基于卫星遥感的雾霾分布与气溶胶光学厚度检测方法和装置

1.本发明涉及信息处理技术领域，尤其涉及基于卫星遥感的雾霾分布与气溶胶光学厚度检测方法和装置。


背景技术：

2.随着国民经济的快速发展，城市规模不断扩大，工业化使社会经济高速发展，也带来了对资源的大量消耗和对大气环境的严重破坏。
3.尤其是近年来，区域性大气环境问题日益突出。当前主要通过建立了地面环境监测站来监测颗粒物以及污染气体浓度等，但是这些站点往往比较稀疏、集中于城市，难以全面反映雾霾的空间分布。


技术实现要素：

4.本发明所要解决的技术问题是针对现有技术的不足，提供基于卫星遥感的雾霾分布与气溶胶光学厚度检测方法和装置。
5.本发明解决上述技术问题的技术方案如下：
6.一种基于卫星遥感的雾霾分布与气溶胶光学厚度检测方法，包括：
7.获取目标监测区域的卫星遥感数据，将所述目标监控区域划分为多个目标区域，对各所述目标区域的卫星遥感数据分别进行反演计算，确定各所述目标区域的气溶胶光学厚度；
8.根据各所述目标区域的卫星遥感数据，得到各所述目标区域的高光谱影像数据，并根据各所述目标区域的高光谱影像数据，得到各所述目标区域的雾霾特征图，将各所述目标区域的气溶胶光学厚度和所述目标区域的雾霾特征图进行空间匹配；
9.利用人工神经网络对各所述目标区域的气溶胶光学厚度和所述目标区域的雾霾特征图进行分类，得到所述目标监测区域的雾霾分布信息。
10.在上述技术方案的基础上，本发明还可以做如下改进。
11.进一步地，所述根据各所述目标区域的高光谱影像数据，得到各所述目标区域的雾霾特征图，具体包括：
12.对所述高光谱影像数据进行平滑滤波和去除谱线噪声处理后进行归一化处理，得到预处理后的高光谱影像数据；
13.所述预处理后的高光谱影像数据进行加权灰度算法，得到所述高光谱影像数据的灰度值；
14.根据所述预处理后的高光谱影像数据以及所述高光谱影像的灰度值，得到所述目标区域的雾霾特征图。
15.进一步地，所述利用人工神经网络对各所述目标区域的气溶胶光学厚度和所述目标区域的雾霾特征图进行分类，得到所述目标监测区域的雾霾分布信息，具体包括：
16.从所述雾霾特征图中提取预设类型的特征，并基于所提取的特征构建所述雾霾特
征图对应的组合特征；
17.将所述雾霾特征图对应的组合特征和所述目标区域的气溶胶光学厚度作为人工神经网络模型的输入，根据所述人工神经网络模型的输出结果确定所述目标监测区域的雾霾分布信息。
18.进一步地，所述人工神经网络模型通过以下建立：
19.将各历史时间的历史雾霾特征图对应的类别标注结果，作为训练数据；
20.提取所述历史雾霾特征图中预设数量的预设类型特征，并基于所提取的所述类型特征，得到所述历史雾霾特征图对应的组合特征；
21.将所述组合特征和所述历史雾霾特征图的历史时间所对应的气溶胶光学厚度作为分类模型的输入，获取所述分类模型针对所述组合特征和所述历史雾霾特征图的历史时间所对应的气溶胶光学厚度的输出结果；
22.根据所述分类模型针对所述组合特征和所述历史雾霾特征图的历史时间所对应的气溶胶光学厚度的输出结果与历史时间的历史雾霾特征图对应的类别标注结果，得到对应的损失函数；
23.根据所述损失函数，确定所述分类模型的损失函数，并利用所述分类模型的损失函数调整所述分类模型的参数，得到所述人工神经网络模型。
24.进一步地，所述根据所述分类模型针对所述组合特征和所述历史雾霾特征图的历史时间所对应的气溶胶光学厚度的输出结果与历史时间的历史雾霾特征图对应的类别标注结果，得到对应的损失函数，具体包括：
25.根据历史时间的历史雾霾特征图对应的类别标注结果，确定各组合特征对应的分类任务；
26.根据所述分类任务确定损失函数的计算公式；
27.根据所确定的损失函数的计算公式，分别获取各组合特征所对应的损失函数。
28.本方法发明的有益效果是：提出了一种基于卫星遥感的雾霾分布与气溶胶光学厚度检测方法，包括获取目标监测区域的卫星遥感数据，将所述目标监控区域划分为多个目标区域，对各所述目标区域的卫星遥感数据分别进行反演计算，确定各所述目标区域的气溶胶光学厚度；根据各所述目标区域的卫星遥感数据，得到各所述目标区域的高光谱影像数据，并根据各所述目标区域的高光谱影像数据，得到各所述目标区域的雾霾特征图，将各所述目标区域的气溶胶光学厚度和所述目标区域的雾霾特征图进行空间匹配；利用人工神经网络对各所述目标区域的气溶胶光学厚度和所述目标区域的雾霾特征图进行分类，得到所述目标监测区域的雾霾分布信息。本发明卫星遥感可以提供广阔范围内的雾霾分布与气溶胶光学厚度检测，在污染物监测、污染事件的确定、污染源解析以及污染物的区域输送方面有广泛的应用。
29.本发明还解决上述技术问题的另一种技术方案如下：
30.一种基于卫星遥感的雾霾分布与气溶胶光学厚度检测装置，包括：
31.采集模块，用于获取目标监测区域的卫星遥感数据，将所述目标监控区域划分为多个目标区域，对各所述目标区域的卫星遥感数据分别进行反演计算，确定各所述目标区域的气溶胶光学厚度；
32.特征模块，用于根据各所述目标区域的卫星遥感数据，得到各所述目标区域的高
光谱影像数据，并根据各所述目标区域的高光谱影像数据，得到各所述目标区域的雾霾特征图，将各所述目标区域的气溶胶光学厚度和所述目标区域的雾霾特征图进行空间匹配；
33.分类模块，用于利用人工神经网络对各所述目标区域的气溶胶光学厚度和所述目标区域的雾霾特征图进行分类，得到所述目标监测区域的雾霾分布信息。
34.进一步地，所述特征模块，具体用于对所述高光谱影像数据进行平滑滤波和去除谱线噪声处理后进行归一化处理，得到预处理后的高光谱影像数据；
35.所述预处理后的高光谱影像数据进行加权灰度算法，得到所述高光谱影像数据的灰度值；
36.根据所述预处理后的高光谱影像数据以及所述高光谱影像的灰度值，得到所述目标区域的雾霾特征图。
37.进一步地，所述分类模块，具体用于从所述雾霾特征图中提取预设类型的特征，并基于所提取的特征构建所述雾霾特征图对应的组合特征；
38.将所述雾霾特征图对应的组合特征和所述目标区域的气溶胶光学厚度作为人工神经网络模型的输入，根据所述人工神经网络模型的输出结果确定所述目标监测区域的雾霾分布信息。
39.进一步地，还包括模型建立模块，用于将各历史时间的历史雾霾特征图对应的类别标注结果，作为训练数据；
40.提取所述历史雾霾特征图中预设数量的预设类型特征，并基于所提取的所述类型特征，得到所述历史雾霾特征图对应的组合特征；
41.将所述组合特征和所述历史雾霾特征图的历史时间所对应的气溶胶光学厚度作为分类模型的输入，获取所述分类模型针对所述组合特征和所述历史雾霾特征图的历史时间所对应的气溶胶光学厚度的输出结果；
42.根据所述分类模型针对所述组合特征和所述历史雾霾特征图的历史时间所对应的气溶胶光学厚度的输出结果与历史时间的历史雾霾特征图对应的类别标注结果，得到对应的损失函数；
43.根据所述损失函数，确定所述分类模型的损失函数，并利用所述分类模型的损失函数调整所述分类模型的参数，得到所述人工神经网络模型。
44.进一步地，所述模型建立模块，具体用于根据历史时间的历史雾霾特征图对应的类别标注结果，确定各组合特征对应的分类任务；
45.根据所述分类任务确定损失函数的计算公式；
46.根据所确定的损失函数的计算公式，分别获取各组合特征所对应的损失函数。
47.本发明附加的方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明实践了解到。
附图说明
48.为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面所描述的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
49.图1为本发明实施例所述的一种基于卫星遥感的雾霾分布与气溶胶光学厚度检测方法的流程示意图；
50.图2为本发明另一实施例所述的一种基于卫星遥感的雾霾分布与气溶胶光学厚度检测装置的模块示意图。
具体实施方式
51.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都应属于本发明保护的范围。
52.如图1所示，本发明实施例所述的一种基于卫星遥感的雾霾分布与气溶胶光学厚度检测方法，包括以下步骤：
53.110、获取目标监测区域的卫星遥感数据，将所述目标监控区域划分为多个目标区域，对各所述目标区域的卫星遥感数据分别进行反演计算，确定各所述目标区域的气溶胶光学厚度。
54.120、根据各所述目标区域的卫星遥感数据，得到各所述目标区域的高光谱影像数据，并根据各所述目标区域的高光谱影像数据，得到各所述目标区域的雾霾特征图，将各所述目标区域的气溶胶光学厚度和所述目标区域的雾霾特征图进行空间匹配。
55.130、利用人工神经网络对各所述目标区域的气溶胶光学厚度和所述目标区域的雾霾特征图进行分类，得到所述目标监测区域的雾霾分布信息。
56.进一步地，步骤120中根据各所述目标区域的高光谱影像数据，得到各所述目标区域的雾霾特征图，具体包括：
57.对所述高光谱影像数据进行平滑滤波和去除谱线噪声处理后进行归一化处理，得到预处理后的高光谱影像数据。
58.所述预处理后的高光谱影像数据进行加权灰度算法，得到所述高光谱影像数据的灰度值。
59.根据所述预处理后的高光谱影像数据以及所述高光谱影像的灰度值，得到所述目标区域的雾霾特征图。
60.进一步地，步骤130中利用人工神经网络对各所述目标区域的气溶胶光学厚度和所述目标区域的雾霾特征图进行分类，得到所述目标监测区域的雾霾分布信息，具体包括：
61.从所述雾霾特征图中提取预设类型的特征，并基于所提取的特征构建所述雾霾特征图对应的组合特征。
62.将所述雾霾特征图对应的组合特征和所述目标区域的气溶胶光学厚度作为人工神经网络模型的输入，根据所述人工神经网络模型的输出结果确定所述目标监测区域的雾霾分布信息。
63.进一步地，人工神经网络模型通过以下建立：
64.将各历史时间的历史雾霾特征图对应的类别标注结果，作为训练数据；
65.提取所述历史雾霾特征图中预设数量的预设类型特征，并基于所提取的所述类型特征，得到所述历史雾霾特征图对应的组合特征。
66.将所述组合特征和所述历史雾霾特征图的历史时间所对应的气溶胶光学厚度作为分类模型的输入，获取所述分类模型针对所述组合特征和所述历史雾霾特征图的历史时间所对应的气溶胶光学厚度的输出结果。
67.根据所述分类模型针对所述组合特征和所述历史雾霾特征图的历史时间所对应的气溶胶光学厚度的输出结果与历史时间的历史雾霾特征图对应的类别标注结果，得到对应的损失函数。
68.根据所述损失函数，确定所述分类模型的损失函数，并利用所述分类模型的损失函数调整所述分类模型的参数，得到所述人工神经网络模型。
69.进一步地，根据所述分类模型针对所述组合特征和所述历史雾霾特征图的历史时间所对应的气溶胶光学厚度的输出结果与历史时间的历史雾霾特征图对应的类别标注结果，得到对应的损失函数，具体包括：
70.根据历史时间的历史雾霾特征图对应的类别标注结果，确定各组合特征对应的分类任务。
71.根据所述分类任务确定损失函数的计算公式。
72.根据所确定的损失函数的计算公式，分别获取各组合特征所对应的损失函数。
73.基于上述实施例所提出的一种基于卫星遥感的雾霾分布与气溶胶光学厚度检测方法，包括获取目标监测区域的卫星遥感数据，将所述目标监控区域划分为多个目标区域，对各所述目标区域的卫星遥感数据分别进行反演计算，确定各所述目标区域的气溶胶光学厚度；根据各所述目标区域的卫星遥感数据，得到各所述目标区域的高光谱影像数据，并根据各所述目标区域的高光谱影像数据，得到各所述目标区域的雾霾特征图，将各所述目标区域的气溶胶光学厚度和所述目标区域的雾霾特征图进行空间匹配；利用人工神经网络对各所述目标区域的气溶胶光学厚度和所述目标区域的雾霾特征图进行分类，得到所述目标监测区域的雾霾分布信息。本发明卫星遥感可以提供广阔范围内的雾霾分布与气溶胶光学厚度检测，在污染物监测、污染事件的确定、污染源解析以及污染物的区域输送方面有广泛的应用。
74.如图2所示，一种基于卫星遥感的雾霾分布与气溶胶光学厚度检测装置，包括：
75.采集模块，用于获取目标监测区域的卫星遥感数据，将所述目标监控区域划分为多个目标区域，对各所述目标区域的卫星遥感数据分别进行反演计算，确定各所述目标区域的气溶胶光学厚度。
76.特征模块，用于根据各所述目标区域的卫星遥感数据，得到各所述目标区域的高光谱影像数据，并根据各所述目标区域的高光谱影像数据，得到各所述目标区域的雾霾特征图，将各所述目标区域的气溶胶光学厚度和所述目标区域的雾霾特征图进行空间匹配。
77.分类模块，用于利用人工神经网络对各所述目标区域的气溶胶光学厚度和所述目标区域的雾霾特征图进行分类，得到所述目标监测区域的雾霾分布信息。
78.进一步地，所述特征模块，具体用于对所述高光谱影像数据进行平滑滤波和去除谱线噪声处理后进行归一化处理，得到预处理后的高光谱影像数据；
79.所述预处理后的高光谱影像数据进行加权灰度算法，得到所述高光谱影像数据的灰度值；
80.根据所述预处理后的高光谱影像数据以及所述高光谱影像的灰度值，得到所述目
标区域的雾霾特征图。
81.进一步地，所述分类模块，具体用于从所述雾霾特征图中提取预设类型的特征，并基于所提取的特征构建所述雾霾特征图对应的组合特征；
82.将所述雾霾特征图对应的组合特征和所述目标区域的气溶胶光学厚度作为人工神经网络模型的输入，根据所述人工神经网络模型的输出结果确定所述目标监测区域的雾霾分布信息。
83.进一步地，还包括模型建立模块，用于将各历史时间的历史雾霾特征图对应的类别标注结果，作为训练数据；
84.提取所述历史雾霾特征图中预设数量的预设类型特征，并基于所提取的所述类型特征，得到所述历史雾霾特征图对应的组合特征；
85.将所述组合特征和所述历史雾霾特征图的历史时间所对应的气溶胶光学厚度作为分类模型的输入，获取所述分类模型针对所述组合特征和所述历史雾霾特征图的历史时间所对应的气溶胶光学厚度的输出结果；
86.根据所述分类模型针对所述组合特征和所述历史雾霾特征图的历史时间所对应的气溶胶光学厚度的输出结果与历史时间的历史雾霾特征图对应的类别标注结果，得到对应的损失函数；
87.根据所述损失函数，确定所述分类模型的损失函数，并利用所述分类模型的损失函数调整所述分类模型的参数，得到所述人工神经网络模型。
88.进一步地，所述模型建立模块，具体用于根据历史时间的历史雾霾特征图对应的类别标注结果，确定各组合特征对应的分类任务；
89.根据所述分类任务确定损失函数的计算公式；
90.根据所确定的损失函数的计算公式，分别获取各组合特征所对应的损失函数。
91.在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
92.本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
93.在本发明所提供的实施例中，应该理解到，所揭露的装置/终端设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端设备实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
94.所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
95.另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
96.所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。
97.基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、u盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括是电载波信号和电信信号。
98.以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。
99.以上，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。