基于卫星超光谱遥感和人工智能的二氧化氮浓度预测系统技术方案

本发明专利技术公开了一种基于卫星超光谱遥感和人工智能的二氧化氮浓度预测系统，其基于卫星超光谱遥感数据以及其它辅助数据，以机器学习和深度学习模型为基础能够实现区域对流层二氧化氮柱浓度预报，从而实现针对一定区域内对流层二氧化氮柱浓度进行短期预报。流层二氧化氮柱浓度进行短期预报。流层二氧化氮柱浓度进行短期预报。

【技术实现步骤摘要】
基于卫星超光谱遥感和人工智能的二氧化氮浓度预测系统


[0001]本专利技术涉及大气污染物遥感监测
，尤其涉及一种基于卫星超光谱遥感和深度学习融合的二氧化氮浓度预测方法与系统。

技术介绍

[0002]大气污染物遥感监测是当前大气环境领域的重点，二氧化氮是常见的大气污染物之一，对流层二氧化氮对生态环境及人体健康有较大的危害，对流层二氧化氮的监测对于工业生产、环境保护具有指导作用。
[0003]当前大气污染物遥感监测方式种类多样，有卫星遥感监测、地面站点监测等。以哨兵五号先导卫星搭载的对流层检测仪(TROPOMI)为代表的卫星超光谱遥感监测具有观测效果稳定、空间分辨率高的优势，但其在时间分辨率方面存在明显不足，且由于数据传输和光谱反演的计算需求导致其结果有一定滞后性，因此，有必要研究一种对流层二氧化氮柱浓度的短期预报方案。

技术实现思路

[0004]本专利技术的目的是提供一种基于卫星超光谱遥感和人工智能的二氧化氮浓度预测系统，能够针对一定区域内对流层二氧化氮柱浓度进行短期预报。
[0005]本专利技术的目的是通过以下技术方案实现的：
[0006]一种基于卫星超光谱遥感和人工智能的二氧化氮浓度预测方法，包括：
[0007]获取超光谱卫星发布的对流层二氧化氮的历史数据，并处理为栅格数据；
[0008]按训练时间将所述栅格数据排列为二维时间序列并进行离散小波变换处理；
[0009]使用社区多尺度空气质量模型模拟对流层二氧化氮柱浓度以及其它大气污染物浓度，得到模拟的污染物及气象数据，再将离散小波变换处理后的历史数据、模拟的污染物及气象数据以及获取的其他辅助的输入数据处理为输入数据向量；
[0010]采用标准化方法对输入数据向量进行归一化处理，并按照时间先后顺序将输入数据向量划分为训练集、验证集与测试集；
[0011]利用训练集与验证集分别训练基于长短期记忆网络的深度学习模型与基于随机森林的机器学习模型，训练完毕后，将测试集输入至两个模型，获得两类预测浓度值数据；
[0012]以测试集的数据为目标值，对所述两类预测浓度值数据进行回归拟合，得到每一类预测浓度值数据的权重因子，将两类预测浓度值数据的加权和作为对流层二氧化氮柱浓度预报值。
[0013]一种基于卫星超光谱遥感和人工智能的二氧化氮浓度预测系统，包括：
[0014]数据预处理单元，用于获取超光谱卫星发布的对流层二氧化氮的历史数据，并处理为栅格数据；
[0015]数据变换单元，用于按训练时间将所述栅格数据排列为二维时间序列并进行离散小波变换处理；
[0016]数据向量化单元，用于使用社区多尺度空气质量模型模拟对流层二氧化氮柱浓度以及其它大气污染物浓度，得到模拟的污染物及气象数据，再将离散小波变换处理后的历史数据、模拟的污染物及气象数据以及获取的其他辅助的输入数据处理为输入数据向量；
[0017]数据标准化及数据单元，用于采用标准化方法对输入数据向量进行归一化处理，并按照时间先后顺序将输入数据向量划分为训练集、验证集与测试集；
[0018]模型训练及预测单元，用于利用训练集与验证集分别训练基于长短期记忆网络的深度学习模型与基于随机森林的机器学习模型，训练完毕后，将测试集输入至两个模型，获得两类预测浓度值数据；
[0019]二氧化氮浓度预报值计算单元，用于以测试集的数据为目标值，对所述两类预测浓度值数据进行回归拟合，得到每一类预测浓度值数据的权重因子，将两类预测浓度值数据的加权和作为对流层二氧化氮柱浓度预报值。
[0020]由上述本专利技术提供的技术方案可以看出，基于卫星超光谱遥感数据以及其它辅助数据，以机器学习和深度学习模型为基础能够实现区域对流层二氧化氮柱浓度预报，从而实现针对一定区域内对流层二氧化氮柱浓度进行短期预报。
附图说明
[0021]为了更清楚地说明本专利技术实施例的技术方案，下面将对实施例描述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专利技术的一些实施例，对于本领域的普通技术人员来讲，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附图。
[0022]图1为本专利技术实施例提供的一种基于卫星超光谱遥感和人工智能的二氧化氮浓度预测方法的流程图；
[0023]图2为本专利技术实施例提供的输入二氧化氮数据进行离散小波变换之后分割为低频和高频信号的示意图；
[0024]图3为本专利技术实施例提供的基于长短期记忆网络的深度学习模型的结构示意图；
[0025]图4为本专利技术实施例提供的基于长短期记忆网络的深度学习模型训练过程损失变化的示意图；
[0026]图5为本专利技术实施例提供的2021年3月30日华北平原卫星观测、地面观测及模型预测的二氧化氮浓度示意图；
[0027]图6为本专利技术实施例提供的模型在测试集上预测值与真实值之间的相关性示意图；
[0028]图7为本专利技术实施例提供的一种基于卫星超光谱遥感和人工智能的二氧化氮浓度预测系统的示意图。
具体实施方式
[0029]下面结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术的保护范围。
[0030]首先对本文中可能使用的术语进行如下说明：
[0031]术语“包括”、“包含”、“含有”、“具有”或其它类似语义的描述，应被解释为非排它性的包括。例如：包括某技术特征要素(如原料、组分、成分、载体、剂型、材料、尺寸、零件、部件、机构、装置、步骤、工序、方法、反应条件、加工条件、参数、算法、信号、数据、产品或制品等)，应被解释为不仅包括明确列出的某技术特征要素，还可以包括未明确列出的本领域公知的其它技术特征要素。
[0032]下面对本专利技术所提供的一种基于卫星超光谱遥感和人工智能的二氧化氮浓度预测方案进行详细描述。本专利技术实施例中未作详细描述的内容属于本领域专业技术人员公知的现有技术。本专利技术实施例中未注明具体条件者，按照本领域常规条件或制造商建议的条件进行。
[0033]如图1所示，一种基于卫星超光谱遥感和人工智能的二氧化氮浓度预测方法，包括如下步骤：
[0034]步骤1、获取超光谱卫星发布的对流层二氧化氮的历史数据，并处理为栅格数据。
[0035]本专利技术实施例中，可以获取超光谱卫星哨兵五号搭载的TROPOMI所发布的.zip格式的对流层二氧化氮二级轨道历史数据，其原始分辨率为7
×
3.5km；再按照设定的筛选指标对所述流层二氧化氮的历史数据进行筛选；例如，具体标准为数据保留质量因子(qa_value)大于0.5，均方根误差(rmse)小于0.001以及相对误差(error)小于10％的像素；之后，对于筛选出的数据，通过重采样格点以及双线性插值算法，处理为指定分辨率(例如，1
×...

【技术保护点】

【技术特征摘要】
1.一种基于卫星超光谱遥感和人工智能的二氧化氮浓度预测方法，其特征在于，包括：获取超光谱卫星发布的对流层二氧化氮的历史数据，并处理为栅格数据；按训练时间将所述栅格数据排列为二维时间序列并进行离散小波变换处理；使用社区多尺度空气质量模型模拟对流层二氧化氮柱浓度以及其它大气污染物浓度，得到模拟的污染物及气象数据，再将离散小波变换处理后的历史数据、模拟的污染物及气象数据以及获取的其他辅助的输入数据处理为输入数据向量；采用标准化方法对输入数据向量进行归一化处理，并按照时间先后顺序将输入数据向量划分为训练集、验证集与测试集；利用训练集与验证集分别训练基于长短期记忆网络的深度学习模型与基于随机森林的机器学习模型，训练完毕后，将测试集输入至两个模型，获得两类预测浓度值数据；以测试集的数据为目标值，对所述两类预测浓度值数据进行回归拟合，得到每一类预测浓度值数据的权重因子，将两类预测浓度值数据的加权和作为对流层二氧化氮柱浓度预报值。2.根据权利要求1所述的一种基于卫星超光谱遥感和人工智能的二氧化氮浓度预测方法，其特征在于，将对流层二氧化氮的历史数据处理为栅格数据的步骤包括：按照设定的筛选指标对所述流层二氧化氮的历史数据进行筛选；对于筛选出的数据，通过重采样格点以及双线性插值算法，处理为指定分辨率的栅格数据。3.根据权利要求1所述的一种基于卫星超光谱遥感和人工智能的二氧化氮浓度预测方法，其特征在于，对二维时间序列进行离散小波变换处理包括：对二维时间序列进行离散小波变换，将二维时间序列进行升维，分解得到背景值低频数据(a
n
)和变化信号高频数据(d1,d2,
…
,d
n
)，分解公式为：x(t)＝a
n
+d
n
+d
n
‑1+
…
+d1其中，x(t)表示分解前的数据，t表示时刻。4.根据权利要求1所述的一种基于卫星超光谱遥感和人工智能的二氧化氮浓度预测方法，其特征在于，所述社区多尺度空气质量模型受天气研究和预报模型的气候场输出驱动，所述社区多尺度空气质量模型还能够输出气象变量，所述气象变量包括：温度、相对湿度、行星边界层的高度、风速和压力；所述辅助的输入数据包括：人口分布数据、地理地形数据和交通网络数据。5.根据权利要求1所述的一种基于卫星超光谱遥感和人工智能的二氧化氮浓度预测方法，其特征在于，所述将离散小波变换处理后的历史数据、模拟的污染物及气象数据以及获取的其他辅助的输入数据处理为输入数据向量包括：将离散小波变换处理后的历史数据、模拟的污染物及气象数据以及获取的其他辅助的输入数据，进行插值计算得到相同分辨率下的数据，构成输入数据向量；同一个位置下每个时刻的输入数据向量，向量中每一个值表示不同污染物或者其他输入变量在t时刻的值；输入数据向量表示为：R(t)＝[R
a(t)
,R
b(t)
,R
c(t)
,R
d(t)
,R
e(t)
,
…
]其中，a,b,c,d,e表示不同数据种类，t表示时刻。6.根据权利要求1所述的一种基于卫星超光谱遥感和人工智能的二氧化氮浓度预测方
法...

【专利技术属性】
技术研发人员：刘诚，张成歆，赵春晖，
申请(专利权)人：中国科学技术大学，
类型：发明
国别省市：