【技术实现步骤摘要】
本申请属于遥感气象格点要素预测，尤其是涉及一种气溶胶光学厚度时空演变及潜在来源分析方法。
技术介绍
1、气象格点要素数据是现代天气预报的基础数据，其一般通过不同的观测源，收集后经过数据同化技术得到的包含经度、维度、海拔及时间的四维地球格点数据。气象格点数据包含丰富的气象基本要素，这些要素也是现代数值天气预报输入的必要初始场，气溶胶光学厚度是气象格点要素的一种重要要素，精确地预测气溶胶含量可以帮助市民和政府等相关机构做出相应的决策，从而减少带来的损害。精准地预测气溶胶光学厚度是一项巨大的挑战。大气气溶胶复杂多变，影响因素多，影响关系复杂，数据变化剧烈。现有的气溶胶光学厚度预测大部分基于单个气象格点的预测，大部分是基于多元线性回归的方法，需要人为定义一些专家特征输入到回归方程；没有考虑到时空维度不同格点的气溶胶光学厚度彼此的关联关系，没有很好地利用数据驱动的方式来进行特征的自动学习，会导致气溶胶光学厚度预测出现失准、偏差等情况。气溶胶数据作为气象要素的一种，本身具有明显的周期性特征，具有周期偏移的现象。
2、现有技术公开号为cn117350440a的文献提供了一种区域气溶胶光学厚度的时空预测模型及方法，获取指定地区气溶胶光学厚度张量及其多个历史时刻的气溶胶光学厚度张量，对数据进行划分并利用滑动窗口的方法制定模型输入序列和模型目标序列，根据预测气溶胶光学厚度张量计算其与目标气溶胶光学厚度张量的总损失函数值，并调整模型参数，直到总损失函数的值收敛。
3、虽然该方法通过使用深度学习技术考虑了时空维度格点关联性和有效
4、鉴于此，我们提出了一种气溶胶光学厚度时空演变及潜在来源分析方法。
技术实现思路
1、本申请提供了一种气溶胶光学厚度时空演变及潜在来源分析方法，所述技术方案包括以下几个方面。
2、根据本申请实施例的一方面，提供了一种气溶胶光学厚度时空演变预测方法，所述方法包括：
3、s1、通过卫星平台获取气溶胶光学厚度数据，对获取的气溶胶光学厚度数据进行标准化处理，
4、s2、对气溶胶光学厚度数据进行预处理，将原始的气溶胶光学厚度数据转化为图结构；
5、s3、构建融合图卷积网络与包含自注意力机制的序列到序列模型的时空预测模型；
6、s4、使用图卷积网络对气溶胶光学厚度数据进行空间特征提取，使用包含自注意力机制的序列到序列模型对气溶胶光学厚度数据获取来时间段预测序列；
7、s5、将融合图卷积网络提取的空间特征与自注意力机制的序列到序列模型生成的未来预测序列进行融合，形成时空综合特征，将融合后的时空特征输入到时空预测模型，得到最终的气溶胶光学厚度时空预测结果。
8、优选地，对获取的气溶胶光学厚度数据进行标准化处理，包括：
9、云掩膜，移除受云层遮蔽影响的气溶胶光学厚度记录；
10、质量控制，筛选有效气溶胶光学厚度观测值，剔除异常或不确定的记录；
11、重采样，不同时间点的气溶胶光学厚度数据分辨率不一致时，进行重采样处理。
12、优选地，气溶胶光学厚度数据进行预处理：将气溶胶光学厚度数据转换为图结构，连接节点，计算节点间的邻接矩阵，量化节点间的空间相关性，所述节点为各地理格点的气溶胶光学厚度测量值；
13、识别并去除极少部分的极大值、极小值，对气溶胶光学厚度数据进行对数变换，对变换后的数据进行归一化处理；
14、对于时间维度的气溶胶光学厚度数据，将其按照年、月、日等时间粒度进行编码；
15、将预处理后的气溶胶光学厚度数据按照指定的时间窗口进行分块，构建包含历史气溶胶光学厚度序列和未来预测时段的输入输出序列对，得到数据集。
16、优选地，使用图卷积网络进行空间特征提取：
17、构建地理节点间的图结构g＝(v,e)，其中v＝{v1,v2,…,vm}为节点集合，e表示基于空间相关性的边集合；
18、对于节点vm其初始特征向量为xvm(0)＝[aodvm,t1,aodvm,t2,…,aodvm,tn]；
19、应用l层的图卷积网络进行空间特征提取：hv(l+1)＝σ(∑u∈n(v)1/∣n(v)∣w(l)hu(l)+b(l))；
20、其中，hv(l)是节点v在第l层的特征向量，n(v)是节点v的邻居节点集合，w(l)和b(l)分别是第l层的权重矩阵和偏置项，σ为非线性激活函数；
21、经过l层图卷积网络处理后，得到每个地理位置节点的空间相关特征表示hv(l)。
22、优选地，使用自注意力机制的序列到序列模型获取来时间段预测序列：
23、设编码器的隐藏状态为ht，自注意力机制计算的上下文向量为ct；
24、编码器部分：ht＝fe(aodvm,t,ht-1),ct＝attention(ht,ht-1,…,h1)，其中，fe代表编码器单元的非线性变换函数；
25、解码器部分：aod^vm,t′＝fd(ct′-1,ht′-1,aod^vm,t′-1),t′>n，其中，fd代表解码器单元的非线性变换函数，用于生成未来时间段t′≥n+1的预测序列{aod^vm,t′}。
26、优选地，时空综合特征和时空预测：
27、使用注意力机制融合将空间特征hv(l)与未来时间段预测序列{aod^vm,t′}结合，fv＝∑t′＝n+1t′βt′(aod^vm,t′,hv(l))；
28、其中βt′是注意力分配权重；
29、将融合后的时空特征fv输入到多层感知机mlp中进行深度学习，aod^vm,t″＝fp(fv；θ)；
30、其中，fp表示预测模型的前向传播函数，θ为模型参数，t″>t′为更远未来的预测时间点；
31、在模型的输出层，使用线性函数作为激活函数，输出层的计算为：aod^vm,t″＝wtfv+b；
32、其中，w是权重矩阵，b是偏置项，fv是输入到输出层的融合特征；
33、训练时的损失函数使用均方误差，公式为：mse(y^,y)＝1/∣d∣∑(x,y)∈d(y^(x)-y)2；
34、其中，d是训练集，y^(x)是模型对输入x的预测值，y是对应的真实值。一种引入影响因子的气溶胶光学厚度时空演变预测方法，所述方法包括：
35、s1’、通过随机森林(rf)和地理加权回归模型(gwr)结合分析各因素对＝气溶胶光学厚度的影响程度，将影响因子数据处理成与时空预测模型输入格式一致，确保可以与aod数据匹配；
36、s2’、将各影响因子在当前时空点的最终影响程度组合成一个向量，表示该时空点下所有影响因子的整本文档来自技高网...
【技术保护点】
1.一种气溶胶光学厚度时空演变预测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的一种气溶胶光学厚度时空演变预测方法，其特征在于，
3.根据权利要求1所述的一种气溶胶光学厚度时空演变预测方法，其特征在于，气溶胶光学厚度数据进行预处理：将气溶胶光学厚度数据转换为图结构，连接节点，计算节点间的邻接矩阵，量化节点间的空间相关性，所述节点为各地理格点的气溶胶光学厚度测量值；
4.根据权利要求1所述的一种气溶胶光学厚度时空演变预测方法，其特征在于，使用图卷积网络进行空间特征提取：
5.根据权利要求1所述的一种气溶胶光学厚度时空演变预测方法，其特征在于，使用自注意力机制的序列到序列模型获取来时间段预测序列：
6.根据权利要求1所述的一种气溶胶光学厚度时空演变预测方法，其特征在于，时空综合特征和时空预测：
7.根据权利要求1所述一种气溶胶光学厚度时空演变预测方法的一种引入影响因子的气溶胶光学厚度时空演变预测方法，其特征在于，所述方法包括：
8.根据权利要求7所述的一种引入影响因子的气溶胶光学厚度时空演
9.根据权利要求8所述的一种引入影响因子的气溶胶光学厚度时空演变预测方法，其特征在于，通过随机森林模型RF和地理加权回归模型GWR结合分析对气溶胶光学厚度的影响程度：
10.一种气溶胶光学厚度潜在来源分析方法，其特征在于，所述方法包括：
...【技术特征摘要】
1.一种气溶胶光学厚度时空演变预测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的一种气溶胶光学厚度时空演变预测方法，其特征在于，
3.根据权利要求1所述的一种气溶胶光学厚度时空演变预测方法，其特征在于，气溶胶光学厚度数据进行预处理：将气溶胶光学厚度数据转换为图结构，连接节点，计算节点间的邻接矩阵，量化节点间的空间相关性，所述节点为各地理格点的气溶胶光学厚度测量值；
4.根据权利要求1所述的一种气溶胶光学厚度时空演变预测方法，其特征在于，使用图卷积网络进行空间特征提取：
5.根据权利要求1所述的一种气溶胶光学厚度时空演变预测方法，其特征在于，使用自注意力机制的序列到序列模型获取来时间段预测序列：<...
【专利技术属性】
技术研发人员：张云菲，夏倩柔，陈香月，王天娇，元雪婷，邢瀚晨，祖力克尔江·阿布都热西提，迪丽奴尔·艾力，杜梦迪，
申请(专利权)人：新疆维吾尔自治区环境保护科学研究院，
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。