CN115730718A - 结合超光谱卫星与人工智能的大气no2时空预测算法 - Google Patents
结合超光谱卫星与人工智能的大气no2时空预测算法 Download PDFInfo
- Publication number
- CN115730718A CN115730718A CN202211452402.6A CN202211452402A CN115730718A CN 115730718 A CN115730718 A CN 115730718A CN 202211452402 A CN202211452402 A CN 202211452402A CN 115730718 A CN115730718 A CN 115730718A
- Authority
- CN
- China
- Prior art keywords
- data
- nitrogen dioxide
- prediction
- concentration
- target 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
Images
Classifications
-
- 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
- Image Processing (AREA)
Abstract
本申请公开了一种结合超光谱卫星与人工智能的大气NO2时空预测算法,涉及污染物监测领域。方法包括获取目标地区的气象监测数据、超光谱卫星监测数据和地理信息遥感数据;根据气象监测数据和预设大气物理化学模型,获得目标地区的二氧化氮分层浓度预测数据;根据超光谱卫星监测数据,反演得到目标地区的二氧化氮柱浓度数据;其中,二氧化氮柱浓度数据的空间分辨率高于二氧化氮分层浓度预测数据的空间分辨率;根据地理信息遥感数据,对二氧化氮浓度分层预测数据和二氧化氮柱浓度数据进行融合,获得目标地区中目标区域在目标时刻的二氧化氮浓度预测数据。本申请可以获得空间分辨率更高、更加准确地的二氧化氮浓度预测数据。
Description
技术领域
本申请涉及污染物监测领域,尤其涉及一种结合超光谱卫星与人工智能的大气NO2时空预测算法、装置、设备以及存储介质。
背景技术
根据国家环境空气质量标准,二氧化氮浓度为6个基本环境空气污染物指标之一,因此需要对环境空气中的二氧化氮进行监测。现有的二氧化氮浓度计算一般基于大气物理化学模型迭代计算的到。
但是,大气物理化学模型计算得到的二氧化氮浓度的空间分辨率较低。
发明内容
本申请的主要目的在于提供一种结合超光谱卫星与人工智能的大气NO2时空预测算法、装置、设备及介质,旨在解决现有计算得到二氧化氮浓度的空间分辨率较低的技术问题。
为实现上述目的,本申请提供一种结合超光谱卫星与人工智能的大气NO2时空预测算法,所述方法包括:
获取目标地区的气象监测数据、超光谱卫星监测数据和地理信息遥感数据,所述地理信息遥感数据包括地表建筑数据、植被覆盖数据、人口数据和高程数据;
根据所述气象监测数据和预设大气物理化学模型,获得所述目标地区的二氧化氮分层浓度预测数据;
根据所述超光谱卫星监测数据,反演得到所述目标地区的二氧化氮柱浓度数据;其中,所述二氧化氮柱浓度数据的空间分辨率高于所述二氧化氮分层浓度预测数据的空间分辨率;
根据所述地理信息遥感数据,对所述二氧化氮浓度分层预测数据和所述二氧化氮柱浓度数据进行融合,获得所述目标地区中目标区域在目标时刻的二氧化氮浓度预测数据。
在本申请可能的一实施例中,所述根据所述二氧化氮浓度分层预测数据、所述二氧化氮柱浓度数据和所述地理信息遥感数据,获得所述目标地区中的目标区域的二氧化氮浓度预测数据,包括:
将所述二氧化氮浓度分层预测数据、所述二氧化氮柱浓度数据和所述地理信息遥感数据输入至训练好的二氧化氮浓度预测神经网络模型,获得所述二氧化氮浓度预测神经网络模型输出的目标地区的四维二氧化氮浓度预测数据;所述四维二氧化氮浓度预测数据包括四维时空坐标信息和与所述四维时空坐标对应的二氧化氮浓度预测值,所述四维时空坐标信息包括时刻信息、经度信息、纬度信息和高程信息;
从所述四维二氧化氮浓度预测数据中提取出所述二氧化氮浓度预测数据。
在本申请可能的一实施例中,所述二氧化氮浓度预测神经网络模型包括:
第一特征提取模块,用于对所述二氧化氮浓度分层预测数据进行特征提取,获得二氧化氮浓度分层时空分布特征;
第二特征提取模块,用于对所述二氧化氮柱浓度数据进行特征提取和特征融合,获得二氧化氮柱浓度时空分布特征;
第三特征提取模块,用于对所述地理信息遥感数据进行空间特征提取和维度变换,获得地理信息时空分布特征;
全连接层,用于对所述二氧化氮浓度分层时空分布特征、二氧化氮柱浓度时空分布特征和地理信息时空分布特征进行特征融合,获得所述四维二氧化氮浓度预测数据。
在本申请可能的一实施例中,所述第二特征提取模块,还用于若所述二氧化氮柱浓度数据的区域空间覆盖度大于第一预设百分比且小于1,则对所述二氧化氮浓度分层预测数据进行数据补全,得到数据补全后的二氧化氮柱浓度数据,对所述数据补全后的二氧化氮柱浓度数据进行特征提取,获得二氧化氮浓度分层时空分布特征。
在本申请可能的一实施例中,获取目标地区的气象监测数据、超光谱卫星监测数据和地理信息遥感数据,所述地理信息遥感数据包括地表建筑数据、植被覆盖数据、人口数据和高程数据之前,所述算法还包括:
获取训练样本数据,所述训练样本数据包括所述目标地区的气象监测数据、超光谱卫星监测数据和地理信息遥感数据,以及所述目标地区在预设时刻的第一超光谱卫星监测数据以及在预设日内的实时国控站点监控数据;
确定用于训练所述二氧化氮浓度预测神经网络模型的训练损失函数;
基于所述训练损失函数和所述训练样本数据对所述二氧化氮浓度预测神经网络模型进行训练,直至所述训练损失函数的值满足预设条件,得到训练好的二氧化氮浓度预测神经网络模型。
在本申请可能的一实施例中,所述基于所述训练损失函数和所述训练样本数据对所述二氧化氮浓度预测神经网络模型进行训练,直至所述训练损失函数的值满足预设条件,得到训练好的二氧化氮浓度预测神经网络模型,包括:
根据所述气象监测数据、所述超光谱卫星监测数据和所述地理信息遥感数据进行训练,得到目标地区内第一预设区域在所述预设时刻的第一训练结果数据和所述目标地区内第二预设区域在所述预设日的第二训练结果数据;其中,所述第一预设区域的海拔高于所述第二预设区域的海拔;
根据所述第一超光谱卫星数据对所述第一训练结果数据进行验证,获得所述第一超光谱卫星数据和第一训练结果数据的空间关联数据;
根据所述实时国控站点监控数据对所述第二训练结果数据进行验证,获得所述第二训练结果数据和实时国控站点监控数据的时间关联数据和绝对值差异数据;
将所述空间关联数据作为第一损失函数值,所述时间关联数据作为第二损失函数值,所述绝对值差异数据作为第三损失函数值,并根据所述第一损失函数值、所述第二损失函数值和所述第三损失函数值,获得最终损失函数值;
判断所述最终损失函数值是否满足预设条件;
若不满足,则更新所述二氧化氮浓度预测神经网络模型,并返回执行根据所述气象监测数据、所述超光谱卫星监测数据和所述地理信息遥感数据进行训练,得到目标地区内第一预设区域在所述预设时刻的第一训练结果数据和所述目标地区内第二预设区域在所述预设日的第二训练结果数据,直至所述训练损失函数的值满足预设条件,得到训练好的二氧化氮浓度预测神经网络模型。
在本申请可能的一实施例中,所述根据所述超光谱卫星监测数据,获得所述目标地区的二氧化氮柱浓度数据,包括:
从所述超光谱卫星监测数据中筛选出云量占比小于或者等于预设阈值的有效监测数据;
根据所述有效监测数据,反演得到所述目标地区的二氧化氮柱浓度数据。
第二方面,本申请还提供了一种结合超光谱卫星与人工智能的大气NO2时空预测装置,包括:
数据获取模块,用于获取目标地区的气象监测数据、超光谱卫星监测数据和地理信息遥感数据,所述地理信息遥感数据包括地表建筑数据、植被覆盖数据、人口数据和高程数据;
分层浓度预测模块,用于根据所述气象监测数据和预设大气物理化学模型,获得所述目标地区的二氧化氮分层浓度预测数据;
柱浓度预测模块,用于根据所述超光谱卫星监测数据,反演得到所述目标地区的二氧化氮柱浓度数据;其中,所述二氧化氮柱浓度数据的空间分辨率高于所述二氧化氮分层浓度预测数据的空间分辨率;
数据融合模块,用于根据所述地理信息遥感数据,对所述二氧化氮浓度分层预测数据和所述二氧化氮柱浓度数据进行融合,获得所述目标地区中目标区域在目标时刻的二氧化氮浓度预测数据。
第三方面,本申请还提供了一种结合超光谱卫星与人工智能的大气NO2时空预测设备,包括处理器,存储器以及存储在所述存储器中的结合超光谱卫星与人工智能的大气NO2时空预测程序,所述结合超光谱卫星与人工智能的大气NO2时空预测程序被所述处理器运行时实现如上所述结合超光谱卫星与人工智能的大气NO2时空预测算法的步骤。
第四方面,本申请还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上存储有结合超光谱卫星与人工智能的大气NO2时空预测程序,所述结合超光谱卫星与人工智能的大气NO2时空预测程序被处理器执行时实现如上所述的结合超光谱卫星与人工智能的大气NO2时空预测算法。
本申请实施例提出的一种结合超光谱卫星与人工智能的大气NO2时空预测算法、装置、设备以及存储介质,方法包括获取目标地区的气象监测数据、超光谱卫星监测数据和地理信息遥感数据;根据所述气象监测数据和预设大气物理化学模型,获得所述目标地区的二氧化氮分层浓度预测数据;根据所述超光谱卫星监测数据,反演得到所述目标地区的二氧化氮柱浓度数据;根据所述地理信息遥感数据,对所述二氧化氮浓度分层预测数据和所述二氧化氮柱浓度数据进行融合,获得所述目标地区中目标区域在目标时刻的二氧化氮浓度预测数据。
由此,相较于现有的大气物理化学模型预测得到的二氧化氮浓度数据,本申请在预测二氧化氮浓度时,依据地理信息遥感数据,融合大气物理化学模型得到的二氧化氮分层浓度预测数据和超光谱卫星监测数据反演得到的二氧化氮柱浓度数据,从而可以有效利用空间分辨率更高的超光谱卫星监测数据,以得到目标区域空间分辨率更高,也即是更加准确地的二氧化氮浓度预测数据。
附图说明
图1为本申请实施例方案涉及的硬件运行环境的结合超光谱卫星与人工智能的大气NO2时空预测设备的结构示意图;
图2为本申请结合超光谱卫星与人工智能的大气NO2时空预测算法第一实施例的流程示意图;
图3为本申请结合超光谱卫星与人工智能的大气NO2时空预测算法第二实施例的流程示意图;
图4为本申请二氧化氮浓度预测神经网络模型的模块示意图;
图5为本申请二氧化氮浓度预测神经网络模型中第一特征提取模块的模块示意图;
图6为本申请二氧化氮浓度预测神经网络模型中第二特征提取模块的模块示意图;
图7为本申请二氧化氮浓度预测神经网络模型中第三特征提取模块的模块示意图;
图8为本申请结合超光谱卫星与人工智能的大气NO2时空预测算法第三实施例的流程示意图;
图9为本申请结合超光谱卫星与人工智能的大气NO2时空预测装置第一实施例的模块示意图。
本申请目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
相关现有技术中,二氧化氮浓度预测数据仍以基于大气物理化学模型迭代计算的到。但是,大气物理化学模型计算得到的二氧化氮浓度的空间分辨率较低。
为此,本申请提供了一种结合超光谱卫星与人工智能的大气NO2时空预测算法,将基于大气物理化学模型迭代计算得到的二氧化氮分层浓度预测数据和基于超光谱卫星监测数据反演得到的二氧化氮柱浓度数据同化融合在一起,以得到空间分辨率更高且准确率更高的二氧化氮浓度预测数据。
下面结合一些具体实施例进一步阐述本申请的发明构思。
参照图1,图1为本申请实施例方案涉及的硬件运行环境的结合超光谱卫星与人工智能的大气NO2时空预测设备的结构示意图。
如图1所示,该结合超光谱卫星与人工智能的大气NO2时空预测设备可以包括:处理器1001,例如中央处理器(Central Processing Unit,CPU),通信总线1002、用户接口1003,网络接口1004,存储器1005。其中,通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard),可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如无线保真(WIreless-FIdelity,WI-FI)接口)。存储器1005可以是高速的随机存取存储器(Random Access Memory,RAM)存储器,也可以是稳定的非易失性存储器(Non-Volatile Memory,NVM),例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解,图1中示出的结构并不构成对结合超光谱卫星与人工智能的大气NO2时空预测设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
如图1所示,作为一种存储介质的存储器1005中可以包括操作系统、数据存储模块、网络通信模块、用户接口模块以及结合超光谱卫星与人工智能的大气NO2时空预测程序。
在图1所示的结合超光谱卫星与人工智能的大气NO2时空预测设备中,网络接口1004主要用于与网络服务器进行数据通信;用户接口1003主要用于与用户进行数据交互;本申请结合超光谱卫星与人工智能的大气NO2时空预测设备中的处理器1001、存储器1005可以设置在结合超光谱卫星与人工智能的大气NO2时空预测设备中,结合超光谱卫星与人工智能的大气NO2时空预测设备通过处理器1001调用存储器1005中存储的结合超光谱卫星与人工智能的大气NO2时空预测程序,并执行本申请实施例提供的结合超光谱卫星与人工智能的大气NO2时空预测算法。
基于上述硬件结构但不限于上述硬件结构,本申请提供一种结合超光谱卫星与人工智能的大气NO2时空预测算法第一实施例。参照图2,图2示出了本申请结合超光谱卫星与人工智能的大气NO2时空预测算法第一实施例的流程示意图。
需要说明的是,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
本实施例中,所述结合超光谱卫星与人工智能的大气NO2时空预测算法包括:
步骤S100,获取目标地区的气象监测数据、超光谱卫星监测数据和地理信息遥感数据,地理信息遥感数据包括地表建筑数据、植被覆盖数据、人口数据和高程数据。
本实施例中,结合超光谱卫星与人工智能的大气NO2时空预测算法的执行主体为结合超光谱卫星与人工智能的大气NO2时空预测设备。可以理解的,结合超光谱卫星与人工智能的大气NO2时空预测设备可以为计算机等终端设备,其可以通过有线或者无线的方式获取到气象监测数据、超光谱卫星监测数据和地理信息遥感数据。
其中,气象监测数据为全球气象监测平台提供的数据,具体包括但不限于温度、湿度、风速和压强等。
超光谱卫星监测数据为超光谱卫星提供的数据,其中,超光谱卫星可以是国产超光谱卫星,可以实现亚米级高空间分辨率与高时间分辨率的有机结合。具体的,超光谱卫星监测数据包括但不限于相对湿度Rh数据、温度Temperature数据、压强Pressure数据、压强Pressure数据、边界层高度Hpbl数据、U风速-经度数据和V风速-纬度数据等。
地理信息遥感数据包括但不限于地表建筑数据、植被覆盖数据、人口数据和高程数据。具体的,遥感数据是遥感卫星在太空探测地球地表物体对电磁波的反射及其发射的电磁波,从而提取该物体信息,完成远距离识别物体,将这些电磁波转换、识别得到的可视图像后处理得到的数据。遥感数据众多,但是各类数据均有不同的级别的数据,而同一数据的不同级别所进行过的处理不同。本实施例中,以MODIS MOD17地表类型数据为例进行具体阐述。MODIS MOD17为MODIS数据的陆地4级标准数据产品。具体的,本实施例中的,地表建筑数据包括但不限于POI兴趣点数据和Traffic Network道路网数据。其中,地表建筑数据的空间分辨率可以为5KM×5KM。植被覆盖数据包括但不限于EVI增强植被指数和NDVI归一化植被指数和Land Cover Type地表覆盖类型数据。其中,植被覆盖数据的空间分辨率可以是1km×1km。人口数据包括但不限于GDP生产总值数据、Total population总人口数据和人口密度的年度数据。高程数据包括但不限于DEM高程数据和海拔高度数据。其中,人口数据和高程数据的空间分辨率可以是1km×1km。
步骤S200,根据所述气象监测数据和预设大气物理化学模型,获得所述目标地区的二氧化氮分层浓度预测数据。
具体的,结合超光谱卫星与人工智能的大气NO2时空预测设备在获取到气象监测数据后,可以通过预设大气物理化学模型,利用目标地区的历史统计得到的污染清单和气象监测数据,得到1小时内,空间分辨率较低的二氧化氮分层浓度预测数据。其中,二氧化氮分层浓度预测数据的空间分辨率可以是20km×20km。
可以理解的,污染清单为对目标地区的调研摸排得到,因此具有一定的历史性,不能代表当前的实际情况。因此,本实施例后续需要利用超光谱卫星监测数据进行结合处理,以得到准确率更高的二氧化氮浓度预测数据。
值得一提的是,本实施例中,二氧化氮分层浓度预测数据沿远离地面的方向依据大气压强数值进行分层,如可分为44层。
此外,本实施例中,预设大气物理化学模型可以是WRF-CHEM大气物理化学模型。WRF-CHEM模式中化学和气象过程使用相同的水平和垂直坐标系,相同的物理参数化方案,不存在时间上的插值,且能够考虑化学对气象过程中的反馈作用。
步骤S300,根据所述超光谱卫星监测数据,反演得到所述目标地区的二氧化氮柱浓度数据;其中,所述二氧化氮柱浓度数据的空间分辨率高于所述二氧化氮分层浓度预测数据的空间分辨率。
具体而言,本步骤中,结合超光谱卫星与人工智能的大气NO2时空预测设备利用超光谱卫星监测数据反演得到二氧化氮柱浓度浓度。其中,二氧化氮柱浓度数据的空间分辨率可以是5km×5km,以使得二氧化氮柱浓度数据的空间分辨率高于所述二氧化氮分层浓度预测数据的空间分辨率。可以理解的,本领域技术人员知晓如何实施超光谱卫星监测数据反演得到所述目标地区的二氧化氮柱浓度数据的具体步骤,此处不再赘述。值得一提的是,二氧化氮柱浓度数据的空间分辨率为5km×5km,也即是在处理过程中,一个像元代表地面的面积是5km×5km。
作为一个实施例,步骤S300具体包括:
步骤S301、从所述超光谱卫星监测数据中筛选出云量占比小于或者等于预设阈值的有效监测数据。
步骤S302、根据所述有效监测数据,反演得到所述目标地区的二氧化氮柱浓度数据。
具体而言,由于存在云层,且有时候云层会完全覆盖住一个像元表示的区域。此时,超光谱卫星并不能准确监测到该像元对应的区域的相对湿度Rh数据、温度Temperature数据、压强Pressure数据、压强Pressure数据、边界层高度Hpbl数据、U风速-经度数据和V风速-纬度数据等数据。因此,对于超光谱卫星监测数据,还需要首先剔除掉云量占比大于预设阈值的无效监测数据,从而筛选出云量占比小于或者等于预设阈值的有效监测数据,并根据有效监测数据反演得到所述目标地区的二氧化氮柱浓度数据。其中,预设阈值可以是50%。当然预设阈值还可以根据准确率的要求进行适应性更改。
本实施例中,筛选出云量占比小于或者等于预设阈值的有效监测数据,可以使得最终得到的二氧化氮浓度预测数据更加准确。
步骤S400,根据所述地理信息遥感数据,对所述二氧化氮浓度分层预测数据和所述二氧化氮柱浓度数据进行融合,获得所述目标地区中目标区域在目标时刻的二氧化氮浓度预测数据。
具体的,结合超光谱卫星与人工智能的大气NO2时空预测设备在计算得到二氧化氮浓度分层预测数据和所述二氧化氮柱浓度数据后,即可依据地理信息遥感数据所提供的空间特征,将空间分辨率更高、且时效性更佳的二氧化氮柱浓度数据和二氧化氮浓度分层预测数据进行同化融合,从而可以得到目标地区中各个区域在一天24内各个时刻的二氧化氮浓度预测数据,也即是得到目标地区中目标区域在目标时刻的二氧化氮浓度预测数据。值得一提的是,本实施例中,目标区域为通过经度、纬度和海拔限定出的空间区域。
相较于现有的大气物理化学模型预测得到的二氧化氮浓度数据,本申请在预测二氧化氮浓度时,依据地理信息遥感数据,融合大气物理化学模型得到的二氧化氮分层浓度预测数据和超光谱卫星监测数据反演得到的二氧化氮柱浓度数据,从而可以有效利用空间分辨率更高的超光谱卫星监测数据,以得到目标区域空间分辨率更高,也即是更加准确地的二氧化氮浓度预测数据。
基于上述实施例,提出本申请结合超光谱卫星与人工智能的大气NO2时空预测算法第二实施例。参阅图3,图3为本申请结合超光谱卫星与人工智能的大气NO2时空预测算法第二实施例的流程示意图。
本实施例中,步骤S400具体包括:
步骤S401、将所述二氧化氮浓度分层预测数据、所述二氧化氮柱浓度数据和所述地理信息遥感数据输入至训练好的二氧化氮浓度预测神经网络模型,获得所述二氧化氮浓度预测神经网络模型输出的目标地区的四维二氧化氮浓度预测数据;所述四维二氧化氮浓度预测数据包括四维时空坐标信息和与所述四维时空坐标对应的二氧化氮浓度预测值,所述四维时空坐标信息包括时刻信息、经度信息、纬度信息和高程信息。
步骤S402、从所述四维二氧化氮浓度预测数据中提取出所述二氧化氮浓度预测数据。
本实施例中,通过构建卷积神经网络模型来预测二氧化氮浓度,从而提高计算速度。
具体的,四维二氧化氮浓度预测数据可表示为[N,T,E/W,N/S,H]。其中,N为二氧化氮浓度预测值,T表示目标时刻,E/W表示目标区域的经度,N/S表示目标区域的纬度,H表示目标区域的海拔高度。从而可以依据经度、纬度和海拔高度确定出目标区域。
具体的,参阅图4,所述二氧化氮浓度预测神经网络模型包括:
第一特征提取模块,用于对所述二氧化氮浓度分层预测数据进行特征提取,获得二氧化氮浓度分层时空分布特征;
第二特征提取模块,用于对所述二氧化氮柱浓度数据进行特征提取和特征融合,获得二氧化氮柱浓度时空分布特征;
第三特征提取模块,用于对所述地理信息遥感数据进行空间特征提取和维度变换,获得地理信息时空分布特征;
全连接层,用于对所述二氧化氮浓度分层时空分布特征、二氧化氮柱浓度时空分布特征和地理信息时空分布特征进行特征融合,获得所述四维二氧化氮浓度预测数据。
可以理解的,二氧化氮浓度预测神经网络模型还包括输入层。第一特征提取模块、第二特征提取模块和第三特征提取模块均与输入层连接。
参阅图5,第一特征提取模块包括依次连接的UpSampling3D上采样层,Conv3D卷积层和Inception Block块。其中,UpSampling3D上采样层将空间分辨率较低的二氧化氮浓度分层预测数据采样到空间分辨率更高的上采样数据。Conv3D卷积层用于对上采样数据进行特征提取,以得到预测数据特征。Inception Block块主要是通过多个带有不同卷积核大小的卷积运算来捕获更多尺度,特别是时间尺度和空间尺度的预测数据特征,从而得到二氧化氮浓度分层时空分布特征。
参阅图6,第二特征提取模块包括依次连接的第一Inception Block块、第一全练级层和第二Inception Block块。其中,第一Inception Block块可以包括多个,从而对多个时刻的二氧化氮柱浓度数据进行处理。可以理解的,对应目标地区而言,超光谱卫星相对于目标地区存在过境时间段,只有在过境时间段内才能得到超光谱卫星监测数据,也即是二氧化氮柱浓度数据和过境时间段相关,从而具有多个。第一Inception Block块用于对二氧化氮柱浓度数据进行更多尺度,特别是时间尺度和空间尺度的预测数据特征的捕获,从而得到二氧化氮柱浓度时空分布特征。
作为一个实施例,第一Inception Block块和第二Inception Block块均包括一个int Layer输入层、一个1×1的2D卷积层构成的支路一、一个1×1的2D卷积层和一个3×3的2D卷积层连接构成的支路二,以及一个3×3的2D卷积层构成的支路三。且支路一和支路二均连接于一个3×3的2D卷积层,其中,支路一和支路二的处理结果叠加处理后输入至该3×3的2D卷积层。该3×3的2D卷积层和支路三连接有一个out Layer输出层。其中,支路三和该3×3的2D卷积层的处理结果叠加处理后输入至该out Layer输出层。
此外,参阅图7,第三特征提取模块包括建筑地理信息特征提取子模块、植被地理信息特征提取子模块、第二全连接层和矩阵维度变换层,所述建筑地理信息特征提取子模块、植被地理信息特征提取子模块和矩阵维度变换层均与所述第二全连接层连接。
其中,所述建筑地理信息特征提取子模块包括依次连接的第一Conv2D卷积层、第三全连接层、第一GI Block地理信息特征提取块和均值池化层。所述输入层用于将POI兴趣点数据、Traffic Network道路网数据和GDP生产总值数据、Total population总人口数据和人口密度的年度数据等输入到建筑地理信息特征提取子模块,以使建筑地理信息特征提取子模块对上述数据进行特征提取、特征融合、地理信息特征提取和均值池化处理,得到建筑类地理分布特征。值得一提的是,第一Conv2D卷积层可以包括多个,以分别对POI兴趣点数据、Traffic Network道路网数据和GDP生产总值数据、Total population总人口数据和人口密度的年度数据等数据中的每一类型数据进行特征提取。
植被地理信息特征提取子模块包括依次连接的第二Conv2D卷积层、第四全连接层和第二地理信息特征提取块。输入层将EVI增强植被指数、NDVI归一化植被指数和LandCover Type地表覆盖类型数据输入到植被地理信息特征提取子模块,植被地理信息特征提取子模块用于对EVI增强植被指数、NDVI归一化植被指数和Land Cover Type地表覆盖类型数据依次进行特征提取、特征融合和地理信息特征提取,从而得到植被类地理分布特征。值得一提的是,第一Conv2D卷积层可以包括多个,以分别对EVI增强植被指数、NDVI归一化植被指数和Land Cover Type地表覆盖类型数据等数据中每一类型数据进行特征提取。
然后,第二全连接层将建筑类地理分布特征和植被类地理分布特征进行融合处理,得到地理信息空间分布特征。Reshape矩阵维度变换层将地理信息空间分布特征进行维度变换,得到地理信息时空分布特征。
作为一个实施例,第一地理信息特征提取块和第二地理信息特征提取块均被构造为如下结构:均包括一个int Layer输入层、一个1×1×1的3D卷积层构成的支路一、两个3×3×3的3D卷积层连接构成的支路二,然后一个3×3×3的3D卷积层,其中,支路一和支路二的处理结果叠加处理后输入至该3×3×3的3D卷积层。该3×3×3的3D卷积层连接有一个out Layer输出层。
最后,全连接层将二氧化氮浓度分层时空分布特征、二氧化氮柱浓度时空分布特征和地理信息时空分布特征进行特征融合,获得所述四维二氧化氮浓度预测数据。
作为一个实施例,全连接层还可连接有一个Inception Block块,通过多个带有不同卷积核大小的卷积运算来捕获更多尺度,从而得到更加准确的四维二氧化氮浓度预测数据。
在一实施例中,所述第二特征提取模块,还用于若所述二氧化氮柱浓度数据的区域空间覆盖度大于或者等于第一预设百分比且小于1,则对所述二氧化氮浓度分层预测数据进行数据补全,得到数据补全后的二氧化氮柱浓度数据,对所述数据补全后的二氧化氮柱浓度数据进行特征提取,获得二氧化氮浓度分层时空分布特征。
具体而言,在图像上,对于任一个目标地区中的某一个目标区域A而言,其由多个像元构成。如前所述,在计算二氧化氮柱浓度时,会剔除出云量占比大于或者等于预设阈值的像元,即此类像元并不会反演计算得到二氧化氮柱浓度数据。从而对于目标区域A,当需要使用到二氧化氮柱浓度时,其中的某些像元可能并不存在相应的数据。也即是,数据并未覆盖到该些像元,只有反演得到二氧化氮柱浓度的像元方才被覆盖到。从而,此时目标区域A的区域空间覆盖率并非为1,而是小于1。
由此,第二特征提取模块在所述二氧化氮柱浓度数据的区域空间覆盖度大于第一预设百分比且小于1时,通过双线性插值进行对所述二氧化氮浓度分层预测数据进行数据补全,得到数据补全后的二氧化氮柱浓度数据。当然可以理解的,对于区域空间覆盖度小于或者等于第一预设百分比的数据,我们可以进行数据剔除,以提高数据处理的准确率。可以,第一预设百分比可以是70%,当然,第一预设百分比的具体值还可以根据实际需要调整。
基于上述实施例,提出本申请结合超光谱卫星与人工智能的大气NO2时空预测算法第三实施例,参阅图8,图8为本申请结合超光谱卫星与人工智能的大气NO2时空预测算法第三实施例的流程示意图。
本实施例中,二氧化氮浓度预测神经网络模型通过如下方式训练得到:
步骤S10、获取训练样本数据,所述训练样本数据包括所述目标地区的气象监测数据、超光谱卫星监测数据和地理信息遥感数据,以及所述目标地区在预设时刻的第一超光谱卫星监测数据和在预设日内的实时国控站点监控数据。
具体的,本实施例中,训练样本数据中包括所述目标地区在预设时刻的第一超光谱卫星监测数据以及在预设日内的24小时的实时国控站点监控数据,即在二氧化氮浓度预测神经网络模型对目标地区的所述目标地区的气象监测数据、超光谱卫星监测数据和地理信息遥感数据进行处理,并输出目标地区的四维二氧化氮浓度预测数据时,通过在预设时刻的第一超光谱卫星监测数据以及在预设日内的24小时的实时国控站点监控数据进行验证,以使得训练后的二氧化氮浓度预测神经网络模型输出的结果同时接近超光谱卫星监测得到的数据以及国控站点的监控数据,进而提高二氧化氮浓度预测神经网络模型的训练效果。
在一示例中,预设时刻可以是正午时刻,可以理解的,一般而言,此时的云层占比一般较小,从而监测数据更加准确。
步骤S20、确定用于训练所述二氧化氮浓度预测神经网络模型的训练损失函数。
步骤S30、基于所述训练损失函数和所述训练样本数据对所述二氧化氮浓度预测神经网络模型进行训练,直至所述训练损失函数的值满足预设条件,得到训练好的二氧化氮浓度预测神经网络模型。
在确定好训练样本和损失函数后,即可对二氧化氮浓度预测神经网络模型进行训练。本实施例中,步骤S30具体包括:
步骤S31、根据所述气象监测数据、所述超光谱卫星监测数据和所述地理信息遥感数据进行训练,得到目标地区内第一预设区域在所述预设时刻的第一训练结果数据和所述目标地区内第二预设区域在所述预设日的第二训练结果数据;其中,所述第一预设区域的海拔高于所述第二预设区域的海拔。
步骤S31、根据所述第一超光谱卫星数据对所述第一训练结果数据进行验证,获得所述第一超光谱卫星数据和第一训练结果数据的空间关联数据。
步骤S32、根据所述实时国控站点监控数据对所述第二训练结果数据进行验证,获得所述第二训练结果数据和实时国控站点监控数据的时间关联数据和绝对值差异数据。
步骤S33、将所述空间关联数据作为第一损失函数值,所述时间关联数据作为第二损失函数值,所述绝对值差异数据作为第三损失函数值,并根据所述第一损失函数值、所述第二损失函数值和所述第三损失函数值,获得最终损失函数值;
步骤S34、判断所述最终损失函数值是否满足预设条件。
本示例中,损失函数为公式一所述,公式一为:
Loss=α·Loss1+β·Loss2+λ·Loss3;
Loss1为第一损失函数值,可通过公式二确定,公式二为:
Loss2为第二损失函数值,可通过公式三确定,公式三为:
Loss3为第三损失函数值,可通过公式三确定,公式三为:
其中,α,β,λ均为常数,在一示例中,α=0.5,β=0.5,λ=1。
为了便于理解,下面示出一示例,第一预设区域为目标地区中间层区域,预设时刻为正午时刻,即中午12点。第二预设区域可以是目标地区的中心点附近近地面层区域。因此,第一训练结果数据为二氧化氮浓度预测神经网络模型针对目标地区输出的四维二氧化氮浓度预测数据中提取出的在中午12点的目标地区中间层区域的区域对应的预测数据。第二训练结果数据为二氧化氮浓度预测神经网络模型针对目标地区输出的预设日的目标地区的中心点附近近地面层区域对应的预测数据。
可以理解的,第一预设区域的海拔和所述第二预设区域的海拔不同,以使得最终训练结果更加准确。当然,第一预设区域和第二预设区域还可以依据地形、建筑分布或者人口分布的不同进行适应性选择,此处并不限制。
针对第一训练结果数据,验证过程为:可利用第一超光谱卫星数据反演得到的二氧化氮柱浓度数据对其进行空间分布约束,将四维二氧化氮浓度预测数据结构的第一训练结果数据构造为向量XPsatellite-1,并将二氧化氮柱浓度数据构造为向量XTsatellite-1,计算两个向量之间的空间夹角,即代入公式二,即得到所述第一超光谱卫星数据和第一训练结果数据的空间关联数据,也即是第一损失函数的值。
针对第二训练结果数据,验证过程为:可利用实时国控站点监控数据,即24小时的实测数据对其进行时间分布约束和空间分布约束,将四维二氧化氮浓度预测数据结构的第二训练结果数据构造为向量XPsate-2,并将对应时刻的实时国控站点监控数据构造为向量XTsate-2,计算两个向量之间的空间夹角,即代入公式三,即获得所述第二训练结果数据和实时国控站点监控数据的时间关联数据,即第二损失函数的值。且还将任一j时刻的第二训练结果数据构造为向量XPsate-j,2,并将对应j时刻的实时国控站点监控数据构造为向量XTsate-j,2,代入公式四得到所述第二训练结果数据和实时国控站点监控数据的绝对值差异数据,也即是第三损失函数的值。
得到第一损失函数、第二损失函数和第三损失函数的值后,将上述3个值代入到公式一中进行加权叠加,得到最终损失函数的值。然后将最终损失函数的值和训练前提前设置的预设条件进行判断,若满足,则结束训练,若不满足,则执行下述步骤S35。
步骤S35、若不满足,则更新所述二氧化氮浓度预测神经网络模型,并返回执行所述根据所述气象监测数据、所述超光谱卫星监测数据和所述地理信息遥感数据进行训练,得到目标地区内第一预设区域的第一训练结果数据和所述目标地区内第二预设区域的第二训练结果数据,直至所述训练损失函数的值满足预设条件,得到训练好的二氧化氮浓度预测神经网络模型。
具体的,在训练过程中,可通过SGD优化器进行优化迭代模型训练,直至得到最终结果,也即是训练好的二氧化氮浓度预测神经网络模型。
本实施例中,损失函数和训练数据和验证数据之间的空间关联性、时间关联性和绝对值关联性均相关,从而使得训练出的二氧化氮浓度预测神经网络模型输出的四维二氧化氮浓度预测数据在空间维度和时间维度上准确率均较高。
基于同一发明构思,参阅图9,提出本申请一种结合超光谱卫星与人工智能的大气NO2时空预测装置第一实施例,包括:
数据获取模块,用于获取目标地区的气象监测数据、超光谱卫星监测数据和地理信息遥感数据,所述地理信息遥感数据包括地表建筑数据、植被覆盖数据、人口数据和高程数据;
分层浓度预测模块,用于根据所述气象监测数据和预设大气物理化学模型,获得所述目标地区的二氧化氮分层浓度预测数据;
柱浓度预测模块,用于根据所述超光谱卫星监测数据,反演得到所述目标地区的二氧化氮柱浓度数据;其中,所述二氧化氮柱浓度数据的空间分辨率高于所述二氧化氮分层浓度预测数据的空间分辨率;
数据融合模块,用于根据所述地理信息遥感数据,对所述二氧化氮浓度分层预测数据和所述二氧化氮柱浓度数据进行融合,获得所述目标地区中目标区域在目标时刻的二氧化氮浓度预测数据。
需要说明的是,本实施例中的关于结合超光谱卫星与人工智能的大气NO2时空预测装置的各实施方式以及其达到的技术效果可参照前述实施例中结合超光谱卫星与人工智能的大气NO2时空预测算法的各种实施方式,这里不再赘述。
此外,本申请实施例还提出一种计算机存储介质,存储介质上存储有结合超光谱卫星与人工智能的大气NO2时空预测程序,结合超光谱卫星与人工智能的大气NO2时空预测程序被处理器执行时实现如上文的结合超光谱卫星与人工智能的大气NO2时空预测算法的步骤。因此,这里将不再进行赘述。另外,对采用相同方法的有益效果描述,也不再进行赘述。对于本申请所涉及的计算机可读存储介质实施例中未披露的技术细节,请参照本申请方法实施例的描述。确定为示例,程序指令可被部署为在一个计算设备上执行,或者在位于一个地点的多个计算设备上执行,又或者,在分布在多个地点且通过通信网络互连的多个计算设备上执行。
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,上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,上述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)或随机存储记忆体(RandomAccessMemory,RAM)等。
另外需说明的是,以上所描述的装置实施例仅仅是示意性的,其中作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。另外,本申请提供的装置实施例附图中,模块之间的连接关系表示它们之间具有通信连接,具体可以实现为一条或多条通信总线或信号线。本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,所属领域的技术人员可以清楚地了解到本申请可借助软件加必需的通用硬件的方式来实现,当然也可以通过专用硬件包括专用集成电路、专用CPU、专用存储器、专用元器件等来实现。一般情况下,凡由计算机程序完成的功能都可以很容易地用相应的硬件来实现,而且,用来实现同一功能的具体硬件结构也可以是多种多样的,例如模拟电路、数字电路或专用电路等。但是,对本申请而言更多情况下软件程序实现是更佳的实施方式。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在可读取的存储介质中,如计算机的软盘、U盘、移动硬盘、只读存储器(ROM,Read-OnlyMemory)、随机存取存储器(RAM,RandomAccessMemory)、磁碟或者光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例的方法。
以上仅为本申请的优选实施例,并非因此限制本申请的专利范围,凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本申请的专利保护范围内。
Claims (10)
1.一种结合超光谱卫星与人工智能的大气NO2时空预测算法,其特征在于,所述算法包括:
获取目标地区的气象监测数据、超光谱卫星监测数据和地理信息遥感数据,所述地理信息遥感数据包括地表建筑数据、植被覆盖数据、人口数据和高程数据;
根据所述气象监测数据和预设大气物理化学模型,获得所述目标地区的二氧化氮分层浓度预测数据;
根据所述超光谱卫星监测数据,反演得到所述目标地区的二氧化氮柱浓度数据;其中,所述二氧化氮柱浓度数据的空间分辨率高于所述二氧化氮分层浓度预测数据的空间分辨率;
根据所述地理信息遥感数据,对所述二氧化氮浓度分层预测数据和所述二氧化氮柱浓度数据进行融合,获得所述目标地区中目标区域在目标时刻的二氧化氮浓度预测数据。
2.根据权利要求1所述的结合超光谱卫星与人工智能的大气NO2时空预测算法,其特征在于,所述根据所述二氧化氮浓度分层预测数据、所述二氧化氮柱浓度数据和所述地理信息遥感数据,获得所述目标地区中的目标区域的二氧化氮浓度预测数据,包括:
将所述二氧化氮浓度分层预测数据、所述二氧化氮柱浓度数据和所述地理信息遥感数据输入至训练好的二氧化氮浓度预测神经网络模型,获得所述二氧化氮浓度预测神经网络模型输出的目标地区的四维二氧化氮浓度预测数据;所述四维二氧化氮浓度预测数据包括四维时空坐标信息和与所述四维时空坐标对应的二氧化氮浓度预测值,所述四维时空坐标信息包括时刻信息、经度信息、纬度信息和高程信息;
从所述四维二氧化氮浓度预测数据中提取出所述二氧化氮浓度预测数据。
3.根据权利要求2所述的结合超光谱卫星与人工智能的大气NO2时空预测算法,其特征在于,所述二氧化氮浓度预测神经网络模型包括:
第一特征提取模块,用于对所述二氧化氮浓度分层预测数据进行特征提取,获得二氧化氮浓度分层时空分布特征;
第二特征提取模块,用于对所述二氧化氮柱浓度数据进行特征提取和特征融合,获得二氧化氮柱浓度时空分布特征;
第三特征提取模块,用于对所述地理信息遥感数据进行空间特征提取和维度变换,获得地理信息时空分布特征;
全连接层,用于对所述二氧化氮浓度分层时空分布特征、所述二氧化氮柱浓度时空分布特征和所述地理信息时空分布特征进行特征融合,获得所述四维二氧化氮浓度预测数据。
4.根据权利要求3所述的结合超光谱卫星与人工智能的大气NO2时空预测算法,其特征在于,所述第二特征提取模块,还用于若所述二氧化氮柱浓度数据的区域空间覆盖度大于第一预设百分比且小于1,则对所述二氧化氮浓度分层预测数据进行数据补全,得到数据补全后的二氧化氮柱浓度数据,对所述数据补全后的二氧化氮柱浓度数据进行特征提取,获得所述二氧化氮浓度分层时空分布特征。
5.根据权利要求2所述的结合超光谱卫星与人工智能的大气NO2时空预测算法,其特征在于,获取目标地区的气象监测数据、超光谱卫星监测数据和地理信息遥感数据,所述地理信息遥感数据包括地表建筑数据、植被覆盖数据、人口数据和高程数据之前,所述算法还包括:
获取训练样本数据,所述训练样本数据包括所述目标地区的气象监测数据、超光谱卫星监测数据和地理信息遥感数据,以及所述目标地区在预设时刻的第一超光谱卫星监测数据和在预设日内的实时国控站点监控数据;
确定用于训练所述二氧化氮浓度预测神经网络模型的训练损失函数;
基于所述训练损失函数和所述训练样本数据对所述二氧化氮浓度预测神经网络模型进行训练,直至所述训练损失函数的值满足预设条件,得到训练好的二氧化氮浓度预测神经网络模型。
6.根据权利要求5所述的结合超光谱卫星与人工智能的大气NO2时空预测算法,其特征在于,所述基于所述训练损失函数和所述训练样本数据对所述二氧化氮浓度预测神经网络模型进行训练,直至所述训练损失函数的值满足预设条件,得到训练好的二氧化氮浓度预测神经网络模型,包括:
根据所述气象监测数据、所述超光谱卫星监测数据和所述地理信息遥感数据进行训练,得到目标地区内第一预设区域在所述预设时刻的第一训练结果数据和所述目标地区内第二预设区域在所述预设日的第二训练结果数据;其中,所述第一预设区域的海拔高于所述第二预设区域的海拔;
根据所述第一超光谱卫星数据对所述第一训练结果数据进行验证,获得所述第一超光谱卫星数据和第一训练结果数据的空间关联数据;
根据所述实时国控站点监控数据对所述第二训练结果数据进行验证,获得所述第二训练结果数据和所述实时国控站点监控数据的时间关联数据和绝对值差异数据;
将所述空间关联数据作为第一损失函数值,所述时间关联数据作为第二损失函数值,所述绝对值差异数据作为第三损失函数值,并根据所述第一损失函数值、所述第二损失函数值和所述第三损失函数值,获得最终损失函数值;
判断所述最终损失函数值是否满足预设条件;
若不满足,则更新所述二氧化氮浓度预测神经网络模型,并返回执行根据所述气象监测数据、所述超光谱卫星监测数据和所述地理信息遥感数据进行训练,得到目标地区内第一预设区域在所述预设时刻的第一训练结果数据和所述目标地区内第二预设区域在所述预设日的第二训练结果数据,直至所述训练损失函数的值满足预设条件,得到训练好的二氧化氮浓度预测神经网络模型。
7.根据权利要求1所述的结合超光谱卫星与人工智能的大气NO2时空预测算法,其特征在于,所述根据所述超光谱卫星监测数据,获得所述目标地区的二氧化氮柱浓度数据,包括:
从所述超光谱卫星监测数据中筛选出云量占比小于或者等于预设阈值的有效监测数据;
根据所述有效监测数据,反演得到所述目标地区的二氧化氮柱浓度数据。
8.一种结合超光谱卫星与人工智能的大气NO2时空预测装置,其特征在于,包括:
数据获取模块,用于获取目标地区的气象监测数据、超光谱卫星监测数据和地理信息遥感数据,所述地理信息遥感数据包括地表建筑数据、植被覆盖数据、人口数据和高程数据;
分层浓度预测模块,用于根据所述气象监测数据和预设大气物理化学模型,获得所述目标地区的二氧化氮分层浓度预测数据;
柱浓度预测模块,用于根据所述超光谱卫星监测数据,反演得到所述目标地区的二氧化氮柱浓度数据;其中,所述二氧化氮柱浓度数据的空间分辨率高于所述二氧化氮分层浓度预测数据的空间分辨率;
数据融合模块,用于根据所述地理信息遥感数据,对所述二氧化氮浓度分层预测数据和所述二氧化氮柱浓度数据进行融合,获得所述目标地区中目标区域在目标时刻的二氧化氮浓度预测数据。
9.一种结合超光谱卫星与人工智能的大气NO2时空预测设备,其特征在于,处理器,存储器以及存储在所述存储器中的结合超光谱卫星与人工智能的大气NO2时空预测程序,所述结合超光谱卫星与人工智能的大气NO2时空预测程序被所述处理器运行时实现如权利要求1-7中任一项所述结合超光谱卫星与人工智能的大气NO2时空预测算法的步骤。
10.一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上存储有结合超光谱卫星与人工智能的大气NO2时空预测程序,所述结合超光谱卫星与人工智能的大气NO2时空预测程序被处理器执行时实现如权利要求1至7任一项所述的结合超光谱卫星与人工智能的大气NO2时空预测算法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211452402.6A CN115730718A (zh) | 2022-11-17 | 2022-11-17 | 结合超光谱卫星与人工智能的大气no2时空预测算法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211452402.6A CN115730718A (zh) | 2022-11-17 | 2022-11-17 | 结合超光谱卫星与人工智能的大气no2时空预测算法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115730718A true CN115730718A (zh) | 2023-03-03 |
Family
ID=85296742
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211452402.6A Pending CN115730718A (zh) | 2022-11-17 | 2022-11-17 | 结合超光谱卫星与人工智能的大气no2时空预测算法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115730718A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117556953A (zh) * | 2023-11-21 | 2024-02-13 | 中国气象局沈阳大气环境研究所 | 一种基于卫星遥感反演数据的自动处理与预测系统 |
-
2022
- 2022-11-17 CN CN202211452402.6A patent/CN115730718A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117556953A (zh) * | 2023-11-21 | 2024-02-13 | 中国气象局沈阳大气环境研究所 | 一种基于卫星遥感反演数据的自动处理与预测系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Sillero et al. | Want to model a species niche? A step-by-step guideline on correlative ecological niche modelling | |
Puliti et al. | Use of partial-coverage UAV data in sampling for large scale forest inventories | |
CN113128134B (zh) | 一种矿区生态环境演变驱动因子权重量化分析方法 | |
Huang et al. | A near real-time flood-mapping approach by integrating social media and post-event satellite imagery | |
CN111639787A (zh) | 一种基于图卷积网络的时空数据预测方法 | |
CN111033318A (zh) | 当地气象预测 | |
Surabuddin Mondal et al. | Modeling of spatio-temporal dynamics of land use and land cover in a part of Brahmaputra River basin using Geoinformatic techniques | |
Falahatkar et al. | Integration of remote sensing data and GIS for prediction of land cover map | |
CN115236655B (zh) | 基于全极化sar的滑坡识别方法、系统、设备及介质 | |
CN111612489A (zh) | 订单量的预测方法、装置及电子设备 | |
CN113253364B (zh) | 一种对站点风速预报结果进行订正的方法及装置 | |
CN111611918B (zh) | 基于航拍数据和深度学习的交通流数据集采集及构建方法 | |
Alahmadi et al. | A comparison of small-area population estimation techniques using built-area and height data, Riyadh, Saudi Arabia | |
CN115730718A (zh) | 结合超光谱卫星与人工智能的大气no2时空预测算法 | |
CN111666896A (zh) | 一种基于线性融合模型的遥感影像时空融合方法 | |
CN114627073A (zh) | 地形识别方法、装置、计算机设备和存储介质 | |
CN113901348A (zh) | 一种基于数学模型的钉螺分布影响因素识别与预测方法 | |
US20230186594A1 (en) | Information processing apparatus, information processing method, and non-transitory computer readable medium | |
Liu et al. | Bi-LSTM model for time series leaf area index estimation using multiple satellite products | |
CN115797438A (zh) | 目标定位方法、装置、计算机设备、存储介质和程序产品 | |
CN116188969A (zh) | 一种融合InSAR与时空卷积的地表形变预测方法 | |
CN113988153A (zh) | 基于条件生成对抗网络的高分辨率气溶胶估算方法 | |
Mao et al. | Effects of UAV flight height on biomass estimation of desert shrub communities | |
CN112085685A (zh) | 一种可消除砖块效应的基于空间混合分解的时空融合方法 | |
CN117611978B (zh) | 一种土地资源测绘数据库的构建方法及系统 |
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 |