臭氧监测降尺度方法、装置、设备及计算机可读存储介质与流程

1.本发明属于遥感技术领域，特别涉及一种臭氧监测降尺度方法、装置、设备及计算机可读存储介质。


背景技术：

2.臭氧是常见的大气组分，能够有效削弱太阳紫外线的直接照射，对地球生态环境极为重要。同时，作为痕量气体，臭氧是一种较好的示踪剂，能够协同碳排放监测，实现对碳源的精准定位。然而，臭氧还是一种对人体有害物质，人体长时间暴露在高浓度的臭氧环境中，将显著提高人体患哮喘、呼吸道感染、高血压和缺血性心脏病等重大疾病的概率。因此，精细化监测大气中臭氧，特别是近地面臭氧的时空分布，能够有效保障“碳污同源”的准确实施和大气污染评价、治理和溯源工作的有效开展。
3.现有技术中，相关部门在各地设置了空气质量监测站点，并初步形成了地面监测网络，能够快速准确地获取近地面的包括臭氧(o3)、二氧化硫(so2)等污染气体浓度。然而，由于我国地面监测网络的站点数量依旧较少，站点设置密度不足，并且各站点监测的大气污染物数据仅代表以监测点为中心的较小范围，这就意味着地面站点几乎无法准确全面地监测大气污染状况。
4.遥感观测能够高频次地获取连续的大气分布信息，近年来基于遥感的大气污染物定量反演技术展现了巨大的应用潜力，并逐渐成为了大面积连续监测臭氧等大气污染物浓度的重要手段。然而由于遥感卫星本身硬件条件和外界气候条件的限制，现有的臭氧遥感反演产品表现出数据缺失、不同传感器之间统一性较弱和观测的空间分辨率较粗等一系列问题，单独的遥感观测难以对城区这样的小型区域实现精细化监测。
5.综上，如何融合地面大气监测站点和遥感卫星观测等多源大数据，并且如何从大数据中选择合适的辅助变量为精细化的连续臭氧观测提供数据支持，以及如何构建高精度的臭氧降尺度模型以获得精确的臭氧时空特征数据是本技术领域急需要解决的技术问题。


技术实现要素：

6.为了解决现有技术中存在的上述问题，本发明提供了一种臭氧监测降尺度方法、装置、设备及计算机可读存储介质。
7.第一方面，提供一种臭氧监测降尺度方法，包括以下步骤：
8.步骤一：获取目标区域范围内大气污染遥感数据和地面监测数据形成的多源数据，并对多源数据进行预处理，得到预设格式化的影响因子数据和臭氧遥感监测数据；
9.步骤二：基于相关性分析进行影响因子数据降维处理，并构建优化的臭氧遥感影像降尺度模型；
10.步骤三：获取经过预处理和降维处理的高空间分辨率影响因子数据作为输入变量，利用臭氧遥感影像降尺度模型，输出高空间分辨率臭氧量数据。
11.进一步的，所述多源数据包括人类活动数据、自然状况数据以及臭氧量监测数据，
所述人类活动数据包括工业生产活动数据、人口密度数据以及交通数据等，所述自然状况数据包括自然源数据、气象数据、地形数据等。
12.进一步的，所述臭氧量监测数据通过采用融合方法对omi(ozone monitoring instrument,臭氧监测仪)卫星数据、gome(global ozone monitoring experiment，全球臭氧监测仪)卫星数据、哨兵卫星数据以及地面站监测数据进行标准格式化融合获得。
13.进一步的，所述对多源数据进行预处理的方式包括数据读取、数据点挑选以及数据栅格化。
14.进一步的，气象数据还包括该气象因子在预设前溯时长的等时间跨度的气象再分析数据。
15.进一步的，气象数据还包括前溯时间内臭氧质量浓度。
16.进一步的，所述构建优化的臭氧遥感影像降尺度模型的方法包括以下步骤：
17.采用皮尔逊相关性系数算法筛选出关键影响因子，所述关键影响因子数据作为臭氧遥感影像降尺度模型的输入变量；
18.将处理后的关键影响因子数据作为输入变量，以高空间臭氧遥感监测数据作为输出量，建立随机森林非线性模型，训练学习直至得到收敛臭氧遥感影像降尺度模型；
19.第二方面，提供一种臭氧监测降尺度装置，包括：
20.数据获取模块，用于获取目标区域范围内大气污染遥感数据和地面监测数据形成的多源数据，并对多源数据进行预处理，得到预设格式化的影响因子数据和臭氧遥感监测数据；
21.模型构建模块：用于基于相关性分析进行影响因子数据降维处理，并构建优化的臭氧遥感影像降尺度模型；
22.结果输出模块：用于获取经过预处理和降维处理的高空间分辨率影响因子数据作为输入变量，利用臭氧遥感影像降尺度模型，输出高空间分辨率臭氧量数据。
23.第三方面，提供一种臭氧监测降尺度电子设备，包括：一个或多个处理器；存储装置，其上存储有一个或多个程序，当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现上述第一方面任一实现方式所描述的方法。
24.第四方面，提供一种计算机可读存储介质，所述存储介质中存储有计算机程序，所述计算机程序被处理器执行时实现如上述任一项所述的臭氧监测降尺度方法的步骤。
25.本技术公开的上述技术方案有如下有益效果：通过大气臭氧的空间降尺度方法，进而实现高空间分辨率的臭氧浓度估算，并可以基于此方法构建近地面臭氧大气环境监测系统，这样，由于高精度监测数据的支持，有效地改善了城市内部的臭氧污染监测准确度，并且在长时间序列的分析结果辅助下，相关部门能够进行更好的管控。
附图说明
26.为了更清楚地说明本技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本技术的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
27.图1为本技术实施例提供的一种臭氧监测降尺度方法的流程图；
28.图2为本技术实施例提供的一种臭氧监测降尺度装置的结构示意图；
29.图3为本技术实施例提供的一种臭氧监测降尺度电子设备的结构示意图。
具体实施方式
30.下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例。相反，提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。
31.另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。
32.需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。
33.本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。
34.下面结合附图对本发明做进一步详细描述：
35.参考图1，示出了本技术实施例提供的一种臭氧监测降尺度方法的流程100。该监测方法，包括以下步骤：
36.步骤101:获取目标区域范围内大气污染遥感数据和地面监测数据形成的多源数据，并对多源数据进行预处理，得到预设格式化的影响因子数据和臭氧遥感监测数据。
37.在一些优选实施例中，所述多源数据包括人类活动数据、自然状况数据以及臭氧量监测数据，所述人类活动数据包括工业生产活动数据、人口密度数据以及交通数据等，所述自然状况数据包括自然源数据、气象数据、地形数据等。
38.在一些优选实施例中，所述臭氧量监测数据通过采用融合方法对omi(ozone monitoring instrument,臭氧监测仪)卫星数据、gome(global ozone monitoring experiment，全球臭氧监测仪)卫星数据、哨兵卫星数据以及地面站检测数据进行标准格式化融合获得。omi是美国国家航天局(nasa)和芬兰气象学会(fmi)联合研制的新一代传感器，每天覆盖全球一次，过境我国的时间为13:40-13:50卫星距离地面的平均高为705km。omi传感器主要用于大气中o3、no2、so2、bro、hcho等组分的光谱反演，波段范围为270-500nm，光谱分辨率为0.5nm，空间分辨率为13
×
24km2。gome是搭载在ers-2地球资源卫星上的二级管列阵推扫成像光谱仪，仪器光谱范围240-790nm，光谱分辨率0.17-0.3nm。在短波段(＜300nm)地面分辨率为960*100km2，其他波段地面分辨率为320*40km2，每天环绕地球一周，测量紫外和可见光波段太阳和地球反照辐射。gome卫星设计初衷是提供覆盖全球的总臭氧图像，但仪器的性能也保证用获取的数据反演其他大气成分如no2、clo、bro和so2的整层大气含量。利用gome光谱数据提取大气光学厚度在250nm-350nm的衰减能够反演高分辨率的臭氧信息。哨兵卫星(sentinel)，是欧洲航天局哥白尼计划(gmes)中的地球观测系列卫星。
39.在一些优选实施例中，所述标准格式化臭氧量监测数据融合的方法包括但不限于加权融合、基于ihs变换的图像融合、基于主分量变换的图像融合(k－l变换法)、基于小波变换的图像融合、值变换融合、基于特征的图像融合、基于分类的图像融合、源卫星数据融
合流程、多光谱数据和高空间分辨率数据融合等。通过对臭氧遥感数据和地面臭氧监测数据的融合，获得目标区域范围内丰富的样本数据。
40.在一些优选实施例中，为进行后一步模型构建需求，需要对原始数据进行预处理，所述预处理包括数据读取、数据点挑选以及数据栅格化。
41.具体而言，对于臭氧量监测数据，采用python语言及arcgis软件完成预处理步骤进而获得目标区域范围内的标准格式的数据：
42.数据读取步骤：利用python第三方包，包括netcdf4、h5py、numpy等，将已获取的臭氧遥感监测数据读取为可处理的数组数据。
43.数据点挑选步骤：根据遥感数据说明文档或者元数据，对不符合要求的异常值数据或空值数据进行筛选并剔除，获取有效的臭氧监测遥感数据。
44.数据栅格化步骤：利用arcpy模块，将臭氧监测遥感数据转化为shapefile点数据，并利用统一的网格(.tif)文件，将点shapefile文件插值为同像元大小(如0.03
°
，0.03
°
)的geotiff格式文件(标签图像文件格式，具有地理参考的tiff文件)。
45.与臭氧污染有关的相关的影响因子主要包括有人类活动数据、自然源数据、气象数据、地形数据。其中人类活动数据主要包括工业生产活动数据、人口密度数据和交通数据，自然状况数据主要包括自然源数据、气象数据、地形数据等。其中，由于城市区域范围内臭氧主要的自然源为植物排放，因此自然源因子主要采用ndvi(normalized difference vegetation index，归一化差分植被指数)来表征，进行以下预处理步骤，从而获得预设格式化的影响因子数据：ndvi数据为hdf格式文件，利用modis数据处理软件mrt，将ndvi数据转换并镶嵌为目标区域的格式为geotiff的月均ndvi数据，并利用统一的网格(.tif)文件重采样为与其他数据同像元大小(如0.03
°
，0.03
°
)的geotiff格式文件。
46.对于气象因子，气象数据为nc(netcdf4)格式的气象再分析数据：利用arcpy包将数据转换为点shapefile文件，利用arcpy包和统一的网格(.tif)文件，将点shapefile文件插值为同像元大小(0.03
°
，0.03
°
)的geotiff格式文件。
47.对于地形因子，其并不影响臭氧排放量或是反应速率，但对于已排放的臭氧扩散有着重要的影响，而dem(digital elevation model，数字高程模型)是地形因素最直接的表达，因此dem也应作为臭氧监测的一个影响因子。dem数据为geotiff格式文件，利用arcgis软件对其进行镶嵌，并利用统一的网格(tif)文件重采样为与其他数据同像元大小(0.03
°
，0.03
°
)的geotiff格式文件。
48.在一些优选实施例中，气象因子对于臭氧检测量的影响具有滞后效应，也就是说气象数据还包括该气象因子在预设前溯时长的等时间跨度的数据
49.，本实施例中将前溯7天内的各气象因子数据作为输入变量以作为单独的影响因子参与模型的构建与训练(预设前溯时长为7天，等时间跨度为7天内的每一天)，如下所示：
50.静态模型ρ(o3)＝f(x
t0
，y1，y2，
…
，yn)
51.滞后1天模型ρ(o3)＝f(x
t0-1
，y1，y2，
…
，yn)
52.滞后2天模型ρ(o3)＝f(x
t0-2
，y1，y2，
…
，yn)
53.滞后3天模型ρ(o3)＝f(x
t0-3
，y1，y2，
…
，yn)
54.滞后4天模型ρ(o3)＝f(x
t0-4
，y1，y2，
…
，yn)
55.滞后5天模型ρ(o3)＝f(x
t0-5
，y1，y2，
…
，yn)
56.滞后6天模型ρ(o3)＝f(x
t0-6
，y1，y2，
…
，yn)
57.滞后7天模型ρ(o3)＝f(x
t0-7
，y1，y2，
…
，yn)
58.上述ρ(o3)为臭氧日均质量浓度，f为多因子影响下的臭氧遥感影像降尺度模型，x
t0
为当日温度因子数据，x
t0-1-x
t0-7
为前七日温度因子数据，y1～yn为其他影响因子数据。
59.应当说明的是，在本发明的一个优选实施例中，考虑到前溯时间内臭氧质量浓度的累积对后续时间监测的臭氧质量浓度有一定的影响，因此将前溯时间段内预设时间的臭氧质量浓度作为一个降维前的影响因予以考虑。
60.步骤102：基于相关性分析进行影响因子数据降维处理，并构建优化的臭氧遥感影像降尺度模型。
61.构建优化的臭氧遥感影像降尺度模型包括首先构建对影响因子进行降维筛选，降低了后续模型输入因子的维度，减少干扰因子的影响。然后采用合适的回归模型进行模型的构建与训练，最终得到目标臭氧遥感影像降尺度模型。
62.如图2所示，在一些优选实施例中，所述构建优化的臭氧遥感影像降尺度模型为基于皮尔逊相关性分析和随机森林的预测模型。
63.在一些优选实施例中，采用皮尔逊相关性系数算法筛选出关键影响因子，所述关键影响因子数据作为臭氧遥感影像降尺度模型的输入变量：
64.将臭氧遥感监测数据与各影响因子处理为统一格式的数据(.tif)，随机筛选部分日期的*.tif数据，利用arcgis软件中的空间分析模块下的多元分析工具下的波段集统计，勾选计算协方差和相关矩阵，计算得出臭氧遥感监测数据与各影响因子的皮尔逊相关系数，其中皮尔逊相关系数的计算过程如下：
[0065][0066]
上式中cov(x,y)为变量x,y的协方差，σ
x
，σy为变量x，y的方差，协方差计算方式如下：
[0067]
cov(x,y)＝e(xy)-e(x)e(y)
[0068]
d(x)＝e(x2)-e(x)2[0069]
上式中cov(x,y)为变量x,y的协方差，e(xy)，e(x2)，e(x)，e(y)分别为变量xy，x2，x，y的数学期望，数学期望计算公式如下：
[0070][0071]
上式中xi为变量序列x的第i个值，为xi的出现概率，结合上述各式，得出皮尔逊相关系数计算公式如下：
[0072][0073]
上式中x，y分别为所求相关系数的变量，n为变量取值的个数。
[0074]
根据所求得的皮尔逊相关系数相关系数矩阵，筛选与大气污染遥感监测数据相关系数大于0.5的影响因子(也可根据需要进行调整)作为关键影响因子数据，并进一步作为降尺度模型的输入变量。
[0075]
在一些优选实施例中，将处理后的关键影响因子数据作为输入变量，以高空间臭氧遥感监测数据作为输出量，建立随机森林非线性模型，训练学习直至得到收敛臭氧遥感影像降尺度模型：
[0076]
随机森林算法作为一种集成算法，通过组合多个弱学习器，然后通过取均值来获得最终结果，也因此，使其相较于其他算法，有更好的精度；同时也因为其随机性，使随机森林更不容易陷入过拟合。该模型是面向大气污染遥感监测影像的降尺度，该模型需要多个影响因子以确保高分辨率的臭氧遥感影像足够准确，同时遥感影像本身具有数据量大的特点，而随机森林在处理高维度(多特征)数据集的适应能力很强，同时训练速度快，适用于大规模数据集。因此，选择随机森林作为臭氧遥感影像降尺度的算法。
[0077]
使用python语言中的sklearn包，利用上述数据构建集成模型，在进行集成模型训练之前，先使用该数据集进行参数调整，这里可选择使用sklearn包中model_selection类中的网格搜索函数(gridsearchcv())进行参数组合调整，也可以选择单个参数调整：
[0078]“单个参数调整”[0079][0080]
在选择出最优参数之后，进行集成模型的构建，首先使用sklearn包中model_selection类中的分割函数(train_test_split())对数据集进行分割，数据集的20％作为验证集，其余作为训练集：
[0081]“数据集分割”[0082]
x_train,x_test,y_train,y_test＝train_test_split(x,
[0083]
y,test_size＝0.2,random_state＝0)
[0084]
许多学习算法中目标函数的基础都是假设所有的特征都是零均值并且具有同一阶数上的方差。而在该模型中的所有变量，包括大气污染气体，各变量之间数量级相差较大，而数量级较大的变量将会在算法中占据主导位置，因此数据的标准化是必不可少的一步。sklearn包中使用的标准化算法，主要是通过计算变量均值与标准差，并通过以下公式计算：
[0085]
[0086]
上式中z为经过标准化后的值，x为原始值，u为原始值的均值，s为原始值的标准差。因此，调用sklearn包中preprocessing类中的标准化函数(standardscaler())对训练集和验证集进行标准化处理，以便进行后续模型构建：
[0087]“标准化”[0088]
ss_x＝standardscaler()
[0089]
x_train＝ss_x.fit_transform(x_train)
[0090]
x_test＝ss_x.transform(x_test)
[0091]
x＝ss_x.transform(x)
[0092]
使用sklearn包中ensemble类中的随机森林回归函数(randomforestregressor())，结合上述的最优参数，构建集成模型，并利用fit函数进行训练，得出结果：
[0093]“集成模型训练”[0094][0095]
进一步的，验证各个降尺度模型的普适性和正确性，计算精度评价参数，若不满足精度要求，则调整模型的输入因子和超参数，进行模型重构；若满足精度要求，则进行大面积长时间序列的监测应用。
[0096]
使用预测函数(predict)对验证集进行预测，得出验证集训练结果，使用sklearn包中metrics类中的平均绝对值误差函数(mean_absolute_error)、均方误差函数(mean_squared_error)以及决定系数函数(r2_score)作为损失函数对该模型进行验证。
[0097]
使用sklearn包中model_selection类中的交叉验证函数(cross_val_score())对模型的稳定性进行检验，选择默认的r2作为结果参数，默认使用k折交叉验证，即将数据集等分为k份数据集，其中k-1份为训练集，其余为验证集，并共构建k次相同参数的集成模型，得到k个决定系数r2，利用mean()函数对k个决定系数r2求均，利用std()函数计算k个决定系数r2的标准差，用以验证该模型的稳定性。若两者均通过验证，则该模型可以进行大面积长时间序列监测应用。
[0098]
步骤103：获取经过预处理和降维处理的高空间分辨率影响因子数据作为输入变量，利用臭氧遥感影像降尺度模型，输出高空间分辨率臭氧量数据。
[0099]
基于所述高空间分辨率臭氧量数据，可以生成对应的产品，如可视化展示查询区域的精细化大气污染物专题图(o3)以及长时间序列分析图表。
[0100]
进一步参考图2，作为对上述图1所示方法的实现，本公开提供了一种臭氧监测降尺度装置的一些实施例，这些装置实施例与图1所示的那些方法实施例相对应，该装置具体可以应用于各种电子设备中。
[0101]
如图2所示，本技术的另一个实施例还提供了一种臭氧监测降尺度装置200，所述装置可以包括：
[0102]
数据获取模块201，获取目标区域范围内大气污染遥感数据和地面监测数据形成的多源数据，并对多源数据进行预处理，得到预设格式化的影响因子数据和臭氧遥感监测数据；
[0103]
模型构建模块202：基于相关性分析进行影响因子数据降维处理，并构建优化的臭氧遥感影像降尺度模型；
[0104]
结果输出模块203：获取经过预处理和降维处理的高空间分辨率影响因子数据作为输入变量，利用臭氧遥感影像降尺度模型，输出高空间分辨率臭氧量数据。
[0105]
可以理解的是，该装置200中记载的诸模块与参考图1描述的方法中的各个步骤相对应。由此，上文针对方法描述的操作、特征以及产生的有益效果同样适用于装置200及其中包含的单元，在此不再赘述。
[0106]
下面参考图3，其示出了适于用来实现本公开的一些实施例的电子设备300的结构示意图。图3示出的电子设备仅仅是一个示例，不应对本公开的实施例的功能和使用范围带来任何限制。
[0107]
如图3所示，电子设备300可以包括处理装置(例如中央处理器、图形处理器等)301，其可以根据存储在只读存储器(rom)302中的程序或者从存储装置308加载到随机访问存储器(ram)303中的程序而执行各种适当的动作和处理。在ram 303中，还存储有电子设备300操作所需的各种程序和数据。处理装置301、rom 302以及ram 303通过总线304彼此相连。输入/输出(i/o)接口305也连接至总线304。
[0108]
通常，以下装置可以连接至i/o接口305：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置306；包括例如液晶显示器(lcd)、扬声器、振动器等的输出装置307；包括例如磁带、硬盘等的存储装置308；以及通信装置309。通信装置309可以允许电子设备300与其他设备进行无线或有线通信以交换数据。虽然图3示出了具有各种装置的电子设备300，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图3中示出的每个方框可以代表一个装置，也可以根据需要代表多个装置。
[0109]
特别地，根据本公开的一些实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的一些实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的一些实施例中，该计算机程序可以通过通信装置309从网络上被下载和安装，或者从存储装置308被安装，或者从rom 302被安装。在该计算机程序被处理装置301执行时，执行本公开的一些实施例的方法中限定的上述功能。
[0110]
本技术实施例还提供了一种计算机可读存储介质，存储介质中存储有计算机程序，计算机程序被处理器执行时可实现如下步骤：获取目标区域范围内大气污染遥感数据和地面监测数据形成的多源数据，并对多源数据进行预处理，得到预设格式化的影响因子
数据和臭氧遥感监测数据；基于相关性分析进行影响因子数据降维处理，并构建优化的臭氧遥感影像降尺度模型；获取经过预处理和降维处理的高空间分辨率影响因子数据作为输入变量，利用臭氧遥感影像降尺度模型，输出高空间分辨率臭氧量数据。
[0111]
该存储介质可以包括：u盘、移动硬盘、只读存储器(read-only memory，rom)、随机存取存储器(random access memory，ram)、磁碟或者光盘等各种可以存储程序代码的介质。
[0112]
需要说明的是，本公开的一些实施例中记载的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑磁盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开的一些实施例中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开的一些实施例中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、rf(射频)等等，或者上述的任意合适的组合。
[0113]
在一些实施方式中，客户端、服务器可以利用诸如http(hypertext transfer protocol，超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字数据通信(例如，通信网络)互连。通信网络的示例包括局域网(“lan”)，广域网(“wan”)，网际网(例如，互联网)以及端对端网络(例如，ad hoc端对端网络)，以及任何当前已知或未来研发的网络。
[0114]
上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：获取目标区域范围内大气污染遥感数据和地面监测数据形成的多源数据，并对多源数据进行预处理，得到预设格式化的影响因子数据和臭氧遥感监测数据；基于相关性分析进行影响因子数据降维处理，并构建优化的臭氧遥感影像降尺度模型；获取经过预处理和降维处理的高空间分辨率影响因子数据作为输入变量，利用臭氧遥感影像降尺度模型，输出高空间分辨率臭氧量数据。
[0115]
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的一些实施例的操作的计算机程序代码，上述程序设计语言包括面向对象的程序设计语言—诸如java、smalltalk、c++，还包括常规的过程式程序设计语言—诸如“c”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包
括局域网(lan)或广域网(wan)——连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
[0116]
附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
[0117]
描述于本公开的一些实施例中的模块可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的模块也可以设置在处理器中，例如，可以描述为：一种处理器包括数据获取模块，模型构建模块和结果输出模块。其中，这些模块的名称在某种情况下并不构成对该模块本身的限定，例如，数据获取模块还可以被描述为“获取多源数据的模块”。
[0118]
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列(fpga)、专用集成电路(asic)、专用标准产品(assp)、片上系统(soc)、复杂可编程逻辑设备(cpld)等等。
[0119]
以上描述仅为本公开的一些较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开的实施例中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开的实施例中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。