CN114004163B - 一种基于modis和长短时记忆网络模型的pm2.5反演方法 - Google Patents
一种基于modis和长短时记忆网络模型的pm2.5反演方法 Download PDFInfo
- Publication number
- CN114004163B CN114004163B CN202111299418.3A CN202111299418A CN114004163B CN 114004163 B CN114004163 B CN 114004163B CN 202111299418 A CN202111299418 A CN 202111299418A CN 114004163 B CN114004163 B CN 114004163B
- Authority
- CN
- China
- Prior art keywords
- value
- aod
- data
- inversion
- short
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 31
- 230000015654 memory Effects 0.000 title claims abstract description 27
- 238000012937 correction Methods 0.000 claims abstract description 8
- 238000011160 research Methods 0.000 claims description 18
- 238000012544 monitoring process Methods 0.000 claims description 14
- 238000012549 training Methods 0.000 claims description 12
- 238000012952 Resampling Methods 0.000 claims description 9
- 238000007637 random forest analysis Methods 0.000 claims description 9
- 239000000443 aerosol Substances 0.000 claims description 7
- 230000006870 function Effects 0.000 claims description 6
- 238000000926 separation method Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 5
- 238000012360 testing method Methods 0.000 claims description 4
- 238000005520 cutting process Methods 0.000 claims description 3
- 230000004044 response Effects 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 3
- 230000001373 regressive effect Effects 0.000 claims description 2
- 238000010801 machine learning Methods 0.000 abstract description 5
- 238000012545 processing Methods 0.000 abstract description 2
- 230000000694 effects Effects 0.000 description 5
- 239000013618 particulate matter Substances 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 238000004088 simulation Methods 0.000 description 4
- 238000003915 air pollution Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 230000007787 long-term memory Effects 0.000 description 3
- 230000006403 short-term memory Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 239000007789 gas Substances 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 208000024172 Cardiovascular disease Diseases 0.000 description 1
- 241000282412 Homo Species 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 239000005427 atmospheric aerosol Substances 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008033 biological extinction Effects 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000011109 contamination Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000002526 effect on cardiovascular system Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000029058 respiratory gaseous exchange Effects 0.000 description 1
- 208000023504 respiratory system disease Diseases 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
-
- 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
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Databases & Information Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Algebra (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Probability & Statistics with Applications (AREA)
- Operations Research (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明属于遥感影像处理技术领域,提出了一种基于MODIS和长短时记忆网络模型的PM2.5反演方法。利用多种辅助数据,建立AOD和辅助数据之间的关系,利用机器学习方法对AOD缺失值部分进行填补,减少了缺失值带来的反演不确定性,增加了反演精度。对数据进行高度订正和湿度订正,减少了高度和湿度带来的误差。使用长短时记忆网络进行PM2.5浓度反演,考虑了时间和空间的依赖关系,大大提高了反演精度。
Description
技术领域
本发明涉及遥感影像处理技术领域,具体涉及一种基于MODIS和长短时记忆网络模型的PM2.5反演方法。本方法可用于反演整个研究区域的PM2.5浓度,对环境污染治理和PM2.5监测方面具有一定的参考意义。
背景技术
细颗粒物是指空气动力学中直径小于或等于2.5微米的大气悬浮颗粒物,主要来自自然过程以及大量人类活动的排放。颗粒物污染与人们的健康息息相关,人类通过呼吸将细颗粒物带入肺泡,容易造成心血管疾病及呼吸性疾病。近年来,中国经济飞速发展的同时给环境带来了巨大的压力,各种工业尾气和机动车尾气的排放引发了严重的空气污染问题,PM2.5污染一直是主要的环境问题,并且已经成为公众关心的主要问题。由于PM2.5监测站数量有限,且分布不均匀,难以提供长期连续、覆盖面较广的PM2.5数据,于是利用PM2.5和大气气溶胶之间的关系,使用气溶胶卫星遥感反演产品来间接估算PM2.5浓度已经成为研究热点。气溶胶光学厚度(AOD)是指整个大气层中介质消光系数在垂直方向上的积分,用于描述大气中颗粒物对太阳辐射的削弱程度,反映了该大气层中颗粒物含量或空气污染程度。利用AOD和PM2.5之间的关系可以进行全天候、大范围的连续观测,此外,遥感技术不断向高时间分辨率、高空间分辨率方向发展,气溶胶反演产品的精度也随着反演算法的改进得到提高,使得卫星遥感技术逐渐成为反演PM2.5浓度的有效手段。
AOD数据目前已经被广泛用于PM2.5浓度的估计,但由于云雨天气、云层覆盖、极高的气溶胶负荷等原因引起AOD数据经常存在大范围缺失问题,人们通常在进行PM2.5浓度估计时会直接忽略这些缺失,但这样会导致PM2.5浓度估计的结果不够准确,因此填补AOD数据的缺失可以大大提高PM2.5浓度估计的准确率。为此提出了多种方法来处理缺失的AOD数据。一种方法是融合多种卫星数据来填补AOD数据,例如将Terra卫星与Aqua卫星的数据结合起来,利用其平均值、融合值、季节平均值、多重插补方法来减少AOD数据的缺失,或者可以将AOD数据与AERONET数据合并来提高AOD覆盖率;另外也可以结合使用插值方法如克里金插值,反距离加权法,然而这些方法不能在减少缺失率的同时提高反演精度,在大范围缺失的情况下通常是不够准确的。近年来,人们利用一些先进的统计模型来表示PM2.5和各种预测因子之间的关系,如地理加权回归模型,两阶段模型。然而,这些模型可能不能够完全描述PM2.5和预测因子之间的关系。
深圳先进技术研究院申请的专利“一种基于MODIS的PM2.5遥感反演方法”(专利申请号201711398781.4)中公开了一种基于MODIS的PM2.5遥感反演方法,该方法将PM2.5数据插值成PM2.5影像,并进行训练集和测试集的划分,将训练集用于机器学习算法的训练,最后选取一个最优模型并用于整幅MODIS影像,最后得到整幅MODIS的PM2.5浓度反演图。该方法不足之处在于没有考虑MODIS影像的缺失情况,直接建立其与PM2.5之间的关系,会产生一定的误差,造成实验结果不够准确。
针对现有PM2.5反演技术的不足,目前需要一种可以充分利用所获取的MODIS数据和PM2.5数据的反演方法,本发明针对MODIS AOD数据进行机器学习填补,随后再进行MODIS与PM2.5浓度的关系建立,以便于提高PM2.5反演精度。
发明内容
为了克服上述现有技术的不足,本发明提出一种基于MODIS和长短时记忆网络模型的PM2.5反演方法。本发明与现有技术相比通过使用机器学习方法对MODIS AOD数据采集中的缺失值进行填补,增加了数据的完整性,同时对辅助数据进行高湿订正,避免一些气象条件的干扰,采用长短时记忆网络模型提高了PM2.5反演精度。
本发明解决上述问题的技术方案如下:一种基于MODIS和长短时记忆网络模型的PM2.5反演方法,包括以下步骤:
步骤1:获取需要反演的PM2.5研究时段的MODIS影像、用于计算AOD的气象数据和研究区域PM2.5监测站数据;气象数据包括风速、温度、边界层高度、相对湿度和地表压力;对各时段的MODIS影像进行融合并裁剪出研究区域对应的部分;对气象数据进行重采样及归一化处理;对监测站数据求取9-15点均值作为当天PM2.5值;
步骤2:对气象数据按如下式(1)(2)进行高湿订正,消除高度和湿度的影响;
AOD=ka,0(λ)BLH(1)
式中,ka,0(λ)表示近地层气溶胶系数,BLH表示边界层高度;
f(RH)=1/(1-RH/100)(2)
式中,RH代表相对湿度;
步骤3:使用双线性插值法和重采样技术将所有的气象数据变量均重采样到0.01×0.01分辨率;
步骤4:训练随机森林模型;随机森林模型学习到带有AOD值的网格与对应位置的气象数据之间的函数关系,利用此函数关系估计缺失位置的AOD值,得到覆盖整个区域的连续、大范围的AOD值;最后在模型拟合之后计算每个气象数据变量的特征重要性;
在随机森林模型中,使用bootstrapsample方法从步骤3得到的气象数据中提取得到样本Z,然后为每个样本生成一棵带有多个预测因子的未回归树,在未回归树的每个节点选择最优值进行最佳分割得到回归树,最后通过所有回归树的平均值来进行预测;每棵未回归树三分之一的训练样本不参与回归树f(x)的生成;
Z1(m,n)={X|Xj≤n}and Z2(m,n)={X|Xj>n}(5)
其中(xi,yi)是z区域(R1,R2,...,RZ)中i=1,2,...,N的样本,cm是对模型的响应,是最优值,m是分离变量,n是分离点,I是示性函数;
步骤5:从步骤3得到的气象数据和步骤4得到的覆盖整个区域的AOD数据中提取PM2.5监测站点坐标对应的气象数据值以及AOD值,按照时间和空间将提取出来的AOD值和气象数据值与PM2.5站点值进行匹配,匹配后的数据按7:3的比例分割成训练集和测试集;构建第f个时间节点的特征向量基数Tf:
Tf=[x1,x2,...,xn,...,xN] (8)
其中,x1表示T个时间节点中第f个时间节点的PM2.5的值,xn表示T个时间节点中第f个时间节点的第n个空气参数的值;
步骤6:建立长短时记忆网络模型;长短时记忆网络模型包括LSTM层和Dense层,初始化长短时记忆网络模型的参数并将覆盖整个研究区域的AOD数据及完整的气象变量输入,得到输出预测值W,将输出预测值W与监测站点真实值Y进行对比,根据误差微调网络参数,实现降低误差;遗忘门、输入门、循环门和输出门为长短时记忆网络模型的主要结构:
a.遗忘门:将信息进行选择性遗忘,减少模型的记忆负担;
ft=σ(Wf·[ht-1,xt]+bf) (9)
b.输入门:将信息进行选择性记忆:
it=σ(Wi·[ht-1,xt]+bi) (10)
c.循环门:更新当前时刻的状态:
d.输出门:完成模型输出;
ot=σ(Wo·[ht-1,xt]+bo) (12)
ht=ot*tanh(Ct) (13)
式中,σ为sigmoid函数,Wo和bo作为待定系数在后续进行训练学习,ht-1是上一阶段的输出,xt是当前阶段的输入,式中的Ct-1记录了上一时间节点的信息;
步骤7:将得到的输出预测值进行可视化,得到整个研究区域的PM2.5浓度反演图。
与现有技术相比,本发明的有益效果:本发明着眼于MODIS和长短时记忆网络模型进行PM2.5浓度反演。第一,利用多种辅助数据,建立AOD和辅助数据之间的关系,利用机器学习方法对AOD缺失值部分进行填补,减少了缺失值带来的反演不确定性,增加了反演精度。第二,对数据进行高度订正和湿度订正,减少了高度和湿度带来的误差。第三,使用长短时记忆网络进行PM2.5浓度反演,考虑了时间和空间的依赖关系,大大提高了反演精度。
附图说明
图1是基于MODIS和长短时记忆网络模型的PM2.5浓度反演流程图。
图2是研究区域内PM2.5浓度估计值和观察值的每日PM2.5浓度散点图。
图3是研究区域内PM2.5浓度反演图。
具体实施方式
以下结合技术方案和附图详细叙述本发明的具体实施方式。
参照附图1,一种基于MODIS和长短时记忆网络模型的PM2.5反演方法,包括以下步骤:
步骤1:获取需要反演的PM2.5研究时段的MODIS影像、用于计算AOD的气象数据和研究区域PM2.5监测站数据;气象数据包括风速、温度、边界层高度、相对湿度和地表压力;对各时段的MODIS影像进行融合并裁剪出研究区域对应的部分;对监测站数据求取9-15点均值作为当天PM2.5值;
步骤2:对气象数据进行重采样及归一化处理和高湿订正处理;按如下式(1)(2)进行高湿订正,消除高度和湿度的影响;
AOD=ka,0(λ)BLH (1)
式中,ka,0(λ)表示近地层气溶胶系数,BLH表示边界层高度;
f(RH)=1/(1-RH/100) (2)
式中,RH代表相对湿度;
步骤3:使用双线性插值法和重采样技术将所有的气象数据变量均重采样到0.01×0.01分辨率;
步骤4:训练随机森林模型;随机森林模型学习到带有AOD值的网格与对应位置的气象数据之间的函数关系,利用此函数关系估计缺失位置的AOD值,得到覆盖整个区域的连续、大范围的AOD值;最后在模型拟合之后计算每个气象数据变量的特征重要性;
在随机森林模型中,使用bootstrapsample方法从步骤3得到的气象数据中提取得到样本Z,然后为每个样本生成一棵带有多个预测因子的未回归树,在树的每个节点选择最优值进行最佳分割得到回归树,最后通过所有回归树的平均值来进行预测;每棵决策树三分之一的训练样本不参与第k个树和回归树f(x)的生成;
Z1(m,n)={X|Xj≤n}and Z2(m,n)={X|Xj>n} (5)
其中(xi,yi)是z区域(R1,R2,...,RZ)中i=1,2,...,N的样本,cm是对模型的响应,是最优值,m是分离变量,n是分离点,I是示性函数;
步骤5:从步骤3得到的气象数据和步骤4得到的覆盖整个区域的AOD数据中提取PM2.5监测站点坐标对应的气象数据值以及AOD值,按照时间和空间将提取出来的AOD值和气象数据值与PM2.5站点值进行匹配,匹配后的数据按7:3的比例分割成训练集和测试集;构建第f个时间节点的特征向量基数Tf:
Tf=[x1,x2,...,xn,...,xN] (8)
其中,x1表示T个时间节点中第f个时间节点的PM2.5的值,xn表示T个时间节点中第f个时间节点的第n个空气参数的值;
步骤6:建立长短时记忆网络模型;长短时记忆网络模型包括LSTM层和Dense层,初始化长短时记忆网络模型的参数并将覆盖整个研究区域的AOD数据及完整的气象变量输入,得到输出预测值W,将输出预测值W与监测站点真实值Y进行对比,根据误差微调网络参数,实现降低误差;遗忘门、输入门、循环门和输出门为长短时记忆网络模型的主要结构:
a.遗忘门:将信息进行选择性遗忘,减少模型的记忆负担;
ft=σ(Wf·[ht-1,xt]+bf) (9)
b.输入门:将信息进行选择性记忆:
it=σ(Wi·[ht-1,xt]+bi) (10)
c.循环门:更新当前时刻的状态:
d.输出门:完成模型输出;
ot=σ(Wo·[ht-1,xt]+bo) (12)
ht=ot*tanh(Ct) (13)
式中,σ为sigmoid函数,Wo和bo作为待定系数在后续进行训练学习,ht-1是上一阶段的输出,xt是当前阶段的输入,式中的Ct-1记录了上一时间节点的信息;
步骤7:
将得到的输出预测值进行可视化,得到整个研究区域的PM2.5浓度反演图。
下面结合附图2和附图3对本发明的效果进一步说明。
仿真实验:
本发明仿真实验的硬件环境为:Intel Core i7处理器,2.5GHz主频,8G内存;软件环境为:Windows10操作系统,Matlab R2016b。
本发明研究区域为北京市全域,图像获取时间为2018年1月1日到2018年12月31日,分辨率为1km。
通过以下指标定量评估本发明和对比实验的反演结果:建模过程中使用的评估指标包括R2和RMSE。
RMSE均方根误差:
R2:
n为数据个数;为真实值,yi为预测值,/>为预测数据的均值
图2是研究区域内PM2.5浓度估计值和观察值的每日PM2.5浓度散点图,实线是根据估计值与观察值的拟合回归线,虚线是1:1参考线。
图3是研究区域内PM2.5浓度反演图。
仿真结果分析:
表1 PM2.5反演精度表
结果表明,本方法的结果较之多元线性回归模型(MLR)和混合效应模型(LME)效果有一定程度的提升。AOD插补对于PM2.5浓度估计结果是有效的。利用该长短时记忆网络模型进行计算,得到北京PM2.5浓度空间分布模拟图如图3所示。北京PM2.5浓度总体呈自北向南增加的趋势。北京西部和北部山区PM2.5浓度明显偏低。这主要是因为市区主要集中在东南部,受工业生产和人类活动的影响。空气污染较为严重,PM2.5浓度偏低主要发生在北方山区和农村地区。
以上所述实施例仅表达本发明的实施方式,但并不能因此而理解为对本发明专利的范围的限制。应当指出,对于本领域的技术人员来说,在不脱离本发明构思的前提下,还可以做出若干简单推演或替换,都应当视为属于本发明的保护范围。
Claims (1)
1.一种基于MODIS和长短时记忆网络模型的PM2.5反演方法,其特征在于,包括以下步骤:
步骤1:获取需要反演的PM2.5研究时段的MODIS影像、用于计算AOD的气象数据和研究区域PM2.5监测站数据;气象数据包括风速、温度、边界层高度、相对湿度和地表压力;对各时段的MODIS影像进行融合并裁剪出研究区域对应的部分;对气象数据进行重采样及归一化处理;对监测站数据求取9-15点均值作为当天PM2.5值;
步骤2:对气象数据按如下式(1)(2)进行高湿订正,消除高度和湿度的影响;
AOD=ka,0(λ)BLH (1)
式中,ka,0(λ)表示近地层气溶胶系数,BLH表示边界层高度;
f(RH)=1/(1-RH/100) (2)
式中,RH代表相对湿度;
步骤3:使用双线性插值法和重采样技术将所有的气象数据变量均重采样到0.01×0.01分辨率;
步骤4:训练随机森林模型;随机森林模型学习到带有AOD值的网格与对应位置的气象数据之间的函数关系,利用此函数关系估计缺失位置的AOD值,得到覆盖整个区域的连续、大范围的AOD值;最后在模型拟合之后计算每个气象数据变量的特征重要性;
在随机森林模型中,使用bootstrapsample方法从步骤3得到的气象数据中提取得到样本Z,然后为每个样本生成一棵带有多个预测因子的未回归树,在未回归树的每个节点选择最优值进行最佳分割得到回归树,最后通过所有回归树的平均值来进行预测;每棵未回归树三分之一的训练样本不参与回归树f(x)的生成;
Z1(m,n)={X|Xj≤n}and Z2(m,n)={X|Xj>n} (5)
其中(xi,yi)是z区域(R1,R2,...,RZ)中i=1,2,...,N的样本,cm是对模型的响应,是最优值,m是分离变量,n是分离点,I是示性函数;
步骤5:从步骤3得到的气象数据和步骤4得到的覆盖整个区域的AOD数据中提取PM2.5监测站点坐标对应的气象数据值以及AOD值,按照时间和空间将提取出来的AOD值和气象数据值与PM2.5站点值进行匹配,匹配后的数据按7:3的比例分割成训练集和测试集;构建第f个时间节点的特征向量基数Tf:
Tf=[x1,x2,...,xn,...,xN] (8)
其中,x1表示T个时间节点中第f个时间节点的PM2.5的值,xn表示T个时间节点中第f个时间节点的第n个空气参数的值;
步骤6:建立长短时记忆网络模型;长短时记忆网络模型包括LSTM层和Dense层,初始化长短时记忆网络模型的参数并将覆盖整个研究区域的AOD数据及完整的气象变量输入,得到输出预测值W,将输出预测值W与监测站点真实值Y进行对比,根据误差微调网络参数,实现降低误差;遗忘门、输入门、循环门和输出门为长短时记忆网络模型的结构:
a.遗忘门:将信息进行选择性遗忘,减少模型的记忆负担;
ft=σ(Wf·[ht-1,xt]+bf) (9)
b.输入门:将信息进行选择性记忆:
it=σ(Wi·[ht-1,xt]+bi) (10)
c.循环门:更新当前时刻的状态:
d.输出门:完成模型输出;
ot=σ(Wo·[ht-1,xt]+bo) (12)
ht=ot*tanh(Ct) (13)
式中,σ为sigmoid函数,Wo和bo作为待定系数在后续进行训练学习,ht-1是上一阶段的输出,xt是当前阶段的输入,式中的Ct-1记录了上一时间节点的信息;
步骤7:将得到的输出预测值进行可视化,得到整个研究区域的PM2.5浓度反演图。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111299418.3A CN114004163B (zh) | 2021-11-04 | 2021-11-04 | 一种基于modis和长短时记忆网络模型的pm2.5反演方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111299418.3A CN114004163B (zh) | 2021-11-04 | 2021-11-04 | 一种基于modis和长短时记忆网络模型的pm2.5反演方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114004163A CN114004163A (zh) | 2022-02-01 |
CN114004163B true CN114004163B (zh) | 2024-05-10 |
Family
ID=79927193
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111299418.3A Active CN114004163B (zh) | 2021-11-04 | 2021-11-04 | 一种基于modis和长短时记忆网络模型的pm2.5反演方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114004163B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114996624B (zh) * | 2022-04-06 | 2024-04-05 | 武汉大学 | 一种基于多任务深度学习的遥感pm2.5和no2协同反演方法 |
CN115840908B (zh) * | 2022-05-02 | 2023-07-14 | 河海大学 | 基于lstm模型的微波链路构建pm2.5三维动态监测场的方法 |
CN115017805B (zh) * | 2022-05-31 | 2023-04-07 | 四川晟蔚智能科技有限公司 | 基于双向a*算法的核退役场区最优路径规划方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108106979A (zh) * | 2017-12-21 | 2018-06-01 | 深圳先进技术研究院 | 一种基于modis和机器学习模型融合的pm2.5反演方法 |
KR102154481B1 (ko) * | 2020-03-25 | 2020-09-10 | 전남대학교산학협력단 | 딥러닝을 이용한 대규모 mimo 시스템의 빔포밍 장치 및 방법 |
AU2020101854A4 (en) * | 2020-08-17 | 2020-09-24 | China Communications Construction Co., Ltd. | A method for predicting concrete durability based on data mining and artificial intelligence algorithm |
CN111859800A (zh) * | 2020-07-15 | 2020-10-30 | 河海大学 | 用于pm2.5浓度分布的时空估算和预测的方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11147459B2 (en) * | 2018-01-05 | 2021-10-19 | CareBand Inc. | Wearable electronic device and system for tracking location and identifying changes in salient indicators of patient health |
-
2021
- 2021-11-04 CN CN202111299418.3A patent/CN114004163B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108106979A (zh) * | 2017-12-21 | 2018-06-01 | 深圳先进技术研究院 | 一种基于modis和机器学习模型融合的pm2.5反演方法 |
KR102154481B1 (ko) * | 2020-03-25 | 2020-09-10 | 전남대학교산학협력단 | 딥러닝을 이용한 대규모 mimo 시스템의 빔포밍 장치 및 방법 |
CN111859800A (zh) * | 2020-07-15 | 2020-10-30 | 河海大学 | 用于pm2.5浓度分布的时空估算和预测的方法 |
AU2020101854A4 (en) * | 2020-08-17 | 2020-09-24 | China Communications Construction Co., Ltd. | A method for predicting concrete durability based on data mining and artificial intelligence algorithm |
Non-Patent Citations (3)
Title |
---|
AI技术与卫星资料应用研究现状分析;匡秋明;于廷照;;气象科技进展;20200620(第03期);全文1 * |
RCC坝热学参数人工神经网络反馈分析;王成山, 韩敏, 史志伟;大连理工大学学报;20040610(第03期);全文 * |
基于随机森林的高分辨率PM_(2.5)遥感反演――以广东省为例;申原;陈朝亮;钱静;刘军;;集成技术;20180411(第03期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN114004163A (zh) | 2022-02-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114004163B (zh) | 一种基于modis和长短时记忆网络模型的pm2.5反演方法 | |
CN112905560B (zh) | 一种多源时空大数据深度融合的空气污染预测方法 | |
CN109214592B (zh) | 一种多模型融合的深度学习的空气质量预测方法 | |
CN108388956B (zh) | 考虑辐射衰减的光伏功率预测方法 | |
Bosch et al. | Daily solar irradiation estimation over a mountainous area using artificial neural networks | |
CN110232471B (zh) | 一种降水传感网节点布局优化方法及装置 | |
CN106920007B (zh) | 基于二阶自组织模糊神经网络的pm2.5智能预测方法 | |
CN105784556B (zh) | 一种基于自组织模糊神经网络的空气细颗粒物pm2.5软测量方法 | |
CN112287294B (zh) | 一种基于深度学习的时空双向土壤含水量插值方法 | |
CN111353634B (zh) | 一种基于模式初始场同化的二氧化硫排放源优化方法 | |
CN113158542B (zh) | 适用于缺资料地区的多变量设计洪水估计方法 | |
CN110909447B (zh) | 一种高精度电离层区域短期预报方法 | |
CN110222411B (zh) | 一种基于mRMR-DBN算法的无量测区太阳辐射估算方法 | |
CN112711083B (zh) | 基于自适应权重特征的多源降水数据动态融合方法及系统 | |
CN113011455B (zh) | 一种空气质量预测svm模型构建方法 | |
CN111428942A (zh) | 基于变网格技术提取微地形因子的线路覆冰厚度预测方法 | |
CN115795399B (zh) | 一种多源遥感降水数据自适应融合方法和系统 | |
CN112016696A (zh) | 融合卫星与地基观测的pm1浓度反演方法及系统 | |
CN115983493A (zh) | 一种基于多任务学习及深度学习模型的水质预测方法 | |
CN117526274A (zh) | 极端气候下新能源功率预测方法、电子设备和存储介质 | |
CN115420690A (zh) | 近地表痕量气体浓度反演模型及反演方法 | |
CN114529035A (zh) | 一种基于cart的多模式集成模型的风速预报方法 | |
CN113052353B (zh) | 空气质量预测与预测模型训练方法、装置及存储介质 | |
CN114994800B (zh) | 一种大气细颗粒物的反演方法及装置 | |
CN115017799B (zh) | 基于em-dbn融合的无量测区太阳辐射估计方法 |
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 |