CN117592005B - Pm2.5浓度卫星遥感估算方法、装置、设备及介质 - Google Patents
Pm2.5浓度卫星遥感估算方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN117592005B CN117592005B CN202410083338.1A CN202410083338A CN117592005B CN 117592005 B CN117592005 B CN 117592005B CN 202410083338 A CN202410083338 A CN 202410083338A CN 117592005 B CN117592005 B CN 117592005B
- Authority
- CN
- China
- Prior art keywords
- remote sensing
- characteristic information
- information
- concentration
- fusion
- 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
- 238000000034 method Methods 0.000 title claims abstract description 66
- 230000004927 fusion Effects 0.000 claims abstract description 177
- 238000012544 monitoring process Methods 0.000 claims abstract description 102
- 238000012549 training Methods 0.000 claims abstract description 73
- 238000012545 processing Methods 0.000 claims abstract description 9
- 238000003062 neural network model Methods 0.000 claims description 38
- 239000013598 vector Substances 0.000 claims description 33
- 230000006870 function Effects 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 12
- 238000007781 pre-processing Methods 0.000 claims description 11
- 238000000605 extraction Methods 0.000 claims description 9
- 238000012952 Resampling Methods 0.000 claims description 8
- 238000013527 convolutional neural network Methods 0.000 description 10
- 230000008569 process Effects 0.000 description 8
- 230000007613 environmental effect Effects 0.000 description 7
- 238000013528 artificial neural network Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 6
- 238000002790 cross-validation Methods 0.000 description 4
- 238000009826 distribution Methods 0.000 description 4
- 238000010606 normalization Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 230000002123 temporal effect Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000007499 fusion processing 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
- 238000013136 deep learning model Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 208000024172 Cardiovascular disease Diseases 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000001010 compromised effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation 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
- 230000005180 public health Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000000241 respiratory effect Effects 0.000 description 1
- 208000023504 respiratory system disease Diseases 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
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- 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
-
- 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)
- 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浓度卫星遥感估算方法、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,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浓度预测模型,得到PM2.5浓度预测模型输出的目标监测区域的PM2.5浓度估算值;PM2.5浓度预测模型是根据监测区域多源遥感观测数据样本的融合特征信息及其对应的PM2.5浓度标签进行训练得到的,用于提取融合特征信息的空间自相关特征信息以及时空特征信息;融合特征信息至少包括AOD信息和气象信息。本发明可以有效地提升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PM2.5浓度卫星遥感估算方法、装置、设备及介质。
背景技术
PM2.5是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多源遥感数据在图像窗口内的空间分辨率差异问题,不同卫星数据之间空间分辨率的差异可以达到10倍以上,由此导致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浓度卫星遥感估算方法、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PM2.5浓度卫星遥感估算方法,包括:
基于目标监测区域的多源遥感观测数据,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浓度预测模型,得到所述PM2.5浓度预测模型输出的所述目标监测区域的PM2.5浓度估算值;所述PM2.5浓度预测模型是根据监测区域多源遥感观测数据样本的融合特征信息及其对应的PM2.5浓度标签进行训练得到的,用于提取所述融合特征信息的空间自相关特征信息以及时空特征信息;所述融合特征信息至少包括AOD信息和气象信息。
根据本发明提供的一种PM2.5浓度卫星遥感估算方法,所述融合特征信息包括第一融合特征信息和第二融合特征信息;所述PM2.5浓度预测模型包括并行分支的第一神经网络模型和第二神经网络模型,以及连接层和全连接层;
所述将所述融合特征信息输入至PM2.5浓度预测模型,得到所述PM2.5浓度预测模型输出的所述目标监测区域的PM2.5浓度估算值,包括:
将所述第一融合特征信息输入至所述第一神经网络模型,得到所述第一神经网络模型输出的所述第一融合特征信息的空间自相关特征信息;
将所述第二融合特征信息输入至所述第二神经网络模型,得到所述第二神经网络模型输出的所述第二融合特征信息的时空气象特征信息;
将所述空间自相关特征信息和所述时空气象特征信息输入至所述连接层,得到所述连接层输出的目标特征向量;
将所述目标特征向量输入至所述全连接层,得到所述全连接层输出的所述目标监测区域的PM2.5浓度估算值;
所述第一融合特征信息包括所述AOD信息和其他观测指标信息,所述第二融合特征信息包括多类气象信息。
根据本发明提供的一种PM2.5浓度卫星遥感估算方法,所述基于目标监测区域的多源遥感观测数据,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和多数据通道的气象图像;
对所述遥感图像进行图像特征提取,得到第一融合特征信息,并对所述气象图像进行图像特征提取,得到第二融合特征信息。
根据本发明提供的一种PM2.5浓度卫星遥感估算方法,所述对所述遥感图像进行图像特征提取,得到第一融合特征信息,包括:
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图像块信息;
从所述三维图像块信息中获取各类遥感观测信息,得到所述第一融合特征信息;所述第一融合特征信息包括AOD信息、归一化植被指数信息、土地利用类型信息、人口信息和高程信息。
根据本发明提供的一种PM2.5浓度卫星遥感估算方法,所述对所述气象图像进行图像特征提取,得到第二融合特征信息,包括:
对所述气象图像进行像素值提取,得到所述气象图像对应的一维向量;所述一维向量的元素包括所述气象图像中携带的各类气象信息;
将所述目标监测区域的地理信息和监测时间信息添加到所述一维向量中,得到所述第二融合特征信息。
根据本发明提供的一种PM2.5浓度卫星遥感估算方法,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和多数据通道的气象图像,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和多数据通道的气象图像。
根据本发明提供的一种PM2.5浓度卫星遥感估算方法,在所述将所述融合特征信息输入至PM2.5浓度预测模型之前,所述方法还包括:
将监测区域多源遥感观测数据样本的特征信息及其对应的PM2.5浓度标签作为一组训练样本,获取多组训练样本;
对于任意一组训练样本,将所述训练样本输入至PM2.5浓度预测模型,输出所述训练样本对应的预测概率;
利用预设损失函数,根据所述训练样本对应的预测概率和所述训练样本对应的PM2.5浓度标签,计算损失值;
基于所述损失值,对所述PM2.5浓度预测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浓度预测模型的模型参数,则PM2.5浓度预测模型训练完成。
本发明还提供一种PM2.5浓度卫星遥感估算装置,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,确定所述多源遥感观测数据的融合特征信息;
估算模块,用于将所述融合特征信息输入至PM2.5浓度预测模型,得到所述PM2.5浓度预测模型输出的所述目标监测区域的PM2.5浓度估算值;所述PM2.5浓度预测模型是根据监测区域多源遥感观测数据样本的融合特征信息及其对应的PM2.5浓度标签进行训练得到的,用于提取所述融合特征信息的空间自相关特征信息以及时空特征信息;所述融合特征信息至少包括AOD信息和气象信息。
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浓度卫星遥感估算方法。
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浓度卫星遥感估算方法。
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浓度卫星遥感估算方法。
本发明提供的PM2.5浓度卫星遥感估算方法、装置、设备及介质,通过考虑不同遥感数据之间空间分辨率的差异及空间异质性,利用监测区域多源遥感观测数据样本的融合特征信息及其对应的PM2.5浓度标签对深度神经网络模型进行训练,获得可以提取融合特征信息的空间自相关特征信息以及时空特征信息的PM2.5浓度预测模型,进一步通过目标监测区域的多源遥感观测数据进行融合处理,得到至少包括AOD信息和气象信息的融合特征信息,将该融合特征信息输入至PM2.5浓度预测模型,利用PM2.5浓度预测模型处理不同遥感数据之间的空间异质性差异,更好地解释PM2.5浓度与AOD信息关系的时空异质性,从而输出高精度的PM2.5浓度估算值,有效地提升了PM2.5浓度估算的精度,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浓度卫星遥感估算方法的流程示意图之一;
图2是本发明提供的PM2.5浓度卫星遥感估算方法的流程示意图之二;
图3是本发明提供的PM2.5浓度卫星遥感估算装置的结构示意图;
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浓度卫星遥感估算方法、装置、设备及介质。
图1是本发明提供的PM2.5浓度卫星遥感估算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,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浓度预测模型,得到PM2.5浓度预测模型输出的目标监测区域的PM2.5浓度估算值;PM2.5浓度预测模型是根据监测区域多源遥感观测数据样本的融合特征信息及其对应的PM2.5浓度标签进行训练得到的,用于提取融合特征信息的空间自相关特征信息以及时空特征信息;融合特征信息至少包括AOD信息和气象信息。
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理区域。
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,具体可以包括AOD数据,如来自MCD19A2产品的MODIS MAIAC AOD数据;多类气象数据,如来自全球大气ERA5气象再分析数据集的数据:边界层高度、相对湿度、地表温度、风速、风向、气压数据等;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MOD13A3产品的MODIS归一化植被指数数据,来自MCD12Q1产品的MODIS土地利用类型数据,来自LandScan产品的人口数据,以及来自GMTED2010产品的高程数据。
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某几类遥感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的一维向量来表示,也可以通过包含多源遥感观测数据的三维图像块来表示。
本发明实施例所描述的空间自相关特征信息指的是融合特征信息中在同一个空间分布区域内的观测数据之间潜在的相互依赖性特征,如AOD数据与其他环境参数数据之间的依赖性特征。
本发明实施例所描述的时空特征信息指的是融合特征信息中各种遥感观测数据基于不同时空分布上体现的特征信息,如各类气象观测数据随不同时空分布变化的特征。
本发明实施例所描述的PM2.5浓度预测模型是根据监测区域多源遥感观测数据样本的融合特征信息及其对应的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的融合特征信息进行识别,学习不同遥感数据之间的空间异质性差异,提取融合特征信息的空间自相关特征信息以及时空特征信息,从而可以使PM2.5浓度预测模型根据输入的融合特征信息,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多源数据融合特征信息的空间自相关特征信息以及时空特征信息,实现PM2.5浓度估算的神经网络,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样本的融合特征信息组成的。
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样本的融合特征信息预先确定的,并与多源遥感观测数据样本的融合特征信息是一一对应的。也就是说,训练样本中的每一个多源遥感观测数据样本的融合特征信息,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,对这些多源遥感观测数据中的高、低分辨率数据分别进行预处理以及数据特征融合,可以确定出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浓度预测模型,提取融合特征信息的空间自相关特征信息以及时空特征信息,并基于空间自相关特征信息以及时空特征信息进行预测,得到目标监测区域的PM2.5浓度估算值。
本发明实施例的PM2.5浓度卫星遥感估算方法,通过考虑不同遥感数据之间空间分辨率的差异及空间异质性,利用监测区域多源遥感观测数据样本的融合特征信息及其对应的PM2.5浓度标签对深度神经网络模型进行训练,获得可以提取融合特征信息的空间自相关特征信息以及时空特征信息的PM2.5浓度预测模型,进一步通过目标监测区域的多源遥感观测数据进行融合处理,得到至少包括AOD信息和气象信息的融合特征信息,将该融合特征信息输入至PM2.5浓度预测模型,利用PM2.5浓度预测模型处理不同遥感数据之间的空间异质性差异,更好地解释PM2.5浓度与AOD信息关系的时空异质性,从而输出高精度的PM2.5浓度估算值,有效地提升了PM2.5浓度估算的精度,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,确定目标监测区域的融合特征信息,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和多数据通道的气象图像;
对遥感图像进行图像特征提取,得到第一融合特征信息,并对气象图像进行图像特征提取,得到第二融合特征信息。
具体地,在本发明的实施例中,该融合特征信息包括第一融合特征信息和第二融合特征信息,其中,第一融合特征信息可以表征AOD信息与其他环境参数信息之间的融合特征信息,第二融合特征信息可以表征各类气象信息与观测时空数据信息之间融合特征信息。
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和多数据通道的气象图像。
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和多数据通道的气象图像,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和多数据通道的气象图像。
具体地,在本发明的实施例中,为提高MAIAC 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MAIAC 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,可以采用最小-最大归一化法对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和多数据通道的气象图像。
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和多数据通道的气象图像之后,可以对多数据通道的遥感图像进行图像特征提取,得到可以表征AOD信息与其他环境参数信息之间信息融合的第一融合特征信息。
基于上述实施例的内容,作为一种可选的实施例,对遥感图像进行图像特征提取,得到第一融合特征信息,包括:
对遥感图像进行图像块提取,得到遥感图像的三维图像块信息;
从三维图像块信息中获取各类遥感观测信息,得到第一融合特征信息;第一融合特征信息包括AOD信息、归一化植被指数(Normalized Difference Vegetation Index,NDVI)信息、土地利用类型信息、人口信息和高程信息。
具体地,在本发明的实施例中,第一融合特征信息可以包括AOD信息、NDVI信息、土地利用类型信息、人口信息和高程信息。
在本发明的实施例中,由于包含AOD信息和其他环境参数数据的遥感图像属于高分辨率遥感图像。对于高分辨率数据,可以提取目标监测区域所在位置为中心的3×3窗口内的多通道图像,组成三维图像块。
在本发明的实施例中,三维图像块的大小可以表示为(3,3,5),其表明图像块的高度为3,宽度为3,数据通道数为5,其中,5个数据通道分别用于获取AOD信息、NDVI信息、土地利用类型信息、人口信息和高程信息。
进一步地,便可以从上述三维图像块(3,3,5)中获取包含AOD信息、NDVI信息、土地利用类型信息、人口信息和高程信息的遥感观测信息,以构成第一融合特征信息。
本发明实施例的方法,针对高分辨率的遥感数据,通过前述重采样至同一分辨率下,提取三维图像块数据构成第一融合特征信息,可以有效避免现有多源数据在图像窗口内空间异质性差异的问题,有利于提高PM2.5遥感估算的精度。
进一步地,在本发明的实施例中,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和多数据通道的气象图像之后,还可以对多数据通道的气象图像进行图像特征提取,得到可以表征各类倾向信息之间信息融合的第二融合特征信息。
基于上述实施例的内容,作为一种可选的实施例,对气象图像进行图像特征提取,得到第二融合特征信息,包括:
对气象图像进行像素值提取,得到气象图像对应的一维向量;一维向量的元素包括气象图像中携带的各类气象信息;
将目标监测区域的地理信息和监测时间信息添加到一维向量中,得到第二融合特征信息。
具体地,在本发明的实施例中,由于包含各类气象信息的遥感图像属于低分辨率遥感图像。对于低分辨率气象数据,可以提取目标监测区域所在位置的像素值,组成一维向量。一维向量的元素包括气象图像中携带的各类气象信息,如边界层高度、相对湿度、地表温度、风速、风向、气压数据6个气象变量信息。
进一步地,在本发明的实施例中,还可以向该一维向量中添加目标监测区域的地理信息和监测时间信息。
其中,地理信息可以包括:目标监测区域的纬度(Lat)、经度(Lon),以及目标监测区域所处图像位置到图像左上角的距离(Dtl)、到图像右上角的距离(Dtr)、到图像左下角的距离(Dbl)、到图像右下角的距离(Dbr)和到图像中心点的距离(Dc)。
监测时间信息则可以被表示为一个余弦值、一个正弦值/>和一个年份值/>,它们的计算公式如下:
;
;
;
其中,表示月份,取值为1到12;/>表示年份。
这样,得到该一维向量的长度可以达到16,其中包含6个气象变量,7个空间信息变量和3个时间信息变量,由此,由该一维向量构成第二融合特征信息。
在本发明的实施例中,针对上述低分辨率的气象数据,通过引入时空信息,有助于更好地解释PM2.5浓度与AOD信息关系的时空异质性,有利于进一步提高PM2.5遥感估算的精度。
本发明实施例的方法,通过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和多数据通道的气象图像,进而针对不同分辨率的遥感图像和气象图像进行分类处理,提取表征AOD信息与其他环境参数信息之间融合的融合特征信息和表征各类气象信息与时空信息融合的融合特征信息,有利于减小不同类型遥感数据之间空间分辨率差异,为后续PM2.5遥感估算提供可靠测算数据源,以进一步提升PM2.5遥感估算精度。
基于上述实施例的内容,作为一种可选的实施例,该融合特征信息包括第一融合特征信息和第二融合特征信息;PM2.5浓度预测模型包括并行分支的第一神经网络模型和第二神经网络模型,以及连接层和全连接层;
将融合特征信息输入至PM2.5浓度预测模型,得到PM2.5浓度预测模型输出的目标监测区域的PM2.5浓度估算值,包括:
将第一融合特征信息输入至第一神经网络模型,得到第一神经网络模型输出的第一融合特征信息的空间自相关特征信息;
将第二融合特征信息输入至第二神经网络模型,得到第二神经网络模型输出的第二融合特征信息的时空气象特征信息;
将空间自相关特征信息和时空气象特征信息输入至连接层,得到连接层输出的目标特征向量;
将目标特征向量输入至全连接层,得到全连接层输出的目标监测区域的PM2.5浓度估算值;
第一融合特征信息包括AOD信息和其他观测指标信息,第二融合特征信息包括多类气象信息,时空特征信息为时空气象特征信息。
具体地,本发明实施例所描述的第一神经网络模型用于提取第一融合特征信息的空间自相关特征信息,其具体可以是基于CNN模型构建的,其中,CNN模型由三层卷积神经网络和最大池化层组成。
本发明实施例所描述的第二神经网络模型用于提取第二融合特征信息的时空气象特征信息,其具体可以是BPNN模型构建的,其中,BPNN模型由三层全连接神经网络组成。
在本发明的实施例中,PM2.5浓度预测模型为双分支神经网络模型,包括并行分支的BPNN分支和CNN分支。
其中,本发明实施例中PM2.5浓度预测模型的神经网络层及参数配置见表1所示。
表1
本发明实施例所描述的其他观测指标信息指的是前述的其他环境参数数据,具体可以包括AOD信息、NDVI信息、土地利用类型信息、人口信息和高程信息。
本发明实施例所描述的目标特征向量指的是通过连接层,将第一融合特征信息的空间自相关特征信息与第二融合特征信息的时空气象特征信息进行信息拼接得到的一维向量。
进一步地,在本发明的实施例中,将融合特征信息输入至PM2.5浓度预测模型之后,将第一融合特征信息输入至第一神经网络模型,即将前述三维图像块信息输入至CNN模型,经过3层卷积神经网络和最大池化层提取空间自相关特征信息。同时,将第二融合特征信息输入至第二神经网络模型,即将前述长度为16的一维向量输入至BPNN模型,经过3层全连接神经网络提取时空气象特征信息。
进一步地,将空间自相关特征信息和时空气象特征信息输入至连接层进行信息拼接,得到目标特征向量。将该目标特征向量输入至全连接层,经过两层全连接层之后,输出得到全连接层输出目标监测区域的PM2.5浓度估算值。
本发明实施例的方法,通过采用双分支神经网络结构,使用BPNN和CNN结构分别处理低分辨率遥感数据和高分辨率遥感数据,既可以提取空间邻域信息,又考虑到了多源卫星数据的空间异质性差异,实现了高精度的PM2.5卫星遥感估算。
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浓度预测模型之前,该方法还包括:
将监测区域多源遥感观测数据样本的特征信息及其对应的PM2.5浓度标签作为一组训练样本,获取多组训练样本;
对于任意一组训练样本,将训练样本输入至PM2.5浓度预测模型,输出训练样本对应的预测概率;
利用预设损失函数,根据训练样本对应的预测概率和训练样本对应的PM2.5浓度标签,计算损失值;
基于损失值,对PM2.5浓度预测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浓度预测模型的模型参数,则PM2.5浓度预测模型训练完成。
具体地,在本发明的实施例中,在将融合特征信息输入至PM2.5浓度预测模型之前,还需对PM2.5浓度预测模型进行训练,以得到训练好的PM2.5浓度预测模型。
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,所有样本被随机分为10份,使用9份进行训练,其余1份进行验证。
具体来说,在本发明的实施例中,可以选择ReLU函数为全连接层和卷积层的激活函数;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;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;将批处理的样本数量设置为256。
进一步地,在本发明的实施例中,利用训练样本数据对PM2.5浓度预测模型进行训练,具体训练过程如下:
监测区域多源遥感观测数据样本的特征信息及其对应的PM2.5浓度标签作为一组训练样本,针对不同的多源遥感观测数据样本,则可以获取到多组训练样本。
在本发明的实施例中,多源遥感观测数据样本的特征信息与其携带的PM2.5浓度标签是一一对应的。
然后,在获得多组训练样本之后,再将多组训练样本依次输入至PM2.5浓度预测模型中,利用多组训练样本对PM2.5浓度预测模型进行训练,即:
将每组训练样本中的多源遥感观测数据样本的特征信息及其对应的PM2.5浓度标签同时输入至PM2.5浓度预测模型中,根据PM2.5浓度预测模型中的每一次输出结果,通过计算损失函数值,对PM2.5浓度预测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PM2.5浓度预测模型的整个训练过程,得到训练好的PM2.5浓度预测模型。
本发明实施例所描述的预设损失函数指的是预先设置在PM2.5浓度预测模型里的损失函数,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。
具体来说,在获得多组训练样本之后,对于任意一组训练样本,将每组训练样本中的多源遥感观测数据样本的特征信息及其对应的PM2.5浓度标签同时输入至PM2.5浓度预测模型,输出该训练样本对应的预测概率。
在此基础上,利用预设的损失函数,根据该训练样本对应的预测概率和该训练样本对应的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PM2.5浓度预测模型的模型参数进行调整,来更新PM2.5浓度预测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,若针对某组训练样本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,可以将所得到的模型参数作为训练好的PM2.5浓度预测模型的模型参数,则PM2.5浓度预测模型训练完成,由此得到训练好的PM2.5浓度预测模型。
本发明实施例的方法,通过利用多组训练样本对PM2.5浓度预测模型进行反复迭代训练,将PM2.5浓度预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卫星遥感估算的精度。
图2是本发明提供的PM2.5浓度卫星遥感估算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,包括气象数据、MAIAC AOD数据、NDVI数据、土地利用类型数据和人口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和气象图像数据。
进一步地,在本实施例中,根据数据通道的遥感图像数据和气象图像数据进行数据重构,即针对分辨率高的遥感图像数据,提取PM2.5监测站所在位置为中心的3×3窗口内的多通道图像,组成3维图像块;针对分辨率低的气象图像数据,提取PM2.5监测站所在位置的像素值,组成1维向量,并向该1维向量中添加了地理信息与监测时间信息,最终得到的长度为16的1维向量,其中包含6个气象变量,7个空间信息变量和3个时间信息变量。
进一步地,在本实施例中,将上述最终得到的1维向量和3维图像块输入至双分支神经网络模型,并采用10折交叉验证方法对模型进行训练与测试,不断对双分支神经网络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浓度数据。
在本发明的一个具体实施例中,针对选取的特定年限时间段,对目标监测区域一共搜集到77887条月平均样本,模型在交叉验证中的精度表现如下:决定系数(R2)高达0.95,均方根误差(RMSE)和平均绝对误差(MAE)分别为5.80μg/m3和3.94μg/m3。因此,本发明实施例中的双分支神经网络模型可以良好地拟合PM2.5浓度与AOD信息之间的关系,实现高精度的PM2.5浓度反演。
下面对本发明提供的PM2.5浓度卫星遥感估算装置进行描述,下文描述的PM2.5浓度卫星遥感估算装置与上文描述的PM2.5浓度卫星遥感估算方法可相互对应参照。
图3是本发明提供的PM2.5浓度卫星遥感估算装置的结构示意图,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,确定多源遥感观测数据的融合特征信息;
估算模块320,用于将融合特征信息输入至PM2.5浓度预测模型,得到PM2.5浓度预测模型输出的目标监测区域的PM2.5浓度估算值;PM2.5浓度预测模型是根据监测区域多源遥感观测数据样本的融合特征信息及其对应的PM2.5浓度标签进行训练得到的,用于提取融合特征信息的空间自相关特征信息以及时空特征信息;融合特征信息至少包括AOD信息和气象信息。
本实施例所述的PM2.5浓度卫星遥感估算装置可以用于执行上述PM2.5浓度卫星遥感估算方法实施例,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浓度卫星遥感估算装置,通过考虑不同遥感数据之间空间分辨率的差异及空间异质性,利用监测区域多源遥感观测数据样本的融合特征信息及其对应的PM2.5浓度标签对深度神经网络模型进行训练,获得可以提取融合特征信息的空间自相关特征信息以及时空特征信息的PM2.5浓度预测模型,进一步通过目标监测区域的多源遥感观测数据进行融合处理,得到至少包括AOD信息和气象信息的融合特征信息,将该融合特征信息输入至PM2.5浓度预测模型,利用PM2.5浓度预测模型处理不同遥感数据之间的空间异质性差异,更好地解释PM2.5浓度与AOD信息关系的时空异质性,从而输出高精度的PM2.5浓度估算值,有效地提升了PM2.5浓度估算的精度,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浓度卫星遥感估算方法,该方法包括:基于目标监测区域的多源遥感观测数据,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浓度预测模型,得到所述PM2.5浓度预测模型输出的所述目标监测区域的PM2.5浓度估算值;所述PM2.5浓度预测模型是根据监测区域多源遥感观测数据样本的融合特征信息及其对应的PM2.5浓度标签进行训练得到的,用于提取所述融合特征信息的空间自相关特征信息以及时空特征信息;所述融合特征信息至少包括AOD信息和气象信息。
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浓度卫星遥感估算方法,该方法包括:基于目标监测区域的多源遥感观测数据,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浓度预测模型,得到所述PM2.5浓度预测模型输出的所述目标监测区域的PM2.5浓度估算值;所述PM2.5浓度预测模型是根据监测区域多源遥感观测数据样本的融合特征信息及其对应的PM2.5浓度标签进行训练得到的,用于提取所述融合特征信息的空间自相关特征信息以及时空特征信息;所述融合特征信息至少包括AOD信息和气象信息。
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浓度卫星遥感估算方法,该方法包括:基于目标监测区域的多源遥感观测数据,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浓度预测模型,得到所述PM2.5浓度预测模型输出的所述目标监测区域的PM2.5浓度估算值;所述PM2.5浓度预测模型是根据监测区域多源遥感观测数据样本的融合特征信息及其对应的PM2.5浓度标签进行训练得到的,用于提取所述融合特征信息的空间自相关特征信息以及时空特征信息;所述融合特征信息至少包括AOD信息和气象信息。
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PM2.5浓度卫星遥感估算方法,其特征在于,包括:
基于目标监测区域的多源遥感观测数据,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浓度预测模型,得到所述PM2.5浓度预测模型输出的所述目标监测区域的PM2.5浓度估算值;所述PM2.5浓度预测模型是根据监测区域多源遥感观测数据样本的融合特征信息及其对应的PM2.5浓度标签进行训练得到的,用于提取所述融合特征信息的空间自相关特征信息以及时空特征信息;所述融合特征信息至少包括AOD信息和气象信息;
所述融合特征信息包括第一融合特征信息和第二融合特征信息;所述PM2.5浓度预测模型包括并行分支的第一神经网络模型和第二神经网络模型,以及连接层和全连接层;
其中,所述将所述融合特征信息输入至PM2.5浓度预测模型,得到所述PM2.5浓度预测模型输出的所述目标监测区域的PM2.5浓度估算值,包括:
将所述第一融合特征信息输入至所述第一神经网络模型,得到所述第一神经网络模型输出的所述第一融合特征信息的空间自相关特征信息;
将所述第二融合特征信息输入至所述第二神经网络模型,得到所述第二神经网络模型输出的所述第二融合特征信息的时空气象特征信息;
将所述空间自相关特征信息和所述时空气象特征信息输入至所述连接层,得到所述连接层输出的目标特征向量;
将所述目标特征向量输入至所述全连接层,得到所述全连接层输出的所述目标监测区域的PM2.5浓度估算值;
所述第一融合特征信息包括所述AOD信息和其他观测指标信息,所述第二融合特征信息包括多类气象信息;所述其他观测指标信息包括归一化植被指数信息、土地利用类型信息、人口信息和高程信息;
其中,所述基于目标监测区域的多源遥感观测数据,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和多数据通道的气象图像;
对所述遥感图像进行图像特征提取,得到第一融合特征信息,并对所述气象图像进行图像特征提取,得到第二融合特征信息;
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和多数据通道的气象图像,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和多数据通道的气象图像。
2.根据权利要求1所述的PM2.5浓度卫星遥感估算方法,其特征在于,所述对所述遥感图像进行图像特征提取,得到第一融合特征信息,包括:
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图像块信息;
从所述三维图像块信息中获取各类遥感观测信息,得到所述第一融合特征信息。
3.根据权利要求1所述的PM2.5浓度卫星遥感估算方法,其特征在于,所述对所述气象图像进行图像特征提取,得到第二融合特征信息,包括:
对所述气象图像进行像素值提取,得到所述气象图像对应的一维向量;所述一维向量的元素包括所述气象图像中携带的各类气象信息;
将所述目标监测区域的地理信息和监测时间信息添加到所述一维向量中,得到所述第二融合特征信息。
4.根据权利要求1-3任一项所述的PM2.5浓度卫星遥感估算方法,其特征在于,在所述将所述融合特征信息输入至PM2.5浓度预测模型之前,所述方法还包括:
将监测区域多源遥感观测数据样本的特征信息及其对应的PM2.5浓度标签作为一组训练样本,获取多组训练样本;
对于任意一组训练样本,将所述训练样本输入至PM2.5浓度预测模型,输出所述训练样本对应的预测概率;
利用预设损失函数,根据所述训练样本对应的预测概率和所述训练样本对应的PM2.5浓度标签,计算损失值;
基于所述损失值,对所述PM2.5浓度预测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浓度预测模型的模型参数,则PM2.5浓度预测模型训练完成。
5.一种PM2.5浓度卫星遥感估算装置,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,确定所述多源遥感观测数据的融合特征信息;
估算模块,用于将所述融合特征信息输入至PM2.5浓度预测模型,得到所述PM2.5浓度预测模型输出的所述目标监测区域的PM2.5浓度估算值;所述PM2.5浓度预测模型是根据监测区域多源遥感观测数据样本的融合特征信息及其对应的PM2.5浓度标签进行训练得到的,用于提取所述融合特征信息的空间自相关特征信息以及时空特征信息;所述融合特征信息至少包括AOD信息和气象信息;
所述融合特征信息包括第一融合特征信息和第二融合特征信息;所述PM2.5浓度预测模型包括并行分支的第一神经网络模型和第二神经网络模型,以及连接层和全连接层;
其中,所述估算模块具体用于:
将所述第一融合特征信息输入至所述第一神经网络模型,得到所述第一神经网络模型输出的所述第一融合特征信息的空间自相关特征信息;
将所述第二融合特征信息输入至所述第二神经网络模型,得到所述第二神经网络模型输出的所述第二融合特征信息的时空气象特征信息;
将所述空间自相关特征信息和所述时空气象特征信息输入至所述连接层,得到所述连接层输出的目标特征向量;
将所述目标特征向量输入至所述全连接层,得到所述全连接层输出的所述目标监测区域的PM2.5浓度估算值;
所述第一融合特征信息包括所述AOD信息和其他观测指标信息,所述第二融合特征信息包括多类气象信息;所述其他观测指标信息包括归一化植被指数信息、土地利用类型信息、人口信息和高程信息;
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和多数据通道的气象图像;
对所述遥感图像进行图像特征提取,得到第一融合特征信息,并对所述气象图像进行图像特征提取,得到第二融合特征信息;
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和多数据通道的气象图像。
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PM2.5浓度卫星遥感估算方法。
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PM2.5浓度卫星遥感估算方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410083338.1A CN117592005B (zh) | 2024-01-19 | 2024-01-19 | Pm2.5浓度卫星遥感估算方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410083338.1A CN117592005B (zh) | 2024-01-19 | 2024-01-19 | Pm2.5浓度卫星遥感估算方法、装置、设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117592005A CN117592005A (zh) | 2024-02-23 |
CN117592005B true CN117592005B (zh) | 2024-04-26 |
Family
ID=89920627
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410083338.1A Active CN117592005B (zh) | 2024-01-19 | 2024-01-19 | Pm2.5浓度卫星遥感估算方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117592005B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117592004B (zh) * | 2024-01-19 | 2024-04-12 | 中国科学院空天信息创新研究院 | Pm2.5浓度卫星监测方法、装置、设备及介质 |
CN118097433B (zh) * | 2024-04-22 | 2024-06-25 | 南昌工学院 | 基于深度学习的遥感图像处理方法及系统 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111323352A (zh) * | 2020-04-09 | 2020-06-23 | 中南大学 | 融合细颗粒物浓度数据的区域pm2.5遥感反演模型 |
CN111723524A (zh) * | 2020-06-23 | 2020-09-29 | 南通大学 | 一种基于日变化约束的pm2.5卫星遥感反演方法 |
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 |
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 |
CN113189014A (zh) * | 2021-04-14 | 2021-07-30 | 西安交通大学 | 一种融合卫星遥感和地面监测数据的臭氧浓度估算方法 |
CN113297527A (zh) * | 2021-06-09 | 2021-08-24 | 四川大学 | 基于多源城市大数据的pm2.5全面域时空计算推断方法 |
CN114638417A (zh) * | 2022-03-21 | 2022-06-17 | 南京航空航天大学 | 一种细粒度空气质量预测方法及系统 |
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 |
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 |
CN115859026A (zh) * | 2022-11-18 | 2023-03-28 | 二十一世纪空间技术应用股份有限公司 | 一种高分辨率近地面pm2.5浓度遥感反演方法及装置 |
CN116935214A (zh) * | 2023-06-27 | 2023-10-24 | 福建鼎旸信息科技股份有限公司 | 一种卫星多源遥感数据的时空谱融合方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112766549A (zh) * | 2021-01-07 | 2021-05-07 | 清华大学 | 一种空气污染物浓度预报方法、装置及存储介质 |
CN113919448B (zh) * | 2021-12-14 | 2022-04-01 | 武汉大学 | 一种任意时空位置二氧化碳浓度预测影响因素分析方法 |
-
2024
- 2024-01-19 CN CN202410083338.1A patent/CN117592005B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111323352A (zh) * | 2020-04-09 | 2020-06-23 | 中南大学 | 融合细颗粒物浓度数据的区域pm2.5遥感反演模型 |
CN111723524A (zh) * | 2020-06-23 | 2020-09-29 | 南通大学 | 一种基于日变化约束的pm2.5卫星遥感反演方法 |
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 |
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 |
CN113189014A (zh) * | 2021-04-14 | 2021-07-30 | 西安交通大学 | 一种融合卫星遥感和地面监测数据的臭氧浓度估算方法 |
CN113297527A (zh) * | 2021-06-09 | 2021-08-24 | 四川大学 | 基于多源城市大数据的pm2.5全面域时空计算推断方法 |
CN114638417A (zh) * | 2022-03-21 | 2022-06-17 | 南京航空航天大学 | 一种细粒度空气质量预测方法及系统 |
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 |
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 |
CN115859026A (zh) * | 2022-11-18 | 2023-03-28 | 二十一世纪空间技术应用股份有限公司 | 一种高分辨率近地面pm2.5浓度遥感反演方法及装置 |
CN116935214A (zh) * | 2023-06-27 | 2023-10-24 | 福建鼎旸信息科技股份有限公司 | 一种卫星多源遥感数据的时空谱融合方法 |
Non-Patent Citations (7)
Title |
---|
Deep learning methods for atmospheric PM2.5 prediction A comparative study of transformer and CNN-LSTM-attention;Bowen Cui 等;《Atmospheric Pollution Research》;20230720;第14卷(第9期);全文 * |
PM_(2.5)遥感反演技术研究进展;黄明祥;魏斌;郝千婷;李顺;张富华;;环境污染与防治;20151015(第10期);全文 * |
Predicting PM2.5 atmospheric air pollution using deep learning with meteorological data and ground-based observations and remote-sensing satellite big data;Pratyush Muthukumar 等;《Air Quality, Atmosphere and Health》;20211123;第15卷;全文 * |
基于GOCI卫星的大气细颗粒物PM2.5的遥感反演及其时空分布规律研究;李志鹏;陈健;;遥感技术与应用;20200220(01);全文 * |
工程科技Ⅱ辑 ; 信息科技》.2023,(第02期),全文. * |
融合拓扑信息与气象信息的空气质量预测网络;严梦瑶 等;《中国环境监测》;20231215;第39卷(第S1期);全文 * |
贾书琴.高空间分辨率PM2.5浓度的遥感反演方法研究.《中国优秀硕士论文全文数据库 工程科技Ⅰ辑 * |
Also Published As
Publication number | Publication date |
---|---|
CN117592005A (zh) | 2024-02-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117592005B (zh) | Pm2.5浓度卫星遥感估算方法、装置、设备及介质 | |
CN108761574B (zh) | 基于多源信息融合的降雨量估算方法 | |
CN113128134B (zh) | 一种矿区生态环境演变驱动因子权重量化分析方法 | |
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 | |
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 | |
CN112699959B (zh) | 基于能量泛函模型的多源多尺度降水数据融合方法和装置 | |
CN113901384A (zh) | 顾及全局空间自相关性和局部异质性的地面pm2.5浓度建模方法 | |
CN113204061B (zh) | 一种构建格点风速订正模型的方法及装置 | |
CN113253364B (zh) | 一种对站点风速预报结果进行订正的方法及装置 | |
CN110909447B (zh) | 一种高精度电离层区域短期预报方法 | |
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 | |
CN114417728A (zh) | 基于温度和发射率及深度学习的近地表空气温度反演方法 | |
CN112668615B (zh) | 一种基于深度跨尺度外推融合的卫星云图预测方法 | |
CN111597692B (zh) | 一种地表净辐射估算方法、系统、电子设备和存储介质 | |
CN112990354A (zh) | 一种构建用于风速预测的深度卷积回归网络的方法及装置 | |
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 | |
CN117589646B (zh) | 大气细颗粒物浓度监测方法、装置、设备及介质 | |
CN117592004B (zh) | Pm2.5浓度卫星监测方法、装置、设备及介质 | |
CN114818857A (zh) | 一种积雪深度融合方法 | |
Meyer et al. | Package ‘CAST’ | |
CN113988153A (zh) | 基于条件生成对抗网络的高分辨率气溶胶估算方法 | |
CN115620171B (zh) | 树林蓄积量评估方法、装置、设备及存储介质 | |
CN117272182B (zh) | 一种逐日气温的预测方法、装置、介质及设备 | |
CN113408629B (zh) | 基于时空卷积网络的机动车尾气遥测数据的多重补全方法 | |
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 |