本申请公开了一种用于PM<subgt;2.5</subgt;预测的模型训练方法、PM<subgt;2.5</subgt;预测方法及装置，其用于颗粒物浓度预测技术领域。所述用于PM<subgt;2.5</subgt;预测的模型训练方法包括：获取经过预处理的长时间序列的图像数据及大气环境观测数据；根据所述长时间序列的图像数据获取初始图像基本特征集；根据所述长时间序列对应空间的大气环境观测数据获取初始大气基本要素特征集以及初始空气质量基本要素特征集；对获取的初始图像基本特征集、初始大气基本要素特征集以及初始空气质量基本要素特征集进行过滤，从而获取最终特征集；获取深度学习模型；通过所述最终特征集对所述深度学习模型进行训练。本申请在保证RMSE最优情况下，有效降低深度学习的数据维度，实现了基于高清图像的高效PM<subgt;2.5</subgt;浓度预测。
1、当前pm2.5浓度数据主要是通过地面空气质量监测站利用专业仪器设备进行逐小时监测来获取的。该方法存在地面监测站点分布稀疏以及检测成本高昂的问题，在我国338个地级及以上城市中共建有1436个空气质量监测站点，平均每个城市仅有4.25个，并且站点位置分布不均，点位选址常具有一定偏重性，在城市边缘或村镇处分布较少，因此稀疏不均的地面空气质量检测站点不能覆盖城市的各个角落，其提供的数据是粗粒度的；空气质量监测站较高的建设成本限制其不能通过增加数量来提高污染物浓度监测密度，由于监测站使用高精度的专业设备来进行污染物浓度的估测，因此不可避免的需要在站点创建、设备购置、系统运行和人工维护上投入较高的花费，使其得到的数据是高成本的。
>5、步骤2：根据所述长时间序列的图像数据获取初始图像基本特征集；6、步骤3：根据所述长时间序列对应空间的大气环境观测数据获取初始大气基本要素特征集以及初始空气质量基本要素特征集；
7、步骤4：对获取的初始图像基本特征集、初始大气基本要素特征集以及初始空气质量基本要素特征集进行过滤，从而获取最终特征集；
8、步骤5：获取深度学习模型；
9、步骤6：通过所述最终特征集对所述深度学习模型进行训练。
10、可选地，在所述获取经过预处理的长时间序列的图像数据以及与长时间序列的图像数据进行时空匹配的长时间序列对应空间的大气环境观测数据之前，所述用于pm2.5预测的模型训练方法进一步包括：
11、对所述长时间序列的图像数据进行预处理。
12、可选地，所述对所述长时间序列的图像数据进行预处理包括：
13、使用sift算法对每个图像数据进行图像的位置校准特征点提取；
14、结合bfm算法和k临近算法寻找两组特征点的匹配关系；
15、使用ransas算法使用匹配特征点的关系计算变换矩阵进行图像的位置配准。
16、可选地，所述对所述长时间序列的图像数据进行预处理进一步包括：
17、在位置配准之后，按照高低浓度条件下图像根据浓度阈值的分类，将各个图像数据按照高低浓度分类进行基于sobel算子和ostu算法的图像边缘检测；
18、利用twopass算法标记图像数据的连通域，由此选择目标感兴趣区域的范围；
19、提取对应时次的各个图像数据的基本图像特征，包括透射率、对比度、信息熵、平均梯度；
20、进行相应时次的大气环境观测数据提取并按照空间一致性和极值检测方法进行观测数据的质控遴选，从而获取经过预处理的长时间序列的图像数据。
21、可选地，所述获取深度学习模型包括：
22、步骤51：构建基于svr的训练模型；
23、步骤52：构建基于经典cnn的深度学习训练模型；
24、步骤53：构建基于resnet-18的深度残差网络训练模型；
25、步骤54：利用所述基于svr的训练模型、基于经典cnn的深度学习训练模型以及基于resnet-18的深度残差网络训练模型分别进行训练，并通过三个模型的训练结果给出最优的模型作为深度学习模型。
26、可选地，所述对获取的初始图像基本特征集、初始大气基本要素特征集以及初始空气质量基本要素特征集进行过滤，从而获取最终特征集包括：
27、步骤41：构建基于序列后向特征选择的特征优选模型，结合启发式搜索策略和包装式评价准则，从输入初始图像基本特征集、初始大气基本要素特征集以及初始空气质量基本要素特征集开始，基于各特征维度，依次删除每个特征并计算模型预测误差，根据模型预测性能，选择预测效果最佳的特征子集作为该维度的优特征子集；
28、步骤42：重复步骤41，从而获取各维度的最优特征子集；
29、步骤43：挑选出预测误差最小的一组作为sbfs算法的最终特征集。
30、本申请还提供了一种用于pm2.5预测的模型训练装置，所述用于pm2.5预测的模型训练装置包括：
31、数据获取模块，所述数据获取模块用于获取经过预处理的长时间序列的图像数据以及与长时间序列的图像数据进行时空匹配的长时间序列对应空间的大气环境观测数据；
32、初始图像基本特征集获取模块，所述初始图像基本特征集获取模块用于根据所述长时间序列的图像数据获取初始图像基本特征集；
33、初始大气基本要素特征集以及初始空气质量基本要素特征集获取模块，所述初始大气基本要素特征集以及初始空气质量基本要素特征集获取模块用于根据所述长时间序列对应空间的大气环境观测数据获取初始大气基本要素特征集以及初始空气质量基本要素特征集；
34、最终特征集获取模块，所述最终特征集获取模块用于对获取的初始图像基本特征集、初始大气基本要素特征集以及初始空气质量基本要素特征集进行过滤，从而获取最终特征集；
35、深度学习模型获取模块，所述深度学习模型获取模块用于获取深度学习模型；
36、训练模块，所述训练模块用于通过所述最终特征集对所述深度学习模型进行训练。
37、本申请还提供了一种pm2.5预测方法，所述pm2.5预测方法包括：
38、获取待预测图像数据；
39、获取拍摄该待预测图像数据时的大气环境观测数据；
40、根据所述待预测图像数据获取待预测图像特征；
41、根据所述大气环境观测数据获取大气特征以及空气质量特征；
42、获取通过如上所述的用于pm2.5预测的模型训练方法训练的深度学习模型；
43、将所述大气特征以及空气质量特征输入至所述深度学习模型，从而获取预测结果。
44、本申请还提供了一种pm2.5预测装置，所述pm2.5预测装置包括：
45、待预测图像数据获取模块，所述待预测图像数据获取模块用于获取待预测图像数据获取模块；
46、大气环境观测数据获取模块，所述大气环境观测数据获取模块用于获取拍摄该待预测图像数据时的大气环境观测数据；
47、待预测图像特征获取模块，所述待预测图像特征获取模块用于根据所述待预测图像数据本文档来自技高网...
【技术保护点】
1.一种用于PM2.5预测的模型训练方法，其特征在于，所述用于PM2.5预测的模型训练方法包括：
2.根据权利要求1所述的用于PM2.5预测的模型训练方法，其特征在于，在所述获取经过预处理的长时间序列的图像数据以及与长时间序列的图像数据进行时空匹配的长时间序列对应空间的大气环境观测数据之前，所述用于PM2.5预测的模型训练方法进一步包括：
3.根据权利要求2所述的用于PM2.5预测的模型训练方法，其特征在于，所述对所述长时间序列的图像数据进行预处理包括：
4.如权利要求3所述的用于PM2.5预测的模型训练方法，其特征在于，所述对所述长时间序列的图像数据进行预处理进一步包括：
5.如权利要求4所述的用于PM2.5预测的模型训练方法，其特征在于，所述获取深度学习模型包括：
6.如权利要求5所述的用于PM2.5预测的模型训练方法，其特征在于，所述对获取的初始图像基本特征集、初始大气基本要素特征集以及初始空气质量基本要素特征集进行过滤，从而获取最终特征集包括：
7.一种用于PM2.5预测的模型训练装置，其特征在于，所述用于PM2.5预测的模型训练装置包括：
8.一种PM2.5预测方法，其特征在于，所述PM2.5预测方法包括：
9.一种PM2.5预测装置，其特征在于，所述PM2.5预测装置包括：
...
【技术特征摘要】
1.一种用于pm2.5预测的模型训练方法，其特征在于，所述用于pm2.5预测的模型训练方法包括：
2.根据权利要求1所述的用于pm2.5预测的模型训练方法，其特征在于，在所述获取经过预处理的长时间序列的图像数据以及与长时间序列的图像数据进行时空匹配的长时间序列对应空间的大气环境观测数据之前，所述用于pm2.5预测的模型训练方法进一步包括：
3.根据权利要求2所述的用于pm2.5预测的模型训练方法，其特征在于，所述对所述长时间序列的图像数据进行预处理包括：
4.如权利要求3所述的用于pm2.5预测的模型训练方法，其特征在于，所述对所述长时间序列的图像数据进行预...
【专利技术属性】
技术研发人员：陶益凡，王立志，李昊，贾京京，
申请(专利权)人：中国科学院大气物理研究所，
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。