基于物理机制深度学习的从光谱到质量浓度成像方法及装置

本发明提供的基于物理机制深度学习的从光谱到质量浓度成像方法及装置，通过采集污染气体烟羽的实测光谱与参考光谱，经差分处理后构建光谱数据集，同步收集气象数据及在线质量浓度标签，同时，获取高分辨率气体吸收截面并卷积为矩阵；构建一个融合了特征提取模块、展开式最小二乘模块和全连接模块的深度学习模型，以光谱数据集、气象数据和吸收截面矩阵为输入，结合标签进行训练得到优化模型，预测目标气体质量浓度。本发明克服了传统方法依赖复杂物理模型带来的误差累积、计算效率低及可解释性差的问题，实现了对污染气体烟羽质量浓度的高精度、高效率及可解释的实时成像。