本申请提供了一种大气细颗粒物的反演方法及装置，涉及大气卫星遥感技术领域，该方法包括：对卫星遥感影像和气象预报数据分别进行预处理，得到每个像元的当前时刻的遥感参数和气象要素；获取前N个时刻的目标区域的多个空气质量环境站点的大气细颗粒物和前N个时刻的气象数据，利用预先训练好的长短时记忆模型对前N个时刻的大气细颗粒物和气象要素进行处理，得到当前时刻的大气细颗粒物预测值；利用预先训练好的DBN网络对每个像元的像元中心的经纬度、当前时刻的遥感参数、当前时刻的气象要素、地理特征、前两个时刻的大气细颗粒物和大气细颗粒物预测值进行处理，得到大气细颗粒物反演值。本申请提高了大气细颗粒物浓度的反演精度。演精度。演精度。
【技术实现步骤摘要】
一种大气细颗粒物的反演方法及装置
[0001]本申请涉及大气卫星遥感
，尤其是涉及一种大气细颗粒物的反演方法及装置。
技术介绍
[0002]目前大气细颗粒物（PM2.5和PM10）浓度数据主要从地面监测站点获取，地面监测站点数据虽精确，但建设成本高、数量有限、空间分布不均衡且覆盖范围具有局限性，不能有效反映大尺度区域细颗粒物的空间分布情况及污染传输特征，而卫星遥感以其成本低、范围广、周期短、长期动态监测等优势，能够显著弥补地面监测站的不足，有效监测长时序、大范围的细颗粒物浓度的空间分布情况。
[0003]目前，细颗粒物反演一般利用气溶胶光学厚度（AOD）与细颗粒物浓度之间的关系来构建线性或非线性模型来进行反演，其反演模型主要是：地理加权回归（GWR）、多元线性回归（MLR）、线性混合效应（LME）模型、神经网络模型等。以上模型过程较为简单，实际上AOD与细颗粒物浓度在不同区域又呈现不同的时空函数表现，通常还需考虑相对湿度、边界层高度、温度等气象场数据以及各种因素的时空特征影响；由于这种方法需要先反演AOD，AOD的反演过程复杂，也增加了细颗粒物反演中不可避免的误差传递与累积。
[0004]此外，细颗粒物浓度随时间快速变化，基于历史数据训练的模型随着时间的推移，模型的反演精度下降明显，实际动态监测过程中应用效果差。目前通常通过构建不同的季节模型来降低时间因素的影响，但一个季度时间较长，模型不够精细。
技术实现思路
[0005]有鉴于此，本申请提供了一种大气细颗粒物的反演方法及装置，以解决上述技术问题。
[0006]第一方面，本申请实施例提供了一种大气细颗粒物的反演方法，包括：获取当前时刻的目标区域的卫星遥感影像的和气象预报数据；对卫星遥感影像进行预处理，得到每个像元的当前时刻的遥感参数；对气象预报数据进行预处理，得到每个像元的当前时刻的气象要素；获取前N个时刻的目标区域的多个空气质量环境站点的大气细颗粒物和前N个时刻的气象数据，利用预先训练好的长短时记忆模型对前N个时刻的大气细颗粒物和气象要素进行处理，得到每个空气质量环境站点的当前时刻的大气细颗粒物预测值；对多个空气质量环境站点的当前时刻的大气细颗粒物预测值进行空间插值处理，得到每个像元的大气细颗粒物预测值；利用预先训练好的DBN网络对每个像元的像元中心的经纬度、当前时刻的遥感参数、当前时刻的气象要素、地理特征、前两个时刻的大气细颗粒物和当前时刻的大气细颗粒物预测值进行处理，得到每个像元的当前时刻的大气细颗粒物反演值。
[0007]进一步，所述遥感参数包括：B01波段表观反射率、B02波段表观反射率、B03波段表
观反射率、B04波段表观反射率、B05波段表观反射率、B06波段表观反射率、卫星天顶角、卫星方位角、太阳高度角、太阳方位角和归一化植被指数。
[0008]进一步，所述气象要素包括：气温、1小时降水、相对湿度、水平风速、垂直风速、气压和边界层高度。
[0009]进一步，所述长短时记忆模型的训练步骤包括：获取目标区域的同一个历史时间序列的多个空气质量环境监测站点的大气细颗粒物样本数据和气象样本数据；所述历史时间序列为；从气象样本数据中获取每个空气质量环境监测站点所在像元的气象要素，作为气象要素样本；将每个空气质量环境监测站点的大气细颗粒物样本数据序列和气象要素样本序列形成样本序列，由此得到样本序列集；将样本序列集中的每个样本序列分别输入长短时记忆模型，得到每个空气质量环境监测站点的时刻的大气细颗粒物预测结果；基于时刻的大气细颗粒物预测结果和标签数据，确定损失函数值；基于损失函数，更新所述长短时记忆模型的参数。
[0010]进一步，对多个空气质量环境站点的当前时刻的大气细颗粒物预测值进行空间插值处理，得到每个像元的大气细颗粒物预测值，包括：以每个空间位置点的经纬度为自变量，以相对湿度为协变量，以每个空间位置点的大气细颗粒物为因变量，建立局部薄盘光滑样条的统计公式：其中，函数为局部薄盘光滑样条函数；为系数；利用多个空气质量环境站点的经纬度、相对湿度和当前时刻的大气细颗粒物预测值，拟合得到局部薄盘光滑样条函数系数以及系数；将每个像元的像元中心点的经纬度和相对湿度代入统计公式，得到每个像元的大气细颗粒物预测值。
[0011]进一步，所述地理特征包括：DEM数据、土地利用数据和人口密度数据，所述方法还包括：获取目标区域的DEM数据、土地利用数据和人口密度数据；利用重采样得到每个像元的DEM数据、土地利用数据和人口密度数据。
[0012]第二方面，本申请实施例提供了一种大气细颗粒物的反演装置，包括：获取单元，用于获取当前时刻的目标区域的卫星遥感影像的和气象预报数据；预处理单元，用于对卫星遥感影像进行预处理，得到每个像元的当前时刻的遥感参数；对气象预报数据进行预处理，得到每个像元的当前时刻的气象要素；预测单元，用于获取前N个时刻的目标区域的多个空气质量环境站点的大气细颗粒物和前N个时刻的气象数据，利用预先训练好的长短时记忆模型对前N个时刻的大气细颗粒物和气象要素进行处理，得到每个空气质量环境站点的当前时刻的大气细颗粒物预测
值；插值单元，用于对多个空气质量环境站点的当前时刻的大气细颗粒物预测值进行空间插值处理，得到每个像元的大气细颗粒物预测值；反演单元，用于利用预先训练好的DBN网络对每个像元的当前时刻的遥感参数、当前时刻的气象要素、地理特征、前两个时刻的大气细颗粒物和当前时刻的大气细颗粒物预测值进行处理，得到每个像元的当前时刻的大气细颗粒物反演值。
[0013]第三方面，本申请实施例提供了一种电子设备，包括：存储器、处理器和存储在所述存储器上并可在所述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本申请实施例的大气细颗粒物的反演方法。
[0014]第四方面，本申请实施例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计算机指令，所述计算机指令被处理器执行时实现本申请实施例的大气细颗粒物的反演方法。
[0015]本申请提高了大气细颗粒物（PM2.5或PM10）浓度的反演精度。
附图说明
[0016]为了更清楚地说明本申请具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本申请的一些实施方式，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他的附图。
[0017]图1为本申请实施例提供的大气细颗粒物的反演方法的技术路线示意图；图2为本申请实施例提供的大气细颗粒物的反演方法的流程图；图3为本申请实施例提供的DBN网络的结构示意图；图4为本申请实施例提供的大气细颗粒物的反演装置的功能结构图；图5为本申请实施例提供的电子设备的结构图。
具体实施方式
[0018]为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种大气细颗粒物的反演方法，其特征在于，包括：获取当前时刻的目标区域的卫星遥感影像的和气象预报数据；对卫星遥感影像进行预处理，得到每个像元的当前时刻的遥感参数；对气象预报数据进行预处理，得到每个像元的当前时刻的气象要素；获取前N个时刻的目标区域的多个空气质量环境站点的大气细颗粒物和前N个时刻的气象数据，利用预先训练好的长短时记忆模型对前N个时刻的大气细颗粒物和气象要素进行处理，得到每个空气质量环境站点的当前时刻的大气细颗粒物预测值；对多个空气质量环境站点的当前时刻的大气细颗粒物预测值进行空间插值处理，得到每个像元的当前时刻的大气细颗粒物预测值；利用预先训练好的DBN网络对每个像元的像元中心的经纬度、当前时刻的遥感参数、当前时刻的气象要素、地理特征、前两个时刻的大气细颗粒物和当前时刻的大气细颗粒物预测值进行处理，得到每个像元的当前时刻的大气细颗粒物反演值。2.根据权利要求1所述的大气细颗粒物的反演方法，其特征在于，所述遥感参数包括：B01波段表观反射率、B02波段表观反射率、B03波段表观反射率、B04波段表观反射率、B05波段表观反射率、B06波段表观反射率、卫星天顶角、卫星方位角、太阳高度角、太阳方位角和归一化植被指数。3.根据权利要求2所述的大气细颗粒物的反演方法，其特征在于，所述气象要素包括：气温、1小时降水、相对湿度、水平风速、垂直风速、气压和边界层高度。4.根据权利要求3所述的大气细颗粒物的反演方法，其特征在于，所述长短时记忆模型的训练步骤包括：获取目标区域的同一个历史时间序列的多个空气质量环境监测站点的大气细颗粒物样本数据和气象样本数据；所述历史时间序列为；从气象样本数据中获取每个空气质量环境监测站点所在像元的气象要素，作为气象要素样本；将每个空气质量环境监测站点的大气细颗粒物样本数据序列和气象要素样本序列形成样本序列，由此得到样本序列集；将样本序列集中的每个样本序列分别输入长短时记忆模型，得到每个空气质量环境监测站点的时刻的大气细颗粒物预测结果；基于时刻的大气细颗粒物预测结果和标签数据，确定损失函数值；基于损失函数，更新所述长短时记忆模型的参数。5.根据权利要求3所述的大气细颗粒物的反演方法，其特征在于，对多个空气质量环境站点的当前时刻的大气细颗粒物预测值进行空间插值处理，得到...
【专利技术属性】
技术研发人员：黄葵，王宇翔，吴月，陈强，余永安，李吉兵，
申请(专利权)人：南京航天宏图信息技术有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。