大气污染的卫星遥感监测方法、装置和计算机可读介质与流程

本发明涉及数据处理的技术领域，尤其是涉及一种大气污染的卫星遥感监测方法、装置和计算机可读介质。

背景技术

大气污染环境治理越来越受到各级部门的重视，利用卫星遥感监测大气pm颗粒物的监测手段和方法也多种多样。气溶胶光学厚度(aod)作为大气气溶胶光学特征最基本的参量，是气溶胶消光系数从地面到大气层顶的积分，表征无云大气铅直气柱中气溶胶散射造成的消光程度，与大气中的气溶胶质量浓度、消光系数以及吸湿增长参数等相关。目前卫星遥感探测气溶胶技术在海洋和浓密植被覆盖的陆地地区取得了较好的效果，但对于城市等高反射率区域效果并不理想，较高的地表反射率是城市地区aod遥感反演的瓶颈。

相关研究表明，modisaod与地面pm2.5质量浓度具有较好的相关性，可以通过建立回归方程反演地面气溶胶质量浓度。一些研究者曾对modisaod与可吸入颗粒物pm10进行研究；但是，目前modis产品在复杂下垫面区域仍存在较大误差，且季节均值或月均值的误差存在叠加放大，利用卫星反演地面颗粒物浓度势必引入较大误差。

技术实现要素：

有鉴于此，本发明的目的在于提供一种大气污染的卫星遥感监测方法、装置和计算机可读介质，缓解了现有的污染物监测技术监测精度较低的技术问题。

第一方面，本发明实施例提供了一种大气污染的卫星遥感监测方法，包括：获取目标监控区域的卫星遥感数据，其中，所述卫星遥感数据中包括暗目标区域的卫星遥感数据和亮目标区域的卫星遥感数据；对所述暗目标区域的卫星遥感数据和所述亮目标区域的卫星遥感数据分别进行反演计算，以确定所述目标监控区域的气溶胶光学厚度；基于所述目标监控区域的气溶胶光学厚度和所述目标监控区域的颗粒物浓度的监测数据构建所述目标监控区域的颗粒物浓度模型；通过所述颗粒物浓度模型，反演所述目标监控区域的近地面颗粒物浓度，并通过叠加地面公里方格图层，筛选得到所述目标监控区域的靶向方格，并构建靶向方格分布专题图，所述靶向方格分布专题图用于反应所述目标监控区域的污染情况。

进一步地对所述暗目标区域的卫星遥感数据和所述亮目标区域的卫星遥感数据分别进行反演计算，以确定所述目标监控区域的气溶胶光学厚度包括：通过暗像元算法对所述暗目标区域的卫星遥感数据进行反演计算，得到所述暗目标区域气溶胶光学厚度；通过深蓝算法对所述亮目标区域的卫星遥感数据进行反演计算，得到所述亮目标区域的气溶胶光学厚度。

进一步地，基于所述目标监控区域的气溶胶光学厚度和所述目标监控区域的颗粒物浓度的监测数据构建所述目标监控区域的颗粒物浓度模型包括：基于所述气溶胶光学厚度和所述颗粒物浓度的监测数据构建混合效应模型；其中，所述混合效应模型用于表征气溶胶光学厚度和颗粒物浓度之间的线性关系；基于所述气溶胶光学厚度和所述颗粒物浓度构建地理加权回归模型；将所述混合效应模型和所述地理加权回归模型确定为所述目标监控区域的颗粒物浓度模型，其中，所述颗粒物浓度的监测数据包括：pm2.5浓度监测数据和pm10浓度监测数据。

进一步地，基于所述气溶胶光学厚度和所述颗粒物浓度的监测数据构建混合效应模型包括：通过公式pms,t＝(b0+b0,t)+(b1+b1,t)×aods,t+st构建所述混合效应模型；其中，pms,t表示在第s个观测站点的第t天的颗粒物浓度的观测值；aods,t表示格网中对应第s个观测站点在第t天的气溶胶光学厚度的数值；b0和b0,t分别表示固定截距和随机的截距；b1和b1,t分别表示气溶胶光学厚度的固定斜率和随机斜率；st表示第s个观测站点的随机效应的影响。

进一步地，基于所述气溶胶光学厚度和所述颗粒物浓度构建地理加权回归模型包括：通过公式pm_resis,t＝β0,s+β1,taodst+εst构建所述地理加权回归模型；其中，pm_resis,t表示利用所述混合效应模型得到的第t天，第s个观测站点的残差部分，aodst表示第t天第s个观测站点的气溶胶光学厚度的数值；β0,s和β1,t表示特定地理位置的截距与斜率。

进一步地，所述颗粒物浓度模型包括pm2.5浓度模型和pm10浓度模型，通过所述颗粒物浓度模型，反演所述目标监控区域的近地面颗粒物浓度，并通过叠加地面公里方格图层，筛选得到所述目标监控区域的靶向方格，并构建靶向方格分布专题图包括：基于所述pm2.5浓度模型生成所述目标监控区域的第一分布专题图；基于所述pm10浓度模型生成所述目标监控区域的第二分布专题图；对所述第一分布专题图和所述第二分布专题图进行方格化处理，得到多个方格；对所述多个方格中pm2.5浓度值和/或pm10浓度值分别设定阈值；基于所述阈值从所述多个方格中选择靶向方格，并基于所述靶向方格构建靶向方格分布专题图。

进一步地，基于所述阈值从所述多个方格中选择靶向方格包括：如果所述第一分布专题图中的第i个方格所对应的pm2.5浓度值大于第一阈值，且所述第二分布专题图中的第i个方格所对应的pm10浓度值大于第二阈值，则将所述第i个方格确定为备选靶向方格，，并从所述备选靶向方格中选择所述靶向方格；或者，如果所述第一分布专题图中的第i个方格所对应的pm2.5浓度值小于第三阈值，且所述第二分布专题图中的第i个方格所对应的pm10浓度值小于第四阈值，则将所述第i个方格确定为备选靶向方格，并从所述备选靶向方格中选择所述靶向方格；或者，如果所述第一分布专题图中的第i个方格所对应的pm2.5浓度值在第一预设取值区间内，且所述第二分布专题图中的第i个方格所对应的pm10浓度值在第二预设取值区间内，则将所述第i个方格确定为备选靶向方格，并从所述备选靶向方格中选择所述靶向方格；其中，所述第一分布专题图中的第i个方格与所述第二分布专题图中的第i个方格相对应；从所述备选靶向方格中选择所述靶向方格。

进一步地从所述备选靶向方格中选择所述靶向方格包括：如果所述备选靶向方格的数量大于预设数量，则按照pm2.5浓度值或者所述pm10浓度值对所述备选靶向方格进行降序或者升序排序，并将前n个备选靶向方格作为所述靶向方格；如果所述备选靶向方格的数量小于预设数量，则将所述备选靶向方格作为所述靶向方格。

第二方面，本发明实施例提供了一种大气污染的卫星遥感监测装置，包括：获取单元，用于获取目标监控区域的卫星遥感数据，其中，所述卫星遥感数据中包括暗目标区域的卫星遥感数据和亮目标区域的卫星遥感数据；反演计算单元，用于对所述暗目标区域的卫星遥感数据和所述亮目标区域的卫星遥感数据分别进行反演计算，以确定所述目标监控区域的气溶胶光学厚度；构建单元，用于基于所述目标监控区域的气溶胶光学厚度和所述目标监控区域的颗粒物浓度的监测数据构建所述目标监控区域的颗粒物浓度模型；选择单元，用于通过所述颗粒物浓度模型，反演所述目标监控区域的近地面颗粒物浓度，并通过叠加地面公里方格图层，筛选得到所述目标监控区域的靶向方格，并构建靶向方格分布专题图，所述靶向方格分布专题图用于反应所述目标监控区域的污染情况。

第三方面，本发明实施例提供了一种具有处理器可执行的非易失的程序代码的计算机可读介质，所述程序代码使所述处理器执行上述第一方面中任一所述方法。

在本发明实施例中，首先，获取目标监控区域的卫星遥感数据；然后，对暗目标区域的卫星遥感数据和亮目标区域的卫星遥感数据分别进行反演计算，以确定目标监控区域的气溶胶光学厚度；之后，基于目标监控区域的气溶胶光学厚度和所述目标监控区域的颗粒物浓度的监测数据构建所述目标监控区域的颗粒物浓度模型；最后，通过颗粒物浓度模型，从目标监控区域的公里方格中选择符合条件的靶向方格，并基于靶向方格构建靶向方格分布专题图。通过上述描述可知，在本实施例中，通过以方格作为统计维度，从目标监控区域的公里方格中选择靶向方格的方式，能够更加的准确的确定污染严重的区域，提高了污染物监测技术的监测精度，进而缓解了现有的污染物监测技术监测精度较低的技术问题。

本发明的其他特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。

为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。

附图说明

为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式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，下面描述中的附图是本发明的一些实施方式，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。

图1是根据本发明实施例的一种大气污染的卫星遥感监测方法的流程图；

图2是根据本发明实施例的一种目标监控区域的公里方格的示意图；

图3是根据本发明实施例的一种目标监控区域的靶向方格的示意图；

图4是根据本发明实施例的第一种可选地大气污染的卫星遥感监测方法的流程图；

图5是根据本发明实施例的第二种可选地大气污染的卫星遥感监测方法的流程图；

图6是根据本发明实施例的第三种可选地大气污染的卫星遥感监测方法的流程图；

图7是根据本发明实施例的一种大气污染的卫星遥感监测装置的示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合附图对本发明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一部分实施例，而不是全部的实施例。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前提下所获得的所有其他实施例，都属于本发明保护的范围。

实施例一：

根据本发明实施例，提供了一种大气污染的卫星遥感监测方法的实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。

图1是根据本发明实施例的一种大气污染的卫星遥感监测方法的流程图，如图1所示，该方法包括如下步骤：

步骤s102，获取目标监控区域的卫星遥感数据，其中，所述卫星遥感数据的晴空像元中包括暗目标区域的卫星遥感数据和亮目标区域的卫星遥感数据；

需要说明的是，在本实施例中，卫星遥感数据为对原始遥感数据进行去云处理后得到的遥感数据。在得到去云处理后的遥感数据之后，可以根据光谱特征将目标监控区域的晴空像元划分为浓密植被区(即，暗目标区域)和亮地表地区(即，亮目标区域)，然后，将云处理后的遥感数据划分为浓密植被区的遥感数据(即，暗目标区域的卫星遥感数据)和亮地表地区的遥感数据(即，亮目标区域的卫星遥感数据)。

步骤s104，对所述暗目标区域的卫星遥感数据和所述亮目标区域的卫星遥感数据分别进行反演计算，以确定所述目标监控区域的气溶胶光学厚度；

步骤s106，基于所述目标监控区域的气溶胶光学厚度和所述目标监控区域的颗粒物浓度的监测数据构建所述目标监控区域的颗粒物浓度模型；

步骤s108，通过所述颗粒物浓度模型，反演所述目标监控区域的近地面颗粒物浓度，并通过叠加地面公里方格图层，筛选得到所述目标监控区域的靶向方格，并构建靶向方格分布专题图，所述靶向方格分布专题图用于反应所述目标监控区域的污染情况。

在本发明实施例中，首先，获取目标监控区域的卫星遥感数据；然后，对暗目标区域的卫星遥感数据和亮目标区域的卫星遥感数据分别进行反演计算，以确定目标监控区域的气溶胶光学厚度；之后，基于目标监控区域的气溶胶光学厚度和所述目标监控区域的颗粒物浓度的监测数据构建所述目标监控区域的颗粒物浓度模型；最后，通过颗粒物浓度模型，反演目标监控区域的近地面颗粒物浓度，并通过叠加地面公里方格图层，筛选得到所述目标监控区域的靶向方格，并基于靶向方格构建靶向方格分布专题图。通过上述描述可知，在本实施例中，通过以方格作为统计维度，从目标监控区域的公里方格中选择靶向方格的方式，能够更加的准确的确定污染严重的区域，提高了污染物监测技术的监测精度，进而缓解了现有的污染物监测技术监测精度较低的技术问题。

通过上述描述可知，在本实施例中，首先，获取目标监控区域的卫星遥感数据，其中，该卫星遥感数据可以为葵花8号卫星上的advancedhimawairimager(ahi)成像仪采集到的遥感图像数据。ahi成像仪可以采集城区等亮地表和冬季非浓密植被区域的原始遥感数据经过去云处理之后得到的遥感数据，其中，城区等亮地表和冬季非浓密植被区域为上述亮目标区域。

具体地，在本实施例中，可以实时获取葵花8号卫星的ahi成像仪采集到的原始遥感数据，然后对原始遥感数据进行去云处理，得到步骤s102中的卫星遥感数据。在得到上述目标监控区域的卫星遥感数据之后，就可以对所述暗目标区域的卫星遥感数据和所述亮目标区域的卫星遥感数据分别进行反演计算，以确定所述目标监控区域的气溶胶光学厚度，具体包括如下步骤：

步骤s1041，通过暗像元算法对所述暗目标区域的卫星遥感数据进行反演计算，得到所述暗目标区域气溶胶光学厚度；其中，暗目标区域又可以称为浓密植被区；

步骤s1042，通过深蓝算法对所述亮目标区域的卫星遥感数据进行反演计算，得到所述亮目标区域的气溶胶光学厚度；其中，亮目标区域又可以称为亮地表地区。

具体地，在本实施例中，通过暗像元算法对暗目标区域(即，浓密植被区)的卫星遥感数据进行反演计算，其中，暗像元算法的原理是在气溶胶光学厚度较低的情况下，微小的地表反射率估算误差可造成较大的气溶胶光学厚度反演误差。

然后，通过深蓝算法对亮目标区域(即，亮地表地区)的卫星遥感数据进行反演计算，其中，深蓝算法(deepblue)是利用在蓝波段大气反射较强，地表反射较弱的特点，假定同期的地表反射率不变，基于晴好天的地表反射率反演气溶胶，反演误差在20-30％。其中，目标监控区域的矢量值用于表征目标监控区域的区域信息。

在得到目标监控区域的气溶胶光学厚度之后，就可以基于所述目标监控区域的气溶胶光学厚度和所述目标监控区域的颗粒物浓度的监测数据构建所述目标监控区域的颗粒物浓度模型，具体包括如下步骤：

步骤s1061，基于所述气溶胶光学厚度和所述颗粒物浓度的监测数据构建混合效应模型；其中，所述混合效应模型用于表征气溶胶光学厚度和颗粒物浓度之间的线性关系；

步骤s1062，基于所述气溶胶光学厚度和所述颗粒物浓度构建地理加权回归模型；

步骤s1063，将所述混合效应模型和所述地理加权回归模型确定为所述目标监控区域的颗粒物浓度模型。

需要说明的是，在本实施例中，可以实时获取目标监控区域的卫星遥感数据，并对暗目标区域的卫星遥感数据和亮目标区域的卫星遥感数据分别进行反演计算。然后，对每隔预设时间段对反演计算结果进行融合，取平均值，进而，将均值结果和目标监控区域的颗粒物浓度的监测数据构建所述目标监控区域的颗粒物浓度模型。例如，将2018年1月10日10:00—14:00时间段内每10分钟一次的葵花8号卫星采集到的卫星遥感数据进行反演计算，得到反演计算结果(即，气溶胶光学厚度)，然后，对反演计算结果进行融合，取平均值，得到均值结果。

具体地，在本实施例中，可以通过公式pms,t＝(b0+b0,t)+(b1+b1,t)×aods,t+st构建所述混合效应模型；其中，pms,t表示在第s个观测站点的第t天的颗粒物浓度的观测值；aods,t表示格网中对应第s个观测站点在第t天的气溶胶光学厚度的数值；b0和b0,t分别表示固定截距和随机的截距；b1和b1,t分别表示气溶胶光学厚度的固定斜率和随机斜率；st表示第s个观测站点的随机效应的影响。

然后，通过公式pm_resis,t＝β0,s+β1,taodst+εst构建所述地理加权回归模型；其中，pm_resis,t表示利用所述混合效应模型得到的第t天，第s个观测站点的残差部分，aodst表示第t天第s个观测站点的气溶胶光学厚度的数值；β0,s和β1,t表示特定地理位置的截距与斜率，εst第t天第s个观测站点的误差值。

具体地，例如，获取石家庄市的pm2.5地基监测数据(即颗粒物浓度)，然后，利用混合效应模型对aod-pm2.5每天的关系进行建模，该模型通过对aod-pm2.5之间的线性关系建立不同的斜率与截距项来考虑时间变化特征。

具体建模公式为：pms,t＝(b0+b0,t)+(b1+b1,t)×aods,t+st，其中，pms,t表示在第s个观测站点第t天的pm2.5浓度观测值；aods,t表示格网中对应第s个观测站点在第t天的aod值；b0和b0,t分别表示固定截距和随机的截距；b1和b1,t分别表示aod的固定斜率和随机斜率；st表示第s个观测站点的随机效应的影响。

然后，基于石家庄市的pm2.5地基监测数据和石家庄市的气溶胶光学厚度建立地理加权回归模型。地理加权回归在时间尺度上是单一的，也就是说每次地理加权回归只能针对一个时间截面。

建立模型方程如下：pm_resis,t＝β0,s+β1,taodst+εst，其中pm_resis,t表示利用混合效应模型得到的第t天，第s个观测站点的残差部分，aodst表示第t天第s个观测站点的aod值，β0,s和β1,t表示特定地理位置的截距与斜率。

在按照上述处理方式得到目标监控区域的颗粒物浓度模型之后，就可以通过所述颗粒物浓度模型，反演所述目标监控区域的近地面颗粒物浓度，并通过叠加地面公里方格图层，筛选得到所述目标监控区域的靶向方格，并基于靶向方格构建靶向方格分布专题图，具体包括如下步骤：

步骤s1081，基于所述pm2.5浓度模型生成所述目标监控区域的第一分布专题图；

步骤s1082，基于所述pm10浓度模型生成所述目标监控区域的第二分布专题图；

步骤s1083，对所述第一分布专题图和所述第二分布专题图进行方格化处理，得到多个方格；

步骤s1084，对多个方格中pm2.5浓度值和/或pm10浓度值分别设定阈值；

步骤s1085，基于阈值从所述多个方格中选择靶向方格，并基于靶向方格构建靶向方格分布专题图。

需要说明的是，在本实施例中，颗粒物浓度模型包括pm2.5浓度模型和pm10浓度模型。具体地，可以通过上述步骤s1061至步骤s1063所描述的方法构建pm2.5浓度模型和pm10浓度模型。当构建pm2.5浓度模型时，颗粒物浓度的监测数据为pm2.5浓度的监测数据；当构建pm10浓度模型时，颗粒物浓度的监测数据为pm10浓度的监测数据，本实施例不再一一介绍。

具体地，在本实施例中，可以基于pm2.5浓度模型生成目标监控区域的第一分布专题图，并基于pm10浓度模型生成所述目标监控区域的第二分布专题图。之后，结合第一分布专题图中公里方格和第二分布专题图中公里方格的pm2.5浓度值和pm10浓度值，从多个公里方格中选择靶向方格。此时，第一分布专题图的多个方格与第二分布专题图的多个方格是对应的。例如，如果方格a在第一分布专题图中的位置与方格b在第二分布专题图中的位置相同，则确定方格a与方格b相对应。之后，就可以从多个方格中选择靶向方格，并基于所述靶向方格构建靶向方格分布专题图。

可选地，上述阈值包括第一阈值(或者，第三阈值和第一预设取值区间)和第二阈值(或者，第四阈值和第二预设取值区间)，其中，第一阈值(或者，第三阈值和第一预设取值区间)为pm2.5浓度值的阈值，第二阈值(或者，第四阈值和第二预设取值区间)为pm10浓度值的阈值。基于此，基于阈值从所述多个方格中选择靶向方格包括以下几种方式：

方式一，如果所述第一分布专题图中的第i个方格所对应的pm2.5浓度值大于第一阈值，且所述第二分布专题图中的第i个方格所对应的pm10浓度值大于第二阈值，则将所述第i个方格确定为备选靶向方格，并从所述备选靶向方格中选择所述靶向方格，其中，所述第一分布专题图中的第i个方格与所述第二分布专题图中的第i个方格相对应。

针对上述方式一，在本实施例中，可以按照第一阈值和第二阈值从多个方格中选择污染较为严重的方格作为备选靶向方格，从而根据备选靶向方格中选择靶向方格，以根据选择出的靶向方格确定污染较为严重的区域。

方式二、如果所述第一分布专题图中的第i个方格所对应的pm2.5浓度值小于第三阈值，且所述第二分布专题图中的第i个方格所对应的pm10浓度值小于第四阈值，则将所述第i个方格确定为备选靶向方格，并从所述备选靶向方格中选择所述靶向方格，并从所述备选靶向方格中选择所述靶向方格，其中，所述第一分布专题图中的第i个方格与所述第二分布专题图中的第i个方格相对应。

针对上述方式二，在本实施例中，可以按照第三阈值和第四阈值从多个方格中选择空气质量最优的方格作为备选靶向方格，从而根据备选靶向方格中选择靶向方格，以根据选择出的靶向方格确定空气质量最优的区域。

方式三、如果所述第一分布专题图中的第i个方格所对应的pm2.5浓度值在第一预设取值区间内，且所述第二分布专题图中的第i个方格所对应的pm10浓度值在第二预设取值区间内，则将所述第i个方格确定为备选靶向方格，并从所述备选靶向方格中选择所述靶向方格，并从所述备选靶向方格中选择所述靶向方格，其中，所述第一分布专题图中的第i个方格与所述第二分布专题图中的第i个方格相对应。

针对上述方式二，在本实施例中，可以按照第一预设取值区间和第二预设取值区间从多个方格中选择任意污染浓度的方格作为备选靶向方格，从而根据备选靶向方格中选择靶向方格，以根据选择出的靶向方格确定目标监控区域的污染分布情况，即哪些地区污染较为严重，哪些地区污染较不严重等。

需要说明的是，在本实施例中，方格为按照预设规则对目标监控区域划分的。例如，预先选择方格的大小，然后，按照方格的大小对目标监控区域进行均分，得到多个方格。

又例如，针对每个目标监控区域，可以按照该目标监控区域中的行政区域进行划分，比如按照县级行政区域对目标监控区域进行划分，针对每个县，均按照相同或者不同的方式划分成多个方格。例如，某县a按照1公里*1公里的大小将县a划分成多个方格，某县b，按照2公里*2公里(或者1公里*1公里)的大小将县b划分成多个方格。具体划分方式可以根据实际需要来进行设定。

又例如，针对每个目标监控区域，可以按照人类活动的密集程度将目标监控区域划分成多个方格。比如，目标监控区域中某区域c人类活动密集程度较低，此时，可以按照2公里*2公里的大小将区域c划分成多个方格；比如，目标监控区域中某区域d人类活动密集程度较高，此时，可以按照1公里*1公里的大小将区域d划分成多个方格。

进一步需要说明的是，在本实施例中，除了方格之外，还可以将第一分布专题图和所述第二分布专题图划分成正六边形。

其中，从所述备选靶向方格中选择所述靶向方格包括：如果所述备选靶向方格的数量大于预设数量，则按照pm2.5浓度值或者所述pm10浓度值对所述备选靶向方格进行降序或者升序排序，并将前n个备选靶向方格作为靶向方格；如果所述备选靶向方格的数量小于预设数量，则将所述备选靶向方格作为靶向方格。

在本实施例中，大气污染“热点”方格遥感监控，主要是以区域内pm10浓度分布图、石家庄市pm2.5浓度分布图的专题成果为基础，以1公里*1公里方格为统计维度，以颗粒物浓度阈值(即第一阈值和第二阈值)设定或按照大气颗粒物浓度排序选取浓度最高的30-50个(预设数量)靶向方格的方式，对超过一定颗粒物浓度阈值(即第一阈值和第二阈值)的方格设定为“靶向方格”，并展示“靶向方格”区域分布情况。

具体地，基于目标监控区域的颗粒物浓度模型生成目标监控区域的颗粒物浓度分布专题图，其中，颗粒物浓度分布专题图包括pm2.5和pm10浓度分布专题图。其中，颗粒物浓度分布专题图中的公里方格的大小可以为1km×1km，公里方格的数量假定为n，如图2所示。

然后，对n个公里方格的pm2.5、pm10方格浓度进行排序，基于用户设定的颗粒物浓度阈值(即第一阈值和第二阈值)和数量(即，预设数量)，选取浓度值超过阈值的方格，同时结合用户设定的靶向方格的预设数量，选择满足两个条件的方格作为靶向方格。

最后，获取靶向方格的分布及数量，并生产靶向方格遥感监测专题图，如图3所示。

本发明所提供的方法，利用卫星、无人机、车载移动终端和地面空气质量监测数据等多源遥感数据以及污染源数据、气象监测数据等辅助数据对区域大气环境进行监测，获得区域大气污染状况。通过叠加方格图层，利用认知计算技术和大数据分析技术，确定30-50个“靶向方格”(最重污染区域)。

再结合高分影像、污染企业、土地利用等数据，进一步进行城市建筑裸地、污染企业偷排、积秸秆焚烧火点等方面的监测；并确定重点核查区，将监测成果通过app软件、微信群、qq群等多种渠道向环保业务部门和相关责任人推送，辅助相关人员进行业务决策和执法检查。

实施例二：

图4是根据本发明实施例的第一种可选地大气污染的卫星遥感监测方法的流程图，如图4所示，该方法的过程描述如下：

获取目标监控区域的卫星遥感数据；确定卫星遥感数据的计算算法，其中，通过暗像元算法对所述暗目标区域的卫星遥感数据进行反演计算，得到第一气溶胶光学厚度；通过深蓝算法对所述亮目标区域的卫星遥感数据进行反演计算，得到第二气溶胶光学厚度；具体过程如上所述，此处不再赘述。

实施例三：

图5是根据本发明实施例的第二种可选地大气污染的卫星遥感监测方法的流程图，如图5所示，该方法的过程描述如下：

获取颗粒物浓度的监测数据和实施例二中确定出的目标监控区域的气溶胶光学厚度，对颗粒物浓度的监测数据和目标监控区域的气溶胶光学厚度进行空间相关性研究。之后，基于所述气溶胶光学厚度和所述颗粒物浓度的监测数据构建混合效应模型；其中，所述混合效应模型用于表征气溶胶光学厚度和颗粒物浓度之间的线性关系；基于所述气溶胶光学厚度和所述颗粒物浓度构建地理加权回归模型；将所述混合效应模型和所述地理加权回归模型确定为所述目标监控区域的颗粒物浓度模型。具体过程如上所述，此处不再赘述。

实施例四：

图6是根据本发明实施例的第三种可选地大气污染的卫星遥感监测方法的流程图，如图6所示，该方法的过程描述如下：

基于所述pm2.5浓度模型生成所述目标监控区域的第一分布专题图；并基于所述pm10浓度模型生成所述目标监控区域的第二分布专题图。

对所述第一分布专题图和所述第二分布专题图进行方格化处理，得到多个方格，其中，所述多个方格中每个方格的尺寸为1公里*1公里。

对第一分布专题图中各个方格的pm2.5浓度值进行排序，得到第一排序结果，以及对第二分布专题图中各个方格的pm10浓度值进行排序，得到第二排序结果。

将第一排序结果中的各个pm2.5浓度值与第一阈值进行比较，并将第二排序结果中的各个pm10浓度值与第二阈值进行比较。

如果所述第一分布专题图中的第i个方格所对应的pm2.5浓度大于第一阈值，且所述第二分布专题图中的第i个方格所对应的pm10浓度大于第二阈值，则将所述第i个方格确定为备选靶向方格，其中，所述第一分布专题图中的第i个方格与所述第二分布专题图中的第i个方格相对应；

判断备选靶向方格的数量是否大于预设数量；

如果所述备选靶向方格的数量大于预设数量，则按照pm2.5浓度或者所述pm10浓度对所述备选靶向方格进行降序或者升序排序，并将前n个备选靶向方格作为所述靶向方格；

如果所述备选靶向方格的数量小于预设数量，则将所述备选靶向方格作为所述靶向方格。

实施例五：

本发明实施例还提供了一种大气污染的卫星遥感监测装置，该大气污染的卫星遥感监测装置主要用于执行本发明实施例上述内容所提供的大气污染的卫星遥感监测方法，以下对本发明实施例提供的大气污染的卫星遥感监测装置做具体介绍。

图7是根据本发明实施例的一种大气污染的卫星遥感监测装置的示意图，如图7所示，该大气污染的卫星遥感监测装置主要包括获取单元10，反演计算单元20，构建单元30和选择单元40，其中：

获取单元10，用于获取目标监控区域的卫星遥感数据，其中，所述卫星遥感数据中包括暗目标区域的卫星遥感数据和亮目标区域的卫星遥感数据；

反演计算单元20，用于对所述暗目标区域的卫星遥感数据和所述亮目标区域的卫星遥感数据分别进行反演计算，以确定所述目标监控区域的气溶胶光学厚度；

构建单元30，用于基于所述目标监控区域的气溶胶光学厚度和所述目标监控区域的颗粒物浓度的监测数据构建所述目标监控区域的颗粒物浓度模型；

选择单元40，用于通过所述颗粒物浓度模型，反演所述目标监控区域的近地面颗粒物浓度，并通过叠加地面公里方格图层，筛选得到所述目标监控区域的靶向方格，并构建靶向方格分布专题图，所述靶向方格分布专题图用于反应所述目标监控区域的污染情况。

在本发明实施例中，首先，获取目标监控区域的卫星遥感数据；然后，对暗目标区域的卫星遥感数据和亮目标区域的卫星遥感数据分别进行反演计算，以确定目标监控区域的气溶胶光学厚度；之后，基于目标监控区域的气溶胶光学厚度和所述目标监控区域的颗粒物浓度的监测数据构建所述目标监控区域的颗粒物浓度模型；最后，通过颗粒物浓度模型，从目标监控区域的公里方格中选择靶向方格，并基于靶向方格构建靶向方格分布专题图。通过上述描述可知，在本实施例中，通过以方格作为统计维度，从目标监控区域的公里方格中选择靶向方格的方式，能够更加的准确的确定污染严重的区域，提高了污染物监测技术的监测精度，进而缓解了现有的污染物监测技术监测精度较低的技术问题。

可选地，反演计算单元20用于：通过暗像元算法对所述暗目标区域的卫星遥感数据进行反演计算，得到所述暗目标区域气溶胶光学厚度；通过深蓝算法对所述亮目标区域的卫星遥感数据进行反演计算，得到所述亮目标区域的气溶胶光学厚度。

可选地，构建单元30包括：第一构建模块，用于基于所述气溶胶光学厚度和所述颗粒物浓度的监测数据构建混合效应模型；其中，所述混合效应模型用于表征气溶胶光学厚度和颗粒物浓度之间的线性关系；第二构建模块，用于基于所述气溶胶光学厚度和所述颗粒物浓度构建地理加权回归模型；确定模块，用于将所述混合效应模型和所述地理加权回归模型确定为所述目标监控区域的颗粒物浓度模型，其中，所述颗粒物浓度的监测数据包括：pm2.5浓度监测数据和pm10浓度监测数据。

可选地，第一构建模块用于：通过公式pms,t＝(b0+b0,t)+(b1+b1,t)×aods,t+st构建所述混合效应模型；其中，pms,t表示在第s个观测站点的第t天的颗粒物浓度的观测值；aods,t表示格网中对应第s个观测站点在第t天的气溶胶光学厚度的数值；b0和b0,t分别表示固定截距和随机的截距；b1和b1,t分别表示气溶胶光学厚度的固定斜率和随机斜率；st表示第s个观测站点的随机效应的影响。

可选地，第二构建模块用于：通过公式pm_resis,t＝β0,s+β1,taodst+εst构建所述地理加权回归模型；其中，pm_resis,t表示利用所述混合效应模型得到的第t天，第s个观测站点的残差部分，aodst表示第t天第s个观测站点的气溶胶光学厚度的数值；β0,s和β1,t表示特定地理位置的截距与斜率。

可选地，所述颗粒物浓度模型包括pm2.5浓度模型和pm10浓度模型，选择单元40用于：基于所述pm2.5浓度模型生成所述目标监控区域的第一分布专题图；基于所述pm10浓度模型生成所述目标监控区域的第二分布专题图；对所述第一分布专题图和所述第二分布专题图进行方格化处理，得到多个方格；对所述多个方格中pm2.5浓度值和/或pm10浓度值分别设定阈值；基于所述阈值从所述多个方格中选择靶向方格，并基于所述靶向方格构建靶向方格分布专题图。

可选地，选择单元40还用于：如果所述第一分布专题图中的第i个方格所对应的pm2.5浓度值大于第一阈值，且所述第二分布专题图中的第i个方格所对应的pm10浓度值大于第二阈值，则将所述第i个方格确定为备选靶向方格，其中，所述第一分布专题图中的第i个方格与所述第二分布专题图中的第i个方格相对应；从所述备选靶向方格中选择所述靶向方格。

可选地，选择单元40还用于：如果所述备选靶向方格的数量大于预设数量，则按照pm2.5浓度值或者所述pm10浓度值对所述备选靶向方格进行降序或者升序排序，并将前n个备选靶向方格作为所述靶向方格；如果所述备选靶向方格的数量小于预设数量，则将所述备选靶向方格作为所述靶向方格。

本发明实施例所提供的装置，其实现原理及产生的技术效果和前述方法实施例相同，为简要描述，装置实施例部分未提及之处，可参考前述方法实施例中相应内容。

在另一个实施例中，还提供了一种具有处理器可执行的非易失的程序代码的计算机可读介质，所述程序代码使所述处理器执行上述方法实施例中任一所述方法。

另外，在本发明实施例的描述中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。

在本发明的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在本申请所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，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，又例如，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信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

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。

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。

所述功能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，可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-onlymemory)、随机存取存储器(ram，randomaccessmemory)、磁碟或者光盘等各种可以存储程序代码的介质。

最后应说明的是：以上所述实施例，仅为本发明的具体实施方式，用以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于此，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：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，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围，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所述以权利要求的保护范围为准。