CN108170927A - 一种基于modis的pm2.5遥感反演方法 - Google Patents
一种基于modis的pm2.5遥感反演方法 Download PDFInfo
- Publication number
- CN108170927A CN108170927A CN201711398781.4A CN201711398781A CN108170927A CN 108170927 A CN108170927 A CN 108170927A CN 201711398781 A CN201711398781 A CN 201711398781A CN 108170927 A CN108170927 A CN 108170927A
- Authority
- CN
- China
- Prior art keywords
- modis
- images
- pixel
- remote sensing
- values
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Geometry (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明涉及遥感影像处理领域,特别涉及一种基于MODIS的PM2.5遥感反演方法;本发明同时获取MODIS影像和PM2.5监测数据;将PM2.5数据插值成PM2.5插值影像;构建训练集和测试集;将训练集用于机器学习算法的训练,并将训练的模型用于测试集,计算模型在测试集上的表现指标;重复步骤S3和S4,得到若干个表现指标,从而选取最优模型;将最优模型用于整幅MODIS影像,则可得到整幅MODIS影像的PM2.5反演结果;在本发明中,从遥感影像本身数据出发,通过机器学习算法的手段,直接建立遥感影像本身与实测PM2.5的关系,从而避免了误差传递,从而达到精度更高的反演结果;本发明避免了误差传递,反演精度高。
Description
技术领域
本发明涉及遥感影像处理技术领域,特别涉及一种基于MODIS的PM2.5遥感反演方法。
背景技术
气溶胶,又称气胶或烟雾质,是指固体或液体微粒稳定地悬浮于气体介质中形成的分散体系,其一般大小在0.01-10微米之间,可分为自然和人类产生两种;气溶胶会影响气候,包括吸收辐射或散射辐射,另外气溶胶会成为凝结核而影响云的性质等。天空中的云、雾、尘埃,工业上和运输业上用的锅炉和各种发动机里未燃尽的燃料所形成的烟,采矿、采石场磨材和粮食加工时所形成的固体粉尘,人造的掩蔽烟幕和毒烟等都是气溶胶的具体实例。气溶胶的消除,主要靠大气的降水、小粒子间的碰并、凝聚、聚合和沉降过程。
在全球气候变化大背景下,近年京津冀、长江三角洲、珠江三角洲、川渝等城市群雾霾现象频发,北京天津、广州深圳、上海等城市雾霾污染天数占全年总天数的30%~50%,且范围在扩大,雾霾已成为我国一种新的复合型危害性大气污染,这主要是不断增加人为排放的大气气溶胶与气象条件共同作用的结果。雾霾主要由可入肺颗粒物PM2.5(空气动力学直径≤2.5μm的颗粒物)组成,也称细颗粒物,雾霾天中PM2.5颗粒物浓度约占总悬浮颗粒物的56.7%~75.4%,占PM10(空气动力学直径≤10μm的颗粒物)80%~90%以上成分,因此,相比PM10甚至沙尘暴(主要成分为沙尘物质),PM2.5对人体健康危害更大,更易引发哮喘、支气管炎和心血管等方面的疾病。因此,科学的监测PM2.5质量浓度,对研究PM2.5的物理、化学光学特性,进而对揭示雾霾成因及理解空气污染产生机制等都有重要的意义。
目前采用的监测手段为建立地面观测站,如全球自动观测网(AERONET)、美国环境可视化监测站(IMPROVE),以及美国环保署EPA近4000个空气观测站(SLAMS),这些能对气溶胶进行连续观测,可直接反映污染物地面浓度信息,但地面环境观测站的稀疏不连续性,难以大范围反映PM2.5气溶胶粒子的时空分布、污染源及传输特性等,观测数据不充分及地面仪器昂贵等均制约了PM2.5的有效监测及宏观分析;现在较为先进地监测采用PM2.5的反演进行监测分析,PM2.5的反演指的是其质量浓度的反演,而现有PM2.5的反演的方法,都是先反演大气气溶胶光学厚度AOD,然后再建立气溶胶光学厚度AOD与地面实测PM2.5的统计关系,再用该统计关系得到无地面观测点区域的PM2.5值,在反演AOD过程中,会带来误差,再用AOD建立实测PM2.5的过程,会导致误差的传递,从而影响最终PM2.5的反演精度。
发明内容
为了克服上述所述的不足,本发明的目的是提供一种基于MODIS的PM2.5遥感反演方法,从遥感影像本身数据出发,通过机器学习算法的手段,直接建立遥感影像本身与实测PM2.5的关系,从而避免了误差传递,从而达到精度更高的反演结果。
本发明解决其技术问题的技术方案是:
一种基于MODIS的PM2.5遥感反演方法,其中,包括如下步骤:
步骤S1、获取需要反演PM2.5当天的MODIS影像,同时获取PM2.5环境监测站点的PM2.5监测数据;
步骤S2、将监测到的PM2.5数据插值成与MODIS影像的相同分辨率的PM2.5插值影像;
步骤S3、将PM2.5环境监测站点随机按比例m:n分成训练站点和测试站点,分别构建训练集和测试集;
步骤S4、将训练集用于机器学习算法的训练,并将训练的模型用于测试集,计算模型在测试集上的表现指标;
步骤S5、重复步骤S3和步骤S4,得到若干个表现指标,选取最优的表现指标所对应的模型,作为需要反演的该天的最优模型;
步骤S6、将选出的最优模型用于整幅MODIS影像,则可得到整幅MODIS影像的PM2.5反演结果。
作为本发明的一种改进,在步骤S2内,将MODIS影像进行云检测,并将有云的区域标记为0,无云的区域标记为1。
作为本发明的进一步改进,在步骤S3内,在构建训练集的过程中,对于训练集中的每一个站点,获取该站点在MODIS影像上k*k邻域内的像素;对于在k*k邻域内的每一个像素,若该像素的云检测标记为0,则弃用此像素,若该像素的云检测标记为1,则取其16个发射率(EMI值)、22个辐射率(RAD值)、22个反射率(REF值),以及该像素在PM2.5插值影像上对应的PM2.5的值,从而构成一条记录,则每个站点最多能构成k*k条记录。
作为本发明的更进一步改进,在步骤S3内,在构建测试集的过程中,对于测试集中的每一个站点,获取该站点在MODIS影像上的像素,对于该像素,若该像素的云检测标记为0,则弃用此像素,若标记为1,取其16个发射率(EMI值)、22个辐射率(RAD值)、22个反射率(REF值),以及该像素在PM2.5插值影像上对应的PM2.5的值,从而构成一条记录,则每个站点最多能构成1条记录。
作为本发明的更进一步改进,在步骤S6内,对MODIS影像上的每一个像素,若该像素的云检测标记为0,则将此像素的PM2.5反演结果置为0,若标记为1,取其16个发射率(EMI值)、22个辐射率(RAD值)、22个反射率(REF值),构成一条记录,并将该记录输入到最优模型中,则输出为该像素的PM2.5预测值;将整幅MODIS影像的所有像素都计算完毕后,即可得到整幅MODIS影像的PM2.5反演结果。
作为本发明的更进一步改进,在步骤S4内,表现指标包括相关系数或均方根误差或决定系数。
作为本发明的更进一步改进,在步骤S5内,最优的表现指标指的是相关系数最高或均方根误差最小。
作为本发明的更进一步改进,在步骤S4内,机器学习算法包括随机森林法或支持向量机法或人工神经网络法。
作为本发明的更进一步改进,在步骤S1内,获取需要反演PM2.5当天的MODIS影像,计算得到16个波段的发射率(EMI值)、22个波段的辐射率(RAD值)和22个波段的反射率(REF值)。
作为本发明的更进一步改进,在步骤S1内,PM2.5监测数据的获取时间与MODIS影像的获取时间为相同或相近;在步骤S2内,将监测到的PM2.5数据插值成与MODIS影像的相同分辨率的PM2.5插值影像的插值方法采用最邻近插值法或反距离加权法或克里金插值法
在本发明中,从遥感影像本身数据出发,通过机器学习算法的手段,直接建立遥感影像本身与实测PM2.5的关系,从而避免了误差传递,从而达到精度更高的反演结果;本发明避免了误差传递,反演精度高。
附图说明
为了易于说明,本发明由下述的较佳实施例及附图作以详细描述。
图1为本发明的步骤流程框图;
图2为本发明按照不同季节随机选取日期进行PM2.5遥感反演产生的反演结果表图;
图3为本发明选取2015年8月8日当天进行PM2.5遥感反演产生反演结果线性对比图;
图4为本发明选取2015年8月26日当天进行PM2.5遥感反演产生反演结果线性对比图;
图5为本发明选取2015年8月8日当天进行PM2.5遥感反演产生的线性拟合图;
图6为本发明选取2015年8月8日当天进行AOD反演产生的线性拟合图;
图7为本发明选取2015年8月26日当天进行PM2.5遥感反演产生的线性拟合图;
图8为本发明选取2015年8月26日当天进行AOD反演产生的线性拟合图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
需要说明的是,在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。
对于本领域的普通技术人员而言,可以通过具体情况理解上述术语在本发明中的具体含义。
如图1所示,本发明的一种基于MODIS的PM2.5遥感反演方法,包括如下步骤:
步骤S1、获取需要反演PM2.5当天的MODIS影像,同时获取PM2.5环境监测站点的PM2.5监测数据;
步骤S2、将监测到的PM2.5数据插值成与MODIS影像的相同分辨率的PM2.5插值影像;
步骤S3、将PM2.5环境监测站点随机按比例m:n分成训练站点和测试站点,分别构建训练集和测试集;
步骤S4、将训练集用于机器学习算法的训练,并将训练的模型用于测试集,计算模型在测试集上的表现指标;
步骤S5、重复步骤S3和步骤S4,得到若干个表现指标,选取最优的表现指标所对应的模型,作为需要反演的该天的最优模型;
步骤S6、将选出的最优模型用于整幅MODIS影像,则可得到整幅MODIS影像的PM2.5反演结果。
在本发明中,从遥感影像本身数据出发,通过机器学习算法的手段,直接建立遥感影像本身与实测PM2.5的关系,从而避免了误差传递,从而达到精度更高的反演结果。
其中,在步骤S2内,将MODIS影像进行云检测,并将有云的区域标记为0,无云的区域标记为1。
进一步,在步骤S3内,在构建训练集的过程中,对于训练集中的每一个站点,获取该站点在MODIS影像上k*k邻域内的像素;对于在k*k邻域内的每一个像素,若该像素的云检测标记为0,则弃用此像素,若该像素的云检测标记为1,则取其16个发射率(EMI值)、22个辐射率(RAD值)、22个反射率(REF值),以及该像素在PM2.5插值影像上对应的PM2.5的值,从而构成一条记录,则每个站点最多能构成k*k条记录。在步骤S3内,在构建测试集的过程中,对于测试集中的每一个站点,获取该站点在MODIS影像上的像素,对于该像素,若该像素的云检测标记为0,则弃用此像素,若标记为1,取其16个发射率(EMI值)、22个辐射率(RAD值)、22个反射率(REF值),以及该像素在PM2.5插值影像上对应的PM2.5的值,从而构成一条记录,则每个站点最多能构成1条记录。
在本发明中,在步骤S6内,对MODIS影像上的每一个像素,若该像素的云检测标记为0,则将此像素的PM2.5反演结果置为0,若标记为1,取其16个发射率(EMI值)、22个辐射率(RAD值)、22个反射率(REF值),构成一条记录,并将该记录输入到最优模型中,则输出为该像素的PM2.5预测值;将整幅MODIS影像的所有像素都计算完毕后,即可得到整幅MODIS影像的PM2.5反演结果。
在本发明中,在步骤S4内,表现指标包括相关系数或均方根误差或决定系数;在步骤S5内,最优的表现指标指的是相关系数最高或均方根误差最小;在步骤S4内,机器学习算法包括随机森林法或支持向量机法或人工神经网络法。
在本发明中,在步骤S1内,获取需要反演PM2.5当天的MODIS影像,计算得到16个波段的发射率(EMI值)、22个波段的辐射率(RAD值)和22个波段的反射率(REF值);在步骤S1内,PM2.5监测数据的获取时间与MODIS影像的获取时间为相同或相近;在步骤S2内,将监测到的PM2.5数据插值成与MODIS影像的相同分辨率的PM2.5插值影像的插值方法采用最邻近插值法或反距离加权法或克里金插值法。
在本发明中,基于原始MODIS影像计算的发射率、辐射率和反射率,建立影像与地面实测PM2.5的关系。
在本发明中,按比例随机选择训练站点和测试站点,从多次随机中选择效率最优的一次。
在本发明中,通过机器学习中的机器学习算法来完成模型的训练,当然也可以用其他机器学习算法;
本发明不依赖于AOD,实验表明,精度更高(如下所述)。
本发明通过实施例的实验来进行表明实验结果:
该实施例采用如下方法步骤:
(1)获取需要反演PM2.5当天的MODIS影像,计算得到16个波段的发射率EMI、22个波段的辐射率RAD和22个波段的反射率REF,同时获取当天与MODIS影像获取时间相同或相近时刻的环境监测站的PM2.5监测数据;
(2)将PM2.5数据插值成与MODIS影像同样分辨率的影像,采用的插值方法可以是最邻近插值、反距离加权法、克里金插值法等;将MODIS影像进行云检测,并将有云的区域标记为0,无云的区域标记为1;
(3)将PM2.5监测站点随机按比例m:n分成训练站点和测试站点,构建训练集和测试集;
(4)构成训练集的过程为:对训练集中的每一个站点,获取该站点在影像上k*k邻域内的像素,对于该邻域内的每一个像素,若该像素的云检测标记为0,则弃用此像素,若标记为1,则取其16个EMI值、22个RAD值、22个REF值,以及该像素在PM2.5插值影像上对应的PM2.5的值,构成一条记录,则每个站点最多能构成k*k条记录;
(5)构建测试集的过程为:对测试集中的每一个站点,获取该站点在影像上的像素,对于该像素,若该像素的云检测标记为0,则弃用此像素,若标记为1,取其16个EMI值、22个RAD值、22个REF值,以及该像素在PM2.5插值影像上对应的PM2.5的值,构成一条记录,则每个站点最多能构成1条记录;
(6)将训练集用于机器学习算法的训练,并将训练的模型用于测试集,计算模型在测试集上的表现指标,表现指标包括相关系数、均方根误差等;
(7)重复步骤(3)到(6)的过程p次,得到p个表现指标,选取最优的指标所对应的模型,作为需要反演的该天的最优模型;最优指标是指,相关系数最高,或者均方根误差最小,或者其它最优指标;
(8)将最优模型用于整幅MODIS影像,具体过程为:对MODIS影像上的每一个像素,若该像素的云检测标记为0,则将此像素的PM2.5反演结果置为0,若标记为1,取其16个EMI值、22个RAD值、22个REF值,构成一条记录,输入到最优模型中,输出为该像素的PM2.5预测值;将整幅影像的所有像素都计算完毕后,即可得到整幅影像的PM2.5反演结果。
该实施例与AOD反演进行对比,如下:
(一)对比数据处理方式
AOD反演:先计算AOD,然后再通过AOD反演PM2.5,一般用线性模型来反演。
该实施例采用MODIS产品中分辨率最高的3km气溶胶产品,该产品采用最新的C6算法;获取反演当天的MODIS影像,按实施例中方法生成所需的训练数据,然后获取当天对应的AOD产品,采用克里金插值方法,将AOD产品中的空洞进行填补,并插值成MODIS同样分辨率的影像;按实施例的方法选择最佳训练站点后,进行训练,并将训练的模型用于测试站点,得到测试站点的预测PM2.5的值pred_RF;然后将训练站点对应的AOD值与对应的PM2.5的值进行线性回归,计算回归系数,然后用该回归系数计算测试站点的PM2.5的值,得到测试站点的预测值pred_AOD;最后分别计算pred_RF和pred_AOD与测试站点的实测PM2.5的值的均方根误差,再计算线性拟合度,得到决定系数R2,用这两个指标来衡量本发明方法与AOD方法的反演精度
(二)区域选择
实验选取广东省的102个环境监测站点发布的PM2.5监测数据,随机选择其中的70个站点做训练,32个站点做测试,然后选择最优的一组训练站点和测试站点作为最终模型。
(三)实验结果
按照不同的季节,随机从春夏秋冬等季节中选择云量比较少的日期进行反演,日期为:2015.4.15、2015.4.17、2015.8.8、2015.8.25、2015.8.26、2015.10.15、2015.10.17、2015.12.20、2016.2.6、2016.2.9、2016.3.20,按照前述方法计算均方根误差,结果如图2所示的表图,从图2中可以看出,实施例中方法的决定系数远高于AOD方法,而均方根误差远小于AOD方法,说明实施例方法能够更好地预测PM2.5的值。
如图3和图4所示,选取2015年8月8日和2015年8月26日两个日期,其预测结果可以看出,实施例的方法要远优于AOD反演法。
如图5和图6所示,选取2015年8月8日当天的两种方法的进行对比,可以看出实施例方法的线性拟合度远高于AOD反演法,说明实施例的反演精度更高。
如图7和图8所示,选取2015年8月26日当天的两种方法的进行对比,可以看出实施例方法的线性拟合度远高于AOD反演法,说明实施例的反演精度更高。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于MODIS的PM2.5遥感反演方法,其特征在于,包括如下步骤:
步骤S1、获取需要反演PM2.5当天的MODIS影像,同时获取PM2.5环境监测站点的PM2.5监测数据;
步骤S2、将监测到的PM2.5数据插值成与MODIS影像的相同分辨率的PM2.5插值影像;
步骤S3、将PM2.5环境监测站点随机按比例m:n分成训练站点和测试站点,分别构建训练集和测试集;
步骤S4、将训练集用于机器学习算法的训练,并将训练的模型用于测试集,计算模型在测试集上的表现指标;
步骤S5、重复步骤S3和步骤S4,得到若干个表现指标,选取最优的表现指标所对应的模型,作为需要反演的该天的最优模型;
步骤S6、将选出的最优模型用于整幅MODIS影像,则可得到整幅MODIS影像的PM2.5反演结果。
2.根据权利要求1所述的一种基于MODIS的PM2.5遥感反演方法,其特征在于,在步骤S2内,将MODIS影像进行云检测,并将有云的区域标记为0,无云的区域标记为1。
3.根据权利要求2所述的一种基于MODIS的PM2.5遥感反演方法,其特征在于,在步骤S3内,在构建训练集的过程中,对于训练集中的每一个站点,获取该站点在MODIS影像上k*k邻域内的像素;对于在k*k邻域内的每一个像素,若该像素的云检测标记为0,则弃用此像素,若该像素的云检测标记为1,则取其16个发射率(EMI值)、22个辐射率(RAD值)、22个反射率(REF值),以及该像素在PM2.5插值影像上对应的PM2.5的值,从而构成一条记录,则每个站点最多能构成k*k条记录。
4.根据权利要求3所述的一种基于MODIS的PM2.5遥感反演方法,其特征在于,在步骤S3内,在构建测试集的过程中,对于测试集中的每一个站点,获取该站点在MODIS影像上的像素,对于该像素,若该像素的云检测标记为0,则弃用此像素,若标记为1,取其16个发射率(EMI值)、22个辐射率(RAD值)、22个反射率(REF值),以及该像素在PM2.5插值影像上对应的PM2.5的值,从而构成一条记录,则每个站点最多能构成1条记录。
5.根据权利要求4所述的一种基于MODIS的PM2.5遥感反演方法,其特征在于,在步骤S6内,对MODIS影像上的每一个像素,若该像素的云检测标记为0,则将此像素的PM2.5反演结果置为0,若标记为1,取其16个发射率(EMI值)、22个辐射率(RAD值)、22个反射率(REF值),构成一条记录,并将该记录输入到最优模型中,则输出为该像素的PM2.5预测值;将整幅MODIS影像的所有像素都计算完毕后,即可得到整幅MODIS影像的PM2.5反演结果。
6.根据权利要求5所述的一种基于MODIS的PM2.5遥感反演方法,其特征在于,在步骤S4内,表现指标包括相关系数或均方根误差或决定系数。
7.根据权利要求6所述的一种基于MODIS的PM2.5遥感反演方法,其特征在于,在步骤S5内,最优的表现指标指的是相关系数最高或均方根误差最小。
8.根据权利要求7所述的一种基于MODIS的PM2.5遥感反演方法,其特征在于,在步骤S4内,机器学习算法包括随机森林法或支持向量机法或人工神经网络法。
9.根据权利要求1所述的一种基于MODIS的PM2.5遥感反演方法,其特征在于,在步骤S1内,获取需要反演PM2.5当天的MODIS影像,计算得到16个波段的发射率(EMI值)、22个波段的辐射率(RAD值)和22个波段的反射率(REF值)。
10.根据权利要求1所述的一种基于MODIS的PM2.5遥感反演方法,其特征在于,在步骤S1内,PM2.5监测数据的获取时间与MODIS影像的获取时间为相同或相近;在步骤S2内,将监测到的PM2.5数据插值成与MODIS影像的相同分辨率的PM2.5插值影像的插值方法采用最邻近插值法或反距离加权法或克里金插值法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711398781.4A CN108170927B (zh) | 2017-12-22 | 2017-12-22 | 一种基于modis的pm2.5遥感反演方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711398781.4A CN108170927B (zh) | 2017-12-22 | 2017-12-22 | 一种基于modis的pm2.5遥感反演方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108170927A true CN108170927A (zh) | 2018-06-15 |
CN108170927B CN108170927B (zh) | 2021-06-18 |
Family
ID=62523404
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711398781.4A Active CN108170927B (zh) | 2017-12-22 | 2017-12-22 | 一种基于modis的pm2.5遥感反演方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108170927B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111079835A (zh) * | 2019-12-16 | 2020-04-28 | 安徽大学 | 一种基于深度全连接网络的Himawari-8大气气溶胶反演方法 |
CN111723525A (zh) * | 2020-06-23 | 2020-09-29 | 南通大学 | 一种基于多源数据和神经网络模型的pm2.5反演方法 |
CN112798610A (zh) * | 2020-12-29 | 2021-05-14 | 生态环境部卫星环境应用中心 | 一种基于卫星遥感监测的“散乱污”企业分布识别方法 |
CN114996624A (zh) * | 2022-04-06 | 2022-09-02 | 武汉大学 | 一种基于多任务深度学习的遥感pm2.5和no2协同反演方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101295022A (zh) * | 2008-06-25 | 2008-10-29 | 中国农业科学院农业资源与农业区划研究所 | 从遥感数据aster反演地表温度和发射率的方法 |
CN103994976A (zh) * | 2013-11-28 | 2014-08-20 | 江苏省水利科学研究院 | 基于modis数据的农业旱情遥感监测方法 |
CN105912790A (zh) * | 2016-04-15 | 2016-08-31 | 重庆大学 | 基于深度回归模型的遥感水质监测方法 |
CN106979911A (zh) * | 2017-03-07 | 2017-07-25 | 南京航空航天大学 | 利用卫星多光谱影像数据进行pm 2.5和pm 10估算的方法 |
CN108106979A (zh) * | 2017-12-21 | 2018-06-01 | 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 |
-
2017
- 2017-12-22 CN CN201711398781.4A patent/CN108170927B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101295022A (zh) * | 2008-06-25 | 2008-10-29 | 中国农业科学院农业资源与农业区划研究所 | 从遥感数据aster反演地表温度和发射率的方法 |
CN103994976A (zh) * | 2013-11-28 | 2014-08-20 | 江苏省水利科学研究院 | 基于modis数据的农业旱情遥感监测方法 |
CN105912790A (zh) * | 2016-04-15 | 2016-08-31 | 重庆大学 | 基于深度回归模型的遥感水质监测方法 |
CN106979911A (zh) * | 2017-03-07 | 2017-07-25 | 南京航空航天大学 | 利用卫星多光谱影像数据进行pm 2.5和pm 10估算的方法 |
CN108106979A (zh) * | 2017-12-21 | 2018-06-01 | 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 |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111079835A (zh) * | 2019-12-16 | 2020-04-28 | 安徽大学 | 一种基于深度全连接网络的Himawari-8大气气溶胶反演方法 |
CN111079835B (zh) * | 2019-12-16 | 2023-03-07 | 安徽大学 | 一种基于深度全连接网络的Himawari-8大气气溶胶反演方法 |
CN111723525A (zh) * | 2020-06-23 | 2020-09-29 | 南通大学 | 一种基于多源数据和神经网络模型的pm2.5反演方法 |
CN111723525B (zh) * | 2020-06-23 | 2023-10-31 | 南通大学 | 一种基于多源数据和神经网络模型的pm2.5反演方法 |
CN112798610A (zh) * | 2020-12-29 | 2021-05-14 | 生态环境部卫星环境应用中心 | 一种基于卫星遥感监测的“散乱污”企业分布识别方法 |
CN114996624A (zh) * | 2022-04-06 | 2022-09-02 | 武汉大学 | 一种基于多任务深度学习的遥感pm2.5和no2协同反演方法 |
CN114996624B (zh) * | 2022-04-06 | 2024-04-05 | 武汉大学 | 一种基于多任务深度学习的遥感pm2.5和no2协同反演方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108170927B (zh) | 2021-06-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108106979A (zh) | 一种基于modis和机器学习模型融合的pm2.5反演方法 | |
Ding et al. | The abundance and characteristics of atmospheric microplastic deposition in the northwestern South China Sea in the fall | |
Shao et al. | A review on East Asian dust storm climate, modelling and monitoring | |
CN108170927A (zh) | 一种基于modis的pm2.5遥感反演方法 | |
Zhang et al. | Satellite remote sensing of changes in NO x emissions over China during 1996–2010 | |
Park et al. | Parameterization of Asian dust (Hwangsa) particle-size distributions for use in dust emission models | |
CN106404620A (zh) | 地统计插值与卫星遥感联合反演地面pm2.5的方法及系统 | |
Li et al. | The impact of observation nudging on simulated meteorology and ozone concentrations during DISCOVER-AQ 2013 Texas campaign | |
Cottle et al. | A pervasive and persistent Asian dust event over North America during spring 2010: lidar and sunphotometer observations | |
Li et al. | Vertical distribution of particulate matter and its relationship with planetary boundary layer structure in Shenyang, Northeast China | |
Garcia et al. | An evaluation of transported pollution and respiratory–related hospital admissions in the state of New York | |
Menut et al. | Aerosol forecast over the Mediterranean area during July 2013 (ADRIMED/CHARMEX) | |
Doran et al. | Applications of lagrangian dispersion modeling to the analysis of changes in the specific absorption of elemental carbon | |
CN104819963A (zh) | 一种大气垂直能见度的测定方法及监控系统 | |
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 | |
Han et al. | Model analysis of aerosol optical depth distributions over East Asia | |
Brasseur et al. | Microplastics in the atmosphere: A global perspective | |
Khan et al. | An outlook of ozone air pollution through comparative analysis of artificial neural network, regression, and sensitivity models | |
CN108627433B (zh) | 一种环境气溶胶分粒径黑碳质量分布的测量方法及其系统 | |
Delcloo et al. | Five day 3D back trajectory clusters and trends analysis of the Uccle ozone sounding time series in the lower troposphere (1969–2001) | |
Gryschka et al. | Scale analysis of convective clouds | |
Lee et al. | Numerical simulation and evaluation of Asian dust events observed in Mongolia in spring 2011 | |
Fratini et al. | Evaluation of a wind erosion model in a desert area of northern Asia by eddy covariance | |
Viola et al. | The Lower Atmosphere above Svalbard (LAS): Observed long term trends, small scale processes and the surface exchange | |
Chuanchai et al. | The Particulate Matter Concentration Spatial Prediction using Interpolation Techniques with Machine Learning |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
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 |