一种大气污染物的分布模拟方法、装置、设备和存储介质制造方法及图纸

本发明专利技术实施例提供一种大气污染物的分布模拟方法、装置、设备和存储介质，涉及污染物分布模拟技术领域。其中，这种分布模拟方法包含：S01、获取目标区域内的PM2.5的监测站数据集，以及多个数据类型的初始数据。S02、对初始数据进行重制和预处理。S03、根据初始数据获取目标区域的网格数据的随机ID。S04、根据预处理后的初始数据，进行空间采样，获取各个监测站点的预设范围内的各种数据类型的特征组。S05、根据预处理后的初始数据，分别提取各个数据类型进行参数卷积，获取第一相关性强化特征组。S06、将PM2.5的监测站数据集、随机ID、各种数据类型的特征组和第一相关性强化特征组输入LightGBM模型中，获取目标区域的PM2.5浓度分布图。布图。布图。

【技术实现步骤摘要】
一种大气污染物的分布模拟方法、装置、设备和存储介质


[0001]本专利技术涉及污染物分布模拟
，具体而言，涉及一种大气污染物的分布模拟方法、装置、设备和存储介质。

技术介绍

[0002]大气污染物浓度过高会严重影响人类健康。诸多大气污染物中，PM2.5、SO2和O3作为主要的大气污染物，备受关注。以上三种污染物在环境中容易引发雾霾、酸雨等问题，在人群暴露中，容易诱发呼吸道疾病、心血管疾病等问题。
[0003]通过地面观测可以有效监测PM2.5、SO2和O3等大气污染情况。然而，大气污染物地面监测由于建设成本较高，难以覆盖国土全境，缺乏地面监测站点的地区难以量化大气污染状况。
[0004]单纯依靠地面监测数据容易造成人群暴露的定量评估的不确定性提升。因此，专利技术一种精细化的近地面大气污染空间分布数据的模拟方法对人群暴露的定量评估具有重要意义。
[0005]有鉴于此，申请人在研究了现有的技术后特提出本申请。

技术实现思路

[0006]本专利技术提供了一种大气污染物的分布模拟方法、装置、设备和存储介质，以改善上述技术问题中的至少一个。
[0007]第一方面、
[0008]本专利技术实施例提供了一种大气污染物的分布模拟方法，其包含步骤S01至步骤S06。
[0009]S01、获取目标区域内的PM2.5的监测站数据集，以及多个数据类型的初始数据。其中，多个数据类型的初始数据包括遥感数据、气象数据、辅助数据。
[0010]S02、对初始数据进行重制和预处理。
[0011]S03、根据初始数据获取目标区域的网格数据的随机ID。
[0012]S04、根据预处理后的初始数据，进行空间采样，获取各个监测站点的预设范围内的各种数据类型的特征组。
[0013]S05、根据预处理后的初始数据，分别提取各个数据类型进行参数卷积，获取第一相关性强化特征组。
[0014]S06、将PM2.5的监测站数据集、随机ID、各种数据类型的特征组和第一相关性强化特征组输入LightGBM模型中，获取目标区域的PM2.5浓度分布图。
[0015]第二方面、
[0016]本专利技术实施例提供了一种大气污染物的分布模拟装置，其包含：
[0017]第一初始数据获取模块，用于获取目标区域内的PM2.5的监测站数据集，以及多个数据类型的初始数据。其中，多个数据类型的初始数据包括遥感数据、气象数据、辅助数据。
[0018]数据处理模块，用于对初始数据进行重制和预处理。
[0019]随机ID模块，用于根据初始数据获取目标区域的网格数据的随机ID。
[0020]第一空间采样模块，用于根据预处理后的初始数据，进行空间采样，获取各个监测站点的预设范围内的各种数据类型的特征组。
[0021]第一参数卷积模块，用于根据预处理后的初始数据，分别提取各个数据类型进行参数卷积，获取第一相关性强化特征组。
[0022]第一模拟模块，用于将PM2.5的监测站数据集、随机ID、各种数据类型的特征组和第一相关性强化特征组输入LightGBM模型中，获取目标区域的PM2.5浓度分布图。
[0023]第三方面、
[0024]本专利技术实施例提供了一种大气污染物的分布模拟设备。其包括处理器、存储器，以及存储在存储器内的计算机程序。计算机程序能够被处理器执行，以实现如第一方面任意一段所说的大气污染物的分布模拟方法。
[0025]第四方面、
[0026]本专利技术实施例提供了一种计算机可读存储介质，计算机可读存储介质包括存储的计算机程序，其中，在计算机程序运行时控制计算机可读存储介质所在设备执行如第一方面任意一段所说的大气污染物的分布模拟方法。
[0027]通过采用上述技术方案，本专利技术可以取得以下技术效果：
[0028]本专利技术实施例的大气污染物的分布模拟方法结合RID和多大气污染物迭代量化模拟共同生成PM2.5、SO2和O3的精确空间分布图，不仅具有更好的模拟效果，而且消除了可能出现的异常，提高了模拟结果的可靠性。
附图说明
[0029]为了更清楚地说明本专利技术实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本专利技术的某些实施例，因此不应被看作是对范围的限定，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相关的附图。
[0030]图1是分布模拟方法的流程示意图。
[0031]图2是在先技术的模拟方法模拟成出来的分布图。
[0032]图3是分布模拟方法的逻辑框图。
[0033]图4是参数卷积的网络结构图。
[0034]图5是分布模拟装置的结构示意图。
具体实施方式
[0035]下面将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。基于本专利技术中的实施例，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，都属于本专利技术保护的范围。
[0036]实施例一、
[0037]请参阅图1至图4，本专利技术第一实施例提供一种大气污染物的分布模拟方法，其可
由大气污染物的分布模拟设备来执行(以下简称：模拟设备)。特别地，由模拟设备中的一个或多个处理器来执行，以实现步骤S01至步骤S06。
[0038]S01、获取目标区域内的PM2.5的监测站数据集，以及多个数据类型的初始数据。其中，多个数据类型的初始数据包括遥感数据、气象数据、辅助数据。
[0039]具体的，如图2所示，是传统的模拟方法模拟出来的分布图。图中部分区域出现了高频率的严重变化。这种变化违背了大气污染物空间分布的自然规律。因此该现象将直接导致模拟结果可靠性下降，影响后续生态分析的结果。
[0040]大气污染物空间分布具有特异性，在大气中传输的过程中受气象、地形等要素的影响，出现空间聚集、传输或者转化等现象。因此，真实分布并不会频繁出现像图2的异常。专利技术人经过大量的研究发现，遥感数据作为模拟方法的输入数据，常受限于观测水平，导致参数之间的分辨率常出现差异。而机器学习模型在拟合的过程中又难以直接消除由空间分辨率差异带来的影响，最终造成如图1所示的可视化异常现象。
[0041]专利技术人在此基础上，经过大量的改进专利技术了本专利技术实施例的大气污染物的分布模拟方法能够消除传统模拟方法中存在的异常，获得更加准确的模拟分布图。
[0042]在上述实施例的基础上，本专利技术的一个可选地实施例中，遥感数据包括MAIAC AOD数据、OMI SO2数据、OMI O3数据、归一化植被指数数据、地形数据、人口分布数据、道路数据和土地利用数据。其中，地形数据包括高程数据和坡度数据。气象数据包括温度数据、气压数据、湿度数据和风速数据。辅助数据包括研究区域的网格数据。
[0043]具体的，多角度大气校正算法反演的AOD(MAIAC本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种大气污染物的分布模拟方法，其特征在于，包含：获取目标区域内的PM2.5的监测站数据集，以及多个数据类型的初始数据；其中，所述多个数据类型的初始数据包括遥感数据、气象数据、辅助数据；对所述初始数据进行重制和预处理；根据所述初始数据获取目标区域的网格数据的随机ID；根据预处理后的初始数据，进行空间采样，获取各个监测站点的预设范围内的各种数据类型的特征组；根据预处理后的初始数据，分别提取各个数据类型进行参数卷积，获取第一相关性强化特征组；将所述PM2.5的监测站数据集、所述随机ID、所述各种数据类型的特征组和所述第一相关性强化特征组输入LightGBM模型中，获取目标区域的PM2.5浓度分布图。2.根据权利要求1所述的大气污染物的分布模拟方法，其特征在于，根据所述目标区域的PM2.5浓度分布图和预处理后的初始数据，分别提取各个数据类型进行参数卷积，获取第二相关性强化特征组；获取S02的监测站数据集；将所述S02的监测站数据集、所述随机ID、所述各种数据类型的特征组和所述第二相关性强化特征组输入LightGBM模型中，获取目标区域的SO2浓度分布图。3.根据权利要求1所述的大气污染物的分布模拟方法，其特征在于，根据所述目标区域的SO2浓度分布图和预处理后的初始数据，分别提取各个数据类型进行参数卷积，获取第三相关性强化特征组；获取O3的监测站数据集；将所述O3的监测站数据集、所述随机ID、所述各种数据类型的特征组和所述第三相关性强化特征组输入LightGBM模型中，获取目标区域的O3的浓度分布图。4.根据权利要求1所述的大气污染物的分布模拟方法，其特征在于，所述空间采样具体包括：获取监测站点的位置；根据所述位置，提取监测站点周围8个像素值的各个数据类型的数据，获取各个监测站点的预设范围内的各种数据类型的特征组。5.根据权利要求1所述的大气污染物的分布模拟方法，其特征在于，所述参数卷积具体包括：将所有数据类型的数据进行特征归一化；根据特征归一化后的数据，每次随机提取三个数据类型进行卷积操作，获取三个数据类型的相关性强化特征，直至遍历所有数据类型，获取相关性强化特征组；其中，卷积操作使用Lecun Normal方法进行卷积初始化；所述卷积操作依次包括卷积核1*3的卷积、第一S...

【专利技术属性】
技术研发人员：池毓锋，
申请(专利权)人：三明学院，
类型：发明
国别省市：