基于多源数据的PM2.5浓度时空分布预测与制图

随着我国经济、工业化、城市化进程迅速发展,PM_(2.5)污染在中国已经成为一个极端的环境和社会问题,并引起广泛关注.采用新技术估算的地表PM_(2.5)质量浓度,收集并处理了遥感反演的气溶胶光学厚度(AOD),气象数据,其他地理数据和污染物排放数据,采用贝叶斯最大熵(BME)结合地理加权回归(GWR)来分析2015年冬季的PM_(2.5)暴露在我国东部大范围区域的时空变异特征.结果表明,BME模型的十折交叉验证结果的决定系数R^2为0.92,均方根误差(RMSE)为8.32μg·m^(-3),平均拟合误差(MPE)为-0.042μg·m^(-3),平均绝对拟合误差(MAE)为4.60μg·m^(-3),与地理加权回归模型的结果相比(R^2=0.71,RMSE=15.68μg·m^(-3),MPE=-0.095μg·m^(-3),MAE=11.14μg·m^(-3)),BME的预测结果有极大的提高.空间上,PM_(2.5)高浓度地区主要集中在华北、长江三角洲、四川盆地,低浓度地区主要集中在中国的最南部如珠江三角洲和云南的西南部;时间上,不同月份的研究区域PM_(2.5)空间分布所有差别,2015年的12月、2016年1月PM_(2.5)污染最为严重,2015年的11月,2016年的2月污染相对较低.

基于SARIMA模型和普通Kriging法对杭州市主城区PM2.5短期预测和制图

基于SARIMA模型对杭州市主城区内的7个站点和周边3个站点的PM_(2.5)浓度进行4 h平均的短期预报,并利用普通Kriging法对杭州市主城区PM_(2.5)进行空间插值和制图.在建立SARIMA模型时,用批量自动化的方法,使用R语言编程对夏季和冬季各360期的数据进行SARIMA(p,d,q)×(P,D,Q)6模型的参数的确定和拟合,来预测下一期的值.在10个站点分别进行120期的预测,做出真实与预测的时间序列图,在精度分析中,夏季和冬季PM_(2.5)浓度总体的平均绝对误差(MAE)分别为8.4μg·m^(-3)和14.8μg·m^(-3).在Arc GIS中,对每期的数据使用普通Kriging法,用球面模型拟合半变异函数,决定各个站点的权重,来对杭州市区内未知空间样点进行插值,最后生成完整的杭州市主城区PM_(2.5)短期预测图.本研究创新性地将SARIMA模型广义化运用到小尺度时间序列中,预报效果较好,并且批量自动化预测和制图的方法,可为今后的预测制图产品化提供技术支持.