CN110954482A - 基于静止卫星和极轨卫星的大气污染网格化监控方法 - Google Patents
基于静止卫星和极轨卫星的大气污染网格化监控方法 Download PDFInfo
- Publication number
- CN110954482A CN110954482A CN201911216240.4A CN201911216240A CN110954482A CN 110954482 A CN110954482 A CN 110954482A CN 201911216240 A CN201911216240 A CN 201911216240A CN 110954482 A CN110954482 A CN 110954482A
- Authority
- CN
- China
- Prior art keywords
- grid
- concentration
- satellite
- representing
- atmospheric pollution
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 83
- 238000000034 method Methods 0.000 title claims abstract description 44
- 230000003068 static effect Effects 0.000 title claims abstract description 14
- RAHZWNYVWXNFOC-UHFFFAOYSA-N Sulphur dioxide Chemical compound O=S=O RAHZWNYVWXNFOC-UHFFFAOYSA-N 0.000 claims description 91
- JCXJVPUVTGWSNB-UHFFFAOYSA-N nitrogen dioxide Inorganic materials O=[N]=O JCXJVPUVTGWSNB-UHFFFAOYSA-N 0.000 claims description 63
- 239000003344 environmental pollutant Substances 0.000 claims description 48
- 231100000719 pollutant Toxicity 0.000 claims description 48
- WSFSSNUMVMOOMR-UHFFFAOYSA-N Formaldehyde Chemical compound O=C WSFSSNUMVMOOMR-UHFFFAOYSA-N 0.000 claims description 46
- MGWGWNFMUOTEHG-UHFFFAOYSA-N 4-(3,5-dimethylphenyl)-1,3-thiazol-2-amine Chemical compound CC1=CC(C)=CC(C=2N=C(N)SC=2)=C1 MGWGWNFMUOTEHG-UHFFFAOYSA-N 0.000 claims description 34
- CBENFWSGALASAD-UHFFFAOYSA-N Ozone Chemical compound [O-][O+]=O CBENFWSGALASAD-UHFFFAOYSA-N 0.000 claims description 22
- 238000012417 linear regression Methods 0.000 claims description 16
- 239000000443 aerosol Substances 0.000 claims description 13
- 239000002245 particle Substances 0.000 claims description 13
- 238000013441 quality evaluation Methods 0.000 claims description 10
- 230000003287 optical effect Effects 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 9
- WSFSSNUMVMOOMR-NJFSPNSNSA-N methanone Chemical compound O=[14CH2] WSFSSNUMVMOOMR-NJFSPNSNSA-N 0.000 claims description 5
- 238000010521 absorption reaction Methods 0.000 claims description 4
- 238000001514 detection method Methods 0.000 claims description 4
- 238000001228 spectrum Methods 0.000 claims description 4
- 230000002159 abnormal effect Effects 0.000 abstract description 7
- 238000011156 evaluation Methods 0.000 abstract description 7
- 238000012216 screening Methods 0.000 abstract description 2
- 230000000875 corresponding effect Effects 0.000 description 14
- 238000010586 diagram Methods 0.000 description 6
- 238000003915 air pollution Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 230000001788 irregular Effects 0.000 description 4
- 239000000428 dust Substances 0.000 description 3
- 230000002265 prevention Effects 0.000 description 3
- 238000004590 computer program Methods 0.000 description 2
- 239000010419 fine particle Substances 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 239000005436 troposphere Substances 0.000 description 2
- PEDCQBHIVMGVHV-UHFFFAOYSA-N Glycerine Chemical compound OCC(O)CO PEDCQBHIVMGVHV-UHFFFAOYSA-N 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 239000000356 contaminant Substances 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 150000002823 nitrates Chemical class 0.000 description 1
- 239000002243 precursor Substances 0.000 description 1
- 238000007670 refining Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 150000003467 sulfuric acid derivatives Chemical class 0.000 description 1
Images
Classifications
-
- 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
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
-
- 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
- Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Biochemistry (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Analytical Chemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Dispersion Chemistry (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Emergency Alarm Devices (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明实施例提供一种基于静止卫星和极轨卫星的大气污染网格化监控方法,包括:利用极轨卫星监测到的PM2.5、PM10、SO2、NO2、O3和HCHO等年均值浓度,建立6要素的重污染高发指数模型,确定大气污染重点关注网格,通过每月定期评估,从宏观上把握重点关注网格每月空气质量改善情况;将重点关注网格细分为1公里精细化监管网格,利用静止卫星开展白天6个小时PM2.5和PM10浓度连续监测,同时利用极轨卫星开展每天6要素浓度监测,评估常规监测样本,在此基础上发现监测异常;结合风速、风向等气象条件和最新的亚米级高分影像,筛选异常区域,为执法人员提供污染线索,实现大气污染卫星遥感网格化动态监测服务。
Description
技术领域
本发明涉及卫星遥感技术领域,尤其涉及一种基于静止卫星和极轨卫星的大气污染网格化监控方法。
背景技术
污染源准确定位是解决大气污染问题的关键步骤。我国大气污染逐渐呈现复合污染态势,大气细颗粒物包括一次排放和二次生成,我国大气细颗粒物主要来源于二次生成。仅仅依靠单一PM2.5浓度不能全面反应实际的空气污染状况,也无法准确定位大气污染源,其浓度高值区也不能表示该区域一定存在大气固定污染源。同时现有的依靠地面微站的监测异常报警,成本高昂,监测空间不连续且目前安装不规范,来源于道路扬尘等非工业污染源会导致监测异常。因此,亟需一种基于静止卫星和极轨卫星的大气污染网格化监控方法。
发明内容
针对上述问题,本发明实施例提供一种基于静止卫星和极轨卫星的大气污染网格化监控方法。
第一方面,本发明实施例提供一种基于静止卫星和极轨卫星的大气污染网格化监控方法,该方法包括:
利用极轨卫星的高光谱遥感卫星数据,获取目标区域中每一网格的大气污染物浓度,所述大气污染物包括PM2.5、PM10、二氧化硫、二氧化氮、臭氧和甲醛中的至少两种;建立基于六要素的重污染高发指数模型。
根据每一网格的大气污染物浓度、每一网格的企业排放总量、每一网格的工业用地面积以及重污染高发指数模型,获取每一网格的大气污染指数,将大气污染指数大于第一预设阈值的网格作为重点关注网格,获取多个重点关注网格;
将每一重点关注网格对应实际位置作为大气污染源,按照预设时间间隔对所有大气污染源进行预警和空气质量评估。
优选地,还包括:
对于任一重点关注网格,将所述任一重点关注网格划分为多个精细化子网格;
利用静止卫星的高光谱遥感卫星数据,获取每一子网格的颗粒污染物浓度,所述颗粒污染物为PM2.5和/或PM10;
对于任一子网格,若所述任一子网格的颗粒污染物浓度大于第二预设阈值,且所述任一子网格的大气污染物浓度大于第三预设阈值,对所述任一子网格对应的实际位置进行报警。
优选地,所述利用极轨卫星的高光谱遥感卫星数据,获取目标区域中每一网格的大气污染物浓度,具体包括:
通过地理加权回归算法对所述极轨卫星的高光谱遥感卫星数据进行处理,获取所述目标区域中每一网格的PM2.5浓度和PM10浓度;
通过光谱差分吸收算法对所述极轨卫星的高光谱遥感卫星数据进行处理,获取所述目标区域中每一网格的二氧化硫浓度和二氧化氮浓度;
通过最优估计法对所述极轨卫星的高光谱遥感卫星数据进行处理,获取所述目标区域中每一网格的臭氧浓度和甲醛浓度。
优选地,所述重污染高发指数模型具体如下:
R=λ1PM2.5+λ2PM10+λ3SO2+λ4NO2+λ5O3+λ6HCHO+λ7Q+λ8S,
其中,R表示大气污染指数,λ1表示第一预设权重,PM2.5表示PM2.5的浓度,λ2表示第二预设权重,PM10表示PM10的浓度,λ3表示第三预设权重,SO2表示二氧化硫的浓度,λ4表示第四预设权重,NO2表示二氧化氮的浓度,λ5表示第五预设权重,O3表示臭氧的浓度,λ6表示第六预设权重,HCHO表示甲醛的浓度,λ7表示第七预设权重,Q表示所述企业排放总量,λ8表示第八预设权重,S表示工业用地面积。
优选地,所述第一预设权重、所述第二预设权重、所述第三预设权重、所述第四预设权重、所述第五预设权重、所述第六预设权重、所述第七预设权重和所述第八预设权重根据所述目标城市的工业结构和所述大气污染物的时空分布特性确定。
优选地,所述极轨卫星包括高分五号卫星、MODIS、Tropomi和OMI。
优选地,还包括:
利用静止卫星,获取所述任一子网格的PM2.5监测值;
根据当前时刻的气溶胶光绪厚度、二氧化硫浓度、二氧化氮浓度、边界层高度、相对湿度、气温、地表温度、风速和风向,基于多元线性回归的报警模型,获取所述任一子网格的PM2.5估算值;
若所述任一子网格的PM2.5监测值和所述任一子网格的PM2.5估算值之间的差异大于第四预设阈值,对所述任一子网格进行一次报警。
优选地,所述多元线性回归的报警模型具体公式如下:
y=ξ1AOD+ξ2SO2+ξ3NO2+ξ4PBLH+ξ5RH+ξ6Tair+ξ7Tsurf+ξ8Ws+ξ9Wd,
其中,ξ1表示第一预设回归系数,AOD表示所述气溶胶光绪厚度,ξ2表示第二预设回归系数,SO2表示所述二氧化硫浓度,ξ3表示第三预设回归系数,NO2表示所述二氧化氮浓度,ξ4表示第四预设回归系数,PBLH表示所述边界层高度,ξ5表示第五预设回归系数,RH表示所述相对湿度,ξ6表示第六预设回归系数,Tair表示所述气温,ξ7表示第七预设回归系数,Tsurf表示所述地表温度,ξ8表示第八预设回归系数,Ws表示所述风速,ξ9表示第九预设回归系数,Wd表示所述风向。
第二方面,本发明实施例提供一种基于静止卫星和极轨卫星的大气污染网格化监控系统,包括:
反演模块,用于利用极轨卫星的高光谱遥感卫星数据,获取目标区域中每一网格的大气污染物浓度,所述大气污染物包括PM2.5、PM10、二氧化硫、二氧化氮、臭氧和甲醛中的至少两种;
重污染指示模块,用于根据每一网格的大气污染物浓度、每一网格的企业排放总量、每一网格的工业用地面积以及重污染高发指数模型,获取每一网格的大气污染指数,将大气污染指数大于第一预设阈值的网格作为重点关注网格,获取多个重点关注网格;
监控模块,用于将每一重点关注网格对应实际位置作为大气污染源,按照预设时间间隔对所有大气污染源进行预警和空气质量评估。
优选地,还包括:
浓度异常检测模块,用于利用静止卫星,获取所述任一子网格的PM2.5监测值;根据当前时刻的气溶胶光绪厚度、二氧化硫浓度、二氧化氮浓度、边界层高度、相对湿度、气温、地表温度、风速和风向,基于多元线性回归的报警模型,获取所述任一子网格的PM2.5估算值;若所述任一子网格的PM2.5监测值和所述任一子网格的PM2.5估算值之间的差异大于第四预设阈值,对所述任一子网格进行一次报警;
所述多元线性回归的报警模型具体公式如下:
y=ξ1AOD+ξ2SO2+ξ3NO2+ξ4PBLH+ξ5RH+ξ6Tair+ξ7Tsurf+ξ8Ws+ξ9Wd,
其中,ξ1表示第一预设回归系数,AOD表示所述气溶胶光绪厚度,ξ2表示第二预设回归系数,SO2表示所述二氧化硫浓度,ξ3表示第三预设回归系数,NO2表示所述二氧化氮浓度,ξ4表示第四预设回归系数,PBLH表示所述边界层高度,ξ5表示第五预设回归系数,RH表示所述相对湿度,ξ6表示第六预设回归系数,Tair表示所述气温,ξ7表示第七预设回归系数,Tsurf表示所述地表温度,ξ8表示第八预设回归系数,Ws表示所述风速,ξ9表示第九预设回归系数,Wd表示所述风向。
本发明实施例提供一种基于静止卫星和极轨卫星的大气污染网格化监控方法,利用极轨卫星监测到的PM2.5、PM10、二氧化硫、二氧化氮、臭氧和甲醛等6个大气污染监测要素的季均值和年均值浓度,结合重污染高发指数模型,选取确定城市大气污染重点关注的重点关注网格,每月进行评估预警,从宏观上整体监控每月所有重点关注网格的空气质量改善情况。
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静止卫星和极轨卫星的大气污染网格化监控方法的流程图;
图2为本发明又一实施例提供的基于静止卫星和极轨卫星的大气污染网格化监控方法的框架图;
图3为本发明实施例提供的一种基于静止卫星和极轨卫星的大气污染网格化监控系统的结构示意图;
图4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。
现有技术中,大气污染热点网格的筛选和划定,基于单一的PM2.5浓度指标,并不能全面反应实际的空气污染状况,也无法准确定位大气污染源。另外,地面微站监测空间不连续且不能准确定位工业污染源,目前热点网格监管体系中,依靠地面布设的PM2.5监测微站,对网格进行监测异常报警,但由于微站成本高昂,布设点位有限,因此监测空间不连续。同时点位布设不规范,监测异常大多来源于道路扬尘而非需要关注的工业企业污染源。
图1为本发明实施例提供的一种基于静止卫星和极轨卫星的大气污染网格化监控方法的流程图,该方法包括:
S1,利用极轨卫星的高光谱遥感卫星数据,获取目标区域中每一网格的大气污染物浓度,所述大气污染物包括PM2.5、PM10、二氧化硫、二氧化氮、臭氧和甲醛中的至少两种;
S2,根据每一网格的大气污染物浓度、每一网格的企业排放总量、每一网格的工业用地面积以及重污染高发指数模型,获取每一网格的大气污染指数,将大气污染指数大于第一预设阈值的网格作为重点关注网格,获取多个重点关注网格;
S3,将每一重点关注网格对应实际位置作为大气污染源,按照预设时间间隔对所有大气污染源进行预警和空气质量评估。
首先,获取极轨卫星捕捉到的高光谱遥感卫星数据,并从中找出目标区域对应的高光谱遥感卫星数据,将目标区域划分为多个网格,根据每个网格对应的高光谱遥感卫星数据,对高光谱遥感卫星数据进行反演,得到每个网格中大气污染物的浓度,本发明实施例中,大气污染物包括PM2.5、PM10、二氧化氮、二氧化硫、臭氧和甲醛中的至少两种,本发明实施例以大气污染物为PM2.5、PM10、二氧化氮、二氧化硫、臭氧和甲醛这六种为例进行说明。通过将多个污染参考指标结合起来,与传统中依靠单一的PM2.5的浓度相比,本发明实施例对大气污染源的监控会更加准确和全面。
需要说明的是,目标区域一般是指城市,将城市按照3.5km*3.5km的尺寸划分为多个网格,这样就能精确定位到具体位置的大气污染情况。
然后根据每个网格中每个企业的排放量,这里的排放量主要是指二氧化氮和臭氧的排放量,就可以得到每个网格中的企业排放总量,根据每个网格中PM2.5浓度、PM10的浓度、二氧化硫的浓度、二氧化氮的浓度、臭氧的浓度、甲醛的浓度、每一网格的企业排放总量、每一网格的工业用地面积,将这些参数输入到重污染高发指数模型中,重污染高发指数模型表征的是PM2.5浓度、PM10的浓度、二氧化硫的浓度、二氧化氮的浓度、臭氧的浓度、甲醛的浓度、企业排放总量、工业用地面积与大气污染指数之间的关系,本发明实施例中,采用加权平均的方法来计算大气污染指数。
然后将每个网格的大气污染指数与第一预设阈值进行比较,第一预设阈值是衡量污染情况的标准,如果大气污染指数大于第一预设阈值,说明该网格内的大气污染情况比较严重,将该网格作为重点关注网格,对每个网格都进行这样的操作,获取所有的重点关注网格。
然后将每个重点关注网格对应的实际位置作为大气污染源,并且按照预设时间间隔对大气污染源进行预警和空气质量评估,也就是要定时对重污染位置进行监控。
对于某个目标城市,评估该城市所有重点关注网格,形成每月预警网格名单和整体空气质量改善情况评估结果,并将每月预警网格名单和空气质量改善情况评估结果发送给城市各级生态环境部门,支撑大气污染防治精细化管理。
本发明实施例提供一种基于静止卫星和极轨卫星的大气污染网格化监控方法,可以解决目前指标单一的问题,目前的划定方法,基于单一的PM2.5浓度指标,并不能全面反应实际的空气污染状况,也无法准确定位大气污染源。而本发明实施例利用极轨卫星监测到的PM2.5、PM10、二氧化硫、二氧化氮、臭氧和甲醛等6个大气污染监测要素的季均值和年均值浓度,结合重污染高发指数模型,选取确定城市大气污染重点关注的重点关注网格,每月进行评估预警,从宏观上整体监控每月所有重点关注网格的空气质量改善情况。
在上述实施例的基础上,优选地,还包括:
对于任一重点关注网格,将所述任一重点关注网格划分为多个子网格;
利用静止卫星的高光谱遥感卫星数据,获取每一子网格的颗粒污染物浓度,所述颗粒污染物为PM2.5和/或PM10;
对于任一子网格,若所述任一子网格的颗粒污染物浓度大于第二预设阈值,且所述任一子网格的大气污染物浓度大于第三预设阈值,对所述任一子网格对应的实际位置进行报警。
具体地,对于任意一个重点关注网格,将该重点关注网格进行按照1km*1km进行划分,得到多个子网格,然后利用静止卫星捕获的高光谱遥感卫星数据,反演出每个子网格中的颗粒污染物浓度,具体地,颗粒污染物包括PM2.5和PM10,可以是其中的一种,也可以是两种都包含,本发明实施例中的颗粒污染物包括PM2.5和PM10两种物质。
需要说明的是,极轨卫星每天过境一次,每次只采集一个数据,由于极轨卫星采集的数据有限,因此本发明实施例中还采集静止卫星的数据,静止卫星每天可以有6个小时的有效值,每天6个数据,静止卫星采集的数据更加多,因此,结合静止卫星和极轨卫星的特点,实现对大气污染源的准确定位。
将每个子网格的颗粒污染物浓度与第二预设阈值进行比较,按照上述同样的方法计算每个子网格的大气污染物浓度,如果该子网格的颗粒污染物浓度大于第二预设阈值,并且,该子网格的大气污染物浓度大于第三预设阈值,说明该子网格对应的实际位置发生严重污染,对该子网格所在的实际位置进行预警。并将所有的预警信息通过监管平台、APP和短信等方式,同步推送至城市各级生态环境部门,支撑大气污染防治精细化管理。
在上述实施例的基础上,优选地,所述利用极轨卫星的高光谱遥感卫星数据,获取目标区域中每一网格的大气污染物浓度,具体包括:
通过地理加权回归算法对所述极轨卫星的高光谱遥感卫星数据进行处理,获取所述目标区域中每一网格的PM2.5浓度和PM10浓度;
通过光谱差分吸收算法对所述极轨卫星的高光谱遥感卫星数据进行处理,获取所述目标区域中每一网格的二氧化硫浓度和二氧化氮浓度;
通过最优估计法对所述极轨卫星的高光谱遥感卫星数据进行处理,获取所述目标区域中每一网格的臭氧浓度和甲醛浓度。
根据极轨卫星的高光谱遥感卫星数据,获取目标区域中每个网格的大气污染物浓度具体包括:
根据极轨卫星的高光谱遥感卫星数据,通过地理加权回归算法,反演出目标区域中每个网格的PM2.5浓度和PM10浓度。地理加权回归是对普通线性回归的扩展,将样点数据的位置嵌入到回归参数之中,是一种用于建模空间变化关系的线性回归的局部形式。
根据极轨卫星的高光谱遥感卫星数据,通过光谱差分吸收算法,反演出目标区域中每个网格的二氧化硫浓度和二氧化氮浓度。通过最优估计法对极轨卫星的高光谱遥感卫星数据进行反演,获得每个网格的臭氧浓度和甲醛浓度。
在上述实施例的基础上,优选地,所述重污染高发指数模型具体如下:
R=λ1PM2.5+λ2PM10+λ3SO2+λ4NO2+λ5O3+λ6HCHO+λ7Q+λ8S,
其中,R表示大气污染指数,λ1表示第一预设权重,PM2.5表示PM2.5的浓度,λ2表示第二预设权重,PM10表示PM10的浓度,λ3表示第三预设权重,SO2表示二氧化硫的浓度,λ4表示第四预设权重,NO2表示二氧化氮的浓度,λ5表示第五预设权重,O3表示臭氧的浓度,λ6表示第六预设权重,HCHO表示甲醛的浓度,λ7表示第七预设权重,Q表示所述企业排放总量,λ8表示第八预设权重,S表示工业用地面积。
具体地,重污染高发指数模型可以通过上述公式计算出来,大气污染指数表示PM2.5的浓度、PM10的浓度、二氧化硫的浓度、二氧化氮的浓度、臭氧的浓度、企业排放总量和工业用地面积对大气污染的影响,其权重值可以根据所述目标城市的工业结构和所述大气污染物的时空分布特性确定。
在上述实施例的基础上,优选地,所述极轨卫星包括高分五号卫星、Tropomi和OMI。
具体地,极轨卫星可以是高分五号卫星、MODIS、Tropomi探测器和OMI。
其中,OMI全称Ozone Monitoring Instrument,简称臭氧监测仪。
MODIS全称Moderate-Resolution Imaging Spectroradiometer,中分辨率成像光谱仪。
Tropomi全称TROPOspheric Monitoring Instrument,对流层检测仪本发明实施例利用静止卫星监测到的逐小时PM2.5、PM10浓度值,结合极轨卫星监测的逐日结果,评估常规监测样本,提取监测异常时刻和区域,生成对精细化子网格的不定期异常报警信息。
图2为本发明又一实施例提供的基于静止卫星和极轨卫星的大气污染网格化监控方法的框架图,如图2所示,该方法包括:
S1,利用高分五号等极轨卫星数据,通过卫星遥感立体监测技术获取到的PM2.5、PM10、SO2、NO2、O3和HCHO等6个污染监测要素的季均值和年均值浓度,建立基于六要素的重污染高发指数模型;利用高分四号等静止卫星开展逐小时的PM2.5、PM10浓度实时监测。
S2,结合高空间分辨率的高分一号和高分二号卫星数据,选取由上述六要素确定的大气污染指数较高的(即大气污染指数大于第一预设阈值)、工业用地面积较多(即工业用地面积大于某个阈值)的网格(可为3km*3km)作为重点关注网格,进一步细化为1km*1km精细化子网格,利用极轨卫星和静止卫星进行动态监测评估。
S3,根据影响不同城市的主要污染因子浓度以及该城市的工业结构,利用极轨卫星监测到的不同指标,如PM2.5月均值、对流层NO2和SO2柱浓度月均值等,评估该城市所有重点关注网格,形成每月预警网格名单和整体空气质量改善情况评估结果;
利用静止卫星监测到的逐小时PM2.5、PM10浓度值,结合极轨卫星监测的逐日结果,评估常规监测样本,提取监测异常时刻和区域,生成对精细化子网格(1km×1km)的不定期异常报警信息。
S4,针对重点关注网格的每月预警评估信息和针对精细化子网格(1km×1km)的不定期报警信息将通过监管平台、APP和短信等方式,同步推送至城市各级生态环境部门,支撑大气污染防治精细化管理。
在上述实施例的基础上,优选地,还包括:
利用静止卫星,获取所述任一子网格的PM2.5监测值;
根据当前时刻的气溶胶光绪厚度、二氧化硫浓度、二氧化氮浓度、边界层高度、相对湿度、气温、地表温度、风速和风向,基于多元线性回归的报警模型,获取所述任一子网格的PM2.5估算值;
若所述任一子网格的PM2.5监测值和所述任一子网格的PM2.5估算值之间的差异大于第四预设阈值,对所述任一子网格进行一次报警。
具体地,所述多元线性回归的报警模型具体公式如下:
y=ξ1AOD+ξ2SO2+ξ3NO2+ξ4PBLH+ξ5RH+ξ6Tair+ξ7Tsurf+ξ8Ws+ξ9Wd,
其中,ξ1表示第一预设回归系数,AOD表示所述气溶胶光绪厚度,ξ2表示第二预设回归系数,SO2表示所述二氧化硫浓度,ξ3表示第三预设回归系数,NO2表示所述二氧化氮浓度,ξ4表示第四预设回归系数,PBLH表示所述边界层高度,ξ5表示第五预设回归系数,RH表示所述相对湿度,ξ6表示第六预设回归系数,Tair表示所述气温,ξ7表示第七预设回归系数,Tsurf表示所述地表温度,ξ8表示第八预设回归系数,Ws表示所述风速,ξ9表示第九预设回归系数,Wd表示所述风向。
本发明实施例还可以利用静止卫星监测得到的小时PM2.5监测值,基于多元线性回归的报警模型,进行异常报警。
由于PM2.5浓度与气溶胶光学厚度(AOD)、气象条件(风向、风速、近地面相对湿度、地表温度、气温、边界层高度)、硫酸盐和硝酸盐的气态前体物SO2、NO2等高度相关,因此,先利用历史数据建立PM2.5浓度与这9个影响因子的统计关系,计算出回归系数。
多元线性回归的报警模型如下:
y=ξ1AOD+ξ2SO2+ξ3NO2+ξ4PBLH+ξ5RH+ξ6Tair+ξ7Tsurf+ξ8Ws+ξ9Wd,
其中,ξ1、ξ2、…ξ9为各项影响因子的回归系数。AOD表示气溶胶光绪厚度,SO2表示二氧化硫浓度,NO2表示二氧化氮浓度,PBLH表示边界层高度,RH表示相对湿度,Tair表示气温,Tsurf表示地表温度,Ws表示风速,Wd表示风向。
根据历史数据或者常规样本,利用回归模型计算出回归系数,在此基础上,输入当前时刻9个因子数据,进行PM2.5值估算,当估算值与实际值差异较大时,进行小网格浓度异常报警。
基于该模型,可以对所有子网格进行动态监测,解决目前地面监测微站安装空间不连续,且成本高昂的问题。目前现有地面微站监测空间不连续且不能准确定位工业污染源,依靠地面布设的PM2.5监测微站,只能对安装有微站的子网格进行监测异常报警,且成本高昂。同时点位布设不规范,监测异常大多来源于道路扬尘而非需要关注的工业企业污染源。
图3为本发明实施例提供的一种基于静止卫星和极轨卫星的大气污染网格化监控系统的结构示意图,如图3所示,该系统包括反演模块301、重污染指示模块302和监控模块303,其中:
反演模块301用于利用极轨卫星的高光谱遥感卫星数据,获取目标区域中每一网格的大气污染物浓度,所述大气污染物包括PM2.5、PM10、二氧化硫、二氧化氮、臭氧和甲醛中的至少两种;
重污染指示模块302用于根据每一网格的大气污染物浓度、每一网格的企业排放总量、每一网格的工业用地面积以及重污染高发指数模型,获取每一网格的大气污染指数,将大气污染指数大于第一预设阈值的网格作为重点关注网格,获取多个重点关注网格;
监控模块303用于将每一重点关注网格对应实际位置作为大气污染源,按照预设时间间隔对所有大气污染源进行预警和空气质量评估。
首先反演模块301根据极轨卫星的高光谱遥感卫星数据,获取目标区域中每个网格的大气污染物浓度,重污染指示模块302根据每个网格的大气污染物浓度、每个网格的企业排放总量、每个网格的工业用地面积和重污染高发指数模型,计算出每个网格的大气污染指数,并将大气污染指数大于第一预设阈值的网格作为重点关注网格,监控模块303将重点关注网格对应的实际位置作为大气污染源,并定期对大气污染源进行预警和空气质量评估。
在上述实施例的基础上,优选地,还包括:浓度异常检测模块304;
浓度异常检测模块304用于利用静止卫星,获取所述任一子网格的PM2.5监测值;根据当前时刻的气溶胶光绪厚度、二氧化硫浓度、二氧化氮浓度、边界层高度、相对湿度、气温、地表温度、风速和风向,基于多元线性回归的报警模型,获取所述任一子网格的PM2.5估算值;若所述任一子网格的PM2.5监测值和所述任一子网格的PM2.5估算值之间的差异大于第四预设阈值,对所述任一子网格进行一次报警;
所述多元线性回归的报警模型具体公式如下:
y=ξ1AOD+ξ2SO2+ξ3NO2+ξ4PBLH+ξ5RH+ξ6Tair+ξ7Tsurf+ξ8Ws+ξ9Wd,
其中,ξ1表示第一预设回归系数,AOD表示所述气溶胶光绪厚度,ξ2表示第二预设回归系数,SO2表示所述二氧化硫浓度,ξ3表示第三预设回归系数,NO2表示所述二氧化氮浓度,ξ4表示第四预设回归系数,PBLH表示所述边界层高度,ξ5表示第五预设回归系数,RH表示所述相对湿度,ξ6表示第六预设回归系数,Tair表示所述气温,ξ7表示第七预设回归系数,Tsurf表示所述地表温度,ξ8表示第八预设回归系数,Ws表示所述风速,ξ9表示第九预设回归系数,Wd表示所述风向。
本系统实施例的具体执行过程与上述方法实施例的具体执行过程相同,详情请参考上述方法实施例,本系统实施例在此不再赘述。
本发明实施例提供一种基于静止卫星和极轨卫星的大气污染网格化监控系统,利用极轨卫星监测到的PM2.5、PM10、二氧化硫、二氧化氮、臭氧和甲醛等6个大气污染监测要素的季均值和年均值浓度,结合重污染高发指数模型,选取确定城市大气污染重点关注网格,每月进行评估预警,从宏观上整体监控每月所有重点关注网格的空气质量改善情况。
图4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4所示,该服务器可以包括:处理器(processor)410、通信接口(Communications Interface)420、存储器(memory)430和通信总线440,其中,处理器410,通信接口420,存储器430通过通信总线440完成相互间的通信。处理器410可以调用存储器430中的逻辑指令,以执行如下方法:
利用极轨卫星的高光谱遥感卫星数据,获取目标区域中每一网格的大气污染物浓度,所述大气污染物包括PM2.5、PM10、二氧化硫、二氧化氮、臭氧和甲醛中的至少两种;
根据每一网格的大气污染物浓度、每一网格的企业排放总量、每一网格的工业用地面积以及重污染高发指数模型,获取每一网格的大气污染指数,将大气污染指数大于第一预设阈值的网格作为重点关注网格,获取多个重点关注网格;
将每一重点关注网格对应实际位置作为大气污染源,按照预设时间间隔对所有大气污染源进行预警和空气质量评估。
此外,上述的存储器430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:
利用极轨卫星的高光谱遥感卫星数据,获取目标区域中每一网格的大气污染物浓度,所述大气污染物包括PM2.5、PM10、二氧化硫、二氧化氮、臭氧和甲醛中的至少两种;
根据每一网格的大气污染物浓度、每一网格的企业排放总量、每一网格的工业用地面积以及重污染高发指数模型,获取每一网格的大气污染指数,将大气污染指数大于第一预设阈值的网格作为重点关注网格,获取多个重点关注网格;
将每一重点关注网格对应实际位置作为大气污染源,按照预设时间间隔对所有大气污染源进行预警和空气质量评估。
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 (10)
1.一种基于静止卫星和极轨卫星的大气污染网格化监控方法,其特征在于,包括:
利用极轨卫星的高光谱遥感卫星数据,获取目标区域中每一网格的大气污染物浓度,所述大气污染物包括PM2.5、PM10、二氧化硫、二氧化氮、臭氧和甲醛中的至少两种;
根据每一网格的大气污染物浓度、每一网格的企业排放总量、每一网格的工业用地面积以及重污染高发指数模型,获取每一网格的大气污染指数,将大气污染指数大于第一预设阈值的网格作为重点关注网格,获取多个重点关注网格;
将每一重点关注网格对应实际位置作为大气污染源,按照预设时间间隔对所有大气污染源进行预警和空气质量评估。
2.根据权利要求1所述基于静止卫星和极轨卫星的大气污染网格化监控方法,其特征在于,还包括:
对于任一重点关注网格,将所述任一重点关注网格划分为多个1km*1km精细化子网格;
利用静止卫星的高光谱遥感卫星数据,获取每一子网格的颗粒污染物浓度,所述颗粒污染物为PM2.5和/或PM10;
对于任一子网格,若所述任一子网格的颗粒污染物浓度大于第二预设阈值,且所述任一子网格的大气污染物浓度大于第三预设阈值,对所述任一子网格对应的实际位置进行报警。
3.根据权利要求1所述基于静止卫星和极轨卫星的大气污染网格化监控方法,其特征在于,所述利用极轨卫星的高光谱遥感卫星数据,获取目标区域中每一网格的大气污染物浓度,具体包括:
通过地理加权回归算法对所述极轨卫星的高光谱遥感卫星数据进行处理,获取所述目标区域中每一网格的PM2.5浓度和PM10浓度;
通过光谱差分吸收算法对所述极轨卫星的高光谱遥感卫星数据进行处理,获取所述目标区域中每一网格的二氧化硫浓度和二氧化氮浓度;
通过最优估计法对所述极轨卫星的高光谱遥感卫星数据进行处理,获取所述目标区域中每一网格的臭氧浓度和甲醛浓度。
4.根据权利要求2所述基于静止卫星和极轨卫星的大气污染网格化监控方法,其特征在于,所述重污染高发指数模型具体如下:
R=λ1PM2.5+λ2PM10+λ3SO2+λ4NO2+λ5O3+λ6HCHO+λ7Q+λ8S,
其中,R表示大气污染指数,λ1表示第一预设权重,PM2.5表示PM2.5的浓度,λ2表示第二预设权重,PM10表示PM10的浓度,λ3表示第三预设权重,SO2表示二氧化硫的浓度,λ4表示第四预设权重,NO2表示二氧化氮的浓度,λ5表示第五预设权重,O3表示臭氧的浓度,λ6表示第六预设权重,HCHO表示甲醛的浓度,λ7表示第七预设权重,Q表示所述企业排放总量,λ8表示第八预设权重,S表示工业用地面积。
5.根据权利要求4所述基于静止卫星和极轨卫星的大气污染网格化监控方法,其特征在于,所述第一预设权重、所述第二预设权重、所述第三预设权重、所述第四预设权重、所述第五预设权重、所述第六预设权重、所述第七预设权重和所述第八预设权重根据所述目标城市的工业结构和所述大气污染物的时空分布特性确定。
6.根据权利要求1所述基于静止卫星和极轨卫星的大气污染网格化监控方法,其特征在于,所述极轨卫星包括高分五号卫星、MODIS、Tropomi和OMI。
7.根据权利要求2所述基于静止卫星和极轨卫星的大气污染网格化监控方法,其特征在于,还包括:
利用静止卫星,获取所述任一子网格的PM2.5监测值;
根据当前时刻的气溶胶光绪厚度、二氧化硫浓度、二氧化氮浓度、边界层高度、相对湿度、气温、地表温度、风速和风向,基于多元线性回归的报警模型,获取所述任一子网格的PM2.5估算值;
若所述任一子网格的PM2.5监测值和所述任一子网格的PM2.5估算值之间的差异大于第四预设阈值,对所述任一子网格进行一次报警。
8.根据权利要求7所述基于静止卫星和极轨卫星的大气污染网格化监控方法,其特征在于,所述多元线性回归的报警模型具体公式如下:
y=ξ1AOD+ξ2SO2+ξ3NO2+ξ4PBLH+ξ5RH+ξ6Tair+ξ7Tsurf+ξ8Ws+ξ9Wd,
其中,ξ1表示第一预设回归系数,AOD表示所述气溶胶光绪厚度,ξ2表示第二预设回归系数,SO2表示所述二氧化硫浓度,ξ3表示第三预设回归系数,NO2表示所述二氧化氮浓度,ξ4表示第四预设回归系数,PBLH表示所述边界层高度,ξ5表示第五预设回归系数,RH表示所述相对湿度,ξ6表示第六预设回归系数,Tair表示所述气温,ξ7表示第七预设回归系数,Tsurf表示所述地表温度,ξ8表示第八预设回归系数,Ws表示所述风速,ξ9表示第九预设回归系数,Wd表示所述风向。
9.一种基于静止卫星和极轨卫星的大气污染网格化监控系统,其特征在于,包括:
反演模块,用于利用极轨卫星的高光谱遥感卫星数据,获取目标区域中每一网格的大气污染物浓度,所述大气污染物包括PM2.5、PM10、二氧化硫、二氧化氮、臭氧和甲醛中的至少两种;
重污染指示模块,用于根据每一网格的大气污染物浓度、每一网格的企业排放总量、每一网格的工业用地面积以及重污染高发指数模型,获取每一网格的大气污染指数,将大气污染指数大于第一预设阈值的网格作为重点关注网格,获取多个重点关注网格;
监控模块,用于将每一重点关注网格对应实际位置作为大气污染源,按照预设时间间隔对所有大气污染源进行预警和空气质量评估。
10.根据权利要求9所述的基于静止卫星和极轨卫星的大气污染网格化监控系统,其特征在于,还包括:
浓度异常检测模块,用于利用静止卫星,获取所述任一子网格的PM2.5监测值;根据当前时刻的气溶胶光绪厚度、二氧化硫浓度、二氧化氮浓度、边界层高度、相对湿度、气温、地表温度、风速和风向,基于多元线性回归的报警模型,获取所述任一子网格的PM2.5估算值;若所述任一子网格的PM2.5监测值和所述任一子网格的PM2.5估算值之间的差异大于第四预设阈值,对所述任一子网格进行一次报警;
所述多元线性回归的报警模型具体公式如下:
y=ξ1AOD+ξ2SO2+ξ3NO2+ξ4PBLH+ξ5RH+ξ6Tair+ξ7Tsurf+ξ8Ws+ξ9Wd,
其中,ξ1表示第一预设回归系数,AOD表示所述气溶胶光绪厚度,ξ2表示第二预设回归系数,SO2表示所述二氧化硫浓度,ξ3表示第三预设回归系数,NO2表示所述二氧化氮浓度,ξ4表示第四预设回归系数,PBLH表示所述边界层高度,ξ5表示第五预设回归系数,RH表示所述相对湿度,ξ6表示第六预设回归系数,Tair表示所述气温,ξ7表示第七预设回归系数,Tsurf表示所述地表温度,ξ8表示第八预设回归系数,Ws表示所述风速,ξ9表示第九预设回归系数,Wd表示所述风向。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911216240.4A CN110954482B (zh) | 2019-12-02 | 2019-12-02 | 基于静止卫星和极轨卫星的大气污染网格化监控方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911216240.4A CN110954482B (zh) | 2019-12-02 | 2019-12-02 | 基于静止卫星和极轨卫星的大气污染网格化监控方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110954482A true CN110954482A (zh) | 2020-04-03 |
CN110954482B CN110954482B (zh) | 2020-12-15 |
Family
ID=69979450
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911216240.4A Active CN110954482B (zh) | 2019-12-02 | 2019-12-02 | 基于静止卫星和极轨卫星的大气污染网格化监控方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110954482B (zh) |
Cited By (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111678880A (zh) * | 2020-06-04 | 2020-09-18 | 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 |
CN112034094A (zh) * | 2020-07-10 | 2020-12-04 | 海南星瞰信息咨询中心(有限合伙) | 一种污染源防治热点网格监管方法、系统 |
CN112378828A (zh) * | 2020-12-11 | 2021-02-19 | 中科三清科技有限公司 | 基于卫星遥感数据反演大气细颗粒物浓度的方法及装置 |
CN112509288A (zh) * | 2020-09-28 | 2021-03-16 | 北京英视睿达科技有限公司 | 用于大气污染的监测方法、装置、电子设备及介质 |
CN112686531A (zh) * | 2020-12-29 | 2021-04-20 | 生态环境部卫星环境应用中心 | 一种结合卫星遥感与车载观测的大气污染企业识别方法 |
CN112798610A (zh) * | 2020-12-29 | 2021-05-14 | 生态环境部卫星环境应用中心 | 一种基于卫星遥感监测的“散乱污”企业分布识别方法 |
CN112819026A (zh) * | 2020-12-11 | 2021-05-18 | 中科三清科技有限公司 | 多源卫星气溶胶光学厚度数据的融合方法及装置 |
CN112990111A (zh) * | 2021-04-20 | 2021-06-18 | 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 |
CN113111936A (zh) * | 2021-04-07 | 2021-07-13 | 成都信息工程大学 | 一种卫星数据融合的气温估算方法 |
CN113176216A (zh) * | 2021-01-12 | 2021-07-27 | 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 |
CN113516327A (zh) * | 2020-04-10 | 2021-10-19 | 中国石油化工股份有限公司 | 石化企业污染监测预警评价方法、装置及系统 |
CN113554305A (zh) * | 2021-07-22 | 2021-10-26 | 生态环境部卫星环境应用中心 | 一种秸秆焚烧对大气细颗粒物浓度影响评估方法 |
CN113740221A (zh) * | 2021-09-07 | 2021-12-03 | 天津大学 | 基于细颗粒物与臭氧的空气污染源区确定方法 |
CN113761098A (zh) * | 2021-09-08 | 2021-12-07 | 中科三清科技有限公司 | 大气污染热点网格的获取方法、装置、设备及存储介质 |
CN115169646A (zh) * | 2022-06-13 | 2022-10-11 | 中南大学 | 利用葵花八号卫星数据的小时级地表臭氧浓度遥感方法 |
CN115753687A (zh) * | 2022-12-23 | 2023-03-07 | 西安工程大学 | 一种大气污染遥感监测方法、系统和计算机可读介质 |
CN115936311A (zh) * | 2022-11-30 | 2023-04-07 | 中科三清科技有限公司 | 减排策略获取方法、装置、介质及电子设备 |
CN116363047A (zh) * | 2022-08-23 | 2023-06-30 | 生态环境部卫星环境应用中心 | 一种秸秆焚烧大气污染风险预警方法 |
CN116611587A (zh) * | 2023-07-19 | 2023-08-18 | 中国气象局公共气象服务中心(国家预警信息发布中心) | 一种基于极轨-静止卫星融合技术的太阳能资源预测方法 |
CN117786618A (zh) * | 2024-02-27 | 2024-03-29 | 四川国蓝中天环境科技集团有限公司 | 一种区域污染传输评估方法在环境管控的应用方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109284706A (zh) * | 2018-09-12 | 2019-01-29 | 北京英视睿达科技有限公司 | 基于多源卫星遥感数据的热点网格工业聚集区域识别方法 |
CN109472002A (zh) * | 2018-11-01 | 2019-03-15 | 北京英视睿达科技有限公司 | 污染物浓度分布图的生成方法及装置 |
CN109490477A (zh) * | 2018-11-19 | 2019-03-19 | 北京英视睿达科技有限公司 | 基于卫星遥感数据确定大气污染热点网格的方法及装置 |
CN109543935A (zh) * | 2018-10-09 | 2019-03-29 | 北京英视睿达科技有限公司 | 基于热点网格的环境数据处理方法 |
CN109655583A (zh) * | 2018-12-14 | 2019-04-19 | 天津珞雍空间信息研究院有限公司 | 一种基于卫星遥感的大气环境地面监测站点布控组网方法 |
-
2019
- 2019-12-02 CN CN201911216240.4A patent/CN110954482B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109284706A (zh) * | 2018-09-12 | 2019-01-29 | 北京英视睿达科技有限公司 | 基于多源卫星遥感数据的热点网格工业聚集区域识别方法 |
CN109543935A (zh) * | 2018-10-09 | 2019-03-29 | 北京英视睿达科技有限公司 | 基于热点网格的环境数据处理方法 |
CN109472002A (zh) * | 2018-11-01 | 2019-03-15 | 北京英视睿达科技有限公司 | 污染物浓度分布图的生成方法及装置 |
CN109490477A (zh) * | 2018-11-19 | 2019-03-19 | 北京英视睿达科技有限公司 | 基于卫星遥感数据确定大气污染热点网格的方法及装置 |
CN109655583A (zh) * | 2018-12-14 | 2019-04-19 | 天津珞雍空间信息研究院有限公司 | 一种基于卫星遥感的大气环境地面监测站点布控组网方法 |
Non-Patent Citations (2)
Title |
---|
陈辉等: "基于地理加权模型的我国冬季PM2.5遥感估算方法研究", 《环境科学学报》 * |
马鹏飞等: "京津冀及周边地区大气污染防治重点关注区域遥感综合分析", 《遥感技术与应用》 * |
Cited By (33)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113516327A (zh) * | 2020-04-10 | 2021-10-19 | 中国石油化工股份有限公司 | 石化企业污染监测预警评价方法、装置及系统 |
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 |
CN111678880A (zh) * | 2020-06-04 | 2020-09-18 | 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 |
CN112034094A (zh) * | 2020-07-10 | 2020-12-04 | 海南星瞰信息咨询中心(有限合伙) | 一种污染源防治热点网格监管方法、系统 |
CN112509288A (zh) * | 2020-09-28 | 2021-03-16 | 北京英视睿达科技有限公司 | 用于大气污染的监测方法、装置、电子设备及介质 |
CN112509288B (zh) * | 2020-09-28 | 2022-01-14 | 北京英视睿达科技有限公司 | 用于大气污染的监测方法、装置、电子设备及介质 |
CN112378828B (zh) * | 2020-12-11 | 2021-09-17 | 中科三清科技有限公司 | 基于卫星遥感数据反演大气细颗粒物浓度的方法及装置 |
CN112378828A (zh) * | 2020-12-11 | 2021-02-19 | 中科三清科技有限公司 | 基于卫星遥感数据反演大气细颗粒物浓度的方法及装置 |
CN112819026B (zh) * | 2020-12-11 | 2022-02-15 | 中科三清科技有限公司 | 多源卫星气溶胶光学厚度数据的融合方法及装置 |
CN112819026A (zh) * | 2020-12-11 | 2021-05-18 | 中科三清科技有限公司 | 多源卫星气溶胶光学厚度数据的融合方法及装置 |
CN112686531B (zh) * | 2020-12-29 | 2021-11-09 | 生态环境部卫星环境应用中心 | 一种结合卫星遥感与车载观测的大气污染企业识别方法 |
CN112798610A (zh) * | 2020-12-29 | 2021-05-14 | 生态环境部卫星环境应用中心 | 一种基于卫星遥感监测的“散乱污”企业分布识别方法 |
CN112686531A (zh) * | 2020-12-29 | 2021-04-20 | 生态环境部卫星环境应用中心 | 一种结合卫星遥感与车载观测的大气污染企业识别方法 |
CN113176216A (zh) * | 2021-01-12 | 2021-07-27 | 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 |
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 |
CN113111936A (zh) * | 2021-04-07 | 2021-07-13 | 成都信息工程大学 | 一种卫星数据融合的气温估算方法 |
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 |
CN112990111A (zh) * | 2021-04-20 | 2021-06-18 | 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 |
CN113554305A (zh) * | 2021-07-22 | 2021-10-26 | 生态环境部卫星环境应用中心 | 一种秸秆焚烧对大气细颗粒物浓度影响评估方法 |
CN113554305B (zh) * | 2021-07-22 | 2022-04-22 | 生态环境部卫星环境应用中心 | 一种秸秆焚烧对大气细颗粒物浓度影响评估方法 |
CN113740221A (zh) * | 2021-09-07 | 2021-12-03 | 天津大学 | 基于细颗粒物与臭氧的空气污染源区确定方法 |
CN113740221B (zh) * | 2021-09-07 | 2022-07-26 | 天津大学 | 基于细颗粒物与臭氧的空气污染源区确定方法 |
CN113761098A (zh) * | 2021-09-08 | 2021-12-07 | 中科三清科技有限公司 | 大气污染热点网格的获取方法、装置、设备及存储介质 |
CN115169646A (zh) * | 2022-06-13 | 2022-10-11 | 中南大学 | 利用葵花八号卫星数据的小时级地表臭氧浓度遥感方法 |
CN116363047A (zh) * | 2022-08-23 | 2023-06-30 | 生态环境部卫星环境应用中心 | 一种秸秆焚烧大气污染风险预警方法 |
CN116363047B (zh) * | 2022-08-23 | 2024-01-30 | 生态环境部卫星环境应用中心 | 一种秸秆焚烧大气污染风险预警方法 |
CN115936311A (zh) * | 2022-11-30 | 2023-04-07 | 中科三清科技有限公司 | 减排策略获取方法、装置、介质及电子设备 |
CN115936311B (zh) * | 2022-11-30 | 2023-06-30 | 中科三清科技有限公司 | 减排策略获取方法、装置、介质及电子设备 |
CN115753687A (zh) * | 2022-12-23 | 2023-03-07 | 西安工程大学 | 一种大气污染遥感监测方法、系统和计算机可读介质 |
CN116611587A (zh) * | 2023-07-19 | 2023-08-18 | 中国气象局公共气象服务中心(国家预警信息发布中心) | 一种基于极轨-静止卫星融合技术的太阳能资源预测方法 |
CN116611587B (zh) * | 2023-07-19 | 2023-11-07 | 中国气象局公共气象服务中心(国家预警信息发布中心) | 一种基于极轨-静止卫星融合技术的太阳能资源预测方法 |
CN117786618A (zh) * | 2024-02-27 | 2024-03-29 | 四川国蓝中天环境科技集团有限公司 | 一种区域污染传输评估方法在环境管控的应用方法 |
CN117786618B (zh) * | 2024-02-27 | 2024-05-07 | 四川国蓝中天环境科技集团有限公司 | 一种区域污染传输评估方法在环境管控的应用方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110954482B (zh) | 2020-12-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110954482B (zh) | 基于静止卫星和极轨卫星的大气污染网格化监控方法 | |
Gui et al. | Construction of a virtual PM2. 5 observation network in China based on high-density surface meteorological observations using the Extreme Gradient Boosting model | |
Shi et al. | Urbanization and regional air pollution across South Asian developing countries–A nationwide land use regression for ambient PM2. 5 assessment in Pakistan | |
Binietoglou et al. | A methodology for investigating dust model performance using synergistic EARLINET/AERONET dust concentration retrievals | |
Papayannis et al. | Systematic lidar observations of Saharan dust over Europe in the frame of EARLINET (2000–2002) | |
Calabrese et al. | Estimating Origin-Destination flows using opportunistically collected mobile phone location data from one million users in Boston Metropolitan Area | |
Yap et al. | A robust calibration approach for PM 10 prediction from MODIS aerosol optical depth | |
KR20150056676A (ko) | 국가 간 입자상 대기 오염물질의 수송 여부 판단방법 | |
Chen et al. | PM 2.5 over North China based on MODIS AOD and effect of meteorological elements during 2003–2015 | |
Adam et al. | Biomass burning events measured by lidars in EARLINET–Part 1: Data analysis methodology | |
Araki et al. | Effect of spatial outliers on the regression modelling of air pollutant concentrations: A case study in Japan | |
Barnaba et al. | Multiannual assessment of the desert dust impact on air quality in Italy combining PM10 data with physics-based and geostatistical models | |
Michaelides et al. | Monitoring and forecasting air pollution levels by exploiting satellite, ground‐based, and synoptic data, elaborated with regression models | |
Yap et al. | A robust calibration approach for PM 10 prediction from MODIS aerosol optical depth. | |
CN113159141A (zh) | 一种高分辨率近实时pm2.5浓度的遥感估算方法 | |
Hellebust et al. | The use of real-time monitoring data to evaluate major sources of airborne particulate matter | |
Gramsch et al. | Citizens’ Surveillance Micro-network for the Mapping of PM2. 5 in the City of Concón, Chile | |
Chicas et al. | Spatiotemporal distribution, trend, forecast, and influencing factors of transboundary and local air pollutants in Nagasaki Prefecture, Japan | |
CN114174795A (zh) | 甲烷峰值检测 | |
Feldman et al. | Using Orbiting Carbon Observatory-2 (OCO-2) column CO 2 retrievals to rapidly detect and estimate biospheric surface carbon flux anomalies | |
Rogozovsky et al. | The impact of different aerosol layering conditions on the high-resolution MODIS/MAIAC AOD retrieval bias: The uncertainty analysis | |
Fu et al. | A machine learning-based approach for fusing measurements from standard sites, low-cost sensors, and satellite retrievals: Application to NO2 pollution hotspot identification | |
Anggraini et al. | Machine learning-based global air quality index development using remote sensing and ground-based stations | |
Verma et al. | Urban air quality monitoring and modelling using ground monitoring, remote sensing, and GIS | |
Galán-Madruga et al. | A methodological framework for estimating ambient PM2. 5 particulate matter concentrations in the UK |
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 |