一种基于神经网络的PM2.5逐小时预测方法技术

本发明专利技术公开了一种基于神经网络的PM2.5逐小时预测方法，方法包括获取气溶胶光学厚度AOD数据、ECMWF气象数据、地基数据及辅助数据，数据初步处理，第一训练样本构建，训练AOD填补模型，预测并补全气溶胶光学厚度AOD数据，第二训练样本构建，训练学习模型得到PM2.5预测模型，预测PM2.5浓度八个步骤。本发明专利技术基于深度神经网络补全气溶胶光学厚度AOD数据实现了样本的扩充，并将大气边界层高度BLH修正为大气雾霾层高度HLH用于PM2.5的预测，覆盖面广，解决地基监测PM2.5覆盖面不足的问题，实现了PM2.5浓度的高精度逐小时预测。浓度的高精度逐小时预测。浓度的高精度逐小时预测。

【技术实现步骤摘要】
一种基于神经网络的PM2.5逐小时预测方法


[0001]本专利技术涉及大气环境遥感监测领域，尤其涉及一种基于神经网络的PM2.5逐小时预测方法。

技术介绍

[0002]PM2.5指环境空气中空气动力学当量直径≤2.5 μm的颗粒物，它在大气中的停留时间长、输送距离远，严重影响人体健康和大气环境质量，监测PM2.5浓度对公众健康至关重要。基于卫星的气溶胶产品由于覆盖范围广，经常被用来预测地面PM2.5浓度。最近基于卫星气溶胶光学厚度衍生出的产品，例如多角度实施大气校正气溶胶光学厚度产品，不仅提高了空间分辨率，整体性能也有所提升。但是，由于气溶胶垂直分布信息的缺乏，以及主要由于云量造成的AOD缺失，对PM2.5高精度、全覆盖的估算仍然受阻。
[0003]通过地基手段获得PM2.5质量浓度受到环境、地理等因素的限制，因此人们开发了各种技术来预测PM2.5以弥补现场监测的不足，利用卫星遥感技术估算地面PM2.5质量浓度，覆盖面广，对环境污染监测和治理具有重要意义。此外，激光雷达廓线表明，在大气边界层日循环过程中，上方可能存在大量气溶胶作为残余层本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于神经网络的PM2.5逐小时预测方法，其特征在于，包括以下步骤：(1) 获取气溶胶光学厚度AOD数据、ECMWF气象数据、地基数据及辅助数据；所述的地基数据包括大气边界层高度BLH和地基站点PM2.5浓度；所述的辅助数据包括位置参数和时间参数；所述的ECMWF气象数据包括温度、风速、湿度、臭氧浓度；(2) 将温度、风速、湿度插值为气溶胶光学厚度AOD数据的同一分辨率，得到修正温度、修正风速、修正湿度；(3) 选取修正温度、修正风速、修正湿度、大气边界层高度BLH、辅助数据和气溶胶光学厚度AOD数据进行预处理得到包括修正温度、修正风速、修正湿度、大气边界层高度BLH、辅助数据的输入数据、包括气溶胶光学厚度AOD数据的输出数据组成第一训练样本；(4) 基于深度神经网络构建AOD填补模型，利用第一训练样本中输入数据作为AOD填补模型的输入，以输出数据作为AOD填补模型的输出，训练AOD填补模型，得到参数调优后的AOD填补模型；(5) 将修正温度、修正风速、修正湿度、大气边界层高度BLH、辅助数据输入至参数调优后的AOD填补模型中，预测并补全气溶胶光学厚度AOD数据缺失值；(6) 对步骤（5）补全后的气溶胶光学厚度AOD数据、修正温度、修正风速、修正湿度、臭氧浓度、大气雾霾层高度HLH、辅助数据、地基站点PM2.5浓度进行预处理得到包括补全后的气溶胶光学厚度AOD数据、修正温度、修正风速、修正湿度、臭氧浓度、大气雾霾层高度HLH、辅助数据的输入数据、包括地基站点PM2.5浓度的输出数据组成第二训练样本；所述的大气雾霾层高度HLH根据雷达参数修正大气边界层高度BLH得到；(7) 根据深度神经网络构建学习模型，利用第二训练样本中的输入数据作为学习模型的输入，输出数据作为学习模型的输出，训练学习模型，并采用集成学习bagging算法集成每轮训练的学习模型得到PM2.5预测模型；(8) 将待测地区补全后的气溶胶光学厚度AOD数据、修正温度、修正风速、修正湿度、臭氧浓度、大气雾霾层高度HLH、辅助数...

【专利技术属性】
技术研发人员：刘东，陈斯婕，仝博文，吴凌云，刘崇，
申请(专利权)人：浙江大学，
类型：发明
国别省市：