一种基于MODIS和长短时记忆网络模型的PM2.5反演方法与流程

技术特征：
1.一种基于modis和长短时记忆网络模型的pm2.5反演方法，其特征在于，包括以下步骤：步骤1：获取需要反演的pm2.5研究时段的modis影像、用于计算aod的气象数据和研究区域pm2.5监测站数据；气象数据包括风速、温度、边界层高度、相对湿度和地表压力；对各时段的modis影像进行融合并裁剪出研究区域对应的部分；对气象数据进行重采样及归一化处理；对监测站数据求取9-15点均值作为当天pm2.5值；步骤2：对气象数据按如下式(1)(2)进行高湿订正，消除高度和湿度的影响；aod＝k
a,0
(λ)blh (1)式中，k
a,0
(λ)表示近地层气溶胶系数，blh表示边界层高度；f(rh)＝1/(1-rh/100) (2)式中，rh代表相对湿度；步骤3：使用双线性插值法和重采样技术将所有的气象数据变量均重采样到0.01
×
0.01分辨率；步骤4：训练随机森林模型；随机森林模型学习到带有aod值的网格与对应位置的气象数据之间的函数关系，利用此函数关系估计缺失位置的aod值，得到覆盖整个区域的连续、大范围的aod值；最后在模型拟合之后计算每个气象数据变量的特征重要性；在随机森林模型中，使用bootstrapsample方法从步骤3得到的气象数据中提取得到样本z，然后为每个样本生成一棵带有多个预测因子的未回归树，在未回归树的每个节点选择最优值进行最佳分割得到回归树，最后通过所有回归树的平均值来进行预测；每棵未回归树三分之一的训练样本不参与回归树f(x)的生成；树三分之一的训练样本不参与回归树f(x)的生成；z1(m,n)＝{x|x
j
≤n}and z2(m,n)＝{x|x
j
＞n} (5)(5)其中(x
i
,y
i
)是z区域(r1,r2,...,r
z
)中i＝1,2,...,n的样本，c
m
是对模型的响应，是最优值，m是分离变量，n是分离点，i是示性函数；步骤5：从步骤3得到的气象数据和步骤4得到的覆盖整个区域的aod数据中提取pm2.5监测站点坐标对应的气象数据值以及aod值，按照时间和空间将提取出来的aod值和气象数据值与pm2.5站点值进行匹配，匹配后的数据按7:3的比例分割成训练集和测试集；构建第f个时间节点的特征向量基数t
f
：t
f
＝[x1,x2,...,x
n
,...,x
n
] (8)其中，x1表示t个时间节点中第f个时间节点的pm2.5的值，x
n
表示t个时间节点中第f个
时间节点的第n个空气参数的值；步骤6：建立长短时记忆网络模型；长短时记忆网络模型包括lstm层和dense层，初始化长短时记忆网络模型的参数并将覆盖整个研究区域的aod数据及完整的气象变量输入，得到输出预测值w，将输出预测值w与监测站点真实值y进行对比，根据误差微调网络参数，实现降低误差；遗忘门、输入门、循环门和输出门为长短时记忆网络模型的主要结构：a.遗忘门：将信息进行选择性遗忘，减少模型的记忆负担；f
t
＝σ(w
f
·
[h
t-1
,x
t
] b
f
) (9)b.输入门：将信息进行选择性记忆：i
t
＝σ(w
i
·
[h
t-1
,x
t
] b
i
) (10)c.循环门：更新当前时刻的状态：d.输出门：完成模型输出；o
t
＝σ(w
o
·
[h
t-1
,x
t
] b
o
) (12)h
t
＝o
t
*tanh(c
t
) (13)式中，σ为sigmoid函数，wo和bo作为待定系数在后续进行训练学习，h
t-1
是上一阶段的输出，x
t
是当前阶段的输入，式中的c
t-1
记录了上一时间节点的信息；步骤7：将得到的输出预测值进行可视化，得到整个研究区域的pm2.5浓度反演图。

技术总结
本发明属于遥感影像处理技术领域，提出了一种基于MODIS和长短时记忆网络模型的PM2.5反演方法。利用多种辅助数据，建立AOD和辅助数据之间的关系，利用机器学习方法对AOD缺失值部分进行填补，减少了缺失值带来的反演不确定性，增加了反演精度。对数据进行高度订正和湿度订正，减少了高度和湿度带来的误差。使用长短时记忆网络进行PM2.5浓度反演，考虑了时间和空间的依赖关系，大大提高了反演精度。大大提高了反演精度。大大提高了反演精度。


技术研发人员：贾书琴 韩敏 张成坤 秦晓梅 王钧
受保护的技术使用者：大连理工大学
技术研发日：2021.11.04
技术公布日：2022/2/7