基于半监督小样本学习的北京市臭氧空间分布模式分类研究

扫码查看

原文链接

NETL
NSTL
万方数据

中文摘要：研究城市臭氧空间分布模式有助于分析污染成因,也能够为污染防治提供科学依据.但过去多基于站点数据分析浓度平均分布的概括性特征,对全域浓度分布平面的描述有限,也很少进行分类研究,无法更全面地看待污染分布的多种模式及其时间变化.本研究利用由卫星数据建模估计的臭氧日最大8h滑动均值分布数据,针对臭氧空间分布模式标签化的难度提出一种面向小样本的半监督学习方法,以北京市为例进行分类实验.实验发现:①2020年数据经预处理后以40个训练样本对249个测试样本进行分类,总体分类精度达81.12％,kappa系数达0.7416,说明在小样本条件下半监督方法取得了较好的分类效果;②分类得到的8种模式中,"(东)南高(西)北低或东高西低"的模式1、"(西)北高(东)南低"的模式2以及"中心低"的模式6为主要模式,分别在暖季(3—10月)、冷季(11—次年2月)和冷暖季过渡期占据主导,这一时间规律反映出区域传输和光化学反应的季节性影响;③将2020年的训练样本迁移至2019年进行分类,在取得较高精度的同时也对上述规律进行了验证.以上结果表明,本研究提出的空间分布模式分类方法能够为全面确定高污染的防治区域以及分类研究不同污染事件的成因提供支持.

外文标题：Classification for Spatial Patterns of Urban Ozone Pollution in Beijing Based on Semi-Supervised Few-Shot Learning

外文关键词：

ozonespatial patternsemi-supervised classificationimage classificationfew-shot learningsample migrationseasonalityBeijing

作者：

孙津

展开 >

作者单位：

河海大学地球科学与工程学院,南京211100

河海大学江苏省水资源环境遥感监测评估工程研究中心,南京211100

关键词：

臭氧空间格局半监督分类图像分类小样本学习样本迁移季节性北京

基金：

中央高校基本科研业务费专项

项目编号：

423062

出版年：

2024

DOI：

10.12082/dqxxkx.2024.230581

地球信息科学学报

中国科学院地理科学与资源研究所

地球信息科学学报

CSTPCD北大核心

影响因子：1.004

ISSN：1560-8999

年,卷(期)：2024.26(3)

参考文献量30