CN112990024A - 一种城市扬尘的监测方法 - Google Patents

一种城市扬尘的监测方法 Download PDF

Info

Publication number
CN112990024A
CN112990024A CN202110293030.6A CN202110293030A CN112990024A CN 112990024 A CN112990024 A CN 112990024A CN 202110293030 A CN202110293030 A CN 202110293030A CN 112990024 A CN112990024 A CN 112990024A
Authority
CN
China
Prior art keywords
area
image data
data
monitored
satellite image
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.)
Granted
Application number
CN202110293030.6A
Other languages
English (en)
Other versions
CN112990024B (zh
Inventor
马占军
郑高强
兰德顺
黎臣
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.)
Shenzhen Bowo Wisdom Technology Co ltd
Original Assignee
Shenzhen Bowo Wisdom 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 Shenzhen Bowo Wisdom Technology Co ltd filed Critical Shenzhen Bowo Wisdom Technology Co ltd
Priority to CN202110293030.6A priority Critical patent/CN112990024B/zh
Publication of CN112990024A publication Critical patent/CN112990024A/zh
Application granted granted Critical
Publication of CN112990024B publication Critical patent/CN112990024B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/13—Satellite images
    • 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
    • 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
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • 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
    • 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

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Chemical & Material Sciences (AREA)
  • Biochemistry (AREA)
  • Pathology (AREA)
  • Computational Linguistics (AREA)
  • Environmental & Geological Engineering (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Immunology (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Biophysics (AREA)
  • Analytical Chemistry (AREA)
  • Biomedical Technology (AREA)
  • Ecology (AREA)
  • Multimedia (AREA)
  • Dispersion Chemistry (AREA)
  • Remote Sensing (AREA)
  • Atmospheric Sciences (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Astronomy & Astrophysics (AREA)
  • Environmental Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Image Processing (AREA)

Abstract

一种城市扬尘的监测方法，所述的监测方法通过待监测区域的卫星影像数据，确定该区域的裸露地表空间分布。进一步获取裸露地表区域邻近的扬尘监测设备，获取扬尘监测设备位置处的气象数据、归一化植被指数数据、扬尘数据，建立扬尘高值判断模型。结合监测区域的气象数据与归一化植被指数数据，确定待监测区域中各个裸露地表的扬尘高值情况，从而当该区域中一裸露地表区域为扬尘高值，将该区域标识为扬尘高值区域，可对待监测区域的扬尘值进行动态监测。

Description

一种城市扬尘的监测方法
技术领域
本发明涉及生态环境保护技术领域，具体涉及一种城市扬尘的监测方法。
背景技术
近年来，中国城市大气环境问题日益严重。各城市雾霾发生次数增加，空气质量变差，受到全社会的关注。空气质量变差的重要因素是空气颗粒物排放源，即扬尘源，扬尘源主要包括露天放置的土堆、料堆，裸露地面、建筑工地等，换而言之，裸露地表是城市扬尘的重要来源，其包括城市未铺装道路、房屋建设开挖裸露的土地等。有研究表明，扬尘中颗粒物的空气动力学直径小于10um(PM10)时，其浓度增加不仅会导致心脑血管死亡率增加，而且对人体的呼吸系统造成损害，诱发呼吸系统疾病。因此PM10(扬尘值)是各城市扬尘监测的重要指标。
传统的扬尘监测手段是人工调查结合设备定点监测，其覆盖范围小，代表性低，容易受人为干扰影响。
发明内容
为解决上述问题，本申请提供一种城市扬尘的监测方法，可以动态监测城市区域的扬尘情况。
根据第一方面，一种实施例中提供一种城市扬尘的监测方法，包括：
获取待监测区域的卫星影像数据；
根据所述卫星影像数据，确定所述卫星影像数据中的裸露地表空间分布；
基于所述裸露地表空间分布确定待监测区域中的裸露地表区域以及所述裸露地表区域临近的监测设备所在位置；获取所述监测设备所在位置的气象数据、归一化植被指数数据和扬尘监测数据，再根据所述气象数据、归一化植被指数数据和扬尘监测数据建立第二机器预测模型；
利用所述第二机器预测模型，根据待监测区域的气象数据、归一化植被指数数据和裸露代表区域空间分布，确定待监测区域中的扬尘高值分布区域；根据所述卫星影像数据中的裸露地表空间分布以及待监测区域中的扬尘高值分布区域，确定待监测区域中的扬尘高值裸露地表，即待监测区域中的扬尘排放源。
一实施例中，根据所述卫星影像数据，确定所述卫星影像数据中的裸露地表空间分布，包括：
预先建立第一机器预测模型，将所述卫星影像数据输入所述第一机器预测模型中，确定所述卫星影像数据中的裸露地表空间分布；其中，所述第一机器预测模型用于通过已标识裸露地表空间分布的卫星影像数据，预测第二时间的卫星影像数据中的裸露地表空间分布。
一实施例中，所述第一机器预测模型通过以下方式建立：
获取第一训练集，所述第一训练集包括影像样本数据集和标签样本数据集；所述影像样本数据集包括预设数量的样本影像数据，所述标签样本数据集包括预设数量的标签影像数据，所述标签影像数据为对应的样本影像数据中裸露地表区域和非裸露地表区域进行标注的数据；
利用所述第一训练集，通过机器学习，训练得到所述第一机器预测模型。
一实施例中，利用所述裸露地表扬尘高值判断模块，根据待监测区域的气象数据、归一化植被指数数据和裸露代表区域空间分布，确定待监测区域中的扬尘高值分布区域，包括：
将所述卫星影像数据的裸露地表空间分布、气象数据、归一化植被指数数据输入所述第二机器预测模型中，确定所述卫星影像数据中扬尘高值所在的裸露地表区域，即得到待监测区域的扬尘高值分布区域；
其中，所述第二机器预测模型用于通过所述监测设备所在位置的气象数据、归一化植被指数数据，扬尘值数据进行建立，预测第二时间所述卫星影像数据中扬尘高值，结合第二时间的卫星影像数据中的裸露地表区域，确定待监测区域中的扬尘高值裸露地表。
一实施例中，所述第二机器预测模型通过以下方式建立：
获取第二训练集，所述第二训练集包括多个时间的所述监测设备所在位置的气象数据、归一化植被指数数据，以及监测设备所监测的扬尘监测数据；
利用所述第二训练集，通过机器学习，训练得到所述第二机器预测模型。
一实施例中，所述监测设备所在位置的气象数据至少包括风速的U分量、风速的V分量和空气相对湿度。
一实施例中，在获取待监测区域的卫星影像数据之后，根据所述卫星影像数据，确定所述卫星影像数据中的裸露地表区域之前，还包括：
对待监测区域的卫星影像数据进行预处理，所述预处理至少包括裁剪处理和拼接处理。
根据第二方面，一种实施例中提供一种计算机可读存储介质，所述介质上存储有程序，所述程序能够被处理器执行以实现上述实施例所述的方法。
依据上述实施例的城市扬尘的监测方法，通过待监测区域的卫星影像数据，确定卫星影像数据中的裸露地表区域，进一步确定裸露地表区域临近的监测设备所在位置，获取监测设备所在位置的气象数据和监测设备所在位置的归一化植被指数数据，再根据卫星影像数据、气象数据和归一化植被指数数据确定待监测区域的卫星影像数据中各个区域裸露地表的扬尘值情况，从而当判断卫星影像数据中裸露地表的扬尘值超过警界扬尘值时，则将该区域标识为城市扬尘源，可对待监测区域的扬尘源进行动态监测。
附图说明
图1为一种实施例的城市扬尘的监测方法流程图；
图2为一种实施例的第一机器预测模型的方法流程图；
图3为样本影像数据的示意图；
图4为样本标签影像数据的示意图；
图5为卫星影像数据中裸露地表区域示意图；
图6为扬尘高值所在裸露地表区域的示意图；
图7为一种实施例的第一机器预测模型的方法流程图。
具体实施方式
下面通过具体实施方式结合附图对本发明作进一步详细说明。其中不同实施方式中类似元件采用了相关联的类似的元件标号。在以下的实施方式中，很多细节描述是为了使得本申请能被更好的理解。然而，本领域技术人员可以毫不费力的认识到，其中部分特征在不同情况下是可以省略的，或者可以由其他元件、材料、方法所替代。在某些情况下，本申请相关的一些操作并没有在说明书中显示或者描述，这是为了避免本申请的核心部分被过多的描述所淹没，而对于本领域技术人员而言，详细描述这些相关操作并不是必要的，他们根据说明书中的描述以及本领域的一般技术知识即可完整了解相关操作。
另外，说明书中所描述的特点、操作或者特征可以以任意适当的方式结合形成各种实施方式。同时，方法描述中的各步骤或者动作也可以按照本领域技术人员所能显而易见的方式进行顺序调换或调整。因此，说明书和附图中的各种顺序只是为了清楚描述某一个实施例，并不意味着是必须的顺序，除非另有说明其中某个顺序是必须遵循的。
本文中为部件所编序号本身，例如“第一”、“第二”等，仅用于区分所描述的对象，不具有任何顺序或技术含义。而本申请所说“连接”、“联接”，如无特别说明，均包括直接和间接连接(联接)。
先对本发明中的特征名词进行信息说明一下。
归一化植被指数(NDVI)用于反映地表植被覆盖程度，可用于区分植被覆盖地表和植被健康程度。
卫星影像数据为Sentinel2卫星影像数据，其由哨兵2号(Sentinel2)卫星拍摄提供，哨兵2号是欧洲航天局发射的多光谱成像卫星，多用于陆地监测，还可以用于紧急救援服务。哨兵2号包括2A和2B两颗卫星，单颗卫星重访周期为10天，两颗卫星互补，重访周期可达到5天，并且哨兵2号公开提供10m、20m、60m不同地表分辨率的卫星影像数据。
在本发明实施例中，通过待监测区域的卫星影像数据，确定卫星影像数据中的裸露地表区域，进一步确定裸露地表区域附近的监测设备所在位置，获取监测设备所在位置的气象数据和监测设备所在位置的归一化植被指数数据，再根据卫星影像数据、气象数据和归一化植被指数数据确定待监测区域的卫星影像数据中各个区域裸露地表的扬尘值情况，从而当判断卫星影像数据中裸露地表的扬尘值超过警界扬尘值时，则将该区域标识为城市扬尘源，可对待监测区域的扬尘源进行动态监测。请参考图1，图1为一种实施例的一种城市扬尘的监测方法流程图，所述的监测方法包括以下步骤，下面具体说明。
步骤100：获取待监测区域的卫星影像数据。
在本实施例中，通过设置待监测区域的经度和纬度，获取所设置经度和纬度范围内的卫星影像数据，也就是待监测区域的卫星影像数据，对于所获取的当前时间的卫星影像数据，首先需对该当前时间的卫星影像数据进行预处理，例如影像数据的拼接、裁剪等，通过预处理将卫星影像数据裁剪为多个256*256像素的影像数据。
步骤200：根据卫星影像数据，确定卫星影像数据中的裸露地表空间分布。
在一实施例中，步骤200中根据卫星影像数据，确定卫星影像数据中的裸露地表空间分布，包括：
步骤210：预先建立第一机器预测模型。其中，第一机器预测模型用于通过已标识裸露地表空间分布的的卫星影像数据，预测第二时间的卫星影像数据中的裸露地表空间分布。将卫星影像数据输入第一机器预测模型中，确定卫星影像数据中的裸露地表空间分布。
请参考图2，在一实施例中，第一机器预测模型通过以下步骤211和212建立。
步骤211：获取第一训练集，第一训练集包括影像样本数据集和标签样本数据集；其中，影像样本数据集包括预设数量的样本影像数据，每个样本影像数据的大小为256*256，且预设数量的样本影像数据具有统一命名，该样本影像数据为多波段数据，其包含了地物的光谱信息，如图3为样本影像数据的示意图。
标签样本数据集包括预设数量的标签影像数据，标签影像数据为对应的样本影像数据中裸露地表区域和非裸露地表区域进行标注的数据，在本实施例中，标签影像数据中的裸露地表区域的灰度值赋值为1，非裸露地表区域的灰度值赋值为0，该标签影像数据为单波段数据，其包含了裸露地表的空间分布位置信息，如图4为标签影像数据的示意图。
步骤212：利用第一训练集，通过机器学习，训练得到第一机器预测模型。
在本实施例中，第一训练集中的样本影像数据与当前时间获取的卫星影像数据为同一来源的卫星影像数据。
一实施例中，若卫星影像数据为高分辨率影像，则利用GIS等软件重创建覆盖待监测区域的多边形矢量图，然后针对多个时间的已标识裸露地表区域的待监测区域影像数据的裸露地表区域勾画矢量，并对裸露地表区域赋值为1，再利用矢量剪裁影像文件，对上述待监测区域影像数据进行裁剪后得到矢量影像数据，对矢量影像数据自动分块处理后得到多个256*256的样本影像数据，将这些样本影像数据放入第一样本集中，此外对矢量影像数据进行栅格化处理，并进行自动分块后得到多个256*256的标签影像数据。
另一实施例中，若卫星影像数据为Sentinel2中分辨率影像，则根据植被指数、水体指数等设置阈值，根据阈值对多个时间的已标识裸露地表区域的待监测区域影像数据进行二分类，然后自动分块后得到多个256*256的样本影像数据和多个256*256的样本标签影像数据，将多个256*256的样本影像数据放入第一样本集中，将多个256*256的标签影像数据放入第二样本集中。
本实施例中的第一机器预测模型为Unet模型，对于第一训练集中的数据还可以分为第一训练样本集和第一验证样本集，其中第一训练样本集中的数据占第一训练集中总数据的80％，第一验证样本集中的数据占第一训练集中总数据的20％，按照上述比例关系，可随机对第一训练集中的数据进行分割。
本实施例将第一训练样本集和第一验证样本集分别输入第一机器预测模型中进行多次迭代学习后，获取精度评价最高的模型作为最终的第一机器预测模型，一般进行10-50次迭代学习。
此外，Unet模型需要设置全局训练参数：训练样本对大小：batch_size，迭代次数epoch，学习率learning_rate。根据计算机不同的GPU与第一训练集的大小，设置不同的参数。Unet模型包含4个卷积层，每个卷积层都会对输入的样本影像数据对进行两次卷积，降低样本影像数据的行、列大小，并进行归一化处理，增加样本影像数据的第三维特征。Unet模型包含4个上采样层，每个上采样层都会与对应的卷积层进行合并，然后再进行两次卷积，降低样本影像数据的行、列大小，并进行归一化处理，增加样本影像数据的第三维特征。
第一机器预测模型训练完成后，将所获取的待监测区域的当前时间的卫星影像数据进行裁剪后得到多个256*256像素的子卫星影像数据，将多个256*256像素的子卫星影像数据输入训练完成后的第一机器预测模型，第一机器预测模型对多个子卫星影像数据中的裸露地表区域进行提取，并将多个子卫星影像数据拼接合并后，得到整个待监测区域的卫星影像数据中的裸露地表区域。如图5所示为卫星影像数据中裸露地表区域示意图。
步骤300：基于裸露地表空间分布确定待监测区域中的裸露地表区域以及裸露地表区域临近的监测设备所在位置；获取监测设备所在位置的气象数据、归一化植被指数数据和扬尘监测数据，再根据气象数据、归一化植被指数数据和扬尘监测数据建立第二机器预测模型。其中，图5中的环境监测点即为监测设备所在位置。
在一实施例中，监测设备所在位置的气象数据至少包括风速的U分量、风速的V分量和空气相对湿度。监测设备所在位置的归一化植被指数数据为NDVI数据。其中，监测设备为能够检测空气中扬尘值(PM10浓度)数据的设备。
请参考图7，在一实施例中，第二机器预测模型通过以下步骤411和步骤412建立。
步骤411：获取第二训练集，其中第二训练集包括多个时间的所述监测设备所在位置的气象数据、归一化植被指数数据，以及所述监测设备所监测的扬尘监测数据，将扬尘监测数据进行二值化处理，其中1代表扬尘高值，0代表扬尘低值。
步骤412：利用第二训练集，通过机器学习，训练得到第二机器预测模型。
在一实施例中，监测设备的位置为监测设备的经纬度，获取多个时间的监测设备所在位置的气象数据、归一化植被指数(NDVI)数据以及监测设备所监测的扬尘值数据放入第二训练集中，其中通过以下方式获取监测设备所检测的扬尘值数据：获取裸露地表区域附近的监测设备所检测的PM10值，计算卫星影像数据中所有裸露地表区域附近的监测设备所检测的PM10值的分布图，选取中位数为0.2处的PM10值为警戒阈值T，大于警戒阈值T的PM10值归为扬尘高值，标记为1，小于等于警戒阈值T的PM10值归为扬尘低值，标记为0；标记后即得到裸露地表区域附近的监测设备所检测的扬尘值数据。
本实施例中的第二机器预测模型为SVM模型，且第二训练集中的数据分为第二训练样本集和第二验证样本集，其中第二训练样本集中的数据占第二训练集中总数据的80％，第二验证样本集中的数据占第二训练集中总数据的20％，按照上述比例关系，可随机对第二训练集中的数据进行分割。
在本实施例中，输入未来第二时间的气象数据、归一化植被指数数据以及卫星影像数据的裸露地表区域至训练完成的第二机器预测模型中，第二机器预测模型输出卫星影像数据中扬尘值高于警界扬尘值的裸露地表区域。如图6为卫星影像数据中扬尘值高于警界扬尘值的裸露地表区域的示意图。
步骤400：利用第二机器预测模型，根据待监测区域的气象数据、归一化植被指数数据和裸露代表区域空间分布，确定待监测区域中的扬尘高值分布区域；根据所述卫星影像数据中的裸露地表空间分布以及待监测区域中的扬尘高值分布区域，确定待监测区域中的扬尘高值裸露地表，即待监测区域中的扬尘排放源。
在一实施例中，步骤400中利用裸露地表扬尘高值判断模块，根据待监测区域的气象数据、归一化植被指数数据和裸露代表区域空间分布，确定待监测区域中的扬尘高值分布区域，包括：
步骤410，将卫星影像数据的裸露地表空间分布、气象数据和归一化植被指数数据输入第二机器预测模型中，确定卫星影像数据中扬尘高值所在的裸露地表区域，即得到待监测区域的扬尘监测数据。
其中，第二机器预测模型用于通过所述监测设备所在位置的气象数据、归一化植被指数数据，扬尘值数据进行建立，预测第二时间所述卫星影像数据中扬尘高值，结合第二时间的卫星影像数据中的裸露地表区域，确定待监测区域中的扬尘高值裸露地表。如图6所示，当扬尘值高于124时，即为扬尘高值，图6为扬尘高值所在裸露地表区域的示意图。
本领域技术人员可以理解，上述实施方式中各种方法的全部或部分功能可以通过硬件的方式实现，也可以通过计算机程序的方式实现。当上述实施方式中全部或部分功能通过计算机程序的方式实现时，该程序可以存储于一计算机可读存储介质中，存储介质可以包括：只读存储器、随机存储器、磁盘、光盘、硬盘等，通过计算机执行该程序以实现上述功能。例如，将程序存储在设备的存储器中，当通过处理器执行存储器中程序，即可实现上述全部或部分功能。另外，当上述实施方式中全部或部分功能通过计算机程序的方式实现时，该程序也可以存储在服务器、另一计算机、磁盘、光盘、闪存盘或移动硬盘等存储介质中，通过下载或复制保存到本地设备的存储器中，或对本地设备的系统进行版本更新，当通过处理器执行存储器中的程序时，即可实现上述实施方式中全部或部分功能。
以上应用了具体个例对本发明进行阐述，只是用于帮助理解本发明，并不用以限制本发明。对于本发明所属技术领域的技术人员，依据本发明的思想，还可以做出若干简单推演、变形或替换。

Claims (8)

1.一种城市扬尘的监测方法，其特征在于，包括：
获取待监测区域的卫星影像数据；
根据所述卫星影像数据，确定所述卫星影像数据中的裸露地表空间分布；
基于所述裸露地表空间分布确定待监测区域中的裸露地表区域以及所述裸露地表区域临近的监测设备所在位置；获取所述监测设备所在位置的气象数据、归一化植被指数数据和扬尘监测数据，再根据所述气象数据、归一化植被指数数据和扬尘监测数据建立第二机器预测模型；
利用所述第二机器预测模型，根据待监测区域的气象数据、归一化植被指数数据和裸露代表区域空间分布，确定待监测区域中的扬尘高值分布区域；根据所述卫星影像数据中的裸露地表空间分布以及待监测区域中的扬尘高值分布区域，确定待监测区域中的扬尘高值裸露地表，即待监测区域中的扬尘排放源。
2.如权利要求1所述的方法，其特征在于，根据所述卫星影像数据，确定所述卫星影像数据中的裸露地表空间分布，包括：
预先建立第一机器预测模型，将所述卫星影像数据输入所述第一机器预测模型中，确定所述卫星影像数据中的裸露地表空间分布；其中，所述第一机器预测模型用于通过已标识裸露地表空间分布的卫星影像数据，预测第二时间的卫星影像数据中的裸露地表空间分布。
3.如权利要求2所述的方法，其特征在于，所述第一机器预测模型通过以下方式建立：
获取第一训练集，所述第一训练集包括影像样本数据集和标签样本数据集；所述影像样本数据集包括预设数量的样本影像数据，所述标签样本数据集包括预设数量的标签影像数据，所述标签影像数据为对应的样本影像数据中裸露地表区域和非裸露地表区域进行标注的数据；
利用所述第一训练集，通过机器学习，训练得到所述第一机器预测模型。
4.如权利要求1所述的方法，其特征在于，利用所述裸露地表扬尘高值判断模块，根据待监测区域的气象数据、归一化植被指数数据和裸露代表区域空间分布，确定待监测区域中的扬尘高值分布区域，包括：
将所述卫星影像数据的裸露地表空间分布、气象数据、归一化植被指数数据输入所述第二机器预测模型中，确定所述卫星影像数据中扬尘高值所在的裸露地表区域，即得到待监测区域的扬尘高值分布区域；
其中，所述第二机器预测模型用于通过所述监测设备所在位置的气象数据、归一化植被指数数据，扬尘值数据进行建立，预测第二时间所述卫星影像数据中扬尘高值，结合第二时间的卫星影像数据中的裸露地表区域，确定待监测区域中的扬尘高值裸露地表。
5.如权利要求4所述的方法，其特征在于，所述第二机器预测模型通过以下方式建立：
获取第二训练集，所述第二训练集包括多个时间的所述监测设备所在位置的气象数据、归一化植被指数数据，以及监测设备所监测的扬尘监测数据；
利用所述第二训练集，通过机器学习，训练得到所述第二机器预测模型。
6.如权利要求1所述的方法，其特征在于，所述监测设备所在位置的气象数据至少包括风速的U分量、风速的V分量和空气相对湿度。
7.如权利要求1所述的方法，其特征在于，在获取待监测区域的卫星影像数据之后，根据所述卫星影像数据，确定所述卫星影像数据中的裸露地表区域之前，还包括：
对待监测区域的卫星影像数据进行预处理，所述预处理至少包括裁剪处理和拼接处理。
8.一种计算机可读存储介质，其特征在于，所述介质上存储有程序，所述程序能够被处理器执行以实现如权利要求1-7中任一项所述的方法。
CN202110293030.6A 2021-03-18 2021-03-18 一种城市扬尘的监测方法 Active CN112990024B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110293030.6A CN112990024B (zh) 2021-03-18 2021-03-18 一种城市扬尘的监测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110293030.6A CN112990024B (zh) 2021-03-18 2021-03-18 一种城市扬尘的监测方法

Publications (2)

Publication Number Publication Date
CN112990024A true CN112990024A (zh) 2021-06-18
CN112990024B CN112990024B (zh) 2024-03-26

Family

ID=76332649

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110293030.6A Active CN112990024B (zh) 2021-03-18 2021-03-18 一种城市扬尘的监测方法

Country Status (1)

Country Link
CN (1) CN112990024B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113723534A (zh) * 2021-09-02 2021-11-30 南京润内克西信息科技有限公司 基于bp神经网络的城市扬尘在线监测系统
CN116340768A (zh) * 2023-02-28 2023-06-27 江苏省环境工程技术有限公司 一种智能化道路积尘负荷监测方法及监测装置

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2003315266A (ja) * 2002-04-24 2003-11-06 Nippon Steel Corp 粉じん監視方法
US20180373932A1 (en) * 2016-12-30 2018-12-27 International Business Machines Corporation Method and system for crop recognition and boundary delineation
CN109932988A (zh) * 2019-03-27 2019-06-25 四川瞭望工业自动化控制技术有限公司 一种城市扬尘污染扩散预测系统及方法
CN110175638A (zh) * 2019-05-13 2019-08-27 北京中科锐景科技有限公司 一种扬尘源监测方法
KR20200009395A (ko) * 2018-07-18 2020-01-30 (주)에코메이텍 능동반응 led 조형물을 활용한 기상 인자 및 대기 오염물질 기반 실시간 미세먼지/초미세먼지 예측시스템
CN111241720A (zh) * 2020-04-27 2020-06-05 北京英视睿达科技有限公司 一种道路扬尘模型的建模方法和装置
CN111914611A (zh) * 2020-05-09 2020-11-10 中国科学院空天信息创新研究院 城市绿地高分遥感监测方法与系统
CN111985567A (zh) * 2020-08-21 2020-11-24 河北先河环保科技股份有限公司 一种基于机器学习的污染源类型自动识别方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2003315266A (ja) * 2002-04-24 2003-11-06 Nippon Steel Corp 粉じん監視方法
US20180373932A1 (en) * 2016-12-30 2018-12-27 International Business Machines Corporation Method and system for crop recognition and boundary delineation
KR20200009395A (ko) * 2018-07-18 2020-01-30 (주)에코메이텍 능동반응 led 조형물을 활용한 기상 인자 및 대기 오염물질 기반 실시간 미세먼지/초미세먼지 예측시스템
CN109932988A (zh) * 2019-03-27 2019-06-25 四川瞭望工业自动化控制技术有限公司 一种城市扬尘污染扩散预测系统及方法
CN110175638A (zh) * 2019-05-13 2019-08-27 北京中科锐景科技有限公司 一种扬尘源监测方法
CN111241720A (zh) * 2020-04-27 2020-06-05 北京英视睿达科技有限公司 一种道路扬尘模型的建模方法和装置
CN111914611A (zh) * 2020-05-09 2020-11-10 中国科学院空天信息创新研究院 城市绿地高分遥感监测方法与系统
CN111985567A (zh) * 2020-08-21 2020-11-24 河北先河环保科技股份有限公司 一种基于机器学习的污染源类型自动识别方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
MAHDI BOROUGHANI等: "Application of remote sensing techniques and machine learning algorithms in dust source detection and dust source susceptibility mapping", 《ECOLOGICAL INFORMATICS》, vol. 56, no. 2020, pages 1 - 14 *
OMID RAHMATI等: "Identifying sources of dust aerosol using a new framework based on remote sensing and modelling", 《SCIENCE OF THE TOTAL ENVIRONMENT》, vol. 737, no. 2020, pages 1 - 13 *
刘奥博等: "北京市平原区裸露地风蚀扬尘排放量", 《中国环境科学》, vol. 38, no. 02, pages 471 - 477 *
许珊等: "面向场景的城市PM2.5浓度空间分布精细模拟", 《中国环境科学》, vol. 39, no. 11, pages 4570 - 4579 *
鞠训光等: "基于LS-SVM与BP算法的非等高扬尘污染模型发现及分类预测", 《徐州工程学院学报(自然科学版)》, vol. 34, no. 04, pages 48 - 53 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113723534A (zh) * 2021-09-02 2021-11-30 南京润内克西信息科技有限公司 基于bp神经网络的城市扬尘在线监测系统
CN116340768A (zh) * 2023-02-28 2023-06-27 江苏省环境工程技术有限公司 一种智能化道路积尘负荷监测方法及监测装置
CN116340768B (zh) * 2023-02-28 2023-10-20 江苏省环境工程技术有限公司 一种智能化道路积尘负荷监测方法及监测装置

Also Published As

Publication number Publication date
CN112990024B (zh) 2024-03-26

Similar Documents

Publication Publication Date Title
Rahman et al. Detecting, mapping and analysing of flood water propagation using synthetic aperture radar (SAR) satellite data and GIS: A case study from the Kendrapara District of Orissa State of India
Liu et al. Coastal inundation mapping from bitemporal and dual‐polarization SAR imagery based on deep convolutional neural networks
US11270111B2 (en) Automated management of potentially hazardous objects near power lines
Husson et al. Unmanned aircraft systems help to map aquatic vegetation
US20180039885A1 (en) Satellite-based location identification of methane-emitting sites
Lizarazo et al. Automatic mapping of land surface elevation changes from UAV-based imagery
Lamsters et al. High-resolution orthophoto map and digital surface models of the largest Argentine Islands (the Antarctic) from unmanned aerial vehicle photogrammetry
Yulianto et al. Detecting areas affected by flood using multi-temporal ALOS PALSAR remotely sensed data in Karawang, West Java, Indonesia
Gonçalves et al. Beach litter survey by drones: Mini-review and discussion of a potential standardization
CN112101309A (zh) 基于深度学习分割网络的地物目标识别方法和装置
CN112990024B (zh) 一种城市扬尘的监测方法
Biggs et al. Coupling Unmanned Aerial Vehicle (UAV) and hydraulic surveys to study the geometry and spatial distribution of aquatic macrophytes
Lakshmanan Automating the analysis of spatial grids: a practical guide to data mining geospatial images for human & environmental applications
Gómez‐Sapiens et al. Improving the efficiency and accuracy of evaluating aridland riparian habitat restoration using unmanned aerial vehicles
Yang et al. A deep learning based oil spill detector using Sentinel-1 SAR imagery
Pham et al. Monitoring mangrove forest changes in cat ba biosphere reserve using ALOS PALSAR imagery and a GIS-based support vector machine algorithm
Cao et al. Integrated detection and analysis of earthquake disaster information using airborne data
Raynaldo et al. Mapping and change analysis of mangrove forest by using Landsat imagery in Mandeh Bay, West Sumatra, Indonesia
De la Cruz et al. Near-realtime flood detection from multi-temporal sentinel radar images using artificial intelligence
CN110175638B (zh) 一种扬尘源监测方法
CN116564439A (zh) 一种大气污染物的分布模拟方法、装置、设备和存储介质
Bisson et al. LiDAR-based digital terrain analysis of an area exposed to the risk of lava flow invasion: the Zafferana Etnea territory, Mt. Etna (Italy)
Zuhairi et al. Mapping mangrove degradation in Pahang river estuary, Pekan Pahang by using remote sensing
Stitt et al. Classification of leafy spurge with Earth Observing-1 Advanced Land Imager
Clark A comparative analysis of conventional and emerging methods for characterizing coastal morphology and change

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