CN112183384B - 一种基于卫星资料的气溶胶遥感分类方法 - Google Patents

一种基于卫星资料的气溶胶遥感分类方法 Download PDF

Info

Publication number
CN112183384B
CN112183384B CN202011056337.6A CN202011056337A CN112183384B CN 112183384 B CN112183384 B CN 112183384B CN 202011056337 A CN202011056337 A CN 202011056337A CN 112183384 B CN112183384 B CN 112183384B
Authority
CN
China
Prior art keywords
aerosol
aod
remote sensing
data
satellite
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
Application number
CN202011056337.6A
Other languages
English (en)
Other versions
CN112183384A (zh
Inventor
默罕穆德·比拉尔
丘仲锋
阿里·默罕穆德·阿凡
王钰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing University of Information Science and Technology
Original Assignee
Nanjing University of Information Science and Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nanjing University of Information Science and Technology filed Critical Nanjing University of Information Science and Technology
Priority to CN202011056337.6A priority Critical patent/CN112183384B/zh
Publication of CN112183384A publication Critical patent/CN112183384A/zh
Application granted granted Critical
Publication of CN112183384B publication Critical patent/CN112183384B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/30—Noise filtering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10032—Satellite or aerial image; Remote sensing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30181—Earth observation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Astronomy & Astrophysics (AREA)
  • Remote Sensing (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

本发明公开了一种基于卫星资料的气溶胶遥感分类方法，包括：选取研究区域，获取研究区域的卫星遥感反射率数据，进行云掩膜，去除受云影响的像元；提取获得所选研究区域的AOD和AE的空间分布数据；根据提取的所选研究区域的AOD和AE的空间分布数据，按设定的空间窗口进行AOD数值统计，获得最小值、平均值、中值和最大值数值特征，并设定两个特征参数Q1和Q3；将实提取的所选研究区域的AOD和AE的空间分布数据、Q1和Q3代入公式，确定气溶胶类型，以得到逐像元的气溶胶类型信息。本发明不依赖于地基观测，能够对任意位置的气溶胶分类，以实现所有地区的气溶胶分类，可更好地实现气溶胶卫星遥感分类工作，提高卫星气溶胶监测水平。

Description

一种基于卫星资料的气溶胶遥感分类方法
技术领域
本发明涉及一种基于卫星资料的气溶胶遥感分类方法，属于卫星遥感技术领域。
背景技术
气溶胶是指悬浮在气体介质中的固态或液态颗粒所组成的气态分散系统。这些固态或液态颗粒的密度与气体介质的密度可以相差微小，也可以悬殊很大。气溶胶颗粒大小通常在0.01-10μm之间，但由于来源和形成原因范围很大，例如：花粉等植物气溶胶的粒径为 5-100μm、木材及烟草燃烧产生的气溶胶，其粒径为0.01-1000μm等。颗粒的形状多种多样，可以是近乎球形，诸如液态雾珠，也可以是片状、针状及其它不规则形状。
气溶胶粒子具有分布不均匀、变化尺度小、复杂性的特点，多集中于大气的底层，对云的凝结核、雨滴、冰晶形成，进而对降水的形成起重要作用。气溶胶甚至可以改变云的存在时间，能够在云的表面产生化学反应，决定降雨量的多少，影响大气成分。
气溶胶颗粒物的表面结构非常复杂，有的较为光滑，但大部分颗粒表面粗糙，因此，颗粒的表面可作为颗粒与大气发生化学反应或催化氧化反应的场所。例如，二氧化硫在气溶胶颗粒表面可被催化氧化(因表面含有铁或锰等过渡金属)而产生硫酸盐，或发生气相氧化生成硫酸盐气溶胶(颗粒物，二次污染物)。后者可远距离迁移，在几百公里上空沉降(干沉降)或被雨水冲刷(湿沉降)抵达地面，从而造成土壤、水体的酸化，影响植物、水生生物的生长，美国东北部、五大湖地区的酸雨危害，就是由硫酸盐气溶胶造成的。我国的燃料结构以煤为主，燃煤产生的二氧化硫和烟尘，已成为大气污染的普遍问题，二氧化硫转化为硫酸盐和烟尘颗粒物中有毒有害物质的传播、转化，都会造成环境与生态的危害。
由于不同来源不同种类的气溶胶会对环境造成不同的影响，比如对大气成分影响、对臭氧层的破坏及对大气环境污染等，因此，了解气溶胶的类别，对于认识气溶胶的环境效应至关重要。当前对于气溶胶类别的研究，主要依靠现场观测数据和卫星资料，能够获取大范围同步信息的，主要来自卫星遥感。
目前已有多种基于气溶胶光学厚度(AOD)和
Figure BDA0002708671410000011
指数(AE)的气溶胶分类方法(本发明将类似的技术称为“一般方法(GA)”)，可将气溶胶分为如下几种：(1)清洁大陆型(CC：细粒子及低AOD)气溶胶，(2)清洁海洋型(CM：混合型粒子及低AOD) 气溶胶，(3)沙漠粉尘型(DD：粗粒子及中到高AOD)气溶胶，(4)地区/区域尺度上的生物质燃烧/城市工业型(BB/UI：细粒子及高AOD)气溶胶。
这类方法存在以下问题：(1)GA方法中的AE和AOD值不可靠；(2)无法解释用于气溶胶分类的AOD及AE值确定方法；(3)从某点测量的AOD及AE时空数据，用于另一地点的气溶胶类型判断时可能会出错；(4)这些研究无法对所有可用的数据集进行分类，而且大部分数据存在不能分类的问题。
因此，当前利用卫星遥感技术对气溶胶进行分类还存在一定问题。
发明内容
为了解决现有的技术问题，本发明的目的是提供一种基于卫星资料的气溶胶遥感分类方法，以解决当前利用卫星遥感技术对气溶胶分类存在的问题，从而更好地实现气溶胶卫星遥感分类工作，提高卫星气溶胶监测水平。
本发明具体采用以下技术方案解决上述技术问题：
一种基于卫星资料的气溶胶遥感分类方法，包括以下步骤：
步骤1：选取研究区域，获取研究区域的卫星遥感反射率数据，并根据不同波段信息和卫星辅助数据进行云掩膜，去除受云影响的像元；
步骤2：针对去除像元后的研究区域卫星遥感反射率数据，提取获得所选研究区域的 AOD和AE的空间分布数据；
步骤3：根据提取的所选研究区域的AOD和AE的空间分布数据，按设定的空间窗口进行AOD数值统计，获得最小值、平均值、中值和最大值数值特征，并设定两个特征参数 Q1和Q3,分别位于最小值与中值之间，及中值与最大值之间；
步骤4：将提取的所选研究区域的AOD和AE的空间分布数据、Q1和Q3代入公式，确定气溶胶类型，以得到逐像元的气溶胶类型信息：
低浓度(LC)粗粒子型(CA)气溶胶＝AOD≤Q1&AE≤a1 (1)
低浓度(LC)混合模式(MA)气溶胶＝AOD≤Q1&a2<AE≤a3 (2)
低浓度(LC)细粒子型(FA)气溶胶＝AOD≤Q1&AE>a4 (3)
中浓度(MC)粗粒子型(CA)气溶胶＝Q1<AOD≤Q3&AE≤a5 (4)
中浓度(MC)混合模式(MA)气溶胶＝Q1<AOD≤Q3&a6<AE≤a7 (5)
中浓度(MC)粗粒子型(FA)气溶胶＝Q1<AOD≤Q3&AE>a8 (6)
高浓度(HC)粗粒子型(CA)气溶胶＝AOD>Q3&AE≤a9 (7)
高浓度(HC)混合模式(MA)气溶胶＝AOD>Q3&a10<AE≤a11 (8)
高浓度(HC)细粒子型(FA)气溶胶＝AOD>Q3&AE>a12 (9)
其中，a1至a12分别为设定的阈值；
步骤5：根据所得到逐像元的气溶胶类型信息，进行特征分布统计，获得气溶胶类别的遥感探测时空分布特征和变化特征。
进一步地，作为本发明的一种优选方案：所述步骤2中利用暗目标与深蓝结合算法DTB 反演得到550nm AOD及470-670nm AE空间分布数据。
本发明采用上述技术方案，能产生如下技术效果：
本发明提供的一种基于卫星资料的气溶胶遥感分类方法，针对现有方法仅靠AOD和 AE不能够表征CC、CM、BB/UI和DD气溶胶类型，引入了一种新的分类方法，使用两个新参数来定义低浓度、中浓度和高浓度气溶胶，用AE的范围来定义细粒子、混合型和粗粒子气溶胶，以实现所有地区的气溶胶分类；对比至现有方法，本发明具有以下有益效果及优点：
1)该方法不依赖于地基观测。
2)能够对任意位置的气溶胶进行分类。
3)能够提供气溶胶类型的时空变化。
4)能够对所有可用数据进行分类，没有未分类数据剩余。
5)与GA方法相比，提供了更高的空间覆盖。
因此，本发明方法可以更好地实现气溶胶卫星遥感分类工作，提高卫星气溶胶监测水平。
附图说明
图1为本发明基于卫星资料的气溶胶遥感分类方法的流程示意图。
具体实施方式
下面结合说明书附图对本发明的实施方式进行描述。
如图1所示，本发明设计了一种基于卫星资料的气溶胶遥感分类方法，以实现所有地区的气溶胶分类，方法具体包括以下步骤：
步骤1：选取研究区域，比如可选整个中国区域或其他重点研究区域；区域选定后，从卫星资料比如MODIS，获取研究区域的卫星遥感反射率数据，并根据不同波段信息和卫星辅助数据进行云掩膜，去除受云影响的像元，即去除对气溶胶分类遥感提取无用的像元。
步骤2：针对去除像元后的卫星遥感反射率数据，根据不同传感器波段设置和数据特点，选用相对应的AOD和AE提取算法，提取获得所选研究区域的AOD和AE的空间分布数据；比如针对MODIS传感器，可利用暗目标与深蓝结合算法DTB反演得到550nm AOD 及470-670nm AE空间分布数据。
步骤3：根据提取的所选研究区域的AOD和AE的空间分布数据，按设定的空间窗口比如10km X 10km，进行AOD数值统计，获得最小值、平均值、中值和最大值数值特征，并设定两个特征参数Q1和Q3，分别位于最小值与中值之间，及中值与最大值之间。
步骤4：将提取的所选研究区域的AOD和AE的空间分布数据、Q1和Q3代入公式，即结合两个新参数，定义低浓度、中浓度和高浓度气溶胶，用AE的范围来定义细粒子、混合型和粗粒子气溶胶，确定气溶胶类型，以得到逐像元的气溶胶类型信息：
低浓度(LC)粗粒子型(CA)气溶胶＝AOD≤Q1&AE≤a1 (1)
低浓度(LC)混合模式(MA)气溶胶＝AOD≤Q1&a2<AE≤a3 (2)
低浓度(LC)细粒子型(FA)气溶胶＝AOD≤Q1&AE>a4 (3)
中浓度(MC)粗粒子型(CA)气溶胶＝Q1<AOD≤Q3&AE≤a5 (4)
中浓度(MC)混合模式(MA)气溶胶＝Q1<AOD≤Q3&a6<AE≤a7 (5)
中浓度(MC)粗粒子型(FA)气溶胶＝Q1<AOD≤Q3&AE>a8 (6)
高浓度(HC)粗粒子型(CA)气溶胶＝AOD>Q3&AE≤a9 (7)
高浓度(HC)混合模式(MA)气溶胶＝AOD>Q3&a10<AE≤a11 (8)
高浓度(HC)细粒子型(FA)气溶胶＝AOD>Q3&AE>a12 (9)
其中，a1至a12分别为设定的阈值；本实施例中设定a1、a12的值分别为0.5、1，但本发明不限于该数值。
由上述公式，可将气溶胶分成浓度与粒子组合的9种类型，得到每个像元的气溶胶类型信息。
步骤5：根据所得到逐像元的气溶胶类型信息，进行特征分布统计，获得气溶胶类别的遥感探测时空分布特征和变化特征，以实现所有地区的气溶胶分类。
因此，本发明方法通过使用两个新参数来定义低浓度、中浓度和高浓度气溶胶，用AE 的范围来定义细粒子、混合型和粗粒子气溶胶，不依赖于地基观测，能够对任意位置的气溶胶进行分类，以实现所有地区的气溶胶分类。可以更好地实现气溶胶卫星遥感分类工作，提高卫星气溶胶监测水平。
应该指出的是，上述实例旨在便于本领域内的普通技术人员对本发明的理解及应用，而不起任何限定作用。凡是根据本发明内容的实质所做出的等效的变化或修饰，都应涵盖在本发明的保护范围内。因此，本发明的保护范围应该以权利要求书的保护范围为准。

Claims (2)

1.一种基于卫星资料的气溶胶遥感分类方法，其特征在于，包括以下步骤：
步骤1：选取研究区域，获取研究区域的卫星遥感反射率数据，并根据不同波段信息和卫星辅助数据进行云掩膜，去除受云影响的像元；
步骤2：针对去除像元后的研究区域卫星遥感反射率数据，提取获得所选研究区域的AOD和AE的空间分布数据；
步骤3：根据提取的所选研究区域的AOD和AE的空间分布数据，按设定的空间窗口进行AOD数值统计，获得最小值、平均值、中值和最大值数值特征，并设定两个特征参数Q1和Q3，分别位于最小值与中值之间，及中值与最大值之间；
步骤4：将提取的所选研究区域的AOD和AE的空间分布数据、Q1和Q3代入公式，确定气溶胶类型，以得到逐像元的气溶胶类型信息：
低浓度LC粗粒子型CA气溶胶＝AOD≤Q1且AE≤a1 (1)
低浓度LC混合模式MA气溶胶＝AOD≤Q1且a2<AE≤a3 (2)
低浓度LC细粒子型FA气溶胶＝AOD≤Q1且AE>a4 (3)
中浓度MC粗粒子型CA气溶胶＝Q1<AOD≤Q3且AE≤a5 (4)
中浓度MC混合模式MA气溶胶＝Q1<AOD≤Q3且a6<AE≤a7 (5)
中浓度MC粗粒子型FA气溶胶＝Q1<AOD≤Q3且AE>a8 (6)
高浓度HC粗粒子型CA气溶胶＝AOD>Q3且AE≤a9 (7)
高浓度HC混合模式MA气溶胶＝AOD>Q3且a10<AE≤a11 (8)
高浓度HC细粒子型FA气溶胶＝AOD>Q3且AE>a12 (9)
其中，a1至a12分别为设定的阈值；
步骤5：根据所得到逐像元的气溶胶类型信息，进行特征分布统计，获得气溶胶类别的遥感探测时空分布特征和变化特征。
2.根据权利要求1所述基于卫星资料的气溶胶遥感分类方法，其特征在于：所述步骤2中利用暗目标与深蓝结合算法DTB反演得到550nm AOD及470-670nm AE空间分布数据。
CN202011056337.6A 2020-09-29 2020-09-29 一种基于卫星资料的气溶胶遥感分类方法 Active CN112183384B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011056337.6A CN112183384B (zh) 2020-09-29 2020-09-29 一种基于卫星资料的气溶胶遥感分类方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011056337.6A CN112183384B (zh) 2020-09-29 2020-09-29 一种基于卫星资料的气溶胶遥感分类方法

Publications (2)

Publication Number Publication Date
CN112183384A CN112183384A (zh) 2021-01-05
CN112183384B true CN112183384B (zh) 2022-06-10

Family

ID=73946171

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011056337.6A Active CN112183384B (zh) 2020-09-29 2020-09-29 一种基于卫星资料的气溶胶遥感分类方法

Country Status (1)

Country Link
CN (1) CN112183384B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN117152638B (zh) * 2023-11-01 2024-01-26 张家港长三角生物安全研究中心 一种基于影像识别的生物气溶胶监测及预警系统

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109870419B (zh) * 2017-12-05 2021-09-17 核工业北京地质研究院 一种采用航空高光谱数据预测黑土氮磷钾含量的方法
CN108761484A (zh) * 2018-04-26 2018-11-06 江苏省气象台 一种基于多源卫星遥感数据的海雾监测方法
CN109492563A (zh) * 2018-10-30 2019-03-19 深圳大学 一种基于无人机高光谱影像和LiDAR点云的树种分类方法

Also Published As

Publication number Publication date
CN112183384A (zh) 2021-01-05

Similar Documents

Publication Publication Date Title
Liu et al. The contribution of residential coal combustion to atmospheric PM 2.5 in northern China during winter
CN112183384B (zh) 一种基于卫星资料的气溶胶遥感分类方法
Ullrich et al. A new ice nucleation active site parameterization for desert dust and soot
Nakamura et al. Chemical characteristics of aerosols transported from Asia to the East China Sea: an evaluation of anthropogenic combined nitrogen deposition in autumn
Tie et al. Aerosol pollution in China: Present and future impact on environment
Liu et al. A review of self-organizing map applications in meteorology and oceanography
Huang et al. Characteristics of carbonaceous aerosol in PM2. 5: Pearl Delta River region, China
Jeong et al. Estimation of the contributions of long range transported aerosol in East Asia to carbonaceous aerosol and PM concentrations in Seoul, Korea using highly time resolved measurements: a PSCF model approach
CN102054274B (zh) 一种海岸带水体遥感信息全自动提取方法
Ji et al. Counteractive effects of regional transport and emission control on the formation of fine particles: a case study during the Hangzhou G20 summit
Engelbrecht et al. Physical and chemical properties of deposited airborne particulates over the Arabian Red Sea coastal plain
CN103218622A (zh) 一种基于计算机视觉的雾霾监测方法
Hara et al. Seasonal features and origins of carbonaceous aerosols at Syowa Station, coastal Antarctica
Yadav et al. The role of local meteorology on ambient particulate and gaseous species at an urban site of western India
Wang et al. Characterization of black carbon concentrations of haze with different intensities in Shanghai by a three-year field measurement
Sonwani et al. Water-insoluble carbonaceous components in rainwater over an urban background location in Northern India during pre-monsoon and monsoon seasons
Li et al. Effects of chemical compositions in fine particles and their identified sources on hygroscopic growth factor during dry season in urban Guangzhou of South China
Nayeem et al. Spatiotemporal Variation of Brick Kilns and it’s relation to Ground-level PM2. 5 through MODIS Image at Dhaka District, Bangladesh
Xia et al. Impact of near-surface turbulence on PM2. 5 concentration in Chengdu during the COVID-19 pandemic
Jayaram et al. Anomalous reduction of the total suspended matter during the COVID-19 lockdown in the hooghly estuarine system
Xu et al. Composition and sources of heavy metals in aerosol at a remote site of Southeast Tibetan Plateau, China
Xu et al. High-resolution physicochemical dataset of atmospheric aerosols over the Tibetan Plateau and its surroundings
Tang et al. Analysis of a severe regional haze-fog-dust episode over north China in autumn by using multiple observation data
CN103913750B (zh) 一种基于卫星云参数产品确定灰霾分布的方法
Delmas Ice core studies of global biogeochemical cycles

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