CN110095389A - 一种短时间尺度内城市大气细颗粒物时空变异评价方法 - Google Patents
一种短时间尺度内城市大气细颗粒物时空变异评价方法 Download PDFInfo
- Publication number
- CN110095389A CN110095389A CN201810708169.0A CN201810708169A CN110095389A CN 110095389 A CN110095389 A CN 110095389A CN 201810708169 A CN201810708169 A CN 201810708169A CN 110095389 A CN110095389 A CN 110095389A
- Authority
- CN
- China
- Prior art keywords
- aod
- goci
- concentration
- short
- coefficient
- 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
- 230000002123 temporal effect Effects 0.000 title claims abstract description 17
- 239000013618 particulate matter Substances 0.000 title claims abstract description 14
- 238000011156 evaluation Methods 0.000 title claims abstract description 6
- 230000003287 optical effect Effects 0.000 claims abstract description 14
- 239000000443 aerosol Substances 0.000 claims abstract description 11
- 238000000034 method Methods 0.000 claims abstract description 11
- 238000005259 measurement Methods 0.000 claims abstract description 9
- 238000004088 simulation Methods 0.000 claims description 11
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 230000004907 flux Effects 0.000 claims description 6
- 238000012544 monitoring process Methods 0.000 claims description 6
- 230000005855 radiation Effects 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 5
- 239000010419 fine particle Substances 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000012888 cubic function Methods 0.000 claims description 3
- 238000012886 linear function Methods 0.000 claims description 3
- 238000002310 reflectometry Methods 0.000 claims description 3
- 238000000611 regression analysis Methods 0.000 claims description 3
- 238000012546 transfer Methods 0.000 claims description 3
- 238000010219 correlation analysis Methods 0.000 claims description 2
- 238000011160 research Methods 0.000 abstract description 5
- 238000003384 imaging method Methods 0.000 description 7
- 238000007405 data analysis Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000000875 corresponding effect Effects 0.000 description 1
- 238000013524 data verification Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000001360 synchronised effect Effects 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
- 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
- G01N15/075—Investigating concentration of particle suspensions by optical means
Landscapes
- Chemical & Material Sciences (AREA)
- Dispersion Chemistry (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Image Processing (AREA)
Abstract
本发明公开一种短时间尺度内城市大气细颗粒物时空变异评价方法。由于地球静止卫星上的GOCI传感器具有较高的时间分辨率，在研究短时间尺度内PM2.5浓度时空变化方面具有一定的应用潜力。因而本发明通过GOCI影像的波段特征，利用实测PM2.5浓度与气象因子数据，分别进行了GOCI PM2.5浓度单变量和多变量反演建模研究，并结合GOCI大气气溶胶光学厚度(AOD)数据，实现了杭州市PM2.5浓度遥感反演与时空变异分析。这为城市PM2.5浓度短时间尺度的时空变异评价提供了一种方法创新。
Description
技术领域
本发明属于大气环境遥感领域，具体涉及大气污染物、城市生态环境监测、大气遥感等领域。该方法将卫星遥感反演技术拓展到大气细颗粒物的模拟模型中，使用遥感手段实现大气细颗粒物短期变化快慢情况的监测。
背景技术
PM2.5是气溶胶颗粒的重要组成部分，因它的粒径小于2.5um，所以被称为细颗粒物。目前PM2.5浓度监测数据主要从地面监测站点获取，由于该方法有限，人们开始利用卫星遥感技术来研究PM2.5浓度的分布情况，且卫星遥感技术在该方面具有巨大的优势。
一般的遥感卫星一天成一景影像，而GOCI时间分辨率是1小时，每天可获取8景影像，对于研究某一地区PM2.5浓度变化快慢具有一定优势。GOCI(Geostationary OceanColor Imager)是韩国2010年发射的地球静止气象卫星COMS(Communication，Ocean，Meteorological Satellite)上搭载的新一代卫星传感器，可以用于气象服务。GOCI时间分辨率是1小时，成像的时间是从上午9:00一直到下午16:00，因而可以连续8个小时的影像图。
且前人研究卫星遥感反演的AOD数据和PM2.5之间的关系，一般建立的是二者之间的年度回归模型，这样所建模型的精度较低，因而本文在建立年度模型的基础上，又分四季建立二者之间的模型，精度有一定提高。
基于上述背景，本发明使用实测PM2.5、AOD，进行PM2.5浓度的单变量建模研究；再结合GOCI AOD产品，实现对某地区PM2.5浓度的遥感反演与时空变异分析。
发明内容
本发明的目的是针对现有技术的不足，提出一种短时间尺度内城市大气细颗粒物时空变异评价方法，尤其适用于对大气细颗粒物进行短时期变化快慢的研究，可以获取大气细颗粒物的大面积分布情况，具有高频率的特征。
本发明解决其关键技术问题所采用的技术方案包括以下几个步骤：
步骤(1)、通过国家基准气候站获取大气细颗粒物的实测数据，基于GOCI影像的波段特征利用太阳光度计获取气溶胶光学厚度(Aerosol Optical Depth,AOD)的实测数据；从GOCI官网获取GOCI影像。
步骤(2)、使用Excel中的数据分析模块对实测PM2.5与AOD数据进行相关性分析，相关性系数大于0.4代表中等相关，可以进行建模分析，相关性系数的绝对值越大，代表相关性越强。
步骤(3)、对PM2.5与AOD数据进行分类，一种是以年为单位进行建模，另外一种是以四季为单位处理，且这两种方案都需把数据分为两种类型(处理数据和验证数据)，其中三分之二用于建立PM2.5与AOD的模拟模型，三分之一用于验证模型。
步骤(4)、建立PM2.5与AOD的模拟模型，使用一元回归分析方法，建立关于PM2.5浓度的线性函数、对数函数、二次方函数、立方函数、幂函数函数、指数函数共6种模型。比较年尺度和四季尺度下这6种模型下的决定系数、相对误差和均方根误差，决定系数越大，相对误差和均方根误差越小，代表模型精度越高，通过比较确定PM2.5与AOD的最优模型。
步骤(5)、使用二流式算法来反演GOCI影像的气溶胶光学厚度，获得GOCI反演的AOD分布图；其中使用二流式算法改进大气辐射传输方程为：
该方程的边界条件如下：
τλ＝τ0 λsecθ'；
τλ＝0.
其中，为上行辐射通量函数；为下行辐射通量函数；ε为后向散射系数，通常取值0.1；θs为太阳天顶角；θ'为传感器天顶角；E0为太阳辐照度；τ为光学厚度；τ0 λ为总的大气光学厚度；A为地表反射率。
步骤(6)、在ENVI中使用波段运算，将步骤(4)决定PM2.5浓度的模拟模型代入步骤(5)中GOCI反演的AOD分布图，获取GOCI PM2.5的逐时遥感产品。
步骤(7)、在ENVI中使用波段运算，根据变异系数公式对步骤(6)的结果图进行计算，从而得到某一地区PM2.5浓度的变异系数分析图；
变异系数的计算公式：
CV＝σ/μ (5)；
其中，N为样本个数，μ为均值，σ为标准差，CV代表变异系数。
GOCI所成影像是以小时为单位，通过步骤(7)可分析大气细颗粒物短时间尺度内变化快慢情况。
本发明的有益效果如下：
本发明基于GOCI影像高时空分辨率的优势来研究某一地区的PM2.5浓度变化快慢情况，且不仅建立年度模型，进一步建立季节尺度上的模型，模型精度比一般尺度较高，在年和季节尺度下分别建立PM2.5与AOD的6种模型，模型的类型也进一步扩展，通过比较各种模型的决定系数、相对误差和均方根误差决定最优模型，模型的精度又一步提高。
附图说明
图1为本发明流程图。
图2为杭州市PM2.5与AOD的相关性散点图，其中编号01，02，03，04，05分别为对应PM2.5与AOD的年相关性散点图，春季相关性散点图，夏季相关性散点图，秋季相关性散点图，冬季相关性散点图。
图3为PM2.5与AOD的单变量模型图，其中编号01，02，03，04，05分别为对应PM2.5与AOD的年度模型图，春季模型图，夏季模型图，秋季模型图，冬季模型图。
图4为单变量模型下实测与模拟的PM2.5浓度值比较图。
图5为2013年12月6日杭州市卫星遥感AOD反演结果；其中编号01，02，03与GOCI数据编号一致，分别为对应GOCI传感器成像时间10:00，11:00，12:00的影像结果。
图6为2013年12月6日杭州市PM2.5浓度分布；其中编号01，02，03与GOCI数据编号一致，分别为对应GOCI传感器成像时间10:00，11:00，12:00的影像结果。
图7为2013年12月6日杭州市10时、11时、12时PM2.5时空变异系数分布图。
具体实施方式
下面结合附图对本发明作进一步的说明。
参照图1，一种城市大气细颗粒物短时间尺度内时空变异遥感监测方法，包括以下步骤：
步骤(1)、通过国家基准气候站获取大气细颗粒物的实测数据和气象因子的实测数据；基于GOCI影像的波段特征利用太阳光度计获取气溶胶光学厚度(AerosolOpticalDepth,AOD)的实测数据；从GOCI官网获取GOCI影像。
所述的大气细颗粒物、AOD和气象因子的实测数据必须是同步的。其中，大气细颗粒物和气象因子的实测数据是由杭州国家基准气候观测站提供，实测AOD数据是基于GOCI的波段特征使用太阳光度计获取的，GOCI具有可见光到近红外共8个波段，分别对应不同的中心波长，本文所获取的是500nm处的AOD。
图6为2013年12月6日杭州市PM2.5浓度分布；其中编号01，02，03与GOCI数据编号一致，分别为对应GOCI传感器成像时间10:00，11:00，12:00的影像结果。
步骤(2)、使用Excel中的数据分析模块对实测PM2.5与AOD、气象因子数据进行相关性分析，判断其是正相关还是负相关，以及相关性的强弱，从而确定是否可以建模。
进行步骤(2)之前，整理数据，删除缺失数据，所述结果如图2。
步骤(3)、建立PM2.5浓度的单变量模拟模型时，使用一元回归分析方法，建立关于PM2.5浓度的线性函数、对数函数、二次方函数、立方函数、幂函数函数、指数函数共6种模型。
进行步骤(3)时，把处理的数据分为两种类型，其中三分之二用于数据建模，三分之一用于数据验证，并且进行年度建模和分季节建模，结果如图3，通过比较R2、平均相对误差和均方根误差的大小确定最优的单变量模型。
图4为单变量模型下实测与模拟的PM2.5浓度值比较图。
步骤(4)、使用二流式算法来反演GOCI影像的气溶胶光学厚度，使用二流式算法改进大气辐射传输方程为：
其中，为上行辐射通量函数；为下行辐射通量函数；ε为后向散射系数；θs为太阳天顶角；τ为光学厚度，且满足
使用所述方程式时，由于需要考虑地球曲率和气溶胶折射率，需要对太阳天顶角、后向散射系数、表观反射率、地表反射率等参数重新求解，之后把参数代入该方程，在ENVI中进行反演，反演AOD结果如图5。
步骤(5)、根据步骤(4)中PM2.5浓度的模拟模型，结合步骤(5)中利用GOCI影像反演的AOD，在ENVI中使用波段运算，从而获取GOCI PM2.5的逐时遥感产品。
步骤(6)、在步骤(5)的基础上，在ENVI中使用波段运算，通过求PM2.5浓度的变异系数，从而实现对PM2.5浓度的时空变异分析。变异系数的计算公式：
CV＝σ/μ (5)；
其中，N为样本个数，μ为均值，σ为标准差，CV代表变异系数。
使用所述公式求步骤(5)结果图的变异系数，如图7，进而使用ENVI的统计模块求其最大值、最小值、均值及标准差，从而对杭州市PM2.5时空变异进行分析。
Claims (3)
1.一种短时间尺度内城市大气细颗粒物时空变异评价方法,其特征在于包括以下步骤：
步骤(1)、获取大气细颗粒物PM2.5的实测数据，利用太阳光度计获取气溶胶光学厚度(Aerosol Optical Depth,AOD)实测数据；
步骤(2)、对实测PM2.5与AOD数据进行相关性分析，相关性系数大于0.4代表中等相关，可以进行建模分析；
步骤(3)、对PM2.5与AOD数据进行分类，分别以年、季节为时间单元进行建模，将其中三分之二用于建立PM2.5与AOD的模拟模型，三分之一用于验证模型；
步骤(4)、建立PM2.5与AOD的模拟模型，使用一元回归分析方法，建立关于PM2.5浓度的线性函数、对数函数、二次方函数、立方函数、幂函数函数、指数函数共6种模型；比较年尺度和四季尺度下这6种模型下的决定系数、相对误差和均方根误差，从而确定PM2.5与AOD的最优模型；
步骤(5)、使用二流式算法来反演GOCI影像的气溶胶光学厚度，获得GOCI反演的AOD分布图；其中使用二流式算法改进大气辐射传输方程为：
该方程的边界条件如下：
τλ＝τ0 λsecθ'
τλ＝0
其中，为上行辐射通量函数；为下行辐射通量函数；ε为后向散射系数，通常取值0.1；θs为太阳天顶角；θ'为传感器天顶角；E0为太阳辐照度；τ为光学厚度；τ0 λ为总的大气光学厚度；A为地表反射率；
步骤(6)、在ENVI中使用波段运算，将步骤(4)决定PM2.5浓度的模拟模型代入步骤(5)中GOCI反演的AOD分布图，获取GOCI PM2.5的逐时遥感产品；
步骤(7)、在ENVI中使用波段运算，根据变异系数公式对步骤(6)的结果图进行计算，从而得到某一地区PM2.5浓度的变异系数分析图；
变异系数的计算公式：
CV＝σ/μ (4)
其中，N为样本个数，μ为均值，σ为标准差，CV代表变异系数。
2.如权利要求1所述的一种城市大气细颗粒物短时间尺度内时空变异遥感监测方法，其特征在于步骤(1)所述的PM2.5、AOD、气象数据为同步数据。
3.如权利要求1所述的一种城市大气细颗粒物短时间尺度内时空变异遥感监测方法，其特征在于GOCI所成影像是以小时为单位，通过步骤(7)可分析大气细颗粒物短时间尺度内变化快慢情况。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810708169.0A CN110095389A (zh) | 2018-07-02 | 2018-07-02 | 一种短时间尺度内城市大气细颗粒物时空变异评价方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810708169.0A CN110095389A (zh) | 2018-07-02 | 2018-07-02 | 一种短时间尺度内城市大气细颗粒物时空变异评价方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110095389A true CN110095389A (zh) | 2019-08-06 |
Family
ID=67443500
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810708169.0A Pending CN110095389A (zh) | 2018-07-02 | 2018-07-02 | 一种短时间尺度内城市大气细颗粒物时空变异评价方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110095389A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111738600A (zh) * | 2020-06-23 | 2020-10-02 | 南通大学 | 一种基于高精度pm2.5反演结果的城市道路空气质量评价方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102539336A (zh) * | 2011-02-01 | 2012-07-04 | 环境保护部卫星环境应用中心 | 基于环境一号卫星的可吸入颗粒物估算方法及*** |
| CN102944503A (zh) * | 2012-10-11 | 2013-02-27 | 中国科学院安徽光学精密机械研究所 | 基于太阳光度计和激光雷达的pm2.5质量浓度值自动反演算法 |
| 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 |
| KR101609740B1 (ko) * | 2015-08-24 | 2016-04-08 | 대한민국 | 에어로졸 질량농도의 연직분포 산출방법 |
| CN105678085A (zh) * | 2016-01-12 | 2016-06-15 | 环境保护部卫星环境应用中心 | 一种pm2.5浓度的估算方法及*** |
| CN106971060A (zh) * | 2017-03-02 | 2017-07-21 | 宁波大学 | 一种基于季节性辅助变量优化的遥感aod反演地面pm2.5的方法 |
-
2018
- 2018-07-02 CN CN201810708169.0A patent/CN110095389A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102539336A (zh) * | 2011-02-01 | 2012-07-04 | 环境保护部卫星环境应用中心 | 基于环境一号卫星的可吸入颗粒物估算方法及*** |
| CN102944503A (zh) * | 2012-10-11 | 2013-02-27 | 中国科学院安徽光学精密机械研究所 | 基于太阳光度计和激光雷达的pm2.5质量浓度值自动反演算法 |
| 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 |
| KR101609740B1 (ko) * | 2015-08-24 | 2016-04-08 | 대한민국 | 에어로졸 질량농도의 연직분포 산출방법 |
| CN105678085A (zh) * | 2016-01-12 | 2016-06-15 | 环境保护部卫星环境应用中心 | 一种pm2.5浓度的估算方法及*** |
| CN106971060A (zh) * | 2017-03-02 | 2017-07-21 | 宁波大学 | 一种基于季节性辅助变量优化的遥感aod反演地面pm2.5的方法 |
Non-Patent Citations (3)
| Title |
|---|
| 刘佳雨: "北京市MODIS气溶胶光学厚度与PM2.5浓度关系研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅰ辑》 * |
| 姚玲玲等: "采用二流式算法的GOCI\AOT反演方法及其应用", 《浙江大学学报（工学版）》 * |
| 王桥等著: "《PM2.5卫星遥感技术及其应用》", 31 October 2017, 中国环境出版社 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111738600A (zh) * | 2020-06-23 | 2020-10-02 | 南通大学 | 一种基于高精度pm2.5反演结果的城市道路空气质量评价方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Banks et al. | Performance evaluation of the boundary-layer height from lidar and the Weather Research and Forecasting model at an urban coastal site in the north-east Iberian Peninsula | |
| Diak et al. | Estimating land surface energy budgets from space: Review and current efforts at the University of Wisconsin—Madison and USDA–ARS | |
| CN105678085B (zh) | 一种pm2.5浓度的估算方法及*** | |
| Torbick et al. | Spatiotemporal lake skin summer temperature trends in the Northeast United States | |
| CN109871637A (zh) | 一种云天条件下近地面气温估算方法 | |
| CN114966692A (zh) | 基于Transformer的InSAR技术冻土区多变量时序形变预测方法及装置 | |
| CN116449331B (zh) | 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 | |
| Ma et al. | An improved MODIS NIR PWV retrieval algorithm based on an artificial neural network considering the land-cover types | |
| CN114880933A (zh) | 一种基于再分析资料的无探空站点地基微波辐射计大气温湿廓线反演方法及*** | |
| Fuller et al. | Predicting water quality by relating Secchi-disk transparency and chlorophyll a measurements to satellite imagery for Michigan inland lakes, August 2002 | |
| CN110095389A (zh) | 一种短时间尺度内城市大气细颗粒物时空变异评价方法 | |
| Summa et al. | Atmospheric Boundary Layer Height: Inter-Comparison of Different Estimation Approaches Using the Raman Lidar as Benchmark | |
| KR20210018737A (ko) | 에어로졸의 광학 특성 산출 장치 및 방법 | |
| Wang et al. | Obtaining cloud base height and phase from thermal infrared radiometry using a deep learning algorithm | |
| Gueymard | Visibility estimates from atmospheric and radiometric variables using artificial neural networks | |
| Sampaio et al. | Sensible heat flux assessment in a complex coastal-mountain urban area in the metropolitan area of Rio de Janeiro, Brazil | |
| Nakajima et al. | Near-global scale retrieval of the optical and microphysical properties of clouds from Midori-II GLI and AMSR data | |
| He et al. | Spatial and temporal characteristics of surface albedo in Badain Jaran Desert, China | |
| Liu et al. | Review of the applications of multiangle imaging spectroradiometer to air quality research | |
| Hena et al. | A simple statistical model to estimate incident solar radiation at the surface from NOAA AVHRR satellite data | |
| Cureton et al. | Retrieval of wind wave elevation spectra from sunglint data | |
| Kwon et al. | Sensitivity of passive microwave satellite observations to snow density and grain size over Arctic sea ice | |
| CN117907248B (zh) | 一种冬小麦关键生育期根系土壤含水量遥感监测方法及*** | |
| Wang et al. | SEBS module beam: A practical tool for surface energy balance estimates from remote sensing data | |
| Zhang et al. | MODIS aerosol optical depth inversion over urban areas supported by BRDF/Albedo products |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20190806 |
|
| WD01 | Invention patent application deemed withdrawn after publication |