[发明专利]面向遥感时空大数据的污染前体物排放源的类脑跨模态识别及并行处理方法

权利要求书

1.面向遥感时空大数据的污染前体物排放源的类脑跨模态识别方法，其特征在于，包括：

步骤1：基于卫星遥感的大气污染前体物对流层柱浓度及PM_2.5反演方法，分别反演出大气NO₂、O₃、SO₂、NH₃和AOD的对流层柱浓度，同时反演并计算近地面的PM_2.5浓度；

步骤2：根据NO₂、O₃、SO₂、NH₃和AOD的对流层柱浓度、PM_2.5浓度、高光谱图像和合成孔径雷达图像及ESPP的目标语义标签C_p，基于脑启发计算进行训练，形成面向ESPP的跨模态神经认知计算模型；其中，ESPP是指污染前体物排放源；所述面向ESPP的跨模态神经认知计算模型，记为CNCC模型；

步骤3：基于深度学习提取遥感时空大数据中的跨模态、多层次和多尺度的ESPP特征，具体包括：利用大气污染前体物浓度对遥感图像做显著性计算，采用多层次、多尺度的特征提取算法提取ESPP的跨模态特征，然后对ESPP的跨模态特征进行强化学习；

步骤4：基于概率认知框架的面向对象的遥感跨模态ESPP表示和推理方法，对ESPP特征进行多尺度的主题聚类、跨模态的ESPP认知处理和ESPP识别的增量学习。

2.根据权利要求1所述的方法，其特征在于，步骤1中，采用差分吸收光谱算法反演出大气NO₂和NH₃的对流层柱浓度，采用波段残差算法反演出O₃和SO₂的对流层柱浓度；采用AOD-PM_2.5混合相关模型反演出AOD的对流层柱浓度和近地面的PM_2.5浓度。

3.根据权利要求1所述的方法，其特征在于，步骤2中，基于脑启发计算训练CNCC模型的过程为：

其中C_P是用于训练CNCC模型的目标语义标签；

步骤2中，还包括基于类脑计算的CNCC模型识别过程，具体为：

其中，C'_P是采用CNCC模型识别到的目标语义标签，RS表示可用的遥感图像，VS表示可见光图像，SAR表示合成孔径雷达图像，UV表示紫外图像，IR表示红外图像，HS表示高光谱图像，VCD_X表示痕量气体物质的浓度分布图。

4.根据权利要求1所述的方法，其特征在于，步骤3中：

所述利用大气污染前体物浓度对遥感图像做显著性计算，具体为：

根据视觉选择性注意机制和谱残差方法，利用遥感大数据和大气污染前体物反演的对流层柱浓度分布，设计遥感图像的显著性计算方法，具体包括：利用显著图SC_RS和原始遥感图像I_RS进行掩膜处理，获得可能存在ESPP的显著区图像Si_RS，即：

其中，RS表示可用的遥感图像，VS表示可见光图像，SAR表示合成孔径雷达图像，UV表示紫外图像，IR表示红外图像，HS表示高光谱图像，VCD_X表示痕量气体物质的浓度分布图；

所述采用多层次、多尺度的特征提取算法提取ESPP的跨模态特征，具体为：

基于目标特征联觉模型和深度神经网络提取ESPP激活特征Fi_RS，即：

其中，TFSM表示目标特征联觉模型，DNN表示深度神经网络；

所述对ESPP特征进行强化学习，具体为：

对于DNN的感知神经元N的激活特征Fi_RS，通过网络参数、权重在动作空间ACT的调整动作a，提取新的激活特征Fi_RS'，获得ESPP语义的奖励为r；通过马尔科夫决策过程实现ESPP特征的强化学习，即：

其中，Fi_RS属于状态空间S，a∈ACT，r∈RW，RW为回报函数，MDP表示马尔科夫决策过程。