CN111310386B - 一种近地面臭氧浓度估算方法 - Google Patents

一种近地面臭氧浓度估算方法 Download PDF

Info

Publication number
CN111310386B
CN111310386B CN202010090277.3A CN202010090277A CN111310386B CN 111310386 B CN111310386 B CN 111310386B CN 202010090277 A CN202010090277 A CN 202010090277A CN 111310386 B CN111310386 B CN 111310386B
Authority
CN
China
Prior art keywords
ozone concentration
data
model
ground
training
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
Application number
CN202010090277.3A
Other languages
English (en)
Other versions
CN111310386A (zh
Inventor
柴向停
夏石明
宗棕
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Zhongke Ruijing Technology Co ltd
Original Assignee
Beijing Zhongke Ruijing Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Zhongke Ruijing Technology Co ltd filed Critical Beijing Zhongke Ruijing Technology Co ltd
Priority to CN202010090277.3A priority Critical patent/CN111310386B/zh
Publication of CN111310386A publication Critical patent/CN111310386A/zh
Application granted granted Critical
Publication of CN111310386B publication Critical patent/CN111310386B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/0004—Gaseous mixtures, e.g. polluted air
    • G01N33/0009—General constructional details of gas analysers, e.g. portable test equipment
    • G01N33/0027—General constructional details of gas analysers, e.g. portable test equipment concerning the detector
    • G01N33/0036—General constructional details of gas analysers, e.g. portable test equipment concerning the detector specially adapted to detect a particular component
    • G01N33/0039—O3
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/0004—Gaseous mixtures, e.g. polluted air
    • G01N33/0009—General constructional details of gas analysers, e.g. portable test equipment
    • G01N33/0062—General constructional details of gas analysers, e.g. portable test equipment concerning the measuring method or the display, e.g. intermittent measurement or digital display
    • G01N33/0067—General constructional details of gas analysers, e.g. portable test equipment concerning the measuring method or the display, e.g. intermittent measurement or digital display by measuring the rate of variation of the concentration
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/0004—Gaseous mixtures, e.g. polluted air
    • G01N33/0009—General constructional details of gas analysers, e.g. portable test equipment
    • G01N33/0062—General constructional details of gas analysers, e.g. portable test equipment concerning the measuring method or the display, e.g. intermittent measurement or digital display
    • G01N33/0068—General constructional details of gas analysers, e.g. portable test equipment concerning the measuring method or the display, e.g. intermittent measurement or digital display using a computer specifically programmed
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Chemical & Material Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Medicinal Chemistry (AREA)
  • Food Science & Technology (AREA)
  • Combustion & Propulsion (AREA)
  • Physics & Mathematics (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供一种近地面臭氧浓度估算方法，解决现有方法估算精度差、未考虑位置信息的问题。所述方法包含：获取卫星数据、气象数据和近地面臭氧浓度数据，并在时间和空间上进行匹配处理，构建匹配数据集，所述卫星数据包含二氧化氮、一氧化碳、甲醛和火点数量，所述气象数据包含降水、温度、相对湿度、边界层高度、日照时长、地表气压、总云量、短波辐射和风速；利用所述匹配数据集、采用长短期记忆网络模型进行训练，得到最优长短期记忆网络模型和第一残差；利用所述第一残差、近地面臭氧浓度空间插值，采用胶囊模型进行训练，得到最优胶囊模型。本发明实现了近地面臭氧浓度的精准预测。

Description

一种近地面臭氧浓度估算方法
技术领域
本发明涉及卫星遥感领域，尤其涉及一种近地面臭氧浓度估算方法。
背景技术
臭氧(O3)是大气中痕量气体之一，大气中主要分布在平流层和对流层，平流层具有保护地球免受紫外线损害，对流层臭氧，特别是高浓度近地面臭氧会导致人类心血管疾病和呼吸道乱等，同时臭氧是一种温室气体，吸收辐射导致地球变暖，其次臭氧导致光化学烟雾等恶劣大气污染现象，威胁大众健康和公共财物损害等。现有的近地面臭氧浓度估算方法中，一方面，近地面臭氧监测站点稀疏，分布不均匀，且历史观测资料有限，无法满足应用需求；另一方面，大气模式数据受排放清单影响，不确定性较大，且分辨率较低，估算精度差，且未考虑分布站点的位置信息。
发明内容
本发明提供一种近地面臭氧浓度估算方法，解决现有方法估算精度差、未考虑位置信息的问题。
本发明指出一种近地面臭氧浓度估算方法，包含以下步骤：获取卫星数据、气象数据和近地面臭氧浓度数据，并在时间和空间上进行匹配处理，构建匹配数据集，所述匹配数据集包含匹配处理后的卫星数据、气象数据、近地面臭氧浓度空间插值和近地面臭氧浓度数据，所述卫星数据包含二氧化氮、一氧化碳、甲醛和火点数量，所述气象数据包含降水、温度、相对湿度、边界层高度、日照时长、地表气压、总云量、短波辐射和风速；利用所述匹配数据集、采用长短期记忆网络模型进行训练，得到最优长短期记忆网络模型和第一残差：所述匹配数据集中的近地面臭氧浓度数据为模型的输出参数和臭氧浓度真值，所述匹配数据集中的卫星数据和气象数据为模型的输入参数，模型训练过程输出的臭氧浓度第一估算值与所述臭氧浓度真值的差为时间残差，若所述时间残差小于第一阈值，则训练结束并确定该时间残差为所述第一残差、该模型为所述最优长短期记忆网络模型；利用所述第一残差、近地面臭氧浓度空间插值，采用胶囊模型进行训练，得到最优胶囊模型：所述第一残差、近地面臭氧浓度插值为输入参数，所述臭氧浓度真值为输出参数，训练过程中模型输出的臭氧浓度第二估算值与所述臭氧浓度真值的差为空间残差，若所述空间残差小于第二阈值，则训练结束并确定该模型为所述最优胶囊模型。
进一步地，所述构建匹配数据集的方法为：采用最邻近方法，按空间采样率设定值，对所述卫星数据中的二氧化氮、一氧化碳、甲醛和所述气象数据进行重采样；按所述空间采样率设定值，对所述近地面臭氧浓度数据进行插值，得到所述近地面臭氧浓度空间插值；在以所述近地面臭氧浓度数据的经纬度为中心、距离设定值为半径的范围内，计算栅格像元的平均值和所述卫星数据中的火点数量。
进一步地，所述方法还包含：计算所述最优长短期记忆网络模型的臭氧浓度估算精度。
进一步地，所述方法还包含：计算所述最优胶囊模型的臭氧浓度估算精度。
优选地，所述二氧化氮和甲醛的来源为OMI传感器产品，所述一氧化碳的来源为MOPITT传感器产品，所述火点数量的来源为MODIS传感器提供的MCD14ML，所述气象数据的来源为欧洲中期天气预报中心，所述近地面臭氧浓度数据的来源为国家环境监测总站发布的实测数据。
优选地，所述第一阈值为0.002。
优选地，所述空间采样率设定值为0.125°。
优选地，所述距离设定值为30km。
进一步地，所述方法还包含：从所述匹配数据集中随机选取设定比例的数据作为训练样本，剩余数据作为验证样本，用所述训练样本进行模型训练，所述验证样本进行模型精度验证。
进一步地，所述方法还包含：多次选取获得多个所述训练样本，且所有所述训练样本的集合完全覆盖所述匹配数据集。
本发明有益效果包括：本发明利用卫星遥感数据估算近地面臭氧浓度，通过将具有时间序列特点的长短期记忆网络(Long Short Term Memory，LSTM)模型和体现空间位置特征的胶囊(CapsNet)模型结合，在时间和空间上均反映近地面臭氧浓度，提高了近地面臭氧估算精度，可为相关环保部门提供支撑服务。
附图说明
此处所说明的附图用来提供对本发明的进一步理解，构成本发明的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1为一种近地面臭氧浓度估算方法流程实施例；
图2为一种包含精度验证的近地面臭氧浓度估算方法流程实施例；
图3为一种包含训练样本选取的近地面臭氧浓度估算方法流程实施例。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明具体实施例及相应的附图对本发明技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明创新点如下：第一，本发明在估算近地面臭氧浓度时创新性地首次将LSTM模型和胶囊网络模型相结合，将具有时间序列优势的长短记忆网络(LSTM)和位置信息的胶囊模型结合，提高了近地面臭氧浓度估算精度；第二，在胶囊网络中，将近地面插值的空间结果作为输入项，进一步利用近地面数据结果弥补了单纯空间插值导致的不均匀性和空间差异性，提高近地面臭氧估算精度。
以下结合附图，详细说明本发明各实施例提供的技术方案。
图1为一种近地面臭氧浓度估算方法流程实施例，结合历史数据构建网络模型进行训练，从而获得高精度的近地面臭氧浓度估算结果，作为本发明实施例，一种近地面臭氧浓度估算方法，包含以下步骤：
步骤101，获取卫星数据、气象数据和近地面臭氧浓度数据，并在时间和空间上进行匹配处理，构建匹配数据集。
在步骤101中，所述匹配数据集包含匹配处理后的卫星数据、气象数据、近地面臭氧浓度空间插值和近地面臭氧浓度数据，所述卫星数据包含二氧化氮、一氧化碳、甲醛和火点数量，所述气象数据包含降水、温度、相对湿度、边界层高度、日照时长、地表气压、总云量、短波辐射和风速。
在步骤101中，涉及近地面估算的前体物主要有NOX，CO(一氧化碳)，VOCs(挥发性有机物，Volatile Organic Compounds)，本方案将NO2、CO和甲醛(HCHO)作为估算臭氧的卫星数据源。
NO2和HCHO来源Aura/OMI(Ozone Monitoring Instrument)传感器产品，获取网站：http://www.temis.nl/airpollution/no2.html，空间分辨率为0.125°×0.125°；CO来源Terra/MOPITT(Measurements of Pollution in the Troposphere)传感器产品，获取网站：ftp://l5eil01.larc.nasa.gov/MOPITT/MOP03TM.006，空间分辨率为1°×1°；同时获取火点产品，来源MODIS传感器提供的MCD14ML；气象因素也影响臭氧的趋势分布，气象数据：降水、温度、相对湿度、边界层高度、日照时长、地表气压、总云量、短波辐射、风速来源欧洲中期天气预报中心ECMWF(European Centre for Medium-Range Weather Forecasts)，空间分辨率为0.125°×0.125°；近地面臭氧浓度数据通过O3(臭氧)地面站点获取，来源国家环境监测总站发布实测数据。
需要说明的是，所述卫星数据、气象数据、近地面臭氧浓度数据还可以来源于其他传感器或通过其他途径获取，这里不做特别限定。
在步骤101中，在时间和空间上进行匹配处理，构建匹配数据集，在空间上进行匹配处理具体为：
步骤101A，采用最邻近方法，按空间采样率设定值，对所述卫星数据中的二氧化氮、一氧化碳、甲醛和所述气象数据进行重采样。
在步骤101A中，所述卫星数据中的二氧化氮、一氧化碳、甲醛和所述气象数据为栅格数据。
例如，空间采样率设定值为0.125°，NO2和HCHO的空间分辨率为0.125°×0.125°，CO的空间分辨率为1°×1°，气象数据的空间分辨率为0.125°×0.125°，因此需要将CO进行重采样。
需要说明的是，所述空间采样率设定值可以是本发明实施例中的0.125°，也可以是其他数值，与所述卫星数据和气象数据的原始空间分辨率有关，这里不做特别限定。
还需说明的是，除最邻近方法外，还可采用其他方法进行重采样，这里不做特别限定。
步骤101B，按所述空间采样率设定值，对所述近地面臭氧浓度数据进行插值，得到所述近地面臭氧浓度空间插值。
在本发明实施例中，假设所述近地面臭氧浓度数据的原始空间分辨率为1°×1°，所述空间采样率设定值为0.125°，因此需要对所述近地面臭氧浓度数据进行空间差值，得到空间分辨率为0.125°×0.125°的所述近地面臭氧浓度空间插值。对所述近地面臭氧浓度数据进行空间差值，可以将位置信息融入到臭氧浓度估算模型中，提高估算精度。
步骤101C，在以所述近地面臭氧浓度数据的经纬度为中心、距离设定值为半径的范围内，计算栅格像元的平均值和所述卫星数据中的火点数量。
在步骤101C中，需要说明的是，进行数据匹配的火点数量为计算范围内的火点数量，即以所述近地面臭氧浓度数据的经纬度为中心、距离设定值为半径的范围内的火点数量。
在步骤101C中，近地面臭氧浓度数据和火点数量为具有经纬度信息的点数据，借助IDL开源代码，以近地面臭氧站点经纬度为中心，半径为30*30km范围内栅格像元的平均值，火点数量匹配到该点近地面臭氧数据，构成一条记录，故根据不同站点、不同时间匹配得到相应数据集。
需要说明的是，所述距离设定值可以是本发明实施例中的30km，也可以是其他数值，这里不做具体限定。
在步骤101中，在空间上进行数据匹配，即是将空间上以所述近地面臭氧浓度数据的经纬度为中心、距离设定值为半径的范围内的数据对应到一个数据集中，在该范围内的栅格像元取平均值，火点数量计算总和，栅格像元包括二氧化氮、一氧化碳、甲醛和所述气象数据。
在步骤101中，在时间上进行匹配处理具体为：将所述卫星数据、气象数据、近地面臭氧浓度数据按照时间顺序进行排列，在同一个时间范围内的数据认为是匹配的数据，例如，一天的数据、一个月的数据或者一天中某一段时间、一月中某一段时间的数据，这里不做特别限定。
需要说明的是，本发明实施例选取的时间匹配尺度是日尺度，即所述卫星数据、气象数据、近地面臭氧浓度数据如果是同一日期的数据，则认为这些数据实现了时间匹配。
步骤102，利用所述匹配数据集、采用长短期记忆网络模型进行训练，得到最优长短期记忆网络模型和第一残差。
在步骤102中，所述匹配数据集中的近地面臭氧浓度数据为模型的输出参数和臭氧浓度真值，所述匹配数据集中的卫星数据和气象数据为模型的输入参数，模型训练过程输出的臭氧浓度第一估算值与所述臭氧浓度真值的差为时间残差，若所述时间残差小于第一阈值，则训练结束并确定该时间残差为所述第一残差、该模型为所述最优长短期记忆网络模型。
LSTM是递归神经网络的一种，优点在于它的隐含层是能够跨越时间点的自连接隐含层，隐含层的输出不仅进入输出端，还进入了下一个时间步骤的隐含层，所以它能够持续保留信息，能够根据之前状态推出后面的状态。
在步骤102中，采用LSTM模型，利用所述匹配数据集中的数据进行模型训练，在训练过程中，设定第一阈值，当模型输出的残差满足小于所述第一阈值这一条件时，停止训练，即可得到所述最优长短期记忆网络模型，否则，持续训练直到满足上述条件。
具体地，先输入参数到模型中，然后求取模型预测结果与地面监测值(近地面臭氧浓度真值)之间的残差，并反向传递给模型进行调参，最终获得最优结果。
需要说明的是，所述第一阈值一般为0.002，也可以是其他数值，这里不做特别限定。
步骤103，利用所述第一残差、近地面臭氧浓度空间插值，采用胶囊模型进行训练，得到最优胶囊模型。
在步骤103中，所述第一残差、近地面臭氧浓度插值为输入参数，所述臭氧浓度真值为输出参数，训练过程中模型输出的臭氧浓度第二估算值与所述臭氧浓度真值的差为空间残差，若所述空间残差小于第二阈值，则训练结束并确定该模型为所述最优胶囊模型。
胶囊网络为每个神经元包含了图像中的出现的特定实体的各种属性，即不同类型的实例化参数，例如位置、大小、纹理等，因其具有体现实体位置(空间)的优势，将其运用到颗粒物估算当中，将LSTM在时间序列优势和胶囊网络空间优势结合，目的提高估算精度。
在步骤103中，所述第二阈值为0.002，需要说明的是，所述第二阈值也可以是其他数值，这里不做特别限定。
需要说明的是，所述第一阈值、第二阈值取值越小得到的模型精度越高，即对臭氧浓度估算越准确，但所述第一阈值、第二阈值越小，带来模型计算的运算量越大。
在步骤103中，将近地面臭氧浓度插值作为输出参数的目的是充分考虑地理位置限定因素，从而提高近地面臭氧浓度的估算精度。
在步骤103中，对所述胶囊模型的参数不断进行迭代，直到满足空间残差小于第二阈值，训练结束，从而得到所述最优胶囊模型。
本发明实施例将LSTM模型与胶囊模型级联使用，基于长短记忆网络模型在时间序列上优势，同时利用胶囊网络反映空间位置信息的模型结合，提高近地面臭氧的浓度。
图2为一种包含精度验证的近地面臭氧浓度估算方法流程实施例，对近地面臭氧浓度进一步计算估算精度，作为本发明实施例，一种近地面臭氧浓度估算方法，具体包含以下步骤：
步骤101，获取卫星数据、气象数据和近地面臭氧浓度数据，并在时间和空间上进行匹配处理，构建匹配数据集。
步骤102，利用所述匹配数据集、采用长短期记忆网络模型进行训练，得到最优长短期记忆网络模型和第一残差。
步骤103，利用所述第一残差、近地面臭氧浓度空间插值，采用胶囊模型进行训练，得到最优胶囊模型。
需要说明的是，步骤101～步骤103已在第一实施例中详细论述，这里不展开说明。
步骤104，计算所述最优长短期记忆网络模型的臭氧浓度估算精度。
在步骤104中，对所述近地面臭氧浓度真值与所述最优长短期记忆网络模型输出的臭氧浓度预测值进行比较，确定所述最优长短期记忆网络模型的臭氧浓度估算精度。
步骤105，计算所述最优胶囊模型的臭氧浓度估算精度。
在步骤105中，对所述近地面臭氧浓度真值与所述最优胶囊模型输出的臭氧浓度预测值进行比较，确定所述最优胶囊模型的臭氧浓度估算精度。
需要说明的是，可以通过对模型精度的估算，说明将胶囊模型与LSTM模型级联可以进一步提高臭氧浓度的估算精度。
在步骤104、步骤105中，对模型估算精度的方法主要有线性对比法，如计算预测值与真值的差、均方根误差、相关系数等
本发明针对匹配数据集首先利用长短记忆网络(LSTM)进行训练，并对训练结果进行精度评价，进而对估算误差采用胶囊网络(CapsNet)模型进行训练，获取最后估算近地面臭氧浓度结果。
图3为一种包含训练样本选取的近地面臭氧浓度估算方法流程实施例，对所述匹配数据集中的数据进行训练样本选取，具体地，一种近地面臭氧浓度估算方法，包含以下步骤：
步骤201，获取卫星数据、气象数据和近地面臭氧浓度数据，并在时间和空间上进行匹配处理，构建匹配数据集。
步骤201与步骤101相同，这里不重复论述。
步骤202，从所述匹配数据集中随机选取设定比例的数据作为训练样本，剩余数据作为验证样本，用所述训练样本进行模型训练，所述验证样本进行模型精度估算。
在步骤202中，从所述匹配数据集中随机选取作为训练样本的数据，用于LSTM模型和胶囊模型的模型训练。
例如，假设所述设定比例为80％，即从所述匹配数据集中随机选取80％的数据作为LSTM模型和胶囊模型的训练样本，剩余20％作为验证样本，用于所述LSTM模型和胶囊模型的精度估算。
需要说明的是，所述设定比例可以是80％，也可以其他数值，这里不做特别限定。
在步骤202中，进一步地，所述方法还包含：多次选取获得多个所述训练样本，且所有所述训练样本的集合完全覆盖所述匹配数据集，即可以只选取一次得到一个训练样本，还可以多次选取获得多个训练样本。
具体地，所述设定比例为80％，可以将所述匹配数据集随机均分为10份，每次选取其中的8份作为所述训练样本、剩余2份作为所述验证样本，选取10次，但要满足所述训练样本的数据集合能够完全覆盖所述匹配数据集。
例如，第1次选取第1～8份作为所述训练样本，第2次选取第2～9份作为训练样本，……，这样经过十次选取，使得训练样本能够覆盖所述匹配数据集中的所有数据。
需要说明的是，选取方法可以是上述提到的方法，还可以是其他方法，这里不做特别限定。
还需说明的是，选取次数可以是使得覆盖所述匹配数据集的最小次数，也可以是大于该最小次数的任意次数，这里也不做特别限定。
步骤203，利用所述训练样本、采用长短期记忆网络模型进行训练，得到最优长短期记忆网络模型和第一残差。
在步骤203中，对所述LSTM模型进行训练的数据为步骤202中选取的所述训练样本。
步骤203中的具体训练方法在第1实施例中进行了阐述，这里不重复说明。
步骤204，利用所述第一残差、近地面臭氧浓度空间插值，采用胶囊模型进行训练，得到最优胶囊模型。
在步骤204中，对胶囊模型进行训练的数据为步骤202中选取的训练样本和步骤203中计算得到的第一残差。
步骤204中的具体训练方法在第1实施例中进行了阐述，这里不重复说明。
步骤205，分别计算所述最优长短期记忆网络模型、最优胶囊模型的臭氧浓度估算精度。
步骤205在第2实施例进行了具体说明在，这里不重复论述。
本发明实施例在进行近地面臭氧浓度估算时，对模型的训练样本进行了随机选取，使得可以在已有数据的基础上对模型进行多次训练，进一步提高了模型的精度。
需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
以上所述仅为本发明的实施例而已，并不用于限制本发明。对于本领域技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本发明的权利要求范围之内。

Claims (10)

1.一种近地面臭氧浓度估算方法，其特征在于，包含以下步骤：
获取卫星数据、气象数据和近地面臭氧浓度数据，并在时间和空间上进行匹配处理，构建匹配数据集，所述匹配数据集包含匹配处理后的卫星数据、气象数据、近地面臭氧浓度空间插值和近地面臭氧浓度数据，所述卫星数据包含二氧化氮、一氧化碳、甲醛和火点数量，所述气象数据包含降水、温度、相对湿度、边界层高度、日照时长、地表气压、总云量、短波辐射和风速；
利用所述匹配数据集、采用长短期记忆网络模型进行训练，得到最优长短期记忆网络模型和第一残差：所述匹配数据集中的近地面臭氧浓度数据为模型的输出参数和臭氧浓度真值，所述匹配数据集中的卫星数据和气象数据为模型的输入参数，模型训练过程输出的臭氧浓度第一估算值与所述臭氧浓度真值的差为时间残差，若所述时间残差小于第一阈值，则训练结束并确定该时间残差为所述第一残差、该模型为所述最优长短期记忆网络模型；
利用所述第一残差、近地面臭氧浓度空间插值，采用胶囊模型进行训练，得到最优胶囊模型：所述第一残差、近地面臭氧浓度插值为输入参数，所述臭氧浓度真值为输出参数，训练过程中模型输出的臭氧浓度第二估算值与所述臭氧浓度真值的差为空间残差，若所述空间残差小于第二阈值，则训练结束并确定该模型为所述最优胶囊模型。
2.如权利要求1所述的近地面臭氧浓度估算方法，其特征在于，所述构建匹配数据集的方法为：
采用最邻近方法，按空间采样率设定值，对所述卫星数据中的二氧化氮、一氧化碳、甲醛和所述气象数据进行重采样；
按所述空间采样率设定值，对所述近地面臭氧浓度数据进行插值，得到所述近地面臭氧浓度空间插值；
在以所述近地面臭氧浓度数据的经纬度为中心、距离设定值为半径的范围内，计算栅格像元的平均值和所述卫星数据中的火点数量。
3.如权利要求1所述的近地面臭氧浓度估算方法，其特征在于，所述方法还包含：
计算所述最优长短期记忆网络模型的臭氧浓度估算精度。
4.如权利要求1所述的近地面臭氧浓度估算方法，其特征在于，所述方法还包含：
计算所述最优胶囊模型的臭氧浓度估算精度。
5.如权利要求1所述的近地面臭氧浓度估算方法，其特征在于，所述二氧化氮和甲醛的来源为OMI传感器产品，所述一氧化碳的来源为MOPITT传感器产品，所述火点数量的来源为MODIS传感器提供的MCD14ML，所述气象数据的来源为欧洲中期天气预报中心，所述近地面臭氧浓度数据的来源为国家环境监测总站发布的实测数据。
6.如权利要求1所述的近地面臭氧浓度估算方法，其特征在于，所述第一阈值、第二阈值均为0.002。
7.如权利要求2所述的近地面臭氧浓度估算方法，其特征在于，所述空间采样率设定值为0.125°。
8.如权利要求2所述的近地面臭氧浓度估算方法，其特征在于，所述距离设定值为30km。
9.如权利要求3或4任一项所述的近地面臭氧浓度估算方法，其特征在于，所述方法还包含：
从所述匹配数据集中随机选取设定比例的数据作为训练样本，剩余数据作为验证样本，用所述训练样本进行模型训练，所述验证样本进行模型精度验证。
10.如权利要求9所述的近地面臭氧浓度估算方法，其特征在于，所述方法还包含：
多次选取获得多个所述训练样本，且所有所述训练样本的集合完全覆盖所述匹配数据集。
CN202010090277.3A 2020-02-13 2020-02-13 一种近地面臭氧浓度估算方法 Active CN111310386B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010090277.3A CN111310386B (zh) 2020-02-13 2020-02-13 一种近地面臭氧浓度估算方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010090277.3A CN111310386B (zh) 2020-02-13 2020-02-13 一种近地面臭氧浓度估算方法

Publications (2)

Publication Number Publication Date
CN111310386A CN111310386A (zh) 2020-06-19
CN111310386B true CN111310386B (zh) 2023-04-21

Family

ID=71147036

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010090277.3A Active CN111310386B (zh) 2020-02-13 2020-02-13 一种近地面臭氧浓度估算方法

Country Status (1)

Country Link
CN (1) CN111310386B (zh)

Families Citing this family (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112052627A (zh) * 2020-08-21 2020-12-08 海南星瞰信息咨询中心(有限合伙) 近地面臭氧空间分布的估算方法、装置、介质及设备
CN112163375B (zh) * 2020-09-28 2024-05-10 中国科学院空天信息创新研究院 一种基于神经网络的长时间序列近地面臭氧反演方法
CN112712220B (zh) * 2021-03-26 2021-06-22 北京英视睿达科技有限公司 地面臭氧浓度的预估方法、装置及计算机设备
CN113189014B (zh) * 2021-04-14 2023-05-02 西安交通大学 一种融合卫星遥感和地面监测数据的臭氧浓度估算方法
CN113514606B (zh) * 2021-04-25 2022-04-22 中科三清科技有限公司 利用臭氧潜势指数预报臭氧浓度的方法及装置
CN113376324B (zh) * 2021-06-09 2022-06-28 安徽大学 一种空间大气臭氧短临预警系统
CN115169646A (zh) * 2022-06-13 2022-10-11 中南大学 利用葵花八号卫星数据的小时级地表臭氧浓度遥感方法
CN117031582B (zh) * 2023-06-27 2024-06-28 华南理工大学 递归时空学习及模拟监测融合的臭氧小时浓度预报方法
CN117216480B (zh) * 2023-09-18 2024-06-28 宁波大学 一种深度耦合地理时空信息的近地表臭氧遥感估算方法
CN117236528B (zh) * 2023-11-15 2024-01-23 成都信息工程大学 一种基于组合模型和因子筛选的臭氧浓度预报方法及系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2001182346A (ja) * 1999-12-28 2001-07-06 Daikin Ind Ltd 睡眠カプセル
CN108108836A (zh) * 2017-12-15 2018-06-01 清华大学 一种基于时空深度学习的臭氧浓度分布预测方法和系统
CN109410575A (zh) * 2018-10-29 2019-03-01 北京航空航天大学 一种基于胶囊网络和嵌套式长短时记忆神经网络的路网状态预测方法
CN109871637A (zh) * 2019-03-06 2019-06-11 成都信息工程大学 一种云天条件下近地面气温估算方法
CN110333556A (zh) * 2019-06-03 2019-10-15 深圳中兴网信科技有限公司 空气质量预测方法、装置、计算机设备及可读存储介质
CN110782093A (zh) * 2019-10-26 2020-02-11 福州大学 一种融合ssae深度特征学习和lstm网络的pm2.5小时浓度预测方法及系统

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2001182346A (ja) * 1999-12-28 2001-07-06 Daikin Ind Ltd 睡眠カプセル
CN108108836A (zh) * 2017-12-15 2018-06-01 清华大学 一种基于时空深度学习的臭氧浓度分布预测方法和系统
CN109410575A (zh) * 2018-10-29 2019-03-01 北京航空航天大学 一种基于胶囊网络和嵌套式长短时记忆神经网络的路网状态预测方法
CN109871637A (zh) * 2019-03-06 2019-06-11 成都信息工程大学 一种云天条件下近地面气温估算方法
CN110333556A (zh) * 2019-06-03 2019-10-15 深圳中兴网信科技有限公司 空气质量预测方法、装置、计算机设备及可读存储介质
CN110782093A (zh) * 2019-10-26 2020-02-11 福州大学 一种融合ssae深度特征学习和lstm网络的pm2.5小时浓度预测方法及系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Hendrik Tampubolon等.Optimized CapsNet for Traffic Jam Speed Prediction Using Mobile Sensor Data under Urban Swarming Transportation.《sensors》.2019,第19卷(第23期),全文. *
丁愫 ; 陈报章 ; 王瑾 ; 陈龙 ; 张晨雷 ; 孙少波 ; 黄丛吾 ; .基于决策树的统计预报模型在臭氧浓度时空分布预测中的应用研究.环境科学学报.2018,(08),全文. *
万永权 ; 徐方勤 ; 燕彩蓉 ; 苏厚勤 ; .融合气象参数及污染物浓度的空气质量预测方法.计算机应用与软件.2018,(08),全文. *

Also Published As

Publication number Publication date
CN111310386A (zh) 2020-06-19

Similar Documents

Publication Publication Date Title
CN111310386B (zh) 一种近地面臭氧浓度估算方法
Buchard et al. Evaluation of the surface PM2. 5 in Version 1 of the NASA MERRA Aerosol Reanalysis over the United States
Kumar et al. Simulations over South Asia using the Weather Research and Forecasting model with Chemistry (WRF-Chem): set-up and meteorological evaluation
Zhou et al. Changes in OMI tropospheric NO2 columns over Europe from 2004 to 2009 and the influence of meteorological variability
Manzano et al. A single method to estimate the daily global solar radiation from monthly data
Rodrigues et al. Spatial and temporal assessment of the extreme and daily precipitation of the Tropical Rainfall Measuring Mission satellite in Northeast Brazil
CN112884079A (zh) 一种基于Stacking集成模型的近地面二氧化氮浓度估算方法
Napelenok et al. A method for evaluating spatially-resolved NO x emissions using Kalman filter inversion, direct sensitivities, and space-based NO 2 observations
Grgurić et al. Relationship between MODIS based aerosol optical depth and PM10 over Croatia
CN113344149B (zh) 一种基于神经网络的pm2.5逐小时预测方法
Michou et al. Measured and modeled dry deposition velocities over the ESCOMPTE area
Fovell et al. Boundary layer and surface verification of the High-Resolution Rapid Refresh, version 3
Famiglietti et al. Global validation of MODIS near‐surface air and dew point temperatures
Prather et al. How well can global chemistry models calculate the reactivity of short-lived greenhouse gases in the remote troposphere, knowing the chemical composition
Cobourn et al. An enhanced ozone forecasting model using air mass trajectory analysis
Metia et al. Urban air pollution estimation using unscented Kalman filtered inverse modeling with scaled monitoring data
Pérez-Jordán et al. Forecasting the precipitable water vapour content: validation for astronomical observatories using radiosoundings
Khesali et al. A method in near-surface estimation of air temperature (NEAT) in times following the satellite passing time using MODIS images
Marchand et al. Performance of CAMS Radiation Service and HelioClim-3 databases of solar radiation at surface: evaluating the spatial variation in Germany
Callewaert et al. Analysis of CO 2, CH 4, and CO surface and column concentrations observed at Réunion Island by assessing WRF-Chem simulations
Thilakan et al. Towards monitoring CO 2 source-sink distribution over India via inverse modelling: Quantifying the fine-scale spatiotemporal variability of atmospheric CO 2 mole fraction
Wati et al. Statistics of the performance of gridded precipitation datasets in Indonesia
El Aabaribaoune et al. Estimation of the error covariance matrix for IASI radiances and its impact on the assimilation of ozone in a chemistry transport model
Guenni et al. Spatial interpolation of the parameters of a rainfall model from ground-based data
Harpham et al. A Bayesian method for improving probabilistic wave forecasts by weighting ensemble members

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
CB02 Change of applicant information

Address after: 2nd floor, 15 building, community supporting commercial building, maker Town, Wenquan Town, Haidian District, Beijing 100095

Applicant after: BEIJING ZHONGKE RUIJING TECHNOLOGY Co.,Ltd.

Address before: Room 1108, 11th floor, Haitai Building, 229 North Fourth Ring Road, Haidian District, Beijing

Applicant before: BEIJING ZHONGKE RUIJING TECHNOLOGY Co.,Ltd.

CB02 Change of applicant information
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant