[发明专利]全时段三维大气污染物的重构方法、装置、计算机设备和存储介质

权利要求书

1.一种全时段三维大气污染物的重构方法，其特征在于，包括以下步骤：

获取依据观测区域的超光谱遥感数据反演得到的大气污染物浓度分布，获取观测区域内大气污染物浓度的多源相关信息，其中，多源相关信息包括气象信息、交通信息、地形信息，以多源相关信息经预处理后作为样本，以大气污染物浓度分布作为样本标签；

构建包含特征提取单元和重构单元的多模态重构模型，其中，特征提取单元包含多个特征提取模块，每个特征提取模块对应提取样本中每类相关信息的特征向量，重构单元对所有相关信息的特征向量进行融合运算以重构大气污染物浓度分布；

利用样本和样本标签对多模态重构模型进行监督学习，以优化多模态重构模型参数；

利用参数优化的多模态重构模型进行全时段三维大气污染物分布的重构。

2.如权利要求1所述的全时段三维大气污染物的重构方法，其特征在于，所述气象信息包括经纬度风速、垂直风速、温度、湿度、压强、大气边界层厚度；所述交通信息包括交通流量数据；所述地形信息包括地形数据、地表高程数据。

3.如权利要求1所述的全时段三维大气污染物的重构方法，其特征在于，所述多源相关信息还包括人口密度信息和/或化学-气象耦合模型信息。

4.如权利要求2或3所述的全时段三维大气污染物的重构方法，其特征在于，所述气象信息来自有化学-气象耦合模型的预测输出；

所述化学-气象耦合模型信息包括其输出的大气污染物浓度。

5.如权利要求1所述的全时段三维大气污染物的重构方法，其特征在于，获取的多源相关信息经过数据清洗、数据填充、独热编码、标准化以及裁剪重组后，形成样本并输入至多模态重构模型；

在裁剪重组时，依据大气污染物寿命长度确定数据尺寸N*N，针对每个采样高度对应的每类相关信息，按照数据尺寸进行裁剪得到每个地理网格对应的每类相关信息，然后，针对每类相关信息，拼接每个地理网格对应的所有采样高度M对应的相关信息，形成N*N*M的数据块，该数据块输入多模态重构模型被1个特征提取模型进行特征提取。

6.如权利要求5所述的全时段三维大气污染物的重构方法，其特征在于，所述依据大气污染物寿命长度确定数据尺寸N*N，包括：

根据大气污染物在正常经纬向风速下跟随气流扩散数个小时所能覆盖到的区域，将大气污染物浓度达到污染物标准时形成的覆盖区域的正方形包络线最小边长值与设备观测划分的单位区域网格大小值之比取作N。

7.如权利要求1所述的全时段三维大气污染物的重构方法，其特征在于，所述特征提取模块包括多个卷积层和池化层的交替结构，按照数据流顺序，卷积层的卷积核尺寸依次减小，且通道数也依次较小，实现特征提取和异化特征，得到特征向量；

所述重构单元采用多个全连接层，对输入的特征向量进行全连接操作，以重构生成重构大气污染物浓度分布。

8.一种全时段三维大气污染物的重构装置，其特征在于，包括：

获取模块，用于获取依据观测区域的超光谱遥感数据反演得到的大气污染物浓度分布，获取观测区域内大气污染物浓度的多源相关信息，其中，多源相关信息包括气象信息、交通信息、地形信息，以多源相关信息经预处理后作为样本，以大气污染物浓度分布作为样本标签；

模型构建模块，用于构建包含特征提取单元和重构单元的多模态重构模型，其中，特征提取单元包含多个特征提取模块，每个特征提取模块对应提取样本中每类相关信息的特征向量，重构单元对所有相关信息的特征向量进行融合运算以重构大气污染物浓度分布；

监督学习模块，用于利用样本和样本标签对多模态重构模型进行监督学习，以优化多模态重构模型参数；

重构应用模块，用于利用参数优化的多模态重构模型进行全时段三维大气污染物分布的重构。