CN116504330B - 污染物浓度反演方法、装置、电子设备及可读存储介质 - Google Patents
污染物浓度反演方法、装置、电子设备及可读存储介质 Download PDFInfo
- Publication number
- CN116504330B CN116504330B CN202310770616.6A CN202310770616A CN116504330B CN 116504330 B CN116504330 B CN 116504330B CN 202310770616 A CN202310770616 A CN 202310770616A CN 116504330 B CN116504330 B CN 116504330B
- Authority
- CN
- China
- Prior art keywords
- data
- concentration inversion
- concentration
- model
- 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
Links
- 239000003344 environmental pollutant Substances 0.000 title claims abstract description 82
- 231100000719 pollutant Toxicity 0.000 title claims abstract description 82
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000012549 training Methods 0.000 claims abstract description 24
- 239000011159 matrix material Substances 0.000 claims description 73
- 230000005855 radiation Effects 0.000 claims description 29
- 239000000356 contaminant Substances 0.000 claims description 25
- 238000012417 linear regression Methods 0.000 claims description 19
- 238000012545 processing Methods 0.000 claims description 18
- 230000009467 reduction Effects 0.000 claims description 18
- 238000013528 artificial neural network Methods 0.000 claims description 12
- 230000004927 fusion Effects 0.000 claims description 10
- 238000012706 support-vector machine Methods 0.000 claims description 7
- CBENFWSGALASAD-UHFFFAOYSA-N Ozone Chemical compound [O-][O+]=O CBENFWSGALASAD-UHFFFAOYSA-N 0.000 description 46
- 238000012544 monitoring process Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- 230000008901 benefit Effects 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 6
- 239000007789 gas Substances 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000010521 absorption reaction Methods 0.000 description 4
- 230000004913 activation Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 238000013136 deep learning model Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000004590 computer program Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 238000001658 differential optical absorption spectrophotometry Methods 0.000 description 3
- 230000003595 spectral effect Effects 0.000 description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000012800 visualization Methods 0.000 description 2
- 238000012952 Resampling Methods 0.000 description 1
- 238000004847 absorption spectroscopy Methods 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 230000008033 biological extinction Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 239000005436 troposphere Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/30—Prediction of properties of chemical compounds, compositions or mixtures
-
- 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
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- 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)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Tourism & Hospitality (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Crystallography & Structural Chemistry (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Chemical & Material Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Image Processing (AREA)
- Semiconductor Memories (AREA)
- Image Generation (AREA)
- Nuclear Medicine (AREA)
Abstract
本发明提供了一种污染物浓度反演方法、装置、电子设备及可读存储介质，包括：获取待研究区域对应的第一数据集合；根据第一时空数据中的土地覆盖类型，从预先训练得到的浓度反演模型簇中，确定每个待研究区域中每个像元点分别对应的目标浓度反演模型；其中，浓度反演模型簇中包括多种土地覆盖类型对应的浓度反演模型；通过每个目标浓度反演模型，基于第一数据集合对待研究区域进行污染物浓度反演，得到待研究区域对应的目标浓度反演结果。本发明可以显著降低污染物浓度反演的复杂程度，还可以有效提高污染物浓度的反演效率，还可以显著提高污染物浓度的反演精度。
Description
技术领域
本发明涉及污染物反演技术领域，尤其是涉及一种污染物浓度反演方法、装置、电子设备及可读存储介质。
背景技术
臭氧是对生态、气候和环境有重要影响的大气痕量气体之一，大气中臭氧具有活跃的化学反应特性和较强的辐射特性，可直接影响全球气候变化和人类生活环境。现有的高光谱载荷臭氧浓度反演算法大多基于国外卫星数据，如TOMS（Total Ozone MappingSpectrometer，臭氧总量测绘光谱仪）、DOAS（Differential Optical AbsorptionSpectroscopy，差分吸收光谱技术）等，且存在计算过程复杂、大数据量计算时效率低等问题。
发明内容
有鉴于此，本发明的目的在于提供一种污染物浓度反演方法、装置、电子设备及可读存储介质，可以显著降低污染物浓度反演的复杂程度，还可以有效提高污染物浓度的反演效率，还可以显著提高污染物浓度的反演精度。
第一方面，本发明实施例提供了一种污染物浓度反演方法，包括：
获取待研究区域对应的第一数据集合；其中，所述第一数据集合包括第一遥感影像数据、第一地面观测数据和第一时空数据；
根据所述第一时空数据中的土地覆盖类型，从预先训练得到的浓度反演模型簇中，确定每个所述待研究区域中每个像元点分别对应的目标浓度反演模型；其中，所述浓度反演模型簇中包括多种土地覆盖类型对应的浓度反演模型；
通过每个所述目标浓度反演模型，基于所述第一数据集合对所述待研究区域进行污染物浓度反演，得到所述待研究区域对应的目标浓度反演结果。
在一种实施方式中，所述目标浓度反演模型包括第一阶段组合子模型和第二阶段组合子模型；
通过每个所述目标浓度反演模型，基于所述第一数据集合对所述待研究区域进行污染物浓度反演，得到所述待研究区域对应的目标浓度反演结果，包括：
通过所述第一阶段组合子模型，基于所述第一遥感影像数据、所述第一地面观测数据和所述第一时空数据，确定所述像元点对应的至少一个初始浓度反演结果；其中，所述第一阶段组合子模型包括至少一个反演单元，每个所述反演单元均用于确定所述像元点对应的一个初始浓度反演结果；
通过所述第二阶段组合子模型，基于所述第一遥感影像数据、所述第一地面观测数据、所述第一时空数据和每个所述初始浓度反演结果，确定所述像元点对应的目标浓度反演结果；
基于每个所述像元点对应的所述目标浓度反演结果，得到所述待研究区域对应的所述目标浓度反演结果。
在一种实施方式中，所述第二阶段组合子模型包括线性回归网络、前馈神经网络和融合网络，所述第一时空数据还包括生态地理类型数据和地貌类型数据；
通过所述第二阶段组合子模型，基于所述第一遥感影像数据、所述第一地面观测数据、所述第一时空数据和每个所述初始浓度反演结果，确定所述像元点对应的目标浓度反演结果，包括：
通过所述线性回归网络，对所述生态地理类型数据和所述地貌类型数据进行独热编码处理得到稀疏矩阵，并根据所述第一遥感影像数据、所述第一地面观测数据、所述稀疏矩阵和每个所述初始浓度反演结果，确定所述像元点对应的第一浓度反演结果；
以及，通过所述前馈神经网络，对所述生态地理类型数据和所述地貌类型数据进行降维处理得到密集矩阵，并根据所述第一遥感影像数据、所述第一地面观测数据、所述密集矩阵和每个所述初始浓度反演结果，确定所述像元点对应的第二浓度反演结果；
通过所述融合网络，对所述第一浓度反演结果和所述第二浓度反演结果进行加权处理，得到所述像元点对应的目标浓度反演结果。
在一种实施方式中，所述反演单元为XGBoost单元、岭回归单元和支持向量机单元中的一种或多种。
在一种实施方式中，所述浓度反演模型簇的训练步骤，包括：
获取第二数据集合；其中，所述第二数据集合包括第二遥感影像数据、第二地面观测数据、第二时空数据和地面观测站污染物数据；
基于所述第二时空数据中的土地覆盖类型，将所述第二数据集合划分为多个子数据集；
对于每个所述子数据集，通过初始浓度反演模型，基于该子数据集中的所述第二遥感影像数据、所述第二地面观测数据和所述第二时空数据确定预测浓度反演结果；
基于该子数据集中的所述地面观测站污染物数据和所述预测浓度反演结果，对所述初始浓度反演模型进行训练，得到该子数据集对应的目标浓度反演模型；
将每个所述子数据集对应的所述目标浓度反演模型组合为浓度反演模型簇。
在一种实施方式中，通过基于所述第一数据集合对所述待研究区域进行污染物浓度反演，得到所述待研究区域对应的目标浓度反演结果，还包括：
对所述第一遥感影像数据进行辐射定标得到定标后辐射亮度矩阵；
对所述定标后辐射亮度矩阵进行零均值化处理得到均值化辐射亮度矩阵；
基于所述定标后辐射亮度矩阵和所述均值化辐射亮度矩阵确定协方差矩阵，并基于所述协方差矩阵的特征值和特征向量进行数据降维处理，得到降维后数据；
通过每个所述目标浓度反演模型，基于所述降维后数据、所述第一地面观测数据和所述第一时空数据，对所述待研究区域进行污染物浓度反演，得到所述待研究区域对应的目标浓度反演结果。
在一种实施方式中，在基于所述第一数据集合对所述待研究区域进行污染物浓度反演，得到所述待研究区域对应的目标浓度反演结果之后，所述方法还包括：
将所述待研究区域对应的目标网格格网数据与所述目标浓度反演结果叠加，以确定每个网格对应的污染物浓度值，或者确定每个所述网格对应的污染物浓度均值；
将所述污染物浓度值或所述污染物浓度均值发送至指定关联终端，以通过所述指定关联终端的图形用户界面对所述污染物浓度值或所述污染物浓度均值进行可视化显示。
第二方面，本发明实施例还提供一种污染物浓度反演装置，包括：
数据获取模块，用于获取待研究区域对应的第一数据集合；其中，所述第一数据集合包括第一遥感影像数据、第一地面观测数据和第一时空数据；
模型确定模块，用于根据所述第一时空数据中的土地覆盖类型，从预先训练得到的浓度反演模型簇中，确定每个所述待研究区域中每个像元点分别对应的目标浓度反演模型；其中，所述浓度反演模型簇中包括多种土地覆盖类型对应的浓度反演模型；
浓度反演模块，用于通过每个所述目标浓度反演模型，基于所述第一数据集合对所述待研究区域进行污染物浓度反演，得到所述待研究区域对应的目标浓度反演结果。
第三方面，本发明实施例还提供一种电子设备，包括处理器和存储器，所述存储器存储有能够被所述处理器执行的计算机可执行指令，所述处理器执行所述计算机可执行指令以实现第一方面提供的任一项所述的方法。
第四方面，本发明实施例还提供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可执行指令，所述计算机可执行指令在被处理器调用和执行时，计算机可执行指令促使处理器实现第一方面提供的任一项所述的方法。
本发明实施例提供的一种污染物浓度反演方法、装置、电子设备及可读存储介质，首先获取待研究区域对应的第一数据集合，该第一数据集合包括第一遥感影像数据、第一地面观测数据和第一时空数据，再根据第一时空数据中的土地覆盖类型，从预先训练得到的浓度反演模型簇中，确定每个待研究区域中每个像元点分别对应的目标浓度反演模型（包括多种土地覆盖类型对应的浓度反演模型），最后即可通过每个目标浓度反演模型，基于第一数据集合对待研究区域进行污染物浓度反演，得到待研究区域对应的目标浓度反演结果。上述方法针对第一遥感影像数据，结合第一地面观测数据和第一时空数据，同时基于不同第一时空数据中的土地覆盖类型，利用浓度反演模型簇中相应的目标浓度反演模型对待研究区域中的污染物浓度进行反演，克服了传统模型对理想下垫面的假设而带来的反演误差，从而可以显著降低污染物浓度反演的复杂程度，还可以有效提高污染物浓度的反演效率，还可以显著提高污染物浓度的反演精度。
本发明的其他特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
为了更清楚地说明本发明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发明的一些实施方式，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为本发明实施例提供的一种污染物浓度反演方法的流程示意图；
图2为本发明实施例提供的一种目标反演模型的结构示意图；
图3为本发明实施例提供的一种观测覆盖范围示意图；
图4为本发明实施例提供的一种臭氧观测效果示意图；
图5为本发明实施例提供的一种污染物浓度反演装置的结构示意图；
图6为本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合实施例对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
臭氧是对生态、气候和环境有重要影响的大气痕量气体之一，大气中臭氧具有活跃的化学反应特性和较强的辐射特性，可直接影响全球气候变化和人类生活环境。1985年，FARMAN等首次发现了南极臭氧洞，之后在中国青藏高原以及世界其他高原地区又相继发现了很多微型的臭氧低值区。研究臭氧洞的成因和臭氧变化的机理需要高时空分辨率的臭氧监测资料。与地基臭氧观测仪器相比，卫星臭氧探测仪在时空方面具有明显优势，卫星臭氧探测成为监测全球臭氧变化的重要手段。
世界上已有氧监测仪器（GOME）、大气扫描成像吸收光谱仪（SCIAMACHY）、臭氧监测仪器（OMI）、第2代全球臭氧监测仪器（GNOME-2）、臭氧成像廓线仪器（OMPS）、对流层监测仪器）等一系列高光谱紫外臭氧探测仪用于全球臭氧变化卫星探测。
2021年9月7日11时01分，高分五号02星在太原卫星发射中心成功发射。高分五号02星又称高光谱观测卫星，是《民用空间基础设施中长期发展规划（2015—2025年）》中的一颗业务星，为大气环境、水环境、生态环境监测等环境保护主体业务提供国产高光谱数据，并服务于国土资源、防灾减灾、农业、林业、气象等行业应用。痕量气体差分吸收光谱仪（EMI）入轨后成为唯一可用的高光谱污染气体监测载荷，EMI具备0.5nm的紫外高光谱探测手段，可单日覆盖全球污染气体监测。
现有的高光谱载荷臭氧浓度反演算法大多基于国外卫星数据，如TOMS、DOAS等，且存在计算过程复杂、大数据量计算时效率低等问题。
基于此，本发明实施提供了一种污染物浓度反演方法、装置、电子设备及可读存储介质，可以显著降低污染物浓度反演的复杂程度，还可以有效提高污染物浓度的反演效率，还可以显著提高污染物浓度的反演精度。
为便于对本实施例进行理解，首先对本发明实施例所公开的一种污染物浓度反演方法进行详细介绍，污染物可以包括O3、PM2.5、PM10、SO2、CO、NO2等，优选的，本发明实施例可用于对臭氧的浓度进行反演，参见图1所示的一种污染物浓度反演方法的流程示意图，该方法主要包括以下步骤S102至步骤S106：
步骤S102，获取待研究区域对应的第一数据集合；其中，第一数据集合包括第一遥感影像数据、第一地面观测数据和第一时空数据，第一数据集合也即模型应用阶段所使用的数据集合。
在一例中，第一遥感影像数据选取GF5B/EMI（UV2波段）数据作为原始观测数据，UV2波段数据光谱波长范围为302~403nm，因小于350nm主要为O3吸收带，选取350~403nm波长范围数据进行算法反演；另外参与反演的数据还包括相对方位角（太阳方位角减去卫星方位角的绝对值）、太阳天顶角、卫星天顶角和经纬度数据。在一例中，第一地面观测数据包括压力、湿度、温度、风速、边界层高度。在一例中，第一时空数据可以包括生态地理类型、地貌类型，还可以包括土地覆盖数据。
步骤S104，根据第一时空数据中的土地覆盖类型，从预先训练得到的浓度反演模型簇中，确定每个待研究区域中每个像元点分别对应的目标浓度反演模型。其中，浓度反演模型簇中包括多种土地覆盖类型对应的浓度反演模型。可选的，土地覆盖类型按水体、建筑、荒漠、林地、草原、农田、其他分类。
在一种实施方式中，可以根据第一时空数据中的土地覆盖数据确定每个像元点的土地覆盖类型，进而根据土地覆盖类型，从浓度反演模型簇中选择该像元点对应的目标浓度反演模型。
步骤S106，通过每个目标浓度反演模型，基于第一数据集合对待研究区域进行污染物浓度反演，得到待研究区域对应的目标浓度反演结果。其中，目标浓度反演结果可以为污染物浓度值。在一种实施方式中，对于每个像元点，可以根据该像元点对应的目标浓度反演模型，基于该像元点对应的第一遥感影像数据、第一地面观测数据和第一时空数据，反演该像元点的初始浓度反演结果，再基于该像元点对应的第一遥感影像数据、第一地面观测数据、第一时空数据和初始浓度反演结果，反演该像元点的目标浓度反演结果。在确定每个像元点的目标浓度反演结果之后，即可得到待研究区域对应的目标浓度反演结果。
本发明实施例提供的污染物浓度反演方法，针对第一遥感影像数据，结合第一地面观测数据和第一时空数据，同时基于不同第一时空数据中的土地覆盖类型，利用浓度反演模型簇中相应的目标浓度反演模型对待研究区域中的污染物浓度进行反演，克服了传统模型对理想下垫面的假设而带来的反演误差，从而可以显著降低污染物浓度反演的复杂程度，还可以有效提高污染物浓度的反演效率，还可以显著提高污染物浓度的反演精度。
为便于理解，本发明实施例提供了一种污染物浓度反演方法的具体实施方式。
在获取第一数据集合之后，可以对第一数据集合中的第一遥感影像数据进行数据降维处理，以便于后续通过每个目标浓度反演模型，基于降维后数据、第一地面观测数据和第一时空数据，对待研究区域进行污染物浓度反演，得到待研究区域对应的目标浓度反演结果。本发明实施例提供了一种数据降维处理的具体实施方式，参见如下步骤a至步骤c：
步骤a，对第一遥感影像数据进行辐射定标得到定标后辐射亮度矩阵。在一种实施方式中，选取后的第一遥感影像数据（350~403nm）为像元亮度值，对第一遥感影像数据进行辐射定标，使用的定标公式为：
；
其中，DN为第一遥感影像数据的像元亮度值，RadCaliCoeff为辐射定标系数，Radiance为定标后辐射亮度。
定标后的辐射亮度数据仍具有572个光谱通道，数据维度较高，代入深度学习模型，计算量过大，且相邻波段间数据冗余度较高。本发明实施例以10个GF5B/EMI数据为例，假设10个样例数据共计个数据点，各维度分别代表样本数量、纬度、经度及选取后的光谱通道。因主要对光谱通道进行降维处理，故数据量表示为个数据点。
将数据按列组成n行m列矩阵X，矩阵X也即定标后辐射亮度矩阵，其中n代表数据维度，即572，m代表样本数，即1176470。
。
步骤b，对定标后辐射亮度矩阵进行零均值化处理得到均值化辐射亮度矩阵。在一种实施方式中，将定标后辐射亮度矩阵X的每一行进行零均值化，即减去这一行的均值，即可得到均值化辐射亮度矩阵：
。
步骤c，基于定标后辐射亮度矩阵和均值化辐射亮度矩阵确定协方差矩阵，并基于协方差矩阵的特征值和特征向量进行数据降维处理，得到降维后数据。在一种实施方式中，参见如下步骤c1至步骤c4：
步骤c1，可以按照如下公式计算协方差矩阵C：
。
C是一个对称矩阵，其对角线分别对应各个变量的方差，而第i行j列和j行i列元素相同，表示i和j两个变量的协方差。
步骤c2，确定协方差矩阵C的特征值及对应的特征向量。协方差矩阵 C 是一个是对称矩阵，在线性代数中实对称矩阵有一系列非常好的性质：（1）实对称矩阵不同特征值对应的特征向量必然正交；（2）设特征向量λ重数为r，则必然存在r个线性无关的特征向量对应于λ，因此可以将这r个特征向量单位正交化。
由上面两条可知，一个n行n列的实对称矩阵一定可以找到n个单位正交特征向量，设这n个特征向量为e1，e2，...，en，将其按列组成矩阵：E=（e1，e2，...，en）。则对协方差矩阵C有如下结论：
；
其中Λ为对角矩阵，其对角元素为各特征向量对应的特征值（可能有重复）。
步骤c3，将ET记为矩阵P，即P=ET，P是协方差矩阵的特征向量单位化后按行排列出的矩阵，其中每一行都是C的一个特征向量。特征向量按对应特征值大小从上到下按行排列成矩阵，取前k行组成矩阵Pk。
步骤c4，Y=PkX即为降维到k维后的数据（也即，降维后数据）。示例性的，在本发明实施例中k设为3，故降维后的数据量变为。
在前述实施例的基础上，本发明实施例提供了一种目标浓度反演模型，本发明实施例提供的目标浓度反演模型采用组合深度学习模型，对降维后的数据进行模型训练，模型分为两大部分：（1）通过第一阶段组合子模型对污染物进行初始估值（也即，初始浓度反演结果），此部分模型由基于随机森林（RF）的XGBoost、岭回归和支持向量机三个深度学习模型组成；（2）通过第二阶段组合子模型对初始估值开展进一步反演，得到更加精确的反演结果，此部分模型联合包括线性回归模型和前馈神经网络模型（Feedforward NeuralNetwork，FNN）。
具体的，参见图2所示的一种目标反演模型的结构示意图，图2示意出目标浓度反演模型包括第一阶段组合子模型和第二阶段组合子模型，其中，第一阶段组合子模型包括至少一个反演单元，每个反演单元均用于确定像元点对应的一个初始浓度反演结果，反演单元为XGBoost单元、岭回归单元和支持向量机单元中的一种或多种。
请继续参见图2，图2示意出第二阶段组合子模型包括线性回归网络、前馈神经网络和融合网络，线性回归网络包括独热编码层和线性回归层，线性回归网络包括嵌入层和多个隐藏层，每个隐藏层均包括一个全连接层（FC）、指数线性单元激活函数（eLU）、批量归一化（BN）和dropout层。
在此基础上，本发明实施例提供了一种通过每个目标浓度反演模型，基于第一数据集合对待研究区域进行污染物浓度反演，得到待研究区域对应的目标浓度反演结果的实施方式，参见如下步骤1至步骤3：
步骤1，通过第一阶段组合子模型，基于第一遥感影像数据、第一地面观测数据和第一时空数据，确定像元点对应的至少一个初始浓度反演结果。在一种实施方式中，第一阶段组合子模型包括岭回归单元、支持向量机单元和XGBoost单元等三个单元，三个单元分别进行训练和反演，三个单元输出的初始浓度反演结果作为第二阶段组合子模型的输入数据。
示例性的，假设污染物为臭氧O3，则通过岭回归单元输出一个O3初始浓度反演结果，以及通过支持向量机单元输出一个O3初始浓度反演结果，通过XGBoost单元输出一个O3初始浓度反演结果，共三个O3初始浓度反演结果。
步骤2，通过第二阶段组合子模型，基于第一遥感影像数据、第一地面观测数据、第一时空数据和每个初始浓度反演结果，确定像元点对应的目标浓度反演结果。其中，第二阶段组合子模型包括广度和深度两部分，以此来提取时空特点。在一种实施方式中，可以参见如下步骤2.1至步骤2.3：
步骤2.1，通过线性回归网络，对生态地理类型数据和地貌类型数据进行独热编码处理得到稀疏矩阵，并根据第一遥感影像数据、第一地面观测数据、稀疏矩阵和每个初始浓度反演结果，确定像元点对应的第一浓度反演结果。在一种实施方式中，通过独热编码层对生态地理类型数据和地貌类型数据等分类数据进行独热编码处理得到稀疏矩阵，再通过线性回归层根据第一遥感影像数据、第一地面观测数据等连续数据，结合稀疏矩阵和每个初始浓度反演结果，确定像元点对应的第一浓度反演结果。
在具体实现时，广度部分是一个线性回归模型，在“宽度”部分的线性回归层中，时空数据的类别变量（生态地理类型和地貌类型）使用独热编码进行处理。经过独热编码后的时空数据，变为稀疏矩阵表示，解决了线性回归层不好处理属性数据的问题，同时在一定程度上起到了扩充特征的作用。
步骤2.2，通过前馈神经网络，对生态地理类型数据和地貌类型数据进行降维处理得到密集矩阵，并根据第一遥感影像数据、第一地面观测数据、密集矩阵和每个初始浓度反演结果，确定像元点对应的第二浓度反演结果。在一种实施方式中，通过嵌入层对生态地理类型数据和地貌类型数据等分类数据进行降维处理得到密集矩阵，再通过隐藏层根据第一遥感影像数据、第一地面观测数据等连续数据，结合密集矩阵和每个初始浓度反演结果，确定像元点对应的第二浓度反演结果。
在具体实现时，深度部分采用FFN模型，“深度”部分对于输入类别变量构造为密集矩阵，即嵌入层（Embedding Layer）。嵌入层可起到降维的作用，类似于卷积运算，减少后续资源占用。每个隐藏层包含一个全连接层（FC）、指数线性单元激活函数（eLU）、批量归一化（BN）和dropout层。eLU激活函数可以避免梯度消失/爆炸，收敛更快，且具有更好的泛化性能。在eLU激活函数中，负值不会成为0，可以有效避免神经元“死亡”。与 ReLU 及其变体相比，使用 eLU 可在神经网络中缩短训练时间并提高准确度。
步骤2.3，通过融合网络，对第一浓度反演结果和第二浓度反演结果进行加权处理，得到像元点对应的目标浓度反演结果。在一种实施方式中，加权处理所使用的权重值也是在模型训练阶段确定的，按照该权重值计算第一浓度反演结果和第二浓度反演结果的加权和，该加权和即为目标浓度反演结果。
步骤3，基于每个像元点对应的目标浓度反演结果，得到待研究区域对应的目标浓度反演结果。在实际应用中，对于每个像元点重复执行步骤1至步骤2，直至所有像元点反演完成，输出臭氧的目标浓度反演结果，格式为栅格文件。
进一步的，本发明实施例还提供了一种浓度反演模型簇的训练步骤，训练步骤可参见如下（1）至（5）：
（1）获取第二数据集合；其中，第二数据集合包括第二遥感影像数据、第二地面观测数据、第二时空数据和地面观测站污染物数据。其中，第二数据集合也即模型训练阶段所使用的数据集合，地面观测站污染物数据作为标签数据（也即，真值）。
（2）基于第二时空数据中的土地覆盖类型，将第二数据集合划分为多个子数据集。示例性的，假设污染物为臭氧，为克服下垫面类型臭氧反演的影响，根据下垫面土地覆盖类型，分别训练初始浓度反演模型，根据覆盖物对紫外线反射差别，土地覆盖类型按水体、建筑、荒漠、林地、草原、农田、其他分类。
在具体实现时，第二数据集合叠加土地利用类型，将第二数据集合拆分为按照土地覆盖类型分开的不同子数据集。
（3）对于每个子数据集，通过初始浓度反演模型，基于该子数据集中的第二遥感影像数据、第二地面观测数据和第二时空数据确定预测浓度反演结果。在一种实施方式中，可以通过初始浓度反演模型中的第一阶段组合子模型基于第二遥感影像数据、第二地面观测数据和第二时空数据确定初始的预测浓度反演结果，再通过第二阶段组合子模型基于第二遥感影像数据、第二地面观测数据、第二时空数据和初始的预测浓度反演结果，确定目标的预测浓度反演结果。反演过程可参见前述步骤1至3，本发明实施例对此不在进行赘述。
（4）基于该子数据集中的地面观测站污染物数据和预测浓度反演结果，对初始浓度反演模型进行训练，得到该子数据集对应的目标浓度反演模型。在一种实施方式中，可以把每个子数据集的60%作为训练数据集，20%作为验证数据集，20%作为测试数据集，子数据集输入初始浓度反演模型进行训练，得到针对各个子数据集的目标浓度反演模型，形成浓度反演模型簇，用于臭氧反演计算。
（5）将每个子数据集对应的目标浓度反演模型组合为浓度反演模型簇。
在一种实施方式中，在确定待研究区域对应的目标浓度反演结果之后，还可以进一步进行臭氧高值网格计算，以实现反演结果的可视化，具体的，可以将待研究区域对应的目标网格格网数据与目标浓度反演结果叠加，以确定每个网格对应的污染物浓度值，或者确定每个网格对应的污染物浓度均值，再将污染物浓度值或污染物浓度均值发送至指定关联终端，以通过指定关联终端的图形用户界面对污染物浓度值或污染物浓度均值进行可视化显示。
在实际应用中，为满足不同用户对臭氧高值区识别和显示需求，通过重采样方法获得不同分辨率臭氧高值网格分布。可以叠加目标网格格网数据，逐网格计算网格内臭氧值，适合于目标网格分辨率高于或低于臭氧反演空间分辨率的情况，也可以根据需要计算非正方形网格或不规则网格。
计算第i个网格臭氧值步骤如下：
（1）获得单个网格包含或相交的臭氧反演结果像元集合{/>,j=1,2,...n}，，其中/>为像元，n为像元数量，/>为像元面积，/>为像元臭氧均值。
（2）计算网格臭氧均值：
；其中，/>为网格面积。
综上所述，本发明实施例针对高分五号02星大气痕量气体差分吸收光谱仪（EMI）高光谱数据，结合地面观测数据，基于不同土地覆盖类型，利用组合人工智能模型对大气臭氧浓度进行反演，克服了传统模型对理想下垫面的假设而带来的反演误差，提高了反演精度，提高了反演效率。对臭氧反演结果进行网格化处理，针对不同管理层需求，能够适应不同分辨率和形状网格的划分，满足不同的行政区域对臭氧污染管理和溯源需求，能够为管理人员提供更加直观的可视化展示，为发现重点污染区域提供依据。
为便于理解，本发明实施例以臭氧的浓度反演为例，提供了一种污染物浓度反演方法的应用示例，选取2021年11月6日GF5B/EMI（UV2）数据作为原始观测数据，具体实施区域为观测范围内的云南省大部区域，具体范围见图3所示的一种观测覆盖范围示意图。其中，（3a）为云南省观测覆盖范围，（3b）为覆盖范围内观测站。
进一步的，参见图4所示的一种臭氧观测效果示意图，其中，（4a）为地面站点O3浓度观测值，（4b）为相应站点的浓度估计值，（4c）为GF5B/EMI在云南省覆盖区域的估计值，（4d）为观测值与估计值的逐站点验证结果，整体相关系数R2为0.52，RMSE为8.77μg/m3。
综上所述，本发明实施例提供的污染物浓度反演方法，可以较好地对臭氧浓度进行反演，本发明实施例至少具有以下特点：
（1）通过高光谱观测卫星直接反演近地面O3浓度，减少间接反演带来的累积误差。
（2）构建了一种针对高光谱观测卫星的近地面O3浓度反演算法，该算法组合深度学习模型和线性回归模型，提高反演精度高，同时提升了可解释性。
（3）根据下垫面土地覆盖类型分别训练反演模型簇，使模型更有针对性，能够克服不同下垫面对紫外线反射的影响，从而克服已有模型理想下垫面假设对反演精度的影响，能够提高臭氧精度。
（4）对臭氧反演结果进行网格化处理，针对不同管理层需求，适应不同分辨率和形状网格的划分，满足不同的行政区域对臭氧污染管理和溯源需求，能够为管理人员提供更加直观的可视化展示，为发现重点污染区域提供依据。
对于前述实施例提供的污染物浓度反演方法，本发明实施例提供一种污染物浓度反演装置，参见图5所示的一种污染物浓度反演装置的结构示意图，该装置主要包括以下部分：
数据获取模块502，用于获取待研究区域对应的第一数据集合；其中，第一数据集合包括第一遥感影像数据、第一地面观测数据和第一时空数据；
模型确定模块504，用于根据第一时空数据中的土地覆盖类型，从预先训练得到的浓度反演模型簇中，确定每个待研究区域中每个像元点分别对应的目标浓度反演模型；其中，浓度反演模型簇中包括多种土地覆盖类型对应的浓度反演模型；
浓度反演模块506，用于通过每个目标浓度反演模型，基于第一数据集合对待研究区域进行污染物浓度反演，得到待研究区域对应的目标浓度反演结果。
本发明实施例提供的污染物浓度反演装置，针对第一遥感影像数据，结合第一地面观测数据和第一时空数据，同时基于不同第一时空数据中的土地覆盖类型，利用浓度反演模型簇中相应的目标浓度反演模型对待研究区域中的污染物浓度进行反演，克服了传统模型对理想下垫面的假设而带来的反演误差，从而可以显著降低污染物浓度反演的复杂程度，还可以有效提高污染物浓度的反演效率，还可以显著提高污染物浓度的反演精度。
在一种实施方式中，目标浓度反演模型包括第一阶段组合子模型和第二阶段组合子模型；浓度反演模块506还用于：
通过第一阶段组合子模型，基于第一遥感影像数据、第一地面观测数据和第一时空数据，确定像元点对应的至少一个初始浓度反演结果；其中，第一阶段组合子模型包括至少一个反演单元，每个反演单元均用于确定像元点对应的一个初始浓度反演结果；
通过第二阶段组合子模型，基于第一遥感影像数据、第一地面观测数据、第一时空数据和每个初始浓度反演结果，确定像元点对应的目标浓度反演结果；
基于每个像元点对应的目标浓度反演结果，得到待研究区域对应的目标浓度反演结果。
在一种实施方式中，第二阶段组合子模型包括线性回归网络、前馈神经网络和融合网络，第一时空数据还包括生态地理类型数据和地貌类型数据；浓度反演模块506还用于：
通过线性回归网络，对生态地理类型数据和地貌类型数据进行独热编码处理得到稀疏矩阵，并根据第一遥感影像数据、第一地面观测数据、稀疏矩阵和每个初始浓度反演结果，确定像元点对应的第一浓度反演结果；
以及，通过前馈神经网络，对生态地理类型数据和地貌类型数据进行降维处理得到密集矩阵，并根据第一遥感影像数据、第一地面观测数据、密集矩阵和每个初始浓度反演结果，确定像元点对应的第二浓度反演结果；
通过融合网络，对第一浓度反演结果和第二浓度反演结果进行加权处理，得到像元点对应的目标浓度反演结果。
在一种实施方式中，反演单元为XGBoost单元、岭回归单元和支持向量机单元中的一种或多种。
在一种实施方式中，还包括训练模块，用于：
获取第二数据集合；其中，第二数据集合包括第二遥感影像数据、第二地面观测数据、第二时空数据和地面观测站污染物数据；
基于第二时空数据中的土地覆盖类型，将第二数据集合划分为多个子数据集；
对于每个子数据集，通过初始浓度反演模型，基于该子数据集中的第二遥感影像数据、第二地面观测数据和第二时空数据确定预测浓度反演结果；
基于该子数据集中的地面观测站污染物数据和预测浓度反演结果，对初始浓度反演模型进行训练，得到该子数据集对应的目标浓度反演模型；
将每个子数据集对应的目标浓度反演模型组合为浓度反演模型簇。
在一种实施方式中，浓度反演模块506还用于：
对第一遥感影像数据进行辐射定标得到定标后辐射亮度矩阵；
对定标后辐射亮度矩阵进行零均值化处理得到均值化辐射亮度矩阵；
基于定标后辐射亮度矩阵和均值化辐射亮度矩阵确定协方差矩阵，并基于协方差矩阵的特征值和特征向量进行数据降维处理，得到降维后数据；
通过每个目标浓度反演模型，基于降维后数据、第一地面观测数据和第一时空数据，对待研究区域进行污染物浓度反演，得到待研究区域对应的目标浓度反演结果。
在一种实施方式中，还包括可视化模块，用于：
将待研究区域对应的目标网格格网数据与目标浓度反演结果叠加，以确定每个网格对应的污染物浓度值，或者确定每个网格对应的污染物浓度均值；
将污染物浓度值或污染物浓度均值发送至指定关联终端，以通过指定关联终端的图形用户界面对污染物浓度值或污染物浓度均值进行可视化显示。
本发明实施例所提供的装置，其实现原理及产生的技术效果和前述方法实施例相同，为简要描述，装置实施例部分未提及之处，可参考前述方法实施例中相应内容。
本发明实施例提供了一种电子设备，具体的，该电子设备包括处理器和存储装置；存储装置上存储有计算机程序，计算机程序在被所述处理器运行时执行如上所述实施方式的任一项所述的方法 。
图6为本发明实施例提供的一种电子设备的结构示意图，该电子设备100包括：处理器60，存储器61，总线62和通信接口63，所述处理器60、通信接口63和存储器61通过总线62连接；处理器60用于执行存储器61中存储的可执行模块，例如计算机程序。
其中，存储器61可能包含高速随机存取存储器（RAM，Random Access Memory），也可能还包括非不稳定的存储器（non-volatilememory），例如至少一个磁盘存储器。通过至少一个通信接口63（可以是有线或者无线）实现该系统网元与至少一个其他网元之间的通信连接，可以使用互联网，广域网，本地网，城域网等。
总线62可以是ISA总线、PCI总线或EISA总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示，图6中仅用一个双向箭头表示，但并不表示仅有一根总线或一种类型的总线。
其中，存储器61用于存储程序，所述处理器60在接收到执行指令后，执行所述程序，前述本发明实施例任一实施例揭示的流过程定义的装置所执行的方法可以应用于处理器60中，或者由处理器60实现。
处理器60可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器60中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器60可以是通用处理器，包括中央处理器(CentralProcessingUnit，简称CPU)、网络处理器(NetworkProcessor，简称NP)等；还可以是数字信号处理器(Digital SignalProcessing，简称DSP)、专用集成电路(Application Specific Integrated Circuit，简称ASIC)、现成可编程门阵列(Field-Programmable Gate Array，简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器61，处理器60读取存储器61中的信息，结合其硬件完成上述方法的步骤。
本发明实施例所提供的可读存储介质的计算机程序产品，包括存储了程序代码的计算机可读存储介质，所述程序代码包括的指令可用于执行前面方法实施例中所述的方法，具体实现可参见前述方法实施例，在此不再赘述。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案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一个存储介质中，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）执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是：以上所述实施例，仅为本发明的具体实施方式，用以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于此，尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。
Claims (8)
1.一种污染物浓度反演方法，其特征在于，包括：
获取待研究区域对应的第一数据集合；其中，所述第一数据集合包括第一遥感影像数据、第一地面观测数据和第一时空数据；
根据所述第一时空数据中的土地覆盖类型，从预先训练得到的浓度反演模型簇中，确定每个所述待研究区域中每个像元点分别对应的目标浓度反演模型；其中，所述浓度反演模型簇中包括多种土地覆盖类型对应的浓度反演模型；
通过每个所述目标浓度反演模型，基于所述第一数据集合对所述待研究区域进行污染物浓度反演，得到所述待研究区域对应的目标浓度反演结果；
所述目标浓度反演模型包括第一阶段组合子模型和第二阶段组合子模型；
通过每个所述目标浓度反演模型，基于所述第一数据集合对所述待研究区域进行污染物浓度反演，得到所述待研究区域对应的目标浓度反演结果，包括：
通过所述第一阶段组合子模型，基于所述第一遥感影像数据、所述第一地面观测数据和所述第一时空数据，确定所述像元点对应的至少一个初始浓度反演结果；其中，所述第一阶段组合子模型包括至少一个反演单元，每个所述反演单元均用于确定所述像元点对应的一个初始浓度反演结果；
通过所述第二阶段组合子模型，基于所述第一遥感影像数据、所述第一地面观测数据、所述第一时空数据和每个所述初始浓度反演结果，确定所述像元点对应的目标浓度反演结果；
基于每个所述像元点对应的所述目标浓度反演结果，得到所述待研究区域对应的所述目标浓度反演结果；
所述第二阶段组合子模型包括线性回归网络、前馈神经网络和融合网络，所述第一时空数据还包括生态地理类型数据和地貌类型数据；
通过所述第二阶段组合子模型，基于所述第一遥感影像数据、所述第一地面观测数据、所述第一时空数据和每个所述初始浓度反演结果，确定所述像元点对应的目标浓度反演结果，包括：
通过所述线性回归网络，对所述生态地理类型数据和所述地貌类型数据进行独热编码处理得到稀疏矩阵，并根据所述第一遥感影像数据、所述第一地面观测数据、所述稀疏矩阵和每个所述初始浓度反演结果，确定所述像元点对应的第一浓度反演结果；
以及，通过所述前馈神经网络，对所述生态地理类型数据和所述地貌类型数据进行降维处理得到密集矩阵，并根据所述第一遥感影像数据、所述第一地面观测数据、所述密集矩阵和每个所述初始浓度反演结果，确定所述像元点对应的第二浓度反演结果；
通过所述融合网络，对所述第一浓度反演结果和所述第二浓度反演结果进行加权处理，得到所述像元点对应的目标浓度反演结果。
2.根据权利要求1所述的污染物浓度反演方法，其特征在于，所述反演单元为XGBoost单元、岭回归单元和支持向量机单元中的一种或多种。
3.根据权利要求1所述的污染物浓度反演方法，其特征在于，所述浓度反演模型簇的训练步骤，包括：
获取第二数据集合；其中，所述第二数据集合包括第二遥感影像数据、第二地面观测数据、第二时空数据和地面观测站污染物数据；
基于所述第二时空数据中的土地覆盖类型，将所述第二数据集合划分为多个子数据集；
对于每个所述子数据集，通过初始浓度反演模型，基于该子数据集中的所述第二遥感影像数据、所述第二地面观测数据和所述第二时空数据确定预测浓度反演结果；
基于该子数据集中的所述地面观测站污染物数据和所述预测浓度反演结果，对所述初始浓度反演模型进行训练，得到该子数据集对应的目标浓度反演模型；
将每个所述子数据集对应的所述目标浓度反演模型组合为浓度反演模型簇。
4.根据权利要求1所述的污染物浓度反演方法，其特征在于，通过基于所述第一数据集合对所述待研究区域进行污染物浓度反演，得到所述待研究区域对应的目标浓度反演结果，还包括：
对所述第一遥感影像数据进行辐射定标得到定标后辐射亮度矩阵；
对所述定标后辐射亮度矩阵进行零均值化处理得到均值化辐射亮度矩阵；
基于所述定标后辐射亮度矩阵和所述均值化辐射亮度矩阵确定协方差矩阵，并基于所述协方差矩阵的特征值和特征向量进行数据降维处理，得到降维后数据；
通过每个所述目标浓度反演模型，基于所述降维后数据、所述第一地面观测数据和所述第一时空数据，对所述待研究区域进行污染物浓度反演，得到所述待研究区域对应的目标浓度反演结果。
5.根据权利要求1所述的污染物浓度反演方法，其特征在于，在基于所述第一数据集合对所述待研究区域进行污染物浓度反演，得到所述待研究区域对应的目标浓度反演结果之后，所述方法还包括：
将所述待研究区域对应的目标网格格网数据与所述目标浓度反演结果叠加，以确定每个网格对应的污染物浓度值，或者确定每个所述网格对应的污染物浓度均值；
将所述污染物浓度值或所述污染物浓度均值发送至指定关联终端，以通过所述指定关联终端的图形用户界面对所述污染物浓度值或所述污染物浓度均值进行可视化显示。
6.一种污染物浓度反演装置，其特征在于，包括：
数据获取模块，用于获取待研究区域对应的第一数据集合；其中，所述第一数据集合包括第一遥感影像数据、第一地面观测数据和第一时空数据；
模型确定模块，用于根据所述第一时空数据中的土地覆盖类型，从预先训练得到的浓度反演模型簇中，确定每个所述待研究区域中每个像元点分别对应的目标浓度反演模型；其中，所述浓度反演模型簇中包括多种土地覆盖类型对应的浓度反演模型；
浓度反演模块，用于通过每个所述目标浓度反演模型，基于所述第一数据集合对所述待研究区域进行污染物浓度反演，得到所述待研究区域对应的目标浓度反演结果；
所述目标浓度反演模型包括第一阶段组合子模型和第二阶段组合子模型；
浓度反演模块还用于：
通过所述第一阶段组合子模型，基于所述第一遥感影像数据、所述第一地面观测数据和所述第一时空数据，确定所述像元点对应的至少一个初始浓度反演结果；其中，所述第一阶段组合子模型包括至少一个反演单元，每个所述反演单元均用于确定所述像元点对应的一个初始浓度反演结果；
通过所述第二阶段组合子模型，基于所述第一遥感影像数据、所述第一地面观测数据、所述第一时空数据和每个所述初始浓度反演结果，确定所述像元点对应的目标浓度反演结果；
基于每个所述像元点对应的所述目标浓度反演结果，得到所述待研究区域对应的所述目标浓度反演结果；
所述第二阶段组合子模型包括线性回归网络、前馈神经网络和融合网络，所述第一时空数据还包括生态地理类型数据和地貌类型数据；
浓度反演模块还用于：
通过所述线性回归网络，对所述生态地理类型数据和所述地貌类型数据进行独热编码处理得到稀疏矩阵，并根据所述第一遥感影像数据、所述第一地面观测数据、所述稀疏矩阵和每个所述初始浓度反演结果，确定所述像元点对应的第一浓度反演结果；
以及，通过所述前馈神经网络，对所述生态地理类型数据和所述地貌类型数据进行降维处理得到密集矩阵，并根据所述第一遥感影像数据、所述第一地面观测数据、所述密集矩阵和每个所述初始浓度反演结果，确定所述像元点对应的第二浓度反演结果；
通过所述融合网络，对所述第一浓度反演结果和所述第二浓度反演结果进行加权处理，得到所述像元点对应的目标浓度反演结果。
7.一种电子设备，其特征在于，包括处理器和存储器，所述存储器存储有能够被所述处理器执行的计算机可执行指令，所述处理器执行所述计算机可执行指令以实现权利要求1至5任一项所述的方法。
8.一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可执行指令，所述计算机可执行指令在被处理器调用和执行时，计算机可执行指令促使处理器实现权利要求1至5任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310770616.6A CN116504330B (zh) | 2023-06-28 | 2023-06-28 | 污染物浓度反演方法、装置、电子设备及可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310770616.6A CN116504330B (zh) | 2023-06-28 | 2023-06-28 | 污染物浓度反演方法、装置、电子设备及可读存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116504330A CN116504330A (zh) | 2023-07-28 |
| CN116504330B true CN116504330B (zh) | 2023-09-19 |
Family
ID=87321668
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310770616.6A Active CN116504330B (zh) | 2023-06-28 | 2023-06-28 | 污染物浓度反演方法、装置、电子设备及可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116504330B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN116994146B (zh) * | 2023-09-26 | 2023-12-29 | 航天宏图信息技术股份有限公司 | 基于sl4did近地面污染物短临预报方法、装置及设备 |
| CN117147778B (zh) * | 2023-10-31 | 2024-01-05 | 航天宏图信息技术股份有限公司 | 大气污染物的溯源监测方法、装置、电子设备及存储介质 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109001091A (zh) * | 2018-07-18 | 2018-12-14 | 北京航天宏图信息技术股份有限公司 | 大气污染的卫星遥感监测方法、装置和计算机可读介质 |
| CN109784552A (zh) * | 2018-12-29 | 2019-05-21 | 武汉大学 | 一种基于Re-ESF算法的空间变系数PM2.5浓度估算模型的构建方法 |
| WO2021208393A1 (zh) * | 2020-04-15 | 2021-10-21 | 北京工业大学 | 一种大气污染物排放清单的反演估算方法 |
| CN114357894A (zh) * | 2022-03-11 | 2022-04-15 | 阿里巴巴达摩院(杭州)科技有限公司 | 大气污染物的处理方法、存储介质以及计算机终端 |
| CN114926749A (zh) * | 2022-07-22 | 2022-08-19 | 山东大学 | 基于遥感图像的近地面大气污染物反演方法及系统 |
| CN115420690A (zh) * | 2022-04-29 | 2022-12-02 | 中遥环境(西安)股份有限公司 | 近地表痕量气体浓度反演模型及反演方法 |
| CN116340863A (zh) * | 2023-05-30 | 2023-06-27 | 航天宏图信息技术股份有限公司 | 空气污染物预测方法、装置、电子设备及可读存储介质 |
-
2023
- 2023-06-28 CN CN202310770616.6A patent/CN116504330B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109001091A (zh) * | 2018-07-18 | 2018-12-14 | 北京航天宏图信息技术股份有限公司 | 大气污染的卫星遥感监测方法、装置和计算机可读介质 |
| CN109784552A (zh) * | 2018-12-29 | 2019-05-21 | 武汉大学 | 一种基于Re-ESF算法的空间变系数PM2.5浓度估算模型的构建方法 |
| WO2021208393A1 (zh) * | 2020-04-15 | 2021-10-21 | 北京工业大学 | 一种大气污染物排放清单的反演估算方法 |
| CN114357894A (zh) * | 2022-03-11 | 2022-04-15 | 阿里巴巴达摩院(杭州)科技有限公司 | 大气污染物的处理方法、存储介质以及计算机终端 |
| CN115420690A (zh) * | 2022-04-29 | 2022-12-02 | 中遥环境(西安)股份有限公司 | 近地表痕量气体浓度反演模型及反演方法 |
| CN114926749A (zh) * | 2022-07-22 | 2022-08-19 | 山东大学 | 基于遥感图像的近地面大气污染物反演方法及系统 |
| CN116340863A (zh) * | 2023-05-30 | 2023-06-27 | 航天宏图信息技术股份有限公司 | 空气污染物预测方法、装置、电子设备及可读存储介质 |
Non-Patent Citations (1)
| Title |
|---|
| 高分一、二号卫星遥感数据在生态环境监测中的应用;蔡建楠 等;环境监控与预警;16-22 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116504330A (zh) | 2023-07-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116504330B (zh) | 污染物浓度反演方法、装置、电子设备及可读存储介质 | |
| Kang et al. | Estimation of surface-level NO2 and O3 concentrations using TROPOMI data and machine learning over East Asia | |
| CN113128134B (zh) | 一种矿区生态环境演变驱动因子权重量化分析方法 | |
| CN108108836B (zh) | 一种基于时空深度学习的臭氧浓度分布预测方法和系统 | |
| Hemer et al. | Projected changes in wave climate from a multi-model ensemble | |
| Naboureh et al. | An integrated object-based image analysis and CA-Markov model approach for modeling land use/land cover trends in the Sarab plain | |
| Wahla et al. | Mapping and monitoring of spatio-temporal land use and land cover changes and relationship with normalized satellite indices and driving factors | |
| Alamgir et al. | Downscaling and projection of spatiotemporal changes in temperature of Bangladesh | |
| CN112052627A (zh) | 近地面臭氧空间分布的估算方法、装置、介质及设备 | |
| Yeom et al. | Monitoring paddy productivity in North Korea employing geostationary satellite images integrated with GRAMI-rice model | |
| Li et al. | Estimation of aboveground vegetation biomass based on Landsat-8 OLI satellite images in the Guanzhong Basin, China | |
| Scheibenreif et al. | Toward global estimation of ground-level no 2 pollution with deep learning and remote sensing | |
| Murthy et al. | Paddy crop insurance using satellite-based composite index of crop performance | |
| Hobbi et al. | Detailed investigation of discrepancies in Köppen-Geiger climate classification using seven global gridded products | |
| Briegel et al. | Modelling long-term thermal comfort conditions in urban environments using a deep convolutional encoder-decoder as a computational shortcut | |
| CN117664874B (zh) | 一种基于空天地结合的河口地区咸潮上溯监测方法及系统 | |
| Chen et al. | Synergistic observation of FY-4A&4B to estimate CO concentration in China: combining interpretable machine learning to reveal the influencing mechanisms of CO variations | |
| Chen et al. | Remote sensing retrieval of aerosol types in China using geostationary satellite | |
| Kuter et al. | Modern applied mathematics for alternative modeling of the atmospheric effects on satellite images | |
| Sun et al. | Leaf area index remote sensing based on Deep Belief Network supported by simulation data | |
| Zhang et al. | Parsimonious estimation of hourly surface ozone concentration across China during 2015–2020 | |
| CN115950832A (zh) | 一种基于卫星数据反演近地面二氧化氮浓度的方法 | |
| Farhan et al. | Predicting Land Use Land Cover Dynamics and Land Surface Temperature Changes Using CA-Markov-Chain Models in Islamabad, Pakistan (1992-2042) | |
| Lee et al. | Surface albedo from the geostationary Communication, Ocean and Meteorological Satellite (COMS)/Meteorological Imager (MI) observation system | |
| Muthukumar et al. | Multi-Pollutant Ground-level Air Pollution Prediction through Deep MeteoGCN-ConvLSTM |
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 |