[发明专利]基于机器学习的区域NO2

权利要求书

1.一种基于机器学习的区域NO₂空间分布计算方法，其特征在于，包括：

采集遥感数据集和辅助数据；所述遥感数据集包括AOD数据集、NO2柱浓度和相关数据；所述辅助数据包括一年中的某一天doy的特性、每个像素的位置ID以及覆盖研究区域的UTM坐标系统的1公里分辨率网格；

对所述遥感数据集和辅助数据进行预处理；

将所有像素的位置标记为独立的ID，通过随机算法将所有ID打乱，并将随机ID引入随机森林回归方法；

使用随机森林回归方法训练和预测NO₂浓度的空间分布。

2.根据权利要求1所述的基于机器学习的区域NO₂空间分布计算方法，其特征在于，所述AOD数据集包括多角度大气校正算法反演的MAIAC AOD和葵花8卫星反演的AHI AOD；各个AOD均包括470nm AOD和550nm AOD；NO₂柱浓度使用臭氧检测仪采集NO₂ L3数据，时间分辨率为1天，空间分辨率为0.25°。

3.根据权利要求1所述的基于机器学习的区域NO₂空间分布计算方法，其特征在于，相关数据包括归一化植被指数、地形、人口分布、道路和土地利用。

4.根据权利要求3所述的基于机器学习的区域NO₂空间分布计算方法，其特征在于，对所述遥感数据集和辅助数据进行预处理包括：

对多源的AOD数据集通过辅助数据中UTM坐标系统的的1公里分辨率网格转换为1km/d时空分辨率；

通过SRTM计算生成高程ELE和坡度SL，将ELE、SL、土地利用、道路数据、470nm MAIACAOD、NDVI、人口、470nm AHI AOD和OMI NO₂柱浓度叠加在UTM坐标系统的1公里分辨率网格上并转载；

根据数据像素值的加权平均和1公里分辨率网格上的像素的覆盖面积比计算重建过程；

填充时间分辨率超过一天的数据；

使用协同克里金法对气象参数进行插值，协变量为ELE，输出为UTM 1km/d时空分辨率；

采用两步骤方法填补470nm MAIAC AOD和NO₂柱浓度的缺失数据。

5.根据权利要求4所述的基于机器学习的区域NO₂空间分布计算方法，其特征在于，采用两步骤方法填补470nm MAIAC AOD和NO₂柱浓度的缺失数据具体包括：

采用RF模型模拟AOD数据之间的叠加部分，公式如下：

AOD_maiacpre＝RF(AHI_470nm，RID，ELE，SL，POP，NDVI，RL，LU，DOY)

其中RF代表RF模型，AHI_470nm，RID，ELE，SL，POP，NDVI，RL，LU，DOY分别代表470nm AHIAOD，随机ID，海拔，坡度，人口，NDVI，道路长度，土地利用和doy；

根据移动窗口内覆盖的像素情况选择对应的插值方式进行插值计算来填补缺失数据；

根据移动窗口覆盖的像素的数学期望作为校正偏差的缓冲因子；公式如下：

其中，MoranI代表Global Moran’s I方法；此处，n代表有效像素的数量；p_i和p_j代表i和j两个像素的值；代表像素平均值；dis(i，j)代表i和j两个像素的距离；G_i，j代表反距离权重；Scope Window代表多个移动窗口MoranI的最大值；Scope Window是正方形，w代表其长宽的值；代表迭代运算搜寻该窗口；←代表获取w的过程；S_i代表Scope Window内的值；S_tk代表tk日Scope Window的值；E_w代表Scope Window的数学期望，即缓冲因子；P(S_tk，E_t2)代表tk和t2之间的相关系数。