一种基于FFT的PM2.5浓度分析模型的制作方法

本发明属于pm2.5浓度技术领域，尤其是涉及一种基于fft的pm2.5浓度分析模型。

背景技术：

研究该地区pm2.5浓度时空变化规律有助于认知大气污染的发展和现状，评估其对公众健康和环境的影响，可为开展针对性的控制措施提供科学参考。由于地级城市pm2.5浓度监测始于2013年12月，数据积累时间短，为研究该地区pm2.5浓度时空演化规律，有必要依据现有数据开展pm2.5浓度模型研究。

目前pm2.5浓度观测方法主要有地面观测和卫星遥感两种方法。卫星遥感pm2.5浓度的精度受到aod反演算法、回归模型估算误差、云覆盖等因素的影响；pm2.5地面观测开始较晚，数据积累时间较短，不足以支撑长时间序列的pm2.5浓度时空演化特征分析。综合上述两种pm2.5浓度观测方法，现有的pm2.5浓度监测无法满足区域pm2.5浓度长时间序列时空演化研究。

技术实现要素：

有鉴于此，本发明旨在提出一种基于fft的pm2.5浓度分析模型，以解决现有的pm2.5浓度监测无法满足区域pm2.5浓度长时间序列时空演化研究的问题。

为达到上述目的，本发明的技术方案是这样实现的：

一种基于fft的pm2.5浓度分析模型，包括：

s1、根据观测数据，初步选取影响pm2.5浓度的影响因子；

s2、分析初步选取的影响因子与pm2.5浓度的耦合关系，在相关性分析的基础上选取与相关性最好的影响因子作为模型自变量因子；

s3、确定pm2.5浓度与各个自变量因子的公共周期；

s4、构建模型。

进一步的，所述步骤s1中，选取的影响因子包括gnss水汽、气象要素、大气污染物；

所述气象要素包括风速、风向、气压、温度。

进一步的，所述步骤s2中，包括分析gnss水汽与pm2.5浓度的耦合关系，具体方法如下：

通过gnss解算软件解算区域内gnss连续观测资料，结合气象观测获得该地区gnss测站时值水汽序列，联合pm2.5浓度时值观测序列，分析pm2.5浓度与gnss水汽序列的耦合关系。

进一步的，所述步骤s2中，包括分析pm2.5浓度与风速、风向的耦合关系，具体方法如下：

通过分析区域内风速和风向资料，联合pm2.5浓度时值观测序列，分析pm2.5浓度与风速、风向的耦合关系。

进一步的，所述步骤s2中，包括分析pm2.5浓度与气压、温度的耦合关系，具体方法如下：

根据区域内时值气压和时值温度资料，联合pm2.5浓度时值观测序列，分析pm2.5浓度与气压、温度的耦合关系。

进一步的，所述步骤s3中，通过快速傅里叶变换得到gnss水汽、气象要素、大气污染物的周期信息，进而得到各个要素变化的公共周期，按公共周期对数据进行分组后参与模型构建。

进一步的，所述步骤s2中，经过相关性分析后，选取的模型自变量因子包括gnss水汽、风速、pm10。

进一步的，所述步骤s3中，通过快速傅里叶变换确定gnss水汽、风速、pm10的周期信息，进而得到各个要素变化的公共周期，按公共周期对数据进行分组后参与模型构建。

相对于现有技术，本发明所述的基于fft的pm2.5浓度分析模型具有以下优势：

(1)本发明所述的基于fft的pm2.5浓度分析模型综合考虑了影响pm2.5浓度的内在因素大气污染物和外在因素气象要素，是一种新的pm2.5浓度监测方法，可弥补现有地面pm2.5浓度观测数据积累不足和卫星遥感精度低的问题。

(2)本发明所述的基于fft的pm2.5浓度分析模型综合gnss水汽、气象要素与大气污染物获得pm2.5浓度，该模型为量化模型，并考虑大气污染的等级差异，提出pm2.5浓度分级模型。

(3)本发明所述的基于fft的pm2.5浓度分析模型通过fft确定参与模型构建的自变量周期，确定其公共周期后对数据列进行分组，此时进行模型构建可进一步提高模型可靠性。

(4)本发明所述的基于fft的pm2.5浓度分析模型可以根据不同的区域进行分区域建模，考虑不同地形要素对pm2.5浓度扩散的影响。

附图说明

构成本发明的一部分的附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：

图1为本发明实施例所述的基于fft的pm2.5浓度分析模型原理结构图。

具体实施方式

需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。

在本发明的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”等的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中，除非另有说明，“多个”的含义是两个或两个以上。

在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以通过具体情况理解上述术语在本发明中的具体含义。

下面将参考附图并结合实施例来详细说明本发明。

下面以京津冀地区为实施例，具体说明本专利申请的技术方案，具体如下：

开展京津冀地区pm2.5浓度水平及变化趋势研究，有助于为相关领域研究及京津冀地区的大气污染防治提供科学依据，其基础在于获得该地区的pm2.5浓度序列。鉴于目前地面pm2.5观测技术和卫星遥感技术各自存在不足，而pm2.5浓度与大气污染物、气象要素紧密相关，本发明拟构建一种不受天气影响，既能充分体现pm2.5浓度的时间变化，又能描述其空间差异的pm2.在5浓度观测方法，充分考虑影响pm2.5浓度变化的内部因素与外部气象条件，在对其相应变化周期确定的基础上，对影响pm2.5浓度的大气污染物和气象因素进行综合分析，通过pm2.5浓度与大气污染物、水汽、风速等气象要素的相关拟合模型实现。

(1)gnss水汽、气象要素、大气污染物与pm2.5浓度的耦合关系

灰霾的主要污染物pm2.5的形成是一个复合的大气环境的机理形成过程，不仅与pm10、so2、no2、co等大气污染物的源排放影响密切，还受水汽、风速、温度、气压等气象因素的影响。pm2.5浓度模型构建需要综合考虑气象因素和大气污染物对pm2.5浓度变化的影响，pm2.5浓度与gnss水汽、气象要素、大气污染物之间的耦合关系研究是进行pm2.5浓度模型构建的基础。

1)pm2.5浓度与gnss水汽的耦合关系

大气的稳定性影响到大气中污染物的垂直扩散，而水汽的变化与大气的稳定性相关。通过高精度gnss解算软件解算京津冀地区gnss连续观测资料结合气象观测获得该地区gnss测站时值水汽序列，联合pm2.5浓度时值观测序列，开展pm2.5浓度与gnss水汽序列的耦合关系研究。

2)pm2.5浓度与风速、风向的耦合关系

近地层的风向和风速影响pm2.5污染物的传输及扩散过程，风的主要作用是对pm2.5污染物的水平输送及扩散，通常是风速越大越有利于大气中的pm2.5污染物的扩散，而长时间的微风或静风天气则会抑制污染物的扩散，使得地面层pm2.5浓度成倍增加。通过京津冀地区时值风速和风向资料，联合pm2.5浓度时值观测序列，开展pm2.5浓度与风速、风向的耦合关系研究。

3)pm2.5浓度与气压、温度的耦合关系

气压、温度也与大气的稳定性相关，气压、温度的变化是否与pm2.5浓度变化存在关联。通过京津冀地区时值气压和时值温度资料，联合pm2.5浓度时值观测序列，开展pm2.5浓度与气压、温度的耦合关系研究。

4)pm2.5浓度与大气污染物的耦合关系

大气污染物对于pm2.5浓度的变化影响有多大，选择哪些大气污染物要素作为pm2.5浓度模型构建的内在因素，也是本课题需要考虑的问题。探索大气污染物与pm2.5浓度变化之间的耦合关系，确定各类大气污染物与pm2.5浓度变化的相关性，为pm2.5浓度模型构建提供基础。大行道动漫

(2)gnss水汽、气象要素、大气污染物与pm2.5浓度公共周期确定

由于gnss、气象要素与大气污染观测均存在周期性变化，通过快去傅里叶变换(fft)可得到各要素的周期信息，基于此可得到各要素变化的公共周期，按公共周期对数据进行分组后参与模型构建。

(3)基于快速傅里叶变换的gnss水汽、气象要素与大气污染物的pm2.5浓度分级模型构建

在pm2.5浓度与gnss水汽、气象要素、大气污染物之间耦合关系分析的基础上，确定gnss水汽、气象要素、大气污染物与pm2.5浓度变化的相关性，同时通过快速傅里叶变换确定gnss水汽、气象要素与大气污染观测的公共周期，将数据列按其公共周期进行分组，构建基于gnss水汽、气象要素与大气污染物的pm2.5浓度模型。

1)模型自变量因子选择

如图1所示，构建pm2.5浓度模型需选择合适的自变量因子。在进行pm2.5浓度与gnss水汽、气象要素、大气污染物耦合关系分析的基础上，对自变量因子进行挑选，得到可靠性最好的pm2.5浓度模型。在进行pm2.5浓度与各要素相关性分析的基础上，得到在大气污染物中,pm2.5浓度与pm10相关性最好，且pm10浓度观测起始数据时间较早，数据积累时间较长。与气压、温度、gnss水汽、风速等进行相关性分析发现，风速对于pm2.5浓度的影响基于其风速等级的大小，低风速可加速空气中反应物发生化学反应形成pm2.5，高风速则加速pm2.5水平方向的扩散；gnss水汽不仅可作为反应物形成pm2.5浓度，也可在垂直方向影响pm2.5的扩散。同时由于so2，co等大气污染物可在空气中发生化学反应，对模型造成干扰，故选择pm10为pm2.5浓度模型构建的内部因子参与建模；鉴于gnss水汽、风速对pm2.5浓度的变化所起到的重要作用，且风向、温度等与pm2.5浓度相关性较小，故仅选择gnss水汽与风速参与模型构建。由于pm2.5浓度在全年呈现出春冬高、夏秋低的变化趋势，而影响其垂直方向移动的gnss水汽在存在季节性变化因素的影响，全年呈现出春冬低、夏秋高的变化趋势，故对gnss水汽进行小波变换，去掉其季节性变化因素的影响，采用分解重构后的水汽波动参与建模。

2)模型构建

以pm10、风速、分解重构后gnss水汽波动构建pm2.5浓度模型。本专利申请所选研究区为京津冀地区。该区域范围较大，地势情况复杂，辖区内兼有山地、平原、沿海、坝上高原，故对其进行分区建模。由于pm2.5浓度跨度较大，存在极值影响，故依照空气污染指数分级标准，将pm2.5浓度进行分级后，采用逐步回归模型，实现基于gnss水汽、气象要素与大气污染物的pm2.5浓度分级模型的构建。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。