[發明專利]基于網格化特征深度學習的熱點網格污染物數據獲取方法

在審

• 申請號: 201811059893.1
• 申請日: 2018-09-12
• 公開（公告）號: CN109213839A
• 公開（公告）日: 2019-01-15
• 發明（設計）人: 廖炳瑜;丁相元;湯宇佳;范迎春
• 申請（專利權）人: 北京英視睿達科技有限公司
• 主分類號: G06F16/29
• 分類號: G06F16/29;G06F16/2458;G06Q50/26
• 代理公司: 北京慧誠智道知識產權代理事務所(特殊普通合伙) 11539
• 代理人: 李楠

1.一種基于網格化特征深度學習的熱點網格污染物數據獲取方法，其特征在于，所述方法包括：

獲取污染監測區域的多源衛星觀測數據、地面特征數據、時空特征數據、大氣污染物數據、氣象數據；

將所述污染監測區域劃分為多個網格單元，每個所述網格單元對應一個監測子區域；

根據所述多源衛星觀測數據獲取每一個監測子區域的氣溶膠光學厚度AOD特征參數；

根據所述地面特征數據獲取每一個監測子區域的多個地面特征參數；

根據所述時空特征數據獲取每一個監測子區域的多個時空特征參數；

根據所述大氣污染物數據獲取每一個監測子區域的污染物濃度特征參數；

根據所述氣象數據獲取每一個監測子區域的多個氣象特征參數；

根據所述AOD特征參數、地面特征參數、時空特征參數、污染物濃度特征參數和氣象特征參數構造每一個監測子區域的多維特征向量；

將所有所述多維特征向量生成多維特征樣本集；

采用深度學習模型對所述多維特征樣本集進行訓練，得到關系模型；

獲取目標區域的多源衛星觀測數據，并提取網格化多維特征信息；

根據所述網格化多維特征信息和所述關系模型，得到所述目標區域的網格化污染物濃度數據。

2.根據權利要求1所述的方法，其特征在于，所述根據所述多源衛星觀測數據獲取每一個監測子區域的氣溶膠光學厚度AOD特征參數具體包括：

據根據公式τ_α(λ)＝τ(λ)-τ_m(λ)-τ_ω1(λ)-τ_ω2(λ)-τ_μ(λ)計算得到AOD特征參數；其中，τ_α(λ)表示氣溶膠光學厚度，τ(λ)表示大氣總的光學厚度，τ_m(λ)表示整層大氣的分子散射光學厚度，τ_ω1(λ)表示氧氣的吸收光學厚度，τ_ω2(λ)表示臭氧的吸收光學厚度，τ_μ(λ)表示水汽的吸收光學厚度。

3.根據權利要求1所述的方法，其特征在于，所述根據所述地面特征數據獲取每一個監測子區域的多個地面特征參數具體包括：

根據所述地面特征數據獲取每一個監測子區域的地形高程特征、工業信息點POI分布特征、工業園區分布特征、建成區分布特征、夜間燈光亮度分布特征。

4.根據權利要求1所述的方法，其特征在于，所述根據所述時空特征數據獲取每一個監測子區域的多個時空特征參數具體包括：

根據所述時空特征數據獲取每一個監測子區域的時間、經度、緯度。

5.根據權利要求1所述的方法，其特征在于，所述根據所述大氣污染物數據獲取每一個監測子區域的污染物濃度特征參數具體包括：

根據所述大氣污染物數據獲取每一個監測子區域的PM2.5濃度值。

6.根據權利要求1所述的方法，其特征在于，所述根據所述氣象數據獲取每一個監測子區域的多個氣象特征參數具體包括：

根據所述氣象數據獲取每一個監測子區域的溫度、濕度、風速風向、壓強、溫度異常分布。

7.根據權利要求1所述的方法，其特征在于，所述獲取目標區域的多源衛星觀測數據，并提取網格化多維特征信息具體包括：

獲取目標區域的多源衛星觀測數據；

將所述目標區域劃分成多個網格單元，提取每個網格單元的多個特征參數；

將所述多個特征參數進行特征歸一化處理，得到網格化多維特征信息。

8.一種設備，包括存儲器和處理器，其特征在于，所述存儲器用于存儲程序，所述處理器用于執行如權利要求1-7任一所述的方法。

9.一種包含指令的計算機程序產品，其特征在于，當所述計算機程序產品在計算機上運行時，使得所述計算機執行如權利要求1-7任一權利要求所述的方法。

10.一種計算機可讀存儲介質，其特征在于，所述計算機可讀存儲介質上存儲有計算機程序，所述計算機程序被處理器執行時實現如權利要求1-7任一權利要求所述的方法。