[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

摘要

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。

主权项

1.一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，其特征在于，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。