CN109387487A - 卷云条件下短波红外高光谱数据大气甲烷快速反演方法 - Google Patents
卷云条件下短波红外高光谱数据大气甲烷快速反演方法 Download PDFInfo
- Publication number
- CN109387487A CN109387487A CN201811554780.9A CN201811554780A CN109387487A CN 109387487 A CN109387487 A CN 109387487A CN 201811554780 A CN201811554780 A CN 201811554780A CN 109387487 A CN109387487 A CN 109387487A
- Authority
- CN
- China
- Prior art keywords
- cirrus
- methane
- short
- wave infrared
- conditions
- 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
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 title claims abstract description 184
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000013528 artificial neural network Methods 0.000 claims abstract description 32
- 238000001228 spectrum Methods 0.000 claims abstract description 28
- 238000000513 principal component analysis Methods 0.000 claims abstract description 16
- 230000005855 radiation Effects 0.000 claims abstract description 8
- 238000004088 simulation Methods 0.000 claims abstract description 8
- 230000003595 spectral effect Effects 0.000 claims abstract description 6
- 238000000862 absorption spectrum Methods 0.000 claims abstract description 5
- 238000001179 sorption measurement Methods 0.000 claims abstract description 4
- 238000004364 calculation method Methods 0.000 claims description 14
- 230000005540 biological transmission Effects 0.000 claims description 8
- 230000003287 optical effect Effects 0.000 claims description 8
- 238000004458 analytical method Methods 0.000 claims description 7
- 238000012546 transfer Methods 0.000 claims description 7
- 241000023320 Luma <angiosperm> Species 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- OSWPMRLSEDHDFF-UHFFFAOYSA-N methyl salicylate Chemical compound COC(=O)C1=CC=CC=C1O OSWPMRLSEDHDFF-UHFFFAOYSA-N 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 2
- 238000004611 spectroscopical analysis Methods 0.000 claims description 2
- 238000004422 calculation algorithm Methods 0.000 description 8
- 239000007789 gas Substances 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 238000010521 absorption reaction Methods 0.000 description 4
- 150000001335 aliphatic alkanes Chemical class 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 239000004615 ingredient Substances 0.000 description 3
- 238000000985 reflectance spectrum Methods 0.000 description 3
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 2
- 239000000443 aerosol Substances 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 239000005431 greenhouse gas Substances 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 210000004218 nerve net Anatomy 0.000 description 2
- 238000000053 physical method Methods 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- PEDCQBHIVMGVHV-UHFFFAOYSA-N Glycerine Chemical compound OCC(O)CO PEDCQBHIVMGVHV-UHFFFAOYSA-N 0.000 description 1
- 235000006508 Nelumbo nucifera Nutrition 0.000 description 1
- 240000002853 Nelumbo nucifera Species 0.000 description 1
- 235000006510 Nelumbo pentapetala Nutrition 0.000 description 1
- 230000008033 biological extinction Effects 0.000 description 1
- 229910002092 carbon dioxide Inorganic materials 0.000 description 1
- 239000001569 carbon dioxide Substances 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 239000013256 coordination polymer Substances 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000002310 reflectometry Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
- G01N21/3504—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light for analysing gases, e.g. multi-gas analysis
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- 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
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N2021/1793—Remote sensing
- G01N2021/1795—Atmospheric mapping of gases
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Analytical Chemistry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Pathology (AREA)
- Evolutionary Computation (AREA)
- Immunology (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Biochemistry (AREA)
- Chemical & Material Sciences (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Health & Medical Sciences (AREA)
- Geometry (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Hardware Design (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明属于大气遥感技术领域,公开了一种卷云条件下短波红外高光谱数据大气甲烷快速反演方法;获取全球范围内具有代表性的大气温度、湿度和甲烷廓线,获取典型地物反射光谱特性信息;获得甲烷吸收带模拟光谱数据集;基于模拟计算的全球卷云情况下的短波红外甲烷吸收光谱数据集开展主成分分析;将观测光谱的前8个主成分、观测像素高度、地表气压、太阳角度和卫星观测角度作为神经网络的输入,前向辐射传输模型所输入的甲烷作为神经网络的输出,对构建的神经网络进行训练;建立基于主成分分析和神经网络的卷云条件下的短波红外的大气甲烷快速反演模型。采用本发明的方法可实现在卷云条件下短波红外高光谱数据快速、精确反演大气甲烷的目的。
Description
技术领域
本发明属于大气遥感技术领域,尤其涉及一种卷云条件下短波红外高光谱数据大气甲烷快速反演方法。
背景技术
目前,业内常用的现有技术是这样的:甲烷(CH4)是大气中重要的温室气体,其温室效应仅次于大气二氧化碳。甲烷浓度的增加对大气能量收支平衡和全球气候变化有重要影响。目前甲烷的测量手段主要有:直接采样测量、激光雷达、地基光谱仪以及卫星观测。其中卫星观测手段可以获取全球范围内的甲烷浓度分布,主要有短波红外和热红外高光谱两种观测方式。其中,热红外方式主要获取大气中高层甲烷信息,短波红外方法则可以获取大气中下层的甲烷信息,有利于研究甲烷的源和汇。短波红外观测容易受到气溶胶和云的影响,其中卷云全球覆盖率约占20%-25%,热带地区的卷云覆盖率可达70%。由于卷云的散射和吸收作用使得卷云条件下的短波红外数据遥感甲烷困难显著增加。目前,卷云情况下的短波红外高光谱数据反演甲烷主要是基于最优估计理论的物理方法开展的,算法需要输入大气温、湿度廓线、地表参数以及卷云的微物理和光学特性等先验信息,需要基于这些先验信息和逐线积分的大气辐射传输模式来模拟计算卫星高光谱观测数据,通过对比模拟和实际观测数据的差异,基于最优估计理论来实现甲烷的反演,其中基于大气辐射传输模式开展的正演过程中涉及到云的吸收、散射过程,需要耗费大量的辐射传输计算时间。此外,由于是短波红外高光谱数据,需要进行逐线积分才能达到预期的精度,这也使得计算时间更为缓慢。基于最优估计理论的甲烷反演精度受先验信息准确度的影响较大,因此需要较为准确的大气廓线、地表以及卷云的相关信息,其中卷云的先验信息是较难通过传统的观测手段(比如气象台站、探空气球等)获得。
综上所述,现有技术存在的问题是:目前已有研究卷云情况下的短波红外高光谱数据主要是利用最优估计理论的物理方法反演甲烷信息,算法容易受到大气廓线、卷云、地表参数等先验信息的影响,同时反演过程中由于涉及到云的散射过程需要耗费大量的辐射传输计算时间。
解决上述技术问题的难度和意义:
由于目前的数值预报模式和同化模式还无法提供精度的大气温度、湿度廓线,常规的观测手段还无法提供可靠的卷云高度、厚度、光学特性等宏微观参数,因此使得基于最优估计理论的物理反演算法很难基于短波红外高光谱数据获得可靠的卷云天气下的甲烷信息。卷云全球覆盖率约占20%-25%,使得卷云情况下的温室气体反演是亟待解决的问题。卷云情况下的卫星观测高光谱数据包含着丰富的卷云信息,如何基于这一观测光谱包含的卷云信息来订正卷云对甲烷反演的影响,并实现快速反演就显得非常重要。
发明内容
针对现有技术存在的问题,本发明提供了一种卷云条件下短波红外高光谱数据大气甲烷快速反演方法。
本发明是这样实现的,一种卷云条件下短波红外高光谱数据大气甲烷快速反演方法如下,(1)所述卷云条件下短波红外高光谱数据大气甲烷快速反演方法利用NASA的月平均全球再分析资料(MERRA)和高光谱分辨率仪器AIRS和IASI甲烷产品提取全球范围内具有代表性的大气温度、湿度和甲烷廓线;(2)利用美国地质调查局(USGS)和JPL的地物光谱数据库获取全球范围内典型的地物反射光谱特性信息;(3)基于AIRS和CALIPSO主被动卫星传感器观测获取卷云物理和光学特性参数,同时基于气溶胶和云光学属性数据集(OPAC)开展多种卷云的吸收和散射光学特性参数如单次散射反照率、体消光系数和不对称因子等的计算;(4)将前面步骤收集和计算的大气温度、湿度和甲烷廓线、典型地物的反射光谱信息、卷云光学廓线等信息输入大气辐射传输模式libradtran(library forradiative transfer)计算不同卷云、大气廓线、典型地物下垫面条件下的高光谱分辨率短波红外反射太阳光谱,构建卷云条件下的短波红外高光谱甲烷吸收带模拟光谱数据库;(5)基于主成分分析技术(PCA)模拟计算的全球卷云情况下的短波红外甲烷吸收光谱数据集进行特征分析,计算光谱数据集的特征值、特征向量、各主成分贡献率、累计贡献率以及主成分载荷。
进一步,所述卷云条件下短波红外高光谱数据大气甲烷快速反演方法利用合适方法处理卷云条件下的短波红外光谱仪测得的数据。
进一步,所述卷云条件下短波红外高光谱数据大气甲烷快速反演方法适用于卷云天气情况下的大气甲烷廓线反演。
进一步,所述卷云条件下短波红外高光谱数据大气甲烷快速反演方法建立大气甲烷廓线的反演模型和计算方法具体是指反演计算中利用大气辐射传输模式,结合温、湿大气廓线、卷云的宏微观物理特性计算卷云条件下的短波红外反射太阳光谱;利用主成分分析对高光谱数据进行降维、去噪,同时配合卫星观测的角度、太阳高度角以及观测像元高程等信息,利用神经网络理论建立一个卷云条件下的大气甲烷的物理反演模型。
所述卷云条件下短波红外高光谱数据大气甲烷快速反演方法进一步包括以下步骤:
(1)计算相关系数矩阵:
式中,kij(i,j=1,2,…,n)为卫星辐亮度样本R中ri与rj的相关系数,其计算公式为:
(2)计算特征值与特征向量
首先解特征方程|λI-K|=0,求出特征值λi(i=1,2,…,n),并将其按大小顺序排列,即λ1≥λ2≥…≥λn≥0;
然后分别求出特征值λi对应的特征向量ei(i=1,2,…,n);
(3)计算主成分贡献率和累计贡献率,表示如下:
主成分ci贡献率为:
累计贡献率为:
取累计贡献率高达85-95%的特征值λ1,λ2,…,λm所对应的第一,第二,……,第m(m≤n)个主成分;
(4)计算主成分载荷:
计算出主成分载荷,计算出各辐亮度观测值rj(j=1,2,...,p)所对应的各主成分cji(i=1,2,...,m)得分:
(5)利用步骤(4)计算的各主成分的载荷计算观测光谱的前8个主成分,计算公式为:
新变量c1,c2,···,cm-1分别称为原变量卫星辐亮度r1,r2,···,rn的第一,第二,…,第m主成分,系数lij为步骤(4)计算的各主成分的载荷;构建多层前馈神经网络将主成分、卷云的高度、观测像素高程、地表气压、太阳角度和卫星观测角度等信息作为神经网络的输入,将正演模型输入的甲烷廓线作为神经网络的输出,对构建的神经网络进行训练,实现基于主成分分析和神经网络的卷云条件下的短波红外的大气甲烷快速反演模型。
本发明的另一目的在于提供一种应用所述卷云条件下短波红外高光谱数据大气甲烷快速反演方法的大气甲烷测量平台。
综上所述,本发明的优点及积极效果为:本发明可以实现基于短波红外高光谱数据快速高效的卷云天气下的大气甲烷反演,本发明不需要大气温度、湿度、甲烷廓线、地表反射率以及卷云的物理和光学特性参数等先验信息,算法将短波红外高光谱数据利用主成分分析技术化简为能够反映原始光谱大部分信息的主成分,起到了有效的降维和去噪作用。基于FY-3D的GAS高光谱探测的模拟反演试验表明单点的反演时间在普通的个人电脑(Intel酷睿i74700MQ,CP主频2.4GHz,内存8G)运行仅需0.1秒,而基于最优估计的物理反演算法运行时间超过3分钟,有效提高反演的效率。此外,基于GAS模拟光谱的反演试验表明,本发明的大气甲烷柱总量反演精度优于4.2ppb,反演精度略优于最优估计的物理反演算法。本发明在保证精度的情况下可以有效提高卷云情况下基于短波红外高光谱数据的甲烷反演效率。
附图说明
图1是本发明实施例提供的卷云条件下短波红外高光谱数据大气甲烷快速反演方法流程图。
图2是本发明实施例提供的前向模式技术路线图。
图3是本发明实施例提供的反演算法技术路线图。
图4是本发明实施例提供FY-3D的GAS仪器的模拟光谱图。
图5是本发明实施例提供的卷云情况下的甲烷模拟反演效果图。
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。
本发明卷云条件下短波红外高光谱数据大气甲烷快速反演方法,主要解决在卷云条件下利用卫星观测的太阳反射短波红外高光谱数据估算大气甲烷的方法。其适用卷云存在时的大气甲烷快速反演。
如图1所示,本发明实施例提供的卷云条件下短波红外高光谱数据大气甲烷快速反演方法包括以下步骤:
S101:利用NASA全球再分析资料(MERRA)和AIRS产品获取全球范围内具有代表性的大气温度、湿度和甲烷廓线,利用美国地质调查局(USGS)和JPL的光谱数据库获取典型地物反射光谱特性信息;
S102:利用全球大气同化资料获取具有代表性的温度、湿度、甲烷廓线,结合卷云的宏微观物理和光学特性,利用辐射传输模式Libradtran开展前向辐射传输计算,获取甲烷吸收带模拟光谱数据集;
S103:基于模拟计算的全球卷云情况下的短波红外甲烷吸收光谱数据集开展主成分分析,计算光谱数据集的特征值、特征向量、各主成分贡献率、累计贡献率以及主成分载荷;
S104:评估将观测光谱的前8个主成分、观测像素高度、地表气压、太阳角度和卫星观测角度作为神经网络的输入,前向辐射传输模型计算所输入的甲烷作为神经网络的输出,对构建的神经网络进行训练;
S105:建立基于主成分分析和神经网络的卷云条件下的短波红外的大气甲烷快速反演模型。
本发明实施例提供的卷云条件下短波红外高光谱数据大气甲烷快速反演方法包括以下步骤:
(1)计算相关系数矩阵
式中,kij(i,j=1,2,…,n)为卫星辐亮度样本R中ri与rj的相关系数,其计算公式为
(2)计算特征值与特征向量
首先解特征方程|λI-K|=0,求出特征值λi(i=1,2,…,n),并将其按大小顺序排列,即λ1≥λ2≥…≥λn≥0;
然后分别求出特征值λi对应的特征向量ei(i=1,2,…,n)。
(3)计算主成分贡献率及累计贡献率
计算主成分贡献率和累计贡献率,表示如下:
主成分ci贡献率为:
累计贡献率为:
一般情况下,取累计贡献率高达85-95%的特征值λ1,λ2,…,λm所对应的第一,第二,……,第m(m≤n)个主成分。
(4)计算主成分载荷
计算出了主成分载荷,便可以进一步计算出各辐亮度观测值rj(j=1,2,...,p)所对应的各主成分cji(i=1,2,...,m)得分:
(5)利用步骤(4)计算的各主成分的载荷计算观测光谱的前8个主成分,计算公式为:
新变量c1,c2,···,cm-1分别称为原变量卫星辐亮度r1,r2,···,rn的第一,第二,…,第m主成分,系数lij为步骤(4)计算的各主成分的载荷。构建多层前馈神经网络将主成分、卷云的高度、观测像素高程、地表气压、太阳角度和卫星观测角度等信息作为神经网络的输入,将正演模型输入的甲烷廓线作为神经网络的输出,对构建的神经网络进行训练,进而实现基于主成分分析和神经网络的卷云条件下的短波红外的大气甲烷快速反演模型。
下面结合附图对本发明的应用原理作进一步的描述。
本发明实施例提供的卷云条件下短波红外高光谱数据大气甲烷快速反演方法具体包括以下步骤:
1.利用同化和卫星观测资料,获取具有代表性的温、湿廓线和卷云宏微观特性;利用辐射传输模式Libradtran计算卷云条件下的短波红外反射太阳光谱(1)基于大气同化资料收集具有代表性的大气温度、湿度廓线,利用已有卫星观测的卷云宏微观特性。
(2)构建前向传输模式(见图2),基于Libradtran2.0.1模式计算卷云情况下的甲烷反射太阳光谱(见图4)。
2.针对模拟计算的全球卷云情况下的短波红外甲烷吸收光谱开展主成分分析,评估前若干个主成分代表整个光谱的观测信息的能力。
(1)基于全球范围内大气廓线、卷云特征开展大量前向计算,获取代表性的卷云条件下反射光谱。
(2)针对模拟反射光谱开展主成分分析,评估主成分代表整个光谱的能力,开展主成分还原整个观测光谱的可行性。
3.评估将观测光谱的主成分、卷云的高度、观测像素高度、地表气压、太阳角度和卫星观测角度作为神经网络的输入,前向辐射传输模型计算所输入的甲烷作为神经网络的输出,估算基于神经网络的甲烷反演的可行性。
(1)构建神经网络初步反演模型
(2)评估主成分、卷云高度、厚度、观测几何等参数对结果的影响,确定模型的最优输入因子。
根据以上分析结果,基于主成分分析和神经网络建立卷云条件下的短波红外的大气甲烷快速反演模型和计算方法
针对中国FY-3D卫星的短波红外甲烷仪器特性,利用本发明构建的前向模型开展了大量前向辐射传输计算,针对FY-3D模拟光谱开展了主成分分析,结果表明前8个主成分可以代表99.70%的光谱信息,结合卫星观测几何信息、观测像元高程等辅助数据,利用本发明的反演方法,可以快速高效的获取高精度的甲烷柱总量信息。在反演过程中考虑到仪器本身会有一定的误差,会对观测结果产生影响。因此分析了加噪声和无噪声情况下的反演差异,结果显示噪声存在时算法误差精度优于4.2ppb,综上反演结果表明算法适用于卷云情况下短波红外高光谱数据的甲烷快速反演(如图5所示)。
表1卷云情况下甲烷吸收带主成分分析信息
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 (6)
1.一种卷云条件下短波红外高光谱数据大气甲烷快速反演方法,其特征在于,所述卷云条件下短波红外高光谱数据大气甲烷快速反演方法利用NASA全球再分析资料和AIRS产品获取全球范围内具有代表性的大气温度、湿度和甲烷廓线,利用美国地质调查局和JPL的光谱数据库获取典型地物反射光谱特性信息;利用全球大气同化资料获取具有代表性的温度、湿度、甲烷廓线,结合卷云的宏微观物理和光学特性,利用辐射传输模式Libradtran开展前向辐射传输计算,获得甲烷吸收带模拟光谱数据集;基于模拟计算的全球卷云情况下的短波红外甲烷吸收光谱数据集开展主成分分析,计算光谱数据集的特征值、特征向量、各主成分贡献率、累计贡献率以及主成分载荷;将观测光谱的前8个主成分、观测像素高度、地表气压、太阳角度和卫星观测角度作为神经网络的输入,前向辐射传输模型所输入的甲烷作为神经网络的输出,对构建的神经网络进行训练;基于主成分分析和神经网络建立卷云条件下的短波红外的大气甲烷快速反演模型和计算方法。
2.如权利要求1所述的卷云条件下短波红外高光谱数据大气甲烷快速反演方法,其特征在于,所述卷云条件下短波红外高光谱数据大气甲烷快速反演方法利用合适方法处理卷云条件下的短波红外光谱仪测得的数据。
3.如权利要求1所述的卷云条件下短波红外高光谱数据大气甲烷快速反演方法,其特征在于,所述卷云条件下短波红外高光谱数据大气甲烷快速反演方法适用于卷云天气情况下的大气甲烷廓线反演。
4.如权利要求1所述的卷云条件下短波红外高光谱数据大气甲烷快速反演方法,其特征在于,所述卷云条件下短波红外高光谱数据大气甲烷快速反演方法建立大气甲烷廓线的反演模型和计算方法具体是指反演计算中利用大气辐射传输模式,结合温、湿大气廓线、卷云的宏微观物理特性计算卷云条件下的短波红外反射太阳光谱;利用主成分分析对高光谱数据进行降维、去噪,同时配合其他卫星观测的卷云高度、厚度信息,利用神经网络理论建立一个卷云条件下的大气甲烷的物理反演模型。
5.如权利要求1所述的卷云条件下短波红外高光谱数据大气甲烷快速反演方法,其特征在于,所述卷云条件下短波红外高光谱数据大气甲烷快速反演方法进一步包括以下步骤:
(1)计算相关系数矩阵:
式中,kij(i,j=1,2,…,n)为卫星辐亮度样本R中ri与rj的相关系数,其计算公式为:
(2)计算特征值与特征向量
首先解特征方程|λI-K|=0,求出特征值λi(i=1,2,…,n),并将其按大小顺序排列,即λ1≥λ2≥…≥λn≥0;
然后分别求出特征值λi对应的特征向量ei(i=1,2,…,n);
(3)计算主成分贡献率和累计贡献率,表示如下:
主成分ci贡献率为:
累计贡献率为:
取累计贡献率高达85-95%的特征值λ1,λ2,…,λm所对应的第一,第二,……,第m(m≤n)个主成分;
(4)计算主成分载荷:
计算出主成分载荷,计算出各辐亮度观测值rj(j=1,2,...,p)所对应的各主成分cji(i=1,2,...,m)得分:
(5)利用步骤(4)计算的各主成分的载荷计算观测光谱的前8个主成分,计算公式为:
新变量c1,c2,···,cm-1分别称为原变量卫星辐亮度r1,r2,…,rn的第一,第二,…,第m主成分,系数lij为步骤(4)计算的各主成分的载荷;构建多层前馈神经网络将主成分、卷云的高度、观测像素高程、地表气压、太阳角度和卫星观测角度等信息作为神经网络的输入,将正演模型输入的甲烷廓线作为神经网络的输出,对构建的神经网络进行训练,实现基于主成分分析和神经网络的卷云条件下的短波红外的大气甲烷快速反演模型。
6.一种应用权利要求1~5任意一项所述卷云条件下短波红外高光谱数据大气甲烷快速反演方法的大气甲烷测量平台。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811554780.9A CN109387487B (zh) | 2018-12-18 | 2018-12-18 | 卷云条件下短波红外高光谱数据大气甲烷快速反演方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811554780.9A CN109387487B (zh) | 2018-12-18 | 2018-12-18 | 卷云条件下短波红外高光谱数据大气甲烷快速反演方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109387487A true CN109387487A (zh) | 2019-02-26 |
CN109387487B CN109387487B (zh) | 2021-11-26 |
Family
ID=65430556
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811554780.9A Active CN109387487B (zh) | 2018-12-18 | 2018-12-18 | 卷云条件下短波红外高光谱数据大气甲烷快速反演方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109387487B (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109871637A (zh) * | 2019-03-06 | 2019-06-11 | 成都信息工程大学 | 一种云天条件下近地面气温估算方法 |
CN110850443A (zh) * | 2019-11-11 | 2020-02-28 | 西北工业大学 | 激光雷达温湿度数据阶梯分析处理方法 |
CN111598802A (zh) * | 2020-05-12 | 2020-08-28 | 中国科学院合肥物质科学研究院 | 一种地基全天空云参数反演系统和方法 |
CN112699533A (zh) * | 2020-12-09 | 2021-04-23 | 国家卫星气象中心(国家空间天气监测预警中心) | 一种静止卫星红外高光谱仪的观测仿真方法 |
CN112818605A (zh) * | 2021-02-07 | 2021-05-18 | 武汉大学 | 一种地表反照率的快速估计方法及系统 |
CN113128058A (zh) * | 2021-04-22 | 2021-07-16 | 中国科学院空天信息创新研究院 | 温度廓线的反演方法、装置、可读存储介质和电子设备 |
CN113624694A (zh) * | 2021-10-11 | 2021-11-09 | 航天宏图信息技术股份有限公司 | 一种大气甲烷浓度的反演方法和装置 |
CN113687961A (zh) * | 2021-08-18 | 2021-11-23 | 国家卫星气象中心(国家空间天气监测预警中心) | 基于云端的红外高光谱辐射传输快速并发计算系统及方法 |
CN116187025A (zh) * | 2023-01-09 | 2023-05-30 | 中国科学院合肥物质科学研究院 | 基于地基红外遥感的晴空大气温湿度廓线快速反演方法 |
CN116227346A (zh) * | 2023-02-24 | 2023-06-06 | 武汉大学 | 一种云垂直结构的被动遥感方法及装置 |
CN116486931A (zh) * | 2023-06-21 | 2023-07-25 | 上海航天空间技术有限公司 | 耦合物理机制的全覆盖大气甲烷浓度数据生产方法及系统 |
CN116879227A (zh) * | 2023-07-07 | 2023-10-13 | 安徽农业大学 | 一种基于激光光谱的快速气体反演方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7558673B1 (en) * | 2006-03-03 | 2009-07-07 | Itt Manufacturing Enterprises, Inc. | Method and system for determining atmospheric profiles using a physical retrieval algorithm |
CN103604421A (zh) * | 2013-11-25 | 2014-02-26 | 上海航天测控通信研究所 | 一种基于光谱反射率特性的星载高光谱图像云检测方法 |
CN103744069A (zh) * | 2013-12-31 | 2014-04-23 | 中国科学院遥感与数字地球研究所 | 一种针对airs超光谱卫星数据的甲烷廓线正交反演方法 |
CN104657566A (zh) * | 2013-11-15 | 2015-05-27 | 中国科学院地理科学与资源研究所 | 基于卫星红外遥感的大气二氧化碳浓度快速计算方法 |
CN106019314A (zh) * | 2016-08-05 | 2016-10-12 | 成都信息工程大学 | 一种卷云条件下短波红外卫星遥感二氧化碳的方法 |
CN107908838A (zh) * | 2017-11-01 | 2018-04-13 | 环境保护部卫星环境应用中心 | 高光谱卫星数据反演氧化亚氮廓线的通道选取方法及装置 |
-
2018
- 2018-12-18 CN CN201811554780.9A patent/CN109387487B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7558673B1 (en) * | 2006-03-03 | 2009-07-07 | Itt Manufacturing Enterprises, Inc. | Method and system for determining atmospheric profiles using a physical retrieval algorithm |
CN104657566A (zh) * | 2013-11-15 | 2015-05-27 | 中国科学院地理科学与资源研究所 | 基于卫星红外遥感的大气二氧化碳浓度快速计算方法 |
CN103604421A (zh) * | 2013-11-25 | 2014-02-26 | 上海航天测控通信研究所 | 一种基于光谱反射率特性的星载高光谱图像云检测方法 |
CN103744069A (zh) * | 2013-12-31 | 2014-04-23 | 中国科学院遥感与数字地球研究所 | 一种针对airs超光谱卫星数据的甲烷廓线正交反演方法 |
CN106019314A (zh) * | 2016-08-05 | 2016-10-12 | 成都信息工程大学 | 一种卷云条件下短波红外卫星遥感二氧化碳的方法 |
CN107908838A (zh) * | 2017-11-01 | 2018-04-13 | 环境保护部卫星环境应用中心 | 高光谱卫星数据反演氧化亚氮廓线的通道选取方法及装置 |
Non-Patent Citations (1)
Title |
---|
李姗姗 等: "基于SCIATRAN 大气辐射传输模式的卷云大气短波红外敏感性分析", 《成都信息工程大学学报》 * |
Cited By (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109871637B (zh) * | 2019-03-06 | 2022-11-04 | 成都信息工程大学 | 一种云天条件下近地面气温估算方法 |
CN109871637A (zh) * | 2019-03-06 | 2019-06-11 | 成都信息工程大学 | 一种云天条件下近地面气温估算方法 |
CN110850443A (zh) * | 2019-11-11 | 2020-02-28 | 西北工业大学 | 激光雷达温湿度数据阶梯分析处理方法 |
CN110850443B (zh) * | 2019-11-11 | 2023-03-03 | 西北工业大学 | 激光雷达温湿度数据阶梯分析处理方法 |
CN111598802A (zh) * | 2020-05-12 | 2020-08-28 | 中国科学院合肥物质科学研究院 | 一种地基全天空云参数反演系统和方法 |
CN111598802B (zh) * | 2020-05-12 | 2023-04-25 | 中国科学院合肥物质科学研究院 | 一种地基全天空云参数反演系统和方法 |
CN112699533A (zh) * | 2020-12-09 | 2021-04-23 | 国家卫星气象中心(国家空间天气监测预警中心) | 一种静止卫星红外高光谱仪的观测仿真方法 |
CN112818605A (zh) * | 2021-02-07 | 2021-05-18 | 武汉大学 | 一种地表反照率的快速估计方法及系统 |
CN113128058A (zh) * | 2021-04-22 | 2021-07-16 | 中国科学院空天信息创新研究院 | 温度廓线的反演方法、装置、可读存储介质和电子设备 |
CN113687961A (zh) * | 2021-08-18 | 2021-11-23 | 国家卫星气象中心(国家空间天气监测预警中心) | 基于云端的红外高光谱辐射传输快速并发计算系统及方法 |
CN113687961B (zh) * | 2021-08-18 | 2023-09-26 | 国家卫星气象中心(国家空间天气监测预警中心) | 基于云端的红外高光谱辐射传输快速并发计算系统及方法 |
CN113624694A (zh) * | 2021-10-11 | 2021-11-09 | 航天宏图信息技术股份有限公司 | 一种大气甲烷浓度的反演方法和装置 |
CN116187025A (zh) * | 2023-01-09 | 2023-05-30 | 中国科学院合肥物质科学研究院 | 基于地基红外遥感的晴空大气温湿度廓线快速反演方法 |
CN116187025B (zh) * | 2023-01-09 | 2023-09-15 | 中国科学院合肥物质科学研究院 | 基于地基红外遥感的晴空大气温湿度廓线快速反演方法 |
CN116227346A (zh) * | 2023-02-24 | 2023-06-06 | 武汉大学 | 一种云垂直结构的被动遥感方法及装置 |
CN116227346B (zh) * | 2023-02-24 | 2024-03-22 | 武汉大学 | 一种云垂直结构的被动遥感方法及装置 |
CN116486931A (zh) * | 2023-06-21 | 2023-07-25 | 上海航天空间技术有限公司 | 耦合物理机制的全覆盖大气甲烷浓度数据生产方法及系统 |
CN116486931B (zh) * | 2023-06-21 | 2023-08-29 | 上海航天空间技术有限公司 | 耦合物理机制的全覆盖大气甲烷浓度数据生产方法及系统 |
CN116879227A (zh) * | 2023-07-07 | 2023-10-13 | 安徽农业大学 | 一种基于激光光谱的快速气体反演方法 |
CN116879227B (zh) * | 2023-07-07 | 2024-06-11 | 安徽农业大学 | 一种基于激光光谱的快速气体反演方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109387487B (zh) | 2021-11-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109387487A (zh) | 卷云条件下短波红外高光谱数据大气甲烷快速反演方法 | |
Higurashi et al. | Development of a two-channel aerosol retrieval algorithm on a global scale using NOAA AVHRR | |
CN110174359B (zh) | 一种基于高斯过程回归的航空高光谱影像土壤重金属浓度评估方法 | |
CN111579504B (zh) | 基于光学遥感的大气污染成分垂直分布反演方法 | |
CN111257241B (zh) | 一种deei的基于卫星观测的大气二氧化碳浓度反演算法 | |
Satheesh et al. | Chemical, microphysical, and radiative effects of Indian Ocean aerosols | |
CN114581791A (zh) | 基于modis数据大气水汽含量反演方法及系统 | |
Wang et al. | Added-value of GEO-hyperspectral infrared radiances for local severe storm forecasts using the hybrid OSSE method | |
CN116642666A (zh) | 一种大范围快速光学卫星传感器星上观测辐亮度模拟方法 | |
Xue et al. | One-dimensional variational retrieval of temperature and humidity profiles from the FY4A GIIRS | |
Sun et al. | Impacts of dropsonde and satellite observations on the forecasts of two atmospheric-river-related heavy rainfall events | |
Chandrasekar et al. | Assimilation of multi-channel radiances in mesoscale models with an ensemble technique to improve track forecasts of Tropical cyclones | |
Ezenne et al. | An overview of uncertainties in evapotranspiration estimation techniques | |
Lu et al. | Assessment of the high-resolution estimations of global and diffuse solar radiation using WRF-Solar | |
Ruiz-Arias | Spectral integration of clear-sky atmospheric transmittance: Review and worldwide performance | |
Iwasaki et al. | Assessment of various global freshwater flux products for the global ice-free oceans | |
Deng et al. | CH 4 retrieval from hyperspectral satellite measurements in short-wave infrared: Sensitivity study and preliminary test with GOSAT data | |
Peng et al. | Parameterizations of surface radiation in the semiarid grasslands of Inner Mongolia under clear-sky conditions using MODIS data | |
Xi et al. | An error compensation method for remote sensing measurement of mobile source emissions | |
CN107389595A (zh) | 一种基于modis三通道加权平均的水汽反演方法 | |
Li-wen et al. | An Algorithm for Detecting Ice Cloud at Different Altitudes by Combining Dual CrIS Full Spectrum Resolution CO 2 Channels | |
Liu et al. | Measurement method of carbon dioxide using spatial decomposed parallel computing | |
Su et al. | Information‐rich spectral channels for simulated retrievals of partial column‐averaged methane | |
Timofeyev et al. | Russian Investigations in the Field of Atmospheric Radiation in 2019–2022 | |
Mu et al. | Analysis of the effect of profile selection on the simulation accuracy of fast simulation of satellite infrared channel transmittance |
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 |