CN105678085B - 一种pm2.5浓度的估算方法及系统 - Google Patents

一种pm2.5浓度的估算方法及系统 Download PDF

Info

Publication number
CN105678085B
CN105678085B CN201610018267.2A CN201610018267A CN105678085B CN 105678085 B CN105678085 B CN 105678085B CN 201610018267 A CN201610018267 A CN 201610018267A CN 105678085 B CN105678085 B CN 105678085B
Authority
CN
China
Prior art keywords
aod
data
hpbl
obtains
match
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.)
Expired - Fee Related
Application number
CN201610018267.2A
Other languages
English (en)
Other versions
CN105678085A (zh
Inventor
王桥
陈辉
厉青
王中挺
张丽娟
毛慧琴
周春艳
马鹏飞
张玉环
陈翠红
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.)
SATELLITE ENVIRONMENT APPLICATION CENTER OF ENVIRONMENTAL PROTECTION DEPARTMENT
Original Assignee
SATELLITE ENVIRONMENT APPLICATION CENTER OF ENVIRONMENTAL PROTECTION DEPARTMENT
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 SATELLITE ENVIRONMENT APPLICATION CENTER OF ENVIRONMENTAL PROTECTION DEPARTMENT filed Critical SATELLITE ENVIRONMENT APPLICATION CENTER OF ENVIRONMENTAL PROTECTION DEPARTMENT
Priority to CN201610018267.2A priority Critical patent/CN105678085B/zh
Publication of CN105678085A publication Critical patent/CN105678085A/zh
Application granted granted Critical
Publication of CN105678085B publication Critical patent/CN105678085B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16Z—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS, NOT OTHERWISE PROVIDED FOR
    • G16Z99/00—Subject matter not provided for in other main groups of this subclass
    • 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

  • Position Fixing By Use Of Radio Waves (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种PM2.5浓度估算方法及系统。该PM2.5浓度的估算方法包括：接收卫星传输的卫星遥感数据，并根据卫星遥感数据获取气溶胶光学厚度AOD；从全球气象预报系统GFS中获取气象预报数据，并根据气象预报数据获取大气边界层高度HPBL和近地面相对湿度RH；获取地面站点采集的PM2.5数据；根据地面站点的地理位置信息，对相同时间点的PM2.5数据、AOD、HPBL以及RH进行空间匹配；根据空间匹配后的PM2.5数据、AOD、HPBL以及RH建立地理加权回归模型，并根据地理加权回归模型估算PM2.5浓度。本发明通过引入气象预报数据中的HPBL和RH，并对AOD、HPBL、RH以及地面站点采集的PM2.5数据进行空间匹配，以评估区域内的PM2.5浓度，与现有技术相比，具有估算精确高的优点。

Description

一种PM2.5浓度的估算方法及系统
技术领域
本发明涉及大气环境遥感监测领域，具体涉及一种PM2.5浓度估算方法及系统。
背景技术
作为一种主要的大气污染物，气溶胶粒子对公共健康的影响已经是公认的事实，直接威胁着人类生存与可持续发展。其中，细颗粒物 PM2.5(空气动力学直径小于2.5μm的颗粒物)可达人体的肺泡区xx，粒径小于5μm的颗粒物可达到肺泡区xx，部分更小的粒子甚至可以通过毛细血管进入人体血液循环系统，对心脏及心血管造成较大危害2012年联合国环境规划署公布的《全球环境展望5》指出，每年有近200 万的过早死亡病例与颗粒物污染有关。我国大气细颗粒物(PM2.5) 污染也十分严重，年均浓度超过发达国家3到5倍，大气低能见度的范围和程度在逐年扩展，我国东部地区多次出现持续4-5天的大范围严重灰霾天气。
准确获取PM2.5的时空分布、来源及传输路径是衡量其污染影响，制定颗粒物防治政策的重要保障。当前PM2.5监测主要依靠地面站点，然而由于观测设备一般昂贵且维护复杂，环境监测站点分布不均且数量有限，无法全面、动态的反映颗粒物在较大区域内的空间分布，难以对污染物来源、输送通道进行准确分析。卫星遥感具有在大空间范围内连续、动态获取大气信息的优势，能够在不同尺度上反映污染物的宏观分布趋势、源汇分布和传输路径，为大气污染的全方位立体监测提供了重要的信息来源。
近年来，卫星遥感数据被广泛用于颗粒物及污染气体监测，对空气质量政策制定和大气污染预报有着巨大的应用价值；但是，直接由 AOD产品估算区域尺度近地面PM2.5浓度面临着大量的不确定性，其时间和空间适用性有限。
发明内容
针对现有技术中的缺陷，本发明提供了一种PM2.5浓度估算方法及系统。
本发明提出了一种PM2.5浓度估算方法，包括：
接收卫星传输的卫星遥感数据，并根据所述卫星遥感数据获取气溶胶光学厚度AOD；
从全球气象预报系统GFS中获取气象预报数据，并根据所述气象预报数据获取大气边界层高度HPBL和近地面相对湿度RH；
获取地面站点采集的PM2.5数据；
根据所述PM2.5数据中携带的地理位置信息，对相同时间点的所述PM2.5数据、所述AOD、所述HPBL以及所述RH进行空间匹配；
根据空间匹配后的所述PM2.5数据、所述AOD、所述HPBL以及所述RH建立地理加权回归模型；
根据所述地理加权回归模型估算PM2.5浓度。
可选的，在所述根据地面站点的地理位置，对相同时间点的所述 PM2.5数据、所述AOD、所述HPBL以及所述RH进行空间匹配之前，还包括：
根据所述卫星遥感数据、所述气象预报数据以及所述PM2.5数据中携带的时间信息，对所述PM2.5数据、所述AOD、所述HPBL以及所述RH进行第一次时间匹配；
获取卫星的过境时间，并根据所述过境时间获取地面站点采集的 PM2.5数据的有效值，对第一次时间匹配后的所述PM2.5数据、所述 AOD、所述HPBL以及所述RH进行第二次时间匹配。
可选的，所述根据地面站点的地理位置，对相同时间点的所述 PM2.5数据、所述AOD、所述HPBL以及所述RH进行空间匹配，包括：
根据所述PM2.5数据中携带的地理位置信息，获取在所述地理位置信息所属第一预设范围内AOD的平均值和第二预设范围内的 HPBL和RH的有效值；
对相同时间点的所述PM2.5数据、所述AOD的平均值、所述HPBL 和所述RH的有效值进行空间匹配。
可选的，所述地理加权回归模型为：
lnPM2.5(ui,vi)＝β0(ui,vi)+β1(ui,vi)lnAOD+β2(ui,vi)lnHPBL+ β3(ui,vi)ln(1-RH/100)
其中，β0(ui,vi)为常数项在观测点(ui,vi)处的回归系数，β1(ui,vi) 为所述AOD在观测点(ui,vi)处的回归系数，β2(ui,vi)为所述HPBL在观测点(ui,vi)处的回归系数，β3(ui,vi)为所述RH在观测点(ui,vi)处的回归系数，PM2.5(ui,vi)为观测点(ui,vi)处的PM2.5浓度。
可选的，所述根据所述地理加权回归模型获取PM2.5浓度包括：
采用加权最小二乘法，根据所述地理加权回归模型获取权重函数矩阵，所述权重函数矩阵如下：
β(ui,vi)＝[XT W(ui,vi)X]-1XT W(ui,vi)Y
其中，β为回归系数，W为权重函数矩阵，Y为PM2.5浓度矩阵， X为输入参数矩阵，输入参数包括：常数项、AOD、HPBL以及RH；
采用交叉验证法，根据所述权重函数矩阵获取每个地面站点的最优带宽，并根据所述最优带宽获取各输入参数的权重函数矩阵；
对各输入参数的权重函数矩阵和与所述输入参数对应的地面站点的地理位置进行空间匹配，获取空间函数权重矩阵；
通过克里金空间插值法，根据所述空间函数权重矩阵分别获取常数项、AOD、HPBL以及RH的回归系数；
根据所述卫星遥感数据中每个像元对应的AOD、HPBL、RH以及所述回归系数，结合所述地理加权回归模型获取所述像元的PM2.5浓度。
本发明还提出了一种PM2.5浓度估算系统，其特征在于，包括：
第一获取模块，用于接收卫星传输的卫星遥感数据，并根据所述卫星遥感数据获取气溶胶光学厚度AOD；
第二获取模块，用于从全球气象预报系统GFS中获取气象预报数据，并根据所述气象预报数据获取大气边界层高度HPBL和近地面相对湿度RH；
第三获取模块，用于获取地面站点采集的PM2.5数据；
空间匹配模块，拥有根据所述PM2.5数据中携带的地理位置信息，对相同时间点的所述PM2.5数据、所述AOD、所述HPBL以及所述RH 进行空间匹配；
建模模块，用于根据空间匹配后的所述PM2.5数据、所述AOD、所述HPBL以及所述RH建立地理加权回归模型；
估算模块，用于根据所述地理加权回归模型估算PM2.5浓度。
可选的，还包括：第一时间匹配模块和第二时间匹配模块；
所述第一时间匹配模块，用于在所述根据地面站点的地理位置，对相同时间点的所述PM2.5数据、所述AOD、所述HPBL以及所述RH 进行空间匹配之前，根据所述卫星遥感数据、所述气象预报数据以及所述PM2.5数据中携带的时间信息，对所述PM2.5数据、所述AOD、所述HPBL以及所述RH进行第一次时间匹配；
所述第二时间匹配模块，用于获取卫星的过境时间，并根据所述过境时间获取地面站点采集的PM2.5数据的有效值，对第一次时间匹配后的所述PM2.5数据、所述AOD、所述HPBL以及所述RH进行第二次时间匹配。
可选的，所述空间匹配模块具体用于：
根据所述PM2.5数据中携带的地理位置信息，获取在所述地理位置信息所属第一预设范围内AOD的平均值和第二预设范围内的 HPBL和RH的有效值；
对相同时间点的所述PM2.5数据、所述AOD的平均值、所述HPBL 和所述RH的有效值进行空间匹配。
可选的，所述地理加权回归模型为：
lnPM2.5(ui,vi)＝β0(ui,vi)+β1(ui,vi)lnAOD+β2(ui,vi)lnHPBL+ β3(ui,vi)ln(1-RH/100)
其中，β0(ui,vi)为常数项在观测点(ui,vi)处的回归系数，β1(ui,vi) 为所述AOD在观测点(ui,vi)处的回归系数，β2(ui,vi)为所述HPBL在观测点(ui,vi)处的回归系数，β3(ui,vi)为所述RH在观测点(ui,vi)处的回归系数，PM2.5(ui,vi)为观测点(ui,vi)处的PM2.5浓度。
可选的，所述估算模块具体用于：
采用加权最小二乘法，根据所述地理加权回归模型获取权重函数矩阵，所述权重函数矩阵如下：
β(ui,vi)＝[XT W(ui,vi)X]-1XT W(ui,vi)Y
其中，β为回归系数，W为权重函数矩阵，Y为PM2.5浓度，X为输入参数，输入参数包括：常数项、AOD、HPBL以及RH；
采用交叉验证法，根据所述权重函数矩阵获取每个地面站点的最优带宽，并根据所述最优带宽获取各输入参数的权重函数矩阵；
对各输入参数的权重函数矩阵和与所述输入参数对应的地面站点的地理位置进行空间匹配，获取空间函数权重矩阵；
通过克里金空间插值法，根据所述空间函数权重矩阵分别获取常数项、AOD、HPBL以及RH的回归系数；
根据所述卫星遥感数据中每个像元对应的AOD、HPBL、RH以及所述回归系数，结合所述地理加权回归模型获取所述像元的PM2.5浓度。
由上述技术方案可知，本发明通过引入气象预报数据中的HPBL 和RH，并对AOD、HPBL、RH以及地面站点采集的PM2.5数据进行空间匹配，以评估区域内的PM2.5浓度，与现有技术相比，具有估算精确高的优点。
附图说明
通过参考附图会更加清楚的理解本发明的特征和优点，附图是示意性的而不应理解为对本发明进行任何限制，在附图中：
图1示出了本发明一实施例提供的PM2.5浓度估算方法的流程示意图；
图2示出了本发明一实施例提供的PM2.5浓度估算方法中获取 AOD流程示意图；
图3示出了本发明一实施例提供的PM2.5浓度估算方法中不同带宽b和它对应的CV值的趋势线图；
图4示出了本发明一实施例提供的PM2.5浓度估算方法中最优带宽时的权重函数随距离的变化曲线图；
图5示出了本发明一实施例提供的PM2.5浓度估算系统的结构示意图；
图6示出了本发明一实施例提供的PM2.5浓度估算方法中全国 PM2.5遥感估算和地面观测结果的对比分析图；
图7示出了本发明一实施例提供的PM2.5浓度估算系统的结构示意图；
图8示出了本发明另一实施例提供的PM2.5浓度估算系统的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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，所描述的实施例是本发明的一部分实施例，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的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。
图1为本发明一实施例提供的PM2.5浓度估算方法的流程示意图，参照图1，该PM2.5浓度估算方法，包括：
101、接收卫星传输的卫星遥感数据，并根据所述卫星遥感数据获取气溶胶光学厚度AOD；
需要说明的是，步骤101中的卫星遥感数据的获取途径不唯一，举例来说：利用MODIS、HJ-1A/B卫星的CCD等传感器的红(波长 0.62-0.67微米)、蓝(波长0.46-0.48微米)波段数据；然后通过暗目标和深蓝算法反演出目标区域的气溶胶光学厚度(AOD)；
102、从全球气象预报系统GFS中获取气象预报数据，并根据所述气象预报数据获取大气边界层高度HPBL和近地面相对湿度RH；
可理解的是，GFS为全球共享的系统，其数据可直接获取到，然后在获取的数据中直接提取出区域的HPBL和RH，并将其格式转化为与卫星遥感数据格式相同的格式即可。
103、获取地面站点采集的PM2.5数据；
可理解的是，地面站点采集的PM2.5数据也是属于共享的数据，能通过网上抓取、手动输入等方式直接获取。
104、根据所述PM2.5数据中携带的地理位置信息，对相同时间点的所述PM2.5数据、所述AOD、所述HPBL以及所述RH进行空间匹配；
需要说明的是，每个地面站点都有一个固定的地理位置信息(由地球经纬度构成)，例如，在估算北京某区域的PM2.5浓度时，需要获取该区域内的每个地面站点的地理位置信息，并根据地理位置信息从卫星遥感数据和气象预报数据中提取与该地理位置信息对应空间内的AOD、HPBL以及RH，以完成空间匹配；
可理解的是，卫星遥感数据和气象预报数据中包括：全球地理位置信息以及各地理位置的数据。
105、根据空间匹配后的所述PM2.5数据、所述AOD、所述HPBL 以及所述RH建立地理加权回归模型；
需要说明的是，由于云的限制等，获取到的PM2.5数据、AOD、 HPBL以及RH中存在着无效的数据组，因此，需要把无效数据组剔除以获取有效数据组，并以有效数据组为训练样本；
另外，在国内外近地面PM2.5质量浓度和气溶胶光学厚度(AOD) 之间相关关系式研究基础上，通过训练样本的对数变化，并综合考虑在实际问题中参数在不同地理环境下表现不同的情况，将AOD-PM关系式进一步扩展为卫星遥感监测PM2.5质量浓度的空间变参数回归模型；
106、根据所述地理加权回归模型估算PM2.5浓度。
需要说明的是，本申请的地理加权回归模型引入气象预报数据，以减少利用卫星遥感数据和地面站点数据获取PM2.5数据的方案的不确定性；而且，本申请综合考虑了卫星遥感数据、气象预报数据以及地面站点数据之间的空间匹配的问题，能有效地提高估算的精确。
图2为本发明一实施例提供的PM2.5浓度估算方法中获取AOD流程示意图，参照图2，本实施例中，上述步骤101具体包括以下步骤：
1)6S构建查找表。具体包括：
基于辐射传输模型(如6S、MODTRAN等)对不同观测几何、气溶胶模式、气溶胶光学厚度、大气状况、地表类型等条件下 Terra/Aqua卫星的MODIS、HJ-1A/B卫星的CCD相机等传感器探测到的表观反射率进行模拟，形成反演AOD的多维查找表。
2)地表反射率数据库。具体包括：
利用MOD09地表反射率产品8天合成产品进行重投影转换、裁剪镶嵌等预处理，获取中国区域范围内的连续分布的地表反射率数据库。
3)数据预处理。具体包括：
针对所属MODIS、HJ-1A/B CCD数据进行两方面的预处理：一是通过适当的重采样以提高数据信噪比和运算效率；二是对卫星传感器探测信号的辐射定标，将图像的DN值转换为表观反射率。
4)结果反演。具体包括：
该环节包含三个步骤：
一是像元识别：根据获得的MODIS、CCD表观反射率，计算 NDVI值，并基于NDVI值进行云像元、暗象元和亮像元的识别；
二是根据卫星的观测几何参数分别利用暗像元和深蓝算法对暗像元和亮像元地表上空气溶胶光学厚度进行遥感反演，获取区域范围内非云覆盖下的像元上空暗像元算法和深蓝算法气溶胶光学厚度 AOD；
三是基于所获取的暗像元算法和深蓝算法气溶胶光学厚度，以暗像元算法结果优先、其次采用深蓝算法结果的方式融合，获取区域范围内的气溶胶光学厚度AOD。
5)图像平滑与成图输出。具体包括：
在获得步骤4)中的气溶胶光学厚度后，为内插部分云象元点的监测值以及抑制异常点，需要对结果图像进行了平滑处理，采用9×9 像元的距离加权平均的滤波方法进行。
本实施例中，上述步骤102具体包括以下步骤：
根据所述MODIS、HJ-1A/B卫星AOD反演结果的空间范围，提取与其时间上最匹配的GFS模拟数据，包括：
首先获取所述AOD影像的外包矩形，并将该范围内的所述GFS 模拟数据提取出来；
然后根据所述AOD影像的空间分辨率对提取的所述GFS模拟数据进行重采样和投影变换；
最后通过空间叠加分析获取所述AOD影像每个像元对应的 GFS模拟数据(包括大气边界层高度和近地面相对湿度)。
为了进一步提高估算的精度，本实施例中，在步骤104之前，还包括：
根据所述卫星遥感数据、所述气象预报数据以及所述PM2.5数据中携带的时间信息，对所述PM2.5数据、所述AOD、所述HPBL以及所述RH进行第一次时间匹配；
获取卫星的过境时间，并根据所述过境时间获取地面站点采集的 PM2.5数据的有效值，对所述PM2.5数据、所述AOD、所述HPBL以及所述RH进行第二次时间匹配。
需要说明的是，根据所述MODIS、HJ-1A/B卫星过境时间，取其当天前后各1小时内的地面相应的PM2.5测量浓度值并计算有效平均值。例如：Terra/MODIS一般取当天10-12时地面测量PM2.5的3小时有效平均值，Aqua/MODIS一般取当天13-15时地面测量的PM2.5的3小时有效平均值。
本实施例中，上述步骤104具体包括以下步骤：
根据所述PM2.5数据中携带的地理位置信息，获取在所述地理位置信息所属第一预设范围内AOD的平均值和第二预设范围内的HPBL和RH的有效值；
举例说明：以地面站点的地理位置为中心，取卫星遥感区域AOD 的5×5像元内的有效平均值；取HPBL和RH最邻近像元的有效值，一般在50公里以内；
对相同时间点的所述PM2.5数据、所述AOD的平均值、所述HPBL 和所述RH的有效值进行空间匹配。
本实施例中，地理加权回归模型为：
lnPM2.5(ui,vi)＝β0(ui,vi)+β1(ui,vi)lnAOD+β2(ui,vi)lnHPBL+ β3(ui,vi)ln(1-RH/100)
其中，β0(ui,vi)为常数项在观测点(ui,vi)处的回归系数，β1(ui,vi) 为所述AOD在观测点(ui,vi)处的回归系数，β2(ui,vi)为所述HPBL在观测点(ui,vi)处的回归系数，β3(ui,vi)为所述RH在观测点(ui,vi)处的回归系数，PM2.5(ui,vi)为观测点(ui,vi)处的PM2.5浓度；
可以理解的是，观测点(ui,vi)即为某一地理位置点。
本实施例中，由于不同地理位置不同变量的回归系数会有一定差异，因此步骤106具体包括以下步骤：
采用加权最小二乘法，根据所述地理加权回归模型获取权重函数矩阵，所述权重函数矩阵如下：
β(ui,vi)＝[XT W(ui,vi)X]-1XT W(ui,vi)Y
其中，β为回归系数，W为权重函数矩阵，Y为PM2.5浓度，X为输入参数，输入参数包括：常数项、AOD、HPBL以及RH；
采用交叉验证法，根据权重函数矩阵获取每个地面站点的最优带宽；图3为本发明一实施例提供的PM2.5浓度估算方法中不同带宽b和它对应的CV值的趋势线图，参照图3可知最优带宽为5.11。
图4为本发明一实施例提供的PM2.5浓度估算方法中最优带宽时的权重函数随距离的变化曲线图，参照图4可知，
需要说明的是，权重即为地面站点之间的相互影响，而每个地面站点的影响半径并不相同；在最优带宽时，随着距离的增加权重函数值逐渐减少，例如北京的地面站点对河北的影响程度小于对上海的影响程度。
根据所述最优带宽获取各输入参数的权重函数矩阵；
对各输入参数的权重函数矩阵和与所述输入参数对应的地面站点的地理位置进行空间匹配，获取空间函数权重矩阵；
通过克里金空间插值法，根据所述空间函数权重矩阵分别获取常数项、AOD、HPBL以及RH的回归系数；
根据所述卫星遥感数据中每个像元对应的AOD、HPBL、RH以及所述回归系数，结合所述地理加权回归模型获取所述像元的PM2.5浓度，即可获取区域近地面PM2.5遥感估算结果；图8为本发明一实施例提供的PM2.5浓度估算方法中基于AOD-PM关系的全国PM2.5地理加权回归遥感估算结果示意图。
综上所述，本发明利用MODIS、HJ-1CCD等国内外的卫星遥感数据，并借助气象预报模式提供的相关气象资料，估算区域尺度近地面PM2.5浓度，一方面充分发挥了MODIS、HJ-1CCD数据较高的空间分辨率和时间分辨率在大气环境监测中的优势，一方面能获得具有较高精度的区域尺度近地面PM2.5浓度产品，能够满足实际监测业务的需要。
图5为本发明一实施例提供的PM2.5浓度估算系统的结构示意图，下面参照图5对本发明的工作过程进行详细说明：
步骤1：图6为本发明一实施例提供的PM2.5浓度估算方法中全国PM2.5遥感估算和地面观测结果的对比分析图，参照图6可知，PM2.5遥感估算和面观测结果具有较高的相关性；
利用MODSI、HJ-1A/B卫星的CCD数据通过暗目标和深蓝算法反演获取目标区域的气溶胶光学厚度(AOD)；
步骤2：从全球气象预报模式(GFS)模拟的分析资料中提取出区域大气边界层高度(HPBL)和近地面相对湿度(RH)；
步骤3：利用地面站点测量的PM2.5数据与区域AOD、HPBL和 RH进行时间和空间上的匹配，并进行自然对数变换获取训练样本数据；
步骤4：根据训练样本数据构建PM2.5地理加权回归遥感估算模型，并采用加权最小二乘法计算该模型的解析结果。
步骤5：根据PM2.5地理加权回归遥感估算模型的求解结果，设定权重函数矩阵，并通过交叉验证计算权重函数的最优带宽；
步骤6：基于步骤5获取的最优带宽，区域范围内与地面站点空间位置相应的回归参数，并根据需求进行空间插值，以获取区域范围内连续分布的参数；
步骤7：根据步骤6获取的区域范围内连续分布的参数，结合区域AOD、HPBL和RH计算区域范围内的PM2.5质量浓度。
其过程步骤6和步骤7具体包括：
1)基于上述计算的最优带宽根据式(2)分别计算常数项、AOD、 HPBL和RH权重函数矩阵，并将权重函数与相应站点的空间位置相匹配；
2)基于上述的空间函数权重矩阵，利用克里金空间插值方法分别获取区域连续分布的常数项、AOD、HPBL和RH的回归系数值；
3)根据RH数据计算(1-RH/100)，并将AOD、HPBL和(1-RH/100) 数进行对数变换；
4)以AOD遥感影像结果为基准，通过空间叠加分析获取所述 AOD影像每个像元所对应的AOD、HPBL和(1-RH/100)及相应的回归系数值，根据式(3)计算该像元的PM2.5质量浓度值，即可获得区域近地面PM2.5遥感估算结果。
上述技术方案可以提供一种利用MODIS、HJ-1CCD等国内外的卫星遥感数据，并借助气象预报模式提供的相关气象资料，估算区域尺度近地面PM2.5浓度的方法，一方面充分发挥了MODIS、 HJ-1CCD数据较高的空间分辨率和时间分辨率在大气环境监测中的优势，一方面能获得具有较高精度的区域尺度近地面PM2.5浓度产品，能够满足实际监测业务的需要，是对地面监测技术的有益补充。
图7为本发明一实施例提供的PM2.5浓度估算系统的结构示意图，参照图7，该PM2.5浓度估算系统包括：
第一获取模块110，用于接收卫星传输的卫星遥感数据，并根据所述卫星遥感数据获取气溶胶光学厚度AOD；
第二获取模块120，用于从全球气象预报系统GFS中获取气象预报数据，并根据所述气象预报数据获取大气边界层高度HPBL和近地面相对湿度RH；
第三获取模块130，用于获取地面站点采集的PM2.5数据；
空间匹配模块140，拥有根据所述PM2.5数据中携带的地理位置信息，对相同时间点的所述PM2.5数据、所述AOD、所述HPBL以及所述 RH进行空间匹配；
建模模块150，用于根据空间匹配后的所述PM2.5数据、所述AOD、所述HPBL以及所述RH建立地理加权回归模型；
估算模块160，用于根据所述地理加权回归模型估算PM2.5浓度。
上述技术方案可以提供一种利用MODIS、HJ-1CCD等国内外的卫星遥感数据，并借助气象预报模式提供的相关气象资料，估算区域尺度近地面PM2.5浓度的方法，一方面充分发挥了MODIS、 HJ-1CCD数据较高的空间分辨率和时间分辨率在大气环境监测中的优势，一方面能获得具有较高精度的区域尺度近地面PM2.5浓度产品，能够满足实际监测业务的需要，是对地面监测技术的有益补充。
图8为本发明另一实施例提供的PM2.5浓度估算系统的结构示意图，下面参照图8对本系统进行详细说明：
在本发明的一种可选实施例中，该系统还包括：第一时间匹配模块170和第二时间匹配模块180；
所述第一时间匹配模块170，用于在所述根据地面站点的地理位置，对相同时间点的所述PM2.5数据、所述AOD、所述HPBL以及所述 RH进行空间匹配之前，根据所述卫星遥感数据、所述气象预报数据以及所述PM2.5数据中携带的时间信息，对所述PM2.5数据、所述AOD、所述HPBL以及所述RH进行第一次时间匹配；
所述第二时间匹配模块180，用于获取卫星的过境时间，并根据所述过境时间获取地面站点采集的PM2.5数据的有效值，对第一次时间匹配后的所述PM2.5数据、所述AOD、所述HPBL以及所述RH进行第二次时间匹配。
在本发明的一种可选实施例中，空间匹配模块140具体用于：
根据所述PM2.5数据中携带的地理位置信息，获取在所述地理位置信息所属第一预设范围内AOD的平均值和第二预设范围内的 HPBL和RH的有效值；
对相同时间点的所述PM2.5数据、所述AOD的平均值、所述HPBL 和所述RH的有效值进行空间匹配。
在本发明的一种可选实施例中，地理加权回归模型为：
lnPM2.5(ui,vi)＝β0(ui,vi)+β1(ui,vi)lnAOD+β2(ui,vi)lnHPBL+ β3(ui,vi)ln(1-RH/100)
其中，β0(ui,vi)为常数项在观测点(ui,vi)处的回归系数，β1(ui,vi) 为所述AOD在观测点(ui,vi)处的回归系数，β2(ui,vi)为所述HPBL在观测点(ui,vi)处的回归系数，β3(ui,vi)为所述RH在观测点(ui,vi)处的回归系数，PM2.5(ui,vi)为观测点(ui,vi)处的PM2.5浓度。
在本发明的一种可选实施例中，估算模块160具体用于：
采用加权最小二乘法，根据所述地理加权回归模型获取权重函数矩阵，所述权重函数矩阵如下：
β(ui,vi)＝[XT W(ui,vi)X]-1XT W(ui,vi)Y
其中，β为回归系数，W为权重函数矩阵，Y为PM2.5浓度，X为输入参数，输入参数包括：常数项、AOD、HPBL以及RH；
采用交叉验证法，根据所述权重函数矩阵获取每个地面站点的最优带宽，并根据所述最优带宽获取各输入参数的权重函数矩阵；
对各输入参数的权重函数矩阵和与所述输入参数对应的地面站点的地理位置进行空间匹配，获取空间函数权重矩阵；
通过克里金空间插值法，根据所述空间函数权重矩阵分别获取常数项、AOD、HPBL以及RH的回归系数；
根据所述卫星遥感数据中每个像元对应的AOD、HPBL、RH以及所述回归系数，结合所述地理加权回归模型获取所述像元的PM2.5浓度。
虽然结合附图描述了本发明的实施方式，但是本领域技术人员可以在不脱离本发明的精神和范围的情况下做出各种修改和变型，这样的修改和变型均落入由所附权利要求所限定的范围之内。

Claims (8)

1.一种PM2.5浓度估算方法，其特征在于，包括：
接收卫星传输的卫星遥感数据，并根据所述卫星遥感数据获取气溶胶光学厚度AOD，具体为：
基于辐射传输模型对不同卫星传感器在不同条件下探测到的表观反射率进行模拟，形成反演AOD的多维查找表；
利用MOD09地表反射率产品8天合成产品进行重投影转换和裁剪镶嵌，获取中国区域范围内的连续分布的地表反射率数据库；
对所述卫星遥感数据进行重采样和辐射定标获得表观反射率；
根据所述表观反射率，计算NDVI值，并基于所述NDVI值进行云像元、暗象元和亮像元的识别；
根据所述卫星遥感数据分别利用暗像元算法和深蓝算法对暗像元和亮像元地表上空气溶胶光学厚度进行遥感反演，获取区域范围内非云覆盖下的像元上空暗像元算法和深蓝算法气溶胶光学厚度AOD；
基于所述暗像元算法和深蓝算法气溶胶光学厚度，以暗像元算法结果优先、其次采用深蓝算法结果的方式融合，获取区域范围内的气溶胶光学厚度AOD；
从全球气象预报系统GFS中获取气象预报数据，并根据所述气象预报数据获取大气边界层高度HPBL和近地面相对湿度RH；
获取地面站点采集的PM2.5数据；
根据所述PM2.5数据中携带的地理位置信息，对相同时间点的所述PM2.5数据、所述AOD、所述HPBL以及所述RH进行空间匹配；
根据空间匹配后的所述PM2.5数据、所述AOD、所述HPBL以及所述RH建立地理加权回归模型；
根据所述地理加权回归模型估算PM2.5浓度；
在所述根据地面站点的地理位置，对相同时间点的所述PM2.5数据、所述AOD、所述HPBL以及所述RH进行空间匹配之前，还包括：
根据所述卫星遥感数据、所述气象预报数据以及所述PM2.5数据中携带的时间信息，对所述PM2.5数据、所述AOD、所述HPBL以及所述RH进行第一次时间匹配；
获取卫星的过境时间，并根据所述过境时间获取地面站点采集的PM2.5数据的有效值，对第一次时间匹配后的所述PM2.5数据、所述AOD、所述HPBL以及所述RH进行第二次时间匹配。
2.根据权利要求1所述的方法，其特征在于，所述根据地面站点的地理位置，对相同时间点的所述PM2.5数据、所述AOD、所述HPBL以及所述RH进行空间匹配，包括：
根据所述PM2.5数据中携带的地理位置信息，获取在所述地理位置信息所属第一预设范围内AOD的平均值和第二预设范围内的HPBL和RH的有效值；
对相同时间点的所述PM2.5数据、所述AOD的平均值、所述HPBL和所述RH的有效值进行空间匹配。
3.根据权利要求1所述的方法，其特征在于，所述地理加权回归模型为：
lnPM2.5(ui,vi)＝β0(ui,vi)+β1(ui,vi)lnAOD+β2(ui,vi)lnHPBL+β3(ui,vi)ln(1-RH/100)
其中，β0(ui,vi)为常数项在观测点(ui,vi)处的回归系数，β1(ui,vi)为所述AOD在观测点(ui,vi)处的回归系数，β2(ui,vi)为所述HPBL在观测点(ui,vi)处的回归系数，β3(ui,vi)为所述RH在观测点(ui,vi)处的回归系数，PM2.5(ui,vi)为观测点(ui,vi)处的PM2.5浓度。
4.根据权利要求3所述的方法，其特征在于，所述根据所述地理加权回归模型获取PM2.5浓度包括：
采用加权最小二乘法，根据所述地理加权回归模型获取权重函数矩阵，所述权重函数矩阵如下：
β(ui,vi)＝[XTW(ui,vi)X]-1XTW(ui,vi)Y
其中，β为回归系数，W为权重函数矩阵，Y为PM2.5浓度矩阵，X为输入参数矩阵，输入参数包括：常数项、AOD、HPBL以及RH；
采用交叉验证法，根据所述权重函数矩阵获取每个地面站点的最优带宽，并根据所述最优带宽获取各输入参数的权重函数矩阵；
对各输入参数的权重函数矩阵和与所述输入参数对应的地面站点的地理位置进行空间匹配，获取空间函数权重矩阵；
通过克里金空间插值法，根据所述空间函数权重矩阵分别获取常数项、AOD、HPBL以及RH的回归系数；
根据所述卫星遥感数据中每个像元对应的AOD、HPBL、RH以及所述回归系数，结合所述地理加权回归模型获取所述像元的PM2.5浓度。
5.一种PM2.5浓度估算系统，其特征在于，包括：
第一获取模块，用于接收卫星传输的卫星遥感数据，并根据所述卫星遥感数据获取气溶胶光学厚度AOD，具体为：
基于辐射传输模型对不同卫星传感器在不同条件下探测到的表观反射率进行模拟，形成反演AOD的多维查找表；
利用MOD09地表反射率产品8天合成产品进行重投影转换和裁剪镶嵌，获取中国区域范围内的连续分布的地表反射率数据库；
对所述卫星遥感数据进行重采样和辐射定标获得表观反射率；
根据所述表观反射率，计算NDVI值，并基于所述NDVI值进行云像元、暗象元和亮像元的识别；
根据所述卫星遥感数据分别利用暗像元算法和深蓝算法对暗像元和亮像元地表上空气溶胶光学厚度进行遥感反演，获取区域范围内非云覆盖下的像元上空暗像元算法和深蓝算法气溶胶光学厚度AOD；
基于所述暗像元算法和深蓝算法气溶胶光学厚度，以暗像元算法结果优先、其次采用深蓝算法结果的方式融合，获取区域范围内的气溶胶光学厚度AOD；
第二获取模块，用于从全球气象预报系统GFS中获取气象预报数据，并根据所述气象预报数据获取大气边界层高度HPBL和近地面相对湿度RH；
第三获取模块，用于获取地面站点采集的PM2.5数据；
空间匹配模块，拥有根据所述PM2.5数据中携带的地理位置信息，对相同时间点的所述PM2.5数据、所述AOD、所述HPBL以及所述RH进行空间匹配；
建模模块，用于根据空间匹配后的所述PM2.5数据、所述AOD、所述HPBL以及所述RH建立地理加权回归模型；
估算模块，用于根据所述地理加权回归模型估算PM2.5浓度；
还包括：第一时间匹配模块和第二时间匹配模块；
所述第一时间匹配模块，用于在所述根据地面站点的地理位置，对相同时间点的所述PM2.5数据、所述AOD、所述HPBL以及所述RH进行空间匹配之前，根据所述卫星遥感数据、所述气象预报数据以及所述PM2.5数据中携带的时间信息，对所述PM2.5数据、所述AOD、所述HPBL以及所述RH进行第一次时间匹配；
所述第二时间匹配模块，用于获取卫星的过境时间，并根据所述过境时间获取地面站点采集的PM2.5数据的有效值，对第一次时间匹配后的所述PM2.5数据、所述AOD、所述HPBL以及所述RH进行第二次时间匹配。
6.根据权利要求5所述的系统，其特征在于，所述空间匹配模块具体用于：
根据所述PM2.5数据中携带的地理位置信息，获取在所述地理位置信息所属第一预设范围内AOD的平均值和第二预设范围内的HPBL和RH的有效值；
对相同时间点的所述PM2.5数据、所述AOD的平均值、所述HPBL和所述RH的有效值进行空间匹配。
7.根据权利要求5所述的系统，其特征在于，所述地理加权回归模型为：
lnPM2.5(ui,vi)＝β0(ui,vi)+β1(ui,vi)lnAOD+β2(ui,vi)lnHPBL+β3(ui,vi)ln(1-RH/100)
其中，β0(ui,vi)为常数项在观测点(ui,vi)处的回归系数，β1(ui,vi)为所述AOD在观测点(ui,vi)处的回归系数，β2(ui,vi)为所述HPBL在观测点(ui,vi)处的回归系数，β3(ui,vi)为所述RH在观测点(ui,vi)处的回归系数，PM2.5(ui,vi)为观测点(ui,vi)处的PM2.5浓度。
8.根据权利要求7所述的系统，其特征在于，所述估算模块具体用于：
采用加权最小二乘法，根据所述地理加权回归模型获取权重函数矩阵，所述权重函数矩阵如下：
β(ui,vi)＝[XTW(ui,vi)X]-1XTW(ui,vi)Y
其中，β为回归系数，W为权重函数矩阵，Y为PM2.5浓度矩阵，X为输入参数矩阵，输入参数包括：常数项、AOD、HPBL以及RH；
采用交叉验证法，根据所述权重函数矩阵获取每个地面站点的最优带宽，并根据所述最优带宽获取各输入参数的权重函数矩阵；
对各输入参数的权重函数矩阵和与所述输入参数对应的地面站点的地理位置进行空间匹配，获取空间函数权重矩阵；
通过克里金空间插值法，根据所述空间函数权重矩阵分别获取常数项、AOD、HPBL以及RH的回归系数；
根据所述卫星遥感数据中每个像元对应的AOD、HPBL、RH以及所述回归系数，结合所述地理加权回归模型获取所述像元的PM2.5浓度。
CN201610018267.2A 2016-01-12 2016-01-12 一种pm2.5浓度的估算方法及系统 Expired - Fee Related CN105678085B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610018267.2A CN105678085B (zh) 2016-01-12 2016-01-12 一种pm2.5浓度的估算方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610018267.2A CN105678085B (zh) 2016-01-12 2016-01-12 一种pm2.5浓度的估算方法及系统

Publications (2)

Publication Number Publication Date
CN105678085A CN105678085A (zh) 2016-06-15
CN105678085B true CN105678085B (zh) 2019-01-01

Family

ID=56300133

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610018267.2A Expired - Fee Related CN105678085B (zh) 2016-01-12 2016-01-12 一种pm2.5浓度的估算方法及系统

Country Status (1)

Country Link
CN (1) CN105678085B (zh)

Families Citing this family (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106528997B (zh) * 2016-10-28 2020-08-14 江苏天瑞仪器股份有限公司 一种绘制区域颗粒物小时浓度分布图的方法
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
CN107729293B (zh) * 2017-09-27 2019-11-12 中南大学 一种基于多元自适应回归的地理空间异常探测方法
CN107832910B (zh) * 2017-09-30 2020-04-24 东南大学 一种评价道路交通特征对一氧化碳排放浓度影响的方法
CN108106979B (zh) * 2017-12-21 2020-05-19 深圳先进技术研究院 一种基于modis和机器学习模型融合的pm2.5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
CN110095389A (zh) * 2018-07-02 2019-08-06 杭州师范大学 一种短时间尺度内城市大气细颗粒物时空变异评价方法
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
CN109523066B (zh) * 2018-10-29 2023-06-20 东华理工大学 一种基于克里金插值的pm2.5新增移动站点选址方法
CN109490477A (zh) * 2018-11-19 2019-03-19 北京英视睿达科技有限公司 基于卫星遥感数据确定大气污染热点网格的方法及装置
CN109582910A (zh) * 2018-12-11 2019-04-05 国网湖南省电力有限公司 基于空气混合高度的地面pm2.5的计算方法及系统
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
CN110398446A (zh) * 2019-08-01 2019-11-01 成都信息工程大学 一种结合aod和气象参数的pm2.5浓度拟合方法
CN110411919B (zh) * 2019-08-02 2021-04-16 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
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
CN110738354B (zh) * 2019-09-18 2021-02-05 北京建筑大学 预测颗粒物浓度的方法、装置、存储介质及电子设备
CN110726653B (zh) * 2019-09-25 2022-03-04 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
TWI795672B (zh) * 2020-09-08 2023-03-11 卡米爾股份有限公司 空氣污染源分析裝置
CN112798482B (zh) * 2020-12-30 2022-09-06 联雨科技(天津)有限公司 一种基于卫星遥感的pm2.5与pm10估算方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
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系统
CN105023043A (zh) * 2015-07-23 2015-11-04 杭州师范大学 一种基于aod的杭州地区pm2.5反演模型

Patent Citations (3)

* 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系统
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
CN105023043A (zh) * 2015-07-23 2015-11-04 杭州师范大学 一种基于aod的杭州地区pm2.5反演模型

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于地理加权模型的我国冬季PM2.5遥感估算方法研究（优先出版）;陈辉 等;《环境科学学报》;20151203;第2-7页

Also Published As

Publication number Publication date
CN105678085A (zh) 2016-06-15

Similar Documents

Publication Publication Date Title
CN105678085B (zh) 一种pm2.5浓度的估算方法及系统
Tsin et al. Microscale mobile monitoring of urban air temperature
CN102539336B (zh) 基于环境一号卫星的可吸入颗粒物估算方法及系统
Huang et al. A physically based algorithm for retrieving land surface temperature under cloudy conditions from AMSR2 passive microwave measurements
Wangchuk et al. Towards automated mapping and monitoring of potentially dangerous glacial lakes in Bhutan Himalaya using Sentinel-1 Synthetic Aperture Radar data
CN109635309A (zh) 一种地表温度空间降尺度方法
Khaniani et al. Evaluation of MODIS Near-IR water vapor product over Iran using ground-based GPS measurements
CN104406686B (zh) 复杂地形条件下太阳短波入射辐射估算方法
CN113885025A (zh) 一种滑坡形变监测方法与可视化服务平台
CN113205475A (zh) 基于多源卫星遥感数据的森林高度反演方法
CN110927120B (zh) 一种植被覆盖度预警方法
CN103994976A (zh) 基于modis数据的农业旱情遥感监测方法
CN101629850A (zh) 从modis数据反演地表温度方法
CN110595968B (zh) 一种基于静止轨道卫星的pm2.5浓度估算方法
CN109871637A (zh) 一种云天条件下近地面气温估算方法
CN110411918A (zh) 一种基于卫星偏振技术的pm2.5浓度遥感估算方法
CN108491667A (zh) 一种基于Himawar-8 AOD的PM2.5遥感监测反演方法
CN110095587A (zh) 一种基于高光谱影像的区域生态风险评价方法
Weligepolage et al. Surface roughness analysis of a conifer forest canopy with airborne and terrestrial laser scanning techniques
Mengelkamp et al. Evaporation over a heterogeneous land surface
Ma et al. An improved MODIS NIR PWV retrieval algorithm based on an artificial neural network considering the land-cover types
Fuller et al. Predicting water quality by relating Secchi-disk transparency and chlorophyll a measurements to satellite imagery for Michigan inland lakes, August 2002
CN108874734B (zh) 一种全球陆地降水反演方法
CN103927454B (zh) 一种基于环境卫星的灰霾污染监测方法
Wang et al. An alternative split-window algorithm for retrieving land surface temperature from Visible Infrared Imaging Radiometer Suite data

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20190101

Termination date: 20210112

CF01 Termination of patent right due to non-payment of annual fee