CN117589646B - 大气细颗粒物浓度监测方法、装置、设备及介质 - Google Patents
大气细颗粒物浓度监测方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN117589646B CN117589646B CN202410083341.3A CN202410083341A CN117589646B CN 117589646 B CN117589646 B CN 117589646B CN 202410083341 A CN202410083341 A CN 202410083341A CN 117589646 B CN117589646 B CN 117589646B
- Authority
- CN
- China
- Prior art keywords
- data
- remote sensing
- observation
- concentration
- characteristic information
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 201
- 238000000034 method Methods 0.000 title claims abstract description 77
- 230000004927 fusion Effects 0.000 claims abstract description 79
- 238000012549 training Methods 0.000 claims abstract description 61
- 238000012545 processing Methods 0.000 claims abstract description 11
- 238000003062 neural network model Methods 0.000 claims description 30
- 230000006870 function Effects 0.000 claims description 13
- 238000012952 Resampling Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 12
- 238000012795 verification Methods 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 10
- 238000007781 pre-processing Methods 0.000 claims description 9
- 239000013618 particulate matter Substances 0.000 claims description 8
- 238000007499 fusion processing Methods 0.000 claims description 7
- 238000012806 monitoring device Methods 0.000 claims description 3
- 230000008021 deposition Effects 0.000 claims description 2
- 239000010419 fine particle Substances 0.000 abstract description 4
- 238000013528 artificial neural network Methods 0.000 description 8
- 238000004891 communication Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 238000002790 cross-validation Methods 0.000 description 5
- 238000013136 deep learning model Methods 0.000 description 4
- 238000010606 normalization Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 239000000443 aerosol Substances 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- 238000010200 validation analysis Methods 0.000 description 2
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 description 1
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 208000024172 Cardiovascular disease Diseases 0.000 description 1
- 238000003915 air pollution Methods 0.000 description 1
- 238000010923 batch production Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000005180 public health Effects 0.000 description 1
- 208000023504 respiratory system disease Diseases 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
- G01N15/06—Investigating concentration of particle suspensions
-
- G—PHYSICS
- 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
-
- 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
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Chemical & Material Sciences (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Dispersion Chemistry (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Evolutionary Biology (AREA)
- Pathology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Immunology (AREA)
- Image Processing (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
本发明提供一种大气细颗粒物浓度监测方法、装置、设备及介质,属于遥感影像处理技术领域,该方法包括:基于目标监测区域的多源遥感观测数据和多源遥感观测数据的时空特征信息,确定融合特征信息;将融合特征信息输入至PM2.5浓度监测模型,得到PM2.5浓度监测模型输出的目标监测区域的PM2.5浓度监测值;PM2.5浓度监测模型是根据监测区域多源遥感观测数据的融合特征信息样本及其对应的PM2.5浓度标签进行训练得到的;多源遥感观测数据至少包括AOD数据。本发明可以输出高精度的PM2.5浓度监测值,可以有效提升PM2.5浓度估算的精度,实现高精度的PM2.5反演。
Description
技术领域
本发明涉及遥感影像处理技术领域,尤其涉及一种大气细颗粒物浓度监测方法、装置、设备及介质。
背景技术
PM2.5是造成空气污染的重要组成部分之一,其可以在大气中长期悬浮并远距离传播。PM2.5还会导致人群诱发心血管和呼吸系统等疾病,严重危害了公众的健康。PM2.5浓度和气溶胶光学厚度(Aerosol Optical Depth,AOD)存在稳定的正相关关系,所以可以通过卫星AOD产品反演PM2.5浓度。
由于神经网络具有出色的非线性拟合能力,近年来已经提出了许多有关机器学习和深度学习模型,来拟合PM2.5和AOD之间复杂的非线性关系,实现对PM2.5的浓度监测。然而,现有大多数机器学习和深度学习模型普遍忽略了PM2.5浓度的时空变化特性,缺少对PM2.5浓度的时空异质性解释,从而导致现有PM2.5浓度反演结果的精度并不高。
发明内容
本发明提供一种大气细颗粒物浓度监测方法、装置、设备及介质,用以解决现有技术中PM2.5浓度反演结果的精度并不高的缺陷。
本发明提供一种大气细颗粒物浓度监测方法,包括:
基于目标监测区域的多源遥感观测数据和所述多源遥感观测数据的时空特征信息,确定融合特征信息;所述时空特征信息是对所述多源遥感观测数据的观测时间信息和观测经纬度信息进行时空编码得到的;
将所述融合特征信息输入至PM2.5浓度监测模型,得到所述PM2.5浓度监测模型输出的所述目标监测区域的PM2.5浓度监测值;所述PM2.5浓度监测模型是根据监测区域多源遥感观测数据的融合特征信息样本及其对应的PM2.5浓度标签进行训练得到的;所述多源遥感观测数据至少包括AOD数据。
根据本发明提供的一种大气细颗粒物浓度监测方法,所述基于目标监测区域的多源遥感观测数据和所述多源遥感观测数据的时空特征信息,确定融合特征信息,包括:
对所述多源遥感观测数据进行预处理,获取所述目标监测区域的多数据通道的遥感图像;
对所述遥感图像进行图像特征提取,得到多观测变量特征信息;
将所述多观测变量特征信息和所述时空特征信息进行融合,得到所述融合特征信息;
所述多观测变量特征信息包括所述AOD数据、气象数据、人口密度数据、高程数据和归一化植被指数数据。
根据本发明提供的一种大气细颗粒物浓度监测方法,在所述基于目标监测区域的多源遥感观测数据和所述多源遥感观测数据的时空特征信息,确定融合特征信息之前,所述方法还包括:
获取所述多源遥感观测数据的观测时间信息和观测经纬度信息;所述观测时间信息包括观测日期和观测年份;
分别对所述观测日期和所述观测年份进行编码,得到所述观测日期对应的第一编码信息和所述观测年份对应的第二编码信息;
将所述观测经纬度信息编码为球面坐标系下的第三编码信息;
基于所述第一编码信息、所述第二编码信息和所述第三编码信息,确定所述多源遥感观测数据的时空特征信息。
根据本发明提供的一种大气细颗粒物浓度监测方法,所述对所述多源遥感观测数据进行预处理,获取所述目标监测区域的多数据通道的遥感图像,包括:
对所述多源遥感观测数据中的每类遥感观测数据进行月平均处理,得到每类所述遥感观测数据的月平均值;
将每类遥感观测数据的月平均值匹配至所述目标监测区域的各个地理网格中,得到数据化的各个地理网格;所述地理网格是通过按照预测地理精度对所述目标监测区域的地理位置进行网格划分得到的;
将每类所述遥感观测数据对应的遥感图像重采样至同一分辨率,并将重采样后的各个遥感图像与所述数据化的各个地理网格进行匹配,得到所述目标监测区域的多数据通道的遥感图像。
根据本发明提供的一种大气细颗粒物浓度监测方法,所述AOD数据获取的步骤包括:
获取第一分辨率的第一AOD数据和第二分辨率的第二AOD数据;所述第一分辨率大于所述第二分辨率;
将所述第一分辨率的第一AOD数据和所述第二分辨率的第二AOD数据重采样至同一目标分辨率下,得到所述目标分辨率下的第一AOD数据和所述目标分辨率的第二AOD数据;
对所述目标分辨率的第一AOD数据与所述目标分辨率下的第二AOD数据进行融合处理,得到所述AOD数据。
根据本发明提供的一种大气细颗粒物浓度监测方法,在所述将所述融合特征信息输入至PM2.5浓度监测模型之前,所述方法还包括:
将监测区域多源遥感观测数据的融合特征信息样本及其对应的PM2.5浓度标签作为一组样本数据,获取多组所述样本数据;
按照预设比例,将多组所述样本数据划分为训练集和验证集;
利用所述训练集对预设的深度神经网络模型进行训练,并利用所述验证集对训练好的深度神经网络模型进行精度评估;
在确定所述训练好的深度神经网络模型的精度满足预设精度要求的情况下,将所述训练好的深度神经网络模型作为所述PM2.5浓度监测模型。
根据本发明提供的一种大气细颗粒物浓度监测方法,所述利用所述训练集对预设的深度神经网络模型进行训练,包括:
对于所述训练集中任意一组样本数据,将所述样本数据输入至预设的深度神经网络模型,输出所述样本数据对应的预测概率;
利用预设损失函数,根据所述样本数据对应的预测概率和所述样本数据对应的PM2.5浓度标签,计算损失值;
基于所述损失值,对所述深度神经网络模型的模型参数进行调整,直至所述损失值小于预设阈值或训练次数达到预设次数;
将所述损失值小于所述预设阈值或训练次数达到所述预设次数时所得到的模型参数作为训练好的PM2.5浓度监测模型的模型参数。
本发明还提供一种大气细颗粒物浓度监测装置,包括:
处理模块,用于基于目标监测区域的多源遥感观测数据和所述多源遥感观测数据的时空特征信息,确定融合特征信息;所述时空特征信息是对所述多源遥感观测数据的观测时间信息和观测经纬度信息进行时空编码得到的;
监测模块,用于将所述融合特征信息输入至PM2.5浓度监测模型,得到所述PM2.5浓度监测模型输出的所述目标监测区域的PM2.5浓度监测值;所述PM2.5浓度监测模型是根据监测区域多源遥感观测数据的融合特征信息样本及其对应的PM2.5浓度标签进行训练得到的;所述多源遥感观测数据至少包括AOD数据。
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大气细颗粒物浓度监测方法。
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大气细颗粒物浓度监测方法。
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大气细颗粒物浓度监测方法。
本发明提供的大气细颗粒物浓度监测方法、装置、设备及介质,通过考虑PM2.5浓度的时空变化特性,利用目标监测区域的多源遥感观测数据和这些多源遥感观测数据的时空特征信息,提取多源遥感数据的融合特征信息;同时利用监测区域多源遥感观测数据的融合特征信息样本及其对应的PM2.5浓度标签对深度神经网络进行模型训练,获得可以提取PM2.5浓度时空变化特征的PM2.5浓度监测模型,从而可以将提取目标监测区域多源遥感数据的融合特征信息输入至PM2.5浓度监测模型中进行识别,更好地解释PM2.5浓度与AOD数据的时空异质性,输出高精度的PM2.5浓度监测值,可以有效提升PM2.5浓度估算的精度,实现高精度的PM2.5反演。
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是本发明提供的大气细颗粒物浓度监测方法的流程示意图之一;
图2是本发明提供的大气细颗粒物浓度监测方法的流程示意图之二;
图3是本发明提供的大气细颗粒物浓度监测装置的结构示意图;
图4是本发明提供的电子设备的实体结构示意图。
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。
在发明的描述中,需要说明的是,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本发明中的具体含义。
下面结合图1-图4描述本发明的大气细颗粒物浓度监测方法、装置、设备及介质。
图1是本发明提供的大气细颗粒物浓度监测方法的流程示意图之一,如图1所示,包括:步骤110和步骤120。
步骤110,基于目标监测区域的多源遥感观测数据和多源遥感观测数据的时空特征信息,确定融合特征信息;时空特征信息是对多源遥感观测数据的观测时间信息和观测经纬度信息进行时空编码得到的;
步骤120,将融合特征信息输入至PM2.5浓度监测模型,得到PM2.5浓度监测模型输出的目标监测区域的PM2.5浓度监测值;PM2.5浓度监测模型是根据监测区域多源遥感观测数据的融合特征信息样本及其对应的PM2.5浓度标签进行训练得到的;多源遥感观测数据至少包括AOD数据。
具体地,本发明实施例所描述的目标监测区域指的是需要监测PM2.5浓度的地理位置区域,例如地面PM2.5监测站所处的位置区域,或者其他更大范围的地区流域,如澜沧江-湄公河流域。
本发明实施例所描述的多源遥感观测数据指的是多遥感卫星采集的观测数据,其至少包括AOD数据,具体可以包括来自MCD19A2产品的MODIS MAIAC AOD数据,以及来自MERRA-2再分析数据集的AOD数据。
基于上述实施例的内容,作为一种可选的实施例,AOD数据获取的步骤包括:
获取第一分辨率的第一AOD数据和第二分辨率的第二AOD数据;第一分辨率大于第二分辨率;
将第一分辨率的第一AOD数据和第二分辨率的第二AOD数据重采样至同一目标分辨率下,得到目标分辨率下的第一AOD数据和目标分辨率的第二AOD数据;
对目标分辨率的第一AOD数据与目标分辨率下的第二AOD数据进行融合处理,得到AOD数据。
具体地,本发明实施例所描述的第一分辨率的第一AOD数据指的是根据MODISMCD19A2产品获取到的MAIAC AOD数据,其分辨率高,但是数据有缺失,覆盖性差。
本发明实施例所描述的第二分辨率的第二AOD数据指的是根据MERRA-2再分析数据集产品获取到的AOD数据,其分辨率特别低,但是数据覆盖性高。
在本发明的实施例中,通过将高分辨率的MAIAC AOD数据和低分辨率的MERRA-2AOD数据进行重采样操作,使两类AOD数据重采样至同一目标分辨率下,从而得到相同分辨率下的MAIAC AOD数据和MERRA-2 AOD数据。其中,目标分辨率可以根据实际数据精度要求进行设定。
进一步地,在本发明的实施例中,对目标分辨率的MAIAC AOD数据与目标分辨率下的MERRA-2 AOD数据进行融合处理,可以在同一分辨率下,利用MERRA-2 AOD数据对应填充MAIAC AOD数据中空间缺失的数据,从而获取到全覆盖,且分辨率较高的AOD数据。
本发明实施例的方法,通过利用全覆盖的低分辨率AOD数据与存在空间缺失的高分辨率AOD数据进行数据融合处理,获取到全覆盖,且分辨率较高的AOD数据,以提升后续提取的多源遥感数据融合特征信息的丰富性和准确性,有利于提高大气PM2.5监测数据的精度。
在本发明的实施例中,多源遥感观测数据还可以包括多类气象数据,如来自全球大气ERA5气象再分析数据集的气象数据:边界层高度、相对湿度、地表温度、风速、风向、地表气压和蒸散发数据等;以及其他环境参数数据。
其中,其他环境参数数据具体可以包括来自Land Scan卫星数据产品的人口密度数据,来自GMTED2010卫星数据产品的高程数据和来自MODIS MOD13A2卫星数据产品的归一化植被指数(Normalized Difference Vegetation Index,NDVI)数据等。
本发明实施例所描述的时空特征信息指的是可以表征多源遥感观测数据时空异质性的信息,其具体可以通过对多源遥感观测数据的观测时间信息和观测经纬度信息进行时空编码而得到。
本发明实施例所描述的融合特征信息指的是对多源遥感观测数据中的各类遥感数据与对应的时空特征信息进行融合处理所得到的融合特征信息,其具体可以通过包含多源遥感观测数据特征和时空分布特征的一维向量来表示。
本发明实施例所描述的PM2.5浓度监测模型是根据监测区域多源遥感观测数据的融合特征信息样本及其对应的PM2.5浓度标签对深度神经网络模型进行训练得到的,用于对不同遥感观测数据与时空特性数据的融合特征信息进行识别,通过学习不同遥感数据与PM2.5浓度的时空异质性差异,提取PM2.5浓度时空变化特征,从而可以使PM2.5浓度监测模型根据输入的融合特征信息,准确预测目标监测区域的PM2.5浓度。
其中,深度神经网络模型可以采用深度卷积神经网络(Convolutional NeuralNetworks,CNN),反向传播神经网络(Back Propagation Neural Network,BPNN),或者多类深度神经网络模型的联合模型等,也可以采用其他能够提取PM2.5浓度时空变化特征,实现PM2.5浓度监测的神经网络,在本发明中不做具体限定。
其中,训练样本是由多组携带有PM2.5浓度标签的多源遥感观测数据的融合特征信息样本组成的。
本发明实施例所描述的PM2.5浓度标签是根据多源遥感观测数据的融合特征信息样本预先确定的,并与多源遥感观测数据的融合特征信息样本是一一对应的。也就是说,训练样本中的每一个多源遥感观测数据的融合特征信息样本,都预先设定好携带一个与之对应的PM2.5浓度标签。
在本发明的实施例中,步骤110中,通过获取目标监测区域的多源遥感观测数据,并对多源遥感观测数据的观测时间信息和观测经纬度信息进行时空编码,得到多源遥感观测数据的时空特征信息,进而对这些多源遥感观测数据和该时空特征信息进行进一步数据融合,获取多源遥感观测数据的融合特征信息。
进一步地,在本发明的实施例中,步骤120中,通过将融合特征信息输入至PM2.5浓度监测模型,利用训练好的PM2.5浓度监测模型提取融合特征信息时空特征信息,可以更好地解释解释PM2.5浓度与AOD数据的时空异质性,从而输出高精度的目标监测区域的PM2.5浓度监测值。
本发明实施例的大气细颗粒物浓度监测方法,通过考虑PM2.5浓度的时空变化特性,利用目标监测区域的多源遥感观测数据和这些多源遥感观测数据的时空特征信息,提取多源遥感数据的融合特征信息;同时利用监测区域多源遥感观测数据的融合特征信息样本及其对应的PM2.5浓度标签对深度神经网络进行模型训练,获得可以提取PM2.5浓度时空变化特征的PM2.5浓度监测模型,从而可以将提取目标监测区域多源遥感数据的融合特征信息输入至PM2.5浓度监测模型中进行识别,更好地解释PM2.5浓度与AOD数据的时空异质性,输出高精度的PM2.5浓度监测值,可以有效提升PM2.5浓度估算的精度,实现高精度的PM2.5反演。
基于上述实施例的内容,作为一种可选的实施例,基于目标监测区域的多源遥感观测数据和多源遥感观测数据的时空特征信息,确定融合特征信息,包括:
对多源遥感观测数据进行预处理,获取目标监测区域的多数据通道的遥感图像;
对遥感图像进行图像特征提取,得到多观测变量特征信息;
将多观测变量特征信息和时空特征信息进行融合,得到融合特征信息;
多观测变量特征信息包括AOD数据、气象数据、人口密度数据、高程数据和NDVI数据。
具体地,本发明实施例所描述的多观测变量特征信息指的是从遥感图像的多数据通道中提取得到的多类遥感数据变量的特征表示信息。其中,多观测变量特征信息中的气象数据具体可以包括边界层高度、相对湿度、地表温度、风速、风向、地表气压和蒸散发数据等。
在本发明的实施例中,首先需要对多源遥感观测数据进行预处理,获取目标监测区域的多数据通道的遥感图像。
基于上述实施例的内容,作为一种可选的实施例,对多源遥感观测数据进行预处理,获取目标监测区域的多数据通道的遥感图像,包括:
对多源遥感观测数据中的每类遥感观测数据进行月平均处理,得到每类遥感观测数据的月平均值;
将每类遥感观测数据的月平均值匹配至目标监测区域的各个地理网格中,得到数据化的各个地理网格;地理网格是通过按照预测地理精度对目标监测区域的地理位置进行网格划分得到的;
将每类遥感观测数据对应的遥感图像重采样至同一分辨率,并将重采样后的各个遥感图像与数据化的各个地理网格进行匹配,得到目标监测区域的多数据通道的遥感图像。
具体地,在本发明的实施例中,为提高AOD数据在目标监测区域的空间覆盖度,对多源遥感观测数据中的每类遥感观测数据进行月平均处理,可以将AOD、气象数据和其他观测数据均进行月平均处理,从而得到每类遥感观测数据的月平均值。
进一步地,在本实施例中,可以创建一个预测精度为0.01°×0.01°的地理网格,对目标监测区域的地理位置进行网格划分,将每类遥感观测数据的月平均值数据匹配至各个地理网格中,并将位于同一网格点上的观测数据进行平均。
进一步地,在本实施例中,将所有遥感观测数据对应的遥感图像重采样到相同的空间分辨率(如0.01°×0.01°)和相同仿射变换参数的图像,并将重采样后的各个遥感图像与前述数据化的各个地理网格进行匹配,形成多数据通道的遥感图像。
其中,在本发明的实施例中,由于气象数据的原始分辨率仅为0.25°或0.1°,而AOD和其他遥感数据的原始分辨率普遍高于0.01°,根据原始分辨率的不同,采用不用的重采样方式。
对于分辨率远低于0.01°的气象数据,重采样方法可以选择双线性插值法,以获得平滑、连续的空间分布;对于分辨率略高于0.01°的AOD数据和其他数据信息,为了不改变原始数据的值,可以采用最近邻插值法进行重采样。
可选地,最后,可以采用最小-最大归一化法对多源遥感数据的每个数据变量都进行归一化处理,使所有遥感观测数据变量的值被缩小至[0,1]范围。其中,最小-最大归一化的公式为:
;
其中,表示某一遥感数据的观测值,/>表示该遥感数据的最大观测值,表示该遥感数据的最小观测值,/>表示该遥感数据对应的归一化值。
这样,经过上述数据预处理过程,便可以获取到目标监测区域的多数据通道的遥感图像。
本发明实施例的方法,通过考虑多源遥感观测数据中各类数据分辨率的不同,采用重采样方法将不同分辨率的遥感图像重采样至相同分辨率,并对多源遥感观测数据中的每类遥感观测数据进行图像地理网格匹配,形成多数据通道的图像数据,为后续多源遥感数据的融合特征提取提供数据支持,确保数据的准确性和可靠性。
进一步地,在本发明的实施例中,在获取到目标监测区域的多数据通道的遥感图像之后,将对遥感图像进行图像特征提取,获取多源遥感观测数据的多观测变量特征信息。
具体来说,可以在遥感图像提取目标监测区域所在位置的像素值,组成一维向量,并将该一维向量的数据表示作为多源遥感观测数据的多观测变量特征信息。其中,该一维向量的长度可以达到11,每一个数据维度都代表一种卫星数据,即包含11类数据,分别包括AOD数据、人口密度数据、高程数据和NDVI数据4类数据,以及边界层高度、相对湿度、地表温度、风速、风向、地表气压和蒸散发数据等7类气象数据。
基于上述实施例的内容,作为一种可选的实施例,在基于目标监测区域的多源遥感观测数据和多源遥感观测数据的时空特征信息,确定融合特征信息之前,该方法还包括:
获取多源遥感观测数据的观测时间信息和观测经纬度信息;观测时间信息包括观测日期和观测年份;
分别对观测日期和观测年份进行编码,得到观测日期对应的第一编码信息和观测年份对应的第二编码信息;
将观测经纬度信息编码为球面坐标系下的第三编码信息;
基于第一编码信息、第二编码信息和第三编码信息,确定多源遥感观测数据的时空特征信息。
具体地,在本发明的实施例中,首先,获取所述多源遥感观测数据观测时间信息的观测日期和观测年份信息,并分别对观测日期和观测年份进行时间编码,得到观测日期对应的第一编码信息,其可以表示为和/>,以及观测年份对应第二编码信息,其可以表示为/>。具体可以将观测日期被编码为1个正弦值和1个余弦值,观测年份被编码为1个唯一值。其中,时间编码(T)的计算公式如下:
;
;
;
式中,表示年积日,/>为一年的总天数,/>为年份,/>至/>表示遥感数据观测时间的跨度,如/>可以取值为2015,/>可以取值为2022。
进一步地,在本发明的实施例中,将观测经纬度信息编码为球面坐标系下的第三编码信息,其可以表示、/>和/>,即具体可以将观测经纬度信息编码为3个球面坐标系的值。空间编码(G)的计算公式如下:
;
;
;
式中,和/>分别表示观测经纬度信息中的经度和纬度。
由此,基于第一编码信息、第二编码信息和第三编码信息,可以确定多源遥感观测数据的时空特征信息,其具体可以包括上述6类数据,即、/>、/>、/>、/>和/>。
本发明实施例的方法,通过将多源遥感观测数据的观测时间与观测经纬度信息进行编码,以将时空编码融合多源遥感观测数据特征中,以用于反演PM2.5浓度监测值,可以有效解决现有深度学习模型缺少对PM2.5时空异质性解释的问题,方法简便,具有较好的泛化性和实用性。
进一步地,在本发明的实施例中,将提取到的多观测变量特征信息和时空特征信息进行融合处理。具体可以直接将上述时空编码得到的6类数据添加到前述提取遥感图像特征得到的一维向量,从而可以得到长度为17的一维向量,将其作为最终的融合特征信息,以输入至PM2.5浓度监测模型进行预测。
本发明实施例的方法,通过对目标监测区域的多源遥感观测数据进行数据特征处理,并与多源遥感观测数据的时空特征信息进行融合而获取融合特征信息,以将PM2.5浓度的时空异质性特征融入PM2.5浓度反演过程中,使深度学习模型可以提取PM2.5浓度的时空变化特征,有利于提高PM2.5浓度反演的精度。
基于上述实施例的内容,作为一种可选的实施例,在将融合特征信息输入至PM2.5浓度监测模型之前,该方法还包括:
将监测区域多源遥感观测数据的融合特征信息样本及其对应的PM2.5浓度标签作为一组样本数据,获取多组样本数据;
按照预设比例,将多组样本数据划分为训练集和验证集;
利用训练集对预设的深度神经网络模型进行训练,并利用验证集对训练好的深度神经网络模型进行精度评估;
在确定训练好的深度神经网络模型的精度满足预设精度要求的情况下,将训练好的深度神经网络模型作为PM2.5浓度监测模型。
具体地,在本发明的实施例中,可以使用10折交叉验证对模型进行精度评价。在基于样本的交叉验证中,所有样本数据被随机分为10份,使用9份进行训练,其余1份进行验证,即按照预设比例9:1,将多组样本数据划分为9份训练集和1份验证集,以此利用9份训练集对预设的深度神经网络模型进行训练,确定训练好的深度神经网络模型。同时,利用1份验证集对训练好的深度神经网络模型进行精度评估。
需要说明的是,在本发明的实施例中,预设的深度神经网络模型可以采用BPNN模型。其中,BPNN模型由6层全连接神经网络组成,包括依次连接的全连接层1、全连接层2、全连接层3、全连接层4、全连接层5和全连接层6。具体的训练细节如下:首先,选择ReLU函数为全连接层的激活函数;其次,选择均方误差(MSE)函数为损失函数,选择Adam为优化器,学习率设置为0.001,并添加L2正则化约束。之后,在全连接层的激活函数前添加批量归一化(BN)操作,以加速和稳定模型训练。最后,将批处理的样本数量设置为256。详细网络参数设置如表1所示。
在本发明的实施例中,利用验证集中的样本数据对训练好的BPNN模型进行精度评估,在确定训练好的BPNN模型的精度满足预设精度要求(如80%)的情况下,将训练好的BPNN模型作为PM2.5浓度监测模型。
表1
本发明实施例的方法,通过将监测区域多源遥感观测数据的融合特征信息样本及其对应的PM2.5浓度标签作为一组样本数据,以此采用交叉验证的方法,将多组样本数据划分为训练集和验证集对深度神经网络模型进行训练和精度评估,有利于提升PM2.5浓度监测模型的模型精度,提高PM2.5浓度反演结果的准确性。
基于上述实施例的内容,作为一种可选的实施例,利用训练集对预设的深度神经网络模型进行训练,包括:
对于训练集中任意一组样本数据,将样本数据输入至预设的深度神经网络模型,输出样本数据对应的预测概率;
利用预设损失函数,根据样本数据对应的预测概率和样本数据对应的PM2.5浓度标签,计算损失值;
基于损失值,对深度神经网络模型的模型参数进行调整,直至损失值小于预设阈值或训练次数达到预设次数;
将损失值小于所述预设阈值或训练次数达到预设次数时所得到的模型参数作为训练好的PM2.5浓度监测模型的模型参数。
具体地,在本发明的实施例中,利用训练集中的样本数据对PM2.5浓度监测模型进行训练,具体训练过程如下:
监测区域多源遥感观测数据的融合特征信息样本及其对应的PM2.5浓度标签作为一组样本数据,针对不同的多源遥感观测数据样本,则可以获取到多组样本数据。
在本发明的实施例中,多源遥感观测数据的融合特征信息样本与其携带的PM2.5浓度标签是一一对应的。
然后,在获得多组样本数据之后,再将多组样本数据依次输入至预设的深度神经网络模型BPNN模型中,利用多组样本数据对BPNN模型进行训练,即:
将每组样本数据中的多源遥感观测数据的融合特征信息样本与其携带的PM2.5浓度标签同时输入至BPNN模型中,根据BPNN模型中的每一次输出结果,通过计算损失函数值,对BPNN模型中的模型参数进行调整,在满足预设训练终止条件的情况下,最终完成BPNN模型的整个训练过程,得到训练好的BPNN模型,将其作为训练好的PM2.5浓度监测模型。
本发明实施例所描述的预设损失函数指的是预先设置在模型里的损失函数,即选用MSE函数,用于进行模型评估;预设阈值指的是模型预先设置的阈值,用于获得最小损失值,完成模型训练;预设次数指的是预先设置的模型迭代训练的最大次数。
更具体地,在获得多组样本数据之后,对于任意一组样本数据,将每组样本数据中的多源遥感观测数据的融合特征信息样本及其对应的PM2.5浓度标签同时输入至BPNN模型,输出该样本数据对应的预测概率。
在此基础上,利用预设的损失函数,根据该样本数据对应的预测概率和该样本数据对应的PM2.5浓度标签,计算损失值。
进一步地,在计算获得损失值之后,本次训练过程结束。再利用如反向传播(BackPropagation,BP)算法,基于该损失值对BPNN模型的模型参数进行调整,来更新BPNN模型中的模型的各层权重参数,之后再进行下一次训练,如此反复迭代进行模型训练。
在训练的过程中,若针对某组样本数据的训练结果满足预设训练终止条件,如对应计算获得的损失值小于预设阈值,或着当前的迭代次数达到预设次数时,模型的损失值可以控制在收敛范围内,则模型训练结束。此时,可以将所得到的BPNN模型的模型参数作为训练好的PM2.5浓度监测模型的模型参数,即PM2.5浓度监测模型训练完成。
本发明实施例的方法,通过利用多组样本数据对PM2.5浓度监测模型进行反复迭代训练,将PM2.5浓度监测模型的损失值控制在收敛范围内,从而有利于提高模型输出结果的准确性,提升PM2.5浓度反演模型计算的精度。
图2是本发明提供的大气细颗粒物浓度监测方法的流程示意图之二,如图2所示,在本发明的实施例中,通过对获取的多源遥感观测数据,包括AOD数据、气象数据、人口数据、高程数据和NDVI数据进行前述数据预处理流程,得到多数据通道的遥感图像数据。其中,AOD数据为将MERRA-2 AOD数据与MAIAC AOD数据融合得到的融合AOD数据。
进一步地,在本实施例中,根据多数据通道的遥感图像数据进行数据重构,提取目标监测区域所在位置的像素值,组成1维向量。同时,利用多源遥感观测数据的观测日期和观测经纬度信息进行时空编码,得到多源遥感观测数据的时空特征信息。此时,将该时空特征信息添加到上述1维向量中,最终可以得到的长度为17的1维向量,其包含AOD数据、人口密度数据、高程数据和NDVI数据4类数据变量,边界层高度、相对湿度、地表温度、风速、风向、地表气压和蒸散发数据7类气象数据变量,以及前述6类时空特征数据变量。
进一步地,在本实施例中,将上述最终得到的1维向量输入至BPNN模型,并采用10折交叉验证方法对模型进行训练与测试,不断对BPNN模型的模型参数进行参数优化,直至模型精度满足要求,最终得到高精度的PM2.5浓度监测数据。
在本发明的一个具体实施例中,具体共收集了2017年到2021年间,澜湄流域(澜沧江-湄公河流域)的86480条日平均样本。在10折交叉验证中,所有样本数据都被随机分为10份,使用9份进行训练,其余1份进行验证。这个过程将进行10次,直到每份样本数据都用于模型验证。交叉验证的结果显示,决定系数(R2)可达到0.87,均方根误差(RMSE)为7.33μg/m3,平均绝对误差(MAE)为4.60μg/m3。由此可见,本发明实施例的方法可实现高精度的PM2.5反演。
下面对本发明提供的大气细颗粒物浓度监测装置进行描述,下文描述的大气细颗粒物浓度监测装置与上文描述的大气细颗粒物浓度监测方法可相互对应参照。
图3是本发明提供的大气细颗粒物浓度监测装置的结构示意图,如图3所示,包括:
处理模块310,用于基于目标监测区域的多源遥感观测数据和多源遥感观测数据的时空特征信息,确定融合特征信息;时空特征信息是对多源遥感观测数据的观测时间信息和观测经纬度信息进行时空编码得到的;
监测模块320,用于将融合特征信息输入至PM2.5浓度监测模型,得到PM2.5浓度监测模型输出的目标监测区域的PM2.5浓度监测值;PM2.5浓度监测模型是根据监测区域多源遥感观测数据的融合特征信息样本及其对应的PM2.5浓度标签进行训练得到的;多源遥感观测数据至少包括AOD数据。
本实施例所述的大气细颗粒物浓度监测装置可以用于执行上述大气细颗粒物浓度监测方法实施例,其原理和技术效果类似,此处不再赘述。
本发明实施例的大气细颗粒物浓度监测装置,通过考虑PM2.5浓度的时空变化特性,利用目标监测区域的多源遥感观测数据和这些多源遥感观测数据的时空特征信息,提取多源遥感数据的融合特征信息;同时利用监测区域多源遥感观测数据的融合特征信息样本及其对应的PM2.5浓度标签对深度神经网络进行模型训练,获得可以提取PM2.5浓度时空变化特征的PM2.5浓度监测模型,从而可以将提取目标监测区域多源遥感数据的融合特征信息输入至PM2.5浓度监测模型中进行识别,更好地解释PM2.5浓度与AOD数据的时空异质性,输出高精度的PM2.5浓度监测值,可以有效提升PM2.5浓度估算的精度,实现高精度的PM2.5反演。
图4是本发明提供的电子设备的实体结构示意图,如图4所示,该电子设备可以包括:处理器(processor)410、通信接口(Communications Interface)420、存储器(memory)430和通信总线440,其中,处理器410,通信接口420,存储器430通过通信总线440完成相互间的通信。处理器410可以调用存储器430中的逻辑指令,以执行上述各方法所提供的大气细颗粒物浓度监测方法,该方法包括:基于目标监测区域的多源遥感观测数据和所述多源遥感观测数据的时空特征信息,确定融合特征信息;所述时空特征信息是对所述多源遥感观测数据的观测时间信息和观测经纬度信息进行时空编码得到的;将所述融合特征信息输入至PM2.5浓度监测模型,得到所述PM2.5浓度监测模型输出的所述目标监测区域的PM2.5浓度监测值;所述PM2.5浓度监测模型是根据监测区域多源遥感观测数据的融合特征信息样本及其对应的PM2.5浓度标签进行训练得到的;所述多源遥感观测数据至少包括AOD数据。
此外,上述的存储器430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大气细颗粒物浓度监测方法,该方法包括:基于目标监测区域的多源遥感观测数据和所述多源遥感观测数据的时空特征信息,确定融合特征信息;所述时空特征信息是对所述多源遥感观测数据的观测时间信息和观测经纬度信息进行时空编码得到的;将所述融合特征信息输入至PM2.5浓度监测模型,得到所述PM2.5浓度监测模型输出的所述目标监测区域的PM2.5浓度监测值;所述PM2.5浓度监测模型是根据监测区域多源遥感观测数据的融合特征信息样本及其对应的PM2.5浓度标签进行训练得到的;所述多源遥感观测数据至少包括AOD数据。
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大气细颗粒物浓度监测方法,该方法包括:基于目标监测区域的多源遥感观测数据和所述多源遥感观测数据的时空特征信息,确定融合特征信息;所述时空特征信息是对所述多源遥感观测数据的观测时间信息和观测经纬度信息进行时空编码得到的;将所述融合特征信息输入至PM2.5浓度监测模型,得到所述PM2.5浓度监测模型输出的所述目标监测区域的PM2.5浓度监测值;所述PM2.5浓度监测模型是根据监测区域多源遥感观测数据的融合特征信息样本及其对应的PM2.5浓度标签进行训练得到的;所述多源遥感观测数据至少包括AOD数据。
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 (7)
1.一种大气细颗粒物浓度监测方法,其特征在于,包括:
基于目标监测区域的多源遥感观测数据和所述多源遥感观测数据的时空特征信息,确定融合特征信息;所述时空特征信息是对所述多源遥感观测数据的观测时间信息和观测经纬度信息进行时空编码得到的;
将所述融合特征信息输入至PM2.5浓度监测模型,得到所述PM2.5浓度监测模型输出的所述目标监测区域的PM2.5浓度监测值;所述PM2.5浓度监测模型是根据监测区域多源遥感观测数据的融合特征信息样本及其对应的PM2.5浓度标签进行训练得到的;所述多源遥感观测数据至少包括AOD数据;
其中,所述AOD数据获取的步骤包括:
获取第一分辨率的第一AOD数据和第二分辨率的第二AOD数据;所述第一分辨率大于所述第二分辨率;
将所述第一分辨率的第一AOD数据和所述第二分辨率的第二AOD数据重采样至同一目标分辨率下,得到所述目标分辨率下的第一AOD数据和所述目标分辨率的第二AOD数据;
对所述目标分辨率的第一AOD数据与所述目标分辨率下的第二AOD数据进行融合处理,得到所述AOD数据;
其中,所述基于目标监测区域的多源遥感观测数据和所述多源遥感观测数据的时空特征信息,确定融合特征信息,包括:
对所述多源遥感观测数据进行预处理,获取所述目标监测区域的多数据通道的遥感图像;
对所述遥感图像进行图像特征提取,得到多观测变量特征信息;
将所述多观测变量特征信息和所述时空特征信息进行融合,得到所述融合特征信息;
所述多观测变量特征信息包括所述AOD数据、气象数据、人口密度数据、高程数据和归一化植被指数数据;
其中,所述对所述多源遥感观测数据进行预处理,获取所述目标监测区域的多数据通道的遥感图像,包括:
对所述多源遥感观测数据中的每类遥感观测数据进行月平均处理,得到每类所述遥感观测数据的月平均值;
将每类遥感观测数据的月平均值匹配至所述目标监测区域的各个地理网格中,得到数据化的各个地理网格;所述地理网格是通过按照预测地理精度对所述目标监测区域的地理位置进行网格划分得到的;
将每类所述遥感观测数据对应的遥感图像重采样至同一分辨率,并将重采样后的各个遥感图像与所述数据化的各个地理网格进行匹配,得到所述目标监测区域的多数据通道的遥感图像。
2.根据权利要求1所述的大气细颗粒物浓度监测方法,其特征在于,在所述基于目标监测区域的多源遥感观测数据和所述多源遥感观测数据的时空特征信息,确定融合特征信息之前,所述方法还包括:
获取所述多源遥感观测数据的观测时间信息和观测经纬度信息;所述观测时间信息包括观测日期和观测年份;
分别对所述观测日期和所述观测年份进行编码,得到所述观测日期对应的第一编码信息和所述观测年份对应的第二编码信息;
将所述观测经纬度信息编码为球面坐标系下的第三编码信息;
基于所述第一编码信息、所述第二编码信息和所述第三编码信息,确定所述多源遥感观测数据的时空特征信息;
其中,所述第一编码信息和所述第二编码信息通过如下公式确定:
;
;
;
式中,、/>表示第一编码信息;/>表示第二编码信息;/>表示年积日,/>为一年的总天数,/>为年份,/>至/>表示遥感数据观测时间的跨度。
3.根据权利要求1-2任一项所述的大气细颗粒物浓度监测方法,其特征在于,在所述将所述融合特征信息输入至PM2.5浓度监测模型之前,所述方法还包括:
将监测区域多源遥感观测数据的融合特征信息样本及其对应的PM2.5浓度标签作为一组样本数据,获取多组所述样本数据;
按照预设比例,将多组所述样本数据划分为训练集和验证集;
利用所述训练集对预设的深度神经网络模型进行训练,并利用所述验证集对训练好的深度神经网络模型进行精度评估;
在确定所述训练好的深度神经网络模型的精度满足预设精度要求的情况下,将所述训练好的深度神经网络模型作为所述PM2.5浓度监测模型。
4.根据权利要求3所述的大气细颗粒物浓度监测方法,其特征在于,所述利用所述训练集对预设的深度神经网络模型进行训练,包括:
对于所述训练集中任意一组样本数据,将所述样本数据输入至预设的深度神经网络模型,输出所述样本数据对应的预测概率;
利用预设损失函数,根据所述样本数据对应的预测概率和所述样本数据对应的PM2.5浓度标签,计算损失值;
基于所述损失值,对所述深度神经网络模型的模型参数进行调整,直至所述损失值小于预设阈值或训练次数达到预设次数;
将所述损失值小于所述预设阈值或训练次数达到所述预设次数时所得到的模型参数作为训练好的PM2.5浓度监测模型的模型参数。
5.一种大气细颗粒物浓度监测装置,其特征在于,包括:
处理模块,用于基于目标监测区域的多源遥感观测数据和所述多源遥感观测数据的时空特征信息,确定融合特征信息;所述时空特征信息是对所述多源遥感观测数据的观测时间信息和观测经纬度信息进行时空编码得到的;
监测模块,用于将所述融合特征信息输入至PM2.5浓度监测模型,得到所述PM2.5浓度监测模型输出的所述目标监测区域的PM2.5浓度监测值;所述PM2.5浓度监测模型是根据监测区域多源遥感观测数据的融合特征信息样本及其对应的PM2.5浓度标签进行训练得到的;所述多源遥感观测数据至少包括AOD数据;
其中,所述处理模块具体还用于:
获取第一分辨率的第一AOD数据和第二分辨率的第二AOD数据;所述第一分辨率大于所述第二分辨率;
将所述第一分辨率的第一AOD数据和所述第二分辨率的第二AOD数据重采样至同一目标分辨率下,得到所述目标分辨率下的第一AOD数据和所述目标分辨率的第二AOD数据;
对所述目标分辨率的第一AOD数据与所述目标分辨率下的第二AOD数据进行融合处理,得到所述AOD数据;
其中,所述处理模块具体用于:
对所述多源遥感观测数据进行预处理,获取所述目标监测区域的多数据通道的遥感图像;
对所述遥感图像进行图像特征提取,得到多观测变量特征信息;
将所述多观测变量特征信息和所述时空特征信息进行融合,得到所述融合特征信息;
所述多观测变量特征信息包括所述AOD数据、气象数据、人口密度数据、高程数据和归一化植被指数数据;
其中,所述处理模块具体还用于:
对所述多源遥感观测数据中的每类遥感观测数据进行月平均处理,得到每类所述遥感观测数据的月平均值;
将每类遥感观测数据的月平均值匹配至所述目标监测区域的各个地理网格中,得到数据化的各个地理网格;所述地理网格是通过按照预测地理精度对所述目标监测区域的地理位置进行网格划分得到的;
将每类所述遥感观测数据对应的遥感图像重采样至同一分辨率,并将重采样后的各个遥感图像与所述数据化的各个地理网格进行匹配,得到所述目标监测区域的多数据通道的遥感图像。
6.一种电子设备,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4任一项所述大气细颗粒物浓度监测方法。
7.一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4任一项所述大气细颗粒物浓度监测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410083341.3A CN117589646B (zh) | 2024-01-19 | 2024-01-19 | 大气细颗粒物浓度监测方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410083341.3A CN117589646B (zh) | 2024-01-19 | 2024-01-19 | 大气细颗粒物浓度监测方法、装置、设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117589646A CN117589646A (zh) | 2024-02-23 |
CN117589646B true CN117589646B (zh) | 2024-04-26 |
Family
ID=89912068
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410083341.3A Active CN117589646B (zh) | 2024-01-19 | 2024-01-19 | 大气细颗粒物浓度监测方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117589646B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023077816A1 (zh) * | 2021-11-03 | 2023-05-11 | 中国华能集团清洁能源技术研究院有限公司 | 边界优化的遥感图像语义分割方法、装置、设备及介质 |
WO2023168781A1 (zh) * | 2022-03-10 | 2023-09-14 | 浙江大学 | 一种基于时空交互关系的土壤镉风险预测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114547017B (zh) * | 2022-04-27 | 2022-08-05 | 南京信息工程大学 | 一种基于深度学习的气象大数据融合方法 |
-
2024
- 2024-01-19 CN CN202410083341.3A patent/CN117589646B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023077816A1 (zh) * | 2021-11-03 | 2023-05-11 | 中国华能集团清洁能源技术研究院有限公司 | 边界优化的遥感图像语义分割方法、装置、设备及介质 |
WO2023168781A1 (zh) * | 2022-03-10 | 2023-09-14 | 浙江大学 | 一种基于时空交互关系的土壤镉风险预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN117589646A (zh) | 2024-02-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108761574B (zh) | 基于多源信息融合的降雨量估算方法 | |
CN114926749B (zh) | 基于遥感图像的近地面大气污染物反演方法及系统 | |
CN108399469B (zh) | 一种基于深度学习和数值天气预报的天气现象预报方法 | |
CN107688906B (zh) | 多方法融合的输电线路气象要素降尺度分析系统及方法 | |
CN117592005B (zh) | Pm2.5浓度卫星遥感估算方法、装置、设备及介质 | |
CN112163375B (zh) | 一种基于神经网络的长时间序列近地面臭氧反演方法 | |
CN113253364B (zh) | 一种对站点风速预报结果进行订正的方法及装置 | |
Sengupta et al. | Ensembling geophysical models with Bayesian neural networks | |
CN115438848A (zh) | 基于深度混合图神经网络的pm2.5浓度长期预测方法 | |
Yu et al. | Deep learning-based downscaling of tropospheric nitrogen dioxide using ground-level and satellite observations | |
CN114283285A (zh) | 交叉一致性自训练遥感图像语义分割网络训练方法及装置 | |
CN113836808A (zh) | 一种基于重污染特征约束的pm2.5深度学习预测方法 | |
CN116341841A (zh) | 径流预报误差校正方法、装置、设备、介质和程序产品 | |
CN115420690A (zh) | 近地表痕量气体浓度反演模型及反演方法 | |
Mardani et al. | Generative residual diffusion modeling for km-scale atmospheric downscaling | |
CN111242028A (zh) | 基于U-Net的遥感图像地物分割方法 | |
CN117589646B (zh) | 大气细颗粒物浓度监测方法、装置、设备及介质 | |
CN115829163B (zh) | 基于多模式集成的长江中下游流域径流预测方法和系统 | |
CN115239027B (zh) | 空气质量格点化集合预报的方法及装置 | |
CN111325384B (zh) | 一种结合统计特征和卷积神经网络模型的ndvi预测方法 | |
Li et al. | Deepphysinet: Bridging deep learning and atmospheric physics for accurate and continuous weather modeling | |
SRITARAPIPAT et al. | Urban Growth Modeling based on the Multi-centers of the Urban Areasand Land Cover Change in Yangon, Myanmar | |
CN117592004B (zh) | Pm2.5浓度卫星监测方法、装置、设备及介质 | |
CN117935560B (zh) | 一种交通出行交互流量预测方法、系统、终端设备及介质 | |
CN113034363B (zh) | 基于GEE深度时空经验Kringing区域尺度的氮氧化物速降方法 |
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 |