CN110989038B - 一种近地面颗粒浓度估算方法及*** - Google Patents

一种近地面颗粒浓度估算方法及*** Download PDF

Info

Publication number
CN110989038B
CN110989038B CN201911158741.1A CN201911158741A CN110989038B CN 110989038 B CN110989038 B CN 110989038B CN 201911158741 A CN201911158741 A CN 201911158741A CN 110989038 B CN110989038 B CN 110989038B
Authority
CN
China
Prior art keywords
result
particle concentration
extinction coefficient
air quality
surface particle
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.)
Active
Application number
CN201911158741.1A
Other languages
English (en)
Other versions
CN110989038A (zh
Inventor
柴向停
夏石明
黄龙星
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Zhongke Ruijing Technology Co ltd
Original Assignee
Beijing Zhongke Ruijing Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Zhongke Ruijing Technology Co ltd filed Critical Beijing Zhongke Ruijing Technology Co ltd
Priority to CN201911158741.1A priority Critical patent/CN110989038B/zh
Publication of CN110989038A publication Critical patent/CN110989038A/zh
Application granted granted Critical
Publication of CN110989038B publication Critical patent/CN110989038B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01W—METEOROLOGY
    • G01W1/00—Meteorology
    • G01W1/02—Instruments for indicating weather conditions by measuring two or more variables, e.g. humidity, pressure, temperature, cloud cover or wind speed
    • 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
    • G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
    • G01S19/38—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01W—METEOROLOGY
    • G01W1/00—Meteorology
    • G01W1/18—Testing or calibrating meteorological apparatus
    • 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

  • Engineering & Computer Science (AREA)
  • Environmental & Geological Engineering (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Chemical & Material Sciences (AREA)
  • Ecology (AREA)
  • Environmental Sciences (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Atmospheric Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Dispersion Chemistry (AREA)
  • Health & Medical 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

本申请公开了一种近地面颗粒浓度估算方法及***，包括：获取消光系数，所述消光系数由大气空气质量模式得出；利用CALIPSO数据对所述消光系数进行校正；将校正后的所述消光系数、气象参数和模型模拟结果采用深层神经网络方法进行训练，得到颗粒浓度分布作为第一结果，所述模型模拟结果由所述大气空气质量模式得出；采用权重赋权方法计算所述近地面颗粒浓度，采用的指标包括所述第一结果。利用该方法及***可以有效地提高近地面颗粒浓度的估算精度。

Description

一种近地面颗粒浓度估算方法及***
技术领域
本申请涉及卫星遥感领域，尤其涉及一种近地面颗粒物浓度估算方法及***。
背景技术
近地面颗粒物(例如，PM2.5)可以通过呼吸道、毛细血管等进入人体引起各种疾病。随着遥感技术的发展，且具有弥补地基观测站点在空间分布不足的优势，大量学者已采用简单回归、半物理半经验、统计模型等方法估算区域PM2.5。大部分均基于气溶胶光学厚度(Aerosol Optical Depth,AOD)和地表、气象等辅助数据估算区域PM2.5，但数据源中AOD的反演误差将增加PM2.5估算误差，同时，在解决云覆盖方面的问题，采用地基空间插值结果或直接利用大气空气质量模式数据进行填充，其空间插值方法对距离较远区域效果欠佳，大气空气质量模式数据受原清单、气象参数影响较大，精度有待进一步提高。利用AOD进行有云覆盖区域填充，受云条件下气溶胶吸湿增长效应影响，导致填充后的AOD比原始值高。
发明内容
本申请提出一种近地面颗粒浓度估算方法及***，解决现有技术的计算方法精度不足的问题。
本申请实施例提供一种近地面颗粒浓度估算方法，包括：获取消光系数，所述消光系数由大气空气质量模式得出；利用CALIPSO数据对所述消光系数进行校正；将校正后的所述消光系数、气象参数和模型模拟结果采用深层神经网络方法进行训练，得到颗粒浓度分布作为第一结果，所述模型模拟结果由所述大气空气质量模式得出；采用权重赋权方法计算所述近地面颗粒浓度，采用的指标包括所述第一结果。优选地，所述估算方法还包括：将所述第一结果与地基观测数据进行验证，得到校正后的所述第一结果；计算所述近地面颗粒浓度，采用的指标包括校正后的所述第一结果。进一步优选地，所述气象参数包括温度、湿度、风向、风速。所述近地面颗粒浓度为近地面PM2.5浓度。
本申请实施例还提供一种近地面颗粒浓度估算方法，所述估算方法还包括：将表观反射率、所述气象参数、地表参数、人口密度采用所述深层神经网络方法进行训练，得到颗粒浓度分布作为第二结果，所述表观反射率由高时空分辨率卫星获取；采用权重赋权方法计算所述近地面颗粒浓度，采用的指标包括所述第一结果和所述第二结果。优选地，所述表观反射率为蓝光波段1km、红光波段0.5km和近红外波段2km的数据，所述高时空分辨率卫星的时间分辨率最高为10min；所述气象参数包括温度、湿度、风向、风速；所述地表参数包括归一化植被指数、数字高程模型和土地利用类型。进一步优选地，所述近地面颗粒浓度为近地面PM2.5浓度。
本申请实施例还提供一种近地面颗粒浓度估算方法，所述估算方法还包括：采用克里格空间插值方法处理所述地基观测数据，得到颗粒浓度分布作为第三结果；采用所述权重赋权方法计算所述近地面颗粒浓度，采用的指标包括所述第一结果和所述第三结果。优选地，所述近地面颗粒浓度为近地面PM2.5浓度。
本申请实施例还提供一种近地面颗粒浓度估算方法，所述估算方法还包括：将所述表观反射率、所述气象参数、所述地表参数、所述人口密度采用所述深层神经网络方法进行训练，得到所述第二结果，所述表观反射率由所述高时空分辨率卫星获取；采用所述权重赋权方法计算所述近地面颗粒浓度，采用的指标包括所述第一结果、所述第二结果和所述第三结果。优选地，所述表观反射率为蓝光波段1km、红光波段0.5km和近红外波段2km的数据，所述高时空分辨率卫星的时间分辨率最高为10min；所述气象参数包括温度、湿度、风向、风速；所述地表参数包括归一化植被指数、数字高程模型和土地利用类型。进一步优选地，所述近地面颗粒浓度为近地面PM2.5浓度。
本申请实施例还提供一种近地面颗粒浓度估算***，用于以上任一估算方法，所述估算***包括：第一模块，用于获取消光系数，所述消光系数由所述大气空气质量模式得出；第二模块，用于利用所述CALIPSO数据对所述消光系数进行校正；第三模块，用于将校正后的所述消光系数、所述气象参数和所述模型模拟结果采用所述深层神经网络方法进行训练，得到颗粒浓度分布作为第一结果，所述模型模拟结果由所述大气空气质量模式得出；第四模块，用于根据所述权重赋权方法计算所述近地面颗粒浓度，采用的指标包括所述第一结果。
本申请实施例采用的上述至少一个技术方案能够达到以下有益效果：提高估算近地面颗粒物浓度的精度。
附图说明
此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1为本发明实施例提供的一种近地面颗粒浓度估算方法A的步骤示意图；
图2为本发明实施例提供的一种近地面颗粒浓度估算方法B的步骤示意图；
图3为本发明实施例提供的一种近地面颗粒浓度估算方法C的步骤示意图；
图4为本发明实施例提供的一种近地面颗粒浓度估算方法D的步骤示意图；
图5为本发明实施例提供的一种近地面颗粒浓度估算***的示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚，下面将结合本申请具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。
以下结合附图，详细说明本申请各实施例提供的技术方案。
实施例1
图1为本发明实施例提供的一种近地面颗粒浓度估算方法A的步骤示意图，所述方法包括以下步骤：
步骤101：获取消光系数，所述消光系数由大气空气质量模式得出。
在步骤101中，通过特定的大气空气质量模式模拟获取大气的所述消光系数，所述大气空气质量模式可以为NAQ(nested air quality,又称嵌套网格空气质量模式)模式。
步骤102：利用CALIPSO数据对所述消光系数进行校正。
在步骤102中，利用CALIPSO(Cloud–Aerosol Lidar and Infrared Path finderSatellite Observation，又称云雾激光雷达和红外寻径卫星观测)产品提供的消光系数对所述消光系数进行校正，提高所述消光系数的精度。
步骤103：将校正后的所述消光系数、气象参数和模型模拟结果采用深层神经网络方法进行训练，得到颗粒浓度分布作为第一结果，所述模型模拟结果由所述大气空气质量模式得出。
在步骤103中，所述模型模拟结果为所述大气空气质量模式模拟出的颗粒浓度分布。所述气象参数包括温度、湿度、风向、风速。
其中，所述气象参数可以为U风向、V风速、温度、能见度和相对湿度。
步骤104：采用权重赋权方法计算所述近地面颗粒浓度，采用的指标包括所述第一结果。
在步骤104中，采用CRITIC(Criteria Importance Though IntercriteriaCorrelation)权重赋权方法计算所述近地面颗粒浓度，采用的指标包括所述第一结果。
在步骤104中，首先分别计算所述指标的标准差δi；其次，计算所述指标之间的冲突性，以指标之间的相关性为基础，若两个指标具有较强的正相关，表明两个指标冲突性较低。故第i个指标与其他指标的冲突性量化指标可表示为：
Figure BDA0002285495740000041
rti为两指标之间的相关系数。因此，
Figure BDA0002285495740000042
i＝1，2，3，表示第i个指标所包含的信息量，其值越大，包含的信息量越大，重要性越强。则第i个指标的客观权重为：
Figure BDA0002285495740000051
对所述采用的指标与各自所述客观权重的乘积求和即为所述近地面颗粒浓度为之和。
其中，如果采用的指标只有所述第一结果，则所述第一结果即为所述近地面颗粒浓度。
优选地，所述方法在步骤104之前还包括：
步骤105：将所述第一结果与地基观测数据进行验证，得到校正后的所述第一结果。
在步骤105中，所述地基观测数据为地基观测站获取的近地面颗粒浓度数据，利用所述地基观测数据校正所述第一结果。
例如，所述地基观测数据可以为地基观测站获取的PM2.5浓度的数据。
实施例2
图2为本发明实施例提供的一种近地面颗粒浓度估算方法B的步骤示意图，所述方法包括以下步骤：
步骤101：获取消光系数，所述消光系数由大气空气质量模式得出。
步骤102：利用CALIPSO数据对所述消光系数进行校正。
步骤103：将校正后的所述消光系数、气象参数和模型模拟结果采用深层神经网络方法进行训练，得到颗粒浓度分布作为第一结果，所述模型模拟结果由所述大气空气质量模式得出。
步骤106：将表观反射率、所述气象参数、地表参数、人口密度采用所述深层神经网络方法进行训练，得到颗粒浓度分布作为第二结果，所述表观反射率由高时空分辨率卫星获取。
在步骤106中，所述表观反射率为蓝光波段1km、红光波段0.5km和近红外波段2km的数据，所述高时空分辨率卫星的时间分辨率最高为10min。所述气象参数包括温度、湿度、风向、风速。所述地表参数包括归一化植被指数、数字高程模型和土地利用类型。
其中，所述高时空分辨率卫星可以为静止卫星Himawari-8/AHI。所述气象参数还可以包括温度、相对湿度、风向、风速、边界层高度和地表压强。
步骤107：采用权重赋权方法计算所述近地面颗粒浓度，采用的指标包括所述第一结果和所述第二结果。
在步骤107中，采用CRITIC(Criteria Importance Though IntercriteriaCorrelation)权重赋权方法计算所述近地面颗粒浓度，采用的指标包括所述第一结果和所述第二结果。
在步骤107中，首先分别计算所述指标的标准差δi；其次，计算所述指标之间的冲突性，以指标之间的相关性为基础，若两个指标具有较强的正相关，表明两个指标冲突性较低。故第i个指标与其他指标的冲突性量化指标可表示为：
Figure BDA0002285495740000061
rti为两指标之间的相关系数。因此，
Figure BDA0002285495740000062
i＝1，2，3，表示第i个指标所包含的信息量，其值越大，包含的信息量越大，重要性越强。则第i个指标的客观权重为：
Figure BDA0002285495740000063
所述近地面颗粒浓度为所述第一结果乘以θ1和所述第二结果乘以θ2二者之和。
实施例3
图3为本发明实施例提供的一种近地面颗粒浓度估算方法C的步骤示意图，所述方法包括以下步骤：
步骤101：获取消光系数，所述消光系数由大气空气质量模式得出。
步骤102：利用CALIPSO数据对所述消光系数进行校正。
步骤103：将校正后的所述消光系数、气象参数和模型模拟结果采用深层神经网络方法进行训练，得到颗粒浓度分布作为第一结果，所述模型模拟结果由所述大气空气质量模式得出。
步骤108：采用克里格空间插值方法处理所述地基观测数据，得到颗粒浓度分布作为第三结果。
步骤109：采用所述权重赋权方法计算所述近地面颗粒浓度，采用的指标包括所述第一结果和所述第三结果。
在步骤109中，采用CRITIC(Criteria Importance Though IntercriteriaCorrelation)权重赋权方法计算所述近地面颗粒浓度，采用的指标包括所述第一结果和所述第三结果。
在步骤109中，首先分别计算所述指标的标准差δi；其次，计算所述指标之间的冲突性，以指标之间的相关性为基础，若两个指标具有较强的正相关，表明两个指标冲突性较低。故第i个指标与其他指标的冲突性量化指标可表示为：
Figure BDA0002285495740000071
rti为两指标之间的相关系数。因此，
Figure BDA0002285495740000072
i＝1，2，3，表示第i个指标所包含的信息量，其值越大，包含的信息量越大，重要性越强。则第i个指标的客观权重为：
Figure BDA0002285495740000073
所述近地面颗粒浓度为所述第一结果乘以θ1和所述第三结果乘以θ3二者之和。
实施例4
图4为本发明实施例提供的一种近地面颗粒浓度估算方法D的步骤示意图，所述方法包括以下步骤：
步骤101：获取消光系数，所述消光系数由大气空气质量模式得出。
步骤102：利用CALIPSO数据对所述消光系数进行校正。
步骤103：将校正后的所述消光系数、气象参数和模型模拟结果采用深层神经网络方法进行训练，得到颗粒浓度分布作为第一结果，所述模型模拟结果由所述大气空气质量模式得出。
步骤106：将表观反射率、所述气象参数、地表参数、人口密度采用所述深层神经网络方法进行训练，得到颗粒浓度分布作为第二结果，所述表观反射率由高时空分辨率卫星获取。
步骤108：采用克里格空间插值方法处理所述地基观测数据，得到颗粒浓度分布作为第三结果。
步骤1010：采用所述权重赋权方法计算所述近地面颗粒浓度，采用的指标包括所述第一结果、所述第二结果和所述第三结果。
在步骤1010中，采用CRITIC(Criteria Importance Though IntercriteriaCorrelation)权重赋权方法计算所述近地面颗粒浓度，采用的指标包括所述第一结果、所述第二结果和所述第三结果。
在步骤1010中，首先分别计算所述指标的标准差δi；其次，计算所述指标之间的冲突性，以指标之间的相关性为基础，若两个指标具有较强的正相关，表明两个指标冲突性较低。故第i个指标与其他指标的冲突性量化指标可表示为：
Figure BDA0002285495740000081
rti为两指标之间的相关系数。因此，
Figure BDA0002285495740000082
i＝1，2，3，表示第i个指标所包含的信息量，其值越大，包含的信息量越大，重要性越强。则第i个指标的客观权重为：
Figure BDA0002285495740000083
所述近地面颗粒浓度为所述第一结果乘以θ1、所述第二结果乘以θ2和所述第三结果乘以θ3三者之和。
实施例5
图5为本发明实施例提供的一种近地面颗粒浓度估算***的示意图，所述***包括第一模块201、第二模块202、第三模块203和第四模块204。
第一模块201：用于获取消光系数，所述消光系数由所述大气空气质量模式得出。
通过特定的大气空气质量模式模拟获取大气的所述消光系数，所述大气空气质量模式可以为NAQ(nested air quality,又称嵌套网格空气质量模式)模式。
第二模块202：用于利用所述CALIPSO数据对所述消光系数进行校正。
利用CALIPSO(Cloud–Aerosol Lidar and Infrared Path finder SatelliteObservation，又称云雾激光雷达和红外寻径卫星观测)产品提供的消光系数对所述消光系数进行校正，提高所述消光系数的精度。
第三模块203：用于将校正后的所述消光系数、所述气象参数和所述模型模拟结果采用所述深层神经网络方法进行训练，得到颗粒浓度分布作为第一结果，所述模型模拟结果由所述大气空气质量模式得出。
所述模型模拟结果为所述大气空气质量模式模拟出的颗粒浓度分布。所述气象参数包括温度、湿度、风向、风速。
其中，所述气象参数可以为U风向、V风速、温度、能见度和相对湿度。
第四模块204：用于根据所述权重赋权方法计算所述近地面颗粒浓度，采用的指标包括所述第一结果。
采用CRITIC(Criteria Importance Though Intercriteria Correlation)权重赋权方法计算所述近地面颗粒浓度，采用的指标包括所述第一结果。
首先分别计算所述指标的标准差δi；其次，计算所述指标之间的冲突性，以指标之间的相关性为基础，若两个指标具有较强的正相关，表明两个指标冲突性较低。故第i个指标与其他指标的冲突性量化指标可表示为：
Figure BDA0002285495740000091
rti为两指标之间的相关系数。因此，
Figure BDA0002285495740000092
i＝1，2，3，表示第i个指标所包含的信息量，其值越大，包含的信息量越大，重要性越强。则第i个指标的客观权重为：
Figure BDA0002285495740000093
对所述采用的指标与各自所述客观权重的乘积求和即为所述近地面颗粒浓度为之和。
其中，如果采用的指标只有所述第一结果，则所述第一结果即为所述近地面颗粒浓度。
所述***可以用于以上任一实施例。
需要指出的是，以上所有实施例中所述近地面颗粒浓度可以为PM2.5浓度。
本领域内的技术人员应明白，本发明的实施例可提供为方法、***、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
还需要说明的是，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。
以上所述仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。

Claims (4)

1.一种近地面颗粒浓度估算方法，其特征在于，包括以下步骤：
获取消光系数，所述消光系数由大气空气质量模式得出；
利用CALIPSO数据对所述消光系数进行校正；
将校正后的所述消光系数、气象参数和模型模拟结果采用深层神经网络方法进行训练，得到颗粒浓度分布作为第一结果，所述模型模拟结果由所述大气空气质量模式得出，所述气象参数包括温度、湿度、风向、风速，将所述第一结果与地基观测数据进行验证，得到校正后的所述第一结果；
将表观反射率、所述气象参数、地表参数、人口密度采用所述深层神经网络方法进行训练，得到颗粒浓度分布作为第二结果，所述表观反射率由高时空分辨率卫星获取，所述表观反射率为蓝光波段1km、红光波段0.5km和近红外波段2km的数据，所述地表参数包括归一化植被指数、数字高程模型和土地利用类型；
采用克里格空间插值方法处理所述地基观测数据，得到颗粒浓度分布作为第三结果；
采用CRITIC权重赋权方法计算所述近地面颗粒浓度，采用的指标包括所述校正后的所述第一结果、所述第二结果和所述第三结果。
2.如权利要求1所述的估算方法，其特征在于，所述高时空分辨率卫星的时间分辨率最高为10min。
3.如权利要求1或2所述的估算方法，其特征在于，所述近地面颗粒浓度为近地面PM2.5浓度。
4.一种近地面颗粒浓度估算***，用于权利要求1～3任一所述的方法，其特征在于，包括：
第一模块，用于获取消光系数，所述消光系数由所述大气空气质量模式得出；
第二模块，用于利用所述CALIPSO数据对所述消光系数进行校正；
第三模块，用于将校正后的所述消光系数、所述气象参数和所述模型模拟结果采用所述深层神经网络方法进行训练，得到颗粒浓度分布作为第一结果，所述模型模拟结果由所述大气空气质量模式得出；
第四模块，用于根据所述权重赋权方法计算所述近地面颗粒浓度，采用的指标包括所述第一结果。
CN201911158741.1A 2019-11-22 2019-11-22 一种近地面颗粒浓度估算方法及*** Active CN110989038B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911158741.1A CN110989038B (zh) 2019-11-22 2019-11-22 一种近地面颗粒浓度估算方法及***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911158741.1A CN110989038B (zh) 2019-11-22 2019-11-22 一种近地面颗粒浓度估算方法及***

Publications (2)

Publication Number Publication Date
CN110989038A CN110989038A (zh) 2020-04-10
CN110989038B true CN110989038B (zh) 2022-03-04

Family

ID=70085994

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911158741.1A Active CN110989038B (zh) 2019-11-22 2019-11-22 一种近地面颗粒浓度估算方法及***

Country Status (1)

Country Link
CN (1) CN110989038B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112052627A (zh) * 2020-08-21 2020-12-08 海南星瞰信息咨询中心(有限合伙) 近地面臭氧空间分布的估算方法、装置、介质及设备
CN113156395B (zh) * 2021-04-07 2022-08-12 中国科学院大气物理研究所 气溶胶激光雷达数据融合方法及***
CN113064220A (zh) * 2021-06-03 2021-07-02 四川九通智路科技有限公司 基于非线性自回归神经网络的能见度测量***及测量方法
CN116499533B (zh) * 2023-06-30 2023-09-12 交通运输部天津水运工程科学研究所 一种散货港口环境智能监测***

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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***
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
CN108241779A (zh) * 2017-12-29 2018-07-03 武汉大学 基于遥感数据的地面pm2.5浓度特征向量空间滤值建模方法
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
CN109583516A (zh) * 2018-12-24 2019-04-05 天津珞雍空间信息研究院有限公司 一种基于地基和卫星观测的时空连续pm2.5反演方法
CN109738972A (zh) * 2018-12-29 2019-05-10 中科三清科技有限公司 空气污染物预报方法、装置及电子设备

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7602937B2 (en) * 2004-06-08 2009-10-13 International Electronic Machines Corporation Image-based visibility measurement
IT1391180B1 (it) * 2008-07-07 2011-11-18 Consiglio Nazionale Ricerche Procedimento per la caratterizzazione del particolato atmosferico mediante un dispositivo lidar a retrodiffusione elastica e retroriflessione, e sistema lidar per l'attuazione del procedimento

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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***
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
CN108241779A (zh) * 2017-12-29 2018-07-03 武汉大学 基于遥感数据的地面pm2.5浓度特征向量空间滤值建模方法
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
CN109583516A (zh) * 2018-12-24 2019-04-05 天津珞雍空间信息研究院有限公司 一种基于地基和卫星观测的时空连续pm2.5反演方法
CN109738972A (zh) * 2018-12-29 2019-05-10 中科三清科技有限公司 空气污染物预报方法、装置及电子设备

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于消光系数的机场PM2.5神经网络预测模型;熊兴隆;《科学技术与工程》;20171130;第17卷(第32期);正文第274页右栏最后一段-第277页左栏最后一段 *

Also Published As

Publication number Publication date
CN110989038A (zh) 2020-04-10

Similar Documents

Publication Publication Date Title
CN110989038B (zh) 一种近地面颗粒浓度估算方法及***
AU2017352549B2 (en) Method and device for calculating power generation of wind farm
Garg et al. A critical review of principal traffic noise models: Strategies and implications
Tatebe et al. The initialization of the MIROC climate models with hydrographic data assimilation for decadal prediction
Ahn et al. The reproducibility of surface air temperature over South Korea using dynamical downscaling and statistical correction
CN108986207A (zh) 一种基于真实路面数据的道路及沿线建筑仿真建模方法
CN103729846B (zh) 基于不规则三角网的LiDAR点云数据边缘检测方法
CN105842692A (zh) 一种insar测量中的大气校正方法
CN108872964A (zh) 基于无人机LiDAR数据的银杏人工林郁闭度提取方法
US20200309907A1 (en) Radar target spherical projection method for maritime formation
CN112163375A (zh) 一种基于神经网络的长时间序列近地面臭氧反演方法
CN109917424B (zh) 多因子约束下的nwp反演对流层延迟的残差改正方法
CN116205541B (zh) 评估本地污染源对环境空气质量影响的方法及装置
CN112132144A (zh) 一种基于遥感图像的无人机航线撞地风险评估方法
CN112585505A (zh) 确定用于农学决策支持的位置特定的天气信息
CN112926465A (zh) 基于点云类型的海岸线性质识别方法及装置
CN116561509A (zh) 顾及植被类型的城市植被地上生物量精确反演方法及***
CN111723525A (zh) 一种基于多源数据和神经网络模型的pm2.5反演方法
JP6146731B2 (ja) 座標補正装置、座標補正プログラム、及び座標補正方法
CN114120145A (zh) 一种监测方法、装置、电子设备及计算机可读存储介质
CN116698691B (zh) 大气细粒子aod反演方法、装置、电子设备及存储介质
CN117765006A (zh) 基于无人机影像与激光点云的多层次密集树冠分割方法
KR102002593B1 (ko) 특정공간에서의 유해기체 확산 해석 방법 및 장치
CN109946682A (zh) 基于ICESat/GLAS的GF3数据基线估计方法
CN116500643A (zh) 一种基于单线激光点云的公路变形类病害检测方法、***

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
CB02 Change of applicant information

Address after: 2nd floor, 15 building, community supporting commercial building, maker Town, Wenquan Town, Haidian District, Beijing 100095

Applicant after: BEIJING ZHONGKE RUIJING TECHNOLOGY Co.,Ltd.

Address before: Room 1108, 11th floor, Haitai Building, 229 North Fourth Ring Road, Haidian District, Beijing

Applicant before: BEIJING ZHONGKE RUIJING TECHNOLOGY Co.,Ltd.

CB02 Change of applicant information
GR01 Patent grant
GR01 Patent grant