CN110411919A - 一种基于卫星多光谱技术的pm2.5浓度遥感估算方法 - Google Patents
一种基于卫星多光谱技术的pm2.5浓度遥感估算方法 Download PDFInfo
- Publication number
- CN110411919A CN110411919A CN201910710852.2A CN201910710852A CN110411919A CN 110411919 A CN110411919 A CN 110411919A CN 201910710852 A CN201910710852 A CN 201910710852A CN 110411919 A CN110411919 A CN 110411919A
- Authority
- CN
- China
- Prior art keywords
- concentration
- mean
- annual
- data
- 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.)
- Granted
Links
- 238000005516 engineering process Methods 0.000 title claims abstract description 25
- 238000011156 evaluation Methods 0.000 title claims abstract description 15
- 230000003287 optical effect Effects 0.000 claims abstract description 34
- 239000000443 aerosol Substances 0.000 claims abstract description 29
- 238000000034 method Methods 0.000 claims description 11
- 239000005427 atmospheric aerosol Substances 0.000 claims description 4
- 241000208340 Araliaceae Species 0.000 claims 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 claims 1
- 235000003140 Panax quinquefolius Nutrition 0.000 claims 1
- 238000006243 chemical reaction Methods 0.000 claims 1
- 235000008434 ginseng Nutrition 0.000 claims 1
- 239000003292 glue Substances 0.000 claims 1
- 230000007812 deficiency Effects 0.000 abstract description 5
- 238000007796 conventional method Methods 0.000 abstract description 3
- 238000012544 monitoring process Methods 0.000 description 10
- 239000002245 particle Substances 0.000 description 4
- 239000000047 product Substances 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 208000006673 asthma Diseases 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 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
- 239000010419 fine particle Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 231100000614 poison Toxicity 0.000 description 1
- 230000007096 poisonous effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 210000002345 respiratory system Anatomy 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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
- 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
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Physics (AREA)
- Theoretical Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Probability & Statistics with Applications (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Dispersion Chemistry (AREA)
- General Health & Medical Sciences (AREA)
- Pathology (AREA)
- Immunology (AREA)
- Algebra (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Operations Research (AREA)
- Analytical Chemistry (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biochemistry (AREA)
- Image Processing (AREA)
Abstract
一种基于卫星多光谱技术的PM2.5浓度遥感估算方法，获取某区域全年的卫星载荷大气气溶胶光学厚度数据、PM2.5浓度地面观测数据和气象数据，计算所述卫星载荷大气气溶胶光学厚度的年平均值、PM2.5浓度地面观测数据的年平均值和气象数据的年平均值，基于所述卫星载荷大气气溶胶光学厚度的年平均值、PM2.5浓度地面观测数据的年平均值和气象数据的年平均值，构建基于卫星多光谱技术的PM2.5浓度遥感估算模型，得到估算的PM2.5年平均浓度。本发明能够弥补传统方法在PM2.5浓度估算的不足，精确的估算某区域的PM2.5浓度，同时为多光谱载荷在大气环境监测方面的成功应用提供技术关键支撑。
Description
技术领域
本发明涉及遥感技术领域，特别涉及一种基于卫星多光谱技术的PM2.5浓度遥感估算方法。
背景技术
大气气溶胶通常是指悬浮于大气中的微小粒子，粒径范围可以从0.001μm到几十微米，作为地-气系统的重要组成部分，它主要通过直接辐射强迫和间接辐射强迫影响着气候。大气气溶胶同时具有显著的环境效应，直径在10μm以下的气溶胶颗粒物(PM10)可到达人类呼吸系统的支气管区；直径小于2.5μm的气溶胶颗粒(PM2.5)微粒可到达肺泡区，最终导致心血管和哮喘疾病的增加，直接对人类健康造成显著的影响，威胁着人类的生存与社会可持续发展。与粒径较粗的大气颗粒物相比，PM2.5粒径小，富含大量的有毒、有害物质，且在大气中的停留时间长、输送距离远，因而对人体健康和大气环境质量的影响更大。
国家环境保护部于2013年1月开始发布了全国主要地面监测站点观测的PM2.5浓度数据。尽管地面PM2.5观测技术能够获得实时、高精度的PM2.5浓度，但是其覆盖范围有限，主要分布在重点城市区域，广大的农村区域站点较少，导致其空间性代表性不足，对于研究全国或重点区域的大气环境质量存在一定的局限性。卫星遥感可以连续、大面积获取动态数据，基于这些数据可以反演得到气溶胶光学厚度(AOD)和其它光学特性产品，进而开展大气环境监测和全球气候变化等研究。多项研究表明与PM2.5浓度相关度较高的影响因子是AOD，目前MODIS、MISR等卫星传感器已经发布了AOD产品，这为利用卫星遥感技术监测PM2.5浓度提供了有利的条件。基于卫星遥感技术监测PM2.5浓度可以有效弥补地面PM2.5监测站点的不足，但现有的PM2.5浓度遥感估算方法普遍精度不高，使得PM2.5浓度反演的效果总体不理想。
发明内容
针对目前卫星遥感估算PM2.5浓度算法普遍精度不高的现状，为提高PM2.5浓度遥感估算方法的精度，本发明提出了一种基于卫星多光谱技术的PM2.5浓度遥感估算方法。
本发明由下述技术方案实现：
一种基于卫星多光谱技术的PM2.5浓度遥感估算方法，所述方法包括如下步骤：
获取某区域全年的卫星载荷大气气溶胶光学厚度数据、PM2.5浓度地面观测数据和气象数据；
计算所述卫星载荷大气气溶胶光学厚度的年平均值、PM2.5浓度地面观测数据的年平均值和气象数据的年平均值；
基于所述卫星载荷大气气溶胶光学厚度的年平均值、PM2.5浓度地面观测数据的年平均值和气象数据的年平均值，构建基于卫星多光谱技术的PM2.5浓度遥感估算模型，得到估算的PM2.5年平均浓度；
基于相同时间、地点的地面PM2.5浓度数据，验证所述PM2.5浓度遥感估算模型的精度。
进一步的，所述气象数据包括大气边界层高度年平均值、相对湿度年平均值和风速年平均值。
进一步的，所述计算卫星载荷大气气溶胶光学厚度的年平均值、PM2.5浓度地面观测数据的年平均值和气象数据的年平均值的步骤包括：
提取某区域全年中每天的卫星载荷大气气溶胶光学厚度，通过对每一景图像开展投影转换、图像镶嵌得到覆盖整个该区域的大气气溶胶光学厚度，计算得到该区域大气气溶胶光学厚度的年平均值；
计算全年某区域每个站点的PM2.5浓度日平均值，基于PM2.5浓度日平均值计算得到每个站点的PM2.5浓度地面观测数据的年平均值；
从NCEP数据集中提取出每天的大气边界层高度、相对湿度和风速，选取与卫星过境时刻最邻近的所述大气边界层高度、相对湿度和风速数据，计算得到大气边界层高度年平均值、相对湿度年平均值和风速年平均值。具体的，所述PM2.5浓度遥感估算模型的表达式为：
其中，(ui,vi)为第i个样本点的经纬度坐标，θ0(ui,vi)是第i个样本点上的初始回归参数，回归参数是观测点地理位置的函数,αk(ui,vi)、βk(ui,vi)、γk(ui,vi)和ηk(ui,vi)是第i个样本点上的第k个回归参数，p是样本点的回归参数总数，εi为第i个样本点上的误差项，PM2.5i为第i个样本点上的PM2.5年平均浓度，AODik为第i个样本点上的卫星载荷大气气溶胶光学厚度的年平均值，BLHik为第i个样本点上的大气边界层高度的年平均值，RHik为第i个样本点上的相对湿度的年平均值，windik为第i个样本点上的风速的年平均值。
进一步的，所述基于相同时间、地点的地面PM2.5浓度数据，验证所述PM2.5浓度遥感估算模型的精度的步骤包括：
选取所述PM2.5浓度遥感估算模型估算的PM2.5浓度；
根据经纬度最邻近的原则，选取全年中每天的地面PM2.5浓度数据，并对所述地面PM2.5浓度数据进行平均；
验证所述PM2.5浓度遥感估算模型的精度。
进一步的，基于PM2.5浓度遥感估算模型估算的PM2.5浓度的结果，利用软件制作PM2.5浓度卫星遥感专题图。
综上所述，本发明提供了一种基于卫星多光谱技术的PM2.5浓度遥感估算方法，能够补充传统方法在PM2.5浓度估算的不足，精确的估算某区域的PM2.5浓度，详细的展示了PM2.5浓度的空间分布情况，有效弥补了地面PM2.5监测站点的不足，为PM2.5浓度监测提供精确的专题信息图，同时为多光谱载荷在大气环境监测方面的成功应用提供技术关键支撑。
附图说明
图1为本发明的基于卫星多光谱技术的PM2.5浓度遥感估算方法流程图；
图2为本发明的计算卫星载荷大气气溶胶光学厚度的年平均值、PM2.5浓度地面观测数据的年平均值和气象数据的年平均值的方法流程图；
图3为具体实施例中的基于卫星多光谱技术的PM2.5浓度遥感估算方法流程图；
图4为具体实施中的2017年中国大陆区域PM2.5年平均浓度卫星遥感专题图；
图5为具体实施例中的基于地面每个城市PM2.5监测站点年平均值的PM2.5浓度遥感估算模型的精度验证结果；
图6具体实施例中的基于地面每个省份PM2.5监测站点年平均值的PM2.5浓度遥感估算模型的精度验证结果。
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。
本发明提供了一种基于卫星多光谱技术的PM2.5浓度遥感估算方法。如图1所示，本发明的估算方法包括如下步骤：
步骤S100,获取某区域全年的卫星载荷大气气溶胶光学厚度数据、PM2.5浓度地面观测数据和气象数据。
具体的，MOD04 10km产品是MODIS载荷的大气气溶胶光学厚度产品，卫星载荷大气气溶胶光学厚度数据、全年某区域每天每小时站点地面观测的PM2.5浓度数据和NCEP气象数据都可以从网上下载得到。
步骤S200,计算所述卫星载荷大气气溶胶光学厚度的年平均值、PM2.5浓度地面观测数据的年平均值和气象数据的年平均值。
进一步的，所述计算卫星载荷大气气溶胶光学厚度的年平均值、PM2.5浓度地面观测数据的年平均值和气象数据的年平均值的步骤包括，如图2所示：
步骤S210,提取某区域全年中每天的卫星载荷大气气溶胶光学厚度，通过对每一景图像开展投影转换、图像镶嵌得到覆盖整个该区域的大气气溶胶光学厚度，计算得到该区域大气气溶胶光学厚度的年平均值；
步骤S220，计算全年某区域每个站点的PM2.5浓度日平均值，基于PM2.5浓度日平均值计算得到每个站点的PM2.5浓度地面观测数据的年平均值；
步骤S230，从NCEP数据集中提取出每天的大气边界层高度、相对湿度和风速，选取与卫星过境时刻最邻近的所述大气边界层高度、相对湿度和风速数据，计算得到大气边界层高度年平均值、相对湿度年平均值和风速年平均值。
通过步骤S210-S230，即可得出卫星载荷大气气溶胶光学厚度的年平均值、PM2.5浓度地面观测数据的年平均值和气象数据的年平均值。
步骤S300,基于所述卫星载荷大气气溶胶光学厚度的年平均值、PM2.5浓度地面观测数据的年平均值和气象数据的年平均值，构建基于卫星多光谱技术的PM2.5浓度遥感估算模型，得到估算的PM2.5年平均浓度。
具体的，根据经纬度最邻近的原则，选取与地面PM2.5浓度监测站点最邻近的所述卫星载荷大气气溶胶光学厚度年平均值、大气边界层高度年平均值、相对湿度年平均值和风速年平均值，构建基于多源数据的PM2.5浓度遥感估算模型。
具体的，构建的PM2.5浓度遥感估算模型的表达式为：
其中，(ui,vi)为第i个样本点的经纬度坐标，θ0(ui,vi)是第i个样本点上的初始回归参数，回归参数是观测点地理位置的函数,αk(ui,vi)、βk(ui,vi)、γk(ui,vi)和ηk(ui,vi)是第i个样本点上的第k个回归参数，p是样本点的回归参数总数，εi为第i个样本点上的误差项，PM2.5i为第i个样本点上的PM2.5年平均浓度，AODik为第i个样本点上的卫星载荷大气气溶胶光学厚度的年平均值，BLHik为第i个样本点上的大气边界层高度的年平均值，RHik为第i个样本点上的相对湿度的年平均值，windik为第i个样本点上的风速的年平均值。
步骤S400,基于相同时间、地点的地面PM2.5浓度数据，验证所述PM2.5浓度遥感估算模型的精度。
具体的，选取所述PM2.5浓度遥感估算模型估算的PM2.5浓度的结果，根据经纬度最邻近的原则，选取全年中每天的地面PM2.5浓度数据，并对所述地面PM2.5浓度数据进行平均，验证该PM2.5浓度遥感估算模型的精度。基于卫星遥感估算PM2.5浓度的结果，利用ArcMap软件将估算的PM2.5浓度制成专题图。
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。
以中国大陆地区为例，具体流程如图3所示。图4具体是基于MODIS载荷估算的2017年中国大陆区域PM2.5年平均浓度分布图。如图4所示，2017年中国中东部地区PM2.5浓度相对较高(55-75μg/m3)；中国西部地区(除塔克拉玛干沙漠外)PM2.5浓度相对较低，基本处于75μg/m3以下，西藏、青海部分地区可以达到35μg/m3以下；另外，南部区域PM2.5浓度相对较低，云南、海南、广东和福建省部分区域达到35μg/m3以下。图4有效的显示了中国大陆区域2017年PM2.5年平均浓度的空间变化情况，为中国大陆区域空气质量监测提供了关键技术支撑。
本发明进一步使用2017年观测的地面PM2.5浓度数据进行对比验证。利用本发明方法估算的中国大陆区域PM2.5浓度和地面实际测量值的对比验证结果见图5和图6。图5是基于地面每个城市PM2.5监测站点年平均值的PM2.5浓度遥感估算模型的精度验证结果，图5给出了线性拟合的斜率、截距、相关系数(R)和均方根误差(RMSE)，结果显示R2为0.83，RMSE为5.54，拟合斜率分别为0.77，这些结果显示了本发明方法的精度高。图6是基于地面每个省份PM2.5监测站点年平均值的PM2.5浓度遥感估算模型的精度验证结果，由图6可以得出每个省份的PM2.5浓度估算值与地面观测值基本一致，这些结果证明本发明可以有效的用于中国大陆区域的PM2.5浓度监测。
综上所述，本发明提供了一种基于卫星多光谱技术的PM2.5浓度遥感估算方法，其结果精度更高，能够补充传统方法在PM2.5浓度估算的不足，可以精确的估算中国大陆区域PM2.5浓度，详细的展示了PM2.5浓度的空间分布情况，有效弥补了地面PM2.5监测站点的不足，为PM2.5浓度监测提供精确的专题信息图，同时为多光谱载荷在大气环境监测方面的成功应用提供技术关键支撑。
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 (6)
1.一种基于卫星多光谱技术的PM2.5浓度遥感估算方法，其特征在于，包括如下步骤：
获取某区域全年的卫星载荷大气气溶胶光学厚度数据、PM2.5浓度地面观测数据和气象数据；
计算所述卫星载荷大气气溶胶光学厚度的年平均值、PM2.5浓度地面观测数据的年平均值和气象数据的年平均值；
基于所述卫星载荷大气气溶胶光学厚度的年平均值、PM2.5浓度地面观测数据的年平均值和气象数据的年平均值，构建基于卫星多光谱技术的PM2.5浓度遥感估算模型，得到估算的PM2.5年平均浓度；
基于相同时间、地点的地面PM2.5浓度数据，验证所述PM2.5浓度遥感估算模型的精度。
2.根据权利要求1所述的方法，其特征在于，所述气象数据包括大气边界层高度年平均值、相对湿度年平均值和风速年平均值。
3.如权利要求2所述的方法，其特征在于，所述计算卫星载荷大气气溶胶光学厚度的年平均值、PM2.5浓度地面观测数据的年平均值和气象数据的年平均值的步骤包括：
提取某区域全年中每天的卫星载荷大气气溶胶光学厚度，通过对每一景图像开展投影转换、图像镶嵌得到覆盖整个该区域的大气气溶胶光学厚度，计算得到该区域大气气溶胶光学厚度的年平均值；
计算全年某区域每个站点的PM2.5浓度日平均值，基于PM2.5浓度日平均值计算得到每个站点的PM2.5浓度地面观测数据的年平均值；
从NCEP数据集中提取出每天的大气边界层高度、相对湿度和风速，选取与卫星过境时刻最邻近的所述大气边界层高度、相对湿度和风速数据，计算得到大气边界层高度年平均值、相对湿度年平均值和风速年平均值。
4.如权利要求3所述的方法，其特征在于，所述PM2.5浓度遥感估算模型的表达式为：
其中，(ui,vi)为第i个样本点的经纬度坐标，θ0(ui,vi)是第i个样本点上的初始回归参数，回归参数是观测点地理位置的函数,αk(ui,vi)、βk(ui,vi)、γk(ui,vi)和ηk(ui,vi)是第i个样本点上的第k个回归参数，p是样本点的回归参数总数，εi为第i个样本点上的误差项，PM2.5i为第i个样本点上的PM2.5年平均浓度，AODik为第i个样本点上的卫星载荷大气气溶胶光学厚度的年平均值，BLHik为第i个样本点上的大气边界层高度的年平均值，RHik为第i个样本点上的相对湿度的年平均值，windik为第i个样本点上的风速的年平均值。
5.如权利要求4所述的方法，其特征在于，所述基于相同时间、地点的地面PM2.5浓度数据，验证所述PM2.5浓度遥感估算模型的精度的步骤包括：
选取所述PM2.5浓度遥感估算模型估算的PM2.5年平均浓度；
根据经纬度最邻近的原则，选取全年中每天的地面PM2.5浓度数据，并对所述地面PM2.5浓度数据进行平均；
验证所述PM2.5浓度遥感估算模型的精度。
6.如权利要求4所述的方法，其特征在于，基于PM2.5浓度遥感估算模型估算的PM2.5浓度的结果，利用软件制作PM2.5浓度卫星遥感专题图。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910710852.2A CN110411919B (zh) | 2019-08-02 | 2019-08-02 | 一种基于卫星多光谱技术的pm2.5浓度遥感估算方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910710852.2A CN110411919B (zh) | 2019-08-02 | 2019-08-02 | 一种基于卫星多光谱技术的pm2.5浓度遥感估算方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110411919A true CN110411919A (zh) | 2019-11-05 |
| CN110411919B CN110411919B (zh) | 2021-04-16 |
Family
ID=68365302
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910710852.2A Active CN110411919B (zh) | 2019-08-02 | 2019-08-02 | 一种基于卫星多光谱技术的pm2.5浓度遥感估算方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110411919B (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110929225A (zh) * | 2019-11-25 | 2020-03-27 | 暨南大学 | 基于地理加权回归模型的近地面二氧化硫浓度估算方法 |
| CN112035799A (zh) * | 2020-09-02 | 2020-12-04 | 西安建筑科技大学 | 一种过滤器选型用室外pm2.5设计浓度确定方法及其应用 |
| CN113269382A (zh) * | 2020-12-29 | 2021-08-17 | 生态环境部卫星环境应用中心 | 一种基于卫星遥感的区域大气环境质量评估方法 |
| CN115345075A (zh) * | 2022-08-17 | 2022-11-15 | 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 |
| CN116362130A (zh) * | 2023-03-30 | 2023-06-30 | 河南大学 | 一种日尺度自适应建模的pm2.5全覆盖估算方法 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103674794A (zh) * | 2013-12-16 | 2014-03-26 | 中国科学院遥感与数字地球研究所 | 遥感监测近地表细颗粒物质量浓度pm2.5的多元回归方法 |
| CN104569952A (zh) * | 2013-10-24 | 2015-04-29 | 中国科学院遥感与数字地球研究所 | 无中红外通道传感器的气溶胶光学厚度时空分布反演方法 |
| 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 |
| CN106225693A (zh) * | 2016-08-29 | 2016-12-14 | 中国科学院遥感与数字地球研究所 | 一种细粒子气溶胶光学厚度和气溶胶类型同时反演方法 |
| 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 |
| CN106979911A (zh) * | 2017-03-07 | 2017-07-25 | 南京航空航天大学 | 利用卫星多光谱影像数据进行pm 2.5和pm 10估算的方法 |
| CN108426815A (zh) * | 2018-04-20 | 2018-08-21 | 中国科学院遥感与数字地球研究所 | 一种近地面细颗粒物组分浓度估算方法 |
| CN108491667A (zh) * | 2018-04-13 | 2018-09-04 | 武汉大学 | 一种基于Himawar-8 AOD的PM2.5遥感监测反演方法 |
-
2019
- 2019-08-02 CN CN201910710852.2A patent/CN110411919B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104569952A (zh) * | 2013-10-24 | 2015-04-29 | 中国科学院遥感与数字地球研究所 | 无中红外通道传感器的气溶胶光学厚度时空分布反演方法 |
| CN103674794A (zh) * | 2013-12-16 | 2014-03-26 | 中国科学院遥感与数字地球研究所 | 遥感监测近地表细颗粒物质量浓度pm2.5的多元回归方法 |
| 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 |
| 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 |
| CN106225693A (zh) * | 2016-08-29 | 2016-12-14 | 中国科学院遥感与数字地球研究所 | 一种细粒子气溶胶光学厚度和气溶胶类型同时反演方法 |
| 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 |
| CN106979911A (zh) * | 2017-03-07 | 2017-07-25 | 南京航空航天大学 | 利用卫星多光谱影像数据进行pm 2.5和pm 10估算的方法 |
| CN108491667A (zh) * | 2018-04-13 | 2018-09-04 | 武汉大学 | 一种基于Himawar-8 AOD的PM2.5遥感监测反演方法 |
| CN108426815A (zh) * | 2018-04-20 | 2018-08-21 | 中国科学院遥感与数字地球研究所 | 一种近地面细颗粒物组分浓度估算方法 |
Non-Patent Citations (1)
| Title |
|---|
| 徐建辉 等: "长江三角洲 PM2. 5 质量浓度遥感估算与时空分布特征", 《环境科学》 * |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110929225A (zh) * | 2019-11-25 | 2020-03-27 | 暨南大学 | 基于地理加权回归模型的近地面二氧化硫浓度估算方法 |
| CN110929225B (zh) * | 2019-11-25 | 2023-03-28 | 暨南大学 | 基于地理加权回归模型的近地面二氧化硫浓度估算方法 |
| CN112035799A (zh) * | 2020-09-02 | 2020-12-04 | 西安建筑科技大学 | 一种过滤器选型用室外pm2.5设计浓度确定方法及其应用 |
| CN113269382A (zh) * | 2020-12-29 | 2021-08-17 | 生态环境部卫星环境应用中心 | 一种基于卫星遥感的区域大气环境质量评估方法 |
| CN113269382B (zh) * | 2020-12-29 | 2022-09-20 | 生态环境部卫星环境应用中心 | 一种基于卫星遥感的区域大气环境质量评估方法 |
| CN115345075A (zh) * | 2022-08-17 | 2022-11-15 | 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 |
| 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 |
| CN116362130A (zh) * | 2023-03-30 | 2023-06-30 | 河南大学 | 一种日尺度自适应建模的pm2.5全覆盖估算方法 |
| CN116362130B (zh) * | 2023-03-30 | 2023-09-08 | 河南大学 | 一种日尺度自适应建模的pm2.5全覆盖估算方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110411919B (zh) | 2021-04-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110411919A (zh) | 一种基于卫星多光谱技术的pm2.5浓度遥感估算方法 | |
| Zhang et al. | Projected future changes of tropical cyclone activity over the western North and South Pacific in a 20-km-mesh regional climate model | |
| Ronda et al. | Urban finescale forecasting reveals weather conditions with unprecedented detail | |
| Sasaki et al. | Influence of the Kuroshio in the East China Sea on the early summer (baiu) rain | |
| Ren et al. | A remote-sensing method of selecting reference stations for evaluating urbanization effect on surface air temperature trends | |
| CN105678085B (zh) | 一种pm2.5浓度的估算方法及系统 | |
| Clayson et al. | The effect of diurnal sea surface temperature warming on climatological air–sea fluxes | |
| Bueno et al. | Calculation of air temperatures above the urban canopy layer from measurements at a rural operational weather station | |
| Chen et al. | A data-model fusion approach for upscaling gross ecosystem productivity to the landscape scale based on remote sensing and flux footprint modelling | |
| CN108491667B (zh) | 一种基于Himawari-8 AOD的PM2.5遥感监测反演方法 | |
| Free et al. | Creating climate reference datasets: CARDS workshop on adjusting radiosonde temperature data for climate monitoring | |
| Zhang et al. | Development and evaluation of a long‐term data record of planetary boundary layer profiles from aircraft meteorological reports | |
| Bikos et al. | Synthetic satellite imagery for real-time high-resolution model evaluation | |
| Zhang et al. | The online measured black carbon aerosol and source orientations in the Nam Co region, Tibet | |
| Lee et al. | A new technique to estimate sensible heat fluxes around micrometeorological towers using small unmanned aircraft systems | |
| Wang et al. | Sensitivity studies of aerosol data assimilation and direct radiative feedbacks in modeling dust aerosols | |
| Jia et al. | Fractional forest cover changes in Northeast China from 1982 to 2011 and its relationship with climatic variations | |
| Cheng-Ying et al. | Analysis of atmospheric boundary layer height characteristics over the Arctic Ocean using the aircraft and GPS soundings | |
| Venäläinen et al. | Comparison of latent and sensible heat fluxes over boreal lakes with concurrent fluxes over a forest: implications for regional averaging | |
| CN101702037A (zh) | 基于遥控飞艇的近地层气象要素廓线剖面数据获取方法 | |
| Williams et al. | Examining the compatibility of aircraft moisture observations and operational radiosondes | |
| Ignatov et al. | Monthly mean diurnal cycles in surface temperatures over land for global climate studies | |
| Hansen et al. | Boundary layer quasi-equilibrium limits convective intensity enhancement from the diurnal cycle in surface heating | |
| Tursumbayeva et al. | Planetary boundary layer and its relationship with PM2. 5 concentrations in Almaty, Kazakhstan | |
| Spellman | The use of an index-based regression model for precipitation analysis on the Iberian Peninsula |
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. |