CN109272053B - 极轨卫星监测气溶胶光学厚度的数据融合方法及系统 - Google Patents

极轨卫星监测气溶胶光学厚度的数据融合方法及系统 Download PDF

Info

Publication number
CN109272053B
CN109272053B CN201811190000.7A CN201811190000A CN109272053B CN 109272053 B CN109272053 B CN 109272053B CN 201811190000 A CN201811190000 A CN 201811190000A CN 109272053 B CN109272053 B CN 109272053B
Authority
CN
China
Prior art keywords
satellite
optical thickness
aerosol
value
grid
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.)
Active
Application number
CN201811190000.7A
Other languages
English (en)
Other versions
CN109272053A (zh
Inventor
陆佳政
冯涛
徐勋建
郭俊
蔡泽林
邸悦伦
李丽
怀晓伟
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.)
State Grid Corp of China SGCC
State Grid Hunan Electric Power Co Ltd
Disaster Prevention and Mitigation Center of State Grid Hunan Electric Power Co Ltd
Original Assignee
State Grid Corp of China SGCC
State Grid Hunan Electric Power Co Ltd
Disaster Prevention and Mitigation Center of State Grid Hunan Electric Power Co Ltd
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 State Grid Corp of China SGCC, State Grid Hunan Electric Power Co Ltd, Disaster Prevention and Mitigation Center of State Grid Hunan Electric Power Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN201811190000.7A priority Critical patent/CN109272053B/zh
Publication of CN109272053A publication Critical patent/CN109272053A/zh
Application granted granted Critical
Publication of CN109272053B publication Critical patent/CN109272053B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/251—Fusion techniques of input or preprocessed data

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Position Fixing By Use Of Radio Waves (AREA)
  • Length Measuring Devices By Optical Means (AREA)

Abstract

本发明公开了一种极轨卫星监测气溶胶光学厚度的数据融合方法及系统，该方法包括：将观测区域划分为多个网格，获取每个网格的气溶胶光学厚度的卫星监测值；收集每一颗卫星过境时，每一个地面观测点记录的气溶胶光学厚度的地面观测值；根据地面观测点的位置以及气溶胶光学厚度的地面观测值，以及每个网格的气溶胶光学厚度的卫星监测值，计算每颗卫星在网格点上的气溶胶光学厚度的修正值，以及每颗卫星的权重；根据权重，综合计算每个网格的所有卫星的气溶胶光学厚度的修正值，得到气溶胶光学厚度。本发明将地面观测信息加入到卫星观测信息中，提升了污染的监测精度，提高了污染物广域监测中卫星信息的利用率，计算流程清晰，实用性强。

Description

极轨卫星监测气溶胶光学厚度的数据融合方法及系统
技术领域
本发明涉及雾霾监测技术领域，尤其涉及一种极轨卫星监测气溶胶光学厚度的数据融合方法及系统。
背景技术
随着工业化发展、城市化扩张，导致中国中东部地区大气雾霾频发，严重时造成飞机停飞、学校放假等，影响了人们正常生产生活和健康安全。研究表明，造成持续性雾霾的主要原因之一是污染物排放增多，而工业生产则为主要排放源。
环保部门通常利用地面观测点进行污染的监测，但由于站点分布稀疏，无法覆盖整个区域，导致监测不全面。随着卫星遥感技术的发展，开展卫星监测污染物成为了主要手段，特别是极轨卫星由于轨道低，可开展高分辨的污染物监测。其中卫星监测的关键污染指标为气溶胶光学厚度。
然而，由于极轨卫星过境轨道不同导致主要覆盖区域不一样，时间不同无法全天候监测雾霾，因此为了得到整个区域雾霾分布，有必要开展多种卫星监测气溶胶光学厚度数据的融合，全面了解气溶胶光学厚度的空间分布特征，为有针对性的开展电网环保调度提供科学依据。
发明内容
本发明提供一种极轨卫星监测气溶胶光学厚度的数据融合方法及系统，以解决极轨卫星由于过境轨道不同无法进行全天候雾霾监测的技术问题。
为解决上述技术问题，本发明提供的技术方案为：
一种极轨卫星监测气溶胶光学厚度的数据融合方法，包括以下步骤：
将观测区域划分为多个网格，获取每个网格的气溶胶光学厚度的卫星监测值；
收集每一颗卫星过境时，每一个地面观测点记录的气溶胶光学厚度的地面观测值；
根据地面观测点的位置以及气溶胶光学厚度的地面观测值，以及每个网格的气溶胶光学厚度的卫星监测值，计算每颗卫星在网格点上的气溶胶光学厚度的修正值，以及每颗卫星的权重；
根据权重，综合计算每个网格的所有卫星的气溶胶光学厚度的修正值，得到网格气溶胶光学厚度的融合值。
优选地，根据地面观测点的位置以及气溶胶光学厚度的地面观测值，以及每个网格的气溶胶光学厚度的卫星监测值，计算每颗卫星的权重，包括以下步骤：
将卫星的每个网格的气溶胶光学厚度的卫星监测值，插值到地面观测点的位置上，得到地面观测点的气溶胶光学厚度的计算值；
根据网格点的气溶胶光学厚度的卫星监测值和地面观测点的气溶胶光学厚度的计算值，计算每颗卫星的卫星监测值和计算值的平均绝对偏差；
根据平均绝对偏差，计算每颗卫星在网格点上的气溶胶光学厚度的修正值，以及每颗卫星的权重。
优选地，将卫星的每个网格的气溶胶光学厚度的卫星监测值，插值到地面观测点的位置上，通过如下情况之一，得到地面观测点的气溶胶光学厚度的计算值：
当地面观测点的位置在卫星有观测的网格点上，则取网格点的气溶胶光学厚度的卫星监测值作为计算值；
当地面观测点的位置在卫星有观测值区域的网格线上时，利用同一条线上相邻的两个点进行线性插值，将线性插值结果作为计算值；
当地面观测点的位置在卫星有观测值区域的网格内，利用双线性插值计算该点的气溶胶光学厚度的计算值。
优选地，获取每个网格的气溶胶光学厚度的卫星监测值，包括以下步骤：
获取经过观测区域的卫星颗数，将每一颗过境的卫星按照一天的过境的时间先后顺序排序；
根据卫星的排序，接收每日过境卫星数据，获取多个网格的气溶胶光学厚度的卫星监测值。
优选地，在收集每一颗卫星过境时，每一个地面观测点记录的气溶胶光学厚度的地面观测值之前，方法还包括：收集观测区域内的地面观测点的位置以及总数，地面观测点的位置包括地面观测点的经度和纬度。
优选地，根据权重，综合计算每个网格的所有卫星的气溶胶光学厚度的修正值，得到所述网格的气溶胶光学厚度的融合值，包括以下情况之一：
当网格有多颗卫星经过时，根据每颗卫星的权重，计算网格的气溶胶光学厚度的融合值；
当网格只有一颗卫星经过时，取卫星的卫星监测值作为网格的气溶胶光学厚度的融合值；
当网格没有卫星经过时，网格的气溶胶光学厚度的融合值为0。
优选地，当网格有多颗卫星经过时，根据每颗卫星的权重，计算网格的气溶胶光学厚度的融合值，计算公式为：
Figure BDA0001827265140000021
其中，Pi,j为网格的气溶胶光学厚度的修正值；i＝1…m，j＝1…n；m为地面观测点的总数；n为经过观测区域的卫星颗数，P′i,j为气溶胶光学厚度的融合值，γi为权重，k为网格点的经过卫星的数量。
优选地，权重γi的计算公式为：
Figure BDA0001827265140000031
其中，Yi为针对每一卫星，地面观测点的气溶胶光学厚度的地面观测值和计算值的平均绝对偏差。
本发明还提供一种极轨卫星监测气溶胶光学厚度的数据融合系统，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述任一方法的步骤。
本发明具有以下有益效果：
本发明的极轨卫星监测气溶胶光学厚度的数据融合方法及系统，结合多颗卫星的观测数据以及地面观测点的观测数据，可全面掌握气溶胶光学厚度的空间分布规律，得到区域范围内污染情况，为电网制定环保调度策略提供科学指导，该方法思路新颖、流程清晰、实用性强。
除了上面所描述的目的、特征和优点之外，本发明还有其它的目的、特征和优点。下面将参照附图，对本发明作进一步详细的说明。
附图说明
构成本申请的一部分的附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1是本发明优选实施例的极轨卫星监测气溶胶光学厚度的数据融合方法的流程示意图；
图2是本发明优选实施例2的3颗卫星AOD观测值的位置示意图。
具体实施方式
以下结合附图对本发明的实施例进行详细说明，但是本发明可以由权利要求限定和覆盖的多种不同方式实施。
参见图1，本发明的极轨卫星监测气溶胶光学厚度的数据融合方法，包括以下步骤：
将观测区域划分为多个网格，获取每个网格的气溶胶光学厚度的卫星监测值；
收集每一颗卫星过境时，每一个地面观测点记录的气溶胶光学厚度的地面观测值；
根据地面观测点的位置以及气溶胶光学厚度的地面观测值，以及每个网格的气溶胶光学厚度的卫星监测值，计算每颗卫星在网格点上的气溶胶光学厚度的修正值，以及每颗卫星的权重；
根据权重，综合计算每个网格的所有卫星的气溶胶光学厚度的修正值，得到网格的气溶胶光学厚度的融合值。
上述步骤，结合多颗卫星的观测数据以及地面观测点的观测数据，可全面掌握气溶胶光学厚度的空间分布规律，得到区域范围内污染情况，为电网制定环保调度策略提供科学指导，该方法思路新颖、流程清晰、实用性强。
实际实施时，本发明还可以进行扩展和优化，以下举例进行说明，实施例仅为了示例说明，不是对技术特征的组合方式进行限制，任何技术特征均可以跨实施例进行合理的组合。
实施例1：
本实施例的极轨卫星监测气溶胶光学厚度的数据融合方法，包括以下步骤：
(1)每日极轨卫星数据获取。
确定观测区域G，将区域G划分为S×R个网格。根据每日MODIS极轨卫星、FY系列极轨卫星的轨道报，获取经过区域G的卫星颗数n。将每一颗过境的卫星按照当天过境的时间先后顺序排序，并编号为ST1、ST2···STn。
(2)气溶胶光学厚度卫星监测值计算。
根据步骤(1)确定的卫星顺序，接收每日过境卫星数据，计算网格点上的气溶胶光学厚度，对于S×R个网格中，若卫星没有经过该网格点，则气溶胶光学厚度取值为0。将每一颗卫星记录气溶胶光学厚度组成的S×R矩阵标记为AOD1、AOD2···AODn。每一个格点的气溶胶光学厚度的卫星监测值记录为Mi,i＝1…n，n为经过观测区域的卫星颗数。
(3)区域内地面观测点选取。
根据步骤(1)确定的区域G，收集区域内的地面观测点，记录地面观测点总数为m。
当m＝0，则进行步骤(6)；
当m≠0，则记录每一个观测站点的经纬度值，记为(lati，loni)，并收集每一颗卫星过境时，每一个地面观测点记录的光学厚度监测值的地面观测值为Oi,j，其中，i＝1…m，j＝1…n。然后进行步骤(4)。
(4)计算卫星在观测站点的气溶胶光学厚度：
根据步骤(2)的每一颗卫星在网格点上的气溶胶光学厚度的卫星监测值，插值到步骤(3)中地面观测点所在位置上，得到地面观测点的气溶胶光学厚度的计算值Ci,j，i＝1…m，j＝1…n。
(4.1)当地面观测点在卫星有观测的网格点上，则取网格点的卫星监测值为计算值。
(4.2)当地面观测点的经纬度在卫星有观测值区域的网格线上时，利用同一条线上相邻的两个点进行线性插值得到计算值。
(4.3)当地面观测点的经纬度在卫星有观测值区域的网格内，利用双线性插值计算该点的气溶胶光学厚度的计算值。
(5)卫星质量系数计算：
根据地面观测点的步骤(3)中地面观测值Oi,j和步骤(4)中的气溶胶光学厚度的计算值Ci,j。对于每一个过境卫星建立回归方程。方程形式为：
Oi＝αCi+β
其中α，β为系数，由于有n颗卫星，因此建立n个方程。并对每一卫星计算Ci,j与Oi,j的平均绝对偏差Yi。
根据上述方程，计算每一颗卫星，每一个网格点的气溶胶光学厚度的修正值Pi,j。
Pi,j＝αMi+β
即对原始的卫星观测值进行了第一次修正，即将地面观测点的气溶胶光学厚度的计算值修正为网格点上的计算值。
(6)卫星数据拼接处理。
对于区域G中的S×R个网格的每一个点，判断该点是否有多颗卫星经过。
(6.1)网格点有多颗卫星经过：
对于一个网格点，记录该网格点共有k颗卫星的气溶胶光学厚度的卫星监测值。对于每一颗卫星，根据步骤(5)计算的平均绝对偏差，计算权重γi。
Figure BDA0001827265140000051
根据权重以及网格的气溶胶光学厚度的修正值Pi,j，计算该网格点的气溶胶光学厚度的融合值P′i,j：
Figure BDA0001827265140000052
(6.2)网格只有1颗卫星经过：
一个网格仅有1个修正值，则直接取这个修正值，为该格点的气溶胶光学厚度的融合值。
(6.3)该网格没有卫星经过：
当没有卫星经过，则值为0。
将所有计算结果重新组成区域G的矩阵，得到融合后的区域气溶胶光学厚度。
实施例2：
本实施例是实施例1的应用例，本实施例以某日卫星监测某省区域气溶胶光学厚度进行融合计算为例进行说明。本实施例包括以下步骤：
(1)极轨卫星数据获取。
确定观测区域为20°N-30°N，105°E-115°E，标记为G，将区域G划分为10×10个网格。根据当日MODIS极轨卫星、FY系列极轨卫星的轨道报，获取经过区域G的卫星颗数3。将每一颗过境的卫星按照当天过境的时间先后顺序排序，并编号为ST1、ST2、ST3。
(2)气溶胶光学厚度的卫星监测值计算。
根据步骤(1)确定的卫星顺序，接收每日过境卫星数据，判断卫星是否经过网格点，若经过则计算网格点上的气溶胶光学厚度的卫星监测值，若不经过，气溶胶光学厚度的卫星监测为0。将所有点计算后组成整颗卫星观测的气溶胶光学厚度的卫星监测值，对于每一颗卫星分别记录为AOD1、AOD2、AOD3，每一个格点的气溶胶光学厚度的卫星监测值记录为Mi,i＝1…n。如图2所示。图2每一个黑色网格点是卫星观测AOD的点，带箭头指示点a,b,c,d为地面观测点所在位置。
(3)区域内地面观测点选取。
根据步骤(1)确定的区域G，收集区域内的地面观测点及其位置，每一颗卫星过境时，其气溶胶光学厚度的地面观测值记录为Oi,j，记录地面观测点总数为4，i＝1…4，j＝1…3。并记录每一个观测站点的经纬度值，记为(lati，loni)然后进行步骤(4)。
(4)计算卫星在地面观测点的气溶胶光学厚度的计算值。
根据步骤(2)计算每一颗卫星在格点上的气溶胶光学厚度的卫星监测值，计算步骤(3)的地面观测点的气溶胶光学厚度的计算值Ci,j，i＝1…4，j＝1…3。
对于AOD1，地面观测点a在卫星观测的网格点上，则直接取网格点的卫星监测值作为地面观测点的计算值。地面观测点c在卫星有观测值区域的网格线上，利用同一条线上相邻的两个点进行线性插值作为计算值。地面观测点b在卫星有观测值区域的网格内，利用双线性插值计算该点的气溶胶光学厚度的计算值。地面观测点d不在有卫星监测的区域。
对于AOD2，地面观测点a在卫星观测的网格点上，则直接取网格点的卫星监测值作为地面观测点的计算值。观测点b、c均不在卫星观测区域。地面观测点d在卫星有观测值区域的网格内，利用双线性插值计算该点的气溶胶光学厚度的计算值。
对于AOD3，地面观测点a、b、c均不在卫星观测区域。地面观测点d在卫星有观测值区域的网格内，利用双线性插值计算该点的气溶胶光学厚度的计算值。
(5)卫星质量系数计算。
根据步骤(3)中每一个地面观测点的在卫星过境时刻的地面气溶胶光学厚度的地面观测值Oi,j和计算值Ci,j。对于每一个过境卫星建立回归方程。见表1：
表1回归方程系数表
a b c d
AOD1 1.8 1.3 1.6 -
AOD2 2.0 - - 1.6
AOD3 - - - 1.8
观测值 1.9 1.6 1.4 1.7
共建立3个方程：
O1＝0.85+0.5C1
O2＝0.9+0.5C2
O3＝0.94C3
计算每一个方程的平均绝对偏差，分别为0.17，0.1，0.01。
(6)校正卫星质量。
对于区域G中的10×10个网格的每一个网格点，判断该网格点是否有多颗卫星经过。
(6.1)网格点有多颗卫星经过：
如格点a，共有2颗卫星的气溶胶光学厚度的卫星监测值，分别为1.8，2.0，对应方程的平均绝对误差值为0.17和0.1，则权重系数计算分别为0.37和0.63，则a点的融合值为1.92，对于其他有多颗卫星经过的网格点均按此计算。
(6.2)网格点只有1颗卫星经过：
只有1颗卫星经过，则直接取这个卫星监测值，为该网格点的气溶胶光学厚度的融合值，如格点e。
(6.3)该网格点没有卫星经过：
当没有卫星经过，则该网格点的气溶胶光学厚度的融合值为0，如格点f。
将所有计算结果重新组成区域G的矩阵，得到融合后的区域气溶胶光学厚度。
实施例3：
本实施例提供一种极轨卫星监测气溶胶光学厚度的数据融合系统，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述任一实施例的步骤。
综上可知，本发明根据地面观测结果，评估了不同极轨卫星反演得到的气溶胶光学厚度的反演质量，根据反演质量，构建了不同极轨卫星数据的融合权重，分别将区域内每一个点的气溶胶光学厚度的卫星监测进行融合，得到整个区域的气溶胶光学厚度分布。
本发明将地面观测信息加入到卫星观测信息中，过程直观简单，准确率高，提升了污染的监测精度，适用于污染严重区域的广域污染监测，提高了污染物广域监测中卫星信息的利用率，计算流程清晰，实用性强。本发明得到的融合的气溶胶光学厚度，可为电网开展污染监测，并为制定电网调度降雾霾策略，提供科学的参考依据。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (7)

1.一种极轨卫星监测气溶胶光学厚度的数据融合方法，其特征在于，包括以下步骤：
将观测区域划分为多个网格，获取每个网格的气溶胶光学厚度的卫星监测值；
收集每一颗卫星过境时，每一个地面观测点记录的气溶胶光学厚度的地面观测值；
根据所述地面观测点的位置以及气溶胶光学厚度的地面观测值，以及所述每个网格的气溶胶光学厚度的卫星监测值，计算每颗卫星在网格点上的气溶胶光学厚度的修正值，以及每颗卫星的权重；包括以下步骤：
将所述卫星的每个网格的气溶胶光学厚度的卫星监测值，插值到地面观测点的位置上，通过如下情况之一，得到地面观测点的气溶胶光学厚度的计算值：
当地面观测点的位置在卫星有观测的网格点上，则取网格点的气溶胶光学厚度的卫星监测值作为计算值；当地面观测点的位置在卫星有观测值区域的网格线上时，利用同一条线上相邻的两个点进行线性插值，将线性插值结果作为计算值；当地面观测点的位置在卫星有观测值区域的网格内，利用双线性插值计算该点的气溶胶光学厚度的计算值；
根据所述地面观测点的气溶胶光学厚度的地面观测值和气溶胶光学厚度的计算值，计算每颗卫星的地面观测值和计算值的平均绝对偏差；
根据所述平均绝对偏差，计算每颗卫星在网格点上的气溶胶光学厚度的修正值，以及每颗卫星的权重；
根据所述权重，综合计算每个网格的所有卫星的气溶胶光学厚度的修正值，得到所述网格的气溶胶光学厚度的融合值。
2.根据权利要求1所述的极轨卫星监测气溶胶光学厚度的数据融合方法，其特征在于，所述获取每个网格的气溶胶光学厚度的卫星监测值，包括以下步骤：
获取经过观测区域的卫星颗数，将每一颗过境的卫星按照一天的过境的时间先后顺序排序；
根据所述卫星的排序，接收每日过境卫星数据，获取所述多个网格的气溶胶光学厚度的卫星监测值。
3.根据权利要求2所述的极轨卫星监测气溶胶光学厚度的数据融合方法，其特征在于，在收集每一颗卫星过境时，每一个地面观测点记录的气溶胶光学厚度的地面观测值之前，所述方法还包括：收集观测区域内的地面观测点的位置以及总数，所述地面观测点的位置包括地面观测点的经度和纬度。
4.根据权利要求2所述的极轨卫星监测气溶胶光学厚度的数据融合方法，其特征在于，所述根据权重，综合计算每个网格的所有卫星的气溶胶光学厚度的修正值，得到所述网格的气溶胶光学厚度的融合值，包括以下情况之一：
当所述网格有多颗卫星经过时，根据每颗卫星的权重，计算所述网格的气溶胶光学厚度的融合值；
当所述网格只有一颗卫星经过时，取所述卫星的卫星监测值作为所述网格的气溶胶光学厚度的融合值；
当所述网格没有卫星经过时，所述网格的气溶胶光学厚度的融合值为0。
5.根据权利要求4所述的极轨卫星监测气溶胶光学厚度的数据融合方法，其特征在于，当所述网格有多颗卫星经过时，根据每颗卫星的权重，计算所述网格的气溶胶光学厚度的融合值，计算公式为：
Figure FDA0003237333760000021
其中，Pi,j为网格的气溶胶光学厚度的修正值；i＝1…m，j＝1…n；m为地面观测点的总数；n为经过观测区域的卫星颗数，P′i,j为气溶胶光学厚度的融合值，γi为权重，k为网格点的经过卫星的数量。
6.根据权利要求5所述的极轨卫星监测气溶胶光学厚度的数据融合方法，其特征在于，所述权重γi的计算公式为：
Figure FDA0003237333760000022
其中，Yi为针对每一卫星，地面观测点的气溶胶光学厚度的地面观测值和计算值的平均绝对偏差。
7.一种极轨卫星监测气溶胶光学厚度的数据融合系统，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现上述权利要求1至6中任一所述方法的步骤。
CN201811190000.7A 2018-10-12 2018-10-12 极轨卫星监测气溶胶光学厚度的数据融合方法及系统 Active CN109272053B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811190000.7A CN109272053B (zh) 2018-10-12 2018-10-12 极轨卫星监测气溶胶光学厚度的数据融合方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811190000.7A CN109272053B (zh) 2018-10-12 2018-10-12 极轨卫星监测气溶胶光学厚度的数据融合方法及系统

Publications (2)

Publication Number Publication Date
CN109272053A CN109272053A (zh) 2019-01-25
CN109272053B true CN109272053B (zh) 2021-11-02

Family

ID=65196541

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811190000.7A Active CN109272053B (zh) 2018-10-12 2018-10-12 极轨卫星监测气溶胶光学厚度的数据融合方法及系统

Country Status (1)

Country Link
CN (1) CN109272053B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110030934B (zh) * 2019-04-30 2020-04-28 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
CN112819026B (zh) * 2020-12-11 2022-02-15 中科三清科技有限公司 多源卫星气溶胶光学厚度数据的融合方法及装置
CN116778105B (zh) * 2023-08-17 2023-11-21 云南高阳科技有限公司 基于多精度三维测绘数据融合建模方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105320805A (zh) * 2015-08-21 2016-02-10 浙江大学 一种皮卫星多源可靠性信息融合方法
CN106407634A (zh) * 2015-07-30 2017-02-15 中国科学院遥感与数字地球研究所 基于逆方差加权平均的卫星aod数据的融合方法及系统
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
CN106407656A (zh) * 2016-08-29 2017-02-15 中国科学院遥感与数字地球研究所 一种基于高分辨率卫星影像数据的气溶胶光学厚度反演方法
CN106442236A (zh) * 2015-07-30 2017-02-22 中国科学院遥感与数字地球研究所 基于卫星遥感的地面pm2.5反演方法及系统
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系统
CN107944357A (zh) * 2017-11-13 2018-04-20 中国科学院合肥物质科学研究院 基于证据融合自适应阈值的多源遥感图像云检测方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10345483B2 (en) * 2015-06-10 2019-07-09 Escaype Observer-based meteorology and image identification

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106407634A (zh) * 2015-07-30 2017-02-15 中国科学院遥感与数字地球研究所 基于逆方差加权平均的卫星aod数据的融合方法及系统
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
CN106442236A (zh) * 2015-07-30 2017-02-22 中国科学院遥感与数字地球研究所 基于卫星遥感的地面pm2.5反演方法及系统
CN105320805A (zh) * 2015-08-21 2016-02-10 浙江大学 一种皮卫星多源可靠性信息融合方法
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系统
CN106407656A (zh) * 2016-08-29 2017-02-15 中国科学院遥感与数字地球研究所 一种基于高分辨率卫星影像数据的气溶胶光学厚度反演方法
CN107944357A (zh) * 2017-11-13 2018-04-20 中国科学院合肥物质科学研究院 基于证据融合自适应阈值的多源遥感图像云检测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
"Monitoring and visualizing the transport of atmospheric aerosols using satellite and ground based observations";Kwon-Ho Lee;《 2017 IEEE International Geoscience and Remote Sensing Symposium (IGARSS)》;20171230;第6063-6066页 *
高性能气溶胶遥感定量反演的网格计算研究;万伟;《测绘学报》;20090228;第1页 *

Also Published As

Publication number Publication date
CN109272053A (zh) 2019-01-25

Similar Documents

Publication Publication Date Title
CN109272053B (zh) 极轨卫星监测气溶胶光学厚度的数据融合方法及系统
Nidever et al. SMASH: Survey of the MAgellanic Stellar History
Spangler et al. Suitability of gridded climate datasets for use in environmental epidemiology
Murari et al. Intensification of future severe heat waves in India and their effect on heat stress and mortality
US6535817B1 (en) Methods, systems and computer program products for generating weather forecasts from a multi-model superensemble
Chowdhury et al. Changing risk factors that contribute to premature mortality from ambient air pollution between 2000 and 2015
Pan et al. Spatio-temporal variation in vegetation net primary productivity and its relationship with climatic factors in the Shule River basin from 2001 to 2010
Dahinden et al. Future local climate unlike currently observed anywhere
Song et al. Intelligent system for human behavior analysis and reasoning following large-scale disasters
Chhin et al. Drought projection in the Indochina Region based on the optimal ensemble subset of CMIP5 models
Zakharova et al. Use of asymptotic analysis for solving the inverse problem of source parameters determination of nitrogen oxide emission in the atmosphere
Ajdour et al. Towards air quality modeling in Agadir City (Morocco)
Ramadan et al. Prediction of highly vulnerable areas to COVID-19 outbreaks using spatial model: Case study of Cairo Governorate, Egypt
Feldman et al. Using Orbiting Carbon Observatory-2 (OCO-2) column CO 2 retrievals to rapidly detect and estimate biospheric surface carbon flux anomalies
Li et al. How many people died due to PM2. 5 and where the mortality risks increased? A case study in Beijing
HWANG et al. Analysis of spatial information characteristics for establishing land use, land-use change and forestry matrix
Bhend et al. Evaluation of simulated recent climate change in Australia
Gourdji et al. Reducing errors in aircraft atmospheric inversion estimates of point-source emissions: the Aliso Canyon natural gas leak as a natural tracer experiment
Krasnopolsky et al. The problem of AVHRR image navigation revisited
Garb et al. Estimating populations at risk for disaster preparedness and response
CN106291756A (zh) 临近空间大气虚拟环境资源的构建方法
Nakaegawa et al. Identifying climate analogues for cities in Australia by a non-parametric approach using multi-ensemble, high-horizontal-resolution future climate projections by an atmospheric general circulation model, MRI-AGCM3. 2H
Fu et al. Enhanced drought resistance of vegetation growth in cities due to urban heat, CO2 domes and O3 troughs
CN114355400A (zh) 一种基于电离层经向变化特征的电离层建模方法
CN106154308A (zh) 一种基于网络的地震12月内短期预测方法

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