一种城市百米级二氧化氮浓度分布超分辨率解析

本发明属于大气污染监测，具体涉及城市百米级二氧化氮浓度分布超分辨率解析方法。背景技术：1、氮氧化物作为臭氧生成的前体物，与臭氧污染的程度密切相关，二氧化氮作为最主要的一种氮氧化物，是一种典型的大气污染物。目前我国正在大力推进二氧化氮的减排和治理，工业源、交通源作为二氧化氮的主要污染来源，一直备受关注，而想要精准地控制工厂和汽车排放，定位排放源位置，便需要更高分辨率的二氧化氮的浓度分布。2、目前比较常见的二氧化氮的检测方法有使用化学方法的点式测量、使用光吸收方法的遥感仪器，其中点式仪器常见于国家环境自动监测站，检测精度高但空间范围小，遥感仪器则常用于卫星遥感、机载遥感、地基遥感等，检测空间范围大，但分辨率和精度较低。在大气化学场降尺度这个领域上，目前通过深度学习的方法普遍可以提高到1公里的尺度上，但受限于传统测量方法的测量分辨率，难以提高到百米级的尺度上。技术实现思路1、本发明的目的在于提供一种检测空间范围大、检测精度高的任意城市百米级二氧化氮浓度超分辨率解析方法。2、本发明提供的任意城市百米级二氧化氮浓度超分辨率解析方法，采用神经网络技术，以经过预处理的超光谱卫星遥感得到的二氧化氮浓度数据、实时路况数据、poi数据、wrf气象场数据作为训练集，使用均方误差损失、区域均值均方误差损失和相关性损失作为训练中的三种损失函数，国控站点的二氧化氮近地面小时均值浓度作为标签数据集进行训练，得到百米分辨率的二氧化氮浓度分布；具体步骤为：3、步骤1，对基于超光谱卫星得到的二氧化氮浓度数据、实时路况数据、poi数据(point of interest，兴趣点)、wrf气象场中的一些气象数据这四种数据进行预处理，在分辨率上进行匹配，作为神经网络的输入数据集，记为数据集i；4、(一)二氧化氮数据的预处理，在训练前对其进行一次双线性插值处理，将数据插值到所需的分辨率(百米)，使其与后续的高分辨率数据匹配。5、(二)实时路况数据的预处理，包括：提取路网数据作为基础值，提取道路的实时路况数据，提取各个道路节点的经纬度信息，坐标系转换，将路网和实时路况数据转换为网格数据：6、(1)根据路网数据，提取城市的道路信息。利用提取到的城市的道路信息，去提取各个道路的拥堵信息(提取到的数据为json格式)，其中包含提取道路拥堵信息的时间、道路名称、道路拥堵等级、道路拥堵范围等数据；其中道路拥堵范围则是将该道路分为若干个节点，通过类似“某某节点附近”或“某节点至某节点”的方式划定拥堵范围；7、(2)使用路网数据自动获取道路节点(交叉路口式的道路节点)的经纬度信息；路网数据含有大量的道路矢量数据，使用该数据可获取各个道路的交叉路口的经纬度，对于两个交叉的道路，分别对其的每段矢量数据进行遍历并判断是否相交，若相交，则提取相交点的经纬度作为该两条交路的交叉路口的经纬度信息；8、(3)使用地理编码服务自动获取道路的节点信息，包括获取每个道路节点(地标式的道路节点)的经纬度信息；地理编码服务可以根据给定的信息，如地理坐标的名称，返回多个位置点的经纬度信息，提取第一个位置点的经纬度，并将该经纬度信息从bd09坐标系转换为wg84坐标系，将与其对应的道路进行距离判断，若距离小于300m，则判断该经纬度为该节点的经纬度信息；9、(4)手动筛选以上自动获取到的节点信息，并通过坐标拾取服务，手动获取无法通过上述方法获得经纬度的节点信息；10、(5)将基于路网信息的基础值网格化，具体操作为：将矢量信息转换为每个格点内的道路密度值，并且对于不同等级的道路密度，设置不同的权重。具体的道路等级详见表2，其中不同的权重设置为：11、 道路等级 权重 道路等级 权重 高速公路 1 次级干道 0.7 主要干道 0.9 三级干道 0.5 基本干道 0.8 未编号道路 0.25 12、根据以上的道路等级和权重的设置，将路网信息转换为网格数据；13、(6)将实时路况数据网格化，具体操作为，根据数据中的道路拥堵等级、道路拥堵范围转换为每个格点内的道路密度值。道路拥堵等级共有四个等级，分别用1～4表示，道路拥堵范围则通过道路节点信息以及道路拥堵长度来确定。具体的公式如下：14、rdbi＝∑k lbk ，                         公式115、rdri＝∑k lrk，                         公式216、rdi＝rdbi+rdri ，                      公式317、公式1中，rdbi表示第i个格点的道路基础密度值，k表示格点内的第k条道路，lbk表示格点内的第k条道路的基础密度值；公式2中，rdri表示第i个格点的道路拥堵密度值，k表示格点内的第k条拥堵的道路，lrk表示格点内第k条拥堵道路的道路拥堵密度值；公式3中，rdi表示第i个格点内的道路总密度值。18、(三)poi数据的预处理，poi数据含有一个城市各种各样的地点的信息，包括一个餐馆、一个工厂或者一处景点等等。处理时按照排放清单中的分类，将poi数据分为工业、能源、住宅这几种排放源种类，将其按照poi密度转换为网格格点数据，并按照以下公式处理合并：19、poi＝η(ind)*ind/sum(ind)+η(pow)*pow/sum(pow)+η(res)*res/sum(res)，公式420、公式4中，ind为工业密度，pow为能源密度，res为住宅密度，η分别为几种排放源的排放量占比，其依据为排放清单的年平均排放量。21、(四)wrf气象场数据的预处理处理，wrf气象场数据采用近地面10m的纬度风场和经度风场，近地面2m的相对湿度和温度数据为了保证分辨率一致，将wrf的数据使用最近邻插值的方法插值到和双线性插值后的卫星遥感数据一致。22、将以上数据分别进行归一化至[0,1]，合并为一个长度为7的数据，作为神经网络的输入数据集，记为数据集i。23、步骤2，提取国控站点的数据作为标签数据集，记为数据集l，搭建卷积神经网络，以数据集i作为网络输入数据集，数据集l为网络的标签数据集，使用均方误差损失、区域均值均方误差损失和相关性损失作为训练中的三种损失函数来进行训练，获取百米级的二氧化氮分布，三种损失函数分别记为lossm、lossa、lossp。24、搭建卷积神经网络，主要分为特征提取网络和特征融合网络，其网络结构如图1所示。25、特征提取网络主要分为三部分，分别对卫星遥感的二氧化氮数据、poi数据、道路实时路况数据进行特征提取：26、(1)将卫星遥感二氧化氮数据记为x1，将x1通过一层卷积层后的数据记为f(x1)；27、(2)将poi密度数据与wrf气象数据合并，记为x2，将x2通过一层卷积层后的数据记为f(x2)；28、(3)将道路实时路况密度数据与wrf气象数据合并，记为x3，将x3通过一层卷积层后的数据记为f(x3)。29、特征融合网络部分，将f(x1)、f(x2)、f(x3)合并为一个长度为3的数据，记为x’。首先通过一层卷积层处理，然后使用lrelu激活函数处理，再通过一层卷积层处理；经过卷积后的数据记为y，为卷积神经网络的输出，即百米二氧化氮结果。30、本发明中：所述相关性损失lossp的计算式为：31、32、其中，lossp为相关性损失，x为神经网络输出数据，y为国控点标签数据。33、所述均方误差损失lossm的计算式为：34、lossm＝e(x-y)2，公式635、其中，x为神经网络输出数据，y为国控点标签数据。36、所述区域均值均方误差损失lossa的计算式为：37、38、其中，为神经网络输出数据的区域均值，为神经网络输入数据的区域均值。39、和现有技术相比，本发明的有益效果在于：40、(1)本发明提出一种将卫星遥感数据降尺度到百米分辨率的方法，在输入数据中加入了含有高分辨率信息的实时路况数据和poi兴趣点数据作为输入数据的一部分，将卫星遥感的尺度降低到了百米级，可以有效识别出城市污染的具体来源；41、(2)本发明在神经网络的训练中提出了将网络输出数据与标签数据的相关性作为损失函数，使得网络在训练中收敛速度更快，并且明显提高了降尺度后的数据与国控点验证的一致性。