传统的站点监测方法虽然能够较精准地检测当地的PM2.5质量浓度,却无法实现较大范围内PM2.5质量浓度的空间分布监测。本研究提取包括气象、土地利用、地形及其他共20个影响PM2.5浓度的因子,利用土地利用回归模型(Land Use Regression,LUR...传统的站点监测方法虽然能够较精准地检测当地的PM2.5质量浓度,却无法实现较大范围内PM2.5质量浓度的空间分布监测。本研究提取包括气象、土地利用、地形及其他共20个影响PM2.5浓度的因子,利用土地利用回归模型(Land Use Regression,LUR)对浙江省近地表PM2.5质量浓度空间分布进行了预测。结果表明:基于31个站点预测整个浙江省PM2.5质量浓度时,运用地理加权(GWR)方法建立拟合方程的R2平均值(0.69)和R2Adjusted平均值(0.53)都优于运用普通最小二乘法(OLS)建立拟合方程的R2平均值(0.53)和R2Adjusted平均值(0.41),但是两者的AIC指数却没有明显差异。基于10个站点预测杭州地区的PM2.5质量浓度时,运用GWR方法建立拟合方程的R2值和R2Adjusted值都优于运用OLS方法,且GWR的AIC值变化趋势(均值-182.4)明显低于OLS值变化趋势(均值74.8)。结论表明,应用LUR模型模拟大尺度区域的近地表PM2.5浓度是有效的。基于GWR的预测方法优于OLS的预测方法。本文提供的方法对进一步研究PM2.5估测模型具有一定的参考价值。展开更多
以土地利用变化为切入点,基于赣州市空气监测站的PM_(2.5)质量浓度数据和土地利用数据、道路数据、人口数据、气象因子数据,分析各因素与PM_(2.5)质量浓度的相关关系,筛选合适的数据,建立基于多元线性回归方法的土地利用回归(Land Use R...以土地利用变化为切入点,基于赣州市空气监测站的PM_(2.5)质量浓度数据和土地利用数据、道路数据、人口数据、气象因子数据,分析各因素与PM_(2.5)质量浓度的相关关系,筛选合适的数据,建立基于多元线性回归方法的土地利用回归(Land Use Regression,LUR)模型来模拟PM_(2.5)的空间分布。研究结果表明,基于多元线性回归的LUR模型将森林和主要道路、边界层高度、风速作为建模变量,模型的调整R2(决定系数)为0.855,RMSE(均方根误差)为0.635,在拟合度和准确度方面都表现良好。展开更多
模拟城市大气污染物浓度空间分布对研究城市空气质量及人体健康至关重要.本研究利用土地利用回归模型(Land Use Regression,LUR),提取包括污染点源因子、交通因子、人口因子、土地利用因子和气象因子等60个预测因子,基于地理加权算法(G...模拟城市大气污染物浓度空间分布对研究城市空气质量及人体健康至关重要.本研究利用土地利用回归模型(Land Use Regression,LUR),提取包括污染点源因子、交通因子、人口因子、土地利用因子和气象因子等60个预测因子,基于地理加权算法(GWR)建立春、夏、秋、冬四个季节的模型,实现对杭州地区近地表PM_(2.5)质量浓度空间分布的预测.结果表明:基于地理加权回归算法时,检验模型的R2值分别达到0.76(春季)、0.70(夏季)、0.73(秋季)、0.76(冬季),模型能够解释PM_(2.5)浓度值80%以上的变异.每个季度杭州地区PM_(2.5)浓度变化不尽相同,但总体以杭州中部最高,西南部偏低.研究说明基于LUR模型模拟大尺度地区PM_(2.5)质量浓度空间分布是可行的.展开更多
构建武汉市NO_2浓度的土地利用回归(Land use regression,LUR)模型,可用于个体NO_2长期暴露水平的估计。收集了武汉市10个空气质量监测站2015年的日均NO_2监测数据作为因变量,以武汉市土地利用、海拔高度、人口密度和道路总长度数据作...构建武汉市NO_2浓度的土地利用回归(Land use regression,LUR)模型,可用于个体NO_2长期暴露水平的估计。收集了武汉市10个空气质量监测站2015年的日均NO_2监测数据作为因变量,以武汉市土地利用、海拔高度、人口密度和道路总长度数据作为预测变量,采用逐步回归方法构建LUR模型,并采用留一交叉验证法对模型的精度进行评价。结果显示,武汉市NO_2浓度主要与所在地半径2千米缓冲区内的植被地面积和半径5千米缓冲区内的农用地面积相关。LUR模型的调整R^2大小为0.85,表明模型能解释大部分的变异;LOOCV检验的调整R^2大小为0.63,表明模型具有较好的拟合精度。展开更多
为有效解决传统监测技术无法获取城市内部高分辨率PM2.5浓度空间分布情况的问题,基于土地利用回归(land use regression,LUR)模型,以关中平原城市群为例模拟其PM2.5空间分布状况,通过获取研究范围内54个监测站点的PM2.5浓度数据,结合土...为有效解决传统监测技术无法获取城市内部高分辨率PM2.5浓度空间分布情况的问题,基于土地利用回归(land use regression,LUR)模型,以关中平原城市群为例模拟其PM2.5空间分布状况,通过获取研究范围内54个监测站点的PM2.5浓度数据,结合土地利用类型、气象、地形、植被指数、人口密度、交通和污染源等因素,分别建立春、夏、秋、冬及年均5个LUR模型。结果表明:LUR模型调整后各季节及年平均值的R2分别达到0.831(春)、0.817(夏)、0.874(秋)、0.857(冬)、0.900(全年平均),5种模型拟合度均较好;采取交叉互验的方法进行了精度检验,显示5种模型的平均精度均达到80.4%,说明LUR模型在模拟关中平原城市群PM2.5浓度空间分布时适用性良好。模拟结果显示,研究区各季节的PM2.5浓度在空间分布上大致相同,呈现出东部高、西部低的明显特征,且空间分布状况受地形因素的影响较大。但在浓度均值的季节变化上则具有夏季低、冬季高的明显差异。本研究结果可为关中平原城市群PM2.5污染防治提供科学依据,亦可为城市内部PM2.5浓度空间分布数据的获取提供新思路。展开更多
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 Hie...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。展开更多
为弥补结合相关测绘成果研究季节性PM2.5空间分布相对不足的问题,以京津冀为例,基于土地利用回归(Land Use Regression,LUR)模型对研究区2013年典型季节的PM2.5浓度进行模拟.采用双变量相关分析识别出与PM2.5浓度相关的影响因子,主要包...为弥补结合相关测绘成果研究季节性PM2.5空间分布相对不足的问题,以京津冀为例,基于土地利用回归(Land Use Regression,LUR)模型对研究区2013年典型季节的PM2.5浓度进行模拟.采用双变量相关分析识别出与PM2.5浓度相关的影响因子,主要包括地表覆盖分类、扬尘地表及污染企业在内的监测成果等因素,分别对夏冬两季PM2.5浓度和与之对应的影响因子进行多元线性回归分析,判定系数R^2分别为0.743和0.866.根据LUR方程计算加密点浓度值,通过反距离加权插值得到较为精细的PM2.5浓度空间分布图.结果显示,研究区两季污染物浓度都呈现出以太行山-燕山山脉为界,东部、南部地区污染严重,西部、北部地区污染较轻的态势.冬季整体的污染程度高于夏季,各城市两季PM2.5浓度变化趋势基本一致.展开更多
随着工业化加速和经济快速发展,PM2.5引起的空气污染日益严重,对环境和人类健康造成严重影响。本研究采用Adaboost机器学习方法优化土地利用回归模型(LUR),利用2015年中国PM2.5监测数据及多源遥感数据,模拟中国PM2.5的空间分布,并评价...随着工业化加速和经济快速发展,PM2.5引起的空气污染日益严重,对环境和人类健康造成严重影响。本研究采用Adaboost机器学习方法优化土地利用回归模型(LUR),利用2015年中国PM2.5监测数据及多源遥感数据,模拟中国PM2.5的空间分布,并评价模型拟合效果。结果显示,Adaboost优化后的LUR模型拟合精度显著提高,R2从0.241提高至0.62 (春)、0.69 (夏)、0.60 (秋)、0.67 (冬)和0.65 (年),并通过SPSS软件识别出28个与PM2.5浓度相关的变量。研究发现,PM2.5浓度具有季节性变化,冬季最高,夏季最低,且存在明显的空间自相关性,表现为高–高集聚以及低–低集聚。本研究为PM2.5浓度精确预测提供了新方法,对公共健康保护和空气质量管理具有重要意义。With the acceleration of industrialization and rapid economic development, the air pollution caused by PM2.5 is becoming more and more serious, causing serious impacts on the environment and human health. In this study, the Adaboost machine learning method was used to optimize the land use regression (LUR) model to simulate the spatial distribution of PM2.5 in China by using the 2015 Chinese PM2.5 monitoring data and multi-source remote sensing data, and to evaluate the model fitting effect. The results showed that the fitting accuracy of LUR model optimized by Adaboost was significantly improved, R2 increased from 0.241 to 0.62 (spring), 0.69 (summer), 0.60 (autumn), 0.67 (winter) and 0.65 (year). 28 variables related to PM2.5 concentration were identified by SPSS software. It was found that PM2.5 concentration has seasonal variations, with the highest in winter and the lowest in summer, and there is an obvious spatial autocorrelation, which is manifested as high-high concentration as well as low-low concentration. This study provides a new method for accurate prediction of PM2.5 concentration, which is important for public health protection and air quality management.展开更多
随着经济的快速发展,空气污染已经成为当今重要的环境问题,引起公众的广泛关注,二氧化氮(NO_2)作为主要的空气污染物之一,成为相关研究的重点。通过监测数据发现,二氧化氮质量浓度值的空间分布具有区域性差异,所以对其空间分布模拟,以...随着经济的快速发展,空气污染已经成为当今重要的环境问题,引起公众的广泛关注,二氧化氮(NO_2)作为主要的空气污染物之一,成为相关研究的重点。通过监测数据发现,二氧化氮质量浓度值的空间分布具有区域性差异,所以对其空间分布模拟,以及形成区域差异的下垫面影响因素分析,具有重要的研究价值。土地利用回归模型(Land-use Regression,LUR)是将统计方法中的回归模型与空间上的土地利用数据、监测数据和其他相关的地理数据结合分析并在地图上显示的方法。本文结合缓冲区分析、叠加分析、Spearman相关性分析、多元回归分析等方法构建土地利用回归模型(Land Use Regression,LUR),用于识别与NO_2浓度相关的下垫面影响因素,并模拟NO_2质量浓度的空间分布。LUR模型可以模拟出NO_2质量浓度空间分布特征,并针对下垫面影响因素得到以下结论:城乡居住地及工业用地面积增加、污染源的距离减少和道路长度增加会导致NO_2浓度升高;耕地面积、绿地面积和水域面积的增加会导致NO_2浓度减少;NO_2浓度最高的区域主要集中在工业园区;NO_2浓度值从城区到郊区递减,需要通过改变工业区结构和增加绿地面积来减少城区的NO_2浓度。展开更多
文摘传统的站点监测方法虽然能够较精准地检测当地的PM2.5质量浓度,却无法实现较大范围内PM2.5质量浓度的空间分布监测。本研究提取包括气象、土地利用、地形及其他共20个影响PM2.5浓度的因子,利用土地利用回归模型(Land Use Regression,LUR)对浙江省近地表PM2.5质量浓度空间分布进行了预测。结果表明:基于31个站点预测整个浙江省PM2.5质量浓度时,运用地理加权(GWR)方法建立拟合方程的R2平均值(0.69)和R2Adjusted平均值(0.53)都优于运用普通最小二乘法(OLS)建立拟合方程的R2平均值(0.53)和R2Adjusted平均值(0.41),但是两者的AIC指数却没有明显差异。基于10个站点预测杭州地区的PM2.5质量浓度时,运用GWR方法建立拟合方程的R2值和R2Adjusted值都优于运用OLS方法,且GWR的AIC值变化趋势(均值-182.4)明显低于OLS值变化趋势(均值74.8)。结论表明,应用LUR模型模拟大尺度区域的近地表PM2.5浓度是有效的。基于GWR的预测方法优于OLS的预测方法。本文提供的方法对进一步研究PM2.5估测模型具有一定的参考价值。
文摘以土地利用变化为切入点,基于赣州市空气监测站的PM_(2.5)质量浓度数据和土地利用数据、道路数据、人口数据、气象因子数据,分析各因素与PM_(2.5)质量浓度的相关关系,筛选合适的数据,建立基于多元线性回归方法的土地利用回归(Land Use Regression,LUR)模型来模拟PM_(2.5)的空间分布。研究结果表明,基于多元线性回归的LUR模型将森林和主要道路、边界层高度、风速作为建模变量,模型的调整R2(决定系数)为0.855,RMSE(均方根误差)为0.635,在拟合度和准确度方面都表现良好。
文摘模拟城市大气污染物浓度空间分布对研究城市空气质量及人体健康至关重要.本研究利用土地利用回归模型(Land Use Regression,LUR),提取包括污染点源因子、交通因子、人口因子、土地利用因子和气象因子等60个预测因子,基于地理加权算法(GWR)建立春、夏、秋、冬四个季节的模型,实现对杭州地区近地表PM_(2.5)质量浓度空间分布的预测.结果表明:基于地理加权回归算法时,检验模型的R2值分别达到0.76(春季)、0.70(夏季)、0.73(秋季)、0.76(冬季),模型能够解释PM_(2.5)浓度值80%以上的变异.每个季度杭州地区PM_(2.5)浓度变化不尽相同,但总体以杭州中部最高,西南部偏低.研究说明基于LUR模型模拟大尺度地区PM_(2.5)质量浓度空间分布是可行的.
文摘构建武汉市NO_2浓度的土地利用回归(Land use regression,LUR)模型,可用于个体NO_2长期暴露水平的估计。收集了武汉市10个空气质量监测站2015年的日均NO_2监测数据作为因变量,以武汉市土地利用、海拔高度、人口密度和道路总长度数据作为预测变量,采用逐步回归方法构建LUR模型,并采用留一交叉验证法对模型的精度进行评价。结果显示,武汉市NO_2浓度主要与所在地半径2千米缓冲区内的植被地面积和半径5千米缓冲区内的农用地面积相关。LUR模型的调整R^2大小为0.85,表明模型能解释大部分的变异;LOOCV检验的调整R^2大小为0.63,表明模型具有较好的拟合精度。
文摘为有效解决传统监测技术无法获取城市内部高分辨率PM2.5浓度空间分布情况的问题,基于土地利用回归(land use regression,LUR)模型,以关中平原城市群为例模拟其PM2.5空间分布状况,通过获取研究范围内54个监测站点的PM2.5浓度数据,结合土地利用类型、气象、地形、植被指数、人口密度、交通和污染源等因素,分别建立春、夏、秋、冬及年均5个LUR模型。结果表明:LUR模型调整后各季节及年平均值的R2分别达到0.831(春)、0.817(夏)、0.874(秋)、0.857(冬)、0.900(全年平均),5种模型拟合度均较好;采取交叉互验的方法进行了精度检验,显示5种模型的平均精度均达到80.4%,说明LUR模型在模拟关中平原城市群PM2.5浓度空间分布时适用性良好。模拟结果显示,研究区各季节的PM2.5浓度在空间分布上大致相同,呈现出东部高、西部低的明显特征,且空间分布状况受地形因素的影响较大。但在浓度均值的季节变化上则具有夏季低、冬季高的明显差异。本研究结果可为关中平原城市群PM2.5污染防治提供科学依据,亦可为城市内部PM2.5浓度空间分布数据的获取提供新思路。
文摘针对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。
文摘为弥补结合相关测绘成果研究季节性PM2.5空间分布相对不足的问题,以京津冀为例,基于土地利用回归(Land Use Regression,LUR)模型对研究区2013年典型季节的PM2.5浓度进行模拟.采用双变量相关分析识别出与PM2.5浓度相关的影响因子,主要包括地表覆盖分类、扬尘地表及污染企业在内的监测成果等因素,分别对夏冬两季PM2.5浓度和与之对应的影响因子进行多元线性回归分析,判定系数R^2分别为0.743和0.866.根据LUR方程计算加密点浓度值,通过反距离加权插值得到较为精细的PM2.5浓度空间分布图.结果显示,研究区两季污染物浓度都呈现出以太行山-燕山山脉为界,东部、南部地区污染严重,西部、北部地区污染较轻的态势.冬季整体的污染程度高于夏季,各城市两季PM2.5浓度变化趋势基本一致.
文摘随着工业化加速和经济快速发展,PM2.5引起的空气污染日益严重,对环境和人类健康造成严重影响。本研究采用Adaboost机器学习方法优化土地利用回归模型(LUR),利用2015年中国PM2.5监测数据及多源遥感数据,模拟中国PM2.5的空间分布,并评价模型拟合效果。结果显示,Adaboost优化后的LUR模型拟合精度显著提高,R2从0.241提高至0.62 (春)、0.69 (夏)、0.60 (秋)、0.67 (冬)和0.65 (年),并通过SPSS软件识别出28个与PM2.5浓度相关的变量。研究发现,PM2.5浓度具有季节性变化,冬季最高,夏季最低,且存在明显的空间自相关性,表现为高–高集聚以及低–低集聚。本研究为PM2.5浓度精确预测提供了新方法,对公共健康保护和空气质量管理具有重要意义。With the acceleration of industrialization and rapid economic development, the air pollution caused by PM2.5 is becoming more and more serious, causing serious impacts on the environment and human health. In this study, the Adaboost machine learning method was used to optimize the land use regression (LUR) model to simulate the spatial distribution of PM2.5 in China by using the 2015 Chinese PM2.5 monitoring data and multi-source remote sensing data, and to evaluate the model fitting effect. The results showed that the fitting accuracy of LUR model optimized by Adaboost was significantly improved, R2 increased from 0.241 to 0.62 (spring), 0.69 (summer), 0.60 (autumn), 0.67 (winter) and 0.65 (year). 28 variables related to PM2.5 concentration were identified by SPSS software. It was found that PM2.5 concentration has seasonal variations, with the highest in winter and the lowest in summer, and there is an obvious spatial autocorrelation, which is manifested as high-high concentration as well as low-low concentration. This study provides a new method for accurate prediction of PM2.5 concentration, which is important for public health protection and air quality management.
文摘随着经济的快速发展,空气污染已经成为当今重要的环境问题,引起公众的广泛关注,二氧化氮(NO_2)作为主要的空气污染物之一,成为相关研究的重点。通过监测数据发现,二氧化氮质量浓度值的空间分布具有区域性差异,所以对其空间分布模拟,以及形成区域差异的下垫面影响因素分析,具有重要的研究价值。土地利用回归模型(Land-use Regression,LUR)是将统计方法中的回归模型与空间上的土地利用数据、监测数据和其他相关的地理数据结合分析并在地图上显示的方法。本文结合缓冲区分析、叠加分析、Spearman相关性分析、多元回归分析等方法构建土地利用回归模型(Land Use Regression,LUR),用于识别与NO_2浓度相关的下垫面影响因素,并模拟NO_2质量浓度的空间分布。LUR模型可以模拟出NO_2质量浓度空间分布特征,并针对下垫面影响因素得到以下结论:城乡居住地及工业用地面积增加、污染源的距离减少和道路长度增加会导致NO_2浓度升高;耕地面积、绿地面积和水域面积的增加会导致NO_2浓度减少;NO_2浓度最高的区域主要集中在工业园区;NO_2浓度值从城区到郊区递减,需要通过改变工业区结构和增加绿地面积来减少城区的NO_2浓度。
