全生命周期空气污染事件演化过程协同预测

Predicting air pollution events more elaborately and accurately will play a key role in improving the monitoring and early warning system of air pollution. Existing data-driven methods for air pollution prediction generally model sparsely observed data directly, which cannot elaborately describe dynamic space-time characteristic of air pollution events and accurately predict space-time evolution process with different space-time patterns. For this reason, this project aims to focus on air pollution event and then study the reconstruction strategy of space-time process, the association mechanism of space-time pattern, and the evolution rule of space-time trend from the view of event full-lifecycle (occurrence, development to extinction). Finally, using space-time statistics and machine learning, an analytical framework is developed to collaboratively predict space-time processes of air pollution events. The main contents are as follows: (1) space-time process reconstruction by integrating multi-source and heterogeneous data; (2) space-time pattern analysis from the view of full-lifecycle; (3) space-time evolution trend prediction by the collaboration of heterogeneous models. The models and methods developed in this project will serve the major demand of the monitoring and early warning system of air pollution and contribute to enrich the theory and method system of space-time data analysis.

精准化的空气污染事件预测将为健全我国空气污染监测预警体系起到关键的作用。现有数据驱动空气污染预测方法通常直接对稀疏观测序列数据进行建模，不能精细刻画空气污染事件在时空维度上的动态表现特征，同时难以准确预测存在不同表现模式的时空演化过程。为此，本项目以空气污染事件为研究对象，从事件发生→发展→消亡的全生命周期视角出发，深入研究时空演化过程重构策略、模式特征关联机制与演化规律，结合时空统计学、机器学习等模型与方法，构建空气污染事件时空演化过程协同预测分析框架，主要研究内容包括：（1）多源异构数据融合的空气污染事件时空演化过程重构；（2）全生命周期空气污染事件时空演化模式解析；（3）异构模型协同的空气污染事件时空演化态势预测。本项目成果能够直接服务于我国空气污染精准化预警需求，亦有助于丰富地理时空数据分析的理论与方法体系。

精准化的空气污染预测将为健全我国空气污染监测预警体系起到关键的作用。本项目提出了空气污染事件重构/反演算法，研究了空气污染时空演化的关联模式分析，构建了面向环境污染的异构模型协同空间预测模型。具体研究进展与结论概括为：.（1）系统性提出了面向环境污染反演、归因与预测地理时空分析技术与方法，拓延了地理空间分析理论与方法体系。①针对具有多模式的地理时空数据集，提出了一种多模式混合的时空预测建模框架，在识别时空异常模式基础上，对异常内外区域分别建模实现时空变量关系的异质表达，避免了异常蕴含重要时空信息的丢失；②针对地理数据违背了传统的机器学习通常建立的样本独立条件，提出了广义地理加权机器学习模型，构建了地理数据的普适性处理框架，结合支持向量回归模型，建立了地理加权支持向量回归模型，为高精度空气污染遥感反演提供了有效技术支撑。.（2）摸清了空气污染演化模式与主要关联特征，为空气污染治理提供了有效的信息支撑。①以PM2.5为首要污染物，综合考虑污染程度、地理位置、气象、地形和经济等因素实现了国家尺度上大气污染联合治理区的划分，该分区结果与存在过污染治理合作的省域较一致，如:京津冀地区与珠三角地区为包含关系，长三角地区则完全一致；②在所识别的联防联控治理单元中，2000～2016年人口因素对PM2.5浓度主要是正向影响，其它因素与PM2.5浓度同时存在正向与负向相关，同时，由回归系数值在时间维度上变化曲线能够探测出不同因素在各治理区中与PM2.5浓度的关联机制。