[发明专利]一种基于MODIS和长短时记忆网络模型的PM2.5反演方法

权利要求书

1.一种基于MODIS和长短时记忆网络模型的PM2.5反演方法，其特征在于，包括以下步骤：

步骤1：获取需要反演的PM2.5研究时段的MODIS影像、用于计算AOD的气象数据和研究区域PM2.5监测站数据；气象数据包括风速、温度、边界层高度、相对湿度和地表压力；对各时段的MODIS影像进行融合并裁剪出研究区域对应的部分；对气象数据进行重采样及归一化处理；对监测站数据求取9-15点均值作为当天PM2.5值；

步骤2：对气象数据按如下式(1)(2)进行高湿订正，消除高度和湿度的影响；

AOD＝k_a,0(λ)BLH (1)

式中，k_a,0(λ)表示近地层气溶胶系数，BLH表示边界层高度；

f(RH)＝1/(1-RH/100) (2)

式中，RH代表相对湿度；

步骤3：使用双线性插值法和重采样技术将所有的气象数据变量均重采样到0.01×0.01分辨率；

步骤4：训练随机森林模型；随机森林模型学习到带有AOD值的网格与对应位置的气象数据之间的函数关系，利用此函数关系估计缺失位置的AOD值，得到覆盖整个区域的连续、大范围的AOD值；最后在模型拟合之后计算每个气象数据变量的特征重要性；

在随机森林模型中，使用bootstrapsample方法从步骤3得到的气象数据中提取得到样本Z，然后为每个样本生成一棵带有多个预测因子的未回归树，在未回归树的每个节点选择最优值进行最佳分割得到回归树，最后通过所有回归树的平均值来进行预测；每棵未回归树三分之一的训练样本不参与回归树f(x)的生成；

Z₁(m,n)＝{X|X_j≤n}and Z₂(m,n)＝{X|X_j＞n} (5)

其中(x_i,y_i)是z区域(R₁,R₂,...,R_Z)中i＝1,2,...,N的样本，c_m是对模型的响应，是最优值，m是分离变量，n是分离点，I是示性函数；

步骤5：从步骤3得到的气象数据和步骤4得到的覆盖整个区域的AOD数据中提取PM2.5监测站点坐标对应的气象数据值以及AOD值，按照时间和空间将提取出来的AOD值和气象数据值与PM2.5站点值进行匹配，匹配后的数据按7:3的比例分割成训练集和测试集；构建第f个时间节点的特征向量基数T_f：

T_f＝[x₁,x₂,...,x_n,...,x_N] (8)

其中，x₁表示T个时间节点中第f个时间节点的PM2.5的值，x_n表示T个时间节点中第f个时间节点的第n个空气参数的值；

步骤6：建立长短时记忆网络模型；长短时记忆网络模型包括LSTM层和Dense层，初始化长短时记忆网络模型的参数并将覆盖整个研究区域的AOD数据及完整的气象变量输入，得到输出预测值W，将输出预测值W与监测站点真实值Y进行对比，根据误差微调网络参数，实现降低误差；遗忘门、输入门、循环门和输出门为长短时记忆网络模型的主要结构：

a.遗忘门：将信息进行选择性遗忘，减少模型的记忆负担；

f_t＝σ(W_f·[h_t-1,x_t]+b_f) (9)

b.输入门：将信息进行选择性记忆：

i_t＝σ(W_i·[h_t-1,x_t]+b_i) (10)

c.循环门：更新当前时刻的状态：

d.输出门：完成模型输出；

o_t＝σ(W_o·[h_t-1,x_t]+b_o) (12)

h_t＝o_t*tanh(C_t) (13)

式中，σ为sigmoid函数，Wo和bo作为待定系数在后续进行训练学习，h_t-1是上一阶段的输出，x_t是当前阶段的输入，式中的C_t-1记录了上一时间节点的信息；

步骤7：将得到的输出预测值进行可视化，得到整个研究区域的PM2.5浓度反演图。