申请/专利权人：武汉大学

申请日：2022-04-06

公开（公告）日：2024-04-05

公开（公告）号：CN114996624B

主分类号：G06F17/10

分类号：G06F17/10;G06N3/0442;G06N3/088

优先权：

专利状态码：有效-授权

法律状态：2024.04.05#授权;2022.09.20#实质审查的生效;2022.09.02#公开

摘要：本发明公开了一种基于多任务深度学习的遥感PM2.5和NO2协同反演方法，包括：对地面站点PM2.5和NO2数据、遥感数据、气象数据及其他辅助数据的获取与预处理；使用遥感信息及空间数据处理手段对多源数据进行处理并提取特征变量；对变量进行格网化时空匹配，将匹配后具有地面监测站点对应真值的格网数据作为样本数据，构建样本集；构建多重门控混合专家架构的多任务深度学习神经网络模型，进行多任务深度学习网络自适应训练，并在验证通过后使用该模型对未知真值的格网上的PM2.5和NO2浓度进行协同反演，得到最终的PM2.5和NO2浓度反演结果。本发明基于多任务深度学习协同反演PM2.5和NO2大气污染，获得更加准确的反演结果，实现更精细的多种大气污染物协同监测。

主权项：1.一种基于多任务深度学习的遥感PM2.5和NO2协同反演方法，其特征在于，包括以下步骤：步骤1，数据获取与模型变量的选择，包括地面站点PM2.5和NO2数据、遥感数据、气象数据及其他辅助数据，并对其进行预处理；步骤2，使用遥感信息及空间数据处理手段对多源数据进行处理并提取特征变量，其具体实现包括以下子步骤：步骤2.1，对于步骤1预处理后的遥感数据、气象数据及其他辅助数据，分别根据PM2.5与NO2反演子任务进行处理；步骤2.2，对步骤2.1获取的子任务数据进行并集处理得到多任务数据集，再通过栅格数据重投影、重采样处理、裁剪匹配过程统一空间尺度，通过时间插值方法统一时间尺度，得到对应的多任务特征自变量，包括气溶胶光学厚度变量AOD、NO2柱总量变量NO2_TC、地表温度变量Temp、风速变量WS、相对湿度变量RH、气压变量PS、露点温度变量DTemp、降水变量TP、日照时间变量Sund、数字高程模型变量DEM、植被指数变量NDVI、人口密度变量PD、国内生产总值变量GDP；步骤2.3，对于地面站点数据，获取PM2.5和NO2浓度值作为因变量；步骤3，对步骤2中获得的自变量和因变量进行格网化时空匹配，将匹配后具有地面监测站点对应真值的格网数据作为样本数据，构建多任务学习样本集；步骤4，构建多任务深度学习模型，该模型是一个具有多重门控混合专家架构的多任务深度学习神经网络模型，具有两个任务输出，分别对应PM2.5浓度与NO2浓度的反演，两个任务均采用平方损失函数作为损失函数；所述多任务深度学习模型网络结构包括三部分：其一是用于多任务数据、信息与特征共享的共享部分，该部分由若干个专家子网络构成；其二是用于筛选过滤共享信息的两个门控结构，分别对应两个子任务；其三是用于分别获取两个子任务各自特征和输出的独立任务层部分；步骤5，将步骤3中匹配得到的具有站点对应PM2.5和NO2真值的多任务学习样本集归一化后输入步骤4的多任务深度学习模型进行自适应训练，该自适应训练过程包含如下子步骤：步骤5.1，将多任务学习样本集的特征变量输入模型中，对每个专家子网络分别通过逐层无监督预训练得到初始权重值；步骤5.2，通过前向传播分别计算共享部分多个专家子网络的输出特征、两个任务分别对应的门控结构的输出权重，并通过门控结构权重对所述多个专家子网络输出的特征进行加权融合，再将其结果作为输入值，分别输入对应的独立任务层部分，计算得到PM2.5和NO2浓度输出结果；步骤5.3，采用平方损失函数分别计算PM2.5和NO2两个单任务损失函数LPM2.5、并计算多任务深度学习模型总损失函数Lmulti-task；步骤5.4，判断模型训练是否收敛，若收敛则停止训练，得到多任务深度学习模型，否则执行步骤5.5；步骤5.5，采用反向传播算法计算模型各参数梯度，使用Adam梯度下降方法更新模型权值，更新完成后返回步骤5.2；步骤6，对步骤5中模型输出结果进行效果验证，验证通过后使用验证后的模型对未知真值的格网上的PM2.5和NO2浓度进行协同反演，得到最终的PM2.5和NO2浓度反演结果。

全文数据：

权利要求：

百度查询： 武汉大学 一种基于多任务深度学习的遥感PM2.5和NO₂协同反演方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD