(19)中华 人民共和国 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 202111245783.6 (22)申请日 2021.10.26 (71)申请人 武汉大学 地址 430072 湖北省武汉市武昌区珞珈山 武汉大学 (72)发明人 李四维　宋戈　杨洁　张茂林　 (74)专利代理 机构 武汉科皓知识产权代理事务 所(特殊普通 合伙) 42222 代理人 王琪 (51)Int.Cl. G06F 30/27(2020.01) G06F 119/02(2020.01) (54)发明名称 一种基于近地面紫外辐射的近地面臭氧反 演方法 (57)摘要 本发明提供了一种基于近地面紫外辐射的 近地面臭氧反演方法。 本发明突破了直接利用卫 星观测臭氧柱浓度进行反演的模 型精度的限制， 充分利用了光化学反应中紫外波段的辐射强度 和近地面臭氧生成的理化性质和定量关系， 实现 了广覆盖、 高精度的近地面臭氧的反演。 此外， 训 练后的反演 模型(深度学习模型)计算方便 快速， 可用于快速反演； 转换结果准确， 可应用于其他 领域的研究。 权利要求书2页 说明书6页 附图3页 CN 114021436 A 2022.02.08 CN 114021436 A 1.一种基于 近地面紫外辐射的近地 面臭氧反演方法， 其特 征在于， 包括如下步骤： A)深度学习模型的搭建， 所述深度学习模型为Stacking集成学习模型， 该模型分为两 层， 其中第一层使用多种基础机器学习和神经网络模型， 第二层使用Lasso模型， 用于将第 一层中的结果进行综合， 得到最终的反演结果； B)站点监测近地面臭氧浓度的统计模型的建立， 包括站点监测臭氧与卫星观测近地面 紫外辐射信息的时空匹配、 以及深度学习模型的训练； C)基于卫星观测的近地面臭氧的估计， 在已训练好的深度学习模型的基础上， 快速估 计卫星观测区域的近地 面臭氧浓度。 2.如权利要求1所述的一种基于近地面紫外辐射的近地面臭氧反演方法， 其特征在于： 步骤A)中使用的多种基础神经网络模型中必须包括随机森林模型。 3.如权利要求1所述的一种基于近地面紫外辐射的近地面臭氧反演方法， 其特征在于： 步骤A)中使用的多种基础神经网络模型包括随机森林模型、 极端梯度提升模型、 轻度梯度 提升模型、 分类提升模型、 支持向量机模型和残差神经网络模型这六种模型。 4.如权利要求3所述的一种基于近地面紫外辐射的近地面臭氧反演方法， 其特征在于： 残差神经网络模 型的具体参数如下： 编码 器部分的隐藏层共四层， 每层节 点数分别为[256, 128,64,32]； 过渡层部分的隐藏层共两层， 每层节点数分别 为[16,16]； 解码器部分的隐藏 层共四层， 每层节点数分别为[32,64,128,256]， 其中编码器中每个隐藏层输出与解码器中 相同节点数的隐藏层相加构成残差块， 最后在解码器后增加一个全连接层以提取高效特征 用于stack ing第二层回归分析。 5.如权利要求1所述的一种基于近地面紫外辐射的近地面臭氧反演方法， 其特征在于： 步骤B)的具体实现方式如下； B1， 准备长时间的大区域的卫星的近地面臭氧辐照度产品和臭氧柱浓度产品， 并读取 其在特定波长处的近地面辐照度、 臭氧柱浓度和高程数据， 以及日期和经纬度； 其中波长为 380nm近地面辐照度记作UV， 臭氧柱浓度记作CO3， 高程数据记作EL， 日期记作YY/MM/DD， 即 YY为年、 MM为月、 DD为日， 经纬度分别记作LAT、 LON； B2， 准备与卫星产品的时间覆盖范围相同的地面臭氧监测站点的数据与高程数据， 地 面臭氧监测站点的数据 记作SO3， 高程数据记作EL， 根据最邻近原则将站 点数据的经纬度与 卫星数据的经纬度进行匹配， 形成近地 面紫外辐射与近地 面臭氧的映射表； B3， 对于映射表中与监测站点相匹配的记录， 根据记录构建深度 学习模型， 将上述表格 中的YY、 MM、 DD、 LAT、 L ON、 UV、 CO3、 EL数据作为输入， 将目标近地面臭氧数据SO3作为输出， 训 练并保存该深度学习模型。 6.如权利要求1所述的一种基于近地面紫外辐射的近地面臭氧反演方法， 其特征在于： 步骤C)的具体实现方式如下； C1， 在对区域进行近地面臭氧反演时， 反演目标的范围是所有有卫星观测数据的地区， 从卫星观测数据文件中提取波长为380nm近地面紫外辐照度以及臭氧柱浓度， 分别记作 UV*、 CO3*， 同时提取经纬度， 记作LAT*、 LON*， 和观测日期， 记作YY*/MM*/DD*， 即YY*为年、 MM*为月、 DD*为日， 地表高程数据EL*从原始数据文件中提取， 并与LAT*、 LON*进行空间匹 配， 最终得到一张记录表， 表中数据包括所有 有卫星观测数据的记录； C 2， 将卫星观测近地面紫外辐照度UV*、 臭氧柱浓度CO3*、 地表高程EL*、 时间信息YY*/权　利　要　求　书 1/2 页 2 CN 114021436 A 2MM*/DD*和地理信息LAT*、 LON*作为已训练的深度学习模型的输入， 计算其所对应的近地面 臭氧浓度SO3 *。权　利　要　求　书 2/2 页 3 CN 114021436 A 3