【技术实现步骤摘要】
本专利技术属于空气质量估计，具体涉及基于多视角超网格感知图神经网络的区域空气质量估计方法。
技术介绍
1、随着全球城市化进程和工业化进程的加速，空气污染问题日趋严重，获取准确的空气质量数据显得尤为关键。空气质量数据的获取可以通过查看空气质量监测站点的监测数据实现，但该监测数据只能反映当前和过去的空气质量状况，无法提供未来的信息，并且空气质量监测站点的数量是有限的，并不能全面地反应所有地区的空气质量状况。准确地估计待估计地区(即没有空气质量监测站点地区)的空气质量情况对卫生健康、环境治理和城市规划等领域有着重要意义，因此空气质量估计是一个极具价值的研究方向。
2、空气质量估计是一种基于空气质量监测数据和气象数据等数据信息的预测方法，它可以帮助人们了解未来一段时间内的空气质量状况，包括空气污染物的浓度、质量等级等，从而提前采取措施来保护自己的健康和减少对环境的影响。例如，如果预测未来几天的空气质量较差，人们可以提前采取措施减少户外活动、关闭窗户等来减少空气污染物对健康的影响。此外，空气质量预测还可以帮助政府和环保机构制定更加针对性的环保政策和措施，以改善空气质量。
3、传统空气质量估计方法采用统计模型来建模空气质量和输入特征之间的关系。这些方法使用的特征由人工定义，存在信息丢失。随着深度学习的发展，研究人员提出了基于深度学习的空气质量估计方法，以自动构建空气质量相关影响因素的特征。部分深度学习方法采用图嵌入网络(graph embedding networks)、图神经网络(graph neuralnetwo
4、面对这一问题，部分研究人员将目标区域划分为网格单元，并使用卷积神经网络(convolutional neural networks)来建模网格单元之间的空间关系，一次估计所有网格单元的空气质量。但这类方法采用2d卷积核来建模邻近网格单元之间的空间关系，捕捉到邻近网格之间的局部特征和分布模式，但采用2d卷积核不能建模遥远网格单元之间的空间关系。在现实物理世界中，具有相似aod(satellite-derived aerosol optical depth,aod)特征、气象特征或地表使用特征的遥远网格单元之间的空气质量依然存在空间关系。
技术实现思路
1、鉴于上述，本专利技术的目的是提供一种基于多视角超网格感知图神经网络的区域空气质量估计方法，利用多视角特征图像表示目标区域的多源数据，利用超网格发现模块和隐式关系编码模块完成超网格图发现，并利用消息传递网络进行表示学习，能够同时建模网格单元之间的近距离空间关系和远距离空间关系，有效提升空气质量估计精度，适用于卫生健康、环境治理、城市规划应用领域。
2、为实现上述专利技术目的，本专利技术提供的技术方案如下：
3、本专利技术实施例提供的一种基于多视角超网格感知图神经网络的区域空气质量估计方法，包括以下步骤：
4、将目标区域划分为网格单元，基于每个时刻的区域多源数据构建各网格单元的多视角特征图像，构建训练数据集；
5、构建包括网格单元表示生成模块、超网格发现模块、隐式关系编码模块、消息传递网络和融合模块的空气质量估计模型，其中，网格单元表示生成模块用于基于多视角特征图像生成多视角网格单元的初始表示；超网格发现模块用于将各个视角下存在相关性的网格单元聚合为超网格并基于多视角网格单元的初始表示得到多视角超网格的表示；隐式关系编码模块用于在各个视角下以端到端的方式推理成对超网格之间的隐式相关性并结合多视角超网格的表示生成多视角超网格图；消息传递网络用于建模多视角超网格图和多视角特征图像之间的信息聚合和表示更新得到多视角网格单元的更新表示；融合模块用于将多视角网格单元的更新表示进行融合后估计所有网格单元的空气质量；
6、利用训练数据集对对空气质量估计模型进行训练；
7、利用训练好的空气质量估计模型进行区域空气质量估计。
8、优选地，所述将目标区域划分为网格单元，基于每个时刻的区域多源数据构建各网格单元的多视角特征图像，构建训练数据集，包括：
9、将目标区域g划分为互不重合的网格单元，gij∈g表示目标区域的第i行j列上的网格单元；基于每个时刻的区域多源数据构建各网格单元的aod视角特征图像iaod、气象视角特征图像imeteorology和地表使用视角特征图像iland cover，对aod视角特征图像进行预处理，补全aod特征缺失的网格单元的特征值，同时基于每个时刻的空气质量监测站监测的空气质量真值构建空气质量特征图像iair quality；基于iaod、imeteorology、iland cover和iair quality构建训练数据集。
10、优选地，所述基于每个时刻的区域多源数据构建各网格单元的aod视角特征图像iaod、气象视角特征图像imeteorology和地表使用视角特征图像iland cover，包括：
11、基于aod数据构建aod视角特征图像iaod，aod定义为介质的消光系数在垂直方向上的积分，aod浓度和空气污染物浓度呈正相关，aod视角特征图像包含一个表示介质消光系数积分的数据通道，使用随机森林模型补全aod特征缺失的网格单元的特征值；
12、基于气象数据构建气象视角特征图像imeteorology，气象数据包括温度、湿度、水平风速和垂直风速；
13、基于地表使用数据构建地表使用视角特征图像iland cover，地表使用数据定义为各网格单元的地表利用情况的类别；
14、所述基于每个时刻的空气质量监测站监测的空气质量真值构建空气质量特征图像iair quality，包括：
15、基于空气质量真值构建空气质量特征图像iair quality，空气质量真值包括so2、no2、pm10、co、o3和pm2.5。
16、优选地，在网格单元表示生成模块中，基于多视角特征图像生成多视角网格单元的初始表示，包括：
17、将iaod、imeteorology和iland cover分别与iair quality进行拼接作为输入，使用卷积神经网络生成多视角网格单元的初始表示xall，计算公式如下：
18、xall＝cnn1(concat(iall，iair quality))
19、式中，xall代表aod视角、气象视角或地表使用视角网格单元的初始表示xa、xm或xl，iall代表iaod、imeteorology或iland cover，cnn1(·)表示由一个1×1的卷积层和一个relu激活函数组成的计算函数，concat(·)表示拼接操作。
20、优选地，在超网格发现模块中，将各个视角下存在相关性的网格单本文档来自技高网...
【技术保护点】
1.一种基于多视角超网格感知图神经网络的区域空气质量估计方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于多视角超网格感知图神经网络的区域空气质量估计方法，其特征在于，所述将目标区域划分为网格单元，基于每个时刻的区域多源数据构建各网格单元的多视角特征图像，构建训练数据集，包括：
3.根据权利要求2所述的基于多视角超网格感知图神经网络的区域空气质量估计方法，其特征在于，所述基于每个时刻的区域多源数据构建各网格单元的AOD视角特征图像IAOD、气象视角特征图像IMeteorology和地表使用视角特征图像ILand cover，包括：
4.根据权利要求2所述的基于多视角超网格感知图神经网络的区域空气质量估计方法，其特征在于，在网格单元表示生成模块中，基于多视角特征图像生成多视角网格单元的初始表示，包括：
5.根据权利要求4所述的基于多视角超网格感知图神经网络的区域空气质量估计方法，其特征在于，在超网格发现模块中，将各个视角下存在相关性的网格单元聚合为超网格并基于多视角网格单元的初始表示得到多视角超网格的表示，包括：
<...【技术特征摘要】
1.一种基于多视角超网格感知图神经网络的区域空气质量估计方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于多视角超网格感知图神经网络的区域空气质量估计方法，其特征在于，所述将目标区域划分为网格单元，基于每个时刻的区域多源数据构建各网格单元的多视角特征图像，构建训练数据集，包括：
3.根据权利要求2所述的基于多视角超网格感知图神经网络的区域空气质量估计方法，其特征在于，所述基于每个时刻的区域多源数据构建各网格单元的aod视角特征图像iaod、气象视角特征图像imeteorology和地表使用视角特征图像iland cover，包括：
4.根据权利要求2所述的基于多视角超网格感知图神经网络的区域空气质量估计方法，其特征在于，在网格单元表示生成模块中，基于多视角特征图像生成多视角网格单元的初始表示，包括：
5.根据权利要求4所述的基于多视角超网格感知图神经网络的区域空气质量估计方法，其特征在于，在超网格发现模块中，将各个视角下存在相关性的网格单元聚合为超网格并基于多视角网格单元的初始表示得到多视角超网格的...
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。