[发明专利]一种基于卷积神经网络的MAX-DOAS光谱预测对流层NO2

权利要求书

1.一种基于卷积神经网络的MAX-DOAS光谱预测对流层NO₂廓线的方法，其特征在于，所述方法通过卷积神经网络，将对齐的多仰角MAX-DOAS光谱数据和PriAM算法反演的对流层NO₂数据结合，建立可实现对流层NO₂廓线预测的卷积神经网络模型；卷积神经网络模型(CNN)通过卷积层来提取数据特征，池化层用来降维和防止模型的过拟合，最后利用全连接层来输出结果；

所述方法具体包括以下步骤：

S1、通过MAX-DOAS站点测得多仰角MAX-DOAS光谱数据，仪器方位角为310°-正北为0°，测量仰角11个角度为一组：1°、2°、3°、4°、5°、6°、8°、10°、15°、30°、90°；

S2、将每一组输入向量的MAX-DOAS光谱数据，结合QDOAS光谱拟合和痕量气体廓线反演算法PriAM反演获取对流层NO₂廓线，反演得到的NO₂廓线作为模型的输出向量，构建卷积神经网络模型；

S3、随机挑选70％的光谱数据作为训练集，30％的光谱数据作为测试集；并对数据进行归一化用于减少量纲的影响；归一化公式为是归一化后的数据值，xi为真实数据，μ为原始数据的均值，σ为标准差；

S4、搭建卷积神经网络模型CNN，使用训练集训练卷积神经网络模型，调整模型参数，使得卷积层能够提取MAX-DOAS光谱的数据特征；

S5、利用测试集监测网络训练的决定系数R²和均方根误差RMSE，当模型的R²0.9且RMSE＜0.4时，判定模型能够用于对流层NO₂廓线的预测；采用决定系数R²和均方根误差RMSE的计算方法为其中y_i和分别表示真实数据和预测数据。

2.根据权利要求1所述的基于卷积神经网络的MAX-DOAS光谱预测对流层NO₂廓线的方法，其特征在于，还包括步骤S6、将已知的MAX-DOAS站点的MAX-DOAS光谱数据，输入到训练好的网络模型中，用于实现对流层NO₂廓线的预测；并用MSE来验证模型的可行性和准确性；其中y_i和分别表示真实数据和预测数据。

3.根据权利要求1所述的基于卷积神经网络的MAX-DOAS光谱预测对流层NO₂廓线的方法，其特征在于，所述卷积神经网络模型的建立包括输入层、卷积层、池化层、全连接层：

输入层：输入层是测量仰角11个角度的MAX-DOAS光谱数据通过归一化的预处理后的数据；

卷积层：卷积层是对输入的光谱数据进行特征提取，通过卷积核矩阵对原始数据中隐含关联性进行抽象；

池化层：对特征进行采样，对感受域内的特征进行筛选，提取区域内最具代表性的特征，用于降低输出特征尺度，减小模型所需要的参数量；

全连接层：全连接层进行线性拟合并通过输出层输出预测数据。

4.根据权利要求3所述的基于卷积神经网络的MAX-DOAS光谱预测对流层NO₂廓线的方法，其特征在于，还包括激活层：用于对卷积层抽取的特征进行激活。

5.根据权利要求3所述的基于卷积神经网络的MAX-DOAS光谱预测对流层NO₂廓线的方法，其特征在于，所述卷积神经网络模型CNN的模型参数设置如下：使用ReLU的激活函数，损失函数采用均方根误差MSE；优化器使用SGD+momentum，学习率为10^-3，批量大小Batchsize根据训练集的样本数目设置为64，来保证内存利用率，加强相同数据量的处理速度。

6.根据权利要求1所述的基于卷积神经网络的MAX-DOAS光谱预测对流层NO₂廓线的方法，其特征在于，所述卷积神经网络模型采用Dropout算法对多个不同的神经网络取平均用于减少不同网络的过拟合。