计算结果表明：在良态法方程平差问题中,主元加权迭代法能得到与传统方法完全一致的计算结果;在病态法方程平差问题中,主元加权迭代法比传统方法法更加接近真值。