[发明专利]一种基于神经网络的长时间序列近地面臭氧反演方法

权利要求书

1.一种基于神经网络的长时间序列近地面臭氧反演方法，其特征在于，包括以下步骤：

S1:根据卫星遥感数据获取卫星遥感月尺度臭氧柱浓度数据；

S2:对地面监测气象站点的气象数据进行多时相插值计算，获得具有空间分布特征的气象数据；所述地面监测气象站点的气象数据包括温度、风速、气压、相对湿度、日照时数；

S3:根据所述卫星遥感月尺度臭氧柱浓度数据和所述具有空间分布特征的气象数据建立近地面臭氧反演神经网络模型并训练该近地面臭氧反演神经网络模型；

S4:对所述近地面臭氧反演神经网络模型进行仿真测试。

2.根据权利要求1所述的基于神经网络的长时间序列近地面臭氧反演方法，其特征在于，所述步骤S1还包括以下步骤：

S11:剔除每日卫星遥感臭氧柱浓度数据中云团覆盖、阴雨天气情况下无值区域；

S12:根据每日卫星遥感臭氧柱浓度数据得到臭氧柱浓度月均值；

S13:提取地面监测气象站点处3×3像元内的臭氧柱浓度月均值，即选择地面监测气象站点经纬度所在像元P(a，b)，a，b为像元行列号，遍历其周围3×3像元，获取像元范围内的臭氧柱浓度月均值。

3.根据权利要求1所述的基于神经网络的长时间序列近地面臭氧反演方法，其特征在于，所述步骤S2还包括以下步骤：

S21:剔除每日地面监测气象站点的气象数据中的无效值，并基于此计算气象数据的月变化；

S22:将所述地面监测气象站点的气象数据按照克里金插值的方法获得具有空间分布特征的气象数据。

4.根据权利要求1所述的基于神经网络的长时间序列近地面臭氧反演方法，其特征在于，所述步骤S3还包括以下步骤：

S31:设置训练数据集和验证数据集，将样本的80％用于训练模型，20％用来检验模型精度；

S32:近地面臭氧反演神经网络模型的建立和训练，利用步骤S31中准备好的训练数据集中的多个因变量与自变量建立近地面臭氧反演神经网络模型并训练；所述因变量包括每日卫星遥感臭氧柱浓度、温度、风速、气压、相对湿度和日照时数；所述因变量包括近地面臭氧柱浓度。

5.根据权利要求4所述的基于神经网络的长时间序列近地面臭氧反演方法，其特征在于，所述步骤S32包括以下步骤：

S321:设置隐含层

S322:配置神经网络参数，包括迭代次数、最小训练速率、允许误差、动态参数；

S323：建立并训练神经网络模型,每个输入层使用双曲正切函数tansig作为传输函数，每个输出层使用线性函数purelin作为传输函数，使用弹性梯度下降函数trainrp进行训练。

6.根据权利要求4所述的基于神经网络的长时间序列近地面臭氧反演方法，其特征在于，在步骤S321中，根据经验公式及相应的建模精度确定隐含层节点数：

式中h为隐含层节点数，m和n分别为输入层和输出层的节点数，a为1～10之间的调节常数。

7.根据权利要求4所述的基于神经网络的长时间序列近地面臭氧反演方法，其特征在于，所述步骤S4中，利用所述验证数据集对所述近地面臭氧反演神经网络模型进行仿真测试。

8.根据权利要求1所述的基于神经网络的长时间序列近地面臭氧反演方法，其特征在于，还包括步骤S5:基于仿真测试结果，对所述近地面臭氧反演神经网络模型进行评价。

9.根据权利要求7所述的基于神经网络的长时间序列近地面臭氧反演方法，其特征在于：在所述步骤S5中，采用决定系数R2、均方误差MSE、均方根误差RMSE、平均绝对误差MAE评价模型的可信度。