区域大气污染物千米级分辨率立体分布的重构方法

技术领域

本发明属于光学测量技术领域，具体涉及一种区域大气污染物千米级分辨率立体分布的重构方法。

背景技术

随着社会的进步和人民生活水平的提高，人们对生存的环境也越来越重视。避免环境继续恶化，解决环境问题也逐渐成为人们的共识。

目前的环境监测仪器多为点式采样，受限于大气环境监测仪器的价值，大范围立体布置是不现实的，难以满足复杂多变的环境监测需要，部分光学监测仪器突破了这一局限性。如激光雷达可以观测部分污染物沿观测方向中远距离的分布情况；傅里叶红外光谱仪可以根据污染物对干涉图样的影响检测大气污染物相对浓度；超光谱仪器可以根据污染物对不同波长光的特异性吸收获得其浓度。然而这些仪器都不能实现对区域的污染物三维立体分布进行监测，现有深度学习结果也仅仅是对近地面大气污染物浓度水平分布进行重构。由于排放源和复杂的大气化学反应，大气污染物分布随时间空间变化非常剧烈，获得污染物区域三维立体分布具有重要研究价值。

发明内容

本发明的目的在于提供一种能够对区域污染物三维立体分布进行监测的区域大气污染物千米级分辨率立体分布的重构方法，以实现一定区域内大气污染物的立体空间分布重构，为大气污染物成因解析和减控提供科学依据。

本发明提供的区域大气污染物千米级分辨率立体分布的重构方法，是将超光谱遥感网络观测到的大气污染物垂直分布廓线与深度学习技术相结合，根据超光谱观测数据、气象模拟数据、地理信息重构观测未覆盖区域大气污染物千米级分辨率立体分布；具体步骤为：

步骤1，以MAX-DOAS水平遥感、无人机遥感、地面监测站点原位监测合并为一个长度为3的数据，每个数据允许1～2种数据的缺失，构建数据集，记为标签L1。

步骤2，构建卷积神经网络N1；由高分辨率卫星持续获得的目标区域大气污染物的垂直柱浓度、大气化学模式获得的气象信息，以及人口、道路网、土地覆盖类型等地理信息，构建数据集，记为D1；以D1作为卷积神经网络N1的输入数据，以L1作为卷积神经网络N1的标签，通过训练获得高精度近地面大气污染物数据的模型M1，其损失函数为标签L1的3种数据非缺失值的平均均方根误差的加权平均值；

构建的卷积神经网络N1的具体结构组成(参见图3所示)，包括：

按照标签L1数据的时间选取邻近时间D1数据生成序列，得到其时间尺度数据；按照标签L1数据的经纬度选取邻近位置D1数据生成三维矩阵(经度，维度，高度)，得到其空间尺度数据；

注：L1的每条数据都有其经纬度(空间信息，假设其某个数据位置为(x,y))和采集时间(时间信息，假设其某个数据采集时间为t)；

在和D1中的卫星数据、气象数据这些数据相较而言，可以看作点式采样，而D1中的数据在空间上可以看作三维数据(经度，维度，高度)，在时间上也是连续的，在时间尺度上取(x,y)处t时刻及t时刻之前一段时间的数据，在空间尺度上取t时刻(x,y)处周围点的数据。

将卫星观测污染物柱浓度、近地面气象信息、地理信息的时间尺度数据和空间尺度数据分别通过两次残差结构后拼接，再次通过残差结构，获得数据，分别记为D

将D

使用损失函数F1计算L1与L1’的损失值，使用RMSProp优化器更新网路参数，优化损失函数结果。

其中，所述残差结构具体(参见图3所示)包括：一平均池化层、六个卷积层、以及卷积层之间的标准化层、激活函数；

(1)输入数据经过平均池化层后数据记为X；将X通过一层卷积层后使用批标准化层得到的数据记为F1(X)；将X通过一层卷积层后使用批标准化、relu激活函数得到的数据记为F2(X)；将X通过三层卷积层，层间使用批标准化、relu激活函数，之后使用批标准化得到的数据记为F3(X)；

(2)将F1(X)、F3(X)相加后使用relu激活函数得到的数据记为H1(X)，将H1(X)通过一层卷积层后使用批标准化、relu激活函数得到的数据记为G2(X)；

(3)将F2(X)、G2(X)相加后输出。

训练卷积神经网络N1用的损失函数F1为：

式中，L1、L1′的下标0，1，2分别表示标签L1、L1′的三种数据，A、B、C分别表示标签L1、L1′的3种数据非缺失值的数量。

步骤3，构建卷积神经网络N2；以大气化学模式获得的千米级气象数据、卫星观测得到的对流层大气污染物数据、MAX-DOAS背景站垂直遥感观测结果、步骤2获得的高精度的近地面大气污染物数据，构建数据集，记为D2，以D2作为卷积神经网络N2的输入数据，以分层标准化后的MAX-DOAS垂直遥感观测结果，作为标签L2，通过训练，获取大气污染物立体分布结果的模型M2，损失函数采用误差的双曲余弦的对数(Log-Cosh)。

构建的卷积神经网络N2的具体结构组成(参见图4所示)，包括：

将D2中的卫星观测得到的对流层大气污染物数据、MAX-DOAS背景站垂直遥感观测结果、步骤2获得的高精度的近地面大气污染物数据、各种千米级气象数据分别输入残差结构；将所得数据拼接后再通过卷积结构，获得输出结果，记为L2’；

使用损失函数F2计算L2与L2’的损失值，使用RMSProp优化器更新网路参数，优化损失函数结果。

其中，所述残差结构具体(参见图4所示)包括：四个卷积层，其中，前后两个卷积层之间均设有批标准化层和激活函数；最后为批标准化层和激活函数；

(1)将输入数据记为X。将X通过一层卷积层后使用批标准化、relu激活函数得到的数据，记为F1(X)，将F1(X)通过一层卷积层后使用批标准化得到的数据记为F2(X)；

(2)将F2(X)、X相加后使用relu激活函数得到数记为H1(X)；

(3)将H1(X)通过一层卷积层后使用批标准化、relu激活函数得到的数据记为F3(X)，将F3(X)通过一层卷积层后使用批标准化得到的数据记为F4(X)；

(4)将F4(X)、H1(X)相加使用relu激活函数后输出。

其中，所述卷积结构具体(参见图4所示)包括：一卷积层、一最大池化层以及以及两者之间的标准化层，另一卷积层、另一最大池化层以及两者之间的标准化层，平均池化层，2层全连接层；

(1)将输入数据记为X。X通过一层步长为1的2*2卷积层后使用批标准化、relu激活函数得到的数据，记为F1(X)，将F1(X)通过一层2*2最大池化后得到的数据，记为F2(X)；

(2)将F2(X)通过一层步长为1的2*2卷积层后使用批标准化、relu激活函数得到的数据，记为F3(X)，将F3(X)通过一层2*2最大池化后得到的数据记为F4(X)；

(3)将F4(X)通过一层平均池化层和两层全连接层后输出；

训练卷积神经网络N2用的失函数F2为：

式中，M为MAX-DOAS垂直遥感观测结果的层数，N为MAX-DOAS垂直遥感观测结果的总数，L2

步骤4，给模型M2输入区域内所有空间点某时刻对应的以大气化学模式获得的千米级气象数据、卫星观测得到的对流层大气污染物数据、MAX-DOAS背景站垂直遥感观测结果、步骤2获得的高精度的近地面大气污染物数据，获得该时刻区域内的三维立体大气污染物分布。

考虑到不同高度污染物浓度峰值存在差异，本发明中使用的MAX-DOAS垂直遥感观测结果在进行标准化时采用的是分层的标准化，确保标准化后数据量级的一致；考虑到不同区域气象信息与污染物浓度之间的相互作用可能存在差异，本发明限定了模型的适用区域，并在区域内不同位置密集布置了多台MAX-DOAS观测仪器，更有利于提取大气化学模式获得的气象信息与污染物浓度分布的对应关系。

本发明提供的区域大气污染物千米级分辨率立体分布的重构方法首次提出了使用模型构建区域内的一台或多台MAX-DOAS站点观测作为输入，不再仅仅依赖于大气化学模式获得的气象信息，给模型输入了足够的垂直信息，使垂直重构结果更加可信，使用了卫星观测数据和地面观测数据相结合重构了高精度的近地面大气污染物数据，同时引入了卫星观测得到的对流层大气污染物数据，给模型提供了丰富的水平信息，使水平重构结果更加合理，从而实现了大气污染物千米级分辨率三维立体分布重构。

附图说明

图1为区域大气污染物千米级分辨率立体分布的重构方法流程图。

图2为实施例所选取的大气污染物立体分布重构范围(116.95°E～117.58°E,31.65°

N～32.05°N)与观测仪器位置示意图。

图3为构建卷积神经网络N1获得高精度污染物近地面水平浓度分布重构模型M1的流程图。

图4为构建卷积神经网络N1获得大气污染物立体分布结果模型M2的流程图。

图5为实施例中获得的某时刻选取区域范围内(116.95°E～117.58°E,31.65°N～32.05°N)NO2的立体重构结果。

图6为实施例获得的测试集标签与重构结果在不同高度的对比结果。

图7为实施例获得的最底层重构结果与选取区域范围内国控点NO2数据的对比结果。

具体实施方式

以下结合附图及实施例对本发明作进一步说明。

图1是区域大气污染物千米级分辨率立体分布的重构方法的流程图，图2是实施例所选取的大气污染物立体分布重构范围(116.95°E～117.58°E,31.65°N～32.05°N)与观测仪器位置示意图。实施例提供的基于超光谱遥感和深度学习的NO

步骤1，以MAX-DOAS水平遥感、无人机遥感、地面监测站点原位监测合并为一个长度为3的数据，每个数据允许1～2种数据的缺失，构建数据集，记为标签L1。

按照拟合均方根误差rms<0.001的标准筛选获得的MAX-DOAS水平遥感斜柱浓度数据；按照拟合均方根误差rms<0.002的标准筛选获得的无人机遥感斜柱浓度数据，并使用大气辐射传输模型模拟大气质量因子，修正无人机遥感数据。

将MAX-DOAS水平遥感、无人机遥感、地面监测站点原位监测数据标准化后合并为长度为3的数据，允许1～2个数据的缺失，缺失值统一设定为空值，构建近地面NO

步骤2，构建卷积神经网络N1；由高分辨率卫星持续获得的目标区域大气NO

构建的卷积神经网络N1的具体结构组成，包括：

按照标签L1数据的时间选取邻近时间D1数据生成序列，得到其时间尺度数据；按照标签L1数据的经纬度选取邻近位置D1数据生成三维矩阵：经度，维度，高度，得到其空间尺度数据；

将卫星观测NO

将D

使用损失函数F1计算L1与L1’的损失值，使用RMSProp优化器更新网路参数，优化损失函数结果；学习率初始值设置为0.0001，随着迭代次数增加逐渐降低；

其中，所述残差结构具体(参见图3所示)包括：一平均池化层、六个卷积层、以及卷积层之间的标准化层、激活函数；

(1)输入数据经过平均池化层后数据记为X；将X通过一层卷积层后使用批标准化层得到的数据记为F1(X)；将X通过一层卷积层后使用批标准化、relu激活函数得到的数据记为F2(X)；将X通过三层卷积层，层间使用批标准化、relu激活函数，之后使用批标准化得到的数据记为F3(X)；

(2)将F1(X)、F3(X)相加后使用relu激活函数得到的数据记为H1(X)，将H1(X)通过一层卷积层后使用批标准化、relu激活函数得到的数据记为G2(X)；

(3)将F2(X)、G2(X)相加后输出。

训练卷积神经网络N1用的损失函数F1为：

式中，L1、L1′的下标0，1，2分别表示标签L1、L1′的三种数据，A、B、C分别表示标签L1、L1′的3种数据非缺失值的数量。

步骤3，构建卷积神经网络N2；以大气化学模式获得的千米级气象数据、卫星观测得到的对流层大气NO

卫星观测得到的对流层大气NO

https://doi.org/10.1038/s41377-020-0306-z。

构建的卷积神经网络N2的具体结构组成，包括：

将D2中的卫星观测得到的对流层大气NO

使用损失函数F2计算L2与L2’的损失值，使用RMSProp优化器更新网路参数，优化损失函数结果。学习率初始值设置为0.00008，随着迭代次数增加逐渐降低；

其中，所述残差结构具体(参见图4所示)包括：四个卷积层，其中，前后两个卷积层之间均设有批标准化层和激活函数；最后为批标准化层和激活函数；

(1)将输入数据记为X。将X通过一层卷积层后使用批标准化、relu激活函数得到的数据，记为F1(X)，将F1(X)通过一层卷积层后使用批标准化得到的数据记为F2(X)；

(2)将F2(X)、X相加后使用relu激活函数得到数记为H1(X)；

(3)将H1(X)通过一层卷积层后使用批标准化、relu激活函数得到的数据记为F3(X)，将F3(X)通过一层卷积层后使用批标准化得到的数据记为F4(X)；

(4)将F4(X)、H1(X)相加使用relu激活函数后输出。

其中，所述卷积结构具体(参见图4所示)包括：一卷积层、一最大池化层以及以及两者之间的标准化层，另一卷积层、另一最大池化层以及两者之间的标准化层，平均池化层，2层全连接层；

(1)将输入数据记为X。将X通过一层步长为1的2*2卷积层后使用批标准化、relu激活函数得到的数据，记为F1(X)，将F1(X)通过一层2*2最大池化后得到的数据记为F2(X)；

(2)将F2(X)通过一层步长为1的2*2卷积层后使用批标准化、relu激活函数得到的数据，记为F3(X)，将F3(X)通过一层2*2最大池化后得到的数据记为F4(X)；

(3)将F4(X)通过一层平均池化层和两层全连接层后输出。

训练卷积神经网络N2用的失函数F2为：

式中，M为MAX-DOAS垂直遥感观测结果的层数，N为MAX-DOAS垂直遥感观测结果的总数，L2

步骤4，给模型M2输入区域内所有空间点某时刻对应的以大气化学模式获得的千米级气象数据、卫星观测得到的对流层大气NO

实施例中获得了某时刻合肥市城区(116.95°E～117.58°E,31.65°N～32.05°N)的NO

以上所述的具体实施方式对本发明的技术方案和有益效果进行了详细说明，应理解的是以上所选取的大气污染物种类、选取进行立体重构的区域仅仅用以解释本发明，以上所述仅为本发明的最优选实施例，并不用于限制本发明，凡在本发明的原则范围内所做的任何修改、补充和等同替换等，均应包含在本发明的保护范围之内。