【技术实现步骤摘要】
本专利技术属于大气参数时空分布计算，具体为一种基于人工智能和多源数据融合小时时空无缝aod的算法。
技术介绍
1、遥感多源数据融合技术通过结合多种数据源，提高遥感数据的时空覆盖，成为解决大气污染物浓度预测难题的有效手段，该技术基于机器学习，对不同数据源进行同化、训练和融合，以增加目标数据的空间覆盖率，近年来，多源融合技术逐渐应用于大气污染物浓度的监测和数据集制作，气溶胶厚度与大气状态密切相关，直接反映大气的浑浊度和可见度，现有技术生产的时空无缝aod数据时间分辨率较低，是技术发展的重点和难点，尽管已有一些相关技术用于气溶胶厚度的实时监测，但在恶劣天气下仍存在准确性问题，因此提出一种基于机器学习的多源数据融合方法，以卫星遥感aod数据为基础结合多来源数据对aod进行填充达到时空无缝。
技术实现思路
1、本专利技术的目的在于提供一种基于人工智能和多源数据融合小时时空无缝aod的算法，以解决上述
技术介绍
中提出的问题。
2、为了实现上述目的，本专利技术提供如下技术方案：一种基于人工智能和多源数据融合小时时空无缝aod的算法，
3、该算法步骤如下：
4、s1，多源数据的获取：从各种来源收集与空气质量相关的数据，确保数据的多样性和全面性；
5、s2，数据清洗和预处理：原始数据进行必要的处理，有格式转换、缺失值填充、异常值处理，确保数据的质量和准确性；
6、s3，训练数据集构建：对预处理后的数据进行整合，构建一个统一的训练数据集，为后续
7、s4，机器学习模型训练：选择随机森林模型进行学习算法，对训练数据集进行训练，学习数据中的内在规律和模式；
8、s5，模型验证与评价：使用独立的验证数据集对训练好的模型进行评估，通过性能指标，来衡量模型的预测精度和稳定性；
9、s6，数据结果可视化：由模型填充得到的时空无缝aod数据以直观的图形或图像形式呈现，展示aod的空间分布、变化趋势以及预测结果。
10、优选地，所述s1中多源数据的获取是对aod数据进行获取，同时采用maiac、葵花8号和9号的l3级aod产品，以提高时间分辨率，maiac数据作为基准，空间分辨率为1km，葵花数据空间分辨率为5km，同时采用cams的aod模式预报数据，时间分辨率高但精度低，这些数据构建了时空无缝的aod数据，为相关应用提供支持。
11、优选地，所述s2中的数据清洗和预处理是需要对各种来源的数据进行数据清洗和数据预处理保证所有数据的准确性，以及在输入机器学习模型时的空间分辨率相同，保证模型学习的准确性。
12、优选地，所述s3中训练数据集构建是根据s2中对多源数据在经过预处理后，空间分辨率相同、空间位置对应，构建数据集方便机器学习训练时的数据读取，除多源数据外，还需要计算得到数据的空间特征和时间特征，也存入数据集中。
13、优选地，所述空间特征和时间特征，
14、空间特征的计算如下：
15、ps＝(lon,lat,dp1,dp2,dp3,dp4,dp5,dp6,dp7,dp8,dp9)
16、其中dpi为该点到各个基准点的距离；
17、
18、其中a1、a2为两点的经度所对应的弧度，b1、b2为两点的维度对应的弧度，r为地球半径；
19、时间特征是计算需要将一年365天化为正弦函数，这样每年的最后一天和每一年的第一天连续起来，用正弦函数来代表这一天在每年中的哪一天作为时间特征。
20、优选地，所述机器学习模型训练是将数据集输入到时空随机森林模型中进行训练，该模型采用了先进的机器学习技术，能够有效地整合多源数据，并从中提取出有价值的信息，在模型中，卫星遥感aod数据被用作因变量，这是卫星遥感能够提供大范围、连续的空气质量监测数据，为模型的训练提供了稳定、可靠的基础，而其他多源数据则作为自变量，为模型提供了更具体、详细的环境参数和影响因素，最终通过训练得到以卫星遥感aod为基准的时空无缝aod数据。
21、优选地，所述模型验证与评价是采用十折交叉验证的方法，这种方法将数据集随机分成10份，每次使用其中的9份进行训练，剩余的1份用于验证，通过这种反复验证的方式，更全面地评估模型的泛化能力，避免过拟合或欠拟合的情况。
22、优选地，所述数据的可视化是将复杂的数据转化为直观的图形或图像的过程，以便更好地理解和分析数据，对于由模型填充得到的时空无缝aod数据，可视化以图像的形式呈现，帮助我们更好地了解aod的空间分布和变化趋势。
23、本专利技术的有益效果如下：
24、本专利技术通过利用多源数据融合技术，生成高时间分辨率的逐小时时空无缝aod数据，为实时系统提供有力支持，突破了传统数据获取方式的限制，提高了数据的准确性和可靠性，在数据来源方面，同时具有广泛性，不仅包括常见的卫星aod、地面监测站数据和气象数据，还结合了土地分类、植被指数、夜间灯光、道路交通和人类足迹多元社会经济数据源，这些数据源的加入，使得本专利技术能够更全面地反映空气质量状况，同时，通过最大化利用卫星aod和地面观测数据，显著提高了时空无缝aod的预测准确性，这种技术为环境保护和公共健康领域的发展提供了有力支持，为决策者提供了更加科学、准确的参考依据。
本文档来自技高网...【技术保护点】
1.一种基于人工智能和多源数据融合小时时空无缝AOD的算法，其特征在于：
2.根据权利要求1所述的一种基于人工智能和多源数据融合小时时空无缝AOD的算法，其特征在于：所述S1中多源数据的获取是对AOD数据进行获取，同时采用MAIAC、葵花8号和9号的L3级AOD产品，以提高时间分辨率，MAIAC数据作为基准，空间分辨率为1km，葵花数据空间分辨率为5km，同时采用CAMS的AOD模式预报数据，时间分辨率高但精度低，这些数据构建了时空无缝的AOD数据，为相关应用提供支持。
3.根据权利要求1所述的一种基于人工智能和多源数据融合小时时空无缝AOD的算法，其特征在于：所述S2中的数据清洗和预处理是需要对各种来源的数据进行数据清洗和数据预处理保证所有数据的准确性，以及在输入机器学习模型时的空间分辨率相同，保证模型学习的准确性。
4.根据权利要求1所述的一种基于人工智能和多源数据融合小时时空无缝AOD的算法，其特征在于：所述S3中训练数据集构建是根据S2中对多源数据在经过预处理后，空间分辨率相同、空间位置对应，构建数据集方便机器学习训练时的数据读取，除多
5.根据权利要求4所述的一种基于人工智能和多源数据融合小时时空无缝AOD的算法，其特征在于：所述空间特征和时间特征具体为：
6.根据权利要求1所述的一种基于人工智能和多源数据融合小时时空无缝AOD的算法，其特征在于：所述机器学习模型训练是将数据集输入到时空随机森林模型中进行训练，该模型采用了先进的机器学习技术，能够有效地整合多源数据，并从中提取出有价值的信息，在模型中，卫星遥感AOD数据被用作因变量，这是卫星遥感能够提供大范围、连续的空气质量监测数据，为模型的训练提供了稳定、可靠的基础，而其他多源数据则作为自变量，为模型提供了更具体、详细的环境参数和影响因素，最终通过训练得到以卫星遥感AOD为基准的时空无缝AOD数据。
7.根据权利要求1所述的一种基于人工智能和多源数据融合小时时空无缝AOD的算法，其特征在于：所述模型验证与评价是采用十折交叉验证的方法，这种方法将数据集随机分成10份，每次使用其中的9份进行训练，剩余的1份用于验证，通过这种反复验证的方式，更全面地评估模型的泛化能力，避免过拟合或欠拟合的情况。
8.根据权利要求1所述的一种基于人工智能和多源数据融合小时时空无缝AOD的算法，其特征在于：所述数据的可视化是将复杂的数据转化为直观的图形或图像的过程，以便更好地理解和分析数据，对于由模型填充得到的时空无缝AOD数据，可视化以图像的形式呈现，帮助我们更好地了解AOD的空间分布和变化趋势。
...【技术特征摘要】
1.一种基于人工智能和多源数据融合小时时空无缝aod的算法，其特征在于：
2.根据权利要求1所述的一种基于人工智能和多源数据融合小时时空无缝aod的算法，其特征在于：所述s1中多源数据的获取是对aod数据进行获取，同时采用maiac、葵花8号和9号的l3级aod产品，以提高时间分辨率，maiac数据作为基准，空间分辨率为1km，葵花数据空间分辨率为5km，同时采用cams的aod模式预报数据，时间分辨率高但精度低，这些数据构建了时空无缝的aod数据，为相关应用提供支持。
3.根据权利要求1所述的一种基于人工智能和多源数据融合小时时空无缝aod的算法，其特征在于：所述s2中的数据清洗和预处理是需要对各种来源的数据进行数据清洗和数据预处理保证所有数据的准确性，以及在输入机器学习模型时的空间分辨率相同，保证模型学习的准确性。
4.根据权利要求1所述的一种基于人工智能和多源数据融合小时时空无缝aod的算法，其特征在于：所述s3中训练数据集构建是根据s2中对多源数据在经过预处理后，空间分辨率相同、空间位置对应，构建数据集方便机器学习训练时的数据读取，除多源数据外，还需要计算得到数据的空间特征和时间特征，也存入数据集中。
5.根据权利要求4所述的一种基于人工智能和多源数据融合小时时空无缝aod的算法，其特征在...
【专利技术属性】
技术研发人员：曹世凯，姚宇飞，李德琦，李春清，孙天宝，边帅鹏，王振楠，张传东，
申请(专利权)人：中科宇图科技股份有限公司，
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。