CN106124374A - 基于数据融合的大气颗粒物遥感监测方法 - Google Patents
基于数据融合的大气颗粒物遥感监测方法 Download PDFInfo
- Publication number
- CN106124374A CN106124374A CN201610585075.XA CN201610585075A CN106124374A CN 106124374 A CN106124374 A CN 106124374A CN 201610585075 A CN201610585075 A CN 201610585075A CN 106124374 A CN106124374 A CN 106124374A
- Authority
- CN
- China
- Prior art keywords
- ground
- data
- aerosol
- remote
- sensing
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 52
- 238000000034 method Methods 0.000 title claims abstract description 46
- 230000004927 fusion Effects 0.000 title claims abstract description 39
- 239000002245 particle Substances 0.000 claims abstract description 33
- 239000000443 aerosol Substances 0.000 claims description 63
- 230000008033 biological extinction Effects 0.000 claims description 43
- 230000003287 optical effect Effects 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 8
- 238000012937 correction Methods 0.000 claims description 6
- 238000000611 regression analysis Methods 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000001514 detection method Methods 0.000 claims description 2
- 229910017435 S2 In Inorganic materials 0.000 claims 1
- 239000000758 substrate Substances 0.000 claims 1
- 238000000926 separation method Methods 0.000 abstract description 6
- 239000013618 particulate matter Substances 0.000 description 13
- 230000009286 beneficial effect Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 230000008034 disappearance Effects 0.000 description 3
- 239000000047 product Substances 0.000 description 3
- 239000000654 additive Substances 0.000 description 2
- 230000000996 additive effect Effects 0.000 description 2
- 230000003203 everyday effect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000007500 overflow downdraw method Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000004308 accommodation Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 210000005252 bulbus oculi Anatomy 0.000 description 1
- 238000011109 contamination Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000012467 final product Substances 0.000 description 1
- 239000003292 glue Substances 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000005436 troposphere Substances 0.000 description 1
- 238000013316 zoning Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
- G01N15/06—Investigating concentration of particle suspensions
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
- G01S17/88—Lidar systems specially adapted for specific applications
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Dispersion Chemistry (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Electromagnetism (AREA)
- Computer Networks & Wireless Communication (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开了一种基于数据融合的大气颗粒物遥感监测方法,涉及空气质量监测技术领域。该方法通过将卫星遥感反演数据和地面监测数据进行融合,并对融合后的结果进行插值运算,得到了完整空间覆盖的颗粒物浓度数据,有效的解决了由于天气、卫星轨道间隔、云覆盖问题以及暗目标反演算法本身的局限性造成的颗粒物浓度数据缺失问题,极大的提高了空气质量监测的准确率。
Description
技术领域
本发明涉及空气质量监测技术领域,尤其涉及一种基于数据融合的大气颗粒物遥感监测方法。
背景技术
数据融合的主要目的在于从多源数据中提取出比原先单一来源数据更多、更有价值的信息、并提高和改善原有数据在某些方面的性能指标。对于颗粒物遥感监测而言,融合的目的在于在确保其原始空间分辨率的基础上,尽可能提高颗粒物数据的空间覆盖率,提供及时有效的颗粒物产品以用于空气质量研究。
目前,主要是使用MODIS、HJ、FY等影像反演大气颗粒物遥感监测得到的数据进行数据融合,但是,这种数据融合方法存在以下缺陷:
由于卫星轨道间隔、云覆盖问题以及暗目标反演算法本身的局限性,造成遥感影像反演颗粒物产品空间覆盖率较低并且存在数据的大范围缺失问题,难以作为良好的融合数据源,一定程度上限制了其在空气质量监测等领域的应用。
发明内容
本发明的目的在于提供一种基于数据融合的大气颗粒物遥感监测方法,从而解决现有技术中存在的前述问题。
为了实现上述目的,本发明采用的技术方案如下:
一种基于数据融合的大气颗粒物遥感监测方法,包括如下步骤:
S1,对卫星遥感数据进行反演,得到卫星遥感反演的近地面颗粒物浓度;
S2,所述卫星遥感反演的近地面颗粒物浓度与地面监测数据融合,得到颗粒物浓度的天地融合数据;
S3,利用插值算法对所述天地融合数据进行处理,得到完整空间覆盖的颗粒物浓度数据。
进一步地,S1之前还包括步骤:
S001,获取卫星遥感数据;
S002,对所述卫星遥感数据进行预处理,所述预处理包括:辐射校正、几何校正、去云、去水。
优选地,S1包括如下步骤:
S101,基于卫星遥感数据,利用暗像元算法,反演得到气溶胶光学厚度柱浓度数据;
S102,对所述气溶胶光学厚度柱浓度数据进行垂直订正,得到气溶胶近地面“湿”消光系数;
S103,对所述气溶胶近地面“湿”消光系数进行湿度订正,得到气溶胶近地面“干”消光系数;
S104,利用所述气溶胶近地面“干”消光系数与近地面颗粒物浓度的关系确定近地面颗粒物浓度。
优选地,S102具体按照如下步骤实施:利用中尺度模式的预测和地面激光雷达探测获取混合层高度分布信息,与地面观测的散射系数建立经验关系;遥感获得的气溶胶光学厚度按照混合层高度和稳定度类型转化为气溶胶消光系数的垂直分布,再将气溶胶消光系数的垂直分布转换为地面消光系数的分布。
优选地,所述将气溶胶消光系数的垂直分布转换为地面消光系数的分布,按照如下公式进行:
其中,
Na(0)是地面气溶胶浓度,
Na(h)是在高度为h处的气溶胶浓度,
Ha是混合层高度。
优选地,S103具体按照如下步骤实施:
S1031,利用地面气象站点观测的相对湿度数据插值得到局地湿度分布,获取湿度因子;
S1032,根据所述湿度因子,对所述气溶胶近地面“湿”消光系数进行湿度订正。
优选地,S104具体按照如下步骤实施:
S1041,基于地基颗粒物浓度观测数据和对应的气溶胶近地面“干”消光系数的数据样本,进行统计回归分析,拟和出二者的线性模型;
S1042,利用所述线性模型,根据S103中得到的所述气溶胶近地面“干”消光系数计算区域尺度的近地面颗粒物浓度。
优选地,S2中,所述融合的方法包括:
S201,将所述卫星遥感反演数据转换为矢量格式,得到矢量格式的卫星遥感反演数据;
S202,将所述矢量格式的卫星遥感反演数据与所述地面监测数据融合,得到融合数据。
优选地,所述插值算法为IDW插值。
本发明的有益效果是:本发明实施例提供了一种基于数据融合的大气颗粒物遥感监测方法,通过将卫星遥感反演数据和地面监测数据进行融合,并对融合后的结果进行插值运算,得到了完整空间覆盖的颗粒物浓度数据,有效的解决了由于天气、卫星轨道间隔、云覆盖问题以及暗目标反演算法本身的局限性造成的颗粒物浓度数据缺失问题,极大的提高了空气质量监测的准确率。
附图说明
图1是本发明实施例提供的方法流程示意图;
图2是基于MODIS的PM2.5遥感反演监测图;
图3是PM2.5遥感反演监测数据与地面监测数据融合图;
图4是融合插值后的PM2.5空间分布图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施方式仅仅用以解释本发明,并不用于限定本发明。
如图1所示,本发明实施例提供了一种基于数据融合的大气颗粒物遥感监测方法,可以包括如下步骤:
S1,对卫星遥感数据进行反演,得到卫星遥感反演的近地面颗粒物浓度;
S2,所述卫星遥感反演的近地面颗粒物浓度与地面监测数据融合,得到颗粒物浓度的天地融合数据;
S3,利用插值算法对所述天地融合数据进行处理,得到完整空间覆盖的颗粒物浓度数据。
卫星遥感反演颗粒物,由于受天气、卫星轨道间隔、云覆盖问题以及暗目标反演算法本身的局限性,造成遥感反演的颗粒物分布部分缺失的问题;地面监测站点可获取每天逐小时PM2.5的监测数据,从地面监测站获得的大气颗粒物数据,空间分布较均匀,将遥感反演的PM2.5结果转换为矢量点的格式,与地面监测站点实测值叠加融合,可弥补部分数据缺失。
融合后的结果虽然可以部分提升颗粒物的空间覆盖,但是受融合数据本身的限制,这种融合方法均不能实现气溶胶数据完整的空间覆盖,而插值方法则可以对融合数据进行进一步处理,将剩余的空缺数据通过插值填补,即可获得完整空间覆盖的数据。
利用完整空间覆盖的颗粒物浓度数据,可以极大的提高空气质量监测的准确率。
在本发明的一个优选实施例中,S1之前还可以包括步骤:
S001,获取卫星遥感数据;
S002,对所述卫星遥感数据进行预处理,所述预处理包括:辐射校正、几何校正、去云、去水。
上述融合数据的预处理,主要是针对特定的卫星数据源。
在本发明的一个优选实施例中,S1可以包括如下步骤:
S101,基于卫星遥感数据,利用暗像元算法,反演得到气溶胶光学厚度柱浓度数据;
S102,对所述气溶胶光学厚度柱浓度数据进行垂直订正,得到气溶胶近地面“湿”消光系数;
S103,对所述气溶胶近地面“湿”消光系数进行湿度订正,得到气溶胶近地面“干”消光系数;
S104,利用所述气溶胶近地面“干”消光系数与近地面颗粒物浓度的关系确定近地面颗粒物浓度。
其中,S102具体按照如下步骤实施:利用中尺度模式的预测和地面激光雷达探测获取混合层高度分布信息,与地面观测的散射系数建立经验关系;遥感获得的气溶胶光学厚度按照混合层高度和稳定度类型转化为气溶胶消光系数的垂直分布,再将气溶胶消光系数的垂直分布转换为地面消光系数的分布。
优选地,所述将气溶胶消光系数的垂直分布转换为地面消光系数的分布,可以按照如下公式进行:
其中,
Na(0)是地面气溶胶浓度,
Na(h)是在高度为h处的气溶胶浓度,
Ha是混合层高度。
在实际实施过程中,可以设自变量是大气地面消光系数,因变量是气溶胶光学厚度,从而得到两者之间的分布关系,对分布结果进行线性拟合,直线的斜率就是气溶胶标高,即混合层高度。截距则在另一方面描述了来自对流层上部(2~12km)和平流层的气溶胶对整层气溶胶光学厚度的贡献。将之前反演得到的大气混合层高度带入这一相关模型中,就可实现AOD的垂直订正,获得气溶胶近地面消光系数的分布数据。
在本发明的一个优选实施例中,S103具体可以按照如下步骤实施:
S1031,利用地面气象站点观测的相对湿度数据插值得到局地湿度分布,获取湿度因子;
S1032,根据所述湿度因子,对所述气溶胶近地面“湿”消光系数进行湿度订正。
相对湿度对气溶胶消光系数具有显著影响,尤其对吸湿性气溶胶占主导地位的城市污染气溶胶来说,吸湿增长带来气溶胶消光系数显著变化,使得地面观测的“干”气溶胶质量浓度与气溶胶地面消光系数的关系发生很大变化。基于遥感数据获取大气水汽廓线的空间分布数据,从而基于整层数据估算近地面的水汽含量,并由经验关系结合近地面温度、压力场等气象数据估算监测区域的相对湿度分布。利用地面气象站点观测的相对湿度数据插值得到局地湿度分布,对卫星反演的近地面相对湿度进行修正,从而获取较准确的相对湿度空间分布。根据湿度因子,可以对由AOD垂直订正得到的气溶胶近地面“湿”消光系数进行湿度订正,从而得到与PM2.5浓度相关性较高的气溶胶近地面“干”消光系数。
在本发明的一个优选实施例中,S104具体可以按照如下步骤实施:
S1041,基于地基颗粒物浓度观测数据和对应的气溶胶近地面“干”消光系数的数据样本,进行统计回归分析,拟和出二者的线性模型;
S1042,利用所述线性模型,根据S103中得到的所述气溶胶近地面“干”消光系数计算区域尺度的近地面颗粒物浓度。
由地面观测的颗粒物浓度数据和近地面“干”气溶胶消光系数的比对发现,二者存在很强的相关关系。基于大数据量的地基颗粒物浓度观测数据和对应的气溶胶“干”消光系数的数据样本,进行统计回归分析,拟和出二者的线性模型。由此基于卫星数据反演的近地面“干”气溶胶消光系数即可计算区域尺度的近地面颗粒物浓度。
在本发明的一个优选实施例中,S2中,所述融合的方法可以包括:
S201,将所述卫星遥感反演数据转换为矢量格式,得到矢量格式的卫星遥感反演数据;
S202,将所述矢量格式的卫星遥感反演数据与所述地面监测数据融合,得到融合数据。
卫星遥感反演颗粒物,由于受天气、卫星轨道间隔、云覆盖问题以及暗目标反演算法本身的局限性,造成遥感反演的颗粒物分布部分缺失的问题;从地面监测站获得的大气颗粒物数据,空间分布较均匀,可部分填补卫星反演结果中大范围数据缺失区域。将卫星遥感反演的颗粒物结果转为矢量点的形式,与地面实测点融合。
在本发明的一个优选实施例中,所述插值算法可以选择IDW插值。
在众多的插值方法中,IDW(Inverse Distance Weighted)是一种常用而简便的空间插值方法,它以插值点与样本点间的距离为权重进行加权平均,离插值点越近的样本点赋予的权重越大。IDW通过对邻近区域的每个采样点值平均运算获得内插单元。这一方法要求离散点均匀分布,并且密度程度足以满足在分析中反映局部表面变化。IDW插值受采样点范围、采样点密度、采样点属性取值变化以及各自的参数影响,当采样点足够密时,使用IDW插值可以取得良好效果。本发明中,基于天地数据融合后的影像采样点足够密集,可优选IDW插值算法。
具体实施例
下面结合一个实际案例予以说明本发明实施例提供的基于数据融合的大气颗粒物遥感监测方法的实施过程:
一、卫星遥感数据反演。研究利用2016年5月5日的MODIS卫星影像数据,进行气溶胶遥感反演,并利用边界层高度和湿度进行垂直订正和湿度订正,基于近地面“干”消光系数与近地面颗粒物质量浓度的关系确定近地面颗粒物质量浓度,得到基于MODIS的PM2.5遥感反演监测图,如图2所示。
从图2中可以看出,白色的区域为缺失数据的空间,所以,卫星遥感反演数据的空间覆盖率低,不利于精确的进行空气质量的预报预测。
二、地面实测数据与卫星遥感反演产品融合。地面监测站点可获取每天逐小时PM2.5的监测数据,将遥感反演的PM2.5结果转换为矢量点的格式,与地面监测站点实测值叠加融合,融合后的数据空间覆盖情况可参见图3.
从图3可以看出,在图中白色的区域出现了一些数据点,弥补了部分数据缺失,提升了数据的空间覆盖率。
三、对融合数据进行插值处理。卫星遥感反演的近地面颗粒物浓度与地面监测数据融合后,虽然可以部分提升气溶胶数据的空间覆盖率,但是受融合数据本身的限制(如图3所示,还存在大量的白色区域,即存在大量的数据缺失),数据融合还不能实现气溶胶数据完整的空间覆盖,采用IDW插值算法对融合数据处理后,就可以将剩余的空缺数据填补上,从而获得完整空间覆盖的数据,如图4所示,不存在白色区域,即实现了完整的空间覆盖。
以上具体实施例说明,本发明实施例提供的基于数据融合的大气颗粒物遥感监测方法,可以较好的弥补卫星遥感反演得到的大气颗粒物浓度数据的缺失,使区域空间覆盖率达到100%,利于提高空气质量监测与预报的准确率。
通过采用本发明公开的上述技术方案,得到了如下有益的效果:本发明实施例提供了一种基于数据融合的大气颗粒物遥感监测方法,通过将卫星遥感反演数据和地面监测数据进行融合,并对融合后的结果进行插值运算,得到了完整空间覆盖的颗粒物浓度数据,有效的解决了由于天气、卫星轨道间隔、云覆盖问题以及暗目标反演算法本身的局限性造成的颗粒物浓度数据缺失问题,极大的提高了空气质量监测与预报的准确率。
本说明书中的各个实施例均采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似的部分互相参见即可。
本领域人员应该理解的是,上述实施例提供的方法步骤的时序可根据实际情况进行适应性调整,也可根据实际情况并发进行。
上述实施例涉及的方法中的全部或部分步骤可以通过程序来指令相关的硬件来完成,所述的程序可以存储于计算机设备可读取的存储介质中,用于执行上述各实施例方法所述的全部或部分步骤。所述计算机设备,例如:个人计算机、服务器、网络设备、智能移动终端、智能家居设备、穿戴式智能设备、车载智能设备等;所述的存储介质,例如:RAM、ROM、磁碟、磁带、光盘、闪存、U盘、移动硬盘、存储卡、记忆棒、网络服务器存储、网络云存储等。
最后,还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视本发明的保护范围。
Claims (9)
1.一种基于数据融合的大气颗粒物遥感监测方法,其特征在于,包括如下步骤:
S1,对卫星遥感数据进行反演,得到卫星遥感反演的近地面颗粒物浓度;
S2,所述卫星遥感反演的近地面颗粒物浓度与地面监测数据融合,得到颗粒物浓度的天地融合数据;
S3,利用插值算法对所述天地融合数据进行处理,得到完整空间覆盖的颗粒物浓度数据。
2.根据权利要求1所述的基于数据融合的大气颗粒物遥感监测方法,其特征在于,S1之前还包括步骤:
S001,获取卫星遥感数据;
S002,对所述卫星遥感数据进行预处理,所述预处理包括:辐射校正、几何校正、去云、去水。
3.根据权利要求1所述的基于数据融合的大气颗粒物遥感监测方法,其特征在于,S1包括如下步骤:
S101,基于卫星遥感数据,利用暗像元算法,反演得到气溶胶光学厚度柱浓度数据;
S102,对所述气溶胶光学厚度柱浓度数据进行垂直订正,得到气溶胶近地面“湿”消光系数;
S103,对所述气溶胶近地面“湿”消光系数进行湿度订正,得到气溶胶近地面“干”消光系数;
S104,利用所述气溶胶近地面“干”消光系数与近地面颗粒物浓度的关系确定近地面颗粒物浓度。
4.根据权利要求3所述的基于数据融合的大气颗粒物遥感监测方法,其特征在于,S102具体按照如下步骤实施:利用中尺度模式的预测和地面激光雷达探测获取混合层高度分布信息,与地面观测的散射系数建立经验关系;遥感获得的气溶胶光学厚度按照混合层高度和稳定度类型转化为气溶胶消光系数的垂直分布,再将气溶胶消光系数的垂直分布转换为地面消光系数的分布。
5.根据权利要求4所述的基于数据融合的大气颗粒物遥感监测方法,其特征在于,所述将气溶胶消光系数的垂直分布转换为地面消光系数的分布,按照如下公式进行:
其中,
Na(0)是地面气溶胶浓度,
Na(h)是在高度为h处的气溶胶浓度,
Ha是混合层高度。
6.根据权利要求3所述的基于数据融合的大气颗粒物遥感监测方法,其特征在于,S103具体按照如下步骤实施:
S1031,利用地面气象站点观测的相对湿度数据插值得到局地湿度分布,获取湿度因子;
S1032,根据所述湿度因子,对所述气溶胶近地面“湿”消光系数进行湿度订正。
7.根据权利要求3所述的基于数据融合的大气颗粒物遥感监测方法,其特征在于,S104具体按照如下步骤实施:
S1041,基于地基颗粒物浓度观测数据和对应的气溶胶近地面“干”消光系数的数据样本,进行统计回归分析,拟和出二者的线性模型;
S1042,利用所述线性模型,根据S103中得到的所述气溶胶近地面“干”消光系数计算区域尺度的近地面颗粒物浓度。
8.根据权利要求1所述的基于数据融合的大气颗粒物遥感监测方法,其特征在于,S2中,所述融合的方法包括:
S201,将所述卫星遥感反演数据转换为矢量格式,得到矢量格式的卫星遥感反演数据;
S202,将所述矢量格式的卫星遥感反演数据与所述地面监测数据融合,得到融合数据。
9.根据权利要求1所述的基于数据融合的大气颗粒物遥感监测方法,其特征在于,所述插值算法为IDW插值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610585075.XA CN106124374A (zh) | 2016-07-22 | 2016-07-22 | 基于数据融合的大气颗粒物遥感监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610585075.XA CN106124374A (zh) | 2016-07-22 | 2016-07-22 | 基于数据融合的大气颗粒物遥感监测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106124374A true CN106124374A (zh) | 2016-11-16 |
Family
ID=57289464
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610585075.XA Pending CN106124374A (zh) | 2016-07-22 | 2016-07-22 | 基于数据融合的大气颗粒物遥感监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106124374A (zh) |
Cited By (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106596362A (zh) * | 2016-12-14 | 2017-04-26 | 北京市环境保护监测中心 | 一种激光雷达输送通量计算方法和装置 |
CN106680833A (zh) * | 2016-12-27 | 2017-05-17 | 成都信息工程大学 | 基于Logistic大气消光廓线识别混合层厚度方法 |
CN106950574A (zh) * | 2017-04-14 | 2017-07-14 | 北京市环境保护监测中心 | 一种大气中灰霾总量的遥感测算方法及装置 |
CN107132545A (zh) * | 2017-04-28 | 2017-09-05 | 北京理工大学 | 气溶胶中的颗粒物对遥感成像的质量影响的分析方法 |
CN107202750A (zh) * | 2017-05-17 | 2017-09-26 | 河北中科遥感信息技术有限公司 | 一种大气颗粒物星地综合监测定量遥感融合处理方法 |
CN107972887A (zh) * | 2017-11-22 | 2018-05-01 | 北京航空航天大学 | Pm2.5的监测方法及装置 |
CN108426815A (zh) * | 2018-04-20 | 2018-08-21 | 中国科学院遥感与数字地球研究所 | 一种近地面细颗粒物组分浓度估算方法 |
CN108491667A (zh) * | 2018-04-13 | 2018-09-04 | 武汉大学 | 一种基于Himawar-8 AOD的PM2.5遥感监测反演方法 |
CN108519340A (zh) * | 2018-03-28 | 2018-09-11 | 刘诚 | 一种卫星遥感污染气体柱浓度时空分布反演算法 |
CN108982314A (zh) * | 2018-07-24 | 2018-12-11 | 兰州大学 | 质量浓度分析方法及装置 |
CN109284706A (zh) * | 2018-09-12 | 2019-01-29 | 北京英视睿达科技有限公司 | 基于多源卫星遥感数据的热点网格工业聚集区域识别方法 |
CN109655583A (zh) * | 2018-12-14 | 2019-04-19 | 天津珞雍空间信息研究院有限公司 | 一种基于卫星遥感的大气环境地面监测站点布控组网方法 |
CN110389087A (zh) * | 2019-08-02 | 2019-10-29 | 中国科学院遥感与数字地球研究所 | 一种污染天气下的pm2.5浓度卫星遥感估算方法 |
CN110595960A (zh) * | 2019-08-02 | 2019-12-20 | 中国科学院遥感与数字地球研究所 | 一种基于机器学习的pm2.5浓度遥感估算方法 |
CN110595968A (zh) * | 2019-08-02 | 2019-12-20 | 中国科学院遥感与数字地球研究所 | 一种基于静止轨道卫星的pm2.5浓度估算方法 |
CN110940624A (zh) * | 2019-11-07 | 2020-03-31 | 中国科学院遥感与数字地球研究所 | 一种大气细颗粒物遥感估计方法 |
US10627380B2 (en) | 2017-02-08 | 2020-04-21 | International Business Machines Corporation | Multi-source data assimilation for three-dimensional environmental monitoring |
CN111912754A (zh) * | 2020-07-23 | 2020-11-10 | 安徽省气象科学研究所 | 一种近地面颗粒物浓度的遥感反演方法 |
CN112378828A (zh) * | 2020-12-11 | 2021-02-19 | 中科三清科技有限公司 | 基于卫星遥感数据反演大气细颗粒物浓度的方法及装置 |
CN112484776A (zh) * | 2020-11-18 | 2021-03-12 | 成都信息工程大学 | 静止卫星逐小时近地面大气细颗粒物估算方法 |
CN114018773A (zh) * | 2021-11-03 | 2022-02-08 | 中科三清科技有限公司 | Pm2.5浓度空间分布数据的获取方法、装置、设备及存储介质 |
CN115112586A (zh) * | 2022-07-01 | 2022-09-27 | 行星数据科技(苏州)有限公司 | 一种多源数据融合下的牧场甲烷排放量估算方法 |
CN116449331A (zh) * | 2023-06-20 | 2023-07-18 | 成都远望科技有限责任公司 | 一种基于w波段雷达和气象卫星的沙尘粒子数浓度估算方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101504353A (zh) * | 2008-02-06 | 2009-08-12 | 香港科技大学 | 用于提供近地面悬浮颗粒物分布的方法和相应的*** |
CN103674794A (zh) * | 2013-12-16 | 2014-03-26 | 中国科学院遥感与数字地球研究所 | 遥感监测近地表细颗粒物质量浓度pm2.5的多元回归方法 |
CN103942439A (zh) * | 2014-04-24 | 2014-07-23 | 中国科学院遥感与数字地球研究所 | 一种基于气象观测数据的可吸入颗粒物浓度估算方法 |
CN104573155A (zh) * | 2013-10-17 | 2015-04-29 | 中国科学院地理科学与资源研究所 | 一种高效近地表pm2.5浓度估算方法及估算*** |
KR20150056676A (ko) * | 2013-11-14 | 2015-05-27 | 광주과학기술원 | 국가 간 입자상 대기 오염물질의 수송 여부 판단방법 |
CN105512464A (zh) * | 2015-11-26 | 2016-04-20 | 武汉大学 | 一种结合卫星和站点观测反演时空连续pm2.5浓度的方法 |
-
2016
- 2016-07-22 CN CN201610585075.XA patent/CN106124374A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101504353A (zh) * | 2008-02-06 | 2009-08-12 | 香港科技大学 | 用于提供近地面悬浮颗粒物分布的方法和相应的*** |
CN104573155A (zh) * | 2013-10-17 | 2015-04-29 | 中国科学院地理科学与资源研究所 | 一种高效近地表pm2.5浓度估算方法及估算*** |
KR20150056676A (ko) * | 2013-11-14 | 2015-05-27 | 광주과학기술원 | 국가 간 입자상 대기 오염물질의 수송 여부 판단방법 |
CN103674794A (zh) * | 2013-12-16 | 2014-03-26 | 中国科学院遥感与数字地球研究所 | 遥感监测近地表细颗粒物质量浓度pm2.5的多元回归方法 |
CN103942439A (zh) * | 2014-04-24 | 2014-07-23 | 中国科学院遥感与数字地球研究所 | 一种基于气象观测数据的可吸入颗粒物浓度估算方法 |
CN105512464A (zh) * | 2015-11-26 | 2016-04-20 | 武汉大学 | 一种结合卫星和站点观测反演时空连续pm2.5浓度的方法 |
Non-Patent Citations (1)
Title |
---|
徐建辉 等: "长江三角洲 PM2.5质量浓度遥感估算与时空分布特征", 《环境科学》 * |
Cited By (34)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106596362A (zh) * | 2016-12-14 | 2017-04-26 | 北京市环境保护监测中心 | 一种激光雷达输送通量计算方法和装置 |
CN106680833A (zh) * | 2016-12-27 | 2017-05-17 | 成都信息工程大学 | 基于Logistic大气消光廓线识别混合层厚度方法 |
CN106680833B (zh) * | 2016-12-27 | 2019-10-25 | 成都信息工程大学 | 基于Logistic大气消光廓线识别混合层厚度方法 |
US10627380B2 (en) | 2017-02-08 | 2020-04-21 | International Business Machines Corporation | Multi-source data assimilation for three-dimensional environmental monitoring |
CN106950574A (zh) * | 2017-04-14 | 2017-07-14 | 北京市环境保护监测中心 | 一种大气中灰霾总量的遥感测算方法及装置 |
CN106950574B (zh) * | 2017-04-14 | 2019-11-08 | 北京市环境保护监测中心 | 一种大气中灰霾总量的遥感测算方法及装置 |
CN107132545B (zh) * | 2017-04-28 | 2019-05-28 | 北京理工大学 | 气溶胶中的颗粒物对遥感成像的质量影响的分析方法 |
CN107132545A (zh) * | 2017-04-28 | 2017-09-05 | 北京理工大学 | 气溶胶中的颗粒物对遥感成像的质量影响的分析方法 |
CN107202750A (zh) * | 2017-05-17 | 2017-09-26 | 河北中科遥感信息技术有限公司 | 一种大气颗粒物星地综合监测定量遥感融合处理方法 |
CN107972887A (zh) * | 2017-11-22 | 2018-05-01 | 北京航空航天大学 | Pm2.5的监测方法及装置 |
CN107972887B (zh) * | 2017-11-22 | 2019-11-08 | 北京航空航天大学 | 基于Cubesat卫星的PM2.5的监测方法及装置 |
CN108519340A (zh) * | 2018-03-28 | 2018-09-11 | 刘诚 | 一种卫星遥感污染气体柱浓度时空分布反演算法 |
CN108491667A (zh) * | 2018-04-13 | 2018-09-04 | 武汉大学 | 一种基于Himawar-8 AOD的PM2.5遥感监测反演方法 |
CN108491667B (zh) * | 2018-04-13 | 2021-11-26 | 武汉大学 | 一种基于Himawari-8 AOD的PM2.5遥感监测反演方法 |
CN108426815A (zh) * | 2018-04-20 | 2018-08-21 | 中国科学院遥感与数字地球研究所 | 一种近地面细颗粒物组分浓度估算方法 |
CN108426815B (zh) * | 2018-04-20 | 2021-04-27 | 中国科学院遥感与数字地球研究所 | 一种近地面细颗粒物组分浓度估算方法 |
CN108982314A (zh) * | 2018-07-24 | 2018-12-11 | 兰州大学 | 质量浓度分析方法及装置 |
CN109284706B (zh) * | 2018-09-12 | 2023-12-01 | 国际商业机器(中国)投资有限公司 | 基于多源卫星遥感数据的热点网格工业聚集区域识别方法 |
CN109284706A (zh) * | 2018-09-12 | 2019-01-29 | 北京英视睿达科技有限公司 | 基于多源卫星遥感数据的热点网格工业聚集区域识别方法 |
CN109655583A (zh) * | 2018-12-14 | 2019-04-19 | 天津珞雍空间信息研究院有限公司 | 一种基于卫星遥感的大气环境地面监测站点布控组网方法 |
CN110595968A (zh) * | 2019-08-02 | 2019-12-20 | 中国科学院遥感与数字地球研究所 | 一种基于静止轨道卫星的pm2.5浓度估算方法 |
CN110595960B (zh) * | 2019-08-02 | 2021-05-14 | 中国科学院遥感与数字地球研究所 | 一种基于机器学习的pm2.5浓度遥感估算方法 |
CN110595960A (zh) * | 2019-08-02 | 2019-12-20 | 中国科学院遥感与数字地球研究所 | 一种基于机器学习的pm2.5浓度遥感估算方法 |
CN110389087A (zh) * | 2019-08-02 | 2019-10-29 | 中国科学院遥感与数字地球研究所 | 一种污染天气下的pm2.5浓度卫星遥感估算方法 |
CN110940624A (zh) * | 2019-11-07 | 2020-03-31 | 中国科学院遥感与数字地球研究所 | 一种大气细颗粒物遥感估计方法 |
CN111912754A (zh) * | 2020-07-23 | 2020-11-10 | 安徽省气象科学研究所 | 一种近地面颗粒物浓度的遥感反演方法 |
CN111912754B (zh) * | 2020-07-23 | 2023-03-28 | 安徽省气象科学研究所 | 一种近地面颗粒物浓度的遥感反演方法 |
CN112484776A (zh) * | 2020-11-18 | 2021-03-12 | 成都信息工程大学 | 静止卫星逐小时近地面大气细颗粒物估算方法 |
CN112378828A (zh) * | 2020-12-11 | 2021-02-19 | 中科三清科技有限公司 | 基于卫星遥感数据反演大气细颗粒物浓度的方法及装置 |
CN114018773A (zh) * | 2021-11-03 | 2022-02-08 | 中科三清科技有限公司 | Pm2.5浓度空间分布数据的获取方法、装置、设备及存储介质 |
CN115112586A (zh) * | 2022-07-01 | 2022-09-27 | 行星数据科技(苏州)有限公司 | 一种多源数据融合下的牧场甲烷排放量估算方法 |
CN115112586B (zh) * | 2022-07-01 | 2024-06-07 | 行星数据科技(苏州)有限公司 | 一种多源数据融合下的牧场甲烷排放量估算方法 |
CN116449331A (zh) * | 2023-06-20 | 2023-07-18 | 成都远望科技有限责任公司 | 一种基于w波段雷达和气象卫星的沙尘粒子数浓度估算方法 |
CN116449331B (zh) * | 2023-06-20 | 2023-08-15 | 成都远望科技有限责任公司 | 一种基于w波段雷达和气象卫星的沙尘粒子数浓度估算方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106124374A (zh) | 基于数据融合的大气颗粒物遥感监测方法 | |
Liang et al. | The global land surface satellite (GLASS) product suite | |
Schellekens et al. | A global water resources ensemble of hydrological models: the eartH2Observe Tier-1 dataset | |
Lave et al. | Cloud speed impact on solar variability scaling–Application to the wavelet variability model | |
Feng et al. | Net primary productivity of China's terrestrial ecosystems from a process model driven by remote sensing | |
Jiang et al. | A satellite-based daily actual evapotranspiration estimation algorithm over South Florida | |
Hu et al. | How can we use MODIS land surface temperature to validate long‐term urban model simulations? | |
Abreu et al. | Description of atmospheric conditions at the pierre auger observatory using the global data assimilation system (gdas) | |
Fiddes et al. | TopoSCALE v. 1.0: downscaling gridded climate data in complex terrain | |
Zhao et al. | High-resolution daily AOD estimated to full coverage using the random forest model approach in the Beijing-Tianjin-Hebei region | |
Cheruy et al. | Combined influence of atmospheric physics and soil hydrology on the simulated meteorology at the SIRTA atmospheric observatory | |
Huang et al. | A physically based algorithm for retrieving land surface temperature under cloudy conditions from AMSR2 passive microwave measurements | |
Feng et al. | Does the modern‐era retrospective analysis for research and applications‐2 aerosol reanalysis introduce an improvement in the simulation of surface solar radiation over China? | |
Chen et al. | A data-model fusion approach for upscaling gross ecosystem productivity to the landscape scale based on remote sensing and flux footprint modelling | |
Niwano et al. | NHM–SMAP: spatially and temporally high-resolution nonhydrostatic atmospheric model coupled with detailed snow process model for Greenland Ice Sheet | |
Mussetti et al. | COSMO-BEP-Tree v1. 0: a coupled urban climate model with explicit representation of street trees | |
Guan et al. | Continental-scale impacts of intra-seasonal rainfall variability on simulated ecosystem responses in Africa | |
Hutjes et al. | Dis-aggregation of airborne flux measurements using footprint analysis | |
Murata et al. | Estimation of urban heat island intensity using biases in surface air temperature simulated by a nonhydrostatic regional climate model | |
CN111982294A (zh) | 集成热红外与再分析资料的全天候地表温度生成方法 | |
CN114417646B (zh) | 一种高维异构降水数据融合方法及*** | |
Jégo et al. | Impact of the spatial resolution of climatic data and soil physical properties on regional corn yield predictions using the STICS crop model | |
Shakoor et al. | Hydrological response of two high altitude Swiss catchments to energy balance and temperature index melt schemes | |
Wang et al. | Temporal interpolation of land surface fluxes derived from remote sensing–results with an unmanned aerial system | |
Chen et al. | Assessing the effects of end-members determination on regional latent heat flux simulation in trapezoidal framework based model |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20161116 |
|
RJ01 | Rejection of invention patent application after publication |