CN113269382B - 一种基于卫星遥感的区域大气环境质量评估方法 - Google Patents
一种基于卫星遥感的区域大气环境质量评估方法 Download PDFInfo
- Publication number
- CN113269382B CN113269382B CN202011592924.7A CN202011592924A CN113269382B CN 113269382 B CN113269382 B CN 113269382B CN 202011592924 A CN202011592924 A CN 202011592924A CN 113269382 B CN113269382 B CN 113269382B
- Authority
- CN
- China
- Prior art keywords
- evaluation
- concentration
- atmospheric environment
- model
- index
- 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
Links
- 238000001303 quality assessment method Methods 0.000 title claims abstract description 9
- 238000011156 evaluation Methods 0.000 claims abstract description 76
- 239000006185 dispersion Substances 0.000 claims abstract description 37
- 238000013441 quality evaluation Methods 0.000 claims abstract description 37
- 239000003344 environmental pollutant Substances 0.000 claims abstract description 30
- 238000000034 method Methods 0.000 claims abstract description 29
- 238000012544 monitoring process Methods 0.000 claims abstract description 28
- 231100000719 pollutant Toxicity 0.000 claims abstract description 27
- 238000013210 evaluation model Methods 0.000 claims abstract description 13
- 239000013618 particulate matter Substances 0.000 claims abstract description 7
- 238000004364 calculation method Methods 0.000 claims description 21
- RAHZWNYVWXNFOC-UHFFFAOYSA-N Sulphur dioxide Chemical compound O=S=O RAHZWNYVWXNFOC-UHFFFAOYSA-N 0.000 claims description 12
- 230000001186 cumulative effect Effects 0.000 claims description 12
- 239000000356 contaminant Substances 0.000 claims description 9
- WSFSSNUMVMOOMR-UHFFFAOYSA-N Formaldehyde Chemical compound O=C WSFSSNUMVMOOMR-UHFFFAOYSA-N 0.000 claims description 8
- JCXJVPUVTGWSNB-UHFFFAOYSA-N nitrogen dioxide Inorganic materials O=[N]=O JCXJVPUVTGWSNB-UHFFFAOYSA-N 0.000 claims description 8
- MGWGWNFMUOTEHG-UHFFFAOYSA-N 4-(3,5-dimethylphenyl)-1,3-thiazol-2-amine Chemical compound CC1=CC(C)=CC(C=2N=C(N)SC=2)=C1 MGWGWNFMUOTEHG-UHFFFAOYSA-N 0.000 claims description 4
- KRQUFUKTQHISJB-YYADALCUSA-N 2-[(E)-N-[2-(4-chlorophenoxy)propoxy]-C-propylcarbonimidoyl]-3-hydroxy-5-(thian-3-yl)cyclohex-2-en-1-one Chemical compound CCC\C(=N/OCC(C)OC1=CC=C(Cl)C=C1)C1=C(O)CC(CC1=O)C1CCCSC1 KRQUFUKTQHISJB-YYADALCUSA-N 0.000 claims description 2
- 238000010521 absorption reaction Methods 0.000 claims description 2
- 239000000443 aerosol Substances 0.000 claims description 2
- 238000004422 calculation algorithm Methods 0.000 claims description 2
- 238000004088 simulation Methods 0.000 claims description 2
- 238000001228 spectrum Methods 0.000 claims description 2
- 238000001658 differential optical absorption spectrophotometry Methods 0.000 claims 1
- 239000002245 particle Substances 0.000 claims 1
- 230000007613 environmental effect Effects 0.000 description 5
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000012855 volatile organic compound Substances 0.000 description 2
- 238000004847 absorption spectroscopy Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012854 evaluation process Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Tourism & Hospitality (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Educational Administration (AREA)
- Data Mining & Analysis (AREA)
- Development Economics (AREA)
- Mathematical Analysis (AREA)
- General Business, Economics & Management (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Physics (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Computational Mathematics (AREA)
- Mathematical Optimization (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Game Theory and Decision Science (AREA)
- Evolutionary Biology (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Algebra (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Sampling And Sample Adjustment (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开了一种基于卫星遥感的区域大气环境质量评估方法,该方法包括步骤:S1.选取卫星遥感的颗粒物、气态污染物评估指标,获取评估指标每个像元的日遥感监测浓度数据,计算参考年度评估时段的每个像元平均浓度、变异系数;S2.构建大气环境质量评估浓度指数模型;S3.构建大气环境质量评估浓度离散度模型;S4.构建大气环境质量综合评估模型;S5.区域大气环境质量评估等级划分。本发明通过融合构建了大气环境质量评估模型,来表明大气环境质量状况优劣的评估方法,不仅能够反映区域的浓度情况,还能反映浓度分布的离散情况,从而弥补传统的评估方法只靠有限的地面站点来评估区域环境质量的局限性,全面客观地表征区域的大气质量的优劣程度。
Description
技术领域
本发明涉及大气遥感技术领域,尤其涉及一种基于卫星遥感的区域大气环 境质量评估方法。
背景技术
卫星遥感作为一种新兴技术,为大气环境监测及评估提出了重要手段,它 具有宏观、动态、客观、准确等特点,在信息获取方面与传统的地面监测手 段相比,在空间范围上具有其独特的优势,可以较好地获取区域的整体大气 环境质量状况,因此根据其获取的各类大气环境质量监测指标信息,可以有 效地反映区域的大气环境质量状况。目前,国内外主流的颗粒物遥感监测结 果能够达到1公里的分辨率,二氧化氮、二氧化硫等气态污染物以及甲醛等 挥发性有机物则最高能达到3.5公里的分辨率,监测频次能够达到一天一次,可以满足评估区域大气环境质量的月度、季度、年度状况的需要。
目前基于地面监测站点的区域环境空气质量评价技术规范一方面只是基 于地面有限站点数据,在区域覆盖程度上存在不足,另一方面在评价方法上 只是基于站点浓度大小的统计信息,没有考虑到浓度空间分布的离散程度, 因此,本发明提出一种基于卫星遥感的区域大气环境质量评估方法。
发明内容
本发明的目的在于提出一种基于卫星遥感的区域大气环境质量评估方法, 基于卫星监测手段获取的较高分辨率像元级的颗粒物、气态污染物、挥发性 有机物等主要监测指标的综合浓度指数和浓度离散度的计算方法,在此基础 上,融合构建了大气环境质量评估模型,来表明大气环境质量状况优劣的评 估方法,不仅能够反映区域的浓度情况,还能反映浓度分布的离散情况,从 而弥补传统的评估方法只靠有限的地面站点来评估区域环境质量的局限性, 全面客观地表征区域的大气质量的优劣程度。
为实现上述目的,本发明提出如下技术方案:一种基于卫星遥感的区域大 气环境质量评估方法,其特征在于,该方法包括步骤:
S1.选取卫星遥感的颗粒物、气态污染物评估指标,获取评估指标每个像 元的日遥感监测浓度数据,计算参考年度评估时段的每个像元平均浓度、变 异系数,用于区域大气环境质量评估模型的构建及模型系数的获取;
S2.构建大气环境质量评估浓度指数模型,根据卫星监测到的参考年度评 估时段内的像元平均浓度统计结果,获取大气环境质量评估指数模型参数。
S3.结合统计学的变异系数计算结果,构建大气环境质量评估浓度离散度 模型,根据卫星监测的参考年度评估时段的平均浓度统计结果,获取大气环 境质量评估浓度离散度模型参数;
S4.结合污染物浓度指数模型和离散度模型,构建大气环境质量综合评估 模型;
S5.分析大气环境质量综合评估模型计算结果,开展区域大气环境质量评 估等级划分。
优选的,所述步骤S1进一步包括:
S1.1利用卫星遥感在紫外可见波段的多光谱及高光谱监测数据,获取评 估区域参考年度(近一年或三年)的颗粒物及二氧化氮、二氧化硫污染物浓 度的每日像元浓度信息。
S1.2统计评估区域内各项污染物指标在参考年度(近一年或三年)不同 评估时段(月均、季均、年均)的平均浓度数据。平均浓度计算时,去除有 云像元,按有效天数计算,产品精度要求70%以上。当涉及到多指标评估时, 把多指标监测数据统一到同一空间分辨率水平。
优选的,所述步骤S2进一步包括:
S2.1根据选取的监测指标,构建如下卫星遥感多项污染物浓度指数评估 模型:
Ci代表任一项遥感污染物在评估时段内的平均浓度,Si代表该污染物的参 考标准值,a、b为常系数。
S2.2模型系数的确定及参考标准值的选取:
RAEIc模型的a、b系数的获取在确定区域浓度背景值和参考标准值后,可 通过下面方程组求解得到;具体确定方法为:当各种污染物浓度于该地区背 景浓度B'i时,RAEIc=10;当各种污染物浓度均达到相应的参考标准B'i'时,RAEIc= 100;因此,a、b由以下方程组确定:
S2.3背景浓度及参考标准浓度值的选取:
对于某一评价区域,把区域内所有像元的在参考年度评估时段内的浓 度平均值从小到大排列,描绘出其累计直方图,由其百分位数来确定背景值 和参考标准值,具体确定方法为:背景浓度的确定,取累计直方图百分位数 10%时的浓度值;参考标准值取累计直方图百分位数为50%时的浓度值。
优选的,所述步骤S3进一步包括:
S3.1结合统计学的变异系数计算结果,基于卫星监测的像元平均浓度数 据,构建如下大气环境质量评估浓度离散度指数模型:
上面公式中,RAEIcv为浓度离散度指数,Siv为浓度离散度参考标准值,Civ为 每个像元的离散度,σi为第i个评估指标的浓度方差,μi为第i个评估指标的 浓度均值,n为区域内像元的个数。xij为第i个评估指标的第j个像元在评 估统计时段内的每日浓度值,a、b为常系数。
S3.2模型系数的确定及参考标准值的选取:
方法同上述S2.2。
S3.3背景浓度及参考标准浓度值的选取:
方法同上述S2.3。
优选的,所述步骤S4进一步包括:
S4.1构建区域大气环境质量综合评估模型,如下:
优选的,所述步骤S5进一步包括:
根据以上方法建立的浓度、离散度指数模型及综合评估模型,计算区域 内每个像元的空气质量评估值,根据评估结果,可以开展单个指数及综合评 估结果的等级划分,等级划分的原则如下:
RAEIc定量地描述了每个污染物浓度指标的相对重要性。实际评价中,根 据RAEIc计算结果,将区域大气环境级划分为5个等级:优(<80)、良(80-100)、 中(100-120)、差(120-140)、极差>140,RAEIc越大,大气环境质量越差。
RAEIcv定量地描述了所有污染物指标的离散程度的大小。实际评价中,将 RAEIcv计算结果,根据其值大小,将其级也划分为5个级:优(<80)、良(80-100)、 中(100-120)、差(120-140)、极差>140,RAEIcv越大,表明大气污染物离 散度越高。
RAEI是综合浓度及其离散信息后的评估指标,可以综合反映区域大气环 境质量状况。实际评价中,根据RAEI计算结果,将区域大气环境级划分为5 个级:优(<80)、良(80-100)、中(100-120)、差(120-140)、极差>140,RAEI越大,大气环境综合质量越差。
与现有技术相比,本发明的有益效果是:
1、该一种基于卫星遥感的区域大气环境质量评估方法,基于卫星监测手 段获取的较高分辨率像元级的颗粒物、气态污染物、挥发性有机物甲醛等主 要监测指标的综合浓度指数和浓度离散度的计算方法,在此基础上,融合构 建了大气环境质量评估模型,来表明大气环境质量状况优劣的评估方法,不 仅能够反映区域的浓度情况,还能反映浓度分布的离散情况,从而弥补传统 的评估方法只靠有限的地面站点来评估区域环境质量的局限性,全面客观地 表征区域的大气质量的优劣程度。
附图说明
图1为本发明一种基于卫星遥感的区域大气环境质量评估方法流程图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行 清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而 不是全部的实施例。基于本发明中的实施例,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,都属于本发明保护的范围。
请参阅图1,本发明提出一种技术方案:一种基于卫星遥感的区域大气环 境质量评估方法,其特征在于,该方法包括步骤:
S1.选取卫星遥感的颗粒物、气态污染物评估指标,获取评估指标每个像 元的日遥感监测浓度数据,计算参考年度评估时段的每个像元平均浓度、变 异系数,用于区域大气环境质量评估模型的构建及模型系数的获取;
S2.构建大气环境质量评估浓度指数模型,根据卫星监测到的参考年度评 估时段内的像元平均浓度统计结果,获取大气环境质量评估指数模型参数。
S3.结合统计学的变异系数计算结果,构建大气环境质量评估浓度离散度 模型,根据卫星监测的参考年度评估时段的平均浓度统计结果,获取大气环 境质量评估浓度离散度模型参数;
S4.结合污染物浓度指数模型和离散度模型,构建大气环境质量综合评估 模型;
S5.分析大气环境质量综合评估模型计算结果,开展区域大气环境质量评 估等级划分。
在本实施例中:所述步骤S1进一步包括:
S1.1利用卫星遥感多光谱及高光谱卫星在紫外可见波段的监测数据,获 取评估区域参考年度(近一年或三年)的颗粒物及二氧化氮、二氧化硫污染 物浓度的每日像元浓度信息。
S1.2统计评估区域内各项污染物指标在参考年度(近一年或三年)不同 评估时段(月均、季均、年均)的平均浓度数据;平均浓度计算时,去除有 云像元,按有效天数计算,产品精度要求70%以上;当涉及到多指标评估时, 把多指标监测数据统一到同一空间分辨率水平。
需要说明的是,步骤S1的卫星遥感数据的获取途径不唯一,举例来说: 对于颗粒物评估指标PM2.5和PM10,可采用暗目标和深蓝算法,基于MODIS或 类似数据源反演的公里级气溶胶产品都可满足区域评估要求;相对湿度、边 界层高度等气象条件参数的获取可通过地面观测、模式模拟或国际上通用的 FNL资料获取;相关地面观测数据达到国家空气质量监测技术规范获取的数据 即可作为输入参数。颗粒物反演采用地理加权回归模型进行反演,精度较高; 对于NO2和SO2,基于AURA/OMI或Sentinel-5P/TROPOMI卫星数据,采用DOAS(差 分吸收光谱)反演方法进行反演;对于O3和HCHO,可利用紫外传感器OMI、 TROPOMI等,采用光谱差分吸收反演方法反演获取。也可通过官方网站获取相 应的产品,只要相应监测指标的产品满足相对精度在70%以上,空间分辨率达 到1-10公里之间,时间分辨达到天即可。
在本实施例中:所述步骤S2进一步包括:
S2.1根据选取的监测指标,构建如下卫星遥感多项污染物浓度指数评估 模型:
Ci代表任一项遥感污染物在评估时段内的平均浓度,Si代表该污染物的参 考标准值,a、b为常系数。
S2.2模型系数的确定及参考标准值的选取:
RAEIc模型的a、b系数的获取在确定区域浓度背景值和参考标准值后,可 通过下面方程组求解得到;具体确定方法为:当各种污染物浓度于该地区背 景浓度B'i时,RAEIc=10;当各种污染物浓度均达到相应的参考标准B'i'时, RAEIc=100;因此,a、b由以下方程组确定:
S2.3背景浓度及参考标准浓度值的选取:
对于某一评价区域,把区域内所有像元的在参考年度评估时段内的浓 度平均值从小到大排列,描绘出其累计直方图,由其百分位数来确定背景值 和参考标准值,具体确定方法为:背景浓度的确定,取累计直方图百分位数 10%时的浓度值;参考标准值取累计直方图百分位数为50%时的浓度值。
在本实施例中:所述步骤S3进一步包括:
S3.1结合统计学的变异系数计算结果,基于卫星监测的像元平均浓度数 据,构建如下大气环境质量评估浓度离散度指数模型:
上面公式中,RAEIcv为浓度离散度指数,Siv为浓度离散度参考标准值,Civ为 每个像元的离散度,σi为第i个评估指标的浓度方差,μi为第i个评估指标的 浓度均值,n为区域内像元的个数。xij为第i个评估指标的第j个像元在评估 统计时段内的每日浓度值,a、b为常系数。
S3.2模型系数的确定及参考标准值的选取:
与上述S2.2的方法相同。
S3.3背景浓度及参考标准浓度值的选取:
与上述S2.3的方法相同。
在本实施例中:所述步骤S4进一步包括:
S4.1构建区域大气环境质量综合评估模型,如下:
可理解的是,本方法采用的加权平均法计算,也可通过加权模型根据情 况确定其他加权系数。
在本实施例中:所述步骤S5进一步包括:
根据以上方法建立的浓度、离散度指数模型及综合评估模型,计算区域 内每个像元的空气质量评估值,根据评估结果,可以开展单个指数及综合评 估结果的等级划分,等级划分的原则如下:
RAEIc定量地描述了每个污染物浓度指标的相对重要性。实际评价中,根 据RAEIc计算结果,将区域大气环境级划分为5个等级:优(小于80)、良 (80-100)、中(100-120之间)、差(120-140之间)、极差(大于140),RAEIc越大,大气环境质量越差。
RAEIcv定量地描述了所有污染物指标的离散程度的大小。实际评价中,将 RAEIcv计算结果,根据其值大小,将其等级也划分为5个等级:优(小于80)、 良(80-100之间)、中(100-120之间)、差(120-140之间)、极差(大于140), RAEIcv越大,表明大气环环境离散度越高。
RAEI是综合浓度及其离散信息后的评估指标,可以综合反映区域大气环 境质量状况。实际评价中,根据RAEI计算结果,将区域大气环境等级划分为 5个等级:优(小于80)、良(80-100之间)、中(100-120之间)、差(120-140)、 极差大于140,RAEI越大,大气环境综合质量越差。
需要说明的是,基于卫星遥感的区域大气环境质量评估方法是一种综合 评估方法,它是一种反映区域特征污染物综合影响和大气污染严重程度的量 化指标,不仅反映了污染的平均浓度水平,而且反映了离散程度。因此,采 用本方法,使得通过基于卫星遥感的区域大气环境质量评估更加全面。
需要说明的是,整个评估过程可以基于卫星遥感像元的浓度值进行计算, 获取每个像元的评估值,从而获得区域的分布状况;也可根据区域大小进行 所有像元的平均值的统计,可获得行政区内的综合平均指数。
综上所述,本发明基于卫星监测手段获取的较高分辨率像元级的颗粒物、 气态污染物、挥发性有机物等主要监测指标的综合浓度指数和浓度离散度的 计算方法,在此基础上,融合构建了大气环境质量评估模型,来表明大气环 境质量状况优劣的评估方法,不仅能够反映区域的浓度情况,还能反映浓度 分布的离散情况,从而弥补传统的评估方法只靠有限的地面站点来评估区域 环境质量的局限性,全面客观地表征区域的大气质量的优劣程度;因此该发 明提出的基于卫星遥感的区域大气环境质量评估模型,为综合评估区域大气 环境质量水平提出了一种新的有效技术手段。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而 言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行 多种变化、修改、替换和变型,本发明的范围由所附权利要求及其同物限定。
虽然在上文中已经参考实施例对本发明进行了描述,然而在不脱离本发 明的范围的情况下,可以对其进行各种改进并且可以用效物替换其中的部件。 尤其是,只要不存在结构冲突,本发明所披露的实施例中的各项特征均可通 过任意方式相互结合起来使用,在本说明书中未对这些组合的情况进行穷举 性的描述仅仅是出于省略篇幅和节约资源的考虑。因此,本发明并不局限于 文中公开的特定实施例,而是包括落入权利要求的范围内的所有技术方案。
Claims (2)
1.一种基于卫星遥感的区域大气环境质量评估方法,其特征在于,该方法包括步骤:
S1.选取卫星遥感的颗粒物、气态污染物评估指标,获取评估指标每个像元的日遥感监测浓度数据,计算参考年度评估时段的每个像元平均浓度、变异系数,用于区域大气环境质量评估模型的构建及模型系数的获取;
S2.构建大气环境质量评估浓度指数模型,根据卫星监测到的参考年度评估时段内的像元平均浓度统计结果,获取大气环境质量评估指数模型参数;
S3.结合统计学的变异系数计算结果,构建大气环境质量评估浓度离散度模型,根据卫星监测的参考年度评估时段的平均浓度统计结果,获取大气环境质量评估浓度离散度模型参数;
S4.结合污染物浓度指数模型和离散度模型,构建大气环境质量综合评估模型;
S5.分析大气环境质量综合评估模型计算结果,开展区域大气环境质量评估等级划分;
所述步骤S1进一步包括:
S1.1利用卫星遥感在紫外可见波段的多光谱及高光谱监测数据,获取评估区域参考年度的颗粒物及二氧化氮、二氧化硫气态污染物浓度的每日像元浓度信息;
S1.2统计评估区域内各项污染物指标在参考年度不同评估时段的平均浓度数据;平均浓度计算时,去除有云像元,按有效天数计算,产品精度要求70%以上;当涉及到多指标评估时,把多指标监测数据统一到同一空间分辨率水平;
步骤S1的卫星遥感数据的获取途径包括:对于颗粒物评估指标PM2.5和PM10,采用暗目标和深蓝算法,基于MODIS或类似数据源反演的公里级气溶胶产品满足区域评估要求;相对湿度、边界层高度气象条件参数的获取通过地面观测、模式模拟或国际上通用的FNL资料获取;相关地面观测数据达到国预设规范获取的数据即可作为输入参数;颗粒物反演采用地理加权回归模型进行反演;对于NO2和SO2,基于AURA/OMI或Sentinel-5P/TROPOMI卫星数据,采用DOAS反演方法进行反演;对于O3和HCHO,利用紫外传感器OMI、TROPOMI,采用光谱差分吸收反演方法反演获取,或通过官方网站获取相应的产品,只要相应监测指标的产品满足相对精度在70%以上,空间分辨率达到1-10公里之间,时间分辨达到天即可;
所述步骤S2进一步包括:
S2.1根据选取的监测指标,构建如下卫星遥感多项污染物浓度指数评估模型:
Ci代表任一项遥感污染物在评估时段内的平均浓度,Si代表该污染物的参考标准值,a、b为常系数;
S2.2模型系数的确定及参考标准值的选取:
RAEIc模型的a、b系数的获取在确定区域浓度背景值和参考标准值后,可通过下面方程组求解得到;具体确定方法为:当各种污染物浓度于区域背景浓度B'i时,RAEIc=10;当各种污染物浓度均达到相应的参考标准B″i时,RAEIc=100;因此,a、b由以下方程组确定:
S2.3背景浓度及参考标准浓度值的选取:
对于某一评价区域,把区域内所有像元的在参考年度评估时段内的浓度平均值从小到大排列,描绘出其累计直方图,由其百分位数来确定背景值和参考标准值,具体确定方法为:背景浓度的确定,取累计直方图百分位数10%时的浓度值;参考标准值取累计直方图百分位数为50%时的浓度值;
所述步骤S3进一步包括:
S3.1结合统计学的变异系数计算结果,基于卫星监测的像元平均浓度数据,构建如下大气环境质量评估浓度离散度指数模型:
上面公式中,RAEIcv为浓度离散度指数,Siv为浓度离散度参考标准值,Civ为每个像元的离散度,σi为第i个评估指标的浓度方差,μi为第i个评估指标的浓度均值,n为区域内像元的个数,xij为第i个评估指标的第j个像元在评估统计时段内的每日浓度值,a、b为常系数;
S3.2模型系数的确定及参考标准值的选取:
与上述S2.2的方法相同;
S3.3背景浓度及参考标准浓度值的选取:
与上述S2.3的方法相同;
所述步骤S4进一步包括:
S4.1构建区域大气环境质量综合评估模型,如下:
2.如权利要求1所述的基于卫星遥感的区域大气环境质量评估方法,其特征在于,所述步骤S5进一步包括:
根据以上方法建立的浓度、离散度指数模型及综合评估模型,计算区域内每个像元的空气质量评估值,根据评估结果,可以开展单个指数及综合评估结果的等级划分,等级划分的原则如下:
RAEIc定量地描述了每个污染物浓度指标的相对重要性;实际评价中,根据RAEIc计算结果,将区域大气环境级划分为5个等级:优(<80)、良(80-100)、中(100-120)、差(120-140)、极差>140,RAEIc越大,大气环境质量越差。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011592924.7A CN113269382B (zh) | 2020-12-29 | 2020-12-29 | 一种基于卫星遥感的区域大气环境质量评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011592924.7A CN113269382B (zh) | 2020-12-29 | 2020-12-29 | 一种基于卫星遥感的区域大气环境质量评估方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113269382A CN113269382A (zh) | 2021-08-17 |
CN113269382B true CN113269382B (zh) | 2022-09-20 |
Family
ID=77227836
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011592924.7A Active CN113269382B (zh) | 2020-12-29 | 2020-12-29 | 一种基于卫星遥感的区域大气环境质量评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113269382B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113447623A (zh) * | 2021-09-02 | 2021-09-28 | 航天宏图信息技术股份有限公司 | 一种大气环境监测方法及*** |
CN116363047B (zh) * | 2022-08-23 | 2024-01-30 | 生态环境部卫星环境应用中心 | 一种秸秆焚烧大气污染风险预警方法 |
CN115389718B (zh) * | 2022-10-31 | 2023-01-17 | 山东公用环保集团检测运营有限公司 | 一种基于人工智能的环境检测预警方法 |
CN116402408B (zh) * | 2023-06-06 | 2023-09-26 | 北京工业大学 | 一种基于站点浓度差异的本外地排放贡献估算方法 |
CN117893068B (zh) * | 2023-12-28 | 2024-07-02 | 北京工业大学 | 一种确定大气污染过程优化管控时段的方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104361225A (zh) * | 2014-11-03 | 2015-02-18 | 中国石油大学(华东) | 一种海岸带地质环境承载力的评价方法 |
CN106815690A (zh) * | 2017-01-25 | 2017-06-09 | 中国科学院遥感与数字地球研究所 | 基于遥感数据的生态环境质量评价***与方法 |
CN110411919A (zh) * | 2019-08-02 | 2019-11-05 | 中国科学院遥感与数字地球研究所 | 一种基于卫星多光谱技术的pm2.5浓度遥感估算方法 |
CN110597932A (zh) * | 2019-07-05 | 2019-12-20 | 袁静 | 一种基于遥感影像的环境综合评估预测方法 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106021898A (zh) * | 2016-05-13 | 2016-10-12 | 中国环境科学研究院 | 一种地下水污染源强分级评价方法 |
CN109001091B (zh) * | 2018-07-18 | 2019-06-04 | 北京航天宏图信息技术股份有限公司 | 大气污染的卫星遥感监测方法、装置和计算机可读介质 |
CN109581372B (zh) * | 2018-12-10 | 2021-01-05 | 北京航天泰坦科技股份有限公司 | 一种生态环境遥感监测方法 |
CN109886608A (zh) * | 2019-03-28 | 2019-06-14 | 交通运输部水运科学研究所 | 一种基于机理分析的航道工程生态环境影响及对策评价方法 |
CN110987909A (zh) * | 2019-11-12 | 2020-04-10 | 华南农业大学 | 一种耕地土壤重金属的空间分布及来源解析方法及装置 |
CN111414571A (zh) * | 2020-04-01 | 2020-07-14 | 浙江工业大学 | 一种大气污染物监测方法 |
CN112132483B (zh) * | 2020-09-30 | 2021-07-06 | 中科三清科技有限公司 | 空气质量数值业务预报可信度评估方法、装置及存储介质 |
-
2020
- 2020-12-29 CN CN202011592924.7A patent/CN113269382B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104361225A (zh) * | 2014-11-03 | 2015-02-18 | 中国石油大学(华东) | 一种海岸带地质环境承载力的评价方法 |
CN106815690A (zh) * | 2017-01-25 | 2017-06-09 | 中国科学院遥感与数字地球研究所 | 基于遥感数据的生态环境质量评价***与方法 |
CN110597932A (zh) * | 2019-07-05 | 2019-12-20 | 袁静 | 一种基于遥感影像的环境综合评估预测方法 |
CN110411919A (zh) * | 2019-08-02 | 2019-11-05 | 中国科学院遥感与数字地球研究所 | 一种基于卫星多光谱技术的pm2.5浓度遥感估算方法 |
Non-Patent Citations (4)
Title |
---|
National ecological environmental quality assessment based on multi-sources remote sensing data;Kailei Xu;《IEEE Xplore》;20190103;全文 * |
基于NPP/VIIRS夜间灯光遥感数据估算上海地区PM_(2.5)浓度;李珂等;《环境科学学报》;20190116(第06期);全文 * |
基于随机森林的长江三角洲PM2.5浓度空间模拟及暴露风险评估;赵佳楠;《中国优秀硕士学位论文全文数据库 (工程科技Ⅰ辑)》;20190115;全文 * |
融合多元复杂因子的京津冀近地面PM2.5浓度估计;王娅妮;《中国优秀硕士学位论文全文数据库 (工程科技Ⅰ辑)》;20200815;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113269382A (zh) | 2021-08-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113269382B (zh) | 一种基于卫星遥感的区域大气环境质量评估方法 | |
Li et al. | Integrating low-cost air quality sensor networks with fixed and satellite monitoring systems to study ground-level PM2. 5 | |
Borrego et al. | Assessment of air quality microsensors versus reference methods: The EuNetAir joint exercise | |
Nabavi et al. | Assessing PM2. 5 concentrations in Tehran, Iran, from space using MAIAC, deep blue, and dark target AOD and machine learning algorithms | |
Masiol et al. | Hourly land-use regression models based on low-cost PM monitor data | |
Hu | Spatial analysis of MODIS aerosol optical depth, PM 2.5, and chronic coronary heart disease | |
Rodrigues et al. | Spatial and temporal assessment of the extreme and daily precipitation of the Tropical Rainfall Measuring Mission satellite in Northeast Brazil | |
Cyrys et al. | Spatial and temporal variation of particle number concentration in Augsburg, Germany | |
Jaffrain et al. | Quantification of the small-scale spatial structure of the raindrop size distribution from a network of disdrometers | |
Droste et al. | Assessing the potential and application of crowdsourced urban wind data | |
Pal et al. | A wavelet-based spectral analysis of long-term time series of optical properties of aerosols obtained by lidar and radiometer measurements over an urban station in Western India | |
Zhang et al. | Review of aerosol optical depth retrieval using visibility data | |
Martin et al. | Analysis of the spatial representativeness of rural background monitoring stations in Spain | |
Maurer et al. | Trends of fog and visibility in Taiwan: climate change or air quality improvement? | |
Mazzola et al. | Columnar aerosol optical properties in the Po Valley, Italy, from MFRSR data | |
CN115356249A (zh) | 基于机器学习融合模型的卫星偏振pm2.5估算方法和*** | |
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 | |
CN113552080A (zh) | 一种超光谱遥感地表大气相对湿度的实时反演算法 | |
CN113554305A (zh) | 一种秸秆焚烧对大气细颗粒物浓度影响评估方法 | |
CN105608296A (zh) | 一种基于荔枝冠层光谱的叶片钾浓度反演方法 | |
Zarrin et al. | Spatiotemporal variability, trend, and change-point of precipitation extremes and their contribution to the total precipitation in Iran | |
Anggraini et al. | Machine learning-based global air quality index development using remote sensing and ground-based stations | |
Yu et al. | Multi-spatiotemporal AOD trends and association with land use changes over the Guangdong-Hong Kong-Macao Greater Bay Area during 2001–2021 | |
CN111507514A (zh) | 大气气溶胶数据预测方法 | |
Ackermann et al. | Radar and environment-based hail damage estimates using machine learning |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |