2026《PM2.5反演模型研究综述》4500字.docxVIP

PM2.5反演模型研究综述

目录

TOC\o1-3\h\u21032PM2.5反演模型研究综述 1

285241.1多元线性回归模型 1

313661.2随机森林模型 1

278981.3深度神经网络模型 2

258621.4结合空间距离与注意力的神经网络模型 5

本文研究中使用到的模型主要有多元线性回归模型，随机森林模型，普通神经网络模型以及结合空间距离与注意力机制的神经网络模型。其中多元线性回归模型用于选取较优高湿订正形式的实验研究中，随机森林模型与普通神经网络模型用于PM2.5浓度反演的对比实验中，结合空间距离与注意力机制的神经网络模型为本文提出的一种改进后的顾及PM2.5空间相关性的神经网络模型。

1.1多元线性回归模型

在统计学中，回归分析是用来描述存在因果关系的因变量和自变量之间数量变化关系的一种分析方法，构建二者之间的回归方程式，称之为线性回归[70]。按照所涉及的变量多少，线性回归分析又可分为一元线性回归分析与多元线性回归分析。在现实世界的实际问题中，因变量通常由多个因素影响，也就是多个影响因素共同作用于某一事物，因此在建立事物的预测模型时，与一元线性回归分析相比，多元线性回归分析建立的模型更加接近实际情况，其预测和估算也更加准确。在现实生活中，多元线性回归更适合实际需求，具有更强的实用意义，被广泛应用于社会、经济、技术以及众多自然科学领域的研究中[71]。

多元线性回归模型的一般表达式如下：

(公式2-14)

公式中，表示自变量，共有i个，表示回归系数，为截距项，为随机误差项。

本文中，研究高湿订正形式对PM2.5浓度反演的影响时，多元线性回归模型的因变量为PM2.5浓度，自变量包含了AOD、温度、湿度、气压、风速、边界层高度等12个因素。

1.2随机森林模型

在二十世纪八九十年代，传统的分类方法存在着精度不高，且十分容易出现过拟合的问题。因此，许多学者以聚集多个模型来提高整体预测精度为主要思想，提出了许多的方法，这些方法被统称为组合（ensemble）或分类器组合（classifiercombination）方法[72]。方法的主要思路为：首先使用训练数据构建一组基分类模型(baseclassifier),然后根据因变量的具体类型（比如分类变量与连续数值变量）对每个基分类模型的预测值进行投票或取平均值来决定最终的预测结果。在这些方法的启发下，Breiman等人于2001年提出了随机森林算法（RandomForest，RF），一种基于决策树的组合式自学习算法，被誉为机器学习算法模型中最好的算法之一。

随机森林算法是一种统计学习理论，它主要采用了随机子空间与Bagging两种集成策略，主要的实现步骤为：1.使用bootstrap自助聚集法，从原始数据样本中有放回、重复、随机地抽取出N个训练样本集，分别对应N棵决策树；2.使用随机子空间构建决策树，即在输入数据的M个属性中随机选取m个属性分配到每一棵决策树（二者需要满足Mm），接着在每一棵决策树中按照某种策略从m个属性中确定分裂属性，并分配给决策树的每一个节点；3.把N棵决策树组成随机森林，并得出最终预测结果。当随机森林以分类为目的时，结果以分类树输出类别的众数决定；当随机森林以回归为目的时，最终预测值是所有树结果的平均值。

随机森林算法存在着许多的优势，比如：随机森林实现起来比较简单，计算开销小，训练速度较快，容易形成并行方法，且对噪声与异常值的容忍度高，十分适合非线性数据建模，并可对变量进行重要程度分析[73]；随机森林在处理较高维度的数据时，可以不进行特征选，对数据集的适应力比较强，不需要规范化就可以处理离散型、连续型以及混合型数据；随机森林存在检验多变量间的相互影响作用的方法，而且当原始数据存在多元共线关系时模型不敏感；随机森林对于不平衡数据集来说，可以平衡其误差，同时模型结果对缺失数据稳健，具有较强的缺失数据插补能力；随机森林在应用于回归问题时，按照有放回的随机抽样法选择训练数据样本，建立回归决策子树时大约有36.8%的样本因未被选中而成为验证集，这起到了内部交叉验证的作用，可以有效避免过拟合的出现；随机森林可以通过汇总大量决策子树来提高模型的回归精度，同时减少过拟合等问题[74]。

1.3深度神经网络模型

在地球动物体内，神经系统的基本结构和机能单位是神经细胞，又称神经元。神经元是一种高度特化的细胞，具有感受刺激和传到兴奋的功能。在生物神经网络中，每个神经元都会与其他神经元相连，当其受到刺激，内部电位超过某一个阈值时，就会被激活并且向相连的神经元发送化学物质，改变这些神经元内部的电位，进而传导刺激，控制生物做出一定的反应。

受到动物神经元工作过程的启发，1943年，麦卡洛克与皮兹二人按照生