CN116306251A - 近地面臭氧浓度反演方法、装置、存储介质与芯片 - Google Patents
近地面臭氧浓度反演方法、装置、存储介质与芯片 Download PDFInfo
- Publication number
- CN116306251A CN116306251A CN202310134414.2A CN202310134414A CN116306251A CN 116306251 A CN116306251 A CN 116306251A CN 202310134414 A CN202310134414 A CN 202310134414A CN 116306251 A CN116306251 A CN 116306251A
- Authority
- CN
- China
- Prior art keywords
- data
- sample
- data sample
- station
- remote sensing
- 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
- CBENFWSGALASAD-UHFFFAOYSA-N Ozone Chemical compound [O-][O+]=O CBENFWSGALASAD-UHFFFAOYSA-N 0.000 title claims abstract description 212
- 238000000034 method Methods 0.000 title claims abstract description 59
- 238000012549 training Methods 0.000 claims abstract description 44
- 239000003344 environmental pollutant Substances 0.000 claims abstract description 27
- 231100000719 pollutant Toxicity 0.000 claims abstract description 27
- 238000005259 measurement Methods 0.000 claims abstract description 21
- 238000012795 verification Methods 0.000 claims description 10
- 239000000356 contaminant Substances 0.000 claims description 9
- 230000001419 dependent effect Effects 0.000 claims description 8
- 238000007781 pre-processing Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 7
- 238000012544 monitoring process Methods 0.000 description 47
- 238000012545 processing Methods 0.000 description 18
- 230000008569 process Effects 0.000 description 13
- 238000004891 communication Methods 0.000 description 10
- MGWGWNFMUOTEHG-UHFFFAOYSA-N 4-(3,5-dimethylphenyl)-1,3-thiazol-2-amine Chemical compound CC1=CC(C)=CC(C=2N=C(N)SC=2)=C1 MGWGWNFMUOTEHG-UHFFFAOYSA-N 0.000 description 9
- 230000007547 defect Effects 0.000 description 9
- 230000007613 environmental effect Effects 0.000 description 9
- JCXJVPUVTGWSNB-UHFFFAOYSA-N nitrogen dioxide Inorganic materials O=[N]=O JCXJVPUVTGWSNB-UHFFFAOYSA-N 0.000 description 9
- 238000010586 diagram Methods 0.000 description 7
- 239000005436 troposphere Substances 0.000 description 7
- 230000003993 interaction Effects 0.000 description 6
- 230000009471 action Effects 0.000 description 5
- 230000008859 change Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 230000005236 sound signal Effects 0.000 description 4
- 241000282414 Homo sapiens Species 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- MWUXSHHQAYIFBG-UHFFFAOYSA-N nitrogen oxide Inorganic materials O=[N] MWUXSHHQAYIFBG-UHFFFAOYSA-N 0.000 description 3
- 238000012952 Resampling Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 2
- 230000006378 damage Effects 0.000 description 2
- 238000009792 diffusion process Methods 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 239000005437 stratosphere Substances 0.000 description 2
- 238000003915 air pollution Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013475 authorization Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 210000000748 cardiovascular system Anatomy 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000000779 depleting effect Effects 0.000 description 1
- 230000002526 effect on cardiovascular system Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- 230000009931 harmful effect Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012067 mathematical method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000006552 photochemical reaction Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 210000002345 respiratory system Anatomy 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000012855 volatile organic compound Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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)
- Evolutionary Computation (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本公开涉及一种近地面臭氧浓度反演方法、装置、存储介质与芯片,涉及污染物预测技术领域,包括:确定同一时空下的模式数据样本、遥感数据样本与测站数据样本,该模式数据样本为空气质量模型预测到的包含第一臭氧浓度样本的数据样本,该遥感数据样本为卫星遥感提供的包含第二臭氧浓度样本的数据样本,该测站数据样本为站点监测到的包含第三臭氧浓度样本的数据样本;将该同一时空下的模式数据样本、遥感数据样本与测站数据样本作为训练数据,建立目标反演模型;将模式数据、遥感数据以及测站数据作为该目标反演模型的输入,得到目标臭氧浓度数据。使用本公开提出的近地面臭氧浓度反演方法,可以使得预测得到的近地面臭氧浓度能够更加准确。
Description
技术领域
本公开涉及污染物预测技术领域,尤其涉及一种近地面臭氧浓度反演方法、装置、存储介质与芯片。
背景技术
臭氧是地球大气中的痕量气体之一,90%的臭氧分布在距离地面10km~50km的平流层,臭氧有吸收太阳紫外线,保护人类与环境的作用。大气中的臭氧除了少量由平流层传输而来,绝大部分是由人为源氮氧化物和挥发性有机化合物在阳光照射下,经过一系列光化学反应生成的二次污染物。
当1km~5km近地面的臭氧浓度较高时,会对人体健康产生有害影响,例如近地面臭氧浓度越高,对人体心血管和呼吸系统的伤害越大,且高浓度的臭氧对植物与建筑物也存在危害,因此对近地面臭氧浓度的确定具有重要意义。然而,相关技术中,却无法准确地确定近地面臭氧浓度。
发明内容
为克服相关技术中存在的问题,本公开提供一种近地面臭氧浓度反演方法、装置、存储介质与芯片。
根据本公开实施例的第一方面,提供一种近地面臭氧浓度反演方法,包括:
确定同一时空下的模式数据样本、遥感数据样本与测站数据样本,所述模式数据样本为空气质量模型预测到的包含第一臭氧浓度样本的数据样本,所述遥感数据样本为卫星遥感提供的包含第二臭氧浓度样本的数据样本,所述测站数据样本为站点监测到的包含第三臭氧浓度样本的数据样本;
将所述同一时空下的模式数据样本、遥感数据样本与测站数据样本作为训练数据,建立目标反演模型;
将实际获取的模式数据、遥感数据以及测站数据作为所述目标反演模型的输入,得到目标臭氧浓度数据。
可选地,所述将所述同一时空下的模式数据样本、遥感数据样本与测站数据样本作为训练数据,建立目标反演模型,包括:
将同一时空下的模式数据样本与遥感数据样本作为所述训练数据的自变量,将所述第三臭氧浓度数据样本作为所述训练数据的因变量,建立所述目标反演模型。
可选地,所述遥感数据样本包含第一污染物样本,所述测站数据样本包括气象数据样本与第二污染物样本,所述将所述同一时空下的模式数据样本、遥感数据样本与测站数据样本作为训练数据,建立目标反演模型,包括:
将同一时空下的第一臭氧浓度样本、第一污染物样本、第二臭氧浓度样本、气象数据样本与第二污染物样本作为所述训练数据的自变量,将所述第三臭氧浓度样本作为所述训练数据的因变量,建立所述目标反演模型。
可选地,所述气象数据样本包括相对湿度、风速、温度与压强。
可选地,所述确定同一时空下的模式数据样本与测站数据样本,包括:
从多个所述模式数据样本中,将与所述测站数据样本的经纬度位置匹配的模式数据样本作为目标模式数据样本,所述测站数据样本的经纬度位置与所述目标模式数据样本的位置匹配包括:所述测站数据样本的经纬度位于所述目标模式数据样本对应的栅格位置中;
从多个测站数据样本中,将与所述模式数据样本的获取时间的时间间隔最小的测站数据样本,作为第一测站数据样本;
根据所述目标模式数据样本与所述第一测站数据样本,确定位于同一时空下的模式数据样本与测站数据样本。
可选地,所述确定同一时空下的遥感数据样本与测站数据样本,包括:
从多个所述遥感数据样本中,将与所述测站数据样本的经纬度位置匹配的遥感数据样本作为目标遥感数据样本,所述测站数据样本的经纬度位置与所述目标遥感数据样本的位置匹配包括:所述测站数据样本的经纬度位于所述目标遥感数据样本对应的栅格位置中;
从多个测站数据样本中,将与所述遥感数据样本的获取时间的时间间隔最小的测站数据样本,作为第二测站数据样本;
根据所述目标遥感数据样本与所述第二测站数据样本,确定位于同一时空下的遥感数据样本与测站数据样本。
可选地,在所述确定同一时空下的模式数据样本、遥感数据样本与测站数据样本之前,所述方法还包括:
对所述空气质量模型输出的数据进行预处理,得到空间分辨率为目标分辨率的第一栅格数据样本,所述第一栅格数据样本包含所述模式数据样本,和/或;
对所述卫星遥感提供的数据进行预处理,得到空间分辨率为所述目标分辨率的第二栅格数据样本,所述第二栅格数据样本包含所述遥感数据样本。
可选地,所述将所述同一时空下的模式数据样本、遥感数据样本与测站数据样本作为训练数据,建立目标反演模型,包括:
将第一样本数量的同一时空下的模式数据样本、遥感数据样本与测站数据样本作为训练数据,建立反演模型;
将第二样本数量的同一时空下的模式数据样本、遥感数据样本与测站数据样本作为验证数据,调整所述目标反演模型的可学习参数,得到所述目标反演模型;
其中,所述第二样本数量小于所述第一样本数量。
可选地,所述将实际获取的模式数据、遥感数据以及测站数据作为所述目标反演模型的输入,得到目标臭氧浓度数据,包括:
将实际获取的所述测站数据插值为栅格格式的数据,所述测站数据为散点格式;
将所述栅格格式的模式数据,以及实际获取的遥感数据与测站数据输入至所述目标反演模型,得到目标区域的目标臭氧浓度数据。
根据本公开实施例的第二方面,提供一种近地面臭氧浓度反演装置,包括:
样本确定模块,被配置为确定同一时空下的模式数据样本、遥感数据样本与测站数据样本,所述模式数据样本为空气质量模型预测到的包含第一臭氧浓度样本的数据样本,所述遥感数据样本为卫星遥感提供的包含第二臭氧浓度样本的数据样本,所述测站数据样本为站点监测到的包含第三臭氧浓度样本的数据样本;
模型建立模块,被配置为将所述同一时空下的模式数据样本、遥感数据样本与测站数据样本作为训练数据,建立目标反演模型;
预测模块,被配置为将实际获取的模式数据、遥感数据以及测站数据作为所述目标反演模型的输入,得到目标臭氧浓度数据。
根据本公开实施例的第三方面,提供一种计算机可读存储介质,其上存储有计算机程序指令,该程序指令被处理器执行时实现本公开第一方面所提供的近地面臭氧浓度反演方法的步骤。
根据本公开实施例的第四方面,提供一种芯片,包括处理器和接口;所述处理器用于读取指令以执行本公开第一方面所提供的近地面臭氧浓度反演方法的步骤。
本公开的实施例提供的技术方案可以包括以下有益效果:
将同一时空下的模式数据样本、遥感数据样本与测站数据样本对反演模型进行训练,得到目标反演模型之后,模式数据样本可以弥补遥感数据样本与测站数据样本无法突出与其余大气层之间的关系的缺陷,遥感数据样本可以弥补测站数据样本的空间代表性较差的缺点,测站数据样本可以弥补模式数据样本与遥感数据样本的准确性相对较低,以及准确性具有不确定性的缺陷,最终使得目标反演模型输出的目标臭氧浓度数据在面对不同的应用场景下能够更加准确。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本公开的实施例,并与说明书一起用于解释本公开的原理。
图1是根据一示例性实施例示出的一种近地面臭氧浓度反演方法的流程图。
图2是根据一示例性实施例示出的一种近地面臭氧浓度反演方法的逻辑示意图。
图3是根据一示例性实施例示出的一种近地面臭氧浓度反演装置的框图。
图4是根据一示例性实施例示出的一种近地面臭氧浓度反演装置的框图。
图5是根据一示例性实施例示出的一种近地面臭氧浓度反演装置的框图。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
需要说明的是,本申请中所有获取信号、信息或数据的动作都是在遵照所在地国家相应的数据保护法规政策的前提下,并获得由相应装置所有者给予授权的情况下进行的。
图1是根据一示例性实施例示出的一种近地面臭氧浓度反演方法的流程图,如图1所示,包括以下步骤。
在步骤S11中,确定同一时空下的模式数据样本、遥感数据样本与测站数据样本,所述模式数据样本为空气质量模型预测到的包含第一臭氧浓度样本的数据样本,所述遥感数据样本为卫星遥感提供的包含第二臭氧浓度样本的数据样本,所述测站数据样本为站点监测到的包含第三臭氧浓度样本的数据样本。
其中,空气质量模型包括CMAQ(Community Multiscale Air Quality ModelingSystem,多尺度空气质量模型)、WRF-CHEN(Weather Research and Forecasting Model,天气预测模型)、AERMOD(Ams/Epa Regulatory Model,大气预测模型)等模型,空气质量模型是运行气象学原理和数学方法,模拟水平和垂直方向上的污染物数据,空气质量模型以大气中的污染物数据作为输入数据,分析各个污染物数据之间的相互作用关系,以及污染物的输送和扩散等过程,输出污染物的来源、成因、时空分布以及传输过程等。例如,空气质量模型也可以以大气中的多个污染物数据作为输入数据,来预测得到模式数据样本,模式数据样本包含第一臭氧浓度样本,第一臭氧浓度样本为空气质量模型模拟的近地面臭氧浓度。
在此过程中,空气质量模型优点在于:空气质量模型分析了各个污染物数据之间的相互作用关系,以及污染物的输送和扩散等过程,所以空气质量模型会将预测的高度区分为14层,最靠近地面的一层高度约为50m,与近地面层相近,所以空气质量模型输出的近地面臭氧浓度能够反应与其余层之间的关系,即,空气质量模型考虑到其余层的作用,能够输出更加贴近实际的大气层中的近地面臭氧浓度。空气质量模型的缺点在于,空气质量模型预测得到的近地面臭氧浓度具有不确定性,具体体现在:1)、空气质量模型受制于输入数据的影响,如果输入数据的准确性较低,那么空气质量模型预测得到的近地面臭氧浓度的准确性也会较低,反之,如果输入数据准确性较高,预测到的近地面臭氧浓度的准确性也会较高;2)、空气质量模型具有区域性,往往只能适用于一些区域,应用至其余区域时,空气质量模型预测得到的近地面臭氧浓度的准确性也会较低,例如空气质量模型可以准确预测A区域的近地面臭氧浓度,却无法准确地预测B区域的近地面臭氧浓度。
其中,卫星遥感是通过卫星获提供臭氧层剖面数据,臭氧剖面数据包括臭氧柱总量数据与臭氧廓线数据,臭氧柱总量数据为地面到卫星之间的大气层这段区间内的臭氧总量,臭氧廓线数据位地面到卫星之间的大气层这段区间内,臭氧浓度随着高度的变化的曲线。本公开选择的卫星包括哨兵-5P卫星Tropomi(传感器),哨兵-5P卫星Tropomi输出对流层的臭氧剖面数据与对流层的二氧化氮柱含量数据,对流层的二氧化氮柱含量数据指的是对流层的二氧化氮总量。
在此过程中,卫星遥感的优点在于:1)、由于卫星是在经过目标区域上方时获取该目标区域的臭氧浓度,且卫星获取的区域的范围较大,所以卫星能够准确地获取水平区域较广的目标区域的臭氧浓度;2)、由于卫星是在移动的过程中,对不同区域的数据进行连续的获取,所以卫星遥感获取的臭氧浓度是连续性较好的臭氧浓度。卫星遥感的缺点在于:卫星遥感获取地面到卫星这段区间内的臭氧柱总量数据与臭氧廓线数据等对流层的臭氧浓度较为准确,但是,臭氧柱总量数据与臭氧廓线数据等对流层的臭氧浓度并不能完全准确地反应近地面臭氧浓度,所以卫星遥感无法准确地获取近地面臭氧浓度。
其中,站点是设置于各个目标区域中的监测站点,监测站点可以实测近地面的大气污染数据,因此可以获得目标区域随着时间变化的近地面臭氧浓度。
在此过程中,站点监测的优点在于:可以获取时间分辨率高、连续且准确的近地面臭氧浓度,其监测到的近地面臭氧浓度的准确性高于空气质量模型与卫星遥感确定的近地面臭氧浓度,时间分辨率高可以视为监测站点在目标区域进行的相邻两次监测的最小时间间隔较小。站点监测的缺点在于:受制于监测站点的建设成本以及地域环境等限制,每个目标区域的监测站点的数量有限,导致站点监测得到的目标区域的近地面臭氧浓度的空间代表性差,例如,对于水平面积较广的C市,C市内有7个监测站点,这7个监测站点获取的近地面臭氧浓度则无法准确地反应整个C市的近地面臭氧浓度状况,每个监测站点仅能反应站点附近的近地面臭氧浓度的状况,其空间代表性较差。
其中,同一时空下的模式数据样本、遥感数据样本与测站数据样本,指的是模式数据样本、遥感数据样本与测站数据样本,是同一时间与同一空间下获取得到的数据,如此才能保证获取到的臭氧浓度样本是来自三种不同获取方式下获取的同一时间且同一空间的数据。
在步骤S12中,将所述同一时空下的模式数据样本、遥感数据样本与测站数据样本作为训练数据,建立目标反演模型。
其中,对于空气质量模型而言,预测得到的第一臭氧浓度样本虽然能够体现与其余层之间的关系,更加贴近实际的臭氧浓度,但是预测到的第一臭氧浓度样本的准确性具有不确定性,即,预测得到的第一臭氧浓度样本的准确性时高时低。
对于卫星遥感而言,预测到的第二臭氧浓度样本虽然能够准确地获取水平区域较广的对流层的臭氧浓度,其空间代表性较好,但是却无法准确地反应近地面臭氧浓度。
对于站点监测而言,监测到的第三臭氧浓度样本,虽然能够准确地反应监测站点附近的近地面臭氧浓度,但是却无法反应整体目标区域的近地面臭氧浓度,其空间代表性差。
在构建目标反演模型时,由于测站数据样本是监测站点监测到的准确的数据,所以可以将测站数据样本作为训练数据中的因变量,将模式数据样本与遥感数据样本作为训练数据中的自变量,来对反演模型进行训练,从而得到目标反演模型。在此过程中,测站数据样本对模式数据样本与遥感数据样本起到纠正作用,充分利用了每种数据对于近地面臭氧浓度反演的优势,得到高空间分辨率、高置信度以及高准确率的近地面臭氧浓度。
示例地,可以将第一臭氧浓度样本与第二臭氧浓度样本作为训练数据中的自变量,将第三臭氧浓度样本作为训练数据中的因变量,来对反演模型进行训练,得到目标反演模型,如此目标反演模型便学习了第一臭氧浓度样本与第二臭氧浓度样本作为自变量,和作为因变量的第三臭氧浓度样本之间的相互作用关系。
在此过程中,第一臭氧浓度样本可以弥补第二臭氧浓度样本与第三臭氧管浓度样本无法突出与其余层之间的关系的缺陷,使得目标反演模型能够预测出体现与其余层之间关系的近地面臭氧浓度,即预测出更加符合大气环境的近地面臭氧浓度;第二臭氧浓度样本可以弥补第三臭氧浓度样本的空间代表性较差的缺点,使得目标反演模型即使在面对水平区域较广的目标区域时,也能够准确反应出目标区域的近地面臭氧浓度;第三臭氧浓度样本可以弥补第一臭氧浓度样本与第二臭氧浓度样本的准确性相对较低,以及准确性具有不确定性的缺陷,使得目标反演模型能够输出可靠且准确的近地面臭氧浓度。
在步骤S13中,将实际获取的模式数据、遥感数据以及测站数据作为所述目标反演模型的输入,得到目标臭氧浓度数据。
其中,从步骤S12可以看出,经过模式数据样本、遥感数据样本与测站数据样本训练后得到的目标反演模型,学习了模式数据样本、遥感数据样本与测站数据样本之间的相互作用关系,模式数据样本、遥感数据样本与测站数据样本之间相互补偿,使得得到的目标反演模型能够准确地、可靠地预测出范围较大的、且更加符合大气环境的目标区域的近地面臭氧浓度。
那么,可以将同一时空下实际获取的模式数据、遥感数据与测站数据作为目标反演模型的输入,来得到准确可靠的目标臭氧浓度数据。
通过上述技术方案,将同一时空下的模式数据样本、遥感数据样本与测站数据样本对反演模型进行训练,得到目标反演模型之后,模式数据样本可以弥补遥感数据样本与测站数据样本无法突出与其余层之间的关系的缺陷,遥感数据样本可以弥补测站数据样本的空间代表性较差的缺点,测站数据样本可以弥补模式数据样本与遥感数据样本的准确性相对较低,以及准确性具有不确定性的缺陷,最终使得目标反演模型输出的目标臭氧浓度数据在面对不同的应用场景下能够更加准确。
在一种可能的实施方式中,建立目标反演模型还包括以下步骤:
在步骤S21中,将同一时空下的第一臭氧浓度样本、第一污染物样本、第二臭氧浓度样本、气象数据样本与第二污染物样本作为所述训练数据的自变量,将所述第三臭氧浓度样本作为所述训练数据的因变量,建立所述目标反演模型。
请参阅图2所示,模式数据样本包含第一臭氧浓度样本,第一臭氧浓度样本为近地面臭氧浓度样本;遥感数据样本包含第二臭氧浓度样本与第一污染物样本,第二臭氧浓度样本为对流层臭氧浓度样本,第一污染物样本包括对流层二氧化氮样本;测站数据样本包括第三臭氧浓度样本、第二污染物样本与气象数据样本,第三臭氧浓度样本为近地面臭氧浓度样本或者为环境站监测的环境站臭氧浓度样本,第二污染物样本包括近地面二氧化氮样本或者为环境站监测的环境站二氧化氮样本,气象数据样本为近地面的气象要素,包括相对湿度、风速、温度与压强。
可以理解的是,监测站点包括气象站与环境站,气象站用于获取气象数据样本,环境站用于获取第三臭氧浓度样本与第二污染物样本。
其中,由于近地面的相对湿度、风速、温度与压强等气象因素会影响到近地面臭氧浓度,所以将气象因素作为训练数据中的因变量,以让目标反演模型学习气象因素对近地面臭氧浓度的作用关系;由于二氧化氮与臭氧之间属于消耗关系,二氧化氮可以消耗近地面的臭氧,使得近地面臭氧浓度降低,所以可以将对流层的第一污染物样本与近地面的第二污染物样本作为训练数据中的因变量,以让目标反演模型学习二氧化氮与近地面臭氧浓度的作用关系。
当然,第一污染物样本与第二污染物样本不仅限于二氧化氮,还可以为其余能够消耗臭氧的污染物,本公开对此不做限制。
其中,空气质量模型与卫星遥感得到的数据样本的格式是栅格格式,但是两者之间的分辨率不同,所以在使用模式数据样本与遥感数据样本对反演模型进行训练之前,需要对模式数据样本与遥感数据样本的分辨率进行统一,以使得训练后的目标反演模型输出的目标臭氧浓度数据的格式是统一的。
示例地,可以对所述空气质量模型输出的模式数据进行预处理,得到空间分辨率为目标分辨率的第一栅格数据样本,所述第一栅格数据样本包含所述模式数据样本。预处理包括转投影、矢量裁剪和重采样操作等处理方式,目标分辨率可以为1km。
例如,以空气质量模型为CMAQ模型举例,CMAQ模型输出的臭氧浓度是分层的,读取CMAQ模型输出的模式数据之后,可以将多层中最靠近地面一层的数据进行转投影、矢量裁剪和重采样操作,将空间分辨率为4km的栅格数据处理为空间分辨率为1km的栅格数据。
示例地,也可以对所述卫星遥感提供的遥感数据进行预处理,得到空间分辨率为所述目标分辨率的第二栅格数据样本,所述第二栅格数据样本包含所述遥感数据样本。预处理包括转投影、拼接、裁剪等处理方式。
例如,读取卫星输出的数据之后,可以将卫星输出的遥感数据进行转投影、拼接、裁剪等处理,将空间分辨率为7x305km的栅格数据处理为空间分辨率为1km的栅格数据。处理为1km的栅格数据之后,一个栅格或者一个像元的长则代表1km。
示例地,也可以对监测站点监测到的测站数据进行预处理,预处理包括:将环境站与气象站输出的数据一一对应、对监测站点监测到的测站数据中的无效数据进行剔除以及筛选出目标区域的监测站点。
例如,将环境站与气象站输出的数据一一对应时,可以先确定环境站的经纬度,再从多个气象站的经纬度中,确定与环境站欧式距离最近的一个气象站,作为目标气象站,再将两个距离较近的气象站与环境站输出的数据在时间上进行一一对应。
对监测站点监测到的数据中的无效数据进行剔除时,可以从监测站点检测到的数据中,将偏离正常数据达到一定阈值的数据作为无效数据。
及筛选出目标区域的监测站点时,可以先确定所要研究的目标区域,再得到目标区域中的监测站点的经纬度信息。
通过上述技术方案,除了将第一臭氧浓度样本、第二臭氧浓度样本以及第三臭氧浓度样本来对反演模型进行训练之外,还可以将影响近地面臭氧浓度的气象样本、第一污染物样本与第二污染物样本作为训练数据来对反演模型进行训练,使得得到的目标反演模型输出的目标臭氧浓度数据能够更加准确全面。
在一种可能的实施方式中,可以通过以下方案来确定同一时空下的模式数据样本、遥感数据样本与测站数据样本。
方案1包括以下步骤:
在步骤S31中,从多个所述模式数据样本中,将与所述测站数据样本的经纬度位置匹配的模式数据样本作为目标模式数据样本,所述测站数据样本的经纬度位置与所述目标模式数据样本的位置匹配包括:所述测站数据样本的经纬度位于所述目标模式数据样本对应的栅格位置中。
其中,在空间上,空气质量模型输出的为栅格数据,监测站点输出的为散点数据,在将二者之间的位置进行匹配时,可以先确定监测站点输出的测站数据样本所在的经纬度位置,再将经纬度位置所位于的栅格位置,作为与经纬度位置空间匹配的栅格位置,那么该栅格位置上的模式数据样本与该散点数据上的测站数据样本则是空间匹配的数据。
可以理解的是,经纬度位置所位于的栅格位置确定之后,为了确保栅格位置的准确性,是将栅格位置周围的8个栅格位置的平均值,作为经纬度位置所位于的栅格位置。
在步骤S32中,从多个测站数据样本中,将与所述模式数据样本的获取时间的时间间隔最小的测站数据样本,作为第一测站数据样本。
其中,在时间上,可以从多个测站数据样本中,确定距离模式数据样本的获取时间最近的监测时间,并将距离获取时间最近的监测时间对应的测站数据样本,作为与模式数据样本时间匹配的样本。
在步骤S33中,根据所述目标模式数据样本与所述第一测站数据样本,确定位于同一时空下的模式数据样本与测站数据样本。
其中,空间上确定了与测站数据样本匹配的多个目标模式数据样本,时间上确定了与模式数据样本匹配的多个第一测站数据样本之后,在空间上与时间上均存在的一组模式数据样本与测站数据样本,则是时空匹配的模式数据样本与测站数据样本。
可以理解的是,空气质量模型输出的栅格数据中,每个栅格对应一个区域,每个区域对应有随时间变化的多个模式数据样本;每个监测站点对应一个经纬度,每个监测站点也对应监测到随时间变化的多个测站数据样本。
其中,本公开对确定同一时间下的模式数据样本与测站数据样本,以及确定同一空间下的模式数据样本与测站数据样本的先后顺序不进行限定。
方案2包括以下步骤:
在步骤S41中,从多个所述遥感数据样本中,将与所述测站数据样本的经纬度位置匹配的遥感数据样本作为目标遥感数据样本,所述测站数据样本的经纬度位置与所述目标遥感数据样本的位置匹配包括:所述测站数据样本的经纬度位于所述目标遥感数据样本对应的栅格位置中。
其中,在空间上,遥感数据检测到的为栅格数据,监测站点输出的为散点数据,在将二者的位置进行匹配时,可以先确定监测站点输出的测站数据样本所在的经纬度位置,再将经纬度位置所位于的栅格位置,作为与经纬度位置空间匹配的栅格位置,那么该栅格位置上的遥感数据样本与该散点数据上的测站数据样本则是空间匹配的数据。
在空间上,监测站点在同一目标区域中的数量较少,卫星遥感探测到的遥感数据样本的数量多于监测站点监测到的遥感数据样本的数量,此时多个不同区域的遥感数据样本中会存在与测站数据样本空间匹配的遥感数据样本,但是多个测站数据样本中却可能不存在与遥感数据样本空间匹配的测站数据样本。此时,则可以为了确保监测站点输出的测站数据样本能够与遥感数据样本一一对应,在空间上,是从数量较多的遥感数据样本中,确定与测站数据样本空间匹配的遥感数据样本。
例如,卫星探测了A区域、B区域、C区域、D区域的遥感数据样本,监测站点监测了A区域的测站数据样本,那么B区域、C区域、D区域的遥感数据样本则不存在与之对应的测站数据样本,此时则可以从多个遥感数据样本中,确定与A区域的测站数据样本空间对应的遥感数据样本是A区域的遥感数据样本。
在步骤S42中,从多个测站数据样本中,将与所述遥感数据样本的获取时间的时间间隔最小的测站数据样本,作为第二测站数据样本。
其中,在时间上,可以从多个测站数据样本中,确定距离遥感数据样本的获取时间最近的监测时间,并将距离获取时间最近的监测时间对应的测站数据样本,作为与遥感数据样本时间匹配的样本。
在时间上,由于卫星在经过地球高空的过程中,是在移动时拍摄卫星影像,所以卫星获取遥感数据样本的获取频率小于监测站点获取测站数据样本的监测频率。例如监测站点每隔1小时得到一次测站数据样本,而卫星每隔一星期获取一次遥感数据样本,所以在一定时长内,监测站点对目标区域获取到的测站数据样本的数量,多于卫星对该目标区域获取到的遥感数据样本的数量。所以,在时间上,是从数量较多的测站数据样本中,确定与遥感数据样本时间匹配的测站数据样本。
在步骤S43中,根据所述目标遥感数据样本与所述第二测站数据样本,确定位于同一时空下的遥感数据样本与测站数据样本。
其中,空间上确定了与测站数据样本匹配的多个目标遥感数据样本,时间上确定了与遥感数据样本匹配的多个第二测站数据样本之后,在空间上与时间上均存在的一组遥感数据样本与测站数据样本,则是时空匹配的遥感数据样本与测站数据样本。
其中,本公开对确定同一时间下的遥感数据样本与测站数据样本,以及确定同一空间下的遥感数据样本与测站数据样本的先后顺序不进行限定。
通过上述技术方案,可以将同一时空下的多组模式数据样本、遥感数据样本与测站数据样本,作为多组训练数据,来分别对反演模型进行训练,得到目标反演模型,由于同一组训练数据中的训练样本来自于同一时空,所以其数据之间的关联性较高、可信度更高,自然,训练得到的目标反演模型也能够输出可信度更高的目标臭氧浓度数据。
在一种可能的实施方式中,可以通过以下方式来得到目标反演模型:将第一样本数量的同一时空下的模式数据样本、遥感数据样本与测站数据样本作为训练数据,建立反演模型;将第二样本数量的同一时空下的模式数据样本、遥感数据样本与测站数据样本作为验证数据,调整所述目标反演模型的可学习参数,得到所述目标反演模型。
其中,所述第二样本数量小于所述第一样本数量。例如,在得到多组同一时空下的数据之后,可以将多组同一时空下的数据中的80%的数据作为训练数据来对反演模型进行训练,将剩余20%的数据作为验证数据,来对反演模型进行可学习参数的调整,以得到误差较小的目标反演模型。
例如,在使用验证数据对反演模型进行验证的过程中,反演模型会输出臭氧浓度数据,验证数据中也存在监测站点真实的臭氧浓度数据,在反演模型输出的臭氧浓度数据与验证数据中真实的臭氧浓度数据之间的误差达到最小时,可以将此时的反演模型作为目标反演模型。
通过验证数据的设置,可以对反演模型进行验证,使得反演模型输出的臭氧浓度的数据的误差达到较小值,使得反演模型输出的臭氧浓度的准确性更高。
在一种可能的实施方式中,在实际预测的过程中,通常是预测某个目标区域的臭氧浓度数据,因此还就可以对获取到的散点格式的测站数据进行处理,来使得输入值目标反演模型中的数据统一为栅格数据,最终输出某个区域的臭氧浓度数据,具体包括以下步骤:
在步骤S51中,将实际获取的所述测站数据插值为栅格格式的数据,所述测站数据为散点格式。
其中,在得到目标区域中监测站点输出的测站数据之后,可以将至少一个监测站点输出的散点格式的数据插值为栅格格式的数据,即将至少一个散点数据差值为栅格数据,将数据从点变为面;并将插值后的栅格数据的分辨率处理为目标空间分辨率,以此得到目标区域的测站数据。
例如,目标区域中具有监测站点1~4,可以将每个监测站点的散点数据进行插值处理,得到整个目标区域的栅格数据,该插值技术可以采用双线性内插,并将栅格数据的分辨率处理为1km,来与模式数据和遥感数据的分辨率保持一致。
在步骤S52中,将所述栅格格式的模式数据,以及实际获取的遥感数据与测站数据输入至所述目标反演模型,得到目标区域的目标臭氧浓度数据。
其中,可以将同一时空,同一栅格格式,同一空间分辨率的模式数据、遥感数据与测站数据输入至目标反演模型中,预测得到最终的目标栅格数据,最终的目标栅格数据的每个栅格上,均表示有目标反演模型预测到的目标臭氧浓度数据。
其中,在对反演模型进行训练得到目标反演模型的过程中,可以无需将散点格式的测站数据样本处理为栅格数据,将作为散点格式的测站数据样本,以及作为栅格格式的遥感数据样本与模式数据样本输入至反演模型中,可以更有利于反演模型分析三者之间的关系,得到更加准确的目标反演模型。
其中,目标反演模型可以采用随机森林模型,由于近地面臭氧浓度和影响近地面臭氧浓度的影响因素之间非线性的关系,相较于传统的回归模型而言,随机森林模型强大的非线性拟合能力和学习能力,可以更加准确地预测出近地面臭氧浓度。
图3是根据一示例性实施例示出的一种近地面臭氧浓度反演装置的框图。参照图3,该装置300包括样本确定模块310、模型建立模块320与预测模块330。
样本确定模块310,被配置为确定同一时空下的模式数据样本、遥感数据样本与测站数据样本,所述模式数据样本为空气质量模型预测到的包含第一臭氧浓度样本的数据样本,所述遥感数据样本为卫星遥感提供的包含第二臭氧浓度样本的数据样本,所述测站数据样本为站点监测到的包含第三臭氧浓度样本的数据样本;
模型建立模块320,被配置为将所述同一时空下的模式数据样本、遥感数据样本与测站数据样本作为训练数据,建立目标反演模型;
预测模块330,被配置为将实际获取的模式数据、遥感数据以及测站数据作为所述目标反演模型的输入,得到目标臭氧浓度数据。
可选地,模型建立模块320包括:
第一模型建立子模块,被配置为将同一时空下的模式数据样本与遥感数据样本作为所述训练数据的自变量,将所述第三臭氧浓度数据样本作为所述训练数据的因变量,建立所述目标反演模型。
可选地,所述遥感数据样本包含第一污染物样本,所述测站数据样本包括气象数据样本与第二污染物样本,模型建立模块320包括:
第二模型建立子模块,被配置为将同一时空下的第一臭氧浓度样本、第一污染物样本、第二臭氧浓度样本、气象数据样本与第二污染物样本作为所述训练数据的自变量,将所述第三臭氧浓度样本作为所述训练数据的因变量,建立所述目标反演模型。
可选地,所述气象数据样本包括相对湿度、风速、温度与压强。
可选地,样本确定模块310包括:
第一样本确定子模块,被配置为从多个所述模式数据样本中,将与所述测站数据样本的经纬度位置匹配的模式数据样本作为目标模式数据样本,所述测站数据样本的经纬度位置与所述目标模式数据样本的位置匹配包括:所述测站数据样本的经纬度位于所述目标模式数据样本对应的栅格位置中;
第二样本确定子模块,被配置为从多个测站数据样本中,将与所述模式数据样本的获取时间的时间间隔最小的测站数据样本,作为第一测站数据样本;
第三样本确定子模块,被配置为根据所述目标模式数据样本与所述第一测站数据样本,确定位于同一时空下的模式数据样本与测站数据样本。
可选地,样本确定模块310包括:
第四样本确定子模块,被配置为从多个所述遥感数据样本中,将与所述测站数据样本的经纬度位置匹配的遥感数据样本作为目标遥感数据样本,所述测站数据样本的经纬度位置与所述目标遥感数据样本的位置匹配包括:所述测站数据样本的经纬度位于所述目标遥感数据样本对应的栅格位置中;
第五样本确定子模块,被配置为从多个测站数据样本中,将与所述遥感数据样本的获取时间的时间间隔最小的测站数据样本,作为第二测站数据样本;
第六样本确定子模块,被配置为根据所述目标遥感数据样本与所述第二测站数据样本,确定位于同一时空下的遥感数据样本与测站数据样本。
可选地,近地面臭氧浓度反演装置300包括:
第一预处理模块,被配置为对所述空气质量模型输出的数据进行预处理,得到空间分辨率为目标分辨率的第一栅格数据样本,所述第一栅格数据样本包含所述模式数据样本,和/或;
第二预处理模块,被配置为对所述卫星遥感提供的数据进行预处理,得到空间分辨率为所述目标分辨率的第二栅格数据样本,所述第二栅格数据样本包含所述遥感数据样本。
可选地,模型建立模块320包括:
第三模型建立子模块,被配置为将第一样本数量的同一时空下的模式数据样本、遥感数据样本与测站数据样本作为训练数据,建立反演模型;
验证子模块,被配置为将第二样本数量的同一时空下的模式数据样本、遥感数据样本与测站数据样本作为验证数据,调整所述目标反演模型的可学习参数,得到所述目标反演模型;
其中,所述第二样本数量小于所述第一样本数量。
可选地,预测模块330包括:
格式转换子模块,被配置为将实际获取的所述测站数据插值为栅格格式的数据,所述测站数据为散点格式;
预测子模块,被配置为将所述栅格格式的模式数据,以及实际获取的遥感数据与测站数据输入至所述目标反演模型,得到目标区域的目标臭氧浓度数据。
关于上述实施例中的装置,其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
本公开还提供一种计算机可读存储介质,其上存储有计算机程序指令,该程序指令被处理器执行时实现本公开提供的近地面臭氧浓度反演方法的步骤。
图4是根据一示例性实施例示出的一种用于近地面臭氧浓度反演的装置800的框图。例如,装置800可以是移动电话,计算机,数字广播终端,消息收发设备,游戏控制台,平板设备,医疗设备,健身设备,个人数字助理等。
参照图4,装置800可以包括以下一个或多个组件:处理组件802,存储器804,电源组件806,多媒体组件808,音频组件810,输入/输出接口812,传感器组件814,以及通信组件816。
处理组件802通常控制装置800的整体操作,诸如与显示,电话呼叫,数据通信,相机操作和记录操作相关联的操作。处理组件802可以包括一个或多个处理器820来执行指令,以完成上述的近地面臭氧浓度反演方法的全部或部分步骤。此外,处理组件802可以包括一个或多个模块,便于处理组件802和其他组件之间的交互。例如,处理组件802可以包括多媒体模块,以方便多媒体组件808和处理组件802之间的交互。
存储器804被配置为存储各种类型的数据以支持在装置800的操作。这些数据的示例包括用于在装置800上操作的任何应用程序或方法的指令,联系人数据,电话簿数据,消息,图片,视频等。存储器804可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器(SRAM),电可擦除可编程只读存储器(EEPROM),可擦除可编程只读存储器(EPROM),可编程只读存储器(PROM),只读存储器(ROM),磁存储器,快闪存储器,磁盘或光盘。
电源组件806为装置800的各种组件提供电力。电源组件806可以包括电源管理系统,一个或多个电源,及其他与为装置800生成、管理和分配电力相关联的组件。
多媒体组件808包括在所述装置800和用户之间的提供一个输出接口的屏幕。在一些实施例中,屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板,屏幕可以被实现为触摸屏,以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界,而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中,多媒体组件808包括一个前置摄像头和/或后置摄像头。当装置800处于操作模式,如拍摄模式或视频模式时,前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。
音频组件810被配置为输出和/或输入音频信号。例如,音频组件810包括一个麦克风(MIC),当装置800处于操作模式,如呼叫模式、记录模式和语音识别模式时,麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器804或经由通信组件816发送。在一些实施例中,音频组件810还包括一个扬声器,用于输出音频信号。
输入/输出接口812为处理组件802和外围接口模块之间提供接口,上述外围接口模块可以是键盘,点击轮,按钮等。这些按钮可包括但不限于:主页按钮、音量按钮、启动按钮和锁定按钮。
传感器组件814包括一个或多个传感器,用于为装置800提供各个方面的状态评估。例如,传感器组件814可以检测到装置800的打开/关闭状态,组件的相对定位,例如所述组件为装置800的显示器和小键盘,传感器组件814还可以检测装置800或装置800一个组件的位置改变,用户与装置800接触的存在或不存在,装置800方位或加速/减速和装置800的温度变化。传感器组件814可以包括接近传感器,被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件814还可以包括光传感器,如CMOS或CCD图像传感器,用于在成像应用中使用。在一些实施例中,该传感器组件814还可以包括加速度传感器,陀螺仪传感器,磁传感器,压力传感器或温度传感器。
通信组件816被配置为便于装置800和其他设备之间有线或无线方式的通信。装置800可以接入基于通信标准的无线网络,如WiFi,2G或3G,或它们的组合。在一个示例性实施例中,通信组件816经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中,所述通信组件816还包括近场通信(NFC)模块,以促进短程通信。例如,在NFC模块可基于射频识别(RFID)技术,红外数据协会(IrDA)技术,超宽带(UWB)技术,蓝牙(BT)技术和其他技术来实现。
在示例性实施例中,装置800可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现,用于执行上述近地面臭氧浓度反演方法。
在示例性实施例中,还提供了一种包括指令的非临时性计算机可读存储介质,例如包括指令的存储器804,上述指令可由装置800的处理器820执行以完成上述近地面臭氧浓度反演方法。例如,所述非临时性计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
上述装置除了可以是独立的电子设备外,也可是独立电子设备的一部分,例如在一种实施例中,该装置可以是集成电路(Integrated Circuit,IC)或芯片,其中该集成电路可以是一个IC,也可以是多个IC的集合;该芯片可以包括但不限于以下种类:GPU(GraphicsProcessing Unit,图形处理器)、CPU(Central Processing Unit,中央处理器)、FPGA(Field Programmable Gate Array,可编程逻辑阵列)、DSP(Digital Signal Processor,数字信号处理器)、ASIC(Application Specific Integrated Circuit,专用集成电路)、SOC(System on Chip,SoC,片上系统或系统级芯片)等。上述的集成电路或芯片中可以用于执行可执行指令(或代码),以实现上述的近地面臭氧浓度反演方法。其中该可执行指令可以存储在该集成电路或芯片中,也可以从其他的装置或设备获取,例如该集成电路或芯片中包括处理器、存储器,以及用于与其他的装置通信的接口。该可执行指令可以存储于该存储器中,当该可执行指令被处理器执行时实现上述的近地面臭氧浓度反演方法;或者,该集成电路或芯片可以通过该接口接收可执行指令并传输给该处理器执行,以实现上述的近地面臭氧浓度反演方法。
在另一示例性实施例中,还提供一种计算机程序产品,该计算机程序产品包含能够由可编程的装置执行的计算机程序,该计算机程序具有当由该可编程的装置执行时用于执行上述的近地面臭氧浓度反演方法的代码部分。
图5是根据一示例性实施例示出的一种用于近地面臭氧浓度反演的装置1900的框图。例如,装置1900可以被提供为一服务器。参照图5,装置1900包括处理组件1922,其进一步包括一个或多个处理器,以及由存储器1932所代表的存储器资源,用于存储可由处理组件1922的执行的指令,例如应用程序。存储器1932中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外,处理组件1922被配置为执行指令,以执行上述近地面臭氧浓度反演方法。
装置1900还可以包括一个电源组件1926被配置为执行装置1900的电源管理,一个有线或无线网络接口1950被配置为将装置1900连接到网络,和一个输入/输出接口1958。装置1900可以操作基于存储在存储器1932的操作系统。
本领域技术人员在考虑说明书及实践本公开后,将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本公开的真正范围和精神由下面的权利要求指出。
应当理解的是,本公开并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。
Claims (12)
1.一种近地面臭氧浓度反演方法,其特征在于,包括:
确定同一时空下的模式数据样本、遥感数据样本与测站数据样本,所述模式数据样本为空气质量模型预测到的包含第一臭氧浓度样本的数据样本,所述遥感数据样本为卫星遥感提供的包含第二臭氧浓度样本的数据样本,所述测站数据样本为站点监测到的包含第三臭氧浓度样本的数据样本;
将所述同一时空下的模式数据样本、遥感数据样本与测站数据样本作为训练数据,建立目标反演模型;
将实际获取的模式数据、遥感数据以及测站数据作为所述目标反演模型的输入,得到目标臭氧浓度数据。
2.根据权利要求1所述的方法,其特征在于,所述将所述同一时空下的模式数据样本、遥感数据样本与测站数据样本作为训练数据,建立目标反演模型,包括:
将同一时空下的模式数据样本与遥感数据样本作为所述训练数据的自变量,将所述第三臭氧浓度数据样本作为所述训练数据的因变量,建立所述目标反演模型。
3.根据权利要求1所述的方法,其特征在于,所述遥感数据样本包含第一污染物样本,所述测站数据样本包括气象数据样本与第二污染物样本,所述将所述同一时空下的模式数据样本、遥感数据样本与测站数据样本作为训练数据,建立目标反演模型,包括:
将同一时空下的第一臭氧浓度样本、第一污染物样本、第二臭氧浓度样本、气象数据样本与第二污染物样本作为所述训练数据的自变量,将所述第三臭氧浓度样本作为所述训练数据的因变量,建立所述目标反演模型。
4.根据权利要求3所述的方法,其特征在于,所述气象数据样本包括相对湿度、风速、温度与压强。
5.根据权利要求1所述的方法,其特征在于,所述确定同一时空下的模式数据样本与测站数据样本,包括:
从多个所述模式数据样本中,将与所述测站数据样本的经纬度位置匹配的模式数据样本作为目标模式数据样本,所述测站数据样本的经纬度位置与所述目标模式数据样本的位置匹配包括:所述测站数据样本的经纬度位于所述目标模式数据样本对应的栅格位置中;
从多个测站数据样本中,将与所述模式数据样本的获取时间的时间间隔最小的测站数据样本,作为第一测站数据样本;
根据所述目标模式数据样本与所述第一测站数据样本,确定位于同一时空下的模式数据样本与测站数据样本。
6.根据权利要求1所述的方法,其特征在于,所述确定同一时空下的遥感数据样本与测站数据样本,包括:
从多个所述遥感数据样本中,将与所述测站数据样本的经纬度位置匹配的遥感数据样本作为目标遥感数据样本,所述测站数据样本的经纬度位置与所述目标遥感数据样本的位置匹配包括:所述测站数据样本的经纬度位于所述目标遥感数据样本对应的栅格位置中;
从多个测站数据样本中,将与所述遥感数据样本的获取时间的时间间隔最小的测站数据样本,作为第二测站数据样本;
根据所述目标遥感数据样本与所述第二测站数据样本,确定位于同一时空下的遥感数据样本与测站数据样本。
7.根据权利要求1所述的方法,其特征在于,在所述确定同一时空下的模式数据样本、遥感数据样本与测站数据样本之前,所述方法还包括:
对所述空气质量模型输出的数据进行预处理,得到空间分辨率为目标分辨率的第一栅格数据样本,所述第一栅格数据样本包含所述模式数据样本,和/或;
对所述卫星遥感提供的数据进行预处理,得到空间分辨率为所述目标分辨率的第二栅格数据样本,所述第二栅格数据样本包含所述遥感数据样本。
8.根据权利要求1所述的方法,其特征在于,所述将所述同一时空下的模式数据样本、遥感数据样本与测站数据样本作为训练数据,建立目标反演模型,包括:
将第一样本数量的同一时空下的模式数据样本、遥感数据样本与测站数据样本作为训练数据,建立反演模型;
将第二样本数量的同一时空下的模式数据样本、遥感数据样本与测站数据样本作为验证数据,调整所述目标反演模型的可学习参数,得到所述目标反演模型;
其中,所述第二样本数量小于所述第一样本数量。
9.根据权利要求1所述的方法,其特征在于,所述将实际获取的模式数据、遥感数据以及测站数据作为所述目标反演模型的输入,得到目标臭氧浓度数据,包括:
将实际获取的所述测站数据插值为栅格格式的数据,所述测站数据为散点格式;
将所述栅格格式的模式数据,以及实际获取的遥感数据与测站数据输入至所述目标反演模型,得到目标区域的目标臭氧浓度数据。
10.一种近地面臭氧浓度反演装置,其特征在于,包括:
样本确定模块,被配置为确定同一时空下的模式数据样本、遥感数据样本与测站数据样本,所述模式数据样本为空气质量模型预测到的包含第一臭氧浓度样本的数据样本,所述遥感数据样本为卫星遥感提供的包含第二臭氧浓度样本的数据样本,所述测站数据样本为站点监测到的包含第三臭氧浓度样本的数据样本;
模型建立模块,被配置为将所述同一时空下的模式数据样本、遥感数据样本与测站数据样本作为训练数据,建立目标反演模型;
预测模块,被配置为将实际获取的模式数据、遥感数据以及测站数据作为所述目标反演模型的输入,得到目标臭氧浓度数据。
11.一种计算机可读存储介质,其上存储有计算机程序指令,其特征在于,该程序指令被处理器执行时实现权利要求1~9中任一项所述方法的步骤。
12.一种芯片,其特征在于,包括处理器和接口;所述处理器用于读取指令以执行权利要求1~9中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310134414.2A CN116306251A (zh) | 2023-02-09 | 2023-02-09 | 近地面臭氧浓度反演方法、装置、存储介质与芯片 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310134414.2A CN116306251A (zh) | 2023-02-09 | 2023-02-09 | 近地面臭氧浓度反演方法、装置、存储介质与芯片 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116306251A true CN116306251A (zh) | 2023-06-23 |
Family
ID=86791586
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310134414.2A Pending CN116306251A (zh) | 2023-02-09 | 2023-02-09 | 近地面臭氧浓度反演方法、装置、存储介质与芯片 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116306251A (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110567510A (zh) * | 2019-07-23 | 2019-12-13 | 北京英视睿达科技有限公司 | 大气污染监测方法、系统、计算机设备和存储介质 |
CN112052627A (zh) * | 2020-08-21 | 2020-12-08 | 海南星瞰信息咨询中心(有限合伙) | 近地面臭氧空间分布的估算方法、装置、介质及设备 |
CN112163375A (zh) * | 2020-09-28 | 2021-01-01 | 中国科学院空天信息创新研究院 | 一种基于神经网络的长时间序列近地面臭氧反演方法 |
CN114898820A (zh) * | 2022-04-12 | 2022-08-12 | 江苏蓝创智能科技股份有限公司 | 基于多模式空气质量模型用于臭氧与颗粒物预测预警的方法 |
-
2023
- 2023-02-09 CN CN202310134414.2A patent/CN116306251A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110567510A (zh) * | 2019-07-23 | 2019-12-13 | 北京英视睿达科技有限公司 | 大气污染监测方法、系统、计算机设备和存储介质 |
CN112052627A (zh) * | 2020-08-21 | 2020-12-08 | 海南星瞰信息咨询中心(有限合伙) | 近地面臭氧空间分布的估算方法、装置、介质及设备 |
CN112163375A (zh) * | 2020-09-28 | 2021-01-01 | 中国科学院空天信息创新研究院 | 一种基于神经网络的长时间序列近地面臭氧反演方法 |
CN114898820A (zh) * | 2022-04-12 | 2022-08-12 | 江苏蓝创智能科技股份有限公司 | 基于多模式空气质量模型用于臭氧与颗粒物预测预警的方法 |
Non-Patent Citations (5)
Title |
---|
丁愫;陈报章;王瑾;陈龙;张晨雷;孙少波;黄丛吾;: "基于决策树的统计预报模型在臭氧浓度时空分布预测中的应用研究", 环境科学学报, no. 08 * |
刘小正;楼晟荣;陈勇航;刘琼;王军;单源源;黄晟杰;杜豪杰;: "基于OMI数据的中国中东部城市近地面臭氧时空分布特征研究", 环境科学学报, no. 08 * |
沈劲;王雪松;李金凤;李云鹏;张远航;: "Models-3/CMAQ和CAMx对珠江三角洲臭氧污染模拟的比较分析", 中国科学:化学, no. 11 * |
王占山;李晓倩;王宗爽;武雪芳;车飞;聂鹏;: "空气质量模型CMAQ的国内外研究现状", 环境科学与技术, no. 1 * |
薛文博 等: "国内外空气质量模型研究进展", 中国环境政策 第10卷, pages 556 - 559 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110567510B (zh) | 大气污染监测方法、系统、计算机设备和存储介质 | |
US11048983B2 (en) | Method, terminal, and computer storage medium for image classification | |
US20210110522A1 (en) | Image processing method and apparatus, and storage medium | |
CN111983635B (zh) | 位姿确定方法及装置、电子设备和存储介质 | |
CN110514626A (zh) | 大气污染监测系统的数据校准方法和大气污染监测系统 | |
CN113066086B (zh) | 道路病害检测方法及装置、电子设备和存储介质 | |
Song et al. | ResNet-LSTM for Real-Time PM 2.5 and PM₁₀ Estimation Using Sequential Smartphone Images | |
CN108896725B (zh) | 水质监测方法、装置、系统、计算机设备及存储介质 | |
CN108169775A (zh) | 基于定位模块的控制方法、装置、存储介质及移动终端 | |
US20230384576A1 (en) | Virtual Slide Stage (VSS) Method For Viewing Whole Slide Images | |
CN106295861A (zh) | 天气预报信息的获取方法、装置和设备 | |
CN110472162A (zh) | 评估方法、系统、终端及可读存储介质 | |
Hui et al. | Mobile augmented reality of tourism-Yilan hot spring | |
CN113420595A (zh) | 数据处理方法、装置、电子设备及存储介质 | |
CN111209354A (zh) | 一种地图兴趣点判重的方法、装置及电子设备 | |
KR20210133945A (ko) | 컨텐츠 추천 시스템 및 이를 이용한 컨텐츠 추천 방법 | |
CN116087421A (zh) | 大气污染物监测溯源方法、装置、计算机设备和存储介质 | |
KR20150144380A (ko) | 가상센서와 관측센서를 통합한 대기질 정보 서비스 시스템 및 방법 | |
CN116306251A (zh) | 近地面臭氧浓度反演方法、装置、存储介质与芯片 | |
US20180014158A1 (en) | Mobile Device Recommendation System and Method | |
Bogdos et al. | Crowd-sourced wildfire spread prediction with remote georeferencing using smartphones | |
CN109522609B (zh) | 一种基于膨胀因子的减小核事故剂量率场评估误差的方法 | |
CN113077370A (zh) | 地理瓦片的城市功能属性识别方法、设备、介质以及产品 | |
CN109815744A (zh) | 网页篡改的检测方法、装置及存储介质 | |
KR20210119184A (ko) | 감성 인식 음악 추천 시스템 및 이를 이용한 음악 추천 방법 |
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 |