[发明专利]全时段三维大气污染物的重构方法、装置、计算机设备和存储介质

说明书

本发明公开了一种全时段大气污染物的重构方法、装置、计算机设备和存储介质，包括获取依据观测区域的超光谱遥感数据反演得到的大气污染物浓度分布，获取观测区域内大气污染物浓度的多源相关信息，其中，多源相关信息包括气象信息、交通信息、地形信息，以多源相关信息经预处理后作为样本，以大气污染物浓度分布作为样本标签；构建包含特征提取单元和重构单元的多模态重构模型；利用样本和样本标签对多模态重构模型进行监督学习，以优化多模态重构模型参数；利用参数优化的多模态重构模型进行全时段三维大气污染物分布的重构。该方法通过考虑多模态信息综合预测全时段的三维大气污染物浓度，以提高预测准确性。

技术领域

本发明属于大气污染物浓度监测领域，具体涉及一种全时段大气污染物的重构方法、装置、计算机设备和存储介质。

背景技术

对于大气污监测而言，污染物的产生、溯源以及扩散预测均十分重要。单独的点式仪器或者垂直廓线观测仪器仅能够对其所在区块的污染物排放进行监测与分析，无法对来自其他区块的痕量气体进行溯源，无法查明污染来源。因此，以对整个区域进行全时段三维大气污染物的预测重构为目标，亟须构建一个区域排放的联防联控清单来对所有区块24小时污染物情况进行监测预防与溯源。

在大气污染物检测领域，现有的主流检测设备主要分为三种，第一种是以CNEMC(国家环境空气质量监测站点)为例的点式仪器为主，其无法对地面上空以及高空的污染物进行检测。第二种则是雷达，能够对不同高度层面的大气污染物进行检测，但雷达仪器存在盲区。第三种是超光谱遥感站点，可对太阳光这一主动光源进行吸收和散射，使用其紫外(UV)和可见光(VIS)波段的分子吸收进行光谱测量，反演观测空间分布数据，意味着晚上和阴雨天观测被中断。同时对于大气痕量气体的预测重构需要大量的站点配布。然而，由于超光谱遥感站点建设和维护成本较高，大量建设超光谱遥感站点不可行。

现有技术中，也有采用机器学习来预测大气污染物浓度，如专利文献CN108491970A公开了一种基于RBF神经网络的大气污染物浓度预测方法，该大气污染物浓度预测方法基于天气数据并采用RBF神经网络进行预测，这种预测方法只考虑天气数据这一类影响因素，会造成预测相对不准确。

再如专利文献CN109492830A公开了一种基于时空深度学习的移动污染源排放浓度预测方法，主要根据移动污染源污染物的区域时空分布特点，并采用注意力机制的卷积长短期记忆神经网络进行预测。这种预测方法直接考虑了污染源污染物的区域时空分布特点，即考虑气象信息，污染物信息以及时间戳信息信进行预测，会造成预测相对不准确。

发明内容

鉴于上述，本发明的目的在于提供一种全时段三维大气污染物的重构方法、装置、计算机设备和存储介质，通过考虑多模态信息综合预测全时段的三维大气污染物浓度，以提高预测准确性。

为实现上述发明目的，本发明提供以下技术方案：

第一方面，实施例提供了一种全时段三维大气污染物的重构方法，包括以下步骤：

获取依据观测区域的超光谱遥感数据反演得到的大气污染物浓度分布，获取观测区域内大气污染物浓度的多源相关信息，其中，多源相关信息包括气象信息、交通信息、地形信息，以多源相关信息经预处理后作为样本，以大气污染物浓度分布作为样本标签；

构建包含特征提取单元和重构单元的多模态重构模型，其中，特征提取单元包含多个特征提取模块，每个特征提取模块对应提取样本中每类相关信息的特征向量，重构单元对所有相关信息的特征向量进行融合运算以重构大气污染物浓度分布；

利用样本和样本标签对多模态重构模型进行监督学习，以优化多模态重构模型参数；

利用参数优化的多模态重构模型进行全时段三维大气污染物分布的重构。

在一个实施例中，所述气象信息包括经纬度风速、垂直风速、温度、湿度、压强、大气边界层厚度；所述交通信息包括交通流量数据；所述地形信息包括地形数据、地表高程数据。