CN111426633A - 一种夜间pm2.5质量浓度估算方法和装置 - Google Patents
一种夜间pm2.5质量浓度估算方法和装置 Download PDFInfo
- Publication number
- CN111426633A CN111426633A CN202010540136.7A CN202010540136A CN111426633A CN 111426633 A CN111426633 A CN 111426633A CN 202010540136 A CN202010540136 A CN 202010540136A CN 111426633 A CN111426633 A CN 111426633A
- Authority
- CN
- China
- Prior art keywords
- data
- random forest
- forest model
- historical
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000007637 random forest analysis Methods 0.000 claims abstract description 132
- 238000012549 training Methods 0.000 claims abstract description 128
- 230000003068 static effect Effects 0.000 claims abstract description 8
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000010276 construction Methods 0.000 claims description 9
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 8
- 238000003066 decision tree Methods 0.000 claims description 7
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 6
- 238000002790 cross-validation Methods 0.000 claims description 6
- 239000002245 particle Substances 0.000 claims description 2
- 238000012544 monitoring process Methods 0.000 abstract description 32
- 239000013618 particulate matter Substances 0.000 description 5
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 4
- 241000208818 Helianthus Species 0.000 description 3
- 235000003222 Helianthus annuus Nutrition 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000002349 favourable effect Effects 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 229910002092 carbon dioxide Inorganic materials 0.000 description 2
- 239000001569 carbon dioxide Substances 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000003331 infrared imaging Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000005180 public health Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/17—Function evaluation by approximation methods, e.g. inter- or extrapolation, smoothing, least mean square method
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N2021/1793—Remote sensing
-
- 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
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Environmental & Geological Engineering (AREA)
- Computational Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Databases & Information Systems (AREA)
- Ecology (AREA)
- Atmospheric Sciences (AREA)
- Environmental Sciences (AREA)
- Biodiversity & Conservation Biology (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Algebra (AREA)
- Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种夜间PM2.5质量浓度估算方法和装置,涉及空气质量监测的技术领域,包括:获取待评估区域的历史数据,其中,历史数据包括:静止卫星发送的历史卫星数据,地面站发送的历史PM2.5质量浓度值,地面站发送的历史气象数据;基于所述历史数据确定训练数据集;利用训练数据集对随机森林模型进行训练,得到目标随机森林模型;在获取到当前数据之后,通过目标随机森林模型对待评估区域的PM2.5质量浓度进行估算,其中,当前数据包括:静止卫星发送的当前卫星数据,地面站发送的当前气象数据,解决了现有技术中对待评估区域的PM2.5质量浓度的监测范围小且监测结果不具备连续性的技术问题。
Description
技术领域
本发明涉及空气质量监测的技术领域,尤其是涉及一种夜间PM2.5质量浓度估算方法和装置。
背景技术
PM2.5是指环境空气中空气动力学当量直径小于等于2.5um的颗粒物,它对公众健康造成严重危害。对夜间PM2.5监测对研究PM2.5的形成、消散及日变化规律具有重要意义,可为相关部门制定防治措施提供指导。目前对夜间PM2.5的监测主要有两种手段:1、利用地面监测站的监测设备监测PM2.5质量浓度;2、利用NPP卫星上可见光红外成像辐射仪(VIIRS)DNB通道的夜间灯光数据估算PM2.5质量浓度。以上两种方法均存在不足之处:地基测量方法监测仪器成本高,覆盖范围小,且监测站分布不均匀,难以实现大范围整体监测;NPP卫星为极轨卫星,每4小时经过赤道一次,时间分辨率低,不利于分析PM2.5的夜间变化特征。
针对上述问题,还未提出有效的解决方案。
发明内容
有鉴于此,本发明的目的在于提供一种夜间PM2.5质量浓度估算方法和装置,以缓解了现有技术中在夜间对待评估区域的PM2.5质量浓度的监测范围小且监测结果不具备连续性的技术问题的技术问题。
第一方面,本发明实施例提供了一种夜间PM2.5质量浓度估算方法,包括:获取待评估区域的历史数据,其中,所述历史数据包括:静止卫星发送的历史卫星数据,地面站发送的历史PM2.5质量浓度值,地面站发送的历史气象数据;基于所述历史数据确定训练数据集;利用所述训练数据集对随机森林模型进行训练,得到目标随机森林模型;在获取到当前数据之后,通过所述目标随机森林模型对所述待评估区域的PM2.5质量浓度进行估算,其中,所述当前数据包括:静止卫星发送的当前卫星数据,地面站发送的当前气象数据:其中,所述卫星数据包括:大气层顶的亮温数据,云掩膜产品数据,太阳天顶角,太阳方位角,卫星天顶角,卫星方位角数据。。
进一步地,基于所述历史数据确定训练数据集,包括:对所述历史数据进行时空匹配,并为完成时空匹配的历史数据添加标识信息,得到训练数据集,其中,所述标识信息包括:经纬度信息,所述历史数据对应的时间信息。
进一步地,所述卫星数据包括:大气层顶的亮温数据,云掩膜数据,太阳天顶角,太阳方位角,卫星天顶角,卫星方位角数据;所述气象数据包括:大气温度,大气压强,大气总水,水平风速,垂直风速,边界层高度,相对湿度。
进一步地,所述训练数据集包含:第一子训练数据集和第二子训练数据集;利用所述训练数据集对随机森林模型进行训练,得到目标随机森林模型,包括:拟合步骤,将所述第一子训练数据集输入随机森林模型,以使所述随机森林模型对所述第一子训练数据集进行数据拟合,得到拟合后的随机森林模型;输入步骤,将所述第二子训练数据集中的卫星数据和所述第二子训练数据集中的气象数据输入所述拟合后的随机森林模型,得到PM2.5质量浓度值;计算步骤,计算所述PM2.5质量浓度值和所述第二子训练数据集中的PM2.5质量浓度值之间的平方根误差;其中,若所述平方根误差大于预设阈值,则对所述拟合后的随机森林模型中的目标参数进行优化,得到中间随机森林模型,并将所述中间随机森林模型确定为所述拟合后的随机森林模型,重复执行所述输入步骤和所述计算步骤,直至所述平方根误差小于所述预设阈值,得到所述目标随机森林模型,其中,所述目标参数包括:决策树数目和二叉树的变量个数。
进一步地,所述随机森林模型通过目标公式对所述第一子训练数据集进行数据拟合,其中,所述目标公式为,PM2.5为PM2.5质量浓度值,BT为大气层顶亮温数据,P为大气压强,T为大气温度,WS为水平风速,WD为垂直风速,PBLH为边界层高度,RH为相对湿度,TCW为大气总水,Lon为经度,Lat为纬度,Month为月,Day为日,Hour为小时,SZA为太阳天顶角,SAA为太阳方位角,VZA为卫星天顶角,VAA为卫星方位角。
进一步地,在得到目标随机森林模型之后,所述方法还包括:利用十折交叉验证算法对所述目标随机森林模型进行优化。
第二方面,本发明实施例提供了一种夜间PM2.5质量浓度估算装置,包括:获取单元,构建单元,训练单元和估算单元,其中,所述获取单元,获取待评估区域的历史数据,其中,所述历史数据包括:静止卫星发送的历史卫星数据,地面站发送的历史PM2.5质量浓度值,地面站发送的历史气象数据;所述构建单元,用于基于所述历史数据确定训练数据集;所述训练单元,用于利用所述训练数据集对随机森林模型进行训练,得到目标随机森林模型;所述估算单元,用于在获取到当前数据之后,通过所述目标随机森林模型对所述待评估区域的PM2.5质量浓度值进行估算,其中,所述当前数据包括:静止卫星发送的当前卫星数据,地面站发送的当前气象数据。
进一步地,所述构建单元,用于对所述历史数据进行时空匹配,并为完成时空匹配的历史数据添加标识信息,得到训练数据集,其中,所述标识信息包括:经纬度信息,所述历史数据对应的时间信息。
进一步地,所述训练数据集包含:第一子训练数据集和第二子训练数据集;所述训练单元用于执行以下步骤:拟合步骤,将所述第一子训练数据集输入随机森林模型,以使所述随机森林模型对所述第一子训练数据集进行数据拟合,得到拟合后的随机森林模型;输入步骤,将所述第二子训练数据集中的卫星数据和所述第二子训练数据集中的气象数据输入所述拟合后的随机森林模型,得到PM2.5质量浓度值;计算步骤,计算所述PM2.5质量浓度值和所述第二子训练数据集中的PM2.5质量浓度值之间的平方根误差;其中,若所述平方根误差大于预设阈值,则对所述拟合后的随机森林模型中的目标参数进行优化,得到中间随机森林模型,并将所述中间随机森林模型确定为所述拟合后的随机森林模型,重复执行所述输入步骤和所述计算步骤,直至所述平方根误差小于所述预设阈值,得到所述目标随机森林模型,其中,所述目标参数包括:决策树数目和二叉树的变量个数。
第三方面,本发明实施例提供了一种终端,包括存储器以及处理器,所述存储器用于存储支持处理器执行上述第一方面中所述方法的程序,所述处理器被配置为用于执行所述存储器中存储的程序。
第四方面,本发明实施例提供了一种计算机可读存储介质,计算机可读存储介质上存储有计算机程序,计算机程序被处理器运行时执行上述第一方面中所述方法的步骤。
在本发明实施例中,首先,获取待评估区域的历史数据,其中,历史数据包括:静止卫星发送的历史卫星数据,地面站发送的历史PM2.5质量浓度值,地面站发送的历史气象数据;基于所述历史数据确定训练数据集;利用训练数据集对随机森林模型进行训练,得到目标随机森林模型;在获取到当前数据之后,通过目标随机森林模型对待评估区域的PM2.5质量浓度值进行估算,其中,当前数据包括:静止卫星发送的当前卫星数据,地面站发送的当前气象数据。
在本发明实施例中,由于相较于地面监测设备,静止卫星的监测覆盖范围大,且,静止卫星可以与待检测区域保持相对静止,能够长时间连续对待检测区域进行监测,因此通过利用静止卫星发送的历史卫星数据,地面站发送的历史PM2.5质量浓度值和地面站发送的历史气象数据,构建训练数据集,并利用训练数据集随机森林模型进行训练,得到能够利用卫星数据和气象数据对待评估区域的PM2.5质量浓度值进行预估的目标随机森林模型,并利用该目标随机森林模型对待评估区域的PM2.5质量浓度值进行估算,达到了能够对待评估区域的PM2.5质量浓度进行的大范围长时间的连续监测的目的,进而解决了现有技术中对待评估区域的PM2.5质量浓度的监测范围小且监测结果不具备连续性的技术问题,从而实现了为PM2.5的时空分布研究和变化规律提供有利手段的技术效果。
本发明的其他特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
为使本发明的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施方式,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种夜间PM2.5质量浓度估算方法的流程图;
图2为本发明实施例提供的一种随机森林模型的训练方法的流程图;
图3为本发明实施例提供的一种十折交叉验证算法的示意图;
图4为本发明实施例提供的一种夜间PM2.5质量浓度估算装置的示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合附图对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例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。
实施例一:
根据本发明实施例,提供了一种夜间PM2.5质量浓度估算方法实施例,需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
图1是根据本发明实施例的一种夜间PM2.5质量浓度估算方法的流程图,如图1所示,该方法包括如下步骤:
步骤S102,获取待评估区域的历史数据,其中,所述历史数据包括:静止卫星发送的历史卫星数据,地面站发送的历史PM2.5质量浓度值,地面站发送的历史气象数据;
需要说明的是上述的静止卫星可以是葵花8号卫星也可以为风云四号卫星。
另外,上述的气象数据包括:大气温度,大气压强,大气总水,水平风速,垂直风速,边界层高度,相对湿度。
若上述的静止卫星为葵花8号卫星,则大气层顶的亮温数据为葵花8号AHI L1B热红外波段(第7-第16波段)所提供的亮温数据,云掩膜数据则可以为AHI L2云掩膜产品所提供的数据。
步骤S104,基于所述历史数据确定训练数据集;
步骤S106,利用所述训练数据集对随机森林模型进行训练,得到目标随机森林模型;
步骤S108,在获取到当前数据之后,通过所述目标随机森林模型对所述待评估区域的PM2.5质量浓度进行估算,其中,所述当前数据包括:静止卫星发送的当前卫星数据,地面站发送的当前气象数据;
其中,所述卫星数据包括:大气层顶的亮温数据,云掩膜产品数据,太阳天顶角,太阳方位角,卫星天顶角,卫星方位角数据。
需要说明的是,一般情况下,目标随机森林模型可以用于估算AHI像素水平上的夜间每小时的近地面PM2.5质量浓度。
将地面站监测的PM2.5质量浓度作为真值来验证目标随机森林模型估算值的精度,分别验证了小时均值、日均值、月均值等不同时间尺度的模型模拟结果的精度,精度验证结果显示,该目标随机森林模型估算PM2.5质量浓度与地面站监测结果相关性极高,R2最高可达0.97,优于现有技术(R2为0.90),均方根误差低于15ug/m3,平均绝对误差低于10ug/m3,因此,本申请所提供的目标随机森林模型精度高,可用于PM2.5的监测和研究。
在本发明实施例中,由于相较于地面监测设备,静止卫星的监测覆盖范围大,且,静止卫星可以与待检测区域保持相对静止,能够长时间连续对待检测区域进行监测,因此通过利用静止卫星发送的历史卫星数据,地面站发送的历史PM2.5质量浓度值和地面站发送的历史气象数据,构建训练数据集,并利用训练数据集随机森林模型进行训练,得到能够利用卫星数据和气象数据对待评估区域的PM2.5质量浓度值进行预估的目标随机森林模型,并利用该目标随机森林模型对待评估区域的PM2.5质量浓度值进行估算,达到了能够对待评估区域的PM2.5质量浓度进行的大范围长时间的连续监测的目的,进而解决了现有技术中对待评估区域的PM2.5质量浓度的监测范围小且监测结果不具备连续性的技术问题,从而实现了为PM2.5的时空分布研究和变化规律提供有利手段的技术效果。
另外,还有需要说明的是,在本发明实施例中,由于大气层顶的亮温数据一般是热红外数据,其主要用于针对待评估区域在夜间时段的PM2.5质量浓度进行预估,因此,上述的历史数据和当前数据均是在夜间时段采集得到的。
在本发明实施例中,步骤S104包括如下步骤:
步骤S1041,对所述历史数据进行时空匹配,并为完成时空匹配的历史数据添加标识信息,得到训练数据集,其中,所述标识信息包括:经纬度信息,所述历史数据对应的时间信息。
在本发明实施例中,由于待评估区域一般是一个范围较大的区域,例如长三角地区,因此,待评估区域中包含多个地面站,每个地面站覆盖的区域不同,因此,需要对静止卫星发送的历史卫星数据,地面站发送的历史PM2.5质量浓度值和地面站发送的历史气象数据进行时空匹配。
最后,通过为完成时空匹配的历史数据添加经纬度信息和历史数据对应的时间信息,从而得到训练数据集。
在本发明实施例中,如图2所示,所述训练数据集包含:第一子训练数据集和第二子训练数据集;步骤S106包括如下步骤:
步骤S11,拟合步骤,将所述第一子训练数据集输入随机森林模型,以使所述随机森林模型对所述第一子训练数据集进行数据拟合,得到拟合后的随机森林模型;
步骤S12,输入步骤,将所述第二子训练数据集中的卫星数据和所述第二子训练数据集中的气象数据输入所述拟合后的随机森林模型,得到目标PM2.5质量浓度值;
步骤S13,计算步骤,计算所述目标PM2.5质量浓度值和所述第二子训练数据集中的PM2.5质量浓度值之间的平方根误差;
步骤S14,若所述平方根误差大于预设阈值,则对所述拟合后的随机森林模型中的目标参数进行优化,得到中间随机森林模型,并将所述中间随机森林模型确定为所述拟合后的随机森林模型,重复执行所述步骤S12和所述步骤S13,直至所述平方根误差小于所述预设阈值,得到所述目标随机森林模型,其中,所述目标参数包括:决策树数目和二叉树的变量个数。
在本发明实施例中,在构建出训练数据集之后,可以按照预设比例对训练数据集中的数据进行分割,将训练数据集划分为第一子训练数据集和第二子训练数据集,其中,随机森林模型对第一子训练数据集进行数据拟合,第二子训练数据集用于对完成数据拟合的随机森林模型进行准确性验证。
具体的,利用训练数据集对随机森林模型进行训练的过程如下:
首先,将第一子训练数据集输入随机森林模型,以使所述随机森林模型对第一子训练数据集进行数据拟合,得到拟合后的随机森林模型。
具体的,随机森林模型通过目标公式对所述第一子训练数据集进行数据拟合,其
中,所述目标公式为,
PM2.5为PM2.5质量浓度值,BT为大气层顶亮温数据,P为大气压强,T为大气温度,WS为水平风
速,WD为垂直风速,PBLH为边界层高度,RH为相对湿度,TCW为大气总水,Lon为经度,Lat为纬
度,Month为月,Day为日,Hour为小时,SZA为太阳天顶角,SAA为太阳方位角,VZA为卫星天顶
角,VAA为卫星方位角。
由上述公式可以看出,将第一子训练数据集中的历史卫星数据和历史气象数据作为随机森林模型的输入数据,将第一子训练数据集中的历史PM2.5质量浓度值作为随机森林模型的输入数据,使随机森林模型对第一子训练数据集进行数据拟合,得到拟合后的随机森林模型。
然后,将第二子训练数据集中的卫星数据和第二子训练数据集中的气象数据输入拟合后的随机森林模型,以使拟合后的随机森林模型输出目标PM2.5质量浓度值(即,拟合后的随机森林模型根据二子训练数据集中的卫星数据和第二子训练数据集中的气象数据,生成的PM2.5质量浓度值的估算值)。
接着,计算目标PM2.5质量浓度值和第二子训练数据集中的PM2.5质量浓度值之间的平方根误差。
如果平方根误差大于预设阈值,则对拟合后的随机森林模型中的决策树数目和二叉树的变量个数进行优化,得到中间随机森林模型,并将中间随机森林模型确定为拟合后的随机森林模型,重复执行步骤S12和步骤S13,直至所述平方根误差小于预设阈值,从而得到目标随机森林模型。
具体的,第二子训练数据集包括多个训练数据,其中,一个训练数据中包括静止卫星发送的在目标时间采集到的目标区域卫星数据,地面站发送的在目标时间采集到的目标区域PM2.5质量浓度值和地面站发送的在目标时间采集到的目标区域气象数据。
上述的多个训练数据可以为按照时间和/或区域进行划分的数据。
首先,将其中一个训练数据中的卫星数据和气象数据发送给拟合后的随机森林模型,拟合后的随机森林模型将输出一个目标PM2.5质量浓度值。
接着,将目标PM2.5质量浓度值和第二子训练数据集中的PM2.5质量浓度值之间的平方根误差。
如果平方根误差大于预设阈值,则对拟合后的随机森林模型中的目标参数进行优化,得到中间随机森林模型,并将中间随机森林模型确定为拟合后的随机森林模型,再次向拟合后的随机森林模型输入另一个训练数据中的卫星数据和气象数据,直到拟合后的随机森林模型输出的目标PM2.5质量浓度值和第二子训练数据集中的PM2.5质量浓度值之间的平方根误差小于预设阈值,从而确定出目标随机森林模型。
需要说明的是,经过多次计算,在本发明实施例中,目标随机森林模型的决策树数目和二叉树的变量个数的值分别为1000和11时,目标随机森林模型输出的PM2.5质量浓度值的估算值准确性最高。
通过对随机森林模型进行训练,能够有效提高随机森林模型对带评估区域的PM2.5质量浓度值的估算的准确性。
在本发明实施例中,在得到目标随机森林模型之后,所述方法还包括以下步骤:
步骤S107,利用十折交叉验证算法对所述目标随机森林模型进行优化。
在本发明实施例中,为了避免步骤S11中出现过拟合问题,因此,可以利用十折交叉验证算法对目标随机森林模型进行优化。
具体的,可以将训练数据集随机划分为10个子集,将10个子集中的1个子集用于模型验证,另外9个子集用于模型训练,并将此过程重复10次,如图3所示,从而完成对目标随机森林模型的优化。
实施例二:
本发明实施例还提供了一种夜间PM2.5质量浓度估算装置,该夜间PM2.5质量浓度估算装置用于执行本发明实施例上述内容所提供的夜间PM2.5质量浓度估算方法,以下是本发明实施例提供的PM2.5质量浓度估算装置的具体介绍。
如图4所示,图4为上述夜间PM2.5质量浓度估算装置的示意图,该PM2.5质量浓度估算装置包括:获取单元10,构建单元20,训练单元30和估算单元40。
所述获取单元10,获取待评估区域的历史数据,其中,所述历史数据包括:静止卫星发送的历史卫星数据,地面站发送的历史PM2.5质量浓度值,地面站发送的历史气象数据;
所述构建单元20,用于基于所述历史数据确定训练数据集;
所述训练单元30,用于利用所述训练数据集对随机森林模型进行训练,得到目标随机森林模型;
所述估算单元40,用于在获取到当前数据之后,通过所述目标随机森林模型对所述待评估区域的PM2.5质量浓度值进行估算,其中,所述当前数据包括:静止卫星发送的当前卫星数据,地面站发送的当前气象数据;
其中,所述卫星数据包括:大气层顶的亮温数据,云掩膜产品数据,太阳天顶角,太阳方位角,卫星天顶角,卫星方位角数据。
在本发明实施例中,由于相较于地面监测设备,静止卫星的监测覆盖范围大,且,静止卫星可以与待检测区域保持相对静止,能够长时间连续对待检测区域进行监测,因此通过利用静止卫星发送的历史卫星数据,地面站发送的历史PM2.5质量浓度值和地面站发送的历史气象数据,构建训练数据集,并利用训练数据集随机森林模型进行训练,得到能够利用卫星数据和气象数据对待评估区域的PM2.5质量浓度值进行预估的目标随机森林模型,并利用该目标随机森林模型对待评估区域的PM2.5质量浓度值进行估算,达到了能够对待评估区域的PM2.5质量浓度进行的大范围长时间的连续监测的目的,进而解决了现有技术中对待评估区域的PM2.5质量浓度的监测范围小且监测结果不具备连续性的技术问题,从而实现了为PM2.5的时空分布研究和变化规律提供有利手段的技术效果。
所述构建单元,用于对所述历史数据进行时空匹配,并为完成时空匹配的历史数据添加标识信息,得到训练数据集,其中,所述标识信息包括:经纬度信息,所述历史数据对应的时间信息。
优选地,所述气象数据包括:大气温度,大气压强,大气总水,水平风速,垂直风速,边界层高度,相对湿度。
优选地,所述训练数据集包含:第一子训练数据集和第二子训练数据集;所述训练单元用于执行以下步骤:拟合步骤,将所述第一子训练数据集输入随机森林模型,以使所述随机森林模型对所述第一子训练数据集进行数据拟合,得到拟合后的随机森林模型;输入步骤,将所述第二子训练数据集中的卫星数据和所述第二子训练数据集中的气象数据输入所述拟合后的随机森林模型,得到PM2.5质量浓度值;计算步骤,计算所述PM2.5质量浓度值和所述第二子训练数据集中的PM2.5质量浓度值之间的平方根误差;其中,若所述平方根误差大于预设阈值,则对所述拟合后的随机森林模型中的目标参数进行优化,得到中间随机森林模型,并将所述中间随机森林模型确定为所述拟合后的随机森林模型,重复执行所述输入步骤和所述计算步骤,直至所述平方根误差小于所述预设阈值,得到所述目标随机森林模型,其中,所述目标参数包括:决策树数目和二叉树的变量个数。
优选地,所述随机森林模型通过目标公式对所述第一子训练数据集进行数据拟
合,其中,所述目标公式为,
PM2.5为PM2.5质量浓度值,BT为大气层顶亮温数据,P为大气压强,T为大气温度,WS为水平风
速,WD为垂直风速,PBLH为边界层高度,RH为相对湿度,TCW为大气总水,Lon为经度,Lat为纬
度,Month为月,Day为日,Hour为小时,SZA为太阳天顶角,SAA为太阳方位角,VZA为卫星天顶
角,VAA为卫星方位角。
优选地,所述装置还包括:优化单元,用于在得到目标随机森林模型之后,利用十折交叉验证算法对所述目标随机森林模型进行优化。
实施例三:
本发明实施例还提供了一种终端,包括存储器以及处理器,所述存储器用于存储支持处理器执行上述实施例一中所述方法的程序,所述处理器被配置为用于执行所述存储器中存储的程序。
实施例四:
本发明实施例还提供了种计算机可读存储介质,计算机可读存储介质上存储有计算机程序,计算机程序被处理器运行时执行上述实施例一中所述方法的步骤。
另外,在本发明实施例的描述中,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
在本发明的描述中,需要说明的是,术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,术语“第一”、“第二”、“第三”仅用于描述目的,而不能理解为指示或暗示相对重要性。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统、装置和方法,可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,又例如,多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
最后应说明的是:以上所述实施例,仅为本发明的具体实施方式,用以说明本发明的技术方案,而非对其限制,本发明的保护范围并不局限于此,尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化,或者对其中部分技术特征进行等同替换;而这些修改、变化或者替换,并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应所述以权利要求的保护范围为准。
Claims (10)
1.一种夜间PM2.5质量浓度估算方法,其特征在于,包括:
获取待评估区域的历史数据,其中,所述历史数据包括:静止卫星发送的历史卫星数据,地面站发送的历史PM2.5质量浓度值,地面站发送的历史气象数据;
基于所述历史数据确定训练数据集;
利用所述训练数据集对随机森林模型进行训练,得到目标随机森林模型;
在获取到当前数据之后,通过所述目标随机森林模型对所述待评估区域的PM2.5质量浓度值进行估算,其中,所述当前数据包括:静止卫星发送的当前卫星数据,地面站发送的当前气象数据;
其中,所述卫星数据包括:大气层顶的亮温数据,云掩膜产品数据,太阳天顶角,太阳方位角,卫星天顶角,卫星方位角数据。
2.根据权利要求1所述的方法,其特征在于,基于所述历史数据确定训练数据集,包括:
对所述历史数据进行时空匹配,并为完成时空匹配的历史数据添加标识信息,得到训练数据集,其中,所述标识信息包括:经纬度信息,所述历史数据对应的时间信息。
3.根据权利要求1所述的方法,其特征在于,
所述气象数据包括:大气温度,大气压强,大气总水,水平风速,垂直风速,边界层高度,相对湿度。
4.根据权利要求1所述的方法,其特征在于,所述训练数据集包含:第一子训练数据集和第二子训练数据集;
利用所述训练数据集对随机森林模型进行训练,得到目标随机森林模型,包括:
拟合步骤,将所述第一子训练数据集输入随机森林模型,以使所述随机森林模型对所述第一子训练数据集进行数据拟合,得到拟合后的随机森林模型;
输入步骤,将所述第二子训练数据集中的卫星数据和所述第二子训练数据集中的气象数据输入所述拟合后的随机森林模型,得到目标PM2.5质量浓度值;
计算步骤,计算所述目标PM2.5质量浓度值和所述第二子训练数据集中的PM2.5质量浓度值之间的平方根误差;
其中,若所述平方根误差大于预设阈值,则对所述拟合后的随机森林模型中的目标参数进行优化,得到中间随机森林模型,并将所述中间随机森林模型确定为所述拟合后的随机森林模型,重复执行所述输入步骤和所述计算步骤,直至所述平方根误差小于所述预设阈值,得到所述目标随机森林模型,其中,所述目标参数包括:决策树数目和二叉树的变量个数。
6.根据权利要求1所述的方法,其特征在于,在得到目标随机森林模型之后,所述方法还包括:
利用十折交叉验证算法对所述目标随机森林模型进行优化。
7.一种夜间PM2.5质量浓度估算装置,其特征在于,包括:获取单元,构建单元,训练单元和估算单元,其中,
所述获取单元,用于在获取待评估区域的历史数据,其中,所述历史数据包括:静止卫星发送的历史卫星数据,地面站发送的历史PM2.5质量浓度值,地面站发送的历史气象数据;
所述构建单元,用于基于所述历史数据确定训练数据集;
所述训练单元,用于利用所述训练数据集对随机森林模型进行训练,得到目标随机森林模型;
所述估算单元,用于在获取到当前数据之后,通过所述目标随机森林模型对所述待评估区域的PM2.5质量浓度值进行估算,其中,所述当前数据包括:静止卫星发送的当前卫星数据,地面站发送的当前气象数据;
其中,所述卫星数据包括:大气层顶的亮温数据,云掩膜产品数据,太阳天顶角,太阳方位角,卫星天顶角,卫星方位角数据。
8.根据权利要求7所述的装置,其特征在于,
所述构建单元,用于对所述历史数据进行时空匹配,并为完成时空匹配的历史数据添加标识信息,得到训练数据集,其中,所述标识信息包括:经纬度信息,所述历史数据对应的时间信息。
9.一种终端,其特征在于,包括存储器以及处理器,所述存储器用于存储支持处理器执行权利要求1至6任一项所述方法的程序,所述处理器被配置为用于执行所述存储器中存储的程序。
10.一种计算机可读存储介质,计算机可读存储介质上存储有计算机程序,其特征在于,计算机程序被处理器运行时执行上述权利要求1至6任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010540136.7A CN111426633A (zh) | 2020-06-15 | 2020-06-15 | 一种夜间pm2.5质量浓度估算方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010540136.7A CN111426633A (zh) | 2020-06-15 | 2020-06-15 | 一种夜间pm2.5质量浓度估算方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111426633A true CN111426633A (zh) | 2020-07-17 |
Family
ID=71551400
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010540136.7A Pending CN111426633A (zh) | 2020-06-15 | 2020-06-15 | 一种夜间pm2.5质量浓度估算方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111426633A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111859054A (zh) * | 2020-07-23 | 2020-10-30 | 中国科学院计算机网络信息中心 | 气象卫星数据的处理方法及装置 |
CN112016696A (zh) * | 2020-08-14 | 2020-12-01 | 武汉大学 | 融合卫星与地基观测的pm1浓度反演方法及系统 |
CN114692716A (zh) * | 2020-12-31 | 2022-07-01 | 千寻位置网络有限公司 | 边界插值精度确定方法、装置、设备及存储介质 |
CN115081557A (zh) * | 2022-08-22 | 2022-09-20 | 北华航天工业学院 | 基于地面监测数据的夜间气溶胶光学厚度估算方法和系统 |
CN115205708A (zh) * | 2022-09-14 | 2022-10-18 | 北华航天工业学院 | 基于npp/viirs的夜间大气pm2.5浓度估算方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109001091A (zh) * | 2018-07-18 | 2018-12-14 | 北京航天宏图信息技术股份有限公司 | 大气污染的卫星遥感监测方法、装置和计算机可读介质 |
CN109583516A (zh) * | 2018-12-24 | 2019-04-05 | 天津珞雍空间信息研究院有限公司 | 一种基于地基和卫星观测的时空连续pm2.5反演方法 |
CN109856021A (zh) * | 2018-12-24 | 2019-06-07 | 天津珞雍空间信息研究院有限公司 | 一种pm2.5反演方法及监测区域分割方法 |
CN110398446A (zh) * | 2019-08-01 | 2019-11-01 | 成都信息工程大学 | 一种结合aod和气象参数的pm2.5浓度拟合方法 |
CN110595968A (zh) * | 2019-08-02 | 2019-12-20 | 中国科学院遥感与数字地球研究所 | 一种基于静止轨道卫星的pm2.5浓度估算方法 |
KR20200042667A (ko) * | 2018-10-16 | 2020-04-24 | 한국전자통신연구원 | 2.5 마이크로미터 이하 미세먼지(pm2.5) 측정 및 정보 제공 장치 및 방법 |
-
2020
- 2020-06-15 CN CN202010540136.7A patent/CN111426633A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109001091A (zh) * | 2018-07-18 | 2018-12-14 | 北京航天宏图信息技术股份有限公司 | 大气污染的卫星遥感监测方法、装置和计算机可读介质 |
KR20200042667A (ko) * | 2018-10-16 | 2020-04-24 | 한국전자통신연구원 | 2.5 마이크로미터 이하 미세먼지(pm2.5) 측정 및 정보 제공 장치 및 방법 |
CN109583516A (zh) * | 2018-12-24 | 2019-04-05 | 天津珞雍空间信息研究院有限公司 | 一种基于地基和卫星观测的时空连续pm2.5反演方法 |
CN109856021A (zh) * | 2018-12-24 | 2019-06-07 | 天津珞雍空间信息研究院有限公司 | 一种pm2.5反演方法及监测区域分割方法 |
CN110398446A (zh) * | 2019-08-01 | 2019-11-01 | 成都信息工程大学 | 一种结合aod和气象参数的pm2.5浓度拟合方法 |
CN110595968A (zh) * | 2019-08-02 | 2019-12-20 | 中国科学院遥感与数字地球研究所 | 一种基于静止轨道卫星的pm2.5浓度估算方法 |
Non-Patent Citations (2)
Title |
---|
张璐 等: "基于HJ-1卫星数据反演长江三角洲地区气溶胶光学厚度", 《遥感技术与应用》 * |
申原 等: "基于随机森林的高分辨率 PM2.5 遥感反演—以广东省为例", 《集成技术》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111859054A (zh) * | 2020-07-23 | 2020-10-30 | 中国科学院计算机网络信息中心 | 气象卫星数据的处理方法及装置 |
CN111859054B (zh) * | 2020-07-23 | 2023-12-26 | 中国科学院计算机网络信息中心 | 气象卫星数据的处理方法及装置 |
CN112016696A (zh) * | 2020-08-14 | 2020-12-01 | 武汉大学 | 融合卫星与地基观测的pm1浓度反演方法及系统 |
CN114692716A (zh) * | 2020-12-31 | 2022-07-01 | 千寻位置网络有限公司 | 边界插值精度确定方法、装置、设备及存储介质 |
CN115081557A (zh) * | 2022-08-22 | 2022-09-20 | 北华航天工业学院 | 基于地面监测数据的夜间气溶胶光学厚度估算方法和系统 |
CN115205708A (zh) * | 2022-09-14 | 2022-10-18 | 北华航天工业学院 | 基于npp/viirs的夜间大气pm2.5浓度估算方法及系统 |
CN115205708B (zh) * | 2022-09-14 | 2023-01-06 | 北华航天工业学院 | 基于npp/viirs的夜间大气pm2.5浓度估算方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111426633A (zh) | 一种夜间pm2.5质量浓度估算方法和装置 | |
CN110567510B (zh) | 大气污染监测方法、系统、计算机设备和存储介质 | |
CN110514626B (zh) | 大气污染监测系统的数据校准方法和大气污染监测系统 | |
Lo | Population estimation using geographically weighted regression | |
CN116527135B (zh) | 站址可用度确定方法、系统、装置、电子设备及存储介质 | |
CN113176420B (zh) | 一种针对电网杆塔点的风速预报订正系统 | |
CN112585505A (zh) | 确定用于农学决策支持的位置特定的天气信息 | |
CN108596029A (zh) | 农作物分类方法、装置、计算机设备和存储介质 | |
CN110520887A (zh) | 用于使用天气数据的统计分析预测经济趋势的系统和方法 | |
Liu et al. | Estimation of terrestrial net primary productivity in China from Fengyun-3D satellite data | |
Al-Hilfi et al. | Estimating generated power of photovoltaic systems during cloudy days using gene expression programming | |
CN111738119B (zh) | 一种基于modis卫星监测的森林山火面积估算方法及装置 | |
CN116663787B (zh) | 一种风光资源评估方法、装置、电子设备和存储介质 | |
CN116485174B (zh) | 一种臭氧污染对作物减产风险评估方法和装置 | |
CN117177096A (zh) | 一种基于窄带卫星网络的高压输电线路监测方法及系统 | |
CN109948175B (zh) | 基于气象数据的卫星遥感反照率缺失值反演方法 | |
CN116678830A (zh) | 基于旋转扇形散射计的海冰提取方法 | |
CN115730718A (zh) | 结合超光谱卫星与人工智能的大气no2时空预测算法 | |
CN113240340B (zh) | 基于模糊分类的大豆种植区分析方法、装置、设备和介质 | |
Xu et al. | Estimation of crop biomass using GF-3 polarization SAR data based on genetic algorithm feature selection | |
CN112070055A (zh) | 积雪覆盖日数的遥感监测方法及遥感监测装置、存储介质 | |
Tian et al. | Estimation of Tropical Cyclone Intensity Using Synthetic Satellite Microwave Temperature Anomaly Structure and a Multifeature Distribution Learning Network | |
CN113469268B (zh) | 基于误差统计分析的输电线路杆塔雨量修正方法及装置 | |
CN116258023B (zh) | 风电场的风速预测方法及终端设备 | |
CN117849908B (zh) | 一种基于模式环流场的梅雨季入梅出梅日期预测方法及装置 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200717 |
|
RJ01 | Rejection of invention patent application after publication |