CN112484776A - 静止卫星逐小时近地面大气细颗粒物估算方法 - Google Patents

静止卫星逐小时近地面大气细颗粒物估算方法 Download PDF

Info

Publication number
CN112484776A
CN112484776A CN202011295541.3A CN202011295541A CN112484776A CN 112484776 A CN112484776 A CN 112484776A CN 202011295541 A CN202011295541 A CN 202011295541A CN 112484776 A CN112484776 A CN 112484776A
Authority
CN
China
Prior art keywords
ground
aerosol
satellite
extinction
hourly
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.)
Pending
Application number
CN202011295541.3A
Other languages
English (en)
Inventor
王永前
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.)
Chengdu University of Information Technology
Original Assignee
Chengdu University of Information 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 Chengdu University of Information Technology filed Critical Chengdu University of Information Technology
Priority to CN202011295541.3A priority Critical patent/CN112484776A/zh
Publication of CN112484776A publication Critical patent/CN112484776A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
    • G01D21/00—Measuring or testing not otherwise provided for
    • G01D21/02—Measuring two or more variables by means not covered by a single other subclass
    • 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
    • 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
    • G01—MEASURING; TESTING
    • G01W—METEOROLOGY
    • G01W1/00—Meteorology
    • G01W1/02—Instruments for indicating weather conditions by measuring two or more variables, e.g. humidity, pressure, temperature, cloud cover or wind speed
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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)
  • Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • Computational Linguistics (AREA)
  • Analytical Chemistry (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Biochemistry (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Environmental & Geological Engineering (AREA)
  • Dispersion Chemistry (AREA)
  • Atmospheric Sciences (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Ecology (AREA)
  • Environmental Sciences (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

本发明公开了静止卫星逐小时近地面大气细颗粒物估算方法，包括以下步骤：S1：垂直订正，利用气象站算出的近地面消光系数与风云四号卫星气溶胶光学厚度匹配计算出气象站所在区域气溶胶标高；S2：湿度订正，利用模型1模型2逐月拟合该站点的吸湿增长函数，验证效果后计算不同湿度条件下的吸湿增长因子；S3：颗粒物估算，利用重采样和经纬度匹配将地基颗粒物浓度观测数据、物理订正后的干消光和各参数构建数据特征和模型的预测和验证数据集。相对于现有技术利用大气环境模式模拟的标高精度更好；解决颗粒物吸湿增长效应方法明确精细；利用整流线型作为激活函数解决神经网络计算量大和梯度消失问题。

Description

静止卫星逐小时近地面大气细颗粒物估算方法
技术领域
本发明涉及大气环境检测技术领域，具体为静止卫星逐小时近地面大气细颗粒物估算方法。
背景技术
自20世纪80年代初起，我国经历了30余年的经济持续高速发展，国民经济水平有了很大的提高，城市化过程非常迅速。与此相随的是人为活动和工业生产向大气中排放更多的气态、颗粒态污染物，使我国部分地区空气质量持续恶化，大量的环境流行病学研究发现大气中的细颗粒物曝露与包括哮喘、呼吸道感染、肺癌、心血管疾病、过早死亡等在内的各种疾病在世界范围内存在稳健的关联性，大气颗粒物污染对公众健康和生态安全构成了巨大威胁。故准确获取其时空分布、来源及传输路径已经是我国大气环境治理最急迫的任务。
目前，监测大气中PM2.5的方法主要有:地基监测、大气空气质量模式预报和遥感监测。地基监测精度高，但成本昂贵，站点数量有限且分布不均，监测区域大气污染分布存在一定的局限性。大气空气质量模式预报在空间上具有连续覆盖性，但分辨率较低、精度较差，对小尺度范围细节变化描述较差。而卫星遥感监测具有大区域范围内连续，能够在不同尺度上反映污染物的宏观分布趋势，为大气污染的全方位立体监测提供了重要的信息来源，可以在一定程度上弥补地面监测手段在区域尺度上的不足，已经成为掌握颗粒物区域尺度分布的必要手段。常用方法主要通过大气气溶胶光学厚度(AerosolOpticalDepth，AOD)估算近地面PM2.5的分布情况，基本原理为AOD表示对垂直大气柱浓度消光系数的积分，与近地面颗粒物之间具有较强的相关性。因此，建立AOD与PM2.5的关系模型估算PM2.5被广泛应用。
随着卫星遥感技术发展，我国第二代静止气象卫星风云四号已经发射成功，卫星的辐射成像通道由FY－2G星的5个增加为14个，覆盖了可见光、短波红外、中波红外和长波红外等波段，接近欧美第三代静止轨道气象卫星的16个通道。星上辐射定标精度0.5K、灵敏度0.2K、可见光空间分辨率0.5km。相对于极轨卫星每天过境2次，风云四号卫星具有15分钟完成一次全圆盘观测的能力。可以实现1分钟1次区域观测(1000km×1000km)，这将在很大程度上提高我国在短临天气预报、应对气候变化等防灾减灾方面的观测能力，为高时间分辨率的颗粒物估算打下基础。
目前的技术存在有CN110940624一种大气细颗粒物遥感估计方法，1.该方法利用的大气化学模式在小时尺度上的精度较低，无法得到高精度的整层气溶胶光学厚度和近地面消光系数的比例关系。2.该方法利用相对湿度模拟解决颗粒吸湿增长效应方法不明确，无法较好的解决同种粒子在不同湿度条件下消光特性不同的问题。还存在CN110595968A一种基于静止轨道卫星的PM2.5浓度估算方法和CN108426815A一种近地面细颗粒物组分浓度估算方法。
AOD是整层气溶胶消光系数的垂直积分，而颗粒物仅代表了近地面气溶胶粒子的含量，二者在物理含义上的天然差异，需要解决尺度差异；
颗粒物存在吸湿增长效应，由于气溶胶中存在大量可溶性成分，受环境湿度的影响，在凝结与蒸发效应下颗粒物的粒径，密度，形状，复折射指数及粒径分布函数都会发生改变，颗粒物消光截面增大，从而对电磁波的吸收作用更为强烈，使得同种粒子在不同湿度条件下消光特性有较大差别，需要解决湿度对浓度估算带来的误差；
物理订正后得到的是光学特性近地面干消光系数，与质量浓度存在差异，且由于复杂的边界层结构与气象条件，颗粒物的化学成分等在不同地区的差异性很大，对颗粒物估算带来不确定性。
基于此，本发明设计了静止卫星逐小时近地面大气细颗粒物估算方法，以解决上述提到的问题。
发明内容
本发明的目的在于提供静止卫星逐小时近地面大气细颗粒物估算方法，解决无法在大尺度范围内准确、及时、有效地获取小时尺度近地面细颗粒物浓度数据的技术问题。
为实现上述目的，本发明提供如下技术方案：静止卫星逐小时近地面大气细颗粒物估算方法，包括以下步骤：
S1：垂直订正
利用气象站算出的近地面消光系数与风云四号卫星气溶胶光学厚度匹配计算出气象站所在区域气溶胶标高，将所述气象站所在区域气溶胶标高插值至面，得到与卫星气溶胶光学厚度对应的气溶胶标高数据，计算出区域尺度的近地面消光；
S2：湿度订正
将距离较近的地面气象站与环境监测站进行匹配，利用气象站算出的近地面消光系数除以细颗粒物浓度得到站点的平均质量消光效率，利用模型1模型2逐月拟合该站点的吸湿增长函数，验证效果后计算不同湿度条件下的吸湿增长因子，针对不同的相对湿度将吸式增长因子插值至面，与卫星计算的湿近地面消光系数计算得到干近地面消光系数完成湿度订正；
S3：颗粒物估算
根据颗粒物形成机理和影响大气容量的气象参数的特征选择卫星观测参数、气象站观测参数、人口分布数据、DEM数据利用重采样和经纬度匹配将地基颗粒物浓度观测数据、物理订正后的干消光和各参数构建数据特征和模型的预测和验证数据集。
优选的，所述近地面消光系数为基于Koschmieder定律，利用国家地面气象站能见度观测数据计算站点位置得到，表达如下：
Figure BDA0002785291030000041
其中，R为能见度，n为大气折射率，在海平面处取值为n-1＝293×10-6，N为分子数密度，海平面出取值为N＝266×1019cm-3，波长λ为0.55μm。
优选的，所述卫星气溶胶光学厚度为风云四号卫星发布的逐小时气溶胶光学厚度，表示为大气铅直柱内所有气溶胶粒子消光能力的总和，也可以表示为近地面消光系数与气溶胶标高的乘积。
优选的，所述平均质量消光效率近似表示为：
Figure BDA0002785291030000042
其中，σa(λ)为近地面消光系数，PMX细颗粒物浓度。
优选的，所述吸湿增长因子f(RH)表示：
Figure BDA0002785291030000043
其中，Eext(RH)为不同RH下的颗粒物平均消光效率，Eext,dry为RH<45的颗粒物平均消光效率。
优选的，所述S2中，模型包括
模型一：
Figure BDA0002785291030000044
模型二：
Figure BDA0002785291030000045
其中，Eext(RH)为不同RH下的颗粒物平均消光效率，a、b、c均为Eext(RH)和RH拟合得到的系数。
优选的，所述S3中，所述卫星观测参数包括O3、NO2、SO2，所述气象站观测参数包括相对湿度、气温、气压、风速、风向。
优选的，在所述S3中，利用整流线型作为激活函数解决神经网络计算量大和梯度消失问题，包括
设置9层隐藏层，第1、2、3、4层神经元为256个，第4到9层神经元为128个，神经元均为2的整数次幂。训练集采用“十折”交叉验证的思想，将数据随机划分为10份，其中9份用来训练，1份用来验证，训练网络。
与现有技术相比，本发明的有益效果是：
1、本发明利用气象站算出的近地面消光系数与风云四号卫星气溶胶光学厚度匹配计算出气象站所在区域气溶胶标高，相对于现有技术利用大气环境模式模拟的标高精度更好；
2、本发明利用模型逐月拟合该站点的吸湿增长函数，验证效果后计算不同湿度条件下的吸湿增长因子，较现有方法解决颗粒物吸湿增长效应方法明确精细；
3、利用整流线型作为激活函数解决神经网络计算量大和梯度消失问题。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅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为本发明垂直订正流程图；
图2为本发明湿度订正流程图；
图3为本发明DNN深度学习模型图；
图4为本发明颗粒物估算流程图；
图5为本发明重庆2019年2月5日12时及2月6日12时标高分布示意图；
图6为本发明重庆江北区观音桥站吸式增长函数拟合示意图。
具体实施方式
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，所描述的实施例仅仅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作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
请参阅图1-6，本发明提供一种技术方案：静止卫星逐小时近地面大气细颗粒物估算方法，包括以下步骤：
S1：垂直订正
基于Koschmieder(Koschmieder，1925)定律，利用国家地面气象站能见度观测数据计算站点位置近地面消光系数；风云四号卫星发布的逐小时气溶胶光学厚度为大气铅直柱内所有气溶胶粒子消光能力的总和，可以表示为近地面消光系数与气溶胶标高的乘积，利用气象站算出的近地面消光系数与风云四号卫星气溶胶光学厚度匹配计算出气象站所在区域气溶胶标高，相对于现有技术利用大气环境模式模拟的标高精度更好。将气象站气溶胶标高插值至面，得到与卫星气溶胶光学厚度对应的气溶胶标高数据，计算出区域尺度的近地面消光，完成垂直订正。
大气整层AOD为大气铅直柱内所有气溶胶粒子消光能力的总和，基于气溶胶的垂直分布信息和湿度信息对AOD进行垂直吸湿订正，从而计算近地面气溶胶的干消光贡献，是提高颗粒物估算精度的关键，
在平面平行大气假设的前提下，AOD是整层气溶胶消光系数在铅直方向上的积分，如下方程所示：
Figure BDA0002785291030000071
其中，σ(λ,z)为Z高度处气溶胶消光系数。若假设气溶胶粒子的消光特性仅与其浓度有关，且相关关系不随高度变化，则近似有气溶胶消光系数也随高度呈负指数衰减，可得：
Figure BDA0002785291030000072
即AOD为近地面消光系数与气溶胶标高的乘积。因此只要获取与AOD对应的标高数据，就可以计算气溶胶近地面消光系数，实现垂直订正。
S2：湿度订正
将距离较近的地面气象站与环境监测站进行匹配，利用气象站算出的近地面消光系数除以细颗粒物浓度得到站点的平均质量消光效率，利用模型1模型2逐月拟合该站点的吸湿增长函数，验证效果后计算不同湿度条件下的吸湿增长因子，较现有方法解决颗粒物吸湿增长效应方法明确精细。
针对不同的相对湿度将吸式增长因子插值至面，与卫星计算的湿近地面消光系数计算得到干近地面消光系数完成湿度订正；
首先，通过能见度数据可以计算出近地面的气溶胶消光系数，由Koschmieder(Koschmieder，1925)定律可知，水平能见度和近地面大气消光能力成负相关，可被表达为如下形式：
Figure BDA0002785291030000073
其中，R为能见度，n为大气折射率，在海平面处取值为n-1＝293×10-6，N为分子数密度，海平面出取值为N＝266×1019cm-3，波长λ为0.55μm。
基于Mie散射理论，某一团气溶胶的消光系数与其质量浓度成正相关关系，为了精确描述混合气溶胶的消光能力，定义环境条件下混合气溶胶的平均质量消光效率为消光能力和颗粒物浓度的比值，若假定在一定时空范围内粒子的理化性质变化不大，则平均消光效率可近似表示为RH的函数：
Figure BDA0002785291030000081
为了精确描述气溶胶在不同湿度下的散射能力，定义气溶胶消光吸湿增长因子f(RH)：
Figure BDA0002785291030000082
其中，Eext(RH)为不同RH下的颗粒物平均消光效率，Eext,dry为RH<45的颗粒物平均消光效率。
大量研究表明，f(RH)能被三种经验模型拟合，而Eext,dry是常数，则Eext(RH)可类似的被下面两种模型拟合：
模型一：
Figure BDA0002785291030000083
模型二：
Figure BDA0002785291030000084
其中，Eext(RH)为不同RH下的颗粒物平均消光效率，a、b、c均为Eext(RH)和RH拟合得到的系数。模型一对海洋型气溶胶的模拟结果较好，对生物质燃烧等产生的有机气溶胶模拟结果不好；模型二主要是用于模拟含碳气溶胶的散射吸湿增长因子。
S3：颗粒物估算
根据颗粒物形成机理和影响大气容量的气象参数的特征选择卫星观测参数(O3、NO2、SO2)、气象站观测参数(相对湿度、气温、气压、风速、风向)、人口分布数据、DEM数据利用重采样和经纬度匹配将地基颗粒物浓度观测数据、物理订正后的干消光和各参数构建数据特征和模型的预测和验证数据集。
其中，利用整流线型作为激活函数解决神经网络计算量大和梯度消失问题，包括
设置9层隐藏层，第1、2、3、4层神经元为256个，第4到9层神经元为128个，神经元均为2的整数次幂。训练集采用“十折”交叉验证的思想，将数据随机划分为10份，其中9份用来训练，1份用来验证，训练网络。
在本说明书的描述中，参考术语“一个实施例”、“示例”、“具体示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节，也不限制该发明仅为所述的具体实施方式。显然，根据本说明书的内容，可作很多的修改和变化。本说明书选取并具体描述这些实施例，是为了更好地解释本发明的原理和实际应用，从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。

Claims (8)

1.静止卫星逐小时近地面大气细颗粒物估算方法，其特征在于：包括以下步骤：
S1：垂直订正
利用气象站算出的近地面消光系数与风云四号卫星气溶胶光学厚度匹配计算出气象站所在区域气溶胶标高，将所述气象站所在区域气溶胶标高插值至面，得到与卫星气溶胶光学厚度对应的气溶胶标高数据，计算出区域尺度的近地面消光；
S2：湿度订正
将距离较近的地面气象站与环境监测站进行匹配，利用气象站算出的近地面消光系数除以细颗粒物浓度得到站点的平均质量消光效率，利用模型1模型2逐月拟合该站点的吸湿增长函数，验证效果后计算不同湿度条件下的吸湿增长因子，针对不同的相对湿度将吸式增长因子插值至面，与卫星计算的湿近地面消光系数计算得到干近地面消光系数完成湿度订正；
S3：颗粒物估算
根据颗粒物形成机理和影响大气容量的气象参数的特征选择卫星观测参数、气象站观测参数、人口分布数据、DEM数据利用重采样和经纬度匹配将地基颗粒物浓度观测数据、物理订正后的干消光和各参数构建数据特征和模型的预测和验证数据集。
2.根据权利要求1所述的静止卫星逐小时近地面大气细颗粒物估算方法，其特征在于：所述近地面消光系数为基于Koschmieder定律，利用国家地面气象站能见度观测数据计算站点位置得到，表达如下：
Figure FDA0002785291020000011
其中，R为能见度，n为大气折射率，在海平面处取值为n-1＝293×10-6，N为分子数密度，海平面出取值为N＝266×1019cm-3，波长λ为0.55μm。
3.根据权利要求1所述的静止卫星逐小时近地面大气细颗粒物估算方法，其特征在于：所述卫星气溶胶光学厚度为风云四号卫星发布的逐小时气溶胶光学厚度，表示为大气铅直柱内所有气溶胶粒子消光能力的总和，也可以表示为近地面消光系数与气溶胶标高的乘积。
4.根据权利要求1所述的静止卫星逐小时近地面大气细颗粒物估算方法，其特征在于：所述平均质量消光效率近似表示为：
Figure FDA0002785291020000021
其中，σa(λ)为近地面消光系数，PMX细颗粒物浓度。
5.根据权利要求1所述的静止卫星逐小时近地面大气细颗粒物估算方法，其特征在于：所述吸湿增长因子f(RH)表示：
Figure FDA0002785291020000022
其中，Eext(RH)为不同RH下的颗粒物平均消光效率，Eext,dry为RH<45的颗粒物平均消光效率。
6.根据权利要求1所述的静止卫星逐小时近地面大气细颗粒物估算方法，其特征在于：所述S2中，模型包括
模型一：
Figure FDA0002785291020000023
模型二：
Figure FDA0002785291020000024
其中，Eext(RH)为不同RH下的颗粒物平均消光效率，a、b、c均为Eext(RH)和RH拟合得到的系数。
7.根据权利要求1所述的静止卫星逐小时近地面大气细颗粒物估算方法，其特征在于：所述S3中，所述卫星观测参数包括O3、NO2、SO2，所述气象站观测参数包括相对湿度、气温、气压、风速、风向。
8.根据权利要求1所述的静止卫星逐小时近地面大气细颗粒物估算方法，其特征在于：在所述S3中，利用整流线型作为激活函数解决神经网络计算量大和梯度消失问题，包括
设置9层隐藏层，第1、2、3、4层神经元为256个，第4到9层神经元为128个，神经元均为2的整数次幂。训练集采用“十折”交叉验证的思想，将数据随机划分为10份，其中9份用来训练，1份用来验证，训练网络。
CN202011295541.3A 2020-11-18 2020-11-18 静止卫星逐小时近地面大气细颗粒物估算方法 Pending CN112484776A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011295541.3A CN112484776A (zh) 2020-11-18 2020-11-18 静止卫星逐小时近地面大气细颗粒物估算方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011295541.3A CN112484776A (zh) 2020-11-18 2020-11-18 静止卫星逐小时近地面大气细颗粒物估算方法

Publications (1)

Publication Number Publication Date
CN112484776A true CN112484776A (zh) 2021-03-12

Family

ID=74931612

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011295541.3A Pending CN112484776A (zh) 2020-11-18 2020-11-18 静止卫星逐小时近地面大气细颗粒物估算方法

Country Status (1)

Country Link
CN (1) CN112484776A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114112995A (zh) * 2021-12-01 2022-03-01 中国人民解放军国防科技大学 基于三维变分技术的气溶胶光学特性资料同化方法和装置

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103942439A (zh) * 2014-04-24 2014-07-23 中国科学院遥感与数字地球研究所 一种基于气象观测数据的可吸入颗粒物浓度估算方法
CN106124374A (zh) * 2016-07-22 2016-11-16 中科宇图科技股份有限公司 基于数据融合的大气颗粒物遥感监测方法
CN106407633A (zh) * 2015-07-30 2017-02-15 中国科学院遥感与数字地球研究所 基于时空回归克里金模型估算地面pm2.5的方法及系统
CN106446307A (zh) * 2015-08-05 2017-02-22 中国科学院遥感与数字地球研究所 基于气溶胶地基数据的aod垂直订正效果评价方法及系统
CN108426815A (zh) * 2018-04-20 2018-08-21 中国科学院遥感与数字地球研究所 一种近地面细颗粒物组分浓度估算方法
CN108763756A (zh) * 2018-05-28 2018-11-06 河南工业大学 一种气溶胶光学厚度与pm2.5反演订正方法及其系统
CN110490686A (zh) * 2019-07-08 2019-11-22 西北大学 一种基于时间感知的商品评分模型构建、推荐方法及系统
CN110595968A (zh) * 2019-08-02 2019-12-20 中国科学院遥感与数字地球研究所 一种基于静止轨道卫星的pm2.5浓度估算方法
CN110673229A (zh) * 2019-10-23 2020-01-10 新亚优华科技有限公司 一种基于热点网格技术的大气污染物扩散轨迹追踪方法
CN110929228A (zh) * 2019-12-13 2020-03-27 成都信息工程大学 一种针对均匀混合气溶胶吸湿增长因子的反演算法
CN110940624A (zh) * 2019-11-07 2020-03-31 中国科学院遥感与数字地球研究所 一种大气细颗粒物遥感估计方法
CN111259336A (zh) * 2020-01-15 2020-06-09 成都信息工程大学 大气污染物浓度预警方法
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

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103942439A (zh) * 2014-04-24 2014-07-23 中国科学院遥感与数字地球研究所 一种基于气象观测数据的可吸入颗粒物浓度估算方法
CN106407633A (zh) * 2015-07-30 2017-02-15 中国科学院遥感与数字地球研究所 基于时空回归克里金模型估算地面pm2.5的方法及系统
CN106446307A (zh) * 2015-08-05 2017-02-22 中国科学院遥感与数字地球研究所 基于气溶胶地基数据的aod垂直订正效果评价方法及系统
CN106124374A (zh) * 2016-07-22 2016-11-16 中科宇图科技股份有限公司 基于数据融合的大气颗粒物遥感监测方法
CN108426815A (zh) * 2018-04-20 2018-08-21 中国科学院遥感与数字地球研究所 一种近地面细颗粒物组分浓度估算方法
CN108763756A (zh) * 2018-05-28 2018-11-06 河南工业大学 一种气溶胶光学厚度与pm2.5反演订正方法及其系统
CN110490686A (zh) * 2019-07-08 2019-11-22 西北大学 一种基于时间感知的商品评分模型构建、推荐方法及系统
CN110595968A (zh) * 2019-08-02 2019-12-20 中国科学院遥感与数字地球研究所 一种基于静止轨道卫星的pm2.5浓度估算方法
CN110673229A (zh) * 2019-10-23 2020-01-10 新亚优华科技有限公司 一种基于热点网格技术的大气污染物扩散轨迹追踪方法
CN110940624A (zh) * 2019-11-07 2020-03-31 中国科学院遥感与数字地球研究所 一种大气细颗粒物遥感估计方法
CN110929228A (zh) * 2019-12-13 2020-03-27 成都信息工程大学 一种针对均匀混合气溶胶吸湿增长因子的反演算法
CN111259336A (zh) * 2020-01-15 2020-06-09 成都信息工程大学 大气污染物浓度预警方法
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

Non-Patent Citations (12)

* Cited by examiner, † Cited by third party
Title
付宏臣 等: "基于AOD数据和GWR模型估算京津冀地区PM2.5浓度", 《中国环境科学》 *
叶小舟等: "循环神经网络结构中激活函数的改进", 《计算机与现代化》 *
张世乔等: "京津唐地区PM_(2.5)遥感估算与区域传输", 《遥感信息》 *
张光华等: "基于GAN的天文图像生成研究", 《西北工业大学学报》 *
朱育雷等: "MODIS卫星遥感AOD反演近地面"湿"消光系数新模型的构建及应用", 《环境科学学报》 *
祝好 等: "基于气象要素的气溶胶吸湿增长分析:以浙江省为例", 《气候与环境研究》 *
祝好: "基于气象观测的气溶胶吸湿增长特长研究", 《中国优秀硕士学位论文全文数据库 工程科技I辑》 *
许文龙等: "基于AERONET数据估算近地面PM_(2.5)", 《环境科学学报》 *
郑俊等: "MODIS气溶胶光学厚度反演的西安市颗粒物浓度研究", 《测绘工程》 *
郝静: "京津冀地区PM浓度时空变化定量模拟", 《中国优秀硕士学位论文全文数据库 工程科技I辑》 *
陈良富 等: "卫星数据和地面观测结合的珠三角地区颗粒物质量浓度统计估算方法", 《热带地理》 *
陶金花 等: "一种基于卫星AOT估算近地面颗粒物的方法", 《中国科学：地球科学》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114112995A (zh) * 2021-12-01 2022-03-01 中国人民解放军国防科技大学 基于三维变分技术的气溶胶光学特性资料同化方法和装置
CN114112995B (zh) * 2021-12-01 2024-01-30 中国人民解放军国防科技大学 基于三维变分技术的气溶胶光学特性资料同化方法和装置

Similar Documents

Publication Publication Date Title
Ye et al. Constraining fossil fuel CO2 emissions from urban area using OCO‐2 observations of total column CO2
Guo et al. Estimating ground-level PM2. 5 concentrations in Beijing using a satellite-based geographically and temporally weighted regression model
CN108763756B (zh) 一种气溶胶光学厚度与pm2.5反演订正方法及其系统
Guo et al. Air pollution forecasting using artificial and wavelet neural networks with meteorological conditions
Quan et al. GIS-based landslide susceptibility mapping using analytic hierarchy process and artificial neural network in Jeju (Korea)
Kueppers et al. Seasonal temperature responses to land-use change in the western United States
Lamer et al. Observations of the variability of shallow trade wind cumulus cloudiness and mass flux
CN107678075A (zh) 一种基于国产卫星的城市热岛效应监测方法和系统
Tian et al. Estimating PM2. 5 from multisource data: A comparison of different machine learning models in the Pearl River Delta of China
CN110989041B (zh) 一种灰霾和沙尘天气的预报方法及预报系统
CN110503348B (zh) 一种基于位置匹配的个体空气污染暴露模拟测量方法
Xia et al. Aerosol data assimilation using data from Fengyun-3A and MODIS: application to a dust storm over East Asia in 2011
CN109871637A (zh) 一种云天条件下近地面气温估算方法
Mengelkamp et al. Evaporation over a heterogeneous land surface
Wei et al. Spatial interpolation of PM2. 5 concentrations during holidays in south-central China considering multiple factors
Ganguly et al. In situ ship cruise measurements of mass concentration and size distribution of aerosols over Bay of Bengal and their radiative impacts
Zeng et al. Tracking the atmospheric pulse of a North American megacity from a mountaintop remote sensing observatory
CN112484776A (zh) 静止卫星逐小时近地面大气细颗粒物估算方法
Choi et al. Retrieval of hourly PM2. 5 using top-of-atmosphere reflectance from geostationary ocean color imagers I and II
Li et al. Assessing urban micro-climates with vertical and horizontal building morphological cutting deep transfer learning neural networks
Nauth et al. The Influence of Synoptic-Scale Wind Patterns on Column-Integrated Nitrogen Dioxide, Ground-Level Ozone, and the Development of Sea-Breeze Circulations in the New York City Metropolitan Area
Nitis et al. The effects of basic flow and topography on the development of the sea breeze over a complex coastal environment
CN116466368B (zh) 基于激光雷达和卫星资料的沙尘消光系数廓线估算方法
Estruch et al. Exploring how the heterogeneous urban landscape influences CO2 concentrations: The case study of the Metropolitan Area of Barcelona
Moraglia et al. Quantifying the impacts of an urban area on clouds and precipitation patterns: A modeling perspective

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20210312