CN114091605A - 一种基于现行污区图和遥感数据的融合方法及装置 - Google Patents
一种基于现行污区图和遥感数据的融合方法及装置 Download PDFInfo
- Publication number
- CN114091605A CN114091605A CN202111393606.2A CN202111393606A CN114091605A CN 114091605 A CN114091605 A CN 114091605A CN 202111393606 A CN202111393606 A CN 202111393606A CN 114091605 A CN114091605 A CN 114091605A
- Authority
- CN
- China
- Prior art keywords
- data
- remote sensing
- power grid
- sensing data
- pollution area
- 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
- 238000007500 overflow downdraw method Methods 0.000 title claims abstract description 15
- 238000012544 monitoring process Methods 0.000 claims abstract description 41
- 238000005070 sampling Methods 0.000 claims abstract description 37
- 238000000034 method Methods 0.000 claims abstract description 28
- 238000012549 training Methods 0.000 claims abstract description 23
- 238000012952 Resampling Methods 0.000 claims abstract description 18
- 238000001914 filtration Methods 0.000 claims abstract description 16
- 238000012360 testing method Methods 0.000 claims abstract description 16
- 230000004927 fusion Effects 0.000 claims abstract description 10
- RAHZWNYVWXNFOC-UHFFFAOYSA-N Sulphur dioxide Chemical compound O=S=O RAHZWNYVWXNFOC-UHFFFAOYSA-N 0.000 claims description 8
- MGWGWNFMUOTEHG-UHFFFAOYSA-N 4-(3,5-dimethylphenyl)-1,3-thiazol-2-amine Chemical compound CC1=CC(C)=CC(C=2N=C(N)SC=2)=C1 MGWGWNFMUOTEHG-UHFFFAOYSA-N 0.000 claims description 3
- JCXJVPUVTGWSNB-UHFFFAOYSA-N nitrogen dioxide Inorganic materials O=[N]=O JCXJVPUVTGWSNB-UHFFFAOYSA-N 0.000 claims description 3
- 235000010269 sulphur dioxide Nutrition 0.000 claims description 3
- 239000004291 sulphur dioxide Substances 0.000 claims description 3
- 238000005457 optimization Methods 0.000 abstract description 5
- 239000011159 matrix material Substances 0.000 description 13
- 238000011156 evaluation Methods 0.000 description 6
- 238000005259 measurement Methods 0.000 description 4
- 238000011109 contamination Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 239000006185 dispersion Substances 0.000 description 2
- 238000012806 monitoring device Methods 0.000 description 2
- 229910002089 NOx Inorganic materials 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000004931 aggregating effect Effects 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000003344 environmental pollutant Substances 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 229910000069 nitrogen hydride Inorganic materials 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 231100000719 pollutant Toxicity 0.000 description 1
- 238000012502 risk assessment Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- 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
-
- 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
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- 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
- G06Q50/06—Energy or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- Software Systems (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Water Supply & Treatment (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
本申请公开了一种基于现行污区图和遥感数据的融合方法及装置，所述方法包括：获取与实地电网污染区域取样数据匹配的遥感数据，得到第一遥感数据；根据所述第一遥感数据，对所述第一遥感数据重采样，得到第一重采样数据；根据集成学习器方法，以所述实地电网污染区域取样数据作为数据来源，对所述第一重采样数据划分训练集和测试集，通过训练，得到电网污染区域等级监测模型；根据所述电网污染区域等级监测模型和所述实地电网污染区域取样数据，通过卡尔曼滤波算法优化后，得到第一电网污染区域等级监测模型。本申请技术方案实现在覆盖性、认可度、更新频次三个维度各自优势互补，使得得到电网污染区域等级划分结果更加可信。
Description
技术领域
本发明涉及大气遥感技术领域，尤其涉及一种基于现行污区图和遥感数据的融合方法及装置。
背景技术
电网由于受到微地形、微气象的影响，以及大量重污染企业的存在，部分电网工程附近污秽较重，过量的电力污秽会导致绝缘装置失效，从而引起设备外表面放电导致线路跳闸，影响电网的可靠运行。
目前，我国的电力污秽等级评估主要依靠现场取样测试与污秽在线监测装置测量，该类方法存在以下缺点：1)数据获取周期长、连续性差；2)数据点离散；3)数据不能真实反应污秽成分情况的缺点。同时对于广域范围内采用现场取样和在线监测的方法进行测量，存在获取成本高的问题，同时其评估结果也具有较大的主观性。
现行电力污区图的绘制已经具有一定的行业标准，并在多个省份得到实施，其在有现场测点的地区具有很高的精确度和认可度。但是，在大量没有人工采点的地区可信度较差。基于遥感数据驱动的电力污秽累积风险评估是近年来的新兴技术，但是其污区评定结果在行业内尚不具备广泛的共识。因此，发展一种融合方法，在现行污区图的基础上，吸纳新技术评价结果，实现电网污秽的客观、智能、高效监测及运维是一项具有重要意义和巨大潜力的技术方案。
发明内容
本发明提供了一种基于现行污区图和遥感数据的融合方法及装置，以解决电网区域电力污秽等级评估中数据获取周期长、连续性差，数据不能真实反应污秽成分情况的问题。本发明通过以卡尔曼滤波为基础的算法，根据同一观测对象的时空一致性为物理基础，以最小均方误差为最佳估计准则，融合地面取样数据与遥感数据结果，通过迭代优化过程获得最终的电网污染区域等级划分结果。实现在覆盖性、认可度、更新频次三个维度各自优势互补，使得得到电网污染区域等级划分结果更加可信。
本发明通过以下技术方案实现：
第一方面，本申请提供一种基于现行污区图和遥感数据的融合方法，所述方法包括：
获取与实地电网污染区域取样数据匹配的遥感数据，得到第一遥感数据；
根据所述第一遥感数据，对所述第一遥感数据重采样，得到第一重采样数据；
根据集成学习器方法，以所述实地电网污染区域取样数据作为数据来源，对所述第一重采样数据划分训练集和测试集，通过训练，得到电网污染区域等级监测模型；
根据所述电网污染区域等级监测模型和所述实地电网污染区域取样数据，通过卡尔曼滤波算法优化后，得到第一电网污染区域等级监测模型。
进一步地，所述第一遥感数据包括：对流层二氧化氮柱浓度、二氧化硫柱浓度、PM2.5、PM10、NDVI和nightlight(band 1-6)夜光等级(1-6)。
进一步地，所述第一遥感数据通过爬虫方式获取。
进一步地，所述第一重采样数据是将所述第一遥感数据重采样至0.01°分辨率。
进一步地，对所述第一遥感数据重采样采用三次埃尔米特差值。
进一步地，所述集成学习器方法包括：
将所述测试集，初始化权重后，得到初始弱分类器；
根据所述初始弱分类器，更新下一个弱分类器的权重，得到第一权重；
根据所述第一权重，计算出当前分类器的权重，得到所述电网污染区域等级监测模型。
第二方面，本申请提供一种基于现行污区图和遥感数据的融合装置，所述装置包括：
第一单元：所述第一单元被配置为执行获取与实地电网污染区域取样数据匹配的遥感数据，得到第一遥感数据；
采样单元：所述采样单元被配置为执行根据所述第一遥感数据，对所述第一遥感数据重采样，得到第一重采样数据；
学习单元：所述学习单元被配置为执行根据集成学习器方法，以所述实地电网污染区域取样数据作为数据来源，对所述第一重采样数据划分训练集和测试集，通过训练得到电网污染区域等级监测模型；
获取单元：所述获取单元被配置为执行根据所述电网污染区域等级监测模型和所述实地电网污染区域取样数据，通过卡尔曼滤波算法优化后，得到第一电网污染区域等级监测模型。
本申请的技术方案主要是获取与实地电网污染区域取样数据匹配的遥感数据，得到第一遥感数据；根据所述第一遥感数据，对所述第一遥感数据重采样，得到第一重采样数据；根据集成学习器方法，以所述实地电网污染区域取样数据作为数据来源，对所述第一重采样数据划分训练集和测试集，通过训练，得到电网污染区域等级监测模型；根据所述电网污染区域等级监测模型和所述实地电网污染区域取样数据，通过卡尔曼滤波算法优化后，得到第一电网污染区域等级监测模型。以卡尔曼滤波为基础的算法，根据同一观测对象的时空一致性为物理基础，以最小均方误差为最佳估计准则，融合地面取样数据与遥感数据结果，通过迭代优化过程获得最终的电网污染区域等级划分结果。实现在覆盖性、认可度、更新频次三个维度各自优势互补，使得得到电网污染区域等级划分结果更加可信。
附图说明
为了更清楚地说明本申请的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，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为本申请提供的一种基于现行污区图和遥感数据的融合方法的流程示意图；
图2为本申请提供的一种基于现行污区图和遥感数据的融合装置的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整的描述，显然，所描述的实施例仅仅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作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。
目前，电力污秽等级评估主要依靠现场取样测试与污秽在线监测装置测量，该类方法存在以下缺点：1)数据获取周期长、连续性差；2)数据点离散；3)数据不能真实反应污秽成分情况的缺点。同时对于广域范围内采用现场取样和在线监测的方法进行测量，存在获取成本高的不足，同时其评估结果也具有较大的主观性因此，本申请提供了一种基于现行污区图和遥感数据的融合方法及装置，通过以卡尔曼滤波为基础的算法，根据同一观测对象的时空一致性为物理基础，以最小均方误差为最佳估计准则，融合地面取样数据与遥感数据结果，通过迭代优化过程获得最终的电网污染区域等级划分结果。实现在覆盖性、认可度、更新频次三个维度各自优势互补，使得得到电网污染区域等级划分结果更加可信。下面对本申请技术方案进行详细说明：
参见图1，为本申请提供的一种基于现行污区图和遥感数据的融合方法的流程示意图；
由图1可知，为本申请提供的一种基于现行污区图和遥感数据的融合方法，所述方法包括：
步骤S1：获取与实地电网污染区域取样数据匹配的遥感数据，得到第一遥感数据；
通常获取的遥感数据覆盖面积较广，因此需要通过设置程序切分原则，以云南省为例，根据实测数据的时间信息，批量下载遥感数据，选取云量少，信噪比高的遥感数据，获取与实地电网污染区域取样数据匹配的遥感数据。其中具体边界信息可通过shp格式文件定义，数据可通过爬虫方式获取。
步骤S2：根据所述第一遥感数据，对所述第一遥感数据重采样，得到第一重采样数据；
本申请实施例中用到的遥感数据包括：对流层二氧化氮柱浓度、二氧化硫柱浓度、PM2.5、PM10、NDVI和nightlight(band 1-6)夜光等级(1-6)。其次还用到了各类污染物的排放清单，包括OC、CO2、CO、NH3、NOx、SO2、VOC、PM2.5、EC、和PM10等级(7-17)(band 7-17)。风速降雨等级(18-19)(band 18-19)。
由于多波段数据分辨率不同，因此使用三次埃尔米特插值，让所述第一遥感数据重采样至0.01°分辨率，如下列公式所示。
G(x)＝hkyk(x)+hk+1yk+1(x)+Hk(x)y′k+Hk+1(x)y′k+1
其中xk、xk+1、yk、yk+1分别表示插值点前后的数值点的x坐标和y坐标，y′k和y′k+1分别表示这两点的导数值。
步骤S3：根据集成学习器方法，以所述实地电网污染区域取样数据作为数据来源，对所述第一重采样数据划分训练集和测试集，通过训练，得到电网污染区域等级监测模型；
依据集合集成学习器方法，是通过将一簇简单的学习器集合在一起实现强学习器。先从初始训练集训练出一个基学习器，再根据基学习器的表现对样本分布进行调整，使得先前的基学习器做错的训练样本在后续收到更多的关注，然后基于调整后的样本分布来训练下一个基学习器。本发明中通过目标区域测量结果作为数据来源，构建测试集和训练集，测试集可表示为下列公式。
T＝{(x1,y1),(x1,y1),...,(xN,yN)}
其中xN为测试集中污染点的坐标，yN为其污染的等级。初始化权重之后，获得初始弱分类器。计算所述初始分类器在分类上的错误率，如下列公式，其中P为事件发生概率，Gm(xi)为弱分类器，wmi为初始化的权重，I(Gm(xi)≠yi)表示当前分类结果与预测结果间的差值。
根据下列公式更新下一个弱分类器的权重以及计算出当前分类器的权重。
其中wm+1，i为下一个弱分类器的权重，wmi为当前分类器内部的权重，Zm为当前分类器的规范化因子，由
给出，αm为当前分类器的权重，由
给出。
通过反复训练，当错误率下降到预期程度后停止集成算法的生成，给出当前分类器下的训练结果，获得基于所述第一遥感数据的电网污染区域等级监测模型。
步骤S4：根据所述电网污染区域等级监测模型和所述实地电网污染区域取样数据，通过卡尔曼滤波算法优化后，得到第一电网污染区域等级监测模型。
根据卡尔曼滤波算法，计算两种数据融合的高精度、高时空电网污染区域等级监测模型，得到所述第一电网污染区域等级监测模型。
卡尔曼滤波是一种利用线性系统状态方程，通过系统输入输出观测数据，对系统状态进行最优估计的算法。由于观测数据中包括系统中的噪声和干扰的影响，所以最优估计也可看作是滤波过程。在本申请实施例中，以基于集成器算法生成的电网污染区域等级监测模型为模型产生的预测值，而所述实地电网污染区域取样数据为真实的测量值。
通过步骤S3，获得了基于所述第一遥感数据的电网污染区域等级监测模型，获得了该数据背景下的污区等级的概率分布。同时，现在也获得了实际测量的污染等级数据，及其分布概率。
可以认为，这两种污染区域的分布概率都符合高斯分布的特点，因此，可以给出在某一区域实际测量的污染等级下，基于所述第一遥感数据的电网污染区域等级监测模型认为的污染等级概率，由下列公式给出。
其中ya、yb分别为基于所述第一遥感数据的电网污染区域等级监测模型和基于实测数据电网污染区域等级监测模型上某一位置的污染等级，p(ya|yb)为在yb发生的概率下ya发生的概率，μ、∑分别为高斯分布均值和协方差矩阵，分别由下列公式给出
其中μa为基于所述第一遥感数据的污区等级概率分布的平均值，μb为基于实测数据污区等级概率分布的平均值，∑aa、∑ab、∑ba分别为基于遥感数据的污区等级概率分布的协方差矩阵、基于所述第一遥感数据的污区等级概率分布和基于实测数据电网污区模型之间的协方差矩阵，
为基于实测数据电网污区等级概率分布协方差矩阵的逆矩阵。
通过以上公式推导，可以发现当两个基于高斯分布的信号相乘之后，其概率分布的方差变小了，即数据之间的不确定性减少了，于是最终预测精度便得到了提高。
因此，可以用卡尔曼滤波的方式，利用基于所述第一遥感数据的污区等级概率分布信息和基于实测数据的污区等级概率分布的信息，更新基于实测数据的污区等级概率分布的协方差矩阵和均值，获得最终的两种数据融合的高可信、高时空第一电网污染区域等级监测模型。
根据观测方程可知，在某一观测值的污区等级下，某一真实污染等级的概率由下列公式给出：
其中代表矩阵2πQt行列式值的开方值，Qt为基于实测数据的污区等级概率分布的协方差矩阵，zt为某一污染等级，Ctxt代表着观测出的污区等级，由实际观测所用由下列公式给出。
其中Ct为观测值所用的观测矩阵，实际观测值中可以给出，
以及∑t由基于所述第一遥感数据的污区等级概率分布的协方差举证迭代而来，由下列公式给出，
为矩阵Ct的转置，
为矩阵
求逆。
其中Rt为基于所述第一遥感数据的污区等级概率分布协方差矩阵，At由基于所述第一遥感数据的污区等级概率分布信息，在本申请实施例中可认为其为单位矩阵。
通过卡尔曼增益，可以获得更新的基于实测数据的电网污区等级概率分布均值，由下列公式给出。
其中
为当前基于实测数据的电网污区等级概率分布的均值，μt为更新之后的数值。
更新后的基于实测数据的电网污区等级概率分布由下列公式给出
综上所述，可以知道当观测精度很高时，基于实测数据的电网污区等级概率分布的方差Qt很小，此时更新后的信息由实测数据决定，因此在有实测数据的地方，污染等级划分会极大的依靠现行污区图结果；而在无实测数据的地方，主要依赖预测数据，此时更新后的信息由遥感驱动的污区等级划分决定，因而，充分融合两种数据优势是提高融合模型的精度和可信性。
参见图2，为本申请提供的一种基于现行污区图和遥感数据的融合装置的结构示意图。
由图2可知，为本申请提供的一种基于现行污区图和遥感数据的融合装置，所述装置包括：
第一单元11：所述第一单元11被配置为执行获取与实地电网污染区域取样数据匹配的遥感数据，得到第一遥感数据；
采样单元12：所述采样单元12被配置为执行根据所述第一遥感数据，对所述第一遥感数据重采样，得到第一重采样数据；
学习单元13：所述学习单元13被配置为执行根据集成学习器方法，以所述实地电网污染区域取样数据作为数据来源，对所述第一重采样数据划分训练集和测试集，通过训练得到电网污染区域等级监测模型；
获取单元14：所述获取单元14被配置为执行根据所述电网污染区域等级监测模型和所述实地电网污染区域取样数据，通过卡尔曼滤波算法优化后，得到第一电网污染区域等级监测模型。
本申请的技术方案主要是获取与实地电网污染区域取样数据匹配的遥感数据，得到第一遥感数据；根据所述第一遥感数据，对所述第一遥感数据重采样，得到第一重采样数据；根据集成学习器方法，以所述实地电网污染区域取样数据作为数据来源，对所述第一重采样数据划分训练集和测试集，通过训练，得到电网污染区域等级监测模型；根据所述电网污染区域等级监测模型和所述实地电网污染区域取样数据，通过卡尔曼滤波算法优化后，得到第一电网污染区域等级监测模型。以卡尔曼滤波为基础的算法，根据同一观测对象的时空一致性为物理基础，以最小均方误差为最佳估计准则，融合地面取样数据与遥感数据结果，通过迭代优化过程获得最终的电网污染区域等级划分结果。实现在覆盖性、认可度、更新频次三个维度各自优势互补，使得得到电网污染区域等级划分结果更加可信。
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本发明的其它实施方案。本申请旨在涵盖本发明的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本发明的一般性原理并包括本发明未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本发明的真正范围和精神由所附的权利要求指出。
应当理解的是，本发明并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本发明的范围仅由所附的权利要求来限制。
Claims (7)
1.一种基于现行污区图和遥感数据的融合方法，其特征在于，所述方法包括：
获取与实地电网污染区域取样数据匹配的遥感数据，得到第一遥感数据；
对所述第一遥感数据重采样，得到第一重采样数据；
根据集成学习器方法，以所述实地电网污染区域取样数据作为数据来源，对所述第一重采样数据划分训练集和测试集，通过训练，得到电网污染区域等级监测模型；
根据所述电网污染区域等级监测模型和所述实地电网污染区域取样数据，通过卡尔曼滤波算法优化后，得到第一电网污染区域等级监测模型。
2.根据权利要求1所述的一种基于现行污区图和遥感数据的融合方法，其特征在于，所述第一遥感数据包括：对流层二氧化氮柱浓度、二氧化硫柱浓度、PM2.5、PM10、NDVI和nightlight(band 1-6)夜光等级(1-6)。
3.根据权利要求1所述的一种基于现行污区图和遥感数据的融合方法，其特征在于，所述第一遥感数据通过爬虫方式获取。
4.根据权利要求1所述的一种基于现行污区图和遥感数据的融合方法，其特征在于，所述第一重采样数据是将所述第一遥感数据重采样至0.01°分辨率。
5.根据权利要求1所述的一种基于现行污区图和遥感数据的融合方法，其特征在于，对所述第一遥感数据重采样采用三次埃尔米特差值。
6.根据权利要求1所述的一种基于现行污区图和遥感数据的融合方法，其特征在于，所述集成学习器方法包括：
将所述测试集，初始化权重后，得到初始弱分类器；
根据所述初始弱分类器，更新下一个弱分类器的权重，得到第一权重；
根据所述第一权重，计算出当前分类器的权重，得到所述电网污染区域等级监测模型。
7.一种基于现行污区图和遥感数据的融合装置，其特征在于，所述装置包括：
第一单元：所述第一单元被配置为执行获取与实地电网污染区域取样数据匹配的遥感数据，得到第一遥感数据；
采样单元：所述采样单元被配置为执行根据所述第一遥感数据，对所述第一遥感数据重采样，得到第一重采样数据；
学习单元：所述学习单元被配置为执行根据集成学习器方法，以所述实地电网污染区域取样数据作为数据来源，对所述第一重采样数据划分训练集和测试集，通过训练得到电网污染区域等级监测模型；
获取单元：所述获取单元被配置为执行根据所述电网污染区域等级监测模型和所述实地电网污染区域取样数据，通过卡尔曼滤波算法优化后，得到第一电网污染区域等级监测模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111393606.2A CN114091605A (zh) | 2021-11-23 | 2021-11-23 | 一种基于现行污区图和遥感数据的融合方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111393606.2A CN114091605A (zh) | 2021-11-23 | 2021-11-23 | 一种基于现行污区图和遥感数据的融合方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114091605A true CN114091605A (zh) | 2022-02-25 |
Family
ID=80303167
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111393606.2A Pending CN114091605A (zh) | 2021-11-23 | 2021-11-23 | 一种基于现行污区图和遥感数据的融合方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114091605A (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102306387A (zh) * | 2011-08-31 | 2012-01-04 | 广东电网公司佛山供电局 | 一种电网污区分布图的绘制方法及其装置 |
| CN110274916A (zh) * | 2019-08-06 | 2019-09-24 | 云南电网有限责任公司电力科学研究院 | 基于卫星遥感的电网污染物浓度监测方法及系统 |
| CN110567510A (zh) * | 2019-07-23 | 2019-12-13 | 北京英视睿达科技有限公司 | 大气污染监测方法、系统、计算机设备和存储介质 |
| CN110942049A (zh) * | 2019-12-17 | 2020-03-31 | 生态环境部卫星环境应用中心 | 一种基于卫星遥感的臭氧污染源识别方法和系统 |
| CN112378828A (zh) * | 2020-12-11 | 2021-02-19 | 中科三清科技有限公司 | 基于卫星遥感数据反演大气细颗粒物浓度的方法及装置 |
-
2021
- 2021-11-23 CN CN202111393606.2A patent/CN114091605A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102306387A (zh) * | 2011-08-31 | 2012-01-04 | 广东电网公司佛山供电局 | 一种电网污区分布图的绘制方法及其装置 |
| CN110567510A (zh) * | 2019-07-23 | 2019-12-13 | 北京英视睿达科技有限公司 | 大气污染监测方法、系统、计算机设备和存储介质 |
| CN110274916A (zh) * | 2019-08-06 | 2019-09-24 | 云南电网有限责任公司电力科学研究院 | 基于卫星遥感的电网污染物浓度监测方法及系统 |
| CN110942049A (zh) * | 2019-12-17 | 2020-03-31 | 生态环境部卫星环境应用中心 | 一种基于卫星遥感的臭氧污染源识别方法和系统 |
| CN112378828A (zh) * | 2020-12-11 | 2021-02-19 | 中科三清科技有限公司 | 基于卫星遥感数据反演大气细颗粒物浓度的方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110046771B (zh) | 一种pm2.5浓度预测方法与装置 | |
| CN111323352B (zh) | 融合细颗粒物浓度数据的区域pm2.5遥感反演模型 | |
| CN110081923B (zh) | 野外基线环境参数自动采集系统故障检测方法与装置 | |
| CN111367959B (zh) | 一种零时滞非线性扩展Granger因果分析方法 | |
| CN116363601B (zh) | 一种污染监测设备的数据采集与分析方法及系统 | |
| CN113282576B (zh) | 一种气象数据质量控制方法 | |
| CN113344149B (zh) | 一种基于神经网络的pm2.5逐小时预测方法 | |
| CN116449331B (zh) | 一种基于w波段雷达和气象卫星的沙尘粒子数浓度估算方法 | |
| CN115438848A (zh) | 基于深度混合图神经网络的pm2.5浓度长期预测方法 | |
| Hernandez et al. | Analysis of the information obtained from PM 2.5 concentration measurements in an urban park | |
| Liu et al. | Research on data correction method of micro air quality detector based on combination of partial least squares and random forest regression | |
| CN114417605A (zh) | 一种机场噪声地图绘制方法及系统 | |
| CN114236480A (zh) | 一种机载平台传感器系统误差配准算法 | |
| CN107656905B (zh) | 一种利用误差传递的空气质量数据实时校准方法 | |
| CN111797545B (zh) | 一种基于实测数据的风电机组偏航折减系数计算方法 | |
| Sá et al. | Two step calibration method for ozone low-cost sensor: Field experiences with the UrbanSense DCUs | |
| Zi et al. | Distributionally robust optimal sensor placement method for site-scale methane-emission monitoring | |
| CN116401932B (zh) | 一种基于激光雷达和毫米波雷达的海雾消散时间估算方法 | |
| CN114091605A (zh) | 一种基于现行污区图和遥感数据的融合方法及装置 | |
| CN116466368A (zh) | 基于激光雷达和卫星资料的沙尘消光系数廓线估算方法 | |
| CN115983329A (zh) | 空气质量及气象条件的预测方法、装置、设备及存储介质 | |
| Guo et al. | Typhoon wind hazard model and estimation on return period of typhoon wind speed | |
| CN115204507A (zh) | 大气能见度的预测方法、装置、设备及存储介质 | |
| CN112528566A (zh) | 基于AdaBoost训练模型的空气质量数据实时校准方法及系统 | |
| CN115840908A (zh) | 基于lstm模型的微波链路构建pm2.5三维动态监测场的方法 |
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 |