论文部分内容阅读
近年来,雾霾污染天气现象受到人们广泛的关注。日益增多的地面监测站和监测卫星带来了更为庞大的雾霾时空数据,这时传统方法就显得较为乏力。随着机器学习以及深度学习的发展,研究者们就不断的尝试将这种更适合用于处理大量数据的方法应用至雾霾的时空分析中来。遥感图像是雾霾时空分析中必不可少的时空数据,而卷积神经网络由于其特殊的网络架构,使其成为图像研究中最有效的一类方法。本文以卷积神经网络(Convolutional Neural Network,CNN)方法为基础对雾霾时空演化进行了研究,研究的具体步骤和内容如下:一,首先进行了遥感图像雾霾等级分类问题以及其实用性研究,通过使用传统方法对遥感图像进行气溶胶光学深度(Aerosol Optical Depth,AOD)反演,确定了可以作为卷积神经网络输入的数据类型。使用国家雾霾浓度等级作为数据标定标准,对搭建好的卷积神经网络进行训练,从而实现对雾霾浓度等级的分类;最后,通过传统方法与本文方法结果与实际雾霾浓度等级之间的相关性分析对比,证实了卷积神经网络雾霾分类的实用性。二,为了对雾霾浓度变化进行预测,首先使用自回归方法对雾霾浓度时间上的关联性进行了分析,进而搭建了改进的卷积-回归神经网络的结构,使用该网络对雾霾浓度进行了以天为时间尺度的等级预测。然后,为了在更为精细的时间尺度上对雾霾浓度等级进行预测,本文搭建了一维卷积神经网络的雾霾浓度等级预测方法。本文使用了更新门循环神经网络(Gated Recurrent Unit,GRU)方法作对比,凸显了一维卷积神经网络训练速度快的优点;最后,使用不同时间长度的输入,对雾霾时间维度上的规律进行了研究和分析。三,为了对雾霾的时空上的变化规律进行研究,文中搭建了了基于多物体检测卷积神经网络结构(You Only Look Once,YOLO)方法改进的多卷积联合的网络结构对原始遥感图像进行了分区块处理。不同的区块对应不同的地理区域,所以其输出就对应不同区域的雾霾浓度等级。首先对各块输出做了数理统计,然后为了对数据结果进行更精确的分析,本文中使用了莫兰指数(Moran’I)对空间的自相关性进行了研究和分析。最后,使用空间联系局部指标图(Local Indicators of Spatial Association,LISA)对雾霾以季节为时间尺度的空间集聚性进行了研究,得出了北京地区以季节为尺度的雾霾时空演化规律。