一种基于时间序列和深度学习框架的PM制造技术

本发明专利技术公开了一种基于时间序列和深度学习框架的PM

【技术实现步骤摘要】
一种基于时间序列和深度学习框架的PM
2.5
估算方法


[0001]本专利技术属于大气污染物反演预测领域，具体涉及一种基于时间序列和深度学习框架的PM
2.5
估算方法。

技术介绍

[0002]PM
2.5
是指空气动力学直径小于或等于2.5μg的颗粒物。根据柳叶刀的一篇文章报道，PM
2.5
在2015年已成为世界第五大死亡危险因素(Cohen et al.，2017)，在全球造成了约420万人的死亡。自2013年以来，我国PM
2.5
观测站数量逐年增加。然而，这些监测网的地理覆盖范围仍然有限且不均匀，这意味着收集到的浓度不一定代表该地区的PM
2.5
浓度。仅从地面测量很难评估PM
2.5
的区域变异性。
[0003]与传统的地面监测相比，卫星遥感技术具有宏观、快速获取信息的特点，逐渐成为重要的监测手段。基于卫星遥感手段的PM
2.5
预测常采用光学气溶胶厚度(AOD)这一指标，光学气溶胶厚度描述了气溶胶对光的减弱作用，被证明与近地颗粒物有密切的相关性。比较常见的用于PM
2.5
反演的遥感产品包括MODIS、MISR等。基于PM
2.5
和AOD遥感产品之间的相关关系，早期的研究开发了各种估算PM
2.5
的统计回归方法，包括简单线性回归、多元线性回归以及考虑时空异质性的地统计回归，例如，地理加权回归(GWR)模型、地理和时间加权回归(GTWR)模型。同时，机器学习模型也被广泛用于估算PM
2.5
。然而，PM
2.5
受多种相关的自然条件和人为因素决定，具体强烈的空间变异、相关性和时间依赖性。统计回归方法的特征学习能力较弱，无法在PM
2.5
和AOD之间建立稳定的关系；机器学习模型可以很好地拟合非线性关系，但它们仅基于大数据特征建模，隐藏在PM
2.5
时间序列和地理空间分布中的物理特征没有得到充分利用。
[0004]近年来，深度学习在从时间序列中发现目标对象复杂的非线性关系方面取得了显著的成功。例如循环神经网络(RNN)及其变体LSTM这两个突出的深度学习模型，它们专门用于识别长时间序列的时间变化模式以及捕捉复杂的非线性关系。PM
2.5
具有很强的时间依赖性。因此，一些研究人员已经应用深度学习方法，使用长时间序列数据来估计和预测PM
2.5
。Qi等使用LSTM模型估算了逐小时的PM
2.5
浓度并验证了深度学习模型的优越性。为了进一步提高神经网络的时空学习能力，Pak等人结合了多种神经网络：卷积神经网络(CNN)、人工神经网络(ANN)和LSTM来预测每日PM
2.5
浓度。然而，深度学习模型较弱的空间泛化能力限制了对PM
2.5
的空间连续变化和地理分布的预测。此外，用于PM
2.5
预测的深度学习模型大多在短时间尺度(即每天和每小时)进行；深度学习模型在长期趋势分析中的潜力尚未被探索。并且大多数基于时间序列的RNN模型都忽略了空间异质性和空间相关性。因此，建立一个稳健的、基于遥感产品的、可以更好的处理PM
2.5
的空间相关性和时间依赖性的PM
2.5
估算模型至关重要。

技术实现思路

[0005]本专利技术的目的在于解决现有技术中存在的问题，并提供一种基于时间序列和深度
学习框架的PM
2.5
估算方法。
[0006]本专利技术所采用的具体技术方案如下：
[0007]本专利技术提供了一种基于时间序列和深度学习框架的PM
2.5
估算方法，具体如下：
[0008]S1：获取待估算区域的PM
2.5
地面观测数据、AOD产品数据、气象数据、土地利用/覆被和经济社会数据，并共同作为多源数据；将所述多源数据编码为时间序列格式，以获得时间序列数据；
[0009]S2：依次构建时空增强神经网络模型的空间模块、时间模块和增强模块，以对待估算区域的PM
2.5
进行反演估算；
[0010]所述空间模块的构建方法具体如下：依据PM
2.5
地面观测站点的空间分布，选取邻近目标站点的若干PM
2.5
地面观测站点，分别计算两者的空间距离，根据所选取PM
2.5
地面观测站点所得的PM
2.5
浓度，进行空间组合加权，得到相邻若干站点对目标站点PM
2.5
浓度的影响效应，记为空间信号；随后将空间信号与所述时间序列数据一同作为时空序列数据；
[0011]所述时间模块的构建方法具体如下：搭建双向长短期记忆模型，并为所述时空序列数据赋予时间特征，得到输出值h
t
；
[0012]所述增强模块的构建方法具体如下：搭建注意力机制结构，为所述输出值h
t
中不同的变量赋予不同权重；
[0013]S3：将预测集的数据输入经过稳定性检验和精度评价的时空增强神经网络模型中，对待估算区域目标时间内的PM
2.5
进行空间连续估算，得到空间分辨率为1km的PM
2.5
时空分布产品。
[0014]作为优选，所述待估算区域为中国。
[0015]作为优选，所述步骤S1中，PM
2.5
地面观测数据为逐日的地面站点数据；AOD产品数据采用经大气多角度校正算法生成的MODIS 1km AOD产品；气象数据包括风速、湿度、温度、气压和行星边界层高度；土地利用/覆被和经济社会数据包括数字高程模型、归一化植被指数、土地利用数据和人口密度。
[0016]作为优选，所述步骤S1中，利用ArcGIS 10.3和R语言，将AOD产品数据、气象数据、土地利用/覆被和经济社会数据，预处理为与PM
2.5
地面观测数据具有相同的时空尺度；随后利用双线性插值方法确保所有数据处于相同的时空分辨率；接着按照所述多源数据的时间先后关系，利用python将其编码为时间序列格式，并获得时间序列数据。
[0017]作为优选，所述步骤S2的空间模块构建过程中，每个目标站点i的空间信号SS
i
的计算方法具体如下：
[0018][0019][0020]其中，X
j
是指邻近目标站点i的PM
2.5
地面观测站点j所测得的PM
2.5
浓度；d
ji
是站点i和站点j的空间距离；n是所选取的邻近目标站点i的PM
2.5
地面观测站点的数量，优选为3；(x
i
，y
i
)与(x
j
，y
j
)分别为站点i和站点j的坐标。
[本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于时间序列和深度学习框架的PM
2.5
估算方法，其特征在于，具体如下：S1：获取待估算区域的PM
2.5
地面观测数据、AOD产品数据、气象数据、土地利用/覆被和经济社会数据，并共同作为多源数据；将所述多源数据编码为时间序列格式，以获得时间序列数据；S2：依次构建时空增强神经网络模型的空间模块、时间模块和增强模块，以对待估算区域的PM
2.5
进行反演估算；所述空间模块的构建方法具体如下：依据PM
2.5
地面观测站点的空间分布，选取邻近目标站点的若干PM
2.5
地面观测站点，分别计算两者的空间距离，根据所选取PM
2.5
地面观测站点所得的PM
2.5
浓度，进行空间组合加权，得到相邻若干站点对目标站点PM
2.5
浓度的影响效应，记为空间信号；随后将空间信号与所述时间序列数据一同作为时空序列数据；所述时间模块的构建方法具体如下：搭建双向长短期记忆模型，并为所述时空序列数据赋予时间特征，得到输出值h
t
；所述增强模块的构建方法具体如下：搭建注意力机制结构，为所述输出值h
t
中不同的变量赋予不同权重；S3：将预测集的数据输入经过稳定性检验和精度评价的时空增强神经网络模型中，对待估算区域目标时间内的PM
2.5
进行空间连续估算，得到空间分辨率为1km的PM
2.5
时空分布产品。2.如权利要求1所述的基于时间序列和深度学习框架的PM
2.5
估算方法，其特征在于，所述待估算区域为中国。3.如权利要求1所述的基于时间序列和深度学习框架的PM
2.5
估算方法，其特征在于，所述步骤S1中，PM
2.5
地面观测数据为逐日的地面站点数据；AOD产品数据采用经大气多角度校正算法生成的MODIS 1km AOD产品；气象数据包括风速、湿度、温度、气压和行星边界层高度；土地利用/覆被和经济社会数据包括数字高程模型、归一化植被指数、土地利用数据和人口密度。4.如权利要求1所述的基于时间序列和深度学习框架的PM
2.5
估算方法，其特征在于，所述步骤S1中，利用ArcGIS 10.3和R语言，将AOD产品数据、气象数据、土地利用/覆被和经济社会数据，预处理为与PM
2.5
地面观测数据具有相同的时空尺度；随后利用双线性插值方法确保所有数据处于相同的时空分辨率；接着按照所述多源数据的时间先后关系，利用python将其编码为时间序列格式，并获得时间序列数据。5.如权利要求1所述的基于时间序列和深度学习框架的PM
2.5
估算方法，其特征在于，所述步骤S2的空间模块构建过程中，每个目标站点i的空间信号SS
i
的计算方法具体如下：的计算方法具体如下：其中，X
j
是指邻近目标站点i的PM
2.5
地面观测站点j所测得的PM
2.5
浓度；d
ji
是站点i和站点j的空间距离；n是所选取的邻近目标站点i的PM
2.5
地面观测站点的数量，优选为3；(x
i
，y
i
)
与(x
j
，y
j
)分别为站点i和站点j的坐标。6.如权利要求5所述的基于时间序列和深度学习框架的PM
2.5
估算方法，其特征在于，所述步骤S2的空间模块构建过程中，将每个时间节点t处的空间信号与所述时间序列数据一同编码为向量x
t
，向量x
t
的形式为[v1，v2，
…
，v
m
]，m为空间信号和时间序列数据中所有数据的总数量；将一个时间步长T内的所有向量x
t
...

【专利技术属性】
技术研发人员：史舟，王之戈，伍温强，周银，
申请(专利权)人：浙江大学，
类型：发明
国别省市：