[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

说明书

本发明公开了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，该方法，该方法中通过调取训练样本来训练反演模型，在训练获得性能良好的反演模型基础上，通过输入卫星观测数据获得的对流层中低层臭氧廓线即可获得对应区域的近地面臭氧浓度信息，其中，所述反演模型为W i deDeep神经网络，具体来说由单层的W i de神经网络部分和深层的Deep多层神经网络部分组成，输出层采用l og i st i cs regress i on综合W i de和Deep部分的输出，使得训练得到的模型能够同时获得记忆和泛化的能力。

技术领域

本发明涉及近地面臭氧浓度反演技术领域，具体涉及一种 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。

背景技术

在区域和全球范围内监测臭氧是一个至关重要的社会问 题，由于地面监测站点稀少，尤其在农村和偏远地区，空间覆 盖范围不够，无法精确评估区域整体污染状况。卫星遥感相对 地面监测站点，可以提供大区域尺度的臭氧浓度信息，目前， 在环境评估方面开展的大部分遥感监测应用，都是直接利用臭 氧柱浓度来评估城市臭氧污染状况，无法精准定位受人为排放 导致的臭氧重污染区域，因此，急需开展大区域尺度的近地面 臭氧浓度监测，作为地面观测和大气模拟的重要补充，更加全 面地了解臭氧污染过程。

由于上述原因，本发明人对现有近地面臭氧浓度反演方法 做了深入研究，以期待设计出一种能够解决上述问题的基于机 器学习和深度学习结合的近地面臭氧浓度反演方法。

发明内容

为了克服上述问题，本发明人进行了锐意研究，设计出一 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， 该方法，该方法中通过调取训练样本来训练反演模型，在训练 获得性能良好的反演模型基础上，通过输入卫星观测数据获得 的对流层中低层臭氧廓线即可获得对应区域的近地面臭氧浓度 信息，其中，所述反演模型为WideDeep神经网络，具体来说由 浅层(或单层)的Wide神经网络部分和深层的Deep多层神经网 络部分组成，输出层采用logistics regression综合Wide和 Deep部分的输出，使得训练得到的模型能够同时获得记忆和泛 化的能力，从而完成本发明。

具体来说，本发明的目的在于提供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。

其中，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。

其中，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。

所述基础特征数据都通过调取卫星数据获得。

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，φ_k(X)表示组合基础特征，d表示特征空间，x_i表示 第i个基础特征，c_ki表示基础特征选择项；