CN112712219B - 大气污染物浓度的预估方法、系统、电子设备及介质 - Google Patents

大气污染物浓度的预估方法、系统、电子设备及介质 Download PDF

Info

Publication number
CN112712219B
CN112712219B CN202110267023.9A CN202110267023A CN112712219B CN 112712219 B CN112712219 B CN 112712219B CN 202110267023 A CN202110267023 A CN 202110267023A CN 112712219 B CN112712219 B CN 112712219B
Authority
CN
China
Prior art keywords
data
grid
concentration
area
raster
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
CN202110267023.9A
Other languages
English (en)
Other versions
CN112712219A (zh
Inventor
田启明
徐彬仁
刘立峰
王飞鸿
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 Yingshi Ruida Technology Co ltd
Original Assignee
Beijing Insights Value 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 Insights Value Technology Co ltd filed Critical Beijing Insights Value Technology Co ltd
Priority to CN202110267023.9A priority Critical patent/CN112712219B/zh
Publication of CN112712219A publication Critical patent/CN112712219A/zh
Application granted granted Critical
Publication of CN112712219B publication Critical patent/CN112712219B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • 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
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • G06T17/05—Geographic models
    • 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

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Chemical & Material Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Theoretical Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • General Health & Medical Sciences (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • Biochemistry (AREA)
  • Development Economics (AREA)
  • Pathology (AREA)
  • Immunology (AREA)
  • Software Systems (AREA)
  • General Business, Economics & Management (AREA)
  • Analytical Chemistry (AREA)
  • Geometry (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Remote Sensing (AREA)
  • Educational Administration (AREA)
  • Primary Health Care (AREA)
  • Computer Graphics (AREA)
  • Game Theory and Decision Science (AREA)
  • Dispersion Chemistry (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Combustion & Propulsion (AREA)
  • Food Science & Technology (AREA)
  • Medicinal Chemistry (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本说明书一个或多个实施例公开了一种大气污染物浓度的预估方法、系统、电子设备及介质。该大气污染物浓度的预估方法，包括：将目标区域划分为多个栅格区域；将所述目标区域对应时空上的数字高程模型栅格数据、气象数据和地理数据处理为对应所述栅格区域的栅格数据；将所述栅格数据作为预估模型的输入，输出所述栅格区域的大气污染物浓度，可以高频率高分辨率地预估目标区域的大气污染物浓度，克服卫星数据存在的时空限制。

Description

大气污染物浓度的预估方法、系统、电子设备及介质
技术领域
本文件涉及环境监测技术领域，尤其涉及一种大气污染物浓度的预估方法、系统、电子设备及介质。
背景技术
细颗粒物污染PM2.5是大气污染的主要污染之一，随着我国经济的快速发展，细颗粒物污染形势较为严峻，已经成为国家环境监测的重点指标。实时高精度地监测目标区域的空气质量情况更能够追踪污染源的排放问题。
但是，现有的卫星不能够很好的满足全天时、高精度的监测，主要原因如下：静止气象卫星虽然能保证实时监测，但是其分辨率达不到精度要求，例如日本的葵花8号静止卫星的图像分辨率为5KM。极轨卫星的图像分辨率虽然比静止卫星高，但是时间分辨率要比静止卫星低，重访周期一般为15天左右。并且卫星图像上有云层遮挡的地区不能够反演PM2.5的浓度，存在云层遮挡的地区出现反演的PM2.5浓度缺失。如何高频率高分辨率地预估目标区域的大气污染物浓度，克服卫星数据存在的时空限制成为亟需解决的技术问题。
发明内容
本说明书一个或多个实施例的目的是提供一种大气污染物浓度的预估方法、系统及电子设备，可以高频率高分辨率地预估目标区域的大气污染物浓度，克服卫星数据存在的时空限制。
为解决上述技术问题，本说明书一个或多个实施例是这样实现的：
第一方面，提出了一种大气污染物浓度的预估方法，包括：将目标区域划分为多个栅格区域；将所述目标区域对应时空上的数字高程模型栅格数据、气象数据和地理数据处理为对应所述栅格区域的栅格数据；将所述栅格数据作为预估模型的输入，输出所述栅格区域的大气污染物浓度。
第二方面，提出了一种大气污染物浓度的预估系统，包括：栅格划分模块，用于将目标区域划分为多个栅格区域；栅格数据获取模块，用于将所述目标区域对应时空上的数字高程模型栅格数据、气象数据和地理数据处理为对应所述栅格区域的栅格数据；预估模块，用于将所述栅格数据作为预估模型的输入，输出所述栅格区域的大气污染物浓度。
第三方面，提出了一种电子设备，包括：处理器；以及被安排成存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器执行如上文所述的大气污染物浓度的预估方法。
第四方面，提出了一种存储介质，存储一个或多个程序，所述一个或多个程序当被包括多个应用程序的电子设备执行时，使得所述电子设备执行如上文所述的大气污染物浓度的预估方法。
由以上本说明书一个或多个实施例提供的技术方案可见，本申请提供的大气污染物浓度的预估方法，将目标区域划分为多个栅格区域之后，将目标区域对应时空上的数字高程模型栅格数据、气象数据和地理数据处理为对应栅格区域的栅格数据，然后将栅格数据作为预估模型的输入，输出栅格区域的大气污染物浓度。可以高频率高分辨率地预估目标区域的大气污染物浓度，克服卫星数据存在的时空限制。
附图说明
为了更清楚地说明本说明书一个或多个实施例或现有技术中的技术方案，下面将对一个或多个实施例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，下面描述中的附图仅仅是本说明书中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本说明书实施例提供的一种大气污染物浓度的预估方法的步骤示意图。
图2是本说明书实施例提供的另一种大气污染物浓度的预估方法的步骤示意图。
图3是本说明书实施例提供的又一种大气污染物浓度的预估方法的步骤示意图。
图4是本说明书实施例提供的又一种大气污染物浓度的预估方法的步骤示意图。
图5是本说明书实施例提供的又一种大气污染物浓度的预估方法的步骤示意图。
图6是本说明书实施例提供的又一种大气污染物浓度的预估方法的步骤示意图。
图7是本说明书实施例提供的又一种大气污染物浓度的预估方法的步骤示意图。
图8是本说明书实施例提供的又一种大气污染物浓度的预估方法的示例中某工业园区地面站点分布示意图。
图9是采用本说明书实施例提供的又一种大气污染物浓度的预估方法得到的预估模型对图7所示某工业园区预测出大气污染物浓度的分布示例示意图。
图10是图8所示的预测结果与地面站点的监测结果的对比示意图。
图11是本说明书实施例提供的一种大气污染物浓度的预估系统的结构示意图。
图12是本说明书的一个实施例提供的电子设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本说明书中的技术方案，下面将结合本说明书一个或多个实施例中的附图，对本说明书一个或多个实施例中的技术方案进行清楚、完整地描述，显然，所描述的一个或多个实施例仅仅是本说明书一部分实施例，而不是全部的实施例。基于本说明书中的一个或多个实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都应当属于本文件的保护范围。
利用本说明书实施例提供的大气污染物浓度的预估方法可以高频率高分辨率地预估目标区域的大气污染物浓度，克服卫星数据存在的时空限制。下面将详细地描述本发明实施例提供的大气污染物浓度的预估方法及其各个步骤。
实施例一
参照图1所示，为本说明书实施例提供的大气污染物浓度的预估方法的步骤示意图。该大气污染物浓度的预估方法，包括：
步骤10：将目标区域划分为多个栅格区域；
本发明实施例提供的大气污染物浓度的预估方法是利用预估模型预估目标区域的大气污染物浓度，目标区域内可以不设置地面站点。将目标区域划分为多个栅格区域，目的在于可以预测栅格区域的大气污染物浓度，栅格区域的划分粒度可以根据预估模型训练时所采用的划分粒度，这样可以保证预测精度。
步骤20：将目标区域对应时空上的数字高程模型栅格数据、气象数据和地理数据处理为对应栅格区域的栅格数据；
时空分布的气象数据、地理数据和数字高程模型栅格数据可以根据监测区域的地理位置和监测时间段选取，将目标区域对应时空上的数字高程模型栅格数据、气象数据和地理数据处理为对应栅格区域的栅格数据，选取监测时间段内的栅格数据，为每一个栅格区域匹配栅格数据，每一个栅格区域对应有各自的栅格数据，具体地可以将栅格区域的位置信息与栅格数据的位置信息一一进行匹配，将该栅格数据作为预估模型的输入来预测该栅格区域的大气污染物浓度。数学高程模型，简称DEM（英文全称：Digital ElevationModel），是通过有限的地形高程数据对地面地形的数字化模拟，即地形表面形态的数字化表达。数学高程模型栅格数据即为数字高程模型数据，是栅格数据模型的一种。
步骤30：将栅格数据作为预估模型的输入，输出栅格区域的大气污染物浓度。
大气污染物可以是PM2.5，可以利用预估模型预测PM2.5浓度，将栅格数据作为预估模型的输入，预估出栅格区域的PM2.5浓度。
Figure 988278DEST_PATH_IMAGE001
需要说明的是，气象数据包括：大气污染气体、大气污染气体浓度、垂直风速U、水平风速V、总风速WIND、大气近地面温度TEMP、气压PRES、大气相对湿度RH。大气污染气体包括SO2、NO2、HCHO、CO、O3。考虑到空间位置和时间变化的影响，将栅格区域对应的经纬度和大气污染物浓度的获取时间也作为特征，其中时间是将日期（年月日）的，可以将日期转化为儒略日，小时也单独作为一个特征（0-23h）。因此，地理数据包括：归一化植被指数NDVI、地物分类数据LC、人口密度数据P，儒略日DOY（一年中的第几天），小时HOUR（0-23）。
参照图2所示，在一些实施例中，本发明实施例提供的预估方法，步骤20：将目标区域对应时空上的数字高程模型栅格数据、气象数据和地理数据处理为对应栅格区域的栅格数据，具体包括：
步骤200：将栅格区域的位置信息转化为矢量点图层；
在将目标区域对于对应时空上的数字高程模型栅格数据、气象数据和地理数据处理为对应监测子区的栅格数据时，可以将栅格区域的位置信息转化为矢量点图层。矢量点图层可以从目标区域对应时空上的数字高程模型栅格数据、气象数据和地理数据中自动提取对应栅格区域的栅格数据。
需要说明的是，栅格区域是具有一定面积的地理区域，可以是500平方米的地理区域，在执行本发明实施例提供的预估方法时，可以将栅格区域中部分具有代表性的点的位置信息转化为矢量点图层。也可以将栅格区域内所有点的位置信息比如经纬度转化为矢量点图层，由此可以在下面的步骤中利用矢量点图层自动提取对应栅格区域内所有点的数字高程模型栅格数据、气象数据和地理数据作为栅格数据，可以提高本发明实施例提供的预估方法的预估精度。
步骤210：利用矢量点图层自动提取对应栅格区域的数字高程模型栅格数据、气象数据和地理数据作为栅格数据。
目的是在监测时间段内，将栅格区域的位置信息与栅格数据的位置信息进行时空匹配：
Figure 843101DEST_PATH_IMAGE002
其中，（lat1，lon1）和（lat2，lon2）分别表示栅格区域内点的经纬度和栅格数据的经纬度，求两者之间的距离d，小于或等于0.01认为是同一地点，实现栅格区域的位置信息与栅格数据的位置信息一一对应。
参照图3所示，在一些实施例中，步骤30：将栅格数据作为预估模型的输入，输出栅格区域的大气污染物浓度之前，本发明实施例提供的预估方法，还包括：
步骤40：采用监测子区对应的栅格数据和大气污染浓度对预估模型进行训练。
监测子区的颗粒度可以根据需要进行设定，比如500平方米或者1000平方米，监测子区的粒度越小可以提高预估大气污染物浓度的分辨率。
参照图4所示，在一些实施例中，本发明实施例提供的预估方法中，步骤40：采用监测子区对应的栅格数据和大气污染浓度对预估模型进行训练，具体包括：
步骤400：将监测区域划分为多个监测子区；
训练预估模型时，将训练的监测区域划分为多个监测子区，划分原则可以是将监测区域划分为栅格状的监测子区，监测子区的粒度可以根据需要进行设定，比如500平方米或者1000平方米，采用不同粒度的栅格划分监测区域得到的监测子区可以使得预估模型在预测目标区域的大气污染物浓度时，可以预测目标区域对应粒度的栅格区域。也可以结合监测区域的形状和面积进行划分。
步骤410：利用监测子区设置的地面站点获取监测子区的大气污染物浓度；
在监测子区设置有地面站点，用来获取监测子区的大气污染物浓度。监测子区设置的地面站点可以是每一个点都设置，也可以是具有典型性位置的点设置地面站点，还可以是所有的监测子区设置地面站点。可以是部分监测子区设置地面站点，总之是采用设置有地面站点的监测子区相关的栅格数据和大气污染物浓度训练预估模型。
步骤420：对监测子区的大气污染物浓度进行筛选，得到浓度正常值；
对地面站点获取的监测子区的大气污染物浓度进行筛选，得到浓度正常值。如果监测子区设置的地面站点获取的大气污染物是PM2.5，可以剔除PM2.5浓度的监测异常值，保留PM2.5浓度的正常值：
Figure 888418DEST_PATH_IMAGE003
其中， 表示PM2.5浓度的均值， 表示PM2.5浓度的标准差，PM2.5浓度落在上述区间为PM2.5浓度的正常值，不在该区间内的监测异常值直接剔除。
步骤430：将监测区域对应时空上的数字高程模型栅格数据、气象数据和地理数据处理为对应监测子区的栅格数据；
监测区域对应有以时空分布的数字高程模型栅格数据、气象数据和地理数据，将监测区域对应时空上的数字高程模型栅格数据、气象数据和地理数据处理为对应监测子区的栅格数据，即监测子区对应有各自的栅格数据。对于监测子区，寻找对应的栅格数据与大气污染物浓度之间的关系，从而使得预估模型寻找到监测子区对应的栅格数据和大气污染物浓度之间的关系。
大气污染物浓度是地面站点监测得到，气象数据可以是卫星云图气象数据或者再分析资料，数字高程模型栅格数据可以由雷达卫星提供。将监测区域对应时空上的数字高程模型栅格数据、气象数据和地理数据处理为对应监测子区的栅格数据。比如对监测区域按照一小时频率，500平方米的粒度（监测子区的大小）获取大气污染物浓度，那么将监测区域对应时空分布的数字高程模型栅格数据、气象数据和地理数据处理为对应监测子区的栅格数据。在基于监测子区的栅格数据和正常浓度值训练预估模型后，可以使得该预估模型同样可以按照一小时频率，500平方米的粒度获取目标区域的大气污染物浓度，从而避免由于卫星数据存在的时空限制。
步骤440：基于浓度正常值和栅格数据进行模型训练。
基于对应栅格区域的栅格数据与浓度正常值训练预估模型，完成预估模型的训练后，将目标区域划分为多个栅格区域，对应栅格区域的栅格数据作为该预估模型的输入，可以预测该栅格区域的大气污染物浓度。
采用该预估模型可以预测PM2.5：
Figure 61407DEST_PATH_IMAGE006
参照图5所示，在一些实施例中，大气污染物浓度为PM2.5，步骤440：基于浓度正常值和栅格数据训练预估模型之前，本发明实施例提供的预估方法，还包括：
步骤60：对浓度正常值进行湿度订正，湿度影响因子为：
Figure 734965DEST_PATH_IMAGE008
其中，
Figure 668286DEST_PATH_IMAGE009
，RH为大气相对湿度。
参照图6所示，在一些实施例中，步骤440：基于浓度正常值和栅格数据训练预估模型之前，本发明实施例提供的预估方法，还包括：
步骤70：基于栅格数据中的水平风速和垂直风速得出总风速，加入至栅格数据。
Figure 868323DEST_PATH_IMAGE010
其中，U为水平风速，V为垂直风速。
参照图7所示，在一些实施例中，步骤440：基于浓度正常值和栅格数据训练预估模型之前，本发明实施例提供的预估方法，还包括：
步骤80：对栅格区域的位置信息进行特征变换。
对于栅格区域中每一个点的经纬度，进行对数变换：
Figure DEST_PATH_IMAGE011
；
Figure 64949DEST_PATH_IMAGE012
；
其中lon是该点的经度，lat是该点的纬度。
下面给出具体示例说明本发明实施例提供的大气污染物浓度的预估方法。
参照图8所示，以某市某工业园区为应用案例，通过2020年7月12日-2020年7月16日地面站点监测得到的大气污染物浓度作为训练数据，建立预估模型预测PM2.5浓度。图8为某工业园区所在主城区的示意图，其中，箭头所指的区域为目标区域，目标区域包括500米×500米的栅格区域，目标区域中的黑色加粗边界为某工业园区的边界。图8中的圆点包括国家地面站点，颜色为黑色，以及本发明实施例提供的预估方法设置的地面站点，颜色为灰色，在预估模型训练时，可以使用所有站点监测得到的大气污染物浓度，并且将整个主城区作为监测区域划分为多个监测子区，另外将整个主城区对应时空上的数字高程模型栅格数据、气象数据和地理数据处理为对应监测子区的栅格数据。利用得到的栅格数据和地面站点获得的大气污染物浓度进行模型训练。
参照图9所示为预估模型输出的该工业园区所在的主城区的PM2.5浓度的分布图，可以看出，该工业园区12点时刻的PM2.5浓度相比主城区的东部区域较低，空气质量较好。
参照图10所示为预估模型的预测结果与地面站点监测得到的监测结果的对比验证，由图10可知，采用本发明实施例提供的预估模型预估方法得到的预估模型的精度较高，相关性R2达到0.87，表明该预估模型在该工业园区预测的PM2.5浓度结果较为可靠。
通过上述技术方案，本申请提供的大气污染物浓度的预估方法，将目标区域划分为多个栅格区域之后，将目标区域对应时空上的数字高程模型栅格数据、气象数据和地理数据处理为对应栅格区域的栅格数据，然后将栅格数据作为预估模型的输入，输出栅格区域的大气污染物浓度。可以高频率高分辨率地预估目标区域的大气污染物浓度，克服卫星数据存在的时空限制。
实施例二
参照图11所示，为本说明书实施例提供的大气污染物浓度的预估系统1。该大气污染物浓度的预估系统，包括：
栅格划分模块10，用于将目标区域划分为多个栅格区域；
本发明实施例提供的大气污染物浓度的预估方法是利用预估模型预估目标区域的大气污染物浓度，目标区域内可以不设置地面站点。将目标区域划分为多个栅格区域，目的在于可以预测栅格区域的大气污染物浓度，栅格区域的划分粒度可以根据预估模型训练时所采用的划分粒度，这样可以保证预测精度。
栅格数据获取模块20，用于将目标区域对应时空上的数字高程模型栅格数据、气象数据和地理数据处理为对应栅格区域的栅格数据；
时空分布的气象数据、地理数据和数字高程模型栅格数据可以根据监测区域的地理位置和监测时间段选取，将目标区域对应时空上的数字高程模型栅格数据、气象数据和地理数据处理为对应栅格区域的栅格数据，将该栅格数据作为预估模型的输入来预测该栅格区域的大气污染物浓度。
预估模块30，用于将栅格数据作为预估模型的输入，输出栅格区域的大气污染物浓度。
大气污染物可以是PM2.5，可以利用预估模型预测PM2.5浓度，将栅格数据作为预估模型的输入，预估出栅格区域的PM2.5浓度。
Figure 553699DEST_PATH_IMAGE014
需要说明的是，气象数据包括：大气污染气体、大气污染气体浓度、垂直风速U、水平风速V、总风速WIND、大气近地面温度TEMP、气压PRES、大气相对湿度RH。大气污染气体包括SO2、NO2、HCHO、CO、O3。考虑到空间位置和时间变化的影响，将栅格区域对应的经纬度和大气污染物浓度的获取时间也作为特征，其中时间是将日期（年月日）的，可以将日期转化为儒略日，小时也单独作为一个特征（0-23h）。因此，地理数据包括：归一化植被指数NDVI、地物分类数据LC、人口密度数据P，儒略日DOY（一年中的第几天），小时HOUR（0-23）。
在一些实施例中，本发明实施例提供的预估系统，栅格数据获取模块13，还用于：
将栅格区域的位置信息转化为矢量点图层；
在将监测对于对应时空上的数字高程模型栅格数据、气象数据和地理数据处理为对应监测子区的栅格数据时，可以将栅格区域的位置信息转化为矢量点图层。矢量点图层可以自动提取监测区域对应栅格区域的栅格数据作为栅格数据。
利用矢量点图层自动提取对应栅格区域的气象数据和地理数据作为栅格数据。
目的是在监测时间段内，实现栅格区域的位置信息与栅格数据的位置信息进行时空匹配：
Figure DEST_PATH_IMAGE015
其中，（lat1，lon1）和（lat2，lon2）分别表示地面站点的经纬度和栅格数据的经纬度，求两者之间的距离d，小于或等于0.01认为是同一地点。
通过上述技术方案，本申请提供的大气污染物浓度的预估方法，将目标区域划分为多个栅格区域之后，将目标区域对应时空上的数字高程模型栅格数据、气象数据和地理数据处理为对应栅格区域的栅格数据，然后将栅格数据作为预估模型的输入，输出栅格区域的大气污染物浓度。可以高频率高分辨率地预估目标区域的大气污染物浓度，克服卫星数据存在的时空限制。
实施例三
图12是本说明书实施例提供的一个实施例的电子设备的结构示意图。在硬件层面，该电子设备包括处理器，可选地还包括内部总线、网络接口、存储器。其中，存储器可能包含内存，例如高速随机存取存储器(Random-Access Memory，RAM)，也可能还包括非易失性存储器（non-volatile memory），例如至少1个磁盘存储器等。当然，该电子设备还可能包括其他业务所需要的硬件。
处理器、网络接口和存储器可以通过内部总线相互连接，该内部总线可以是ISA(Industry Standard Architecture，工业标准体系结构）总线、PCI(PeripheralComponent Interconnect，外设部件互连标准)总线或EISA(Extended Industry StandardArchitecture，扩展工业标准结构）总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示，图12中仅用一个双向箭头表示，但并不表示仅有一根总线或一种类型的总线。
存储器，用于存放程序。具体地，程序可以包括程序代码，所述程序代码包括计算机操作指令。存储器可以包括内存和非易失性存储器，并向处理器提供指令和数据。
处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行，在逻辑层面上形成区块链共识装置。处理器，执行存储器所存放的程序，并具体用于执行本说明书实施例中各执行主体所对应的方法步骤。
上述如本说明书图1至图7所示实施例揭示的方法可以应用于处理器中，或者由处理器实现。处理器可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器可以是通用处理器，包括中央处理器（Central Processing Unit，CPU）、网络处理器（Network Processor，NP）等；还可以是数字信号处理器（Digital Signal Processor，DSP）、专用集成电路（Application Specific Integrated Circuit，ASIC）、现场可编程门阵列（Field－Programmable Gate Array，FPGA）或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本说明书一个或多个实施例中公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本说明书一个或多个实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器，处理器读取存储器中的信息，结合其硬件完成上述方法的步骤。
该电子设备还可执行图1至图7所示实施例的方法，并实现相应装置在图11所示实施例的功能，本说明书实施例在此不再赘述。
当然，除了软件实现方式之外，本说明书实施例的电子设备并不排除其他实现方式，比如逻辑器件抑或软硬件结合的方式等等，也就是说以下处理流程的执行主体并不限定于各个逻辑单元，也可以是硬件或逻辑器件。
通过上述技术方案，本申请提供的大气污染物浓度的预估方法，将目标区域划分为多个栅格区域之后，将目标区域对应时空上的数字高程模型栅格数据、气象数据和地理数据处理为对应栅格区域的栅格数据，然后将栅格数据作为预估模型的输入，输出栅格区域的大气污染物浓度。可以高频率高分辨率地预估目标区域的大气污染物浓度，克服卫星数据存在的时空限制。
实施例四
本说明书实施例还提出了一种计算机可读存储介质，该计算机可读存储介质存储一个或多个程序，该一个或多个程序包括指令，该指令当被包括多个应用程序的电子设备执行时，能够使该电子设备执行图1至图7所示实施例的方法。
通过上述技术方案，本申请提供的大气污染物浓度的预估方法，将目标区域划分为多个栅格区域之后，将目标区域对应时空上的数字高程模型栅格数据、气象数据和地理数据处理为对应栅格区域的栅格数据，然后将栅格数据作为预估模型的输入，输出栅格区域的大气污染物浓度。可以高频率高分辨率地预估目标区域的大气污染物浓度，克服卫星数据存在的时空限制。
总之，以上所述仅为本说明书的较佳实施例而已，并非用于限定本说明书的保护范围。凡在本说明书的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本说明书的保护范围之内。
上述一个或多个实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
还需要说明的是，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。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

Claims (9)

1.一种大气污染物浓度的预估方法，包括：
将目标区域划分为多个栅格区域；利用预估模型预估目标区域的大气污染物浓度；根据预估模型训练时所采用的划分粒度划分所述栅格区域；
将所述目标区域对应时空上的数字高程模型栅格数据、气象数据和地理数据处理为对应所述栅格区域的栅格数据；根据监测区域的地理位置和监测时间段选取气象数据、地理数据和数字高程模型栅格数据；选取监测时间段内的栅格数据，为每一个栅格区域匹配栅格数据，每一个栅格区域对应有各自的栅格数据；
将所述栅格数据作为预估模型的输入，输出所述栅格区域的大气污染物浓度;
所述将所述目标区域对应时空上的数字高程模型栅格数据、气象数据和地理数据处理为对应所述栅格区域的栅格数据，包括：
将所述栅格区域的位置信息转化为矢量点图层；
利用所述矢量点图层自动提取对应所述栅格区域的所述数字高程模型栅格数据、所述气象数据和所述地理数据作为栅格数据;
将所述目标区域的位置信息与所述栅格数据的位置信息进行时空匹配公式为：
Figure 952217DEST_PATH_IMAGE001
其中，（lat1，lon1）和（lat2，lon2）分别表示栅格区域内点的经纬度和栅格数据的经纬度，两者之间的距离d;
将所述两者之间的距离d与预设阈值进行比较，得到比较结果；
根据所述比较结果判断所述目标区域的位置信息与所述栅格数据的位置信息是否相同。
2.如权利要求1所述的预估方法，将所述栅格数据作为预估模型的输入，输出所述栅格区域的大气污染物浓度之前，所述方法，还包括：
采用监测子区对应的栅格数据和大气污染浓度对所述预估模型进行训练。
3.如权利要求2所述的预估方法，采用监测子区对应的栅格数据和大气污染浓度对所述预估模型进行训练，具体包括：
将监测区域划分为多个所述监测子区；
利用所述监测子区设置的地面站点获取所述监测子区的所述大气污染物浓度；
对所述监测子区的所述大气污染物浓度进行筛选，得到浓度正常值；
将所述监测区域对应时空上的数字高程模型栅格数据、气象数据和地理数据处理为对应所述监测子区的所述栅格数据；
基于所述浓度正常值和所述栅格数据进行模型训练。
4.如权利要求3所述的预估方法，所述大气污染物浓度为PM2.5，基于所述浓度正常值和所述栅格数据进行模型训练之前，所述方法，还包括：
对所述浓度正常值进行湿度订正，所述湿度影响因子为：
Figure 263112DEST_PATH_IMAGE002
其中，
Figure 330426DEST_PATH_IMAGE003
，RH为大气相对湿度的百分数。
5.如权利要求4所述的预估方法，基于所述浓度正常值和所述栅格数据训练所述预估模型之前，所述方法，还包括：
基于所述栅格数据中的水平风速和垂直风速得出总风速，加入至所述栅格数据；和/或，
对所述栅格区域的位置信息进行特征变换。
6.一种实现权利要求1-5任一项所述大气污染物浓度的预估方法的系统，包括：
栅格划分模块，用于将目标区域划分为多个栅格区域；
栅格数据获取模块，用于将所述目标区域对应时空上的数字高程模型栅格数据、气象数据和地理数据处理为对应所述栅格区域的栅格数据；
预估模块，用于将所述栅格数据作为预估模型的输入，输出所述栅格区域的大气污染物浓度。
7.如权利要求6的预估系统，栅格数据获取模块，还用于：
将所述栅格区域的位置信息转化为矢量点图层；
利用矢量点图层自动提取对应栅格区域的所述数字高程模型栅格数据、所述气象数据和所述地理数据作为栅格数据。
8.一种电子设备，包括：
处理器；以及
被安排成存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器执行如权利要求1至5中任一项所述的大气污染物浓度的预估方法。
9.一种存储介质，存储一个或多个程序，所述一个或多个程序当被包括多个应用程序的电子设备执行时，使得所述电子设备执行如权利要求1至5中任一项所述的大气污染物浓度的预估方法。
CN202110267023.9A 2021-03-11 2021-03-11 大气污染物浓度的预估方法、系统、电子设备及介质 Active CN112712219B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110267023.9A CN112712219B (zh) 2021-03-11 2021-03-11 大气污染物浓度的预估方法、系统、电子设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110267023.9A CN112712219B (zh) 2021-03-11 2021-03-11 大气污染物浓度的预估方法、系统、电子设备及介质

Publications (2)

Publication Number Publication Date
CN112712219A CN112712219A (zh) 2021-04-27
CN112712219B true CN112712219B (zh) 2021-11-12

Family

ID=75550227

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110267023.9A Active CN112712219B (zh) 2021-03-11 2021-03-11 大气污染物浓度的预估方法、系统、电子设备及介质

Country Status (1)

Country Link
CN (1) CN112712219B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116994146B (zh) * 2023-09-26 2023-12-29 航天宏图信息技术股份有限公司 基于sl4did近地面污染物短临预报方法、装置及设备
CN117237647B (zh) * 2023-11-15 2024-01-26 成都嘉德数源环保科技有限公司 一种大气污染监测系统及方法
CN117952025B (zh) * 2024-03-27 2024-06-18 北京英视睿达科技股份有限公司 卫星自主规划的大气污染物监测方法、装置、设备及介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090094181A1 (en) * 2007-09-28 2009-04-09 Korean Electrical Power Corperation Method of estimating salt contamination
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
CN109030301A (zh) * 2018-06-05 2018-12-18 中南林业科技大学 基于遥感数据的气溶胶光学厚度反演方法
CN109213839A (zh) * 2018-09-12 2019-01-15 北京英视睿达科技有限公司 基于网格化特征深度学习的热点网格污染物数据获取方法
US20190018918A1 (en) * 2017-07-11 2019-01-17 The Trustees Of Princeton University System and method for performing accurate hydrologic determination using disparate weather data sources
CN109543592A (zh) * 2018-11-19 2019-03-29 北京英视睿达科技有限公司 基于遥感地物确定大气污染热点网格的方法及装置

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090094181A1 (en) * 2007-09-28 2009-04-09 Korean Electrical Power Corperation Method of estimating salt contamination
US20190018918A1 (en) * 2017-07-11 2019-01-17 The Trustees Of Princeton University System and method for performing accurate hydrologic determination using disparate weather data sources
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
CN109030301A (zh) * 2018-06-05 2018-12-18 中南林业科技大学 基于遥感数据的气溶胶光学厚度反演方法
CN109213839A (zh) * 2018-09-12 2019-01-15 北京英视睿达科技有限公司 基于网格化特征深度学习的热点网格污染物数据获取方法
CN109543592A (zh) * 2018-11-19 2019-03-29 北京英视睿达科技有限公司 基于遥感地物确定大气污染热点网格的方法及装置

Also Published As

Publication number Publication date
CN112712219A (zh) 2021-04-27

Similar Documents

Publication Publication Date Title
CN112712219B (zh) 大气污染物浓度的预估方法、系统、电子设备及介质
Najibi et al. Recent trends in the frequency and duration of global floods
CN106709127B (zh) 利用cfd和卫星数据提取污染排放源
McNicholl et al. Evaluating the reliability of air temperature from ERA5 reanalysis data
CN116739191B (zh) 热点网格识别方法、装置、存储介质及电子设备
CN114528978A (zh) 电离层tec的预测方法、装置、设备及存储介质
CN113033063A (zh) 海表温度的反演方法、装置、电子设备及存储介质
Maneechot et al. Evaluating the necessity of post-processing techniques on d4PDF data for extreme climate assessment
CN113868889A (zh) 一种基于数字高程模型的洪水淹没分析方法、系统、设备及存储介质
CN115239027B (zh) 空气质量格点化集合预报的方法及装置
CN115424131B (zh) 一种云检测最优阈值选取方法、云检测方法及系统
CN116703002A (zh) 一种海岸带土地利用优化方法及设备
CN112699204B (zh) 空间匹配窗口的确定方法和装置
CN115859026A (zh) 一种高分辨率近地面pm2.5浓度遥感反演方法及装置
CN115730718A (zh) 结合超光谱卫星与人工智能的大气no2时空预测算法
CN112465878B (zh) 一种基于粒子滤波的位置预测方法及设备
CN114152302A (zh) 湖泊蓄水变化量估算方法、系统、电子设备和介质
Chang et al. Modeling spatial variations of sea level rise and corresponding inundation impacts: A case study for Florida, USA
Zhan et al. Prediction Model of Land Use and Land Cover Changes in Beijing Based on Ann and Markov_CA Model
Makinano-Santillan et al. Analyzing the Effects of Land Use/Cover Change (lulcc) Simulation on Flooding: a Case Study in Las Nieves, Agusan del Norte, Mindanao, Philippines
Shihora et al. Accounting for residual errors in atmosphere–ocean background models applied in satellite gravimetry
Malić et al. A method and a model for risk assessment of GNSS utilisation with a proof-of-principle demonstration for polar GNSS maritime applications
CN117686669B (zh) 一种无组织排放源网格化监测方法、装置、设备和介质
CN112949882A (zh) 一种负荷预测的方法、装置及电子设备
CN116541479B (zh) 瓦块数据编译方法、装置、计算机设备和存储介质

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
CP01 Change in the name or title of a patent holder
CP01 Change in the name or title of a patent holder

Address after: 100071 Beijing Fengtai Auto Museum West Road No. 8 Courtyard 1 Building 6 Floor 606

Patentee after: Beijing Yingshi Ruida Technology Co.,Ltd.

Address before: 100071 Beijing Fengtai Auto Museum West Road No. 8 Courtyard 1 Building 6 Floor 606

Patentee before: BEIJING INSIGHTS VALUE TECHNOLOGY Co.,Ltd.