CN109583516A - 一种基于地基和卫星观测的时空连续pm2.5反演方法 - Google Patents
一种基于地基和卫星观测的时空连续pm2.5反演方法 Download PDFInfo
- Publication number
- CN109583516A CN109583516A CN201811578881.XA CN201811578881A CN109583516A CN 109583516 A CN109583516 A CN 109583516A CN 201811578881 A CN201811578881 A CN 201811578881A CN 109583516 A CN109583516 A CN 109583516A
- Authority
- CN
- China
- Prior art keywords
- concentration
- ground
- moonscope
- space
- index
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 35
- 230000011218 segmentation Effects 0.000 claims abstract description 37
- 238000007637 random forest analysis Methods 0.000 claims abstract description 15
- 238000012544 monitoring process Methods 0.000 claims abstract description 12
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 6
- 230000003068 static effect Effects 0.000 claims description 14
- 238000004364 calculation method Methods 0.000 claims description 5
- 230000008859 change Effects 0.000 claims description 4
- 239000008187 granular material Substances 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 230000004927 fusion Effects 0.000 claims description 2
- 238000011160 research Methods 0.000 description 9
- 239000002245 particle Substances 0.000 description 8
- 239000000443 aerosol Substances 0.000 description 7
- 239000003570 air Substances 0.000 description 7
- 230000006870 function Effects 0.000 description 7
- 238000012417 linear regression Methods 0.000 description 5
- 239000013618 particulate matter Substances 0.000 description 5
- 238000003915 air pollution Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000007812 deficiency Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000002790 cross-validation Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 230000005802 health problem Effects 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 238000005192 partition Methods 0.000 description 2
- 230000008569 process Effects 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
- 206010058467 Lung neoplasm malignant Diseases 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 239000012080 ambient air Substances 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000003796 beauty Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008033 biological extinction Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 239000003738 black carbon Substances 0.000 description 1
- 238000002485 combustion reaction Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000009833 condensation Methods 0.000 description 1
- 230000005494 condensation Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000004090 dissolution Methods 0.000 description 1
- 239000003292 glue Substances 0.000 description 1
- 230000008821 health effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000003331 infrared imaging Methods 0.000 description 1
- 201000005202 lung cancer Diseases 0.000 description 1
- 208000020816 lung neoplasm Diseases 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000009885 systemic effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- 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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
- G01N15/06—Investigating concentration of particle suspensions
-
- 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
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Chemical & Material Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Operations Research (AREA)
- Immunology (AREA)
- Analytical Chemistry (AREA)
- General Health & Medical Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Pathology (AREA)
- Algebra (AREA)
- Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Biochemistry (AREA)
- Dispersion Chemistry (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Image Processing (AREA)
Abstract
本申请公开了基于地基和卫星观测的时空连续PM2.5反演方法,该方法包括以下步骤:将监测区域分割为若干子区域;给各个子区域建立随机森林回归模型,在最优模型下反演得出各个子区域的PM2.5浓度估算值;用普通克里金插值算法计算各个子区域内各个站点观测的空间内插值;基于PM2.5浓度卫星估算值和空间插值的均方根误差,使用逆方差加权方法对PM2.5浓度卫星估算值和空间内插值进行计算得到最终的PM2.5浓度反演值;本申请综合采用多尺度分割、随机森林回归模型以及对地面观测结果进行插值,实现了对近地面PM2.5浓度的无缝高精度的计算。
Description
技术领域
本公开一般涉及环境监测技术领域,具体涉及空气中颗粒物的监 测技术,尤其涉及一种基于地基和卫星观测的时空连续PM2.5反演方 法。
背景技术
在过去几十年里,由于迅速地城市扩张和工业化,大量的颗粒物 (PM,即直径在1纳米到1亿之间的微粒)排放到空气中,导致灰霾 事件频发,尤其是经济发达和人口密集的大都市区尤为突出。
大气颗粒物是气溶胶的最主要的组成部分,通过直接或间接作用 影响天气和气候系统。具体而言,一方面,气溶胶能够直接吸收和散 射太阳辐射,扰动地气系统的能量收支;其次,它能作为云凝结核或 冰核改变云的微物理和辐射性质以及云的寿命,间接影响气候系统。 此外,大气中吸收性的气溶胶,主要是不完全燃烧排放的黑炭气溶胶, 还能通过大气环流过程进行远距离传输,沉降到冰雪表面,从而降低 冰雪反照率,增强其对太阳辐射的吸收,加速冰雪融化。更重要地, 大气悬浮颗粒物也被证明会引起健康问题,如呼吸系统疾病,心血管 疾病甚至引发肺癌等。根据世界卫生组织(WHO)在2018年发布的 最新报告,全世界80%以上的人口正面临空气污染问题,每年有800 多万人死于空气污染。一般来说,细颗粒(PM2.5)更有可能在空气 中停留更长时间,并且比粗颗粒(PM10,空气动力学直径小于10微 米的颗粒物)更容易进行长距离传输,从而影响较偏远地区的空气质 量。此外,它们可以更深入地进入人类循环系统,从而导致更严重的 健康问题。因此开展细颗粒物PM2.5的分布和时空演变研究对于进一 步了解实际环境承载与空气污染控制而言是及其必要的。
自上个世纪以来,随着人们对空气污染的理解和公共安全卫生意 识的不断深入,人们的注意力已经从最初的悬浮微粒总量(TSP)转 移到可以吸入颗粒物。早在1987年,美国环境保护署就用PM10浓度 取代了TSP浓度用以监测空气质量,而1997年又进一步提出了PM2.5 日均限制和年均限制,随后分别于1996年和2012年两次对其进行修 改。中国关于细颗粒物的常规监控起步较晚,2001年制定了PM10标 准,后于2012年将PM2.5浓度限制纳入新的环境空气质量标准 (GB3095-2012)。
当前已经积累了大量的关于PM2.5的研究,包括颗粒物浓度时空变 化,化学成分测量和分析,环境和健康影响分析,以及基于卫星观测 的区域浓度估计等。对于PM2.5浓度的研究从数据源上分为基于站点 和基于卫星两种方式,其中基于站点的研究,数据可靠性高,能实时 连续观测,但是站点稀疏,难以反映偏离站点的位置上气象、地形和 排放源对颗粒物浓度所造成的实际影响。而基于大视域、高覆盖的卫 星观测手段可以弥补站点观测的不足。大视域、宽覆盖的卫星观测弥 补了稀疏的地基站点观测带来的不足,是目前的研究热点。已有研究 表明,卫星反演的气溶胶光学厚度与粒径为0.1~2微米的颗粒物浓度密切相关,而大部分的PM2.5处于这一粒径范围内,因此理论上卫星 AOD产品是一个用于反演PM2.5浓度的有效工具。当前使用主要的卫 星产品包括中分辨率成像光谱仪(MODIS)AOD、多角度成像光谱仪 (MISR)AOD、可见红外成像辐射计(VIIRS)AOD以及Himawari-8 AOD产品等。与此同时也发展了多种颗粒物浓度估算预测方法,例如 线性回归模型(multiplelinear regression,MLR)、线性混合模型(linear mixed effects,LME)以及神经网络模型(artificial neural network,ANN) 等。
现有技术中的反演PM2.5浓度的方法存在以下缺点:
首先忽略了空间异质性对反演结果的影响。当前已有的模型除基 于多元线性回归发展而来的地理加权模型外,其他模型均不考虑空间 异质性对模型参数估计的影响,即对研究区内所有样本进行一致处理。 尽管这一过程减少了计算量,但是当研究区范围较大且下垫面复杂时, 所得参数的区域代表性差,模型不能正确反映解释变量对特定位置颗粒物浓度的影响。而地理加权模型是基于像素或者人为划分区域实现 的,要么计算量过大,要么区域划分的合理性有待改进。
其次忽略了解释变量之间的多重共线性而导致的模型过拟合。多重 共线性是指线性回归模型中的解释变量之间由于存在相关关系而使模 型估计失真或难以准确估计。共线性又分为完全共线性和非完全共线 性,当完全共线性存在时,回归系数的最小二乘估计不存在;而非完 全共线性较强时,回归系数的无偏估计也不是有效的,从而对模型产 生影响。一方面,可能会由于方差较大,使参数的显著性检验增加接 受原假设的可能,从而舍掉某些对被解释变量而言有显著影响的因子; 另一方面,变大的方差容易使模型预测的“区间”变大,使预测失去 意义。而当前对PM2.5的估计通常会引入较多的解释变量,如温度、 湿度、压强、风速、植被覆盖度等;这些变量之间呈现出一定程度的 共线性,尤其是气象参量之间,因此,如果不对输入变量进行选择和 处理,很有可能会导致参数估计失稳。
最后现有技术中的方法完全基于卫星数据得到的反演结果空间 覆盖度低。基于卫星AOD数据反演PM2.5,其结果受限于AOD的空 间覆盖度。一方面,卫星AOD的反演是基于光学通道实现的,容易 受到云和水汽的影响,即当云层较厚或水汽含量较多或发生降雨时, 反射信号不能被卫星所接收,从而形成大面积的数据缺失。以葵花8 号静止卫星为例,其AOD产品在中国的最大空间覆盖度低于45%。 此外,AOD的反演与地表反照率有关,当地表反照率高即高亮地表, AOD的反演精度低,在对数据进行质控和筛选时会增加卫星AOD的缺失率。
发明内容
鉴于现有技术中的上述缺陷或不足,期望提供一种基于地基和卫 星广策的时空连续PM2.5反演方法,实现对近地面PM2.5浓度的无缝 反演。
第一方面本申请提供的基于地基和卫星观测的时空连续PM2.5反 演方法包括以下步骤:
将监测区域分割为若干子区域;
给各个子区域建立随机森林回归模型,将气象动态指标和卫星 AOD作为解释变量输入到随机森林网络后训练随机森林回归模型得 到最优模型,在最优模型下反演得出各个子区域的PM2.5浓度卫星估 算值
确定各个子区域内的PM2.5浓度卫星估算值的均方根误 差RMSEsatellite;
用普通克里金插值算法计算各个子区域内各个站点观测的空间内 插值
确定各个子区域内的空间内插值的均方根误差RMSEKring;
使用逆方差加权方法对PM2.5浓度卫星估算值和空间内 插值进行融合得到最终的PM2.5浓度反演值PMfusing。
根据本申请实施例提供的技术方案,所述将监测区域分割为若 干子区域具体包括以下步骤:
以地理静态指标与PM2.5实测浓度为样本,统计出各静态指标与 PM2.5实测浓度的相关系数;
以相关系数作为权重对各静态指标进行指标归一化,得到归一化 参量N_index,所述归一化参量N_index以栅格数据的形式显示;
对归一化参量N_index的栅格数据进行多尺度分割,确定最优分 割方案并以最优分割方案将监测区域分割为若干子区域。
根据本申请实施例提供的技术方案,所述使用逆方差加权方法对 PM2.5浓度卫星估算值和空间内插值进行融合,从而得 到最终的PM2.5浓度反演值PMfusing之前还包括:
建立PM2.5浓度卫星估算值和空间内插值的拟合 函数;
根据拟合函数得到卫星观测缺失像素的PM2.5浓度卫星估算值。
根据本申请实施例提供的技术方案,所述静态指标包括人为颗粒 物排放密度AE、人口密度Pop、高程DEM;
所述归一化参量N_index由以下公式计算得到:
其中:
根据本申请实施例提供的技术方案,所述以对归一化参量 N_index的栅格数据进行多尺度分割,确定最优分割方案并以最优分 割方案将监测区域分割为若干子区域具体包括以下步骤:
以归一化参量N_index的栅格数据作为输入,设定若干分割尺度, 使用eCognition分割工具对归一化参量N_index以设定的分割尺度分 割成不同组合;
在不同分割版本下对PM2.5浓度进行估算,并与站点的实测值进 行比对,计算不同分割版本下的PM2.5浓度估算精度;
根据不同分割版本下的PM2.5浓度估算精度和分割区域的数量确 定最终的全区域反演方案。
根据本申请实施例提供的技术方案,所述根据不同分割版本下的 PM2.5浓度估算精度和分割区域数量确定最终的全区域反演方案具体 包括以下步骤:
选定PM2.5浓度估算精度最高和次高的分割方案;
判断PM2.5浓度估算精度最高和次高的分割方案下PM2.5浓度估 算精度的差值是否大于0.1,若是则确定PM2.5浓度估算精度最高的 分割方案为最终反演方案;
若否则在PM2.5浓度估算精度最高和次高的分割方案中选定分割 数量相对少的方案为最终反演方案。
根据本申请实施例提供的技术方案,所述PM2.5浓度估算精度 为PM2.5浓度估算值的决定系数R2,均方根误差RMSE,平均绝对误 差MAE或相对误差RE)的任意一个。
根据本申请实施例提供的技术方案,所述PM2.5浓度估算值的 决定系数R2、均方根误差RMSE和平均绝对误差MAE分别由以下计 算公式计算得到:
其中为PM2.5浓度估计值,PM为站点实测值,n为统计样本; 相对误差RE定义为绝对误差与真值的比值。
相对误差RE定义为绝对误差与真值的比值。
根据本申请实施例提供的技术方案,所述动态指标包括地表温 度、地表压强、风速、相对湿度与边界层高度。
根据本申请实施例提供的技术方案,所述PM2.5浓度反演值 PMfusing由以下公式计算得到:
本申请的有益效果是:采用多尺度分割算法减小空间异质性对参数 估计的干扰,基于与PM2.5密切相关的静态数据(如人为排放密度 AE、高程DEM等)实现对研究区更为科学合理地聚类划分,从而针 对不同研究子区建立其专属的颗粒物浓度反演模型。
采用随机森林学习算法实现基于卫星观测的近地面颗粒物浓度估 算,克服了多重共线性对反演结果的影响,该算法随机性的引入,使 其具有很好的抗噪声能力,面对高维数据不需要进行特征选择,一般 不易发生过拟合,保证了模型估计在理论上的稳定性。
为了提高反演结果的空间覆盖度,本发明采用克里金算法对地面观 测结果进行插值,并利用交叉验证的方法分别对卫星的反演结果和内 插结果进行评估,基于逆方差加权的思想将二者进行融合,从而实现 对近地表PM2.5浓度的无缝估计,为区域实时连续的空气质量监测提 供数据支撑。
本申请综合采用多尺度分割、随机森林回归模型以及对地面观测结 果进行插值,实现了对近地面PM2.5浓度的无缝高精度的计算。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描 述,本申请的其它特征、目的和优点将会变得更明显:
图1是本申请一种实施例的流程示意图;
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解 的是,此处所描述的具体实施例仅仅用于解释相关发明,而非对该发 明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与 发明相关的部分。
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例 中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本 申请。
实施例一:
如图1所示,本申请提供的一种基于地基和卫星观测的时空连续 PM2.5反演方法包括以下步骤:
s100.将监测区域分割为若干子区域;
s200.给各个子区域建立随机森林回归模型,将气象动态指标和卫 星AOD作为解释变量输入到随机森林网络后训练随机森林回归模型 得到最优模型,在最优模型下反演得出各个子区域的PM2.5浓度卫星 估算值中,所述气象动态指标例如可以为地表温度、地表压强、 风速、相对湿度与边界层高度。
AOD为气溶胶光学厚度,为气溶胶消光系数在垂直方向上的积 分,定量描述气溶胶对光的削减作用的物理量,可以用于表征大气的 浑浊程度。
随机森林回归模型由MATLAB实现,随机森林自身的稳健性和随 机性,不需要对变量进行预筛选,模型会对各解释变量的重要性进行 排序。
s300.确定各个子区域内的PM2.5浓度估算值的均方根误 差RMSEsatellite;
例如如下公式所示,使用交叉验证的方法统计反演结果的均方根 误差。
式中,为基于卫星观测的PM2.5浓度卫星估计值,PM为站点 实测值,m为研究子区域内样本数量。
s400.用普通克里金插值算法计算各个子区域内各个站点观测的 空间内插值
s500.确定各个子区域内的空间内插值的均方根误差 RMSEKring;
s600.使用逆方差加权方法对PM2.5浓度卫星估算值和 PM2.5浓度空间内插值进行融合得到最终的PM2.5浓度反演值 PMfusing。所述PM2.5浓度反演值PMfusing由以下公式计算得到:
在实施一中,步骤s100中的分割方法具体包括以下步骤:
s110.以地理静态指标与PM2.5实测浓度为样本,统计出各个静态 指标与PM2.5实测浓度的相关系数;
所述静态指标指的是与PM2.5浓度相关且短时内不会发生变化的 参量,在本实施例中,静态指标采用为颗粒物人为排放密度AE、人口 密度Pop和高程DEM;例如以同一时间点,以监测站点的PM2.5实测 浓度及站点附近平均排放密度AE、人口密度Pop、高程DEM作为一 对样本,以区域内所有样本为基础统计PM2.5浓度分别与排放密度 AE、人口密度Pop、高程DEM的相关系数。
s120.以相关系数作为权重对各静态指标进行指标归一化,得到归 一化参量N_index,所述归一化参量N_index以栅格数据显示;
所述归一化参量N_index的栅格数据由以下公式计算得到:
其中:
以上RAE即为排放密度AE与PM2.5浓度的相关系数;Rpop即为 人口密度Pop与PM2.5浓度的相关系数;RDEM即为高程DEM与PM2.5 浓度的相关系数;AEmax为所有样本中排放密度AE的最大值;AEmin为所有样本中排放密度AE的最小值;Popmax为所有样本中人口密度 Pop的最大值;Popmin为所有样本中人口密度Pop的最小值;DEMmax为所有样本中高程DEM的最大值;DEMmin为所有样本高程DEM的 最小值。
s130.对归一化参量N_index的栅格数据进行多尺度分割,确定最 优分割方案并以最优分割方案将监测区域分割得到若干子区域,具体 包括以下步骤:
s131.以归一化参量N_index的栅格数据作为输入,设定若干分割 尺度,使用eCognition分割工具对归一化参量N_index的栅格数据以 设定的分割尺度分割成不同组合;
s132.在不同分割版本下对PM2.5浓度进行估算,并与站点的实测 值进行比对,计算不同分割版本下的PM2.5浓度估算精度;
s133.根据不同分割版本下的PM2.5浓度估算精度和分割区域数量 确定最终的全区域反演方案。
全区域的最终反演方案由以下步骤决定:
s133-1、选定PM2.5浓度估算精度最高和次高的分割方案;
s133-2、判断PM2.5浓度估算精度最高和次高的分割方案下PM2.5 浓度估算精度的差值是否大于0.1,若是则确定PM2.5浓度估算精度 最高的分割方案为最终反演方案;若否则在PM2.5浓度估算精度最高 和次高的分割方案中选定分割数量相对少的方案为最终反演方案。
所述PM2.5浓度估算精度为PM2.5浓度卫星估算值的决定系数 R2,均方根误差RMSE,平均绝对误差MAE或相对误差RE的任意一 个。
所述PM2.5浓度估算值的决定系数R2、均方根误差RMSE和平 均绝对误差MAE分别由以下计算公式计算得到:
其中为PM2.5浓度估计值,PM为站点实测值,n为统计样本;
相对误差RE定义为绝对误差与真值的比值。。
上述步骤s600之前还包括:
s700、建立PM2.5浓度卫星估算值和空间内插值的 拟合函数。
根据拟合函数计算得到缺失对应的地面站点数据的PM2.5浓度估 算值的对应站点数据。
卫星观测存在数据缺失,而空间内插值由于站点稀疏且分 布不均,插值精度在空间上也存在变动,将二者的结果进行联合,既 可以在一定程度上减小误差,又能增加反演结果的空间覆盖度。具体 执行过程分为两步,首先建立二者之间的拟合函数,对无卫星观测却 有空间内插值的像素对卫星反演结果进行重建,填补缺失数 据。
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说 明。本领域技术人员应当理解,本申请中所涉及的发明范围,并不限 于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离 所述发明构思的情况下,由上述技术特征或其等同特征进行任意组合 而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于) 具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (10)
1.一种基于地基和卫星观测的时空连续PM2.5反演方法,所述方法包括:
将监测区域分割为若干子区域;
给各个子区域建立随机森林回归模型,将气象动态指标和卫星AOD作为解释变量输入到随机森林网络后训练随机森林回归模型得到最优模型,在最优模型下反演得出各个子区域的PM2.5浓度卫星估算值
确定各个子区域内的PM2.5浓度卫星估算值的均方根误差RMSEsatellite;
用普通克里金插值算法计算各个子区域内各个站点观测的空间内插值
确定各个子区域内的空间内插值的均方根误差RMSEKring;
使用逆方差加权方法对PM2.5浓度卫星估算值和空间内插值进行融合得到最终的PM2.5浓度反演值PMfusing。
2.根据权利要求1所述的基于地基和卫星观测的时空连续PM2.5反演方法,其特征在于,所述将监测区域分割为若干子区域具体包括以下步骤:
以地理静态指标与PM2.5实测浓度为样本,统计出各静态指标与PM2.5实测浓度的相关系数;
以相关系数作为权重对各静态指标进行指标归一化,得到归一化参量N_index,所述归一化参量N_index以栅格数据显示;
对归一化参量N_index的栅格数据进行多尺度分割,确定最优分割方案并以最优分割方案将监测区域分割为若干子区域。
3.根据权利要求1或2所述的基于地基和卫星观测的时空连续PM2.5反演方法,其特征在于,所述使用逆方差加权方法对PM2.5浓度卫星估算值和空间内插值进行融合,从而得到最终的PM2.5浓度反演值PMfusing之前还包括:
建立PM2.5浓度卫星估算值和空间内插值的拟合函数;
根据拟合函数得到卫星观测缺失像素的PM2.5浓度卫星估算值
4.根据权利要求2所述的基于地基和卫星观测的时空连续PM2.5反演方法,其特征在于,所述静态指标包括人为颗粒物排放密度AE、人口密度Pop、高程DEM;
所述归一化参量N_index由以下公式计算得到:
其中:
。
5.根据权利要求2所述的基于地基和卫星观测的时空连续PM2.5反演方法,其特征在于,所述以对归一化参量N_index的栅格数据进行多尺度分割,确定最优分割方案并以最优分割方案将监测区域分割为若干子区域具体包括以下步骤:
以归一化参量N_index的栅格数据作为输入,设定若干分割尺度,使用eCognition分割工具对归一化参量N_index的栅格数据以设定的分割尺度分割成不同组合;
在不同分割版本下对PM2.5浓度进行估算,并与站点的实测值进行比对,计算不同分割版本下的PM2.5浓度估算精度;
根据不同分割版本下的PM2.5浓度估算精度和分割区域数量确定最终的全区域反演方案。
6.根据权利要求5所述的基于地基和卫星观测的时空连续PM2.5反演方法,其特征在于,所述根据不同分割版本下的PM2.5浓度估算精度和分割区域数量确定最终的全区域反演方案具体包括以下步骤:
选定PM2.5浓度估算精度最高和次高的分割方案;
判断PM2.5浓度估算精度最高和次高的分割方案下PM2.5浓度估算精度的差值是否大于阈值,若是则确定PM2.5浓度估算精度最高的分割方案为最终反演方案;
若否则在PM2.5浓度估算精度最高和次高的分割方案中分割数量相对少的方案为最终反演方案。
7.根据权利要求5或6所述的基于地基和卫星观测的时空连续PM2.5反演方法,其特征在于,所述PM2.5浓度估算精度为PM2.5浓度估算值的决定系数R2,均方根误差RMSE,平均绝对误差MAE或相对误差RE的任意一个。
8.根据权利要求5或6所述的基于地基和卫星观测的时空连续PM2.5反演方法,其特征在于,所述PM2.5浓度估算值的决定系数R2、均方根误差RMSE和平均绝对误差MAE分别由以下计算公式计算得到:
其中为PM2.5浓度估计值,PM为站点实测值,n为统计样本;相对误差RE定义为绝对误差与真值的比值。
9.根据权利要求3所述的基于地基和卫星观测的时空连续PM2.5反演方法,其特征在于,所述动态指标包括地表温度、地表压强、风速、相对湿度与边界层高度。
10.根据权利要求3所述的基于地基和卫星观测的时空连续PM2.5反演方法,其特征在于,所述PM2.5浓度反演值PMfusing由以下公式计算得到:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811578881.XA CN109583516A (zh) | 2018-12-24 | 2018-12-24 | 一种基于地基和卫星观测的时空连续pm2.5反演方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811578881.XA CN109583516A (zh) | 2018-12-24 | 2018-12-24 | 一种基于地基和卫星观测的时空连续pm2.5反演方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109583516A true CN109583516A (zh) | 2019-04-05 |
Family
ID=65931455
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811578881.XA Pending CN109583516A (zh) | 2018-12-24 | 2018-12-24 | 一种基于地基和卫星观测的时空连续pm2.5反演方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109583516A (zh) |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110160924A (zh) * | 2019-06-27 | 2019-08-23 | 中国科学院遥感与数字地球研究所 | 一种颗粒物浓度检测方法 |
CN110389087A (zh) * | 2019-08-02 | 2019-10-29 | 中国科学院遥感与数字地球研究所 | 一种污染天气下的pm2.5浓度卫星遥感估算方法 |
CN110595960A (zh) * | 2019-08-02 | 2019-12-20 | 中国科学院遥感与数字地球研究所 | 一种基于机器学习的pm2.5浓度遥感估算方法 |
CN110595968A (zh) * | 2019-08-02 | 2019-12-20 | 中国科学院遥感与数字地球研究所 | 一种基于静止轨道卫星的pm2.5浓度估算方法 |
CN110989038A (zh) * | 2019-11-22 | 2020-04-10 | 北京中科锐景科技有限公司 | 一种近地面颗粒浓度估算方法及系统 |
CN111426633A (zh) * | 2020-06-15 | 2020-07-17 | 航天宏图信息技术股份有限公司 | 一种夜间pm2.5质量浓度估算方法和装置 |
CN112016696A (zh) * | 2020-08-14 | 2020-12-01 | 武汉大学 | 融合卫星与地基观测的pm1浓度反演方法及系统 |
CN112380781A (zh) * | 2020-11-30 | 2021-02-19 | 中国人民解放军国防科技大学 | 基于再分析资料和不平衡学习的卫星观测补全方法 |
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 |
CN112395808A (zh) * | 2020-11-18 | 2021-02-23 | 南京林业大学 | 一种结合随机森林和协同克里金的生物量遥感制图方法 |
CN112463787A (zh) * | 2020-12-17 | 2021-03-09 | 南京信息工程大学 | 基于张量变换的气象栅格数据补盲方法 |
CN113536577A (zh) * | 2021-07-21 | 2021-10-22 | 南通大学 | 一种基于空间代表性的pm2.5观测站点优化布局方法 |
CN114819264A (zh) * | 2022-03-11 | 2022-07-29 | 中国长江三峡集团有限公司 | 一种基于时空依赖的光伏电站辐照度超短期预测方法及存储介质 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130231906A1 (en) * | 2010-10-04 | 2013-09-05 | Ofs Fitel, Llc | Statistical Prediction Functions For Natural Chaotic Systems And Computer Models Thereof |
CN104217426A (zh) * | 2014-08-18 | 2014-12-17 | 中国科学院东北地理与农业生态研究所 | 一种基于ENVISAT ASAR与Landsat TM遥感数据面向对象提取水体的方法 |
CN104881677A (zh) * | 2015-05-08 | 2015-09-02 | 北京师范大学 | 针对遥感影像地表覆盖分类的最优分割尺度确定方法 |
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 |
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 |
CN106780503A (zh) * | 2016-12-30 | 2017-05-31 | 北京师范大学 | 基于后验概率信息熵的遥感图像最优分割尺度确定方法 |
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 |
CN108986113A (zh) * | 2018-07-06 | 2018-12-11 | 航天星图科技(北京)有限公司 | 一种基于llts框架的分块并行多尺度分割算法 |
CN109063657A (zh) * | 2018-08-08 | 2018-12-21 | 武汉大学 | 面向均值地域光谱单元的地上生物量估算和尺度转换方法 |
-
2018
- 2018-12-24 CN CN201811578881.XA patent/CN109583516A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130231906A1 (en) * | 2010-10-04 | 2013-09-05 | Ofs Fitel, Llc | Statistical Prediction Functions For Natural Chaotic Systems And Computer Models Thereof |
CN104217426A (zh) * | 2014-08-18 | 2014-12-17 | 中国科学院东北地理与农业生态研究所 | 一种基于ENVISAT ASAR与Landsat TM遥感数据面向对象提取水体的方法 |
CN104881677A (zh) * | 2015-05-08 | 2015-09-02 | 北京师范大学 | 针对遥感影像地表覆盖分类的最优分割尺度确定方法 |
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 |
CN106780503A (zh) * | 2016-12-30 | 2017-05-31 | 北京师范大学 | 基于后验概率信息熵的遥感图像最优分割尺度确定方法 |
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 |
CN108986113A (zh) * | 2018-07-06 | 2018-12-11 | 航天星图科技(北京)有限公司 | 一种基于llts框架的分块并行多尺度分割算法 |
CN109063657A (zh) * | 2018-08-08 | 2018-12-21 | 武汉大学 | 面向均值地域光谱单元的地上生物量估算和尺度转换方法 |
Non-Patent Citations (3)
Title |
---|
GONGBO CHEN 等: "A machine learning method to estimate PM2.5 concentrations across China with remote sensing, meteorological and land use information", 《SCIENCE OF THE TOTAL ENVIRONMENT》 * |
莫莉 等: "北京市区域城市化程度与颗粒物污染的相关性分析", 《生态环境学报》 * |
黄帅 等: "面向对象的国产GF-1遥感影像水体信息提取研究", 《人民长江》 * |
Cited By (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110160924A (zh) * | 2019-06-27 | 2019-08-23 | 中国科学院遥感与数字地球研究所 | 一种颗粒物浓度检测方法 |
CN110160924B (zh) * | 2019-06-27 | 2023-10-31 | 中国科学院遥感与数字地球研究所 | 一种颗粒物浓度检测方法 |
CN110389087A (zh) * | 2019-08-02 | 2019-10-29 | 中国科学院遥感与数字地球研究所 | 一种污染天气下的pm2.5浓度卫星遥感估算方法 |
CN110595960A (zh) * | 2019-08-02 | 2019-12-20 | 中国科学院遥感与数字地球研究所 | 一种基于机器学习的pm2.5浓度遥感估算方法 |
CN110595968A (zh) * | 2019-08-02 | 2019-12-20 | 中国科学院遥感与数字地球研究所 | 一种基于静止轨道卫星的pm2.5浓度估算方法 |
CN110595968B (zh) * | 2019-08-02 | 2021-05-18 | 中国科学院遥感与数字地球研究所 | 一种基于静止轨道卫星的pm2.5浓度估算方法 |
CN110595960B (zh) * | 2019-08-02 | 2021-05-14 | 中国科学院遥感与数字地球研究所 | 一种基于机器学习的pm2.5浓度遥感估算方法 |
CN110989038A (zh) * | 2019-11-22 | 2020-04-10 | 北京中科锐景科技有限公司 | 一种近地面颗粒浓度估算方法及系统 |
CN110989038B (zh) * | 2019-11-22 | 2022-03-04 | 北京中科锐景科技有限公司 | 一种近地面颗粒浓度估算方法及系统 |
CN111426633A (zh) * | 2020-06-15 | 2020-07-17 | 航天宏图信息技术股份有限公司 | 一种夜间pm2.5质量浓度估算方法和装置 |
CN112016696A (zh) * | 2020-08-14 | 2020-12-01 | 武汉大学 | 融合卫星与地基观测的pm1浓度反演方法及系统 |
CN112016696B (zh) * | 2020-08-14 | 2022-10-04 | 武汉大学 | 融合卫星与地基观测的pm1浓度反演方法及系统 |
CN112395808A (zh) * | 2020-11-18 | 2021-02-23 | 南京林业大学 | 一种结合随机森林和协同克里金的生物量遥感制图方法 |
CN112380781A (zh) * | 2020-11-30 | 2021-02-19 | 中国人民解放军国防科技大学 | 基于再分析资料和不平衡学习的卫星观测补全方法 |
CN112380781B (zh) * | 2020-11-30 | 2022-10-18 | 中国人民解放军国防科技大学 | 基于再分析资料和不平衡学习的卫星观测补全方法 |
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 |
CN112463787A (zh) * | 2020-12-17 | 2021-03-09 | 南京信息工程大学 | 基于张量变换的气象栅格数据补盲方法 |
CN112463787B (zh) * | 2020-12-17 | 2021-08-10 | 南京信息工程大学 | 一种气象栅格数据补盲的方法 |
CN113536577A (zh) * | 2021-07-21 | 2021-10-22 | 南通大学 | 一种基于空间代表性的pm2.5观测站点优化布局方法 |
CN113536577B (zh) * | 2021-07-21 | 2023-08-22 | 南通大学 | 一种基于空间代表性的pm2.5观测站点优化布局方法 |
CN114819264A (zh) * | 2022-03-11 | 2022-07-29 | 中国长江三峡集团有限公司 | 一种基于时空依赖的光伏电站辐照度超短期预测方法及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109583516A (zh) | 一种基于地基和卫星观测的时空连续pm2.5反演方法 | |
CN109657363A (zh) | 一种时空连续的pm2.5反演方法 | |
CN109856021A (zh) | 一种pm2.5反演方法及监测区域分割方法 | |
Wu et al. | Synergy of satellite and ground based observations in estimation of particulate matter in eastern China | |
Banks et al. | Performance evaluation of the boundary-layer height from lidar and the Weather Research and Forecasting model at an urban coastal site in the north-east Iberian Peninsula | |
Boiyo et al. | Spatial variations and trends in AOD climatology over East Africa during 2002–2016: a comparative study using three satellite data sets | |
Dong et al. | Opposite long-term trends in aerosols between low and high altitudes: a testimony to the aerosol–PBL feedback | |
Chemel et al. | Valley heat deficit as a bulk measure of wintertime particulate air pollution in the Arve River Valley | |
Greenwald et al. | Effect of cold clouds on satellite measurements near 183 GHz | |
Han et al. | Impacts of elevated-aerosol-layer and aerosol type on the correlation of AOD and particulate matter with ground-based and satellite measurements in Nanjing, southeast China | |
Liu et al. | The characteristics and sources of the aerosols within the nocturnal residual layer over Wuhan, China | |
Reddy et al. | Seasonal aerosol variations over a coastal city, Zhoushan, China from CALIPSO observations | |
CN107330898A (zh) | 植被垂直带定量刻划计算方法和系统 | |
Min et al. | Integrated System for Atmospheric Boundary Layer Height Estimation (ISABLE) using a ceilometer and microwave radiometer | |
Kumar et al. | A 13-year climatological study on the variations of aerosol and cloud properties over Kazakhstan from remotely sensed satellite observations | |
Joshi | Quantifying the impact of cropland wind erosion on air quality: A high-resolution modeling case study of an Arizona dust storm | |
Jiang et al. | Analysis of differences between thermodynamic and material boundary layer structure: Comparison of detection by ceilometer and microwave radiometer | |
Kikaj et al. | Radon-based atmospheric stability classification in contrasting sub-Alpine and sub-Mediterranean environments | |
Alexandrov et al. | Remote sensing of atmospheric aerosols and trace gases by means of multifilter rotating shadowband radiometer. Part II: Climatological applications | |
Alam et al. | Analysis of aerosol optical properties due to a haze episode in the Himalayan foothills: implications for climate forcing | |
Chi et al. | The spatiotemporal pattern of the aerosol optical depth (AOD) on the canopies of various forest types in the exurban national park: a case in ningbo city, eastern China | |
Zhao et al. | Measurements of submicron particles vertical profiles by means of topographic relief in a typical valley city, China | |
Zhao et al. | Contrasting response of ultrafine particle number and PM2. 5 mass concentrations to Clean Air Action in China | |
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 | |
Soleimani et al. | Satellite aerosol optical depth prediction using data mining of climate parameters |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190405 |