CN111507514A - 大气气溶胶数据预测方法 - Google Patents
大气气溶胶数据预测方法 Download PDFInfo
- Publication number
- CN111507514A CN111507514A CN202010283866.3A CN202010283866A CN111507514A CN 111507514 A CN111507514 A CN 111507514A CN 202010283866 A CN202010283866 A CN 202010283866A CN 111507514 A CN111507514 A CN 111507514A
- Authority
- CN
- China
- Prior art keywords
- data
- aerosol
- value
- matrix
- image
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 239000005427 atmospheric aerosol Substances 0.000 title claims abstract description 49
- 238000000034 method Methods 0.000 title claims abstract description 46
- 239000000443 aerosol Substances 0.000 claims abstract description 57
- 238000000513 principal component analysis Methods 0.000 claims abstract description 29
- 239000011159 matrix material Substances 0.000 claims description 27
- 238000001704 evaporation Methods 0.000 claims description 18
- 230000008020 evaporation Effects 0.000 claims description 18
- 238000001556 precipitation Methods 0.000 claims description 18
- 238000011160 research Methods 0.000 claims description 7
- 230000009466 transformation Effects 0.000 claims description 7
- 230000001186 cumulative effect Effects 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 6
- 230000001419 dependent effect Effects 0.000 claims description 5
- 238000004458 analytical method Methods 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 4
- 238000012795 verification Methods 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 5
- 230000009467 reduction Effects 0.000 abstract description 3
- 238000012544 monitoring process Methods 0.000 description 12
- 230000008859 change Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000012417 linear regression Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000000611 regression analysis Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012847 principal component analysis method Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Databases & Information Systems (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Remote Sensing (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种大气气溶胶数据预测方法，其基于非线性主成分分析和时空地理加权回归，其包括：对目标区域，利用非线性主成分分析得到的m个主成分作为时空地理加权回归的解释变量，运行时空地理加权回归模型，得到气溶胶数据的预测值。该方法将主成分表示为原始数据的非线性组合，可以较好地保留数据本身的非线性特征，提升降维效果，用更少的主成分反映更多的原始指标信息，有效的消除多重共线性，减少原始数据信息损失；时空地理加权回归把数据的时空特性考虑到回归模型中，有效解决了回归模型的时空非平稳性问题，提高模型估算AOD浓度的精确度。
Description
技术领域
本发明涉及遥感技术领域，特别是涉及一种基于非线性主成分分析和时空地理加权回归的大气气溶胶数据预测方法。
背景技术
全球已经发射多颗遥感卫星对大气气溶胶的分布变化进行监测，迄今为止已经获得大量全球范围内大气气溶胶的卫星影像数据。其影像数据主要用于气候变化、空气质量、环境污染、人类健康等科学领域，为国家解决一些重大决策问题提供技术支持。然而大气气溶胶的卫星观测由于受到云层及其他影响因素的干扰，大部分地区呈现出了空白值现象。这不但降低了影像数据的质量，更阻碍了遥感信息定量化研究的发展。因此，必须对大气气溶胶数据进行融合和预测，获取高精度和全面覆盖的大气气溶胶数据。
目前对大气气溶胶数据的监测方法主要包括地面监测和卫星监测。气溶胶地面监测主要有全球自动观测网(AERONET)、欧洲气溶胶研究激光雷达网络 (EARLINET)、微脉冲激光雷达网络(MPLNET)，地面监测气溶胶的平台主要为站点数据监测，而且只能覆盖小范围地区。气溶胶卫星监测主要包括单颗卫星监测、多颗卫星协同监测、统计和插值方法监测。其中，单颗卫星监测由于受到云层及其他影响因素的干扰，大部分地区呈现出了空白值现象。多颗卫星协同监测种类繁多，同一目标利用多个星载传感器进行监测，提高监测精度和覆盖度，但是由于时空分辨率和原理差异的问题，使数据融合的结果不能达到高精确度和高覆盖的效果。统计和插值方法监测由于涉及的数据源较多和方法误差因素，会引入了更多的误差。
综上所述，目前大气气溶胶的监测主要围绕卫星监测与不同方法结合对大气气溶胶进行融合和预测。这种方法的缺点在于时空分辨率和方法误差的问题，使气溶胶数据融合的结果不能达到高精确度和高覆盖的效果。
发明内容
本发明的目的在于提出一种大气气溶胶数据预测方法。
本申请的大气气溶胶数据预测方法，其基于非线性主成分分析和时空地理加权回归，其包括：
对目标区域，利用非线性主成分分析得到的m个主成分作为时空地理加权回归的解释变量，运行时空地理加权回归模型，得到气溶胶数据的预测值。
优选地，所述m个主成分通过所述目标区域的CO、O3、NO2、SO2、湿度、气压、风速、气温、蒸发、日照、降水、地温、高程、坡度、坡向而获得；
其中，CO、O3、NO2、SO2为空气质量数据；湿度、气压、风速、气温、蒸发、日照、降水、地温为气象数据；高程、坡度、坡向为地理数据。
优选地，所述m个主成分的选取步骤如下：
步骤A、对所述目标区域的大气气溶胶影像数据进行预处理，获得该目标区域的气溶胶数据值；
步骤B、对CO、O3、NO2、SO2、湿度、气压、风速、气温、蒸发、日照、降水、地温、高程、坡度、坡向进行预处理；
步骤C、计算CO、O3、NO2、SO2、湿度、气压、风速、气温、蒸发、日照、降水、地温、高程、坡度、坡向的预处理值中每一项与气溶胶数据值的Pearson 相关系数来检验其相关性；
步骤D、利用非线性主成分分析对CO、O3、NO2、SO2、湿度、气压、风速、气温、蒸发、日照、降水、地温、高程、坡度、坡向的预处理值中的与气溶胶数据值的Pearson相关系数大于预定值的每一项进行分析；
步骤E、选取累积贡献度超过85％的前m个主成分作为所述的m个主成分。
优选地，所述步骤A具体包括：
步骤A1、获取目标区域的Terra卫星的大气气溶胶卫星影像作为第一图像， Aqua卫星的大气气溶胶卫星影像作为第二图像；
步骤A2、对所述第一图像和第二图像分别以3km*3km为单位进行网格化；
步骤A3、对所述第一图像和第二图像，分别提取每个网格的中心点的ID、时间、经纬度坐标和气溶胶数据值；
步骤A4、对于每个坐标，如果第一图像和第二图像均具有气溶胶数据值，则以第一图像和第二图像的平均值作为该坐标点的气溶胶数据值；如果第一图像和第二图像中仅有一个具有气溶胶数据值，则以该气溶胶数据值作为该坐标点的气溶胶数据值；
步骤A5、求出每个坐标点气溶胶数据值的月均值；
步骤A6、随机选取均匀分布的预定个数的气溶胶数据点，作为该目标区域的研究对象。
优选地，所述步骤B具体包括：
步骤B1、求取所述空气质量数据和气象数据各项指标的月均值；
步骤B2、对所述空气质量数据和气象数据各项指标的月均值进行克里金插值；
步骤B3、对地理数据进行重投影；
步骤B4、通过值提取至点的方法将经克里金插值的空气质量数据和气象数据的月均值、经重投影的地理数据提取到所述预定个数的气溶胶数据点。
优选地，所述步骤C具体包括：
步骤C1、判断CO、O3、NO2、SO2、湿度、气压、风速、气温、蒸发、日照、降水、地温、高程、坡度、坡向的预处理值中每一项与气溶胶数据值的Pearson 相关系数的大小，移除与气溶胶数据值相关性低的对应项。
优选地，所述步骤D具体包括：
步骤D1、用CO、O3、NO2、SO2、湿度、气压、风速、气温、蒸发、日照、降水、地温、高程、坡度、坡向的预处理值中的与气溶胶数据值的Pearson 相关系数大于预定值的所有项构成矩阵，其中矩阵的每一列对应一项数据，对该矩阵做中心化对数比变换：
其中，xtj表示矩阵的第t行第j列的数据值，xij表示矩阵的第i行第j列的数据值；p表示矩阵的行数；yij表示矩阵经中心化对数比变换后的矩阵的第i 行第j列的数据值；
步骤D2：计算中心化对数比样本协方差矩阵：
S＝(Sij)p×p；
其中，
S表示中心化对数比样本协方差矩阵；Sij表示S的第i行第j列；n＝p；
步骤D3：从S出发求样本主成分，设λ1＞λ2L＞λp是S的P个特征根， ai1,ai2,L,aip是相应的标准化特征向量，则第i个主成分为：
步骤D4：第i个主成分的方差贡献率为
当累积方差贡献率
达到预定的数值时，取前m个主成分Fk1,Fk2,L,Fkm。
优选地，所述步骤E具体包括：
步骤E1：利用非线性主成分分析结果中前m个主成分Fk1,Fk2,L,Fkm作为解释变量，将气溶胶数据的月均值作为因变量输入到时空地理加权回归模型中；
步骤E2：将坐标的经纬度和时间戳记输入到时空地理加权回归模型中；
步骤E3：以交叉验证法作为时空地理加权回归模型的带宽方法；
步骤E4：以固定距离构造内核作为时空地理加权回归模型的内核类型。
本申请的基于非线性主成分分析和时空地理加权回归研究方法的预测大气气溶胶数据时，将主成分表示为原始数据的非线性组合，可以较好地保留数据本身的非线性特征，提升降维效果，用更少的主成分反映更多的原始指标信息，有效的消除多重共线性，减少原始数据信息损失；时空地理加权回归把数据的时空特性考虑到回归模型中，有效解决了回归模型的时空非平稳性问题，提高模型估算AOD浓度的精确度。
附图说明
图1是本发明方法的流程图。
图2是本发明研究区域气象和空气质量数据监测站点分布图
图3a-3d分别为地理加权回归、时空地理加权回归、非线性主成分分析地理加权回归、非线性主成分分析时空地理加权回归预测大气气溶胶数据结果图。
图4a-4d分别是地理加权回归、时空地理加权回归、非线性主成分分析地理加权回归、非线性主成分分析时空地理加权回归预测大气气溶胶数据与监测值线性拟合结果图。
具体实施方式
本发明的目的通过以下的技术方案实现：一种基于非线性主成分分析和时空地理加权回归研究方法预测大气气溶胶数据，包括以下步骤：
1、对大气气溶胶影像数据进行预处理，批量获取影像数据的气溶胶数据值；
获取大气气溶胶影像数据及名称，解析影像数据文件名称返回日期，获取一副图像的数据值，定位划分3km*3km的网格，提取网格中心点的坐标和气溶胶数据值，大气气溶胶数据写入数据库，求出Terra和Aqua卫星的相同坐标气溶胶数据的平均值，随机选取均匀分布的1594个气溶胶数据点。
2、对空气质量数据、气象数据和地理数据共计15项指标进行预处理；
求取空气质量数据(CO、O3、NO2、SO2)和气象数据(湿度、气压、风速、气温、蒸发、日照、降水、地温)各指标数据的月均值，对空气质量数据 (CO、O3、NO2、SO2)和气象数据(湿度、气压、风速、气温、蒸发、日照、降水、地温)各指标数据的月均值进行克里金插值，对地理数据(高程、坡度、坡向)进行重投影，通过值提取至点的方法将空气质量数据、气象数据和地理数据提取到1594个气溶胶数据点。
3、通过计算各因子的Pearson相关系数来检验变量间的相关性；
计算各影响因子的Pearson相关系数来检验变量间的相关性，查看自变量之间是否存在多重共线性；判断各因子Pearson相关系数大小，移除与气溶胶数据值相关性低的影响因子。
4、利用非线性主成分分析对各指标数据进行分析
对原始数据做中心化对数比变换：
计算中心化对数比样本协方差矩阵：
S＝(Sij)p×p
其中，
从S出发求样本主成分，设λ1＞λ2L＞λp是S的P个特征根，ai1,ai2,L,aip是相应的标准化特征向量，则第i个主成分为：
第i个主成分的方差贡献率为
当累积方差贡献率
达到一定的数值时(一般不小于85％)，取前m个主成分Fk1,Fk2,L,Fkm，认为这m 个主成分就以较少的综合指标体现了原始P个指标的信息。
5、选取累积贡献度超过85％的前m个主成分作为时空地理加权回归的解释变量对气溶胶数据值进行预测；
利用非线性主成分分析结果中取到的前m个主成分Fk1,Fk2,L,Fkm作为解释变量，气溶胶月均值为因变量输入到时空地理加权回归模型中；将经纬度和时间戳记输入到模型中，带宽方法选择Akaike信息准则法(AIC)，内核类型指定使用固定距离构造内核，运行时空地理加权回归模型对气溶胶数据进行预测。同时计算地理加权回归、时空地理加权回归、非线性主成分分析地理加权回归、非线性主成分分析时空地理加权回归每个模型的MAE、RMSE、AIC、R2、
五项评价指标和每个模型之间对比的提升度。
6、预测结果精确度对比；
对地理加权回归、时空地理加权回归、非线性主成分分析地理加权回归、非线性主成分分析时空地理加权回归四种模型预测大气气溶胶数据值和监测大气气溶胶数据值做线性回归分析，通过回归分析总结模型预测精确度。
本发明与现有技术相比，具有如下优点和有益效果：
本发明的大气气溶胶数据预测方法，它是将主成分表示为原始数据的非线性组合，可以较好地保留数据本身的非线性特征，提升降维效果，用更少的主成分反映更多的原始指标信息，有效的消除多重共线性，减少原始数据信息损失；时空地理加权回归把数据的时空特性考虑到回归模型中，有效解决了回归模型的时空非平稳性问题，提高模型估算AOD浓度的精确度。
下面，结合附图对本申请的大气气溶胶数据预测方法。
本实施例以京津冀2015年4月份的Terra、Aqua大气气溶胶数据、空气质量数据、气象数据和地理数据作为示例，详细说明利用本发明进行大气气溶胶数据预测的过程。根据图1所示的方法流程图，方法包括步骤：
1：下载京津冀2015年4月份的Terra、Aqua大气气溶胶数据、空气质量数据、气象数据和地理数据。
2：对大气气溶胶数据进行批量处理，首先获取大气气溶胶影像数据及名称，解析影像数据文件名称返回日期，获取一副图像的数据值，定位划分 3km*3km的网格，提取网格中心点的坐标和气溶胶数据值，大气气溶胶数据写入数据库，求出Terra和Aqua卫星的相同坐标气溶胶数据的平均值，随机选取均匀分布的1594个气溶胶数据点。
3：特征变量时空一致性处理，求取空气质量数据(CO、O3、NO2、SO2) 和气象数据(湿度、气压、风速、气温、蒸发、日照、降水、地温)各指标数据的月均值，对空气质量数据(CO、O3、NO2、SO2)和气象数据(湿度、气压、风速、气温、蒸发、日照、降水、地温)各指标数据的月均值进行克里金插值，对地理数据(高程、坡度、坡向)进行重投影，通过值提取至点的方法将空气质量数据、气象数据和地理数据提取到1594个气溶胶数据点。
4：通过计算各因子之间的Pearson相关系数来检验变量间的相关性
计算影响因子之间的Pearson相关系数来检验变量间的相关性，查看自变量之间是否存在多重共线性；判断各因子Pearson相关系数大小，移除与气溶胶数据值相关性低的影响因子。本文所选十五项影响因子指标中，坡向和风速两个影响因子和因变量AOD的相关性低于0.1，所以将这两个影响因子移除。 Pearson相关系数表如表1所示：
表1 Pearson相关系数表
5：利用非线性主成分分析对各指标数据进行分析
利用非线性主成分分析方法计算数据中各指标的特征根和相应的贡献度，以及累积贡献度。本文取前三个主成分的特征根和相应的贡献度，以及累积贡献度，如表2所示。(以下数据均保留3位小数)。
表2非线性主成分分析结果表
| 主成分 | 特征值 | 贡献/％ | 累计贡献度/％ |
| 第一主成分 | 4.944 | 85.318％ | 85.318％ |
| 第二主成分 | 0.166 | 8.487％ | 93.805％ |
| 第三主成分 | 0.123 | 2.869％ | 96.673％ |
6：选取累积贡献度超过85％的前m个主成分作为时空地理加权回归的解释变量对气溶胶数据值进行预测。
利用非线性主成分分析结果中取到的前m个主成分Fk1,Fk2,L,Fkm作为解释变量，气溶胶月均值为因变量输入到时空地理加权回归模型中；将经纬度和时间戳记输入到模型中，带宽方法选择AIC信息准则法(AIC)，内核类型指定使用固定距离构造内核，运行时空地理加权回归模型对气溶胶数据进行预测。同时计算地理加权回归、时空地理加权回归、非线性主成分分析地理加权回归、非线性主成分分析时空地理加权回归每个模型的MAE、RMSE、AIC、R2、
五项评价指标和每个模型之间对比的提升度，计算结果如表3所示。
表3预测结果比较
7：预测结果精确度对比。
对地理加权回归(GWR)、时空地理加权回归(GTWR)、非线性主成分分析地理加权回归(NLPCA-GWR)、非线性主成分分析时空地理加权回归 (NLPCA-GTWR)四种模型预测大气气溶胶数据值和监测大气气溶胶数据值做线性回归分析，通过回归分析总结模型预测精确度。
参见图4，可以看出，GWR、NLPCA-GWR、GTWR、NLPCA-GTWR回归系数b由小到大依次为0.7435、0.7913、0.8148，0.8324。NLPCA-GTWR方法拟合回归系数b值最大，并且数据比较集中于拟合直线，所以NLPCA-GTWR 方法预测AOD浓度与监测AOD浓度线性拟合效果最好。
参见表3，可以看出利用非线性主成分分析时空地理加权回归方法估算大气气溶胶数据所得MAE、RMSE、AIC的值在四个模型中最小，R2和的值在四个模型中最大，表明非线性主成分分析时空地理加权回归方法估算大气气溶胶数据的准确度最高。
本申请中，大气气溶胶数据来自(https://ladsweb.nascom.nasa.gov/data)网站；空气质量数据来自中国环境监测总站(http://www.cnemc.cn)；气象数据来自中国气象数据网(http://data.cma.cn/site/index.html)；地理数据来自地理空间数据云网站(http://www.gscloud.cn/)。
除非另有定义，本申请中使用的所有技术和/或科学术语具有与由本发明所涉及的领域的普通技术人员通常理解的相同含义。本申请中提到的材料、方法和实施例仅为说明性的，而非限制性的。
虽然已结合具体实施方式对本发明进行了描述，在本申请的发明主旨下，本领域的技术人员可以进行适当的替换、修改和变化，这种替换、修改和变化仍属于本申请的保护范围。
Claims (8)
1.一种大气气溶胶数据预测方法，其基于非线性主成分分析和时空地理加权回归，其包括：
对目标区域，利用非线性主成分分析得到的m个主成分作为时空地理加权回归的解释变量，运行时空地理加权回归模型，得到气溶胶数据的预测值。
2.如权利要求1所述的大气气溶胶数据预测方法，其特征在于：
所述m个主成分通过所述目标区域的CO、O3、NO2、SO2、湿度、气压、风速、气温、蒸发、日照、降水、地温、高程、坡度、坡向而获得；
其中，CO、O3、NO2、SO2为空气质量数据；湿度、气压、风速、气温、蒸发、日照、降水、地温为气象数据；高程、坡度、坡向为地理数据。
3.如权利要求2所述的大气气溶胶数据预测方法，其特征在于：
所述m个主成分的选取步骤如下：
步骤A、对所述目标区域的大气气溶胶影像数据进行预处理，获得该目标区域的气溶胶数据值；
步骤B、对CO、O3、NO2、SO2、湿度、气压、风速、气温、蒸发、日照、降水、地温、高程、坡度、坡向进行预处理；
步骤C、计算CO、O3、NO2、SO2、湿度、气压、风速、气温、蒸发、日照、降水、地温、高程、坡度、坡向的预处理值中每一项与气溶胶数据值的Pearson相关系数来检验其相关性；
步骤D、利用非线性主成分分析对CO、O3、NO2、SO2、湿度、气压、风速、气温、蒸发、日照、降水、地温、高程、坡度、坡向的预处理值中的与气溶胶数据值的Pearson相关系数大于预定值的每一项进行分析；
步骤E、选取累积贡献度超过85％的前m个主成分作为所述的m个主成分。
4.根据权利要求3所述的大气气溶胶数据预测方法，其特征在于，所述步骤A具体包括：
步骤A1、获取目标区域的Terra卫星的大气气溶胶卫星影像作为第一图像，Aqua卫星的大气气溶胶卫星影像作为第二图像；
步骤A2、对所述第一图像和第二图像分别以3km*3km为单位进行网格化；
步骤A3、对所述第一图像和第二图像，分别提取每个网格的中心点的ID、时间、经纬度坐标和气溶胶数据值；
步骤A4、对于每个坐标，如果第一图像和第二图像均具有气溶胶数据值，则以第一图像和第二图像的平均值作为该坐标点的气溶胶数据值；如果第一图像和第二图像中仅有一个具有气溶胶数据值，则以该气溶胶数据值作为该坐标点的气溶胶数据值；
步骤A5、求出每个坐标点气溶胶数据值的月均值；
步骤A6、随机选取均匀分布的预定个数的气溶胶数据点，作为该目标区域的研究对象。
5.根据权利要求3所述的大气气溶胶数据预测方法，其特征在于，所述步骤B具体包括：
步骤B1、求取所述空气质量数据和气象数据各项指标的月均值；
步骤B2、对所述空气质量数据和气象数据各项指标的月均值进行克里金插值；
步骤B3、对地理数据进行重投影；
步骤B4、通过值提取至点的方法将经克里金插值的空气质量数据和气象数据的月均值、经重投影的地理数据提取到所述预定个数的气溶胶数据点。
6.根据权利要求3所述的大气气溶胶数据预测方法，其特征在于，所述步骤C具体包括：
步骤C1、判断CO、O3、NO2、SO2、湿度、气压、风速、气温、蒸发、日照、降水、地温、高程、坡度、坡向的预处理值中每一项与气溶胶数据值的Pearson相关系数的大小，移除与气溶胶数据值相关性低的对应项。
7.根据权利要求3所述的大气气溶胶数据预测方法，其特征在于，所述步骤D具体包括：
步骤D1、用CO、O3、NO2、SO2、湿度、气压、风速、气温、蒸发、日照、降水、地温、高程、坡度、坡向的预处理值中的与气溶胶数据值的Pearson相关系数大于预定值的所有项构成矩阵，其中矩阵的每一列对应一项数据，对该矩阵做中心化对数比变换：
其中，xtj表示矩阵的第t行第j列的数据值，xij表示矩阵的第i行第j列的数据值；p表示矩阵的行数；yij表示矩阵经中心化对数比变换后的矩阵的第i行第j列的数据值；
步骤D2：计算中心化对数比样本协方差矩阵：
S＝(Sij)p×p；
其中，
S表示中心化对数比样本协方差矩阵；Sij表示S的第i行第j列；n＝p；yti表示矩阵经中心化对数比变换后的矩阵的第t行第i列的数据值；ytj表示矩阵经中心化对数比变换后的矩阵的第t行第j列的数据值；
表示矩阵的第i列的平均值；
表示矩阵的第j列的平均值；
步骤D3：从S出发求样本主成分，设λ1＞λ2L＞λp是S的P个特征根，ai1,ai2,L,aip是相应的标准化特征向量，则第i个主成分为：
步骤D4：第i个主成分的方差贡献率为
当累积方差贡献率
达到预定的数值时，取前m个主成分Fk1,Fk2,L,Fkm。
8.根据权利要求7所述的大气气溶胶数据预测方法，其特征在于，所述步骤E具体包括：
步骤E1：利用非线性主成分分析结果中前m个主成分Fk1,Fk2,L,Fkm作为解释变量，将气溶胶数据的月均值作为因变量输入到时空地理加权回归模型中；
步骤E2：将坐标的经纬度和时间戳记输入到时空地理加权回归模型中；
步骤E3：以交叉验证法作为时空地理加权回归模型的带宽方法；
步骤E4：以固定距离构造内核作为时空地理加权回归模型的内核类型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010283866.3A CN111507514A (zh) | 2020-04-13 | 2020-04-13 | 大气气溶胶数据预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010283866.3A CN111507514A (zh) | 2020-04-13 | 2020-04-13 | 大气气溶胶数据预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111507514A true CN111507514A (zh) | 2020-08-07 |
Family
ID=71869251
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010283866.3A Pending CN111507514A (zh) | 2020-04-13 | 2020-04-13 | 大气气溶胶数据预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111507514A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112990609A (zh) * | 2021-04-30 | 2021-06-18 | 中国测绘科学研究院 | 基于时空带宽自适应地理加权回归的空气质量预测方法 |
| CN116776104A (zh) * | 2023-08-21 | 2023-09-19 | 华南理工大学 | 基于机器学习实现大气成分的变化规律分析方法及*** |
-
2020
- 2020-04-13 CN CN202010283866.3A patent/CN111507514A/zh active Pending
Non-Patent Citations (2)
| Title |
|---|
| 卢月明;王亮;仇阿根;张用川;赵阳阳;: "一种基于主成分分析的时空地理加权回归方法" * |
| 李广超;李如仁;卢月明;赵阳阳;余博;: "利用主成分分析法及地理加权回归模型分析AOD数据" * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112990609A (zh) * | 2021-04-30 | 2021-06-18 | 中国测绘科学研究院 | 基于时空带宽自适应地理加权回归的空气质量预测方法 |
| CN112990609B (zh) * | 2021-04-30 | 2021-09-14 | 中国测绘科学研究院 | 基于时空带宽自适应地理加权回归的空气质量预测方法 |
| CN116776104A (zh) * | 2023-08-21 | 2023-09-19 | 华南理工大学 | 基于机器学习实现大气成分的变化规律分析方法及*** |
| CN116776104B (zh) * | 2023-08-21 | 2023-11-10 | 华南理工大学 | 基于机器学习实现大气成分的变化规律分析方法及*** |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Li et al. | Predicting ground-level PM2. 5 concentrations in the Beijing-Tianjin-Hebei region: A hybrid remote sensing and machine learning approach | |
| Casati et al. | Forecast verification: current status and future directions | |
| Yin et al. | Forest cover mapping in post-Soviet Central Asia using multi-resolution remote sensing imagery | |
| Squire et al. | Likelihood of unprecedented drought and fire weather during Australia’s 2019 megafires | |
| Oteros et al. | A new method for determining the sources of airborne particles | |
| Berhan et al. | Using satellite images for drought monitoring: a knowledge discovery approach | |
| CN109782373B (zh) | 一种基于改进的Naive Bayesian-CNN多目标分类算法的沙尘暴预测方法 | |
| Biard et al. | Automated detection of weather fronts using a deep learning neural network | |
| CN111242022A (zh) | 基于低分辨率遥感产品降尺度的高分辨率fapar估算方法 | |
| CN111310898A (zh) | 一种基于rnn的滑坡灾害易发性预测方法 | |
| CN111738175A (zh) | 一种基于遥感影像和卷积神经网络的农业干旱监测*** | |
| CN111079999A (zh) | 一种基于cnn和svm的洪水灾害易发性预测方法 | |
| Bogawski et al. | Predicting the onset of Betula pendula flowering in Poznań (Poland) using remote sensing thermal data | |
| May | Variability and extremes of daily rainfall during the Indian summer monsoon in the period 1901–1989 | |
| Michaelides et al. | Monitoring and forecasting air pollution levels by exploiting satellite, ground‐based, and synoptic data, elaborated with regression models | |
| CN111507514A (zh) | 大气气溶胶数据预测方法 | |
| CN113723319A (zh) | 一种基于风云卫星数据的水稻种植分布提取方法 | |
| CN111598460A (zh) | 土壤重金属含量的监测方法、装置、设备及存储介质 | |
| Yang et al. | Probabilistic post-processing of gridded atmospheric variables and its application to site adaptation of shortwave solar radiation | |
| CN112907113A (zh) | 一种考虑空间相关性的植被变化成因识别方法 | |
| CN112990609B (zh) | 基于时空带宽自适应地理加权回归的空气质量预测方法 | |
| Ahn et al. | Evaluating precipitation distributions at regional scales: a benchmarking framework and application to CMIP5 and 6 models | |
| CN117809183A (zh) | 一种荒漠化监测方法、***、电子设备及介质 | |
| CN113049606A (zh) | 一种大面积高精度绝缘子污秽分布评估方法 | |
| Berkovic | Wind regimes and their relation to synoptic variables using self-organizing maps |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |