CN110738354B - 预测颗粒物浓度的方法、装置、存储介质及电子设备 - Google Patents
预测颗粒物浓度的方法、装置、存储介质及电子设备 Download PDFInfo
- Publication number
- CN110738354B CN110738354B CN201910882735.4A CN201910882735A CN110738354B CN 110738354 B CN110738354 B CN 110738354B CN 201910882735 A CN201910882735 A CN 201910882735A CN 110738354 B CN110738354 B CN 110738354B
- Authority
- CN
- China
- Prior art keywords
- target
- particulate matter
- concentration
- sample
- data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 239000013618 particulate matter Substances 0.000 title claims abstract description 116
- 238000000034 method Methods 0.000 title claims abstract description 33
- 230000003287 optical effect Effects 0.000 claims abstract description 91
- 239000000443 aerosol Substances 0.000 claims abstract description 87
- 230000007613 environmental effect Effects 0.000 claims abstract description 63
- 238000012549 training Methods 0.000 claims description 69
- 239000002245 particle Substances 0.000 claims description 56
- 238000010801 machine learning Methods 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 12
- 239000003344 environmental pollutant Substances 0.000 claims description 9
- 231100000719 pollutant Toxicity 0.000 claims description 9
- 238000007689 inspection Methods 0.000 claims description 4
- 238000012544 monitoring process Methods 0.000 abstract description 19
- 238000001556 precipitation Methods 0.000 description 11
- 230000001932 seasonal effect Effects 0.000 description 6
- 238000003915 air pollution Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000013441 quality evaluation Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 239000000383 hazardous chemical Substances 0.000 description 1
- 231100000206 health hazard Toxicity 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
- G01N15/06—Investigating concentration of particle suspensions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- Software Systems (AREA)
- Human Resources & Organizations (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Artificial Intelligence (AREA)
- Chemical & Material Sciences (AREA)
- Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Analytical Chemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Health & Medical Sciences (AREA)
- Development Economics (AREA)
- Dispersion Chemistry (AREA)
- Game Theory and Decision Science (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biochemistry (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Medical Informatics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本公开涉及一种预测颗粒物浓度的方法、装置、存储介质及电子设备,该方法通过获取目标区域内当前时刻的气溶胶光学厚度AOD遥感影像图;从AOD遥感影像图获取目标气溶胶光学厚度,其中,该目标气溶胶光学厚度为目标区域内的目标待测位置在该AOD遥感影像图中对应像元的气溶胶光学厚度;获取目标待测位置处目标环境影响因子的目标数据;将目标气溶胶光学厚度和目标数据作为预先训练的颗粒物浓度预测模型的输入,得到目标待测位置处的颗粒物浓度。这样,能够同时融合地面空气质量监测数据、卫星遥感数据和目标环境影响因子数据来准确估计近地面颗粒物浓度的连续空间分布,从而能够为全面治理环境问题提供可靠的数据依据。
Description
技术领域
本公开涉及空气质量监测领域,具体地,涉及一种预测颗粒物浓度的方法、装置、存储介质及电子设备。
背景技术
以PM2.5为代表的颗粒物造成的空气污染问题已成为我国当前最迫切、最突出的环境问题,其对公众造成的心理和身体健康危害的严重性引起了社会的广泛关注。
目前准确获取空气中颗粒物浓度大多依靠地面空气质量监测站点,而我国当前的国家城市环境空气质量监测网中地面空气质量监测站点的空间分布极不均匀,主要分布在城区或者城市郊区,而稍偏远的城镇和乡村并没有监测点位。这就造成空气质量评价、空气污染防治和精准治霾在区域上还存在很多“盲区”。因此,当前获取空气中颗粒物浓度的方式并不能准确地获取到各个位置的颗粒物浓度,无法满足当前空气污染防治的需求。
发明内容
本公开的目的是提供一种预测颗粒物浓度的方法、装置、存储介质及电子设备。
为了实现上述目的,本公开的第一方面提供一种预测颗粒物浓度的方法,所述方法包括:
获取目标区域内当前时刻的气溶胶光学厚度AOD遥感影像图;
从所述AOD遥感影像图获取目标气溶胶光学厚度,其中,所述目标气溶胶光学厚度为所述目标区域内的目标待测位置在所述AOD遥感影像图中对应像元的气溶胶光学厚度;
获取所述目标待测位置处目标环境影响因子的目标数据;
将所述目标气溶胶光学厚度和所述目标数据作为预先训练的颗粒物浓度预测模型的输入,得到所述目标待测位置处的颗粒物浓度。
可选地,所述颗粒物浓度预测模型是通过以下方式训练得到的:
获取所述目标区域内历史时刻上的样本位置处的颗粒物样本浓度;
获取历史时刻上所述目标区域内的AOD样本遥感影像图,并获取所述样本位置在所述AOD样本遥感影像图中对应像元的样本气溶胶光学厚度;
获取所述颗粒物样本浓度对应的所述目标环境影响因子的样本数据;
将所述颗粒物样本浓度、所述样本气溶胶光学厚度以及样本数据作为一组模型训练数据;
获取多组所述模型训练数据,以形成模型训练数据集;
通过Cubist模型对所述模型训练数据集进行机器学习,以得到所述颗粒物浓度预测模型。
可选地,所述目标环境影响因子通过以下方式确定:
获取所述颗粒物样本浓度对应的多个预设环境影响因子的待确定数据;
将所述颗粒物样本浓度和所述待确定数据作为预设地理探测器模型的输入,得到每个预设环境影响因子的权重值;
将权重值大于或等于预设权重阈值的预设环境影响因子,作为所述目标环境影响因子。
可选地,所述颗粒物浓度预测模型包括多个所述颗粒物浓度预测子模型,不同的颗粒物浓度预测子模型对应不同的环境特征,所述将所述目标气溶胶光学厚度和所述目标数据作为预先训练的颗粒物浓度预测模型的输入,得到所述待测区域内的颗粒物浓度包括:
确定所述目标气溶胶光学厚度和所述目标数据对应的环境特征;
从多个所述颗粒物浓度预测子模型中,确定与所述环境特征对应的目标颗粒物浓度预测子模型;
将所述目标气溶胶光学厚度和所述目标数据作为所述目标颗粒物浓度预测子模型的输入,得到所述目标待测位置处的颗粒物浓度。
在本公开的第二方面提供一种预测颗粒物浓度的装置,所述装置包括:
第一获取模块,用于获取目标区域内当前时刻的气溶胶光学厚度AOD遥感影像图;
第二获取模块,用于从所述AOD遥感影像图获取目标气溶胶光学厚度,其中,所述目标气溶胶光学厚度为所述目标区域内的目标待测位置在所述AOD遥感影像图中对应像元的气溶胶光学厚度;
第三获取模块,用于获取所述目标待测位置处目标环境影响因子的目标数据;
确定模块,用于将所述目标气溶胶光学厚度和所述目标数据作为预先训练的颗粒物浓度预测模型的输入,得到所述目标待测位置处的颗粒物浓度。
可选地,所述颗粒物浓度预测模型是通过以下方式训练得到的:
获取所述目标区域内历史时刻上的样本位置处的颗粒物样本浓度;
获取历史时刻上所述目标区域内的AOD样本遥感影像图,并获取所述样本位置在所述AOD样本遥感影像图中对应像元的样本气溶胶光学厚度;
获取所述颗粒物样本浓度对应的所述目标环境影响因子的样本数据;
将所述颗粒物样本浓度、所述样本气溶胶光学厚度以及样本数据作为一组模型训练数据;
获取多组所述模型训练数据,以形成模型训练数据集;
通过Cubist模型对所述模型训练数据集进行机器学习,以得到所述颗粒物浓度预测模型。
可选地,所述目标环境影响因子通过以下方式确定:
获取所述颗粒物样本浓度对应的多个预设环境影响因子的待确定数据;
将所述颗粒物样本浓度和所述待确定数据作为预设地理探测器模型的输入,得到每个预设环境影响因子的权重值;
将权重值大于或等于预设权重阈值的预设环境影响因子,作为所述目标环境影响因子。
可选地,所述颗粒物浓度预测模型包括多个所述颗粒物浓度预测子模型,不同的颗粒物浓度预测子模型对应不同的环境特征,所述确定模块包括:
第一确定子模块,用于确定所述目标气溶胶光学厚度和所述目标数据对应的环境特征;
第二确定子模块,用于从多个所述颗粒物浓度预测子模型中,确定与所述环境特征对应的目标颗粒物浓度预测子模型;
第三确定子模块,用于将所述目标气溶胶光学厚度和所述目标数据作为所述目标颗粒物浓度预测子模型的输入,得到所述目标待测位置处的颗粒物浓度。
在本公开的第三方面提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现以上第一方面所述方法的步骤。
在本公开的第四方面提供一种电子设备,包括:
存储器,其上存储有计算机程序;
处理器,用于执行所述存储器中的所述计算机程序,以实现以上第一方面所述方法的步骤。
上述技术方案,通过获取目标区域内当前时刻的气溶胶光学厚度AOD遥感影像图;从所述AOD遥感影像图获取目标气溶胶光学厚度,其中,所述目标气溶胶光学厚度为所述目标区域内的目标待测位置在所述AOD遥感影像图中对应像元的气溶胶光学厚度;获取所述目标待测位置处目标环境影响因子的目标数据;将所述目标气溶胶光学厚度和所述目标数据作为预先训练的颗粒物浓度预测模型的输入,得到所述目标待测位置处的颗粒物浓度。这样,能够同时融合地面空气质量监测数据、卫星遥感数据和目标环境影响因子数据来估计近地面颗粒物浓度的连续空间分布,能够根据待测区域的目标气溶胶光学厚度和目标环境影响因子的目标数据准确地预测待测区域的颗粒物浓度,从而能够消除地面空气质量监测站点空间分布不均造成的存在监测盲点的问题,能够为全面治理环境问题提供可靠的数据依据。
本公开的其他特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
附图是用来提供对本公开的进一步理解,并且构成说明书的一部分,与下面的具体实施方式一起用于解释本公开,但并不构成对本公开的限制。在附图中:
图1是本公开一示例性实施例示出的一种预测颗粒物浓度的方法的流程图;
图2是本公开一示例性实施例示出的一种颗粒物浓度预测模型的训练方法的流程图;
图3是本公开一示例性实施例示出的一种预测颗粒物浓度的装置的框图;
图4是根据一示例性实施例示出的一种电子设备的框图。
具体实施方式
以下结合附图对本公开的具体实施方式进行详细说明。应当理解的是,此处所描述的具体实施方式仅用于说明和解释本公开,并不用于限制本公开。
在详细介绍本公开的实施方式之前,先对本公开的应用场景进行介绍,本公开可以应用于确定未设置近地面空气监测站点的区域内的颗粒物浓度,也可以用于获取近地面颗粒物浓度的连续空间分布状况,其中,该颗粒物浓度可以是PM2.5浓度,PM10浓度,或者其他可吸入颗粒物浓度。以PM2.5浓度为例进行说明,PM2.5浓度超标是形成雾霾的直接原因,全面治霾,精准治霾是我国当前最迫切需要。目前获取空气中PM2.5浓度的方式主要包括两种,一种是通过近地面空气质量监测站点获取监测数据,这种方式较为直接,获取到的结果也相对准确,然而我国当前的国家城市环境空气质量监测网中近地面空气质量监测站点的空间分布极不均匀,主要分布在城区或者城市郊区,而稍偏远的城镇和乡村并没有监测点位。这就造成空气质量评价、空气污染防治和精准治霾在区域上还存在很多“盲区”;另一种是,通过预测方法或者预测模型(例如,普通空间插值法,基于贝叶斯网络的估计模型,以及通过神经网络学习训练得到的估计模型)进行空间估计,然而这些预测方法或者预测模型大都只能集成少部分数值型数据进行融合计算,无法集成颗粒物污染的多个复杂影响因子进行准确的颗粒物浓度空间估计。
为了解决上述技术问题,本公开提供一种预测颗粒物浓度的方法、装置、存储介质及电子设备,该方法获取目标区域内当前时刻的气溶胶光学厚度AOD遥感影像图;从所述AOD遥感影像图获取目标气溶胶光学厚度,其中,该目标气溶胶光学厚度为该目标区域内的目标待测位置在该AOD遥感影像图中对应像元的气溶胶光学厚度;获取该目标待测位置处目标环境影响因子的目标数据;将该目标气溶胶光学厚度和该目标数据作为预先训练的颗粒物浓度预测模型的输入,得到该目标待测位置处的颗粒物浓度。这样,能够同时融合地面空气质量监测数据、卫星遥感数据和目标环境影响因子数据来准确估计近地面颗粒物浓度的连续空间分布,能够根据目标待测位置处的目标气溶胶光学厚度和目标环境影响因子的目标数据准确地预测目标待测位置处的的颗粒物浓度,从而能够为全面治理环境问题提供可靠的数据依据。
图1是本公开一示例性实施例示出的一种预测颗粒物浓度的方法的流程图;参见图1,该方法可以包括以下步骤:
步骤101,获取目标区域内当前时刻的气溶胶光学厚度AOD(Aerosol OpticalDepth,气溶胶光学厚度)遥感影像图。
在本步骤中,可以通过AOD数据产品遥感该目标区域内的气溶胶光学厚度,获取预设空间分辨率的AOD遥感影像图,例如,利用MODIS C6 AOD数据产品获取空间分辨率为3KM的遥感影像图。
步骤102,从该AOD遥感影像图获取目标气溶胶光学厚度。
其中,该目标气溶胶光学厚度为该目标区域内的目标待测位置在该AOD遥感影像图中对应像元的气溶胶光学厚度。该像元是组成该AOD遥感影像图的最小单元,该目标待测位置可以是该目标区域内的任一位置。
步骤103,获取该目标待测位置处目标环境影响因子的目标数据。
其中,该目标数据包括数值型数据和文字描述型数据。该目标环境影响因子可以是:污染源排放类影响因子,气象类影响因子,以及地理类影响因子中的至少一种。该污染源排放类影响因子包括:工业企业数量,废气污染物排放空间分布,公路网空间分布状况以及人口密度空间分布状况中的至少一种;该气象类影响因子包括:降水量,降水量大于0.1mm的降水日数量,风速,以及相对湿度中的至少一种;该地理类影响因子包括:地形坡度和/或地表覆盖类型。
本步骤中的一种可能的实施方式可以是,将该目标待测位置所处的预设区域内的工业企业数量确定为该目标待测位置处的工业企业数量,将该目标待测位置所处的预设区域内的废气污染物排放空间分布确定为该目标待测位置处的废气污染物排放空间分布,将该目标待测位置所处的预设区域内的公路网空间分布状况确定为该目标待测位置处的公路网空间分布状况,将该目标待测位置所处的预设区域内的人口密度空间分布状况确定为该目标待测位置处的人口密度空间分布状况,而该降水量,降水量大于0.1mm的降水日数量,风速,以及相对湿度均为该目标待测位置处对应的数据,该地形坡度和地表覆盖类型也为该目标待测位置所处预设区域内对应的数据,其中,该预设区域为目标区域内的子区域。该污染源排放类影响因子和该地理类影响因子对应的数据由于短时间内不会发生变化,因此可以每隔预设时间获取更新一次,而该气象类影响因子每次测量均需要获取最新的数据。
需要说明的是,该污染源排放类影响因子和该气象类影响因子均属于数值型数据,例如,该目标区域内的工业企业数量为200,当前时刻的降雨量为0.8mm。该地理类影响因子属于文字描述型数据,例如,该地表覆盖类型为森林覆盖,农作物覆盖,裸地等。
步骤104,将该目标气溶胶光学厚度和该目标数据作为预先训练的颗粒物浓度预测模型的输入,得到该目标待测位置的颗粒物浓度。
其中,该颗粒物浓度预测模型为基于决策回归树的颗粒物浓度预测模型;该颗粒物浓度预测模型可以包括多个该颗粒物浓度预测子模型,不同的颗粒物浓度预测子模型对应不同的环境特征。该颗粒物浓度可以是PM2.5浓度,PM10浓度或者其他可吸入颗粒物的浓度。
本步骤的一种可能的实施方式为,确定该目标气溶胶光学厚度和该目标数据对应的环境特征;从多个该颗粒物浓度预测子模型中,确定与该环境特征对应的目标颗粒物浓度预测子模型;将该目标气溶胶光学厚度和该目标数据作为该目标颗粒物浓度预测子模型的输入,得到该目标待测位置的颗粒物浓度。
需要说明的是,由于该目标数据既包括数值型数据,也包括文字描述型数据,在将该目标数据作为该颗粒物浓度预测模型的输入时,数值型数据可以直接作为该颗粒物浓度预测模型的输入,该文字型数据可以经过编码处理后作为该颗粒物浓度预测模型的输入。该环境特征可以是季节特征,光线特征,温度特征或者湿度特征中的任一种,为了保证预测结果的准确性,可以针对不同的环境特征调用不同的颗粒物浓度预测子模型。其中,该颗粒物浓度预测子模型为通过对应环境特征下的历史数据采用Cubist模型进行机器学习得到的该颗粒物浓度与该气溶胶光学厚度和目标环境影响因子之间的高精度回归关系。
示例地,该季节特征可以是春季特征,夏季特征,秋季特征或者冬季特征;该光线特征可以是上午,中午,下午,晚上等,该温度特征可以是不同的温度区间,例如,-20℃至-10℃,-10℃至0℃,0℃至5℃,5℃至15℃等;该湿度特征可以是不同的湿度区间,例如湿度为0至4%的条件下,湿度为10%至20%的条件下,或者湿度为25%至40%的条件下。在该环境特征为该季节特征时,该颗粒物浓度预测子模型可以是春季预测子模型,夏季预测子模型,秋季预测子模型或者冬季预测子模型;在该环境特征为该光线特征时,该颗粒物浓度预测子模型可以是上午预测子模型,中午预测子模型,下午预测子模型或者晚上预测子模型;在该环境特征为该温度特征时,该颗粒物浓度预测子模型可以是不同的温度区间对应的预测子模型,例如0℃至5℃的预测子模块。在该环境特征为该湿度特征时,该颗粒物浓度预测子模型可以是不同的湿度区间对应的预测子模型,例如湿度为10%至20%的条件下的预测子模块。
这样,能够同时融合地面空气质量监测数据、卫星遥感数据和目标环境影响因子数据来准确估计近地面颗粒物浓度的连续空间分布,能够根据待测区域的目标气溶胶光学厚度和目标环境影响因子的目标数据准确地目标待测位置的颗粒物浓度,从而能够为全面治理环境问题提供可靠的数据依据。
在上述步骤104中采用的颗粒物浓度预测模型是通过以下图2所示步骤训练得到的,图2是本公开一示例性实施例示出的一种颗粒物浓度预测模型的训练方法的流程图;参见图2,该颗粒物浓度预测模型的训练方法包括以下步骤:
步骤201,获取该目标区域内历史时刻上的样本位置处的颗粒物样本浓度。
其中,该样本位置为该目标区域内预设的颗粒物浓度传感器所在的位置,该颗粒物样本浓度为该颗粒物浓度传感器采集的该样本位置处对应的该颗粒物浓度。该颗粒物浓度传感器可以是任一能够采集到该颗粒物浓度的设备,本公开对此不作限定。
步骤202,获取历史时刻上该目标区域内的AOD样本遥感影像图,并获取该样本位置在该AOD样本遥感影像图中对应像元的样本气溶胶光学厚度。
其中,该样本气溶胶光学厚度为该颗粒物样本浓度对应的气溶胶光学厚度。
本公开一种可能的实施方式为,读取存储设备上预先存储的历史时刻内通过AOD数据产品获取的预设空间分辨率的AOD遥感影像图,该存储设备可以是AOD数据产品上的存储单元,也可以是预设AOD远程服务器上的存储装置,本公开对此不作限定。
步骤203,获取该颗粒物样本浓度对应的该目标环境影响因子的样本数据。
其中,该样本数据为历史时刻上的颗粒物样本浓度对应的目标环境影响因子的数据信息,该目标环境影响因子是从多个预设环境影响因子中筛选得到的对该颗粒物浓度影响权重较大的因子,该预设环境影响因子可以包括:工业企业数量,废气污染物排放空间分布,公路网空间分布状况,人口密度空间分布状况;降水量,降水量大于0.1mm的降水日数量,风速,相对湿度;地形坡度以及地表覆盖类型等等。
在本步骤中,该目标环境影响因子可以通过以下方式确定:获取该颗粒物样本浓度对应的多个预设环境影响因子的待确定数据;将该颗粒物样本浓度和该待确定数据作为预设地理探测器模型的输入,得到每个预设环境影响因子的权重值;将权重值大于或等于预设权重阈值的预设环境影响因子,作为该目标环境影响因子。
需要说明的是,该待确定数据是历史时刻上每个预设环境影响因子对应的数据信息,该待确定数据可以包括数值型数据和文字描述型数据。该地理探测器模型用于确定预设环境影响因子中的各个影响因子的权重值,该地理探测器模型为现有技术中成熟的模型,具体的模型介绍可以参考现有技术,此处不再赘述。
本步骤中的一种可能的实施方式可以是,将该样本位置所处的预设样本区域内的工业企业数量确定为该样本位置处的工业企业数量,将该样本位置所处的预设样本区域内的废气污染物排放空间分布确定为该样本位置处的废气污染物排放空间分布,将该样本位置所处的预设样本区域内的公路网空间分布状况确定为该样本位置处的公路网空间分布状况,将该样本位置所处的预设样本区域内的人口密度空间分布状况确定为该样本位置处的人口密度空间分布状况,而该降水量,降水量大于0.1mm的降水日数量,风速,以及相对湿度均为该样本位置处对应的点状数据,该地形坡度和地表覆盖类型也为该目标待测位置所处预设区域内对应的面状数据。
步骤204,将该颗粒物样本浓度、该样本气溶胶光学厚度以及样本数据作为一组模型训练数据。
步骤205,获取多组该模型训练数据,以形成模型训练数据集。
在本步骤的一种实施方式为,更新该样本位置和/或该历史时刻后,再次执行上述步骤201至204,以得到多组不同的该模型训练数据,从而形成模型训练数据集。
其中,该模型训练数据集可以包括多个子模型训练数据集。例如,模型训练数据集可以包括春季模型训练数据集,夏季模型训练数据集,秋季模型训练数据集,冬季训练数据集。
需要说明的是,按照获取到的数据对应的环境特征不同,可以将该模型训练数据集划分为不同的子模型训练数据集,其中,该环境特征可以是季节特征,光线特征,温度特征或者湿度特征中的任一种,该季节特征可以是春季特征,夏季特征,秋季特征或者冬季特征;该光线特征可以是上午,中午,下午,晚上等,该温度特征可以是不同的温度区间;该湿度特征可以是不同的湿度区间。在该环境特征为该季节特征时,该模型训练数据集可以包括春季模型训练数据集,夏季模型训练数据集,秋季模型训练数据集,冬季训练数据集;在该环境特征为该光线特征时,该模型训练数据集可以包括上午模型训练数据集,中午模型训练数据集,下午模型训练数据集或者晚上模型训练数据集;在该环境特征为该温度特征时,该模型训练数据集可以包括不同的温度区间对应的模型训练数据集,例如10℃至15℃的模型训练数据集。在该环境特征为该湿度特征时,该模型训练数据集可以包括不同的湿度区间对应的模型训练数据集,例如湿度为15%至20%的条件下的模型训练数据集。
步骤206,通过Cubist模型对该模型训练数据集进行机器学习,以得到该颗粒物浓度预测模型。
在本步骤中,对该模型训练数据集进行机器学习时,将该颗粒物样本浓度作为因变量,该目标环境影响因子的样本数据和该样本气溶胶光学厚度作为自变量,通过决策回归树模型(Cubist模型)生成该颗粒物浓度与该目标影响因子和该气溶胶光学厚度之间的高精度回归关系。
示例地,通过该决策回归树模型对该春季模型训练数据集中的数据进行机器学习,以生成颗粒物浓度与目标环境影响因子和该气溶胶光学厚度之间的春季预测子模型;通过该决策回归树模型对该夏季模型训练数据集中的数据进行机器学习,以生成颗粒物浓度与该目标环境影响因子和该气溶胶光学厚度之间的夏季预测子模型;通过该决策回归树模型对该秋季模型训练数据集中的数据进行机器学习,以生成颗粒物浓度与该目标环境影响因子和该气溶胶光学厚度之间的秋季预测子模型;通过该决策回归树模型对该冬季模型训练数据集中的数据进行机器学习,以生成颗粒物浓度与该目标环境影响因子和该气溶胶光学厚度之间的冬季预测子模型。
需要说明的是,Cubist模型经过机器学习后的输出结果为上百个回归规则,每个回归规则均由判断条件和回归模型组成,如下所示:
if:X1in range[α1],X2in range[α2],...Xnin range[αn]
Then:Y=a+a1×X1+a2×X2+…+an×Xn
其中,X1,X2...Xn为模型训练数据集中的自变量,Y模型训练数据集中的自变量,α1,α2...αn每个自变量的判断条件;a为回归模型常数项;a1,a2...an为回归系数。
这样,通过多个历史时刻上的多个样本位置处的多组模型训练数据形成模型训练数据集,通过Cubist模型对该模型训练数据集进行机器学习,从而得到反映该颗粒物浓度与该气溶胶光学厚度和目标环境影响因子之间的高精度回归关系的颗粒物浓度预测模型。
图3是本公开一示例性实施例示出的一种预测颗粒物浓度的装置的框图;参见图3,该装置包括:
第一获取模块301,用于获取目标区域内当前时刻的气溶胶光学厚度AOD遥感影像图;
第二获取模块302,用于从该AOD遥感影像图获取目标气溶胶光学厚度,其中,该目标气溶胶光学厚度为该目标区域内的目标待测位置在该AOD遥感影像图中对应像元的气溶胶光学厚度;
第三获取模块303,用于获取该目标待测位置处目标环境影响因子的目标数据;
确定模块304,用于将该目标气溶胶光学厚度和该目标数据作为预先训练的颗粒物浓度预测模型的输入,得到该目标待测位置处的颗粒物浓度。
这样,能够同时融合地面空气质量监测数据、卫星遥感数据和目标环境影响因子数据来准确估计近地面颗粒物浓度的连续空间分布,能够根据待测区域的目标气溶胶光学厚度和目标环境影响因子的目标数据准确地目标待测位置的颗粒物浓度,从而能够为全面治理环境问题提供可靠的数据依据。
可选地,该颗粒物浓度预测模型是通过以下方式训练得到的:
获取该目标区域内历史时刻上的样本位置处的颗粒物样本浓度;
获取历史时刻上该目标区域内的AOD样本遥感影像图,并获取该样本位置在该AOD样本遥感影像图中对应像元的样本气溶胶光学厚度;
获取该颗粒物样本浓度对应的该目标环境影响因子的样本数据;
将该颗粒物样本浓度、该样本气溶胶光学厚度以及样本数据作为一组模型训练数据;
获取多组该模型训练数据,以形成模型训练数据集;
通过Cubist模型对该模型训练数据集进行机器学习,以得到该颗粒物浓度预测模型。
可选地,该目标环境影响因子通过以下方式确定:
获取该颗粒物样本浓度对应的多个预设环境影响因子的待确定数据;
将该颗粒物样本浓度和该待确定数据作为预设地理探测器模型的输入,得到每个预设环境影响因子的权重值;
将权重值大于或等于预设权重阈值的预设环境影响因子,作为该目标环境影响因子。
可选地,该颗粒物浓度预测模型包括多个该颗粒物浓度预测子模型,不同的颗粒物浓度预测子模型对应不同的环境特征,该确定模块304包括:
第一确定子模块3041,用于确定该目标气溶胶光学厚度和该目标数据对应的环境特征;
第二确定子模块3042,用于从多个该颗粒物浓度预测子模型中,确定与该环境特征对应的目标颗粒物浓度预测子模型;
第三确定子模块3043,用于将该目标气溶胶光学厚度和该目标数据作为该目标颗粒物浓度预测子模型的输入,得到该目标待测位置处的颗粒物浓度。
这样,通过多个历史时刻上的多个样本位置处的多组模型训练数据形成模型训练数据集,通过Cubist模型对该模型训练数据集进行机器学习,从而得到反映该颗粒物浓度与该气溶胶光学厚度和目标环境影响因子之间的高精度回归关系的颗粒物浓度预测模型。
关于上述实施例中的装置,其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
图4是根据一示例性实施例示出的一种电子设备的框图。例如,电子设备400可以被提供为一服务器。参照图4,电子设备400包括处理器422,其数量可以为一个或多个,以及存储器432,用于存储可由处理器422执行的计算机程序。存储器432中存储的计算机程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外,处理器422可以被配置为执行该计算机程序,以执行上述的预测颗粒物浓度的方法。
另外,电子设备400还可以包括电源组件426和通信组件450,该电源组件426可以被配置为执行电子设备400的电源管理,该通信组件450可以被配置为实现电子设备400的通信,例如,有线或无线通信。此外,该电子设备400还可以包括输入/输出(I/O)接口458。电子设备400可以操作基于存储在存储器432的操作系统,例如Windows ServerTM,Mac OSXTM,UnixTM,LinuxTM等等。
在另一示例性实施例中,还提供了一种包括程序指令的计算机可读存储介质,该程序指令被处理器执行时实现上述的预测颗粒物浓度的方法的步骤。例如,该计算机可读存储介质可以为上述包括程序指令的存储器432,上述程序指令可由电子设备400的处理器422执行以完成上述的预测颗粒物浓度的方法。
在另一示例性实施例中,还提供一种计算机程序产品,该计算机程序产品包含能够由可编程的装置执行的计算机程序,该计算机程序具有当由该可编程的装置执行时用于执行上述的预测颗粒物浓度的方法的代码部分。
以上结合附图详细描述了本公开的优选实施方式,但是,本公开并不限于上述实施方式中的具体细节,在本公开的技术构思范围内,可以对本公开的技术方案进行多种简单变型,这些简单变型均属于本公开的保护范围。
另外需要说明的是,在上述具体实施方式中所描述的各个具体技术特征,在不矛盾的情况下,可以通过任何合适的方式进行组合,为了避免不必要的重复,本公开对各种可能的组合方式不再另行说明。
此外,本公开的各种不同的实施方式之间也可以进行任意组合,只要其不违背本公开的思想,其同样应当视为本公开所公开的内容。
Claims (8)
1.一种预测颗粒物浓度的方法,其特征在于,所述方法包括:
获取目标区域内当前时刻的气溶胶光学厚度AOD遥感影像图;
从所述AOD遥感影像图获取目标气溶胶光学厚度,其中,所述目标气溶胶光学厚度为所述目标区域内的目标待测位置在所述AOD遥感影像图中对应像元的气溶胶光学厚度;
获取所述目标待测位置处目标环境影响因子的目标数据,所述目标环境影响因子包括污染源排放类影响因子,气象类影响因子,以及地理类影响因子,其中,所述污染源排放类影响因子包括:工业企业数量,废气污染物排放空间分布,公路网空间分布状况以及人口密度空间分布状况中的至少一种,所述地理类影响因子包括:地形坡度和/或地表覆盖类型;
将所述目标气溶胶光学厚度和所述目标数据作为预先训练的颗粒物浓度预测模型的输入,得到所述目标待测位置处的颗粒物浓度;
所述颗粒物浓度预测模型包括多个颗粒物浓度预测子模型,不同的颗粒物浓度预测子模型对应不同的环境特征,所述将所述目标气溶胶光学厚度和所述目标数据作为预先训练的颗粒物浓度预测模型的输入,得到所述目标待测位置处的颗粒物浓度包括:
确定所述目标气溶胶光学厚度和所述目标数据对应的环境特征;
从多个所述颗粒物浓度预测子模型中,确定与所述环境特征对应的目标颗粒物浓度预测子模型;
将所述目标气溶胶光学厚度和所述目标数据作为所述目标颗粒物浓度预测子模型的输入,得到所述目标待测位置处的颗粒物浓度。
2.根据权利要求1所述的方法,其特征在于,所述颗粒物浓度预测模型是通过以下方式训练得到的:
获取所述目标区域内历史时刻上的样本位置处的颗粒物样本浓度;
获取历史时刻上所述目标区域内的AOD样本遥感影像图,并获取所述样本位置在所述AOD样本遥感影像图中对应像元的样本气溶胶光学厚度;
获取所述颗粒物样本浓度对应的所述目标环境影响因子的样本数据;
将所述颗粒物样本浓度、所述样本气溶胶光学厚度以及样本数据作为一组模型训练数据;
获取多组所述模型训练数据,以形成模型训练数据集;
通过Cubist模型对所述模型训练数据集进行机器学习,以得到所述颗粒物浓度预测模型。
3.根据权利要求2所述的方法,其特征在于,所述目标环境影响因子通过以下方式确定:
获取所述颗粒物样本浓度对应的多个预设环境影响因子的待确定数据;
将所述颗粒物样本浓度和所述待确定数据作为预设地理探测器模型的输入,得到每个预设环境影响因子的权重值;
将权重值大于或等于预设权重阈值的预设环境影响因子,作为所述目标环境影响因子。
4.一种预测颗粒物浓度的装置,其特征在于,所述装置包括:
第一获取模块,用于获取目标区域内当前时刻的气溶胶光学厚度AOD遥感影像图;
第二获取模块,用于从所述AOD遥感影像图获取目标气溶胶光学厚度,其中,所述目标气溶胶光学厚度为所述目标区域内的目标待测位置在所述AOD遥感影像图中对应像元的气溶胶光学厚度;
第三获取模块,用于获取所述目标待测位置处目标环境影响因子的目标数据,所述目标环境影响因子包括污染源排放类影响因子,气象类影响因子,以及地理类影响因子,其中,所述污染源排放类影响因子包括:工业企业数量,废气污染物排放空间分布,公路网空间分布状况以及人口密度空间分布状况中的至少一种,所述地理类影响因子包括:地形坡度和/或地表覆盖类型;
确定模块,用于将所述目标气溶胶光学厚度和所述目标数据作为预先训练的颗粒物浓度预测模型的输入,得到所述目标待测位置处的颗粒物浓度;
所述颗粒物浓度预测模型包括多个颗粒物浓度预测子模型,不同的颗粒物浓度预测子模型对应不同的环境特征,所述确定模块包括:
第一确定子模块,用于确定所述目标气溶胶光学厚度和所述目标数据对应的环境特征;
第二确定子模块,用于从多个所述颗粒物浓度预测子模型中,确定与所述环境特征对应的目标颗粒物浓度预测子模型;
第三确定子模块,用于将所述目标气溶胶光学厚度和所述目标数据作为所述目标颗粒物浓度预测子模型的输入,得到所述目标待测位置处的颗粒物浓度。
5.根据权利要求4所述的装置,其特征在于,所述颗粒物浓度预测模型是通过以下方式训练得到的:
获取所述目标区域内历史时刻上的样本位置处的颗粒物样本浓度;
获取历史时刻上所述目标区域内的AOD样本遥感影像图,并获取所述样本位置在所述AOD样本遥感影像图中对应像元的样本气溶胶光学厚度;
获取所述颗粒物样本浓度对应的所述目标环境影响因子的样本数据;
将所述颗粒物样本浓度、所述样本气溶胶光学厚度以及样本数据作为一组模型训练数据;
获取多组所述模型训练数据,以形成模型训练数据集;
通过Cubist模型对所述模型训练数据集进行机器学习,以得到所述颗粒物浓度预测模型。
6.根据权利要求5所述的装置,其特征在于,所述目标环境影响因子通过以下方式确定:
获取所述颗粒物样本浓度对应的多个预设环境影响因子的待确定数据;
将所述颗粒物样本浓度和所述待确定数据作为预设地理探测器模型的输入,得到每个预设环境影响因子的权重值;
将权重值大于或等于预设权重阈值的预设环境影响因子,作为所述目标环境影响因子。
7.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现权利要求1-3中任一项所述方法的步骤。
8.一种电子设备,其特征在于,包括:
存储器,其上存储有计算机程序;
处理器,用于执行所述存储器中的所述计算机程序,以实现权利要求1-3中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910882735.4A CN110738354B (zh) | 2019-09-18 | 2019-09-18 | 预测颗粒物浓度的方法、装置、存储介质及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910882735.4A CN110738354B (zh) | 2019-09-18 | 2019-09-18 | 预测颗粒物浓度的方法、装置、存储介质及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110738354A CN110738354A (zh) | 2020-01-31 |
CN110738354B true CN110738354B (zh) | 2021-02-05 |
Family
ID=69268300
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910882735.4A Active CN110738354B (zh) | 2019-09-18 | 2019-09-18 | 预测颗粒物浓度的方法、装置、存储介质及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110738354B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112836432A (zh) * | 2021-02-07 | 2021-05-25 | 浙江工业大学 | 基于迁移学习的室内颗粒悬浮物浓度预测方法 |
CN113418841B (zh) * | 2021-06-23 | 2023-01-31 | 四川省生态环境监测总站 | 一种空气质量颗粒物浓度预测数据的补全方法 |
CN113654959B (zh) * | 2021-07-29 | 2023-11-17 | 中国科学院合肥物质科学研究院 | 一种烟云浓度时空分布快速反演方法及系统 |
CN115293410A (zh) * | 2022-07-20 | 2022-11-04 | 中科三清科技有限公司 | 气温预测方法、装置、存储介质及电子设备 |
CN114994800B (zh) * | 2022-08-02 | 2022-11-08 | 南京航天宏图信息技术有限公司 | 一种大气细颗粒物的反演方法及装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105678085A (zh) * | 2016-01-12 | 2016-06-15 | 环境保护部卫星环境应用中心 | 一种pm2.5浓度的估算方法及系统 |
CN107133686A (zh) * | 2017-03-30 | 2017-09-05 | 大连理工大学 | 基于时空数据模型的城市级pm2.5浓度预测方法 |
CN108763756A (zh) * | 2018-05-28 | 2018-11-06 | 河南工业大学 | 一种气溶胶光学厚度与pm2.5反演订正方法及其系统 |
CN109543874A (zh) * | 2018-10-12 | 2019-03-29 | 南京航空航天大学 | 一种结合气象条件影响的机场空气质量预测方法 |
CN109978228A (zh) * | 2019-01-31 | 2019-07-05 | 中南大学 | 一种pm2.5浓度预测方法、装置及介质 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108491970B (zh) * | 2018-03-19 | 2021-09-10 | 东北大学 | 一种基于rbf神经网络的大气污染物浓度预测方法 |
CN109615082B (zh) * | 2018-11-26 | 2023-05-12 | 北京工业大学 | 一种基于堆叠选择性集成学习器的空气中细颗粒物pm2.5浓度的预测方法 |
-
2019
- 2019-09-18 CN CN201910882735.4A patent/CN110738354B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105678085A (zh) * | 2016-01-12 | 2016-06-15 | 环境保护部卫星环境应用中心 | 一种pm2.5浓度的估算方法及系统 |
CN107133686A (zh) * | 2017-03-30 | 2017-09-05 | 大连理工大学 | 基于时空数据模型的城市级pm2.5浓度预测方法 |
CN108763756A (zh) * | 2018-05-28 | 2018-11-06 | 河南工业大学 | 一种气溶胶光学厚度与pm2.5反演订正方法及其系统 |
CN109543874A (zh) * | 2018-10-12 | 2019-03-29 | 南京航空航天大学 | 一种结合气象条件影响的机场空气质量预测方法 |
CN109978228A (zh) * | 2019-01-31 | 2019-07-05 | 中南大学 | 一种pm2.5浓度预测方法、装置及介质 |
Non-Patent Citations (1)
Title |
---|
Evaluation of machine learning techniques with multiple remote sensing datasets in estimating monthly concentrations of ground-level PM2.5;Yongming Xu 等;《Environmental Pollution》;20180811;第1418页第3.1节至第1420页第3.2节、第1420-1421页第4.3节及图4 * |
Also Published As
Publication number | Publication date |
---|---|
CN110738354A (zh) | 2020-01-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110738354B (zh) | 预测颗粒物浓度的方法、装置、存储介质及电子设备 | |
CN108701274B (zh) | 一种城市小尺度空气质量指数预测方法与系统 | |
Elangasinghe et al. | Complex time series analysis of PM10 and PM2. 5 for a coastal site using artificial neural network modelling and k-means clustering | |
CN110598953A (zh) | 一种时空相关的空气质量预测方法 | |
Mathew et al. | Prediction of surface temperatures for the assessment of urban heat island effect over Ahmedabad city using linear time series model | |
CN110346517B (zh) | 一种智慧城市工业大气污染可视化预警方法及其系统 | |
CN112308292B (zh) | 一种火灾风险等级分布图的绘制方法 | |
JP7217754B2 (ja) | センサーの較正 | |
CN110428104A (zh) | 一种污染贡献率确定方法、装置、电子设备及存储介质 | |
Mirkatouli et al. | Analysis of land use and land cover spatial pattern based on Markov chains modelling | |
CN112991132B (zh) | Pm2.5和臭氧协同管控区域识别方法及装置 | |
CN105740991A (zh) | 基于改进bp神经网络拟合多种气候模式的气候变化预测方法及系统 | |
CN110426493B (zh) | 空气质量监测数据校准方法、装置、设备和存储介质 | |
Wang et al. | Estimating hourly PM2. 5 concentrations using MODIS 3 km AOD and an improved spatiotemporal model over Beijing-Tianjin-Hebei, China | |
CN110346518B (zh) | 一种交通排放污染可视化预警方法及其系统 | |
CN113642263B (zh) | 基于北斗网格的空气质量预警方法和装置 | |
CN111191673B (zh) | 一种地表温度降尺度方法及系统 | |
CN110727717A (zh) | 网格化大气污染强度的监控方法、装置、设备和存储介质 | |
CN112070056A (zh) | 一种基于面向对象和深度学习的敏感用地识别方法 | |
CN101893726A (zh) | 一种风沙灾害模拟装置及模拟方法 | |
CN116187095A (zh) | 一种道路交通扬尘环境影响评价方法及装置 | |
Dihkan et al. | Evaluation of urban heat island effect in Turkey | |
CN115185292A (zh) | 基于地空一体化的空气污染智能监测方法及平台 | |
CN113454452A (zh) | 用于校准气体传感器的方法 | |
CN114822709A (zh) | 大气污染多粒度精准成因分析方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |