[发明专利]基于机器学习的近地面环境要素预测模型训练和预测方法

说明书

本发明实施例提供了一种近地面环境要素的预测模型的训练方法、和预测方法，训练包括：获取第一地区的遥感影像数据、气象监测数据、空气质量监测数据和环境数据；获取第一地区的近地面环境要素的监测值；生成训练样本，其中，训练样本中以遥感影像数据中的至少部分数据，和气象监测数据、空气质量监测数据和环境数据中的至少部分数据作为模型输入数据，以近地面环境要素的监测值作为标签值；使用训练样本训练近地面环境要素预测模型。

技术领域

本发明涉及机器学习领域和环境监测领域，尤其涉及基于机器学习的近地面环境要素预测模型训练和预测方法。

背景技术

随着经济快速发展，工业化和城镇化进程加速环境承担压力不断加大，大气污染问题日趋严重。监测近地面PM2.5/10浓度、臭氧浓度、温度等环境要素，并揭示其在时间和空间上分布规律，对于开展大气污染特性研究有着十分重要的意义。

目前，常见的监测方法有地面监测和遥感监测。地面监测基于观测站进行全天候连续观测，能够直接得到近地面PM2.5/10、臭氧、温度环境要素数值浓度及其随时间变化的准确信息。但是，地面监测的仪器设施价格比较昂贵，并且只能在数量有限的地面站点进行，无法准确得到这些要素在空间上连续而完整的分布信息，难以对其变化趋势进行宏观分析。而卫星遥感数据覆盖面广、数据易获取且采集成本低，其本身就具备连续并且完整覆盖空间区域的属性特征。但是，卫星遥感监测不可以直接提供地面 PM2.5/10浓度、臭氧浓度、温度等环境要素的时空分布及变化趋势。

因此，需要一种更好的预测上述环境要素的方法。

发明内容

本发明的实施例提供一种近地面环境要素的预测模型的训练方法、和相应的预测方法，相较于传统的监测方法，该方法通过从遥感影像数据、气象监测数据、空气质量监测数据和环境数据中确定相关性更强的数据组合，用于训练近地面环境要素的预测模型，并基于训练好的该模型进行近地面环境要素的预测。利用该方法，一方面可以获得更广阔地区在更多时间区间的近地面环境要素预测数据，另一方面在各种状况下的近地面环境要素的预测中，具有更强的通用性和准确性。

本发明为解决上述技术问题采用的技术方案为，一方面提供一种近地面环境要素预测模型的训练方法，所述方法包括：

获取第一地区的遥感影像数据、气象监测数据、空气质量监测数据和环境数据；

获取第一地区的近地面环境要素的监测值；

生成训练样本，其中，所述训练样本中以遥感影像数据中的至少部分数据，和气象监测数据、空气质量监测数据和环境数据各自的中的至少部分数据作为模型输入数据，以所述近地面环境要素的监测值作为标签值；

使用所述训练样本训练所述近地面环境要素预测模型。

优选地，所述生成训练样本包括：

根据数据之间的相关性以及数据的属性特征，将遥感影像数据、气象监测数据、空气质量监测数据和环境数据分别分成多组数据；

基于测试样本的评测结果，选择遥感影像数据、气象监测数据、空气质量监测数据和环境数据中的至少一组数据作为模型输入数据。

优选地，所述近地面环境要素包括近地面细颗粒物浓度、近地面臭氧浓度、近地面温度中的一种。

优选地，所述遥感影像数据包括卫星遥感影像数据；

所述气象监测数据包括，所述第一地区的多个监测站点的气象监测数据；

所述空气质量监测数据包括所述第一地区的多个监测站点的空气质量监测数据。

所述环境数据包括：监测站点的经度、纬度、高程数据、下垫面数据中的一种或多种。

优选地,所述近地面环境要素预测模型基于反向传播网络。