CN116466368A - 基于激光雷达和卫星资料的沙尘消光系数廓线估算方法 - Google Patents
基于激光雷达和卫星资料的沙尘消光系数廓线估算方法 Download PDFInfo
- Publication number
- CN116466368A CN116466368A CN202310717700.1A CN202310717700A CN116466368A CN 116466368 A CN116466368 A CN 116466368A CN 202310717700 A CN202310717700 A CN 202310717700A CN 116466368 A CN116466368 A CN 116466368A
- Authority
- CN
- China
- Prior art keywords
- sand
- dust
- channel
- data
- profile
- 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.)
- Granted
Links
- 239000000428 dust Substances 0.000 title claims abstract description 152
- 230000008033 biological extinction Effects 0.000 title claims abstract description 57
- 238000000034 method Methods 0.000 title claims abstract description 19
- 239000004576 sand Substances 0.000 claims abstract description 178
- 238000002310 reflectometry Methods 0.000 claims abstract description 18
- 238000013528 artificial neural network Methods 0.000 claims abstract description 17
- 230000003287 optical effect Effects 0.000 claims abstract description 16
- 230000000306 recurrent effect Effects 0.000 claims abstract description 16
- 230000001360 synchronised effect Effects 0.000 claims abstract description 7
- 238000012549 training Methods 0.000 claims abstract description 7
- 238000004088 simulation Methods 0.000 claims abstract description 5
- 238000001579 optical reflectometry Methods 0.000 claims description 19
- 239000000443 aerosol Substances 0.000 claims description 17
- 230000005855 radiation Effects 0.000 claims description 13
- 230000005540 biological transmission Effects 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000012216 screening Methods 0.000 claims description 4
- 230000001965 increasing effect Effects 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 239000000203 mixture Substances 0.000 claims description 2
- 239000002245 particle Substances 0.000 abstract description 4
- 238000001514 detection method Methods 0.000 abstract description 3
- 230000008859 change Effects 0.000 description 5
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012163 sequencing technique Methods 0.000 description 3
- 230000015556 catabolic process Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000006731 degradation reaction Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 238000003331 infrared imaging Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000010206 sensitivity analysis Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000003628 erosive effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 239000008276 ice cloud Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000035800 maturation Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005316 response function Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- 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
- G01S17/95—Lidar systems specially adapted for specific applications for meteorological use
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
- G01J5/00—Radiation pyrometry, e.g. infrared or optical thermometry
- G01J5/48—Thermography; Techniques using wholly visual means
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/60—Extraction of image or video features relating to illumination properties, e.g. using a reflectance or lighting model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
-
- 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
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Databases & Information Systems (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Remote Sensing (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Biomedical Technology (AREA)
- Chemical & Material Sciences (AREA)
- Mathematical Physics (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Pathology (AREA)
- Computer Networks & Wireless Communication (AREA)
- Immunology (AREA)
- Dispersion Chemistry (AREA)
- Astronomy & Astrophysics (AREA)
- Electromagnetism (AREA)
- Biochemistry (AREA)
- Radar, Positioning & Navigation (AREA)
- Analytical Chemistry (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Optical Radar Systems And Details Thereof (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明涉及基于激光雷达和卫星资料的沙尘消光系数廓线估算方法,属于气象雷达探测技术领域,包括收集沙尘廓线数据进行处理得到时空匹配数据集,模拟计算出可见光通道反射率和红外通道的亮温值;将沙尘廓线数据进行扰动,计算得到不同沙尘参数扰动情况下的可见光通道反射率和红外通道的亮温值,选取沙尘敏感通道;提取同步的激光雷达的沙尘消光系数廓线,形成可见光/红外观测和沙尘消光系数数据集;输入到递归神经网络进行训练,通过训练好的模型进行估算。本发明考虑了可见光可观测沙尘的数浓度、有效粒子半径和形状信息,红外通道可观测沙尘的高度和光学厚度信息结合高时空分辨率观测的优势,可进行大范围且高效的沙尘消光系数廓线估算。
Description
技术领域
本发明涉及气象雷达探测技术领域,尤其涉及基于激光雷达和卫星资料的沙尘消光系数廓线估算方法。
背景技术
沙尘天气是指干旱地区的土壤在风蚀作用下产生的大颗粒沙尘被卷入大气中,从而造成水平能见度小于1公里的灾害性天气现象。空气中的沙尘粒子在气流的运动中,其物理和化学性质也在发生变化。沙尘天气会导致能见度严重下降和空气质量的显著恶化,对人们的交通出行、生产生活和身体健康有着严重的威胁。
沙尘的消光系数与沙尘粒子的尺寸、浓度等有关,与沙尘天气的能见度有着直接的关系。因此,对沙尘消光系数的研究有利于沙尘天气能见度的准确测量。目前,对沙尘消光系数的直接观测采用的是地面气象观测与污染监测仪,这种观测手段费时费力且受限于仪器的数量,其观测范围十分有限。随着卫星被动遥感技术的成熟,利用沙尘在卫星不同观测通道中散射与吸收特性的不同,可以用来实现对沙尘过程的实时动态且大范围监测。然而,受限于被动遥感的方式和卫星工作模式,这种观测手段不足以提供高精度的沙尘微物理参数信息。此外,现有的大气模型也不能很好地描述沙尘在垂直廓线上的变化特征。激光雷达作为一种主动式遥感设备,能够对沙尘的光学特性和时空分布特征进行准确的探测,能够直接获取准确的沙尘消光系数廓线信息,但监测的范围太小。仅仅依靠以上单个探测手段,还不能实现对大范围沙尘消光系数廓线的准确测量,且目前研究中较少考虑沙尘气溶胶类型对观测资料的影响,缺少一种能够针对多种类型沙尘估算其消光系数廓线的高效且准确的估算方法。
需要说明的是,在上述背景技术部分公开的信息只用于加强对本公开的背景的理解,因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。
发明内容
本发明的目的在于克服现有技术的缺点,提供了基于激光雷达和卫星资料的沙尘消光系数廓线估算方法,解决了现有沙尘消光系数廓线估算方法存在的不足。
本发明的目的通过以下技术方案来实现:基于激光雷达和卫星资料的沙尘消光系数廓线估算方法,所述估算方法包括:
步骤一、收集沙尘廓线数据,并根据其时间和位置信息形成时空匹配数据集,设置沙尘的气溶胶类型并与时空匹配数据集输入到待求辐射传输模型中模拟计算出沙尘情况下的可见光通道反射率和红外通道的亮温值;
步骤二、将沙尘廓线数据进行扰动形成新的沙尘数据集,输入到大气辐射传输模型计算得到不同沙尘参数扰动情况下的可见光通道反射率和红外通道的亮温值,并计算出任意两个红外通道间的亮温差变化量和各通道的沙尘估计自由度数据,得到沙尘敏感通道;
步骤三、提取同步的激光雷达观测数据对沙尘数据进行筛选,结合沙尘敏感通道形成可见光/红外观测和沙尘消光系数数据集,输入到递归神经网络中进行训练,生成沙尘消光系数廓线的递归神经网络估算模型;
步骤四、获取真实卫星可见光反射率和红外通道亮温观测,结合沙尘敏感通道,提取沙尘敏感通道的可见光反射率和红外亮温,将其输入到递归神经网络估算模型中实现沙尘消光系数廓线的估算。
所述步骤一具体包括以下内容:
A1、收集MERRA沙尘廓线数据,根据MERRA沙尘廓线数据的时间和位置信息,提取MERRA大气温度、湿度廓线和云参数数据,形成沙尘天气情况下的大气温度、湿度廓线、云参数和沙尘廓线时空匹配数据集;
A2、设置沙尘的气溶胶类型,根据沙尘光学数据库提取设定沙尘类型的单次散射反照率、消光系数和相函数,并与A1步骤收集的时空匹配数据集一起输入到大气辐射传输模型中,设定模拟条件和可见光与红外成像仪的仪器通道参数,运行大气辐射传输模型模拟计算出沙尘情况下的可见光通道反射率和红外通道的亮温值。
所述步骤二具体包括以下内容:
B1、将MERRA沙尘廓线数据进行扰动形成新的沙尘数据集,并将其重新输入到大气辐射传输模型中计算得到不同沙尘参数扰动情况下的可见光通道反射率和红外通道的亮温值;
B2、分析沙尘参数变化情况下各通道可见光反射率和红外亮温的变化量,并计算出任意两个红外通道间的亮温差变化量,计算各通道的沙尘估算自由度数据,分别对各通道的反射率变化量、红外亮温变化量、红外通道间亮温差值变化量和沙尘估算自由度按数值的绝对值从大到小进行排序,选择排序前一半的可见光和红外通道作为沙尘敏感通道。
所述步骤三具体包括以下内容:
C1、根据MERRA沙尘廓线数据提供的沙尘发生时的时间和位置信息,提取同步的激光雷达观测数据对沙尘数据进行筛选,并将筛选之后保留的激光雷达消光系数作为沙尘消光系数廓线,根据选取的沙尘敏感通道提取沙尘敏感通道的可见光反射率和红外亮温,形成可见光/红外观测和沙尘消光系数数据集;
C2、将C1步骤获取的沙尘敏感通道的可见光反射率和红外亮温作为输入,沙尘消光系数廓线作为输出,将输入和输出的数据集一起输入到递归神经网络中,网络模型进行训练、验证和评估,生成沙尘消光系数廓线的递归神经网络估算模型。
所述MERRA沙尘廓线数据包括:沙尘近地面质量浓度、沙尘质量密度、沙尘气溶胶550nm光学厚度和沙尘混合比廓线;将MERRA沙尘廓线数据进行扰动包括将沙尘近地面质量浓度、沙尘质量密度、沙尘气溶胶550nm光学厚度和沙尘混合比廓线在原数值的基础分别增加±5%、±10%、±15%、±20%、±25%和±30%。
所述自由度的计算公式如下:
,
其中,λi表示各通道归一化雅可比矩阵Kn的奇异值,,其中K为各通道的权重函数,Sε为通道观测协方差,Sa为先验协方差。
本发明具有以下优点:基于激光雷达和卫星资料的沙尘消光系数廓线估算方法,充分考虑了可见光可观测沙尘的数浓度、有效粒子半径和形状信息,红外通道可观测沙尘的高度和光学厚度信息,以及气象卫星可见光和红外通道可以进行大范围、高时空分辨率观测的优势,可进行大范围高时空分辨率三维沙尘消光系数廓线估算,对通道进行了敏感性分析和选择,因此算法计算速度快,精度较高且适用性较好。
附图说明
图1为本发明的流程示意图;
图2为本发明通过辐射传输计算进行通道选择的的流程示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中附图,对本申请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申请一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此,以下结合附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的保护范围,而是仅仅表示本申请的选定实施例。基于本申请的实施例,本领域技术人员在没有做出创造性劳动的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。下面结合附图对本发明做进一步的描述。
本发明具体涉及一种基于激光雷达和卫星资料的沙尘消光系数廓线估算方法,该方法包括:收集MERRA沙尘廓线数据,提取MERRA大气温度、湿度廓线和云参数数据,形成大气温度、湿度廓线、云参数和沙尘廓线时空匹配数据集,模拟计算出沙尘情况下的可见光通道反射率和红外通道的亮温值。将沙尘近地面质量浓度、沙尘质量密度、沙尘气溶胶550nm光学厚度和沙尘混合比廓线进行扰动,计算得到不同沙尘参数扰动情况下的可见光通道反射率和红外通道的亮温值。进行沙尘敏感性分析和自由度计算,选取沙尘敏感通道。根据MERRA沙尘廓线所提供的沙尘发生时的时间和位置信息,提取同步的激光雷达的沙尘消光系数廓线,形成可见光/红外观测和沙尘消光系数数据集。将沙尘敏感通道的可见光反射率和红外亮温作为输入,沙尘消光系数廓线作为输出,将数据集输入到递归神经网络,对模型进行训练、验证和评估,生成沙尘消光系数廓线的递归神经网络估算模型,通过递归神经网络估算模型对获取的真实数据进行估算。
如图1和图2所示,具体包括以下内容:
步骤1:收集MERRA(现代卫星时代最新大气实时再分析资料)沙尘廓线数据,根据MERRA沙尘廓线数据的时间和位置信息,提取MERRA大气温度、湿度廓线和云参数数据,形成沙尘天气情况下的大气温度、湿度廓线、云参数和沙尘廓线时空匹配数据集。
其中,沙尘廓线数据主要包括:沙尘近地面质量浓度、沙尘质量密度、沙尘气溶胶550nm光学厚度和沙尘混合比廓线。
其中,云参数数据主要包括:云量、云类型、云液态水质量分数、水云光学厚度和冰云光学厚度。
步骤2:设置沙尘的气溶胶类型,根据OPAC沙尘光学数据库,提取设定沙尘类型的单次散射反照率、消光系数和相函数。设置中分辨率成像光谱仪(MODIS)可见光、红外通道参数,同时将步骤1收集的时空匹配数据集和沙尘气溶胶的单次散射反照率、消光系数和相函数输入到大气辐射传输模型MODTRAN。同时,定义模拟的条件,包括大气层模型、地表特性、天顶角、太阳高度角等,设定可见光、红外成像仪的仪器通道参数,参数设定后运行MODTRAN模型软件,即可模拟计算出沙尘情况下的MODIS可见光通道反射率和MODIS红外通道的亮温值。
其中,中分辨率成像光谱仪(MODIS)可见光、红外成像仪的仪器通道参数是通道的中心波长、仪器响应函数、光谱分辨率和等效噪声温差。
步骤3:将步骤1获取的沙尘近地面质量浓度、沙尘质量密度、沙尘气溶胶550nm光学厚度和沙尘混合比廓线进行扰动,形成新的沙尘数据集,并将其重新输入到大气辐射传输模型MODTRAN,计算得到不同沙尘参数扰动情况下的可见光通道反射率和红外通道的亮温值。
其中,沙尘近地面质量浓度、沙尘质量密度、沙尘气溶胶550nm光学厚度和沙尘混合比廓线进行扰动,指的是在原数值的基础分别增加±5%、±10%、±15%、±20%、±25%和±30%。
步骤4:基于步骤3的计算数据分析沙尘参数变化情况下MODIS各通道可见光反射率和红外亮温的变化量以及红外通道间的亮温差变化量,并将MODIS各通道的反射率和红外亮温变化量,以及红外通道间的亮温差变化量按数值绝对值从大到小进行排序。基于步骤2和3的数据,计算各通道的沙尘估算自由度数据,对沙尘估算自由度也按数值从大到小进行排序。选择反射率变化量、红外亮温变化量、红外通道间的亮温差变化量和自由度排序的前一半通道作为沙尘敏感通道。
其中,自由度由以下公式计算的到:
自由度(d): ,
其中,λi是MODIS各通道归一化雅可比矩阵(Kn)的奇异值,,式中K为MODIS各通道的权重函数,Sε为通道观测协方差,Sa为先验协方差。
步骤5:根据MERRA沙尘廓线所提供的沙尘发生时的时间和位置信息,提取同步的532nm激光雷达观测数据,对沙尘数据进行筛选,并将筛选之后保留的532nm激光雷达消光系数作为沙尘消光系数廓线。根据步骤4选取的沙尘敏感通道,提取沙尘敏感通道的可见光反射率和红外亮温,形成可见光/红外观测和沙尘消光系数数据集。
步骤6:将步骤5获取的沙尘敏感通道的MODIS可见光反射率和红外亮温作为输入数据集,将532nm激光雷达沙尘消光系数廓线作为输出数据集,将输入和输出的数据集一起输入到递归神经网络中,对模型进行训练、验证和评估,生成沙尘消光系数廓线的递归神经网络估算模型。
步骤7:获取真实的MODIS卫星可见光反射率和红外通道亮温观测,结合步骤5获取的沙尘敏感通道,提取沙尘敏感通道的MODIS可见光反射率和红外亮温,将其输入到步骤6构建的递归神经网络估算模型,实现沙尘消光系数廓线的估算。
以上所述仅是本发明的优选实施方式,应当理解本发明并非局限于本文所披露的形式,不应看作是对其他实施例的排除,而可用于各种其他组合、修改和环境,并能够在本文所述构想范围内,通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本发明的精神和范围,则都应在本发明所附权利要求的保护范围内。
Claims (6)
1.基于激光雷达和卫星资料的沙尘消光系数廓线估算方法,其特征在于:所述估算方法包括:
步骤一、收集沙尘廓线数据,并根据其时间和位置信息形成时空匹配数据集,设置沙尘的气溶胶类型并与时空匹配数据集输入到待求辐射传输模型中模拟计算出沙尘情况下的可见光通道反射率和红外通道的亮温值;
步骤二、将沙尘廓线数据进行扰动形成新的沙尘数据集,输入到大气辐射传输模型计算得到不同沙尘参数扰动情况下的可见光通道反射率和红外通道的亮温值,并计算出任意两个红外通道间的亮温差变化量和各通道的沙尘估计自由度数据,得到沙尘敏感通道;
步骤三、提取同步的激光雷达观测数据对沙尘数据进行筛选,结合沙尘敏感通道形成可见光/红外观测和沙尘消光系数数据集,输入到递归神经网络中进行训练,生成沙尘消光系数廓线的递归神经网络估算模型;
步骤四、获取真实卫星可见光反射率和红外通道亮温观测,结合沙尘敏感通道,提取沙尘敏感通道的可见光反射率和红外亮温,将其输入到递归神经网络估算模型中实现沙尘消光系数廓线的估算。
2.根据权利要求1所述的基于激光雷达和卫星资料的沙尘消光系数廓线估算方法,其特征在于:所述步骤一具体包括以下内容:
A1、收集MERRA沙尘廓线数据,根据MERRA沙尘廓线数据的时间和位置信息,提取MERRA大气温度、湿度廓线和云参数数据,形成沙尘天气情况下的大气温度、湿度廓线、云参数和沙尘廓线时空匹配数据集;
A2、设置沙尘的气溶胶类型,根据沙尘光学数据库提取设定沙尘类型的单次散射反照率、消光系数和相函数,并与A1步骤收集的时空匹配数据集一起输入到大气辐射传输模型中,设定模拟条件和可见光与红外成像仪的仪器通道参数,运行大气辐射传输模型模拟计算出沙尘情况下的可见光通道反射率和红外通道的亮温值。
3.根据权利要求2所述的基于激光雷达和卫星资料的沙尘消光系数廓线估算方法,其特征在于:所述步骤二具体包括以下内容:
B1、将MERRA沙尘廓线数据进行扰动形成新的沙尘数据集,并将其重新输入到大气辐射传输模型中计算得到不同沙尘参数扰动情况下的可见光通道反射率和红外通道的亮温值;
B2、分析沙尘参数变化情况下各通道可见光反射率和红外亮温的变化量,并计算出任意两个红外通道间的亮温差变化量,计算各通道的沙尘估算自由度数据,分别对各通道的反射率变化量、红外亮温变化量、红外通道间亮温差值变化量和沙尘估算自由度按数值的绝对值从大到小进行排序,选择排序前一半的可见光和红外通道作为沙尘敏感通道。
4.根据权利要求3所述的基于激光雷达和卫星资料的沙尘消光系数廓线估算方法,其特征在于:所述步骤三具体包括以下内容:
C1、根据MERRA沙尘廓线数据提供的沙尘发生时的时间和位置信息,提取同步的激光雷达观测数据对沙尘数据进行筛选,并将筛选之后保留的激光雷达消光系数作为沙尘消光系数廓线,根据选取的沙尘敏感通道提取沙尘敏感通道的可见光反射率和红外亮温,形成可见光/红外观测和沙尘消光系数数据集;
C2、将C1步骤获取的沙尘敏感通道的可见光反射率和红外亮温作为输入,沙尘消光系数廓线作为输出,将输入和输出的数据集一起输入到递归神经网络中,网络模型进行训练、验证和评估,生成沙尘消光系数廓线的递归神经网络估算模型。
5.根据权利要求3所述的基于激光雷达和卫星资料的沙尘消光系数廓线估算方法,其特征在于:所述MERRA沙尘廓线数据包括:沙尘近地面质量浓度、沙尘质量密度、沙尘气溶胶550nm光学厚度和沙尘混合比廓线;将MERRA沙尘廓线数据进行扰动包括将沙尘近地面质量浓度、沙尘质量密度、沙尘气溶胶550nm光学厚度和沙尘混合比廓线在原数值的基础分别增加±5%、±10%、±15%、±20%、±25%和±30%。
6.根据权利要求3所述的基于激光雷达和卫星资料的沙尘消光系数廓线估算方法,其特征在于:所述自由度的计算公式如下:
,
其中,λi表示各通道归一化雅可比矩阵Kn的奇异值,,其中K为各通道的权重函数,Sε为通道观测协方差,Sa为先验协方差。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310717700.1A CN116466368B (zh) | 2023-06-16 | 2023-06-16 | 基于激光雷达和卫星资料的沙尘消光系数廓线估算方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310717700.1A CN116466368B (zh) | 2023-06-16 | 2023-06-16 | 基于激光雷达和卫星资料的沙尘消光系数廓线估算方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116466368A true CN116466368A (zh) | 2023-07-21 |
CN116466368B CN116466368B (zh) | 2023-08-22 |
Family
ID=87175755
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310717700.1A Active CN116466368B (zh) | 2023-06-16 | 2023-06-16 | 基于激光雷达和卫星资料的沙尘消光系数廓线估算方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116466368B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117784101A (zh) * | 2024-02-27 | 2024-03-29 | 武汉大学 | 一种星载大气激光雷达信号仿真方法及*** |
Citations (35)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5377674A (en) * | 1992-05-08 | 1995-01-03 | Kuestner; J. Todd | Method for non-invasive and in-vitro hemoglobin concentration measurement |
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*** |
CN103197305A (zh) * | 2013-03-21 | 2013-07-10 | 武汉大学 | 基于支持向量机识别的沙尘型气溶胶反演方法 |
CN104268423A (zh) * | 2014-10-11 | 2015-01-07 | 武汉大学 | 大尺度动态演化沙尘型气溶胶反演方法 |
CN106291590A (zh) * | 2016-11-10 | 2017-01-04 | 中国科学院合肥物质科学研究院 | 基于激光雷达测量数据计算整层大气气溶胶光学厚度的方法 |
CN106483050A (zh) * | 2015-09-02 | 2017-03-08 | 中国科学院遥感与数字地球研究所 | 气溶胶光学厚度的反演方法及*** |
CN207051484U (zh) * | 2017-06-14 | 2018-02-27 | 中国人民解放军92232部队 | 一种测量海平面非均匀水平大气气溶胶消光系数的装置 |
CN107798154A (zh) * | 2016-08-31 | 2018-03-13 | 中国科学院遥感与数字地球研究所 | 一种火星大气沙尘气溶胶光学厚度反演方法 |
CN109596594A (zh) * | 2018-11-27 | 2019-04-09 | 南京信息工程大学 | 基于拉曼-米散射激光雷达的气溶胶消光系数反演方法 |
CN110108672A (zh) * | 2019-04-12 | 2019-08-09 | 南京信息工程大学 | 一种基于深度信念网络的气溶胶消光系数反演方法 |
CN110109149A (zh) * | 2019-05-08 | 2019-08-09 | 南京信息工程大学 | 一种激光雷达低层消光系数廓线校正方法 |
CN110441777A (zh) * | 2019-07-11 | 2019-11-12 | 中山大学 | 一种基于激光雷达的气溶胶垂直廓线的反演方法 |
CN110632032A (zh) * | 2019-06-26 | 2019-12-31 | 曲阜师范大学 | 一种基于地表反射率库的沙尘暴监测方法 |
CN110687020A (zh) * | 2019-10-30 | 2020-01-14 | 淮北师范大学 | 基于四聚氧吸收反演气溶胶光学特性的测量方法及其装置 |
CN110726653A (zh) * | 2019-09-25 | 2020-01-24 | 中国电子科技集团公司第二十七研究所 | 基于天地一体化信息的pm2.5浓度监测方法 |
CN110989041A (zh) * | 2019-12-10 | 2020-04-10 | 中国科学院遥感与数字地球研究所 | 一种灰霾和沙尘天气的预报方法及预报*** |
CN111551961A (zh) * | 2020-06-12 | 2020-08-18 | 南通大学 | 基于多波长激光雷达的云凝结核数浓度垂直廓线反演方法 |
CN111965666A (zh) * | 2020-07-16 | 2020-11-20 | 中国矿业大学 | 一种气溶胶三维空间分布制图方法 |
CN112269189A (zh) * | 2020-09-21 | 2021-01-26 | 西安理工大学 | 一种利用单波长激光雷达探测气溶胶质量浓度廓线的方法 |
CN112649335A (zh) * | 2019-10-11 | 2021-04-13 | 无锡中科光电技术有限公司 | 大气颗粒物监测激光雷达沙尘消光系数贡献率自动分析法 |
KR102274688B1 (ko) * | 2020-12-11 | 2021-07-08 | 삼우티시에스 주식회사 | 속도 및 방향 분해능이 향상된 미세먼지 소산계수 측정 주사 라이다 운용 방법 |
CN113341432A (zh) * | 2021-06-22 | 2021-09-03 | 武汉大学 | 基于激光雷达卫星的地基激光雷达气溶胶反演方法及*** |
CN113777579A (zh) * | 2021-08-24 | 2021-12-10 | 万合(洛阳)光电技术有限公司 | 一种拉曼-米散射激光雷达气溶胶消光系数廓线反演算法 |
CN114114324A (zh) * | 2021-11-23 | 2022-03-01 | 武汉大学 | 针对星载激光雷达和高光谱仪的大气co2浓度协同反演方法 |
CN114112995A (zh) * | 2021-12-01 | 2022-03-01 | 中国人民解放军国防科技大学 | 基于三维变分技术的气溶胶光学特性资料同化方法和装置 |
CN216052235U (zh) * | 2021-04-01 | 2022-03-15 | 成都远望科技有限责任公司 | 一种ipc智能垂直廓线数据处理装置 |
CN114280694A (zh) * | 2021-12-17 | 2022-04-05 | 南京信息工程大学 | 一种基于气象卫星光谱成像仪的快速辐射传输方法及*** |
CN114384548A (zh) * | 2021-12-24 | 2022-04-22 | 北方民族大学 | 生物气溶胶数浓度廓线拉曼荧光激光雷达***及预测方法 |
CN114675298A (zh) * | 2022-03-25 | 2022-06-28 | 中国海洋大学 | 一种海气边界层气溶胶的通量反演方法、装置及介质 |
CN115203624A (zh) * | 2022-07-11 | 2022-10-18 | 宁波大学 | 一种基于时序遥感的任意时刻地表环境综合评估方法 |
CN115356249A (zh) * | 2022-10-19 | 2022-11-18 | 北华航天工业学院 | 基于机器学习融合模型的卫星偏振pm2.5估算方法和*** |
CN115438562A (zh) * | 2022-07-16 | 2022-12-06 | 电子科技大学 | 一种大范围快速光学卫星传感器星上观测辐亮度模拟方法 |
CN115544725A (zh) * | 2022-09-02 | 2022-12-30 | 中国科学院空天信息创新研究院 | 基于双波长米散射激光雷达数据的气溶胶廓线反演方法 |
CN115616520A (zh) * | 2022-12-20 | 2023-01-17 | 成都远望探测技术有限公司 | 一种基于激光和毫米波云雷达的卷云冰晶形状识别方法 |
CN115629387A (zh) * | 2022-12-07 | 2023-01-20 | 成都远望科技有限责任公司 | 一种多波段双偏振雷达的冰晶凇附增长估算方法 |
-
2023
- 2023-06-16 CN CN202310717700.1A patent/CN116466368B/zh active Active
Patent Citations (35)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5377674A (en) * | 1992-05-08 | 1995-01-03 | Kuestner; J. Todd | Method for non-invasive and in-vitro hemoglobin concentration measurement |
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*** |
CN103197305A (zh) * | 2013-03-21 | 2013-07-10 | 武汉大学 | 基于支持向量机识别的沙尘型气溶胶反演方法 |
CN104268423A (zh) * | 2014-10-11 | 2015-01-07 | 武汉大学 | 大尺度动态演化沙尘型气溶胶反演方法 |
CN106483050A (zh) * | 2015-09-02 | 2017-03-08 | 中国科学院遥感与数字地球研究所 | 气溶胶光学厚度的反演方法及*** |
CN107798154A (zh) * | 2016-08-31 | 2018-03-13 | 中国科学院遥感与数字地球研究所 | 一种火星大气沙尘气溶胶光学厚度反演方法 |
CN106291590A (zh) * | 2016-11-10 | 2017-01-04 | 中国科学院合肥物质科学研究院 | 基于激光雷达测量数据计算整层大气气溶胶光学厚度的方法 |
CN207051484U (zh) * | 2017-06-14 | 2018-02-27 | 中国人民解放军92232部队 | 一种测量海平面非均匀水平大气气溶胶消光系数的装置 |
CN109596594A (zh) * | 2018-11-27 | 2019-04-09 | 南京信息工程大学 | 基于拉曼-米散射激光雷达的气溶胶消光系数反演方法 |
CN110108672A (zh) * | 2019-04-12 | 2019-08-09 | 南京信息工程大学 | 一种基于深度信念网络的气溶胶消光系数反演方法 |
CN110109149A (zh) * | 2019-05-08 | 2019-08-09 | 南京信息工程大学 | 一种激光雷达低层消光系数廓线校正方法 |
CN110632032A (zh) * | 2019-06-26 | 2019-12-31 | 曲阜师范大学 | 一种基于地表反射率库的沙尘暴监测方法 |
CN110441777A (zh) * | 2019-07-11 | 2019-11-12 | 中山大学 | 一种基于激光雷达的气溶胶垂直廓线的反演方法 |
CN110726653A (zh) * | 2019-09-25 | 2020-01-24 | 中国电子科技集团公司第二十七研究所 | 基于天地一体化信息的pm2.5浓度监测方法 |
CN112649335A (zh) * | 2019-10-11 | 2021-04-13 | 无锡中科光电技术有限公司 | 大气颗粒物监测激光雷达沙尘消光系数贡献率自动分析法 |
CN110687020A (zh) * | 2019-10-30 | 2020-01-14 | 淮北师范大学 | 基于四聚氧吸收反演气溶胶光学特性的测量方法及其装置 |
CN110989041A (zh) * | 2019-12-10 | 2020-04-10 | 中国科学院遥感与数字地球研究所 | 一种灰霾和沙尘天气的预报方法及预报*** |
CN111551961A (zh) * | 2020-06-12 | 2020-08-18 | 南通大学 | 基于多波长激光雷达的云凝结核数浓度垂直廓线反演方法 |
CN111965666A (zh) * | 2020-07-16 | 2020-11-20 | 中国矿业大学 | 一种气溶胶三维空间分布制图方法 |
CN112269189A (zh) * | 2020-09-21 | 2021-01-26 | 西安理工大学 | 一种利用单波长激光雷达探测气溶胶质量浓度廓线的方法 |
KR102274688B1 (ko) * | 2020-12-11 | 2021-07-08 | 삼우티시에스 주식회사 | 속도 및 방향 분해능이 향상된 미세먼지 소산계수 측정 주사 라이다 운용 방법 |
CN216052235U (zh) * | 2021-04-01 | 2022-03-15 | 成都远望科技有限责任公司 | 一种ipc智能垂直廓线数据处理装置 |
CN113341432A (zh) * | 2021-06-22 | 2021-09-03 | 武汉大学 | 基于激光雷达卫星的地基激光雷达气溶胶反演方法及*** |
CN113777579A (zh) * | 2021-08-24 | 2021-12-10 | 万合(洛阳)光电技术有限公司 | 一种拉曼-米散射激光雷达气溶胶消光系数廓线反演算法 |
CN114114324A (zh) * | 2021-11-23 | 2022-03-01 | 武汉大学 | 针对星载激光雷达和高光谱仪的大气co2浓度协同反演方法 |
CN114112995A (zh) * | 2021-12-01 | 2022-03-01 | 中国人民解放军国防科技大学 | 基于三维变分技术的气溶胶光学特性资料同化方法和装置 |
CN114280694A (zh) * | 2021-12-17 | 2022-04-05 | 南京信息工程大学 | 一种基于气象卫星光谱成像仪的快速辐射传输方法及*** |
CN114384548A (zh) * | 2021-12-24 | 2022-04-22 | 北方民族大学 | 生物气溶胶数浓度廓线拉曼荧光激光雷达***及预测方法 |
CN114675298A (zh) * | 2022-03-25 | 2022-06-28 | 中国海洋大学 | 一种海气边界层气溶胶的通量反演方法、装置及介质 |
CN115203624A (zh) * | 2022-07-11 | 2022-10-18 | 宁波大学 | 一种基于时序遥感的任意时刻地表环境综合评估方法 |
CN115438562A (zh) * | 2022-07-16 | 2022-12-06 | 电子科技大学 | 一种大范围快速光学卫星传感器星上观测辐亮度模拟方法 |
CN115544725A (zh) * | 2022-09-02 | 2022-12-30 | 中国科学院空天信息创新研究院 | 基于双波长米散射激光雷达数据的气溶胶廓线反演方法 |
CN115356249A (zh) * | 2022-10-19 | 2022-11-18 | 北华航天工业学院 | 基于机器学习融合模型的卫星偏振pm2.5估算方法和*** |
CN115629387A (zh) * | 2022-12-07 | 2023-01-20 | 成都远望科技有限责任公司 | 一种多波段双偏振雷达的冰晶凇附增长估算方法 |
CN115616520A (zh) * | 2022-12-20 | 2023-01-17 | 成都远望探测技术有限公司 | 一种基于激光和毫米波云雷达的卷云冰晶形状识别方法 |
Non-Patent Citations (14)
Title |
---|
JIANHUA CHANG: "Predicting Aerosol Extinction Coefficient With LiDAR Data Based on Deep Belief Network", 《IEEE GEOSCIENCE AND REMOTE SENSING LETTERS》, vol. 19, pages 1558 - 0571 * |
XIAOMEI LU: "Retrieval of aerosol extinction-to-backscatter ratios by combining ground-based and space-borne lidar elastic scattering measurements", 《OPTICS EXPRESS》, vol. 19, no. 9, pages 72 * |
严国梁: "一种基于激光雷达和卫星资料估算地面颗粒物浓度的方法", 《科学技术与工程》, vol. 16, no. 9, pages 282 - 288 * |
严国梁: "南京地区激光雷达的灰霾观测及颗粒物浓度反演研究", 《中国优秀硕士学位论文全文库》, no. 7, pages 027 - 158 * |
付松琳: "星载气溶胶激光雷达的模拟仿真和反演算法应用研究", 《中国博士学位论文全文数据库》, no. 9, pages 136 - 39 * |
季祥光: "基于地基超高光谱遥感的边界层臭氧及其前体物垂直演化和传输研究", 《中国博士学位论文全文数据库》, no. 3, pages 027 - 56 * |
张岩等: "基于卫星气溶胶光学厚度反演地面能见度算法的研究", 北京大学学报(自然科学版), vol. 56, no. 2, pages 231 - 241 * |
张艳品: "石家庄冬季典型污染过程气溶胶激光雷达观测", 《中国环境科学》, vol. 40, no. 10, pages 4205 - 4215 * |
李红旭: "基于激光雷达数据的气溶胶特性反演方法研究", 《中国博士学位论文全文数据库》, no. 1, pages 136 - 289 * |
潘诗娴: "塔克拉玛干沙漠和青藏高原地区沙尘气溶胶及其加热率的时空分布特征", 《中国优秀硕士学位论文全文库》, no. 1, pages 009 - 318 * |
王星凯: "基于神经网络的激光雷达方程反演研究", 《中国优秀硕士学位论文全文库》, no. 8, pages 027 - 672 * |
莫祖斯: "基于米散射激光雷达的气溶胶反演算法和污染观测研究", 《中国优秀硕士学位论文全文库》, no. 1, pages 027 - 1571 * |
蔡子颖: "基于环境模式PM2.5的渤海及其西岸能见度预报技术优化研究", 《环境科学学报》, vol. 42, no. 6, pages 260 - 273 * |
贺应红: "最小二乘法拟合大气激光雷达回波信号估算消光系数边界值", 《量子电子学报》, no. 6, pages 879 - 883 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117784101A (zh) * | 2024-02-27 | 2024-03-29 | 武汉大学 | 一种星载大气激光雷达信号仿真方法及*** |
CN117784101B (zh) * | 2024-02-27 | 2024-05-10 | 武汉大学 | 一种星载大气激光雷达信号仿真方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN116466368B (zh) | 2023-08-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Shao et al. | A review on East Asian dust storm climate, modelling and monitoring | |
Liu et al. | Aircraft study of aerosol vertical distributions over Beijing and their optical properties | |
He et al. | Validation of MODIS derived aerosol optical depth over the Yangtze River Delta in China | |
CN110174359B (zh) | 一种基于高斯过程回归的航空高光谱影像土壤重金属浓度评估方法 | |
CN109657363B (zh) | 一种时空连续的pm2.5反演方法 | |
CN109583516A (zh) | 一种基于地基和卫星观测的时空连续pm2.5反演方法 | |
CN110058258B (zh) | 一种基于混合型激光雷达的大气边界层探测方法 | |
CN109856021B (zh) | 一种pm2.5反演方法及监测区域分割方法 | |
CN116466368B (zh) | 基于激光雷达和卫星资料的沙尘消光系数廓线估算方法 | |
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 | |
CN108872964A (zh) | 基于无人机LiDAR数据的银杏人工林郁闭度提取方法 | |
Jin et al. | Inverse modeling of the 2021 spring super dust storms in East Asia | |
CN113189014A (zh) | 一种融合卫星遥感和地面监测数据的臭氧浓度估算方法 | |
CN108896021A (zh) | 基于航空摄影测量点云提取人工林林分结构参数的方法 | |
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*** | |
CN113836808A (zh) | 一种基于重污染特征约束的pm2.5深度学习预测方法 | |
Alonso-Montesinos et al. | The use of ANN and conventional solar-plant meteorological variables to estimate atmospheric horizontal extinction | |
CN110907319A (zh) | 一种近地面细颗粒物的归因分析方法 | |
KR20170116805A (ko) | 다중 각도에서 태양광 관측기반의 대기 분자의 라만 산란특성을 이용한 에어로솔 고도 산출방법 | |
Amodei et al. | Deterministic and fuzzy verification methods for a hierarchy of numerical models | |
CN116879899A (zh) | 一种基于空中降水粒子谱反演的方法 | |
CN110907318A (zh) | 一种近地面大气总悬浮颗粒物质量浓度遥感物理估算方法 | |
CN115598027A (zh) | 一种基于遥感和机器学习技术的pm2.5反演方法 | |
He et al. | Modis aerosol optical thickness product algorithm verification and analysis | |
CN114486820A (zh) | 一种机载微波辐射计云中过冷水的反演方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |