考虑在函数型解释变量部分观测的情况下,用函数线性模型刻画与标量响应变量的关系.基于函数型主成分分析(Functional Principal Component Analysis,简称FPCA)实现了对缺失部分样本的重构,并通过实证分析,对一组北京市2010-2014年间统...考虑在函数型解释变量部分观测的情况下,用函数线性模型刻画与标量响应变量的关系.基于函数型主成分分析(Functional Principal Component Analysis,简称FPCA)实现了对缺失部分样本的重构,并通过实证分析,对一组北京市2010-2014年间统计的包括部分观测PM2.5数值的气象数据,分析了PM2.5作为部分观测函数型解释变量对标量响应变量平均气温的影响,结果表明了该方法具有处理缺失函数数据的现实意义.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
城市土地利用对城市大气污染具有重要影响,探究两者间的关系对于促进城市大气污染治理、保障人体健康具有重要意义。该研究首先利用土地利用回归(land use regression,LUR)模型模拟南昌市中心城区PM_(2.5)浓度空间分布。其次,根据土地...城市土地利用对城市大气污染具有重要影响,探究两者间的关系对于促进城市大气污染治理、保障人体健康具有重要意义。该研究首先利用土地利用回归(land use regression,LUR)模型模拟南昌市中心城区PM_(2.5)浓度空间分布。其次,根据土地利用主导方式的不同,在南昌市中心城区选择商业区、工业区、居住区、教育区和对照区各5个,作为样本功能区,分春、夏、秋、冬四季统计各样本功能区PM_(2.5)浓度,运用方差分析与多重比较法定量研究不同类型功能区四季PM_(2.5)浓度差异。研究结果表明:1)四季LUR模型调整R2分别为0.713、0.741、0.898、0.964,检验样本平均绝对误差率为12.03%,说明构建的四季LUR模型拟合情况好,可以有效地对监测点以外区域PM_(2.5)浓度进行估计;2)功能区类型对PM_(2.5)浓度影响显著,城市土地利用方式显著影响PM_(2.5)浓度,且这种影响与季节无关;3)各类功能区之间PM_(2.5)浓度差异显著水平不一致,工业区与商业区、居住区与教育区均无显著差异,工业区、商业区均与教育区和居住区有显著差异,对照区与其他4类功能区均有显著差异。该研究探索了城市土地利用与大气污染耦合的新思路,研究结果为优化城市土地利用,缓解大气污染提供参考。展开更多
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
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
以PM2.5为代表的大气污染已经成为造成全球疾病负担最重要的环境因素之一,PM2.5浓度的时空分布模拟是其健康风险效应分析的基础。土地利用回归法(Land Use regression, LUR)是模拟PM2.5时空分布的一种有效手段,但一直局限于城市小尺度...以PM2.5为代表的大气污染已经成为造成全球疾病负担最重要的环境因素之一,PM2.5浓度的时空分布模拟是其健康风险效应分析的基础。土地利用回归法(Land Use regression, LUR)是模拟PM2.5时空分布的一种有效手段,但一直局限于城市小尺度的研究。近年来,部分研究者结合卫星遥感数据,利用LUR方法成功构建出国家尺度的模型,但在中国相关研究并无报道。本文基于LUR方法,对2013~2015年中国的PM2.5浓度的时空分布进行模拟:加入遥感数据和不加入遥感数据模型的R2分别是0.7和0.55;模型中气象变量居多,在影响PM2.5分布中产生重要影响;不同年份之间差异较大,通过引入时间因子获得不同年份之间的纵向比较;绘制出全国的PM2.5浓度分布图,为后续中国的PM2.5健康效应分析提供污染物暴露依据。展开更多
文摘考虑在函数型解释变量部分观测的情况下,用函数线性模型刻画与标量响应变量的关系.基于函数型主成分分析(Functional Principal Component Analysis,简称FPCA)实现了对缺失部分样本的重构,并通过实证分析,对一组北京市2010-2014年间统计的包括部分观测PM2.5数值的气象数据,分析了PM2.5作为部分观测函数型解释变量对标量响应变量平均气温的影响,结果表明了该方法具有处理缺失函数数据的现实意义.
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。
文摘城市土地利用对城市大气污染具有重要影响,探究两者间的关系对于促进城市大气污染治理、保障人体健康具有重要意义。该研究首先利用土地利用回归(land use regression,LUR)模型模拟南昌市中心城区PM_(2.5)浓度空间分布。其次,根据土地利用主导方式的不同,在南昌市中心城区选择商业区、工业区、居住区、教育区和对照区各5个,作为样本功能区,分春、夏、秋、冬四季统计各样本功能区PM_(2.5)浓度,运用方差分析与多重比较法定量研究不同类型功能区四季PM_(2.5)浓度差异。研究结果表明:1)四季LUR模型调整R2分别为0.713、0.741、0.898、0.964,检验样本平均绝对误差率为12.03%,说明构建的四季LUR模型拟合情况好,可以有效地对监测点以外区域PM_(2.5)浓度进行估计;2)功能区类型对PM_(2.5)浓度影响显著,城市土地利用方式显著影响PM_(2.5)浓度,且这种影响与季节无关;3)各类功能区之间PM_(2.5)浓度差异显著水平不一致,工业区与商业区、居住区与教育区均无显著差异,工业区、商业区均与教育区和居住区有显著差异,对照区与其他4类功能区均有显著差异。该研究探索了城市土地利用与大气污染耦合的新思路,研究结果为优化城市土地利用,缓解大气污染提供参考。
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。
文摘以PM2.5为代表的大气污染已经成为造成全球疾病负担最重要的环境因素之一,PM2.5浓度的时空分布模拟是其健康风险效应分析的基础。土地利用回归法(Land Use regression, LUR)是模拟PM2.5时空分布的一种有效手段,但一直局限于城市小尺度的研究。近年来,部分研究者结合卫星遥感数据,利用LUR方法成功构建出国家尺度的模型,但在中国相关研究并无报道。本文基于LUR方法,对2013~2015年中国的PM2.5浓度的时空分布进行模拟:加入遥感数据和不加入遥感数据模型的R2分别是0.7和0.55;模型中气象变量居多,在影响PM2.5分布中产生重要影响;不同年份之间差异较大,通过引入时间因子获得不同年份之间的纵向比较;绘制出全国的PM2.5浓度分布图,为后续中国的PM2.5健康效应分析提供污染物暴露依据。