本发明涉及遥感影像处理,尤其涉及一种大气细颗粒物浓度监测方法、装置、设备及介质。
背景技术:
1、pm2.5是造成空气污染的重要组成部分之一,其可以在大气中长期悬浮并远距离传播。pm2.5还会导致人群诱发心血管和呼吸系统等疾病,严重危害了公众的健康。pm2.5浓度和气溶胶光学厚度(aerosol optical depth,aod)存在稳定的正相关关系,所以可以通过卫星aod产品反演pm2.5浓度。
2、由于神经网络具有出色的非线性拟合能力,近年来已经提出了许多有关机器学习和深度学习模型,来拟合pm2.5和aod之间复杂的非线性关系,实现对pm2.5的浓度监测。然而,现有大多数机器学习和深度学习模型普遍忽略了pm2.5浓度的时空变化特性,缺少对pm2.5浓度的时空异质性解释,从而导致现有pm2.5浓度反演结果的精度并不高。
技术实现思路
1、本发明提供一种大气细颗粒物浓度监测方法、装置、设备及介质,用以解决现有技术中pm2.5浓度反演结果的精度并不高的缺陷。
2、本发明提供一种大气细颗粒物浓度监测方法,包括:
3、基于目标监测区域的多源遥感观测数据和所述多源遥感观测数据的时空特征信息,确定融合特征信息;所述时空特征信息是对所述多源遥感观测数据的观测时间信息和观测经纬度信息进行时空编码得到的;
4、将所述融合特征信息输入至pm2.5浓度监测模型,得到所述pm2.5浓度监测模型输出的所述目标监测区域的pm2.5浓度监测值;所述pm2.5浓度监测模型是根据监测区域多源遥感观测数据的融合特征信息样本及其对应的pm2.5浓度标签进行训练得到的;所述多源遥感观测数据至少包括aod数据。
5、根据本发明提供的一种大气细颗粒物浓度监测方法,所述基于目标监测区域的多源遥感观测数据和所述多源遥感观测数据的时空特征信息,确定融合特征信息,包括:
6、对所述多源遥感观测数据进行预处理,获取所述目标监测区域的多数据通道的遥感图像;
7、对所述遥感图像进行图像特征提取,得到多观测变量特征信息;
8、将所述多观测变量特征信息和所述时空特征信息进行融合,得到所述融合特征信息;
9、所述多观测变量特征信息包括所述aod数据、气象数据、人口密度数据、高程数据和归一化植被指数数据。
10、根据本发明提供的一种大气细颗粒物浓度监测方法,在所述基于目标监测区域的多源遥感观测数据和所述多源遥感观测数据的时空特征信息,确定融合特征信息之前,所述方法还包括:
11、获取所述多源遥感观测数据的观测时间信息和观测经纬度信息;所述观测时间信息包括观测日期和观测年份;
12、分别对所述观测日期和所述观测年份进行编码,得到所述观测日期对应的第一编码信息和所述观测年份对应的第二编码信息;
13、将所述观测经纬度信息编码为球面坐标系下的第三编码信息;
14、基于所述第一编码信息、所述第二编码信息和所述第三编码信息,确定所述多源遥感观测数据的时空特征信息。
15、根据本发明提供的一种大气细颗粒物浓度监测方法,所述对所述多源遥感观测数据进行预处理,获取所述目标监测区域的多数据通道的遥感图像,包括:
16、对所述多源遥感观测数据中的每类遥感观测数据进行月平均处理,得到每类所述遥感观测数据的月平均值;
17、将每类遥感观测数据的月平均值匹配至所述目标监测区域的各个地理网格中,得到数据化的各个地理网格;所述地理网格是通过按照预测地理精度对所述目标监测区域的地理位置进行网格划分得到的;
18、将每类所述遥感观测数据对应的遥感图像重采样至同一分辨率,并将重采样后的各个遥感图像与所述数据化的各个地理网格进行匹配,得到所述目标监测区域的多数据通道的遥感图像。
19、根据本发明提供的一种大气细颗粒物浓度监测方法,所述aod数据获取的步骤包括:
20、获取第一分辨率的第一aod数据和第二分辨率的第二aod数据;所述第一分辨率大于所述第二分辨率;
21、将所述第一分辨率的第一aod数据和所述第二分辨率的第二aod数据重采样至同一目标分辨率下,得到所述目标分辨率下的第一aod数据和所述目标分辨率的第二aod数据;
22、对所述目标分辨率的第一aod数据与所述目标分辨率下的第二aod数据进行融合处理,得到所述aod数据。
23、根据本发明提供的一种大气细颗粒物浓度监测方法,在所述将所述融合特征信息输入至pm2.5浓度监测模型之前,所述方法还包括:
24、将监测区域多源遥感观测数据的融合特征信息样本及其对应的pm2.5浓度标签作为一组样本数据,获取多组所述样本数据;
25、按照预设比例,将多组所述样本数据划分为训练集和验证集;
26、利用所述训练集对预设的深度神经网络模型进行训练,并利用所述验证集对训练好的深度神经网络模型进行精度评估;
27、在确定所述训练好的深度神经网络模型的精度满足预设精度要求的情况下,将所述训练好的深度神经网络模型作为所述pm2.5浓度监测模型。
28、根据本发明提供的一种大气细颗粒物浓度监测方法,所述利用所述训练集对预设的深度神经网络模型进行训练,包括:
29、对于所述训练集中任意一组样本数据,将所述样本数据输入至预设的深度神经网络模型,输出所述样本数据对应的预测概率;
30、利用预设损失函数,根据所述样本数据对应的预测概率和所述样本数据对应的pm2.5浓度标签,计算损失值;
31、基于所述损失值,对所述深度神经网络模型的模型参数进行调整,直至所述损失值小于预设阈值或训练次数达到预设次数;
32、将所述损失值小于所述预设阈值或训练次数达到所述预设次数时所得到的模型参数作为训练好的pm2.5浓度监测模型的模型参数。
33、本发明还提供一种大气细颗粒物浓度监测装置,包括:
34、处理模块,用于基于目标监测区域的多源遥感观测数据和所述多源遥感观测数据的时空特征信息,确定融合特征信息;所述时空特征信息是对所述多源遥感观测数据的观测时间信息和观测经纬度信息进行时空编码得到的;
35、监测模块,用于将所述融合特征信息输入至pm2.5浓度监测模型,得到所述pm2.5浓度监测模型输出的所述目标监测区域的pm2.5浓度监测值;所述pm2.5浓度监测模型是根据监测区域多源遥感观测数据的融合特征信息样本及其对应的pm2.5浓度标签进行训练得到的;所述多源遥感观测数据至少包括aod数据。
36、本发明还提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上述任一种所述大气细颗粒物浓度监测方法。
37、本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如上述任一种所述大气细颗粒物浓度监测方法。
38、本发明还提供一种计算机程序产品,包括计算机程序,所述计算机程序被处理器执行时实现如上述任一种所述大气细颗粒物浓度监测方法。
39、本发明提供的大气细颗粒物浓度监测方法、装置、设备及介质,通过考虑pm2.5浓度的时空变化特性,利用目标监测区域的多源遥感观测数据和这些多源遥感观测数据的时空特征信息,提取多源遥感数据的融合特征信息;同时利用监测区域多源遥感观测数据的融合特征信息样本及其对应的pm2.5浓度标签对深度神经网络进行模型训练,获得可以提取pm2.5浓度时空变化特征的pm2.5浓度监测模型,从而可以将提取目标监测区域多源遥感数据的融合特征信息输入至pm2.5浓度监测模型中进行识别,更好地解释pm2.5浓度与aod数据的时空异质性,输出高精度的pm2.5浓度监测值,可以有效提升pm2.5浓度估算的精度,实现高精度的pm2.5反演。