【技术实现步骤摘要】
本专利技术涉及环境监测，尤其涉及一种大气污染物浓度数据预测方法、装置、设备以及存储介质。
技术介绍
1、为了改善空气质量，降低大气污染物排放，我国政府对生态环境保护的重视程度不断提升，并出台了一系列关于大气污染物的管理要求，旨在通过减污降碳协同管控，推动城市绿色发展。目前关于大气污染物监测主要通过定点监测，雷达扫描，以及走航监测等方式开展。其中走航监测主要针对重点排放园区周围，开展溯源走航工作。此外，通过走航监测还可以针对定点监测的薄弱地带进行监测，从而提高整体区域大气污染物的评估精度。
2、不过需要注意的是，目前走航路线的规划需要区域短期内的大气污染物浓度数据做基础，但是由于大气扩散过程受到气象、地形、污染物自身特性等因素的影响，导致其机制较为复杂，具有非线性、不确定性等特点。因此当前预测区域短期内的大气污染物浓度数据，具有较大的不确定性。
技术实现思路
1、本专利技术的实施例提供了一种大气污染物浓度数据预测方法、装置、设备以及存储介质。
2、第一方面，本专利技术的实施例提供了一种大气污染物浓度数据预测方法，该方法包括：
3、将目标区域当前时间段的地面监测大气污染物浓度数据、气象数据匹配至目标区域对应的空间网格场，得到网格化地面浓度场、网格化气象场；
4、根据地面监测大气污染物浓度数据和卫星监测大气污染物浓度数据的逻辑回归关系以及网格化地面浓度场，构建网格化卫星浓度场；
5、将网格化地面浓度场与网格化卫星浓度场融合，得到
6、将网格化综合数据场输入大气污染物浓度数据预测模型，预测目标区域在未来时间段的网格化融合浓度场。
7、在第一方面的一些可实现方式中，该方法还包括：
8、将目标区域的历史地面监测大气污染物浓度数据、历史卫星监测大气污染物浓度数据、历史气象数据匹配至目标区域对应的空间网格场，得到历史网格化地面浓度场、历史网格化卫星浓度场、历史网格化气象场；
9、根据历史网格化地面浓度场、历史网格化卫星浓度场，构建地面监测大气污染物浓度数据和卫星监测大气污染物浓度数据的逻辑回归关系；
10、根据历史网格化地面浓度场、历史网格化卫星浓度场以及逻辑回归关系，对历史网格化地面浓度场、历史网格化卫星浓度场进行缺值填充；
11、对缺值填充后的历史网格化地面浓度场、历史网格化卫星浓度场进行融合，得到历史网格化融合浓度场，并将历史网格化融合浓度场与历史网格化气象场组合，得到历史网格化综合数据场；
12、根据历史网格化综合数据场生成数据集；
13、采用数据集对预设机器学习模型进行训练，得到大气污染物浓度数据预测模型。
14、在第一方面的一些可实现方式中，将目标区域的历史地面监测大气污染物浓度数据匹配至目标区域对应的空间网格场，得到历史网格化地面浓度场，包括：
15、对目标区域的历史地面监测大气污染物浓度数据进行归一化、空间插值，并将之后的历史地面监测大气污染物浓度数据匹配至目标区域对应的空间网格场，得到历史网格化地面浓度场。
16、在第一方面的一些可实现方式中，将目标区域的历史卫星监测大气污染物浓度数据匹配至目标区域对应的空间网格场，得到历史网格化卫星浓度场，包括：
17、对目标区域的历史卫星监测大气污染物浓度数据进行克里金插值、偏差修正，并将之后的历史卫星监测大气污染物浓度数据匹配至目标区域对应的空间网格场，得到历史网格化卫星浓度场。
18、在第一方面的一些可实现方式中，对缺值填充后的历史网格化地面浓度场、历史网格化卫星浓度场进行融合，得到历史网格化融合浓度场，包括：
19、针对空间网格场中任一网格，根据网格对应的地面监测大气污染物浓度数据权重、卫星监测大气污染物浓度数据权重，对缺值填充后的历史网格化地面浓度场中与网格对应的大气污染物浓度数据、缺值填充后的历史网格化卫星浓度场中与网格对应的大气污染物浓度数据进行加权平均，并将加权平均结果作为网格对应的污染物浓度融合数据；
20、根据空间网格场中各网格对应的污染物浓度融合数据，构建历史网格化融合浓度场。
21、在第一方面的一些可实现方式中，预设机器学习模型为集成学习架构，其中的基学习器为多个不同网络结构和不同先验分布的贝叶斯神经网络；
22、采用数据集对预设机器学习模型进行训练，得到大气污染物浓度数据预测模型，包括：
23、将数据集划分为训练集、测试集；
24、根据训练集对集成学习模型中的各贝叶斯神经网络进行训练，并将训练完成的各贝叶斯神经网络集成；
25、使用测试集对当前的集成学习模型进行性能评估，若通过性能评估，则确定当前的集成学习模型为大气污染物浓度数据预测模型；否则，调整各贝叶斯神经网络的先验分布和网络结构，并重新进行训练，直到通过性能评估。
26、在第一方面的一些可实现方式中，该方法还包括：
27、根据目标区域在未来时间段的网格化融合浓度场，对目标区域进行走航路线规划。
28、第二方面，本专利技术的实施例提供了一种大气污染物浓度数据预测装置，该装置包括：
29、匹配模块，用于将目标区域当前时间段的地面监测大气污染物浓度数据、气象数据匹配至目标区域对应的空间网格场，得到网格化地面浓度场、网格化气象场；
30、构建模块，用于根据地面监测大气污染物浓度数据和卫星监测大气污染物浓度数据的逻辑回归关系以及网格化地面浓度场，构建网格化卫星浓度场；
31、融合模块，用于将网格化地面浓度场与网格化卫星浓度场融合，得到网格化融合浓度场，并将网格化融合浓度场与网格化气象场组合，得到网格化综合数据场；
32、预测模块，用于将网格化综合数据场输入大气污染物浓度数据预测模型，预测目标区域在未来时间段的网格化融合浓度场。
33、第三方面，本专利技术的实施例提供了一种电子设备，该电子设备包括：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；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如以上所述的方法。
34、第四方面，本专利技术的实施例提供了一种存储有计算机指令的非瞬时计算机可读存储介质，计算机指令用于使计算机执行如以上所述的方法。
35、在本专利技术的实施例中，可以通过星地数据的联合分析，实现短期未来大气污染物浓度数据的有效预测，为走航路线规划提供了可靠的数据研判依据；同时，在应对突然高污染排放过程的后续追踪以及影响评估，提供了参考依据；此外该方案具有较好的普适性，可用于研究评估大气污染物和温室气体的短期变化趋势特征。
36、应当理解，
技术实现思路
部分中所描述的内容并非旨在限定本专利技术的实施例的关键或重要特征，亦非用于限制本专利技术的范围。本专利技术的其它特征将通过以下的描述变本文档来自技高网...
【技术保护点】
1.一种大气污染物浓度数据预测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述方法还包括：
3.根据权利要求2所述的方法，其特征在于，所述将所述目标区域的历史地面监测大气污染物浓度数据匹配至所述目标区域对应的空间网格场，得到历史网格化地面浓度场，包括：
4.根据权利要求2所述的方法，其特征在于，所述将所述目标区域的历史卫星监测大气污染物浓度数据匹配至所述目标区域对应的空间网格场，得到历史网格化卫星浓度场，包括：
5.根据权利要求2所述的方法，其特征在于，所述对缺值填充后的历史网格化地面浓度场、历史网格化卫星浓度场进行融合，得到历史网格化融合浓度场，包括：
6.根据权利要求2所述的方法，其特征在于，所述预设机器学习模型为集成学习架构，其中的基学习器为多个不同网络结构和不同先验分布的贝叶斯神经网络；
7.根据权利要求1所述的方法，其特征在于，所述方法还包括：
8.一种大气污染物浓度数据预测装置，其特征在于，所述装置包括：
9.一种电子设备，其特征在于，所述电
10.一种存储有计算机指令的非瞬时计算机可读存储介质，其特征在于，所述计算机指令用于使计算机执行权利要求1-7中任一项所述的方法。
...【技术特征摘要】
1.一种大气污染物浓度数据预测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述方法还包括：
3.根据权利要求2所述的方法，其特征在于，所述将所述目标区域的历史地面监测大气污染物浓度数据匹配至所述目标区域对应的空间网格场，得到历史网格化地面浓度场，包括：
4.根据权利要求2所述的方法，其特征在于，所述将所述目标区域的历史卫星监测大气污染物浓度数据匹配至所述目标区域对应的空间网格场，得到历史网格化卫星浓度场，包括：
5.根据权利要求2所述的方法，其特征在于，所述对缺值填充后的历史网格化地面浓度场...
【专利技术属性】
技术研发人员：董海波，万永超，曾秋玲，
申请(专利权)人：江苏中科三可科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。