CN110108609A - 一种基于卫星多通道的pm2.5浓度值分布情况获取方法及*** - Google Patents
一种基于卫星多通道的pm2.5浓度值分布情况获取方法及*** Download PDFInfo
- Publication number
- CN110108609A CN110108609A CN201910375338.8A CN201910375338A CN110108609A CN 110108609 A CN110108609 A CN 110108609A CN 201910375338 A CN201910375338 A CN 201910375338A CN 110108609 A CN110108609 A CN 110108609A
- Authority
- CN
- China
- Prior art keywords
- concentration value
- satellite
- data
- channel
- distribution situation
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 26
- 238000004364 calculation method Methods 0.000 claims abstract description 17
- 238000013480 data collection Methods 0.000 claims abstract description 12
- 238000001514 detection method Methods 0.000 claims abstract description 4
- 230000035945 sensitivity Effects 0.000 claims description 28
- 238000012216 screening Methods 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 5
- 238000013528 artificial neural network Methods 0.000 abstract description 2
- 239000007787 solid Substances 0.000 abstract description 2
- 238000012544 monitoring process Methods 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000001186 cumulative effect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 239000002803 fossil fuel Substances 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 239000013618 particulate matter Substances 0.000 description 1
- 230000037361 pathway Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
- G01N15/06—Investigating concentration of particle suspensions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Immunology (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Biochemistry (AREA)
- Molecular Biology (AREA)
- Pathology (AREA)
- Analytical Chemistry (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Dispersion Chemistry (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Radio Relay Systems (AREA)
Abstract
本发明提供了一种基于卫星多通道的PM2.5浓度值分布情况获取方法及***,包括:确定PM2.5浓度值分布情况待测地点,获取待测地点的历史卫星通道数据集和历史实际观测数据集;根据卫星通道数据集和实际检测数据集建立反演计算模型;获取当前实际检测数据,根据反演计算模型得到地面PM2.5浓度值分布情况以为应对雾霾提供数据支持。本发明通过卫星的多通道历史数据与历史观测数据,利用BP神经网络建立反演模型,并通过实际观测数据,运用反演模型计算地面的PM2.5浓度值。本发明的方法对于PM2.5浓度值的计算不存在盲区,计算得到的结果准确,为开展电网应对雾霾提供了坚实的数据基础。
Description
技术领域
本发明属于输配电技术领域,具体公开了一种基于卫星多通道的PM2.5浓度值分布情况获取方法及***。
背景技术
随着我国化石燃料消费逐年递增,污染排放量也在增大,在冬季,当静稳天气出现时,导致雾霾频频发生,影响人们的身体健康,同时也对社会生产产生影响。
PM2.5作为颗粒物是雾霾的主要成分,是雾霾监测的重点,传统的监测方式主要是采用地面站点进行监测,但由于站点分布稀疏,难以覆盖整个区域,往往导致监测“盲区”。由于卫星具有覆盖范围广、连续性好,因此卫星应用于雾霾监测不断发展。但传统卫星监测往往使用辐散传输方程等方法,计算复杂,且受到薄云等干扰,导致监测偏差。
随着大数据机器学习技术发展,能够较好的从历史数据库中提取有效的通道信息,建立卫星PM2.5计算模型,开展卫星反演PM2.5计算。
发明内容
本发明的目的在提供一种基于卫星多通道的PM2.5浓度值分布情况获取方法及***,以解决现有技术中存在测量盲区以及测量偏差的技术缺陷。
为实现上述目的,本发明首先提供了一种基于卫星多通道的PM2.5浓度值分布情况获取方法,包括以下步骤:
确定PM2.5浓度值分布情况待测地点,获取待测地点的历史卫星通道数据集和历史实际观测数据集;
根据卫星通道数据集和实际检测数据集建立反演计算模型;
获取当前实际检测数据,根据反演计算模型得到地面PM2.5浓度值分布情况以为应对雾霾提供数据支持。
优选地,建立反演计算模型前需要对数据进行有效性筛选,有效性筛选的具体方式为:
将数据集中缺失的数据删除,从而获取对于某一时刻数据均齐全的数据集,其中,数据集包括历史卫星通道数据集和历史实际观测数据集。
优选地,数据集的数据长度为3年。
优选地,在有效性筛选后,建立反演计算模型前,还需要计算卫星每一个通道中的PM2.5敏感值,计算PM2.5敏感值的具体方式为:
将PM2.5浓度值进行等级划分;
计算每个等级对应时间上通道t的PM2.5浓度值在每一个等级的平均值,并且绘制变化折线图;
计算折线图每一段折线的斜率,并取绝对值后求和,作为通道t的敏感值。
优选地,通道为36个。
优选地,等级包括5个,PM2.5浓度值为0-30时为优;PM2.5浓度值为30-60时为良;PM2.5浓度值为60-100时为轻度污染;PM2.5浓度值为100-150时为中度污染;PM2.5浓度值为150以上时为重度污染。
优选地,在计算PM2.5敏感值后,建立反演计算模型前,还需要对卫星的每一个通道进行敏感度筛选,敏感度筛选的具体方式为:
将所有通道按照敏感值进行排序;
以PM2.5敏感值最大的通道作为基础,将PM2.5敏感值小于基准通道PM2.5敏感值90%的通道数据集删除;
将剩余的通道的数据集作为建立反演计算模型的数据集。
优选地,上述卫星均为MODIS卫星。
依托于上述方法,本发明还提出了一种基于卫星多通道的PM2.5浓度值分布情况获取***,包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,处理器执行计算机程序时实现上述任一方法的步骤。
本发明具有以下有益效果:
1、本发明通过卫星的多通道历史数据与历史观测数据。利用BP神经网络建立反演模型,并通过实际观测数据,运用反演模型计算地面的PM2.5浓度值。本发明的方法对于PM2.5浓度值的计算不存在盲区,计算得到的结果准确,为开展电网应对雾霾提供了坚实的数据基础。
2、本发明流程简便,能够通过机器学习的方式快速计算地面的PM2.5浓度值。
3、本发明通用性好,能够用于不同区域,不同类型卫星的PM2.5反演。
下面将参照附图,对本发明作进一步详细的说明。
附图说明
构成本申请的一部分的附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1为本发明优选实施例提供的一种基于卫星多通道的PM2.5浓度值分布情况获取方法流程图;
图2为本发明优选实施例提供的计算PM2.5敏感值时构建的变化折线图。
具体实施方式
以下结合附图对本发明的实施例进行详细说明,但是本发明可以由权利要求限定和覆盖的多种不同方式实施。
本发明提供了一种基于卫星多通道的PM2.5浓度值分布情况获取方法,参见图1,包括以下步骤:
S1:历史数据收集。
确定PM2.5浓度值分布情况待测地点,获取待测地点的历史卫星通道数据集和历史实际观测数据集。
确定监测区域A,收集历史上区域A内,某一颗卫星通道数据集S和实际观测数据集O,数据时间长度为T。其中,数据时间长度T为3年。
S2:有效数据筛选。
对数据进行有效性筛选,有效性筛选的具体方式为:
将数据集中缺失的数据删除,从而获取对于某一时刻数据均齐全的数据集,其中,数据集包括历史卫星通道数据集和历史实际观测数据集。
对S1收集的数据集,在T时段内,将数据集中缺失的数据删除,从而获取对于某一时刻数据均齐全的数据集。数据集包括卫星通道数据集S1和观测数据O1,其中数据集S1包括k个通道。这里的k=36,即卫星包括36个通道。
具体的操作如下:
(1)遍历所有时刻,判断某一时刻观测数据、卫星数据是否都有;
(2)如果都有,则为有效数据;
(3)如果缺失某一个数据,则该时刻数据删除。
S3:通道敏感值计算。
计算卫星每一个通道中的PM2.5敏感值,计算PM2.5敏感值的具体方式为:
S301:将PM2.5浓度值进行等级划分。
等级包括5个,PM2.5浓度值为0-30时为优;PM2.5浓度值为30-60时为良;PM2.5浓度值为60-100时为轻度污染;PM2.5浓度值为100-150时为中度污染;PM2.5浓度值为150以上时为重度污染。
S302:计算五个等级对应时间上通道1的PM2.5浓度值在每一个等级的平均值,并且绘制变化折线图。
参见图2,图2为计算五个等级对应时间上t通道在每一个等级的平均值,并且绘制成的变化折线图。
对应时间的时间长度可以根据PM2.5观测序列的长短确定,本实施例中时间长度为3年。
S303:计算折线图每一段折线的斜率,并取绝对值后求和,作为通道1的敏感值。
最后重复S3计算所有通道2-通道36的敏感值。
表1为36个通道斜率值,即36个通道的PM2.5敏感值。
表1 36个通道斜率值
通道 | 斜率值 | 通道 | 斜率值 | 通道 | 斜率值 | 通道 | 斜率值 |
1 | 4.20 | 11 | 1.76 | 21 | 0.38 | 31 | 0.81 |
2 | 1.27 | 12 | 4.15 | 22 | 0.27 | 32 | 3.97 |
3 | 4.07 | 13 | 2.93 | 23 | 2.65 | 33 | 1.56 |
4 | 1.22 | 14 | 2.75 | 24 | 3.90 | 34 | 2.64 |
5 | 4.65 | 15 | 4.59 | 25 | 4.67 | 35 | 0.83 |
6 | 1.75 | 16 | 1.43 | 26 | 0.65 | 36 | 1.53 |
7 | 0.98 | 17 | 3.79 | 27 | 2.84 | ||
8 | 1.26 | 18 | 3.77 | 28 | 2.35 | ||
9 | 3.08 | 19 | 1.90 | 29 | 0.06 | ||
10 | 2.37 | 20 | 2.84 | 30 | 1.69 |
S4:敏感通道筛选。
对卫星的每一个通道进行敏感度筛选,敏感度筛选的具体方式为:
S401:将所有通道按照敏感值进行排序。
S402:以PM2.5敏感值最大的通道作为基础,将PM2.5敏感值小于基准通道PM2.5敏感值90%的通道数据集删除;
S403:将剩余的通道的数据集作为建立反演计算模型的数据集。
对T时间内的通道值进行两两相关,并根据S3计算的通道敏感值,进行排序。
对于排序在第一位的通道进行选取,并删除后面相关置信度超过90%的通道。
对于删除后的序列再次选取最大的敏感值通道,并继续删除后面相关置信度超过90%的通道,如此反复,直到最后一个通道。
将选取的通道组成筛选通道集合St。
这里包括通道25,5,15,1,12。
S5:神经网络反演模型建立。
根据卫星通道数据集和实际检测数据集建立反演计算模型;
S6:地面PM2.5计算。
获取当前实际检测数据,根据反演计算模型得到地面PM2.5浓度值分布情况以为应对雾霾提供数据支持。
依托于上述方法,本发明还提出了一种基于卫星多通道的PM2.5浓度值分布情况获取***,包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,处理器执行计算机程序时实现上述任一方法的步骤。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (9)
1.一种基于卫星多通道的PM2.5浓度值分布情况获取方法,其特征在于,包括以下步骤:
确定PM2.5浓度值分布情况待测地点,获取所述待测地点的历史卫星通道数据集和历史实际观测数据集;
根据所述卫星通道数据集和所述实际检测数据集建立反演计算模型;
获取当前实际检测数据,根据所述反演计算模型得到地面PM2.5浓度值分布情况以为应对雾霾提供数据支持。
2.根据权利要求1所述的一种基于卫星多通道的PM2.5浓度值分布情况获取方法,其特征在于,建立反演计算模型前需要对数据进行有效性筛选,有效性筛选的具体方式为:
将数据集中缺失的数据删除,从而获取对于某一时刻数据均齐全的数据集,其中,数据集包括历史卫星通道数据集和历史实际观测数据集。
3.根据权利要求2所述的一种基于卫星多通道的PM2.5浓度值分布情况获取方法,其特征在于,所述数据集的数据长度为3年。
4.根据权利要求2所述的一种基于卫星多通道的PM2.5浓度值分布情况获取方法,其特征在于,在有效性筛选后,建立反演计算模型前,还需要计算卫星每一个通道中的PM2.5敏感值,计算PM2.5敏感值的具体方式为:
将PM2.5浓度值进行等级划分;
计算每个等级对应时间上通道t的PM2.5浓度值在每一个等级的平均值,并且绘制变化折线图;
计算所述折线图每一段折线的斜率,并取绝对值后求和,作为通道t的敏感值。
5.根据权利要求4所述的一种基于卫星多通道的PM2.5浓度值分布情况获取方法,其特征在于,所述通道为36个。
6.根据权利要求4所述的一种基于卫星多通道的PM2.5浓度值分布情况获取方法,其特征在于,所述等级包括5个,PM2.5浓度值为0-30时为优;PM2.5浓度值为30-60时为良;PM2.5浓度值为60-100时为轻度污染;PM2.5浓度值为100-150时为中度污染;PM2.5浓度值为150以上时为重度污染。
7.根据权利要求4所述的一种基于卫星多通道的PM2.5浓度值分布情况获取方法,其特征在于,在计算PM2.5敏感值后,建立反演计算模型前,还需要对卫星的每一个通道进行敏感度筛选,所述敏感度筛选的具体方式为:
将所有通道按照敏感值进行排序;
以PM2.5敏感值最大的通道作为基础,将PM2.5敏感值小于基准通道PM2.5敏感值90%的通道数据集删除;
将剩余的通道的数据集作为建立反演计算模型的数据集。
8.根据权利要求1-7任一所述的一种基于卫星多通道的PM2.5浓度值分布情况获取方法,其特征在于,所述卫星为MODIS卫星。
9.一种基于卫星多通道的PM2.5浓度值分布情况获取***,包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现上述权利要求1至8任一所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910375338.8A CN110108609B (zh) | 2019-05-07 | 2019-05-07 | 一种基于卫星多通道的pm2.5浓度值分布情况获取方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910375338.8A CN110108609B (zh) | 2019-05-07 | 2019-05-07 | 一种基于卫星多通道的pm2.5浓度值分布情况获取方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110108609A true CN110108609A (zh) | 2019-08-09 |
CN110108609B CN110108609B (zh) | 2021-11-02 |
Family
ID=67488466
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910375338.8A Active CN110108609B (zh) | 2019-05-07 | 2019-05-07 | 一种基于卫星多通道的pm2.5浓度值分布情况获取方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110108609B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112378828A (zh) * | 2020-12-11 | 2021-02-19 | 中科三清科技有限公司 | 基于卫星遥感数据反演大气细颗粒物浓度的方法及装置 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2000131218A (ja) * | 1998-10-26 | 2000-05-12 | Ntt Data Corp | 水中物質の濃度推定方法及び装置、記録媒体 |
CN104180880A (zh) * | 2013-05-21 | 2014-12-03 | 浙江托普仪器有限公司 | 一种全自动计数与称重装置 |
CN106442236A (zh) * | 2015-07-30 | 2017-02-22 | 中国科学院遥感与数字地球研究所 | 基于卫星遥感的地面pm2.5反演方法及*** |
CN106979911A (zh) * | 2017-03-07 | 2017-07-25 | 南京航空航天大学 | 利用卫星多光谱影像数据进行pm 2.5和pm 10估算的方法 |
CN109582910A (zh) * | 2018-12-11 | 2019-04-05 | 国网湖南省电力有限公司 | 基于空气混合高度的地面pm2.5的计算方法及*** |
CN109657363A (zh) * | 2018-12-24 | 2019-04-19 | 天津珞雍空间信息研究院有限公司 | 一种时空连续的pm2.5反演方法 |
-
2019
- 2019-05-07 CN CN201910375338.8A patent/CN110108609B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2000131218A (ja) * | 1998-10-26 | 2000-05-12 | Ntt Data Corp | 水中物質の濃度推定方法及び装置、記録媒体 |
CN104180880A (zh) * | 2013-05-21 | 2014-12-03 | 浙江托普仪器有限公司 | 一种全自动计数与称重装置 |
CN106442236A (zh) * | 2015-07-30 | 2017-02-22 | 中国科学院遥感与数字地球研究所 | 基于卫星遥感的地面pm2.5反演方法及*** |
CN106979911A (zh) * | 2017-03-07 | 2017-07-25 | 南京航空航天大学 | 利用卫星多光谱影像数据进行pm 2.5和pm 10估算的方法 |
CN109582910A (zh) * | 2018-12-11 | 2019-04-05 | 国网湖南省电力有限公司 | 基于空气混合高度的地面pm2.5的计算方法及*** |
CN109657363A (zh) * | 2018-12-24 | 2019-04-19 | 天津珞雍空间信息研究院有限公司 | 一种时空连续的pm2.5反演方法 |
Non-Patent Citations (1)
Title |
---|
刘显通 等: "基于卫星遥感资料监测地面细颗粒物的敏感性分析", 《中国环境科学》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112378828A (zh) * | 2020-12-11 | 2021-02-19 | 中科三清科技有限公司 | 基于卫星遥感数据反演大气细颗粒物浓度的方法及装置 |
CN112378828B (zh) * | 2020-12-11 | 2021-09-17 | 中科三清科技有限公司 | 基于卫星遥感数据反演大气细颗粒物浓度的方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN110108609B (zh) | 2021-11-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110084418B (zh) | 一种突发大气污染事故应急监测的监测点优化布设方法 | |
DE112011100419B4 (de) | Datenverarbeitungsverfahren und -system zur Rohrleitungsleckageüberprüfung | |
CN106447210B (zh) | 一种计及可信度评价的配网设备健康度动态诊断方法 | |
CN110427533B (zh) | 基于时序粒子跟踪的污染传播模式可视分析方法及*** | |
CN103345566B (zh) | 基于地质内涵的化探异常识别与评价方法 | |
CN105678481A (zh) | 一种基于随机森林模型的管线健康状态评估方法 | |
CN107436277A (zh) | 基于相似距离判别的单指标数据质量控制方法 | |
CN105067209A (zh) | 基于桥梁健康监测变形数据判定桥梁结构刚度变化的方法 | |
CN112816380A (zh) | 基于大数据分析的建筑工程工地施工环境在线监测方法及监测云平台 | |
CN103278616B (zh) | 一种土壤腐蚀性快速评价的多因子方法 | |
CN111709646B (zh) | 空气污染暴露风险评价方法及*** | |
CN107798418A (zh) | 一种基于交通分析小区的交通事故频次预测方法 | |
CN115389385B (zh) | 基于作业环境和人体职业健康的粉尘智能监测预警*** | |
CN117075224B (zh) | 一种用于评价矿震监测台站检测能力的方法 | |
CN111476504A (zh) | 一种基于修复效率的精细化场地调查方法 | |
CN108615054B (zh) | 排水管网节点间相似性衡量的综合指标构建方法 | |
CN103134433A (zh) | 一种利用位移监测鉴别边坡失稳致滑因子的方法 | |
CN114004950B (zh) | 一种基于BIM与LiDAR技术的路面病害智能识别与管理方法 | |
WO2022083375A1 (zh) | 人员位置异常监测方法及装置 | |
CN110108609A (zh) | 一种基于卫星多通道的pm2.5浓度值分布情况获取方法及*** | |
CN115100819A (zh) | 基于大数据分析的滑坡灾害预警方法、装置及电子设备 | |
CN111400424B (zh) | 基于gis的人员异常聚集自动识别方法及装置 | |
CN112200399A (zh) | 一种地震成灾风险评估和经济损失预测方法 | |
CN109613179B (zh) | 累积高值区的确定方法 | |
CN109725121B (zh) | 一种生成采样任务的方法和*** |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |