CN111398109A - 大气能见度测量方法、传感器模组、系统和存储介质 - Google Patents

大气能见度测量方法、传感器模组、系统和存储介质 Download PDF

Info

Publication number
CN111398109A
CN111398109A CN202010161037.8A CN202010161037A CN111398109A CN 111398109 A CN111398109 A CN 111398109A CN 202010161037 A CN202010161037 A CN 202010161037A CN 111398109 A CN111398109 A CN 111398109A
Authority
CN
China
Prior art keywords
atmosphere
data
visibility
measurement data
classification model
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.)
Pending
Application number
CN202010161037.8A
Other languages
English (en)
Inventor
周康明
吴昊
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.)
Shanghai Eye Control Technology Co Ltd
Original Assignee
Shanghai Eye Control 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 Shanghai Eye Control Technology Co Ltd filed Critical Shanghai Eye Control Technology Co Ltd
Priority to CN202010161037.8A priority Critical patent/CN111398109A/zh
Publication of CN111398109A publication Critical patent/CN111398109A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • 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
    • G01N33/0031—General constructional details of gas analysers, e.g. portable test equipment concerning the detector comprising two or more sensors, e.g. a sensor array
    • 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
    • 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
    • G01—MEASURING; TESTING
    • G01W—METEOROLOGY
    • G01W1/00—Meteorology
    • G01W1/02—Instruments for indicating weather conditions by measuring two or more variables, e.g. humidity, pressure, temperature, cloud cover or wind speed

Landscapes

  • Chemical & Material Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Pathology (AREA)
  • Immunology (AREA)
  • Physics & Mathematics (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Food Science & Technology (AREA)
  • Medicinal Chemistry (AREA)
  • Combustion & Propulsion (AREA)
  • Environmental & Geological Engineering (AREA)
  • Atmospheric Sciences (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Ecology (AREA)
  • Environmental Sciences (AREA)
  • Dispersion Chemistry (AREA)
  • Investigating Or Analyzing Materials By The Use Of Electric Means (AREA)

Abstract

本申请涉及一种大气能见度测量方法、传感器模组、系统和存储介质。所述方法应用于能见度测量系统，所述能见度测量系统包括传感器模组和计算机设备；所述方法包括：通过所述传感器模组，获取大气的相关测量数据并传输给所述计算机设备；所述相关测量数据包括大气中气溶胶的质量浓度数据和大气的湿度数据；所述计算机设备将所述相关测量数据输入至预设的分类模型中，确定所述相关测量数据对应的大气的能见度级别；所述分类模型是基于大气样本数据集进行训练得到的，所述大气样本数据集包括大气训练数据以及所述大气训练数据对应的标注能见度级别。采用本方法能够降低大气能见度测量时的硬件成本。

Description

大气能见度测量方法、传感器模组、系统和存储介质
技术领域
本申请涉及计算机技术领域，特别是涉及一种大气能见度测量方法、传感器模组、系统和存储介质。
背景技术
能见度一般指的是大气能见度，是气象观测中的一个重要观测参数，主要指的是在人在观测目标物体时，能从背景上分辨出目标物轮廓的最大距离。在实际生活当中，能见度与人们交通出行等有重大的关系，能见度的大小直接决定了出行的安全与否，因此对能见度的测量就显得尤为重要。
相关技术中在对能见度进行测量时，一般是通过在测量点放置大型能见度测量仪，并通过该能见度测量仪来对大气的能见度进行测量，能见度测量仪在测量时能见度时，通过测量大气中气溶胶的散射信号，并通过散射信号和相关物理公式反推出大气能见度。
然而使用上述能见度测量仪测量大气能见度，存在硬件成本大的问题。
发明内容
基于此，有必要针对上述技术问题，提供一种能够降低硬件成本的大气能见度测量方法、传感器模组、系统和存储介质。
一种大气能见度测量方法，该方法应用于能见度测量系统，该能见度测量系统包括传感器模组和计算机设备；该方法包括：
通过传感器模组，获取大气的相关测量数据并传输给计算机设备；该相关测量数据包括大气中气溶胶的质量浓度数据和大气的湿度数据；
计算机设备将相关测量数据输入至预设的分类模型中，确定相关测量数据对应的大气的能见度级别；该分类模型是基于大气样本数据集进行训练得到的，大气样本数据集包括大气训练数据以及大气训练数据对应的标注能见度级别。
在其中一个实施例中，在上述将相关测量数据输入至预设的分类模型中，确定相关测量数据对应的大气的能见度级别之前，上述方法还包括：
根据拉依达准则对相关测量数据进行去噪处理，得到去噪后的相关测量数据；
相应地，上述将相关测量数据输入至预设的分类模型中，确定相关测量数据对应的大气的能见度级别，包括：
将去噪后的相关测量数据输入至预设的分类模型中，确定大气的能见度级别。
在其中一个实施例中，上述分类模型的训练方法包括：
将各大气训练数据输入初始分类模型，得到大气训练数据对应的预测能见度级别；
根据预测能见度级别和标注能见度级别，计算预测能见度级别和标注能见度级别之间的损失，并将损失作为损失函数的值；
利用损失函数的值对初始分类模型进行训练，得到分类模型。
在其中一个实施例中，上述分类模型为随机森林模型。
在其中一个实施例中，上述大气中气溶胶的质量浓度数据包括PM0.1的质量浓度数据、PM2.5的质量浓度数据、PM10的质量浓度数据。
在其中一个实施例中，上述传感器模组包括质量浓度传感器和湿度传感器，上述采用传感器模组，获取大气的相关测量数据，包括：
采用质量浓度传感器，获取大气中气溶胶的质量浓度数据；以及，
采用湿度传感器，获取大气的湿度数据。
在其中一个实施例中，上述方法还包括：
将大气的能见度级别和预设的能见度级别进行匹配，并根据匹配结果输出相应的提示消息。
一种传感器模组，该传感器模组和计算机设备集成为一体；
该传感器模组，用于获取大气的相关测量数据；该相关测量数据包括大气中气溶胶的质量浓度数据和大气的湿度数据；将相关测量数据输入至预设的分类模型中，确定相关测量数据对应的大气的能见度级别；该分类模型是基于大气样本数据集进行训练得到的，大气样本数据集包括大气训练数据以及大气训练数据对应的标注能见度级别。
一种能见度测量系统，包括传感器模组和计算机设备，该计算机设备包括存储器和处理器，存储器存储有计算机程序，
传感器模组，用于获取大气的相关测量数据；该相关测量数据包括大气中气溶胶的质量浓度数据和大气的湿度数据；
处理器，在执行计算机程序时，用于将相关测量数据输入至预设的分类模型中，确定相关测量数据对应的大气的能见度级别；该分类模型是基于大气样本数据集进行训练得到的，大气样本数据集包括大气训练数据以及大气训练数据对应的标注能见度级别。
一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
获取大气的相关测量数据；该相关测量数据包括大气中气溶胶的质量浓度数据和大气的湿度数据；
将相关测量数据输入至预设的分类模型中，确定相关测量数据对应的大气的能见度级别；该分类模型是基于大气样本数据集进行训练得到的，大气样本数据集包括大气训练数据以及大气训练数据对应的标注能见度级别。
上述大气能见度测量方法、传感器模组、系统和存储介质，应用于能见度测量系统，该能见度测量系统包括传感器模组和计算机设备，通过传感器模组获取相关测量数据，该相关测量数据包括大气中气溶胶的质量浓度数据和大气的湿度数据，并将相关测量数据输入至预设的分类模型中，确定相关测量数据对应的大气的能见度级别，该分类模型是基于大气样本数据集进行训练得到的，大气样本数据集包括大气训练数据以及大气训练数据对应的标注能见度级别。在该方法中，由于在测量大气能见度时，是通过能见度测量系统测量的，而该能见度测量系统由传感器模组和计算机设备组成，其中的传感器模组和计算机设备的硬件成本都比较小，因此该方法可以降低测量大气能见度的硬件成本；另外，由于传感器模组和计算机设备相对于现有的大型能见度测量仪而言，结构简单，因此，可以降低安装难度；同时，由于传感器模组和计算机设备可以较为方便地移动，因此，该方法在测量大气能见度时，可以不受测量场地的限制，适用范围更广。
附图说明
图1为一个实施例中能见度测量系统的结构示意图；
图2为一个实施例中大气能见度测量方法的流程示意图；
图3为另一个实施例中大气能见度测量方法的流程示意图；
图4为另一个实施例中大气能见度测量方法的流程示意图；
图5为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
大气能见度与陆上交通、航空、航海、天文观测和军事行动等都有直接关系。以交通运输为例，当能见度低于100米时，会影响公路上行驶安全，高速公路将会关闭；当能见度低于500米时，则会影响船舶航行和靠岸；当能见度低于1000米时，飞机的起降则会受到相当严重的影响。因此，随时随地的监控能见度的变化，对于交通安全、工业生产以及人们的日常生活都有着重要的意义。目前，现有技术中在对能见度进行测量时，一般是通过在测量点放置大型能见度测量仪，并通过该能见度测量仪来对大气的能见度进行测量，能见度测量仪在测量时能见度时，通过测量大气中气溶胶的散射信号，并通过散射信号和相关物理公式反推出大气能见度。然而使用上述能见度测量仪测量大气能见度，存在硬件成本大的问题。本申请提供一种大气能见度测量方法、传感器模组、系统和存储介质，可以解决上述技术问题。
本申请提供的大气能见度测量方法，可以应用于如图1所示的能见度测量系统。其中，传感器模组102可以与计算机设备104进行通信，传感器模组102可以和计算机设备104进行有线或无线连接。其中，传感器模组102可以是一个或多个传感器模组，每个传感器模组中可以包括两个或更多个传感器，各个传感器模组中包括的传感器可以相同，也可以不同，同一个传感器模组中可以包括相同的多个传感器，也可以包括多个不同的传感器，本实施例对此不作具体限定；同时，传感器模组中包括的传感器可以是质量浓度传感器、湿度传感器、距离传感器、温度传感器等等。另外，计算机设备104可以是终端或服务器，如果是终端，该计算机设备可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备，如果是服务器，可以用独立的服务器来实现，本实施例主要以计算机设备为终端为例进行说明。另外，在本实施例中，能见度测量系统中的传感器模组102和计算机设备104可以是相互独立的两个部件，也可以是计算机设备104与传感器模组102集成为一体的部件，本实施例对此不作具体限定。
下面对本申请中涉及到的专有名词进行解释说明：
能见度：一般指的是大气能见度，是气象观测中的一个重要观测参数，主要指的是在人在观测目标物体时，能从背景上分辨出目标物轮廓的最大距离。大气能见度可以分为白天能见度和夜间能见度。白天能见度是指视力正常的人，在当时的天气条件下，能够从天空背景中看到和辨认目标物(黑色、大小适度)的最大距离。夜间能见度则包括以下两种定义：(1)假定总体照明增加到正常白天水平，适当大小的黑色目标物能被看到和辨认出的最大距离；(2)中等强度的放光体能被看到和识别的最大距离。
气溶胶：由固体或液体小质点分散并悬浮在气体介质中形成的胶体分散体系，又称气体分散体系，其单位为质量浓度μg/m3，其分散相为固体或液体小质点，其大小为0.001～100μm，分散介质为气体。液体气溶胶通常称为雾，固体气溶胶通常称为雾烟。天空中的云、雾、尘埃，工业上和运输业上用的锅炉和各种发动机里未燃尽的燃料所形成的烟，采矿、采石场磨材和粮食加工时所形成的固体粉尘，人造的掩蔽烟幕和毒烟等都是气溶胶的具体实例。
在一个实施例中，提供了一种大气能见度测量方法，以该方法应用于图1中的能见度测量系统为例进行说明，本实施例涉及的是如何采集大气的相关测量数据，并根据该相关测量数据得到大气能见度级别的具体过程。如图2所示，该方法可以包括以下步骤：
S202，通过传感器模组，获取大气的相关测量数据并传输给计算机设备；该相关测量数据包括大气中气溶胶的质量浓度数据和大气的湿度数据。
在本实施例中，能见度测量系统中的传感器模组和计算机设备可以是相互独立的两个部件，也可以是计算机设备与传感器模组集成为一体的部件，本实施例对此不作具体限定。
其中，传感器模组的数量可以为一个或多个，以一个传感器模组为例，可选的，该传感器模组可以包括质量浓度传感器和湿度传感器，其中，质量浓度传感器可以是激光粉尘传感器、激光颗粒物浓度传感器等，湿度传感器可以是电阻或电容式的传感器，也可以是与温度传感器集成与一体的温湿度传感器，例如HTG3500系列、AM2320等等。另外，传感器模组的设置位置以及数量可以根据实际测量场地而定，在本实施例中，以质量浓度传感器为激光粉尘传感器为例，可以将激光粉尘传感器和湿度传感器组装在一起，组成一个模组，在组成模组之后布置在测量场地即可，由于激光粉尘传感器需要和外部空气保持良好接触的同时，也要尽量避免外部气流对其内部空腔的直接影响，所以对于布置的位置，要尽量避免直接暴露于风速较大的地方，如山顶，楼顶，这些地方的布置需要另外加上便于交换空气的防护罩，同时也需要避免人为烟雾的影响，如油烟机，空调外机出风口附近。
具体的，在传感器模组布置好之后，可以采用质量浓度传感器，获取大气中气溶胶的质量浓度数据，以及，采用湿度传感器，获取大气的湿度数据，并将测量得到的大气中气溶胶的质量浓度数据和大气的湿度数据记为相关测量数据。
需要说明的是，在可见光波段，对太阳辐射有衰减作用的物质及贡献比例如下：干洁大气的散射占2.38％，气态污染物的吸收占3.68％，水汽分子的散射占5.78％，干气溶胶的散射占75.26％，干气溶胶的吸收占12.89％，可见气溶胶是影响大气能见度的主要因素，大气中的气溶胶根据其颗粒的直径(也称为粒径)大小可以分为PM0.1、PM2.5、PM10，因此，可选的，上述大气中气溶胶的质量浓度数据包括PM0.1的质量浓度数据、PM2.5的质量浓度数据、PM10的质量浓度数据，其中，PM0.1、PM2.5、PM10分别指的是大气中粒径小于等于0.1μm的气溶胶总质量浓度、粒径小于等于2.5μm的气溶胶质量浓度、粒径小于等于10μm的气溶胶质量浓度。
S204，计算机设备将相关测量数据输入至预设的分类模型中，确定相关测量数据对应的大气的能见度级别；该分类模型是基于大气样本数据集进行训练得到的，大气样本数据集包括大气训练数据以及大气训练数据对应的标注能见度级别。
其中，预设的分类模型可以是机器学习网络模型，例如可以是神经网络模型、随机森林模型、深度学习模型等。可选的，本实施例中所采用的分类模型为随机森林模型。另外，能见度级别指的是将根据能见度的距离大小将能见度划分的等级，例如可以根据能见度的距离将能见度分为四个等级，能见度>20000m时，能见度级别设置为“很高”，20000m>能见度>＝10000m时，能见度级别设置为“高”，10000m>能见度>＝1000m时，能见度级别设置为“中等”，1000m>能见度时，能见度级别设置为“低”，通过对能见度距离大小的分段方法，就可以将每段能见度数值转化为相对应的能见度级别，这里的能见度级别可以是数字，例如可以是0、1、2、3等等，也可以是概率值，例如20％、50％、80％、95％等等。
具体的，能见度测量系统在得到传感器模组测量的大气的相关测量数据之后，可以将该相关测量数据传输至计算机设备中，通过计算机设备将相关测量数据输入至预设的分类模型中，得到该相关测量数据对应的大气的能见度级别。该分类模型是预先根据多个大气样本数据和每个大气样本数据所对应的标注能见度级别进行训练得到的，因此，通过该分类模型，就可以得到每个相关测量数据所对应的大气的能见度级别。
在得到能见度级别之后，根据预先划分的能见度距离范围，就可以得到能见度级别所对应的能见度距离范围，然后根据该能见度距离范围或者直接根据得到的能见度级别，就可以针对性的设计出行计划等。
上述大气能见度测量方法，应用于能见度测量系统，该能见度测量系统包括传感器模组和计算机设备，通过传感器模组获取相关测量数据，该相关测量数据包括大气中气溶胶的质量浓度数据和大气的湿度数据，并将相关测量数据输入至预设的分类模型中，确定相关测量数据对应的大气的能见度级别，该分类模型是基于大气样本数据集进行训练得到的，大气样本数据集包括大气训练数据以及大气训练数据对应的标注能见度级别。在该方法中，由于在测量大气能见度时，是通过能见度测量系统测量的，而该能见度测量系统由传感器模组和计算机设备组成，其中的传感器模组和计算机设备的硬件成本都比较小，因此该方法可以降低测量大气能见度的硬件成本；另外，由于传感器模组和计算机设备相对于现有的大型能见度测量仪而言，结构简单，因此，可以降低安装难度；同时，由于传感器模组和计算机设备可以较为方便地移动，因此，该方法在测量大气能见度时，可以不受测量场地的限制，适用范围更广。
在另一个实施例中，提供了另一种大气能见度测量方法，本实施例涉及的是在确定大气的能见度级别之前，如何对大气的相关测量数据进行去噪的具体过程。在上述实施例的基础上，如图3所示，在上述S204之前，上述方法还可以包括以下步骤S302：
S302，根据拉依达准则对相关测量数据进行去噪处理，得到去噪后的相关测量数据。
在本步骤中，在采用传感器模组采集大气数据时，由于传感器在采集过程中难免会收到干扰，因此会导致采集到噪声数据(或称为干扰数据)，通常表现为采集的数据值的跳变从而产生离群异常点，因此就需要对传感器采集的大气数据进行去噪处理。在去噪时，可以采用拉依达准则进行去噪，也可以采用其他方式进行去噪，本实施例中主要采用的是拉依达准则进行去噪。
其中，拉依达准则指的是假设一组检测数据只含有随机误差，对其进行计算处理得到标准偏差，按一定概率确定一个区间，认为凡超过这个区间的误差，就不属于随机误差而是粗大误差，含有该误差的数据应予以剔除；例如对被测量进行等精度测量，得到x1，x2...，xn，算出这组数据的算术平均值x及剩余误差vi＝xi-x(i＝1,2，...,n)，并按贝塞尔公式算出这组数据的标准偏差σ，记某个测量值xb的剩余误差为vb(1<＝b<＝n)，那么若vb满足公式|vb|＝|xb-x|>3σ时，就可以认为xb是含有粗大误差值的坏值，应予剔除。
具体的，计算机设备在得到传感器模组采集的大气的相关测量数据之后，可以假设气溶胶的质量浓度数据和大气的湿度数据均满足正态分布，然后采样拉依达准则分别对气溶胶的质量浓度数据和大气的湿度数据进行去噪处理，得到去噪后的质量浓度数据和去噪后的湿度数据。以质量浓度数据包括PM0.1的质量浓度数据、PM2.5的质量浓度数据、PM10的质量浓度数据为例，那么这里传感器模组每个时刻采集到的数据均为四维数据，每个时刻的四维数据均包括PM0.1的质量浓度数据、PM2.5的质量浓度数据、PM10的质量浓度数据、大气湿度数据(即PM0.1，PM2.5，PM10，湿度)，那么在去噪时，可以分别计算每维数据各自的算术平均值和标准差，然后将每维数据中在算术平均值左右3倍标准差范围以外的数据进行剔除(即将不在范围(μ-3σ，μ+3σ)内的数据均剔除掉)。需要说明的是，在剔除数据时，若同一时刻采集的四维数据中的某一维数据被剔除掉，那么该组四维数据会被全部剔除掉。
另外，在对相关测量数据进行去噪之后，也可以对去噪后的相关测量数据进行平滑处理，以去除去噪后的相关测量数据上的抖动，使数据更加平滑，最终利用该数据得到的能见度级别也就会更加准确。示例地，平滑处理可以是将当前时刻左右特定时长内采集的数据进行平均作为当前时刻的数据，当然也可以是其他平滑方式，这里的特定时长可以是5分钟、10分钟、15分钟等等。
相应地，在得到去噪后的相关测量数据之后，可以采用如下S304对去噪后的相关测量数据进行处理，如下：
S304，将去噪后的相关测量数据输入至预设的分类模型中，确定大气的能见度级别。
具体的，在得到去噪后的相关测量数据(或者如果进行了平滑，那就是得到了平滑后的相关测量数据)之后，可以将该去噪后的相关测量数据(或者平滑后的相关测量数据)传输至计算机设备中，通过计算机设备将去噪后的相关测量数据(或者平滑后的相关测量数据)输入至预设的分类模型中，得到该去噪后的相关测量数据(或者平滑后的相关测量数据)对应的大气的能见度级别。
进一步地，在得到大气的能见度级别之后，可选的，可以将大气的能见度级别和预设的能见度级别进行匹配，并根据匹配结果输出相应的提示消息。这里的提示消息可以根据实际情况而定，例如可以是告警消息、禁止出行消息等等。也就是说，在得到大气的能见度级别之后，可以跟预先划分的级别进行匹配，判断该大气的能见度级别属于哪个级别，例如如果得到的大气的能见度级别是低级别，那么就输出禁止出行的提示消息，如果是得到的大气的能见度级别中等级别，那么就输出若出行会有较大风险的告警提示消息等。这里通过匹配预设的能见度级别并输出提示消息，可以使用户快速得知当前的出行状况，给用户提供参考。
本实施例提供的大气能见度测量方法，根据拉依达准则对相关测量数据进行去噪处理，得到去噪后的相关测量数据，并将去噪后的相关测量数据输入至预设的分类模型中，确定大气的能见度级别。在本实施例中，由于可以对大气的相关测量数据进行去噪处理，这样可以使输入至分类模型的数据更加准确，从而通过分类模型得到的能见度级别也会更加准确。
在另一个实施例中，提供了另一种大气能见度测量方法，本实施例涉及的是如何对分类模型进行训练的具体过程。在上述实施例的基础上，如图4所示，上述分类模型的训练过程可以包括以下步骤：
S402，将各大气训练数据输入初始分类模型，得到大气训练数据对应的预测能见度级别。
S404，根据预测能见度级别和标注能见度级别，计算预测能见度级别和标注能见度级别之间的损失，并将损失作为损失函数的值。
S406，利用损失函数的值对初始分类模型进行训练，得到分类模型。
在本实施例中，在得到大气训练数据之后，也可以对大气训练数据进行去噪和平滑处理，得到去噪和平滑处理后的大气训练数据。这里的大气训练数据一般也是四维数据，包括PM0.1、PM2.5、PM10、湿度，这些大气训练数据可以是历史对大气进行测量得到的数据，这里可以是获取20000组以上的历史测量数据，每组测量数据包括PM0.1、PM2.5、PM10、湿度四维数据以及当前这四维数据对应的能见度级别，一般能见度级别是中文标注的，这里可以将标注的中文能见度级别转换为数字能见度级别，例如可以将中文能见度级别“低”转换成数字“0”，将中文能见度级别“中等”转换成数字“1”等等，以此类推，当然也可以是其他转换方式，通过这样的方式，这样得到的每组数据就是五维数据，为[PM0.1、PM2.5、PM10、湿度，数字能见度级别]。在将每组数据均进行能见度级别转换以及去噪和平滑处理之后，可以将获取的20000组以上的历史测量数据的80％作为训练集，20％作为测试集。
具体的，计算机设备在得到去噪和平滑处理后的大气训练数据之后，可以将训练集中的各去噪和平滑处理后的大气训练数据输入至初始分类模型，得到各大气训练数据对应的预测能见度级别，并根据上述标注能见度级别和预测能见度级别，计算标注能见度级别和预测能见度级别之间的损失，并将该损失作为损失函数的值，并利用该损失函数的值对初始分类模型进行训练，最终得到训练好的分类模型。在这里，损失可以是标注能见度级别和预测能见度级别之间的误差、方差、范数等；损失函数可以根据实际情况而定；在训练分类模型时，当分类模型的损失函数的值小于预设的阈值时，或者当损失函数的值基本稳定时(即不再发生变化时)，则可以确定分类模型已经训练好，否则还要继续训练，当训练好时可以固定分类模型的参数，这里通过设置不同的模型参数等，可以训练得到多个分类模型。在训练得到多个分类模型之后，可以将上述20％的测试集中的各去噪和平滑处理后的大气训练数据分别输入至该多个分类模型中，得到每个分类模型输出的能见度级别，并通过对每个分类模型输出的能见度级别进行测试，得到能见度级别精度最高的分类模型，并将该最终的分类模型作为实际使用的分类模型。
本实施例提供的大气能见度测量方法，可以将各大气训练数据输入初始分类模型，得到大气训练数据对应的预测能见度级别，根据预测能见度级别和标注能见度级别，计算预测能见度级别和标注能见度级别之间的损失，并将损失作为损失函数的值，利用损失函数的值对初始分类模型进行训练，得到分类模型。在本实施例中，由于分类模型是根据大气训练数据标注的能见度级别和大气训练数据进行训练得到的，因此得到的分类模型是比较准确的，这样在实际测量大气能见度时，得到的大气能见度级别也是比较准确的，即得到的大气能见度也是比较准确的。
在另一个实施例中，为了便于对本申请的技术方案进行更详细的说明，以下结合一个更加详细的实施例加以说明，该方法可以包括以下步骤A-C：
步骤A，采用质量浓度传感器和湿度传感器，获取大气的相关测量数据；该相关测量数据包括大气中PM0.1的质量浓度数据、PM2.5的质量浓度数据、PM10的质量浓度数据、大气的湿度数据。
步骤B，根据拉依达准则对相关测量数据进行去噪处理，得到去噪后的相关测量数据。
步骤C，将去噪后的相关测量数据输入至预设的分类模型中，确定大气的能见度级别。
应该理解的是，虽然图2-4的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2-4中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中，上述能见度测量系统中的传感器模组和计算机设备可以是相互独立的两个部件，也可以是计算机设备与传感器模组集成为一体的部件，下面以计算机设备与传感器模组集成为一体的部件为例进行说明。
在一个实施例中，提供了一种传感器模组，该传感器模组和计算机设备集成为一体；该传感器模组，用于获取大气的相关测量数据；该相关测量数据包括大气中气溶胶的质量浓度数据和大气的湿度数据；将相关测量数据输入至预设的分类模型中，确定相关测量数据对应的大气的能见度级别；该分类模型是基于大气样本数据集进行训练得到的，大气样本数据集包括大气训练数据以及大气训练数据对应的标注能见度级别。
在另一个实施例中，该传感器模组，还用于根据拉依达准则对相关测量数据进行去噪处理，得到去噪后的相关测量数据；将去噪后的相关测量数据输入至预设的分类模型中，确定大气的能见度级别。
在另一个实施例中，该传感器模组，还用于将各大气训练数据输入初始分类模型，得到大气训练数据对应的预测能见度级别；根据预测能见度级别和标注能见度级别，计算预测能见度级别和标注能见度级别之间的损失，并将损失作为损失函数的值；利用损失函数的值对初始分类模型进行训练，得到分类模型。
在另一个实施例中，上述分类模型为随机森林模型。
在另一个实施例中，上述大气中气溶胶的质量浓度数据包括PM0.1的质量浓度数据、PM2.5的质量浓度数据、PM10的质量浓度数据。
在另一个实施例中，该传感器模组，还用于采用质量浓度传感器，获取大气中气溶胶的质量浓度数据；以及，采用湿度传感器，获取大气的湿度数据。
在另一个实施例中，该传感器模组，还用于将大气的能见度级别和预设的能见度级别进行匹配，并根据匹配结果输出相应的提示消息。
在一个实施例中，图1中的能见度测量系统，包括传感器模组和计算机设备，其中，传感器模组，用于获取大气的相关测量数据并传输给计算机设备；该相关测量数据包括大气中气溶胶的质量浓度数据和大气的湿度数据。其中，该计算机设备可以是终端，其内部结构图可以如图5所示。该计算机设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过WIFI、运营商网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种大气能见度测量方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图5中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，上述计算机设备可以与传感器模组相互配合以解决本申请实施例的技术问题，该计算机设备包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：
将相关测量数据输入至预设的分类模型中，确定相关测量数据对应的大气的能见度级别；该分类模型是基于大气样本数据集进行训练得到的，大气样本数据集包括大气训练数据以及大气训练数据对应的标注能见度级别。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
根据拉依达准则对相关测量数据进行去噪处理，得到去噪后的相关测量数据；
将去噪后的相关测量数据输入至预设的分类模型中，确定大气的能见度级别。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
将各大气训练数据输入初始分类模型，得到大气训练数据对应的预测能见度级别；
根据预测能见度级别和标注能见度级别，计算预测能见度级别和标注能见度级别之间的损失，并将损失作为损失函数的值；
利用损失函数的值对初始分类模型进行训练，得到分类模型。
在一个实施例中，上述分类模型为随机森林模型。
在一个实施例中，上述大气中气溶胶的质量浓度数据包括PM0.1的质量浓度数据、PM2.5的质量浓度数据、PM10的质量浓度数据。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
获取大气中气溶胶的质量浓度数据；以及，获取大气的湿度数据。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
将大气的能见度级别和预设的能见度级别进行匹配，并根据匹配结果输出相应的提示消息。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
获取大气的相关测量数据；该相关测量数据包括大气中气溶胶的质量浓度数据和大气的湿度数据；
将相关测量数据输入至预设的分类模型中，确定相关测量数据对应的大气的能见度级别；该分类模型是基于大气样本数据集进行训练得到的，大气样本数据集包括大气训练数据以及大气训练数据对应的标注能见度级别。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
根据拉依达准则对相关测量数据进行去噪处理，得到去噪后的相关测量数据；
将去噪后的相关测量数据输入至预设的分类模型中，确定大气的能见度级别。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
将各大气训练数据输入初始分类模型，得到大气训练数据对应的预测能见度级别；
根据预测能见度级别和标注能见度级别，计算预测能见度级别和标注能见度级别之间的损失，并将损失作为损失函数的值；
利用损失函数的值对初始分类模型进行训练，得到分类模型。
在一个实施例中，上述分类模型为随机森林模型。
在一个实施例中，上述大气中气溶胶的质量浓度数据包括PM0.1的质量浓度数据、PM2.5的质量浓度数据、PM10的质量浓度数据。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
获取大气中气溶胶的质量浓度数据；以及，获取大气的湿度数据。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
将大气的能见度级别和预设的能见度级别进行匹配，并根据匹配结果输出相应的提示消息。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory，ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic Random Access Memory，DRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种大气能见度测量方法，其特征在于，所述方法应用于能见度测量系统，所述能见度测量系统包括传感器模组和计算机设备；所述方法包括：
通过所述传感器模组，获取大气的相关测量数据并传输给所述计算机设备；所述相关测量数据包括大气中气溶胶的质量浓度数据和大气的湿度数据；
所述计算机设备将所述相关测量数据输入至预设的分类模型中，确定所述相关测量数据对应的大气的能见度级别；所述分类模型是基于大气样本数据集进行训练得到的，所述大气样本数据集包括大气训练数据以及所述大气训练数据对应的标注能见度级别。
2.根据权利要求1所述的方法，其特征在于，在所述将所述相关测量数据输入至预设的分类模型中，确定所述相关测量数据对应的大气的能见度级别之前，所述方法还包括：
根据拉依达准则对所述相关测量数据进行去噪处理，得到去噪后的相关测量数据；
相应地，所述将所述相关测量数据输入至预设的分类模型中，确定所述相关测量数据对应的大气的能见度级别，包括：
将所述去噪后的相关测量数据输入至预设的分类模型中，确定所述大气的能见度级别。
3.根据权利要求1或2所述的方法，其特征在于，所述分类模型的训练方法包括：
将各所述大气训练数据输入初始分类模型，得到所述大气训练数据对应的预测能见度级别；
根据所述预测能见度级别和所述标注能见度级别，计算所述预测能见度级别和所述标注能见度级别之间的损失，并将所述损失作为损失函数的值；
利用所述损失函数的值对所述初始分类模型进行训练，得到所述分类模型。
4.根据权利要求3所述的方法，其特征在于，所述分类模型为随机森林模型。
5.根据权利要求1所述的方法，其特征在于，所述大气中气溶胶的质量浓度数据包括PM0.1的质量浓度数据、PM2.5的质量浓度数据、PM10的质量浓度数据。
6.根据权利要求1所述的方法，其特征在于，所述传感器模组包括质量浓度传感器和湿度传感器，所述采用所述传感器模组，获取大气的相关测量数据，包括：
采用所述质量浓度传感器，获取所述大气中气溶胶的质量浓度数据；以及，
采用所述湿度传感器，获取所述大气的湿度数据。
7.根据权利要求1或2所述的方法，其特征在于，所述方法还包括：
将所述大气的能见度级别和预设的能见度级别进行匹配，并根据匹配结果输出相应的提示消息。
8.一种传感器模组，其特征在于，所述传感器模组和计算机设备集成为一体；
所述传感器模组，用于获取大气的相关测量数据；所述相关测量数据包括大气中气溶胶的质量浓度数据和大气的湿度数据；将所述相关测量数据输入至预设的分类模型中，确定所述相关测量数据对应的大气的能见度级别；所述分类模型是基于大气样本数据集进行训练得到的，所述大气样本数据集包括大气训练数据以及所述大气训练数据对应的标注能见度级别。
9.一种能见度测量系统，其特征在于，包括传感器模组和计算机设备，所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，
所述传感器模组，用于获取大气的相关测量数据；所述相关测量数据包括大气中气溶胶的质量浓度数据和大气的湿度数据；
所述处理器，在执行所述计算机程序时，用于将所述相关测量数据输入至预设的分类模型中，确定所述相关测量数据对应的大气的能见度级别；所述分类模型是基于大气样本数据集进行训练得到的，所述大气样本数据集包括大气训练数据以及所述大气训练数据对应的标注能见度级别。
10.一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，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
CN202010161037.8A 2020-03-10 2020-03-10 大气能见度测量方法、传感器模组、系统和存储介质 Pending CN111398109A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010161037.8A CN111398109A (zh) 2020-03-10 2020-03-10 大气能见度测量方法、传感器模组、系统和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010161037.8A CN111398109A (zh) 2020-03-10 2020-03-10 大气能见度测量方法、传感器模组、系统和存储介质

Publications (1)

Publication Number Publication Date
CN111398109A true CN111398109A (zh) 2020-07-10

Family

ID=71434093

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010161037.8A Pending CN111398109A (zh) 2020-03-10 2020-03-10 大气能见度测量方法、传感器模组、系统和存储介质

Country Status (1)

Country Link
CN (1) CN111398109A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111736237A (zh) * 2020-07-31 2020-10-02 上海眼控科技股份有限公司 辐射雾检测方法、装置、计算机设备和可读存储介质
CN113064220A (zh) * 2021-06-03 2021-07-02 四川九通智路科技有限公司 基于非线性自回归神经网络的能见度测量系统及测量方法
CN113625369A (zh) * 2021-08-10 2021-11-09 中国科学院大气物理研究所 一种小型化大气能见度智能测量系统及方法
CN113673760A (zh) * 2021-08-19 2021-11-19 上海上实龙创智能科技股份有限公司 一种能耗预测方法、装置、计算机设备和存储介质
CN113919608A (zh) * 2021-12-15 2022-01-11 中国气象局公共气象服务中心(国家预警信息发布中心) 一种预报机场能见度的方法及装置

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108205164A (zh) * 2017-12-04 2018-06-26 国网江苏省电力有限公司电力科学研究院 一种基于WRF-Chem的大气能见度参数化预测方法
KR20180085336A (ko) * 2017-01-16 2018-07-26 (주) 정상라이다 통합기상검지기
CN108647483A (zh) * 2018-04-26 2018-10-12 国家电投集团河南电力有限公司技术信息中心 一种基于模糊树建模方法的scr入口nox浓度的软测量方法
CN108761571A (zh) * 2018-04-03 2018-11-06 北方民族大学 基于神经网络的大气能见度预测方法及系统
CN109543906A (zh) * 2018-11-23 2019-03-29 长三角环境气象预报预警中心（上海市环境气象中心） 一种大气能见度预测的方法及设备

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20180085336A (ko) * 2017-01-16 2018-07-26 (주) 정상라이다 통합기상검지기
CN108205164A (zh) * 2017-12-04 2018-06-26 国网江苏省电力有限公司电力科学研究院 一种基于WRF-Chem的大气能见度参数化预测方法
CN108761571A (zh) * 2018-04-03 2018-11-06 北方民族大学 基于神经网络的大气能见度预测方法及系统
CN108647483A (zh) * 2018-04-26 2018-10-12 国家电投集团河南电力有限公司技术信息中心 一种基于模糊树建模方法的scr入口nox浓度的软测量方法
CN109543906A (zh) * 2018-11-23 2019-03-29 长三角环境气象预报预警中心（上海市环境气象中心） 一种大气能见度预测的方法及设备

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111736237A (zh) * 2020-07-31 2020-10-02 上海眼控科技股份有限公司 辐射雾检测方法、装置、计算机设备和可读存储介质
CN113064220A (zh) * 2021-06-03 2021-07-02 四川九通智路科技有限公司 基于非线性自回归神经网络的能见度测量系统及测量方法
CN113625369A (zh) * 2021-08-10 2021-11-09 中国科学院大气物理研究所 一种小型化大气能见度智能测量系统及方法
CN113673760A (zh) * 2021-08-19 2021-11-19 上海上实龙创智能科技股份有限公司 一种能耗预测方法、装置、计算机设备和存储介质
CN113919608A (zh) * 2021-12-15 2022-01-11 中国气象局公共气象服务中心(国家预警信息发布中心) 一种预报机场能见度的方法及装置

Similar Documents

Publication Publication Date Title
CN111398109A (zh) 大气能见度测量方法、传感器模组、系统和存储介质
Concas et al. Low-cost outdoor air quality monitoring and sensor calibration: A survey and critical analysis
Okokpujie et al. A smart air pollution monitoring system
Villa et al. An overview of small unmanned aerial vehicles for air quality measurements: Present applications and future prospectives
TWI659659B (zh) 車輛資訊及環境監測複合式車載系統及其資料處理及傳輸方法
Castignani et al. Driver behavior profiling using smartphones: A low-cost platform for driver monitoring
CN107607450A (zh) 一种大气质量监测方法及相关设备
EP3945466A2 (en) Method and system for detecting, quantifying, and attributing gas emissions of industrial assets
CN109444062A (zh) 一种无人机载高排典型污染物差分吸收光谱检测方法
KR101830794B1 (ko) IoT 기반의 자외선 및 미세먼지 경보 시스템
CN111413297A (zh) 能见度测量方法、装置、计算机设备及存储介质
CN112461799B (zh) 一种获取高速公路团雾能见度的方法及装置
US20220357234A1 (en) Gas differentiating sensor suite
CN113655175A (zh) 一种网格化空气监测方法、系统、计算机设备及存储介质
KR20200128226A (ko) 미세먼지 농도 예측 시스템
Fattah et al. Multi-sensor system and internet of things (IoT) technologies for air pollution monitoring
CN112364940A (zh) 基于多源数据的大气污染物源解析方法、存储介质及设备
Lertsinsrubtavee et al. Detection of forest fires and pollutant plume dispersion using IoT air quality sensors
Wang et al. Hyperlocal environmental data with a mobile platform in urban environments
Chen et al. Hvaq: A high-resolution vision-based air quality dataset
CN114280694B (zh) 一种基于气象卫星光谱成像仪的快速辐射传输方法及系统
KR20150101851A (ko) 대기오염 스마트 알람 장치
Zhivkov Optimization and evaluation of calibration for low-cost air quality sensors: Supervised and unsupervised machine learning models
Spicer et al. A laboratory in the sky
Zhu et al. Visibility and meteorological parameter model based on rashomon regression analysis

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20200710