CN117592004B - Pm2.5浓度卫星监测方法、装置、设备及介质 - Google Patents
Pm2.5浓度卫星监测方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN117592004B CN117592004B CN202410083284.9A CN202410083284A CN117592004B CN 117592004 B CN117592004 B CN 117592004B CN 202410083284 A CN202410083284 A CN 202410083284A CN 117592004 B CN117592004 B CN 117592004B
- Authority
- CN
- China
- Prior art keywords
- concentration
- remote sensing
- model
- data
- monitoring
- 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 205
- 238000000034 method Methods 0.000 title claims abstract description 81
- 230000004927 fusion Effects 0.000 claims abstract description 140
- 238000012549 training Methods 0.000 claims abstract description 96
- 238000012545 processing Methods 0.000 claims abstract description 15
- 239000013598 vector Substances 0.000 claims description 83
- 239000011159 matrix material Substances 0.000 claims description 58
- 238000012360 testing method Methods 0.000 claims description 50
- 238000012417 linear regression Methods 0.000 claims description 22
- 238000004590 computer program Methods 0.000 claims description 13
- 238000012952 Resampling Methods 0.000 claims description 8
- 238000012806 monitoring device Methods 0.000 claims description 8
- 238000007781 pre-processing Methods 0.000 claims description 8
- 238000002790 cross-validation Methods 0.000 claims description 7
- 230000009467 reduction Effects 0.000 claims description 4
- 238000013527 convolutional neural network Methods 0.000 description 20
- 230000008569 process Effects 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 238000010801 machine learning Methods 0.000 description 6
- 238000007499 fusion processing Methods 0.000 description 4
- 238000010606 normalization Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000013136 deep learning model Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 239000000443 aerosol Substances 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000009849 deactivation Effects 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 238000012935 Averaging Methods 0.000 description 1
- 208000024172 Cardiovascular disease Diseases 0.000 description 1
- 238000003915 air pollution Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000010923 batch production Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000001010 compromised effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 230000005180 public health Effects 0.000 description 1
- 230000000241 respiratory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 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
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
- G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
- G06V10/449—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters
- G06V10/451—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters with interaction between the filter responses, e.g. cortical complex cells
- G06V10/454—Integrating the filters into a hierarchical structure, e.g. convolutional neural networks [CNN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/62—Extraction of image or video features relating to a temporal dimension, e.g. time-based feature extraction; Pattern tracking
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/766—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using regression, e.g. by projecting features on hyperplanes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
- G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/188—Vegetation
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N2021/1793—Remote sensing
-
- 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
- G06N3/048—Activation functions
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- General Engineering & Computer Science (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Chemical & Material Sciences (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Biodiversity & Conservation Biology (AREA)
- Remote Sensing (AREA)
- Astronomy & Astrophysics (AREA)
- Dispersion Chemistry (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biochemistry (AREA)
- Analytical Chemistry (AREA)
- Pathology (AREA)
- Immunology (AREA)
- Image Processing (AREA)
Abstract
本发明提供一种PM2.5浓度卫星监测方法、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观测时间数据,确定多源遥感观测数据的融合特征信息;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,有效地提升了PM2.5浓度反演结果的精度,实现了高精度的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PM2.5浓度卫星监测方法、装置、设备及介质。
背景技术
PM2.5是造成空气污染的主要成分,是人类呼吸道和心血管疾病的重要诱因之一,已经严重危害到了公众健康。目前的空气质量监测站点普遍分布稀疏,不足以生产高空间分辨率、高空间覆盖率和高质量的PM2.5浓度数据。而卫星遥感具有覆盖面广、分辨率高的优势,可与地面测量相结合,实现上述目标。在卫星遥感中,因为PM2.5与气溶胶光学深度(Aerosol Optical Depth,AOD)之间存在稳定的正相关关系,所以可根据卫星AOD产品反演PM2.5浓度。
近年来,由于具有出色的非线性拟合能力,机器学习与深度学习模型也被应用于PM2.5-AOD关系的建模中。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浓度与AOD数据关系的时间异质性问题,导致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PM2.5浓度卫星监测方法、装置、设备及介质,用以解决现有技术中现有大多数机器学习和深度学习模型普遍忽略了PM2.5浓度与AOD数据关系的时间异质性问题,导致PM2.5浓度反演结果的精度并不高的缺陷。
本发明提供一种PM2.5浓度卫星监测方法,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观测时间数据,确定所述多源遥感观测数据的融合特征信息;
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PM2.5浓度卫星监测方法,所述PM2.5浓度监测模型包括第一预测模型、第二预测模型和多元线性回归模型,所述融合特征信息包括融合特征向量和融合特征矩阵;所述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,包括:
将所述融合特征向量输入至所述第一预测模型,得到所述第一预测模型输出的第一PM2.5浓度预测值;
将所述融合特征矩阵输入至所述第二预测模型,得到所述第二预测模型输出的第二PM2.5浓度预测值;
将所述第一PM2.5浓度预测值和所述第二PM2.5浓度预测值一同输入至所述多元线性回归模型,得到所述多元线性回归模型输出的所述目标监测区域的PM2.5浓度监测值。
根据本发明提供的一种PM2.5浓度卫星监测方法,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观测时间数据,确定所述多源遥感观测数据的融合特征信息,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像素值提取,得到所述遥感图像的一维特征向量,并基于所述观测时间数据和所述一维特征向量,确定所述融合特征向量;
对所述遥感图像进行图像块提取,得到所述遥感图像的三维特征图像块,并利用所述三维特征图像块中各像素的位置编码信息和所述观测时间数据,对所述三维特征图像块进行特征重构处理,确定所述融合特征矩阵。
根据本发明提供的一种PM2.5浓度卫星监测方法,所述利用所述三维特征图像块中各像素的位置编码信息和所述观测时间数据,对所述三维特征图像块进行特征重构处理,确定所述融合特征矩阵,包括:
对所述三维特征图像块在其长宽方向上进行降维,得到所述三维特征图像块对应的二维特征矩阵;
对所述观测时间数据进行时间编码,生成与所述二维特征矩阵的列向量维度相同的多个第一列向量;
基于所述三维特征图像块中各像素的位置编码信息,生成与所述二维特征矩阵的列向量维度相同的第二列向量;
将所述多个第一列向量和所述第二列向量分别添加到所述二维特征矩阵中,得到所述融合特征矩阵。
根据本发明提供的一种PM2.5浓度卫星监测方法,所述基于所述观测时间数据和所述一维特征向量,确定所述融合特征向量,包括:
对所述观测时间数据的观测日期和观测年份分别进行编码,生成多个时间编码信息;
将所述多个时间编码信息添加到所述一维特征向量中,得到所述融合特征向量。
根据本发明提供的一种PM2.5浓度卫星监测方法,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PM2.5浓度卫星监测方法,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:
获取多组第一训练样本和多组第二训练样本;所述第一训练样本是将所述监测区域多源遥感观测数据的融合特征向量样本及其对应的PM2.5浓度标签确定的;所述第二训练样本是将所述监测区域多源遥感观测数据的融合特征矩阵样本及其对应的PM2.5浓度标签确定的;
使用交叉验证的方法,将多组所述第一训练样本划分为第一训练集和第一测试集,并将多组所述第二训练样本划分为第二训练集和第二测试集;
利用所述第一训练集和所述第一测试集对所述第一预测模型进行训练和测试,并利用所述第二训练集和所述第二测试集对所述第二预测模型进行训练和测试;
将所述第一预测模型在所述第一训练集上的预测结果和所述第二预测模型在所述第二训练集上的预测结果组合为新的训练集,并将所述第一预测模型在所述第一测试集上的预测结果和所述第二预测模型在所述第二测试集上的预测结果组合为新的测试集;
利用所述新的训练集和所述新的测试集对所述多元线性回归模型进行训练和测试,直至确定训练后的多元线性回归模型的模型精度满足预测精度要求,得到所述PM2.5浓度监测模型。
本发明还提供一种PM2.5浓度卫星监测装置,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观测时间数据,确定所述多源遥感观测数据的融合特征信息;
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PM2.5浓度卫星监测方法。
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PM2.5浓度卫星监测方法。
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PM2.5浓度卫星监测方法。
本发明提供的PM2.5浓度卫星监测方法、装置、设备及介质,通过考虑不同遥感数据与PM2.5浓度之间的时间异质性,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浓度标签进行模型训练,得到可以提取PM2.5-AOD关系时间异质性特征的PM2.5浓度监测模型,进一步通过目标监测区域的多源遥感观测数据和观测时间数据进行融合,将得到的融合特征信息输入至PM2.5浓度监测模型,利用PM2.5浓度监测模型处理包括AOD数据的不同遥感数据与PM2.5浓度之间的时间异质性差异,可以输出高精度的PM2.5浓度监测值,有效地提升了PM2.5浓度反演结果的精度,实现了高精度的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PM2.5浓度卫星监测方法的流程示意图之一;
图2是本发明提供的PM2.5浓度卫星监测方法的流程示意图之二;
图3是本发明提供的PM2.5浓度卫星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PM2.5浓度卫星监测方法、装置、设备及介质。
图1是本发明提供的PM2.5浓度卫星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观测时间数据,确定多源遥感观测数据的融合特征信息;
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。
可选地,在本发明的实施例中,AOD数据获取的步骤可以包括:
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数据指的是根据遥感数据产品M2I3NXGAS获取到的AOD数据,其分辨率虽低,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、时空无缝且分辨率较高的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,有利于解决PM2.5浓度估算的空间覆盖度不足问题,并提高PM2.5浓度反演结果的精度,以获取时空连续且高精度的PM2.5污染监测结果。
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,如来自卫星数据产品MOD13A2的归一化植被指数(Normalized Difference Vegetation Index,NDVI)数据,来自卫星数据产品LandScan的人口数据,以及来自卫星数据产品GMTED2010的高程数据。
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观测时间数据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的一维向量来表示,描述为一维特征向量;也可以通过包含多源遥感观测数据特征的二维特征矩阵来表示,描述为二维特征矩阵。
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浓度标签对机器学习模型进行训练得到的,用于对不同遥感观测数据及观测时间数据的融合特征信息进行识别,学习不同遥感数据与PM2.5浓度之间的时间异质性差异,可以使PM2.5浓度预测模型根据输入的融合特征信息反演目标监测区域的PM2.5浓度,提升反演精度。
其中,机器学习模型可以采用堆叠式集成学习模型,包括多个基学习器,基学习器可以采用如深度卷积神经网络(Convolutional Neural Networks,CNN)等深度神经网络模型,以及如轻量梯度提升机(Light Gradient Boosting Machine,Light GBM)等提升树模型,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,并对对这些多源遥感观测数据和对应的观测时间数据进行数据融合,得到融合特征信息。
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浓度监测模型提取多源遥感观测数据与PM2.5浓度关系间的时间异质性特征信息,可以更好地解释解释PM2.5浓度与AOD数据的时间异质性,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PM2.5浓度卫星监测方法,通过考虑不同遥感数据与PM2.5浓度之间的时间异质性,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浓度标签进行模型训练,得到可以提取PM2.5-AOD关系时间异质性特征的PM2.5浓度监测模型,进一步通过目标监测区域的多源遥感观测数据和观测时间数据进行融合,将得到的融合特征信息输入至PM2.5浓度监测模型,利用PM2.5浓度监测模型处理包括AOD数据的不同遥感数据与PM2.5浓度之间的时间异质性差异,可以输出高精度的PM2.5浓度监测值,有效地提升了PM2.5浓度反演结果的精度,实现了高精度的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观测时间数据,确定多源遥感观测数据的融合特征信息,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;
对遥感图像进行像素值提取,得到遥感图像的一维特征向量,并基于观测时间数据和一维特征向量,确定融合特征向量;
对遥感图像进行图像块提取,得到遥感图像的三维特征图像块,并利用三维特征图像块中各像素的位置编码信息和观测时间数据,对三维特征图像块进行特征重构处理,确定融合特征矩阵。
具体地,在本发明的实施例中,该融合特征信息包括融合特征向量和融合特征矩阵,其中,融合特征向量可以表征多源遥感观测数据与观测时间数据之间的融合特征信息,融合特征矩阵可以表征多源遥感观测数据、观测时间数据以及遥感图像像素特征之间的融合特征信息。
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数据、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分辨率,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,由于气象遥感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,最后还可以采用最小-最大归一化法对多数据通道输入的多源遥感数据进行归一化处理,使所有遥感观测数据的值被缩小至[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,对遥感图像进行像素值提取,得到遥感图像的一维特征向量,其长度可以达到11,包含11个通道的多源变量,具体包括7个气象数据变量、AOD数据变量、人口数据变量、高程数据变量和NDVI数据变量。进而,基于观测时间数据和一维特征向量,确定最终的融合特征向量。
基于上述实施例的内容,作为一种可选的实施例,基于观测时间数据和一维特征向量,确定融合特征向量,包括:
对观测时间数据的观测日期和观测年份分别进行编码,生成多个时间编码信息;
将多个时间编码信息添加到一维特征向量中,得到融合特征向量。
具体地,在本发明的实施例中,在获取多源遥感观测数据的观测时间数据后,提取其中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,生成多个时间编码信息,包括观测日期的编码信息,其可以表示为和/>,以及观测年份的编码信息,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(/>)的计算公式如下:
;
式中,表示年积日,/>表示一年的总天数,/>表示年份,其中,/>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,将上述多个时间编码信息添加到一维特征向量中,得到融合特征向量,其长度可以达到14,包含前述11个通道的多源变量和上述3个时间编码信息。
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数据进行编码,将时间编码信息融入多源遥感观测数据特征中供PM2.5浓度监测模型处理,有利于帮助模型提取PM2.5浓度与AOD关系的时间异质性,提升PM2.5浓度反演结果的精度。
在本发明的实施例中,还可以对遥感图像进行图像块提取,得到遥感图像的三维特征图像块,其大小可以表示为(7,7,11),其中,7表示三维特征图像块的长度与宽度,11表示图像的通道数,包含前述11个通道的多源变量。
进一步地,在本发明的实施例中,利用三维特征图像块中各像素的位置编码信息和观测时间数据,对三维特征图像块进行特征重构处理,来确定融合特征矩阵。
本发明实施例的方法,通过考虑不同遥感数据与PM2.5浓度之间的时间异质性,将观测时间数据特征、遥感图像像素特征融合到多源遥感观测数据中,供PM2.5浓度监测模型进行识别,有利于PM2.5浓度监测模型更好地解释PM2.5-AOD关系的时间异质性,提升PM2.5浓度监测模型反演精度。
基于上述实施例的内容,作为一种可选的实施例,利用三维特征图像块中各像素的位置编码信息和观测时间数据,对三维特征图像块进行特征重构处理,确定融合特征矩阵,包括:
对三维特征图像块在其长宽方向上进行降维,得到三维特征图像块对应的二维特征矩阵;
对观测时间数据进行时间编码,生成与二维特征矩阵的列向量维度相同的多个第一列向量;
基于三维特征图像块中各像素的位置编码信息,生成与二维特征矩阵的列向量维度相同的第二列向量;
将多个第一列向量和第二列向量分别添加到二维特征矩阵中,得到融合特征矩阵。
具体地,在本发明的实施例中,对三维特征图像块(7,7,11)在其长宽方向上进行降维,提取同一像素上不同通道的值来表示该像素的特征,再将所有像素的特征拼接在一起,从而形成一个2维矩阵,其大小为(49,11),由此得到三维特征图像块对应的二维特征矩阵。
进一步地,在本发明的实施例中,按照上述时间编码方式,对观测时间数据进行时间编码,可以生成与上述二维特征矩阵的列向量维度相同的3个第一列向量,即[]。
同时,在本实施例中,基于三维特征图像块中各像素的位置编码信息,生成与二维特征矩阵(49,11)的列向量维度相同的第二列向量。其中,第二列向量中对应的49个像素的位置编码()的计算公式如下:
;
最后,将3个第一列向量和第二列向量分别添加到二维特征矩阵(49,11)中,这样,大小为(7,7,11)的三维特征图像块被重构为大小为(49,15)的二维特征矩阵,即得到融合特征矩阵。
可以理解的是,融合特征矩阵中的元素数据可以包括AOD数据、7类气象数据、人口数据、高程数据、NDVI数据、3类观测时间编码数据和图像像素的位置编码数据。
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数据以及遥感图像像素点位置信息进行编码,将时间编码信息及图像像素特征融入多源遥感观测数据特征中供PM2.5浓度监测模型处理,有利于进一步帮助模型提取PM2.5浓度与AOD关系的时间异质性,提升PM2.5浓度反演结果的精度。
基于上述实施例的内容,作为一种可选的实施例,PM2.5浓度监测模型包括第一预测模型、第二预测模型和多元线性回归模型,融合特征信息包括融合特征向量和融合特征矩阵;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,包括:
将融合特征向量输入至第一预测模型,得到第一预测模型输出的第一PM2.5浓度预测值;
将融合特征矩阵输入至第二预测模型,得到第二预测模型输出的第二PM2.5浓度预测值;
将第一PM2.5浓度预测值和第二PM2.5浓度预测值一同输入至多元线性回归模型,得到多元线性回归模型输出的目标监测区域的PM2.5浓度监测值。
具体地,本发明实施例所描述的第一预测模型用于提取融合特征向量的时间异质性特征信息,其具体可以是基于提升树模型构建的,如Light GBM模型。
为了提高Light GBM模型的精确度和泛化能力,必须对模型进行参数的调节与优化。参数调优可以通过机器学习库Scikit-learn软件包的Grid Search CV函数实现。网格搜索的过程如下:
首先,确定每个模型参数的取值范围。其次,对不同参数的组合进行穷举,得到所有可能的参数组合。最后,对所有参数组合进行测试,评价模型表现的标准为k折交叉验证的精度,找到最优化的参数组合。
其中,LightGB模型参数的取值范围和网格搜索的最优值见表1。
表1
本发明实施例所描述的第二预测模型用于提取融合特征矩阵(49,15)的时间异质性特征信息,其具体可以是基于深度神经网络模型构建的,如CNN模型。
在本发明的实施例中,第二预测模型基于CNN模型构建,其中,CNN模型可以由一个卷积层、一个最大值池化层和三个全连接层组成。每一层神经网络层及其参数配置如表2所示。表2中,卷积层的参数[1, 15, 128, 0]表示卷积核的高度为1,宽度为15,输出通道数为128,填充值(padding)为0。可以理解,其它参数的含义对应解释。
表2
在本发明的实施例中,将CNN模型与Light GBM模型相结合,将CNN模型和LightGBM模型作为基学习器,将多元线性回归(Multiple Linear Regression,MLR)模型作为元学习器,通过堆叠泛化的集成学习策略训练由CNN模型、Light GBM模型和MLR模型构成的集成学习模型,得到训练好的PM2.5浓度监测模型。
具体地,在本发明的实施例中,将长度为14的融合特征向量输入至训练好的LightGBM模型,可以得到Light GBM模型输出的第一PM2.5浓度预测值。
进一步地,在本发明的实施例中,将大小为(49,15)的融合特征矩阵输入至训练好的CNN模型中,可以得到CNN模型输出的第二PM2.5浓度预测值。
最后,将第一PM2.5浓度预测值和第二PM2.5浓度预测值一同输入至多元线性回归模型进行线性回归计算,输出目标监测区域的PM2.5浓度监测值。
本发明实施例的方法,通过构建堆叠式集成学习模型,将深度卷积神经网络CNN模型与轻量梯度提升机Light GBM模型相结合,对多源遥感观测数据信息的融合特征向量和融合特征矩阵进行识别,可以有效解决现有PM2.5浓度估算的空间覆盖度不足以及现有的卫星遥感估算模型精度偏低的问题,获取时空连续且高精度的PM2.5浓度反演结果。
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:
获取多组第一训练样本和多组第二训练样本;第一训练样本是将监测区域多源遥感观测数据的融合特征向量样本及其对应的PM2.5浓度标签确定的;第二训练样本是将监测区域多源遥感观测数据的融合特征矩阵样本及其对应的PM2.5浓度标签确定的;
使用交叉验证的方法,将多组第一训练样本划分为第一训练集和第一测试集,并将多组第二训练样本划分为第二训练集和第二测试集;
利用第一训练集和第一测试集对第一预测模型进行训练和测试,并利用第二训练集和第二测试集对第二预测模型进行训练和测试;
将第一预测模型在第一训练集上的预测结果和第二预测模型在第二训练集上的预测结果组合为新的训练集,并将第一预测模型在第一测试集上的预测结果和第二预测模型在第二测试集上的预测结果组合为新的测试集;
利用新的训练集和新的测试集对多元线性回归模型进行训练和测试,直至确定训练后的多元线性回归模型的模型精度满足预测精度要求,得到PM2.5浓度监测模型。
具体地,本发明实施例所描述的第一训练样本包括监测区域多源遥感观测数据的融合特征向量样本及其对应的PM2.5浓度标签。
本发明实施例所描述的第二训练样本包括监测区域多源遥感观测数据的融合特征矩阵样本及其对应的PM2.5浓度标签。
在本发明的实施例中,通过集成学习中的堆栈泛化的方法将作为基学习器的第一预测模型(如Light GBM模型)与第二预测模型(如CNN模型)进行组合,得到一个堆叠式集成学习模型。
在本实施例中,堆叠式集成学习模型的训练与测试过程如下:
可以使用5折交叉的方法,在训练集上训练每个基学习器。训练集被平均分成五份,模型在四份上进行训练,在剩下的一份上进行预测。这个过程会重复五次,直到得到整个训练集的预测结果。其次,在5折交叉训练的同时,生成对测试集的五次预测结果。将这五次预测取平均,得出测试集的最终预测结果。然后,将基学习器在训练集上的预测结果组合为新的训练集,将基学习器在测试集上的预测结果组合为新的测试集。最后,选择MLR模型作为元学习器,使用新的训练集对元学习器进行训练,并在新的测试集上进行测试。
更具体地,在本发明的实施例中,将监测区域多源遥感观测数据的融合特征向量样本及其对应的PM2.5浓度标签作为第一训练样本,由此获取多组第一训练样本。将监测区域多源遥感观测数据的融合特征矩阵样本及其对应的PM2.5浓度标签作为第二训练样本,由此获取多组第二训练样本。
进一步地,使用交叉验证的方法,将多组第一训练样本划分为第一训练集和第一测试集,并将多组第二训练样本划分为第二训练集和第二测试集。之后,利用第一训练集和第一测试集对Light GBM模型进行训练和测试,并利用第二训练集和第二测试集对CNN模型进行训练和测试。
其中,在本发明的一个具体实施例中,对CNN模型按照如下设置方式进行训练:首先,选择ReLU函数为全连接层和卷积层的激活函数。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。然后,在每个全连接层和卷积层(不包括全连接层5)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。之后,在最后一层全连接层之前添加一个随机失活层,失活概率设置为0.5。最后,将批处理的样本数量设置为256。
进一步地,获取Light GBM模型和CNN模型在各自训练集上的预测结果,并将这些预测结果重新组合为新的训练集。同时,获取Light GBM模型和CNN模型在各自测试集上的预测结果,并将这些预测结果重新组合为新的测试集。由此,便可以利用新的训练集和新的测试集对MLR模型进行训练和测试,直至确定训练后的MLR模型的模型精度满足预测精度要求,得到PM2.5浓度监测模型。
本发明实施例的方法,通过集成学习中的堆栈泛化的方法,对第一预测模型与第二预测模型进行组合,将第一预测模型和第二预测模型作为基学习器,将MLR模型作为元学习器,利用第一训练样本和第二训练样本,通过堆叠泛化的集成学习策略训练集成学习模型,进一步抑制模型过拟合问题,可以有效解决现有PM2.5浓度估算的空间覆盖度不足以及现有卫星遥感估算模型精度偏低的问题。
图2是本发明提供的PM2.5浓度卫星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,一方面,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,组成一维向量。同时,利用多源遥感观测数据的观测时间数据进行编码,并将时间编码信息融合到上述一维向量中,最终可以得到多源遥感观测数据的融合特征向量。其中,融合特征向量长度为14,包含11个通道的多源变量和3个时间编码信息。
另一方面,提取目标监测区域所在位置为中心的33窗口内的多通道图像,组成三维特征图像块,并利用该三维特征图像块中各像素的位置编码信息和多源遥感观测数据的观测时间数据进行特征重构,获取到大小为(49,15)的二维矩阵,即融合特征矩阵。其中,融合特征矩阵中包含11个通道的多源变量、3个时间编码信息和1个像素位置编码信息。
进一步地,在本实施例中,将上述最终得到的融合特征向量作为Light GBM模型的模型输入,将融合特征矩阵作为CNN模型的模型输入。同时,利用堆叠泛化的集成学习策略,将CNN模型和Light GBM模型作为基学习器,MLR模型作为元学习器,采用5折交叉验证方法对上述构建的堆叠式集成学习模型进行交叉验证,不断对堆叠式集成学习模型的模型参数进行参数优化,直至确定训练好的MLR模型的模型精度满足要求,最终得到高精度的PM2.5浓度数据集。
在本发明的一个具体实施例中,具体共收集了2015年到2022年间,澜湄流域(澜沧江-湄公河流域)的12154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0.91,均方根误差(RMSE)为5.85μg/m3,平均绝对误差(MAE)为3.46μg/m3。由此可见,本发明实施例的方法实现了高精度的PM2.5反演,还实现了长时间、全覆盖的PM2.5浓度估算,实现了对澜湄流域时空连续的PM2.5污染监测。
下面对本发明提供的PM2.5浓度卫星监测装置进行描述,下文描述的PM2.5浓度卫星监测装置与上文描述的PM2.5浓度卫星监测方法可相互对应参照。
图3是本发明提供的PM2.5浓度卫星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观测时间数据,确定多源遥感观测数据的融合特征信息;
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PM2.5浓度卫星监测装置可以用于执行上述PM2.5浓度卫星监测方法实施例,其原理和技术效果类似,此处不再赘述。
本发明实施例的PM2.5浓度卫星监测装置,通过考虑不同遥感数据与PM2.5浓度之间的时间异质性,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浓度标签进行模型训练,得到可以提取PM2.5-AOD关系时间异质性特征的PM2.5浓度监测模型,进一步通过目标监测区域的多源遥感观测数据和观测时间数据进行融合,将得到的融合特征信息输入至PM2.5浓度监测模型,利用PM2.5浓度监测模型处理包括AOD数据的不同遥感数据与PM2.5浓度之间的时间异质性差异,可以输出高精度的PM2.5浓度监测值,有效地提升了PM2.5浓度反演结果的精度,实现了高精度的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PM2.5浓度卫星监测方法,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观测时间数据,确定所述多源遥感观测数据的融合特征信息;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PM2.5浓度卫星监测方法,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观测时间数据,确定所述多源遥感观测数据的融合特征信息;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PM2.5浓度卫星监测方法,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观测时间数据,确定所述多源遥感观测数据的融合特征信息;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 (9)
1.一种PM2.5浓度卫星监测方法,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观测时间数据,确定所述多源遥感观测数据的融合特征信息;
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;
所述PM2.5浓度监测模型包括第一预测模型、第二预测模型和多元线性回归模型,所述融合特征信息包括融合特征向量和融合特征矩阵;所述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,包括:
将所述融合特征向量输入至所述第一预测模型,得到所述第一预测模型输出的第一PM2.5浓度预测值;
将所述融合特征矩阵输入至所述第二预测模型,得到所述第二预测模型输出的第二PM2.5浓度预测值;
将所述第一PM2.5浓度预测值和所述第二PM2.5浓度预测值一同输入至所述多元线性回归模型,得到所述多元线性回归模型输出的所述目标监测区域的PM2.5浓度监测值。
2.根据权利要求1所述的PM2.5浓度卫星监测方法,其特征在于,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观测时间数据,确定所述多源遥感观测数据的融合特征信息,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像素值提取,得到所述遥感图像的一维特征向量,并基于所述观测时间数据和所述一维特征向量,确定所述融合特征向量;
对所述遥感图像进行图像块提取,得到所述遥感图像的三维特征图像块,并利用所述三维特征图像块中各像素的位置编码信息和所述观测时间数据,对所述三维特征图像块进行特征重构处理,确定所述融合特征矩阵。
3.根据权利要求2所述的PM2.5浓度卫星监测方法,其特征在于,所述利用所述三维特征图像块中各像素的位置编码信息和所述观测时间数据,对所述三维特征图像块进行特征重构处理,确定所述融合特征矩阵,包括:
对所述三维特征图像块在其长宽方向上进行降维,得到所述三维特征图像块对应的二维特征矩阵;
对所述观测时间数据进行时间编码,生成与所述二维特征矩阵的列向量维度相同的多个第一列向量;
基于所述三维特征图像块中各像素的位置编码信息,生成与所述二维特征矩阵的列向量维度相同的第二列向量;
将所述多个第一列向量和所述第二列向量分别添加到所述二维特征矩阵中,得到所述融合特征矩阵。
4.根据权利要求2所述的PM2.5浓度卫星监测方法,其特征在于,所述基于所述观测时间数据和所述一维特征向量,确定所述融合特征向量,包括:
对所述观测时间数据的观测日期和观测年份分别进行编码,生成多个时间编码信息;
将所述多个时间编码信息添加到所述一维特征向量中,得到所述融合特征向量。
5.根据权利要求2所述的PM2.5浓度卫星监测方法,其特征在于,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。
6.根据权利要求1至5任一项所述的PM2.5浓度卫星监测方法,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:
获取多组第一训练样本和多组第二训练样本;所述第一训练样本是将所述监测区域多源遥感观测数据的融合特征向量样本及其对应的PM2.5浓度标签确定的;所述第二训练样本是将所述监测区域多源遥感观测数据的融合特征矩阵样本及其对应的PM2.5浓度标签确定的;
使用交叉验证的方法,将多组所述第一训练样本划分为第一训练集和第一测试集,并将多组所述第二训练样本划分为第二训练集和第二测试集;
利用所述第一训练集和所述第一测试集对所述第一预测模型进行训练和测试,并利用所述第二训练集和所述第二测试集对所述第二预测模型进行训练和测试;
将所述第一预测模型在所述第一训练集上的预测结果和所述第二预测模型在所述第二训练集上的预测结果组合为新的训练集,并将所述第一预测模型在所述第一测试集上的预测结果和所述第二预测模型在所述第二测试集上的预测结果组合为新的测试集;
利用所述新的训练集和所述新的测试集对所述多元线性回归模型进行训练和测试,直至确定训练后的多元线性回归模型的模型精度满足预测精度要求,得到所述PM2.5浓度监测模型。
7.一种PM2.5浓度卫星监测装置,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观测时间数据,确定所述多源遥感观测数据的融合特征信息;
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;
所述PM2.5浓度监测模型包括第一预测模型、第二预测模型和多元线性回归模型,所述融合特征信息包括融合特征向量和融合特征矩阵;
所述监测模块具体用于:
将所述融合特征向量输入至所述第一预测模型,得到所述第一预测模型输出的第一PM2.5浓度预测值;
将所述融合特征矩阵输入至所述第二预测模型,得到所述第二预测模型输出的第二PM2.5浓度预测值;
将所述第一PM2.5浓度预测值和所述第二PM2.5浓度预测值一同输入至所述多元线性回归模型,得到所述多元线性回归模型输出的所述目标监测区域的PM2.5浓度监测值。
8.一种电子设备,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6任一项所述PM2.5浓度卫星监测方法。
9.一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6任一项所述PM2.5浓度卫星监测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410083284.9A CN117592004B (zh) | 2024-01-19 | 2024-01-19 | Pm2.5浓度卫星监测方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410083284.9A CN117592004B (zh) | 2024-01-19 | 2024-01-19 | Pm2.5浓度卫星监测方法、装置、设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117592004A CN117592004A (zh) | 2024-02-23 |
CN117592004B true CN117592004B (zh) | 2024-04-12 |
Family
ID=89910293
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410083284.9A Active CN117592004B (zh) | 2024-01-19 | 2024-01-19 | Pm2.5浓度卫星监测方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117592004B (zh) |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105787184A (zh) * | 2016-03-04 | 2016-07-20 | 华北电力大学(保定) | 一种基于pm2.5的大气气溶胶光学厚度估计方法 |
CN106295516A (zh) * | 2016-07-25 | 2017-01-04 | 天津大学 | 基于图像的雾霾pm2.5值估计方法 |
CN107992891A (zh) * | 2017-12-01 | 2018-05-04 | 西安电子科技大学 | 基于光谱矢量分析多光谱遥感图像变化检测方法 |
CN111598156A (zh) * | 2020-05-14 | 2020-08-28 | 北京工业大学 | 基于多源异构数据融合的pm2.5预测模型 |
CN113159141A (zh) * | 2021-04-02 | 2021-07-23 | 北京首创大气环境科技股份有限公司 | 一种高分辨率近实时pm2.5浓度的遥感估算方法 |
WO2021226977A1 (zh) * | 2020-05-15 | 2021-11-18 | 安徽中科智能感知产业技术研究院有限责任公司 | 一种基于多源遥感数据融合和深度神经网络的矿山开采典型地物动态监测方法及平台 |
CN114414446A (zh) * | 2021-12-29 | 2022-04-29 | 中国科学院空天信息创新研究院 | 基于卫星遥感的近地面颗粒物浓度估算方法、装置和设备 |
CN115356249A (zh) * | 2022-10-19 | 2022-11-18 | 北华航天工业学院 | 基于机器学习融合模型的卫星偏振pm2.5估算方法和系统 |
NL2030716A (en) * | 2021-08-18 | 2023-03-09 | Nanjing Univ Of Information Science And Technology | Method for monitoring nighttime pm2.5 concentration based on nighttime light remote sensing data |
CN115829126A (zh) * | 2022-12-07 | 2023-03-21 | 大连理工大学 | 基于多视角自适应特征融合的光伏发电功率预测方法 |
CN116738211A (zh) * | 2023-06-26 | 2023-09-12 | 西安工业大学 | 一种基于多源异构数据融合的道路状况识别方法 |
CN117592005A (zh) * | 2024-01-19 | 2024-02-23 | 中国科学院空天信息创新研究院 | Pm2.5浓度卫星遥感估算方法、装置、设备及介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111611983A (zh) * | 2020-06-29 | 2020-09-01 | 南京农业大学 | 一种手持式田间小麦赤霉病监测预警装置及方法 |
-
2024
- 2024-01-19 CN CN202410083284.9A patent/CN117592004B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105787184A (zh) * | 2016-03-04 | 2016-07-20 | 华北电力大学(保定) | 一种基于pm2.5的大气气溶胶光学厚度估计方法 |
CN106295516A (zh) * | 2016-07-25 | 2017-01-04 | 天津大学 | 基于图像的雾霾pm2.5值估计方法 |
CN107992891A (zh) * | 2017-12-01 | 2018-05-04 | 西安电子科技大学 | 基于光谱矢量分析多光谱遥感图像变化检测方法 |
CN111598156A (zh) * | 2020-05-14 | 2020-08-28 | 北京工业大学 | 基于多源异构数据融合的pm2.5预测模型 |
WO2021226977A1 (zh) * | 2020-05-15 | 2021-11-18 | 安徽中科智能感知产业技术研究院有限责任公司 | 一种基于多源遥感数据融合和深度神经网络的矿山开采典型地物动态监测方法及平台 |
CN113159141A (zh) * | 2021-04-02 | 2021-07-23 | 北京首创大气环境科技股份有限公司 | 一种高分辨率近实时pm2.5浓度的遥感估算方法 |
NL2030716A (en) * | 2021-08-18 | 2023-03-09 | Nanjing Univ Of Information Science And Technology | Method for monitoring nighttime pm2.5 concentration based on nighttime light remote sensing data |
CN114414446A (zh) * | 2021-12-29 | 2022-04-29 | 中国科学院空天信息创新研究院 | 基于卫星遥感的近地面颗粒物浓度估算方法、装置和设备 |
CN115356249A (zh) * | 2022-10-19 | 2022-11-18 | 北华航天工业学院 | 基于机器学习融合模型的卫星偏振pm2.5估算方法和系统 |
CN115829126A (zh) * | 2022-12-07 | 2023-03-21 | 大连理工大学 | 基于多视角自适应特征融合的光伏发电功率预测方法 |
CN116738211A (zh) * | 2023-06-26 | 2023-09-12 | 西安工业大学 | 一种基于多源异构数据融合的道路状况识别方法 |
CN117592005A (zh) * | 2024-01-19 | 2024-02-23 | 中国科学院空天信息创新研究院 | Pm2.5浓度卫星遥感估算方法、装置、设备及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN117592004A (zh) | 2024-02-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111986099B (zh) | 基于融合残差修正的卷积神经网络的耕地监测方法及系统 | |
US11521379B1 (en) | Method for flood disaster monitoring and disaster analysis based on vision transformer | |
CN113128134B (zh) | 一种矿区生态环境演变驱动因子权重量化分析方法 | |
CN112861722B (zh) | 一种半监督深度图卷积的遥感土地利用语义分割方法 | |
CN117592005B (zh) | Pm2.5浓度卫星遥感估算方法、装置、设备及介质 | |
CN112749627A (zh) | 一种基于多源遥感影像的烟草动态监测的方法和装置 | |
CN113066037B (zh) | 基于图注意力机制的多光谱与全色图像融合方法及系统 | |
CN116343046A (zh) | 基于自优化机器学习的多源遥感城市河流水质监测方法 | |
CN115494007A (zh) | 基于随机森林的土壤有机质高精度快速检测方法及装置 | |
CN115601281A (zh) | 基于深度学习的遥感图像时空融合方法、系统及电子设备 | |
CN116341841A (zh) | 径流预报误差校正方法、装置、设备、介质和程序产品 | |
CN117592004B (zh) | Pm2.5浓度卫星监测方法、装置、设备及介质 | |
CN110596017B (zh) | 一种基于空间权重约束和变分自编码特征提取的高光谱影像土壤重金属浓度评估方法 | |
CN117058367A (zh) | 高分辨率遥感影像建筑物语义分割方法及装置 | |
Yang et al. | Sparse representation and SRCNN based spatio-temporal information fusion method of multi-sensor remote sensing data | |
CN115909077A (zh) | 基于无监督光谱解混神经网络的高光谱图像变化检测方法 | |
Luo et al. | Investigating the seasonal dynamics of surface water over the Qinghai–Tibet Plateau using Sentinel-1 imagery and a novel gated multiscale ConvNet | |
CN115641498A (zh) | 基于空间多尺度卷积神经网络的中期降水预报后处理订正方法 | |
CN117589646B (zh) | 大气细颗粒物浓度监测方法、装置、设备及介质 | |
CN109460700B (zh) | 一种面向作物分类的遥感数据处理方法及装置 | |
CN113590971A (zh) | 一种基于类脑时空感知表征的兴趣点推荐方法及系统 | |
CN113723447A (zh) | 多模态影像的端到端的模板匹配法 | |
Kvanum | Developing a deep learning forecasting system for short-term and high-resolution prediction of sea ice concentration | |
Bellet et al. | End-to-end Learning for Land Cover Classification using Irregular and Unaligned SITS by Combining Attention-Based Interpolation with Sparse Variational Gaussian Processes | |
Fanelli et al. | Deep Learning for Super-Resolution of Mediterranean Sea Surface Temperature Fields |
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 |