CN109657363B - 一种时空连续的pm2.5反演方法 - Google Patents
一种时空连续的pm2.5反演方法 Download PDFInfo
- Publication number
- CN109657363B CN109657363B CN201811578840.0A CN201811578840A CN109657363B CN 109657363 B CN109657363 B CN 109657363B CN 201811578840 A CN201811578840 A CN 201811578840A CN 109657363 B CN109657363 B CN 109657363B
- Authority
- CN
- China
- Prior art keywords
- concentration
- inversion
- satellite
- segmentation
- value
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000007637 random forest analysis Methods 0.000 claims abstract description 16
- 238000012544 monitoring process Methods 0.000 claims abstract description 11
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 8
- 238000012549 training Methods 0.000 claims abstract description 3
- 230000011218 segmentation Effects 0.000 claims description 28
- 230000003068 static effect Effects 0.000 claims description 11
- 238000005259 measurement Methods 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 5
- 230000008859 change Effects 0.000 claims description 3
- 230000004927 fusion Effects 0.000 claims description 3
- 239000013618 particulate matter Substances 0.000 description 8
- 239000000443 aerosol Substances 0.000 description 7
- 238000011160 research Methods 0.000 description 7
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Chemical class O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 6
- 239000002245 particle Substances 0.000 description 5
- 238000003915 air pollution Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 4
- 238000012417 linear regression Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000005855 radiation Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000002790 cross-validation Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 230000006870 function 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
- 208000024172 Cardiovascular disease Diseases 0.000 description 1
- 206010058467 Lung neoplasm malignant Diseases 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008033 biological extinction Effects 0.000 description 1
- 239000003738 black carbon Substances 0.000 description 1
- 239000011362 coarse particle Substances 0.000 description 1
- 238000002485 combustion reaction Methods 0.000 description 1
- 238000009833 condensation Methods 0.000 description 1
- 230000005494 condensation Effects 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 239000010419 fine particle Substances 0.000 description 1
- 238000003331 infrared imaging Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 201000005202 lung cancer Diseases 0.000 description 1
- 208000020816 lung neoplasm Diseases 0.000 description 1
- 238000002844 melting Methods 0.000 description 1
- 230000008018 melting Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000003094 perturbing effect Effects 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 208000023504 respiratory system disease Diseases 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012876 topography Methods 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Hardware Design (AREA)
- Dispersion Chemistry (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了一种时空连续的PM2.5反演方法，包括：建立随机森林回归模型，将反演区域的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PM2.5浓度卫星估算值；确定PM2.5浓度卫星估算值的均方根误差；用普通克里金插值算法计算各个站点观测的空间内插值；确定空间内插值的均方根误差；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融合得到最终的PM2.5浓度反演值。本申请克服了多重共线性对反演结果的影响，具有很好的抗噪声能力，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。
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，尤其涉及一种时空连续的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100微米之间的微粒)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。
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-8AOD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(multiple linearregression，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。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，期望提供一种时空连续的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一种时空连续的PM2.5反演方法，所述方法包括：
建立随机森林回归模型，将反演区域的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PM2.5浓度卫星估算值所述动态指标包括监测区域的地表温度、地表压强、风速、相对湿度与边界层高度；
确定PM2.5浓度卫星估算值的均方根误差/>
用普通克里金插值算法计算各个站点观测的空间内插值
确定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，弥补卫星观测的缺失数据。
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为本申请第一种实施例的流程示意图；
图2为本申请的第二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。
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，本申请提供的一种时空连续的PM2.5反演方法包括以下步骤：
s100、建立随机森林回归模型，将反演区域的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PM2.5浓度卫星估算值所述动态指标包括监测区域的地表温度、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。
s200、确定PM2.5浓度卫星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为监测区域内样本数量。
s300、用普通克里金插值算法计算各个站点观测的空间内插值
s400、确定空间内插值的均方根误差RMSEKring；
s500、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。
所述PM2.5浓度反演值PMfusing由以下公式计算得到：
实施例二，在上述实施例一的基础上，在步骤s500之前还包括以下步骤：
s600、建立PM2.5浓度卫星估算值和空间内插值/>的拟合函数，弥补卫星观测的缺失数据。
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。
实施例三：
在实施例一的基础上，对监测区域进行分割，分割成若干子区域，然后对每个子区域采用实施例一所述的方法进行PM2.5反演。
具体的分割方法包括以下步骤：
s710.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。
s720.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。
s730.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：
s731.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；
s732.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；
s733.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：
s733-1、选定PM2.5浓度估算精度最高和次高的分割方案；
s733-2、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设定阈值。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中选定为最终反演方案。
在本实施例中，当PM2.5浓度估算精度采用PM2.5浓度卫星估算值的决定系数R2时，设定阀值为0.1。
在其他实施例中，所述PM2.5浓度估算精度也可以是PM2.5浓度卫星估算值的均方根误差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、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。
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。
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 (2)
1.一种时空连续的PM2.5反演方法，其特征在于，所述方法包括：
建立随机森林回归模型，将反演区域的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PM2.5浓度卫星估算值所述动态指标包括监测区域的地表温度、地表压强、风速、相对湿度与边界层高度；
确定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站点观测的空间内插值
确定空间内插值的均方根误差RMSEKring；
建立PM2.5浓度卫星估算值和空间内插值/>的拟合函数，弥补卫星观测的缺失数据；
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；
其中，
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，所述静态指标包括：人口密度、人为排放、地表高程；
以各静态指标与PM2.5的相关系数作为权重，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；
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，按照上述方案建立不同分隔子区域的PM2.5估算模型，实现时空连续的PM2.5浓度估算，并与站点的实测值进行比对，计算不同分割版本下的全区域PM2.5浓度估算精度；
根据不同分割方案版本下的PM2.5浓度估算精度和分割区域数量确定最终的全区域多尺度PM2.5反演方案，获取最终的时空连续的近地表PM2.5浓度输出；
确定最终的全区域多尺度PM2.5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设定阈值；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中选定为最终反演方案。
2.根据权利要求1所述的时空连续的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 |
|---|---|---|---|
| CN201811578840.0A CN109657363B (zh) | 2018-12-24 | 2018-12-24 | 一种时空连续的pm2.5反演方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811578840.0A CN109657363B (zh) | 2018-12-24 | 2018-12-24 | 一种时空连续的pm2.5反演方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109657363A CN109657363A (zh) | 2019-04-19 |
| CN109657363B true CN109657363B (zh) | 2023-11-24 |
Family
ID=66115530
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811578840.0A Active CN109657363B (zh) | 2018-12-24 | 2018-12-24 | 一种时空连续的pm2.5反演方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109657363B (zh) |
Families Citing this family (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110108609B (zh) * | 2019-05-07 | 2021-11-02 | 国网湖南省电力有限公司 | 一种基于卫星多通道的pm2.5浓度值分布情况获取方法及系统 |
| 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 |
| CN111307675B (zh) * | 2019-11-22 | 2022-07-12 | 南京理工大学 | 基于毫米波辐射计的细颗粒物浓度监测方法 |
| CN111104639B (zh) * | 2019-12-24 | 2022-06-10 | 福州大学 | 一种点面融合的时序pm2.5空间分布估算方法 |
| 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 |
| CN114018773B (zh) * | 2021-11-03 | 2022-10-04 | 中科三清科技有限公司 | Pm2.5浓度空间分布数据的获取方法、装置、设备及存储介质 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105512464A (zh) * | 2015-11-26 | 2016-04-20 | 武汉大学 | 一种结合卫星和站点观测反演时空连续pm2.5浓度的方法 |
| 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 |
| WO2018145229A1 (zh) * | 2017-02-10 | 2018-08-16 | 广西壮族自治区气象减灾研究所 | 一种近地面气温的大面积精确反演方法 |
| 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 CN201811578840.0A patent/CN109657363B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN105512464A (zh) * | 2015-11-26 | 2016-04-20 | 武汉大学 | 一种结合卫星和站点观测反演时空连续pm2.5浓度的方法 |
| WO2018145229A1 (zh) * | 2017-02-10 | 2018-08-16 | 广西壮族自治区气象减灾研究所 | 一种近地面气温的大面积精确反演方法 |
| 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 (2)
| Title |
|---|
| A machine learning method to estimate PM2.5 concentrations across China with remote sensing, meteorological and land use information;Gongbo Chen 等;《Science of The Total Environment》;20180425;第52-60页 * |
| 基于卫星遥感和气象再分析资料的北京市PM_(2.5)浓度反演研究;邵琦等;《地理与地理信息科学》;20180515(第03期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109657363A (zh) | 2019-04-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109657363B (zh) | 一种时空连续的pm2.5反演方法 | |
| CN109856021B (zh) | 一种pm2.5反演方法及监测区域分割方法 | |
| CN109583516A (zh) | 一种基于地基和卫星观测的时空连续pm2.5反演方法 | |
| 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 | |
| Yang et al. | Filling the missing data gaps of daily MODIS AOD using spatiotemporal interpolation | |
| Haeffelin et al. | Evaluation of mixing-height retrievals from automatic profiling lidars and ceilometers in view of future integrated networks in Europe | |
| CN111323352B (zh) | 融合细颗粒物浓度数据的区域pm2.5遥感反演模型 | |
| CN109782373A (zh) | 一种基于改进的Naive Bayesian-CNN多目标分类算法的沙尘暴预测方法 | |
| CN112180472A (zh) | 一种基于深度学习的大气能见度集成预报方法 | |
| CN109407177B (zh) | 基于机器学习与常规气象观测的大雾识别系统和应用方法 | |
| CN112033870B (zh) | 一种区域边界层pm2.5立体分布及总量推算的方法 | |
| CN114910430A (zh) | 基于超光谱遥感的痕量气体水平分布探测交通污染源方法 | |
| CN114048944A (zh) | 一种暴雨诱发地质灾害下应撤离人口及损毁房屋的预估方法 | |
| Pereira et al. | Solar irradiance modelling using an offline coupling procedure for the Weather Research and Forecasting (WRF) model | |
| Alexandrov et al. | Remote sensing of atmospheric aerosols and trace gases by means of multifilter rotating shadowband radiometer. Part II: Climatological applications | |
| Choi et al. | Retrieval of hourly PM2. 5 using top-of-atmosphere reflectance from geostationary ocean color imagers I and II | |
| 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 | |
| Xu et al. | Identification and quantitative analysis of dust trajectories in the Hexi Corridor | |
| Cho et al. | Fine particulate concentrations over East Asia derived from aerosols measured by the advanced Himawari Imager using machine learning | |
| Nguyen et al. | Particulate matter concentration mapping from satellite imagery | |
| Wang et al. | Determining planetary boundary layer height by micro-pulse lidar with validation by UAV measurements | |
| Huang et al. | PM2. 5 concentration estimation with 1-km resolution at high coverage over urban agglomerations in China using the BPNN-KED approach and potential application | |
| Foroushani et al. | Spatial and temporal gradients in the rate of dust deposition and aerosol optical thickness in southwestern Iran | |
| Liu et al. | Review of the applications of multiangle imaging spectroradiometer to air quality research | |
| Chudnovsky | Monitoring Air Pollution in the Urban Environment by Remote Sensing |
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 | ||
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20231007 Address after: 430072 Hubei city of Wuhan province Wuchang Luojiashan Applicant after: WUHAN University Applicant after: TIANJIN LUOYONG SPACE INFORMATION RESEARCH INSTITUTE CO.,LTD. Address before: 301700 building C7, Changyuan road international enterprise community, business district, Wuqing District, Tianjin Applicant before: TIANJIN LUOYONG SPACE INFORMATION RESEARCH INSTITUTE CO.,LTD. |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant |