买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：大连理工大学

摘要：本发明属于遥感影像处理技术领域，提出了一种基于MODIS和长短时记忆网络模型的PM2.5反演方法。利用多种辅助数据，建立AOD和辅助数据之间的关系，利用机器学习方法对AOD缺失值部分进行填补，减少了缺失值带来的反演不确定性，增加了反演精度。对数据进行高度订正和湿度订正，减少了高度和湿度带来的误差。使用长短时记忆网络进行PM2.5浓度反演，考虑了时间和空间的依赖关系，大大提高了反演精度。

主权项：1.一种基于MODIS和长短时记忆网络模型的PM2.5反演方法，其特征在于，包括以下步骤：步骤1：获取需要反演的PM2.5研究时段的MODIS影像、用于计算AOD的气象数据和研究区域PM2.5监测站数据；气象数据包括风速、温度、边界层高度、相对湿度和地表压力；对各时段的MODIS影像进行融合并裁剪出研究区域对应的部分；对气象数据进行重采样及归一化处理；对监测站数据求取9-15点均值作为当天PM2.5值；步骤2：对气象数据按如下式12进行高湿订正，消除高度和湿度的影响；AOD＝ka,0λBLH1式中，ka,0λ表示近地层气溶胶系数，BLH表示边界层高度；fRH＝11-RH1002式中，RH代表相对湿度；步骤3：使用双线性插值法和重采样技术将所有的气象数据变量均重采样到0.01×0.01分辨率；步骤4：训练随机森林模型；随机森林模型学习到带有AOD值的网格与对应位置的气象数据之间的函数关系，利用此函数关系估计缺失位置的AOD值，得到覆盖整个区域的连续、大范围的AOD值；最后在模型拟合之后计算每个气象数据变量的特征重要性；在随机森林模型中，使用bootstrapsample方法从步骤3得到的气象数据中提取得到样本Z，然后为每个样本生成一棵带有多个预测因子的未回归树，在未回归树的每个节点选择最优值进行最佳分割得到回归树，最后通过所有回归树的平均值来进行预测；每棵未回归树三分之一的训练样本不参与回归树fx的生成； Z1m,n＝{X|Xj≤n}andZ2m,n＝{X|Xj＞n}5 其中xi,yi是z区域R1,R2,...,RZ中i＝1,2,...,N的样本，cm是对模型的响应，是最优值，m是分离变量，n是分离点，I是示性函数；步骤5：从步骤3得到的气象数据和步骤4得到的覆盖整个区域的AOD数据中提取PM2.5监测站点坐标对应的气象数据值以及AOD值，按照时间和空间将提取出来的AOD值和气象数据值与PM2.5站点值进行匹配，匹配后的数据按7:3的比例分割成训练集和测试集；构建第f个时间节点的特征向量基数Tf：Tf＝[x1,x2,...,xn,...,xN]8其中，x1表示T个时间节点中第f个时间节点的PM2.5的值，xn表示T个时间节点中第f个时间节点的第n个空气参数的值；步骤6：建立长短时记忆网络模型；长短时记忆网络模型包括LSTM层和Dense层，初始化长短时记忆网络模型的参数并将覆盖整个研究区域的AOD数据及完整的气象变量输入，得到输出预测值W，将输出预测值W与监测站点真实值Y进行对比，根据误差微调网络参数，实现降低误差；遗忘门、输入门、循环门和输出门为长短时记忆网络模型的结构：a.遗忘门：将信息进行选择性遗忘，减少模型的记忆负担；ft＝σWf·[ht-1,xt]+bf9b.输入门：将信息进行选择性记忆：it＝σWi·[ht-1,xt]+bi10c.循环门：更新当前时刻的状态： d.输出门：完成模型输出；ot＝σWo·[ht-1,xt]+bo12ht＝ot*tanhCt13式中，σ为sigmoid函数，Wo和bo作为待定系数在后续进行训练学习，ht-1是上一阶段的输出，xt是当前阶段的输入，式中的Ct-1记录了上一时间节点的信息；步骤7：将得到的输出预测值进行可视化，得到整个研究区域的PM2.5浓度反演图。

全文数据：

权利要求：

百度查询： 大连理工大学 一种基于MODIS和长短时记忆网络模型的PM2.5反演方法