CN114994800B - 一种大气细颗粒物的反演方法及装置 - Google Patents

一种大气细颗粒物的反演方法及装置 Download PDF

Info

Publication number
CN114994800B
CN114994800B CN202210919206.9A CN202210919206A CN114994800B CN 114994800 B CN114994800 B CN 114994800B CN 202210919206 A CN202210919206 A CN 202210919206A CN 114994800 B CN114994800 B CN 114994800B
Authority
CN
China
Prior art keywords
atmospheric
data
current moment
pixel
meteorological
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
CN202210919206.9A
Other languages
English (en)
Other versions
CN114994800A (zh
Inventor
黄葵
王宇翔
吴月
陈强
余永安
李吉兵
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.)
Nanjing Aerospace Hongtu Information Technology Co ltd
Original Assignee
Nanjing Aerospace Hongtu Information 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 Nanjing Aerospace Hongtu Information Technology Co ltd filed Critical Nanjing Aerospace Hongtu Information Technology Co ltd
Priority to CN202210919206.9A priority Critical patent/CN114994800B/zh
Publication of CN114994800A publication Critical patent/CN114994800A/zh
Application granted granted Critical
Publication of CN114994800B publication Critical patent/CN114994800B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01W—METEOROLOGY
    • G01W1/00—Meteorology
    • G01W1/10—Devices for predicting weather conditions
    • 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
    • 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
    • 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
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • 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
    • G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
    • G01N15/06—Investigating concentration of particle suspensions
    • G01N15/075—Investigating concentration of particle suspensions by optical means
    • 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)
  • Life Sciences & Earth Sciences (AREA)
  • Environmental & Geological Engineering (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Computing Systems (AREA)
  • Environmental Sciences (AREA)
  • Ecology (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Chemical & Material Sciences (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Atmospheric Sciences (AREA)
  • Dispersion Chemistry (AREA)
  • Analytical Chemistry (AREA)
  • Immunology (AREA)
  • Biochemistry (AREA)
  • Pathology (AREA)
  • Image Processing (AREA)

Abstract

本申请提供了一种大气细颗粒物的反演方法及装置，涉及大气卫星遥感技术领域，该方法包括：对卫星遥感影像和气象预报数据分别进行预处理，得到每个像元的当前时刻的遥感参数和气象要素；获取前N个时刻的目标区域的多个空气质量环境站点的大气细颗粒物和前N个时刻的气象数据，利用预先训练好的长短时记忆模型对前N个时刻的大气细颗粒物和气象要素进行处理，得到当前时刻的大气细颗粒物预测值；利用预先训练好的DBN网络对每个像元的像元中心的经纬度、当前时刻的遥感参数、当前时刻的气象要素、地理特征、前两个时刻的大气细颗粒物和大气细颗粒物预测值进行处理，得到大气细颗粒物反演值。本申请提高了大气细颗粒物浓度的反演精度。

Description

一种大气细颗粒物的反演方法及装置
技术领域
本申请涉及大气卫星遥感技术领域，尤其是涉及一种大气细颗粒物的反演方法及装置。
背景技术
目前大气细颗粒物（PM2.5和PM10）浓度数据主要从地面监测站点获取，地面监测站点数据虽精确，但建设成本高、数量有限、空间分布不均衡且覆盖范围具有局限性，不能有效反映大尺度区域细颗粒物的空间分布情况及污染传输特征，而卫星遥感以其成本低、范围广、周期短、长期动态监测等优势，能够显著弥补地面监测站的不足，有效监测长时序、大范围的细颗粒物浓度的空间分布情况。
目前，细颗粒物反演一般利用气溶胶光学厚度（AOD）与细颗粒物浓度之间的关系来构建线性或非线性模型来进行反演，其反演模型主要是：地理加权回归（GWR）、多元线性回归（MLR）、线性混合效应（LME）模型、神经网络模型等。以上模型过程较为简单，实际上AOD与细颗粒物浓度在不同区域又呈现不同的时空函数表现，通常还需考虑相对湿度、边界层高度、温度等气象场数据以及各种因素的时空特征影响；由于这种方法需要先反演AOD，AOD的反演过程复杂，也增加了细颗粒物反演中不可避免的误差传递与累积。
此外，细颗粒物浓度随时间快速变化，基于历史数据训练的模型随着时间的推移，模型的反演精度下降明显，实际动态监测过程中应用效果差。目前通常通过构建不同的季节模型来降低时间因素的影响，但一个季度时间较长，模型不够精细。
发明内容
有鉴于此，本申请提供了一种大气细颗粒物的反演方法及装置，以解决上述技术问题。
第一方面，本申请实施例提供了一种大气细颗粒物的反演方法，包括：
获取当前时刻的目标区域的卫星遥感影像的和气象预报数据；
对卫星遥感影像进行预处理，得到每个像元的当前时刻的遥感参数；对气象预报数据进行预处理，得到每个像元的当前时刻的气象要素；
获取前N个时刻的目标区域的多个空气质量环境站点的大气细颗粒物和前N个时刻的气象数据，利用预先训练好的长短时记忆模型对前N个时刻的大气细颗粒物和气象要素进行处理，得到每个空气质量环境站点的当前时刻的大气细颗粒物预测值；
对多个空气质量环境站点的当前时刻的大气细颗粒物预测值进行空间插值处理，得到每个像元的大气细颗粒物预测值；
利用预先训练好的DBN网络对每个像元的像元中心的经纬度、当前时刻的遥感参数、当前时刻的气象要素、地理特征、前两个时刻的大气细颗粒物和当前时刻的大气细颗粒物预测值进行处理，得到每个像元的当前时刻的大气细颗粒物反演值。
进一步，所述遥感参数包括：B01波段表观反射率、B02波段表观反射率、B03波段表观反射率、B04波段表观反射率、B05波段表观反射率、B06波段表观反射率、卫星天顶角、卫星方位角、太阳高度角、太阳方位角和归一化植被指数。
进一步，所述气象要素包括：气温、1小时降水、相对湿度、水平风速、垂直风速、气压和边界层高度。
进一步，所述长短时记忆模型的训练步骤包括：
获取目标区域的同一个历史时间序列的多个空气质量环境监测站点的大气细颗粒物样本数据和气象样本数据；所述历史时间序列为
Figure P_220721120425113_113445001
；
从气象样本数据中获取每个空气质量环境监测站点所在像元的气象要素，作为气象要素样本；
将每个空气质量环境监测站点的大气细颗粒物样本数据序列和气象要素样本序列形成样本序列，由此得到样本序列集；
将样本序列集中的每个样本序列分别输入长短时记忆模型，得到每个空气质量环境监测站点的
Figure P_220721120425129_129034001
时刻的大气细颗粒物预测结果；
基于
Figure P_220721120425160_160337001
时刻的大气细颗粒物预测结果和标签数据，确定损失函数值；
基于损失函数，更新所述长短时记忆模型的参数。
进一步，对多个空气质量环境站点的当前时刻的大气细颗粒物预测值进行空间插值处理，得到每个像元的大气细颗粒物预测值，包括：
以每个空间位置点的经纬度为自变量
Figure P_220721120425175_175906001
，以相对湿度为协变量
Figure P_220721120425207_207146002
，以每个空间位置点的大气细颗粒物
Figure P_220721120425222_222782003
为因变量，建立局部薄盘光滑样条的统计公式：
Figure P_220721120425254_254036001
其中，函数
Figure P_220721120425271_271666001
为局部薄盘光滑样条函数；
Figure P_220721120425303_303348002
为系数；
利用多个空气质量环境站点的经纬度、相对湿度和当前时刻的大气细颗粒物预测值，拟合得到局部薄盘光滑样条函数系数以及系数
Figure M_220721120425353_353257001
；
将每个像元的像元中心点的经纬度和相对湿度代入统计公式，得到每个像元的大气细颗粒物预测值。
进一步，所述地理特征包括：DEM数据、土地利用数据和人口密度数据，所述方法还包括：
获取目标区域的DEM数据、土地利用数据和人口密度数据；
利用重采样得到每个像元的DEM数据、土地利用数据和人口密度数据。
第二方面，本申请实施例提供了一种大气细颗粒物的反演装置，包括：
获取单元，用于获取当前时刻的目标区域的卫星遥感影像的和气象预报数据；
预处理单元，用于对卫星遥感影像进行预处理，得到每个像元的当前时刻的遥感参数；对气象预报数据进行预处理，得到每个像元的当前时刻的气象要素；
预测单元，用于获取前N个时刻的目标区域的多个空气质量环境站点的大气细颗粒物和前N个时刻的气象数据，利用预先训练好的长短时记忆模型对前N个时刻的大气细颗粒物和气象要素进行处理，得到每个空气质量环境站点的当前时刻的大气细颗粒物预测值；
插值单元，用于对多个空气质量环境站点的当前时刻的大气细颗粒物预测值进行空间插值处理，得到每个像元的大气细颗粒物预测值；
反演单元，用于利用预先训练好的DBN网络对每个像元的当前时刻的遥感参数、当前时刻的气象要素、地理特征、前两个时刻的大气细颗粒物和当前时刻的大气细颗粒物预测值进行处理，得到每个像元的当前时刻的大气细颗粒物反演值。
第三方面，本申请实施例提供了一种电子设备，包括：存储器、处理器和存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现本申请实施例的大气细颗粒物的反演方法。
第四方面，本申请实施例提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令被处理器执行时实现本申请实施例的大气细颗粒物的反演方法。
本申请提高了大气细颗粒物（PM2.5或PM10）浓度的反演精度。
附图说明
为了更清楚地说明本申请具体实施方式或现有技术中的技术方案，下面将对具体实施方式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，下面描述中的附图是本申请的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的大气细颗粒物的反演方法的技术路线示意图；
图2为本申请实施例提供的大气细颗粒物的反演方法的流程图；
图3为本申请实施例提供的DBN网络的结构示意图；
图4为本申请实施例提供的大气细颗粒物的反演装置的功能结构图；
图5为本申请实施例提供的电子设备的结构图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请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申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。
因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请中的实施例，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，都属于本申请保护的范围。
首先对本申请实施例涉及的技术用语进行简单介绍。
在介绍了本申请涉及的技术用语后，接下来，对本申请实施例的设计思想进行简单介绍。
现有技术基于卫星遥感反演大气细颗粒物，需要先反演AOD，AOD的反演过程复杂，增加了细颗粒物反演中不可避免的误差传递与累积。现有的大气细颗粒物模型构建过程中基本忽略了时间对于模型的重要性，
本申请提供了一种大气细颗粒物（PM2.5或PM10）的反演方法，整体技术路线如图1所示。该方法摒弃了复杂的AOD反演过程，直接基于静止卫星的表观反射率数据搭建与传统统计方法需要特定的方程表达式不同的非线性以及非参数化的深度信念网络（DeepBelief Nets，DBN），通过考虑每个影响因子的潜在影响，能够更好的捕捉到细颗粒物与多个因素复杂的关系，表现出更好的模型精度。
本申请中采用了LSTM模型，动态预测与卫星数据拥有相同时间频率的站点细颗粒物数据，通过对站点细颗粒物数据进行离散化插值，将同时刻及前时序细颗粒物数据作为特征要素输入，实现大气细颗粒物（PM2.5或PM10）浓度的高精度反演，为探究细颗粒物动态变化规律和工程化监测提供技术支持。
本申请综合利用静止卫星遥感数据，地面站点监测数据、气象数据、地形地貌数据、人口密度等数据，提出LSTM-DBN深度学习模型进行细颗粒物浓度估算，获得高时空分辨率的近地面细颗粒物浓度分布。
本申请的优势在于：
本申请不需要复杂的AOD反演过程，直接基于静止卫星的表观反射率数据搭建深度学习模型反演大气细颗粒物。
本申请采用LSTM模型，动态预测与卫星数据拥有相同时间频率的站点细颗粒物数据，将同时刻预测的细颗粒物数据输入到DBN模型中，提高了模型的反演精度。
本申请采用Anuspline插值算法对细颗粒物站点数据进行离散点插值，显著提高插值精度，从另外一个方面也提高了LSTM-DBN模型的精度。
在介绍了本申请实施例的应用场景和设计思想之后，下面对本申请实施例提供的技术方案进行说明。
如图2所示，本申请实施例提供了一种大气细颗粒物的反演方法，包括：
步骤101：获取当前时刻的目标区域的卫星遥感影像的和气象预报数据；
步骤102：对卫星遥感影像进行预处理，得到每个像元的当前时刻的遥感参数；对气象预报数据进行预处理，得到每个像元的当前时刻的气象要素；
其中，所述遥感参数包括：B01波段表观反射率、B02波段表观反射率、B03波段表观反射率、B04波段表观反射率、B05波段表观反射率、B06波段表观反射率、卫星天顶角（SAZ）、卫星方位角（SAA）、太阳高度角（SOE）、太阳方位角（SOA）和归一化植被指数；归一化植被指数（NDVI）根据提取的表观反射率数据计算得到。
所述气象要素包括：气温（TEM）、1小时降水（PRE）、相对湿度（RHU）、水平风速（WIND_s）、垂直风速（WIND_t）、气压（PRS）、边界层高度（BLH）。
将提取的遥感参数和气象要素统一重采样至同一分辨率（2 km）上，得到每个像元的当前时刻的遥感参数和气象要素。
步骤103：获取前N个时刻的目标区域的多个空气质量环境站点的大气细颗粒物和前N个时刻的气象数据，利用预先训练好的长短时记忆模型对前N个时刻的大气细颗粒物和气象要素进行处理，得到每个空气质量环境站点的当前时刻的大气细颗粒物预测值；
首先，搭建LSTM网络，相对于传统的神经网络，LSTM可以处理平稳或非平稳时序变化的数据，并且在进行细颗粒物浓度预测时可以有效克服输入因素与预测目标之间相关性较弱的问题。LSTM网络通过遗忘门、输入门和输出门三种门结构来控制更新历史信息。各门的计算公式如下：
Figure P_220721120425365_365842001
Figure P_220721120425397_397101001
Figure P_220721120425428_428361001
其中，
Figure P_220721120425459_459596001
分别表示遗忘门、输入门、输出门；
Figure P_220721120425477_477131002
分别为输入层到各门之间的权重矩阵；
Figure P_220721120425508_508930003
为Sigmoid激活函数，
Figure P_220721120425524_524539004
分别为对应权重矩阵的偏置。
Figure P_220721120425555_555800001
Figure P_220721120425586_586593001
Figure P_220721120425602_602195001
其中，
Figure P_220721120425633_633900001
为输入节点，
Figure P_220721120425649_649531002
为该单元的初始内容，
Figure P_220721120425682_682228003
为该单元的输出内容，
Figure P_220721120425697_697891004
是正切函数。
Figure P_220721120425729_729142005
为权重矩阵，
Figure P_220721120425744_744764006
为权重矩阵的偏置；
然后，建立训练数据集，对LSTM网络进行训练：
选择近2年的葵花8号-AHI整点遥感影像数据，通过几何校正、角度校正等预处理操作获取遥感参数：H8-AHI的B01波段、B02波段、B03波段、B04波段、B05波段、B06波段表观反射率数据，卫星天顶角（SAZ）、卫星方位角（SAA）、太阳高度角（SOE）、太阳方位角（SOA）角度数据；根据提取的表观反射率数据计算归一化植被指数（NDVI）。
根据卫星遥感影像数据成像时间选择同期次的ECMWF气象预报数据，提取气象预报数据中的气象要素：气温（TEM）、1 h降水（PRE）、相对湿度（RHU）、水平10 m风速（WIND_s）、垂直10 m风速（WIND_t）、气压（PRS）和边界层高度（BLH）；
将提取的遥感参数和气象要素统一重采样至同一分辨率（2 km），根据重采样后的数据集生成二维影像数据。
获取近2年的空气质量环境监测站点数据，对站点数据进行无效值剔除，采用三次样条Cubic方法对缺省值进行插补；以站点数据为基础，提取二维影像数据对应站点位置的像元值，形成多特征数据集；
对多特征数据集进行去云、雾处理，得到无云雾影响的多特征数据集。
从多特征数据集中获取同一个历史时间序列的多个空气质量环境监测站点的大气细颗粒物样本数据和气象样本数据；所述历史时间序列为
Figure P_220721120425776_776025001
；
从气象样本数据中获取每个空气质量环境监测站点所在像元的气象要素，作为气象要素样本；
将每个空气质量环境监测站点的大气细颗粒物样本数据序列和气象要素样本序列形成样本序列，由此得到样本序列集；
将样本序列集中的每个样本序列分别输入长短时记忆模型，得到每个空气质量环境监测站点的
Figure P_220721120425807_807259001
时刻的大气细颗粒物预测结果；
基于
Figure P_220721120425822_822880001
时刻的大气细颗粒物预测结果和标签数据，选择均方根误差RMSE作为输出误差优化器，同时设置训练的样本数和训练次数，输出训练结果，根据训练结果与真实值的误差动态优化参数，获得最优模型精度。
步骤104：对多个空气质量环境站点的当前时刻的大气细颗粒物预测值进行空间插值处理，得到每个像元的大气细颗粒物预测值；
由于步骤103得到是当前时刻的细颗粒物浓度是点状数据，因此需要对当前时刻的细颗粒物浓度进行离散点插值，得到二维影像的细颗粒物浓度分布数据。采用的插值方法是引入Anuspline气象插值算法，现有Anuspline算法均是对气象站点数据进行插值，如温度和海拔的关系，降水和海岸线的关系等。本实施例考虑到细颗粒物与相对湿度的关系，引入协变量相对湿度来辅助细颗粒物浓度的离散点插值。
该步骤具体为：
以每个空间位置点的经纬度为自变量
Figure P_220721120425871_871675001
，以相对湿度为协变量
Figure P_220721120425887_887822002
，以每个空间位置点的大气细颗粒物
Figure P_220721120425919_919083003
为因变量，建立局部薄盘光滑样条的统计公式：
Figure P_220721120425950_950328001
其中，函数
Figure P_220721120425981_981586001
为局部薄盘光滑样条函数；
Figure P_220721120425997_997211002
为系数；
利用多个空气质量环境站点的经纬度、相对湿度和当前时刻的大气细颗粒物预测值，拟合得到局部薄盘光滑样条函数系数以及系数
Figure M_220721120426028_028461001
；
将每个像元的像元中心点的经纬度和相对湿度代入统计公式，得到每个像元的大气细颗粒物预测值。
步骤105：利用预先训练好的DBN网络对每个像元的像元中心的经纬度、当前时刻的遥感参数、当前时刻的气象要素、地理特征、前两个时刻的大气细颗粒物和当前时刻的大气细颗粒物预测值进行处理，得到每个像元的当前时刻的大气细颗粒物反演值。
首先，搭建DBN网络，深度信念网络就是指能够通过概率大小学习的神经网络。DBN由若干层神经元构成，组成元件是受限玻尔兹曼机（RBM）。RBM只有两层神经元，一层叫做可见层（visible layer），由可见元（visible units）组成，用于输入训练数据。另一层叫做隐藏层（hidden layer），相应地，由隐藏元（hidden units）组成，用作特征检测器（featuredetectors）。其中前一个RBM的隐藏层是下一个RBM的可见层，DBN由多个RBM和一个反向传播（BP）层组成。这个BP层可以用来分类或预测，这里用它来预测地面的细颗粒物PM2.5、PM10。建模公式如下：
Figure P_220721120426044_044080001
其中，
Figure P_220721120426081_081637001
为卫星的表观反射率，
Figure P_220721120426113_113418002
为卫星的角度数据，
Figure P_220721120426144_144660003
为气象预报数据
Figure P_220721120426175_175908004
为归一化植被指数，
Figure P_220721120426207_207148005
为经纬度数据，
Figure P_220721120426222_222776006
为Tn-1和Tn-2时刻细颗粒物的真实站点数据，
Figure P_220721120426254_254051007
为预测的Tn时刻的细颗粒物数据，网络结构如图3所示。
然后，对DBN网络进行训练：
在步骤103建立的多特征训练数据集中，获取DEM数据、土地利用数据和人口密度数据，对上述地理特征数据集统一重采样至同一分辨率（2 km）。
将步骤104中的特征标签数据输入到DBN模型中，采用超参自动化调整工具Optuna对模型进行调参。调整的参数包括RBM层数和每层单元数，RBM的迭代次数（epoch），RBM训练过程中的batch大小和Gibbs采样步长，激活函数，学习率，迭代次数，优化方法，损失函数种类等。
将Tn时刻的B01、B02、B03、B04、B05、B06、SAZ、SAA、SOE、SOA、NDVI、TEM、PRE、RHU、WIND_s、WIND_t、PRS、BLH、LON、LAT、PM2.5 n-1、PM2.5 n-2、PM2.5 n输入到DBN网络中，获得Tn时刻的PM2.5预测值，随后计算PM2.5预测值与地面观测到的PM2.5实际值之间误差，再通过反向传播以微调模型权重。此过程不断重复，直到误差最小为止。采用R2或RMSE等评价指标对模型精度进行验证。
在该步骤前，获取目标区域的DEM数据、土地利用数据和人口密度数据；利用重采样得到每个像元的DEM数据、土地利用数据和人口密度数据，作为地理特征。
将每个像元的当前时刻的遥感参数、当前时刻的气象要素、地理特征、前两个时刻的大气细颗粒物和当前时刻的大气细颗粒物预测值进行处理，得到每个像元的当前时刻的大气细颗粒物反演值。由此得到目标区域的大气细颗粒物浓度分布。
基于上述实施例，本申请实施例提供了一种大气细颗粒物的反演装置，参阅图4所示，本申请实施例提供的大气细颗粒物的反演装置200至少包括：
获取单元201，用于获取当前时刻的目标区域的卫星遥感影像的和气象预报数据；
预处理单元202，用于对卫星遥感影像进行预处理，得到每个像元的当前时刻的遥感参数；对气象预报数据进行预处理，得到每个像元的当前时刻的气象要素；
预测单元203，用于获取前N个时刻的目标区域的多个空气质量环境站点的大气细颗粒物和前N个时刻的气象数据，利用预先训练好的长短时记忆模型对前N个时刻的大气细颗粒物和气象要素进行处理，得到每个空气质量环境站点的当前时刻的大气细颗粒物预测值；
插值单元204，用于对多个空气质量环境站点的当前时刻的大气细颗粒物预测值进行空间插值处理，得到每个像元的大气细颗粒物预测值；
反演单元205，用于利用预先训练好的DBN网络对每个像元的像元中心的经纬度、当前时刻的遥感参数、当前时刻的气象要素、地理特征、前两个时刻的大气细颗粒物和当前时刻的大气细颗粒物预测值进行处理，得到每个像元的当前时刻的大气细颗粒物反演值。
需要说明的是，本申请实施例提供的大气细颗粒物的反演装置200解决技术问题的原理与本申请实施例提供的大气细颗粒物的反演方法相似，因此，本申请实施例提供的大气细颗粒物的反演装置200的实施可以参见本申请实施例提供的大气细颗粒物的反演方法的实施，重复之处不再赘述。
如图5所示，本申请实施例提供的电子设备300至少包括：处理器301、存储器302和存储在存储器302上并可在处理器301上运行的计算机程序，处理器301执行计算机程序时实现本申请实施例提供的大气细颗粒物的反演方法。
本申请实施例提供的电子设备300还可以包括连接不同组件（包括处理器301和存储器302）的总线303。其中，总线303表示几类总线结构中的一种或多种，包括存储器总线、外围总线、局域总线等。
存储器302可以包括易失性存储器形式的可读介质，例如随机存储器（RandomAccess Memory，RAM）3021和/或高速缓存存储器3022，还可以进一步包括只读存储器（ReadOnly Memory，ROM）3023。
存储器302还可以包括具有一组（至少一个）程序模块3025的程序工具3024，程序模块3025包括但不限于：操作子系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。
电子设备300也可以与一个或多个外部设备304（例如键盘、遥控器等）通信，还可以与一个或者多个使得用户能与电子设备300交互的设备通信（例如手机、电脑等），和/或，与使得电子设备300与一个或多个其它电子设备300进行通信的任何设备（例如路由器、调制解调器等）通信。这种通信可以通过输入/输出（Input /Output，I/O）接口305进行。并且，电子设备300还可以通过网络适配器306与一个或者多个网络（例如局域网（Local AreaNetwork，LAN），广域网（Wide Area Network，WAN）和/或公共网络，例如因特网）通信。如图5所示，网络适配器306通过总线303与电子设备300的其它模块通信。应当理解，尽管图5中未示出，可以结合电子设备300使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理器、外部磁盘驱动阵列、磁盘阵列（Redundant Arrays of IndependentDisks，RAID）子系统、磁带驱动器以及数据备份存储子系统等。
需要说明的是，图5所示的电子设备300仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。
本申请实施例还提供了一种计算机可读存储介质，该计算机可读存储介质存储有计算机指令，该计算机指令被处理器执行时实现本申请实施例提供的大气细颗粒物的反演方法。
此外，尽管在附图中以特定顺序描述了本申请方法的操作，但是，这并非要求或者暗示必须按照该特定顺序来执行这些操作，或是必须执行全部所示的操作才能实现期望的结果。附加地或备选地，可以省略某些步骤，将多个步骤合并为一个步骤执行，和/或将一个步骤分解为多个步骤执行。
尽管已描述了本申请的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本申请范围的所有变更和修改。
最后应说明的是：以上各实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述各实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的范围。

Claims (6)

1.一种大气细颗粒物的反演方法，其特征在于，包括：
获取当前时刻的目标区域的卫星遥感影像和气象预报数据；
对卫星遥感影像进行预处理，得到每个像元的当前时刻的遥感参数；对气象预报数据进行预处理，得到每个像元的当前时刻的气象要素；
获取前N个时刻的目标区域的多个空气质量环境站点的大气细颗粒物和前N个时刻的气象数据，利用预先训练好的长短时记忆模型对前N个时刻的大气细颗粒物和气象要素进行处理，得到每个空气质量环境站点的当前时刻的大气细颗粒物预测值；
对多个空气质量环境站点的当前时刻的大气细颗粒物预测值进行空间插值处理，得到每个像元的当前时刻的大气细颗粒物预测值；
利用预先训练好的DBN网络对每个像元的像元中心的经纬度、当前时刻的遥感参数、当前时刻的气象要素、地理特征、前两个时刻的大气细颗粒物和当前时刻的大气细颗粒物预测值进行处理，得到每个像元的当前时刻的大气细颗粒物反演值；
所述遥感参数包括：B01波段表观反射率、B02波段表观反射率、B03波段表观反射率、B04波段表观反射率、B05波段表观反射率、B06波段表观反射率、卫星天顶角、卫星方位角、太阳高度角、太阳方位角和归一化植被指数；
所述气象要素包括：气温、1小时降水、相对湿度、水平风速、垂直风速、气压和边界层高度；
所述地理特征包括：DEM数据、土地利用数据和人口密度数据；
所述长短时记忆模型的训练步骤包括：
获取目标区域的同一个历史时间序列的多个空气质量环境监测站点的大气细颗粒物样本数据和气象样本数据；所述历史时间序列为
Figure P_220913150716661_661590001
；
从气象样本数据中获取每个空气质量环境监测站点所在像元的气象要素，作为气象要素样本；
将每个空气质量环境监测站点的大气细颗粒物样本数据序列和气象要素样本序列形成样本序列，由此得到样本序列集；
将样本序列集中的每个样本序列分别输入长短时记忆模型，得到每个空气质量环境监测站点的
Figure P_220913150716695_695266001
时刻的大气细颗粒物预测结果；
基于
Figure P_220913150716727_727051001
时刻的大气细颗粒物预测结果和标签数据，确定损失函数值；
基于损失函数，更新所述长短时记忆模型的参数。
2.根据权利要求1所述的大气细颗粒物的反演方法，其特征在于，对多个空气质量环境站点的当前时刻的大气细颗粒物预测值进行空间插值处理，得到每个像元的大气细颗粒物预测值，包括：
以每个空间位置点的经纬度为自变量
Figure P_220913150716742_742668001
，以相对湿度为协变量
Figure P_220913150716773_773916002
，以每个空间位置点的大气细颗粒物
Figure P_220913150716789_789545003
为因变量，建立局部薄盘光滑样条的统计公式：
Figure P_220913150716820_820793001
其中，函数
Figure P_220913150716836_836422001
为局部薄盘光滑样条函数；
Figure P_220913150716867_867673002
为系数；
利用多个空气质量环境站点的经纬度、相对湿度和当前时刻的大气细颗粒物预测值，拟合得到局部薄盘光滑样条函数系数以及系数
Figure M_220913150716885_885698001
；
将每个像元的像元中心点的经纬度和相对湿度代入统计公式，得到每个像元的大气细颗粒物预测值。
3.根据权利要求1所述的大气细颗粒物的反演方法，其特征在于，所述方法还包括：
获取目标区域的DEM数据、土地利用数据和人口密度数据；
利用重采样得到每个像元的DEM数据、土地利用数据和人口密度数据。
4.一种大气细颗粒物的反演装置，其特征在于，包括：
获取单元，用于获取当前时刻的目标区域的卫星遥感影像和气象预报数据；
预处理单元，用于对卫星遥感影像进行预处理，得到每个像元的当前时刻的遥感参数；对气象预报数据进行预处理，得到每个像元的当前时刻的气象要素；
预测单元，用于获取前N个时刻的目标区域的多个空气质量环境站点的大气细颗粒物和前N个时刻的气象数据，利用预先训练好的长短时记忆模型对前N个时刻的大气细颗粒物和气象要素进行处理，得到每个空气质量环境站点的当前时刻的大气细颗粒物预测值；
插值单元，用于对多个空气质量环境站点的当前时刻的大气细颗粒物预测值进行空间插值处理，得到每个像元的大气细颗粒物预测值；
反演单元，用于利用预先训练好的DBN网络对每个像元的像元中心的经纬度、当前时刻的遥感参数、当前时刻的气象要素、地理特征、前两个时刻的大气细颗粒物和当前时刻的大气细颗粒物预测值进行处理，得到每个像元的当前时刻的大气细颗粒物反演值；
所述遥感参数包括：B01波段表观反射率、B02波段表观反射率、B03波段表观反射率、B04波段表观反射率、B05波段表观反射率、B06波段表观反射率、卫星天顶角、卫星方位角、太阳高度角、太阳方位角和归一化植被指数；
所述气象要素包括：气温、1小时降水、相对湿度、水平风速、垂直风速、气压和边界层高度；
所述地理特征包括：DEM数据、土地利用数据和人口密度数据；
所述长短时记忆模型的训练步骤包括：
获取目标区域的同一个历史时间序列的多个空气质量环境监测站点的大气细颗粒物样本数据和气象样本数据；所述历史时间序列为
Figure P_220913150716917_917473001
；
从气象样本数据中获取每个空气质量环境监测站点所在像元的气象要素，作为气象要素样本；
将每个空气质量环境监测站点的大气细颗粒物样本数据序列和气象要素样本序列形成样本序列，由此得到样本序列集；
将样本序列集中的每个样本序列分别输入长短时记忆模型，得到每个空气质量环境监测站点的
Figure P_220913150716948_948717001
时刻的大气细颗粒物预测结果；
基于
Figure P_220913150716964_964352001
时刻的大气细颗粒物预测结果和标签数据，确定损失函数值；
基于损失函数，更新所述长短时记忆模型的参数。
5.一种电子设备，其特征在于，包括：存储器、处理器和存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1-3任一项所述的大气细颗粒物的反演方法。
6.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，所述计算机指令被处理器执行时实现如权利要求1-3任一项所述的大气细颗粒物的反演方法。
CN202210919206.9A 2022-08-02 2022-08-02 一种大气细颗粒物的反演方法及装置 Active CN114994800B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210919206.9A CN114994800B (zh) 2022-08-02 2022-08-02 一种大气细颗粒物的反演方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210919206.9A CN114994800B (zh) 2022-08-02 2022-08-02 一种大气细颗粒物的反演方法及装置

Publications (2)

Publication Number Publication Date
CN114994800A CN114994800A (zh) 2022-09-02
CN114994800B true CN114994800B (zh) 2022-11-08

Family

ID=83022342

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210919206.9A Active CN114994800B (zh) 2022-08-02 2022-08-02 一种大气细颗粒物的反演方法及装置

Country Status (1)

Country Link
CN (1) CN114994800B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115859026B (zh) * 2022-11-18 2023-12-05 二十一世纪空间技术应用股份有限公司 一种高分辨率近地面pm2.5浓度遥感反演方法及装置

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110673229A (zh) * 2019-10-23 2020-01-10 新亚优华科技有限公司 一种基于热点网格技术的大气污染物扩散轨迹追踪方法
CN110738354A (zh) * 2019-09-18 2020-01-31 北京建筑大学 预测颗粒物浓度的方法、装置、存储介质及电子设备
CN111798051A (zh) * 2020-07-02 2020-10-20 杭州电子科技大学 基于长短期记忆神经网络的空气质量时空预测方法
CN112862090A (zh) * 2021-01-22 2021-05-28 南开大学 一种基于深度时空神经网络的气温预报方法
CN113095443A (zh) * 2021-06-07 2021-07-09 江苏思远集成电路与智能技术研究院有限公司 基于lstm-dnn网络模型的实时天气预测算法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7478527B2 (en) * 2005-09-15 2009-01-20 Cummins, Inc Apparatus, system, and method for estimating particulate production

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110738354A (zh) * 2019-09-18 2020-01-31 北京建筑大学 预测颗粒物浓度的方法、装置、存储介质及电子设备
CN110673229A (zh) * 2019-10-23 2020-01-10 新亚优华科技有限公司 一种基于热点网格技术的大气污染物扩散轨迹追踪方法
CN111798051A (zh) * 2020-07-02 2020-10-20 杭州电子科技大学 基于长短期记忆神经网络的空气质量时空预测方法
CN112862090A (zh) * 2021-01-22 2021-05-28 南开大学 一种基于深度时空神经网络的气温预报方法
CN113095443A (zh) * 2021-06-07 2021-07-09 江苏思远集成电路与智能技术研究院有限公司 基于lstm-dnn网络模型的实时天气预测算法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
利用高分五号卫星遥感反演近地面细颗粒物浓度方法;陈辉,厉青,王中挺 等;《上海航天》;20191025;第36卷;全文 *

Also Published As

Publication number Publication date
CN114994800A (zh) 2022-09-02

Similar Documents

Publication Publication Date Title
Liao et al. Deep learning for air quality forecasts: a review
US11966670B2 (en) Method and system for predicting wildfire hazard and spread at multiple time scales
Aswin et al. Deep learning models for the prediction of rainfall
US11205028B2 (en) Estimating physical parameters of a physical system based on a spatial-temporal emulator
Chen et al. FuXi: A cascade machine learning forecasting system for 15-day global weather forecast
CN107703564B (zh) 一种降雨预测方法、系统及电子设备
US20210064802A1 (en) Method and System for Increasing the Resolution of Physical Gridded Data
Ghaemi et al. LaSVM-based big data learning system for dynamic prediction of air pollution in Tehran
CN112905560A (zh) 一种多源时空大数据深度融合的空气污染预测方法
CN110232471B (zh) 一种降水传感网节点布局优化方法及装置
Wang et al. Estimating hourly PM2. 5 concentrations using MODIS 3 km AOD and an improved spatiotemporal model over Beijing-Tianjin-Hebei, China
CN114091764A (zh) 气象预报要素订正方法、装置、计算机设备和存储介质
CN112180471B (zh) 天气预报方法、装置、设备及存储介质
CN114004163B (zh) 一种基于modis和长短时记忆网络模型的pm2.5反演方法
Singh et al. Deep learning for improved global precipitation in numerical weather prediction systems
CN114994800B (zh) 一种大气细颗粒物的反演方法及装置
CN112380781B (zh) 基于再分析资料和不平衡学习的卫星观测补全方法
Miralles et al. Downscaling of historical wind fields over Switzerland using generative adversarial networks
CN116562414A (zh) 一种基于多源水文气象数据的陆地水储量变化预测方法
CN117194926A (zh) 陆上风电基地吊装窗口期预测方法及系统
Zhang et al. ST-GRF: Spatiotemporal graph neural networks for rainfall forecasting
CN112330079A (zh) 地表信息预测方法及装置
Lops et al. Development of deep convolutional neural network ensemble models for 36-month ENSO forecasts
CN116522648A (zh) 湖泊藻类状态预测方法及应用
Zhou et al. A station-data-based model residual machine learning method for fine-grained meteorological grid prediction

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