[发明专利]基于机器学习和深度学习结合的近地面臭氧浓度反演方法在审
| 申请号： | 202110815597.5 | 申请日： | 2021-07-19 |
| 公开（公告）号： | CN113657023A | 公开（公告）日： | 2021-11-16 |
| 发明（设计）人： | 马鹏飞;张玉环;周春艳;张建辉;王玉;张连华;张大为;李巍;赵少华;王中挺;朱海涛 | 申请（专利权）人： | 生态环境部卫星环境应用中心 |
| 主分类号： | G06F30/27 | 分类号： | G06F30/27;G06N3/04;G06N3/08;G06N20/00 |
| 代理公司： | 北京康思博达知识产权代理事务所(普通合伙) 11426 | 代理人： | 刘冬梅;范国锋 |
| 地址： | 100094 北京市海淀区中关村永*** | 国省代码： | 北京;11 |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： | |||
| 搜索关键词： | 基于 机器 学习 深度 结合 地面 臭氧 浓度 反演 方法 | ||
1.一种基于机器学习和深度学习结合的近地面臭氧浓度反演方法，其特征在于，
该方法包括如下步骤：
S1、调取训练样本训练反演模型；
S2、调取监测地区的卫星遥感信息输入到所述反演模型中，获得监测地区的近地面臭氧浓度信息。
2.根据权利要求1所述的基于机器学习和深度学习结合的近地面臭氧浓度反演方法，其特征在于，
步骤S1包括以下子步骤：
S11、建立WideDeep神经网络；
S12、将训练样本代入到WideDeep神经网络中对其进行训练，得到反演模型。
3.根据权利要求2所述的基于机器学习和深度学习结合的近地面臭氧浓度反演方法，其特征在于，
所述WideDeep神经网络包括浅层或单层的Wide神经网络部分和深层的Deep多层神经网络部分；
在步骤S12中，Wide神经网络部分的输入数据包括基础特征数据和组合特征；
在步骤S12中，Deep多层神经网络部分的输入数据包括基础特征数据；
所述基础特征数据包括aod055数据，ERA5特征数据、TROPOMI Level2特征数据和时间特征数据。
4.根据权利要求3所述的基于机器学习和深度学习结合的近地面臭氧浓度反演方法，其特征在于，
所述基础特征数据都通过调取卫星数据获得。
5.根据权利要求2所述的基于机器学习和深度学习结合的近地面臭氧浓度反演方法，其特征在于，
通过下式(一)对所述基础特征数据做特征转化，得到组合基础特征：
其中，φk(X)表示组合基础特征，d表示特征空间，xi表示第i个基础特征，cki表示基础特征选择项；
优选地，通过gbdt模型根据组合基础特征获得作为wide神经网络部分输入的组合特征。
6.根据权利要求2所述的基于机器学习和深度学习结合的近地面臭氧浓度反演方法，其特征在于，
在S12中，训练样本目标值为地面基站探测获得的臭氧浓度值；
所述WideDeep神经网络的输出数据为：
其中，所述表示Wide神经网络部分的输出，
表示Deep多层神经网络部分最后一层激活函数的输出；
σ表示WideDeep神经网络最终的sigmoid激活函数；
b表示常量。
7.根据权利要求1所述的基于机器学习和深度学习结合的近地面臭氧浓度反演方法，其特征在于，
在S2中，所述卫星遥感信息包括对流层中低层臭氧廓线。
该专利技术资料仅供研究查看技术是否侵权等信息，商用须获得专利权人授权。该专利全部权利属于生态环境部卫星环境应用中心，未经生态环境部卫星环境应用中心许可，擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作，请联系【客服】
本文链接：http://www.vipzhuanli.com/pat/books/202110815597.5/1.html，转载请声明来源钻瓜专利网。
