结合超光谱卫星与人工智能的大气NO2时空预测算法制造技术

本申请公开了一种结合超光谱卫星与人工智能的大气NO2时空预测算法，涉及污染物监测领域。方法包括获取目标地区的气象监测数据、超光谱卫星监测数据和地理信息遥感数据；根据气象监测数据和预设大气物理化学模型，获得目标地区的二氧化氮分层浓度预测数据；根据超光谱卫星监测数据，反演得到目标地区的二氧化氮柱浓度数据；其中，二氧化氮柱浓度数据的空间分辨率高于二氧化氮分层浓度预测数据的空间分辨率；根据地理信息遥感数据，对二氧化氮浓度分层预测数据和二氧化氮柱浓度数据进行融合，获得目标地区中目标区域在目标时刻的二氧化氮浓度预测数据。本申请可以获得空间分辨率更高、更加准确地的二氧化氮浓度预测数据。更加准确地的二氧化氮浓度预测数据。更加准确地的二氧化氮浓度预测数据。

【技术实现步骤摘要】
结合超光谱卫星与人工智能的大气NO2时空预测算法


[0001]本申请涉及污染物监测领域，尤其涉及一种结合超光谱卫星与人工智能的大气NO2时空预测算法、装置、设备以及存储介质。

技术介绍

[0002]根据国家环境空气质量标准，二氧化氮浓度为6个基本环境空气污染物指标之一，因此需要对环境空气中的二氧化氮进行监测。现有的二氧化氮浓度计算一般基于大气物理化学模型迭代计算的到。
[0003]但是，大气物理化学模型计算得到的二氧化氮浓度的空间分辨率较低。

技术实现思路

[0004]本申请的主要目的在于提供一种结合超光谱卫星与人工智能的大气NO2时空预测算法、装置、设备及介质，旨在解决现有计算得到二氧化氮浓度的空间分辨率较低的技术问题。
[0005]为实现上述目的，本申请提供一种结合超光谱卫星与人工智能的大气NO2时空预测算法，所述方法包括：
[0006]获取目标地区的气象监测数据、超光谱卫星监测数据和地理信息遥感数据，所述地理信息遥感数据包括地表建筑数据、植被覆盖数据、人口数据和高程数据；
[0007]根据所述气象监测数据和预设大气物理化学模型，获得所述目标地区的二氧化氮分层浓度预测数据；
[0008]根据所述超光谱卫星监测数据，反演得到所述目标地区的二氧化氮柱浓度数据；其中，所述二氧化氮柱浓度数据的空间分辨率高于所述二氧化氮分层浓度预测数据的空间分辨率；
[0009]根据所述地理信息遥感数据，对所述二氧化氮浓度分层预测数据和所述二氧化氮柱浓度数据进行融合，获得所述目标地区中目标区域在目标时刻的二氧化氮浓度预测数据。
[0010]在本申请可能的一实施例中，所述根据所述二氧化氮浓度分层预测数据、所述二氧化氮柱浓度数据和所述地理信息遥感数据，获得所述目标地区中的目标区域的二氧化氮浓度预测数据，包括：
[0011]将所述二氧化氮浓度分层预测数据、所述二氧化氮柱浓度数据和所述地理信息遥感数据输入至训练好的二氧化氮浓度预测神经网络模型，获得所述二氧化氮浓度预测神经网络模型输出的目标地区的四维二氧化氮浓度预测数据；所述四维二氧化氮浓度预测数据包括四维时空坐标信息和与所述四维时空坐标对应的二氧化氮浓度预测值，所述四维时空坐标信息包括时刻信息、经度信息、纬度信息和高程信息；
[0012]从所述四维二氧化氮浓度预测数据中提取出所述二氧化氮浓度预测数据。
[0013]在本申请可能的一实施例中，所述二氧化氮浓度预测神经网络模型包括：
[0014]第一特征提取模块，用于对所述二氧化氮浓度分层预测数据进行特征提取，获得二氧化氮浓度分层时空分布特征；
[0015]第二特征提取模块，用于对所述二氧化氮柱浓度数据进行特征提取和特征融合，获得二氧化氮柱浓度时空分布特征；
[0016]第三特征提取模块，用于对所述地理信息遥感数据进行空间特征提取和维度变换，获得地理信息时空分布特征；
[0017]全连接层，用于对所述二氧化氮浓度分层时空分布特征、二氧化氮柱浓度时空分布特征和地理信息时空分布特征进行特征融合，获得所述四维二氧化氮浓度预测数据。
[0018]在本申请可能的一实施例中，所述第二特征提取模块，还用于若所述二氧化氮柱浓度数据的区域空间覆盖度大于第一预设百分比且小于1，则对所述二氧化氮浓度分层预测数据进行数据补全，得到数据补全后的二氧化氮柱浓度数据，对所述数据补全后的二氧化氮柱浓度数据进行特征提取，获得二氧化氮浓度分层时空分布特征。
[0019]在本申请可能的一实施例中，获取目标地区的气象监测数据、超光谱卫星监测数据和地理信息遥感数据，所述地理信息遥感数据包括地表建筑数据、植被覆盖数据、人口数据和高程数据之前，所述算法还包括：
[0020]获取训练样本数据，所述训练样本数据包括所述目标地区的气象监测数据、超光谱卫星监测数据和地理信息遥感数据，以及所述目标地区在预设时刻的第一超光谱卫星监测数据以及在预设日内的实时国控站点监控数据；
[0021]确定用于训练所述二氧化氮浓度预测神经网络模型的训练损失函数；
[0022]基于所述训练损失函数和所述训练样本数据对所述二氧化氮浓度预测神经网络模型进行训练，直至所述训练损失函数的值满足预设条件，得到训练好的二氧化氮浓度预测神经网络模型。
[0023]在本申请可能的一实施例中，所述基于所述训练损失函数和所述训练样本数据对所述二氧化氮浓度预测神经网络模型进行训练，直至所述训练损失函数的值满足预设条件，得到训练好的二氧化氮浓度预测神经网络模型，包括：
[0024]根据所述气象监测数据、所述超光谱卫星监测数据和所述地理信息遥感数据进行训练，得到目标地区内第一预设区域在所述预设时刻的第一训练结果数据和所述目标地区内第二预设区域在所述预设日的第二训练结果数据；其中，所述第一预设区域的海拔高于所述第二预设区域的海拔；
[0025]根据所述第一超光谱卫星数据对所述第一训练结果数据进行验证，获得所述第一超光谱卫星数据和第一训练结果数据的空间关联数据；
[0026]根据所述实时国控站点监控数据对所述第二训练结果数据进行验证，获得所述第二训练结果数据和实时国控站点监控数据的时间关联数据和绝对值差异数据；
[0027]将所述空间关联数据作为第一损失函数值，所述时间关联数据作为第二损失函数值，所述绝对值差异数据作为第三损失函数值，并根据所述第一损失函数值、所述第二损失函数值和所述第三损失函数值，获得最终损失函数值；
[0028]判断所述最终损失函数值是否满足预设条件；
[0029]若不满足，则更新所述二氧化氮浓度预测神经网络模型，并返回执行根据所述气象监测数据、所述超光谱卫星监测数据和所述地理信息遥感数据进行训练，得到目标地区
内第一预设区域在所述预设时刻的第一训练结果数据和所述目标地区内第二预设区域在所述预设日的第二训练结果数据，直至所述训练损失函数的值满足预设条件，得到训练好的二氧化氮浓度预测神经网络模型。
[0030]在本申请可能的一实施例中，所述根据所述超光谱卫星监测数据，获得所述目标地区的二氧化氮柱浓度数据，包括：
[0031]从所述超光谱卫星监测数据中筛选出云量占比小于或者等于预设阈值的有效监测数据；
[0032]根据所述有效监测数据，反演得到所述目标地区的二氧化氮柱浓度数据。
[0033]第二方面，本申请还提供了一种结合超光谱卫星与人工智能的大气NO2时空预测装置，包括：
[0034]数据获取模块，用于获取目标地区的气象监测数据、超光谱卫星监测数据和地理信息遥感数据，所述地理信息遥感数据包括地表建筑数据、植被覆盖数据、人口数据和高程数据；
[0035]分层浓度预测模块，用于根据所述气象监测数据和预设大气物理化学模型，获得所述目标地区的二氧化氮分层浓度预测数据；
[0036]柱浓度预测模块，用于根据所述超光谱卫星监测数据，反演得到所述目标地区的二氧化氮柱浓度数据；其中，所述二氧化氮柱浓度本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种结合超光谱卫星与人工智能的大气NO2时空预测算法，其特征在于，所述算法包括：获取目标地区的气象监测数据、超光谱卫星监测数据和地理信息遥感数据，所述地理信息遥感数据包括地表建筑数据、植被覆盖数据、人口数据和高程数据；根据所述气象监测数据和预设大气物理化学模型，获得所述目标地区的二氧化氮分层浓度预测数据；根据所述超光谱卫星监测数据，反演得到所述目标地区的二氧化氮柱浓度数据；其中，所述二氧化氮柱浓度数据的空间分辨率高于所述二氧化氮分层浓度预测数据的空间分辨率；根据所述地理信息遥感数据，对所述二氧化氮浓度分层预测数据和所述二氧化氮柱浓度数据进行融合，获得所述目标地区中目标区域在目标时刻的二氧化氮浓度预测数据。2.根据权利要求1所述的结合超光谱卫星与人工智能的大气NO2时空预测算法，其特征在于，所述根据所述二氧化氮浓度分层预测数据、所述二氧化氮柱浓度数据和所述地理信息遥感数据，获得所述目标地区中的目标区域的二氧化氮浓度预测数据，包括：将所述二氧化氮浓度分层预测数据、所述二氧化氮柱浓度数据和所述地理信息遥感数据输入至训练好的二氧化氮浓度预测神经网络模型，获得所述二氧化氮浓度预测神经网络模型输出的目标地区的四维二氧化氮浓度预测数据；所述四维二氧化氮浓度预测数据包括四维时空坐标信息和与所述四维时空坐标对应的二氧化氮浓度预测值，所述四维时空坐标信息包括时刻信息、经度信息、纬度信息和高程信息；从所述四维二氧化氮浓度预测数据中提取出所述二氧化氮浓度预测数据。3.根据权利要求2所述的结合超光谱卫星与人工智能的大气NO2时空预测算法，其特征在于，所述二氧化氮浓度预测神经网络模型包括：第一特征提取模块，用于对所述二氧化氮浓度分层预测数据进行特征提取，获得二氧化氮浓度分层时空分布特征；第二特征提取模块，用于对所述二氧化氮柱浓度数据进行特征提取和特征融合，获得二氧化氮柱浓度时空分布特征；第三特征提取模块，用于对所述地理信息遥感数据进行空间特征提取和维度变换，获得地理信息时空分布特征；全连接层，用于对所述二氧化氮浓度分层时空分布特征、所述二氧化氮柱浓度时空分布特征和所述地理信息时空分布特征进行特征融合，获得所述四维二氧化氮浓度预测数据。4.根据权利要求3所述的结合超光谱卫星与人工智能的大气NO2时空预测算法，其特征在于，所述第二特征提取模块，还用于若所述二氧化氮柱浓度数据的区域空间覆盖度大于第一预设百分比且小于1，则对所述二氧化氮浓度分层预测数据进行数据补全，得到数据补全后的二氧化氮柱浓度数据，对所述数据补全后的二氧化氮柱浓度数据进行特征提取，获得所述二氧化氮浓度分层时空分布特征。5.根据权利要求2所述的结合超光谱卫星与人工智能的大气NO2时空预测算法，其特征在于，获取目标地区的气象监测数据、超光谱卫星监测数据和地理信息遥感数据，所述地理信息遥感数据包括地表建筑数据、植被覆盖数据、人口数据和高程数据之前，所述算法还包
括：获取训练样本数据，所述训练样本数据包括所述目标地区的气象监测数据、超光谱卫星监测数据和地理信息遥感数据，以及所述目标地区在预设时刻的第一超光谱卫星监测数据和在预设日内的实时国控站点监控数据；确定用于训练所述二氧化氮浓度预测神经网络模型的训练损失函数；基于所述训练损失函数和所述训练样本数据对所述二氧化氮浓度预测神经网络模型进行训练，直至所述训练损失函数的值满足预设条件，得到训练好的二氧化氮浓度预测神经网络模型。6.根据权利要求5所述的结合超光谱卫星与人工智能的大...

【专利技术属性】
技术研发人员：刘诚，李波，张成歆，苏文静，
申请(专利权)人：中国科学技术大学，
类型：发明
国别省市：