CN110940624B - 一种大气细颗粒物遥感估计方法 - Google Patents
一种大气细颗粒物遥感估计方法 Download PDFInfo
- Publication number
- CN110940624B CN110940624B CN201911083947.2A CN201911083947A CN110940624B CN 110940624 B CN110940624 B CN 110940624B CN 201911083947 A CN201911083947 A CN 201911083947A CN 110940624 B CN110940624 B CN 110940624B
- Authority
- CN
- China
- Prior art keywords
- moisture absorption
- remote sensing
- particulate matter
- fine
- atmospheric
- 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 32
- 239000010419 fine particle Substances 0.000 title claims abstract description 29
- 238000010521 absorption reaction Methods 0.000 claims abstract description 79
- 239000013618 particulate matter Substances 0.000 claims abstract description 42
- 239000003102 growth factor Substances 0.000 claims abstract description 9
- 239000000443 aerosol Substances 0.000 claims description 15
- 230000000694 effects Effects 0.000 claims description 11
- 230000003287 optical effect Effects 0.000 claims description 10
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 10
- 230000008033 biological extinction Effects 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000004836 empirical method Methods 0.000 claims 1
- 239000002184 metal Substances 0.000 claims 1
- 238000011160 research Methods 0.000 abstract description 7
- 230000000704 physical effect Effects 0.000 abstract description 2
- 239000002245 particle Substances 0.000 description 28
- 238000005259 measurement Methods 0.000 description 8
- 238000012544 monitoring process Methods 0.000 description 6
- 239000000126 substance Substances 0.000 description 6
- 238000007619 statistical method Methods 0.000 description 4
- 238000003915 air pollution Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 3
- 230000036541 health Effects 0.000 description 3
- 239000000203 mixture Substances 0.000 description 3
- 241001520299 Phascolarctos cinereus Species 0.000 description 2
- 230000004913 activation Effects 0.000 description 2
- 239000008277 atmospheric particulate matter Substances 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000012512 characterization method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 208000024172 Cardiovascular disease Diseases 0.000 description 1
- 208000005107 Premature Birth Diseases 0.000 description 1
- 206010036590 Premature baby Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 239000005427 atmospheric aerosol Substances 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 208000026106 cerebrovascular disease Diseases 0.000 description 1
- 238000009833 condensation Methods 0.000 description 1
- 230000005494 condensation Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 239000007771 core particle Substances 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000034994 death Effects 0.000 description 1
- 231100000517 death Toxicity 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000001035 drying Methods 0.000 description 1
- 230000002526 effect on cardiovascular system Effects 0.000 description 1
- 239000003344 environmental pollutant Substances 0.000 description 1
- 230000005802 health problem Effects 0.000 description 1
- 210000004072 lung Anatomy 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000000053 physical method Methods 0.000 description 1
- 231100000719 pollutant Toxicity 0.000 description 1
- 238000003825 pressing Methods 0.000 description 1
- 208000023504 respiratory system disease Diseases 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000000153 supplemental 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
- G01N15/06—Investigating concentration of particle suspensions
-
- 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
- G01N15/075—Investigating concentration of particle suspensions by optical means
Landscapes
- Chemical & Material Sciences (AREA)
- Dispersion Chemistry (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开了一种大气细颗粒物遥感估计方法,包括以下步骤:1)建立细颗粒物遥感模型;2)在步骤1)的遥感模型基础上,引入颗粒物吸湿增长的理论公式;3)将所述步骤1)及步骤2)相结合,得到利用吸湿参数的大气细颗粒物遥感模型。本发明中的大气细颗粒物遥感估计方法,其中的吸湿参数直接来自遥感观测,以此利用卫星或预报获得的相对湿度参数对区域内的吸湿增长因子进行估算,由于相对湿度参数表征的为当地实际的颗粒物的物理性状,可以对不同区域的颗粒物吸湿增长特性进行区分识别,得到较准确的近实时结果。本发明可将大气颗粒物遥感估计区域有效拓展,拓宽大气细颗粒物研究的领域范围,有效提高实用性能。
Description
技术领域
本发明涉及卫星遥感领域,尤其涉及一种大气细颗粒物遥感估计方法。
背景技术
随着城市化和工业化的加速发展,空气污染持续威胁着人类的健康。世界卫生组织研究指出自21世纪近年以来每年由于空气污染死亡的人数高达200万人,而可吸入(PM10)和可入肺颗粒物(细颗粒物,PM2.5)增加了人们罹患多种疾病的风险,尤其是PM2.5可引起心脑血管疾病、呼吸道疾病以及新生儿早产等疾病。进入21世纪以来,这些环境和健康问题在中国东部和中部区域异常严峻,迫切需要对其进行分析研究。自2013年1月起,中国环境保护部开始发布大气细颗粒物PM2.5质量浓度的地面监测数据,然而这对于细颗粒物的区域时空长期变化趋势以及影响因素分析的研究仍是显不够的。一方面由于地面监测数据的空间覆盖性不足,难以无法对中国东部地区的大面积区域性污染进行区域覆盖监测,另一方面由于地面站点PM2.5的监测时间仍较短,无法支持对于较长期规律的分析研究,仍存在数据不足的问题。
针对以上问题,卫星遥感的广域探测和长时间连续观测能力在大气污染监测领域有巨大的发展潜力。目前,研究人员已经发展了一些基于卫星遥感的PM2.5估计模型,主要包括:基于统计理论的模型、卫星遥感结合大气化学模式的方法。
卫星遥感结合大气化学模式的方法主要利用化学传输模式对气溶胶吸湿性的模拟对颗粒物湿度进行校正,然而排放源带来的误差不可避免的被引入细颗粒物的估算中。同时,该方法耗费大量机时,很难应用于近实时近地面细颗粒物的卫星遥感业务化。
基于统计理论的模型虽然具有预测速度快的优势,但其中笼统的考虑各类影响(颗粒物垂直分布、吸湿贡献、粒子尺度等),不能对颗粒物吸湿性实现准确的估计,从而陷入如果要想获得较准确的近实时结果,仍需纳入新数据重新标定模型的困境。而模型标定不仅费时,异常点的分析还会耗费较大人力。
基于物理方案的细颗粒物遥感模型中,对于颗粒物吸湿进行了独立的考虑,且具有计算速度快的优势。目前的物理方案多采用简单的吸湿模型,而未考虑地区性差异。细颗粒物分布广泛,性质各异,这显然不能满足模型需求。例如以下物理方案,该方案利用地面能见度拟合吸湿和尺度混合函数:
简化可得
Yi=lnKi-γ′i·Xi
其中,Yi利用近地面能见度和细颗粒物浓度计算,Xi利用近地面相对湿度计算,i表示站点序号,利用站点拟合的Ki和γ′i两系数插值获得区域范围的吸湿函数。该物理方案中,在细颗粒物估算模型中考虑了吸湿性的空间变化,但其未能独立于近地面细颗粒物消光特性。这决定了该方法过度依赖地面能见度测量,而近地面能见度是全体颗粒物的消光总和,用其代替细颗粒物消光势必引起误差。
发明内容
针对现有技术存在的问题,本发明的目的在于提供一种大气细颗粒物遥感估计方法,利用吸湿参数(κ)的空间分布解决当前物理方法遥感估计近地面细颗粒物存在的问题。
为实现上述目的,本发明的技术方案如下:
一种大气细颗粒物遥感估计方法,包括以下步骤:
1)建立细颗粒物遥感模型;
2)在步骤1)的遥感模型基础上,引入颗粒物吸湿增长的理论公式;
3)将所述步骤1)及步骤2)相结合,得到利用吸湿参数的大气细颗粒物遥感模型。
进一步,所述步骤1)中的细颗粒物遥感模型,对基于卫星观测的近地面PM2.5质量浓度进行估计,模型公式如下:
其中:AOD是气溶胶光学厚度;FMF是细模态气溶胶占总光学厚度的比例;VEf(FMF)是以FMF为自变量的体积消光比参数,该参数通过经验方法拟合获取;PBLH是行星边界层高度;RH为环境相对湿度;ρf,dry是细颗粒物有效密度;fo(RH)表征以RH为自变量的细颗粒物吸湿增长因子。
在其他方法中,研究使用的吸湿增长函数通常是几何吸湿函数和光学吸湿函数两种。然而,步骤1)中的细颗粒物遥感模型中则要求使用更准确的体积吸湿函数。以往研究并不能很好的获得体积吸湿函数,故而使用光学吸湿函数进行了近似。
进一步,所述步骤2)中,引入颗粒物吸湿增长的理论公式:
其中:Vs是干颗粒物的体积,Vw是颗粒物中含水的体积,aw是溶液的水活性;
实际上,由于气溶胶的低曲率效应,溶液的水活性可以被相对湿度(RH)所代替;
因此,上式可变形求解含水颗粒物体积与干颗粒物体积的比值,f0(RH)可表示为:
细颗粒物的吸湿参数可利用成分分量计算获得,公式如下:
其中:κi是独立的颗粒物成分的吸湿参数,可以在实验室测量;vi是各干燥的颗粒物成分的体积比。
进一步,所述步骤3)中,得到利用吸湿参数的大气细颗粒物遥感模型:
可直接用于计算近地面PM2.5质量浓度。
本发明中的大气细颗粒物遥感估计方法,其中的吸湿参数直接来自遥感观测,以此利用卫星或预报获得的相对湿度参数对区域内的吸湿增长因子进行估算,由于相对湿度参数表征的为当地实际的颗粒物的物理性状,可以对不同区域的颗粒物吸湿增长特性进行区分识别,得到较准确的近实时结果。
通过引入颗粒物吸湿增长的理论,相较统计方法具有更高的物理可解释性;本发明在可根据获得颗粒物成分比例的前提下,将大气颗粒物遥感估计区域有效拓展,拓宽大气细颗粒物研究的领域范围,有效提高实用性能。
本发明中的颗粒物遥感估计方法,可广泛适用全球范围内文献报道的颗粒物成分信息,可最大程度节约观测和计算成本,具有计算简单,效率高等特点,更适合近实时的卫星监测业务。
附图说明
图1为本发明中的吸湿参数在中国区域的空间分布。
具体实施方式
在本实施方式的描述中,术语“上”、“下”、“前”、“后”、“左”、“右”等指示的方位或位置关系均为基于附图所示的方位或位置关系,仅仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,术语“第一”、“第二”仅用于描述目的,而不能理解为特定指示或暗示相对重要性。
为了更加清晰的对本发明中的技术方案进行阐述,下面以具体实施例的形式进行说明。
实施例
本发明中的利用吸湿参数的大气细颗粒物遥感估计方法,研究目标是利用吸湿参数的空间分布,解决当前物理方法遥感估计近地面细颗粒物中,难以对不同区域的颗粒物吸湿增长特性进行区分识别的问题。
包括以下步骤:
首先建立具有物理意义的细颗粒物遥感模型;然后在该理论模型的基础上,引入颗粒物吸湿增长的理论公式;最后将吸湿增长的理论公式与细颗粒物遥感模型相结合,得到利用吸湿参数的大气细颗粒物遥感模型,直接用于计算近地面PM2.5质量浓度,该模型可基于卫星观测直接得到的数据进行计算。
大气中悬浮的细颗粒物是空气质量污染的重要分量,也是我国空气污染的首要污染物。它不仅对人类健康构成威胁,还通过吸收和散射太阳辐射间接影响地-气辐射平衡,影响气候变化。
目前有许多遥感模型对近地面细颗粒物进行估计,本发明通过建立具有物理意义的细颗粒物遥感模型,对基于卫星观测的近地面PM2.5质量浓度进行估计,模型公式如下:
其中:AOD是气溶胶光学厚度;FMF是细模态气溶胶占总光学厚度的比例;VEf(FMF)是以FMF为自变量的体积消光比参数,该参数通过经验方法拟合获取;PBLH是行星边界层高度;RH为环境相对湿度;ρf,dry是细颗粒物有效密度;f0(RH)表征以RH为自变量的细颗粒物吸湿增长因子。
该模型可直接基于卫星观测得到的数据进行计算,各参数均可通过遥感观测得到具体数据,或者进行直接推导计算即可得出,能够达到对近地面PM2.5质量浓度的估计目的,提高了测量的精准性及真实性。
本发明基于现有的不能对细颗粒物的吸湿性实现准确估计的问题,在上述的细颗粒物遥感模型基础上进一步引入颗粒物吸湿增长的理论公式。
在以往的研究中,大气气溶胶及颗粒物的吸湿性计算通常采用几何和光学两种吸湿因子表达。几何吸湿因子是指颗粒物吸湿后的粒径与干颗粒物粒径的比值,而光学吸湿因子则是颗粒物吸湿后的消光系数与干颗粒物的消光系数的比值。这两种表达方法均是通过直接测量获得,而该种测量同一个颗粒物的干湿状态的仪器搭建困难,且测量复杂。需先将颗粒物干燥测量一次,再将颗粒物加湿到环境湿度测量,一个测量周期大约需要40分钟,且测量过程中很容易导致颗粒物成分、性态发生变化。
本发明引入颗粒物吸湿增长的理论公式(寇拉方程),该理论公式在颗粒物不同尺度和成分的情况下,可体现曲率和成分两种不同的贡献。
寇拉方程主要由曲率和成分决定一个颗粒物的吸湿增长特征。云凝结核粒径段主要由曲率(可简单理解为颗粒物的大小)影响为主,而气溶胶粒径段主要由成分影响为主。该方程多用于云物理领域,在气溶胶领域多数研究将其简化为干湿粒径比值。
而在遥感领域,绝大多数研究者对气溶胶/云物理领域不了解,因此他们进利用成熟的工具(化学传输模式)或统计方法(对比方法)去解决颗粒物吸湿问题,而并不能利用基础理论对问题进行分析。
然而,该理论构成较为复杂,且无法用于直接计算。进一步,本发明寻找一种可简化该理论的方法,即理论。该理论使用吸湿参数简化了寇拉方程,然而这里的吸湿参数并非细颗粒物遥感模型中需要的吸湿因子函数,其水汽激活比也相对难以获得。由于在环境状态下,水汽激活比可近似认为与环境相对湿度相等,同时利用吸湿增长因子的定义,我们将吸湿参数构造的方程重构,以便获得细颗粒物遥感模型中需要的吸湿增长因子。
其中:Vs是干颗粒物的体积,Vw是颗粒物中含水的体积,aw是溶液的水活性;实际上,由于气溶胶的低曲率效应,溶液的水活性可以被相对湿度(RH)所代替;
因此,细颗粒物遥感模型中的f0(RH)可表示为:
上述公式建立了气溶胶成分与其在环境湿度下的吸湿性的联系,通过该方法可应用多种测量获得的吸湿参数值,有效扩展观测数量。
细颗粒物的吸湿参数可利用成分分量计算获得,公式如下:
其中:κi是独立的颗粒物成分的吸湿参数,可以在实验室测量;vi是各干燥的颗粒物成分的体积比。
最后,将上述吸湿参数代入f0(RH)中,并且与细颗粒物遥感模型进行整理,得到利用吸湿参数的大气细颗粒物遥感模型:
可直接用于计算近地面PM2.5质量浓度。
上述重构颗粒物吸湿增长的理论公式过程,是对细颗粒物的吸湿增长因子进行的细化及优化,并不属于遥感观测的范畴,本发明创造性的将云学科中的吸湿理论与细颗粒物遥感模型进行重构,使不同学科得到交叉,并且实现了将源自遥感观测的参数直接用于计算近地面细颗粒物质量浓度,有效实现大范围高精度的吸湿订正效果。
现有简单的统计方法吸湿模型中,仅使用近地面能见度去识别吸湿增长和颗粒物大小的混合效应,而没有办法把混合效应有效区分;在不能获取地面能见度的情况下,完全不能使用;而且,地面能见度缺失或测量不准确,也无法获得其他补充数据,这会对PM2.5的估计产生比较大的偏差。
本发明中的细颗粒物遥感估计方法,与现有的统计方法相比,可以方便的对颗粒物吸湿特性算法进行更新,使用多元数据对颗粒物吸湿特征的区域分布进行解析,甚至还可以利用遥感新方法直接解析出颗粒物吸湿性的空间分布。
图1中给出了利用实验室测定的κi和测站测定的化学采样成分比例,重构的吸湿参数κ的中国区域空间分布,其中原点代表站点观测值。表1中给出了与图1相对应的在中国区域、环渤海及黄海区域气溶胶成分信息计算的吸湿参数值。
序号 | 站点 | 吸湿参数值 |
1 | ZZ | 0.22 |
2 | CD | 0.21 |
3 | GC | 0.21 |
4 | XA | 0.18 |
5 | NN | 0.21 |
6 | DL | 0.20 |
7 | TYS | 0.23 |
8 | LFS | 0.14 |
9 | DH | 0.06 |
10 | LA | 0.22 |
11 | JS | 0.25 |
12 | LS | 0.06 |
13 | GLS | 0.17 |
14 | HK | 0.32 |
15 | BS | 0.29 |
16 | NYS | 0.34 |
17 | SYS | 0.36 |
18 | ZZ | 0.22 |
以此,便可利用卫星或预报获得的相对湿度参数对全国区域的吸湿增长因子进行估算。该方法不仅适用于中国,在获得颗粒物成分比例的前提下,可有效扩展至全球范围。
需要重点指出的是,本发明将基于利用颗粒物的直接化学成分观测准确计算吸湿参数κ,将其应用于卫星遥感近地面细颗粒物的大范围吸湿订正,有效校正颗粒物吸湿特性的空间差异。
最后,可以理解的是,以上实施方式仅仅是为了说明本发明的原理而采用的示例性实施方式,然而本发明并不局限于此。对于本领域普通技术人员而言,在不脱离本发明的原理和实质的情况下,可以做出各种变型和改进,这些变型和改进也视为本发明的保护范围。
Claims (2)
1.一种大气细颗粒物遥感估计方法,其特征在于,包括以下步骤:
1)建立细颗粒物遥感模型;所述细颗粒物遥感模型,对基于卫星观测的近地面PM2.5质量浓度进行估计,模型公式如下:
其中:AOD是气溶胶光学厚度;FMF是细模态气溶胶占总光学厚度的比例;VE f (FMF)是以FMF为自变量的体积消光比参数,该参数通过经验方法拟合获取;PBLH是行星边界层高度;RH为环境相对湿度;ρ f,dry 是细颗粒物有效密度;表征以RH为自变量的细颗粒物吸湿增长因子;
2)在步骤1)的遥感模型基础上,引入颗粒物吸湿增长的理论公式;基于物理机理明确的细颗粒物遥感模型,引入颗粒物吸湿增长的理论公式:
实际上,由于气溶胶的低曲率效应,溶液的水活性可以被相对湿度(RH)所代替;
3)将所述步骤1)及步骤2)相结合,得到利用吸湿参数的大气细颗粒物遥感模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911083947.2A CN110940624B (zh) | 2019-11-07 | 2019-11-07 | 一种大气细颗粒物遥感估计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911083947.2A CN110940624B (zh) | 2019-11-07 | 2019-11-07 | 一种大气细颗粒物遥感估计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110940624A CN110940624A (zh) | 2020-03-31 |
CN110940624B true CN110940624B (zh) | 2021-05-14 |
Family
ID=69906653
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911083947.2A Active CN110940624B (zh) | 2019-11-07 | 2019-11-07 | 一种大气细颗粒物遥感估计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110940624B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112484776A (zh) * | 2020-11-18 | 2021-03-12 | 成都信息工程大学 | 静止卫星逐小时近地面大气细颗粒物估算方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
US11014843B2 (en) * | 2018-03-27 | 2021-05-25 | Roy Armstrong | Field remote sensing system for real-time quantification of total suspended solids (TSS) in surface waters from above-water spectral measurements |
CN110186822B (zh) * | 2019-05-13 | 2020-09-11 | 中国科学院遥感与数字地球研究所 | 一种气溶胶光学厚度遥感反演方法 |
CN110411918B (zh) * | 2019-08-02 | 2020-09-08 | 中国科学院遥感与数字地球研究所 | 一种基于卫星偏振技术的pm2.5浓度遥感估算方法 |
-
2019
- 2019-11-07 CN CN201911083947.2A patent/CN110940624B/zh active Active
Non-Patent Citations (1)
Title |
---|
Remote sensing of atmospheric fine particulate matter (PM2.5) mass;ZhangYing等;《Remote Sensing of Environment》;20151231;第1-11页 * |
Also Published As
Publication number | Publication date |
---|---|
CN110940624A (zh) | 2020-03-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Sun et al. | Projected changes in temperature and precipitation in ten river basins over China in 21st century. | |
Luo et al. | Short-term forecasting of daily reference evapotranspiration using the Hargreaves–Samani model and temperature forecasts | |
Xu et al. | Exploring evapotranspiration changes in a typical endorheic basin through the integrated observatory network | |
CN111551961B (zh) | 基于多波长激光雷达的云凝结核数浓度垂直廓线反演方法 | |
Negm et al. | Assessing the suitability of American National Aeronautics and Space Administration (NASA) agro-climatology archive to predict daily meteorological variables and reference evapotranspiration in Sicily, Italy | |
Liu et al. | Variation in reference crop evapotranspiration caused by the Ångström–Prescott coefficient: Locally calibrated versus the FAO recommended | |
CN108205164A (zh) | 一种基于WRF-Chem的大气能见度参数化预测方法 | |
Raj et al. | Uncertainty analysis of gross primary production partitioned from net ecosystem exchange measurements | |
CN111160680A (zh) | 一种基于信息同化融合的农业干旱评估方法 | |
CN110940624B (zh) | 一种大气细颗粒物遥感估计方法 | |
Liu et al. | Comparison of evapotranspiration measurements between eddy covariance and lysimeters in paddy fields under alternate wetting and drying irrigation | |
Feng et al. | Performance of the improved two-source energy balance model for estimating evapotranspiration over the heterogeneous surface | |
Sun et al. | Assessment and improvement of Noah-MP for simulating water and heat exchange over alpine grassland in growing season | |
Liu et al. | A simple framework for estimating the annual runoff frequency distribution under a non-stationarity condition | |
CN108876172A (zh) | 一种基于改进型modis植被供水指数的地表土壤含水量评估方法 | |
Ojo et al. | Estimation of solar radiation using air temperature and geographical coordinate over Nigeria | |
Li et al. | A comparison of three methods for determining vineyard evapotranspiration in the arid desert regions of northwest China | |
Yang et al. | Rainfall interception measurements and modeling in a semiarid evergreen spruce (Picea crassifolia) forest | |
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 | |
CN110907318B (zh) | 一种近地面大气总悬浮颗粒物质量浓度遥感物理估算方法 | |
Kulmala et al. | A novel concept for assessing the potential of different boreal ecosystems to mitigate climate change (CarbonSink+ Potential) | |
Yao et al. | A global empirical model for mapping zenith wet delays onto precipitable water vapor using GGOS Atmosphere data | |
Clark et al. | Cross-tropopause fluxes of ozone using assimilation of MOZAIC observations in a global CTM | |
CN115598027A (zh) | 一种基于遥感和机器学习技术的pm2.5反演方法 | |
Sun et al. | Comparison and evaluation of remote sensing indices for agricultural drought monitoring over Kazakhstan |
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 |