基于卫星遥感的近地面颗粒物浓度估算方法、装置和设备制造方法及图纸

本发明专利技术涉及一种基于卫星遥感的近地面颗粒物浓度估算方法，包括获取目标监控区域的卫星遥感数据，并对卫星遥感数据进行反演计算，得到目标监控区域的气溶胶光学厚度；获取目标监控区域处的环境影响因子数据；将目标气溶胶光学厚度和所述环境影响因子数据作为已训练的颗粒物浓度模型的输入，得到目标监控区域的近地面颗粒物浓度估算结果，其中，颗粒物浓度模型是基于长短期记忆神经网络与高斯过程回归的混合模型LSTM

【技术实现步骤摘要】
基于卫星遥感的近地面颗粒物浓度估算方法、装置和设备


[0001]本专利技术涉及信息处理
，尤其涉及基于卫星遥感的近地面颗粒物浓度估算方法、装置和设备。

技术介绍

[0002]随着国民经济的快速发展，城市规模不断扩大，工业化使社会经济高速发展，也带来了对资源的大量消耗和对大气环境的严重破坏。尤其是近年来，区域性大气环境问题日益突出。当前主要通过建立了地面环境监测站来监测颗粒物以及污染气体浓度等，但是这些站点往往比较稀疏、集中于城市，难以全面反映气溶胶粒子的空间分布，不能进行颗粒物浓度的宏观监测。

技术实现思路

[0003]本专利技术所要解决的技术问题是针对现有技术的不足，提供基于卫星遥感的近地面颗粒物浓度估算方法、装置和设备。
[0004]本专利技术解决上述技术问题的技术方案如下：
[0005]一种基于卫星遥感的近地面颗粒物浓度估算方法，所述方法包括：
[0006]获取目标监控区域的卫星遥感数据，并对所述卫星遥感数据进行反演计算，得到所述目标监控区域的气溶胶光学厚度；
[0007]获取所述目标监控区域处的环境影响因子数据；
[0008]将所述目标气溶胶光学厚度和所述环境影响因子数据作为已训练的颗粒物浓度模型的输入，得到所述目标监控区域的近地面颗粒物浓度估算结果，其中，所述颗粒物浓度模型是基于长短期记忆神经网络与高斯过程回归的混合模型LSTM
‑
GPR建立的。
[0009]在上述技术方案的基础上，本专利技术还可以做如下改进。
[0010]进一步地，所述将所述目标气溶胶光学厚度和所述环境影响因子数据作为已训练的颗粒物浓度模型的输入，得到所述目标监控区域的近地面颗粒物浓度估算结果，具体包括：
[0011]将所述环境影响因子数据进行归一化处理；
[0012]将归一化处理后的所述环境影响因子数据作为所述长短期记忆神经网络的输入变量，近地面颗粒物浓度预测值作为输出变量；
[0013]由所述长短期记忆神经网络得到的近地面颗粒物浓度预测值作为高斯过程回归模型GPR的输入变量，所述目标监控区域的近地面颗粒物浓度估算结果作为GPR的输出变量。
[0014]进一步地，所述将所述环境影响因子数据进行归一化处理，具体包括：
[0015]通过Min
‑
Max函数对所述环境影响因子数据进行归一化处理。
[0016]进一步地，所述获取所述目标监控区域处的环境影响因子数据，具体包括：
[0017]获取所述目标监控区域的环境影响因子数据，所述环境影响因子数据包括污染排
放影响因子数据，气象影响因子数据和地理影响因子数据；
[0018]其中，所述污染排放影响因子数据包括所述目标监控区域的污染工业数量、公路分布状况和人口密度分布状况；
[0019]所述地理影响因子包括所述目标监控区域的地形坡度和地表覆盖类型。
[0020]进一步地，所述颗粒物浓度模型具体是通过以下方法建立：
[0021]建立基于长短期记忆神经网络与高斯过程回归的混合模型LSTM
‑
GPR；
[0022]利用由归一化处理后的历史环境影响因子数据和实际近地面颗粒物浓度值组成的训练数据集训练LSTM；
[0023]将所述训练数据集中的归一化处理后的历史环境影响因子数据输入训练好的所述LSTM，得到所述训练数据集的近地面颗粒物浓度预测值；
[0024]将所述近地面颗粒物浓度预测值作为GPR模型的输入，与所述近地面颗粒物浓度预测值相对的实际近地面颗粒物浓度值作为所述GPR模型的输出训练GPR，得到所述颗粒物浓度模型。
[0025]应理解，本实施方式使用长短期记忆LSTM(Long
‑
short term memory)神经网络作为基本的预测方法。由于不同维度的输入数据有不同的特征，若使用单一网络结构不能充分提取多个数据维度中的时序特征。保证了在底层网络中，不同类型的数据间互不影响，也保证了在高层次网络中多维度数据的融合。
[0026]本方法专利技术的有益效果是：提出了一种基于卫星遥感的近地面颗粒物浓度估算方法，包括获取目标监控区域的卫星遥感数据，并对所述卫星遥感数据进行反演计算，得到所述目标监控区域的气溶胶光学厚度；获取所述目标监控区域处的环境影响因子数据；将所述目标气溶胶光学厚度和所述环境影响因子数据作为已训练的颗粒物浓度模型的输入，得到所述目标监控区域的近地面颗粒物浓度估算结果，其中，所述颗粒物浓度模型是基于长短期记忆神经网络与高斯过程回归的混合模型LSTM
‑
GPR建立的。本专利技术卫星遥感可以提供广阔范围内的近地面颗粒物的区域分布，在污染物监测、污染事件的确定、污染源解析以及污染物的区域输送方面有广泛的应用。
[0027]本专利技术还解决上述技术问题的另一种技术方案如下：
[0028]一种基于卫星遥感的近地面颗粒物浓度估算装置，所述装置包括：
[0029]第一采集模块，用于获取目标监控区域的卫星遥感数据，并对所述卫星遥感数据进行反演计算，得到所述目标监控区域的气溶胶光学厚度；
[0030]第二采集模块，用于获取所述目标监控区域处的环境影响因子数据；
[0031]估算模块，用于将所述目标气溶胶光学厚度和所述环境影响因子数据作为已训练的颗粒物浓度模型的输入，得到所述目标监控区域的近地面颗粒物浓度估算结果，其中，所述颗粒物浓度模型是基于长短期记忆神经网络与高斯过程回归的混合模型LSTM
‑
GPR建立的。
[0032]进一步地，所述估算模块，具体用于将所述环境影响因子数据进行归一化处理；
[0033]将归一化处理后的所述环境影响因子数据作为所述长短期记忆神经网络的输入变量，近地面颗粒物浓度预测值作为输出变量；
[0034]由所述长短期记忆神经网络得到的近地面颗粒物浓度预测值作为高斯过程回归模型GPR的输入变量，所述目标监控区域的近地面颗粒物浓度估算结果作为GPR的输出变
量。
[0035]进一步地，所述第二采集模块，具体用于通过Min
‑
Max函数对所述环境影响因子数据进行归一化处理。
[0036]此外，本专利技术提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述技术方案中任一项所述的基于卫星遥感的近地面颗粒物浓度估算方法的步骤。
[0037]本专利技术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技术方案中任一项所述的基于卫星遥感的近地面颗粒物浓度估算方法的步骤。
[0038]本专利技术附加的方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本专利技术实践了解到。
附图说明
[0039]为了更清楚地说明本专利技术实施例的技术方案，下面将对本专利技术实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于卫星遥感的近地面颗粒物浓度估算方法，其特征在于，所述方法包括：获取目标监控区域的卫星遥感数据，并对所述卫星遥感数据进行反演计算，得到所述目标监控区域的气溶胶光学厚度；获取所述目标监控区域处的环境影响因子数据；将所述目标气溶胶光学厚度和所述环境影响因子数据作为已训练的颗粒物浓度模型的输入，得到所述目标监控区域的近地面颗粒物浓度估算结果，其中，所述颗粒物浓度模型是基于长短期记忆神经网络与高斯过程回归的混合模型LSTM
‑
GPR建立的。2.根据权利要求1所述的基于卫星遥感的近地面颗粒物浓度估算方法，其特征在于，所述将所述目标气溶胶光学厚度和所述环境影响因子数据作为已训练的颗粒物浓度模型的输入，得到所述目标监控区域的近地面颗粒物浓度估算结果，具体包括：将所述环境影响因子数据进行归一化处理；将归一化处理后的所述环境影响因子数据作为所述长短期记忆神经网络的输入变量，近地面颗粒物浓度预测值作为输出变量；由所述长短期记忆神经网络得到的近地面颗粒物浓度预测值作为高斯过程回归模型GPR的输入变量，所述目标监控区域的近地面颗粒物浓度估算结果作为GPR的输出变量。3.根据权利要求2所述的基于卫星遥感的近地面颗粒物浓度估算方法，其特征在于，所述将所述环境影响因子数据进行归一化处理，具体包括：通过Min
‑
Max函数对所述环境影响因子数据进行归一化处理。4.根据权利要求1所述的基于卫星遥感的近地面颗粒物浓度估算方法，其特征在于，所述获取所述目标监控区域处的环境影响因子数据，具体包括：获取所述目标监控区域的环境影响因子数据，所述环境影响因子数据包括污染排放影响因子数据，气象影响因子数据和地理影响因子数据；其中，所述污染排放影响因子数据包括所述目标监控区域的污染工业数量、公路分布状况和人口密度分布状况；所述地理影响因子包括所述目标监控区域的地形坡度和地表覆盖类型。5.根据权利要求1所述的基于卫星遥感的近地面颗粒物浓度估算方法，其特征在于，所述颗粒物浓度模型具体是通过以下方法建立：建立基于长短期记忆神经网络与高斯过程回归的混合模型LSTM
‑
GPR；利用由归一化处理后的历史环境影响因子数...

【专利技术属性】
技术研发人员：王大成，池天河，姚晓婧，
申请(专利权)人：中国科学院空天信息创新研究院，
类型：发明
国别省市：