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 PDFInfo
- 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
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 45
- 238000000034 method Methods 0.000 title claims abstract description 40
- 230000000694 effects Effects 0.000 claims abstract description 14
- 239000000284 extract Substances 0.000 claims abstract description 10
- 239000000203 mixture Substances 0.000 claims abstract 6
- 241001269238 Data Species 0.000 claims abstract 3
- 239000000443 aerosol Substances 0.000 claims description 6
- 238000012950 reanalysis Methods 0.000 claims description 6
- 238000000611 regression analysis Methods 0.000 claims description 4
- 208000009989 Posterior Leukoencephalopathy Syndrome Diseases 0.000 claims description 3
- 230000003287 optical effect Effects 0.000 claims description 3
- 230000002123 temporal effect Effects 0.000 claims description 3
- 239000012159 carrier gas Substances 0.000 claims 1
- 238000000605 extraction Methods 0.000 claims 1
- 238000007781 pre-processing Methods 0.000 description 4
- 238000003915 air pollution Methods 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 239000013618 particulate matter Substances 0.000 description 2
- 208000023504 respiratory system disease Diseases 0.000 description 2
- 208000024172 Cardiovascular disease Diseases 0.000 description 1
- 241000208818 Helianthus Species 0.000 description 1
- 235000003222 Helianthus annuus Nutrition 0.000 description 1
- 241000337007 Oceania Species 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 239000005442 atmospheric precipitation Substances 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000002526 effect on cardiovascular system Effects 0.000 description 1
- 239000010419 fine particle Substances 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 210000004072 lung Anatomy 0.000 description 1
- 230000005180 public health Effects 0.000 description 1
- 230000000241 respiratory effect Effects 0.000 description 1
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
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。
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 Expired - Fee Related 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 (9)
| 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 |
| CN113869574A (zh) * | 2021-09-25 | 2021-12-31 | 中国电波传播研究所（中国电子科技集团公司第二十二研究所） | 一种基于mcd19a2 aod产品估计pm2.5的方法 |
| 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 |
| CN116223395A (zh) * | 2022-04-29 | 2023-06-06 | 中遥环境(西安)股份有限公司 | 近地表痕量气体浓度反演模型及反演方法 |
Citations (7)
| 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 |
-
2018
- 2018-04-13 CN CN201810332580.2A patent/CN108491667B/zh not_active Expired - Fee Related
Patent Citations (7)
| 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)
| Title |
|---|
| WEIWANG: "Deriving Hourly PM2.5 Concentrations from Himawari-8 AODs over Beijing–Tianjin–Hebei in China", 《REMOTE SENSING》 * |
Cited By (11)
| 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 |
| CN113869574A (zh) * | 2021-09-25 | 2021-12-31 | 中国电波传播研究所（中国电子科技集团公司第二十二研究所） | 一种基于mcd19a2 aod产品估计pm2.5的方法 |
| 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 |
| CN116223395A (zh) * | 2022-04-29 | 2023-06-06 | 中遥环境(西安)股份有限公司 | 近地表痕量气体浓度反演模型及反演方法 |
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 | |
| US20230213337A1 (en) | Large-scale forest height remote sensing retrieval method considering ecological zoning | |
| Herman et al. | Objectively determined 10-day African rainfall estimates created for famine early warning systems | |
| Solmon et al. | Increasing Arabian dust activity and the Indian summer monsoon | |
| CN108241779B (zh) | 基于遥感数据的地面pm2.5浓度特征向量空间滤值建模方法 | |
| Geller et al. | A comparison between gravity wave momentum fluxes in observations and climate models | |
| Agustí-Panareda et al. | Impacts of assimilating AMMA soundings on ECMWF analyses and forecasts | |
| CN104462660A (zh) | 一种野外输电线路冬季覆冰厚度分布绘制方法 | |
| Free et al. | Creating climate reference datasets: CARDS workshop on adjusting radiosonde temperature data for climate monitoring | |
| CN115310550B (zh) | 一种大气二氧化碳干空气柱浓度计算方法及系统 | |
| Businger et al. | Observing and forecasting vog dispersion from Kīlauea volcano, Hawaii | |
| CN103674794A (zh) | 遥感监测近地表细颗粒物质量浓度pm2.5的多元回归方法 | |
| CN110411919B (zh) | 一种基于卫星多光谱技术的pm2.5浓度遥感估算方法 | |
| Xu et al. | A global long-term (1981–2019) daily land surface radiation budget product from AVHRR satellite data using a residual convolutional neural network | |
| Ma et al. | FY-3A/MERSI precipitable water vapor reconstruction and calibration using multi-source observation data based on a generalized regression neural network | |
| Bloch et al. | Near-real-time surface-based CAPE from merged hyperspectral IR satellite sounder and surface meteorological station data | |
| Ding et al. | Retrieving hourly seamless PM2. 5 concentration across China with physically informed spatiotemporal connection | |
| Hong et al. | Assimilating Fengyun-4A observations to improve WRF-Chem PM2. 5 predictions in China | |
| WO2024217457A1 (zh) | 海洋表面温度预测方法、装置、电子设备及存储介质 | |
| CN110030934A (zh) | 基于modis卫星传感器的气溶胶光学厚度的获取方法 | |
| Ma et al. | Developing a land continuous variable estimator to generate daily land products from Landsat data | |
| Shaddy et al. | Generative algorithms for fusion of physics-based wildfire spread models with satellite data for initializing wildfire forecasts | |
| CN110596017A (zh) | 一种基于空间权重约束和变分自编码特征提取的高光谱影像土壤重金属浓度评估方法 | |
| CN116698688B (zh) | 一种基于风云4号双星协同估算大气颗粒物浓度的方法 | |
| CN115687448A (zh) | 短临降水预报方法、装置、电子设备及存储介质 |
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 | ||
| CF01 | Termination of patent right due to non-payment of annual fee | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20211126 |