公开/公告号CN113065098A
专利类型发明专利
公开/公告日2021-07-02
原文格式PDF
申请/专利权人 北京航天创智科技有限公司;
申请/专利号CN202110308071.8
申请日2021-03-23
分类号G06F17/18(20060101);G06F17/11(20060101);G06F17/16(20060101);G01N15/06(20060101);G01W1/02(20060101);
代理机构11837 北京中创云知识产权代理事务所(普通合伙);
代理人魏巍
地址 100076 北京市丰台区北大街甲13号301室(园区)
入库时间 2023-06-19 11:42:32
技术领域
本发明涉及大气环境检测技术领域，特别涉及一种基于卫星遥感和地气系统数据的PM2.5浓度检测方法及装置。
背景技术
随着我国工业化和城市化的持续高速发展，人们生活水平急剧升高，越来越多地环境问题也急剧出现。近年来，中国多次发生大范围的持续雾霾天气。而雾霾主要由PM2.5组成，PM2.5是指悬浮在大气中空气动力学直径不超过2.5微米的细颗粒物。与较粗的大气颗粒物相比，PM2.5粒径小，面积大，活性强，易附带有毒、有害物质，且在大气中的停留时间长、输送距离远，因而对人体健康、大气环境质量及辐射收支的影响很大。PM2.5可以直接进入人体的呼吸道和肺泡，危害呼吸系统和心血管系统；PM2.5的散光作用还会降低环境能见度，带来严重的交通问题与感官体验；另外，PM2.5粒子会散射和吸收太阳辐射和地面射出的长波辐射，从而影响地、气辐射收支，使地面温度降低，高空的温度升高。因此，对于PM2.5浓度的监测与控制显得尤为重要。
自2013年以来，我国开始逐步建立实时监测城市空气质量的监测网络，目前共有1497个站点投入使用，对各个城市的空气质量进行逐小时监测，但是，这些站点分布不均，东部发达地区站点较多，西部地区站点相对较少，针对于站点也无法实现区域范围的监测。因此基于站点的监测具有分布不均匀、覆盖范围低的缺点，难以进行大范围的研究。
随着遥感技术的发展，卫星数据被广泛应用到空气质量监测之中。与传统地基监测站点相比，卫星遥感具有大空间范围内连续监测的特点，可有效进行大面积PM2.5监测。目前基于卫星气溶胶光学厚度数据已经发展出了多种PM2.5浓度估算算法，主要分为比例因子模型、基于物理机理的半经验模型，以及统计模型，人工智能模型等，根据这些方法也取得了有效的成果。但由于云和气候的影响，容易造成卫星数据的大量缺失，从而限制了卫星数据源的输入，导致了PM2.5浓度监测结果在空间覆盖度上出现了较大缺陷，无法对全域空气质量进行高质全面监测。
发明内容
本发明实施例的目的是提供一种基于卫星遥感和地气系统数据的PM2.5浓度检测方法及装置，通过引入气象数据、地表场景数据及时空关系数据，提出了一种提高PM2.5浓度卫星估算空间覆盖度的算法，有效地弥补了传统卫星产品在空间连续性上的不足，并结合地理加权回归算法对全域PM2.5浓度分布进行高精度估算，为开展大气污染防治提供更为精确的数据支撑。
为解决上述技术问题，本发明实施例的第一方面提供了一种基于卫星遥感和地气系统数据的PM2.5浓度检测方法，使用卫星遥感数据对预设区域内的PM2.5浓度进行检测，包括如下步骤：
获取预设区域内的气溶胶光学厚度数据、气象数据和地表场景数据；
依据所述气溶胶光学厚度数据、所述气象数据和所述地表场景数据，建立地理加权回归模型；
依据所述地理加权回归模型，计算所述预设区域内的PM2.5浓度。
进一步地，所述依据所述气溶胶光学厚度数据、所述气象数据和所述地表场景数据建立地理加权回归模型，包括：
依据所述气溶胶光学厚度数据、所述气象数据和所述地表场景数据，建立随机森林模型；
依据所述随机森林模型，对所述气溶胶光学厚度数据进行校准；
依据所述气象数据和校准后的所述气溶胶光学厚度数据，建立所述地理加权回归模型。
进一步地，所述依据所述气溶胶光学厚度数据、所述气象数据和所述地表场景数据建立随机森林模型之前，还包括：
通过双线性方法对所述气象数据和所述地表场景数据进行重采样，将二者采样为相同分辨率；
将重采样后的所述气象数据和所述地表场景数据与所述气溶胶光学厚度数据，结合时间特征及空间特征进行匹配。
进一步地，所述依据所述气溶胶光学厚度数据、所述气象数据和所述地表场景数据，建立随机森林模型，包括：
输入所述气象数据、所述地表场景数据和时空数据作为样本特征X，AOD数据为样本标签Y；
随机构造多棵决策树，构造随机森林模型；
随机挑选特征和样本，使用均方差作为误差函数，并根据每棵所述决策树的结果通过计算平均值得到所述气溶胶光学厚度日均数据的预测值。
进一步地，所述计算平均值得到所述气溶胶光学厚度日均数据的预测值之后，还包括：
依据所述随机森林模型估算所述预设区域范围内所述气溶胶光学厚度日均数据缺失部分的数据；
对所述气溶胶光学厚度日均数据的估计值与相同空间位置的所述气溶胶光学厚度日均数据卫星数据值构建线性回归方程；
对所述气溶胶光学厚度日均数据估计值根据所述线性回归方程作校准，使用校准后的所述气溶胶光学厚度日均数据作为完全覆盖预设区域的气溶胶光学厚度数据。
进一步地，所述获取预设区域内的气溶胶光学厚度数据、气象数据和地表场景数据，包括：
获取所述预设区域内的所述气溶胶光学厚度数据的日均数据；
获取所述预设区域内的气象数据，其中，所述气象数据包括：饱和水汽压、实际水汽压、相对湿度和风速；
获取所述预设区域内的地表场景数据，其中，所述地表场景数据包括：植被覆盖指数、地物分类和地表高程等数据。
进一步地，所述获取所述预设区域内的气象数据，包括：
获取所述预设区域内的原始气象数据，其中所述原始气象数据包括：每小时的2m处温度、每小时的2m处露点温度、10m处的u分量、10m处的v分量、下行短波辐射、表面压强、蒸散量、总降水量及每小时的大气边界层高度；
依据所述预设区域内的原始气象数据，得到所述饱和水汽压、所述实际水汽压、所述相对湿度和所述风速。
进一步地，所述饱和水汽压saturated vap为：
其中，t2m为每小时的2m处温度；
所述实际水汽压vap为：
其中，d2m为每小时的露点温度；
所述相对湿度rh为：
所述风速wind_s为：
所述风速wind_d为：
其中，所述u10为10m处的u分量、所述v10为10m处的v分量。
进一步地，所述地理加权回归模型为：
PM2.5(u
其中，β
进一步地，所述依据所述地理加权回归模型计算所述预设区域内的PM2.5浓度，包括：
通过加权最小二乘法，依据所述地理加权回归模型获取权重函数矩阵；
通过最小信息准则，依据所述地理加权回归模型的简洁性和精确性确定最优带宽；
依据所述最优带宽获取各输入参数的权重函数矩阵；
对各所述输入参数的权重函数矩阵和与所述输入参数对应的地面站点的地理位置进行空间匹配，获取空间函数权重矩阵；
通过克里金空间插值法，依据所述空间函数权重矩阵分别获取所述常数项、完全覆盖所述预设区域的所述气溶胶光学厚度数据、所述相对湿度、所述风速wind_d和所述风速wind_s；
根据所述卫星遥感数据与所述预设区域对应的所述完全覆盖所述预设区域的所述气溶胶光学厚度数据、所述相对湿度、所述风速wind_d、所述风速wind_s和所述回归系数，结合所述地理加权回归模型获取所述预设区域的PM2.5浓度。
相应地，本发明实施例的第二方面提供了一种基于卫星遥感和地气系统数据的PM2.5浓度检测装置，使用卫星遥感数据对预设区域内的PM2.5浓度进行检测，包括：
获取模块，其用于获取预设区域内的气溶胶光学厚度数据、气象数据和地表场景数据；
模型建立模块，其用于依据所述气溶胶光学厚度数据、所述气象数据和所述地表场景数据，建立地理加权回归模型；
计算模块，其用于依据所述地理加权回归模型，计算所述预设区域内的PM2.5浓度。
进一步地，所述模型建立模块包括：第一模型建立子模块，其用于依据所述气溶胶光学厚度数据、所述气象数据和所述地表场景数据，建立随机森林模型；
校准子模块，其用于依据所述随机森林模型，对所述气溶胶光学厚度数据进行校准；
第二模型建立子模块，其用于依据所述气象数据和校准后的所述气溶胶光学厚度数据，建立所述地理加权回归模型。
进一步地，所述模型建立模块还包括：
重采样子模块，其用于通过双线性方法对所述气象数据和所述地表场景数据进行重采样，将二者采样为相同分辨率；
匹配子模块，其用于将重采样后的所述气象数据和所述地表场景数据与所述气溶胶光学厚度数据，结合时间特征及空间特征进行匹配。
进一步地，所述第一模型建立子模块包括：
输入单元，其用于输入所述气象数据、所述地表场景数据和时空数据作为样本特征X，AOD数据为样本标签Y；
模型构造单元，其用于随机构造多棵决策树，构造随机森林模型；
第一计算单元，其用于随机挑选特征和样本，使用均方差作为误差函数，并根据每棵所述决策树的结果通过计算平均值得到所述气溶胶光学厚度日均数据的预测值。
进一步地，所述第一模型建立子模块还包括：
估算单元，其用于依据所述随机森林模型估算所述预设区域范围内所述气溶胶光学厚度日均数据缺失部分的数据；
构建单元，其用于对所述气溶胶光学厚度日均数据的估计值与相同空间位置的所述气溶胶光学厚度日均数据卫星数据值构建线性回归方程；
校准单元，其用于对所述气溶胶光学厚度日均数据估计值根据所述线性回归方程作校准，使用校准后的所述气溶胶光学厚度日均数据作为完全覆盖预设区域的气溶胶光学厚度数据。
进一步地，所述获取模块包括：
第一获取子模块，其用于获取所述预设区域内的所述气溶胶光学厚度数据的日均数据；
第二获取子模块，其用于获取所述预设区域内的气象数据，其中，所述气象数据包括：饱和水汽压、实际水汽压、相对湿度和风速；
第三获取子模块，其用于获取所述预设区域内的地表场景数据，其中，所述地表场景数据包括：植被覆盖指数、地物分类和地表高程等数据。
进一步地，所述第二获取子模块包括：
第一获取单元，其用于获取所述预设区域内的原始气象数据，其中所述原始气象数据包括：每小时的2m处温度、每小时的2m处露点温度、10m处的u分量、10m处的v分量、下行短波辐射、表面压强、蒸散量、总降水量及每小时的大气边界层高度；
第二计算单元，其用于依据所述预设区域内的原始气象数据，得到所述饱和水汽压、所述实际水汽压、所述相对湿度和所述风速。
进一步地，所述饱和水汽压saturated vap为：
其中，t2m为每小时的2m处温度；
所述实际水汽压vap为：
其中，d2m为每小时的露点温度；
所述相对湿度rh为：
所述风速wind_s为：
所述风速wind_d为：
其中，所述u10为10m处的u分量、所述v10为10m处的v分量。
进一步地，所述地理加权回归模型为：
PM2.5(u
其中，β
进一步地，所述计算模块包括：
第二获取单元，其用于通过加权最小二乘法，依据所述地理加权回归模型获取权重函数矩阵；
第三获取单元，其用于通过最小信息准则，依据所述地理加权回归模型的简洁性和精确性确定最优带宽；
第四获取单元，其用于依据所述最优带宽获取各输入参数的权重函数矩阵；
第五获取单元，其用于对各所述输入参数的权重函数矩阵和与所述输入参数对应的地面站点的地理位置进行空间匹配，获取空间函数权重矩阵；
第六获取单元，其用于通过克里金空间插值法，依据所述空间函数权重矩阵分别获取所述常数项、完全覆盖所述预设区域的所述气溶胶光学厚度数据、所述相对湿度、所述风速wind_d和所述风速wind_s；
第七获取单元，其用于根据所述卫星遥感数据与所述预设区域对应的所述完全覆盖所述预设区域的所述气溶胶光学厚度数据、所述相对湿度、所述风速wind_d、所述风速wind_s和所述回归系数，结合所述地理加权回归模型获取所述预设区域的PM2.5浓度。
本发明实施例的上述技术方案具有如下有益的技术效果：
通过引入气象数据、地表场景数据及时空关系数据，提出了一种提高PM2.5浓度卫星估算空间覆盖度的算法，有效地弥补了传统卫星产品在空间连续性上的不足，并结合地理加权回归算法对全域PM2.5浓度分布进行高精度估算，为开展大气污染防治提供更为精确的数据支撑。
附图说明
图1是本发明实施例提供的一种基于卫星遥感和地气系统数据的PM2.5浓度检测模块图；
图2是本发明实施例提供的一种基于卫星遥感和地气系统数据的PM2.5浓度检测技术流程图。
图3是本发明实施例提供的时空匹配与地理加权回归方法图。
图4是本发明实施例提供的数据集训练与测试流程图。
图5是本发明实施例提供的基于卫星遥感和地气系统数据的PM2.5浓度检测装置模块示意图；
图6是本发明实施例提供的获取模块框图；
图7是本发明实施例提供的第二获取子模块框图；
图8是本发明实施例提供的模型建立模块框图；
图9是本发明实施例提供的第一模型建立子模块框图；
图10是本发明实施例提供的计算模块框图。
附图标记：
1、获取模块，11、第一获取子模块，12、第二获取子模块，121、第一获取单元，122、第二计算单元，13、第三获取子模块，2、模型建立模块，21、第一模型建立子模块，211、输入单元，212、模型构造单元，213、第一计算单元，214、估算单元，215、构建单元，216、校准单元，22、校准子模块，23、第二模型建立子模块，24、重采样子模块，25、匹配子模块，3、计算模块，31、第二获取单元，32、第三获取单元，33、第四获取单元，34、第五获取单元，35、第六获取单元，36、第七获取单元。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明了，下面结合具体实施方式并参照附图，对本发明进一步详细说明。应该理解，这些描述只是示例性的，而并非要限制本发明的范围。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本发明的概念。
现有的基于站点的监测具有分布不均匀、覆盖范围低的缺点，难以进行大范围的研究，基于卫星遥感技术的PM2.5浓度估算算法均以气溶胶光学厚度为卫星数据输入源展开研究，由于云和气候的影响，气溶胶光学厚度数据容易出现大面积缺失，导致无法实现PM2.5浓度的全域估算。本发明的技术方案主要解决基于传统卫星产品无法进行PM2.5浓度全域全覆盖估算的问题。
图1是本发明实施例提供的一种基于卫星遥感和地气系统数据的PM2.5浓度检测模块图。
图2是本发明实施例提供的一种基于卫星遥感和地气系统数据的PM2.5浓度检测技术流程图。
图3是本发明实施例提供的时空匹配与地理加权回归方法图。
图4是本发明实施例提供的数据集训练与测试流程图。
请参照图1、图2、图3和图4，本发明实施例的第一方面提供了一种基于卫星遥感和地气系统数据的PM2.5浓度检测方法，使用卫星遥感数据对预设区域内的PM2.5浓度进行检测，包括如下步骤：
S200，获取预设区域内的气溶胶光学厚度数据、气象数据和地表场景数据。
具体的，获取预设区域范围内MAIAC的MCD19A2产品中的Optical_Depth_055波段数据，根据AOD_QA波段选择QAColudMask＝Clear且QAAdjacement＝Clear来提取有效的气溶胶光学厚度数据。可理解的是，MCD19A2是2018年5月公开的1km分辨率的产品，该数据集可通过Modis官网获取到，本发明采用Optical_Depth_055波段，由于云等限制，需要根据QA波段作气溶胶光学厚度的质量控制。
具体的，获取预设区域范围内欧洲中期天气预报中心ECMWF的再分析数据集ERA5-land和再分析数据集ERA5。可理解的是，ERA5数据集和ERA5-land数据集是可公开下载，气象数据可以从数据集中提取出来。
具体的，获取预设区域范围内MOD13Q2的植被覆盖指数数据ndvi；获取研究区域范围内ALOS DSM的高程数据dem。可理解的是，MOD13Q2和ALOS DSM数据均可以从网上下载。
可选的，高程数据dem为30m相应的数据。
具体的，步骤S200中获取预设区域内的气溶胶光学厚度数据、气象数据和地表场景数据，包括：
S210，获取预设区域内的气溶胶光学厚度数据的日均数据。
S220，获取预设区域内的气象数据，其中，气象数据包括：饱和水汽压、实际水汽压、相对湿度和风速。
S230，获取预设区域内的地表场景数据，其中，地表场景数据包括：植被覆盖指数、地物分类和地表高程等数据。
进一步地，步骤S220中获取预设区域内的气象数据，包括：
S221，获取预设区域内的原始气象数据，其中原始气象数据包括：每小时的2m处温度、每小时的2m处露点温度、10m处的u分量、10m处的v分量、下行短波辐射、表面压强、蒸散量、总降水量及每小时的大气边界层高度。
其中，上述2m处和10m处均为垂直高度处的高度。
S222，依据预设区域内的原始气象数据，得到饱和水汽压、实际水汽压、相对湿度和风速。
S400，依据气溶胶光学厚度数据、气象数据和地表场景数据，建立地理加权回归模型。
S600，依据地理加权回归模型，计算预设区域内的PM2.5浓度。
进一步地，步骤S400中依据气溶胶光学厚度数据、气象数据和地表场景数据建立地理加权回归模型，包括：
S410，依据气溶胶光学厚度数据、气象数据和地表场景数据，建立随机森林模型。
S420，依据随机森林模型，对气溶胶光学厚度数据进行校准。
S430，依据气象数据和校准后的气溶胶光学厚度数据，建立地理加权回归模型。
根据空间匹配后的日均AOD数据、日均气象数据及地表场景数据，引入时空特征建立随机森林模型，估算并校正AOD缺失区域的AOD值；
需要说明的是，在有效的气象数据、AOD数据和地表场景数据基础上，加入作为时空关系特征的doy和经纬度lon和lat构造数据集。其中样本特征X包括气象数据、地表场景数据和时空关系数据，样本标签Y为AOD数据。随机选择80％样本为训练数据，20％为测试数据。采用交叉验证的方法，输入训练数据，随机构造多棵决策树，随机挑选特征和样本，根据每棵树的结果通过计算平均值得到最终AOD的预测值，不断迭代训练直到得到测试数据效果最好的模型。
根据训练好的随机森林模型估算出研究区域范围内AOD缺失部分的数据，对AOD的估计值与相同空间位置的AOD卫星数据值构建线性回归方程，对所述AOD估计值根据所述线性回归方程作校准，使用校准后的AOD作为完全覆盖研究区域的气溶胶光学厚度数据AOD
可选的，步骤S410依据气溶胶光学厚度数据、气象数据和地表场景数据建立随机森林模型之前，还包括：
S310，通过双线性方法对气象数据和地表场景数据进行重采样，将二者采样为相同分辨率。
S320，将重采样后的气象数据和地表场景数据与气溶胶光学厚度数据，结合时间特征及空间特征进行匹配。
具体的，步骤S410中依据气溶胶光学厚度数据、气象数据和地表场景数据建立随机森林模型，包括：
S411，输入气象数据、地表场景数据和时空数据作为样本特征X，AOD数据为样本标签Y。
S412，随机构造多棵决策树，构造随机森林模型。
S413，随机挑选特征和样本，使用均方差作为误差函数，并根据每棵决策树的结果通过计算平均值得到气溶胶光学厚度日均数据的预测值。
可选的，步骤S413计算平均值得到气溶胶光学厚度日均数据的预测值之后，还包括：
S414，依据随机森林模型估算预设区域范围内气溶胶光学厚度日均数据缺失部分的数据。
S415，对气溶胶光学厚度日均数据的估计值与相同空间位置的气溶胶光学厚度日均数据卫星数据值构建线性回归方程。
S416，对气溶胶光学厚度日均数据估计值根据线性回归方程作校准，使用校准后的气溶胶光学厚度日均数据作为完全覆盖预设区域的气溶胶光学厚度数据。
具体的，饱和水汽压saturated vap为：
其中，t2m为每小时的2m处温度；
实际水汽压vap为：
其中，d2m为每小时的露点温度；
相对湿度rh为：
风速wind_s为：
风速wind_d为：
其中，u10为10m处的u分量、v10为10m处的v分量。
具体的，地理加权回归模型为：
PM2.5(u
其中，β
可选的，根据地理加权回归模型获取PM2.5浓度包括：采用加权最小二乘法，根据地理加权回归模型获取权重函数矩阵，权重函数矩阵如下：
β(u
其中，β为回归系数，W为权重函数矩阵，Y为PM2.5浓度，X为输入参数，输入参数包括常数项、AOD
采用AIC(最小信息准则)根据模型的简洁性和精确性确定最优带宽，并根据最优带宽获取各输入参数的权重函数矩阵；对各输入参数的权重函数矩阵和与所述输入参数对应的地面站点的地理位置进行空间匹配，获取空间函数权重矩阵；最终克里金空间插值法，根据所述空间函数权重矩阵分别获取常数项、AOD
根据所述日均气象数据rh、wind_d和wind_s，所述气溶胶光学厚度数据AOD
可以理解的是PM2.5站点数据携带地理信息，采用最邻近方法与气象数据、AOD数据进行空间匹配。
此外，对每小时内气象数据t2m、d2m、rh、blh等气象数据的无效数据设置为-9999，对每小时无效的PM2.5数据设置为-9999；需要说明的是由于云的限制等，气象数据t2m等数据及PM2.5站点数据会出现无效数据。
构建时间关系数据doy,表示一年中的天数，使用研究区域范围内经度lon和纬度lat构建空间关系数据；需要说明的是，通过doy引入数据中的时间关系，通过经度lon和纬度lat数据来引入数据中的空间关系。
对气象数据t2m、d2m、rh、blh等气象数据、AOD数据及地表场景数据ndvi和dem使用双线性重采样方法，重采样为相同空间分辨率；需要说明的是，AOD数据、气象数据和地表场景数据均携带地理信息，通过重采样方法便于后续的空间匹配。
根据AOD的过境时间，将10-14时的有效气象数据t2m、d2m、rh、blh等气象数据分别使用均值合成相应的日均数据，将站点的24小时PM2.5浓度使用均值合成PM2.5日均浓度。
根据日均气象数据包括t2m、d2m、rh、blh等气象数据,地表场景数据ndvi、dem，及日均AOD数据对相同的空间位置进行匹配；
可以理解的是，日均AOD数据、日均气象数据及地表场景数据已经被重采样到同一分辨率，根据同一像元位置可以进行空间匹配，并通过对无效数据的剔除使用有效数据作为训练样本。
具体的，步骤S600中，依据地理加权回归模型对所述预设区域的PM2.5浓度进行校准并得到预设区域内校准后内的PM2.5浓度，包括：
S610，通过加权最小二乘法，依据地理加权回归模型获取权重函数矩阵。
S620，通过最小信息准则，依据地理加权回归模型的简洁性和精确性确定最优带宽。
S630，依据最优带宽获取各输入参数的权重函数矩阵。
S640，对各输入参数的权重函数矩阵和与输入参数对应的地面站点的地理位置进行空间匹配，获取空间函数权重矩阵。
S650，通过克里金空间插值法，依据空间函数权重矩阵分别获取常数项、完全覆盖预设区域的气溶胶光学厚度数据、相对湿度、风速wind_d和风速wind_s。
S660，根据卫星遥感数据与预设区域对应的完全覆盖预设区域的气溶胶光学厚度数据、相对湿度、风速wind_d、风速wind_s和回归系数，结合地理加权回归模型获取预设区域的PM2.5浓度。
图5是本发明实施例提供的基于卫星遥感和地气系统数据的PM2.5浓度检测装置模块示意图。
相应地，请参照图5，本发明实施例的第二方面提供了一种基于卫星遥感和地气系统数据的PM2.5浓度检测装置，使用卫星遥感数据对预设区域内的PM2.5浓度进行检测，包括：
获取模块1，其用于获取预设区域内的气溶胶光学厚度数据、气象数据和地表场景数据；
模型建立模块2，其用于依据气溶胶光学厚度数据、气象数据和地表场景数据，建立地理加权回归模型；
计算模块3，其用于依据地理加权回归模型，计算预设区域内的PM2.5浓度。
图6是本发明实施例提供的获取模块框图。
具体的，请参照图6，获取模块1包括：
第一获取子模块11，其用于获取预设区域内的气溶胶光学厚度数据的日均数据；
第二获取子模块12，其用于获取预设区域内的气象数据，其中，气象数据包括：饱和水汽压、实际水汽压、相对湿度和风速；
第三获取子模块13，其用于获取预设区域内的地表场景数据，其中，地表场景数据包括：植被覆盖指数、地物分类和地表高程等数据。
图7是本发明实施例提供的第二获取子模块框图
进一步地，请参照图7，第二获取子模块12包括：
第一获取单元121，其用于获取预设区域内的原始气象数据，其中原始气象数据包括：每小时的2m处温度、每小时的2m处露点温度、10m处的u分量、10m处的v分量、下行短波辐射、表面压强、蒸散量、总降水量及每小时的大气边界层高度；
第二计算单元122，其用于依据预设区域内的原始气象数据，得到饱和水汽压、实际水汽压、相对湿度和风速。
具体的，饱和水汽压saturated vap为：
其中，t2m为每小时的2m处温度；
实际水汽压vap为：
其中，d2m为每小时的露点温度；
相对湿度rh为：
风速wind_s为：
风速wind_d为：
其中，u10为10m处的u分量、v10为10m处的v分量。
具体的，地理加权回归模型为：
PM2.5(u
其中，β
图8是本发明实施例提供的模型建立模块框图。
具体的，请参照图8，模型建立模块2包括：
第一模型建立子模块21，其用于依据气溶胶光学厚度数据、气象数据和地表场景数据，建立随机森林模型；
校准子模块22，其用于依据随机森林模型，对气溶胶光学厚度数据进行校准；
第二模型建立子模块23，其用于依据气象数据和校准后的气溶胶光学厚度数据，建立地理加权回归模型。
可选的，模型建立模块2还包括：
重采样子模块24，其用于通过双线性方法对气象数据和地表场景数据进行重采样，将二者采样为相同分辨率；
匹配子模块25，其用于将重采样后的气象数据和地表场景数据与气溶胶光学厚度数据，结合时间特征及空间特征进行匹配。
图9是本发明实施例提供的第一模型建立子模块框图。
进一步地，请参照图9，第一模型建立子模块21包括：
输入单元211，其用于输入气象数据、地表场景数据和时空数据作为样本特征X，AOD数据为样本标签Y；
模型构造单元212，其用于随机构造多棵决策树，构造随机森林模型；
第一计算单元213，其用于随机挑选特征和样本，使用均方差作为误差函数，并根据每棵决策树的结果通过计算平均值得到气溶胶光学厚度日均数据的预测值。
此外，第一模型建立子模块21还包括：
估算单元214，其用于依据随机森林模型估算预设区域范围内气溶胶光学厚度日均数据缺失部分的数据；
构建单元215，其用于对气溶胶光学厚度日均数据的估计值与相同空间位置的气溶胶光学厚度日均数据卫星数据值构建线性回归方程；
校准单元216，其用于对气溶胶光学厚度日均数据估计值根据线性回归方程作校准，使用校准后的气溶胶光学厚度日均数据作为完全覆盖预设区域的气溶胶光学厚度数据。
图10是本发明实施例提供的计算模块框图。
具体的，请参照图10，计算模块3包括：
第二获取单元31，其用于通过加权最小二乘法，依据地理加权回归模型获取权重函数矩阵；
第三获取单元32，其用于通过最小信息准则，依据地理加权回归模型的简洁性和精确性确定最优带宽；
第四获取单元33，其用于依据最优带宽获取各输入参数的权重函数矩阵；
第五获取单元34，其用于对各输入参数的权重函数矩阵和与输入参数对应的地面站点的地理位置进行空间匹配，获取空间函数权重矩阵；
第六获取单元35，其用于通过克里金空间插值法，依据空间函数权重矩阵分别获取常数项、完全覆盖预设区域的气溶胶光学厚度数据、相对湿度、风速wind_d和风速wind_s；
第七获取单元36，其用于根据卫星遥感数据与预设区域对应的完全覆盖预设区域的气溶胶光学厚度数据、相对湿度、风速wind_d、风速wind_s和回归系数，结合地理加权回归模型获取预设区域的PM2.5浓度。
相应地，本发明实施例的第三方面还提供了一种电子设备，包括：至少一个处理器；以及与所述至少一个处理器连接的存储器；其中，所述存储器存储有可被所述一个处理器执行的指令，所述指令被所述一个处理器执行，以使所述至少一个处理器执行上述基于卫星遥感和地气系统数据的PM2.5浓度检测方法。
此外，本发明实施例的第四方面还提供了一种计算机可读存储介质，其上存储有计算机指令，该指令被处理器执行时实现上述基于卫星遥感和地气系统数据的PM2.5浓度检测方法。
本发明实施例旨在保护一种基于卫星遥感和地气系统数据的PM2.5浓度检测方法及装置，使用卫星遥感数据对预设区域内的PM2.5浓度进行检测，其中方法包括如下步骤：获取预设区域内的气溶胶光学厚度数据、气象数据和地表场景数据；依据气溶胶光学厚度数据、气象数据和地表场景数据，建立地理加权回归模型；依据地理加权回归模型，计算预设区域内的PM2.5浓度。上述技术方案具备如下效果：
通过引入气象数据、地表场景数据及时空关系数据，提出了一种提高PM2.5浓度卫星估算空间覆盖度的算法，有效地弥补了传统卫星产品在空间连续性上的不足，并结合地理加权回归算法对全域PM2.5浓度分布进行高精度估算，为开展大气污染防治提供更为精确的数据支撑。
应当理解的是，本发明的上述具体实施方式仅仅用于示例性说明或解释本发明的原理，而不构成对本发明的限制。因此，在不偏离本发明的精神和范围的情况下所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。此外，本发明所附权利要求旨在涵盖落入所附权利要求范围和边界、或者这种范围和边界的等同形式内的全部变化和修改例。
