【技术实现步骤摘要】
本申请涉及气象数据处理领域，尤其涉及一种顾及场景代表性的大气参数遥感估算的方法及系统。
技术介绍
1、准确监测典型污染地区的大气参数是大气污染治理和环境管理的重要环节。地面测量是获取大气参数最直接、最精确的方法。地面监测站点通常设立在人口密集、经济繁荣的地区，在污染频发但人口稀少地区的监测能力有限。卫星遥感数据已被广泛应用于大气参数估算，其估算结果在空间上更连续，并且具备无监测站地区的大气参数估算能力。在现有公开方法中，基于数据驱动的统计模型最常用，包括传统的机器学习模型和深度学习模型，核心思想是拟合遥感观测数据与地面测量数据之间的非线性关系。
2、然而，全球范围内地面监测站点的空间分布极不均匀，绝大多数地区缺乏地面监测站点，因无有效样本参与统计模型参数训练，传统建模方案无法保证该区域的大气大气参数估算质量。同时，随着研究区范围的扩展，用于模型训练的样本数据集规模会不断增加。为平衡模型训练效率和模型参数规模，仅能使用训练样本数据集中的部分数据来进行统计模型参数训练，导致样本利用率不足，进而导致站点稀疏地区的大气参数估算结果质量低下。
技术实现思路
1、本申请提供了一种顾及场景代表性的大气参数遥感估算的方法及系统，用于挖掘空间格点之间的属性关联关系，并提高大气参数估算结果的质量。
2、本申请第一方面提供了一种顾及场景代表性的大气参数遥感估算的方法，包括：
3、获取研究区域内各个站点的建模变量数据，并对各个站点分别建立用于大气参数估算的机器学习模型，
4、获取所述机器学习模型的第一场景属性和待估算格点的第二场景属性，并计算所述第一场景属性和所述第二场景属性之间的场景属性距离；
5、建立包含多层注意力操作的图注意力网络模型，并将所述场景属性距离作为所述图注意力网络模型的邻接矩阵输入数据；
6、使用所述机器学习模型对所述待估算格点进行大气参数的初步估算，再将初步估算的结果输入至所述图注意力网络模型，得到所述待估算格点的大气参数最终估算结果。
7、可选的，所述获取所述机器学习模型的第一场景属性和待估算格点的第二场景属性，包括：
8、在所述建模变量数据中确定用于表征所述机器学习模型特性的第一属性变量，并将所述第一属性变量的n年平均值确定为所述机器学习模型的第一场景属性特征；
9、获取待估算格点的第二属性变量，并将所述第二属性变量的n年平均值确定为所述待估算格点的第二场景属性特征。
10、可选的，所述计算所述第一场景属性和所述第二场景属性的场景属性距离，包括：
11、根据所述第一场景属性特征和所述第二场景属性特征，通过目标公式计算所述第一场景属性和所述第二场景属性的场景属性距离；
12、所述目标公式为：
13、
14、其中d为场景属性距离，x1m，x2m，...，xnm为所述第一场景属性特征，x1p，x2p，...，xnp为所述第二场景属性特征。
15、可选的，所述图注意力网络模型包括：第一注意力操作模块、第二注意力操作模块、池化模块和激活模块，所述第一注意力操作模块包含至少五个子模块，所述子模块由注意力操作层+elu激活层组成。
16、可选的，所述将初步估算的结果输入至训练完成的图注意力网络模型，得到所述待估算格点的大气参数最终估算结果，包括：
17、将初步估算的结果输入至所述第一注意力操作模块，通过所述第一注意力操作模块的至少五个注意力操作层+elu激活层生成第一注意力矩阵，所述第一注意力矩阵的维度为512维；
18、将所述第一注意力矩阵输入至所述第二注意力操作模块生成第二注意力矩阵，所述第二注意力矩阵的维度与所述初步估算的结果序列长度相同；
19、将所述第二注意力矩阵输入至所述池化模块，通过所述池化模块对所述第二注意力矩阵执行全局平均池化，生成标量集合；
20、将所述标量集合输入至所述激活模块，应用两次relu激活函数，得到所述待估算格点的大气参数最终估算结果。
21、可选的，所述建立包含多层注意力操作的图注意力网络模型，包括：
22、获取原始模型，所述原始模型包括：第一注意力操作模块、第二注意力操作模块、池化模块和激活模块，所述第一注意力操作模块包含至少五个子模块，所述子模块由注意力操作层+elu激活层组成；
23、初始化所述原始模型中的注意力头数和模型参数，并初始化线性权重和注意力权重矩阵；
24、以大气参数站点观测数据为标签，以所述场景属性距离构成的邻接矩阵作为图网络边的权重，进行所述原始模型的参数训练，直至所述原始模型满足模型收敛条件，得到包含多层注意力操作的图注意力网络模型。
25、可选的，所述使用机器学习模型对所述待估算格点进行大气参数的初步估算，包括：
26、将所述场景属性距离最近的前m个机器学习模型确定为目标机器学习模型；
27、使用所述目标机器学习模型对所述待估算格点进行大气参数的初步估算。
28、可选的，所述机器学习模型为：
29、y＝f(xa,xb,xc)
30、其中y表示对应站点的大气参数观测数据，f表示具有回归拟合能力的机器学习模型，xa表示所述卫星遥感数据，xb表示所述模式模拟数据，xc表示所述静态变量数据。
31、可选的，所述卫星遥感数据包括：观测反射率数据、观测辐亮度数据和大气参数反演数据；
32、所述模式模拟数据包括：气象模式模拟数据、大气模式模拟数据和陆面模式模拟数据；
33、所述静态变量数据包括：地表高程数据、人口密度数据和土地利用数据。
34、本申请第二方面提供了一种顾及场景代表性的大气参数遥感估算的系统，包括：
35、获取单元，用于获取研究区域内各个站点的建模变量数据，并对各个站点分别建立用于大气参数估算的机器学习模型，所述建模变量数据包括卫星遥感数据、模式模拟数据和静态变量数据；
36、计算单元，用于获取所述机器学习模型的第一场景属性和待估算格点的第二场景属性，并计算所述第一场景属性和所述第二场景属性之间的场景属性距离；
37、建立单元，用于建立包含多层注意力操作的图注意力网络模型，并将所述场景属性距离作为所述图注意力网络模型的邻接矩阵输入数据；
38、估算单元，用于使用所述机器学习模型对所述待估算格点进行大气参数的初步估算，再将初步估算的结果输入至所述图注意力网络模型，得到所述待估算格点的大气参数最终估算结果。
39、可选的，所述计算单元具体用于：
40、在所述建模变量数据中确定用于表征所述机器学习模型特性的第一属性变量，并将所述第一属性变量的n年平均值确定为所述机器学习模型的第一场景属性特征；
41、获取待估算格点的第二属性变本文档来自技高网...
【技术保护点】
1.一种顾及场景代表性的大气参数遥感估算的方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述获取所述机器学习模型的第一场景属性和待估算格点的第二场景属性，包括：
3.根据权利要求2所述的方法，其特征在于，所述计算所述第一场景属性和所述第二场景属性的场景属性距离，包括：
4.根据权利要求1所述的方法，其特征在于，所述图注意力网络模型包括：第一注意力操作模块、第二注意力操作模块、池化模块和激活模块，所述第一注意力操作模块包含至少五个子模块，所述子模块由注意力操作层+ELU激活层组成。
5.根据权利要求4所述的方法，其特征在于，所述将初步估算的结果输入至训练完成的图注意力网络模型，得到所述待估算格点的大气参数最终估算结果，包括：
6.根据权利要求1所述的方法，其特征在于，所述建立包含多层注意力操作的图注意力网络模型，并将所述场景属性距离作为所述图注意力网络模型的邻接矩阵输入数据，包括：
7.根据权利要求1所述的方法，其特征在于，所述使用机器学习模型对所述待估算格点进行大气参数的初步估算
8.根据权利要求1所述的方法，其特征在于，所述机器学习模型为：
9.根据权利要求1至8中任一项所述的方法，其特征在于，所述卫星遥感数据包括：观测反射率数据、观测辐亮度数据和大气参数反演数据；
10.一种顾及场景代表性的大气参数遥感估算的系统，其特征在于，所述系统包括：
...【技术特征摘要】
1.一种顾及场景代表性的大气参数遥感估算的方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述获取所述机器学习模型的第一场景属性和待估算格点的第二场景属性，包括：
3.根据权利要求2所述的方法，其特征在于，所述计算所述第一场景属性和所述第二场景属性的场景属性距离，包括：
4.根据权利要求1所述的方法，其特征在于，所述图注意力网络模型包括：第一注意力操作模块、第二注意力操作模块、池化模块和激活模块，所述第一注意力操作模块包含至少五个子模块，所述子模块由注意力操作层+elu激活层组成。
5.根据权利要求4所述的方法，其特征在于，所述将初步估算的结果输入至训练完成的图注意力网络...
【专利技术属性】
技术研发人员：白开旭，李珂，张小意，邵留青，李欣然，郑哲，李睿捷，邱嵩云，张红波，
申请(专利权)人：上海地听信息科技有限公司，
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。