(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 202210681333.X (22)申请日 2022.06.16 (71)申请人 福州大学 地址 350108 福建省福州市闽侯县福州大 学城乌龙江北 大道2号福州大 学 (72)发明人 汪小钦　张晨　邬群勇　尹延中　 (74)专利代理 机构 福州元创专利商标代理有限 公司 35100 专利代理师 张灯灿　蔡学俊 (51)Int.Cl. G06K 9/62(2022.01) G06N 20/20(2019.01) G01N 33/00(2006.01) G01D 21/02(2006.01) (54)发明名称 一种基于多传感器 遥感的时序AOD重构方法 (57)摘要 本发明涉及一种基于多传感器遥感的时序 AOD重构方法， 包括： 收集地基站点AERONET  AOD 数据、 不同卫星AOD产品、 地形高程数据、 气象数 据产品， 并进行预处理； 对预处理后的不同卫星 AOD产品进行融合； 生成有效AOD数据集和缺失 AOD数据集； 将有效AOD数据集结合贝叶斯自动优 化调参算 法， 找出集成学习CatBoost模型的最优 超参数； 以有效AOD数据集利用最优超参数进行 CatBoost模型构建； 将缺失AOD数据集输入 CatBoost模型对缺失AOD数据进行重构； 结合地 基站点AERONET  AOD数据， 对重构AOD数据进行验 证； 合并重构AOD数据和有效AOD数据， 形成时空 覆盖完整的AOD产品。 该方法有利于提供空间分 辨率高、 空间覆盖范围广和时间连续性强的AOD 产品， 并提高卫星遥感监测气溶胶光学厚度的精 度。 权利要求书3页 说明书6页 附图5页 CN 114943303 A 2022.08.26 CN 114943303 A 1.一种基于多传感器遥感的时序AOD重构方法， 其特 征在于， 包括以下步骤： 步骤S1、 数据收集与预处理： 收集地基站点AERONETAOD数据、 不同卫星AOD产品、 地形高 程数据、 气象数据产品， 对不同卫星AOD产品进行格式转换、 重采样、 重投影、 裁剪和数值转 化操作， 实现不同卫星传感器监测的AOD产品数据的一致， 对地形高程数据、 气象数据进行 裁剪和重采样； 步骤S2、 对预处理后的不同卫星AOD产品进行融合， 生成融合AOD产品， 其中融合后有值 的称为有效AOD数据； 步骤S3、 对于融合AOD产品， 根据AOD是否有值， 结合年积日、 地形高程数据、 气象数据分 别生成有效AOD数据集和缺失AOD数据集； 步骤S4、 将有效AOD数据 集结合贝叶斯自动优化调参算法， 找出集成学习CatBoost模型 的最优超参数； 步骤S5、 以有效AOD数据集利用步骤S4获得的最优 超参数进行CatBo ost模型构建； 步骤S6、 将缺失AOD数据集输入步骤S5构建的CatBoost模型对缺失AOD数据进行重构， 获得重构AOD数据； 步骤S7、 结合 地基站点AERONETAOD数据， 对重构AOD数据进行验证； 步骤S8、 对重构AOD数据和有效AOD数据进行合并， 形成时空覆盖 完整的AOD产品。 2.根据权利要求1所述的一种基于多传感器遥感的时序AOD重构方法， 其特征在于， 所 述步骤S1具体实现如下： 步骤S11、 收集研究区内地基站点观测的AERONETAOD数据； 步骤S12、 收集不同卫星AOD产品， 包括： NASA联合利用Terra和Aqua  MODIS数据并基于 多角度大气校正算法提供的AOD产品MAIAC  AOD， 日本气象厅卫星计划司发布的Himawar i‑8 卫星AHI监测的L3小时级AODmerged产品AHIAOD； 步骤S13、 收集 地形高程数据； 步骤S14、 收集气象数据产品， 主要来源于欧洲中期数值预报中心发布的第五代重新分 析产品ERA5， 包括： 压力、 降水、 10mU型风、 10mV型风、 气温、 相对湿度、 总柱水和边界层高度； 步骤S15、 计算AHIAOD小时产品的日平均值产品； 步骤S16、 对不同卫星AOD产品进行重采样、 重投影、 裁剪和数值转化操作， 规范为同一 数据格式； 将AHIAOD日均值以MAIACAOD产品为模板进行重采样和重投影， 使其具有相同的 空间分辨率， 以研究区域为模板进行裁剪， 实现空间上的一致性， 将MAIACAOD数值除以 1000， 使MAIACAOD值在0 ‑2之间； 根据Angstrom经验方程把500nm处 的AHIAOD产品处理成与 MAIACAOD一 致550nm处的AOD， 实现数值上的一 致性； Angstrom经验方程如公式(1)所示： τλ＝β λ‑a    (1) 式中， τλ为波长 λ所对应的气溶胶光学厚度； β 为 浑浊度系数， 根据波长500n m、 AOD值以及 对应波长指数a的等式关系获得； λ为波长； a为Angstrom波长指数， 由L3  AHI AOD产品所提 供的Angst rom变量获得； 步骤S17、 对地形高程数据、 气象数据以研究区域为模板进行裁剪， 以MAIAC  AOD数据为 模板进行重采样， 实现空间的一 致性。 3.根据权利要求2所述的一种基于多传感器遥感的时序AOD重构方法， 其特征在于， 所权　利　要　求　书 1/3 页 2 CN 114943303 A 2述步骤S2具体实现如下： 步骤S21、 将步骤S16预处 理后的AOD产品转换成数值矩阵； 步骤S22、 对转换后的数值矩阵按照公式(2)进行融合； 式中， P(i,j)为AOD融合后影像在(i， j)处的AOD值； M(ij)为MAIACAOD在(i， j)处的AOD值； H(i,j)为AHIAOD在(i， j)处的AOD值； T表示AOD有值， F表示AOD无值。 4.根据权利要求1所述的一种基于多传感器遥感的时序AOD重构方法， 其特征在于， 所 述步骤S3具体实现如下： 步骤S31、 将年积日、 地形高程数据、 气象数据、 步骤S2融合的AOD产品按栅格坐标形成 空间对应的数据集； 步骤S32、 根据数据集中的AOD值是否有效， 生成有效AOD数据集和缺失AOD数据集。 5.根据权利要求1所述的一种基于多传感器遥感的时序AOD重构方法， 其特征在于， 所 述步骤S4具体实现如下： 步骤S41、 将步骤S3生成的有效AOD数据集按3： 7划分成验证数据集和训练数据集； 步骤S42、 对验证数据和训练数据进行标准差标准化， 使数据符合标准正态分布， 即均 值为0， 标准差为1； 步骤S43、 利用贝叶斯自动优化调参算法调整CatBoost模型的主要参数： depth、 iterations， 其中depth的取值范围为2～16， iterations的取值范围为2～500， 将均方根误 差设为损失函数， 通过训练数据集训练得到 CatBoost模型的最优 超参数； 步骤S44、 以验证数据集验证配置最优超参数的CatBoost模型是否可用于AOD的重构， 相关系数 大于设定值， 认为配置最优 超参数的CatBo ost模型可用于AOD的重构。 6.根据权利要求1所述的一种基于多传感器遥感的时序AOD重构方法， 其特征在于， 所 述步骤S5具体实现如下： 以有效AOD数据集利用步骤S4获得的最优超参数进行CatBoost模型构建， 如公式(3)所 示： AODvalid＝f(Day， Elev,Meted)    (3) 式中， AODvalid为有效的AOD数据， f为CatBoost模型， Day为年积日， Elev为地形高程数 据， Meted为8个气象变量组成的矩阵， 其中8个气象变量包括： 压力、 降水、 10mU型风、 10mV型 风、 气温、 相对湿度、 总柱水和边界层高度。 7.根据权利要求1所述的一种基于多传感器遥感的时序AOD重构方法， 其特征在于， 所 述步骤S6具体实现如下： 对缺失AOD数据集， 通过构建的CatBoost模型实现缺失AOD数据的重构， 如公式(4)所 示： AODpredict＝f(Day， Elev,Meted)    (4) 式中， AODpredict是重构的AOD。 8.根据权利要求1所述的一种基于多传感器遥感的时序AOD重构方法， 其特征在于， 所 述步骤S7具体实现如下：权　利　要　求　书 2/3 页 3 CN 114943303 A 3