面向遥感时空大数据的污染前体物排放源的类脑跨模态识别及并行处理方法

技术领域

本发明涉及大气遥感和环境污染领域，尤其涉及一种面向遥感时空大数据的污染前体物排放源的类脑跨模态识别方法及其并行处理方法。

背景技术

良好的大气环境是实现经济发展的自然环境基础。然而，随着我国的工业化和城镇化，以及农业和养殖业的快速发展，沙尘暴、雾霾等空气污染天气在全球大范围内频发，严重影响着人体健康和地球生态平衡。形成雾霾等空气污染天气的主要原因是排放到大气中的二氧化硫(SO

不同于水体、土壤等污染源的查证和识别，由于大气的对流、扩散等流体力学性质，污染物存在大气扩散、高空的垂直输送和长距离传输，一般难以在现场实时查证空气污染物的排放过程。在经济利益的驱使下，一些企业存在偷排等违法行为，往往难以获取污染物的实时排放行为及其排放量的现场证据。对于污染源位置相对固定的土壤污染溯源和水污染溯源来说，较易查找污染位置。由于大气的时空流动特性，大气污染源的定位和识别非常困难，这也使大气环境治理往往缺乏执法的科学依据。针对污染溯源一般采用编制排放源清单进行，相应前体物排放清单编制重构与更新、来源解析技术方法选择以及解析结果分析评估是个非常复杂的系统工程。传统方法一般采用量子行为粒子群优化算法(田娜等.带扰动算子的量子粒子群在水污染源识别中的应用.系统仿真学报.2015)、萤火虫群算法(Chen等.A New Air Pollution Source Identification Method Based on RemotelySensed Aerosol and Improved Glowworm Swarm Optimization.IEEE Journal ofSelected Topics in Applied Earth Observations and Remote Sensing.2017)、以及反演和数值模拟(杨一帆等.突发型大气污染源位置识别反演问题的数值模拟.环境科学学报.2013)等方法，识别效率相对低下。这造成各地统一的汽车限行、工厂停产、关闭养殖场等措施给国民生活和经济生产带来巨大影响。如何避免全民买单，让污染者付出应有的代价，目前迫切的需要科学有效地识别污染源。

发明内容

为了有效地识别污染前体物排放源，本发明提供一种面向遥感时空大数据的污染前体物排放源的类脑跨模态识别方法及其并行处理方法。

本发明提供的一种面向遥感时空大数据的污染前体物排放源的类脑跨模态识别方法，包括：

步骤1：基于卫星遥感的大气污染前体物对流层柱浓度及PM

步骤2：根据NO

步骤3：基于深度学习提取遥感时空大数据中的跨模态、多层次和多尺度的ESPP特征，具体包括：利用大气污染前体物浓度对遥感图像做显著性计算，采用多层次、多尺度的特征提取算法提取ESPP的跨模态特征，然后对ESPP的跨模态特征进行强化学习；

步骤4：基于概率认知框架的面向对象的遥感跨模态ESPP表示和推理方法，对ESPP特征进行多尺度的主题聚类、跨模态的ESPP认知处理和ESPP识别的增量学习。

进一步地，步骤1中，采用差分吸收光谱算法反演出大气NO

进一步地，步骤2中，基于脑启发计算训练CNCC模型的过程为：

CNCC:{RS,VCD

其中C

步骤2中，还包括基于类脑计算的CNCC模型的识别过程，具体为：

C'

其中，C'

进一步地，步骤3中：

所述利用大气污染前体物浓度对遥感图像做显著性计算，具体为：

根据视觉选择性注意机制和谱残差方法，利用遥感大数据和大气污染前体物反演的对流层柱浓度分布，设计遥感图像的显著性计算方法，具体包括：利用显著图SC

其中，RS表示可用的遥感图像，VS表示可见光图像，SAR表示合成孔径雷达图像，UV表示紫外图像，IR表示红外图像，HS表示高光谱图像，VCD

所述采用多层次、多尺度的特征提取算法提取ESPP的跨模态特征，具体为：

基于目标特征联觉模型和深度神经网络提取ESPP激活特征Fi

其中，TFSM表示目标特征联觉模型，DNN表示深度神经网络；

所述对ESPP特征进行强化学习，具体为：

对于DNN的感知神经元N的激活特征Fi

其中，Fi

进一步地，步骤4中：

所述对ESPP特征进行多尺度的主题聚类，具体为：

采用层次Dirichlet主题模型进行多尺度主题聚类，实现对ESPP的激活特征Fi

其中，HLDA表示层次Dirichlet主题模型；RS表示可用的遥感图像，VS表示可见光图像，SAR表示合成孔径雷达图像，UV表示紫外图像，IR表示红外图像，HS表示高光谱图像，VCD

构建典型ESPP的跨模态知识图谱CKG，即：

其中，TS和CP分别为ESPP的类型和置信概率；

所述对ESPP特征进行跨模态的ESPP认知处理，具体为：

基于ESPP的时空上下文C

所述对ESPP特征进行ESPP识别的增量学习，具体为：

当新增ESPP模态信息ΔTf

本发明提供的面向遥感时空大数据的污染前体物排放源的类脑跨模态识别方法的并行处理方法，包括：将面向遥感时空大数据的污染物的类脑跨模态识别方法的整个识别过程作为一个BCR任务，所述并行处理方法包括：

步骤A1、面向ESPP并行识别的任务分解；

步骤A2、面向BCR任务的异构并行加速；

步骤A3、面向BCR任务的多核并行加速；

步骤A4、面向BCR任务的多机并行加速。

进一步地，步骤A1具体为：

利用预处理后的遥感图像，构建多分辨率金字塔，并逐层对图像进行切片形成数据块D

进一步地，步骤A2具体为：对每个数据块D

进一步地，步骤A3包括：步骤3中的所述利用大气污染前体物浓度对遥感图像做显著性计算的步骤、所述采用多层次、多尺度的特征提取算法提取ESPP的跨模态特征的步骤、步骤4中的所述对ESPP特征进行多尺度的主题聚类的步骤采用OpenMP并行编程算法。

进一步地，步骤A4包括：步骤3中的所述对ESPP特征进行强化学习的步骤、步骤4中的所述对ESPP特征进行跨模态的ESPP认知处理的步骤、所述对ESPP特征进行ESPP识别的增量学习的步骤采用MPI的Map-Reduce编程算法。。

本发明的有益效果：

(1)本发明模拟神经系统和认知科学模型，基于深度学习和认知学习理论，建立面向遥感时空大数据ESPP识别的类脑CNCC模型。这种采用类脑计算的CNCC模型实现跨模态的识别具有较高的ESPP识别精度。

(2)针对雾霾遥感时空大数据的跨模态的ESPP定位、分类和识别技术，本发明基于类脑CNCC模型设计“像素-对象-ESPP-场景”的多层次、多尺度和面向对象的BCR算法，可有效地解决遥感大数据的BCR系统应用的技术瓶颈问题。

(3)为解决雾霾遥感时空大数据BCR的工程应用，本发明提供了BCR的高效并行算法，利用多机、多核和混合异构等多种并行计算机制，实现的面向遥感时空大数据的BCR并行处理系统具有非常高的识别速度，可建立高性能的大气遥感环境监测的应用平台。

附图说明

图1为本发明实施例提供的面向遥感时空大数据的污染前体物排放源的类脑跨模态识别方法的流程示意图之一；

图2为本发明实施例提供的基于卫星遥感的大气污染前体物对流层柱浓度及PM2.5反演流程；

图3为本发明实施例提供的基于深度学习提取遥感时空大数据中的跨模态、多层次和多尺度的ESPP特征的流程；

图4为本发明实施例提供的基于概率认知框架的面向对象的遥感跨模态ESPP表示和推理流程；

图5为本发明实施例提供的面向遥感时空大数据的污染前体物排放源的类脑跨模态识别方法的流程示意图之二；

图6为本发明实施例提供的面向遥感时空大数据的污染前体物排放源的类脑跨模态识别方法的并行处理方法的流程示意图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

大气污染源识别一般有两层含义。其一是对生产污染物，并向大气排放污染物的设备、物体或场所的识别。其二是指形成大气污染的排放清单的组分来源分析。本发明研究的污染前体物排放源(EmissionSource of Pollutant Precursor,ESPP)的识别，是指可通过遥感时空大数据观测到的排放大气污染物的设备、物体或场所的识别。

针对区域大气环境的时空变化，大气监测目前存在可见光、红外、紫外、高光谱、微波、激光、声波等多种大气遥感手段。综合利用光学、电磁等遥感技术，可获取大气的光学图像、高光谱指纹、前体物浓度，以及地面真实采样等大气污染的多模态信息。融合遥感时空大数据信息，有效识别和查证监测目标是否属于ESPP，是治理大气环境工作的前提条件。采用类脑跨模态识别(Brain-inspired Cross-modal Recognition,BCR)技术，可融合被观测对象的多源跨模态的物理和化学特性，及时分析大气污染物和地面污染源的时空变化，有效地甄别ESPP。

RS-STBD：Remote Sensing Spatio-Temporal Big Data，遥感时空大数据；

图1为本发明实施例提供的面向遥感时空大数据的污染前体物排放源的类脑跨模态识别方法的流程示意图。如图1所示，该方法包括以下步骤：

S11、基于卫星遥感的大气污染前体物对流层柱浓度及PM

具体地，本步骤中，如图2所示，采用差分吸收光谱(DOAS)算法反演出大气NO

作为一种可实施方式，采用差分吸收光谱(DOAS)算法反演出大气NO

根据比尔-朗伯(Beer-Lambert)定律，光路的光学厚度τ为入射辐射强度I

I(λ)＝I

DOAS由辐射传输过程中大气消光随波长快速变化的部分(差分光学厚度)和大气消光随波长缓慢变化的部分组成：

其中σ'

在气体吸收的特定波段，根据线性最小二乘法拟合，可求出倾斜路径上的吸收气体柱浓度。最后将污染前体物NO

作为一种可实施方式，采用波段残差(BRD)算法反演出O

根据消光比尔-朗伯(Beer-Lambert)定律I(λ)＝I

其中N

由于大气中O

其中Ω

其中Ω

则SO

最后将SO

作为一种可实施方式，采用AOD-PM

近地层PM

在植被密集农业种植区或暗颜色土壤表面等暗背景条件下，采用DT方法通过蓝-红-近红外通道地表反射率固有的线性关系，确定红蓝通道的地表反射率，选取适当的气溶胶模型，通过查算表反演得AOD。

针对DT算法冬季在高地表反射率条件下反演无效的问题，基于城市、沙漠等高地表反射率区域，蓝光通道地表反射率具有相对较暗的特性，采用DB算法反演AOD。假设大部分地物的地表反射率在较短时间内保持不变，在一段时间间隔内选取卫星观测的最低反射率时段，确定该时间段内地表反射率，并基于气溶胶模型和化学输送模式模拟的气溶胶廓线，根据卫星表观反射率观测，建立查找表，实现AOD的反演。

近地层PM

PM

对气溶胶可溶性SNA而言，在湿度较大的条件下吸湿增长较快，但粒子半径远比质量增加得迅速，在质量变化较小的情况下，其消光能力会迅速增强，故采用以下方法进行高湿订正：

其中PBLH为边界层高度，f(RH)为湿度订正因子，α

S12、基于脑启发计算构建面向ESPP的跨模态神经认知计算模型，具体包括：根据NO

具体地，本发明中，将“面向ESPP的跨模态神经认知计算模型”简称为CNCC(Cross-modal Neural Cognitive Computing)模型。本步骤实际上是基于脑启发计算的CNCC模型的训练过程。

可以理解的是，在实际应用中，CNCC模型的构建除了包括上述的训练过程外，还可以包括基于脑启发计算的CNCC模型测试过程，所述基于脑启发计算的CNCC模型测试过程是利用不同模态的数据和训练得到的CNCC模型提取地物目标语义标签C

作为一种可实施方式，分别采用以下两个过程实现基于脑启发计算的CNCC模型训练和基于类脑计算的CNCC模型识别：

其中C

S13、基于深度学习提取遥感时空大数据中的跨模态、多层次和多尺度的ESPP特征，如图3所示，具体包括：利用大气污染前体物浓度对遥感图像做显著性计算，采用多层次、多尺度的特征提取算法提取ESPP的跨模态特征，然后对ESPP特征进行强化学习；

作为一种可实施方式，所述利用大气污染前体物浓度对遥感图像做显著性计算，具体为：

根据视觉选择性注意机制和谱残差方法，利用遥感大数据和大气污染前体物反演的对流层柱浓度分布(例如，NO

其中，RS表示可用的遥感图像，VS表示可见光图像，SAR表示合成孔径雷达图像，UV表示紫外图像，IR表示红外图像，HS表示高光谱图像，VCD

具体地，通过采用视觉选择性注意机制和谱残差方法，可以降低计算量，从而实现计算资源的合理分配。通过利用显著图SC

作为一种可实施方式，所述采用多层次、多尺度的特征提取算法提取ESPP的跨模态特征，具体为：

基于目标特征联觉模型和深度神经网络提取ESPP激活特征Fi

其中，TFSM表示目标特征联觉模型，DNN表示深度神经网络；作为一种可实施方式，所述对ESPP特征进行强化学习，具体为：

对于DNN的感知神经元N的激活特征Fi

其中，Fi

S14、基于概率认知框架的面向对象的遥感跨模态ESPP表示和推理方法，对ESPP特征进行多尺度的主题聚类、跨模态的ESPP认知处理和ESPP识别的增量学习；如图4所示。

具体地，本步骤中，所述基于概率认知框架的面向对象的遥感跨模态ESPP表示和推理方法包括：分析遥感影像人工解释的群判读思想，研究语义联想的协同认知机理，基于统计学习理论建立模拟人工判读的跨模态ESPP解译与语义推理框架，针对遥感大数据实现面向对象的跨模态ESPP的表示和识别。

作为一种可实施方式，所述对ESPP特征进行多尺度的主题聚类，具体为：

采用层次Dirichlet主题模型进行多尺度主题聚类，实现对ESPP的激活特征Fi

其中，HLDA表示层次Dirichlet主题模型；

构建典型ESPP的跨模态知识图谱CKG，即：

其中，TS和CP分别为ESPP的类型和置信概率；

作为一种可实施方式，本发明实施例研究人工判读和语义联想的ESPP认知模型，实现遥感场景中ESPP的跨模态认知与理解。产生大气污染的释放源可分为移动污染源(如汽车)和固定源(如工厂)两大类，考虑大气污染的释放、迁移、扩散和降解的物理、化学和生物过程，所述对ESPP特征进行跨模态的ESPP认知处理，具体为：

基于ESPP的时空上下文C

遥感图像虽然是典型的大数据，但是在指定时空的可用数据往往是稀疏的小样本数据。为此必须解决当新增ESPP模态信息ΔTf

当新增ESPP模态信息ΔTf

本发明实施例提供的面向遥感时空大数据的污染前体物排放源的类脑跨模态识别方法，可有效地实现基于类脑计算的ESPP识别。本发明实施例融合了ESPP的多源跨模态的物理和化学特征，能及时分析大气污染物和地面污染源的时空变化，为大气排放源监测及雾霾治理，提供了一种类脑智能的系统化解决方案。

实施例2

如图所示，本发明实施例提供又一种面向遥感时空大数据的污染前体物排放源的类脑跨模态识别方法，包括以下步骤：

S21、面向ESPP的目标定位

根据BRD和DOAS算法，对两个时相大气卫星监测数据进行反演，计算两个时相下的观测地区的PM

其中，S为空间区域和T是时间区间；通过该步骤可知：对于可能的ESPP一定在位于时空范围HCD

S22、面向ESPP的特征提取

利用深度神经网络DNN对遥感图像I

本步骤中，根据高分辨率光学图像和具备雾霾穿透性的SAR图像识别ESPP，利用光学大气遥感时空大数据，查证ESPP污染排放行为，并定量估算污染排放量。

S23、面向ESPP的特征聚类

基于贝叶斯的认知计算框架，由MEF

S24、面向ESPP的目标识别

根据ESPP的跨模态主题的特征矩阵TFC，在ESPP的时空上下文CTS和知识图谱CKG先验下，采用统计学习判定ESPP的跨模态类型TS

利用强化学习和增量学习，对鉴别出的ESPP的类型及变化，做进一步识别和跟踪。

S25、污染排放量的计算与验证

利用气溶胶光学厚度(AOD)反演和估算污染排放量，并参照地面观测的实际PM

实施例3

考虑到大气环境监测的时效性，在本发明实施例中，采用混合异构并行策略，提升ESPP的BCR算法速度，实现识别率高、速度快的遥感BCR应用。如图6所示，并行BCR研究的具体思路如下：

S31、面向ESPP并行识别的任务分解

由于遥感图像BCR的任务具备可分解性和数据的张量结构，利用预处理后的遥感图像，构建多分辨率金字塔。其中低分辨率图像用于污染源定位，高分辨率图像用于污染源识别查证。逐层对图像进行切片形成数据块D

S32、面向BCR算法的异构并行加速

对每个数据块D

S33、面向BCR算法的多核并行加速

针对遥感图像的显著性计算，多层次跨模态ESPP特征提取，ESPP特征的多尺度主题聚类等具备任务并行的算法,采用OpenMP并行编程，利用多核并行提升BCR算法速度。

S34、面向BCR算法的多机并行加速

针对跨模态的ESPP认知计算，ESPP特征的强化学习，ESPP识别的增量学习等交互通信少的并行任务，采用MPI的Map-Reduce编程算法，利用多机并行提升BCR算法速度。

最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。