CN110389087B - 一种污染天气下的pm2.5浓度卫星遥感估算方法 - Google Patents
一种污染天气下的pm2.5浓度卫星遥感估算方法 Download PDFInfo
- Publication number
- CN110389087B CN110389087B CN201910710739.4A CN201910710739A CN110389087B CN 110389087 B CN110389087 B CN 110389087B CN 201910710739 A CN201910710739 A CN 201910710739A CN 110389087 B CN110389087 B CN 110389087B
- Authority
- CN
- China
- Prior art keywords
- data
- aerosol
- optical thickness
- concentration
- satellite
- 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 60
- 239000000443 aerosol Substances 0.000 claims abstract description 84
- 230000003287 optical effect Effects 0.000 claims abstract description 82
- 238000012795 verification Methods 0.000 claims abstract description 43
- 238000012360 testing method Methods 0.000 claims abstract description 33
- 238000004364 calculation method Methods 0.000 claims abstract description 6
- 238000012549 training Methods 0.000 claims description 23
- 238000011156 evaluation Methods 0.000 claims description 14
- 238000012544 monitoring process Methods 0.000 claims description 8
- 238000003066 decision tree Methods 0.000 claims description 4
- 238000002790 cross-validation Methods 0.000 claims description 2
- 230000002265 prevention Effects 0.000 abstract description 3
- 230000007547 defect Effects 0.000 abstract 1
- 230000006870 function Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 230000034994 death Effects 0.000 description 3
- 231100000517 death Toxicity 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000007812 deficiency Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000000047 product Substances 0.000 description 2
- 239000013589 supplement Substances 0.000 description 2
- 238000010200 validation analysis Methods 0.000 description 2
- 244000052616 bacterial pathogen Species 0.000 description 1
- 208000026106 cerebrovascular disease Diseases 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000002526 effect on cardiovascular system Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 239000010419 fine particle Substances 0.000 description 1
- 230000008821 health effect Effects 0.000 description 1
- 231100000206 health hazard Toxicity 0.000 description 1
- 229910001385 heavy metal Inorganic materials 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 210000004072 lung Anatomy 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 239000002957 persistent organic pollutant Substances 0.000 description 1
- 208000023504 respiratory system disease Diseases 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 231100000331 toxic Toxicity 0.000 description 1
- 230000002588 toxic effect Effects 0.000 description 1
Images
Classifications
-
- 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
- G01N15/02—Investigating particle size or size distribution
- G01N15/0205—Investigating particle size or size distribution by optical means
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Physics & Mathematics (AREA)
- Analytical Chemistry (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Dispersion Chemistry (AREA)
- Medical Informatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Length Measuring Devices By Optical Means (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
一种污染天气下的PM2.5浓度卫星遥感估算方法，采用卫星气溶胶光学厚度数据与对应的地面PM2.5浓度数据建立数据集，基于梯度提升回归树学习方法完成样本学习和数据测试，对测试结果进行精度验证，并调整梯度提升回归树的参数使其达到精度要求，通过最终得到的回归树计算模型，可以有效地用于污染天气下的PM2.5浓度估算，其结果精度更高、估算速度更快，能够补充传统方法在污染天气下PM2.5浓度估算的不足，为开展大气污染防治提供更为精确的数据支撑。
Description
技术领域
本发明涉及遥感技术领域，特别涉及一种污染天气下的PM2.5浓度卫星遥感估算方法。
背景技术
随着我国工业化和城市化的持续高速发展，人们生活水平急剧增高，越来越多的环境问题也随之出现，近年来，中国多次发生大范围持续雾霾天气。而雾霾主要由可入肺细颗粒物PM2.5组成，PM2.5是指空气动力学直径小于2.5μm的颗粒物，相比于PM10来说，PM2.5的粒径更小，能在大气中长时间停留和远距离传输，因而对大气环境质量的影响更大；PM2.5易于附着各类有毒有害物质(如持久性有机污染物、重金属、各种致病菌等)，并且可直接到达肺部产生更大的健康危害。国外大量的流行病学研究已经证明了PM2.5与负面的健康效应有关，如会导致心脑血管和呼吸系统疾病的超额发病率及死亡率等。2010年的全球疾病负担研究结果表明，1990年全球因PM2.5污染造成的额外死亡人数约为291万人，而到2010年该数字上升到了约322万人；研究还显示，PM2.5是2010年全球的第9大致死风险因素，是我国第4大致死风险因素。因此，对于细颗粒浓度的控制显得尤为重要。
目前来说，对于PM2.5浓度的研究主要包括地面观测跟遥感反演两种方式，其中，地面观测主要有离线样品采集跟实时在线样品检测两种，但是地面监测站点覆盖范围低、时间不连续，难以进行长时间、大范围的研究。卫星遥感方法可以有效的解决这些问题，因为气溶胶光学厚度与PM2.5浓度有着较强的相关性，所以基于气溶胶光学厚度的遥感估算方法被广泛应用于PM2.5浓度的估算工作中，PM2.5浓度遥感估算方法有很多，但是当PM2.5浓度较高时，估算的效果并不理想，经常出现数据缺失、估值不准等问题，所以针对污染天气下PM2.5浓度的遥感估算不完善，还存在很多问题。
发明内容
针对目前卫星遥感估算PM2.5浓度算法主要集中在晴空天气下的应用的现状，为提高PM2.5浓度遥感估算方法的适用性，拓展在环境监测上的运用，本发明提出一种污染天气下的PM2.5浓度卫星遥感估算方法。
本发明由下述技术方案实现：
一种污染天气下的PM2.5浓度卫星遥感估算方法，所述污染天气的PM2.5浓度大于75μg/m3，所述方法包括如下步骤：
获取气溶胶光学厚度数据并进行基于地面观测数据的精度验证；
建立污染天气下的PM2.5浓度与所述气溶胶光学厚度数据相对应的数据集，将数据集分为训练样本数据集与测试样本数据集；
基于梯度提升回归树学习方法完成样本学习与数据测试；
对数据测试得到的PM2.5浓度进行精度验证，得到精度验证结果；
根据所述精度验证结果调整梯度提升回归树参数，重复上述样本学习、数据测试以及精度验证的步骤，使数据测试得到的PM2.5浓度达到预定的精度要求；
根据调整后的梯度提升回归树进行污染天气下的PM2.5浓度的估算。
进一步的，所述获取气溶胶光学厚度数据的步骤包括：
获取指定时间间隔，指定产品类型气象卫星气溶胶光学厚度数据。
读取数据集并提取550nm处数据作为研究输入气溶胶光学厚度数据集。
进一步的，按照地基气溶胶光学厚度进行波段插值，并对所述卫星气溶胶光学厚度数据进行精度验证，步骤包括：
获取时间间隔为一小时的地面观测数据，为保持与卫星气溶胶光学厚度数据的一致性，本发明将对地基观测数据进行二次多项式插值进行波段插值，本方法可以插值出精度更高、更可靠的550nm通道处的气溶胶光学厚度；发明根据地面观测数据440nm、500nm、675nm处气溶胶光学厚度按照以下二次多项式插值方法得到550nm处的气溶胶光学厚度。
lnτα＝a0+a1lnλ+a2(lnλ)2 (1)
式中，τα表示λ通道处的气溶胶光学厚度值；ai(i＝0,1,2)是未知系数。
进一步将选择精度评定系数以地面测量值为真值对卫星观测值进行精度验证，保证输入数据的可靠性，所述精度评定系数包括相关性系数R、均方根误差RMSE和斜率B，预定值为R>0.5；RMSE<0.3；B>0.5。
其中，所述相关性系数R、均方根误差RMSE和斜率B分别由下式计算：
式中，Xi、Yi分别为数据集中第i个地面观测气溶胶光学厚度以及卫星观测气溶胶光学厚度值；
分别为地面观测气溶胶光学厚度以及卫星观测气溶胶光学厚度值的均值；n为数据集数据个数；A为拟合线的截距。
进一步的，所述建立污染天气下的PM2.5浓度与所述气溶胶光学厚度数据相对应的数据集，将数据集分为训练样本数据集与测试样本数据集的步骤包括：
根据地面大气监测站点PM2.5浓度数据，选取站点测得的PM2.5浓度大于75μg/m3的浓度值y以及相应时间、位置的气溶胶光学厚度值x,作为数据集T＝{(x1，y1),(x2，y2),…,(xn，yn)}，n为大于1的自然数。
进一步的，所述基于梯度提升回归树学习方法完成样本学习与数据测试的步骤包括：
将所述训练样本数据集依次输入梯度提升回归树的初始弱学习器；
多轮迭代对所述学习器进行更新；
得到训练结果强学习器；
将所述测试样本数据集输入所述训练结果学习器，得到经所述训练结果学习器估算的污染天气下的PM2.5浓度。
进一步的，所述对数据测试得到的PM2.5浓度进行精度验证，得到精度验证结果的步骤包括选用十倍交叉验证的方法进行精度验证。
进一步的，根据所述精度验证结果调整梯度提升回归树参数，所调整的参数包括方法学习决策树的数量n_estimators，学习率learning_rate，最大深度max_depth，这些参数相互配合，根据时间跟内存的预算合理调整，防止过度拟合，也降低模型复杂度。得到最终的强学习器。
综上所述，本发明提供了一种污染天气下的PM2.5浓度卫星遥感估算方法，采用符合精度要求的气溶胶光学厚度数据与对应的PM2.5浓度数据形成数据集，基于梯度提升回归树学习方法完成样本学习和数据测试，对测试结果进行精度验证，并调整梯度提升回归树的参数使其达到精度要求，通过最终得到的回归树计算模型，可以有效地用于污染天气下的PM2.5浓度估算，其结果精度更高、速度更快，能够补充传统方法在污染天气下PM2.5浓度估算的不足，为开展大气污染防治提供更为精确的数据支撑。
附图说明
图1为本发明的污染天气下的PM2.5浓度遥感估算方法流程图；
图2为本发明基于梯度提升回归树学习方法完成样本学习与数据测试的方法流程图；
图3为具体实施例中的PM2.5浓度遥感估算的方法流程图；
图4为具体实施例中的Himawari-8卫星气溶胶光学厚度产品精度评价图；
图5为具体实施例中的污染天气下的PM2.5浓度遥感估算结果精度评价图；
图6为具体实施例中的Himawari-8卫星真彩色影像与PM2.5浓度遥感估算分布图；
图7为具体实施例中的PM2.5浓度遥感估算结果精度评价图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明了，下面结合具体实施方式并参照附图，对本发明进一步详细说明。应该理解，这些描述只是示例性的，而并非要限制本发明的范围。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本发明的概念。
本发明提供了一种污染天气下的PM2.5浓度卫星遥感估算方法，选择PM2.5浓度大于75μg/m3的天气表示为污染天气。本发明选择使用梯度提升回归树算法进行污染天气下基于气溶胶光学厚度的PM2.5浓度估算，可以更加自然的处理混合数据，并且在输出空间通过强大的损失函数对于异常值有着更为强大的鲁棒性。
如图1所示，本发明的估算方法包括如下步骤：
步骤S100，获取卫星观测气溶胶光学厚度数据。
进一步的，该获取卫星观测气溶胶光学厚度数据的步骤包括：按预定时间间隔获取不同卫星测得的气溶胶光学厚度数据。具体的，该预定时间间隔为按小时间隔，获取气象卫星测得的小时时间分辨率、5KM空间分辨率的550nm处气溶胶光学厚度数据，为保证数据有效性，可以统计每天11点-16点的数据作为有效数据。
步骤S200，根据相应时间、地点计算地面站点相应波段气溶胶光学厚度，并对卫星观测气溶胶光学厚度数据进行精度验证。在一个具体的实施例中，基于AERONET数据进行卫星气溶胶光学厚度精度验证工作。AERONET是由NASA和LOA-PHOTONS(CNRS)联合建立的地基气溶胶遥感观测网，该地基气溶胶遥感观测网测得的气溶胶光学厚度的数据可作为气溶胶光学厚度真值对上述卫星测得的数据结果进行精度评定。具体的，选择经过滤云处理且经过验证的AERONET Level-2.0数据进行典型区域的气溶胶光学厚度精度验证。
进一步的，根据地面观测站点提供的不同波段处气溶胶光学厚度数据集，以二次多项式方法完成550nm处气溶胶光学厚度的插值。
lnτα＝α0+α1lnλ+α2(lnλ)2 (1)
式中，λ为波段值，τα表示λ波段通道处的气溶胶光学厚度值；a0、a1、a2是未知系数，由地面观测数据在不同波段值的气溶胶光学厚度带入公式(1)后计算得到。
进一步的，所述不同波段值选择为440nm、500nm、675nm，地面观测数据测量440nm、500nm、675nm处的气溶胶光学厚度，并带入所述公式(1)以计算得到a0、a1、a2；所述预定波段为550nm，然后根据公式(1)计算出550nm处的气溶胶光学厚度。
进一步的，选择精度评定系数进行上述精度验证，该精度评定系数包括相关性系数R(用来度量两个变量间的线性关系)、均方根误差RMSE(用来衡量观测值同真值之间的偏差)和斜率B(用来体现变量均值相关性)；选取精度评定系数达到预定值的气溶胶光学厚度数据作为符合精度要求的气溶胶光学厚度数据。该预定值可选择为R>0.5；RMSE<0.3；B>0.5。
具体的，上述相关性系数R、均方根误差RMSE和斜率B分别由下式计算：
式中，Xi、Yi分别为数据集中第i个地面观测气溶胶光学厚度以及卫星观测气溶胶光学厚度值；
分别为地面观测气溶胶光学厚度的均值以及卫星观测气溶胶光学厚度值的均值；n为数据集数据个数；A为拟合线的截距。
根据以上步骤得到达到精度验证要求的Himawari-8气象卫星气溶胶光学厚度数据。
步骤S300，建立污染天气下的PM2.5浓度与气溶胶光学厚度数据相对应的数据集，将数据集分为训练样本数据集与测试样本数据集。
进一步的，根据地面大气监测站点PM2.5浓度数据及监测站点的经纬度位置，选取站点测得的PM2.5浓度大于75μg/m3的浓度值y以及相应时间、地点的气溶胶光学厚度值x,作为数据集D＝{(x1，y1),(x2，y2),…,(xn，yn)}，n为大于1的自然数。按照预定比例将数据集分为训练样本数据集与测试样本数据集，具体的，可以按照9：1的比例完成本发明的训练样本数据集与测试样本数据集的建立。
步骤S400，基于梯度提升回归树学习方法完成样本学习与数据测试。基于Python完成梯度提升回归树的初步算法实现以及参数设置，这是一种组合算法，基分类器是决策树，可以自然而然的处理混合类型的数据，预测能力强，并且可以通过强大的损失函数在输出空间实现对异常值的强大鲁棒性。梯度提升回归树首先使用的就是最速下降的近似方法计算残差近似值，即：
其中，m为迭代的步骤数，i是第i个样本，f(x)是根据梯度提升回归树参数拟合得到的拟合值,L(yi,f(xi))为损失函数。
进一步的，具体算法如下，如图2所示：
步骤S410，将训练样本数据集依次输入梯度提升回归树的初始弱学习器，对弱学习器进行初始化；其中，训练数据集D＝{(x1,y1),(x2,y2),…，(xN,yN)}；损失函数为L(y,f(x))。
初始化过程：
其中，c为初始拟合值。
步骤S420，多轮迭代，在迭代过程中对所述学习器进行更新。
对于每一个样本(xi,yi)，计算残差rm,i：
利用(xi,rm,i)(i＝1,2,…,N)，训练处第m棵回归树Tm，其对应的叶节点划分的区域Rm,i,j＝1,2,…,J。其中J为叶子节点个数。N为训练样本集的总个数。
针对每个叶子节点，都将计算最佳拟合值：
对学习器进行更新：
其中，I(x∈Rm,j)为指示函数，当回归树判定x属于Rm时，其值为1，否则为0。
步骤S430，经过上述迭代和更新的步骤，进行初步的参数设置，得到训练结果强学习器，表达式如下：
其中，M为迭代的总步数。
步骤S440，将步骤S200中的测试样本数据集输入到上述训练得到的训练结果学习器，得到经所述训练结果学习器估算的污染天气下的PM2.5浓度。
步骤S500，对数据测试得到的PM2.5浓度进行精度验证，评价估算精度，得到精度验证结果。该步骤包括选用十倍交叉验证的方法进行精度验证。
具体的，将气溶胶光学厚度数据和对应的PM2.5浓度数据形成的数据集按比例9:1分成10份子数据集；依次选取9份不同的子数据集输入上述得到的强学习器进行训练，然后将剩余的1份子数据集中的气溶胶光学厚度数据输入经过训练的强学习器，得到对应的PM2.5浓度数据，将其与测得的PM2.5浓度数据进行比较，得到精度验证结果。
步骤S600，根据所述精度验证结果调整梯度提升回归树参数，重复上述样本学习、数据测试以及精度验证的步骤，直至数据测试得到的PM2.5浓度达到预定的精度要求，得到梯度提升回归树方法最终的强学习器。其中，参数包括方法学习决策树的数量n_estimators，学习率learning_rate和/或最大深度max_depth，这些参数相互配合，根据时间跟内存的预算合理调整，防止过度拟合，也降低模型复杂度，保证参数的最佳化，以得到最好的参数组合，进而获得最优的精度评价结果。
步骤S700，根据调整后的梯度提升回归树进行污染天气下的PM2.5浓度的估算。
下面以一个具体的实施例，按照上述步骤对本发明进行进一步的说明。
以京津冀区域为例，具体流程如图3所示。通过2015年7月15日到2017年12月31日11-16点研究区81个大气监测站点的PM2.5浓度与对应位置的气溶胶光学厚度数据构建样本训练数据集与样本测试数据集进行发明应用，在对Himawari-8气溶胶光学厚度进行精度验证步骤中，选择北京站、香河站代表城市、乡村作为典型站点进行基于AERONET Level-2.0的精度验证，得到的验证结果如图4所示，其均获得了较高的相关系数R(0.878，0.860)以及较低的均方根误差RMSE(0.185,0.175)，斜率为0.667,0.742，证明基于Himawari-8获得的气溶胶光学厚度数据具有很好地置信度，符合进行下一步的建模要求。
本发明进一步基于梯度提升回归树算法对于京津冀区域污染天气下PM2.5浓度进行了回归估算并验证，得到的十倍交叉验证结果如图5所示，其中，左图为当PM2.5浓度大于75μg/m3时的验证结果，相关性系数达到0.660，均方根误差为14.79μg/m3；右图为当PM2.5浓度大于150μg/m3时的验证结果，相关性系数达到0.873，均方根误差为30.79μg/m3，证明了本发明的可行性。
进一步地，发明选择2017年11月2日进行案例应用，得到了研究区PM2.5浓度估算的遥感监测分布图(如图6所示)，并进一步进行精度验证(如图7所示)，结果显示，验证相关性可达0.84，证明了本发明的实用性。
综上所述，本发明提供了一种污染天气下的PM2.5浓度卫星遥感估算方法，采用符合精度要求的气溶胶光学厚度数据与对应的PM2.5浓度数据形成数据集，基于梯度提升回归树学习方法完成样本学习和数据测试，对测试结果进行精度验证，并调整梯度提升回归树的参数使其达到精度要求，通过最终得到的回归树计算模型，可以有效地用于污染天气下的PM2.5浓度估算，其结果精度更高、速度更快，能够补充传统方法在污染天气下PM2.5浓度估算的不足，为开展大气污染防治提供更为精确的数据支撑。
应当理解的是，本发明的上述具体实施方式仅仅用于示例性说明或解释本发明的原理，而不构成对本发明的限制。因此，在不偏离本发明的精神和范围的情况下所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。此外，本发明所附权利要求旨在涵盖落入所附权利要求范围和边界、或者这种范围和边界的等同形式内的全部变化和修改例。
Claims (7)
1.一种污染天气下的PM2.5浓度卫星遥感估算方法，其特征在于，所述污染天气的PM2.5浓度大于75µg/m3，所述方法包括如下步骤：
获取卫星观测气溶胶光学厚度数据；
计算对应地面站点相应波段气溶胶光学厚度，并对卫星观测气溶胶光学厚度数据进行精度验证；
建立污染天气下的PM2.5浓度与所述卫星观测气溶胶光学厚度数据相对应的数据集；
基于梯度提升回归树学习方法完成样本学习与数据测试；
对数据测试得到的PM2.5浓度进行精度验证，得到精度验证结果；
根据所述精度验证结果调整梯度提升回归树参数，重复上述样本学习、数据测试以及精度验证的步骤，使数据测试得到的PM2.5浓度达到预定的精度要求；
根据调整后的梯度提升回归树进行污染天气下的PM2.5浓度的估算；
其中，所述计算对应地面站点相应波段气溶胶光学厚度，并对卫星观测气溶胶光学厚度数据进行精度验证的步骤包括：
获取时间间隔为一小时的地面观测数据；
对地面观测气溶胶光学厚度数据按照不同波段进行二次多项式插值计算，然后根据得到的二次多项式插值公式计算地面对应的预定波段的气溶胶光学厚度数据；所述二次多项式插值公式如下：
式中，λ为波段值，
表示λ波段通道处的气溶胶光学厚度值；a0、a1、a2是未知系数，由地面观测数据在不同波段值的气溶胶光学厚度带入公式（1）后计算得到；
选择精度评定系数，以所述计算得到的地面对应的预定波段的气溶胶光学厚度数据即地面观测气溶胶光学厚度为真值，对所述卫星观测气溶胶光学厚度数据进行精度验证；
所述精度评定系数包括相关性系数R、均方根误差RMSE和斜率B，选取精度评定系数达到预定值的气溶胶光学厚度数据作为符合精度要求的气溶胶光学厚度数据；
其中，所述相关性系数R、均方根误差RMSE和斜率B分别由下式计算：
式中，Xi、Yi分别为数据集中第i个地面观测气溶胶光学厚度以及卫星观测气溶胶光学厚度值；
、
分别为地面观测气溶胶光学厚度的均值以及卫星观测气溶胶光学厚度值的均值；n为数据集数据个数；A为拟合线的截距；
所述精度评定系数达到如下预定值，则气溶胶光学厚度数据符合精度要求：
其中，R > 0.5; RMSE < 0.3; B > 0.5。
2.根据权利要求1所述的方法，其特征在于，所述获取卫星观测气溶胶光学厚度数据的步骤包括：
获取指定时间间隔，指定产品类型气象卫星气溶胶光学厚度数据；
读取数据集并提取550nm处数据作为输入气溶胶光学厚度的数据集。
3.根据权利要求2所述的方法，其特征在于，所述不同波段值选择为440nm、500nm、675nm，地面观测数据测量440nm、500nm、675nm处的气溶胶光学厚度，并带入所述公式（1）以计算得到a0、a1、a2；所述预定波段为550nm，然后根据公式（1）计算出550nm处的气溶胶光学厚度。
4.根据权利要求3所述的方法，其特征在于，所述建立污染天气下的PM2.5浓度与所述气溶胶光学厚度数据相对应的数据集的步骤包括：
根据地面大气监测站点PM2.5浓度数据，选取站点测得的PM2.5浓度大于75µg/m3的浓度值x以及相应时间、地点的气溶胶光学厚度值y,作为数据集T={(
),(
),…,(
)}，n为大于1的自然数；
按照预定比例将数据集分为训练样本数据集与测试样本数据集。
5.根据权利要求4所述的方法，其特征在于，所述基于梯度提升回归树学习方法完成样本学习与数据测试的步骤包括：
将所述训练样本数据集依次输入梯度提升回归树的初始弱学习器；
多轮迭代对所述学习器进行更新；
得到训练结果强学习器；
将所述测试样本数据集输入所述训练结果学习器，得到经所述训练结果学习器估算的污染天气下的PM2.5浓度。
6.根据权利要求5所述的方法，其特征在于，所述对数据测试得到的PM2.5浓度进行精度验证，得到精度验证结果的步骤包括选用十倍交叉验证的方法进行精度验证。
7.根据权利要求6所述的方法，其特征在于，根据所述精度验证结果调整梯度提升回归树参数，以得到最终的强学习器进行污染天气下的PM2.5浓度卫星遥感估算，所调整的参数包括方法学习决策树的数量 n_estimators，学习率 learning_rate和/或最大深度 max_depth。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910710739.4A CN110389087B (zh) | 2019-08-02 | 2019-08-02 | 一种污染天气下的pm2.5浓度卫星遥感估算方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910710739.4A CN110389087B (zh) | 2019-08-02 | 2019-08-02 | 一种污染天气下的pm2.5浓度卫星遥感估算方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110389087A CN110389087A (zh) | 2019-10-29 |
| CN110389087B true CN110389087B (zh) | 2021-03-09 |
Family
ID=68288321
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910710739.4A Active CN110389087B (zh) | 2019-08-02 | 2019-08-02 | 一种污染天气下的pm2.5浓度卫星遥感估算方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110389087B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111859800B (zh) * | 2020-07-15 | 2022-10-04 | 河海大学 | 用于pm2.5浓度分布的时空估算和预测方法 |
| CN112069673B (zh) * | 2020-08-31 | 2023-07-25 | 河南大学 | 基于梯度提升决策树地表pm2.5浓度估算的方法 |
| CN117434009A (zh) * | 2020-10-27 | 2024-01-23 | 淮阴师范学院 | 基于梯度提升算法的内陆湖泊水体藻蓝素浓度遥感反演模型和方法 |
| CN115345075B (zh) * | 2022-08-17 | 2023-04-18 | 北京城市气象研究院 | 一体化气溶胶污染气象指数-气溶胶浓度估算方法及系统 |
Family Cites Families (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP5534300B2 (ja) * | 2009-07-27 | 2014-06-25 | 株式会社サタケ | リモートセンシングの検量線の作成方法 |
| 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 |
| CN106404620B (zh) * | 2015-07-30 | 2019-08-13 | 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 |
| CN106446307B (zh) * | 2015-08-05 | 2020-01-14 | 中国科学院遥感与数字地球研究所 | 基于气溶胶地基数据的aod垂直订正效果评价方法及系统 |
| CN105203025B (zh) * | 2015-09-09 | 2017-10-31 | 江苏科技大学 | 基于机器视觉的圆锯片磨损量在线测量方法 |
| 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 |
| US10154624B2 (en) * | 2016-08-08 | 2018-12-18 | The Climate Corporation | Estimating nitrogen content using hyperspectral and multispectral images |
| 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 |
| CN106777864A (zh) * | 2016-11-11 | 2017-05-31 | 浙江大学 | 一种低成本pm2.5监测节点的校准方法 |
| CN106680157B (zh) * | 2017-03-17 | 2020-04-14 | 中国科学院遥感与数字地球研究所 | 一种确定大颗粒水云云粒子谱分布的方法 |
| CN108106979B (zh) * | 2017-12-21 | 2020-05-19 | 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 |
| CN109030301A (zh) * | 2018-06-05 | 2018-12-18 | 中南林业科技大学 | 基于遥感数据的气溶胶光学厚度反演方法 |
| CN109001091B (zh) * | 2018-07-18 | 2019-06-04 | 北京航天宏图信息技术股份有限公司 | 大气污染的卫星遥感监测方法、装置和计算机可读介质 |
| CN109583516A (zh) * | 2018-12-24 | 2019-04-05 | 天津珞雍空间信息研究院有限公司 | 一种基于地基和卫星观测的时空连续pm2.5反演方法 |
-
2019
- 2019-08-02 CN CN201910710739.4A patent/CN110389087B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN110389087A (zh) | 2019-10-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110389087B (zh) | 一种污染天气下的pm2.5浓度卫星遥感估算方法 | |
| CN109580003B (zh) | 一种静止气象卫星热红外数据估算近地面大气温度方法 | |
| CN110595968B (zh) | 一种基于静止轨道卫星的pm2.5浓度估算方法 | |
| CN110186823B (zh) | 一种气溶胶光学厚度反演方法 | |
| CN110595960B (zh) | 一种基于机器学习的pm2.5浓度遥感估算方法 | |
| 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 | |
| CN112163375B (zh) | 一种基于神经网络的长时间序列近地面臭氧反演方法 | |
| CN110990505B (zh) | 一种基于神经网络的Loran-C ASF修正方法 | |
| CN112016696B (zh) | 融合卫星与地基观测的pm1浓度反演方法及系统 | |
| CN110738354A (zh) | 预测颗粒物浓度的方法、装置、存储介质及电子设备 | |
| CN116449331B (zh) | 一种基于w波段雷达和气象卫星的沙尘粒子数浓度估算方法 | |
| CN114912707A (zh) | 一种基于多模态融合的空气质量预测系统及预测方法 | |
| CN113189014A (zh) | 一种融合卫星遥感和地面监测数据的臭氧浓度估算方法 | |
| CN114880933A (zh) | 一种基于再分析资料的无探空站点地基微波辐射计大气温湿廓线反演方法及系统 | |
| CN111241991B (zh) | 一种基于遥感影像的水质分类方法 | |
| CN116337701A (zh) | 一种基于双星组网的城市高分辨率气溶胶光学厚度反演方法 | |
| CN115166750A (zh) | 一种基于双偏振多普勒雷达数据的定量降水估计方法 | |
| CN113408111B (zh) | 大气可降水量反演方法及系统、电子设备和存储介质 | |
| CN107656905B (zh) | 一种利用误差传递的空气质量数据实时校准方法 | |
| 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 | |
| CN115544706A (zh) | 一种小波和XGBoost模型集成的大气细颗粒物浓度估算方法 | |
| KR102002593B1 (ko) | 특정공간에서의 유해기체 확산 해석 방법 및 장치 | |
| CN115600142A (zh) | 一种基于不同方法的大风融合集成预报方法 | |
| CN111126466B (zh) | 一种多源pwv数据融合方法 | |
| CN113987778A (zh) | 一种基于野外站点的水土流失模拟值时空加权校正方法 |
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 | ||
| CP01 | Change in the name or title of a patent holder | ||
| CP01 | Change in the name or title of a patent holder |
Address after: No. a 20, Datun Road, Chaoyang District, Beijing 100101 Patentee after: Institute of Remote Sensing and Digital Earth, Chinese Academy of Sciences Patentee after: Langfang Spatial Information Technology R&D Service Center Patentee after: Zhongke Xingtong (Langfang) Information Technology Co.,Ltd. Address before: No. a 20, Datun Road, Chaoyang District, Beijing 100101 Patentee before: Institute of Remote Sensing and Digital Earth, Chinese Academy of Sciences Patentee before: Research Institute of Space Information (Langfang) of China Science Patentee before: Zhongke Xingtong (Langfang) Information Technology Co.,Ltd. |