【技術實現(xiàn)步驟摘要】
本專利技術涉及環(huán)境檢測，涉及一種基于神經(jīng)網(wǎng)絡模型的多源數(shù)據(jù)融合監(jiān)測pm2.5方法。
技術介紹
1、近年來，全國環(huán)境空氣質(zhì)量保持長期向好態(tài)勢。盡管全國整體空氣質(zhì)量有所改善，但重點區(qū)域pm2.5濃度改善情況仍存在挑戰(zhàn)。這些區(qū)域由于工業(yè)化程度高、人口密集等因素，大氣污染防治任務依然艱巨。
2、環(huán)境空氣質(zhì)量監(jiān)測站一般按照代表性原則、可比性原則、整體性原則、前瞻性原則以及穩(wěn)定性原則選址選點。但受監(jiān)測站設備成本、運行成本、監(jiān)測質(zhì)量以及監(jiān)測范圍等因素，近年來有眾多學者專家采用衛(wèi)星遙感技術，開展大范圍、連續(xù)性的大氣污染遙感監(jiān)測，取得較好的監(jiān)測結果。《基于遙感數(shù)據(jù)的京津冀地區(qū)pm2.5時空分布特征》研究京津冀地區(qū)pm2.5的時空分布特征，建立了aod與pm2.5濃度之間的關系模型，分析了京津冀地區(qū)pm2.5濃度的時空變化規(guī)律，為區(qū)域大氣污染聯(lián)防聯(lián)控提供了科學依據(jù)?！痘谶b感影像的pm2.5濃度與大氣氣溶膠光學厚度間模型建立的探索——以鄂南地區(qū)為例》研究利用modis遙感影像反演方法來探索鄂南地區(qū)大氣氣溶膠光學厚度aod與pm2.5濃度之間的關系模型，得到三次關系模型，并驗證模型具有較高的擬合度。
3、衛(wèi)星遙感技術具有全球覆蓋和高時間分辨率的特點，能夠?qū)崿F(xiàn)對pm2.5的連續(xù)、實時監(jiān)測。通過獲取遙感影像，可以及時了解大氣成分、污染物濃度等關鍵參數(shù)的動態(tài)變化?，F(xiàn)階段在pm2.5遙感監(jiān)測中多利用modis、sentinel-5p等衛(wèi)星遙感數(shù)據(jù)開展氣溶膠光學厚度遙感反演，并結合氣象、地基等多模態(tài)數(shù)據(jù)構建回歸分析模型。
4
技術實現(xiàn)思路
1、針對現(xiàn)有技術中遙感數(shù)據(jù)易缺損導致監(jiān)測不連續(xù)、不完整的技術問題，本專利技術提出一種基于神經(jīng)網(wǎng)絡模型的多源數(shù)據(jù)融合監(jiān)測pm2.5方法，通過采用基于超分辨率重建技術處理提升多源遙感數(shù)據(jù)分辨率，從而保證訓練數(shù)據(jù)集在空間分辨率的一致性；利用基于時空信息加權極限梯度提升技術修正多源數(shù)據(jù)誤差，提高訓練數(shù)據(jù)集的數(shù)據(jù)精度；利用多源多模態(tài)數(shù)據(jù)動態(tài)時間彎曲mlp神經(jīng)網(wǎng)絡技術監(jiān)測pm2.5濃度，實現(xiàn)小時、連續(xù)、完整遙感監(jiān)測。
2、為了實現(xiàn)上述目的，本專利技術提供以下技術方案：
3、一種基于神經(jīng)網(wǎng)絡模型的多源數(shù)據(jù)融合監(jiān)測pm2.5方法，具體包括以下步驟：
4、s1：對遙感影像數(shù)據(jù)進行超分辨率處理得到第一影像數(shù)據(jù)；
5、s2：對獲取silam模型的污染物輸出數(shù)據(jù)進行誤差修正，得到第二影像數(shù)據(jù)；
6、s3：將第一影像數(shù)據(jù)和第二影響數(shù)據(jù)作為多源融合數(shù)據(jù)，進行pm2.5分析檢測。
7、優(yōu)選地，所述s1包括：
8、s1-1：從服務器中獲取遙感歷史數(shù)據(jù)，并對遙感歷史數(shù)據(jù)進行第一預處理得到輸入數(shù)據(jù)；所述第一預處理包括匹配處理、采樣處理、切片處理、數(shù)據(jù)擴充處理；
9、s1-2：將輸入數(shù)據(jù)輸入到現(xiàn)有esrgan模型進行訓練；
10、s1-3：將獲取的實時遙感影像數(shù)據(jù)輸入訓練完成的esrgan模型，從而輸出第一影像數(shù)據(jù)。
11、優(yōu)選地，所述s1-1包括：
12、s1-1-1：對遙感歷史數(shù)據(jù)進行匹配處理得到第一數(shù)據(jù)。
13、s1-1-2：對第一數(shù)據(jù)進行重采樣至50m作為第一精度影像，再將第一精度影像進行降采樣至200m作為第二精度影像，得到一組匹配的第一精度-第二精度影像組，作為第二數(shù)據(jù)；
14、s1-1-3：將第二數(shù)據(jù)中的第一精度影像分割為96×96像元大小的第一切片，對應的第二精度影像分割為24×24像元大小的第二切片，將第一切片和第二切片組合得到第三數(shù)據(jù)；
15、s1-1-4：將第三數(shù)據(jù)中的第一切片和第二切片圍繞切片幾何中心進行90°、180°、270°旋轉(zhuǎn)，將旋轉(zhuǎn)后得到的切片數(shù)據(jù)作為輸入數(shù)據(jù)。
16、優(yōu)選地，所述s1-1-1包括：
17、a：首先計算遙感歷史數(shù)據(jù)中各數(shù)據(jù)的波段均值，將波段帶寬和波段均值進行匹配，確保不同衛(wèi)星數(shù)據(jù)源在同一波段的一致性；
18、b：利用輻射亮度標度參數(shù)、輻射亮度偏置參數(shù)將數(shù)字量化值轉(zhuǎn)換為輻射亮度值：
19、l＝gain×dn+bias?(1)
20、公式(1)中，l表示表觀反射率或輻射亮度值；gain表示輻射亮度標度參數(shù)，bias表示輻射亮度偏置參數(shù)；dn表示遙感影像像元亮度值；
21、c：對輻射亮度值進行flaash大氣校正；
22、d：選擇大氣校正完畢遙感歷史數(shù)據(jù)中近紅外波段、紅波段和綠波段作為第一數(shù)據(jù)。
23、優(yōu)選地，所述s2包括：
24、s2-1：對獲取silam模型的污染物輸出數(shù)據(jù)進行第二預處理，第二預處理包括去除異常值和缺失值；
25、s2-2：將第二預處理后的silam模型的污染物輸出數(shù)據(jù)作為影響因素，silam模型的監(jiān)測值作為結果，構建極限梯度模型：
26、
27、實際值，表示模型第i個樣本的預測值；ω(fj)表示第j棵樹的正則化項；t表示樹的總量；p表示樣本的總量；
28、s2-3：利用構建的極限梯度提升模型對已有的silam污染物數(shù)據(jù)進行修正，得到第二影像數(shù)據(jù)。
29、優(yōu)選地，所述s2還包括：
30、s2-4：構建時空地理加權模型：
31、
32、公式(3)中，yi表示silam模型中第i個點的污染物數(shù)據(jù)，(μi,νi,ti)表示第i個點的時空坐標，β0(μi,νi,ti)xik表示第i個點上第k個時空回歸參數(shù)，可以視為地理位置和觀測時間的函數(shù)，為第i個點時空區(qū)域的隨機誤差；β0(μi,νi,ti)表示第i個點的污染物數(shù)據(jù)，εi表示隨機誤差；
33、s2-5：利用構建的時空地理加權模型對不同時間、空間與地理位置的silam污染物數(shù)據(jù)進一步修正。
34、優(yōu)選地，所述s3包括：
35、s3-1：將第一影像數(shù)據(jù)和第二影響數(shù)據(jù)作為多源融合數(shù)據(jù)，對多源融合數(shù)據(jù)進行動態(tài)時間彎曲，輸出卷積數(shù)據(jù)；
36、s3-2：對卷積數(shù)據(jù)進行cnn卷積，輸出預測數(shù)據(jù)；
37、s3-3：采用transformer編碼器對預測數(shù)據(jù)進行處理，得到輸出序列，即pm2.5的預測結果。
38、優(yōu)選地，所述s3-1包括：
39、s3-1-1：設定第一時間序列x和第二時間序列y，長度分別為m和n，創(chuàng)建一個(m+1)×(n+1)的二維數(shù)組，即原始累積距離矩陣；二維數(shù)組中的元素均為按照時間序列排序的pm2.5歷史監(jiān)測濃度；
40、s3-1-2：將原始累積距離矩陣的第一行和第一列對應于空序列與另一序列的距離設為零；
41、s3本文檔來自技高網(wǎng)...
【技術保護點】
1.一種基于神經(jīng)網(wǎng)絡模型的多源數(shù)據(jù)融合監(jiān)測PM2.5方法，其特征在于，具體包括以下步驟：
2.如權利要求1所述的一種基于神經(jīng)網(wǎng)絡模型的多源數(shù)據(jù)融合監(jiān)測PM2.5方法，其特征在于，所述S1包括：
3.如權利要求2所述的一種基于神經(jīng)網(wǎng)絡模型的多源數(shù)據(jù)融合監(jiān)測PM2.5方法，其特征在于，所述S1-1包括：
4.如權利要求3所述的一種基于神經(jīng)網(wǎng)絡模型的多源數(shù)據(jù)融合監(jiān)測PM2.5方法，其特征在于，所述S1-1-1包括：
5.如權利要求3所述的一種基于神經(jīng)網(wǎng)絡模型的多源數(shù)據(jù)融合監(jiān)測PM2.5方法，其特征在于，所述S2包括：
6.如權利要求5所述的一種基于神經(jīng)網(wǎng)絡模型的多源數(shù)據(jù)融合監(jiān)測PM2.5方法，其特征在于，所述S2還包括：
7.如權利要求1所述的一種基于神經(jīng)網(wǎng)絡模型的多源數(shù)據(jù)融合監(jiān)測PM2.5方法，其特征在于，所述S3包括：
8.如權利要求7所述的一種基于神經(jīng)網(wǎng)絡模型的多源數(shù)據(jù)融合監(jiān)測PM2.5方法，其特征在于，所述S3-1包括：
9.如權利要求7所述的一種基于神經(jīng)網(wǎng)絡模型的多源數(shù)據(jù)融合監(jiān)測P
10.如權利要求7所述的一種基于神經(jīng)網(wǎng)絡模型的多源數(shù)據(jù)融合監(jiān)測PM2.5方法，其特征在于，所述S3-3包括：
...【技術特征摘要】
1.一種基于神經(jīng)網(wǎng)絡模型的多源數(shù)據(jù)融合監(jiān)測pm2.5方法，其特征在于，具體包括以下步驟：
2.如權利要求1所述的一種基于神經(jīng)網(wǎng)絡模型的多源數(shù)據(jù)融合監(jiān)測pm2.5方法，其特征在于，所述s1包括：
3.如權利要求2所述的一種基于神經(jīng)網(wǎng)絡模型的多源數(shù)據(jù)融合監(jiān)測pm2.5方法，其特征在于，所述s1-1包括：
4.如權利要求3所述的一種基于神經(jīng)網(wǎng)絡模型的多源數(shù)據(jù)融合監(jiān)測pm2.5方法，其特征在于，所述s1-1-1包括：
5.如權利要求3所述的一種基于神經(jīng)網(wǎng)絡模型的多源數(shù)據(jù)融合監(jiān)測pm2.5方法，其特征在于，所述s2包括：
6...
【專利技術屬性】
技術研發(fā)人員：劉寓，羅斌，付娟娟，曹欣，黃心，龔巧靈，鄧可欣，蒲銳，陳相均，
申請(專利權)人：重慶數(shù)字城市科技有限公司，
類型：發(fā)明
國別省市：
還沒有人留言評論。發(fā)表了對其他瀏覽者有用的留言會獲得科技券。