(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211276452.3 (22)申请日 2022.10.19 (71)申请人 北华航天工业学院 地址 065000 河北省廊坊市 爱民东道13 3号 (72)发明人 张文豪　唐健雄　马宇　刘其悦　 顾行发　贾志扬　邴芳飞　付雅帅　 张丽丽　徐娜　吴俣　 (74)专利代理 机构 北京合创致信专利代理有限 公司 16127 专利代理师 刘素霞 (51)Int.Cl. G01N 15/06(2006.01) G06K 9/62(2022.01) G06N 5/00(2006.01) G06N 20/20(2019.01) (54)发明名称 基于机器学习融合模型的卫星偏振PM2.5估 算方法和系统 (57)摘要 本申请涉及测试颗粒的粒度或粒径分布技 术领域， 提供了一种基于机器学习融合模型的卫 星偏振PM2.5估算方法和系统。 包括： 获取卫星遥 感影像、 气象数据和PM2.5浓度数据； 其中， 卫星 遥感影像包括三个偏振波段； 基于卫星遥感影 像、 气象数据和PM2.5浓度数据， 构建样本数据 集； 基于样 本数据集， 将第一机器学习子模型、 第 二机器学习子模 型、 第三机器学习子模型作为基 模型， 分别对三个基模型进行训练， 使用三个基 模型的预测值对线性回归模型进行训练， 得到 PM2.5浓度估算融合模型， 并基于PM2.5浓度估 算 融合模型对PM2.5浓度进行估算。 如此， 利用卫星 偏振反射率数据结合气象数据直接构建偏振反 射率数据与PM2.5浓度之间的融合模型， 减少了 误差传递， 提升 了PM2.5浓度估算的精度。 权利要求书2页 说明书14页 附图2页 CN 115356249 A 2022.11.18 CN 115356249 A 1.一种基于 机器学习融合模型的卫星偏振PM2.5估算方法， 其特 征在于， 包括： 获取卫星遥感影像、 气象数据和PM2.5浓度数据； 其中， 所述卫星遥感影像包括波长为 的三个偏振波段， 所述PM2.5浓度数据是通过地面空 气质量监测站点采集得到的； 基于所述 卫星遥感影 像、 所述气象数据和所述PM2.5浓度数据， 构建样本数据集； 基于所述样本数据集， 将第 一机器学习子模型、 第 二机器学习子模型、 第 三机器学习子 模型作为基模型， 分别对三个基模型进行训练， 并使用三个基模型 的预测值对线性回归模 型进行训练， 得到PM2.5浓度估算融合模型； 基于所述PM2.5浓度估算融合模型对PM2.5浓度进行估算。 2.根据权利要求1所述的基于机器学习融合模型的卫星偏振PM2.5估算方法， 其特征在 于， 在基于所述卫星遥感影像、 所述气象数据和所述PM2.5浓度数据， 构建样本数据集之前， 所述方法还 包括： 根据所述偏振波段的观测角度信息， 逐个像素对所述卫星遥感影像进行筛选， 得到第 二卫星遥感影 像。 3.根据权利要求2所述的基于机器学习融合模型的卫星偏振PM2.5估算方法， 其特征在 于， 每一个所述偏振波段包括偏振反射 率矢量以及观测几何信息； 对应地， 所述基于所述卫星遥感影像、 所述气象数据和所述PM2.5浓度数据， 构建样本数据集， 具体为： 从所述偏振波段分别提取偏振反射 率矢量以及观测几何信息； 对所述气象数据进行重采样， 得到与所述卫星遥感影像分辨率一致的重采样气象数 据； 以所述PM2.5浓度数据为基准， 对所述第二卫星遥感影像、 所述重采样气象数据、 所述 偏振反射 率矢量以及所述观测几何信息进行时空匹配， 得到时空尺度统一的样本数据集。 4.根据权利要求1所述的基于机器学习融合模型的卫星偏振PM2.5估算方法， 其特征在 于， 所述基于所述样本数据集， 将第一机器学习子模型、 第二机器学习子模型、 第三机器学 习子模型作为基模型， 分别对三个基模型进行训练， 并使用三个基模型 的预测值对线性回 归模型进行训练， 得到PM2.5浓度估算融合模型， 具体为： 以所述PM2.5浓度数据作为因变量， 所述卫星遥感影像、 所述气象数据作为自变量， 分 别对第一机器学习子模型、 第二机器学习子模型、 第三机器学习子模 型进行训练， 得到训练 完成的第一机器学习子模型、 训练完成的第二机器学习子模型、 训练完成的第三机器学习 子模型； 使用训练完成的第 一机器学习子模型的预测值、 训练完成的第 二机器学习子模型的预 测值、 训练完成的第三机器学习子模 型的预测值对线性回归模型进 行训练， 得到P M2.5浓度 估算融合模型。 5.根据权利要求1所述的基于机器学习融合模型的卫星偏振PM2.5估算方法， 其特征在 于， 采用五折交叉方法分别对第一机器学习子模型、 第二机器学习子模型、 第三机器学习子 模型进行训练。权　利　要　求　书 1/2 页 2 CN 115356249 A 26.根据权利要求1所述的基于机器学习融合模型的卫星偏振PM2.5估算方法， 其特征在 于， 所述第一机器学习子模型为 随机森林模型， 所述第二机器学习子模型为极端梯度提升 模型， 所述第三机器学习子模型为轻量级分布式梯度提升 框架。 7.根据权利要求6所述的基于机器学习融合模型的卫星偏振PM2.5估算方法， 其特征在 于， 所述极端梯度提升模型的目标函数为： 式中， 表示损失函数， 表示常数项； 表示惩罚项； 表示第 t轮极端梯度提升模型的预测， 表示在第 t轮极端梯度提升模型对应的函数； 表示第 i个样本； 表示第i个预测值。 8.根据权利要求7所述的基于机器学习融合模型的卫星偏振PM2.5估算方法， 其特征在 于， 所述轻量级分布式梯度提升 框架的增益计算公式如下： 式中， 表示决策树某个固定结点 d处分割特征 j的信息增益； A、 B表示样本数据子集； a、 b分别表示样本数据子集 A、 B的大小； 表示损失函数的负梯度方向， n表示样本数据集的 实例个数， 表示左节点样本数据集， 右节点样本数据集。 9.一种基于 机器学习融合模型的卫星偏振PM2.5估算系统， 其特 征在于， 包括： 获取单元， 配置为获取卫星遥感影像、 气象数据和 PM2.5浓度数据； 其中， 所述卫星遥感 影像包括波长为 的三个偏振波段， 所述PM2.5浓度 数据是通过地 面空气质量 监测站点采集得到的； 构建单元， 配置为基于所述卫星遥感影像、 所述气象数据和所述PM2.5浓度数据， 构建 样本数据集； 训练单元， 配置为基于所述样本数据集， 将第一机器学习子模型、 第二机器学习子模 型、 第三机器学习子模型作为基模型， 分别对三个基模型进 行训练， 并使用三个基模型的预 测值对线性回归 模型进行训练， 得到PM2.5浓度估算融合模型； 估算单元， 配置为基于所述PM2.5浓度估算融合模型对PM2.5浓度进行估算。权　利　要　求　书 2/2 页 3 CN 115356249 A 3