CN116910457A - 一种基于区域的污染物反演方法和装置 - Google Patents
一种基于区域的污染物反演方法和装置 Download PDFInfo
- Publication number
- CN116910457A CN116910457A CN202311176907.9A CN202311176907A CN116910457A CN 116910457 A CN116910457 A CN 116910457A CN 202311176907 A CN202311176907 A CN 202311176907A CN 116910457 A CN116910457 A CN 116910457A
- Authority
- CN
- China
- Prior art keywords
- feature
- inversion
- target
- pollutant
- trained
- 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.)
- Granted
Links
- 239000003344 environmental pollutant Substances 0.000 title claims abstract description 154
- 231100000719 pollutant Toxicity 0.000 title claims abstract description 153
- 238000000034 method Methods 0.000 title claims abstract description 70
- 238000011160 research Methods 0.000 claims abstract description 73
- 238000005259 measurement Methods 0.000 claims abstract description 28
- 238000007781 pre-processing Methods 0.000 claims abstract description 15
- 238000012549 training Methods 0.000 claims abstract description 15
- 239000011159 matrix material Substances 0.000 claims description 88
- 239000000356 contaminant Substances 0.000 claims description 87
- 230000004927 fusion Effects 0.000 claims description 22
- 238000012545 processing Methods 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 11
- 238000003860 storage Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 abstract description 5
- 238000004458 analytical method Methods 0.000 abstract description 2
- 238000009826 distribution Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 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 5
- JCXJVPUVTGWSNB-UHFFFAOYSA-N nitrogen dioxide Inorganic materials O=[N]=O JCXJVPUVTGWSNB-UHFFFAOYSA-N 0.000 description 5
- 230000015572 biosynthetic process Effects 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 239000013618 particulate matter Substances 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000003915 air pollution Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- CBENFWSGALASAD-UHFFFAOYSA-N Ozone Chemical compound [O-][O+]=O CBENFWSGALASAD-UHFFFAOYSA-N 0.000 description 2
- 239000000443 aerosol Substances 0.000 description 2
- 238000009792 diffusion process Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 238000001556 precipitation Methods 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 238000012952 Resampling Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000002485 combustion reaction Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000008020 evaporation Effects 0.000 description 1
- 238000001704 evaporation Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种基于区域的污染物反演方法和装置，涉及空间观测分析技术领域，所述方法包括：确定目标预测位置，确定包含所述目标预测位置的预设大小的区域为目标研究区域；获取所述目标研究区域内至少一种污染物对应的数据；对所述至少一种污染物对应的数据进行预处理，将预处理后的数据输入预先训练的反演模型，以得到所述目标预测位置的所述至少一种污染物的浓度；其中，所述反演模型是基于预设区域内站点的历史实测数据对多层感知机和稀疏卷积网络进行训练得到的。通过本发明提供的基于区域的污染物反演方法，可以实现同时反演多种污染物，节省计算资源。
Description
技术领域
本发明涉及空间观测分析技术领域，尤其涉及一种基于区域的污染物反演方法和装置。
背景技术
随着现代化进程的不断推进，工业生产、化学燃烧等活动产生了大量的污染物，对生态环境和人体健康带来了巨大的危害。臭氧(O3)、二氧化氮(NO2)、细颗粒物(PM2.5)以及可吸入颗粒物(PM10) 的浓度是重要的环境空气质量指标。
现有技术中使用的时空地理加权回归、时空随机森林、时空地理加权神经网络等统计模型或机器学习模型显示了较好的反演性能，但是仍然存在一些缺点：（1）现有模型在反演过程中，时空权重函数是固定的，不能根据实际数据源进行调整。在进行大范围的反演时，固定的权重函数无法适应污染物在不同地点不同时间的变异情况，将导致部分区域反演结果出现错误；（2）污染物浓度的扩散受到周围气象条件的空间分布的影响，因此即使两个位置的气象条件相同，周围地区不同扩散条件也会导致这两个区域的污染物浓度不同；现有模型并没有充分考虑气象条件空间分布对污染物的影响，限制了污染物反演的精度；（3）当前方法主要针对单个污染物，无法实现多个污染物同时预测，这导致进行多污染物反演时需要建立多个模型，多次反演，浪费大量计算资源。
因此，如何实现高精度反演多种污染物，是目前需要解决的技术问题。
发明内容
本发明提供一种基于区域的污染物反演方法和装置，用以解决现有技术存在的缺陷。
本发明提供一种基于区域的污染物反演方法，包括：
确定目标预测位置，确定包含所述目标预测位置的预设大小的区域为目标研究区域；
获取所述目标研究区域内至少一种污染物对应的数据；
对所述至少一种污染物对应的数据进行预处理，将预处理后的数据输入预先训练的反演模型，以得到所述目标预测位置的所述至少一种污染物的浓度；
其中，所述反演模型是基于预设区域内站点的历史实测数据对多层感知机和稀疏卷积网络进行训练得到的。
根据本发明提供的一种基于区域的污染物反演方法，所述获取所述目标研究区域内至少一种污染物对应的数据，包括：
获取所述目标研究区域内至少一种污染物对应的卫星数据和辅助数据，以及所述目标研究区域内每个站点的所述污染物的浓度的实测数据。
根据本发明提供的一种基于区域的污染物反演方法，所述对所述至少一种污染物对应的数据进行预处理，包括：
确定所述目标预测位置的污染物对应的卫星数据和辅助数据形成的矩阵为第一输入矩阵；
将所述目标研究区域内每个站点的所述污染物对应的卫星数据和辅助数据形成的矩阵与每个站点的所述污染物的浓度的实测数据形成的矩阵按列进行拼接，确定拼接后的矩阵为第二输入矩阵；
确定所述目标研究区域之内除所述目标预测位置之外的区域的污染物对应的卫星数据和辅助数据形成的矩阵为第三输入矩阵。
根据本发明提供的一种基于区域的污染物反演方法，所述将预处理后的数据输入预先训练的反演模型，以得到所述目标预测位置的所述至少一种污染物的浓度，包括：
将所述第一输入矩阵、所述第二输入矩阵和所述第三输入矩阵输入预先训练的反演模型，以得到所述目标预测位置的所述至少一种污染物的浓度。
根据本发明提供的一种基于区域的污染物反演方法，所述预先训练的反演模型包括预先训练的第一多层感知机、预先训练的第二多层感知机、预先训练的第三多层感知机和预先训练的稀疏卷积网络；
所述将所述第一输入矩阵、所述第二输入矩阵和所述第三输入矩阵输入预先训练的反演模型，以得到所述目标预测位置的所述至少一种污染物的浓度，包括：
将所述第一输入矩阵、所述第二输入矩阵和所述第三输入矩阵分别输入预先训练的第一多层感知机、预先训练的第二多层感知机和预先训练的稀疏卷积网络，以分别提取并输出所述目标预测位置的第一特征、所述目标研究区域内站点的第二特征和所述目标研究区域之内除所述目标预测位置之外的区域的第三特征；其中，所述第一特征、所述第二特征和所述第三特征维数相同；
融合所述第一特征、所述第二特征和所述第三特征，以得到第四特征；其中，所述第四特征用于进行所述污染物的反演；
将所述第四特征输入预先训练的第三多层感知机，用于输出所述目标预测位置的所述至少一种污染物的浓度。
根据本发明提供的一种基于区域的污染物反演方法，所述预先训练的反演模型还包括预先训练的第四多层感知机；
在融合所述第一特征、所述第二特征和所述第三特征，以得到第四特征之前，所述方法还包括：
对所述第一特征的每一维进行运算处理；所述运算处理包括计算所述第一特征的每一维的最大值、最小值、平均值和方差；
将运算处理后的第一特征输入所述第四多层感知机，用于形成融合权重图；其中，所述融合权重图用于融合所述第一特征、所述第二特征和所述第三特征。
根据本发明提供的一种基于区域的污染物反演方法，所述融合所述第一特征、所述第二特征和所述第三特征，以得到第四特征，包括：
通过所述融合权重图融合所述第一特征、所述第二特征和所述第三特征，以得到第四特征。
本发明还提供一种基于区域的污染物反演装置，包括：
确定模块，用于确定目标预测位置，确定包含所述目标预测位置的预设大小的区域为目标研究区域；
获取模块，用于获取所述目标研究区域内至少一种污染物对应的数据；
反演模块，用于对所述至少一种污染物对应的数据进行预处理，将预处理后的数据输入预先训练的反演模型，以得到所述目标预测位置的所述至少一种污染物的浓度；
其中，所述反演模型是基于预设区域内站点的实测数据对多层感知机和稀疏卷积网络进行训练得到的。
本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述基于区域的污染物反演方法。
本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述基于区域的污染物反演方法。
本发明还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述任一种所述基于区域的污染物反演方法。
本发明提供的一种基于区域的污染物反演方法和装置，通过确定目标预测位置，确定包含目标预测位置的预设大小的区域为目标研究区域，获取目标研究区域内至少一种污染物对应的数据，从而保证获取到较大范围较为充足的数据量；对至少一种污染物对应的数据进行预处理，将预处理后的数据输入预先训练的反演模型，以得到目标预测位置的至少一种污染物的浓度，其中，反演模型是基于预设区域内站点的历史实测数据对多层感知机和稀疏卷积网络进行训练得到的，由此可以实现同时反演多种污染物，节省计算资源。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，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是本发明提供的基于区域的污染物反演方法的流程示意图之一；
图2是本发明提供的基于区域的污染物反演方法的流程示意图之二；
图3是本发明提供的基于区域的污染物反演方法的流程示意图之三；
图4是本发明提供的基于区域的污染物反演方法的流程示意图之四；
图5是本发明提供的预先训练的反演模型的原理示意图；
图6是本发明提供的基于区域的污染物反演方法的完整流程图；
图7是本发明提供的基于区域的污染物反演装置的结构示意图；
图8是本发明提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明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，都属于本发明保护的范围。
下面结合图1-图8描述本发明的一种基于区域的污染物反演方法和装置。
图1是本实施例提供的基于区域的污染物反演方法的流程示意图之一，如图1所示，本实施例提供的基于区域的污染物反演方法，包括：
步骤100、确定目标预测位置，确定包含所述目标预测位置的预设大小的区域为目标研究区域。
需要说明的是，臭氧(O3)、二氧化氮(NO2)、细颗粒物(PM2.5)以及可吸入颗粒物(PM10) 的浓度是重要的环境空气质量指标，为监测空气污染情况，通常直接通过空气监测站点进行监测，其测量准确度高，但是其分布相对稀疏，只能反映所在位置附近的污染物浓度，从更大范围来讲，对于未建立站点的位置，则无法进行准确的测量。
具体地，本实施例为了可以准确测量任意位置的污染物浓度，构建反演模型进行污染物反演。
可选地，目标预测位置为需要预测污染物浓度的位置，可以为未设置站点的位置。在确定目标预测位置之后，将包含目标预测位置的预设大小的区域作为目标研究区域，为保证收集充足的数据，提高测量准确度，目标研究区域的大小可以依据目标预测位置周围站点的疏密程度进行设置，也可以根据大气影响范围或图像数据的分辨率直接指定范围。例如，以目标预测位置为圆点，可将至少包含50个站点的区域作为目标研究区域，或设置方圆100km的区域为目标研究区域，本实施例对此不作任何特别限定。
步骤200、获取所述目标研究区域内至少一种污染物对应的数据。
需要说明的是，本实施例构建的反演模型主要通过建立卫星数据、气象数据等相关数据和地面站点实测污染物数据之间的关系，来反演地面未设置站点处的污染物浓度。
卫星遥感技术能够实现大范围的污染物或污染物相关数据的监测，例如OMI卫星提供了O3的总柱浓度和NO2对流层柱浓度，MODIS、Himawari-8等卫星提供了用于反映PM2.5或PM10浓度的气溶胶光学厚度（Aerosol Optical Depth (AOD)）数据等。
具体地，针对需要进行浓度预测的污染物，则需获取目标研究区域内该污染物对应的卫星数据。本实施例提供的污染物反演方法，可以实现多种污染物的同时反演。例如，若需同时进行O3 、NO2 、PM2.5和PM10的浓度预测，则可同时获取目标研究区域内的OMI的O3的总柱浓度、NO2对流层柱浓度、MODIS的AOD数据。
进一步地，为了反映气象条件时空变异性对污染物浓度时空变异性的影响，提高污染物反演精度，还需获取目标研究区域内的辅助数据，辅助数据可以包括气象数据、道路状况、排放量数据等。
进一步地，为了反映污染物浓度的时空变异性，提高污染物反演精度，除卫星数据和辅助数据之外，还需获取目标研究区域内站点的实测数据。
步骤300、对所述至少一种污染物对应的数据进行预处理，将预处理后的数据输入预先训练的反演模型，以得到所述目标预测位置的所述至少一种污染物的浓度；
其中，所述反演模型是基于预设区域内站点的历史实测数据对多层感知机和稀疏卷积网络进行训练得到的。
具体地，将获取到的目标研究区域内的卫星数据、辅助数据和站点实测数据进行预处理。为了在预测目标预测位置的污染物浓度时，同时考虑到周围站点污染物浓度对目标预测位置污染物浓度影响的权重，从而反映污染物浓度的时空变异性以及气象条件空间分布对污染物浓度时空变异性的影响，每个目标预测位置均形成三个输入：目标预测位置的污染物对应的卫星数据和辅助数据形成的输入、目标研究区域内每个站点的污染物对应的卫星数据、辅助数据以及每个站点的污染物的浓度的实测数据形成的输入、和目标研究区域之内除目标预测位置之外的区域的污染物对应的卫星数据和辅助数据形成的输入。
具体地，三个输入同时输入反演模型，得到目标预测位置的多种污染物的浓度。
以上是对本发明提供的基于区域的污染物反演方法的步骤说明。从上述步骤的描述可以看出，根据本发明提供的基于区域的污染物反演方法，通过确定目标预测位置，确定包含目标预测位置的预设大小的区域为目标研究区域，获取目标研究区域内至少一种污染物对应的数据，从而保证获取到较大范围较为充足的数据量；对至少一种污染物对应的数据进行预处理，将预处理后的数据输入预先训练的反演模型，以得到目标预测位置的至少一种污染物的浓度，其中，反演模型是基于预设区域内站点的历史实测数据对多层感知机和稀疏卷积网络进行训练得到的，由此可以实现同时反演多种污染物，节省计算资源。
基于上述实施例，在本实施例中，步骤200获取所述目标研究区域内至少一种污染物对应的数据，包括：
获取所述目标研究区域内至少一种污染物对应的卫星数据和辅助数据，以及所述目标研究区域内每个站点的所述污染物的浓度的实测数据。
具体地，卫星数据的获取在上述内容已说明，在此不再赘述。
进一步地，辅助数据中的气象数据可以包括边界层高度（Boundary LayerHeight，BLH）、地表压力（Surface Pressure，SP）、温度（Temperature，T）、风速(WindSpeed，WS)、风向(Wind Direction，WD)、蒸发(Evaporation，E）、相对湿度（RelativeHumidity，RH）、比湿度（Specific Humidity，SH）、太阳辐射强度（Surface SolarRadiation Downwards，SSRD）、总降水量（Total Precipitation，TP）、以及目标研究区域的DEM和NDVI等相关数据。
进一步地，还可获取道路状况、排放量数据等作为辅助数据。
进一步地，为了反映污染物浓度的时空变异性，提高污染物反演精度，除卫星数据和辅助数据之外，还需获取目标研究区域内站点的实测数据。
本实施例提供的基于区域的污染物反演方法，获取目标研究区域内至少一种污染物对应的卫星数据和辅助数据，以及目标研究区域内每个站点的污染物的浓度的实测数据，可以考虑污染物浓度的时空变异性以及反映气象条件时空变异性对污染物浓度时空变异性的影响，可同时对多种污染物进行反演，且能提高污染物反演精度。
基于上述实施例，在本实施例中，图2是本实施例提供的基于区域的污染物反演方法的流程示意图之二，如图2所示，步骤300中对所述至少一种污染物对应的数据进行预处理，包括：
步骤210、确定所述目标预测位置的污染物对应的卫星数据和辅助数据形成的矩阵为第一输入矩阵。
具体地，为了预测目标预测位置的污染物浓度，将目标预测位置的污染物对应的卫星数据和辅助数据形成的矩阵作为第一输入矩阵。
具体地，第一输入矩阵的维度为参数数量，例如，若共收集了C个类别的卫星数据和辅助数据，则第一输入矩阵为C维矩阵，数据种类增加，则第一矩阵的维度增加。
步骤220、将所述目标研究区域内每个站点的所述污染物对应的卫星数据和辅助数据形成的矩阵与每个站点的所述污染物的浓度的实测数据形成的矩阵按列进行拼接，确定拼接后的矩阵为第二输入矩阵。
具体地，为了考虑到周围站点污染物浓度对目标预测位置污染物浓度影响的权重，从而反映污染物浓度的时空变异性，将目标研究区域内每个站点的污染物对应的卫星数据和辅助数据形成的矩阵与每个站点的污染物的浓度的实测数据形成的矩阵按列进行拼接，将拼接后的矩阵作为第二输入矩阵。
具体地，目标研究区域内每个站点的污染物对应的卫星数据和辅助数据形成的矩阵维度为N×C，其中，C为数据类别数量，N为站点数量；每个站点的污染物的浓度的实测数据形成的矩阵维度为N×M，其中，M为污染物类别数量；将目标研究区域内每个站点的污染物对应的卫星数据和辅助数据形成的矩阵与每个站点的污染物的浓度的实测数据形成的矩阵按列进行拼接，形成的第二输入矩阵的维度为N×（C+M）。
步骤230、确定所述目标研究区域之内除所述目标预测位置之外的区域的污染物对应的卫星数据和辅助数据形成的矩阵为第三输入矩阵。
具体地，为了考虑气象条件空间分布对污染物浓度时空变异性的影响，将目标研究区域之内除目标预测位置之外的区域的污染物对应的卫星数据和辅助数据形成的矩阵作为第三输入矩阵。
具体地，第三输入矩阵的维度为C×W×W，其中，C为数据类别数量，W为窗口大小，可以依据图像数据的分辨率和大气影响范围设置，通常W为奇数。例如，若目标研究区域为方圆100km的区域，分辨率为10km，可以设置W为11。
本实施例提供的基于区域的污染物反演方法，将目标预测位置的污染物对应的卫星数据和辅助数据形成的矩阵作为第一输入矩阵，将目标研究区域内每个站点的污染物对应的卫星数据和辅助数据形成的矩阵与每个站点的污染物的浓度的实测数据形成的矩阵按列进行拼接，将拼接后的矩阵作为第二输入矩阵，将目标研究区域之内除目标预测位置之外的区域的污染物对应的卫星数据和辅助数据形成的矩阵作为第三输入矩阵，同时考虑到周围站点污染物浓度对目标预测位置污染物浓度影响的权重，从而反映污染物浓度的时空变异性以及气象条件空间分布对污染物浓度时空变异性的影响，提高污染物反演精度。
基于上述实施例，在本实施例中，步骤300中将预处理后的数据输入预先训练的反演模型，以得到所述目标预测位置的所述至少一种污染物的浓度，包括：
将所述第一输入矩阵、所述第二输入矩阵和所述第三输入矩阵输入预先训练的反演模型，以得到所述目标预测位置的所述至少一种污染物的浓度。
本实施例提供的基于区域的污染物反演方法，将第一输入矩阵、第二输入矩阵和第三输入矩阵输入预先训练的反演模型，以得到目标预测位置的至少一种污染物的浓度，此过程同时考虑到周围站点污染物浓度对目标预测位置污染物浓度影响的权重，从而反映污染物浓度的时空变异性以及气象条件空间分布对污染物浓度时空变异性的影响，提高污染物反演精度。
基于上述实施例，在本实施例中，所述预先训练的反演模型包括预先训练的第一多层感知机、预先训练的第二多层感知机、预先训练的第三多层感知机和预先训练的稀疏卷积网络；图3是本实施例提供的基于区域的污染物反演方法的流程示意图之三，如图3所示，所述将所述第一输入矩阵、所述第二输入矩阵和所述第三输入矩阵输入预先训练的反演模型，以得到所述目标预测位置的所述至少一种污染物的浓度，包括：
步骤310、将所述第一输入矩阵、所述第二输入矩阵和所述第三输入矩阵分别输入预先训练的第一多层感知机、预先训练的第二多层感知机和预先训练的稀疏卷积网络，以分别提取并输出所述目标预测位置的第一特征、所述目标研究区域内站点的第二特征和所述目标研究区域之内除所述目标预测位置之外的区域的第三特征；其中，所述第一特征、所述第二特征和所述第三特征维数相同。
具体地，为了提取目标预测位置的特征，将第一输入矩阵输入预先训练的第一多层感知机，输出第一特征F1，F1为256维特征，特征维数可以依据区域气象条件的复杂和均匀程度增加或减少。
可选地，为了提取目标研究区域内站点的特征，将第二输入矩阵的每一行均输入预先训练的第二多层感知机，每一行的第二多层感知机的权重是共享的。对于所有行的输出，进行平均运算，为了避免某些站点数据缺失的影响，只对没有数据缺失的站点的特征进行平均，平均后获得反映周围污染物分布的第二特征F2。
可选地，为了提取目标研究区域之内除目标预测位置之外的区域的特征，将第三输入矩阵输入预先训练的稀疏卷积网络，输出第三特征F3。可以依据W的大小设置不同的卷积层深度，W为窗口大小，W越大，卷积层深度越深。通过稀疏卷积网络后，形成C’×1×1的特征，去除最后2维，得到可以反映区域性气象条件影响的维数为C’的第三特征F3。
步骤320、融合所述第一特征、所述第二特征和所述第三特征，以得到第四特征；其中，所述第四特征用于进行所述污染物的反演。
步骤330、将所述第四特征输入预先训练的第三多层感知机，用于输出所述目标预测位置的所述至少一种污染物的浓度。
本实施例提供的基于区域的污染物反演方法，将第一输入矩阵、第二输入矩阵和第三输入矩阵输入预先训练的第一多层感知机、预先训练的第二多层感知机和预先训练的稀疏卷积网络，以分别提取并输出目标预测位置的第一特征、目标研究区域内站点的第二特征和目标研究区域之内除目标预测位置之外的区域的第三特征，通过融合第一特征、第二特征和第三特征，得到第四特征，进行污染物浓度的反演，此过程同时考虑到周围站点污染物浓度对目标预测位置污染物浓度影响的权重，从而反映污染物浓度的时空变异性以及气象条件空间分布对污染物浓度时空变异性的影响，可同时对多种污染物进行反演，能提高污染物反演精度。
基于上述实施例，在本实施例中，所述预先训练的反演模型还包括预先训练的第四多层感知机；图4是本实施例提供的基于区域的污染物反演方法的流程示意图之四，如图4所示，在步骤320融合所述第一特征、所述第二特征和所述第三特征，以得到第四特征之前，所述方法还包括：
步骤410、对所述第一特征的每一维进行运算处理；所述运算处理包括计算所述第一特征的每一维的最大值、最小值、平均值和方差。
步骤420、将运算处理后的第一特征输入所述第四多层感知机，用于形成融合权重图；其中，所述融合权重图用于融合所述第一特征、所述第二特征和所述第三特征。
具体地，计算第一特征的每一维的最大值、最小值、平均值和方差，将运算处理后的第一特征输入第四多层感知机，用于形成融合权重图。
融合权重图可通过公式（1）实现：
（1）
其中，M表示融合权重图，表示sigmoid函数，/>表示第四多层感知机，F1 max表示第一特征每一维的最大值，F1 min表示第一特征每一维的最小值，F1 mean表示第一特征每一维的平均值，F1 var表示第一特征每一维的方差。
本实施例提供的基于区域的污染物反演方法，通过计算第一特征的每一维的最大值、最小值、平均值和方差，将运算处理后的第一特征输入第四多层感知机，形成融合权重图，用于融合第一特征、第二特征和第三特征，以得到用于反演污染物的第四特征。
基于上述实施例，在本实施例中，步骤320融合所述第一特征、所述第二特征和所述第三特征，以得到第四特征，包括：
通过所述融合权重图融合所述第一特征、所述第二特征和所述第三特征，以得到第四特征。
具体地，第四特征可通过公式（2）得到：
（2）
其中，F4表示第四特征，F1表示第一特征，F2表示第二特征，F3表示第三特征，M表示融合权重图。
本实施例提供的基于区域的污染物反演方法，通过融合权重图融合第一特征、第二特征和第三特征，以得到第四特征，从而实现多种污染物的高精度反演。
下面对本发明实施例中提供的基于区域的污染物反演的完整过程进行描述。
具体地，图5是本实施例提供的预先训练的反演模型的原理示意图，图6是本发明提供的基于区域的污染物反演方法的完整流程图，本发明提供的基于区域的污染物反演方法，通过将目标研究区域内污染物对应的数据输入预先训练的反演模型，以实现同时反演多种污染物，结合图5和图6，具体步骤说明如下：
步骤S1、获取目标研究区域内至少一种污染物对应的数据；
步骤S2、将数据重采样到相同分辨率；
步骤S3、确定第一输入矩阵，将第一输入矩阵输入预先训练的第一多层感知机，提取并输出目标预测位置的第一特征；
步骤S4、确定第一输入矩阵，将第一输入矩阵输入预先训练的第一多层感知机，提取并输出目标预测位置的第一特征；
步骤S5、确定第三输入矩阵，将第三输入矩阵输入预先训练的稀疏卷积网络，提取并输出目标研究区域之内除所述目标预测位置之外的区域的第三特征；
步骤S6、运算处理第一特征，将运算处理后的第一特征输入第四多层感知机，形成融合权重图；
步骤S7、通过融合权重图融合第一特征、第二特征和第三特征，得到第四特征；
步骤S8、将第四特征输入预先训练的第三多层感知机，输出目标预测位置的至少一种污染物的浓度；
步骤S9、基于预设区域内站点的历史实测数据训练反演模型，训练时采用最小均方误差损失约束预测的污染物浓度和站点实测污染物浓度差异最小；
步骤S10、预测任意位置的多种污染物的浓度。
下面对本发明提供的基于区域的污染物反演装置进行描述，下文描述的基于区域的污染物反演装置与上文描述的基于区域的污染物反演方法可相互对应参照。
图7是本实施例提供的基于区域的污染物反演装置的结构示意图，如图7所示，本实施例提供的基于区域的污染物反演装置，包括：
确定模块701，用于确定目标预测位置，确定包含所述目标预测位置的预设大小的区域为目标研究区域；
获取模块702，用于获取所述目标研究区域内至少一种污染物对应的数据；
反演模块703，用于对所述至少一种污染物对应的数据进行预处理，将预处理后的数据输入预先训练的反演模型，以得到所述目标预测位置的所述至少一种污染物的浓度；
其中，所述反演模型是基于预设区域内站点的实测数据对多层感知机和稀疏卷积网络进行训练得到的。
本实施例提供的基于区域的污染物反演装置，通过确定目标预测位置，确定包含目标预测位置的预设大小的区域为目标研究区域，获取目标研究区域内至少一种污染物对应的数据，从而保证获取到较大范围较为充足的数据量；对至少一种污染物对应的数据进行预处理，将预处理后的数据输入预先训练的反演模型，以得到目标预测位置的至少一种污染物的浓度，其中，反演模型是基于预设区域内站点的历史实测数据对多层感知机和稀疏卷积网络进行训练得到的，由此可以实现同时反演多种污染物，节省计算资源。
基于上述实施例，在本实施例中，所述获取模块702，具体用于：
获取所述目标研究区域内至少一种污染物对应的卫星数据和辅助数据，以及所述目标研究区域内每个站点的所述污染物的浓度的实测数据。
基于上述实施例，在本实施例中，所述反演模块703，具体用于：
确定所述目标预测位置的污染物对应的卫星数据和辅助数据形成的矩阵为第一输入矩阵；
将所述目标研究区域内每个站点的所述污染物对应的卫星数据和辅助数据形成的矩阵与每个站点的所述污染物的浓度的实测数据形成的矩阵按列进行拼接，确定拼接后的矩阵为第二输入矩阵；
确定所述目标研究区域之内除所述目标预测位置之外的区域的污染物对应的卫星数据和辅助数据形成的矩阵为第三输入矩阵。
基于上述实施例，在本实施例中，所述反演模块703，具体用于：
将所述第一输入矩阵、所述第二输入矩阵和所述第三输入矩阵输入预先训练的反演模型，以得到所述目标预测位置的所述至少一种污染物的浓度。
基于上述实施例，在本实施例中，所述预先训练的反演模型包括预先训练的第一多层感知机、预先训练的第二多层感知机、预先训练的第三多层感知机和预先训练的稀疏卷积网络；
所述反演模块703，具体用于：
将所述第一输入矩阵、所述第二输入矩阵和所述第三输入矩阵分别输入预先训练的第一多层感知机、预先训练的第二多层感知机和预先训练的稀疏卷积网络，以分别提取并输出所述目标预测位置的第一特征、所述目标研究区域内站点的第二特征和所述目标研究区域之内除所述目标预测位置之外的区域的第三特征；其中，所述第一特征、所述第二特征和所述第三特征维数相同；
融合所述第一特征、所述第二特征和所述第三特征，以得到第四特征；其中，所述第四特征用于进行所述污染物的反演；
将所述第四特征输入预先训练的第三多层感知机，用于输出所述目标预测位置的所述至少一种污染物的浓度。
基于上述实施例，在本实施例中，所述预先训练的反演模型还包括预先训练的第四多层感知机；
所述装置还包括形成模块，具体用于：
在融合所述第一特征、所述第二特征和所述第三特征，以得到第四特征之前，对所述第一特征的每一维进行运算处理；所述运算处理包括计算所述第一特征的每一维的最大值、最小值、平均值和方差；
将运算处理后的第一特征输入所述第四多层感知机，用于形成融合权重图；其中，所述融合权重图用于融合所述第一特征、所述第二特征和所述第三特征。
基于上述实施例，在本实施例中，所述装置还包括融合模块，具体用于：
通过所述融合权重图融合所述第一特征、所述第二特征和所述第三特征，以得到第四特征。
图8示例了一种电子设备的实体结构示意图，如图8所示，该电子设备可以包括：处理器(processor)810、通信接口(Communications Interface)820、存储器(memory)830和通信总线840，其中，处理器810，通信接口820，存储器830通过通信总线840完成相互间的通信。处理器810可以调用存储器830中的逻辑指令，以执行基于区域的污染物反演方法，该方法包括：
确定目标预测位置，确定包含所述目标预测位置的预设大小的区域为目标研究区域；
获取所述目标研究区域内至少一种污染物对应的数据；
对所述至少一种污染物对应的数据进行预处理，将预处理后的数据输入预先训练的反演模型，以得到所述目标预测位置的所述至少一种污染物的浓度；
其中，所述反演模型是基于预设区域内站点的历史实测数据对多层感知机和稀疏卷积网络进行训练得到的。
此外，上述的存储器830中的逻辑指令可以通过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。
另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括计算机程序，计算机程序可存储在非暂态计算机可读存储介质上，所述计算机程序被处理器执行时，计算机能够执行上述各方法所提供的基于区域的污染物反演方法，该方法包括：
确定目标预测位置，确定包含所述目标预测位置的预设大小的区域为目标研究区域；
获取所述目标研究区域内至少一种污染物对应的数据；
对所述至少一种污染物对应的数据进行预处理，将预处理后的数据输入预先训练的反演模型，以得到所述目标预测位置的所述至少一种污染物的浓度；
其中，所述反演模型是基于预设区域内站点的历史实测数据对多层感知机和稀疏卷积网络进行训练得到的。
又一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各方法提供的基于区域的污染物反演方法，该方法包括：
确定目标预测位置，确定包含所述目标预测位置的预设大小的区域为目标研究区域；
获取所述目标研究区域内至少一种污染物对应的数据；
对所述至少一种污染物对应的数据进行预处理，将预处理后的数据输入预先训练的反演模型，以得到所述目标预测位置的所述至少一种污染物的浓度；
其中，所述反演模型是基于预设区域内站点的历史实测数据对多层感知机和稀疏卷积网络进行训练得到的。
以上所描述的装置实施例仅仅是示意性的，其中所述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。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述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，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、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）执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；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：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发明各实施例技术方案的精神和范围。
Claims (10)
1.一种基于区域的污染物反演方法，其特征在于，包括：
确定目标预测位置，确定包含所述目标预测位置的预设大小的区域为目标研究区域；
获取所述目标研究区域内至少一种污染物对应的数据；
对所述至少一种污染物对应的数据进行预处理，将预处理后的数据输入预先训练的反演模型，以得到所述目标预测位置的所述至少一种污染物的浓度；
其中，所述反演模型是基于预设区域内站点的历史实测数据对多层感知机和稀疏卷积网络进行训练得到的。
2.根据权利要求1所述的基于区域的污染物反演方法，其特征在于，所述获取所述目标研究区域内至少一种污染物对应的数据，包括：
获取所述目标研究区域内至少一种污染物对应的卫星数据和辅助数据，以及所述目标研究区域内每个站点的所述污染物的浓度的实测数据。
3.根据权利要求2所述的基于区域的污染物反演方法，其特征在于，所述对所述至少一种污染物对应的数据进行预处理，包括：
确定所述目标预测位置的污染物对应的卫星数据和辅助数据形成的矩阵为第一输入矩阵；
将所述目标研究区域内每个站点的所述污染物对应的卫星数据和辅助数据形成的矩阵与每个站点的所述污染物的浓度的实测数据形成的矩阵按列进行拼接，确定拼接后的矩阵为第二输入矩阵；
确定所述目标研究区域之内除所述目标预测位置之外的区域的污染物对应的卫星数据和辅助数据形成的矩阵为第三输入矩阵。
4.根据权利要求3所述的基于区域的污染物反演方法，其特征在于，所述将预处理后的数据输入预先训练的反演模型，以得到所述目标预测位置的所述至少一种污染物的浓度，包括：
将所述第一输入矩阵、所述第二输入矩阵和所述第三输入矩阵输入预先训练的反演模型，以得到所述目标预测位置的所述至少一种污染物的浓度。
5.根据权利要求4所述的基于区域的污染物反演方法，其特征在于，所述预先训练的反演模型包括预先训练的第一多层感知机、预先训练的第二多层感知机、预先训练的第三多层感知机和预先训练的稀疏卷积网络；
所述将所述第一输入矩阵、所述第二输入矩阵和所述第三输入矩阵输入预先训练的反演模型，以得到所述目标预测位置的所述至少一种污染物的浓度，包括：
将所述第一输入矩阵、所述第二输入矩阵和所述第三输入矩阵分别输入预先训练的第一多层感知机、预先训练的第二多层感知机和预先训练的稀疏卷积网络，以分别提取并输出所述目标预测位置的第一特征、所述目标研究区域内站点的第二特征和所述目标研究区域之内除所述目标预测位置之外的区域的第三特征；其中，所述第一特征、所述第二特征和所述第三特征维数相同；
融合所述第一特征、所述第二特征和所述第三特征，以得到第四特征；其中，所述第四特征用于进行所述污染物的反演；
将所述第四特征输入预先训练的第三多层感知机，用于输出所述目标预测位置的所述至少一种污染物的浓度。
6.根据权利要求5所述的基于区域的污染物反演方法，其特征在于，所述预先训练的反演模型还包括预先训练的第四多层感知机；
在融合所述第一特征、所述第二特征和所述第三特征，以得到第四特征之前，所述方法还包括：
对所述第一特征的每一维进行运算处理；所述运算处理包括计算所述第一特征的每一维的最大值、最小值、平均值和方差；
将运算处理后的第一特征输入所述第四多层感知机，用于形成融合权重图；其中，所述融合权重图用于融合所述第一特征、所述第二特征和所述第三特征。
7.根据权利要求6所述的基于区域的污染物反演方法，其特征在于，所述融合所述第一特征、所述第二特征和所述第三特征，以得到第四特征，包括：
通过所述融合权重图融合所述第一特征、所述第二特征和所述第三特征，以得到第四特征。
8.一种基于区域的污染物反演装置，其特征在于，包括：
确定模块，用于确定目标预测位置，确定包含所述目标预测位置的预设大小的区域为目标研究区域；
获取模块，用于获取所述目标研究区域内至少一种污染物对应的数据；
反演模块，用于对所述至少一种污染物对应的数据进行预处理，将预处理后的数据输入预先训练的反演模型，以得到所述目标预测位置的所述至少一种污染物的浓度；
其中，所述反演模型是基于预设区域内站点的实测数据对多层感知机和稀疏卷积网络进行训练得到的。
9.一种电子设备，包括存储器、处理器及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，其特征在于，所述处理器执行所述程序时实现如权利要求1至7任一项所述基于区域的污染物反演方法。
10.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述基于区域的污染物反演方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311176907.9A CN116910457B (zh) | 2023-09-13 | 2023-09-13 | 一种基于区域的污染物反演方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311176907.9A CN116910457B (zh) | 2023-09-13 | 2023-09-13 | 一种基于区域的污染物反演方法和装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116910457A true CN116910457A (zh) | 2023-10-20 |
| CN116910457B CN116910457B (zh) | 2023-12-08 |
Family
ID=88367226
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311176907.9A Active CN116910457B (zh) | 2023-09-13 | 2023-09-13 | 一种基于区域的污染物反演方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116910457B (zh) |
Citations (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108490496A (zh) * | 2018-03-26 | 2018-09-04 | 中国石油化工股份有限公司 | 基于拟径向基函数神经网络的重力场密度反演方法 |
| EP3454285A1 (en) * | 2017-09-11 | 2019-03-13 | Fujitsu Limited | An apparatus and method for assessing flooding behaviour and an apparatus and method for predicting a flood property |
| US20200074270A1 (en) * | 2018-09-05 | 2020-03-05 | International Business Machines Corporation | Estimate ore content based on spatial geological data through 3d convolutional neural networks |
| CN111160628A (zh) * | 2019-12-13 | 2020-05-15 | 重庆邮电大学 | 一种基于CNN和双注意力seq2seq的空气污染物浓度预测方法 |
| CN111209533A (zh) * | 2019-11-28 | 2020-05-29 | 香港理工大学深圳研究院 | 道路层面细颗粒物反演方法、装置、计算设备及存储介质 |
| CN111781576A (zh) * | 2019-10-09 | 2020-10-16 | 山东大学 | 一种基于深度学习的探地雷达智能反演方法 |
| CN112905560A (zh) * | 2021-02-02 | 2021-06-04 | 中国科学院地理科学与资源研究所 | 一种多源时空大数据深度融合的空气污染预测方法 |
| US20210342867A1 (en) * | 2020-04-30 | 2021-11-04 | Baidu Online Network Technology (Beijing) Co., Ltd. | Methods for predicting economic state and establishing economic state prediction model and corresponding apparatuses |
| CN113837361A (zh) * | 2021-09-01 | 2021-12-24 | 中咨公路养护检测技术有限公司 | 一种空气污染物浓度预测方法及系统 |
| CN114637048A (zh) * | 2021-11-05 | 2022-06-17 | 中国环境科学研究院 | 基于EConvNet-C算法的视电阻率非线性反演方法及系统 |
| 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 |
| CN115830473A (zh) * | 2023-02-20 | 2023-03-21 | 江苏省生态环境监测监控有限公司 | 基于卫星遥感和自动监测的水质反演方法、系统 |
| CN116305967A (zh) * | 2023-03-23 | 2023-06-23 | 南开大学 | 基于卷积神经网络和多模态特征融合的海面风速反演方法 |
| CN116306322A (zh) * | 2023-05-18 | 2023-06-23 | 天津中科谱光信息技术有限公司 | 一种基于高光谱数据的水体总磷浓度反演方法和装置 |
| EP4216117A1 (en) * | 2022-01-21 | 2023-07-26 | China Three Gorges Co., Ltd. | Method and apparatus for training water-and-sediment prediction model for reservoir and method and apparatus for predicting water-and-sediment in reservoir |
| CN116504330A (zh) * | 2023-06-28 | 2023-07-28 | 航天宏图信息技术股份有限公司 | 污染物浓度反演方法、装置、电子设备及可读存储介质 |
-
2023
- 2023-09-13 CN CN202311176907.9A patent/CN116910457B/zh active Active
Patent Citations (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP3454285A1 (en) * | 2017-09-11 | 2019-03-13 | Fujitsu Limited | An apparatus and method for assessing flooding behaviour and an apparatus and method for predicting a flood property |
| CN108490496A (zh) * | 2018-03-26 | 2018-09-04 | 中国石油化工股份有限公司 | 基于拟径向基函数神经网络的重力场密度反演方法 |
| US20200074270A1 (en) * | 2018-09-05 | 2020-03-05 | International Business Machines Corporation | Estimate ore content based on spatial geological data through 3d convolutional neural networks |
| CN111781576A (zh) * | 2019-10-09 | 2020-10-16 | 山东大学 | 一种基于深度学习的探地雷达智能反演方法 |
| CN111209533A (zh) * | 2019-11-28 | 2020-05-29 | 香港理工大学深圳研究院 | 道路层面细颗粒物反演方法、装置、计算设备及存储介质 |
| CN111160628A (zh) * | 2019-12-13 | 2020-05-15 | 重庆邮电大学 | 一种基于CNN和双注意力seq2seq的空气污染物浓度预测方法 |
| US20210342867A1 (en) * | 2020-04-30 | 2021-11-04 | Baidu Online Network Technology (Beijing) Co., Ltd. | Methods for predicting economic state and establishing economic state prediction model and corresponding apparatuses |
| CN112905560A (zh) * | 2021-02-02 | 2021-06-04 | 中国科学院地理科学与资源研究所 | 一种多源时空大数据深度融合的空气污染预测方法 |
| CN113837361A (zh) * | 2021-09-01 | 2021-12-24 | 中咨公路养护检测技术有限公司 | 一种空气污染物浓度预测方法及系统 |
| CN114637048A (zh) * | 2021-11-05 | 2022-06-17 | 中国环境科学研究院 | 基于EConvNet-C算法的视电阻率非线性反演方法及系统 |
| EP4216117A1 (en) * | 2022-01-21 | 2023-07-26 | China Three Gorges Co., Ltd. | Method and apparatus for training water-and-sediment prediction model for reservoir and method and apparatus for predicting water-and-sediment in reservoir |
| 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 |
| CN115830473A (zh) * | 2023-02-20 | 2023-03-21 | 江苏省生态环境监测监控有限公司 | 基于卫星遥感和自动监测的水质反演方法、系统 |
| CN116305967A (zh) * | 2023-03-23 | 2023-06-23 | 南开大学 | 基于卷积神经网络和多模态特征融合的海面风速反演方法 |
| CN116306322A (zh) * | 2023-05-18 | 2023-06-23 | 天津中科谱光信息技术有限公司 | 一种基于高光谱数据的水体总磷浓度反演方法和装置 |
| CN116504330A (zh) * | 2023-06-28 | 2023-07-28 | 航天宏图信息技术股份有限公司 | 污染物浓度反演方法、装置、电子设备及可读存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116910457B (zh) | 2023-12-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112905560B (zh) | 一种多源时空大数据深度融合的空气污染预测方法 | |
| Park et al. | Concrete crack detection and quantification using deep learning and structured light | |
| CN110942049B (zh) | 一种基于卫星遥感的臭氧污染源识别方法和系统 | |
| Arhami et al. | Predicting hourly air pollutant levels using artificial neural networks coupled with uncertainty analysis by Monte Carlo simulations | |
| CN110533631A (zh) | 基于金字塔池化孪生网络的sar图像变化检测方法 | |
| CN112052627A (zh) | 近地面臭氧空间分布的估算方法、装置、介质及设备 | |
| CN112215525B (zh) | 一种湖库水质反演及可视化评价方法 | |
| CN113344149B (zh) | 一种基于神经网络的pm2.5逐小时预测方法 | |
| CN110533239B (zh) | 一种智慧城市空气品质高精度测量方法 | |
| CN115438848A (zh) | 基于深度混合图神经网络的pm2.5浓度长期预测方法 | |
| CN110738354A (zh) | 预测颗粒物浓度的方法、装置、存储介质及电子设备 | |
| CN117592005B (zh) | Pm2.5浓度卫星遥感估算方法、装置、设备及介质 | |
| CN114898823B (zh) | 一种高时空分辨率遥感近地面no2浓度预估方法和系统 | |
| CN114723188A (zh) | 水质预测方法、装置、计算机设备和存储介质 | |
| CN113204061A (zh) | 一种构建格点风速订正模型的方法及装置 | |
| CN117708551B (zh) | 基于双精度gdp数据展布的洪涝灾害影响评估方法和系统 | |
| CN115825338A (zh) | 臭氧监测降尺度方法、装置、设备及计算机可读存储介质 | |
| CN116910457B (zh) | 一种基于区域的污染物反演方法和装置 | |
| CN117744849A (zh) | 基于混合深度神经网络的pm2.5浓度预测方法、系统及设备 | |
| Chen et al. | Peripheric sensors-based leaking source tracking in a chemical industrial park with complex obstacles | |
| CN115062526B (zh) | 基于深度学习的三维电离层电子浓度分布模型训练方法 | |
| CN116167003A (zh) | 一种近地面人为源二氧化氮高精细产品估算方法及系统 | |
| Samal et al. | Predicting the least air polluted path using the neural network approach | |
| Brynjarsdottir et al. | Optimal Estimation Versus MCMC for CO 2 Retrievals | |
| CN113988153A (zh) | 基于条件生成对抗网络的高分辨率气溶胶估算方法 |
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 |