基于卫星遥感的近地面颗粒物浓度估算方法、装置和设备

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近地面颗粒物浓度估算方法、装置和设备。


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。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，难以全面反映气溶胶粒子的空间分布，不能进行颗粒物浓度的宏观监测。


技术实现要素：

3.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近地面颗粒物浓度估算方法、装置和设备。
4.本发明解决上述技术问题的技术方案如下：
5.一种基于卫星遥感的近地面颗粒物浓度估算方法，所述方法包括：
6.获取目标监控区域的卫星遥感数据，并对所述卫星遥感数据进行反演计算，得到所述目标监控区域的气溶胶光学厚度；
7.获取所述目标监控区域处的环境影响因子数据；
8.将所述目标气溶胶光学厚度和所述环境影响因子数据作为已训练的颗粒物浓度模型的输入，得到所述目标监控区域的近地面颗粒物浓度估算结果，其中，所述颗粒物浓度模型是基于长短期记忆神经网络与高斯过程回归的混合模型lstm-gpr建立的。
9.在上述技术方案的基础上，本发明还可以做如下改进。
10.进一步地，所述将所述目标气溶胶光学厚度和所述环境影响因子数据作为已训练的颗粒物浓度模型的输入，得到所述目标监控区域的近地面颗粒物浓度估算结果，具体包括：
11.将所述环境影响因子数据进行归一化处理；
12.将归一化处理后的所述环境影响因子数据作为所述长短期记忆神经网络的输入变量，近地面颗粒物浓度预测值作为输出变量；
13.由所述长短期记忆神经网络得到的近地面颗粒物浓度预测值作为高斯过程回归模型gpr的输入变量，所述目标监控区域的近地面颗粒物浓度估算结果作为gpr的输出变量。
14.进一步地，所述将所述环境影响因子数据进行归一化处理，具体包括：
15.通过min-max函数对所述环境影响因子数据进行归一化处理。
16.进一步地，所述获取所述目标监控区域处的环境影响因子数据，具体包括：
17.获取所述目标监控区域的环境影响因子数据，所述环境影响因子数据包括污染排
放影响因子数据，气象影响因子数据和地理影响因子数据；
18.其中，所述污染排放影响因子数据包括所述目标监控区域的污染工业数量、公路分布状况和人口密度分布状况；
19.所述地理影响因子包括所述目标监控区域的地形坡度和地表覆盖类型。
20.进一步地，所述颗粒物浓度模型具体是通过以下方法建立：
21.建立基于长短期记忆神经网络与高斯过程回归的混合模型lstm-gpr；
22.利用由归一化处理后的历史环境影响因子数据和实际近地面颗粒物浓度值组成的训练数据集训练lstm；
23.将所述训练数据集中的归一化处理后的历史环境影响因子数据输入训练好的所述lstm，得到所述训练数据集的近地面颗粒物浓度预测值；
24.将所述近地面颗粒物浓度预测值作为gpr模型的输入，与所述近地面颗粒物浓度预测值相对的实际近地面颗粒物浓度值作为所述gpr模型的输出训练gpr，得到所述颗粒物浓度模型。
25.应理解，本实施方式使用长短期记忆lstm(long-short term memory)神经网络作为基本的预测方法。由于不同维度的输入数据有不同的特征，若使用单一网络结构不能充分提取多个数据维度中的时序特征。保证了在底层网络中，不同类型的数据间互不影响，也保证了在高层次网络中多维度数据的融合。
26.本方法发明的有益效果是：提出了一种基于卫星遥感的近地面颗粒物浓度估算方法，包括获取目标监控区域的卫星遥感数据，并对所述卫星遥感数据进行反演计算，得到所述目标监控区域的气溶胶光学厚度；获取所述目标监控区域处的环境影响因子数据；将所述目标气溶胶光学厚度和所述环境影响因子数据作为已训练的颗粒物浓度模型的输入，得到所述目标监控区域的近地面颗粒物浓度估算结果，其中，所述颗粒物浓度模型是基于长短期记忆神经网络与高斯过程回归的混合模型lstm-gpr建立的。本发明卫星遥感可以提供广阔范围内的近地面颗粒物的区域分布，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。
27.本发明还解决上述技术问题的另一种技术方案如下：
28.一种基于卫星遥感的近地面颗粒物浓度估算装置，所述装置包括：
29.第一采集模块，用于获取目标监控区域的卫星遥感数据，并对所述卫星遥感数据进行反演计算，得到所述目标监控区域的气溶胶光学厚度；
30.第二采集模块，用于获取所述目标监控区域处的环境影响因子数据；
31.估算模块，用于将所述目标气溶胶光学厚度和所述环境影响因子数据作为已训练的颗粒物浓度模型的输入，得到所述目标监控区域的近地面颗粒物浓度估算结果，其中，所述颗粒物浓度模型是基于长短期记忆神经网络与高斯过程回归的混合模型lstm-gpr建立的。
32.进一步地，所述估算模块，具体用于将所述环境影响因子数据进行归一化处理；
33.将归一化处理后的所述环境影响因子数据作为所述长短期记忆神经网络的输入变量，近地面颗粒物浓度预测值作为输出变量；
34.由所述长短期记忆神经网络得到的近地面颗粒物浓度预测值作为高斯过程回归模型gpr的输入变量，所述目标监控区域的近地面颗粒物浓度估算结果作为gpr的输出变
量。
35.进一步地，所述第二采集模块，具体用于通过min-max函数对所述环境影响因子数据进行归一化处理。
36.此外，本发明提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述技术方案中任一项所述的基于卫星遥感的近地面颗粒物浓度估算方法的步骤。
37.本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述技术方案中任一项所述的基于卫星遥感的近地面颗粒物浓度估算方法的步骤。
38.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
39.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。
40.图1为本发明实施例所述的一种基于卫星遥感的近地面颗粒物浓度估算方法的流程示意图；
41.图2为本发明另一实施例所述的一种基于卫星遥感的近地面颗粒物浓度估算装置的模块示意图。
具体实施方式
42.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。
43.如图1所示，本发明实施例所述的一种基于卫星遥感的近地面颗粒物浓度估算方法包括以下步骤：
44.110、获取目标监控区域的卫星遥感数据，并对所述卫星遥感数据进行反演计算，得到所述目标监控区域的气溶胶光学厚度。
45.120、获取所述目标监控区域处的环境影响因子数据。
46.130、将所述目标气溶胶光学厚度和所述环境影响因子数据作为已训练的颗粒物浓度模型的输入，得到所述目标监控区域的近地面颗粒物浓度估算结果，其中，所述颗粒物浓度模型是基于长短期记忆神经网络与高斯过程回归的混合模型lstm-gpr建立的。
47.进一步地，步骤130中具体包括：
48.131、将所述环境影响因子数据进行归一化处理。
49.132、将归一化处理后的所述环境影响因子数据作为所述长短期记忆神经网络的输入变量，近地面颗粒物浓度预测值作为输出变量。
50.133、由所述长短期记忆神经网络得到的近地面颗粒物浓度预测值作为高斯过程回归模型gpr的输入变量，所述目标监控区域的近地面颗粒物浓度估算结果作为gpr的输出变量。
51.进一步地，步骤131中具体包括：
52.通过min-max函数对所述环境影响因子数据进行归一化处理。
53.进一步地，步骤120中具体包括：
54.获取所述目标监控区域的环境影响因子数据，所述环境影响因子数据包括污染排放影响因子数据，气象影响因子数据和地理影响因子数据。
55.其中，所述污染排放影响因子数据包括所述目标监控区域的污染工业数量、公路分布状况和人口密度分布状况。
56.所述地理影响因子包括所述目标监控区域的地形坡度和地表覆盖类型。
57.进一步地，所述颗粒物浓度模型具体是通过以下方法建立：
58.建立基于长短期记忆神经网络与高斯过程回归的混合模型lstm-gpr。
59.利用由归一化处理后的历史环境影响因子数据和实际近地面颗粒物浓度值组成的训练数据集训练lstm。
60.将所述训练数据集中的归一化处理后的历史环境影响因子数据输入训练好的所述lstm，得到所述训练数据集的近地面颗粒物浓度预测值。
61.将所述近地面颗粒物浓度预测值作为gpr模型的输入，与所述近地面颗粒物浓度预测值相对的实际近地面颗粒物浓度值作为所述gpr模型的输出训练gpr，得到所述颗粒物浓度模型。
62.应理解，气溶胶遥感资料尤其是气溶胶光学厚度(aerosol optical depth，aod)反映了大气中气溶胶等对入射太阳电磁辐射的衰减程度，被广泛应用于大气污染监测中，实现地面颗粒物浓度的由点及面的监测，能极大弥补地面监测站的不足，提高了监测精度。
63.基于上述实施例所提出的一种基于卫星遥感的近地面颗粒物浓度估算方法，包括获取目标监控区域的卫星遥感数据，并对所述卫星遥感数据进行反演计算，得到所述目标监控区域的气溶胶光学厚度；获取所述目标监控区域处的环境影响因子数据；将所述目标气溶胶光学厚度和所述环境影响因子数据作为已训练的颗粒物浓度模型的输入，得到所述目标监控区域的近地面颗粒物浓度估算结果，其中，所述颗粒物浓度模型是基于长短期记忆神经网络与高斯过程回归的混合模型lstm-gpr建立的。本发明卫星遥感可以提供广阔范围内的近地面颗粒物的区域分布，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。
64.如图2所示，一种基于卫星遥感的近地面颗粒物浓度估算装置包括：
65.第一采集模块，用于获取目标监控区域的卫星遥感数据，并对所述卫星遥感数据进行反演计算，得到所述目标监控区域的气溶胶光学厚度。
66.第二采集模块，用于获取所述目标监控区域处的环境影响因子数据；
67.估算模块，用于将所述目标气溶胶光学厚度和所述环境影响因子数据作为已训练的颗粒物浓度模型的输入，得到所述目标监控区域的近地面颗粒物浓度估算结果，其中，所述颗粒物浓度模型是基于长短期记忆神经网络与高斯过程回归的混合模型lstm-gpr建立的。
68.进一步地，所述估算模块，具体用于将所述环境影响因子数据进行归一化处理。
69.将归一化处理后的所述环境影响因子数据作为所述长短期记忆神经网络的输入变量，近地面颗粒物浓度预测值作为输出变量。
70.由所述长短期记忆神经网络得到的近地面颗粒物浓度预测值作为高斯过程回归模型gpr的输入变量，所述目标监控区域的近地面颗粒物浓度估算结果作为gpr的输出变量。
71.进一步地，所述第二采集模块，具体用于通过min-max函数对所述环境影响因子数据进行归一化处理。
72.此外，本发明提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述技术方案中任一项所述的基于卫星遥感的近地面颗粒物浓度估算方法的步骤。
73.本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述技术方案中任一项所述的基于卫星遥感的近地面颗粒物浓度估算方法的步骤。
74.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。
75.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。
76.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。
77.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。
78.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。
79.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。
80.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。
81.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。
82.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。