[发明专利]一种基于神经网络的PM2.5逐小时预测方法

说明书

本发明公开了一种基于神经网络的PM2.5逐小时预测方法，方法包括获取气溶胶光学厚度AOD数据、ECMWF气象数据、地基数据及辅助数据，数据初步处理，第一训练样本构建，训练AOD填补模型，预测并补全气溶胶光学厚度AOD数据，第二训练样本构建，训练学习模型得到PM2.5预测模型，预测PM2.5浓度八个步骤。本发明基于深度神经网络补全气溶胶光学厚度AOD数据实现了样本的扩充，并将大气边界层高度BLH修正为大气雾霾层高度HLH用于PM2.5的预测，覆盖面广，解决地基监测PM2.5覆盖面不足的问题，实现了PM2.5浓度的高精度逐小时预测。

技术领域

本发明涉及大气环境遥感监测领域，尤其涉及一种基于神经网络的PM2.5逐小时预测方法。

背景技术

PM2.5指环境空气中空气动力学当量直径≤2.5 μm的颗粒物，它在大气中的停留时间长、输送距离远，严重影响人体健康和大气环境质量，监测PM2.5浓度对公众健康至关重要。基于卫星的气溶胶产品由于覆盖范围广，经常被用来预测地面PM2.5浓度。最近基于卫星气溶胶光学厚度衍生出的产品，例如多角度实施大气校正气溶胶光学厚度产品，不仅提高了空间分辨率，整体性能也有所提升。但是，由于气溶胶垂直分布信息的缺乏，以及主要由于云量造成的AOD缺失，对PM2.5高精度、全覆盖的估算仍然受阻。

通过地基手段获得PM2.5质量浓度受到环境、地理等因素的限制，因此人们开发了各种技术来预测PM2.5以弥补现场监测的不足，利用卫星遥感技术估算地面PM2.5质量浓度，覆盖面广，对环境污染监测和治理具有重要意义。此外，激光雷达廓线表明，在大气边界层日循环过程中，上方可能存在大量气溶胶作为残余层存在，换句话说，气溶胶并不总是局限在大气边界层中，也不总是在整个大气边界层中均匀混合，所以以大气边界层高度BLH来预测PM2.5浓度不够精确。PM2.5质量浓度与很多因素有关，比如温度、湿度、臭氧、风速等等，在预测PM2.5浓度时需要将这些因素都考虑在内。

公开号为CN105678085A的中国专利文献中公开了一种PM2.5浓度的估算方法及系统，该PM2.5浓度的估算方法包括：根据卫星遥感数据获取气溶胶光学厚度AOD；根据气象预报数据获取大气边界层高度BLH和近地面相对湿度RH；获取地面站点采集的PM2.5数据；根据地面站点的地理位置信息，对相同时间点的PM2.5数据、AOD、大气边界层高度BLH以及RH进行空间匹配；根据空间匹配后的PM2.5数据、AOD、大气边界层高度BLH以及RH建立地理加权回归模型，并根据地理加权回归模型估算PM2.5浓度。该发明方法中以大气边界层高度BLH为PM2.5的预测参数，并且依据地理加权回归模型估算PM2.5浓度。

公开号为CN110287455A的中国专利文献中公开了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。该发明方法中仍以大气边界层高度为PM2.5的预测参数，且在数据预处理阶段未对AOD缺失数据进行填补。

发明内容

为了解决地基监测PM2.5覆盖面不足的问题，本发明提供了一种基于神经网络的PM2.5逐小时预测方法，该预测方法通过星地遥感数据结合，并对气溶胶光学厚度AOD缺失数据进行填补，且采用大气雾霾层高度HLH作为PM2.5预测参数，能够实现PM2.5浓度的高精度预测。

具体采用的技术方案如下：

一种基于神经网络的PM2.5逐小时预测方法，包括以下步骤：