基于iLME+Geoi-RF模型的四川省PM_(2.5)浓度估算

高分辨率PM_(2.5)空间分布数据对动态监测和控制PM_(2.5)污染具有重要意义.选取Himawari-8气溶胶光学厚度(AOD)、ERA5气象再分析资料、DEM、土地利用数据、夜光遥感数据、增强型植被指数和人口数据等作为估算变量,使用改进的重采样法进行数据匹配,并提出改进的线性混合模型(iLME)结合地理智能随机森林(Geoi-RF)构建组合模型估算PM_(2.5)浓度.结果表明:①在选取的估算变量中,气溶胶光学厚度、气压、温度、相对湿度和边界层高度是影响2016年四川省PM_(2.5)浓度的重要因素,其相关系数分别为0.65、0.58、0.55、0.54和0.35.②iLME+Geoi-RF模型精度相较其他模型有较大提升,模型拟合R2、RMSR和MAE分别为0.98、3.25μg·m^(-3)和1.98μg·m^(-3),交叉验证R2、RMSR和MAE分别为0.89、7.95μg·m^(-3)和4.81μg·m^(-3).该模型可获取更高精度的四川省PM_(2.5)时空分布特征,为区域空气质量评估、人体暴露风险评价和环境污染治理提供更加合理地科学参考.③2016年四川省PM_(2.5)浓度存在显著的季节性差异,各季节PM_(2.5)浓度大小关系为:冬季>秋季>春季>夏季.2016年四川省月均PM_(2.5)浓度总体上呈先降后升的"Ⅴ"型趋势,最小值在6月,最大值在12月,8月和11月有微小起伏.在空间分布上四川省PM_(2.5)浓度总体上呈东高西低和局部污染程度较高的特点,高值区主要分布在城市快速发展和人口密集的东部地区,低值区主要分布在经济发展落后和人口稀疏的西部地区.④虽然不同模型估算出的PM_(2.5)浓度整体分布基本一致,但iLME+Geoi-RF模型能更准确有效地估算本研究区污染的空间分布.

ILDM:数据生命周期动态管理

在完全自动化的数据生命周期管理(Information Lifecycle Management)中,数据的价值以及随着时间改变而带来的价值变化是进行数据分级的重要依据。与以往多数考虑文件的使用等影响数据价值的因素的数据价值模型不同,在ILM价值模型基础上,考虑磁盘的数据分布随时间变化对数据价值的影响,提出了数据生命周期动态管理价值模型ILDM(Information Lifecycle Dynamic Management),它综合考虑数据的最近使用、数据的使用频度、数据的分布等因素。通过实验验证表明,ILDM可有效地减少数据迁移工作量,提高系统资源利用率。