CN110942049B - 一种基于卫星遥感的臭氧污染源识别方法和系统 - Google Patents
一种基于卫星遥感的臭氧污染源识别方法和系统 Download PDFInfo
- Publication number
- CN110942049B CN110942049B CN201911303438.6A CN201911303438A CN110942049B CN 110942049 B CN110942049 B CN 110942049B CN 201911303438 A CN201911303438 A CN 201911303438A CN 110942049 B CN110942049 B CN 110942049B
- Authority
- CN
- China
- Prior art keywords
- ozone
- concentration
- pollution source
- hcho
- ground
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
-
- 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
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/70—Machine learning, data mining or chemometrics
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N2021/1793—Remote sensing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Algebra (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Chemical & Material Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Evolutionary Biology (AREA)
- Operations Research (AREA)
- Astronomy & Astrophysics (AREA)
- Crystallography & Structural Chemistry (AREA)
- Probability & Statistics with Applications (AREA)
- Remote Sensing (AREA)
- Medical Informatics (AREA)
- Multimedia (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明实施例提供一种基于卫星遥感的臭氧污染源识别方法和系统,该系统包括:1)对流层臭氧廓线反演模块,利用TropOMI紫外高光谱数据反演对流层臭氧廓线;2)近地面臭氧污染源指示值反演模块,利用TropOMI对流层NO2和HCHO柱浓度产品,结合大气化学模型Geos‑Chem,获取近地面NO2和HCHO浓度,计算二者浓度比值,获得近地面臭氧污染源指示值;3)近地面臭氧浓度反演模块,综合NO2、HCHO和地面国控站点臭氧监测值等,通过多元回归模型获取近地面臭氧浓度;4)臭氧污染源目标识别模块,利用近地面臭氧浓度结果,选取臭氧重污染区,结合近地面臭氧污染源指示值和亚米级高分影像,识别臭氧污染源。
Description
技术领域
本发明涉及卫星遥感技术领域,尤其涉及一种基于卫星遥感的臭氧污染源识别方法和系统。
背景技术
由于挥发性有机物(VOCs)和氮氧化物(NOx)的大气光化学反应导致的近地面臭氧(简称O3)污染在夏季频繁发生,臭氧污染是目前影响城市优良天数的最主要污染因子。大气中臭氧90%在平流层,10%在对流层,同时人为污染源排放的臭氧前体物氮氧化物和VOCs等大部分集中于对流层中低层,直接利用卫星遥感反演的臭氧柱浓度,无法精准定位受人为排放导致的臭氧重污染区域。因此如何获取近地面臭氧浓度、即时准确的发现臭氧污染源是目前大气臭氧污染治理所面临的重要问题。
TropOMI高空间分辨率和高光谱分辨率的卫星遥感监测数据,大大提高了在小尺度范围内,发现臭氧污染排放异常的可能性。目前卫星遥感反演臭氧廓线主要有紫外高光谱和热红外高光谱两种方式,在热红外波段,会受地面热辐射信息影响,在紫外波段,入射的太阳辐射会随着对流层底层空气密度的增加而减弱,因此两种方式对对流层底层的臭氧反演误差都较大,需要综合与臭氧生成相关的气温、近地面NO2和HCHO浓度等因子,通过多元回归获取到近地面臭氧浓度,来划定臭氧重污染区域。进一步通过近地面臭氧污染指示值,结合亚米级高分影像的目标识别结果,来定位臭氧污染源,提高大气臭氧污染监管效率和污染治理的精准性。
发明内容
针对上述问题,本发明实施例提供一种基于卫星遥感的臭氧污染源识别方法和系统。
第一方面,本发明实施例提供一种基于卫星遥感的臭氧污染源识别方法,包括以下四个步骤:
步骤一、利用最优估计法,反演对流层臭氧廓线;
步骤二、综合卫星反演产品和大气化学模式模拟结果,获取近地面NO2和HCHO浓度,进一步计算近地面臭氧污染源指示值;
步骤三、通过多元回归模型,获取近地面臭氧浓度;
步骤四、臭氧污染源识别。
优选地,所述步骤一具体包括:
选取300nm—330nm波段,考虑臭氧雅克比垂直分布以及干扰气体影响,选取在不同高度层雅克比峰值最大,且SO2气体干扰信息最小的波段作为反演波段;
获取Geos-ChemSO2廓线,气候模式臭氧先验廓线和ECMWF大气温度廓线,并插值到3.5km×7km格网单元;
利用最优估计法反演对流层臭氧廓线,迭代形式如下:
Xi+1=Xa+(Ki TSe -1Ki+Sa -1)-1Ki TSe -1·[(Y-F(Xi))-Ki(Xa-Xi)],
其中,Xi+1为当前迭代时的臭氧廓线,Xi为上一次迭代时的臭氧廓线,Xa为臭氧先验廓线,Sa为先验误差协方差矩阵,Se为观测误差协方差矩阵,这里用对角矩阵,为权重函数或雅克比,Y为TropOMI卫星观测值,F(X)为模拟观测值,选用Vlidort辐射传输模型进行模拟;
对于先验误差协方差矩阵,其计算公式为:
其中,|Zi-Zj|为第i层和第j层的高度差,l为相关长度。
优选地,所述步骤二具体包括:
获取TropOMI对流层NO2和HCHO柱浓度,提取Geos-Chem模拟的NO2和HCHO廓线;
通过公式计算得到近地面NO2和HCHO柱浓度,其中,Strop为近地面NO2和HCHO浓度,SGeos为模式模拟近地面NO2和HCHO浓度,Ωtrop为TropOMI卫星对流层NO2和HCHO柱浓度,ΩGeos为模式模拟对流层NO2和HCHO柱浓度。
优选地,所述步骤三具体包括:
从欧洲中期天气预报中心模拟的再分析资料中,按照3.5km×7km的格网单元,插值提取每一个格网单元的气温、地表温度,同时获取地面1463个国控站点的臭氧浓度小时监测值;
利用地面站点测量的O3数据与臭氧前体物近地面NO2和HCHO浓度、TropOMI近地面臭氧浓度、气温和地表温度进行时间和空间上的匹配,获取训练样本数据;根据训练样本数据构建臭氧多元回归估算模型,具体为:
O3=β1Tsurf+β2Tair+β3NO2+β4HCHO+β5O3,简化为Y=F(X),
其中,Y为近地面臭氧浓度,X为近地面NO2和HCHO浓度、TropOMI近地面臭氧浓度、气温Tair和地表温度Tsurf参数,采用加权最小二乘法计算回归系数,即X=βY,进一步,β=XYT(YYT)-1,利用TropOMI卫星数据,结合已经计算好的回归系数反演得到最终的近地面臭氧浓度。
优选地,所述步骤四具体包括:
计算不同城市TropOMI数据最近一年的近地面臭氧浓度年均值空间分布结果,以3.5km×7km为格网单元,根据不同城市的臭氧污染特征,当某一格网值高于城市均值的一定阈值时,该格网单元就选为臭氧重污染区域;
在选定臭氧重污染区域后,获取该区域的近地面NO2和HCHO浓度,计算HCHO和NO2浓度比值,获取区域内近地面臭氧污染源指示值PI;
当PI>N时,该区域臭氧生成受NOx控制,结合亚米级高分影像,有针对性的开展臭氧前体物NO2污染源判别,建立污染源特征库,以自动识别和人工解译相结合的方式,开展固定源和移动源的污染源目标识别;
当PI<M时,该区域臭氧生成受VOCs控制,结合亚米级高分影像,有针对性的开展臭氧前体物VOCs污染源判别,建立污染源特征库,以自动识别和人工解译相结合的方式,开展涉VOCs排放的工业企业污染源目标识别;
当M<PI<N时,该区域臭氧生成受NOx和VOCs协同控制,因此同时在该区域开展NO2污染源和VOCs污染源的目标识别;
M,N阈值取值根据不同城市的臭氧、二氧化氮和甲醛的浓度时空分布特征进行设定。
第二方面,本发明实施例提供一种基于卫星遥感的臭氧污染源识别系统,包括以下四个步骤:
反演模块,用于利用最优估计法,反演对流层臭氧廓线;
指示模块,用于综合卫星反演产品和大气化学模式模拟结果,获取近地面NO2和HCHO浓度,进一步计算近地面臭氧污染源指示值;
回归模块,用于通过多元回归模型,获取近地面臭氧浓度;
识别模块,用于臭氧污染源识别。
第三方面,本发明实施例提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现第一方面提供的一种基于卫星遥感的臭氧污染源识别方法的步骤。
第四方面,本发明实施例提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现第一方面提供的一种基于卫星遥感的臭氧污染源识别方法的步骤。
本发明实施例提供一种基于卫星遥感的臭氧污染源识别方法和系统,该系统包括四个模块,1)对流层臭氧廓线反演模块,利用TropOMI紫外高光谱数据,在最优估计法框架下,反演获取对流层臭氧廓线浓度;2)近地面臭氧污染源指示值反演模块,利用TropOMI对流层NO2柱浓度和HCHO助浓度产品,提取大气化学模型Geos-Chem中NO2和HCHO廓线,通过比例关系获取近地面NO2和HCHO浓度,计算NO2和HCHO比值,得到近地面臭氧污染源指示值;3)近地面臭氧浓度反演模块,综合气温、近地面臭氧前体物NO2和HCHO浓度和地面国控站点臭氧浓度监测值等,通过多元回归模型获取近地面臭氧浓度;4)臭氧污染源目标识别模块,利用近地面臭氧浓度结果,选取臭氧重污染高值区,结合近地面臭氧污染源指示值和亚米级高分影像,识别臭氧污染源。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种基于卫星遥感的臭氧污染源识别方法的流程图;
图2为本发明又一实施例提供的一种基于卫星遥感的臭氧污染源识别方法流程图;
图3为本发明实施例中紫外通道300-330nm内497个波段在不同高度的臭氧雅克比值的示意图;
图4为本发明实施例中臭氧和二氧化硫在不同波长的吸收截面对比示意图;
图5为本发明实施例提供的一种基于卫星遥感的臭氧污染源识别系统的结构示意图;
图6为本发明实施例提供的一种电子设备的实体结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
图1为本发明实施例提供的一种基于卫星遥感的臭氧污染源识别方法的流程图,如图1所示,该方法包括:
S1,步骤一、利用最优估计法,反演对流层臭氧廓线;
S2,步骤二、综合卫星反演产品和大气化学模式模拟结果,获取近地面NO2和HCHO浓度,进一步计算近地面臭氧污染源指示值;
S3,步骤三、通过多元回归模型,获取近地面臭氧浓度;
S4,步骤四、臭氧污染源识别。
具体地,首先利用最优估计法,反演得到对流层臭氧廓线,然后综合卫星反演产品和大气化学模式模拟结果,得到近地面层的NO2和HCHO浓度,并进一步计算近地面层的臭氧污染源指示值。
多元回归模型根据前面得到的臭氧廓线和臭氧污染源指示值,得到近地面臭氧浓度,根据近地面臭氧浓度,对臭氧污染源进行识别。
本发明实施例提供一种基于卫星遥感的臭氧污染源识别方法,该系统包括四个模块,1)对流层臭氧廓线反演模块,利用TropOMI紫外高光谱数据,在最优估计法框架下,反演获取对流层臭氧廓线浓度;2)近地面臭氧污染源指示值反演模块,利用TropOMI对流层NO2柱浓度和HCHO助浓度产品,提取大气化学模型Geos-Chem中NO2和HCHO廓线,通过比例关系获取近地面NO2和HCHO浓度,计算NO2和HCHO比值,得到近地面臭氧污染源指示值;3)近地面臭氧浓度反演模块,综合气温、近地面臭氧前体物NO2和HCHO浓度和地面国控站点臭氧浓度监测值等,通过多元回归模型获取近地面臭氧浓度;4)臭氧污染源目标识别模块,利用近地面臭氧浓度结果,选取臭氧重污染高值区,结合近地面臭氧污染源指示值和亚米级高分影像,识别臭氧污染源。
在上述实施例的基础上,优选地,具体地,步骤一具体包括:选取300nm—330nm波段,考虑臭氧雅克比垂直分布以及干扰气体影响,选取在不同高度层雅克比峰值最大,且SO2气体干扰信息最小的波段作为反演波段。
获取Geos-ChemSO2廓线,气候模式臭氧先验廓线和ECMWF大气温度廓线,并插值到3.5km×7km格网单元;
利用最优估计法反演对流层臭氧廓线,迭代形式如下:
Xi+1=Xa+(Ki TSe -1Ki+Sa -1)-1Ki TSe -1·[Y-F(Xi))-Ki(Xa-Zi)],
其中,Xi+1为当前迭代时的臭氧廓线,Xi为上一次迭代时的臭氧廓线,Xa为臭氧先验廓线,Sa为先验误差协方差矩阵,Se为观测误差协方差矩阵,这里用对角矩阵,为权重函数或雅克比,Y为TropOMI卫星观测值,F(X)为模拟观测值,选用Vlidort辐射传输模型进行模拟;
对于先验误差协方差矩阵,其计算公式为:
其中,|Zi-Zj|为第i层和第j层的高度差,l为相关长度。
具体地,Geos-Chem表示大气化学传输模型,ECMWF为欧洲中期天气预报中心,Vlidort辐射传输模型表示矢量辐射传输模型。
在上述实施例的基础上,优选地,步骤二具体包括:
获取TropOMI对流层NO2和HCHO柱浓度,提取Geos-Chem模拟的NO2和HCHO廓线;
通过公式计算得到近地面NO2和HCHO柱浓度,其中,Strop为近地面NO2和HCHO浓度,SGeos为模式模拟近地面NO2和HCHO浓度,Ωtrop为TropOMI卫星对流层NO2和HCHO柱浓度,ΩGeos为模式模拟对流层NO2和HCHO柱浓度。
具体地,TropOMI表示对流层臭氧监测仪。
在上述实施例的基础上,优选地,步骤三具体包括:
从欧洲中期天气预报中心模拟的再分析资料中,按照3.5km×7km的格网单元,插值提取每一个格网单元的气温、地表温度,同时获取地面1463个国控站点的臭氧浓度小时监测值;
利用地面站点测量的O3数据与臭氧前体物近地面NO2和HCHO浓度、TropOMI近地面臭氧浓度、气温和地表温度进行时间和空间上的匹配,获取训练样本数据;根据训练样本数据构建臭氧多元回归估算模型,具体为:
O3=β1Tsurf+β2Tair+β3NO2+β4HCHO+β5O3,简化为Y=F(X)。
其中,Y为近地面臭氧浓度,X为近地面NO2和HCHO浓度、TropOMI近地面臭氧浓度、气温Tair和地表温度Tsurf参数,采用加权最小二乘法计算回归系数,即X=βY,进一步,β=XYT(YYT)-1,利用TropOMI卫星数据,结合已经计算好的回归系数反演得到最终的近地面臭氧浓度。
在上述实施例的基础上,优选地,步骤四具体包括:
计算不同城市TropOMI数据最近一年的近地面臭氧浓度年均值空间分布结果,以3.5km×7km为格网单元,根据不同城市的臭氧污染特征,当某一格网值高于城市均值的一定阈值时,该格网单元就选为臭氧重污染区域;
在选定臭氧重污染区域后,获取该区域的近地面NO2和HCHO浓度,计算HCHO和NO2浓度比值,获取区域内近地面臭氧污染源指示值PI;
当PI>N时,该区域臭氧生成受NOx控制,结合亚米级高分影像,有针对性的开展臭氧前体物NO2污染源判别,建立污染源特征库,以自动识别和人工解译相结合的方式,开展固定源和移动源的污染源目标识别;
当PI<M时,该区域臭氧生成受VOCs控制,结合亚米级高分影像,有针对性的开展臭氧前体物VOCs污染源判别,建立污染源特征库,以自动识别和人工解译相结合的方式,开展涉VOCs排放的工业企业污染源目标识别;
当M<PI<N时,该区域臭氧生成受NOx和VOCs协同控制,因此同时在该区域开展NO2污染源和VOCs污染源的目标识别;
M,N阈值取值根据不同城市的臭氧、二氧化氮和甲醛的浓度时空分布特征进行设定。
图2为本发明又一实施例提供的一种基于卫星遥感的臭氧污染源识别方法流程图,如图2所示,该方法包括:
首先利用TropOMI监测仪获取卫星紫外波段光谱和太阳光谱,最优估计法利用该紫外波段光谱和太阳光谱、臭氧先验廓线、ECMWF温度廓线,得到对流层臭氧廓线。
然后根据近地面NO2浓度和近地面HCHO浓度,得到近地面臭氧污染源指示值。
接着根据前面得到的对流层臭氧廓线,提取最底层臭氧浓度,最底层的高度范围为0-1km,将最底层臭氧浓度和气温、地表温度、近地面NO2浓度、近地面HCHO浓度、近地面国控点臭氧浓度检测值输入到多元加权回归模型中,得到高空间分辨率近地面臭氧浓度。
最后根据高空间分辨率近地面臭氧浓度,划分臭氧高值区,也就是臭氧高污染区域,根据臭氧高值区,结合亚米级高分影像和近地面臭氧污染源指示值,得到臭氧污染目标识别结果,从而进行NO2治理和VOCs治理。
其中,NO2表示二氧化氮化学分子式,HCHO表示甲醛化学分子式,VOCs表示挥发性有机物。
图3为本发明实施例中紫外通道300-330nm内497个波段在不同高度的臭氧雅克比值的示意图,图3中横坐标表示臭氧廓线雅克比,纵坐标表示压强,从图3中可以看出:每个波段对应的雅克比峰值(垂直分布上,每条廓线在不同高度对应不同的雅克比值)不一样,挑选在同一高度,峰值最大的波段作为反演波段。
图4为本发明实施例中臭氧和二氧化硫在不同波长的吸收截面对比示意图,如图4所示,图中Ozone表示臭氧,SO2表示二氧化硫,横坐标表示波长,纵坐标表示气体吸收截面,从图4可以看出,在该波段范围内,存在SO2的强吸收,会对臭氧吸收产生一定程度的影响。
图5为本发明实施例提供的一种基于卫星遥感的臭氧污染源识别系统的结构示意图,该系统包括对流层臭氧廓线反演模块501、近地面臭氧污染源指示值反演模块502、近地面臭氧浓度反演模块503和臭氧污染源目标识别模块504,其中:
对流层臭氧廓线反演模块501用于利用最优估计法,反演对流层臭氧廓线;
近地面臭氧污染源指示值反演模块502用于综合卫星反演产品和大气化学模式模拟结果,获取近地面NO2和HCHO浓度,进一步计算近地面臭氧污染源指示值;
近地面臭氧浓度反演模块503用于通过多元回归模型,获取近地面臭氧浓度;
臭氧污染源目标识别模块504用于臭氧污染源识别。
本系统实施例与上述方法实施例的执行过程相同,详情请参考上述方法实施例,本系统实施例在此不再赘述。
图6为本发明实施例提供的一种电子设备的实体结构示意图,如图6所示,该服务器可以包括:处理器(processor)610、通信接口(Communications Interface)620、存储器(memory)630和通信总线640,其中,处理器610,通信接口620,存储器630通过通信总线640完成相互间的通信。处理器610可以调用存储器630中的逻辑指令,以执行如下方法:
步骤一、利用最优估计法,反演对流层臭氧廓线;
步骤二、综合卫星反演产品和大气化学模式模拟结果,获取近地面NO2和HCHO浓度,进一步计算近地面臭氧污染源指示值;
步骤三、通过多元回归模型,获取近地面臭氧浓度;
步骤四、臭氧污染源识别。
此外,上述的存储器630中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面,本发明实施例还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以执行上述各实施例提供的传输方法,例如包括:
步骤一、利用最优估计法,反演对流层臭氧廓线;
步骤二、综合卫星反演产品和大气化学模式模拟结果,获取近地面NO2和HCHO浓度,进一步计算近地面臭氧污染源指示值;
步骤三、通过多元回归模型,获取近地面臭氧浓度;
步骤四、臭氧污染源识别。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (7)
1.一种基于卫星遥感的臭氧污染源识别方法,其特征在于,包括以下四个步骤:
步骤一、利用最优估计法,反演对流层臭氧廓线;
步骤二、综合卫星反演产品和大气化学模式模拟结果,获取近地面NO2和HCHO浓度,进一步计算近地面臭氧污染源指示值;
步骤三、通过多元回归模型,获取近地面臭氧浓度;
步骤四、臭氧污染源识别;
所述步骤三具体包括:
从欧洲中期天气预报中心模拟的再分析资料中,按照3.5km×7km的格网单元,插值提取每一个格网单元的气温、地表温度,同时获取地面1463个国控站点的臭氧浓度小时监测值;
利用地面站点测量的O3数据与臭氧前体物近地面NO2和HCHO浓度、TropOMI近地面臭氧浓度、气温和地表温度进行时间和空间上的匹配,获取训练样本数据;根据训练样本数据构建臭氧多元回归估算模型,具体为:
O3=β1Tsurf+β2Tair+β3NO2+β4HCHO+β5O3,简化为Y=F(X),
其中,Y为近地面臭氧浓度,X为近地面NO2和HCHO浓度、TropOMI近地面臭氧浓度、气温Tair和地表温度Tsurf参数,采用加权最小二乘法计算回归系数,即X=βY,进一步,β=XYT(YYT)-1,利用TropOMI卫星数据,结合已经计算好的回归系数反演得到最终的近地面臭氧浓度。
2.根据权利要求1所述基于卫星遥感的臭氧污染源识别方法,其特征在于,所述步骤一具体包括:
选取300nm-330nm波段,考虑臭氧雅克比垂直分布以及干扰气体影响,选取在不同高度层雅克比峰值最大,且SO2气体干扰信息最小的波段作为反演波段;
获取Geos-ChemSO2廓线,气候模式臭氧先验廓线和ECMWF大气温度廓线,并插值到3.5km×7km格网单元;
利用最优估计法反演对流层臭氧廓线,迭代形式如下:
Xi+1=Xa+(Ki TSe -1Ki+Sa -1)-1Ki TSe -1·[(Y-F(Xi))-Ki(Xa-Xi)],
其中,Xi+1为当前迭代时的臭氧廓线,Xi为上一次迭代时的臭氧廓线,Xa为臭氧先验廓线,Sa为先验误差协方差矩阵,Se为观测误差协方差矩阵,这里用对角矩阵,为权重函数或雅克比,Y为TropOMI卫星观测值,F(X)为模拟观测值,选用Vlidort辐射传输模型进行模拟;
对于先验误差协方差矩阵,其计算公式为:
其中,|Zi-Zj|为第i层和第j层的高度差,l为相关长度。
4.根据权利要求1所述基于卫星遥感的臭氧污染源识别方法,其特征在于,所述步骤四具体包括:
计算不同城市TropOMI数据最近一年的近地面臭氧浓度年均值空间分布结果,以3.5km×7km为格网单元,根据不同城市的臭氧污染特征,当某一格网值高于城市均值的一定阈值时,该格网单元就选为臭氧重污染区域;
在选定臭氧重污染区域后,获取该区域的近地面NO2和HCHO浓度,计算HCHO和NO2浓度比值,获取区域内近地面臭氧污染源指示值PI;
当PI>N时,该区域臭氧生成受NOx控制,结合亚米级高分影像,有针对性的开展臭氧前体物NO2污染源判别,建立污染源特征库,以自动识别和人工解译相结合的方式,开展固定源和移动源的污染源目标识别;
当PI<M时,该区域臭氧生成受VOCs控制,结合亚米级高分影像,有针对性的开展臭氧前体物VOCs污染源判别,建立污染源特征库,以自动识别和人工解译相结合的方式,开展涉VOCs排放的工业企业污染源目标识别;
当M<PI<N时,该区域臭氧生成受NOx和VOCs协同控制,因此同时在该区域开展NO2污染源和VOCs污染源的目标识别;
M、N阈值取值根据不同城市的臭氧、二氧化氮和甲醛的浓度时空分布特征进行设定。
5.一种基于卫星遥感的臭氧污染源识别系统,其特征在于,包括以下四个模块:
对流层臭氧廓线反演模块,用于利用最优估计法,反演对流层臭氧廓线;
近地面臭氧污染源指示值反演模块,用于综合卫星反演产品和大气化学模式模拟结果,获取近地面NO2和HCHO浓度,进一步计算近地面臭氧污染源指示值;
近地面臭氧浓度反演模块,用于通过多元回归模型,获取近地面臭氧浓度;
臭氧污染源目标识别模块,用于臭氧污染源识别;
所述近地面臭氧浓度反演模块具体包括:
从欧洲中期天气预报中心模拟的再分析资料中,按照3.5km×7km的格网单元,插值提取每一个格网单元的气温、地表温度,同时获取地面1463个国控站点的臭氧浓度小时监测值;
利用地面站点测量的O3数据与臭氧前体物近地面NO2和HCHO浓度、TropOMI近地面臭氧浓度、气温和地表温度进行时间和空间上的匹配,获取训练样本数据;根据训练样本数据构建臭氧多元回归估算模型,具体为:
O3=β1Tsurf+β2Tair+β3NO2+β4HCHO+β5O3,简化为Y=F(X),
其中,Y为近地面臭氧浓度,X为近地面NO2和HCHO浓度、TropOMI近地面臭氧浓度、气温Tair和地表温度Tsurf参数,采用加权最小二乘法计算回归系数,即X=βY,进一步,β=XYT(YYT)-1,利用TropOMI卫星数据,结合已经计算好的回归系数反演得到最终的近地面臭氧浓度。
6.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1至4任一项所述基于卫星遥感的臭氧污染源识别方法的步骤。
7.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现如权利要求1至4任一项所述基于卫星遥感的臭氧污染源识别方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911303438.6A CN110942049B (zh) | 2019-12-17 | 2019-12-17 | 一种基于卫星遥感的臭氧污染源识别方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911303438.6A CN110942049B (zh) | 2019-12-17 | 2019-12-17 | 一种基于卫星遥感的臭氧污染源识别方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110942049A CN110942049A (zh) | 2020-03-31 |
CN110942049B true CN110942049B (zh) | 2020-10-16 |
Family
ID=69911899
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911303438.6A Active CN110942049B (zh) | 2019-12-17 | 2019-12-17 | 一种基于卫星遥感的臭氧污染源识别方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110942049B (zh) |
Families Citing this family (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111678880B (zh) * | 2020-06-04 | 2021-05-11 | 生态环境部卫星环境应用中心 | 平流层臭氧侵入对流层中低层的卫星遥感识别方法及系统 |
CN111929263B (zh) * | 2020-08-11 | 2021-05-11 | 生态环境部卫星环境应用中心 | 臭氧廓线和二氧化硫柱浓度协同反演方法 |
CN112304890A (zh) * | 2020-11-27 | 2021-02-02 | 重庆商勤科技有限公司 | 一种机载光谱遥感监测臭氧浓度的方法及系统 |
CN112861904B (zh) * | 2020-12-04 | 2021-11-05 | 生态环境部卫星环境应用中心 | 基于imbi指数的大气污染源监测识别方法和系统 |
CN113176216B (zh) * | 2021-01-12 | 2022-03-15 | 生态环境部卫星环境应用中心 | 一种臭氧前体物VOCs高值区卫星遥感识别方法 |
CN112712220B (zh) * | 2021-03-26 | 2021-06-22 | 北京英视睿达科技有限公司 | 地面臭氧浓度的预估方法、装置及计算机设备 |
CN112990111B (zh) * | 2021-04-20 | 2021-08-31 | 北京英视睿达科技有限公司 | 臭氧生成高值区的识别方法、装置、存储介质及设备 |
CN113254498B (zh) * | 2021-05-20 | 2021-11-30 | 安徽环境科技研究院股份有限公司 | 基于观测数据的改进活性VOCs源强计算方法及系统 |
CN113376324B (zh) * | 2021-06-09 | 2022-06-28 | 安徽大学 | 一种空间大气臭氧短临预警系统 |
CN114218976B (zh) * | 2021-09-27 | 2024-03-08 | 中国环境科学研究院 | 臭氧前体物高值区精细化排放源追溯定位方法和系统 |
CN113989667B (zh) * | 2021-10-26 | 2024-03-22 | 中国科学技术大学先进技术研究院 | 基于卫星遥感技术的近地面甲醛浓度获取方法 |
CN114112935A (zh) * | 2021-11-22 | 2022-03-01 | 中国科学技术大学 | 大气污染物垂直分布的实时反演方法、装置、计算机设备和存储介质 |
CN114091605A (zh) * | 2021-11-23 | 2022-02-25 | 云南电网有限责任公司电力科学研究院 | 一种基于现行污区图和遥感数据的融合方法及装置 |
CN114496117B (zh) * | 2021-12-02 | 2024-02-23 | 中国科学技术大学 | 基于卫星超光谱遥感的臭氧控制类型识别方法及电子设备 |
CN114646601A (zh) * | 2022-03-29 | 2022-06-21 | 中国科学技术大学 | 基于多波段耦合的卫星臭氧垂直廓线反演方法及系统 |
CN114660015B (zh) * | 2022-04-02 | 2023-10-03 | 山东省济南生态环境监测中心 | 典型城市地区平流层臭氧侵入对流层中低层的综合监测识别方法 |
CN115855761B (zh) * | 2022-11-03 | 2023-09-26 | 生态环境部卫星环境应用中心 | 五基协同天空地一体化大气环境立体遥感监测系统及方法 |
CN117236528B (zh) * | 2023-11-15 | 2024-01-23 | 成都信息工程大学 | 一种基于组合模型和因子筛选的臭氧浓度预报方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101936881A (zh) * | 2010-09-15 | 2011-01-05 | 吉林大学 | 利用临边遥感数据反演大气臭氧剖面的层析成像方法 |
CN103868836A (zh) * | 2014-04-03 | 2014-06-18 | 中国科学院合肥物质科学研究院 | 一种同时测量大气颗粒物后向散射系数和臭氧浓度廓线的方法 |
CN108956491A (zh) * | 2018-06-05 | 2018-12-07 | 中国科学院遥感与数字地球研究所 | 一种大气hcho遥感监测方法 |
CN109597969A (zh) * | 2019-01-25 | 2019-04-09 | 南京大学 | 一种近地面臭氧浓度估算方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9335258B2 (en) * | 2013-05-30 | 2016-05-10 | Stephen T. Hanley | System and method of retrieving mass density distributions and thermal profiles from the atmosphere to identify molecular constituents that may absorb spectral energy |
-
2019
- 2019-12-17 CN CN201911303438.6A patent/CN110942049B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101936881A (zh) * | 2010-09-15 | 2011-01-05 | 吉林大学 | 利用临边遥感数据反演大气臭氧剖面的层析成像方法 |
CN103868836A (zh) * | 2014-04-03 | 2014-06-18 | 中国科学院合肥物质科学研究院 | 一种同时测量大气颗粒物后向散射系数和臭氧浓度廓线的方法 |
CN108956491A (zh) * | 2018-06-05 | 2018-12-07 | 中国科学院遥感与数字地球研究所 | 一种大气hcho遥感监测方法 |
CN109597969A (zh) * | 2019-01-25 | 2019-04-09 | 南京大学 | 一种近地面臭氧浓度估算方法 |
Non-Patent Citations (2)
Title |
---|
Ozone Profile Retrievals From the Cross-Track Infrared Sounder;Pengfei Ma et al;《IEEE TRANSACTIONS ON GEOSCIENCE AND REMOTE SENSING》;20160328;正文第2页 * |
北京地区臭氧源识别个例研究;王雪松 等;《北京大学学报(自然科学版)》;20030320;正文245-246页 * |
Also Published As
Publication number | Publication date |
---|---|
CN110942049A (zh) | 2020-03-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110942049B (zh) | 一种基于卫星遥感的臭氧污染源识别方法和系统 | |
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 | |
CN111666656A (zh) | 基于微波雨衰的降雨估算方法及降雨监测系统 | |
CN112308292A (zh) | 一种火灾风险等级分布图的绘制方法 | |
CN114757807A (zh) | 多模式融合的大气污染物实际排放量在线核算方法 | |
CN113204061B (zh) | 一种构建格点风速订正模型的方法及装置 | |
CN113901384A (zh) | 顾及全局空间自相关性和局部异质性的地面pm2.5浓度建模方法 | |
CN113108918B (zh) | 一种极轨气象卫星热红外遥感数据反演气温方法 | |
CN112560270B (zh) | 一种化学危害同化系统 | |
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 | |
CN115494007A (zh) | 基于随机森林的土壤有机质高精度快速检测方法及装置 | |
CN110738354A (zh) | 预测颗粒物浓度的方法、装置、存储介质及电子设备 | |
US20200025738A1 (en) | Method for mapping the concentration of an analyte in an environment | |
CN115659796A (zh) | 地热高温异常区域预测方法、装置、设备及可读存储介质 | |
CN117592005A (zh) | Pm2.5浓度卫星遥感估算方法、装置、设备及介质 | |
CN115239027B (zh) | 空气质量格点化集合预报的方法及装置 | |
CN113989667B (zh) | 基于卫星遥感技术的近地面甲醛浓度获取方法 | |
CN113987778B (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 | |
CN116167003A (zh) | 一种近地面人为源二氧化氮高精细产品估算方法及系统 | |
CN116307185A (zh) | 风速预测值的获取方法、装置、终端设备及计算机介质 | |
CN113740263B (zh) | 一种气溶胶光学厚度反演方法及大气颗粒物遥感反演方法 | |
CN113821895B (zh) | 输电线路覆冰厚度预测模型的构建方法、装置及存储介质 | |
CN112712220B (zh) | 地面臭氧浓度的预估方法、装置及计算机设备 | |
CN113988153A (zh) | 基于条件生成对抗网络的高分辨率气溶胶估算方法 | |
CN110929225B (zh) | 基于地理加权回归模型的近地面二氧化硫浓度估算方法 |
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 |