CN117952025A - 卫星自主规划的大气污染物监测方法、装置、设备及介质 - Google Patents
卫星自主规划的大气污染物监测方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN117952025A CN117952025A CN202410354115.4A CN202410354115A CN117952025A CN 117952025 A CN117952025 A CN 117952025A CN 202410354115 A CN202410354115 A CN 202410354115A CN 117952025 A CN117952025 A CN 117952025A
- Authority
- CN
- China
- Prior art keywords
- data
- satellite
- pollutant
- model
- 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.)
- Granted
Links
- 239000003344 environmental pollutant Substances 0.000 title claims abstract description 130
- 231100000719 pollutant Toxicity 0.000 title claims abstract description 130
- 238000012544 monitoring process Methods 0.000 title claims abstract description 103
- 238000000034 method Methods 0.000 title claims abstract description 53
- 238000012549 training Methods 0.000 claims abstract description 30
- 238000005259 measurement Methods 0.000 claims abstract description 25
- 238000012795 verification Methods 0.000 claims abstract description 18
- 239000000356 contaminant Substances 0.000 claims description 29
- 238000011156 evaluation Methods 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 9
- 238000012806 monitoring device Methods 0.000 claims description 8
- 238000005265 energy consumption Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 abstract description 11
- 230000007613 environmental effect Effects 0.000 abstract description 8
- MWUXSHHQAYIFBG-UHFFFAOYSA-N Nitric oxide Chemical compound O=[N] MWUXSHHQAYIFBG-UHFFFAOYSA-N 0.000 description 24
- 238000004364 calculation method Methods 0.000 description 11
- 238000007726 management method Methods 0.000 description 11
- 239000000779 smoke Substances 0.000 description 8
- 238000012937 correction Methods 0.000 description 7
- 238000003066 decision tree Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 239000002699 waste material Substances 0.000 description 7
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 description 6
- 230000000694 effects Effects 0.000 description 6
- 239000003546 flue gas Substances 0.000 description 6
- 230000009286 beneficial effect Effects 0.000 description 5
- XOFYZVNMUHMLCC-ZPOLXVRWSA-N prednisone Chemical compound O=C1C=C[C@]2(C)[C@H]3C(=O)C[C@](C)([C@@](CC4)(O)C(=O)CO)[C@@H]4[C@@H]3CCC2=C1 XOFYZVNMUHMLCC-ZPOLXVRWSA-N 0.000 description 5
- 230000002265 prevention Effects 0.000 description 5
- 238000007637 random forest analysis Methods 0.000 description 5
- 230000004044 response Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- RAHZWNYVWXNFOC-UHFFFAOYSA-N Sulphur dioxide Chemical compound O=S=O RAHZWNYVWXNFOC-UHFFFAOYSA-N 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 239000005431 greenhouse gas Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012952 Resampling Methods 0.000 description 1
- 229910000831 Steel Inorganic materials 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 238000003915 air pollution Methods 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000011109 contamination Methods 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 230000004907 flux Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- 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
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例提供了一种卫星自主规划的大气污染物监测方法、装置、设备及介质，涉及环境监测技术领域，方法包括获取目标点的污染物卫星监测数据以及与污染物卫星监测数据同时段的气象数据和栅格数据；将气象数据和栅格数据作为模型输入数据，将污染物卫星监测数据作为模型验证数据，对星上实时反演模型进行训练，获得模型权重参数数据；将模型权重参数数据上注至星载计算机，基于该数据对卫星当次过境目标点时的污染物进行星上实时反演，获得污染物反演实测排放量；基于污染物反演实测排放量对卫星下次过境目标点时是否拍摄进行自主规划，实现基于卫星自主规划的大气污染物监测。该方案提高了数据处理的时效性以及卫星监测数据的利用效率。
Description
技术领域
本发明涉及环境监测技术领域，特别涉及一种卫星自主规划的大气污染物监测方法、装置、设备及介质。
背景技术
随着城市化进程的加速和工业化的快速发展，大气污染问题日益严重，对人类健康和生态环境造成威胁。对于大气污染的防控和管理，需要及时获取污染物的分布、浓度和扩散情况等信息。为了有效管理和控制大气污染，需要利用卫星等空间技术对大气污染物进行监测和反演。随着卫星技术的不断发展，卫星的观测精度、覆盖范围和数据处理能力得到了大幅提升。这为大气污染物卫星反演提供了技术基础，使得可以利用卫星数据对大气污染物进行高精度、高分辨率的监测和分析。当前利用卫星监测大气污染物主要通过卫星过境拍摄，地面接收站接收数据后，通过相关算法在地面进行反演，这种方法虽然可以有效的实现区域污染物的监测管理，但不足之处：1、该方法体系时效性差，往往需要几天的时间才可以完成，对于污染物来说，后期的研判分析对于相关人员来说工作实施比较滞后；2、该方法对于数据存储及星上资源的利用比较浪费，存在大量的数据冗余；3、由于遥感卫星数量持续增加，星地传输链路拥挤问题持续加剧，地面接收站接收卫星下行数据时间延长，在数据存在大量冗余的情况下，相关问题将日益恶化；4、遥感数据的精度受卫星的观测频率影响显著，前期的遥感影像将直接决定卫星后续过境是否对特定目标点进行机动加密观测，地面研判分析结果滞后将直接影响卫星进行短时间加密观测的能力。
发明内容
有鉴于此，本发明实施例提供了一种卫星自主规划的大气污染物监测方法，以解决现有技术中基于卫星过境拍摄的大气污染物监测存在时效性差以及星上资源浪费严重的技术问题。该方法包括：
获取目标点的污染物卫星监测数据以及与所述污染物卫星监测数据同时段的气象数据和栅格数据；
将所述气象数据和所述栅格数据作为模型输入数据，将所述污染物卫星监测数据作为模型验证数据，对星上实时反演模型进行训练，获得模型权重参数数据；
将所述模型权重参数数据上注至星载计算机，基于所述模型权重参数数据对卫星当次过境所述目标点时的污染物进行星上实时反演，获得污染物反演实测排放量；
基于所述污染物反演实测排放量对卫星下次过境所述目标点时是否拍摄进行自主规划，实现基于卫星自主规划的大气污染物监测。
本发明实施例还提供了一种卫星自主规划的大气污染物监测装置，以解决现有技术中基于卫星过境拍摄的大气污染物监测存在时效性差以及星上资源浪费严重的技术问题。该装置包括：
训练数据获取模块，用于获取目标点的污染物卫星监测数据以及与所述污染物卫星监测数据同时段的气象数据和栅格数据；
模型权重参数数据获取模块，用于将所述气象数据和所述栅格数据作为模型输入数据，将所述污染物卫星监测数据作为模型验证数据，对星上实时反演模型进行训练，获得模型权重参数数据；
星上实时反演模块，用于将所述模型权重参数数据上注至星载计算机，基于所述模型权重参数数据对卫星当次过境所述目标点时的污染物进行星上实时反演，获得污染物反演实测排放量；
卫星过境自主规划模块，用于基于所述污染物反演实测排放量对卫星下次过境所述目标点时是否拍摄进行自主规划，实现基于卫星自主规划的大气污染物监测。
本发明实施例还提供了一种计算机设备，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计算机程序时实现上述任意的卫星自主规划的大气污染物监测方法，以解决现有技术中基于卫星过境拍摄的大气污染物监测存在时效性差以及星上资源浪费严重的技术问题。
本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有执行上述任意的卫星自主规划的大气污染物监测方法的计算机程序，以解决现有技术中基于卫星过境拍摄的大气污染物监测存在时效性差以及星上资源浪费严重的技术问题。
与现有技术相比，本说明书实施例采用的上述至少一个技术方案能够达到的有益效果至少包括：获取目标点的污染物卫星监测数据以及与污染物卫星监测数据同时段的气象数据和栅格数据；将气象数据和栅格数据作为模型输入数据，将污染物卫星监测数据作为模型验证数据，对星上实时反演模型进行训练，获得模型权重参数数据；将模型权重参数数据上注至星载计算机，基于模型权重参数数据对卫星当次过境目标点时的污染物进行星上实时反演，获得污染物反演实测排放量；基于污染物反演实测排放量对卫星下次过境目标点时是否拍摄进行自主规划，实现基于卫星自主规划的大气污染物监测。本申请实现星上数据实时监测反演，星上快速处理反演信息，有效提高了数据处理的时效性；进一步的，卫星主动观测并快速处理的反演结果可直接用于自主规划后续卫星过境观测，可显著提高卫星监测数据利用效率，可有效避免星上资源的浪费。该方法有助于满足环境监测管理，实时响应需求，为大气污染的防控和管理提供科学支持，并为提高卫星高频率、高时效性遥感场景的业务化应用能力提供基础。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，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它的附图。
图1是本发明实施例提供的卫星自主规划的大气污染物监测方法的流程图；
图2是本发明实施例提供的逐小时实测排放量和逐小时先验参考排放量的关系图；
图3是本发明实施例提供的一种计算机设备的结构框图；
图4是本发明实施例提供的一种卫星自主规划的大气污染物监测装置的结构框图。
具体实施方式
下面结合附图对本申请实施例进行详细描述。
以下通过特定的具体实例说明本申请的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本申请的其他优点与功效。显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。本申请还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本申请的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。基于本申请中的实施例，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，都属于本申请保护的范围。
在本发明实施例中，提供了一种卫星自主规划的大气污染物监测方法，如图1所示，该方法包括：
步骤S101、获取目标点的污染物卫星监测数据以及与所述污染物卫星监测数据同时段的气象数据和栅格数据；
步骤S102、将所述气象数据和所述栅格数据作为模型输入数据，将所述污染物卫星监测数据作为模型验证数据，对星上实时反演模型进行训练，获得模型权重参数数据；
步骤S103、将所述模型权重参数数据上注至星载计算机，基于所述模型权重参数数据对卫星当次过境所述目标点时的污染物进行星上实时反演，获得污染物反演实测排放量；
步骤S104、基于所述污染物反演实测排放量对卫星下次过境所述目标点时是否拍摄进行自主规划，实现基于卫星自主规划的大气污染物监测。
本方法中主要是实现两个目标，首先是基于污染物卫星监测数据实现星上实时反演监测，其次是基于星上实时反演结果对卫星过境监测自主规划进行决定。通过本实施例的方法实现了星上数据实时监测反演，星上快速处理反演信息，有效提高了数据处理的时效性；进一步的，卫星主动观测并快速处理的反演结果可直接用于自主规划后续卫星过境观测，可显著提高卫星监测数据利用效率，可有效避免星上资源的浪费。该方法有助于满足环境监测管理，实时响应需求，为大气污染的防控和管理提供科学支持，并为提高卫星高频率、高时效性遥感场景的业务化应用能力提供基础。
在一个实施例中，对于步骤S101中获取的数据，其中，污染物卫星监测数据包括氮氧化物（NOX）卫星监测数据，气象数据包括风速、风向、压强等数据，栅格数据包括人口、能源消耗、地理信息等数据。在下述实施例中，以大气污染物为氮氧化物为例进行说明，即污染物卫星监测数据为氮氧化物卫星监测数据。
在一个实施例中，所述方法还包括：
对获取的污染物卫星监测数据、气象数据和栅格数据进行重采样获得统一空间分辨率；
对获取的污染物卫星监测数据、气象数据和栅格数据进行裁剪获得统一空间范围；
将统一空间分辨率及统一空间范围后的气象数据和其他栅格数据作为模型输入特征，将氮氧化物（NOX）卫星监测数据作为验证模型数据（模型验证数据）。
在一个实施例中，星上实时反演模型可选用随机森林模型，结合随机森林模型进行权重参数数据的获取。随机森林模型是一个由许多决策树组成的集成模型，它的核心思路是，当训练数据被输入模型时，随机森林并不是用整个训练数据集建立一个大的决策树，而是采用不同的子集和特征属性建立多个小的决策树，然后将它们合并成一个更强大的模型。输入到模型中的数据（即模型输入数据）叫做模型输入特征，在决策树的训练过程中，需要一次次的将训练数据集分裂成两个子数据集，每个子集都是通过随机选择的样本和随机选择的特征属性建立的。这种随机化可以减少决策树对训练数据的敏感性，从而防止过拟合。通过对多个决策树的结果进行组合，随机森林可以增强模型的效果。
对于具体的训练过程，将步骤S101获取的数据全部转为CSV文件，并按照训练集（70%）、测试集（15%）和验证集（15%）的比例输入到模型训练的程序中，其中70%的数据（训练集）输入模型，然后进行训练，15%的数据（测试集）用于得到模型后，再输入模型进行测试，测试是通过模型评价指标来判断模型输入参数的优良，15%的数据（验证集）进行模型结果的验证。上述所有过程都是通过代码实现。
具体的，权重参数数据的获取主要是通过在程序中进行模型训练所获得的pkl格式文件。
在一个实施例中，所述将所述气象数据和所述栅格数据作为模型输入数据，将所述污染物卫星监测数据作为模型验证数据，对星上实时反演模型进行训练，获得模型权重参数数据，包括以下步骤：
将所述气象数据和所述栅格数据作为模型输入数据，将所述污染物卫星监测数据作为模型验证数据，对星上实时反演模型进行训练，获得初始模型权重参数数据；
基于模型评价指标对所述初始模型权重参数数据进行优化，获得所述模型权重参数数据。
其中，基于模型评价指标对所述初始模型权重参数数据进行优化，具体包括：基于模型评价指标对所述模型输入数据进行筛选调优，利用筛选调优后的模型输入数据对星上实时反演模型进行训练，实现对所述初始模型权重参数数据的优化，以获得所述模型权重参数数据。
具体的，所述模型评价指标包括决定系数、均方根误差和平均绝对误差。
在上述实施例中，结合模型评价指标进行模型的评价，各个模型评价指标的计算公式如下：
其中，R2为决定系数，RMSE为均方根误差，MAE为平均绝对误差，n为样本个数，yi为污染物卫星监测数据实际值，为污染物数据模型预测值，/>为污染物卫星监测数据实际值的平均值。R2主要反应模型拟合优度，R2越大拟合得越好，最大值为1；RMSE主要反应模型的拟合效果，RMSE越接近于0，效果越好，数值范围为（0，∞）；MAE主要反应模型实际预测误差的大小，MAE越接近于0，误差越小，数值范围为（0，∞）。通过参数调优得到最终的模型权重参数数据，例如，各模型评价指标的数值为：R2为0.83，RMSE为0.72，MAE为0.7，说明该模型可有效进行氮氧化物的反演。
在一个实施例中，在所述基于所述模型权重参数数据对卫星当次过境所述目标点时的污染物进行星上实时反演的步骤之前，还包括：将所述目标点的所述栅格数据上注至所述星载计算机。
具体的，当前卫星含有多气象载荷、污染物载荷，并且在研制载荷时已将模型预装在星载计算机中，所以只需将地面地理信息数据、人口数据和能源消耗数据进行上注，以及将训练模型获得的模型权重参数文件上注到星载计算机，通过在卫星过境时即可实现氮氧化物的星上实时反演，获得实时反演结果（污染物反演实测排放量Esat）。
因此，星上拥有多气象参数载荷、污染物载荷，结合地面训练模型，获取模型权重参数，实现参数上注，通过配有多载荷智能计算，进行卫星实时监测反演。
在一个实施例中，所述基于所述污染物反演实测排放量对下次卫星过境所述目标点时是否拍摄进行自主规划，包括以下步骤：
获取连续排放监测系统在所述目标点监测到的实测逐小时污染物数据；
基于所述实测逐小时污染物数据计算逐小时先验参考排放量；
根据所述污染物反演实测排放量以及对应时间的所述逐小时先验参考排放量，获得排放量差异权重系数；
根据所述目标点的历史卫星过境时间点以及与所述历史卫星过境时间点相对应的实测逐小时污染物数据，获得时间间隔权重系数；
根据所述排放量差异权重系数和所述时间间隔权重系数判断卫星下次过境所述目标点时是否进行拍摄。
本实施例中，基于星上实时监测反演结果，利用自主规划快速定位污染事件，确定相应事件的位置，对卫星过境观测进行自主规划，提高了卫星对特定目标点进行机动加密观测的能力。
具体的，部分目标点已根据相关法规安装有连续排放监测系统（CEMS），对氮氧化物（NOX）、二氧化硫（SO2）、烟尘等大气污染物进行自动监测，数据依法公开；除此之外，部分目标点的CEMS同时公布烟气温度数据。因此，对于CEMS能够覆盖的污染物，目标点监测到的实测逐小时污染物数据为目标点的实测逐小时排放量Eobs,y,d,h，对于CEMS未能监测的污染物（含温室气体），目标点监测到的实测逐小时污染物数据为目标点的实测逐小时烟气温度Tobs,y,d,h。下面分别对这两种情况的计算过程进行详细说明。
对于CEMS能够监测的污染物，目标点的逐小时先验参考排放量计算过程为：由实测逐小时排放量Eobs,y,d,h，利用下述公式计算月均小时排放强度Eavg,y,m和年均小时排放强度Eavg,y，最后计算每月小时平均排放无量纲修正系数φy,m；此后由逐小时排放量Eobs,y,d,h，逐月分别计算工作日和周末的日内逐小时平均排放强度Eavg,y,m,w,h，并计算逐小时排放强度无量纲修正系数φy,m,w,h。最终，由目标点源年均小时排放强度Eavg,y、排放修正系数φy,m与φy,m,w,h计算各目标点的逐小时先验参考排放量Eref,y,d,h：
，
，
，
，
，
，
上述各参数的含义见下述表1至表3。
对于CEMS未能监测的污染物（含温室气体，下同），目标点源先验参考排放量计算过程为：
基于如下公式，利用生态环境部门排污许可证批准的年度污染物排放总量Etot,y计算年均小时排放强度Eavg,y，并利用目标点CEMS系统监测到的实测逐小时烟气温度Tobs,y,d,h计算月均小时烟气温度Tavg,y,m和年均烟气温度Tavg,y，最后计算每月小时平均排放无量纲修正系数φy,m；此后由CEMS系统监测到的实测逐小时烟气温度Tobs,y,d,h，逐月分别计算工作日和周末的日内逐小时平均烟气温度Tavg,y,m,w,h，并计算逐小时排放强度无量纲修正系数φy,m,w,h。最终，由目标点的年均小时排放强度Eavg,y、排放修正系数φy,m与φy,m,w,h计算各目标点的逐小时先验参考排放量Eref,y,d,h。
，
，
，
，
，
，
，
上述各参数的含义见下述表1至表3。
若目标点没有CEMS烟气温度数据，则φy,m和φy,m,w,h使用预设的修正系数缺省值，该修正系数缺省值可基于全国范围内规模水平相近的同类点源（如同等规模的燃煤电厂，或同等规模的钢铁厂）活动水平设置。
表1 各参数相关字母含义表
表2 各计算过程的相关字母含义表
表3 各参数维度的相关字母含义表
在一个实施例中，所述根据所述污染物反演实测排放量以及对应时间的所述逐小时先验参考排放量，获得排放量差异权重系数，包括：
根据所述实测逐小时污染物数据与所述污染物反演实测排放量的差值，获得标准差；
根据所述污染物反演实测排放量与对应时间的所述逐小时先验参考排放量的差值，获得差异值；
根据所述差异值与所述标准差的比值，获得所述排放量差异权重系数。
具体的，判断目标点排放量异常偏高或偏低时，需计算污染物反演实测排放量Eobs,y,d,h和逐小时先验参考排放量Eref,y,d,h差异的标准差σΔE，该过程计算公式如下：
，
其中，对于CEMS监测系统能覆盖的污染物，Eobs,y,d,h为CEMS系统得到的实测逐小时排放量；对于CEMS没有监测的污染物，Eobs,y,d,h为基于排污许可证批准的年度污染物排放总量Etot,y、实测逐小时烟气温度Tobs,y,d,h与年均烟气温度Tavg,y，经由如下公式推算，并用推算值计算标准差；对于缺少温度数据的目标点，则使用预设的标准差进行替代，该标准差缺省值可基于全国范围内规模水平相近的同类点源活动水平进行设置。Eobs,y,d,h的计算公式如下：
。
以华北某电厂氮氧化物（NOX）排放为例，该电厂CEMS监测的排放数据和烟气温度如表4所示：
表4 华北某电厂CEMS监测的排放数据
由表4中的排放量数据计算得到的1-2月逐小时实测排放量和逐小时先验参考排放量的关系如图2所示。
根据表4的数据计算可得此电厂1-12月标准差σΔE如下表5所示：
表5 华北某电厂的标准差σΔE结果表
对于污染物反演实测排放量与对应时间的所述逐小时先验参考排放量的差值（差异值δE）的计算，δE和标准差σΔE的比例记作NE（即NE=δE/σΔE）。一般情况下，如果该差异值超过正负2倍标准差（即|NE|>2），则视为该目标点的排放量存在异常。
此后基于δE计算排放量差异权重系数KE=f(δE)，作为后续权重函数的一个输入参数。KE的计算公式可默认使用KE=|NE|，亦可根据专家主观或客观评价进行计算，但排放量差异权重系数需随排放量差异增加而增加。
以前述华北某电厂NOX排放为例，一个卫星星座多颗卫星可隔天上下午各过境同一地面目标，且星下点地方时为11:00与14:00，1月上旬每次过境后实测排放量、实测和参考排放量的差异δE如表6所示。表6中有三个时间点实测与参考排放量差异超过2倍标准差，在此排放量差异权重系数KE=|NE|。
表6 华北某电厂的差异值δE和标准差σΔE结果表
具体的，根据所述目标点的历史卫星过境时间点以及与所述历史卫星过境时间点相对应的实测逐小时污染物数据，获得时间间隔权重系数，其主要目的是根据本次和下次卫星拍摄时间间隔，判断两次拍摄时目标点排放的时间相关性。
在已知两次卫星过境的星下点地方时后，根据现有CEMS监测数据（烟气温度或小时排放量）计算各过境时间点之间的时间相关性，计算公式为RT=corr(ET1, ET2)，公式中RT为两次过境时的污染物排放量的时序相关性系数，ET1和ET2分别为每天T1和T2小时的排放量或烟气温度数据，T1和T2为卫星先后两次过境时间。
随后，根据RT计算得到时间间隔权重系数KT=f(RT)，作为后续权重函数的一个输入参数。一般情况下，RT随时间延长而降低，但在时间间隔整数天时RT可能出现波动。KT的计算公式可默认使用KT=RT 2，亦可根据专家主观或客观评价进行计算，但需随时序相关性系数RT下降而降低。
以前述华北某电厂NOX排放为例，基于现有CEMS计算的两次卫星过境污染物排放量的时序相关性系数RT如表7所示：
表7 华北某电厂的污染物排放量的时序相关性系数结果表
根据上述表格，在该案例中，排放量的时间间隔权重系数KT=RT 2，且KT>0.5视为两个时间点的排放量具有较强相关性。因此得到的时间间隔权重系数KT如下表8所示：
表8 华北某电厂的污染物排放量的时间间隔权重系数结果表
由表8可知，第一天11点与第一天14点的污染物排放量的时间间隔权重系数可达到0.849，说明这两个时间点的排放量具有较强相关性。
在一个实施例中，所述方法还包括：
设置排放量差异权重系数阈值以及时间间隔权重系数阈值；
基于所述排放量差异权重系数与所述排放量差异权重系数阈值的差异以及所述时间间隔权重系数与所述时间间隔权重系数阈值的差异，判断卫星下次过境所述目标点时是否进行拍摄。
具体的，根据预先设置的排放量差异权重系数阈值和时间间隔权重系数阈值，本次过境卫星基于如下表9的规划方法自主决定下次卫星过境时是否拍摄同一目标点位（目标点），并将自主规划信息通过星间直接通讯、中继卫星或地面中继发送至下次过境的卫星，下次过境的卫星接到主动拍摄同一目标的命令后，除地面临时人工上注的命令绝对优先外，卫星在自主规划观测目标时，基于上次卫星发送的命令，主动进行在轨侧摆、机动、观测模式改变、开关机等操作，完成自主规划，主动拍摄同一目标。
表9 卫星过境自主规划方法
以前述华北某电厂NOX排放为例，不同过境时间的两个权重系数及其乘积如表10所示，此处KE与KT的阈值分别为2和0.5，KE×KT的阈值为0.8。因此，基于下述表格结果，1月1日14:00、1月3日14:00、1月5日11:00、1月5日14:00与1月7日11:00卫星过境后反演得到的通量达到设定的阈值，该卫星向下次过境卫星发送主动拍摄同一目标点的命令。
表10 华北某电厂的排放量差异权重系数和时间间隔权重系数结果表
在一个实施例中，所述气象数据包括风向数据、风速数据和压强数据，所述栅格数据包括人口数据、能源消耗数据和地理信息数据。
本申请的方法通过星上数据实时监测反演，定位具体污染物事件，在事件的驱动下，通过上注的方式向星务计算机发出数据请求，星务计算机向大气污染物环境载荷发出数据采集信息，然后星上快速处理反演信息，实现数据处理和产品生成任务的管理和调度，并将生成的产品快速下传并分发给相应用户使用。此外，卫星主动观测并快速处理的反演结果可直接用于自主规划后续卫星过境观测，可显著提高卫星监测数据利用效率。该方法有助于满足环境监测管理，实时响应需求，为大气污染的防控和管理提供科学支持，并提高卫星高频率、高时效性遥感场景的业务化应用能力。
在本实施例中，提供了一种计算机设备，如图3所示，包括存储器301、处理器302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计算机程序时实现上述任意的卫星自主规划的大气污染物监测方法。
具体的，该计算机设备可以是计算机终端、服务器或者类似的运算装置。
在本实施例中，提供了一种计算机可读存储介质，所述计算机可读存储介质存储有执行上述任意的卫星自主规划的大气污染物监测方法的计算机程序。
具体的，计算机可读存储介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机可读存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读存储介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
基于同一发明构思，本发明实施例中还提供了一种卫星自主规划的大气污染物监测装置，如下面的实施例所述。由于卫星自主规划的大气污染物监测装置解决问题的原理与卫星自主规划的大气污染物监测方法相似，因此，卫星自主规划的大气污染物监测装置的实施可以参见卫星自主规划的大气污染物监测方法的实施，重复之处不再赘述。以下所使用的，术语“单元”或者“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。
图4是本发明实施例的卫星自主规划的大气污染物监测装置的一种结构框图，如图4所示，包括：训练数据获取模块401、模型权重参数数据获取模块402、星上实时反演模块403以及卫星过境自主规划模块404，下面对该结构进行说明。
训练数据获取模块401，用于获取目标点的污染物卫星监测数据以及与所述污染物卫星监测数据同时段的气象数据和栅格数据；
模型权重参数数据获取模块402，用于将所述气象数据和所述栅格数据作为模型输入数据，将所述污染物卫星监测数据作为模型验证数据，对星上实时反演模型进行训练，获得模型权重参数数据；
星上实时反演模块403，用于将所述模型权重参数数据上注至星载计算机，基于所述模型权重参数数据对卫星当次过境所述目标点时的污染物进行星上实时反演，获得污染物反演实测排放量；
卫星过境自主规划模块404，用于基于所述污染物反演实测排放量对卫星下次过境所述目标点时是否拍摄进行自主规划，实现基于卫星自主规划的大气污染物监测。
在一个实施例中，模型权重参数数据获取模块402，还用于：
将所述气象数据和所述栅格数据作为模型输入数据，将所述污染物卫星监测数据作为模型验证数据，对星上实时反演模型进行训练，获得初始模型权重参数数据；
基于模型评价指标对所述初始模型权重参数数据进行优化，获得所述模型权重参数数据。
在一个实施例中，卫星自主规划的大气污染物监测装置还包括：
上注模块，用于将所述目标点的所述栅格数据上注至所述星载计算机。
在一个实施例中，卫星过境自主规划模块404，还用于：
获取连续排放监测系统在所述目标点监测到的实测逐小时污染物数据；
基于所述实测逐小时污染物数据计算逐小时先验参考排放量；
根据所述污染物反演实测排放量以及对应时间的所述逐小时先验参考排放量，获得排放量差异权重系数；
根据所述目标点的历史卫星过境时间点以及与所述历史卫星过境时间点相对应的实测逐小时污染物数据，获得时间间隔权重系数；
根据所述排放量差异权重系数和所述时间间隔权重系数判断卫星下次过境所述目标点时是否进行拍摄。
在一个实施例中，卫星过境自主规划模块404，还用于：
根据所述实测逐小时污染物数据与所述污染物反演实测排放量的差值，获得标准差；
根据所述污染物反演实测排放量与对应时间的所述逐小时先验参考排放量的差值，获得差异值；
根据所述差异值与所述标准差的比值，获得所述排放量差异权重系数。
在一个实施例中，卫星过境自主规划模块404，还用于：
设置排放量差异权重系数阈值以及时间间隔权重系数阈值；
基于所述排放量差异权重系数与所述排放量差异权重系数阈值的差异以及所述时间间隔权重系数与所述时间间隔权重系数阈值的差异，判断卫星下次过境所述目标点时是否进行拍摄。
在一个实施例中，训练数据获取模块401，还用于：
所述气象数据包括风向数据、风速数据和压强数据，所述栅格数据包括人口数据、能源消耗数据和地理信息数据。
本发明实施例实现了如下技术效果：获取目标点的污染物卫星监测数据以及与污染物卫星监测数据同时段的气象数据和栅格数据；将气象数据和栅格数据作为模型输入数据，将污染物卫星监测数据作为模型验证数据，对星上实时反演模型进行训练，获得模型权重参数数据；将模型权重参数数据上注至星载计算机，基于模型权重参数数据对卫星当次过境目标点时的污染物进行星上实时反演，获得污染物反演实测排放量；基于污染物反演实测排放量对卫星下次过境目标点时是否拍摄进行自主规划，实现基于卫星自主规划的大气污染物监测。本申请实现星上数据实时监测反演，星上快速处理反演信息，有效提高了数据处理的时效性；进一步的，卫星主动观测并快速处理的反演结果可直接用于自主规划后续卫星过境观测，可显著提高卫星监测数据利用效率，可有效避免星上资源的浪费。该方法有助于满足环境监测管理，实时响应需求，为大气污染的防控和管理提供科学支持，并为提高卫星高频率、高时效性遥感场景的业务化应用能力提供基础。
显然，本领域的技术人员应该明白，上述的本发明实施例的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，并且在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本发明实施例不限制于任何特定的硬件和软件结合。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明实施例可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种卫星自主规划的大气污染物监测方法，其特征在于，包括：
获取目标点的污染物卫星监测数据以及与所述污染物卫星监测数据同时段的气象数据和栅格数据；
将所述气象数据和所述栅格数据作为模型输入数据，将所述污染物卫星监测数据作为模型验证数据，对星上实时反演模型进行训练，获得模型权重参数数据；
将所述模型权重参数数据上注至星载计算机，基于所述模型权重参数数据对卫星当次过境所述目标点时的污染物进行星上实时反演，获得污染物反演实测排放量；
基于所述污染物反演实测排放量对卫星下次过境所述目标点时是否拍摄进行自主规划，实现基于卫星自主规划的大气污染物监测。
2.如权利要求1所述的卫星自主规划的大气污染物监测方法，其特征在于，所述将所述气象数据和所述栅格数据作为模型输入数据，将所述污染物卫星监测数据作为模型验证数据，对星上实时反演模型进行训练，获得模型权重参数数据，包括：
将所述气象数据和所述栅格数据作为模型输入数据，将所述污染物卫星监测数据作为模型验证数据，对星上实时反演模型进行训练，获得初始模型权重参数数据；
基于模型评价指标对所述初始模型权重参数数据进行优化，获得所述模型权重参数数据。
3.如权利要求1所述的卫星自主规划的大气污染物监测方法，其特征在于，在所述基于所述模型权重参数数据对卫星当次过境所述目标点时的污染物进行星上实时反演的步骤之前，还包括：
将所述目标点的所述栅格数据上注至所述星载计算机。
4.如权利要求1所述的卫星自主规划的大气污染物监测方法，其特征在于，所述基于所述污染物反演实测排放量对卫星下次过境所述目标点时是否拍摄进行自主规划，包括：
获取连续排放监测系统在所述目标点监测到的实测逐小时污染物数据；
基于所述实测逐小时污染物数据计算逐小时先验参考排放量；
根据所述污染物反演实测排放量以及对应时间的所述逐小时先验参考排放量，获得排放量差异权重系数；
根据所述目标点的历史卫星过境时间点以及与所述历史卫星过境时间点相对应的实测逐小时污染物数据，获得时间间隔权重系数；
根据所述排放量差异权重系数和所述时间间隔权重系数判断卫星下次过境所述目标点时是否进行拍摄。
5.如权利要求4所述的卫星自主规划的大气污染物监测方法，其特征在于，所述根据所述污染物反演实测排放量以及对应时间的所述逐小时先验参考排放量，获得排放量差异权重系数，包括：
根据所述实测逐小时污染物数据与所述污染物反演实测排放量的差值，获得标准差；
根据所述污染物反演实测排放量与对应时间的所述逐小时先验参考排放量的差值，获得差异值；
根据所述差异值与所述标准差的比值，获得所述排放量差异权重系数。
6.如权利要求4所述的卫星自主规划的大气污染物监测方法，其特征在于，所述根据所述排放量差异权重系数和所述时间间隔权重系数判断卫星下次过境所述目标点时是否进行拍摄，包括：
设置排放量差异权重系数阈值以及时间间隔权重系数阈值；
基于所述排放量差异权重系数与所述排放量差异权重系数阈值的差异以及所述时间间隔权重系数与所述时间间隔权重系数阈值的差异，判断卫星下次过境所述目标点时是否进行拍摄。
7.如权利要求1-6任一项所述的卫星自主规划的大气污染物监测方法，其特征在于，所述气象数据包括风向数据、风速数据和压强数据，所述栅格数据包括人口数据、能源消耗数据和地理信息数据。
8.一种卫星自主规划的大气污染物监测装置，其特征在于，包括：
训练数据获取模块，用于获取目标点的污染物卫星监测数据以及与所述污染物卫星监测数据同时段的气象数据和栅格数据；
模型权重参数数据获取模块，用于将所述气象数据和所述栅格数据作为模型输入数据，将所述污染物卫星监测数据作为模型验证数据，对星上实时反演模型进行训练，获得模型权重参数数据；
星上实时反演模块，用于将所述模型权重参数数据上注至星载计算机，基于所述模型权重参数数据对卫星当次过境所述目标点时的污染物进行星上实时反演，获得污染物反演实测排放量；
卫星过境自主规划模块，用于基于所述污染物反演实测排放量对卫星下次过境所述目标点时是否拍摄进行自主规划，实现基于卫星自主规划的大气污染物监测。
9.一种计算机设备，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，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的卫星自主规划的大气污染物监测方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有执行权利要求1至7中任一项所述的卫星自主规划的大气污染物监测方法的计算机程序。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410354115.4A CN117952025B (zh) | 2024-03-27 | 2024-03-27 | 卫星自主规划的大气污染物监测方法、装置、设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410354115.4A CN117952025B (zh) | 2024-03-27 | 2024-03-27 | 卫星自主规划的大气污染物监测方法、装置、设备及介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117952025A true CN117952025A (zh) | 2024-04-30 |
| CN117952025B CN117952025B (zh) | 2024-06-18 |
Family
ID=90801874
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410354115.4A Active CN117952025B (zh) | 2024-03-27 | 2024-03-27 | 卫星自主规划的大气污染物监测方法、装置、设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117952025B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20170140075A1 (en) * | 2015-11-12 | 2017-05-18 | International Business Machines Corporation | Retrieving pollution emission source using cfd and satellite data |
| WO2018137103A1 (zh) * | 2017-01-24 | 2018-08-02 | 深圳企管加企业服务有限公司 | 一种基于多源遥感数据的流域污染检测方法及系统 |
| CN112712219A (zh) * | 2021-03-11 | 2021-04-27 | 北京英视睿达科技有限公司 | 大气污染物浓度的预估方法、系统、电子设备及介质 |
| CN115481558A (zh) * | 2021-05-31 | 2022-12-16 | 中国计量科学研究院 | 一种基于机器学习的大气污染排放反演方法、系统和设备 |
| CN115950832A (zh) * | 2023-01-04 | 2023-04-11 | 杭州谱育科技发展有限公司 | 一种基于卫星数据反演近地面二氧化氮浓度的方法 |
| CN117521873A (zh) * | 2023-09-18 | 2024-02-06 | 重庆邮电大学 | 基于综合数据处理和随机森林的pm2.5反演方法及系统 |
-
2024
- 2024-03-27 CN CN202410354115.4A patent/CN117952025B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20170140075A1 (en) * | 2015-11-12 | 2017-05-18 | International Business Machines Corporation | Retrieving pollution emission source using cfd and satellite data |
| WO2018137103A1 (zh) * | 2017-01-24 | 2018-08-02 | 深圳企管加企业服务有限公司 | 一种基于多源遥感数据的流域污染检测方法及系统 |
| CN112712219A (zh) * | 2021-03-11 | 2021-04-27 | 北京英视睿达科技有限公司 | 大气污染物浓度的预估方法、系统、电子设备及介质 |
| CN115481558A (zh) * | 2021-05-31 | 2022-12-16 | 中国计量科学研究院 | 一种基于机器学习的大气污染排放反演方法、系统和设备 |
| CN115950832A (zh) * | 2023-01-04 | 2023-04-11 | 杭州谱育科技发展有限公司 | 一种基于卫星数据反演近地面二氧化氮浓度的方法 |
| CN117521873A (zh) * | 2023-09-18 | 2024-02-06 | 重庆邮电大学 | 基于综合数据处理和随机森林的pm2.5反演方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117952025B (zh) | 2024-06-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Timmreck et al. | The interactive stratospheric aerosol model intercomparison project (ISA-MIP): motivation and experimental design | |
| Agustí-Panareda et al. | Modelling CO< sub> 2</sub> weather–why horizontal resolution matters | |
| Lu et al. | Sulfur dioxide emissions in China and sulfur trends in East Asia since 2000 | |
| Pochanart et al. | Surface ozone at four remote island sites and the preliminary assessment of the exceedances of its critical level in Japan | |
| Nolte et al. | The potential effects of climate change on air quality across the conterminous US at 2030 under three Representative Concentration Pathways | |
| Huber et al. | Do climate models project changes in solar resources? | |
| Jin et al. | Machine learning for observation bias correction with application to dust storm data assimilation | |
| CN113642223B (zh) | 空气质量预报方法、装置、设备和计算机可读存储介质 | |
| Revell et al. | Tropospheric ozone in CCMI models and Gaussian process emulation to understand biases in the SOCOLv3 chemistry–climate model | |
| CN116205541B (zh) | 评估本地污染源对环境空气质量影响的方法及装置 | |
| Marais et al. | UK ammonia emissions estimated with satellite observations and GEOS‐Chem | |
| Wang et al. | Constraining the relationships between aerosol height, aerosol optical depth and total column trace gas measurements using remote sensing and models | |
| Lund et al. | Concentrations and radiative forcing of anthropogenic aerosols from 1750 to 2014 simulated with the Oslo CTM3 and CEDS emission inventory | |
| CN115235560A (zh) | 评估生态系统碳汇能力的方法、装置、设备及存储介质 | |
| CN113159141A (zh) | 一种高分辨率近实时pm2.5浓度的遥感估算方法 | |
| CN114782836A (zh) | 基于卫星遥感影像及图像智能分析的生态监管方法和系统 | |
| Hardacre et al. | Evaluation of SO 2, SO 4 2-and an updated SO 2 dry deposition parameterization in the United Kingdom Earth System Model | |
| CN117952025B (zh) | 卫星自主规划的大气污染物监测方法、装置、设备及介质 | |
| Pommier | Estimations of NO x emissions, NO 2 lifetime and their temporal variation over three British urbanised regions in 2019 using TROPOMI NO 2 observations | |
| Tindan et al. | Understanding day–night differences in dust aerosols over the dust belt of North Africa, the Middle East, and Asia | |
| Sun et al. | Climate‐driven exceedance of total (wet+ dry) nitrogen (N)+ sulfur (S) deposition to forest soil over the conterminous US | |
| East et al. | Inferring and evaluating satellite-based constraints on NO x emissions estimates in air quality simulations | |
| Zhang et al. | Sensitivity of simulated CO 2 concentration to sub-annual variations in fossil fuel CO 2 emissions | |
| Pommier et al. | Prediction of source contributions to surface PM10 concentrations in European cities: a case study for an episode in December 2016 using EMEP/MSC-W rv4. 15–Part 2: The local urban background contribution | |
| CN115795927B (zh) | 基于多目标观测的卫星轨道设计方法、装置、设备及介质 |
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 |