CN111323352A - 融合细颗粒物浓度数据的区域pm2.5遥感反演模型 - Google Patents
融合细颗粒物浓度数据的区域pm2.5遥感反演模型 Download PDFInfo
- Publication number
- CN111323352A CN111323352A CN202010272848.5A CN202010272848A CN111323352A CN 111323352 A CN111323352 A CN 111323352A CN 202010272848 A CN202010272848 A CN 202010272848A CN 111323352 A CN111323352 A CN 111323352A
- Authority
- CN
- China
- Prior art keywords
- data
- model
- optical thickness
- masingar
- representing
- 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
- 239000013618 particulate matter Substances 0.000 title claims abstract description 18
- 238000012417 linear regression Methods 0.000 claims abstract description 30
- 239000000443 aerosol Substances 0.000 claims description 56
- 230000003287 optical effect Effects 0.000 claims description 53
- 238000004458 analytical method Methods 0.000 claims description 24
- 230000000694 effects Effects 0.000 claims description 23
- 238000001556 precipitation Methods 0.000 claims description 12
- 239000010419 fine particle Substances 0.000 claims description 8
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 7
- 230000007613 environmental effect Effects 0.000 claims description 4
- 238000010191 image analysis Methods 0.000 claims description 4
- 239000005427 atmospheric aerosol Substances 0.000 claims description 3
- 238000012950 reanalysis Methods 0.000 claims description 3
- 102100022997 Acidic leucine-rich nuclear phosphoprotein 32 family member A Human genes 0.000 claims description 2
- 101000757200 Homo sapiens Acidic leucine-rich nuclear phosphoprotein 32 family member A Proteins 0.000 claims description 2
- 230000007547 defect Effects 0.000 abstract description 2
- 238000012795 verification Methods 0.000 description 9
- 238000012544 monitoring process Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 4
- 230000000052 comparative effect Effects 0.000 description 2
- 239000000470 constituent Substances 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000005180 public health Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000000034 method Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 241000894007 species Species 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 231100000331 toxic Toxicity 0.000 description 1
- 230000002588 toxic effect Effects 0.000 description 1
- 238000010200 validation analysis Methods 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
- G01W—METEOROLOGY
- G01W1/00—Meteorology
- G01W1/10—Devices for predicting weather conditions
Landscapes
- Environmental & Geological Engineering (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
- Dispersion Chemistry (AREA)
- Pathology (AREA)
- Engineering & Computer Science (AREA)
- Immunology (AREA)
- Atmospheric Sciences (AREA)
- Biodiversity & Conservation Biology (AREA)
- Ecology (AREA)
- Environmental Sciences (AREA)
- General Physics & Mathematics (AREA)
Abstract
本发明提供了一种融合细颗粒物浓度数据的区域PM2.5遥感反演模型，在现有基础模型中引入MASINGAR的PM2.5产品数据作为新增的预测因子，将新增预测因子、基础模型中的预测因子与地基观测数据相互进行时空匹配后，结合地基观测数据计算包括所述增加的预测因在内的各预测因子的线性回归系数，以计算出的线性回归系数建立一个同时关联基础模型的预测因子与MASINGAR的PM2.5产品数据的改进模型，该改进模型用于估算地表PM2.5浓度，计算得到的PM2.5浓度数据比仅基于基础模型获取的浓度数据更精准，也比所增加引用的MASINGAR的PM2.5产品数据更精准，且又克服了地基观测数据分散、不连续的缺陷。
Description
技术领域
本发明涉及大气环境监测技术领域，尤其是一种融合细颗粒物浓度数据的区域PM2.5遥感反演模型。
背景技术
PM2.5一般是指悬浮在空气中空气动力学当量直径小于或等于2.5的颗粒物，也称为细颗粒物，虽然PM2.5只是地球大气成分中含量很少的组分，但它对人体健康和空气质量等都有重要的影响。相比较粗的大气颗粒物，PM2.5粒径小、活性强，易附带有毒有害物质，且在大气中停留时间长，因而对人体健康和大气环境质量的影响更大。PM2.5能直接影响能见度，而能见度则直接影响城市的交通，严重情况下会造成交通问题。PM2.5作为气溶胶的主要组成成分，可以通过直接或间接的方式对气候造成影响。因此，必须监控和预测PM2.5的时空分布，以增强公共健康水平和防止环境污染。考虑到PM2.5与公共健康和污染防治有着紧密的联系，大量的污染数据需要被获取来加强PM2.5的控制水平。传统的环境监测手段主要依赖地基采样和固定站点监测，虽然可以获得较高的精度与可靠性，但由于地面监测站点稀疏，一直存在以“点”代“面”的应用瓶颈。传统极轨光学卫星能够提供长时序、面域气溶胶光学厚度，但是观测频率较低，不能满足大气实时监测需求；而静止卫星可以实时监测大气状态，克服极轨卫星观测频率低的问题，是区域气溶胶实时监测的新兴手段，可以弥补地基测量的局限。且气溶胶光学厚度(AOD)作为PM2.5浓度的关键相关参数，能够将地基观测站点数据扩展到面域范围。
一个准确有效的AOD-PM2.5估算模型是获得面域PM2.5数据的关键。目前，已经有许多估算模型被建立以取得AOD和近地表的PM2.5浓度之间的关系，如线性回归模型、多元线性回归模型(MLR)、地理加权回归模型(GWR)、线性混合效应模型(LME)、人工神经网络等。然而，如何提高这些模型的性能，进一步满足当前和未来大气污染监测和研究的需要，仍然是一个具有挑战性的任务。大量研究表明，除应用适当的线性或者非线性的估算模型之外，添加气象学因素、气溶胶垂直分布特征和下垫面信息等，AOD与PM2.5相关关系的拟合效果可以进一步提高。气温(TEMP)、相对湿度(RH)、降水(PREC)、风速(WS)、归一化植被指数(NDVI)、边界层高度(BLH)、地形因素(DEM)是目前被广泛应用的AOD-PM2.5估算模型预测因子。然而，上述因素与地面颗粒物浓度之间的关系存在较大的不确定性，这样会限制估算模型的精度，因此，现有技术中需要一种性能更好、精度更好的方案，来解决这个问题。
发明内容
本发明目的在于提供一种融合细颗粒物浓度数据的区域PM2.5遥感反演模型，以解决背景技术中提出的问题。
一种融合细颗粒物浓度数据的区域PM2.5遥感反演模型，以现有的多元线性回归模型(MLR)、地理加权回归模型(GWR)、线性混合效应模型(LME)中的任意一种模型为基础模型，在该基础模型中引入MASINGAR的PM2.5产品数据(即日本气象厅提供的全球大气气溶胶种类模式(MASINGAR)的每小时PM2.5浓度(即细颗粒物浓度)预报结果)作为增加的预测因子，结合地基观测数据计算包括所述增加的预测因子在内的各预测因子的线性回归系数，以计算出的线性回归系数建立一个同时关联所述基础模型的预测因子与MASINGAR的PM2.5产品数据的改进模型，使用该改进模型作为估算PM2.5浓度的遥感反演模型，可得到小时级的细颗粒物浓度(PM2.5浓度)面域分布数据。
优选的，所述融合细颗粒物浓度数据的区域PM2.5遥感反演模型具体通过以下步骤得到：
S1)依据选用的气溶胶光学厚度(AOD)数据的空间分辨率将观测区域划分为若干具有相同空间分辨率的网格，获取每个网格的气溶胶光学厚度数据值，选取与观测区域对应的归一化植被指数(NDVI)数据、气像分析数据、地形因素数据及地基观测数据，引入MASINGAR的PM2.5产品数据，从MASINGAR的PM2.5产品数据中选取出与所述气溶胶光学厚度数据具有相同时间分辨率的数据，分别将地形因素数据及所选取的MASINGAR的PM2.5产品数据插值或转换到与所述网格具有相同的空间分辨率；将归一化植被指数数据、气象分析数据、地形因素数据中距离地基观测站点最近的数据作为与地基观测数据相对应的数据；
S2)根据不同网格区域内的地基观测数据及与地基观测数据对应的各预测因子建立线性方程组，其中预测因子为步骤S1所选取的气溶胶光学厚度数据、归一化差异植被指数数据、气象分析数据、地形因素数据及MASINGAR的PM2.5产品数据，用线性方程组求解各预测因子对应的的线性回归系数；
S3)用步骤S2求解得到的线性回归系数结合气溶胶光学厚度数据、归一化差异植被指数数据、气象分析数据、地形因素数据、MASINGAR的PM2.5产品数据建立用于估算PM2.5浓度的改进模型，即所述遥感反演模型。
优选的：
所述气溶胶光学厚度(AOD)数据采用Himawari-8/AHI气溶胶光学厚度数据，即日本Himawari-8静止气象卫星搭载的AHI传感器提供的气溶胶光学厚度产品数据；
所述归一化植被指数数据采用美国AQUA卫星搭载的MODIS传感器提供的16天3级归一化植被指数(NDVI)产品数据；
所述气像分析数据采用欧洲中期天气预报中心第五代气象再分析数据集(ERA5)提供的气温(TEMP)数据、相对湿度(RH)数据、可降水量(PREC)数据、风速(WS)数据与边界层高度(BLH)数据；
所述地形因素数据采用美国地质调查局(USGS)空间信息联盟提供的数字高程模型(DEM)地形数据；
所述地基观测数据采用中国国家环境监测中心(CNEMC)的地基观测站点的PM2.5观测数据。
优选的，Himawari-8/AHI气溶胶光学厚度数据选取以地基观测站点为圆心的5km半径圆圈范围内的数据，每一个地基观测站点被选取的地基观测数据的记录时间与Himawari-8/AHI气溶胶光学厚度数据的获取时间间隔不大于30min；
所述归一化植被指数数据的获取时间与Himawari-8/AHI气溶胶光学厚度数据的获取时间间隔不大于16天；
所述降水数据记录时间与Himawari-8/AHI气溶胶光学厚度数据的获取时间间隔不大于4小时，所述气温数据、相对湿度数据、可降水量数据、风速数据与边界层高度数据的记录时间与Himawari-8/AHI气溶胶光学厚度数据的获取时间间隔不大于1小时；
进一步的，以所述线性混合效应模型(LME)为基础模型时，所述步骤S2中基于式1建立线性方程组：
式1中，n为网格坐标；m表示时间点；β0表示固定截距，β1–β9表示各预测因子的线性回归系数，
和
分别表示网格n在m时间点对应的Himawari-8/AHI气溶胶光学厚度数据的随机截距和随机斜率，
表示预测因子MAPMn,m的随机斜率；εn,m为误差项，PM2.5n,m是地基观测站点的PM2.5观测数据,AODn,m是Himawari-8/AHI气溶胶光学厚度数据(是即时即地的数据，也就是说时间不同或位置不同，该数据则不同)，MAPMn,m是MASINGAR的PM2.5产品数据，TEMPn,m表示ERA5气象分析数据中的气温数据，RHn,m表示ERA5气象分析数据中的相对湿度数据，WSn,m表示ERA5气象数据中的风速数据，PRECn,m表示ERA5气象数据中的可降水量数据，BLHn,m表示ERA5气象数据中的边界层高度数据，TFn,m表示地形因素数据，NVDIn,m表示取自MODIS传感器的归一化植被产品数据(即NDVI产品数据)；
式1中，εn,m～N(0,σ2)代表误差项满足均值为0，标准差为σ的正太分布，
表示随机效应
的方差-协方差矩阵。
以所述多元线性回归模型(MLR)为基础模型时，所述步骤S2中基于式2建立线性方程组：
式2中，b为多元线性回归模型的截距，a1–a9分别代表不同预测因子的斜率，AOD为是Himawari-8/AHI气溶胶光学厚度数据，MAPM是MASINGAR的PM2.5产品数据，TEMP表示ERA5气象分析数据中的气温数据，RH表示ERA5气象分析数据中的相对湿度数据，WS表示ERA5气象分析数据中的风速数据，PREC表示ERA5气象分析数据中的可降水量数据，BLH表示ERA5气象分析数据中的边界层高度数据，TF表示地形因素数据，NVDI表示取自MODIS传感器的归一化植被产品数据(即NDVI产品数据)，ε为误差项。
以所述地理加权回归模型(GWR)为基础模型时，所述步骤S2中基于式3建立线性方程组：
式3中，b0为地理加权回归模型的截距，b1–b9分别代表不同预测因子的斜率，(i,j)代表地面网格的索引(即坐标)，AODs为是Himawari-8/AHI气溶胶光学厚度数据，MAPMs是MASINGAR的PM2.5产品数据，TEMPs表示ERA5气象分析数据中的气温数据，RHs表示ERA5气象分析数据中的相对湿度数据，WSs表示ERA5气象数据中的风速数据，PRECs表示ERA5气象数据中的可降水量数据，BLHs表示ERA5气象数据中的边界层高度数据，TFs表示地形因素数据，NVDIs表示取自MODIS传感器的归一化植被产品数据(即NDVI产品数据)，εs为误差项。
本发明至少具有以下有益效果：
本发明提供了一种融合细颗粒物浓度数据的区域PM2.5遥感反演模型，以现有的多元线性回归模型(MLR)、地理加权回归模型(GWR)、线性混合效应模型(LME)中的任意一种模型为基础模型，在基础模型中引入MASINGAR的PM2.5产品数据作为新增的预测因子，将气溶胶光学厚度数据、地形因素数据、气象分析数据、归一化植被数据、MASINGAR的PM2.5产品数据与地基观测数据相互进行时空匹配，再以气溶胶光学厚度数据、地形因素数据、气象分析数据、归一化植被数据、MASINGAR的PM2.5产品数据为预测因子，以地基观测数据为验证因子，以此建立线性方程组，通过线性方程组求各预测因子的线性回归系数，以各线性回归系数结合各线性回归系数对应的预测因子，建立一个用于估算PM2.5浓度的改进模型，由该改进模型计算得到的PM2.5浓度数据比所基于的基础模型更精准，也比所增加引用的MASINGAR的PM2.5产品数据更精准，且又克服了地基观测数据分散、不连续的缺陷。
除了上面所描述的目的、特征和优点之外，本发明还有其它的目的、特征和优点。下面将参照图，对本发明作进一步详细的说明。
附图说明
构成本申请的一部分的附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1是本发明优选实施例的融合细颗粒物浓度数据的区域PM2.5遥感反演模型的原理图；
图2是本发明优选实施例所选取的中国京津冀地区的地基观测站点分布图；
图3是现有三种模型(多元线性回归模型(MLR)、地理加权回归模型(GWR)、线性混合效应模型(LME))分别与以现有三种模型为基础模型的本发明优选实施例的三种融合细颗粒物浓度数据的区域PM2.5遥感反演模型(即iMLR、iGWR、iLME三种改进模型)的效果的对比验证图；
图4是现有三种模型(多元线性回归模型(MLR)、地理加权回归模型(GWR)、线性混合效应模型(LME))分别与以现有三种模型为基础模型的本发明优选实施例的三种融合细颗粒物浓度数据的区域PM2.5遥感反演模型(即iMLR、iGWR、iLME三种改进模型)的效果的十倍交叉对比验证图(CV)；
图5现有的线性混合效应模型(LME)与以线性混合效应模型(LME)为基础模型的本发明优选实施例的第三种融合细颗粒物浓度数据的区域PM2.5遥感反演模型(即改进模型iLME)的效果的时序对比验证图。
具体实施方式
以下结合附图对本发明的实施例进行详细说明，但是本发明可以根据权利要求限定和覆盖的多种不同方式实施。
如图1所示的融合细颗粒物浓度数据的区域PM2.5遥感反演模型，通过以下步骤S1～S3得到，
S1.从MASINGAR的PM2.5产品中选取与Himawari-8/AHI气溶胶光学厚度数据具有相同时间分辨率的PM2.5产品数据，并将选取的MASINGAR的PM2.5产品数据插值到与Himawari-8/AHI气溶胶光学厚度数据具有相同空间分辨率；选取观测区域的地形因素数据，将该数据插值到与Himawari-8/AHI气溶胶光学厚度数据具有相同的空间分辨率；从ERA5产品中选取观测区域范围内的气象分析数据；选取观测区域范围内的NDVI产品数据；将MASINGAR的PM2.5产品数据，Himawari-8/AHI气溶胶光学厚度数据、地形因素数据、气象分析数据、NDVI数据与地基观测数据相互进行时空匹配；计算不同空间分辨率区域内的MASINGAR的PM2.5产品数据，Himawari-8/AHI气溶胶光学厚度数据、地形因素数据、气象分析数据、NDVI数据与地基观测数据的线性回归系数；根据计算得到的线性回归系数建立PM2.5关于MASINGAR的PM2.5产品数据，Himawari-8/AHI气溶胶光学厚度数据、地形因素数据、气象分析数据、NDVI数据的模型，即得到模型估算的PM2.5浓度。NDVI数据取自MODIS的NDVI产品，且NDVI数据的获取时间与Himawari-8/AHI气溶胶光学厚度数据的获取时间的间隔不大于16天；气象数据取自ERA5的气象分析数据集产品，取气象分析数据集中距离地基观测站点最近的气象数据作为地基观测站点的气象数据，其中地基观测点的可降水量数据记录时间Himawari-8/AHI气溶胶光学厚度数据的时间间隔不大于4h，地基观测站点的其余气象数据记录时间与Himawari-8/AHI气溶胶光学厚度数据的时间间隔不大于1h；
本实施例选取的数据包括：
2018年11月1日至2019年10月31日，北京、天津、河北省范围内5km空间分辨率的Himawari-8/AHI卫星的3版3级气溶胶产品(http://www.eorc.jaxa.jp/ptree)；
欧洲中期天气预报中心第五代气象再分析数据集(ERA5)(https://cds.climate.copernicus.eu/cdsapp#！/)，本实施例利用了气温(TEMP)、相对湿度(RH)、降水(PREC)、风速(WS)、归一化植被指数(NDVI)、边界层高度(BLH)作为气象预测因素；
AQUA卫星的MODIS 16天3级归一化差异植被指数(NDVI)产品(MYD13C1)；
美国地质调查局(USGS)空间信息联盟(http://srtm.csi.cgiar.org/srtmdata/)约30米空间分辨率的地形(DEM)数据。
本实施例将30m的DEM转换到与AHI AOD(5km)具有相同的空间分辨率。
MASINGAR的PM2.5产品数据，即日本气象厅提供的全球大气气溶胶种类模式(MASINGAR)的每小时PM2.5浓度预报结果(https://www.eorc.jaxa.jp/ptree/index.html)。
2018年11月1日至2019年10月31日国家环境监测中心(CNEMC)运行的1581个地基观测站点的每小时观测数据，本实施例中以京津冀的范围为观测区域，图2所示为京津冀地区的79个地基观测站点分布图；
S2.依据气溶胶光学厚度数据的空间分辨率将观测区域划分为若干网格，获取每个网格的气溶胶光学厚度数据值；将MASINGAR的PM2.5产品数据插值到与网格具有相同空间分辨率，将获取的气象分析数据、NDVI数据、地形因素数据中距离地基观测站点最近的数据作为地基观测站点的相应数据。计算不同网格区域内的气溶胶光学厚度数据、气象数据、NDVI数据、地形因素数据、MASINGAR的PM2.5产品数据与地基观测站点数据的线性回归系数。
S3.根据计算得到的回归系数建立PM2.5关于气溶胶光学厚度数据、气象数据、NDVI数据、地形因素数据、MASINGAR的PM2.5产品数据的改进模型，该改进模型用于估算PM2.5浓度。该改进模型与式1相同，只是等式左边的PM2.5n,m为未知项，代表所要估算的PM2.5浓度值，而等式右边的各线性回归系数均是已知数。
为了评估本发明融合细颗粒物浓度数据的区域PM2.5遥感反演模型的性能，使用了国家环境监测中心(CNEMC)地基观测数据进行对比验证，如图3所示。
同时为了对比，也开展了基于MLR、GWR和LME三种不同模型得到的三种改进模型分别与未改进的MLR、GWR和LME模型的效果的十倍交叉对比验证(CV)，如图4所示。
另外还开展了本发明的方法以线性混合效应模型(LME)为基础模型时得到的改进模型与未现有的线性混合效应模型(LME)的效果时序对比验证，如图5；
MLR、GWR和LME是现有技术中广泛使用的区域PM估计模型，本实施例采用它们来验证MASINGAR的PM2.5产品是否可以作为一种新的辅助预测因子来提高这些现有模型的准确性。标记为iMLR、iGWR和iLME的模型分别是以上述三种模型作为基础模型引入MASINGAR的PM2.5产品数据后得到的改进模型。并且本实施例使用决定系数(R2)、均方根误差(RMSE)和平均绝对误差(MAE)对这些模型的性能进行了评价。如图3中所示，根据本发明对以上三种模型的估算性能改进结果与地基观测数据的对比验证分析得出，MASINGAR的PM2.5产品的引入在不同程度上提高了三种模型的估计精度。在引入MASINGAR的PM2.5产品作为新的辅助预测因子后，MLR模型的R2值从0.316提升到了0.379，RMSE从38.2μg/m3下降到了36.4μg/m3，MAE值从25.2μg/m3下降到了23.3μg/m3；GWR模型的R2值从0.393提升到了0.445，RMSE从36.0μg/m3下降到了34.4μg/m3，MAE值从23.5μg/m3下降到了21.8μg/m3；LME模型的R2值从0.718提升到了0.766，RMSE从24.6μg/m3下降到了22.4μg/m3，MAE值从15.2μg/m3下降到了13.7μg/m3；对于MLR、GWR和LME三种模型，本发明均有比较显著的改进效果。
同时为了验证，开展了MLR、GWR和LME三种模型与本发明的基于MLR、GWR和LME三种模型得到的三种改进模型的效果的十倍交叉对比验证(CV)，如图4所示。在引入MASINGAR的PM2.5产品作为新的辅助预测因子后，上述三种模型的性能在十倍交叉验证的检验下均有不同程度的提升，MLR模型的R2(CV)值从0.316提升到了0.379，RMSE(CV)从38.2下降到了36.4μg/m3，MAE(CV)值从25.2μg/m3下降到了23.3μg/m3；GWR模型的R2(CV)值从0.394提升到了0.446，RMSE(CV)从36.0μg/m3下降到了34.4μg/m3，MAE(CV)值从23.5μg/m3下降到了21.8μg/m3；LME模型的R2(CV)值从0.743提升到了0.792，RMSE(CV)从23.6μg/m3下降到了21.1μg/m3，MAE(CV)值从14.6μg/m3下降到了13.0μg/m3；总得来说，在引入MASINGAR的PM2.5产品作为新的辅助预测因子后，iMLR模型、iGWR模型与iLME模型的反演效果分别相对于MLR、GWR和LME三种原始模型有所提高，其中，改进效果最明显的是基于LME模型得到的改进模型(即iLME模型)。
鉴于iLME模型所显现的优越性能，本实施例选取该模型作为示例模型，通过引入2019年7月至2019年10月这一时间段内的京津冀地区的地基观测数据，对iLME模型与LME模型的估算结果进行全时序对比，如图5所示，虽然这两个模型都显示出了相对大范围的误差，但两者在偏差水平(bias)方面存在差异，在此时间范围内，原始LME模型的绝对偏差的平均值为10.4μg/m3,而iLME模型的绝对偏差的平均值为9.4μg/m3后者有了9.8％模型性能改善。iLME模型的全示例时段的平均绝对偏差为13.7μg/m3,原始LME模型为15.2μg/m3。在图5所示的两个虚线椭圆圈位置处，原始LME模型的PM2.5估计值存在负值，而改进后的iLME模型则表现良好。这些分析表明，与传统的LME模型相比，iLME模型具有更高的相对稳定性和更低的偏差，这是因为引入了预测因子MASINGAR的PM2.5产品在区域PM2.5模型估计中起到了重要的提升性能的作用。
总的来说，本申请的发明人认为现有技术中应用的PM2.5估算模型因气溶胶光学厚度数据、多种辅助预测因子与地面颗粒物浓度之间的不确定关系限制了模型性能，因而使用MASINGAR的PM2.5产品作为一种新的预测因子能够一定程度上弥补上述局限，提升PM2.5浓度估算模型性能。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (5)
1.一种融合细颗粒物浓度数据的区域PM2.5遥感反演模型，其特征在于，以现有的多元线性回归模型、地理加权回归模型、线性混合效应模型中的任意一种模型为基础模型，在该基础模型中引入MASINGAR的PM2.5产品数据，即日本气象厅提供的全球大气气溶胶种类模式的PM2.5浓度预报结果，以该预报结果作为增加的预测因子，结合地基观测数据计算包括所述增加的预测因子在内的各预测因子的线性回归系数，以计算出的线性回归系数建立一个同时关联所述基础模型与MASINGAR的PM2.5产品数据的改进模型，使用该改进模型作为估算PM2.5浓度的遥感反演模型。
2.根据权利要求1所述的一种融合细颗粒物浓度数据的区域PM2.5遥感反演模型，其特征在于，所述融合细颗粒物浓度数据的区域PM2.5遥感反演模型具体通过以下步骤得到：
S1)依据选用的气溶胶光学厚度数据的空间分辨率将观测区域划分为若干具有相同空间分辨率的网格，获取每个网格的气溶胶光学厚度数据值，选取与观测区域对应的归一化植被指数数据、气像分析数据、地形因素数据及地基观测数据，引入MASINGAR的PM2.5产品数据，从MASINGAR的PM2.5产品数据中选取出与所述气溶胶光学厚度数据具有相同时间分辨率的数据，分别将地形因素数据及所选取的MASINGAR的PM2.5产品数据插值或转换到与所述网格具有相同的空间分辨率；将归一化植被指数数据、气象分析数据、地形因素数据中距离地基观测站点最近的数据作为与地基观测数据相对应的数据；
S2)根据不同网格区域内的地基观测数据及与地基观测数据对应的各预测因子建立线性方程组，其中预测因子为步骤S1所选取的气溶胶光学厚度数据、归一化差异植被指数数据、气象分析数据、地形因素数据及MASINGAR的PM2.5产品数据，用线性方程组求解各预测因子对应的的线性回归系数；
S3)用步骤S2求解得到的线性回归系数结合气溶胶光学厚度数据、归一化差异植被指数数据、气象分析数据、地形因素数据、MASINGAR的PM2.5产品数据建立用于估算PM2.5浓度的改进模型，即所述遥感反演模型。
3.根据权利要求2所述的一种融合细颗粒物浓度数据的区域PM2.5遥感反演模型，其特征在于，所述气溶胶光学厚度数据采用Himawari-8/AHI气溶胶光学厚度数据，即日本Himawari-8静止气象卫星搭载的AHI传感器提供的气溶胶光学厚度产品数据；
所述归一化植被指数数据采用美国AQUA卫星搭载的MODIS传感器提供的16天3级归一化植被指数产品NDVI数据；
所述气像分析数据采用欧洲中期天气预报中心第五代气象再分析数据集ERA5提供的气温数据、相对湿度数据、可降水量数据、风速数据与边界层高度数据；
所述地形因素数据采用美国地质调查局空间信息联盟USGS提供的数字高程模型地形DEM数据；
所述地基观测数据采用中国国家环境监测中心CNEMC的地基观测站点的PM2.5观测数据。
4.根据权利要求3所述的一种融合细颗粒物浓度数据的区域PM2.5遥感反演模型，其特征在于，Himawari-8/AHI气溶胶光学厚度数据选取以地基观测站点为圆心的5km半径圆圈范围内的数据，每一个地基观测站点被选取的地基观测数据的记录时间与Himawari-8/AHI气溶胶光学厚度数据的获取时间间隔不大于30min；
所述归一化植被指数数据的获取时间与Himawari-8/AHI气溶胶光学厚度数据的获取时间间隔不大于16天；
所述降水数据记录时间与Himawari-8/AHI气溶胶光学厚度数据的获取时间间隔不大于4小时，所述气温数据、相对湿度数据、可降水量数据、风速数据与边界层高度数据的记录时间与Himawari-8/AHI气溶胶光学厚度数据的获取时间间隔不大于1小时。
5.根据权利要求1～4中任意一项所述的一种融合细颗粒物浓度数据的区域PM2.5遥感反演模型，其特征在于，以所述线性混合效应模型为基础模型时，所述步骤S2中基于式1建立线性方程组：
式1中，n为网格坐标；m表示时间点；β0表示固定截距，β1–β9表示各预测因子的线性回归系数，
和
分别表示网格n在m时间点对应的气溶胶光学厚度数据的随机截距和随机斜率，
表示预测因子MAPMn,m的随机斜率；εn,m为误差项，PM2.5n,m是地基观测站点的PM2.5观测数据,AODn,m是气溶胶光学厚度数据，MAPMn,m是MASINGAR的PM2.5产品数据，TEMPn,m表示气温数据，RHn,m表示相对湿度数据，WSn,m表示风速数据，PRECn,m表示ERA5可降水量数据，BLHn,m表示ERA5边界层高度数据，TFn,m表示地形因素数据，NVDIn,m表示归一化植被产品数据；
以所述多元线性回归模型为基础模型时，所述步骤S2中基于式2建立线性方程组：
式2中，b为多元线性回归模型的截距，a1–a9分别代表不同预测因子的斜率，AOD为是气溶胶光学厚度数据，MAPM是MASINGAR的PM2.5产品数据，TEMP表示气温数据，RH表示相对湿度数据，WS表示风速数据，PREC表示可降水量数据，BLH表示边界层高度数据，TF表示地形因素数据，NVDI表示归一化植被产品数据，ε为误差项；
以所述地理加权回归模型为基础模型时，所述步骤S2中基于式3建立线性方程组：
式3中，b0为地理加权回归模型的截距，b1–b9分别代表不同预测因子的斜率，(i,j)代表地面网格的索引，AODs为是气溶胶光学厚度数据，MAPMs是MASINGAR的PM2.5产品数据，TEMPs表示气温数据，RHs表示相对湿度数据，WSs表示ERA5风速数据，PRECs表示可降水量数据，BLHs表示边界层高度数据，TFs表示地形因素数据，NVDIs表示归一化植被产品数据，εs为误差项。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010272848.5A CN111323352B (zh) | 2020-04-09 | 2020-04-09 | 融合细颗粒物浓度数据的区域pm2.5遥感反演模型 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010272848.5A CN111323352B (zh) | 2020-04-09 | 2020-04-09 | 融合细颗粒物浓度数据的区域pm2.5遥感反演模型 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111323352A true CN111323352A (zh) | 2020-06-23 |
| CN111323352B CN111323352B (zh) | 2021-08-24 |
Family
ID=71166149
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010272848.5A Active CN111323352B (zh) | 2020-04-09 | 2020-04-09 | 融合细颗粒物浓度数据的区域pm2.5遥感反演模型 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111323352B (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111912754A (zh) * | 2020-07-23 | 2020-11-10 | 安徽省气象科学研究所 | 一种近地面颗粒物浓度的遥感反演方法 |
| CN112214877A (zh) * | 2020-09-15 | 2021-01-12 | 南通大学 | 一种基于量化指标的pm2.5反演方法 |
| CN112307685A (zh) * | 2020-10-29 | 2021-02-02 | 河海大学常州校区 | 水声传感网中基于高斯混合模型的流体运动边界预测方法 |
| CN113065098A (zh) * | 2021-03-23 | 2021-07-02 | 北京航天创智科技有限公司 | 基于卫星遥感和地气系统数据的pm2.5浓度检测方法及装置 |
| CN113705928A (zh) * | 2021-09-15 | 2021-11-26 | 中国农业科学院农业资源与农业区划研究所 | 基于大气再分析数据对植被生长季顶峰时间的预测方法 |
| CN117347282A (zh) * | 2023-08-22 | 2024-01-05 | 中南大学 | 星基气溶胶光学厚度反演方法、装置及系统和存储介质 |
| CN117592005A (zh) * | 2024-01-19 | 2024-02-23 | 中国科学院空天信息创新研究院 | Pm2.5浓度卫星遥感估算方法、装置、设备及介质 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20040011975A1 (en) * | 2002-07-17 | 2004-01-22 | Nicoli David F. | Sensors and methods for high-sensitivity optical particle counting and sizing |
| CN105787184A (zh) * | 2016-03-04 | 2016-07-20 | 华北电力大学（保定） | 一种基于pm2.5的大气气溶胶光学厚度估计方法 |
| US20170083823A1 (en) * | 2015-09-22 | 2017-03-23 | San Diego State University Research Foundation | Spectral Optimal Gridding: An Improved Multivariate Regression Analyses and Sampling Error Estimation |
| CN107202750A (zh) * | 2017-05-17 | 2017-09-26 | 河北中科遥感信息技术有限公司 | 一种大气颗粒物星地综合监测定量遥感融合处理方法 |
| CN108152235A (zh) * | 2018-03-21 | 2018-06-12 | 中南大学 | 一种联合土壤室内外光谱的重金属含量反演方法 |
| 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 |
| CN109213964A (zh) * | 2018-07-13 | 2019-01-15 | 中南大学 | 一种融合多源特征地理参数的卫星aod产品校正方法 |
| CN110261873A (zh) * | 2019-05-29 | 2019-09-20 | 电子科技大学 | 一种基于分段统计的大气气溶胶反演方法 |
| CN110361742A (zh) * | 2019-06-21 | 2019-10-22 | 中国人民解放军国防科技大学 | 一种基于星载三频毫米波雷达的云雨微物理参数反演方法 |
-
2020
- 2020-04-09 CN CN202010272848.5A patent/CN111323352B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20040011975A1 (en) * | 2002-07-17 | 2004-01-22 | Nicoli David F. | Sensors and methods for high-sensitivity optical particle counting and sizing |
| US20170083823A1 (en) * | 2015-09-22 | 2017-03-23 | San Diego State University Research Foundation | Spectral Optimal Gridding: An Improved Multivariate Regression Analyses and Sampling Error Estimation |
| CN105787184A (zh) * | 2016-03-04 | 2016-07-20 | 华北电力大学（保定） | 一种基于pm2.5的大气气溶胶光学厚度估计方法 |
| CN107202750A (zh) * | 2017-05-17 | 2017-09-26 | 河北中科遥感信息技术有限公司 | 一种大气颗粒物星地综合监测定量遥感融合处理方法 |
| CN108152235A (zh) * | 2018-03-21 | 2018-06-12 | 中南大学 | 一种联合土壤室内外光谱的重金属含量反演方法 |
| 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 |
| CN109213964A (zh) * | 2018-07-13 | 2019-01-15 | 中南大学 | 一种融合多源特征地理参数的卫星aod产品校正方法 |
| CN110261873A (zh) * | 2019-05-29 | 2019-09-20 | 电子科技大学 | 一种基于分段统计的大气气溶胶反演方法 |
| CN110361742A (zh) * | 2019-06-21 | 2019-10-22 | 中国人民解放军国防科技大学 | 一种基于星载三频毫米波雷达的云雨微物理参数反演方法 |
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 (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111912754A (zh) * | 2020-07-23 | 2020-11-10 | 安徽省气象科学研究所 | 一种近地面颗粒物浓度的遥感反演方法 |
| CN111912754B (zh) * | 2020-07-23 | 2023-03-28 | 安徽省气象科学研究所 | 一种近地面颗粒物浓度的遥感反演方法 |
| CN112214877A (zh) * | 2020-09-15 | 2021-01-12 | 南通大学 | 一种基于量化指标的pm2.5反演方法 |
| CN112214877B (zh) * | 2020-09-15 | 2024-02-13 | 南通大学 | 一种基于量化指标的pm2.5反演方法 |
| CN112307685A (zh) * | 2020-10-29 | 2021-02-02 | 河海大学常州校区 | 水声传感网中基于高斯混合模型的流体运动边界预测方法 |
| CN113065098A (zh) * | 2021-03-23 | 2021-07-02 | 北京航天创智科技有限公司 | 基于卫星遥感和地气系统数据的pm2.5浓度检测方法及装置 |
| CN113705928A (zh) * | 2021-09-15 | 2021-11-26 | 中国农业科学院农业资源与农业区划研究所 | 基于大气再分析数据对植被生长季顶峰时间的预测方法 |
| CN113705928B (zh) * | 2021-09-15 | 2023-09-12 | 中国农业科学院农业资源与农业区划研究所 | 基于大气再分析数据对植被生长季顶峰时间的预测方法 |
| CN117347282A (zh) * | 2023-08-22 | 2024-01-05 | 中南大学 | 星基气溶胶光学厚度反演方法、装置及系统和存储介质 |
| CN117347282B (zh) * | 2023-08-22 | 2024-05-28 | 中南大学 | 星基气溶胶光学厚度反演方法、装置及系统和存储介质 |
| CN117592005A (zh) * | 2024-01-19 | 2024-02-23 | 中国科学院空天信息创新研究院 | Pm2.5浓度卫星遥感估算方法、装置、设备及介质 |
| CN117592005B (zh) * | 2024-01-19 | 2024-04-26 | 中国科学院空天信息创新研究院 | Pm2.5浓度卫星遥感估算方法、装置、设备及介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111323352B (zh) | 2021-08-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111323352B (zh) | 融合细颗粒物浓度数据的区域pm2.5遥感反演模型 | |
| Zhao et al. | Estimating the daily PM2. 5 concentration in the Beijing-Tianjin-Hebei region using a random forest model with a 0.01× 0.01 spatial resolution | |
| Xiao et al. | Separating emission and meteorological contribution to PM 2.5 trends over East China during 2000–2018 | |
| Zhao et al. | High-resolution daily AOD estimated to full coverage using the random forest model approach in the Beijing-Tianjin-Hebei region | |
| Boilley et al. | Comparison between meteorological re-analyses from ERA-Interim and MERRA and measurements of daily solar irradiation at surface | |
| Wu et al. | VIIRS-based remote sensing estimation of ground-level PM2. 5 concentrations in Beijing–Tianjin–Hebei: A spatiotemporal statistical model | |
| Yin et al. | Surface ozone at Nam Co in the inland Tibetan Plateau: variation, synthesis comparison and regional representativeness | |
| Hüsler et al. | A satellite-based snow cover climatology (1985–2011) for the European Alps derived from AVHRR data | |
| Nabavi et al. | Assessing PM2. 5 concentrations in Tehran, Iran, from space using MAIAC, deep blue, and dark target AOD and machine learning algorithms | |
| Schmucki et al. | Simulations of 21st century snow response to climate change in Switzerland from a set of RCMs. | |
| Park et al. | Estimation of spatially continuous daytime particulate matter concentrations under all sky conditions through the synergistic use of satellite-based AOD and numerical models | |
| Chen et al. | Estimating PM2. 5 with high-resolution 1-km AOD data and an improved machine learning model over Shenzhen, China | |
| Brugnara et al. | High-resolution analysis of daily precipitation trends in the central Alps over the last century. | |
| CN109657363B (zh) | 一种时空连续的pm2.5反演方法 | |
| CN109856021B (zh) | 一种pm2.5反演方法及监测区域分割方法 | |
| Liu | Mapping high resolution national daily NO2 exposure across mainland China using an ensemble algorithm | |
| Chen et al. | PM 2.5 over North China based on MODIS AOD and effect of meteorological elements during 2003–2015 | |
| Zhang et al. | Improvement in hourly PM2. 5 estimations for the Beijing-Tianjin-Hebei region by introducing an aerosol modeling product from MASINGAR | |
| CN115470269A (zh) | 一种多源实况数据在新疆城市暴雨天气中的释用评估方法 | |
| Liu et al. | First satellite-based regional hourly NO2 estimations using a space-time ensemble learning model: A case study for Beijing-Tianjin-Hebei Region, China | |
| Du et al. | Evaluation of MERRA-2 hourly surface solar radiation across China | |
| Tuna Tuygun et al. | Estimation of particulate matter concentrations in Türkiye using a random forest model based on satellite AOD retrievals | |
| Choi et al. | Retrieval of hourly PM2. 5 using top-of-atmosphere reflectance from geostationary ocean color imagers I and II | |
| CN117219183A (zh) | 多云雨地区的高覆盖度近地面no2浓度估算方法及系统 | |
| Bhardwaj et al. | Interstate transport of carbon monoxide and black carbon over India |
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 |