一种高效近地表pm2.5浓度估算方法及估算系统的制作方法
【技术领域】
[0001]本发明涉及地球科学计算领域，特别是涉及一种高效近地表PM2.5浓度估算方法及估算系统。
【背景技术】
[0002]细颗粒物(PM2.5)是指空气动力学当量粒径小于等于2.5 μ m的大气颗粒物。PM2.5产生的主要来源是日常发电、工业生产、汽车尾气排放等过程中经过燃烧而排放的残留物以及建筑扬尘，大多含有重金属等有毒物质，此外大气中其它污染物(如的相互作用形成的二次污染物也是细颗粒物的重要来源。PM2.5已经逐渐成为我国大多数城市的首要大气污染物并受到舆论的广泛关注，加强对PM2.5污染的研究是我国面临的一项紧迫任务，具有重要的科学意义和应用价值。
[0003]PM2.5地基观测可以获得第一时间内的实测资料，积累大量的环境背景数据，但也存在其局限性，主要表现为:①PM2.5浓度监测需要特定的观测仪器才能实现；②由于观测仪器、设施昂贵，只能在有限的站点进行，而有限站点观测不能保证研究所需的时间频率和空间覆盖率。而且，由于监测站点有限且大多分布在城市区域的自动监测点位，无法提供全面及时的空气质量统计资料。
[0004]传统的PM2.5浓度遥感监测方法都是基于气溶胶光学厚度(AOD)进行的，受AOD数据精度的限制较大，无法避免AOD反演过程中的误差传播问题。此外，如何准确表达AOD与近地表PM2.5浓度之间的关系也是传统遥感监测方法面临的一个瓶颈。
[0005]故而，在这种背景下，一种新的、能够对PM2.5浓度进行大范围动态监测的遥感监测方法，为科研和产业中亟待解决的问题。
【发明内容】
[0006]本发明所要解决的技术问题在于提供一种近地表PM2.5浓度遥感监测方法、装置及其系统，用于解决PM2.5浓度地基观测不足、传统遥感监测方法受限于AOD数据精度的问题。
[0007]本发明进一步解决了，在引入气象因子条件下提高近地表PM2.5遥感监测精度的问题。
[0008]为达到上述目的，本发明提供的近地表PM2.5浓度遥感估算方法，包括建立近地表PM2.5浓度遥感估算模型的步骤和近地表PM2.5浓度遥感估算的步骤，其特征在于，
[0009]该建立近地表PM2.5浓度遥感估算模型的步骤进一步包括:
[0010]一数据压缩子步骤，用于提取遥感数据主要的光谱信号结构特征；
[0011]一数据匹配子步骤，用于根据PM2.5地面监测站点的空间坐标提取相应的遥感信息以及地面监测数据；
[0012]一估算模型构建子步骤，用于根据匹配出的遥感信息和PM2.5地面监测数据构建近地表PM2.5浓度遥感估算模型。
[0013]该近地表PM2.5浓度遥感估算的步骤进一步包括:
[0014]一估算请求子步骤，用于对估算输入数据的预处理；
[0015]一估算子步骤，用于根据该估算请求进行估算，并输出估算结果。
[0016]上述近地表PM2.5浓度遥感估算方法，其特征在于，所述数据压缩子步骤进一步包括:
[0017]步骤SlOl，构建PM2.5地面监测站点空间数据集；
[0018]步骤S102,利用奇异值分解SVD (Singular Value Decomposit1n)方法提取遥感数据主要的光谱信号结构特征。
[0019]上述近地表PM2.5浓度遥感估算方法，其特征在于，所述数据匹配子步骤进一步包括遥感观测信息的提取，PM2.5浓度地面监测数据的提取、生成时间序列的遥感观测信息与PM2.5浓度地面监测数据的匹配数据集三个环节。
[0020]上述近地表PM2.5浓度遥感估算方法，其特征在于，所述估算模型构建子步骤中，根据得到的匹配数据集，利用多层前馈神经网络构建近地表PM2.5浓度遥感估算模型。
[0021]上述近地表PM2.5浓度遥感估算方法,其特征在于,所述近地表PM2.5浓度遥感估算步骤中还进一步包括:一估算精度优化子步骤，用于引入适当的气象因子，提高近地表PM2.5浓度估算精度。
[0022]进一步的，本发明还提供了一种实现上述方法的系统，其特征在于，包括:
[0023]一模型构建子系统，用于根据匹配的时间序列的遥感信息、PM2.5浓度监测数据构建近地表PM2.5浓度估算模型；
[0024]一近地表PM2.5浓度估算子系统，用于根据模型构建子系统实现的近地表PM2.5浓度估算模型，基于输入数据估算近地表PM2.5浓度；
[0025]一估算结果可视化子系统，用于返回近地表PM2.5浓度估算结果及其可视化。
[0026]上述系统，其特征在于，还包括:在构建估算模型时可引入适当的气象因子，以提高模型的估算精度。
[0027]上述系统，其特征在于，
[0028]所述模型构建子系统进一步包括:
[0029]一数据压缩单元，用于对MODIS观测通道主要光谱信号结构特征的提取；
[0030]一数据匹配单元，用于构建时间序列的相匹配的遥感信息与近地面PM2.5浓度地面观测数据的数据集；
[0031]一模型构建单元，根据匹配数据集，利用多层前馈神经网络建立近地表PM2.5浓度遥感估算模型；
[0032]所述近地表PM2.5浓度估算子系统进一步包括:
[0033]一估算请求处理单元，用于处理估算请求，提取输入数据各观测通道的主要光谱信号结构特征；
[0034]一估算单元，用于根据该估算请求进行估算，并输出估算结果；
[0035]所述估算结果可视化子系统进一步包括:
[0036]一结果处理单元，用于进行近地表PM2.5浓度估算结果的修饰处理；
[0037]一结果可视化单元，用于近地表PM2.5浓度估算结果的可视化。
[0038]与现有技术相比，本发明的有益技术效果在于:
[0039](I)通过数据压缩的方法，能够有效提取出MODIS各观测通道的主要光谱信号结构特征，避免PM2.5浓度估算受AOD数据精度限制的问题；
[0040](2)利用LM-BP算法优化的人工神经网络模型，使得该方法能够有效的表达MODIS观测信号与近地表PM2.5浓度之间的非线性统计关系。
【附图说明】
[0041]图1为本发明的一种近地表PM2.5浓度遥感估算方法建立估算模型的实施例流程图；
[0042]图2为本发明的一种近地表PM2.5浓度遥感估算方法估算过程的实施例流程图；
[0043]图3为本发明的一种近地表PM2.5浓度遥感估算系统的结构框图；
[0044]图4为本发明的一种近地表PM2.5浓度遥感估算系统的模型构建流程图。
【具体实施方式】
[0045]下面结合附图和实施例对本发明作详细的说明，以进一步了解本发明之目的、方案及功效。
[0046]本发明提供的高效近地表PM2.5浓度遥感估算方法包括模型构建和结果估算两个相对独立的过程。
[0047]估算模型构建过程的基本思想是:利用奇异值分解SVD (Singular ValueDecomposit1n)方法对MODIS卫星过境时刻各通道的亮温值进行分解，提取主要的光谱信号结构特征；根据PM2.5地面监测站点的空间坐标匹配相应的遥感信息与PM2.5浓度地面监测数据，得到时间序列的匹配数据集，进而基于多层前馈神经网络建立近地表PM2.5浓度遥感估算模型。
[0048]图1示出了本发明近地表PM2.5浓度遥感估算方法中估算模型构建过程的具体实施流程。参考图1，本发明近地表PM2.5浓度遥感估算方法中，建立估算模型的过程进一步包括以下步骤:
[0049]步骤SlOl，构建PM2.5地面监测站点空间数据集。
[0050]PM2.5地面监测站点空间坐标数据集中存储的是PM2.5地面监测站点空间坐标及监测值，为步骤S103的数据匹配提供数据基础。
[0051]步骤S102,利用奇异值分解SVD (Singular Value Decomposit1n)方法提取遥感数据主要的光谱信号结构特征。
[0052]奇异值分解SVD(Singular Value Decomposit1n)是线性代数中一种重要的矩阵分解，是矩阵分析中正规矩阵酉对角化的推广，常用于解最小平方误差法和数据压缩，步骤S102利用奇异值分解SVD方法对遥感观测信息进行分解，提取其主要的光谱信号结构特征。
[0053]步骤S103，构建模型时间序列训练用匹配数据集。
[0054]根据步骤SlOl的PM2.5地面监测站点空间数据匹配步骤S102的遥感信息，得到时间序列的匹配数据集，以之作为构建近地表PM2.5浓度遥感估算模型的训练数据集。
[0055]步骤S104，根据匹配数据集构建近地表PM2.5浓度遥感估算模型。
[0056]近地表PM2.5浓度遥感估算模型是基于多元前馈人工神经网络构建的，一个神经网络通常由3层神经元组成:输入层、隐藏层和输出层，每层都可以包含多个节点或神经元，隐藏层通过调整训练过程中的权重减小误差。神经元之间通过输出信号和权重相联系，输出信号和权重通过一个简单的非线性变化或激活函数来调整。
[0057]将步骤S103的匹配数据集随机分配到三个子集:训练数据集(40% )、测试数据集(20% )和验证数据集(40% )，训练的过程是将输入数据反复输入神经网络，在数据每次通过时计算输出数据，并与目标数据相比得到一个误差，再将这个误差反馈给网络，通过网络的迭代训练