CN111400658B - 超光谱热红外数据反演气体廓线的通道选择方法 - Google Patents
超光谱热红外数据反演气体廓线的通道选择方法 Download PDFInfo
- Publication number
- CN111400658B CN111400658B CN202010247746.8A CN202010247746A CN111400658B CN 111400658 B CN111400658 B CN 111400658B CN 202010247746 A CN202010247746 A CN 202010247746A CN 111400658 B CN111400658 B CN 111400658B
- Authority
- CN
- China
- Prior art keywords
- thermal infrared
- weight function
- data
- channel
- gas
- 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
- 238000010187 selection method Methods 0.000 title claims abstract description 24
- 238000000034 method Methods 0.000 claims abstract description 43
- 230000005855 radiation Effects 0.000 claims abstract description 20
- 230000035945 sensitivity Effects 0.000 claims abstract description 15
- 230000005540 biological transmission Effects 0.000 claims abstract description 13
- 238000001514 detection method Methods 0.000 claims abstract description 12
- 238000005457 optimization Methods 0.000 claims abstract description 12
- 238000010206 sensitivity analysis Methods 0.000 claims abstract description 9
- 239000007789 gas Substances 0.000 claims description 90
- 230000008859 change Effects 0.000 claims description 21
- 230000003595 spectral effect Effects 0.000 claims description 8
- 238000004088 simulation Methods 0.000 claims description 6
- 238000001228 spectrum Methods 0.000 description 5
- 238000013480 data collection Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000010521 absorption reaction Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000007918 pathogenicity Effects 0.000 description 2
- 230000035699 permeability Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 239000000523 sample Substances 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000002329 infrared spectrum Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000002834 transmittance Methods 0.000 description 1
Classifications
-
- 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
- G06F17/17—Function evaluation by approximation methods, e.g. inter- or extrapolation, smoothing, least mean square method
-
- 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
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Computational Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Life Sciences & Earth Sciences (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Algebra (AREA)
- General Engineering & Computer Science (AREA)
- Biochemistry (AREA)
- Operations Research (AREA)
- Pathology (AREA)
- Immunology (AREA)
- Probability & Statistics with Applications (AREA)
- Chemical & Material Sciences (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
- Analytical Chemistry (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
Abstract
一种超光谱热红外数据反演气体廓线的通道选择方法,包括通过超光谱热红外数据,下载对应的局地地区基础资料并利用高光谱大气辐射传输模型获取对应局地地区的超光谱热红外模拟数据、气体敏感性及权函数;根据气体敏感性分析结果,计算并获得待反演气体在各通道上的信噪比,获得初选通道集合;根据初选通道集合的权函数,采用权函数优化法获得终选通道集合;通过终选通道集合及超光谱热红外模拟数据,获得终选通道集合各通道对应的辐亮度数据,即为超光谱热红外数据反演气体廓线的通道选择结果。本发明能够实现超光谱热红外数据反演气体廓线所需通道的自动选取,有效提升反演效率和精度。
Description
技术领域
本发明属于超光谱热红外领域,具体涉及一种超光谱热红外数据反演气体廓线的通道选择方法。
背景技术
O3、CO、CH4等大气成分的浓度变化会对环境及人体健康带来巨大的影响。卫星探测被认为是最为高效最有应用前景的获取全球长时间序列大气和地表参数的方法之一。其中,热红外遥感数据因包含丰富的大气发射、反射及吸收的热辐射信息,被广泛应用在一些大气参数廓线的反演中。考虑到O3、CO、CH4等均在热红外区域有较强光谱特征峰,可以采用热红外数据反演获得这些气体的大气廓线。
研究表明,这些气体在大气中的含量较低,限制了在热红外区域光谱特征峰的峰强,同时,大部分气体的红外窗口也会受到其他气体信号的干扰,因此,目前由热红外数据获取的气体廓线精度仍然不理想。近几十年来,热红外光谱探测仪逐渐从多光谱到超光谱发展,通道数从最初的十几个增加到几万个。与多光谱和高光谱热红外数据相比,超光谱热红外数据的光谱分辨率更高,通道对应权函数的特征峰也相应变得更为尖锐,这可以有效提高参数反演的垂直分辨率和准确性。除此之外,而超光谱热红外数据具有更小的光谱通道间隔,为获取一些较少受到干扰气体信号影响的可反演通道提供了可能。因此,利用超光谱热红外数据反演获取高精度气体廓线数据具有良好的应用前景。
然而,超光谱探测仪获得的数据含有几万个通道,与AIRS、IASI等高光谱探测仪相比,其数据量呈量级式增加,这会导致反演过程中数据求解过程复杂且运算效率低。同时,与高光谱数据类似,超光谱热红外数据各通道之间存在很强的相关性,其会导致反演方程的病态性。因此,对超光谱数据进行通道选择是一种降低方程病态性且提高大气廓线反演的精度和效率的重要手段,其算法的开发是超光谱热红外数据反演大气廓线的一种主要研究内容。
现有的针对热红外数据反演大气廓线的通道选择方法很多,最为常见的两种为基于权重函数和基于信息容量的通道选择方法。权重函数可以反映各通道对反演参数的敏感性,是决定通道信息量的关键。但是超光谱热红外数据通道与通道之间间隔极窄,部分相邻的通道集中包含大量类似的可反演信息,上述两类常用的通道选择方法会将这些通道全部筛选出来,无法进一步对结果进行精简;同时,也会存在部分包含有效信息的通道漏选的问题,导致反演结果的精度下降,无法体现超光谱热红外数据在反演大气参数上的优势。因此,针对目前超光谱热红外数据反演气体廓线的需求,本发明提出了一种能够对包含相似信息的可反演通道进行精简同时挖掘超光谱热红外数据特有信息能力的通道选择方法,为充分高效应用超光谱热红外数据反演O3、CO、CH4等成分的大气廓线提供基础。
发明内容
有鉴于此,本发明的主要目的之一在于提出一种超光谱热红外数据反演气体廓线的通道选择方法,以期至少部分地解决上述技术问题中的至少之一。
为了实现上述目的,本发明提供了一种超光谱热红外数据反演气体廓线的通道选择方法,包括:
S1:通过超光谱热红外数据,下载对应的局地地区基础资料并利用高光谱大气辐射传输模型获取对应局地地区的超光谱热红外模拟数据、气体敏感性及权函数;
S2:根据气体敏感性分析结果,计算并获得待反演气体在各通道上的信噪比,获得初选通道集合;
S3:根据初选通道集合的权函数,采用权函数优化法获得终选通道集合;
S4:通过终选通道集合及超光谱热红外模拟数据,获得终选通道集合各通道对应的辐亮度数据,即为超光谱热红外数据反演气体廓线的通道选择结果。
基于上述技术方案可知,本发明的超光谱热红外数据反演气体廓线的通道选择方法相对于现有技术至少具有以下优势之一:
1、本发明提出的方法克服了传统通道选择方法选取超光谱热红外数据反演通道冗余的缺点,适用于超光谱热红外数据的气体廓线反演。
2、本发明在利用待反演气体热红外窗口信号噪声比信息的同时,提出了基于权函数的峰高、峰位置及峰面积等分线位置等特征,对权函数进行优化后迭代获取包含最大信息容量的最小通道子集,大大提高了气体反演精度及效率;
3、能够实现超光谱热红外数据反演通道的自动选取,有效提升反演效率。
附图说明
图1为本发明实施例中超光谱热红外数据反演气体廓线的通道选择方法的流程图;
图2为本发明实施例中局地地区基础资料收集流程图;
图3为本发明实施例中基于大气辐射传输模型4A/OP进行超光谱热红外数据模拟、气体敏感性分析及权函数计算的流程图;
图4为本发明实施例中信噪比法获得初选通道集合流程图;
图5为本发明实施例中权重数优化法获得终选通道集合流程图;
图6为本发明实施例中通道选择结果提取流程图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白,以下结合具体实施例,并参照附图,对本发明作进一步的详细说明。
本发明公开了一种超光谱热红外数据反演气体廓线的通道选择方法,包括:
S1:通过超光谱热红外数据,下载对应的局地地区基础资料并利用高光谱大气辐射传输模型获取对应局地地区的超光谱热红外模拟数据、气体敏感性及权函数;
S2:根据气体敏感性分析结果,计算并获得待反演气体在各通道上的信噪比,获得初选通道集合;
S3:根据初选通道集合的权函数,采用权函数优化法获得终选通道集合;
S4:通过终选通道集合及超光谱热红外模拟数据,获得终选通道集合各通道对应的辐亮度数据,即为超光谱热红外数据反演气体廓线的通道选择结果。
在本发明的一些实施例中,步骤S1中获取所述超光谱热红外模拟数据、气体敏感性及权函数的具体方法包括:
根据超光谱热红外数据获得太阳、传感器观测几何参数和传感器参数;将局地大气廓线数据、局地地表参数、太阳、传感器观测几何参数和传感器参数输入到大气辐射传输模型中,获得超光谱热红外模拟数据、气体敏感性及权函数。
在本发明的一些实施例中,所述传感器观测几何参数包括太阳天顶角、传感器观测天顶角、太阳与传感器的相对方位角任一种或多种组合。
在本发明的一些实施例中,所述传感器参数包括传感器分辨率和光谱覆盖范围。
在本发明的一些实施例中,步骤S1中所述高光谱大气辐射传输模型包括4A/OP模型。
在本发明的一些实施例中,步骤S2中所述信噪比为信号与噪声的比值,所述信号为待反演气体红外窗口中因含量变化引起的亮温变化,所述噪声为其他气体含量及成分变化引起的亮温变化。
在本发明的一些实施例中,步骤S2中所述初选通道集合为选取的信噪比较大的通道集合。
在本发明的一些实施例中,步骤S3具体包括:
根据初选通道集合结果,获得该集合中各通道的权函数;
分析权函数的特征,获得权函数峰强i、权函数半峰宽FWHM和权函数峰位置Pbl;
通过采用比例因子fs对权函数进行优化,fs的取值范围大于1;
将权函数优化后,采用最大权函数法获得每层大气权函数最大的通道集合;
判断权函数优化后获得的通道集合是否符合通道集合数要求,如果不符合,继续采用比例因子fs进行权函数优化,如果符合,则获得终选通道集合。
以下通过具体实施例结合附图对本发明的技术方案做进一步阐述说明。需要注意的是,下述的具体实施例仅是作为举例说明,本发明的保护范围并不限于此。
本发明提供了一种超光谱热红外数据反演气体廓线的通道选择方法。图1是本发明的简明结构图,该发明通过超光谱热红外数据(对应图1中标号1),下载对应的局地地区基础资料(对应图1中标号2),并获取相应的传感器、太阳观测参数和传感器参数(对应图1中标号3),并利用高光谱大气辐射传输模型4A/OP(Operational release forAutomatized Atmospheric Absorption Atlas)获取对应局地地区的超光谱热红外模拟数据(对应图1中标号4)、气体敏感性及权函数(对应图1中标号5);根据气体敏感性分析结果,计算并获得待反演气体在各通道上的信噪比,获得初选通道集合(对应图1中标号6);根据初选通道集合的权函数,采用权函数优化法获得终选通道集合(对应图1中标号7);结合超光谱热红外模拟数据及终选通道集合获得通道选择结果(对应图1中标号8),。
该发明实际包含以下两个关键步骤:1)根据气体在红外波段的敏感性分析结果,获得待反演气体的初选通道集合;2)根据初选通道集合的权函数特征,获取待反演气体的终选通道集合。
超光谱热红外数据反演气体廓线的通道选择方法如下:
(1)典型局地地区基础资料的收集
通常境况下,需要收集局地地区的基本资料作为大气痕量气体反演的先验信息。
如图2所示为局地地区基础资料收集流程图。本发明根据超光谱热红外数据中对应的经纬度信息和时间信息,从欧洲中期天气预报中心(European Centre for Medium-Range Weather Forecasts,ECMWF)及美国国家环境预报中心(National Centers forEnvironmental Prediction,NECP)的再分析项目数据库中下载相对应的大气廓线及地表参数。这两个数据库中包含了多年大气温度、湿度、O3、CH4、CO、NO、NO2等气体廓线及地表温度、地表比辐射率的参数信息,可以满足本发明中气体反演的背景场数据收集需求。
(2)超光谱热红外模拟数据、气体敏感性及权函数的生成
如果假设大气水平方向上均一且各项同性,同时忽略大气散射及地表反射的太阳辐射,辐射传输的方程式可以写为:
其中R(v,θ)是传感器在波长为v,观测角为θ时接收到的辐亮度,ε是地表反射率,B(v,Ts)是普朗克方程,表示黑体在温度为Ts、波长为v时的的辐射,Ts、Tp分别为地表和大气的温度,τ是压强为p的大气层到传感器的大气透过率,τ*(v,θ,p)为压强ps的地表到压强为p的大气层的透过率,为压强为P的大气层到传感器的大气透过率。
式(1)中的部分,即为权函数。权函数可以表示每个通道所能探测的大气深度,也能在一定程度上表征仪器的垂直分辨率等特征。
在进行气体廓线反演时,需要通过辐射传输方程正演模拟星上观测数据及权函数。高光谱大气辐射传输模型4A/OP可以构建分辨率高达5×10-4cm-1、光谱范围覆盖区域为600-3050cm-1的超光谱热红外光谱数据,同时,也可以计算各个通道中温度和气体的雅可比矩阵(权函数)。因此,在本发明中选用4A/OP模型来进行数据的正演,即利用超光谱热红外数据的波段范围、分辨率等传感器信息,并结合下载的局地地区基本资料,在4A/OP模型中生成超光谱热红外模拟数据。同时还将利用该模型对气体在热红外波段的敏感性进行分析,并生成各通道的权函数。
4A/OP模型各参数具体设置如下:
a)局地大气廓线数据:
局地大气廓线数据即为超光谱热红外数据对应的局地地区大气廓线数据,数据来源为欧洲中期天气预报中心(ECMWF)或美国国家环境预报中心(NECP)再分析数据库。大气廓线数据的分层数取值范围为1-101,步长为1,共101个值。大气廓线数据参数包括压强、温度、湿度、O3、CH4、CO等。
b)局地地表参数:
局地地表参数主要包括地表温度和地表比辐射率。地表温度的单位为K,地表比辐射率的取值范围为0-100。
c)太阳天顶角:
太阳天顶角的取值范围为0-90度。
d)传感器观测天顶角:
传感器观测天顶角的取值范围为0-70度。
e)太阳与传感器的相对方位角:
太阳与传感器的相对方位角的取值范围为0-180度。
f)传感器分辨率:
传感器光谱分辨率小于5×10-4cm-1。
g)传感器光谱覆盖范围:
传感器光谱覆盖范围为650-3050cm-1。
如图3所示为基于大气辐射传输模型4A/OP进行超光谱热红外数据模拟、气体敏感性分析及权函数计算的流程图。根据超光谱热红外数据获得太阳、传感器观测几何参数(主要包括太阳天顶角、传感器观测天顶角、太阳与传感器的相对方位角)和传感器参数(主要包括传感器分辨率和光谱覆盖范围)。将局地大气廓线数据、局地地表参数、太阳、传感器观测几何参数和传感器参数输入到大气辐射传输模型4A/OP模型中,获得超光谱热红外模拟数据、气体敏感性及权函数。
(3)信噪比法初步筛选超光谱热红外数据反演气体廓线通道
考虑到在大部分气体的窗口区,均存在一些其他气体信号的干扰。在实际反演过程中,选择受其他气体干扰小的通道,是一种有效的提高气体廓线反演精度的手段。
本发明基于信噪比法获得气体反演的初选通道集合。根据气体敏感性分析结果,将待反演气体红外窗口中因含量变化引起的亮温变化定义为信号,其他气体含量及成分变化引起的亮温变化定义为噪声,信噪比(signal-to-interference ratio,STI)即为两者的比值,具体公式如下:
其中,ΔBTgr为某一通道待反演气体含量变化引起的亮温变化,ΔBTi为该通道干扰气体i含量变化引起的亮温变化,n为干扰气体的总数。信噪比越大,则该通道受到其他气体含量和成分的干扰越小。通过比较不同通道的信噪比,可以获取受其他气体干扰较少的通道子集,即为初选通道集合。
图4是信噪比法获得初选通道集合流程图,根据气体敏感性,获得待反演气体敏感性(信号)和干扰气体敏感性(噪声);计算各通道的信噪比,计算方法为将通道中的信号除以噪声的和;比较各通道的信噪比,获得信噪比较大的通道集合,即为初选通道集合。
(4)权函数优化法筛选超光谱热红外数据反演气体廓线通道
超光谱热红外数据中部分相邻通道的热红外信号包含大量的重复有效信息,信噪比法只能排除部分干扰信息,无法对待反演气体信息的有效性及重复性进行甄别。光谱各通道的权函数包含了大量待反演气体的空间信息,对其进行分析后可以有效提取每层大气的有效信息并识别相似信息。因此,可以利用初选通道集合中各通道的权函数,去除包含相似信息的通道,可以进一步提高反演的精度和效率。
本发明首先分析待反演气体初选通道集合中各通道的权函数,主要考察权函数的峰强i、半峰宽FWHM及峰面积中心线对应的压强位置Pbl,并引入一个比例因子fs采用如下方程对权函数进行优化:
其中,P′是优化后权函数对应的压强,P是优化前权函数对应的压强,Pbl,v是波长为v的通道的Pbl。
考虑到超光谱热红外数据特征,比例因子fs的取值一般大于1。对权函数进行优化后,选取每层大气权函数最大的通道,获取反演通道集合,不同比例因子fs对应不同的反演通道集合。当所得的通道集合中通道数量小于要求时,增大fs;当所得的通道集合中通道数量大于要求时,减小fs;当所得的通道集合中通道数量等于要求时,获得终选通道集合。
如图5所示为权函数优化法获得终选通道集合流程图。
根据初选通道集合结果,获得该集合中各通道的权函数;分析权函数的特征,获得权函数峰强i、权函数半峰宽FWHM和权函数峰位置Pbl;通过采用比例因子fs进行权函数优化,fs的取值范围大于1,其中1-2之间的变化步长为0.1,2-10之间的变化步长为0.2,10-100之间的变化步长为1,100以上的变化步长为10;将权函数优化后,采用最大权函数法获得每层大气权函数最大的通道集合;判断权函数优化后获得的通道集合是否符合通道集合数要求,如不符合,继续采用比例因子fs进行权函数优化,如符合,则获得终选通道集合。
(5)通道选择结果的提取
如图6所示为通道选择结果提取流程图。
通过终选通道集合及超光谱热红外模拟数据,获得终选通道集合各通道对应的辐亮度数据,即为超光谱热红外数据反演气体廓线的通道选择结果。
本发明还通过下述方法将获得的通道选择结果进行验证:
统计回归法是一种常用的大气廓线反演方法,该方法的主要思路是利用事先确定的观测辐射值和相应的大气廓线之间的统计关系从卫星探测值中推测出实际的大气廓线,可以简单高效地对通道选择方法的适用性进行评价。
可以将方程(1)进行一阶变化以微扰形式近似表示为:
其中TB为观测的亮温温度,Wε、WT和/>分别代表线性化辐射方程之后地表温度、地表比辐射率、大气温度廓线和气体廓线对应的权重,qgr为气体含量。
如果假定所选通道的亮温变化不受地表温度、地表比辐射率及大气温度廓线的影响,则公式(4)可以写为:
写成矩阵形式:
Y=WX (6)
其中Y=δTB,X=lnqgr。
大气廓线的主要反演方法-最小方差反演方法要求所有方程的误差小,因此,方程的解为:
X=(WTW)-1WTY (7)
本发明中应用以上统计反演方法求解待反演气体廓线,评价通道选择方法的适用性。对于每个通道,本发明还使用以下公式模拟仪器产生的噪声:
其中NEΔT{T(v)}是在波长v处通道亮温为T(v)时的等效噪声温度。Tref为参考亮温。
通过终选通道集合,获得该通道集合中各通道的超光谱热红外模拟数据(辐亮度);结合局地大气廓线数据,建立气体廓线反演模型;将超光谱热红外数据输入到气体廓线反演模型中,获取反演气体廓线;比较局地大气廓线数据和反演气体廓线,计算偏差(bias)和均方根误差(RMSE),计算方法如下:
δ代表偏差,RMSE代表均方根误差,Ri,j代表第i条廓线第j层大气的反演气体含量,Ti,j第i条廓线第j层大气的气体含量真值,n为廓线总数;根据反演气体廓线的偏差和均方根误差,评价通道选择方法。
实验结果表明采用本发明的超光谱热红外数据反演气体廓线的通道选择方法得到的通道选择结果,其反演气体廓线的偏差和均方根误差均符合要求。
以上所述的具体实施例,对本发明的目的、技术方案和有益效果进行了进一步详细说明,应理解的是,以上所述仅为本发明的具体实施例而已,并不用于限制本发明,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (7)
1.一种超光谱热红外数据反演气体廓线的通道选择方法,包括:
S1:通过超光谱热红外数据,下载对应的局地地区基础资料并利用高光谱大气辐射传输模型获取对应局地地区的超光谱热红外模拟数据、气体敏感性及权函数;
S2:根据气体敏感性分析结果,计算并获得待反演气体在各通道上的信噪比,获得初选通道集合;
S3:根据初选通道集合的权函数,采用权函数优化法获得终选通道集合;步骤S3具体包括:
根据初选通道集合结果,获得该集合中各通道的权函数;
分析权函数的特征,获得权函数峰强i、权函数半峰宽FWHM和权函数峰位置Pbl;
根据所述权函数峰强i、所述权函数半峰宽FWHM和所述权函数峰位置Pbl,通过采用比例因子fs对权函数进行优化,fs的取值范围大于1;
将权函数优化后,采用最大权函数法获得每层大气权函数最大的通道集合;
判断权函数优化后获得的通道集合是否符合通道集合数要求,如果不符合,继续采用比例因子fs进行权函数优化,如果符合,则获得终选通道集合;
S4:通过终选通道集合及超光谱热红外模拟数据,获得终选通道集合各通道对应的辐亮度数据,即为超光谱热红外数据反演气体廓线的通道选择结果。
2.根据权利要求1所述的通道选择方法,其特征在于,
步骤S1中获取所述超光谱热红外模拟数据、气体敏感性及权函数的具体方法包括:
根据超光谱热红外数据获得太阳、传感器观测几何参数和传感器参数;将局地大气廓线数据、局地地表参数、太阳、传感器观测几何参数和传感器参数输入到大气辐射传输模型中,获得超光谱热红外模拟数据、气体敏感性及权函数。
3.根据权利要求2所述的通道选择方法,其特征在于,
所述传感器观测几何参数包括太阳天顶角、传感器观测天顶角、太阳与传感器的相对方位角中的任一种或多种组合。
4.根据权利要求2所述的通道选择方法,其特征在于,
所述传感器参数包括传感器分辨率和光谱覆盖范围。
5.根据权利要求1所述的通道选择方法,其特征在于,
步骤S1中所述高光谱大气辐射传输模型包括4A/OP模型。
6.根据权利要求1所述的通道选择方法,其特征在于,
步骤S2中所述信噪比为信号与噪声的比值,所述信号为待反演气体红外窗口中因含量变化引起的亮温变化,所述噪声为其他气体含量及成分变化引起的亮温变化。
7.根据权利要求1所述的通道选择方法,其特征在于,
步骤S2中所述初选通道集合为选取的信噪比较大的通道集合。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010247746.8A CN111400658B (zh) | 2020-03-31 | 2020-03-31 | 超光谱热红外数据反演气体廓线的通道选择方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010247746.8A CN111400658B (zh) | 2020-03-31 | 2020-03-31 | 超光谱热红外数据反演气体廓线的通道选择方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111400658A CN111400658A (zh) | 2020-07-10 |
CN111400658B true CN111400658B (zh) | 2024-01-26 |
Family
ID=71429337
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010247746.8A Active CN111400658B (zh) | 2020-03-31 | 2020-03-31 | 超光谱热红外数据反演气体廓线的通道选择方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111400658B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112199634B (zh) * | 2020-10-14 | 2021-05-11 | 中国科学院空天信息创新研究院 | 基于贝叶斯模型平均方法的地表组分温度多算法集成算法 |
CN112730314A (zh) * | 2020-12-21 | 2021-04-30 | 国家卫星气象中心(国家空间天气监测预警中心) | 用于大气温湿度探测的多频太赫兹探测仪通道选取方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103675792A (zh) * | 2013-12-06 | 2014-03-26 | 中国科学院遥感与数字地球研究所 | CrIS超光谱数据的臭氧廓线快速反演方法 |
CN103744069A (zh) * | 2013-12-31 | 2014-04-23 | 中国科学院遥感与数字地球研究所 | 一种针对airs超光谱卫星数据的甲烷廓线正交反演方法 |
CN107908838A (zh) * | 2017-11-01 | 2018-04-13 | 环境保护部卫星环境应用中心 | 高光谱卫星数据反演氧化亚氮廓线的通道选取方法及装置 |
WO2018120444A1 (zh) * | 2016-12-31 | 2018-07-05 | 华中科技大学 | 一种动目标的红外辐射光谱特性仿真分析方法 |
-
2020
- 2020-03-31 CN CN202010247746.8A patent/CN111400658B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103675792A (zh) * | 2013-12-06 | 2014-03-26 | 中国科学院遥感与数字地球研究所 | CrIS超光谱数据的臭氧廓线快速反演方法 |
CN103744069A (zh) * | 2013-12-31 | 2014-04-23 | 中国科学院遥感与数字地球研究所 | 一种针对airs超光谱卫星数据的甲烷廓线正交反演方法 |
WO2018120444A1 (zh) * | 2016-12-31 | 2018-07-05 | 华中科技大学 | 一种动目标的红外辐射光谱特性仿真分析方法 |
CN107908838A (zh) * | 2017-11-01 | 2018-04-13 | 环境保护部卫星环境应用中心 | 高光谱卫星数据反演氧化亚氮廓线的通道选取方法及装置 |
Non-Patent Citations (1)
Title |
---|
基于红外高光谱探测器的大气CO2反演通道选择;李璐含 等;华东师范大学学报( 自然科学版);正文第2-3节 * |
Also Published As
Publication number | Publication date |
---|---|
CN111400658A (zh) | 2020-07-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Jin et al. | Remote estimation of soil organic matter content in the Sanjiang Plain, Northest China: The optimal band algorithm versus the GRA-ANN model | |
Li et al. | How well do satellite AOD observations represent the spatial and temporal variability of PM2. 5 concentration for the United States? | |
CN111400658B (zh) | 超光谱热红外数据反演气体廓线的通道选择方法 | |
CN109387487A (zh) | 卷云条件下短波红外高光谱数据大气甲烷快速反演方法 | |
CN111737913B (zh) | 一种基于云水含量反演的mwhts晴空观测亮温选择方法 | |
Hoffmann et al. | Envisat MIPAS measurements of CFC-11: retrieval, validation, and climatology | |
CN116297288B (zh) | 大气甲烷干空气混合比的快速遥感反演方法及系统 | |
Kuai et al. | Vertically constrained CO2 retrievals from TCCON measurements | |
CN113552080B (zh) | 一种超光谱遥感地表大气相对湿度的实时反演算法 | |
CN111060992A (zh) | 星载微波双氧探测通道等权重共轭的降水检测方法及系统 | |
CN107908838B (zh) | 高光谱卫星数据反演氧化亚氮廓线的通道选取方法及装置 | |
CN113436153A (zh) | 一种基于高光谱成像和支持向量机技术的原状土壤剖面碳组分预测方法 | |
CN114295574A (zh) | 基于超光谱遥感的大气污染物水平分布反演方法 | |
CN111426643B (zh) | 一种大气二氧化氮柱浓度反演条带噪声自适应窗口校正方法 | |
Verma et al. | A machine learning approach and methodology for solar radiation assessment using multispectral satellite images | |
Zhang et al. | Retrieval of sun-induced chlorophyll fluorescence using statistical method without synchronous irradiance data | |
Bai et al. | A fast and accurate vector radiative transfer model for simulating the near-infrared hyperspectral scattering processes in clear atmospheric conditions | |
CN101615254B (zh) | 基于广义加法模型的煤火信息高光谱遥感提取方法 | |
CN107798154B (zh) | 一种火星大气沙尘气溶胶光学厚度反演方法 | |
Gabrieli et al. | Validating the accuracy of SO 2 gas retrievals in the thermal infrared (8–14 μm) | |
KR101768107B1 (ko) | 복사전달 모델을 이용한 비선형 오염수준 정량화 방법 | |
CN108872093B (zh) | 基于被动遥感的o4吸收校正及气溶胶消光廓线反演方法 | |
CN114280694B (zh) | 一种基于气象卫星光谱成像仪的快速辐射传输方法及系统 | |
CN109029735A (zh) | 一种地表比辐射率计算方法及装置 | |
CN115392305A (zh) | 基于改进时间卷积网络的土壤有机质含量高光谱建模方法 |
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 |