基于地理神经网络加权回归的中国PM2.5浓度空间分布估算方法

摘要： 中国空气污染问题日益严重,为获得连续的PM2.5浓度空间分布,现有研究建立了多种基于统计回归的PM2.5估算模型。然而,由于PM2.5回归关系显著的空间非平稳性和复杂的非线性特征,如何实现高精度、高合理性的PM2.5浓度空间大面估计仍然面临挑战,尤其在地形变化复杂、覆盖范围广阔的中国地区更为突出。本文引入了一种将普通线性回归（OLR）和神经网络结合的地理神经网络加权回归（GNNWR）模型,通过集成遥感数据、气象数据和地理信息数据建立了基于GNNWR的PM2.5浓度空间估算方法。文章以中国2017年PM2.5年平均浓度估算为例,开展了该模型与OLR、地理加权回归（GWR）的比较实验。实验结果表明,基于GNNWR的PM2.浓度估算性能指标均明显优于OLR和GWR,且预测精度显著高于GWR。此外,GNNWR获得的PM2.5浓度空间分布也更为合理,较为细致地刻画了中国地区PM2.5浓度的局部空间变化和细节层次。