CN108491667A - 一种基于Himawar-8 AOD的PM2.5遥感监测反演方法 - Google Patents

一种基于Himawar-8 AOD的PM2.5遥感监测反演方法 Download PDF

Info

Publication number
CN108491667A
CN108491667A CN201810332580.2A CN201810332580A CN108491667A CN 108491667 A CN108491667 A CN 108491667A CN 201810332580 A CN201810332580 A CN 201810332580A CN 108491667 A CN108491667 A CN 108491667A
Authority
CN
China
Prior art keywords
data
aod
ground
remote sensing
himawari
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
Application number
CN201810332580.2A
Other languages
English (en)
Other versions
CN108491667B (zh
Inventor
陈江平
黄枭
冯婉舒
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.)
Wuhan University WHU
Original Assignee
Wuhan University WHU
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 Wuhan University WHU filed Critical Wuhan University WHU
Priority to CN201810332580.2A priority Critical patent/CN108491667B/zh
Publication of CN108491667A publication Critical patent/CN108491667A/zh
Application granted granted Critical
Publication of CN108491667B publication Critical patent/CN108491667B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G01—MEASURING; TESTING
    • G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
    • G01D21/00—Measuring or testing not otherwise provided for
    • G01D21/02—Measuring two or more variables by means not covered by a single other subclass
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Algebra (AREA)
  • Probability & Statistics with Applications (AREA)
  • Operations Research (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于Himawar‑8AOD的PM2.5遥感监测反演方法，包括以下步骤：S1、获取Himawari‑8AOD产品数据，PM2.5地面监测站点数据，气象数据以及土地利用数据；并进行时空配准，建立遥感估计近地面PM2.5质量浓度的混合效应回归模型；S2、分别对获取到的数据进行预处理，提取出研究区域的AOD地理信息，各气象因子地理信息，以及地理信息；通过Matlab将预处理得到的信息以.mat格式存储；S3、编写Matlab代码读取步骤S2中预处理得到的AOD地理信息、各气象因子地理信息以及地理信息，并应用于步骤S1中建立的混合效应回归模型，得到遥感估计近地面PM2.5质量浓度结果。本发明能够对PM2.5浓度进行大面积、连续性时间的动态监测，并且该方法的监测稳定性好，准确性高，具有较好的应用前景。

Description

一种基于Himawar-8 AOD的PM2.5遥感监测反演方法
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Himawar-8 AOD的PM2.5遥感监测反演方法。
背景技术
暴露于空气中的细颗粒物(PM2.5)，指空气动力学直径小于等于2.5μm的颗粒，是大气污染的重要组成成分之一,也是造成雾霾的主要原因。最新的研究表明，自1990年以来，全球环境的空气污染负担一直在持续增加。PM2.5的影响主要体现在对人体呼吸道健康的危害、地表温度和大气降水的变化等多个方面。流行病学研究表明，PM2.5与心血管呼吸系统疾病发病率和死亡率的增加有关，当亚微米大小的颗粒物渗透到肺部，可能诱发呼吸道疾病。因此，长期、大面积的PM2.5监测和准确的PM2.5浓度预测对于评估空气质量以及保障公众的健康至关重要。
传统的PM2.5浓度遥感监测方法大部分是基于MODIS AOD数据来进行估算的，估算结果受AOD数据精度影响较大，并且这种极轨卫星提供的数据受观测频率的限制，因此这仍然不足以让我们理解PM2.5质量浓度在连续性时间上的演变。Himawari-8(向日葵8号)气象卫星是日本宇宙航空研究开发机构设计制造的向日葵系列卫星之一，是日本于2014年10月7日发射的新一代气象卫星。Himawari-8是世界上第一颗可以拍摄彩色图像的静止气象卫星，以往的极轨卫星受观测频率的限制，而Himawari-8的观测频率提高到了至少每10分钟一次，覆盖地球的三分之一(西太平洋、东亚、东南亚和大洋洲)，对云层等动向的持续观测性能也得到提升。
故而，在这种背景下，研究一种新的能够准确对PM2.5浓度进行大面积、连续性时间的动态监测方法，为科学研究中待解决的问题。
发明内容
本发明要解决的技术问题在于针对现有技术中遥感反演时间分辨率低的缺陷，提供一种基于Himawar-8 AOD的PM2.5遥感监测反演方法。
本发明解决其技术问题所采用的技术方案是：
本发明提供一种基于Himawar-8 AOD的PM2.5遥感监测反演方法，该方法包括以下步骤：
S1、获取研究区域内Himawar-8卫星采集到的Himawari-8 AOD产品数据，地面监测站点采集到的PM2.5地面监测站点数据，气象数据以及土地利用数据；对获取到的数据进行时空配准，建立遥感估计近地面PM2.5质量浓度的混合效应回归模型；
S2、分别对Himawari-8 AOD产品数据进行预处理，提取出研究区域的AOD地理信息；对气象数据进行预处理，提取出研究区域的各气象因子地理信息；对土地利用信息进行预处理，提取出研究区域的地理信息；通过Matlab将预处理得到的信息以.mat格式存储；
S3、编写Matlab代码读取步骤S2中预处理得到的AOD地理信息、各气象因子地理信息以及地理信息，并应用于步骤S1中建立的混合效应回归模型，得到遥感估计近地面PM2.5质量浓度结果。
进一步地，本发明的步骤S2中建立遥感估计近地面PM2.5质量浓度的混合效应回归模型的方法具体为：
S21、提取某一时间段内Himawari-8 AOD产品数据、PM2.5地面监测站点数据、气象数据与土地利用数据；
S22、对Himawari-8 AOD产品数据、PM2.5地面监测站点数据、气象数据进行空间坐标上的匹配获得样本数据；
S23、加入土地利用信息对样本数据进行回归分析，建立遥感估计近地面PM2.5质量浓度的混合效应回归模型，该模型为：
其中，PM2.5代表近地面PM2.5质量浓度的小时均值，单位为ug·m-3；AOD是指Himawari-8提供的气溶胶光学厚度值；BLH是指欧洲中期天气预报中心ECMWF资料获取的边界层高度，单位m；RH为地基测量的近地表相对湿度，单位为％；TEM为地基测量的近地表温度，单位为K；PRES为近地表压强，单位为Pa；为考虑了地表风速的大小及方向的分量，单位为m/s；DEM为研究区域的数字高程模型信息，单位为m；NDVI为月均值归一化植被指数，无单位；β0为公式中固定的截距；β1～β8为公式中相应的回归系数，与预测变量相关。
进一步地，本发明的步骤S1中获取数据的方法具体为：
利用Himawari-8卫星对大气进行遥感监测提供的气溶胶二级产品，获得Himawari-8 AOD产品数据；
利用欧洲中期天气预报中心ECMWF中的再分析数据集，获取气象数据；
利用美国航空航天局NASA提供的MODIS Level 3月均值归一化植被指数和空间分辨率为90米的DEM产品，获得土地利用信息数据；
利用PM2.5地面监测站点获取近地表的PM2.5地面监测站点数据。
进一步地，本发明的气象数据包括边界层高度、相对湿度、近地面温度、近地面压强、近地面风速；气象数据从欧洲中期天气预报中心再分析数据集资料库中下载获得。
进一步地，本发明的步骤S22中空间坐标上的匹配方法为：
气象数据采用与地面监测站点最近的4个格点气象数据进行加权最小二乘匹配；Himawari-8 AOD数据采用以PM2.5地面监测站点为中心周围5公里半径范围内的非零象元均值进行匹配。
进一步地，本发明的步骤S2中对Himawari-8 AOD产品数据进行预处理的方法为：利用LeapFTP软件下载NetCDF格式的Himawari-8 AOD产品数据，并在Matlab中编写代码提取其地理信息数据并转成.mat格式存储。
进一步地，本发明的步骤S2中对气象数据进行预处理的方法为：通过欧洲中期天气预报中心ECMWF官网下载气象数据，在Matlab中编写代码提取其地理信息数据并转化成.mat格式存储。
进一步地，本发明的步骤S2中对土地利用信息进行预处理的方法为：通过美国航空航天局NASA下载MODIS Level 3月均值归一化植被指数NDVI和空间分辨率为90米的DEM产品，获得土地利用信息数据，在Matlab中编写代码提取其地理信息数据并转化成.mat格式存储。
进一步地，本发明的该方法中Himawari-8 AOD产品数据是Himawari-8卫星采集到的Himawari-8 AOD Level 2产品数据，时间分辨率为10min，空间分辨率为10km；气象数据是欧洲中期天气预报中心全球再分析数据资料ERA-Interim中获取的，空间分辨率是0.125°；土地利用信息数据是美国航空航天局NASA下载得到的，月均值归一化植被指数NDVI时间分辨率是16days，空间分辨率是0.05°，DEM空间分辨率是90m。
本发明产生的有益效果是：本发明的基于Himawar-8 AOD的PM2.5遥感监测反演方法，能够对PM2.5浓度进行大面积、连续性时间的动态监测，并且该方法的监测稳定性好，准确性高，具有较好的应用前景。
附图说明
下面将结合附图及实施例对本发明作进一步说明，附图中：
图1是本发明实施例的方法流程图。
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用以解释本发明，并不用于限定本发明。
如图1所示，本发明实施例基于Himawari-8 AOD产品数据、ECMWF气象数据及土地利用信息数据进行回归分析，建立了遥感估计近地面PM2.5质量浓度的混合效应回归模型，最终得到通过遥感技术反演的近地面PM2.5质量浓度。
本发明实施例的遥感反演近地面细颗粒物质量浓度的方法，首先是需要下载获取Himawari-8卫星提供的气溶胶二级产品以及欧洲中期天气预报中心提供的气象数据；然后构建PM2.5地面监测站点的空间数据集，为步骤S1的数据时空配准提供基础。
图1示出本发明基于Himawari-8 AOD产品数据、ECMWF气象数据及土地利用信息数据的遥感反演近地面细颗粒物质量浓度的方法流程。参考图1，本发明的遥感反演估算方法进一步包括以下步骤：
步骤S1.通过对Himawari-8 AOD数据、地面站点PM2.5监测数据、气象数据和土地利用数据进行时空配准，建立遥感估计近地面PM2.5质量浓度的混合效应回归模型；
步骤S2.对Himawari-8 AOD产品数据进行预处理：提取出研究区域的AOD地理信息，并在Matlab中转化成.mat格式存储；对ECMWF气象数据进行预处理：提取出研究区域的各气象因子地理信息进行加权最小二乘匹配到AOD产品格网中，并以.mat格式存储；对土地利用信息进行预处理：提取出研究区域的地理信息，并以.mat格式存储；
步骤S3.编写Matlab代码读取S2中的数据并应用于S1中建立的混合效应回归模型，得到遥感估计近地面PM2.5质量浓度结果。
其中，步骤S1进一步包括以下步骤：
A)所述ECMWF气象数据包括边界层高度、相对湿度、近地面温度、近地面压强、近地面风速(包括大小和二维平面上的方向)；所述ECMWF气象数据从欧洲中期天气预报中心再分析数据集资料库中下载获得。
B)所述步骤S1中的空间配准上，气象数据采用与地面监测站点最近的4个格点气象数据进行加权最小二乘匹配；Himawari-8 AOD数据采用以PM2.5地面监测站点为中心周围5公里半径范围内的非零象元均值进行匹配；时间上以卫星观测时间为准。
C)对上述处理后的数据通过统计分析软件进行回归分析，建立如下述公式(1)所示的遥感反演估算PM2.5质量浓度的多元回归模型。
公式(1)中，PM2.5代表近地面PM2.5质量浓度的小时均值，单位为ug·m-3；AOD是指Himawari-8提供的气溶胶光学厚度值，无单位；BLH是指ECMWF资料获取的边界层高度，单位m；RH为地基测量的近地表相对湿度，单位为％；TEM为地基测量的近地表温度，单位为K；PRES为近地表压强，单位为Pa；为考虑了地表风速的大小及方向的分量，单位为m/s；DEM为研究区域的数字高程模型信息，单位为m；NDVI为月均值归一化植被指数，无单位；β0为公式中固定的截距；β1～β8为公式中相应的回归系数，与预测变量相关。
其中，步骤S2进一步包括利用LeapFTP软件下载NetCDF格式的AOD产品数据，并在Matlab中编写代码提取其地理信息数据并转成.mat格式存储；通过ECMWF官网下载气象数据，在Matlab中编写代码提取其地理信息数据并转化成.mat格式存储；通过美国航空航天局(NASA)下载MODIS Level 3月均值归一化植被指数(NDVI)和空间分辨率为90米的DEM产品，获得土地利用信息数据，并在Matlab中编写代码提取其地理信息数据并转化成.mat格式存储。
其中，步骤S3进一步包括编写Matlab代码读取步骤S1、步骤S2中预处理后的数据并应用于步骤S1中建立的混合效应回归模型，计算出遥感估计近地面PM2.5质量浓度结果。
上述卫星为Himawari-8，所述AOD产品是指Himawari-8 AOD Level 2产品数据，时间分辨率为10min，空间分辨率为10km；所述气象数据是欧洲中期天气预报中心全球再分析数据资料ERA-Interim中获取的，空间分辨率是0.125°；所述土地利用信息数据是美国航空航天局(NASA)下载得到的，月均值归一化植被指数(NDVI)时间分辨率是16days，空间分辨率是0.05°，DEM空间分辨率是90m。
应当理解的是，对本领域普通技术人员来说，可以根据上述说明加以改进或变换，而所有这些改进和变换都应属于本发明所附权利要求的保护范围。

Claims (9)

1.一种基于Himawar-8 AOD的PM2.5遥感监测反演方法，其特征在于，该方法包括以下步骤：
S1、获取研究区域内Himawar-8卫星采集到的Himawari-8 AOD产品数据，地面监测站点采集到的PM2.5地面监测站点数据，气象数据以及土地利用数据；对获取到的数据进行时空配准，建立遥感估计近地面PM2.5质量浓度的混合效应回归模型；
S2、分别对Himawari-8 AOD产品数据进行预处理，提取出研究区域的AOD地理信息；对气象数据进行预处理，提取出研究区域的各气象因子地理信息；对土地利用信息进行预处理，提取出研究区域的地理信息；通过Matlab将预处理得到的信息以.mat格式存储；
S3、编写Matlab代码读取步骤S2中预处理得到的AOD地理信息、各气象因子地理信息以及地理信息，并应用于步骤S1中建立的混合效应回归模型，得到遥感估计近地面PM2.5质量浓度结果。
2.根据权利要求1所述的基于Himawar-8 AOD的PM2.5遥感监测反演方法，其特征在于，步骤S2中建立遥感估计近地面PM2.5质量浓度的混合效应回归模型的方法具体为：
S21、提取某一时间段内Himawari-8 AOD产品数据、PM2.5地面监测站点数据、气象数据与土地利用数据；
S22、对Himawari-8 AOD产品数据、PM2.5地面监测站点数据、气象数据进行空间坐标上的匹配获得样本数据；
S23、加入土地利用信息对样本数据进行回归分析，建立遥感估计近地面PM2.5质量浓度的混合效应回归模型，该模型为：
其中，PM2.5代表近地面PM2.5质量浓度的小时均值，单位为ug·m-3；AOD是指Himawari-8提供的气溶胶光学厚度值；BLH是指欧洲中期天气预报中心ECMWF资料获取的边界层高度，单位m；RH为地基测量的近地表相对湿度，单位为％；TEM为地基测量的近地表温度，单位为K；PRES为近地表压强，单位为Pa；为考虑了地表风速的大小及方向的分量，单位为m/s；DEM为研究区域的数字高程模型信息，单位为m；NDVI为月均值归一化植被指数，无单位；β0为公式中固定的截距；β1～β8为公式中相应的回归系数，与预测变量相关。
3.根据权利要求1所述的基于Himawar-8 AOD的PM2.5遥感监测反演方法，其特征在于，步骤S1中获取数据的方法具体为：
利用Himawari-8卫星对大气进行遥感监测提供的气溶胶二级产品，获得Himawari-8AOD产品数据；
利用欧洲中期天气预报中心ECMWF中的再分析数据集，获取气象数据；
利用美国航空航天局NASA提供的MODIS Level 3月均值归一化植被指数和空间分辨率为90米的DEM产品，获得土地利用信息数据；
利用PM2.5地面监测站点获取近地表的PM2.5地面监测站点数据。
4.根据权利要求1所述的基于Himawar-8 AOD的PM2.5遥感监测反演方法，其特征在于，气象数据包括边界层高度、相对湿度、近地面温度、近地面压强、近地面风速；气象数据从欧洲中期天气预报中心再分析数据集资料库中下载获得。
5.根据权利要求2所述的基于Himawar-8 AOD的PM2.5遥感监测反演方法，其特征在于，步骤S22中空间坐标上的匹配方法为：
气象数据采用与地面监测站点最近的4个格点气象数据进行加权最小二乘匹配；Himawari-8 AOD数据采用以PM2.5地面监测站点为中心周围5公里半径范围内的非零象元均值进行匹配。
6.根据权利要求1所述的基于Himawar-8 AOD的PM2.5遥感监测反演方法，其特征在于，步骤S2中对Himawari-8 AOD产品数据进行预处理的方法为：利用LeapFTP软件下载NetCDF格式的Himawari-8 AOD产品数据，并在Matlab中编写代码提取其地理信息数据并转成.mat格式存储。
7.根据权利要求1所述的基于Himawar-8 AOD的PM2.5遥感监测反演方法，其特征在于，步骤S2中对气象数据进行预处理的方法为：通过欧洲中期天气预报中心ECMWF官网下载气象数据，在Matlab中编写代码提取其地理信息数据并转化成.mat格式存储。
8.根据权利要求1所述的基于Himawar-8 AOD的PM2.5遥感监测反演方法，其特征在于，步骤S2中对土地利用信息进行预处理的方法为：通过美国航空航天局NASA下载MODISLevel 3月均值归一化植被指数NDVI和空间分辨率为90米的DEM产品，获得土地利用信息数据，在Matlab中编写代码提取其地理信息数据并转化成.mat格式存储。
9.根据权利要求1所述的基于Himawar-8 AOD的PM2.5遥感监测反演方法，其特征在于，该方法中Himawari-8 AOD产品数据是Himawari-8卫星采集到的Himawari-8 AOD Level 2产品数据，时间分辨率为10min，空间分辨率为10km；气象数据是欧洲中期天气预报中心全球再分析数据资料ERA-Interim中获取的，空间分辨率是0.125°；土地利用信息数据是美国航空航天局NASA下载得到的，月均值归一化植被指数NDVI时间分辨率是16days，空间分辨率是0.05°，DEM空间分辨率是90m。
CN201810332580.2A 2018-04-13 2018-04-13 一种基于Himawari-8 AOD的PM2.5遥感监测反演方法 Active CN108491667B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810332580.2A CN108491667B (zh) 2018-04-13 2018-04-13 一种基于Himawari-8 AOD的PM2.5遥感监测反演方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810332580.2A CN108491667B (zh) 2018-04-13 2018-04-13 一种基于Himawari-8 AOD的PM2.5遥感监测反演方法

Publications (2)

Publication Number Publication Date
CN108491667A true CN108491667A (zh) 2018-09-04
CN108491667B CN108491667B (zh) 2021-11-26

Family

ID=63315879

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810332580.2A Active CN108491667B (zh) 2018-04-13 2018-04-13 一种基于Himawari-8 AOD的PM2.5遥感监测反演方法

Country Status (1)

Country Link
CN (1) CN108491667B (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110030934A (zh) * 2019-04-30 2019-07-19 中南大学 基于modis卫星传感器的气溶胶光学厚度的获取方法
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
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
CN111323352A (zh) * 2020-04-09 2020-06-23 中南大学 融合细颗粒物浓度数据的区域pm2.5遥感反演模型
CN112378828A (zh) * 2020-12-11 2021-02-19 中科三清科技有限公司 基于卫星遥感数据反演大气细颗粒物浓度的方法及装置
CN113255148A (zh) * 2021-06-04 2021-08-13 中国科学院地理科学与资源研究所 基于modis产品数据估算全天气气温及其时空分布方法
CN113989644A (zh) * 2021-11-03 2022-01-28 中科三清科技有限公司 基于Himawari-8数据的沙尘区域获取方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090164177A1 (en) * 2007-12-14 2009-06-25 Fujitsu Limited Tolerance analyzing/calculating system, tolerance analyzing method, and storage medium
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
CN105678085A (zh) * 2016-01-12 2016-06-15 环境保护部卫星环境应用中心 一种pm2.5浓度的估算方法及系统
CN105787184A (zh) * 2016-03-04 2016-07-20 华北电力大学（保定） 一种基于pm2.5的大气气溶胶光学厚度估计方法
CN106124374A (zh) * 2016-07-22 2016-11-16 中科宇图科技股份有限公司 基于数据融合的大气颗粒物遥感监测方法
CN106404620A (zh) * 2015-07-30 2017-02-15 中国科学院遥感与数字地球研究所 地统计插值与卫星遥感联合反演地面pm2.5的方法及系统
WO2018023407A1 (zh) * 2016-08-02 2018-02-08 张阳 一种雾霾预警时的信息推送方法和预警装置

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090164177A1 (en) * 2007-12-14 2009-06-25 Fujitsu Limited Tolerance analyzing/calculating system, tolerance analyzing method, and storage medium
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
CN106404620A (zh) * 2015-07-30 2017-02-15 中国科学院遥感与数字地球研究所 地统计插值与卫星遥感联合反演地面pm2.5的方法及系统
CN105678085A (zh) * 2016-01-12 2016-06-15 环境保护部卫星环境应用中心 一种pm2.5浓度的估算方法及系统
CN105787184A (zh) * 2016-03-04 2016-07-20 华北电力大学（保定） 一种基于pm2.5的大气气溶胶光学厚度估计方法
CN106124374A (zh) * 2016-07-22 2016-11-16 中科宇图科技股份有限公司 基于数据融合的大气颗粒物遥感监测方法
WO2018023407A1 (zh) * 2016-08-02 2018-02-08 张阳 一种雾霾预警时的信息推送方法和预警装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
WEIWANG: "Deriving Hourly PM2.5 Concentrations from Himawari-8 AODs over Beijing–Tianjin–Hebei in China", 《REMOTE SENSING》 *

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110030934A (zh) * 2019-04-30 2019-07-19 中南大学 基于modis卫星传感器的气溶胶光学厚度的获取方法
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
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
CN111323352A (zh) * 2020-04-09 2020-06-23 中南大学 融合细颗粒物浓度数据的区域pm2.5遥感反演模型
CN111323352B (zh) * 2020-04-09 2021-08-24 中南大学 融合细颗粒物浓度数据的区域pm2.5遥感反演模型
CN112378828A (zh) * 2020-12-11 2021-02-19 中科三清科技有限公司 基于卫星遥感数据反演大气细颗粒物浓度的方法及装置
CN112378828B (zh) * 2020-12-11 2021-09-17 中科三清科技有限公司 基于卫星遥感数据反演大气细颗粒物浓度的方法及装置
CN113255148A (zh) * 2021-06-04 2021-08-13 中国科学院地理科学与资源研究所 基于modis产品数据估算全天气气温及其时空分布方法
CN113989644A (zh) * 2021-11-03 2022-01-28 中科三清科技有限公司 基于Himawari-8数据的沙尘区域获取方法

Also Published As

Publication number Publication date
CN108491667B (zh) 2021-11-26

Similar Documents

Publication Publication Date Title
CN108491667A (zh) 一种基于Himawar-8 AOD的PM2.5遥感监测反演方法
Buehner et al. Implementation of deterministic weather forecasting systems based on ensemble–variational data assimilation at Environment Canada. Part I: The global system
Ghahremanloo et al. Deep learning estimation of daily ground‐level NO2 concentrations from remote sensing data
Agustí-Panareda et al. Impacts of assimilating AMMA soundings on ECMWF analyses and forecasts
CN105678085B (zh) 一种pm2.5浓度的估算方法及系统
Dirmeyer et al. Comparison, validation, and transferability of eight multiyear global soil wetness products
Dolman et al. The CarboEurope regional experiment strategy
Hand et al. An investigation of warm-season spatial rainfall variability in Oklahoma City: Possible linkages to urbanization and prevailing wind
Matsushita et al. Integrating remotely sensed data with an ecosystem model to estimate net primary productivity in East Asia
Wang et al. Assessing vegetation dynamics impacted by climate change in the southwestern karst region of China with AVHRR NDVI and AVHRR NPP time-series
Kustas et al. The Soil Moisture–Atmosphere Coupling Experiment (SMACEX): background, hydrometeorological conditions, and preliminary findings
Chandra et al. Effects of the 2006 El Niño on tropospheric ozone and carbon monoxide: implications for dynamics and biomass burning
Gettelman et al. The global distribution of supersaturation in the upper troposphere from the Atmospheric Infrared Sounder
Kruse et al. Observed and modeled mountain waves from the surface to the mesosphere near the Drake Passage
Kahn et al. Temperature and water vapor variance scaling in global models: Comparisons to satellite and aircraft data
Thompson et al. Southern Hemisphere Additional Ozonesondes (SHADOZ) ozone climatology (2005–2009): Tropospheric and tropical tropopause layer (TTL) profiles with comparisons to OMI‐based ozone products
Zhou et al. Estimating near-surface air temperature across Israel using a machine learning based hybrid approach
Yang et al. TRMM-based optical and microphysical features of precipitating clouds in summer over the Yangtze–Huaihe River valley, China
Risanto et al. Evaluating forecast skills of moisture from convective-permitting WRF-ARW model during 2017 North American monsoon season
Chen et al. An interpretable deep forest model for estimating hourly PM10 concentration in China using Himawari-8 data
CN115310550A (zh) 一种大气二氧化碳干空气柱浓度计算方法及系统
Rios et al. A novel model to estimate sensible heat fluxes in urban areas using satellite-derived data
Raj et al. Vertical distribution of ozone over a tropical station: Seasonal variation and comparison with satellite (MLS, SABER) and ERA-Interim products
Tang et al. Estimating high-spatial-resolution daily PM2. 5 mass concentration from satellite top-of-atmosphere reflectance based on an improved random forest model
Ma et al. Developing a land continuous variable estimator to generate daily land products from Landsat data

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