气溶胶光学厚度栅格图 - 环境遥感地理信息服务工作室

,基于GWR方法的区域PM2.5浓度估算实验进展汇报,汇报人：郭宇日期：2014.05.11, 主要内容 :,污染现状,研究现状,PM2.5监测浓度空间浓度模拟分布制图 空间插值 遥感反演 土地利用回归（LUR） 地理加权回归（GWR）,局限于资金、人力、物力等客观条件，现有空气质量监测站点稀疏，无法实现区域空间连续环境监测。,空间异质性, 方法出发点,针对现有方法的优缺点，综合遥感及土地利用线性回归及地理加权估计空间异质性的特色，选取研究区时间段（年均、季均、月均）PM2.5浓度模拟进行方法探索研究，力求建立PM2.5浓度估算最佳模型，从而进行浓度空间分布制图。, 研究思路,详细、准确了解PM2.5浓度的空间分布，揭示其时空分布与变化规律。能够针对PM2.5污染健康损害，一方面为最优健康出行路线的研究提供可靠数据支撑，另一方面有利于制定有效措施降低人体PM2.5空气污染暴露强度及健康风险。, 研究意义, 实验设计框架,数据收集预处理,回归建模,检验及制图,PM2.5监测站点浓度数据（EPA）-因变量气溶胶光学厚度值（AOD）（NASA）-自变量土地利用类型数据（USGS）-自变量人口分布数据（United States Census）-自变量道路交通数据（Open Street Map）-自变量叶面积指数（LAI）-自变量气象环境数据（NARR）（温度、降水、风速）-自变量, 研究数据, 数据预处理,月均AOD栅格,年均AOD栅格,季均AOD栅格,气溶胶光学厚度栅格图,LAI栅格图,加州研究区LAI栅格分布图,土地利用及道路数据,缓冲区半径：200、400、600、800、1000m统计地理特征变量, 建模方法,地理加权回归（Geographically Weighted Regression）通过采取局部参数估计方式，用以反映样本对回归模型权重在空间上的非平稳性，使得回归模型结果在局部地理区域更加合理。, 建模过程,从普通最小二乘法（OLS）回归入手，获得一个正确的OLS模型，然后使用同样的解释变量运行 GWR：注意：（1）多重共线性（即当存在两个或多个冗余变量或者这些变量共同提供同一信息时）（2）“哑元”解释变量（例如，向城镇中心外的人口普查区赋予值 1，而向其他区域赋予值 0）, 实验初步结果（一）,2006年加州全年PM2.5统计数据, 实验初步结果（二）,全年对应AOD天数PM2.5统计数据, 实验初步结果（三）,春季对应AOD天数PM2.5统计数据, 实验初步结果（三）,夏季对应AOD天数PM2.5统计数据, 实验初步结果（三）,冬季对应AOD天数PM2.5统计数据, 总结展望,（1）年均PM2.5浓度估算与林地类、气溶胶光学厚度和风速相关，且随着空间尺度呈现递增趋势（200-1000m）;（2）季均PM2.5浓度估算的相关地理因素随着季节变化而变化；春季主要与林地类、自由用地、气溶胶光学厚度、距海距离、温度相关；夏季与林地类和气溶胶光学厚度相关；而冬季则与林地类、自