[发明专利]基于网格化特征深度学习的热点网格污染物数据获取方法

说明书

本发明涉及一种基于网格化特征深度学习的热点网格污染物数据获取方法，包括：获取污染监测区域的多源卫星观测数据、地面特征数据、时空特征数据、大气污染物数据、气象数据；将污染监测区域划分为多个网格单元，每个网格单元对应一个监测子区域；获取每一个监测子区域的气溶胶光学厚度AOD特征参数、地面特征参数、时空特征参数、污染物浓度特征参数、气象特征参数；根据AOD特征参数、地面特征参数、时空特征参数、污染物浓度特征参数和气象特征参数构造每一个监测子区域的多维特征向量；将所有多维特征向量生成多维特征样本集；采用深度学习模型对多维特征样本集进行训练，得到关系模型；利用关系模型获取目标区域的网格化污染物浓度数据。

技术领域

本发明涉及数据处理技术领域，尤其涉及一种基于网格化特征深度学习的热点网格污染物数据获取方法。

背景技术

随着各项工业的迅速发展，产生了大量有害物质，如烟尘、二氧化硫、氮氧化物、一氧化碳、碳氢化合物等。这些有害物质持续不断地排放到大气中，当其含量超过环境所能承受的极限后，就会破坏自然的物理、化学和生态平衡，形成大气污染,危害人们的生活、工作和健康。随着全国大范围雾霾天气的出现,PM2.5这一名词进入公众视野。PM2.5是指环境空气中空气动力学当量直径小于等于2.5微米的颗粒物。它能较长时间悬浮于空气中，其在空气中含量浓度越高，就代表空气污染越严重。

大气污染监测是指测定大气环境中污染物的种类及其浓度，观察其时空分布和变化规律的过程。大气污染监测的目的在于识别大气中的污染物质，掌握其分布与扩散规律，监视大气污染源的排放和控制情况。由于监测区域范围大，人力物力有限，给大气污染监测带来困难。

因此，目前急需一种对大气污染区域进行有效监测的解决方案。

发明内容

本发明的目的是针对现有技术中存在的缺陷，提供一种基于网格化特征深度学习的热点网格污染物数据获取方法。

为实现上述目的，第一方面,本发明提供了一种基于网格化特征深度学习的热点网格污染物数据获取方法，包括：

获取污染监测区域的多源卫星观测数据、地面特征数据、时空特征数据、大气污染物数据、气象数据；

将所述污染监测区域划分为多个网格单元，每个所述网格单元对应一个监测子区域；

根据所述多源卫星观测数据获取每一个监测子区域的气溶胶光学厚度AOD特征参数；

根据所述地面特征数据获取每一个监测子区域的多个地面特征参数；

根据所述时空特征数据获取每一个监测子区域的多个时空特征参数；

根据所述大气污染物数据获取每一个监测子区域的污染物浓度特征参数；

根据所述气象数据获取每一个监测子区域的多个气象特征参数；

根据所述AOD特征参数、地面特征参数、时空特征参数、污染物浓度特征参数和气象特征参数构造每一个监测子区域的多维特征向量；

将所有所述多维特征向量生成多维特征样本集；

采用深度学习模型对所述多维特征样本集进行训练，得到关系模型；

获取目标区域的多源卫星观测数据，并提取网格化多维特征信息；

根据所述网格化多维特征信息和所述关系模型，得到所述目标区域的网格化污染物浓度数据。

进一步的，所述根据所述多源卫星观测数据获取每一个监测子区域的气溶胶光学厚度AOD特征参数具体包括：