欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2023111969164
申请人: 宁波大学
专利类型:发明专利
专利状态:已下证
专利领域: 计算;推算;计数
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种深度耦合地理时空信息的近地表臭氧遥感估算方法,其特征在于,包括:步骤1、获取研究区的多源数据,并对所述多源数据进行预处理;

步骤2、对预处理后的多源数据进行时空匹配,并构建时空样本数据集;

步骤3、构建耦合地理时空信息的深度学习模型,所述深度学习模型包括地理空间信息编码网络、地理时序信息编码网络和地理时空特征解码网络;

步骤3中,所述地理空间信息编码网络包括:1×1的卷积层,用于对输入数据映射至高维特征空间;1×1卷积核的残差模块,用于提取特征间的耦合关系并增加非线性表达;3×3卷积核的残差模块,用于深度提取特征的局部地理空间依赖关系;7×7的全局卷积层,用于识别特征的全局地理空间依赖关系;地理空间信息编码网络的结构计算公式为:FS=Conv_7(ResBlock_3(ResBlock_1(Conv_1(x))))上式中,FS为提取的地理空间特征,x为输入的三维时空变量,Conv_1与Conv_7分别代表卷积核大小为1×1和7×7的卷积层,ResBlock_1与ResBlock_3分别代表卷积核大小为1×1和3×3的残差模块;

残差模块计算公式表示如下:

x′=ReLU(x+BN(Conv_i(ReLU(BN(Conv_i(x))))))上式中,x’为残差模块输出结果,x为输入数据,Conv_i代表卷积核大小为i×i的卷积层,ReLU与BN分别代表线性整流函数与批归一化层;

步骤3中,所述时序信息编码网络为改进的Transformer网络,包括:位置编码模块,用于对提取的地理空间信息特征赋予网络能够识别的时序信息;多头自注意力模块,用于提取影响近地表臭氧浓度估算的时序特征;前馈网络,用于进一步凝练时空特征;时序信息编码网络的结构计算公式为:FST=FFN(Multihead(Pos(FS)))

上式中,FST为提取的地理时空特征,FS为地理空间信息编码网络提取得到的地理空间特征,Pos代表位置编码模块,Multihead代表多头自注意力模块,FFN代表前馈网络;

步骤3中,位置编码模块计算公式表示如下:

上式中,p代表第p个时间点,i代表第i个特征,c为总特征数;

多头自注意力模块计算公式表示如下:

MA(Q,K,V)=Concat(head

式中,FS′为位置编码后的地理空间特征,

FFN计算公式表示如下:

FST=LN(LN(x)+FC(ReLU(FC(LN(MA)))上式中,LN代表层归一化操作,FC代表全连接层;

步骤3中,所述地理时空特征解码网络包括:连接模块,用于将由地理空间信息编码网络和时序信息编码网络共同提取的地理时空特征与一维哑变量Dummy连接,以获取更多的地理时空特征;包含数个全连接层与ReLU函数的深度神经网络DNN,用于进行特征非线性转换解码,最终实现近地表臭氧浓度估算;整个结构计算公式表示如下:O

其中DNN表示如下:

上式中,Y

步骤4、利用所述时空样本数据集对所述深度学习模型进行训练,优化确定模型超参数,验证模型的总体精度与时空稳健性;

步骤5、利用训练好的模型进行近地表臭氧浓度的大尺度遥感估算。

2.根据权利要求1所述的深度耦合地理时空信息的近地表臭氧遥感估算方法,其特征在于,步骤1中,所述多源数据包括:卫星遥感反演的臭氧柱总量数据TO3、气象数据、归一化植被指数NDVI数据、数字高程模型DEM数据和地面空气质量站点的臭氧监测数据;

所述预处理包括:将气象数据、NDVI数据和DEM数据统一重采样至与卫星遥感反演的TO3数据相同的空间分辨率;将地面空气质量站点的臭氧监测数据中缺失值进行剔除并计算每日最大8小时平均臭氧浓度。

3.根据权利要求2所述的深度耦合地理时空信息的近地表臭氧遥感估算方法,其特征在于,步骤2中,所述时空匹配包括:步骤2.1、在空间尺度上,获取地面空气质量站点的经纬度LAT和LON,以其对应栅格为中心,对TO3数据与气象数据提取其周围7×7范围栅格像元值,对NDVI与DEM数据仅提取中心栅格像元值;

步骤2.2、在时间尺度上,计算目标日的年积日DOY,以目标日为基准,对臭氧柱总量数据与气象数据提取目标日前后各3天的数据,NDVI数据提取目标日当月数据;

步骤2.3、构建时空样本数据集,所述时空样本数据集由三维时空变量与一维哑变量构成。

4.根据权利要求3所述的深度耦合地理时空信息的近地表臭氧遥感估算方法,其特征在于,步骤4中,模型超参数包括地理空间邻域的大小,邻域时间窗口的长度,地理空间信息编码网络内部特征通道数,时序信息编码网络多头自注意力个数,地理时空特征解码网络隐藏层层数,并通过5折交叉验证选取表现最优的结果以确定最终的参数组合。

5.根据权利要求4所述的深度耦合地理时空信息的近地表臭氧遥感估算方法,其特征在于,步骤4中,对模型的总体精度验证采用基于样本的5折交叉验证,对模型时空稳健性的验证分别采用基于时间与基于站点的5折交叉验证,验证精度的评价采用决定系数R

6.一种深度耦合地理时空信息的近地表臭氧遥感估算系统,其特征在于,用于执行权利要求1至5任一所述的深度耦合地理时空信息的近地表臭氧遥感估算方法,包括:获取模块,用于获取研究区的多源数据,并对所述多源数据进行预处理;

匹配模块,用于对预处理后的多源数据进行时空匹配,并构建时空样本数据集;

构建模块,用于构建耦合地理时空信息的深度学习模型,所述深度学习模型包括地理空间信息编码网络、地理时序信息编码网络和地理时空特征解码网络;

训练模块,用于利用所述时空样本数据集对所述深度学习模型进行训练,优化确定模型超参数,验证模型的总体精度与时空稳健性;

估算模块,用于利用训练好的模型进行近地表臭氧浓度的大尺度遥感估算。