详情

原文传递基于地理探测和PCA对PM2.5浓度分布的关键影响因子筛选方法

专利名称：	基于地理探测和PCA对PM2.5浓度分布的关键影响因子筛选方法
摘要：	本发明公开了一种基于地理探测和PCA对PM2.5浓度分布的关键影响因子筛选方法，其包括获取PM2.5监测站点所在位置，建立若干缓冲区；获取待研究区域内的影响因子数据并作离散化处理；将离散化处理后的影响因子数据，对应至PM2.5监测站点，得到每个PM2.5监测站点的影响因子数据；对离散化处理后的影响因子数据利用地理探测器模型进行贡献度分析和关联性分析等。本发明能够解决现有技术中缺乏能够全面考虑各变量与PM2.5浓度分布关系的分析方法的问题，准确性强、分析全面、适用范围广。
专利类型：	发明专利
国家地区组织代码：	四川;51
申请人：	西南交通大学
发明人：	赵锐;詹梨萍;姚明星
专利状态：	有效
申请日期：	2019-07-05T00:00:00+0800
发布日期：	2019-09-20T00:00:00+0800
申请号：	CN201910605427.7
公开号：	CN110261272A
代理机构：	成都正华专利代理事务所(普通合伙)
代理人：	何凡
分类号：	G01N15/06(2006.01);G;G01;G01N;G01N15
申请人地址：	610031 四川省成都市二环路北一段
主权项：	1.一种基于地理探测和PCA对PM2.5浓度分布的关键影响因子筛选方法，其特征在于，包括如下步骤： S1、获取待研究区域内的PM2.5监测站点所在位置，建立若干缓冲区； S2、获取待研究区域内的影响因子数据并作离散化处理； S3、将离散化处理后的影响因子数据，对应至PM2.5监测站点，得到每个PM2.5监测站点的影响因子数据； S4、对离散化处理后的影响因子数据利用地理探测器模型进行贡献度分析和关联性分析； S5、将影响因子分为若干相关组，并依次对每个缓冲区内的相同相关组的影响因子进行相关性分析； S6、通过地理探测器模型分析和相关性分析的结果，对影响因子进行筛选，得到整体关键影响因子； S7、通过主成分分析方法，对整体关键影响因子进行主成分变换，得到目标关键影响因子。 2.根据权利要求1所述的基于地理探测和PCA对PM2.5浓度分布的关键影响因子筛选方法，其特征在于，所述缓冲区为以PM2.5监测站点所在位置为中心的若干个具有设定大小的区域。 3.根据权利要求2所述的基于地理探测和PCA对PM2.5浓度分布的关键影响因子筛选方法，其特征在于，所述影响因子数据包括气温、降水量、相对湿度、风速、气压等气象数据，绿地、耕地、建筑用地、水域等土地利用分布数据，人口密度数据，工业污染源、交通相关数据。 4.根据权利要求3所述的基于地理探测和PCA对PM2.5浓度分布的关键影响因子筛选方法，其特征在于，所述对研究区域内的影响因子数据作离散化处理的方法为对获取待研究区域内的影响因子数据中的气象数据、人口密度数据、交通相关数据进行重新分类，并将这三类数据从数值量转换成类型量。 5.根据权利要求4所述的基于地理探测和PCA对PM2.5浓度分布的关键影响因子筛选方法，其特征在于，所述关联性分析的方法为：根据地理探测器模型的贡献度分析结果，筛选出满足条件公式： q(X1∩X2)>q(X1)or q(X2) 的影响因子X1、X2，其中，q为通过地理探测器模型得到的贡献度值。 6.根据权利要求5所述的基于地理探测和PCA对PM2.5浓度分布的关键影响因子筛选方法，其特征在于，所述将影响因子分为若干相关组的方法是根据影响因子的所代表对象将影响因子分为包括气象数据、人口数据、交通相关数据的若干个分组。 7.根据权利要求6所述的基于地理探测和PCA对PM2.5浓度分布的关键影响因子筛选方法，其特征在于，所述相关性分析的方法为，将每个缓冲区内按组别依次将同一组内的影响因子与PM2.5浓度值进行皮尔森相关性分析，得到每个缓冲区内的各个影响因子与PM2.5浓度值的相关性系数和显著性水平。 8.根据权利要求7所述的基于地理探测和PCA对PM2.5浓度分布的关键影响因子筛选方法，其特征在于，所述对影响因子进行筛选，得到整体关键影响因子的方法为： S1、根据相关性分析结果，筛选出显著相关的设定数量的影响因子，作为整体关键影响因子； S2、根据相关性分析结果，将影响因子按相关性系数排序，筛选出相关性系数最高的设定数量的影响因子； S3、将地理探测器模型分析得到的关联性分析结果与筛选出来相关性系数最高的影响因子对比，筛选出同时满足相关性系数且和关联性分析的影响因子，也作为整体关键影响因子。
所属类别：	发明专利