CN114926749B - 基于遥感图像的近地面大气污染物反演方法及系统 - Google Patents

基于遥感图像的近地面大气污染物反演方法及系统 Download PDF

Info

Publication number
CN114926749B
CN114926749B CN202210865146.7A CN202210865146A CN114926749B CN 114926749 B CN114926749 B CN 114926749B CN 202210865146 A CN202210865146 A CN 202210865146A CN 114926749 B CN114926749 B CN 114926749B
Authority
CN
China
Prior art keywords
data
remote sensing
attention
space
inversion
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
CN202210865146.7A
Other languages
English (en)
Other versions
CN114926749A (zh
Inventor
王国强
张庆竹
汪先锋
陶辰亮
贾曼
王桥
王文兴
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.)
Shandong University
Original Assignee
Shandong University
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 Shandong University filed Critical Shandong University
Priority to CN202210865146.7A priority Critical patent/CN114926749B/zh
Publication of CN114926749A publication Critical patent/CN114926749A/zh
Application granted granted Critical
Publication of CN114926749B publication Critical patent/CN114926749B/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
    • G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
    • G01D21/00—Measuring or testing not otherwise provided for
    • G01D21/02—Measuring two or more variables by means not covered by a single other subclass
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • 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)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Multimedia (AREA)
  • Computing Systems (AREA)
  • Medical Informatics (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Remote Sensing (AREA)
  • Astronomy & Astrophysics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及图像处理技术领域，具体为基于遥感图像的近地面大气污染物反演方法及系统，包括以下步骤：获取遥感数据和空气质量地面监测数据形成多源数据经预处理后，得到时空分辨率一致的多源数据，提取其中的时间和空间信息形成数据集；提取数据集当前格点周围n*n大小的空间网格及前t天的数据形成数据特征样本，对应于当前时刻当前格点的地面监测数据作为标签，带标签的样本用于训练和验证深度学习模型，无标签的数据用于输入训练完毕的深度学习模型实现反演预测；利用数据集基于训练完毕的深度学习模型，输出所需地区的近地面大气污染物的空间分布结果。通过融合遥感图像和地面监测站数据，得到没有监测站点分布地区的大气污染浓度。

Description

基于遥感图像的近地面大气污染物反演方法及系统
技术领域
本发明涉及图像处理技术领域，具体为基于遥感图像的近地面大气污染物反演方法及系统。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。
基于遥感影像对近地面的大气污染物分布估算方法总体上分为基于物理模型和基于统计模型两类。基于物理模型的方法以大气污染化学传输模式为主，不需要借助地面监测网络，但是模型精度不高，无法利用已有的地面观测信息进一步提高模型的精度。基于统计模型的方法是目前应用最广泛的大气污染物浓度估算方法，但难以应对真实世界复杂的线性关系，不适用于大范围区域的污染浓度估算。
针对上述问题，现有技术尝试将机器学习或人工智能算法引入到遥感数据与地面监测数据中，从而提升模型的区域适用性和精度，但大多数算法对不同城市地区的实用性较差，而且由于遥感观测数据的分辨率不足，会直接影响大气污染物浓度估算结果的精度和空间分辨率。
其次，大多数利用遥感影像估算大气污染物分布的方法会基于分布在城市的监测站点训练模型，没有从遥感数据中学习到城镇和农村地区的区域特征，导致预测结果存在空间异质性，使得估算的污染物空间分布存在很大的不确定性。
发明内容
为了解决上述背景技术中存在的技术问题，本发明提供基于遥感图像的近地面大气污染物反演方法及系统，以土壤-植被-大气之间的水循环为基础，利用降雨蒸发、多源遥感、地理数据和空气质量监测站的历史监测数据建立近地面臭氧、二氧化氮和细颗粒物协同估算反演模型，生成时空覆盖完整、空间分辨率高、预测精度高的大气污染物空间分布反演结果，实现无监测站点覆盖地区的污染物浓度精确估算。
为了实现上述目的，本发明采用如下技术方案：
本发明的第一个方面提供基于遥感图像的近地面大气污染物反演方法，包括以下步骤：
获取遥感数据和空气质量地面监测数据形成的多源数据，经预处理后得到时空分辨率的一致多源数据，并提取其中的时间和空间信息，形成数据集；
提取数据集当前格点周围n*n大小的空间网格及前t天的数据形成数据特征样本，对应于当前时刻当前格点的地面监测数据作为标签，带标签的样本用于训练和验证深度学习模型，无标签的数据用于输入训练完毕的深度学习模型实现反演预测；
利用数据集基于训练完毕的深度学习模型，输出所需地区的近地面臭氧、二氧化氮和细颗粒物的空间分布结果。
多源数据包括基于遥感数据得到的地表温度、植被归一化指数、夜间灯光、人口密度、数字高程数据、道路密度与土地利用数据，基于空气质量地面监测数据得到的臭氧、二氧化氮和细颗粒物浓度，以及大气污染遥感数据、降雨蒸发数据、气象再分析数据和工业排放数据；气象再分析数据包括：设定海拔高度的风速、露点温度和温度，平均海平面压力、海面温度、地面气压、总降水量和平均地表长波辐射；大气污染遥感数据包括：大气气溶胶厚度、平流层NO2柱浓度、对流层NO2柱浓度、O3柱浓度、对流层顶压力和云遮罩分数。
多源数据中提取的时间和空间信息，包括：空间位置信息、季节性趋势和儒略日；根据空气质量地面监测数据中监测站所在的经度和纬度，得到空间位置信息；根据遥感数据中的月份，得到季节性趋势。
在数据输入模型训练预测前，利用原始数据与数据均值之间的差，和数据标准差的比值，将不同量级的数据转化到统一度量[1,-1]之间。
深度学习模型包括依次连接的输入层、至少七个隐藏层和输出层，隐藏层具有至少12层预测模块，输出层的输出单元为3，分别对应臭氧、二氧化氮、细颗粒物三个标签；隐藏层输出预测目标网格的位置向量并传输给输出层得到反演结果。
预测模块具有时空self-attention和变量self-attention两种自注意力类型，包括依次连接的动态位置编码和两层Transformer模块，动态位置编码根据三维卷积实现输入数据的时空位置感知，第一层Transformer模块利用基于时空self-attention的Transformer模型实现时间和空间上的注意力计算，第二层利用基于变量self-attention的Transformer模型实现变量间的注意力计算。
预测模块使用GELU函数作为激活函数：
Figure DEST_PATH_IMAGE001
损失采用均方误差损失函数（MSE）进行训练：
Figure 562050DEST_PATH_IMAGE002
式中：f i 为模型预测值，y i 为真实值，N为样本数量。
本发明的第二个方面提供实现上述方法的系统，包括：
数据获取模块，被配置为：获取遥感数据和空气质量地面监测数据形成的多源数据，经预处理后得到时空分辨率的一致多源数据，并提取其中的时间和空间信息，形成数据集；
模型训练模块，被配置为：提取数据集当前格点周围n*n大小的空间网格及前t天的数据形成数据特征样本，对应于当前时刻当前格点的地面监测数据作为标签，带标签的样本用于训练和验证深度学习模型，无标签的数据用于输入训练完毕的深度学习模型实现反演预测；
反演输出模块，被配置为：利用数据集基于训练完毕的深度学习模型，输出所需地区的近地面臭氧、二氧化氮和细颗粒物的空间分布结果。
本发明的第三个方面提供一种计算机可读存储介质。
一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述所述的基于遥感图像的近地面大气污染物反演方法中的步骤。
本发明的第四个方面提供一种计算机设备。
一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述所述的基于遥感图像的近地面大气污染物反演方法中的步骤。
与现有技术相比，以上一个或多个技术方案存在以下有益效果：
1、通过融合遥感数据和地面监测站数据，利用深度学习模型学习大气污染物的时空变化规律，实现空间覆盖全、时间序列长、空间分辨率高的近地面大气污染浓度精确反演和估算，精确估算没有监测站点分布的郊区、山区大气污染浓度，有效弥补了地面监测数据在空间信息上的断层。
2、充分考虑所提出模型方法的易用性，在不增加数据重复使用、训练及预测速度的情况下，实现多种污染物（臭氧、氮氧化物、细颗粒物）协同预测。
3、模型考虑了预测位置周围和前t个时刻的污染信息，有效提升了反演估算精度和准确性。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。
图1是本发明一个或多个实施例提供的基于遥感图像的近地面大气污染物反演方法的流程示意图；
图2是本发明一个或多个实施例提供的基于多尺度self-attention的Transformer深度学习模型网络结构图。
具体实施方式
下面结合附图与实施例对本发明作进一步说明。
应该指出，以下详细说明都是示例性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
大气污染物浓度的空间连续全覆盖数据，是实现精细化空气质量分析应用和大气污染治理的数据基础。空气质量监测站为公众提供受天气影响小、单点测量精度高的空气质量监测服务，但是由于建设成本、地理位置等因素的限制，观测范围有限，而且现有的监测站点数量有限，且分布不均匀，主要集中在城市地区，难以提供覆盖面广的大气污染物浓度空间分布情况，不能反映大区域长时间序列的大气污染物时空分布变化，降低了大气污染物暴露风险估计的准确性。与地面监测手段相比，卫星遥感技术具有宏观性强、监测范围广、连续性强等特点，利用物理模型和统计模型方法通过遥感影像估算近地面大气污染物的空间分布，能够弥补地面监测数据在空间上的信息断层。
因此，以下实施例给出基于遥感图像的近地面大气污染物反演方法，以土壤-植被-大气之间的水循环为基础，利用降雨蒸发、多源遥感、地理数据和空气质量监测站的历史监测数据建立近地面臭氧、二氧化氮和细颗粒物协同估算反演方法和系统，生成时空覆盖完整、空间分辨率高、预测精度高的大气污染物空间分布，实现无监测站点地区的污染物浓度精确估算，为水循环对大气污染的影响分析、大气污染物时空变化趋势分析、污染热点区域识别和大气污染防治提供科学指导。
实施例一：
如图1-图2所示，基于遥感图像的近地面大气污染物反演方法，包括以下步骤：
获取遥感数据和空气质量地面监测数据形成的多源数据，经预处理后得到时空分辨率的一致多源数据，并提取其中的时间和空间信息，形成数据集；
提取数据集当前格点周围n*n大小的空间网格及前t天的数据形成一个数据特征样本，对应于当前时刻当前格点的地面监测数据作为标签，带标签的样本用于训练和验证深度学习模型，无标签的数据用于输入训练完毕的模型实现反演预测；
利用数据集基于训练完毕的深度学习模型输出所需地区的近地面臭氧、二氧化氮和细颗粒物的空间分布结果。
具体的：
步骤1：获取降雨蒸发数据、空气质量地面监测数据、气象再分析数据、大气污染遥感数据、工业排放数据、地表温度、植被归一化指数、夜间灯光、人口密度、数字高程数据（DEM）、道路密度和土地利用数据等多源遥感和地理数据；
步骤2：对获取到的多源数据使用重采样、插值等方法统一为1000m空间分辨率，并进行时空融合和匹配；进行特征工程提取时间和空间信息，形成最终模型训练和预测数据集；
步骤3：提取当前格点周围n*n大小的空间网格及前t天的数据形成一个数据特征样本，对应于当前时刻当前格点的地面监测数据作为标签，带标签的样本用于训练和验证深度学习模型，无标签的数据用于预测，训练基于多尺度self-attention的Transformer深度学习模型；使用预先训练完毕的深度学习模型对指定地区近地面臭氧、二氧化氮和细颗粒物的空间分布同时进行反演估算。
步骤1中：
空气质量地面监测数据包括：臭氧、二氧化氮和细颗粒物浓度；气象再分析数据包括：10m风速、2m露点温度、2m温度、平均海平面压力、海面温度、地面气压、总降水量、平均地表长波辐射等；
大气污染遥感数据包括：大气气溶胶厚度（AOD）、平流层NO2柱浓度、对流层NO2柱浓度、O3柱浓度、对流层顶压力，云遮罩分数；
工业排放数据包括：工业企业逐日二氧化硫、氮氧化物和颗粒物排放量；
地表温度包括：日间地表温度和夜间地表温度；
道路密度数据包括：高速公路密度、主要道路密度、次要道路密度等；
土地利用数据：使用独热编码将土地利用数据转化为离散、稀疏的计算机可识别的格式。
步骤2中，对多源数据进行时空融合和匹配是将时间分辨率和空间分辨率不同的多个来源的数据通过重采样，插值等方式统一处理为逐日、空间分辨率为1000m的栅格数据，然后在时间和空间位置上匹配对应，形成数据集。
步骤2中，多源数据中的大气气溶胶厚度（AOD）遥感数据存在大量缺失值，使用随机森林机器学习算法建立AOD和气象变量之间的关系模型，对AOD数据的缺失值进行填补。
步骤2中，特征工程提取的时间和空间信息包括：空间位置信息、季节性趋势、儒略日，空间位置信息的计算公式为：
Figure DEST_PATH_IMAGE003
式中：longitude为经度，latitude为纬度，s为空间位置信息。
季节性趋势的计算公式为：
Figure 138524DEST_PATH_IMAGE004
式中：month为月份数，t为季节性趋势。
步骤3在数据输入模型训练预测前，使用z-score标准化将不同量级的数据转化到统一度量[1,-1]之间，提升数据可比性、模型计算收敛效率和精度，z-score标准化的计算公式为：
Figure DEST_PATH_IMAGE005
式中，x为原始数据，xmean为数据的均值，xsd为数据的标准差。
步骤3中，提取当前格点周围n*n大小的空间网格及前t天的数据形成一个数据特征样本输入模型进行训练，选择n为8，t为7，数据样本的维度为：（100，8，8，8）。
步骤3中，预先训练好的深度学习模型，是一种基于多尺度self-attention （自注意力机制）的Transformer多目标回归神经网络模型，具有基于多尺度self-attention的Transformer模块（STV-Block），通过将STV-Bclock输出可学习的嵌入位置向量输入全连接层预测臭氧、二氧化氮、细颗粒物浓度。
步骤3中，预先训练好的深度学习模型由一个输入层、七个隐藏层和一个输出层组成，隐藏层由12层STV-Block构成，用于学习提取特征之间的重要信息；输出层具有1层全连接层，输出单元为3，分别对应臭氧、二氧化氮、细颗粒物三个标签；隐藏层输出预测目标网格的位置向量对输入输出层进行预测。
如图2所示，基于多尺度self-attention的Transformer模块（STV-Block）包含时空self-attention（自注意力机制）和变量self-attention（自注意力机制）两种自注意力类型，STV-Block由一层动态位置编码和两层Transformer堆叠构成（堆叠指一个位置动态编码+时空self-attention+变量self-attention 构成一个Transformer模块STV-Block），动态位置编码使用三维卷积实现输入数据时空位置感知，第一层使用基于时空self-attention的Transformer实现时间和空间上的注意力计算，第二层使用基于变量self-attention的Transformer实现变量间的注意力计算。
大气污染浓度受到周围网格时空的影响，利用基于时空self-attention的transformer提取时空信息，利用基于变量self-attention的transformer提取变量之间的相互信息，两个模型是分别选择时空信息和变量信息作为自注意力计算的主体，例如在自然语言处理中，transformer把每一个单词当作一个vector（矢量），计算不同单词（vector）之间的自注意力，时空self-attention将每一个栅格作为一个vector，变量self-attention将每一个变量作为一个vector。
STV-Block使用Dropout正则化、Res-net技术防治模型过拟合、增强泛化能力、加深网络训练深度，使用Warmup学习率优化策略加速模型训练过程。
使用GELU函数作为激活函数：
Figure 438793DEST_PATH_IMAGE006
式中：x为模型中神经元的输入。
损失采用均方误差损失函数（MSE）进行训练：
Figure DEST_PATH_IMAGE007
式中：f i 为模型预测值，y i 为真实值，N为样本数量。
步骤3中反演得到的臭氧、二氧化氮和细颗粒物浓度使用决定系数R2进行评估，决定系数的计算公式为：
Figure 800636DEST_PATH_IMAGE008
式中：N为样本数量，y i 为真实值，f i 为预测值，y - 为真实值的均值，f - 为预测值的均值，y ^ 为真实值的标准差，f ^ 为预测值的标准差。
本实施例中，通过融合多源遥感和地理数据，使用基于多尺度self-attention的Transformer模型对某地区近地面1000m空间分辨率的臭氧、二氧化氮和细颗粒物浓度进行精确预测，得到该地区2015-05-01至2021-07-01之间的逐日多种污染物浓度1000m分辨率的空间分布，臭氧、二氧化氮、细颗粒物反演估算值和地面监测站点真实监测值的决定系数R2分别为：0.97，0.92，0.91。
上述方法还可以对空间分辨率更精细的近地面多种大气污染物进行预测，例如对同一地区进行空间分辨率500m的近地面多种大气污染物进行预测时，其中步骤2中将多个来源的数据通过重采样，插值等方式统一处理为逐日、空间分辨率为500m的栅格数据，然后在时间和空间位置上匹配对应，形成数据集。步骤3中模型训练使用的学习率为0.0005，Batch size大小是512，模型训练中轮次为1500，使用AdamW优化器（自适应梯度方法）进行反向传播参数优化。最终，臭氧、二氧化氮、细颗粒物的模型反演估算值和地面监测站点监测真实值的决定系数R2分别为：0.96，0.91，0.90。
通过融合遥感数据、地理数据和地面监测站数据，利用深度学习模型学习大气污染物时空变化规律，实现空间覆盖全、时间序列长、空间分辨率高的近地面大气污染浓度精确反演和估算，精确估算没有监测站点分布的郊区、山区大气污染浓度，有效弥补了地面监测数据在空间信息上的断层。
模型考虑了预测位置周围和前t个时刻的污染信息，有效提升了反演估算精度和准确性。
利用遥感数据改进模型，充分考虑所提出模型方法的易用性，在不增加数据重复使用、训练及预测速度的情况实现多种污染物（臭氧、氮氧化物、细颗粒物）协同预测。
实施例二：
本实施例提供了实现上述方法的系统，包括：
数据获取模块，被配置为：获取遥感数据和空气质量地面监测数据形成的多源数据，经预处理后得到时空分辨率的一致多源数据，并提取其中的时间和空间信息，形成数据集；
模型训练模块，被配置为：提取数据集当前格点周围n*n大小的空间网格及前t天的数据形成一个数据特征样本，对应于当前时刻当前格点的地面监测数据作为标签，带标签的样本用于训练和验证深度学习模型，无标签的数据用于输入训练完毕的模型实现反演预测；
反演输出模块，被配置为：利用数据集基于训练完毕的深度学习模型输出所需地区的近地面臭氧、二氧化氮和细颗粒物的空间分布结果。
上述系统为通过融合遥感数据、地理数据和地面监测站数据，利用深度学习模型学习大气污染物时空变化规律，实现空间覆盖全、时间序列长、空间分辨率高的近地面大气污染浓度精确反演和估算，精确估算没有监测站点分布的郊区、山区大气污染浓度，有效弥补了地面监测数据在空间信息上的断层。
实施例三
本实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述实施例一中提出的基于遥感图像的近地面大气污染物反演方法中的步骤。
本实施例中的计算机程序所执行的基于遥感图像的近地面大气污染物反演方法通过融合遥感数据、地理数据和地面监测站数据，利用深度学习模型学习大气污染物时空变化规律，实现空间覆盖全、时间序列长、空间分辨率高的近地面大气污染浓度精确反演和估算，精确估算没有监测站点分布的郊区、山区大气污染浓度，有效弥补了地面监测数据在空间信息上的断层。
实施例四
本实施例提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行所述程序时实现如上述实施例一提出的基于遥感图像的近地面大气污染物反演方法中的步骤。
本实施例处理器执行的基于遥感图像的近地面大气污染物反演方法通过融合遥感数据、地理数据和地面监测站数据，利用深度学习模型学习大气污染物时空变化规律，实现空间覆盖全、时间序列长、空间分辨率高的近地面大气污染浓度精确反演和估算，精确估算没有监测站点分布的郊区、山区大气污染浓度，有效弥补了地面监测数据在空间信息上的断层。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用硬件实施例、软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体或随机存储记忆体等。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.基于遥感图像的近地面大气污染物反演方法，其特征在于：包括以下步骤：
获取遥感数据和空气质量地面监测数据形成多源数据，经预处理后得到时空分辨率一致的多源数据，并提取其中的时间和空间信息形成数据集；具体为：将时间分辨率和空间分辨率不同的多个来源的数据通过重采样和插值处理，获得逐日且空间分辨率一致的栅格数据，并在时间和空间位置上匹配对应形成数据集；
提取数据集当前格点周围n*n大小的空间网格及前t天的数据形成数据特征样本，对应于当前时刻当前格点的地面监测数据作为标签，带标签的样本用于训练和验证深度学习模型，无标签的数据用于输入训练完毕的深度学习模型实现反演预测；
利用数据集基于训练完毕的深度学习模型，输出所需地区的近地面臭氧、二氧化氮和细颗粒物的空间分布结果；
所述深度学习模型包括依次连接的输入层、至少七个隐藏层和输出层，隐藏层具有至少12层预测模块，预测模块具有时空self-attention和变量self-attention两种自注意力类型，包括依次连接的动态位置编码和两层Transformer模块，动态位置编码根据三维卷积实现输入数据的时空位置感知，第一层Transformer模块利用基于时空self-attention的Transformer模型实现时间和空间上的注意力计算，第二层Transformer模块利用基于变量self-attention的Transformer模型实现变量间的注意力计算，两个模型是分别选择时空信息和变量信息作为自注意力计算的主体；
预测模块使用GELU函数作为激活函数：
Figure FDA0003851858870000011
式中：x为模型中神经元的输入；
采用均方误差损失函数MSE进行训练：
Figure FDA0003851858870000012
式中：fi为模型预测值，yi为真实值，N为样本数量。
2.如权利要求1所述的基于遥感图像的近地面大气污染物反演方法，其特征在于：所述多源数据包括基于遥感数据得到的地表温度、植被归一化指数、夜间灯光、人口密度、数字高程数据、道路密度与土地利用数据，基于空气质量地面监测数据得到的臭氧、二氧化氮和细颗粒物浓度，以及大气污染遥感数据、降雨蒸发数据、气象再分析数据和工业排放数据；气象再分析数据包括：设定海拔高度的风速、露点温度和温度，平均海平面压力、海面温度、地面气压、总降水量和平均地表长波辐射；大气污染遥感数据包括：大气气溶胶厚度、平流层NO2柱浓度、对流层NO2柱浓度、O3柱浓度、对流层顶压力和云遮罩分数。
3.如权利要求1所述的基于遥感图像的近地面大气污染物反演方法，其特征在于：多源数据中提取的时间和空间信息包括空间位置信息、季节性趋势和儒略日；根据空气质量地面监测数据中监测站所在的经度和纬度，得到空间位置信息；根据遥感数据中的月份，得到季节性趋势。
4.如权利要求1所述的基于遥感图像的近地面大气污染物反演方法，其特征在于：在数据输入模型训练预测前，利用原始数据与数据均值之间的差，和数据标准差的比值，将不同量级的数据转化到统一度量之间。
5.如权利要求1所述的基于遥感图像的近地面大气污染物反演方法，其特征在于：所述输出层的输出单元为3，分别对应臭氧、二氧化氮、细颗粒物三个标签；隐藏层输出预测目标网格的位置向量并传输给输出层得到反演结果。
6.基于遥感图像的近地面大气污染物反演系统，其特征在于：包括：
数据获取模块，被配置为：获取遥感数据和空气质量地面监测数据形成的多源数据，经预处理后得到时空分辨率的一致多源数据，并提取其中的时间和空间信息，形成数据集；具体为：将时间分辨率和空间分辨率不同的多个来源的数据通过重采样和插值处理，获得逐日且空间分辨率一致的栅格数据，并在时间和空间位置上匹配对应形成数据集；
模型训练模块，被配置为：提取数据集当前格点周围n*n大小的空间网格及前t天的数据形成数据特征样本，对应于当前时刻当前格点的地面监测数据作为标签，带标签的样本用于训练和验证深度学习模型，无标签的数据用于输入训练完毕的深度学习模型实现反演预测；
反演输出模块，被配置为：利用数据集基于训练完毕的深度学习模型，输出所需地区的近地面臭氧、二氧化氮和细颗粒物的空间分布结果；
所述深度学习模型包括依次连接的输入层、至少七个隐藏层和输出层，隐藏层具有至少12层预测模块，预测模块具有时空self-attention和变量self-attention两种自注意力类型，包括依次连接的动态位置编码和两层Transformer模块，动态位置编码根据三维卷积实现输入数据的时空位置感知，第一层Transformer模块利用基于时空self-attention的Transformer模型实现时间和空间上的注意力计算，第二层Transformer模块利用基于变量self-attention的Transformer模型实现变量间的注意力计算，两个模型是分别选择时空信息和变量信息作为自注意力计算的主体；
预测模块使用GELU函数作为激活函数：
Figure FDA0003851858870000031
式中：x为模型中神经元的输入；
采用均方误差损失函数MSE进行训练：
Figure FDA0003851858870000032
式中：fi为模型预测值，yi为真实值，N为样本数量。
7.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-5中任一项所述的基于遥感图像的近地面大气污染物反演方法中的步骤。
8.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-5中任一项所述的基于遥感图像的近地面大气污染物反演方法中的步骤。
CN202210865146.7A 2022-07-22 2022-07-22 基于遥感图像的近地面大气污染物反演方法及系统 Active CN114926749B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210865146.7A CN114926749B (zh) 2022-07-22 2022-07-22 基于遥感图像的近地面大气污染物反演方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210865146.7A CN114926749B (zh) 2022-07-22 2022-07-22 基于遥感图像的近地面大气污染物反演方法及系统

Publications (2)

Publication Number Publication Date
CN114926749A CN114926749A (zh) 2022-08-19
CN114926749B true CN114926749B (zh) 2022-11-04

Family

ID=82815632

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210865146.7A Active CN114926749B (zh) 2022-07-22 2022-07-22 基于遥感图像的近地面大气污染物反演方法及系统

Country Status (1)

Country Link
CN (1) CN114926749B (zh)

Families Citing this family (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116504327B (zh) * 2022-09-26 2024-01-30 中国疾病预防控制中心环境与健康相关产品安全所 近地面o3人群暴露的时空精细化分析评估方法及系统
CN116008481A (zh) * 2023-01-05 2023-04-25 山东理工大学 基于大范围地面监测站点的空气污染物监测方法、装置
CN116297068B (zh) * 2023-05-25 2023-08-18 山东大学 基于地表反射率优化的气溶胶光学厚度反演方法及系统
CN116504330B (zh) * 2023-06-28 2023-09-19 航天宏图信息技术股份有限公司 污染物浓度反演方法、装置、电子设备及可读存储介质
CN117214398B (zh) * 2023-09-04 2024-05-14 江苏省连云港环境监测中心 一种深层地下水体污染物检测方法及系统
CN116910457B (zh) * 2023-09-13 2023-12-08 北京师范大学 一种基于区域的污染物反演方法和装置
CN117216480A (zh) * 2023-09-18 2023-12-12 宁波大学 一种深度耦合地理时空信息的近地表臭氧遥感估算方法
CN117332906B (zh) * 2023-12-01 2024-03-15 山东大学 基于机器学习的三维时空网格空气质量预测方法及系统
CN117409264B (zh) * 2023-12-16 2024-03-08 武汉理工大学 基于transformer的多传感器数据融合机器人地形感知方法
CN117592005B (zh) * 2024-01-19 2024-04-26 中国科学院空天信息创新研究院 Pm2.5浓度卫星遥感估算方法、装置、设备及介质
CN117827863B (zh) * 2024-03-04 2024-05-10 中国气象科学研究院 基于cldas数据库的大气环境监测分析方法及系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110287455A (zh) * 2019-05-28 2019-09-27 武汉大学 一种结合遥感数据与社会感知数据的pm2.5深度学习反演方法
CN112905560A (zh) * 2021-02-02 2021-06-04 中国科学院地理科学与资源研究所 一种多源时空大数据深度融合的空气污染预测方法
CN114611792A (zh) * 2022-03-11 2022-06-10 南通大学 一种基于混合CNN-Transformer模型的大气臭氧浓度预测方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11966670B2 (en) * 2018-09-06 2024-04-23 Terrafuse, Inc. Method and system for predicting wildfire hazard and spread at multiple time scales

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110287455A (zh) * 2019-05-28 2019-09-27 武汉大学 一种结合遥感数据与社会感知数据的pm2.5深度学习反演方法
CN112905560A (zh) * 2021-02-02 2021-06-04 中国科学院地理科学与资源研究所 一种多源时空大数据深度融合的空气污染预测方法
CN114611792A (zh) * 2022-03-11 2022-06-10 南通大学 一种基于混合CNN-Transformer模型的大气臭氧浓度预测方法

Also Published As

Publication number Publication date
CN114926749A (zh) 2022-08-19

Similar Documents

Publication Publication Date Title
CN114926749B (zh) 基于遥感图像的近地面大气污染物反演方法及系统
CN108227041B (zh) 基于站点实测数据和模式结果的水平能见度预报方法
CN112782788B (zh) 一种区域大气水文耦合预警决策系统及方法
CN114266200B (zh) 二氧化氮浓度预测方法及系统
CN117556197B (zh) 一种基于人工智能的台风涡旋初始化方法
CN115983522B (zh) 一种乡村生境质量评估及预测方法
CN110471131B (zh) 高空间分辨率的精细化大气水平能见度自动预报方法及系统
CN116187210A (zh) 一种lstm耦合机理模型的时空多源近岸海域水质时序预测方法
Alerskans et al. A transformer neural network for predicting near‐surface temperature
Wang et al. Temporal continuous monitoring of cyanobacterial blooms in Lake Taihu at an hourly scale using machine learning
CN115420690A (zh) 近地表痕量气体浓度反演模型及反演方法
CN114882373A (zh) 基于深度神经网络的多特征融合沙尘暴预测方法
CN114385611A (zh) 一种基于人工智能算法和知识图谱的降水预测方法和系统
Kaparakis et al. Wf-unet: Weather fusion unet for precipitation nowcasting
CN116977866A (zh) 一种轻量级滑坡检测方法
CN116522648A (zh) 湖泊藻类状态预测方法及应用
CN111079595A (zh) 一种动态洪水风险图新理念与风险智能识别方法
CN115980885A (zh) 基于集合预报的降水预报偏差校正方法
Zhu et al. Robust remote sensing retrieval of key eutrophication indicators in coastal waters based on explainable machine learning
Zhou et al. A station-data-based model residual machine learning method for fine-grained meteorological grid prediction
Kaparakis et al. WF-UNet: Weather data fusion using 3d-unet for precipitation nowcasting
CN113466135A (zh) 一种基于gee的海水水质在线反演监测方法
Benchelha et al. Modeling Dynamic Urban Growth Using Cellular Automata and Geospatial Technique: Case of Casablanca in Morocco
CN117589646B (zh) 大气细颗粒物浓度监测方法、装置、设备及介质
Dupuy et al. Downscaling of surface wind forecasts using convolutional neural networks

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