一种多环芳烃多组分遥感反演方法、装置及存储介质

摘要: 本公开涉及地球观测与遥感,特别是涉及一种多环芳烃多组分遥感反演方法、装置及存储介质。背景技术:1、多环芳烃是一类典型的持久性有机污染物,主要来源于煤炭、石油、生...
一种多环芳烃多组分遥感反演方法、装置及存储介质

本公开涉及地球观测与遥感,特别是涉及一种多环芳烃多组分遥感反演方法、装置及存储介质。

背景技术:

1、多环芳烃是一类典型的持久性有机污染物,主要来源于煤炭、石油、生物质等含碳物质的不完全燃烧过程。多环芳烃(polycyclic aromatic hydrocarbons,pahs)具有环境持久性、半挥发性和一定的长距离传输能力,能够通过大气输送、干湿沉降和气粒分配等过程影响区域大气环境质量。部分多环芳烃组分具有致癌、致突变和致畸风险,因此,准确获取多环芳烃及其不同组分的浓度分布,对于大气污染防控、暴露评估和环境健康风险研究具有重要意义。

2、目前,多环芳烃浓度及组分信息主要依赖地面采样观测、实验室分析和数值模拟等方式获取。地面观测数据能够表征监测点位处多环芳烃组分的实际浓度水平,是多环芳烃浓度监测和模型验证的重要数据来源,但受限于监测站点数量、空间分布和采样频次,难以直接形成长期、连续、全国尺度的空间分布数据。数值模拟方法可基于排放清单、气象条件和大气物理化学过程对多环芳烃进行模拟,但该类方法通常依赖排放清单精度、反应参数设定和传输沉降过程描述,容易受到排放不确定性和模型参数不确定性的影响,在复杂区域和长期尺度应用中仍存在一定局限。同时,多环芳烃包含多种组分,不同组分在排放来源、环境迁移转化和空间分布特征方面存在差异,仅对多环芳烃整体浓度进行估计难以满足多组分污染识别和健康风险评估需求。此外,现有基于地面观测样本的多环芳烃浓度反演方法通常受观测样本空间覆盖和组分观测完整性的影响,难以充分表征不同区域和不同组分之间的空间差异。

技术实现思路

1、本公开要解决的技术问题在于,针对现有多环芳烃浓度获取及反演方法的上述不足,提供一种融合多源环境数据和人工智能模型的多环芳烃多组分遥感反演方法、装置及存储介质,以实现多环芳烃及其多组分浓度的逐日、空间连续反演。

2、为解决上述技术问题,本公开基于多环芳烃组分地面观测数据、协同污染物变量、气象变量、地表环境变量、时空编码变量以及组分排放清单数据,构建统一时空基准下的多源输入特征;利用先验学习模型生成先验预测结果并形成辅助训练数据;将真实观测训练数据和辅助训练数据共同用于人工智能遥感反演模型训练,使所述人工智能遥感反演模型学习多源输入特征与多环芳烃浓度或目标多环芳烃组分浓度之间的非线性映射关系,从而输出目标区域内多环芳烃及多种多环芳烃组分的逐日空间连续浓度结果。

3、在本公开的第一方面,提供一种多环芳烃多组分遥感反演方法,包括以下步骤:

4、获取目标区域在目标时间范围内的多环芳烃组分地面观测数据和多源输入数据;其中,多环芳烃组分地面观测数据包括多种多环芳烃组分的逐日观测浓度;所述多源输入数据包括协同污染物变量、气象变量、地表环境变量、时空编码变量以及组分排放清单数据;

5、对多源输入数据进行空间重采样、时间匹配和像元对齐,并对多环芳烃组分地面观测数据进行字段整理、异常值处理、缺失值处理和质量控制,基于地面观测站点经纬度位置和观测日期提取对应空间网格及对应日期的多源输入特征,形成统一时空基准下的多源输入特征数据集;

6、基于所述多源输入特征数据集以及对应的多环芳烃观测浓度标签或目标多环芳烃组分观测浓度,构建真实观测训练数据,其中,所述多环芳烃观测浓度标签或目标多环芳烃组分观测浓度作为真实训练标签,用于提供人工智能遥感反演模型训练过程中的真实监督信息;其中,在构建多环芳烃浓度对应的真实观测训练数据时,对同一地面观测站点在同一观测日期对应的多种多环芳烃组分逐日观测浓度进行加和,得到对应的多环芳烃观测浓度标签;

7、利用真实观测训练数据训练先验学习模型,获得多环芳烃浓度或目标多环芳烃组分浓度的先验预测结果,并基于先验预测结果及其对应的多源输入特征形成辅助训练数据;

8、将真实观测训练数据和辅助训练数据共同用于人工智能遥感反演模型训练,使所述人工智能遥感反演模型学习多源输入特征与多环芳烃浓度或目标多环芳烃组分浓度之间的非线性映射关系。

9、在一些实施例中,所述人工智能遥感反演模型为transformer遥感反演网络。所述transformer遥感反演网络包括数值特征表示层、特征汇聚令牌、transformer编码层和回归输出层。所述数值特征表示层用于将多源输入特征中的各数值变量分别映射为变量令牌;所述特征汇聚令牌用于与各变量令牌共同组成输入令牌序列,并在transformer编码过程中汇聚各变量令牌携带的信息;所述transformer编码层用于通过多头自注意力、残差连接、层归一化和前馈网络对所述输入令牌序列进行更新;所述回归输出层用于将transformer编码层输出的交互感知综合特征表示映射为多环芳烃浓度或目标多环芳烃组分浓度的反演值。

10、其中,辅助训练数据根据先验学习模型输出的先验预测结果构建,并在训练过程中被赋予低于真实观测训练数据的训练权重,使真实观测训练数据在模型训练中保持主要监督作用。

11、在目标区域反演阶段,将目标区域内各空间网格在对应日期的多源输入数据整理为多源输入特征,并输入训练完成的人工智能遥感反演模型,获得各空间网格在对应日期的多环芳烃浓度或目标多环芳烃组分浓度反演值,形成逐日空间连续浓度结果。

12、在一些实施例中,数值特征表示层通过可学习的数值映射参数,将多源输入特征中的每个数值变量分别映射为具有固定维度的变量令牌向量。

13、在一些实施例中,当所述人工智能遥感反演模型为transformer遥感反演网络时,变量令牌的向量维度可以为64,多头自注意力层可以具有8个注意力头,transformer遥感反演网络可以包括3个编码器模块,前馈网络的隐藏维度可以为变量令牌向量维度的4倍,并可以采用gelu激活函数。

14、在一些实施例中,特征汇聚令牌与各变量令牌共同组成输入令牌序列,并输入transformer编码层;最后一个transformer编码器模块输出的特征汇聚令牌作为交互感知综合特征表示,并输入回归输出层。

15、在一些实施例中,所述先验学习模型为独立于所述人工智能遥感反演模型的回归模型。

16、在一些实施例中,在目标区域反演阶段,按照与模型训练阶段一致的特征顺序和预处理方式,逐日构建空间网格尺度的多源输入特征,并将多源输入特征批量输入训练完成的人工智能遥感反演模型。

17、本公开的第二方面提供一种多环芳烃多组分遥感反演装置,该装置包括:

18、数据获取模块,用于获取目标区域在目标时间范围内的多环芳烃组分地面观测数据和多源输入数据;其中,多环芳烃组分地面观测数据包括多种多环芳烃组分的逐日观测浓度,多源输入数据包括协同污染物变量、气象变量、地表环境变量、时空编码变量以及组分排放清单数据;

19、特征构建模块,用于对所述多源输入数据进行空间重采样、时间匹配和像元对齐,并对所述多环芳烃组分地面观测数据进行字段整理、异常值处理、缺失值处理和质量控制,基于地面观测站点经纬度位置和观测日期提取对应空间网格及对应日期的多源输入特征,形成统一时空基准下的多源输入特征数据集;

20、训练数据构建模块,用于基于所述多源输入特征数据集以及对应的多环芳烃观测浓度标签或目标多环芳烃组分观测浓度,构建真实观测训练数据;

21、先验学习模块,用于基于所述真实观测训练数据训练先验学习模型,并利用训练完成的先验学习模型对目标区域内具有模型输入所需多源输入特征的候选时空单元进行预测,得到先验预测结果,并基于所述先验预测结果及其对应的多源输入特征形成辅助训练数据;

22、人工智能遥感反演模块,用于将真实观测训练数据和辅助训练数据共同用于人工智能遥感反演模型训练,使所述人工智能遥感反演模型学习多源输入特征与多环芳烃浓度或目标多环芳烃组分浓度之间的非线性映射关系;

23、空间反演模块,用于将目标区域内各空间网格在对应日期的多源输入特征输入训练完成的人工智能遥感反演模型,输出对应空间网格和日期的多环芳烃浓度或目标多环芳烃组分浓度反演值,并形成目标区域内多环芳烃及多种多环芳烃组分的逐日空间连续浓度结果。

24、在一些实施例中,所述人工智能遥感反演模块包括transformer遥感反演子模块。所述transformer遥感反演子模块包括数值特征表示层、特征汇聚令牌、transformer编码层和回归输出层;其中,所述数值特征表示层用于将多源输入特征中的各数值变量分别映射为变量令牌,所述transformer编码层用于提取多源输入变量之间的依赖关系,所述回归输出层用于输出多环芳烃浓度或目标多环芳烃组分浓度反演值。

25、在一些实施例中,在获得所述逐日空间连续浓度结果后,还对所述逐日空间连续浓度结果进行时间尺度聚合,得到年均浓度结果、季节平均浓度结果和多年平均浓度结果,并基于时间尺度聚合结果进行空间分布分析或变化趋势分析。

26、在本公开的第三方面,提供一种电子设备,包括:至少一个处理器;以及与至少一个处理器通信连接的存储器;其中,存储器存储有可被至少一个处理器执行的指令,指令被至少一个处理器执行,以使至少一个处理器能够执行前述第一方面的多环芳烃多组分遥感反演方法。

27、在本公开的第四方面,提供一种存储有计算机指令的非瞬时计算机可读存储介质,其中,计算机指令用于使计算机执行前述第一方面的多环芳烃多组分遥感反演方法。

28、在本公开的第五方面,提供一种计算机程序产品,包括计算机程序,计算机程序在被处理器执行时实现前述第一方面的多环芳烃多组分遥感反演方法。

29、由于采用了上述技术方案,本公开的有益效果包括:

30、1. 本公开采用地面观测、多源环境变量和组分排放清单数据构建多源输入特征,打破了现有方法主要依赖离散采样点位获取多环芳烃浓度信息的局限,能够更有效刻画区域污染梯度、空间异质性和污染热点分布,为多环芳烃空间连续监测提供数据支撑;

31、2. 本公开面向多环芳烃浓度及多种组分浓度开展一体化反演,克服了仅基于总量指标难以表征组分差异的不足,能够同步获取不同组分的空间分布特征和浓度变化信息,为重点风险组分识别、差异化污染评估和健康风险研究提供更具针对性的技术基础;

32、3.本公开引入先验学习与真实观测监督相结合的建模策略,能够增强模型对不同环境背景和空间区域的特征表达能力,在保持地面观测约束作用的基础上提高跨区域、跨年份和多组分反演应用中的空间泛化能力和结果稳定性;

33、4. 本公开采用人工智能遥感反演模型融合污染背景、气象条件、地表环境、时空位置和组分排放信息,能够捕获多源因子之间的非线性交互关系。相较于单一变量或浅层特征组合方式,本公开具有更强的多源异构特征融合能力和多目标浓度反演表达能力;在一种实施方式中,可采用transformer结构进一步表征多源输入变量之间的交互关系;

34、5. 本公开构建了将地面观测、多源环境数据和人工智能模型转化为区域尺度多环芳烃及其组分浓度空间连续结果的数据生成框架。相较于传统化学传输模型对复杂排放、反应机制和参数化过程的依赖,本公开计算效率更高,能够支撑大范围、长时间序列、多组分逐日反演应用,提升多环芳烃遥感反演的推广潜力和业务化运行可行性。