(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202210865146.7 (22)申请日 2022.07.22 (65)同一申请的已公布的文献号 申请公布号 CN 114926749 A (43)申请公布日 2022.08.19 (73)专利权人 山东大学 地址 266237 山东省青岛市 即墨滨海路72 号 (72)发明人 王国强　张庆竹　汪先锋　陶辰亮　 贾曼　王桥　王文兴　 (74)专利代理 机构 济南圣达知识产权代理有限 公司 372 21 专利代理师 闫圣娟 (51)Int.Cl. G06V 20/13(2022.01)G06V 10/774(2022.01) G06V 10/82(2022.01) G06N 20/00(2019.01) G01D 21/02(2006.01) (56)对比文件 CN 110287455 A,2019.09.27 CN 112905560 A,2021.0 6.04 CN 114611792 A,2022.06.10 US 2021271934 A1,2021.09.02 CN 110287455 A,2019.09.27 审查员 胡平 (54)发明名称 基于遥感图像的近地面大气污染物反演方 法及系统 (57)摘要 本发明涉及图像处理技术领域， 具体为基于 遥感图像的近地面大气污染物反演方法及系统， 包括以下步骤： 获取遥感数据和空气质量地面监 测数据形成多源 数据经预处理后， 得到时空分辨 率一致的多源 数据， 提取其中的时间和空间信息 形成数据集； 提取数据集当前格点周围n*n大小 的空间网格及前t天的数据形成数据特征样本， 对应于当前时刻当前格点的地面监测数据作为 标签， 带标签的样本用于训练和验证深度学习模 型， 无标签的数据用于输入训练完毕的深度学习 模型实现反演预测； 利用数据集基于训练完毕的 深度学习模 型， 输出所需地区的近地面大气污染 物的空间分布结果。 通过融合遥感图像和地面监 测站数据， 得到没有监测站点分布 地区的大气污 染浓度。 权利要求书3页 说明书8页 附图1页 CN 114926749 B 2022.11.04 CN 114926749 B 1.基于遥感图像的近地 面大气污染物反演方法， 其特 征在于： 包括以下步骤： 获取遥感数据和空气质量地面监测数据形成多源数据， 经预处理后得到时空分辨率一 致的多源 数据， 并提取其中的时间和空间信息形成数据集； 具体为： 将时间分辨率和空间分 辨率不同的多个来源的数据通过重采样和插值处理， 获得逐日且空间分辨率一致的栅格数 据， 并在时间和空间位置上匹配对应形成数据集； 提取数据集当前格点周围n*n大小的空间网格及前t天的数据形成数据特征样本， 对应 于当前时刻当前格点的地面监测数据作为标签， 带标签的样本用于训练和验证深度学习模 型， 无标签的数据用于 输入训练完毕的深度学习模型实现 反演预测； 利用数据集基于训练完毕的深度学习模型， 输出所需地区的近地面臭氧、 二氧化氮和 细颗粒物的空间分布结果； 所述深度学习模型包括依次连接的输入层、 至少七个隐藏层和输出层， 隐藏层具有至 少12层预测模块， 预测模块具有时空self ‑attention和变量 self‑attention两种自注意力 类型， 包括依次连接的动态 位置编码和两层Transformer模块， 动态位置编码根据三维卷积 实现输入数据的时空位置感知， 第一层Transformer模块利用基于时空self ‑attention的 Transformer模型实现时间和空间上的注 意力计算， 第二层Transformer模块利用基于变量 self‑attention的Transformer模型实现变量间的注意力计算， 两个模型是分别选择时空 信息和变量信息作为自注意力计算的主体； 预测模块使用GELU函数作为激活函数： 式中： x为模型中神经 元的输入； 采用均方误差损失函数MSE进行训练： 式中： fi为模型预测值， yi为真实值， N 为样本数量。 2.如权利要求1所述的基于遥感图像的近地面大气污染物反演方法， 其特征在于： 所述 多源数据包括基于遥感数据得到的地表温度、 植被归一化指数、 夜间灯光、 人 口密度、 数字 高程数据、 道路密度与土地利用数据， 基于空气质量地面监测数据得到的臭氧、 二氧化氮和 细颗粒物浓度， 以及大气污染遥感数据、 降雨蒸发数据、 气象再分析数据和工业排放数据； 气象再分析数据包括： 设定海拔高度的风速、 露点 温度和温度， 平均海平面压力、 海面 温度、 地面气压、 总降水量和平均地表长波辐射； 大气污染遥感数据包括： 大气气溶胶厚度、 平流 层NO2柱浓度、 对流层NO2柱浓度、 O3柱浓度、 对流层顶压力和云遮罩分数。 3.如权利要求1所述的基于遥感图像的近地面大气污染物反演方法， 其特征在于： 多源 数据中提取 的时间和空间信息包括空间位置信息、 季节性趋势和儒略日； 根据 空气质量地 面监测数据中监测站所在的经度和纬度， 得到空间位置信息； 根据遥感数据中的月份， 得到 季节性趋势。权　利　要　求　书 1/3 页 2 CN 114926749 B 24.如权利要求1所述的基于遥感图像的近地面大气污染物反演方法， 其特征在于： 在数 据输入模 型训练预测前， 利用原始数据与数据均值之间的差， 和数据标准差的比值， 将不同 量级的数据转 化到统一度量之间。 5.如权利要求1所述的基于遥感图像的近地面大气污染物反演方法， 其特征在于： 所述 输出层的输出单元为3， 分别对应臭氧、 二氧化氮、 细颗粒物三个标签； 隐藏层输出预测目标 网格的位置向量并传输给输出层得到反演结果。 6.基于遥感图像的近地 面大气污染物反演系统， 其特 征在于： 包括： 数据获取模块， 被配置为： 获取遥感数据和空气质量地面监测数据 形成的多源数据， 经 预处理后得到时空分辨率的一致多源数据， 并提取其中的时间和空间信息， 形成数据集； 具 体为： 将时间分辨率和空间分辨率不同的多个来源的数据通过重采样和插值处理， 获得逐 日且空间分辨 率一致的栅格数据， 并在时间和空间位置上匹配对应形成数据集； 模型训练模块， 被配置为： 提取数据集当前格点周围n*n大小的空间网格及前t天的数 据形成数据特征样本， 对应于当前时刻当前格点的地面监测数据作为标签， 带标签的样本 用于训练和验证深度学习模型， 无标签的数据用于输入训练完 毕的深度学习模型实现反演 预测； 反演输出模块， 被配置为： 利用数据集基于训练完毕的深度 学习模型， 输出所需地区的 近地面臭氧、 二氧化氮和细颗粒物的空间分布结果； 所述深度学习模型包括依次连接的输入层、 至少七个隐藏层和输出层， 隐藏层具有至 少12层预测模块， 预测模块具有时空self ‑attention和变量 self‑attention两种自注意力 类型， 包括依次连接的动态 位置编码和两层Transformer模块， 动态位置编码根据三维卷积 实现输入数据的时空位置感知， 第一层Transformer模块利用基于时空self ‑attention的 Transformer模型实现时间和空间上的注 意力计算， 第二层Transformer模块利用基于变量 self‑attention的Transformer模型实现变量间的注意力计算， 两个模型是分别选择时空 信息和变量信息作为自注意力计算的主体； 预测模块使用GELU函数作为激活函数： 式中： x为模型中神经 元的输入； 采用均方误差损失函数MSE进行训练： 式中： fi为模型预测值， yi为真实值， N 为样本数量。 7.一种计算机可读存储介质， 其上存储有计算机程序， 其特征在于， 该程序被处理器执 行时实现如权利要求1 ‑5中任一项 所述的基于遥感图像的近地面大气污染物反演方法中的 步骤。 8.一种计算机设备， 包括存储器、 处理器及存储在存储器上并可在处理器上运行的计 算机程序， 其特征在于， 所述处理器执行所述程序时实现如权利要求 1‑5中任一项 所述的基权　利　要　求　书 2/3 页 3 CN 114926749 B 3