CN114898823B - 一种高时空分辨率遥感近地面no2浓度预估方法和系统 - Google Patents

一种高时空分辨率遥感近地面no2浓度预估方法和系统 Download PDF

Info

Publication number
CN114898823B
CN114898823B CN202210765379.XA CN202210765379A CN114898823B CN 114898823 B CN114898823 B CN 114898823B CN 202210765379 A CN202210765379 A CN 202210765379A CN 114898823 B CN114898823 B CN 114898823B
Authority
CN
China
Prior art keywords
data
model
concentration
satellite
coordinate information
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
CN202210765379.XA
Other languages
English (en)
Other versions
CN114898823A (zh
Inventor
田启明
徐彬仁
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 Yingshi Ruida 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 Yingshi Ruida Technology Co ltd filed Critical Beijing Yingshi Ruida Technology Co ltd
Priority to CN202210765379.XA priority Critical patent/CN114898823B/zh
Publication of CN114898823A publication Critical patent/CN114898823A/zh
Application granted granted Critical
Publication of CN114898823B publication Critical patent/CN114898823B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
    • G16C20/70—Machine learning, data mining or chemometrics
    • 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
    • G01N33/0027—General constructional details of gas analysers, e.g. portable test equipment concerning the detector
    • G01N33/0036—General constructional details of gas analysers, e.g. portable test equipment concerning the detector specially adapted to detect a particular component
    • G01N33/0037—NOx
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
    • G16C20/20—Identification of molecular entities, parts thereof or of chemical compositions
    • 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)
  • Chemical & Material Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Crystallography & Structural Chemistry (AREA)
  • Combustion & Propulsion (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Mathematical Physics (AREA)
  • Food Science & Technology (AREA)
  • Medicinal Chemistry (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Medical Informatics (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Computational Linguistics (AREA)
  • Databases & Information Systems (AREA)
  • Image Processing (AREA)

Abstract

本发明涉及一种高时空分辨率遥感近地面NO2浓度预估方法和系统，包括获取卫星数据和地面观测数据，卫星数据包括NO2柱浓度数据、坐标信息、气象数据和辅助数据；NO2柱浓度数据包括第一浓度数据和第二浓度数据；坐标信息包括第一坐标信息和第二坐标信息；对卫星数据重采样得到空间分辨率为1KM*1KM的栅格数据；剔除地面观测数据异常值，根据坐标信息和地面站点坐标，将栅格数据与剩余地面观测数据时空匹配；根据栅格数据和剩余地面观测数据通过融合RF模型和XGB模型建立近地面NO2浓度预估模型；利用模型预测近地面NO2浓度；通过两种空间分辨率下NO2柱浓度数据结合地面观测数据、其他卫星数据作为输入特征建立模型，可以得到全天每小时预设网络分辨率的NO2浓度。

Description

一种高时空分辨率遥感近地面NO2浓度预估方法和系统
技术领域
本发明涉及污染物浓度测试技术领域。具体而言，涉及一种高时空分辨率遥感近地面NO2浓度预估方法和系统。
背景技术
NO2是大气中一种重要痕量气体，是形成大气颗粒物(PM)、臭氧(O3)以及酸雨的重要前体污染物。暴露于高浓度 NO2与肺癌、哮喘等呼吸系统疾病的发病率和死亡率密切相关。大气中NO2主要来自人为排放，尤其是工业和经济活动中化石燃料的消耗。近年来，随着中国经济的飞速发展，工业生产与汽车增加带来的能源消耗进一步急剧增加。NO2污染已成为中国公众及政府部门日益关注的环境问题。随着全球卫星技术发展，结合地面观测站点等多源数据，可以很好地定量监测NO2污染分布。同时，高时空分辨率NO2可以用于不完全燃烧中的污碳同测。
目前，现有的卫星反演近地面NO2浓度主要利用卫星NO2柱浓度产品结地面NO2观测数据、气象数据、边界层高度、土地利用类型、DEM（数字高程模型）、植被指数、人口数据等建立机器学习统计模型，来预估卫星近地面NO2浓度。将地面站点数据与卫星数据按照时空匹配规则，提取NO2、NDVI（归一化植被指数）、气象因子（温度、大气相对湿度、风速、近地面大气压强等）、边界层高度、土地利用类型作为模型特征，近地面NO2浓度作为预测目标值。当前存在的问题主要有两个方面：（1）预估的卫星近地面NO2浓度空间分辨率相对较低，不能够很好地追踪污染源；（2）由于极轨卫星当地时间每天下午1:30过境，不能够监测全天24小时NO2近地面浓度情况。
高时空分辨率监测目标区域内近地面NO2能够追踪污染源排放问题，较为成熟的Aura卫星上搭载的OMI传感器观测的NO2数据分辨率为0.25°（约为25KM），不能够满足高分辨率污染源追踪。而新一代卫星Sentinel-5P上搭载的TROPOMI观测的NO2分辨率为7×3.5KM，但是NO2的精度在较大空间范围内没有得到充分的精度验证。为了得到高精度和高空间分辨率的卫星近地面NO2浓度数据，将两种数据的NO2均作为特征因子输入模型中，同时结合地面高密度监测网络的NO2浓度，并将卫星夜间灯光数据（空间分辨率500M）作为输入因子，最终可以将卫星NO2近地面浓度空间分辨率提高到1KM。充分利用24小时气象再分析资料数据，可以通过机器学习模型预估全天每个时刻的近地面NO2浓度。
发明内容
本发明正是基于现有技术的上述需求而提出的，本发明要解决的技术问题是提供一种高时空分辨率遥感近地面NO2浓度预估方法和系统。
为了解决上述问题，本发明是采用如下技术方案实现的：
一种高时空分辨率遥感近地面NO2浓度预估方法，包括：
获取待分析数据，所述待分析数据包括卫星数据和基于站点获取的地面观测数据；所述卫星数据包括NO2柱浓度数据、坐标信息、气象数据和辅助数据；所述NO2柱浓度数据包括由第一卫星获取的第一浓度数据和通过第二卫星获取的第二浓度数据；所述坐标信息包括由第一卫星获取的第一坐标信息和通过第二卫星获取的第二坐标信息；
对所述卫星数据进行重采样，重采样为空间分辨率为1KM*1KM的栅格数据；
剔除所述地面观测数据的异常值，根据所述第一坐标信息、所述第二坐标信息和站点地理坐标，将所述栅格数据与剔除异常值后的剩余地面观测数据进行时空匹配，建立重采样后的NO2柱浓度数据与所述剩余地面观测数据随空间变化的对应变化场；
根据所述栅格数据和所述剩余地面观测数据通过融合RF模型和XGB模型，建立近地面NO2浓度预估模型；
通过所述近地面NO2浓度预估模型预测近地面NO2浓度。
通过两种不同空间分辨率下的对流层NO2柱浓度数据结合地面NO2观测数据、气象数据、辅助数据作为输入特征建立机器学习统计模型，预估得到目标区域近地面NO2浓度；将两个卫星的NO2柱浓度数据的优点结合，能够提高预测近地面NO2浓度的精度。
可选地，所述气象数据包括水平方向风速和垂直方向风速；
所述辅助数据包括边界层高度、土地利用类型、数字高程模型数据、植被指数和人口数据；
所述栅格数据包括重采样后的NO2柱浓度数据、坐标信息、气象数据和辅助数据。
通过上述设置将影响NO2浓度的因素纳入考虑以提高预测的精度和准度。
可选地，剔除所述地面观测数据的异常值，包括：
剔除在
Figure 706097DEST_PATH_IMAGE001
范围之外的地面观测NO2浓度数据，其 中，μ表示NO2均值，δ表示NO2标准差。
剔除异常数据对模型的干扰使得最终的结果更加精确。
可选地，将所述栅格数据与剔除异常值后的剩余地面观测数据进行时空匹配，包括：根据重采样后的第一坐标信息和第二坐标信息分别与所述站点地理坐标之间的距离d1和d2的数值是否在阈值范围之内，分别确定所述第一卫星的地理坐标和所述第二卫星的地理坐标，与所述站点地理坐标是否匹配；其中
Figure 92079DEST_PATH_IMAGE002
公式中lon1表示第一卫星的经度，lon2表示站点的经度，lon3表示第二卫星的经度，lat1表示第一卫星的纬度，lat2表示站点的纬度，lat3表示第二卫星的纬度。
通过地理位置建立起两种不同空间分辨率下重采样后的NO2柱浓度数据与地面观测数据之间的联系，在一定程度上提高预测的精度和准度。
可选地，所述方法还包括，
对所述坐标信息和所述气象数据进行特征变换，基于特征变换后的特征值训练模型；
其中，对所述坐标信息进行特征变换得到LON=ln(lon)和LAT=ln(lat)，lat表示纬 度数据，lon表示经度数据；对所述气象数据中的垂直方向风速和水平方向风速进行特征变 换得到
Figure 606237DEST_PATH_IMAGE003
，其中WIND为总风速，U为水平方向风速，V为垂直方向风速。
通过特征变换以提取特征中的隐含信息，在一定程度上能够简化计算过程降低计算量并提高结果的准确度。
可选地，根据所述栅格数据和所述剩余地面观测数据通过融合RF模型和XGB模型，建立近地面NO2浓度预估模型，包括：
基于RF模型与XGB模型，分别建立所述栅格数据、坐标信息对应的特征值、总风速与剔除异常值后的剩余地面观测数据的关系模型，并分别获得RF模型和XGB模型的平均绝对误差，对所述RF模型和XGB模型对应的平均绝对误差和关系模型融合，得到近地面NO2浓度预估模型。
使用融合模型得到的预测结果比利用RF模型或XGB模型单独预测的结果更加稳定，同时精度有所提高。
可选地，所述近地面NO2浓度预估模型的公式为：
Figure 735867DEST_PATH_IMAGE004
Figure 19081DEST_PATH_IMAGE005
Figure 575964DEST_PATH_IMAGE006
Figure 311839DEST_PATH_IMAGE007
Figure 979580DEST_PATH_IMAGE008
其中，RF为随机森林模型，XGB为极端梯度提升模型，NO2_rf为RF预测的地面观测质量浓度，MAErf为RF模型得到的平均绝对误差、MAExgb表示XGB模型得到的平均绝对误差，NO2_predicted为RF与XGB融合模型预测的地面观测质量浓度，NO2_xgb为XGB预测的地面观测质量浓度，NO2_tropomi为第一卫星的第一浓度数据，NO2_omi为第二卫星的第二浓度数据，RH为大气相对湿度，TEMP为大气温度，U和V分别为水平方向风速和垂直方向风速，WIND为总风速，PRES为近地面大气压强，PBLH为大气边界层高度，NDVI为归一化植被指数，P为人口密度，LANDCOVER为土地利用类型，LIGHT为夜间灯光，DEM为数字高程模型，LON和LAT为转换后的经纬度。
通过上述公式能够提高结果的准确率。
一种高时空分辨率遥感近地面NO2浓度预估系统，包括：
获取模块，用于获取待分析数据，所述待分析数据包括卫星数据和基于站点获取的地面观测数据，所述卫星数据包括NO2柱浓度数据、坐标信息、气象数据和辅助数据；所述NO2柱浓度数据包括由第一卫星获取的第一浓度数据和通过第二卫星获取的第二浓度数据；所述坐标信息包括由第一卫星获取的第一坐标信息和通过第二卫星获取的第二坐标信息；
重采样模块，用于对所述卫星数据进行重采样，重采样为空间分辨率为1KM*1KM的栅格数据；
处理模块，用于剔除所述地面观测数据的异常值，根据所述第一坐标信息、所述第二坐标信息和站点地理坐标，将所述栅格数据与剔除异常值后的剩余地面观测数据进行时空匹配，并建立重采样后的NO2柱浓度数据与所述剩余地面观测数据随空间变化的对应变化场；
模型建立模块，用于根据所述栅格数据和所述剩余地面观测数据通过融合RF模型和XGB模型，建立近地面NO2浓度预估模型；
预测模块，用于通过所述近地面NO2浓度预估模型预测近地面NO2浓度。
通过两种不同空间分辨率下的对流层NO2柱浓度数据结合地面NO2观测数据、气象数据、辅助数据作为输入特征建立机器学习统计模型，预估得到目标区域近地面NO2浓度；将两个卫星的NO2柱浓度数据的优点结合，能够提高预测近地面NO2浓度的精度。
可选地，所述气象数据包括水平方向风速和垂直方向风速；
所述辅助数据包括边界层高度、土地利用类型、数字高程模型数据、植被指数和人口数据；
所述栅格数据包括重采样后的NO2柱浓度数据、坐标信息、气象数据和辅助数据。
通过上述设置将影响NO2浓度的因素纳入考虑以提高预测的精度和准度。
可选地，所述处理模块包括：根据重采样后的第一坐标信息和第二坐标信息分别与所述站点地理坐标之间的距离d1和d2的数值是否在阈值范围之内，分别确定所述第一卫星的地理坐标和所述第二卫星的地理坐标，与所述站点地理坐标是否匹配；其中
Figure 117301DEST_PATH_IMAGE002
公式中lon1表示第一卫星的经度，lon2表示站点的经度，lon3表示第二卫星的经度，lat1表示第一卫星的纬度，lat2表示站点的纬度，lat3表示第二卫星的纬度。
通过地理位置建立起两种不同空间分辨率下重采样后的NO2柱浓度数据与地面观测数据之间的联系，在一定程度上提高预测的精度和准度。
与现有技术相比，本发明通过两种不同空间分辨率下的对流层NO2柱浓度数据（例如OMI和TROPOMI）结合地面NO2观测数据、气象数据、边界层高度、地势地形、土地利用类型、植被指数、夜间灯光、人口密度作为输入特征来建立机器学习统计模型，预估目标区域近地面NO2浓度。从而可以得到全天每小时预先设置的网络分辨率大小的NO2浓度，根据此结果可以用来追踪污染源排放位置和污碳同测。
附图说明
为了更清楚地说明本说明书实施例或现有技术中的技术方案，下面将对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实施例中记载的一些实施例，对于本领域普通技术人员来讲，还可以根据这些附图获得其他的附图。
图1是本发明具体实施方式提供的一种高时空分辨率遥感近地面NO2浓度预估方法的流程示意图；
图2是本发明具体实施方式提供的一种高时空分辨率遥感近地面NO2浓度预估系统的结构示意图。
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。
为便于对本发明实施例的理解，下面将结合附图以具体实施例做进一步的解释说明，实施例并不构成对本发明实施例的限定。
实施例1
本实施例提供了一种高时空分辨率遥感近地面NO2浓度预估方法，其流程如图1所示，包括首先对所有卫星、气象数据重采样成相同空间分辨率，并进行时空匹配。再剔除地面观测站点异常值，然后对卫星数据进行重采样，保证在同一空间分辨率下，并通过地面站点来提取同一时空下的栅格数据，具体包括：
S1：获取待分析数据，所述待分析数据包括卫星数据和基于站点获取的地面观测数据，所述卫星数据包括NO2柱浓度数据、坐标信息、气象数据和辅助数据；所述NO2柱浓度数据包括由第一卫星获取的第一浓度数据和通过第二卫星获取的第二浓度数据；所述坐标信息包括由第一卫星获取的第一坐标信息和通过第二卫星获取的第二坐标信息。
在本发明实施例中，所述第一卫星为Sentinel-5P，所述第二卫星为Aura，所述第一浓度数据是通过所述第一卫星安装的对流层观测仪（Tropospheric MonitoringInstrument，TROPOMI）检测得到，所述第二浓度数据是通过所述第二卫星安装的臭氧层监测仪（Ozone Monitoring Instrument，OMI）检测得到；卫星Sentinel-5P和Aura的轨道扫描宽度都为2600km，Sentinel-5P的空间分辨率为7km×3.5km，Aura的空间分辨率为13km×24km；获取Sentinel-5P卫星携带的传感器TROPOMI观测柱NO2浓度，Aura卫星携带的传感器OMI观测柱NO2浓度，卫星Sentinel-5P和Aura扫描区域的经纬度，以及地面站点数据和气象数据。
所述气象数据包括水平方向风速和垂直方向风速；
所述辅助数据包括边界层高度、土地利用类型、数字高程模型数据、植被指数和人口数据；
所述栅格数据包括重采样后的NO2柱浓度数据、坐标信息、气象数据和辅助数据。
获取两种卫星的浓度数据，在训练近地面NO2浓度预估模型时，可以将两种卫星观测数据的优点结合，在既满足预测的准确度时，又能够扩大预测近地面NO2浓度的范围。
S2：对所述卫星数据进行重采样，重采样为空间分辨率为1KM*1KM的栅格数据。
在本发明实施例中，对所述卫星数据进行重采样，包括先对目标区域进行栅格化，网格单元大小依据预先设定的规则进行设置，例如设置每个网格的分辨率为1KM×1KM；然后，利用插值算法计算得到每个栅格对应的卫星数据。
在本步骤中，由于由第一卫星获取的数据和由第二卫星获取的数据的空间分辨率不同，通过重采样的方法将不同分辨率的数据转化为在网格分辨率相同下的数据，并保证利用插值算法得到的每个栅格区域都有对应的卫星数据。
通过重采样将获取两种卫星的浓度数据转化为在网格分辨率相同下的数据，在同一栅格内，既包含精度高的NO2浓度，又包含精度低NO2浓度数据，在后续对栅格数据处理时，会将这两种数据结合，提高预测的精度。
S3：剔除所述地面观测数据的异常值，根据所述第一坐标信息、所述第二坐标信息和站点地理坐标，将所述栅格数据与剔除异常值后的剩余地面观测数据进行时空匹配，并建立重采样后的NO2柱浓度数据与所述剩余地面观测数据随空间变化的对应变化场。
所述异常值是指异常值是数据集中存在的非正常的值，也成为了离群点，产生的异常值一般是由于疏忽、失误或突然发生的不该发生的原因造成的。如读错、记错、传感器突然震动等。如果不剔除掉异常值，可能会对统计结果（如均值）产生不成比例的效应，从而导致引起误解的解释。
在本步骤中，剔除所述地面观测数据的异常值，包括：
剔除在
Figure 845085DEST_PATH_IMAGE001
范围之外的地面观测NO2浓度数据，其中， μ表示NO2均值，δ表示NO2标准差。
剔除异常数据对模型的干扰使得最终的结果更加精确。
将所述栅格数据与剔除异常值后的剩余地面观测数据进行时空匹配，包括：
根据重采样后的第一坐标信息和第二坐标信息分别与所述站点地理坐标之间的距离d1和d2的数值是否在阈值范围之内，分别确定所述第一卫星的地理坐标和所述第二卫星的地理坐标，与所述站点地理坐标是否匹配；
其中
Figure 68256DEST_PATH_IMAGE009
公式中lon1表示第一卫星的经度，lon2表示站点的经度，lon3表示第二卫星的经度，lat1表示第一卫星的纬度，lat2表示站点的纬度，lat3表示第二卫星的纬度。
通过地理位置建立起两种不同空间分辨率下重采样后的NO2柱浓度数据与地面观测数据之间的联系，在一定程度上提高预测的精度和准度。
S4：根据所述栅格数据和所述剩余地面观测数据通过融合RF模型和XGB模型，建立近地面NO2浓度预估模型。
对所述坐标信息和所述气象数据进行特征变换，基于特征变换后的特征值训练模型；
其中，对所述坐标信息进行特征变换得到LON=ln(lon)和LAT=ln(lat)，lat表示纬 度数据，lon表示经度数据；对所述气象数据中的垂直方向风速和水平方向风速进行特征变 换得到
Figure 539689DEST_PATH_IMAGE003
，其中WIND为总风速，U为水平方向风速，V为垂直方向风速。
通过特征变换以提取特征中的隐含信息，在一定程度上能够简化计算过程降低计算量并提高结果的准确度。
基于RF模型与XGB模型，分别建立所述栅格数据、坐标信息对应的特征值、总风速与剔除异常值后的剩余地面观测数据的关系模型，并分别获得RF模型和XGB模型的平均绝对误差，对所述RF模型和XGB模型对应的平均绝对误差和关系模型融合，得到近地面NO2浓度预估模型。
所述近地面NO2浓度预估模型的公式为：
Figure 531916DEST_PATH_IMAGE004
Figure 696181DEST_PATH_IMAGE010
Figure 406648DEST_PATH_IMAGE011
Figure 416192DEST_PATH_IMAGE012
Figure 528505DEST_PATH_IMAGE013
其中，RF为随机森林模型，XGB为极端梯度提升模型，NO2_rf为RF预测的地面观测质量浓度，MAErf为RF模型得到的平均绝对误差、MAExgb表示XGB模型得到的平均绝对误差，NO2_predicted为RF与XGB融合模型预测的地面观测质量浓度，NO2_xgb为XGB预测的地面观测质量浓度，NO2_tropomi为第一卫星的第一浓度数据，NO2_omi为第二卫星的第二浓度数据，RH为大气相对湿度，TEMP为大气温度，U和V分别为水平方向风速和垂直方向风速，WIND为总风速，PRES为近地面大气压强，PBLH为大气边界层高度，NDVI为归一化植被指数，P为人口密度，LANDCOVER为土地利用类型，LIGHT为夜间灯光，DEM为数字高程模型，LON和LAT为转换后的经纬度。
本发明实施例提供一种通过随机森林模型与XGB模型相互融合模型训练得到近地面NO2浓度预估模型，其中，随机森林模型包括多棵决策树，每棵决策树使用多层前馈神经网络实现，具体包括：
设置随机森林算法参数，如随机森林的树规模P、每棵决策树有放回的取样本数据的次数N、每个样本数据中提取特征属性的个数K等；对于每棵决策树，采用bootstrap抽样法从归一化后的样本数据集中有放回地随机选择N个样本数据生成训练自己；从样本数据的特征属性集合中随机选择K个特征，按照选择的K个特征从训练子集中提取特征子空间训练集；初始化多层前馈神经网络神经网络，输入特征子空间训练集进行单棵决策树的训练；重复以上每个决策树的操作完成所有决策树的训练，其中，所述决策树生成过程为：将输入数据递归地划分为二叉树，每个节点只向下分裂成两个区域，生成回归决策树。
在上述过程中，由于是随机采样，所以每棵决策树的训练数据都不同，进而决策树之间也就存在差异，通过上述这种方式可以有效克服单棵决策树产生的过拟合问题。
随机森林算法的参数取值将直接影响到算法的预测准确性，所以在随机森林模型训练过程中，可以采用遗传算法等方法对参数进行寻优，获得最优参数组合有利于提升模型的预测准确率。
XGB模型应用的算法是对梯度提升决策树（Gradient Boosting Decision Tree，GBDT）作出的改进，考虑了训练数据为稀疏值的情况，可以为缺失值或者指定的值指定分支的默认方向，提升了算法的效率。
使用融合模型得到的预测结果比利用RF模型或XGB模型单独预测的结果更加稳定，同时精度有所提高。
S5：通过所述近地面NO2浓度预估模型预测近地面NO2浓度。
在本步骤中，具体包括：
步骤一：获取目标时空的卫星数据，包括由第一卫星获取的第一浓度数据和通过第二卫星获取的第二浓度数据，由第一卫星获取的第一坐标信息和通过第二卫星获取的第二坐标信息，气象数据和辅助数据。
步骤二：对所述卫星数据进行重采样，重采样为空间分辨率为1KM*1KM的栅格数据。
步骤三：对坐标信息和气象数据进行特征变换。
对所述坐标信息进行特征变换得到LON=ln(lon)和LAT=ln(lat)，lat表示纬度数 据，lon表示经度数据；对所述气象数据中的垂直方向风速和水平方向风速进行特征变换得 到
Figure 598092DEST_PATH_IMAGE003
，其中WIND为总风速，U为水平方向风速，V为垂直方向风速。
步骤四：将栅格数据和特征变换后的数据输入至与所述目标时空匹配的近地面NO2浓度预估模型中，预测得到全天每小时预先设置网络分辨率的NO2浓度。
本发明实施例的近地面NO2浓度预估模型是通过两种不同空间分辨率下的对流层NO2柱浓度数据（如OMI和TROPOMI）结合地面NO2观测数据、气象数据、辅助数据作为输入特征来建立机器学习统计模型，预估目标区域近地面NO2浓度，从而可以得到全天每小时预先设置的网络分辨率大小的NO2浓度，根据此结果可以用来追踪污染源排放位置和污碳同测；由于本方法是利用机器学习统计模型分析地面NO2观测数据与两个传感器观测NO2柱浓度和辅助数据的关系，且一个卫星观测数据精度高，但空间分辨率低，另一个卫星观测数据精度低，但空间分辨率高，所以当机器学习模型进行训练的时候，会将两个卫星的优点结合，能够提高预测近地面NO2浓度的精度，得到全天每小时高精度和高空间分辨率的卫星近地面NO2浓度数据。
实施例2
本实施例提供了一种高时空分辨率遥感近地面NO2浓度预估系统，包括：
获取模块200，用于获取待分析数据，所述待分析数据包括卫星数据和基于站点获取的地面观测数据，所述卫星数据包括NO2柱浓度数据、坐标信息、气象数据和辅助数据；所述NO2柱浓度数据包括由第一卫星获取的第一浓度数据和通过第二卫星获取的第二浓度数据；所述坐标信息包括由第一卫星获取的第一坐标信息和通过第二卫星获取的第二坐标信息；
重采样模块210，用于对所述卫星数据进行重采样，重采样为空间分辨率为1KM*1KM的栅格数据；
处理模块220，用于剔除所述地面观测数据的异常值，根据所述第一坐标信息、所述第二坐标信息和站点地理坐标，将所述栅格数据与剔除异常值后的剩余地面观测数据进行时空匹配，并建立重采样后的NO2柱浓度数据与所述剩余地面观测数据随空间变化的对应变化场；
模型建立模块230，用于根据所述栅格数据和所述剩余地面观测数据通过融合RF模型和XGB模型，建立近地面NO2浓度预估模型；
预测模块240，用于通过所述近地面NO2浓度预估模型预测近地面NO2浓度。
可选地，所述气象数据包括水平方向风速和垂直方向风速；
所述辅助数据包括边界层高度、土地利用类型、数字高程模型数据、植被指数和人口数据；
所述栅格数据包括重采样后的NO2柱浓度数据、坐标信息、气象数据和辅助数据。
可选地，所述处理模块220包括：
剔除在
Figure 795855DEST_PATH_IMAGE001
范围之外的地面观测NO2浓度数据，其中， μ表示NO2均值，δ表示NO2标准差。
可选地，所述处理模块220包括：根据重采样后的第一坐标信息和第二坐标信息分别与所述站点地理坐标之间的距离d1和d2的数值是否在阈值范围之内，分别确定所述第一卫星的地理坐标和所述第二卫星的地理坐标，与所述站点地理坐标是否匹配；其中
Figure 609090DEST_PATH_IMAGE002
公式中lon1表示第一卫星的经度，lon2表示站点的经度，lon3表示第二卫星的经度，lat1表示第一卫星的纬度，lat2表示站点的纬度，lat3表示第二卫星的纬度。
可选地，所述系统还包括：
对所述坐标信息和所述气象数据进行特征变换，基于特征变换后的特征值训练模型；
其中，对所述坐标信息进行特征变换得到LON=ln(lon)和LAT=ln(lat)，lat表示纬 度数据，lon表示经度数据；对所述气象数据中的垂直方向风速和水平方向风速进行特征变 换得到
Figure 841488DEST_PATH_IMAGE014
，其中WIND为总风速，U为水平方向风速，V为垂直方向风速。
可选地，所述模型建立模块230包括：
基于RF模型与XGB模型，分别建立所述栅格数据、坐标信息对应的特征值、总风速与剔除异常值后的剩余地面观测数据的关系模型，并分别获得RF模型和XGB模型的平均绝对误差，对所述RF模型和XGB模型对应的平均绝对误差和关系模型融合，得到近地面NO2浓度预估模型。
可选地，所述模型建立模块230还包括：
Figure 81977DEST_PATH_IMAGE015
Figure 501457DEST_PATH_IMAGE016
Figure 118383DEST_PATH_IMAGE011
Figure 939708DEST_PATH_IMAGE017
Figure 616677DEST_PATH_IMAGE018
其中，RF为随机森林模型，XGB为极端梯度提升模型，NO2_rf为RF预测的地面观测质量浓度，MAErf为RF模型得到的平均绝对误差、MAExgb表示XGB模型得到的平均绝对误差，NO2_predicted为RF与XGB融合模型预测的地面观测质量浓度，NO2_xgb为XGB预测的地面观测质量浓度，NO2_tropomi为第一卫星的第一浓度数据，NO2_omi为第二卫星的第二浓度数据，RH为大气相对湿度，TEMP为大气温度，U和V分别为水平方向风速和垂直方向风速，WIND为总风速，PRES为近地面大气压强，PBLH为大气边界层高度，NDVI为归一化植被指数，P为人口密度，LANDCOVER为土地利用类型，LIGHT为夜间灯光，DEM为数字高程模型，LON和LAT为转换后的经纬度。
以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (7)

1.一种高时空分辨率遥感近地面NO2浓度预估方法，其特征在于，包括：
获取待分析数据，所述待分析数据包括卫星数据和基于站点获取的地面观测数据；所述卫星数据包括NO2柱浓度数据、坐标信息、气象数据和辅助数据；所述NO2柱浓度数据包括由第一卫星获取的第一浓度数据和通过第二卫星获取的第二浓度数据；所述坐标信息包括由第一卫星获取的第一坐标信息和通过第二卫星获取的第二坐标信息；
对所述卫星数据进行重采样，重采样为空间分辨率为1KM*1KM的栅格数据；
剔除所述地面观测数据的异常值，根据所述第一坐标信息、所述第二坐标信息和站点地理坐标，将所述栅格数据与剔除异常值后的剩余地面观测数据进行时空匹配，建立重采样后的NO2柱浓度数据与所述剩余地面观测数据随空间变化的对应变化场；
根据所述栅格数据和所述剩余地面观测数据通过融合RF模型和XGB模型，建立近地面NO2浓度预估模型，包括：
对所述坐标信息进行特征变换得到LON=ln(lon)和LAT=ln(lat)，其中，lat表示纬度数 据，lon表示经度数据；对所述气象数据中的垂直方向风速和水平方向风速进行特征变换得 到
Figure 967205DEST_PATH_IMAGE001
，其中WIND为总风速，U为水平方向风速，V为垂直方向风速；基于RF模 型与XGB模型，分别建立所述栅格数据、坐标信息对应的特征值、总风速与剔除异常值后的 剩余地面观测数据的关系模型，并分别获得RF模型和XGB模型的平均绝对误差，对所述RF模 型和XGB模型对应的平均绝对误差和关系模型融合，得到近地面NO2浓度预估模型，其中，所 述近地面NO2浓度预估模型的公式为：
Figure 149925DEST_PATH_IMAGE002
Figure 460820DEST_PATH_IMAGE003
Figure 121609DEST_PATH_IMAGE004
Figure 201560DEST_PATH_IMAGE005
Figure 289602DEST_PATH_IMAGE006
公式中，RF为随机森林模型，XGB为极端梯度提升模型，NO2_rf为RF预测的地面观测质量浓度，MAErf为RF模型得到的平均绝对误差、MAExgb为XGB模型得到的平均绝对误差，NO2_predicted为RF与XGB融合模型预测的地面观测质量浓度，NO2_xgb为XGB预测的地面观测质量浓度，NO2_tropomi为第一卫星的第一浓度数据，NO2_omi为第二卫星的第二浓度数据，RH为大气相对湿度，TEMP为大气温度，U和V分别为水平方向风速和垂直方向风速，WIND为总风速，PRES为近地面大气压强，PBLH为大气边界层高度，NDVI为归一化植被指数，P为人口密度，LANDCOVER为土地利用类型，LIGHT为夜间灯光，DEM为数字高程模型，LON和LAT为转换后的经纬度；
通过所述近地面NO2浓度预估模型预测近地面NO2浓度。
2.如权利要求1所述的一种高时空分辨率遥感近地面NO2浓度预估方法，其特征在于，所述气象数据包括水平方向风速和垂直方向风速；
所述辅助数据包括边界层高度、土地利用类型、数字高程模型数据、植被指数和人口数据；
所述栅格数据包括重采样后的NO2柱浓度数据、坐标信息、气象数据和辅助数据。
3.如权利要求1所述的一种高时空分辨率遥感近地面NO2浓度预估方法，其特征在于，所述剔除所述地面观测数据的异常值，包括：
剔除在
Figure 822215DEST_PATH_IMAGE007
范围之外的地面观测NO2浓度数据，其中，μ表 示NO2均值，δ表示NO2标准差。
4.如权利要求3所述的一种高时空分辨率遥感近地面NO2浓度预估方法，其特征在于，将所述栅格数据与剔除异常值后的剩余地面观测数据进行时空匹配，包括：根据重采样后的第一坐标信息和第二坐标信息分别与所述站点地理坐标之间的距离d1和d2的数值是否在阈值范围之内，分别确定所述第一卫星的地理坐标和所述第二卫星的地理坐标，与所述站点地理坐标是否匹配；其中
Figure 286694DEST_PATH_IMAGE008
公式中lon1表示第一卫星的经度，lon2表示站点的经度，lon3表示第二卫星的经度，lat1表示第一卫星的纬度，lat2表示站点的纬度，lat3表示第二卫星的纬度。
5.一种高时空分辨率遥感近地面NO2浓度预估系统，其特征在于，包括：
获取模块，用于获取待分析数据，所述待分析数据包括卫星数据和基于站点获取的地面观测数据，所述卫星数据包括NO2柱浓度数据、坐标信息、气象数据和辅助数据；所述NO2柱浓度数据包括由第一卫星获取的第一浓度数据和通过第二卫星获取的第二浓度数据；所述坐标信息包括由第一卫星获取的第一坐标信息和通过第二卫星获取的第二坐标信息；
重采样模块，用于对所述卫星数据进行重采样，重采样为空间分辨率为1KM*1KM的栅格数据；
处理模块，用于剔除所述地面观测数据的异常值，根据所述第一坐标信息、所述第二坐标信息和站点地理坐标，将所述栅格数据与剔除异常值后的剩余地面观测数据进行时空匹配，并建立重采样后的NO2柱浓度数据与所述剩余地面观测数据随空间变化的对应变化场；
模型建立模块，用于根据所述栅格数据和所述剩余地面观测数据通过融合RF模型和XGB模型，建立近地面NO2浓度预估模型，包括：
对所述坐标信息进行特征变换得到LON=ln(lon)和LAT=ln(lat)，其中，lat表示纬度数 据，lon表示经度数据；对所述气象数据中的垂直方向风速和水平方向风速进行特征变换得 到
Figure 221152DEST_PATH_IMAGE001
，其中WIND为总风速，U为水平方向风速，V为垂直方向风速；基于RF模 型与XGB模型，分别建立所述栅格数据、坐标信息对应的特征值、总风速与剔除异常值后的 剩余地面观测数据的关系模型，并分别获得RF模型和XGB模型的平均绝对误差，对所述RF模 型和XGB模型对应的平均绝对误差和关系模型融合，得到近地面NO2浓度预估模型，其中，所 述近地面NO2浓度预估模型的公式为：
Figure 480095DEST_PATH_IMAGE002
Figure 500004DEST_PATH_IMAGE009
Figure 502595DEST_PATH_IMAGE010
Figure 291559DEST_PATH_IMAGE005
Figure 721403DEST_PATH_IMAGE011
公式中，RF为随机森林模型，XGB为极端梯度提升模型，NO2_rf为RF预测的地面观测质量浓度，MAErf为RF模型得到的平均绝对误差、MAExgb为XGB模型得到的平均绝对误差，NO2_predicted为RF与XGB融合模型预测的地面观测质量浓度，NO2_xgb为XGB预测的地面观测质量浓度，NO2_tropomi为第一卫星的第一浓度数据，NO2_omi为第二卫星的第二浓度数据，RH为大气相对湿度，TEMP为大气温度，U和V分别为水平方向风速和垂直方向风速，WIND为总风速，PRES为近地面大气压强，PBLH为大气边界层高度，NDVI为归一化植被指数，P为人口密度，LANDCOVER为土地利用类型，LIGHT为夜间灯光，DEM为数字高程模型，LON和LAT为转换后的经纬度；
预测模块，用于通过所述近地面NO2浓度预估模型预测近地面NO2浓度。
6.如权利要求5所述的一种高时空分辨率遥感近地面NO2浓度预估系统，其特征在于，所述气象数据包括水平方向风速和垂直方向风速；
所述辅助数据包括边界层高度、土地利用类型、数字高程模型数据、植被指数和人口数据；
所述栅格数据包括重采样后的NO2柱浓度数据、坐标信息、气象数据和辅助数据。
7.如权利要求5所述的一种高时空分辨率遥感近地面NO2浓度预估系统，其特征在于，所述处理模块包括：根据重采样后的第一坐标信息和第二坐标信息分别与所述站点地理坐标之间的距离d1和d2的数值是否在阈值范围之内，分别确定所述第一卫星的地理坐标和所述第二卫星的地理坐标，与所述站点地理坐标是否匹配；其中
Figure 228608DEST_PATH_IMAGE012
公式中lon1表示第一卫星的经度，lon2表示站点的经度，lon3表示第二卫星的经度，lat1表示第一卫星的纬度，lat2表示站点的纬度，lat3表示第二卫星的纬度。
CN202210765379.XA 2022-07-01 2022-07-01 一种高时空分辨率遥感近地面no2浓度预估方法和系统 Active CN114898823B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210765379.XA CN114898823B (zh) 2022-07-01 2022-07-01 一种高时空分辨率遥感近地面no2浓度预估方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210765379.XA CN114898823B (zh) 2022-07-01 2022-07-01 一种高时空分辨率遥感近地面no2浓度预估方法和系统

Publications (2)

Publication Number Publication Date
CN114898823A CN114898823A (zh) 2022-08-12
CN114898823B true CN114898823B (zh) 2022-10-14

Family

ID=82730305

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210765379.XA Active CN114898823B (zh) 2022-07-01 2022-07-01 一种高时空分辨率遥感近地面no2浓度预估方法和系统

Country Status (1)

Country Link
CN (1) CN114898823B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116429648B (zh) * 2023-03-23 2023-11-17 河南大学 改进的时空LightGBM的地表PM10估算方法
CN117390971B (zh) * 2023-12-08 2024-04-12 北京英视睿达科技股份有限公司 一种基于供暖季的no2浓度的预估方法及系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106845371A (zh) * 2016-12-31 2017-06-13 中国科学技术大学 一种城市路网机动车尾气排放遥感监控系统
CN112884079A (zh) * 2021-03-30 2021-06-01 河南大学 一种基于Stacking集成模型的近地面二氧化氮浓度估算方法
CN113297528A (zh) * 2021-06-10 2021-08-24 四川大学 一种基于多源大数据的no2高分辨率时空分布计算方法
WO2022020448A1 (en) * 2020-07-21 2022-01-27 Indigo Ag, Inc. Remote sensing algorithms for mapping regenerative agriculture
CN114266200A (zh) * 2022-02-24 2022-04-01 山东大学 二氧化氮浓度预测方法及系统

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112016696B (zh) * 2020-08-14 2022-10-04 武汉大学 融合卫星与地基观测的pm1浓度反演方法及系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106845371A (zh) * 2016-12-31 2017-06-13 中国科学技术大学 一种城市路网机动车尾气排放遥感监控系统
WO2022020448A1 (en) * 2020-07-21 2022-01-27 Indigo Ag, Inc. Remote sensing algorithms for mapping regenerative agriculture
CN112884079A (zh) * 2021-03-30 2021-06-01 河南大学 一种基于Stacking集成模型的近地面二氧化氮浓度估算方法
CN113297528A (zh) * 2021-06-10 2021-08-24 四川大学 一种基于多源大数据的no2高分辨率时空分布计算方法
CN114266200A (zh) * 2022-02-24 2022-04-01 山东大学 二氧化氮浓度预测方法及系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
区域空气质量模式与我国的大气污染控制;王自发 等;《科学对社会的影响》;20090925(第03期);全文 *
基于多源卫星数据产品的近地面NO2浓度遥感估算;韩旭;《中国优秀硕士学位论文全文数据库》;20191115;正文第1-75页 *
面向多源数据沈阳市PM2.5浓度预测研究及实证分析;齐甜方 等;《系统工程》;20180528(第05期);全文 *

Also Published As

Publication number Publication date
CN114898823A (zh) 2022-08-12

Similar Documents

Publication Publication Date Title
CN114898823B (zh) 一种高时空分辨率遥感近地面no2浓度预估方法和系统
US11333796B2 (en) Spatial autocorrelation machine learning-based downscaling method and system of satellite precipitation data
CN112905560B (zh) 一种多源时空大数据深度融合的空气污染预测方法
US20230213337A1 (en) Large-scale forest height remote sensing retrieval method considering ecological zoning
CN112884079A (zh) 一种基于Stacking集成模型的近地面二氧化氮浓度估算方法
CN111105496A (zh) 一种基于机载激光雷达点云数据的高精dem构建方法
CN109407177B (zh) 基于机器学习与常规气象观测的大雾识别系统和应用方法
CN116205541B (zh) 评估本地污染源对环境空气质量影响的方法及装置
CN109978275B (zh) 一种混合cfd和深度学习的极端大风风速预测方法及系统
CN115453069A (zh) 一种面向城市臭氧超标污染遥感溯源方法
CN116223395A (zh) 近地表痕量气体浓度反演模型及反演方法
CN114463616B (zh) 一种基于Stacking与EMOS-CSG的多源卫星降水融合方法
CN117649156B (zh) 高城镇化河网全自动水环境监测方法及系统
CN115310550A (zh) 一种大气二氧化碳干空气柱浓度计算方法及系统
CN117219183A (zh) 多云雨地区的高覆盖度近地面no2浓度估算方法及系统
CN112462401B (zh) 基于浮动车轨迹数据的城市峡谷快速探测方法及装置
CN114417728A (zh) 基于温度和发射率及深度学习的近地表空气温度反演方法
CN116609859A (zh) 一种气象灾害高分辨率区域模式预报系统及方法
US20230127492A1 (en) Imputation method for surface ultraviolet irradiance based on feasible cloud information and machine learning
CN114330146B (zh) 一种卫星气体数据补全方法和系统
CN114943303A (zh) 一种基于多传感器遥感的时序aod重构方法
Sefercik et al. Point-based and model-based geolocation analysis of airborne laser scanning data
CN113988417A (zh) 基于卫星遥感的近地面pm2．5浓度预测方法与系统
Goryaev et al. Forecasting steppe fires using remote sensing data of time series
CN115993668B (zh) 一种基于多项式改正和神经网络的pwv重建方法及系统

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