[发明专利]一种结合遥感数据与社会感知数据的PM2.5深度学习反演方法

说明书

本发明公开一种结合遥感数据与社会感知数据的PM2.5深度学习反演方法，包括：对地面站点PM2.5数据、遥感数据、社会感知数据及辅助数据进行预处理；使用地学空间统计及分析方法、遥感信息处理手段对多源数据进行特征变量提取与计算；采用格网化方式对多源数据进行时空匹配，有地面站点真值的格网将作为训练样本，生成时空统一的多源数据集；将有站点PM2.5真值的格网数据集归一化后输入到深度学习模型中进行训练，验证通过后通过该模型对未知格网PM2.5浓度进行反演；对反演结果进行精细PM2.5时空分布制图。本发明使用深度学习技术可有效挖掘多源信息，弥补了传统统计模型在非线性问题中的不足，得到较高的反演精度和较为精细的时空PM2.5分布。

技术领域

本发明属于遥感图像处理和信息应用领域，涉及一种获取PM2.5浓度的方法，具体涉及一种基于深度学习结合遥感数据与社会感知数据反演精细时空PM2.5浓度的方法。

背景技术

精细时空PM2.5浓度分布在环境监测、健康评估应用中发挥重要作用。已有站点分布稀疏不均，站点观测无法满足应用需求，获得PM2.5时空连续分布数据广受关注。PM2.5成因复杂、变化快速，其浓度同时受到自然、人为多方因素影响，并且各因素与PM2.5之间存在复杂的非线性关系。因此，如何有效结合多源异质数据，充分挖掘信息精细反演PM2.5技术亟待探索。

目前PM2.5浓度反演方法主要包括物理化学模型模拟法和统计模型法，前者依赖较多模型参数的输入，实现复杂；而统计模型方法估算PM2.5浓度的技术凭借其精度高、易实现的优势广泛应用。已有相关技术方法主要存在两方面不足：一方面考虑影响因素不足，较为单一地使用卫星遥感数据或者只采用社会感知数据，少有结合两者的应用；另一方面，传统统计模型对非线性关系解释不足，尤其面对多源异质大数据结合的情况时，浅层模型的特征提取和信息挖掘能力不足。

发明内容

本发明的目的在于，针对现有技术的上述不足，提供一种结合遥感数据与社会感知数据的PM2.5深度学习反演的方法。

本发明所采用的技术方案是：一种结合遥感数据与社会感知数据的PM2.5深度学习反演方法，包括以下步骤：

步骤1，对地面站点PM2.5数据、遥感数据、社会感知数据及辅助数据进行预处理；

步骤2，使用地学空间统计及分析方法、遥感信息处理手段对多源数据进行特征变量提取与计算，其具体实现包括以下子步骤：

步骤2.1，对于地面站点PM2.5数据，依据时空自相关特性计算时空插值初始场浓度值，得到PMS、PMT；

步骤2.2，对于遥感数据和辅助数据，选取气溶胶光学厚度、植被指数、温度、风速、相对湿度、气压、降水、大气边界层高度参量，经过影像投影转换、重采样、裁剪流程，得到相应的气溶胶光学厚度变量AOD、植被指数变量NDVI、气温变量Temp、风速变量WS、相对湿度变量RH、气压变量PS、降水变量Pre、大气边界层高度变量PBLH；

步骤2.3，对于社会感知数据，采取地学空间统计及分析方法抽取与PM2.5相关的特征变量，得到交通指数变量Tindex、实时人口签到数量变量RTLD、兴趣点数目变量POIs、路网密度变量Road；

步骤3，采用格网化方式对多源数据进行时空匹配，有地面站点真值的格网将作为训练样本，生成时空统一的多源数据集；

步骤4，将有站点PM2.5真值的格网数据集归一化后输入到深度学习模型中进行训练，验证通过后通过该模型对未知格网PM2.5浓度进行反演；

步骤5，对反演结果进行精细PM2.5时空分布制图。

进一步的，步骤1中所述预处理，包括剔除站点PM2.5数据中异常值；对遥感影像数据格式转换成统一的TIFF图像文件格式；利用Python、ArcGIS对社会感知数据进行格式转换、数据筛选后，然后进行地理坐标转换、矢量化操作。