[发明专利]基于网格化特征深度学习的热点网格污染物数据获取方法

权利要求书

1.一种基于网格化特征深度学习的热点网格污染物数据获取方法，其特征在于，所述方法包括：

获取污染监测区域的多源卫星观测数据、地面特征数据、时空特征数据、大气污染物数据、气象数据；

将所述污染监测区域划分为多个网格单元，每个所述网格单元对应一个监测子区域；

根据所述多源卫星观测数据获取每一个监测子区域的气溶胶光学厚度AOD特征参数；

根据所述地面特征数据获取每一个监测子区域的多个地面特征参数；

根据所述时空特征数据获取每一个监测子区域的多个时空特征参数；

根据所述大气污染物数据获取每一个监测子区域的污染物浓度特征参数；

根据所述气象数据获取每一个监测子区域的多个气象特征参数；

根据所述AOD特征参数、地面特征参数、时空特征参数、污染物浓度特征参数和气象特征参数构造每一个监测子区域的多维特征向量；

将所有所述多维特征向量生成多维特征样本集；

采用深度学习模型对所述多维特征样本集进行训练，得到关系模型；

获取目标区域的多源卫星观测数据，并提取网格化多维特征信息；

根据所述网格化多维特征信息和所述关系模型，得到所述目标区域的网格化污染物浓度数据。

2.根据权利要求1所述的方法，其特征在于，所述根据所述多源卫星观测数据获取每一个监测子区域的气溶胶光学厚度AOD特征参数具体包括：

据根据公式τ_α(λ)＝τ(λ)-τ_m(λ)-τ_ω1(λ)-τ_ω2(λ)-τ_μ(λ)计算得到AOD特征参数；其中，τ_α(λ)表示气溶胶光学厚度，τ(λ)表示大气总的光学厚度，τ_m(λ)表示整层大气的分子散射光学厚度，τ_ω1(λ)表示氧气的吸收光学厚度，τ_ω2(λ)表示臭氧的吸收光学厚度，τ_μ(λ)表示水汽的吸收光学厚度。

3.根据权利要求1所述的方法，其特征在于，所述根据所述地面特征数据获取每一个监测子区域的多个地面特征参数具体包括：

根据所述地面特征数据获取每一个监测子区域的地形高程特征、工业信息点POI分布特征、工业园区分布特征、建成区分布特征、夜间灯光亮度分布特征。

4.根据权利要求1所述的方法，其特征在于，所述根据所述时空特征数据获取每一个监测子区域的多个时空特征参数具体包括：

根据所述时空特征数据获取每一个监测子区域的时间、经度、纬度。

5.根据权利要求1所述的方法，其特征在于，所述根据所述大气污染物数据获取每一个监测子区域的污染物浓度特征参数具体包括：

根据所述大气污染物数据获取每一个监测子区域的PM2.5浓度值。

6.根据权利要求1所述的方法，其特征在于，所述根据所述气象数据获取每一个监测子区域的多个气象特征参数具体包括：

根据所述气象数据获取每一个监测子区域的温度、湿度、风速风向、压强、温度异常分布。

7.根据权利要求1所述的方法，其特征在于，所述获取目标区域的多源卫星观测数据，并提取网格化多维特征信息具体包括：

获取目标区域的多源卫星观测数据；

将所述目标区域划分成多个网格单元，提取每个网格单元的多个特征参数；

将所述多个特征参数进行特征归一化处理，得到网格化多维特征信息。

8.一种设备，包括存储器和处理器，其特征在于，所述存储器用于存储程序，所述处理器用于执行如权利要求1-7任一所述的方法。

9.一种包含指令的计算机程序产品，其特征在于，当所述计算机程序产品在计算机上运行时，使得所述计算机执行如权利要求1-7任一权利要求所述的方法。

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1-7任一权利要求所述的方法。