高时空分辨率下的PM2.5和臭氧混合污染的预测方法

高时空分辨率下的pm2.5和臭氧混合污染的预测方法
技术领域
1.本发明属于大气污染治理技术领域，涉及一种高时空分辨率下的pm
2.5
和臭氧混合污染的预测方法。


背景技术：

2.pm
2.5
是最常见的大气污染物之一，因其对人类健康和环境的重大影响而被广泛研究。近年来，研究人员提出了很多控制措施，有效降低了pm
2.5
浓度。然而，虽然pm
2.5
的下降速度很快，但是o3的水平却异常上升。各种研究表明，pm
2.5
的减少导致辐射通量的增加，加剧了o3污染，可见，以控制pm
2.5
为重点的减排措施导致的污染源排放结构的变化可能是o3污染持续上升的主要原因。目前，虽然通过布设的检测设备进行监测，能够获取该区域内的pm
2.5
和o3污染状况，但是缺乏对pm
2.5
和o3混合作用的空气质量预测研究，这导致人们无法直观判断某一个区域pm
2.5
和o3的污染状况。因此，获得一种能够准确预测高时空分辨率下的pm
2.5
和o3混合污染状况的方法，对于研究pm
2.5
和o3之间的协同作用和权衡是非常必要的。
3.机器学习建模是一种大气预测和管理应用的新兴技术，其中土地利用回归(lur)模型和随机森林(rf)模型的应用最为广泛。例如，利用lur模型可以获得污染物与驱动因子之间的影响关系，然而，在以往的研究中，由于监测点数据小于40个，不能满足构建lur模型的自变量数据要求，而且监测点采样周期短，这导致监测时间上也没有完整的年份逐小时数据，也会造成lur模型构建不规范和产生误差性，特别的，驱动因子选择过于单一，并没有完全囊括能够反映城市化的特征因子(如aoi，poi，景观指数等)，会造成模型过于片面和单一，缺乏广泛适用性，难以全面评价城市化对空气质量的影响，因而很难获得可靠的具有高时空分辨率的lur模型。另外，rf模型具有黑箱效应，无法准确看到污染物和驱动因子之间的影响关系，可见单一的预测模型仍然存在可靠性差等不足。此外，现有预测方法中采用的预测网格通常为四边形和圆形，这使得预测网格之间可能会产生折叠和交叉影响，导致出现邻域不一致、各向同性、紧凑、采样率不高等缺陷，最终难以构建高分辨率的空间分布图。
4.因此，如何构建一种准确性高的预测模型，对于准确预测pm
2.5
和o3的混合污染状况以及开展对pm
2.5
和o3混合污染状况的深入研究具有重要意义。


技术实现要素：

5.本发明要解决的技术问题是克服现有技术的不足，提供一种适用性好、可靠性好的高时空分辨率下的pm
2.5
和臭氧混合污染的预测方法。
6.为解决上述技术问题，本发明采用以下技术方案：
7.一种高时空分辨率下的pm
2.5
和臭氧混合污染的预测方法，包括以下步骤：
8.s1、采集待预测区域历史的空气质量数据和与所述历史的空气质量数据对应的驱动因子数据；所述历史的空气质量数据包括待预测区域监测站点历史上每小时测定的pm
2.5
和臭氧的浓度数据；所述驱动因子数据包括坐标、气象因素、遥感因素、人口密度、土地覆盖率、道路密度和景观指数；
9.s2、将待预测区域监测站点历史上每小时测定的pm
2.5
和臭氧的浓度数据转换成年平均值、季度平均值、周末平均值、工作日平均值和特殊日平均值，与所述驱动因子数据中的相关因子分别构建不同时间段对应的pm
2.5
和臭氧的lur模型、pm
2.5
和臭氧的改进型rf模型；
10.s3、对步骤s2中得到的不同时间段对应的pm
2.5
和臭氧的lur模型、pm
2.5
和臭氧的改进型rf模型分别进行验证，筛选出决定系数r2最大且均方根误差rmse最低的lur模型或rf模型作为pm
2.5
和臭氧的浓度预测模型；
11.s4、将待预测区域划分成若干个六边形网格，以六边形网格作为预测单元；
12.s5、从各个六边形网格区域内提取与所述pm
2.5
和臭氧的浓度预测模型中对应的显著相关的驱动因子；
13.s6、将各个六边形网格区域内的与所述pm
2.5
和臭氧浓度显著相关的驱动因子分别输入到所述pm
2.5
和臭氧的浓度预测模型中，获得各个六边形网格区域对应的pm
2.5
和臭氧的浓度，得到高时空分辨率下的pm
2.5
浓度空间分布预测图和臭氧浓度空间分布预测图；
14.s7、将高时空分辨率下的pm
2.5
浓度空间分布预测图和臭氧浓度空间分布预测图在空间上相交，得到待预测区域内的pm
2.5
和臭氧的混合污染预测图。
15.上述的预测方法，进一步改进的，步骤s1中，所述气象因素中的相关因子包括温度、湿度、风向和风速；所述遥感因素中的相关因子包括兴趣点数据、兴趣区数据、归一化植被指数、降雨量栅格数据、灯光数据、建筑物占比数据。
16.上述的预测方法，进一步改进的，步骤s2中，所述不同时间段对应的pm
2.5
和臭氧的lur模型的构建方法包括以下步骤：
17.(1)将pm
2.5
和臭氧浓度的年平均值、季度平均值、周末平均值、工作日平均值和特殊日平均值，与驱动因子数据中的相关因子进行双变量相关性分析，筛选出与pm
2.5
和臭氧浓度显著相关的驱动因子；
18.(2)将筛选出的与pm
2.5
和臭氧浓度显著相关的驱动因子分别进行逐步线性回归处理，构建pm
2.5
浓度、臭氧浓度与显著相关的驱动因子的映射关系，分别得到不同时间段内对应的pm
2.5
和臭氧的lur模型。
19.上述的预测方法，进一步改进的，步骤s2中，所述pm
2.5
和臭氧的改进型rf模型的构建方法包括以下步骤：
20.(a)将pm
2.5
和臭氧浓度的年平均值、季度平均值、周末平均值、工作日平均值和特殊日平均值，与所述驱动因子数据构建随机森林模型；
21.(b)通过随机森林模型进行两次筛选，筛选出与pm
2.5
和臭氧浓度显著相关的驱动因子，构建pm
2.5
浓度、臭氧浓度与显著相关的驱动因子的映射关系，分别得到pm
2.5
和臭氧的改进型rf模型。
22.上述的预测方法，进一步改进的，步骤s4中，所述六边形网格为正六边形网格；所述正六边形网格的边长为1km。
23.上述的预测方法，进一步改进的，步骤s7中，采用自然断点法将相应时间段下pm
2.5
和o3的预测浓度划分成低、中、高三个层级，对应于的污染情况为轻污染、中污染、高污染。
24.上述的预测方法，进一步改进的，步骤s7中，所述待预测区域内的pm
2.5
和臭氧的混合污染预测图中存在以下几种的混合污染情况：
25.第一种，待预测区域内pm
2.5
的污染情况为低污染，臭氧的污染情况为低污染；
26.第二种，待预测区域内pm
2.5
的污染情况为低污染，臭氧的污染情况为中污染；
27.第三种，待预测区域内pm
2.5
的污染情况为低污染，臭氧的污染情况为高污染；
28.第四种，待预测区域内pm
2.5
的污染情况为中污染，臭氧的污染情况为低污染；
29.第五种，待预测区域内pm
2.5
的污染情况为中污染，臭氧的污染情况为中污染；
30.第六种，待预测区域内pm
2.5
的污染情况为中污染，臭氧的污染情况为高污染；
31.第七种，待预测区域内pm
2.5
的污染情况为高污染，臭氧的污染情况为低污染；
32.第八种，待预测区域内pm
2.5
的污染情况为高污染，臭氧的污染情况为中污染；
33.第九种，待预测区域内pm
2.5
的污染情况为高污染，臭氧的污染情况为高污染。
34.与现有技术相比，本发明的优点在于：
35.本发明提供了一种高时空分辨率下的pm
2.5
和臭氧混合污染的预测方法，利用空气质量微站完整年度逐时监测获得的空气质量数据，结合坐标、气象因素、遥感因素、人口密度、土地覆盖率、道路密度和景观指数七大类影响因素中的传统驱动因子和新兴驱动因子构建预测模型，通过筛选出与pm
2.5
和臭氧浓度显著相关的驱动因子，构建pm
2.5
浓度、臭氧浓度与显著相关的驱动因子的映射关系，分别得到不同时间段内对应的pm
2.5
和臭氧的lur模型、pm
2.5
和臭氧的rf模型，进一步的，通过对上述的模型进行验证，筛选出决定系数r2最大且均方根误差rmse最低的lur模型或rf模型作为pm
2.5
和臭氧的浓度预测模型，即为具有高时空分辨率的回归模型；在此基础上，将待预测区域划分成若干个六边形网格，以六边形网格作为预测单元，并从各个六边形网格区域内提取与pm
2.5
和臭氧的浓度预测模型中对应的显著相关的驱动因子，输入到pm
2.5
和臭氧的浓度预测模型中，分别获得各个六边形网格区域对应的pm
2.5
和臭氧的浓度，得到不同六边形网格区域对应的高时空分辨率下的pm
2.5
浓度空间分布预测图和臭氧浓度空间分布预测图，最后将各个六边形网格区域在相应时间段内的pm
2.5
浓度空间分布图和臭氧浓度空间分布图在空间上相交，得到待预测区域内pm
2.5
和臭氧的混合污染预测图。本发明中，采用连续监测获得空气质量数据作为因变量，能够有效避免模型构建的不规范和误差，以相适应时间内对应的七大类影响因素中的传统驱动因子和新兴驱动因子作为自变量，能够完全囊括待预测区域的特征因子，完整性更好，适应性更好，从而有利于构建准确度更高的预测模型，与此同时，将待预测区域划分成若干个六边形网格，以六边形网格有利于构建蜂窝状的预测区域，有利于减少网格之间的折叠和较差，有利于提高采样率，获得高分辨率下的pm
2.5
和臭氧浓度空间分布预测图，同时有利于分析高分辨率下的pm
2.5
和臭氧的混合污染情况，通过精确识别出不同区域内的混合污染情况，有针对性的提出解决策略，特别是对于同时受到pm
2.5
和o3重污染的区域，能够更加及时的进行有效治理，对于有效治理大气污染具有重要的现实意义。本发明高时空分辨率下的pm
2.5
和臭氧混合污染的预测方法，具有适用性好、可靠性好等优点，能够准确预测pm
2.5
和臭氧混合污染情况，对于大气中pm
2.5
和臭氧的防治具有重要的指导意义，使用价值高，应用前景好。
附图说明
36.图1为本发明实施例1中高时空分辨率下的pm
2.5
和臭氧混合污染的预测方法流程示意图。
37.图2为本发明实施例1中待预测区域土地利用类型及空气质量监测站点分布图。
38.图3为本发明实施例1中年均值、季度均值时间内对应的臭氧和pm
2.5
的实际浓度和预测浓度的散点图。
39.图4为本发明实施例1中工作日均值、周末均值时间内对应的臭氧和pm
2.5
的实际浓度和预测浓度的散点图。
40.图5为本发明实施例1中日均值时间内对应的臭氧和pm
2.5
的实际浓度和预测浓度的散点图。
41.图6为本发明实施例1中高时空分辨率下的pm
2.5
年度均值和臭氧年度均值混合污染预测图。
42.图7为本发明实施例1中高时空分辨率下的pm
2.5
工作日/周末均值和臭氧工作日/周末均值混合污染预测图。
具体实施方式
43.以下结合说明书附图和具体优选的实施例对本发明作进一步描述，但并不因此而限制本发明的保护范围。以下实施例中所采用的材料和仪器均为市售。
44.实施例1：
45.一种高时空分辨率下的pm
2.5
和臭氧混合污染的预测方法，其流程示意图如图1所示，包括以下步骤：
46.s1、如图2所示，待预测区域为长沙市所在区域。采集2020年的长沙市环保局每小时连续自动测量144个空气质量监测站的pm
2.5
和o3数据(街道水平)，获得每小时测定的pm
2.5
和臭氧的浓度数据，以它们作为因变量。根据气象学(北半球)，春季:3-5月；夏季:6月至8月；秋季:9月至11月；冬季:12月至2月。长沙地区以年均值，季节均值表示较长的时间序列水平，日均值和小时浓度数据代表瞬时浓度水平。
47.同时，将2020年的长沙市主城区空气质量监测站点为圆心，建立若干个缓冲区，采集长沙市主城区对应的驱动因子数据，具体可以是，建立四个缓冲区(即500-2000米，间隔为500米)，对2020年的长沙市对应的驱动因子数据(自变量数据)进行提取，其中驱动因子数据包括坐标、气象因素(如温度，湿度，风向，风速)、遥感因素(如兴趣区数据(aoi)、兴趣点数据(poi)、归一化植被指数(ndvi)、降雨量栅格数据、灯光数据以及建筑物占比数据)、人口密度、土地覆盖率、道路密度和景观指数。
48.s2、将待预测区域监测站点历史上每小时测定的pm
2.5
和臭氧的浓度数据转换成年平均值、季度平均值、周末平均值、工作日平均值和特殊日平均值，与提取得到的驱动因子数据中的相关因子分别构建不同时间段对应的pm
2.5
和臭氧的lur模型、pm
2.5
和臭氧的改进型rf模型，具体来说：
49.不同时间段对应的pm
2.5
和臭氧的lur模型的构建方法，具体是利用r4.1.2构建pm
2.5
和o3浓度与驱动因子数据中的相关因子的逐步多元回归模型，包括以下步骤：
50.(1)使用r4.1.2版本软件将pm
2.5
和臭氧浓度的年平均值、季度平均值、周末平均值、工作日平均值和特殊日平均值，与驱动因子数据中的相关因子进行双变量相关性分析，过滤掉与pm
2.5
和臭氧浓度之间的不显著相关性(p》0.05)，筛选出与pm
2.5
和臭氧浓度显著相关的驱动因子。
51.(2)将筛选出的与pm
2.5
和臭氧浓度显著相关的驱动因子分别进行逐步线性回归处理，构建pm
2.5
浓度、臭氧浓度与显著相关的驱动因子的映射关系，分别得到不同时间段内对应的pm
2.5
和臭氧的lur模型。
52.如表1所示，模型的方差膨胀因子vif《10，这说明本发明中没有一个模型存在多重共线性。
53.表1年时间段内对应的pm
2.5
和臭氧的lur模型的参数
[0054][0055]
表2工作日和周末时间段内对应的pm
2.5
和臭氧的lur模型的参数
[0056]
[0057]
[0058][0059]
pm
2.5
和臭氧的改进型rf模型的构建方法包括以下步骤：
[0060]
(a)将pm
2.5
和臭氧浓度的年平均值、季度平均值、周末平均值、工作日平均值和特殊日平均值，与所述驱动因子数据构建随机森林模型，具体为利用python 3.10对所有时间尺度(年-季节-日-周末-工作日-18h)的pm
2.5
和o3浓度)以及相应自变量数据集构建随机森林模型。
[0061]
(b)通过随机森林模型进行两次筛选，筛选出与pm
2.5
和臭氧浓度显著相关的驱动因子，构建pm
2.5
浓度、臭氧浓度与显著相关的驱动因子的映射关系，分别得到pm
2.5
和臭氧的改进型rf模型。
[0062]
s3、对步骤s2中得到的不同时间段对应的pm
2.5
和臭氧的lur模型、pm
2.5
和臭氧的改进型rf模型分别进行十倍交叉验证检验，筛选出决定系数r2最大且均方根误差rmse最低的lur模型或rf模型作为的pm
2.5
和臭氧的浓度预测模型。
[0063]
如图3所示，图3(a)和图3(f)为年均值时间内对应的臭氧和pm
2.5
的实际浓度和预测浓度的散点图；图3(b)和图3(g)为春季均值时间内对应的臭氧和pm
2.5
的实际浓度和预测浓度的散点图；图3(c)和图3(h)为夏季均值时间内对应的臭氧和pm
2.5
的实际浓度和预测浓度的散点图；图3(d)和图3(i)为秋季均值时间内对应的臭氧和pm
2.5
的实际浓度和预测浓度的散点图；图3(e)和图3(j)为冬季均值时间内对应的实际浓度和预测浓度的散点图。
[0064]
如图4所示，图4(a)和图4(c)为工作日均值时间内对应的臭氧和pm
2.5
的实际浓度和预测浓度的散点图；图4(b)和图4(d)为周末均值时间内对应的臭氧和pm
2.5
的实际浓度和预测浓度的散点图。
[0065]
如图5所示，图5(a)为日均值时间内臭氧的实际浓度和预测浓度的散点图；图5(b)为日均值时间内pm
2.5
的实际浓度和预测浓度的散点图。
[0066]
s4、利用相应地理处理软件，将待预测区域(长沙市)划分成若干个正六边形网格，以正六边形网格作为预测单元，其中正六边形网格的边长为1km。
[0067]
s5、从各个六边形网格区域内提取与pm
2.5
和臭氧的浓度预测模型中对应的显著相关的驱动因子。
[0068]
s6、将各个六边形网格区域内的与pm
2.5
和臭氧浓度显著相关的驱动因子分别输入到pm
2.5
和臭氧的浓度预测模型中，获得各个六边形网格区域对应的pm
2.5
和臭氧的浓度，得到高时空分辨率下的pm
2.5
年度均值浓度空间分布预测图和臭氧年度均值浓度空间分布预测图，如图6所示。
[0069]
s7、将高时空分辨率下的pm
2.5
浓度空间分布预测图和臭氧浓度空间分布预测图在
空间上相交，得到待预测区域内的pm
2.5
和臭氧的混合污染预测图。
[0070]
步骤s7中，采用自然断点法将相应时间段下pm
2.5
和o3的预测浓度划分成低、中、高三个层级，对应于的污染情况为轻污染、中污染、高污染，通过地理处理软件、空间连接等手段，识别同一个区域内pm
2.5
和o3污染的程度，在高时空分辨率下进一步分析了pm
2.5
和o3的协同污染。
[0071]
图6为本发明实施例1中高时空分辨率下的pm
2.5
年度均值和臭氧年度均值混合污染预测图。如图6所示，黑色属于划分等级的高浓度区域，也就是待预测区域中需要找寻的污染防控区域。白色区域属于不污染或者较低污染区域。如果我们单单从144个站点去预测街道级别的污染区域，会造成预测结果分辨率低，预测结果不准，然而布置尽可能多的样点去覆盖长沙市空气质量情况，明显是不现实的。因为布置太多需要更多的财力物力，且运营成本维护过高。因此，本发明提出采用通过构建高时空分辨的模型的方法，得出长沙市高时空分辨率的pm
2.5
和o3污染浓度分布图。采用地理处理软件让高浓度的pm
2.5
和o3浓度在时空上重叠，从而得出高时空分辨率下的pm
2.5
和o3浓度分布区域，如图7中1km六边形网格图的黑色六边形就是我们要得到的结果。空气治理相关人员可以根据此黑色方块更加精准的识别高pm
2.5
和高o3同时作用的精细区域，更加有利于空气污染治理的精细区域防控要求。探究pm
2.5
和o3混合污染暴露情况时，时间精度也尤为重要，因此本方法从多个时间尺度出发，探究pm
2.5
和o3的混合污染情况。图7为本发明实施例1中高时空分辨率下的pm
2.5
工作日/周末均值和臭氧工作日/周末均值混合污染预测图。
[0072]
由上述结果可知，本发明提供的高时空分辨率下的pm
2.5
和臭氧混合污染的预测方法，利用空气质量微站完整年度逐时监测获得的空气质量数据，结合坐标、气象因素、遥感因素、人口密度、土地覆盖率、道路密度和景观指数七大类影响因素中的传统驱动因子和新兴驱动因子构建预测模型，通过筛选出与pm
2.5
和臭氧浓度显著相关的驱动因子，构建pm
2.5
浓度、臭氧浓度与显著相关的驱动因子的映射关系，分别得到不同时间段内对应的pm
2.5
和臭氧的lur模型、pm
2.5
和臭氧的rf模型，进一步的，通过对上述的模型进行验证，筛选出决定系数r2最大且均方根误差rmse最低的lur模型或rf模型作为pm
2.5
和臭氧的浓度预测模型，即为具有高时空分辨率的回归模型；在此基础上，将待预测区域划分成若干个六边形网格，以六边形网格作为预测单元，并从各个六边形网格区域内提取与pm
2.5
和臭氧的浓度预测模型中对应的显著相关的驱动因子，输入到pm
2.5
和臭氧的浓度预测模型中，分别获得各个六边形网格区域对应的pm
2.5
和臭氧的浓度，得到不同六边形网格区域对应的高时空分辨率下的pm
2.5
浓度空间分布预测图和臭氧浓度空间分布预测图，最后将各个六边形网格区域在相应时间段内的pm
2.5
浓度空间分布图和臭氧浓度空间分布图在空间上相交，得到待预测区域内pm
2.5
和臭氧的混合污染预测图。本发明中，采用连续监测获得空气质量数据作为因变量，能够有效避免模型构建的不规范和误差，以相适应时间内对应的七大类影响因素中的传统驱动因子和新兴驱动因子作为自变量，能够完全囊括待预测区域的特征因子，完整性更好，适应性更好，从而有利于构建准确度更高的预测模型，与此同时，将待预测区域划分成若干个六边形网格，以六边形网格有利于构建蜂窝状的预测区域，有利于减少网格之间的折叠和较差，有利于提高采样率，获得高分辨率下的pm
2.5
和臭氧浓度空间分布预测图，同时有利于分析高分辨率下的pm
2.5
和臭氧的混合污染情况，通过精确识别出不同区域内的混合污染情况，有针对性的提出解决策略，特别是对于同时受到pm
2.5
和o3重污染的区域，能够更加及
时的进行有效治理，对于有效治理大气污染具有重要的现实意义。本发明高时空分辨率下的pm
2.5
和臭氧混合污染的预测方法，具有适用性好、可靠性好等优点，能够准确预测pm
2.5
和臭氧混合污染情况，对于大气中pm
2.5
和臭氧的防治具有重要的指导意义，使用价值高，应用前景好。
[0073]
以上所述，仅是本发明的较佳实施例而已，并非对本发明作任何形式上的限制。虽然本发明已以较佳实施例揭示如上，然而并非用以限定本发明。任何熟悉本领域的技术人员，在不脱离本发明的精神实质和技术方案的情况下，都可利用上述揭示的方法和技术内容对本发明技术方案做出许多可能的变动和修饰，或修改为等同变化的等效实施例。因此，凡是未脱离本发明技术方案的内容，依据本发明的技术实质对以上实施例所做的任何简单修改、等同替换、等效变化及修饰，均仍属于本发明技术方案保护的范围内。

技术特征：
1.一种高时空分辨率下的pm2.5和臭氧混合污染的预测方法，其特征在于，包括以下步骤：s1、采集待预测区域历史的空气质量数据和与所述历史的空气质量数据对应的驱动因子数据；所述历史的空气质量数据包括待预测区域监测站点历史上每小时测定的pm
2.5
和臭氧的浓度数据；所述驱动因子数据包括坐标、气象因素、遥感因素、人口密度、土地覆盖率、道路密度和景观指数；s2、将待预测区域监测站点历史上每小时测定的pm
2.5
和臭氧的浓度数据转换成年平均值、季度平均值、周末平均值、工作日平均值和特殊日平均值，与所述驱动因子数据中的相关因子分别构建不同时间段对应的pm
2.5
和臭氧的lur模型、pm
2.5
和臭氧的改进型rf模型；s3、对步骤s2中得到的不同时间段对应的pm
2.5
和臭氧的lur模型、pm
2.5
和臭氧的改进型rf模型分别进行验证，筛选出决定系数r2最大且均方根误差rmse最低的lur模型或rf模型作为pm
2.5
和臭氧的浓度预测模型；s4、将待预测区域划分成若干个六边形网格，以六边形网格作为预测单元；s5、从各个六边形网格区域内提取与所述pm
2.5
和臭氧的浓度预测模型中对应的显著相关的驱动因子；s6、将各个六边形网格区域内的与所述pm
2.5
和臭氧浓度显著相关的驱动因子分别输入到所述pm
2.5
和臭氧的浓度预测模型中，获得各个六边形网格区域对应的pm
2.5
和臭氧的浓度，得到高时空分辨率下的pm
2.5
浓度空间分布预测图和臭氧浓度空间分布预测图；s7、将高时空分辨率下的pm
2.5
浓度空间分布预测图和臭氧浓度空间分布预测图在空间上相交，得到待预测区域内的pm
2.5
和臭氧的混合污染预测图。2.根据权利要求1所述的预测方法，其特征在于，步骤s1中，所述气象因素中的相关因子包括温度、湿度、风向和风速；所述遥感因素中的相关因子包括兴趣点数据、兴趣区数据、归一化植被指数、降雨量栅格数据、灯光数据、建筑物占比数据。3.根据权利要求2所述的预测方法，其特征在于，步骤s2中，所述不同时间段对应的pm
2.5
和臭氧的lur模型的构建方法包括以下步骤：(1)将pm
2.5
和臭氧浓度的年平均值、季度平均值、周末平均值、工作日平均值和特殊日平均值，与驱动因子数据中的相关因子进行双变量相关性分析，筛选出与pm
2.5
和臭氧浓度显著相关的驱动因子；(2)将筛选出的与pm
2.5
和臭氧浓度显著相关的驱动因子分别进行逐步线性回归处理，构建pm
2.5
浓度、臭氧浓度与显著相关的驱动因子的映射关系，分别得到不同时间段内对应的pm
2.5
和臭氧的lur模型。4.根据权利要求2所述的预测方法，其特征在于，步骤s2中，所述pm
2.5
和臭氧的改进型rf模型的构建方法包括以下步骤：(a)将pm
2.5
和臭氧浓度的年平均值、季度平均值、周末平均值、工作日平均值和特殊日平均值，与所述驱动因子数据构建随机森林模型；(b)通过随机森林模型进行两次筛选，筛选出与pm
2.5
和臭氧浓度显著相关的驱动因子，构建pm
2.5
浓度、臭氧浓度与显著相关的驱动因子的映射关系，分别得到pm
2.5
和臭氧的改进型rf模型。5.根据权利要求1～4中任一项所述的预测方法，其特征在于，步骤s4中，所述六边形网
格为正六边形网格；所述正六边形网格的边长为1km。6.根据权利要求1～4中任一项所述的预测方法，其特征在于，步骤s7中，采用自然断点法将相应时间段下pm
2.5
和o3的预测浓度划分成低、中、高三个层级，对应于的污染情况为轻污染、中污染、高污染。7.根据权利要求6所述的预测方法，其特征在于，步骤s7中，所述待预测区域内的pm
2.5
和臭氧的混合污染预测图中存在以下几种的混合污染情况：第一种，待预测区域内pm
2.5
的污染情况为低污染，臭氧的污染情况为低污染；第二种，待预测区域内pm
2.5
的污染情况为低污染，臭氧的污染情况为中污染；第三种，待预测区域内pm
2.5
的污染情况为低污染，臭氧的污染情况为高污染；第四种，待预测区域内pm
2.5
的污染情况为中污染，臭氧的污染情况为低污染；第五种，待预测区域内pm
2.5
的污染情况为中污染，臭氧的污染情况为中污染；第六种，待预测区域内pm
2.5
的污染情况为中污染，臭氧的污染情况为高污染；第七种，待预测区域内pm
2.5
的污染情况为高污染，臭氧的污染情况为低污染；第八种，待预测区域内pm
2.5
的污染情况为高污染，臭氧的污染情况为中污染；第九种，待预测区域内pm
2.5
的污染情况为高污染，臭氧的污染情况为高污染。

技术总结
本发明公开了一种高时空分辨率下的PM2.5和臭氧混合污染的预测方法，包括以下步骤：先以历史的空气质量数据为因变量，与历史的空气质量数据对应的驱动因子数据为自变量，获得最优的PM


技术研发人员：宾娟 李晓东
受保护的技术使用者：湖南大学
技术研发日：2023.05.22
技术公布日：2023/9/5