CN112684471B - 一种基于激光雷达的气溶胶微物理特性反演方法 - Google Patents

一种基于激光雷达的气溶胶微物理特性反演方法 Download PDF

Info

Publication number
CN112684471B
CN112684471B CN202011389154.6A CN202011389154A CN112684471B CN 112684471 B CN112684471 B CN 112684471B CN 202011389154 A CN202011389154 A CN 202011389154A CN 112684471 B CN112684471 B CN 112684471B
Authority
CN
China
Prior art keywords
aerosol
laser radar
partial
data
micro
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
CN202011389154.6A
Other languages
English (en)
Other versions
CN112684471A (zh
Inventor
黄忠伟
黄建平
董青青
闭建荣
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.)
Lanzhou University
Original Assignee
Lanzhou University
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 Lanzhou University filed Critical Lanzhou University
Priority to CN202011389154.6A priority Critical patent/CN112684471B/zh
Publication of CN112684471A publication Critical patent/CN112684471A/zh
Application granted granted Critical
Publication of CN112684471B publication Critical patent/CN112684471B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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

  • Optical Radar Systems And Details Thereof (AREA)

Abstract

本发明公开一种基于激光雷达的气溶胶微物理特性反演方法，包括：步骤S1、获取米散射激光雷达参数；步骤S2、计算无云条件下，各米散射激光雷达参数从预设初始高度到最大探测高度处的积分结果；步骤S3、获取相同站点对应时刻的气溶胶微物理特性参数数据作为因变量，将各米散射激光雷达参数从预设初始高度到最大探测高度处的柱积分结果作为自变量，建立偏最小二乘回归模型；步骤S4、通过激光雷达获取待测区域每个时刻在不同高度上的米散射激光雷达参数数据，并通过偏最小二乘回归模型得到待测区域不同时刻气溶胶微物理特性参数的垂直分布状况，完成气溶胶微物理特性反演。本发明计算简单，反演结果可靠性高。

Description

一种基于激光雷达的气溶胶微物理特性反演方法
技术领域
本发明涉及激光雷达大气探测反演技术领域，特别是涉及一种基于激光雷达的气溶胶微物理特性反演方法。
背景技术
大气气溶胶在全球气候和生态环境中发挥着重要的作用，但由于气溶胶的复杂性，其气候效应仍然存在很大的不确定性。气溶胶的光学和物理参数是表征气溶胶类型的必要条件，如体积浓度和有效粒子半径，都是研究气溶胶对大气过程影响的重要参数。随着激光技术的快速发展，激光雷达已被应用于气溶胶微物理性质的研究。双波长旋转拉曼激光雷达可以观测得到气溶胶的大小分布。而多波长拉曼激光雷达能够得到不同气溶胶在不同波长下的散射和吸收特性，通常用于进一步反演气溶胶的微物理特性。Althausen等人首先研制了具有6个波长的激光器和11个接收信号通道的扫描拉曼气溶胶激光雷达，主要利用正则化技术得到颗粒的尺寸分布，并进行交叉验证，误差约为20％。此外，一些粒子的重要微观物理学的参数，如有效半径和数量浓度，可以利用多波长米-拉曼激光雷达，通过两个消光系数和三个后向散射系数(3β+2α)，和改进使用的三个后向散射系数、两个消光系数和一个退偏振比(3β+2α+1δ)的反演方法得到。此外，也有学者对卫星多波长激光雷达观测反演得到的气溶胶微物理性质进行了模拟，研究发现仅基于一个消光系数和三个后向散射系数(3β+1α)的反演结果是可以接受的。然而理论研究表明，关于从这些后向散射激光雷达观测中获取粒子物理特性的问题，至少需要三到四个波长的后向散射系数才能得出气溶胶粒子的微物理特性。这对激光雷达的要求非常高，多波长激光雷达搭载多个波长激光器，虽然能够采集到更多的气溶胶信息，但是仪器的结构变得更加复杂，稳定性较差，维护也非常困难。
因此，目前亟需一种简单可靠的气溶胶微物理特性反演方法。
发明内容
本发明的目的是提供一种基于激光雷达的气溶胶微物理特性反演方法，以解决现有技术中存在的技术问题，计算简单，反演结果可靠性高。
为实现上述目的，本发明提供了如下方案：本发明提供一种基于激光雷达的气溶胶微物理特性反演方法，包括如下步骤：
步骤S1、获取米散射激光雷达参数；
步骤S2、基于米散射激光雷达参数，计算无云条件下，各米散射激光雷达参数从预设初始高度到最大探测高度处的积分结果；
步骤S3、获取相同站点对应时刻的气溶胶微物理特性参数数据，将气溶胶微物理特性参数数据作为因变量，将各米散射激光雷达参数从预设初始高度到最大探测高度处的柱积分结果作为自变量，建立偏最小二乘回归模型；
步骤S4、通过激光雷达获取待测区域每个时刻在不同高度上的米散射激光雷达参数数据，并通过偏最小二乘回归模型得到待测区域不同时刻气溶胶微物理特性参数的垂直分布状况，完成气溶胶微物理特性反演。
优选地，所述步骤S1中，所述米散射激光雷达参数包括衰减后向散射系数ABC、退偏比DR和色比CR。
优选地，所述步骤S2具体包括如下步骤：
步骤S2.1、获取预设初始高度、最大探测高度；
步骤S2.2、将ABC、DR和CR从预设初始高度到最大探测高度处进行积分计算，分别得到ABC、DR和CR从预设初始高度到最大探测高度处的柱积分结果。
优选地，所述步骤S2.1中，最大探测高度的获取方法包括：
对于获取的ABC数据，在每个探测时刻，从预设初始高度的数据开始，取若干个数据为一组，组内数据中负值个数小于预设阈值，则向上移动一个数据，并重复计算组内负值的个数，直到组内数据中负值的个数大于或等于预设阈值，将组内第一个不为负的数据所在的高度作为最大探测高度。
优选地，气溶胶微物理特性参数数据包括体积浓度VC和有效粒子半径ER。
优选地，所述步骤S3中，VC和ER对应的偏最小二乘回归模型通过如下回归方程表示为:
Figure BDA0002810763410000031
式中，F1和F2分别代表VC和ER基于偏最小二乘回归的线性回归方程，IDR，ICR，IABC分别表示DR、CR、ABC从预设初始高度到最大探测高度处的柱积分结果。
优选地，所述步骤S4还包括对通过偏最小二乘回归模型得到的VC和ER的垂直分布状况进行验证的步骤。
优选地，通过空气动力学粒径谱仪APS对偏最小二乘回归模型得到的VC和ER垂直分布状况进行可靠性验证。
优选地，通过APS对偏最小二乘回归模型得到的VC和ER垂直分布状况进行可靠性验证具体包括如下步骤：
通过APS获取地面气溶胶粒径分布谱，基于粒径分布谱计算气溶胶的体积浓度VC；
通过气溶胶粒径计算气溶胶的有效粒子半径ER；
将偏最小二乘回归模型得到的VC和ER垂直分布状况与通过APS获取的气溶胶的体积浓度VC、有效粒子半径ER进行对比，完成验证。
本发明公开了以下技术效果：
本发明将气溶胶微物理特性参数数据作为因变量，将各米散射激光雷达参数从预设初始高度到最大探测高度处的柱积分结果作为自变量，建立偏最小二乘回归模型，通过激光雷达获取待测区域每个时刻在不同高度上的米散射激光雷达参数数据，并代入偏最小二乘回归模型，完成气溶胶微物理特性反演，计算简单，结果可靠性高，能够广泛应用于其他偏振激光雷达，尤其是地基激光雷达网络和星载激光雷达，为从地面激光雷达网络和星载激光雷达获取气溶胶关键特性的气候数据提供了一种有效的方法，这对于更准确地估计气溶胶的气候效应起到至关重要的作用。
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，下面将对实施例中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性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明基于激光雷达的气溶胶微物理特性反演方法流程图；
图2为本发明实施例中SACOL站、日本大阪Osaka站、日本千叶Chiba站的雷达反演结果与AERONET太阳光度计CE318观测结果的对比图；其中，图2(a)为SACOL站VC对比图，图2(b)为SACOL站ER对比图；图2(c)为日本大阪Osaka站VC对比图，图2(d)为日本大阪Osaka站ER对比图；图2(e)为日本千叶Chiba站VC对比图，图2(f)为日本千叶Chiba站ER对比图；
图3为本发明实施例中SACOL站激光雷达反演结果与APS观测结果的对比图；其中，图3(a)为VC对比图，图3(b)为ER对比图。
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。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
参照图1所示，本实施例提供一种基于激光雷达的气溶胶微物理特性反演方法，具体包括如下步骤：
步骤S1、获取米散射激光雷达参数；所述米散射激光雷达参数包括ABC(Attenuation Backscattering Coefficient，衰减后向散射系数)、DR(DepolarizationRatio，退偏比)和CR(Color Ratio，色比)。
本实施例中，所述ABC和DR通过AD-Net网站(https://www-lidar.nies.go.jp/AD-Net/)获得，CR由1064nm和532nm的ABC相比得到。
步骤S2、基于米散射激光雷达参数，计算无云条件下，ABC、DR和CR从预设初始高度到最大探测高度处的积分结果。具体包括：
步骤S2.1、获取预设初始高度、最大探测高度；
由于地面回波的影响，本实施例中，积分的预设初始高度选为150m，最大探测高度的具体获取方法包括：
对于获取的ABC数据，在每个探测时刻，从初始高度处的数据开始，十个数据为一组，若十个数据中的负值个数小于6(这里的负值主要是由于噪声的影响)，则向上移动一个数据，再次以十个数据为一组继续计算一组中负值的个数，直到一组数据中有6个及以上的负值，取这组数据中第一个不为负的数据所在的高度为最大探测高度。
步骤S2.2、将ABC、DR和CR从预设初始高度150m到最大探测高度处进行积分计算，分别得到ABC、DR和CR从预设初始高度到最大探测高度处的柱积分结果。
步骤S3、获取相同站点对应时刻的气溶胶VC(volume concentration，体积浓度)和ER(Effective Radius，有效粒子半径)，将VC、ER作为因变量，将ABC、DR和CR从预设初始高度到最大探测高度处的柱积分结果作为自变量，建立偏最小二乘回归模型。
本实施例中，在AERONET网站下载与步骤S2.2中相同站点对应时刻的气溶胶VC、ER，基于Minitab统计分析软件中的偏最小二乘回归模块，建立偏最小回归模型，并进行显著性检验，得到优化后的偏最小二乘回归模型。
VC和ER对应的偏最小二乘回归模型通过如下回归方程表示为:
Figure BDA0002810763410000071
式中，F1和F2分别代表VC和ER基于偏最小二乘回归的线性回归方程，IDR，ICR，IABC分别表示DR、CR、ABC从预设初始高度到最大探测高度处的柱积分结果。
使用的激光雷达资料包括在亚洲的三个地点，分别为中国兰州大学半干旱气候与环境观测站SACOL从2009年10月至2011年3月(35.95°N，104.14°E)的激光雷达观测数据，以及日本大阪Osaka站从2013和2015年(34.65°N，135.59°E)的激光雷达观测数据和日本千叶Chiba站从2018年1月至2019年7月(35.62°N，140.12°E)的激光雷达观测数据。每个站点选择一半的数据进行回归，另外一半的数据与在AERONET网站所下载的太阳光度计CE318的观测数据进行对比验证。
其中，SACOL站点VC和ER对应的偏最小二乘回归模型通过如下回归方程表示为:
VC＝-0.1562+2.3200*DR+0.0784*CR+17.0987*ABC
ER＝0.3688+3.2982*DR-0.2257*CR+16.0742*ABC
Osaka站点VC和ER对应的偏最小二乘回归模型通过如下回归方程表示为:
VC＝-0.0683+1.3663*DR+0.4076*CR+15.2914*ABC
ER＝0.2345+2.9290*DR-0.2572*CR+49.7797*ABC
Chiba站点VC和ER对应的偏最小二乘回归模型通过如下回归方程表示为:
VC＝-0.0286+2.6631*DR+0.1094*CR+16.5064*ABC
ER＝0.2314+1.9966*DR+0.1023*CR+25.6087*ABC
通过偏最小二乘回归模型SACOL、Osaka、Chiba三个站点的数据进行回归，回归结果如表1所示：
表1
Figure BDA0002810763410000091
表1中，N表示各站点的数据个数，P表示概率，用来度量否定原假设的证据，概率越低，否定原假设的证据越充分，P的取值范围为0到1；由表1可知，三个站点的回归方程均通过了显著性检验，总体上来看，体积浓度的回归结果要优于有效粒子半径，决定系数均大于0.7。
步骤S4、通过激光雷达获取待测区域每个时刻在不同高度上的DR、CR和ABC数据，并通过偏最小二乘回归模型得到待测区域不同时刻VC和ER的垂直分布状况，并通过空气动力学粒径谱仪APS对VC和ER的垂直分布状况进行验证。
由于激光雷达所观测的是一条一条射向大气层中获得大气气溶胶信息又返回的激光廓线，因此，通过对激光雷达每个时刻在不同高度上DR、CR和ABC的数据代入到偏最小二乘回归模型，就能够反演得到气溶胶垂直分布的信息。
利用地面观测仪器空气动力学粒径谱仪APS对反演得到的气溶胶垂直分布信息进行验证。APS仪器能够得到地面气溶胶粒径分布谱，还可以得到气溶胶颗粒的体积浓度，定义为单位体积内气溶胶颗粒的总体积。由于APS无法直接得到气溶胶有效粒子半径ER，因此，通过粒径分布谱计算气溶胶有效粒子半径ER，如下式所示：
Figure BDA0002810763410000101
式中，r为气溶胶粒径，N(r)为粒径分布函数。
而激光雷达反演得到的体积浓度分布是整个大气柱的。为了能够让两者之间进行对比验证，将激光雷达反演的体积浓度除以平均最大探测高度5km，再计算距地面200m-350m的平均大小。地面附近的有效粒子半径则用APS的粒子谱进行计算，激光雷达的反演结果仍取200m-350m的平均大小。
为进一步验证本发明基于激光雷达的气溶胶微物理特性反演方法的有效性及可靠性，本实施例分别使用AERONET太阳光度计的数据以及地面APS的数据进行验证。根据步骤S3，三个站点的回归方程均通过显著性检验，与AERONET相同站点和时间的观测结果对比验证如图2，由图2可知，体积浓度的反演效果要明显优于有效粒子半径。在SACOL站体积浓度和有效粒子半径的决定系数R2分别为0.74和0.41；在日本大阪Osaka站决定系数R2分别为0.84和0.38；日本千叶Chiba站的决定系数R2分别为0.79和0.30。因此利用激光雷达数据反演气溶胶体积浓度和有效粒子半径是可靠的。
将激光雷达每个时刻的在不同高度上DR、CR和ABC的数据带入到VC和ER回归方程中，就能得到其不同时刻垂直分布状况，然后利用地面观测仪器空气动力学粒径谱仪APS进行验证。SACOL站2010年11月11日对比验证结果如图3所示，其中三角为激光雷达反演结果，十字为APS观测结果。由图3可知，激光雷达反演的地面体积浓度和有效粒子半径与APS观测结果整体趋势非常一致，但有效粒子半径反演得到的结果总体上要略高于APS观测结果。对比结果说明激光雷达反演体积浓度和有效粒子半径垂直廓线的结果也是可靠的。
本发明提出了一种简单可靠的方法，利用偏振激光雷达的观测数据，在无云条件下对白天和夜间的气溶胶微物理性质进行估算。通过与AERONET和APS观测资料的对比，说明了本发明对于气溶胶微物理特性的反演是可靠的，并且能够获得其垂直分布特征。特别是，为从地面激光雷达网络和星载激光雷达获取气溶胶关键特性的气候数据提供了一种有效的方法，这对于更准确地估计气溶胶的气候效应起到至关重要的作用。
以上所述的实施例仅是对本发明的优选方式进行描述，并非对本发明的范围进行限定，在不脱离本发明设计精神的前提下，本领域普通技术人员对本发明的技术方案做出的各种变形和改进，均应落入本发明权利要求书确定的保护范围内。

Claims (6)

1.一种基于激光雷达的气溶胶微物理特性反演方法，其特征在于，包括如下步骤：
步骤S1、获取米散射激光雷达参数；
步骤S2、基于米散射激光雷达参数，计算无云条件下，各米散射激光雷达参数从预设初始高度到最大探测高度处的柱积分结果；
步骤S3、获取相同站点对应时刻的气溶胶微物理特性参数数据，将气溶胶微物理特性参数数据作为因变量，将各米散射激光雷达参数从预设初始高度到最大探测高度处的柱积分结果作为自变量，建立偏最小二乘回归模型；
步骤S4、通过激光雷达获取待测区域每个时刻在不同高度上的米散射激光雷达参数数据，并通过偏最小二乘回归模型得到待测区域不同时刻气溶胶微物理特性参数的垂直分布状况，完成气溶胶微物理特性反演；
所述步骤S1中，所述米散射激光雷达参数包括衰减后向散射系数ABC、退偏比DR和色比CR；
所述步骤S2具体包括如下步骤：
步骤S2.1、获取预设初始高度、最大探测高度；
步骤S2.2、将ABC、DR和CR从预设初始高度到最大探测高度处进行积分计算，分别得到ABC、DR和CR从预设初始高度到最大探测高度处的柱积分结果；
所述步骤S2.1中，最大探测高度的获取方法包括：
对于获取的ABC数据，在每个探测时刻，从预设初始高度的数据开始，取若干个数据为一组，组内数据中负值个数小于预设阈值，则向上移动一个数据，并重复计算组内负值的个数，直到组内数据中负值的个数大于或等于预设阈值，将组内第一个不为负的数据所在的高度作为最大探测高度。
2.根据权利要求1所述的基于激光雷达的气溶胶微物理特性反演方法，其特征在于，气溶胶微物理特性参数数据包括体积浓度VC和有效粒子半径ER。
3.根据权利要求2所述的基于激光雷达的气溶胶微物理特性反演方法，其特征在于，所述步骤S3中，VC和ER对应的偏最小二乘回归模型通过如下回归方程表示为：
Figure FDA0003497281450000021
式中，F1和F2分别代表VC和ER基于偏最小二乘回归的线性回归方程，IDR，ICR，IABC分别表示DR、CR、ABC从预设初始高度到最大探测高度处的柱积分结果。
4.根据权利要求3所述的基于激光雷达的气溶胶微物理特性反演方法，其特征在于，所述步骤S4还包括对通过偏最小二乘回归模型得到的VC和ER的垂直分布状况进行验证的步骤。
5.根据权利要求4所述的基于激光雷达的气溶胶微物理特性反演方法，其特征在于，通过空气动力学粒径谱仪APS对偏最小二乘回归模型得到的VC和ER垂直分布状况进行可靠性验证。
6.根据权利要求5所述的基于激光雷达的气溶胶微物理特性反演方法，其特征在于，通过APS对偏最小二乘回归模型得到的VC和ER垂直分布状况进行可靠性验证具体包括如下步骤：
通过APS获取地面气溶胶粒径分布谱，基于粒径分布谱计算气溶胶的体积浓度VC；
通过气溶胶粒径计算气溶胶的有效粒子半径ER；
将偏最小二乘回归模型得到的VC和ER垂直分布状况与通过APS获取的气溶胶的体积浓度VC、有效粒子半径ER进行对比，完成验证。
CN202011389154.6A 2020-12-01 2020-12-01 一种基于激光雷达的气溶胶微物理特性反演方法 Active CN112684471B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011389154.6A CN112684471B (zh) 2020-12-01 2020-12-01 一种基于激光雷达的气溶胶微物理特性反演方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011389154.6A CN112684471B (zh) 2020-12-01 2020-12-01 一种基于激光雷达的气溶胶微物理特性反演方法

Publications (2)

Publication Number Publication Date
CN112684471A CN112684471A (zh) 2021-04-20
CN112684471B true CN112684471B (zh) 2022-03-08

Family

ID=75447169

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011389154.6A Active CN112684471B (zh) 2020-12-01 2020-12-01 一种基于激光雷达的气溶胶微物理特性反演方法

Country Status (1)

Country Link
CN (1) CN112684471B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113238252B (zh) * 2021-07-09 2021-12-10 中国气象科学研究院 反演气溶胶微物理参数的方法、电子设备以及存储介质
CN113654959B (zh) * 2021-07-29 2023-11-17 中国科学院合肥物质科学研究院 一种烟云浓度时空分布快速反演方法及系统
CN115524264B (zh) * 2022-11-04 2023-04-07 山东科技大学 一种基于激光雷达测量的气溶胶分类方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002196075A (ja) * 2000-12-26 2002-07-10 Inc Engineering Co Ltd レーザレーダ監視方法及び装置
CN103175759A (zh) * 2013-02-25 2013-06-26 中国科学院安徽光学精密机械研究所 基于多种地基遥感技术获取城市气溶胶复折射指数的方法
CN107561554A (zh) * 2017-08-25 2018-01-09 北方民族大学 基于太阳光度计数据和多波长激光雷达数据的反演方法
CN110161532A (zh) * 2019-05-30 2019-08-23 浙江大学 一种基于多波长激光雷达反演气溶胶微物理特性的方法
CN110441777A (zh) * 2019-07-11 2019-11-12 中山大学 一种基于激光雷达的气溶胶垂直廓线的反演方法
CN111912748A (zh) * 2020-07-29 2020-11-10 中国科学院空天信息创新研究院 一种含碳气溶胶线性退偏比的计算方法
CN111965666A (zh) * 2020-07-16 2020-11-20 中国矿业大学 一种气溶胶三维空间分布制图方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10337996B2 (en) * 2016-08-25 2019-07-02 The United States Of America As Represented By The Administrator Of The National Aeronautics And Space Administration Lidar instrument and method of operation

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002196075A (ja) * 2000-12-26 2002-07-10 Inc Engineering Co Ltd レーザレーダ監視方法及び装置
CN103175759A (zh) * 2013-02-25 2013-06-26 中国科学院安徽光学精密机械研究所 基于多种地基遥感技术获取城市气溶胶复折射指数的方法
CN107561554A (zh) * 2017-08-25 2018-01-09 北方民族大学 基于太阳光度计数据和多波长激光雷达数据的反演方法
CN110161532A (zh) * 2019-05-30 2019-08-23 浙江大学 一种基于多波长激光雷达反演气溶胶微物理特性的方法
CN110441777A (zh) * 2019-07-11 2019-11-12 中山大学 一种基于激光雷达的气溶胶垂直廓线的反演方法
CN111965666A (zh) * 2020-07-16 2020-11-20 中国矿业大学 一种气溶胶三维空间分布制图方法
CN111912748A (zh) * 2020-07-29 2020-11-10 中国科学院空天信息创新研究院 一种含碳气溶胶线性退偏比的计算方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
Dust aerosol vertical structure measurements using three MPL lidars during 2008 China‐U.S. joint dust field experiment;Zhongwei Huang等;《JOURNAL OF GEOPHYSICAL RESEARCH》;20100730;第115卷(第7期);第1-12页 *
Micro-Pulse Lidar Measurements of Aerosol Vertical Structure over the Loess Plateau;HUANG Jian-Ping等;《ATMOSPHERIC AND OCEANIC SCIENCE LETTERS》;20080131;第1卷(第1期);第8-11页 *
利用激光雷达观测兰州沙尘气溶胶辐射特性;曹贤洁等;《高原气象》;20091031;第28卷(第5期);第1115-1120页 *
基于Mie散射激光雷达的气溶胶消光系数反演方法;豆晓雷等;《激光与红外》;20190930;第49卷(第9期);第1047-1053页 *
气溶胶物理光学特性的激光雷达遥感研究;黄忠伟;《中国优秀博硕士学位论文全文数据库(博士)工程科技Ⅰ辑(月刊)》;20120915(第9期);第B027-21页 *

Also Published As

Publication number Publication date
CN112684471A (zh) 2021-04-20

Similar Documents

Publication Publication Date Title
CN112684471B (zh) 一种基于激光雷达的气溶胶微物理特性反演方法
Chen et al. Differential column measurements using compact solar-tracking spectrometers
Oshchepkov et al. Effects of atmospheric light scattering on spectroscopic observations of greenhouse gases from space. Part 2: Algorithm intercomparison in the GOSAT data processing for CO2 retrievals over TCCON sites
Elias et al. Measuring SO2 emission rates at Kīlauea Volcano, Hawaii, using an array of upward-looking UV spectrometers, 2014–2017
Wiegner et al. Correction of water vapor absorption for aerosol remote sensing with ceilometers
CN111579504A (zh) 基于光学遥感的大气污染成分垂直分布反演方法
Shi et al. An inversion method for estimating strong point carbon dioxide emissions using a differential absorption Lidar
Nishizawa et al. Algorithm to retrieve aerosol optical properties from high-spectral-resolution lidar and polarization Mie-scattering lidar measurements
Poggio et al. Scintillometer wind measurements over complex terrain
Oshchepkov et al. Detection of optical path in spectroscopic space‐based observations of greenhouse gases: Application to GOSAT data processing
CN113552080B (zh) 一种超光谱遥感地表大气相对湿度的实时反演算法
CN115480032A (zh) 基于地面遥感测量的点源排放强度预测方法
Emde et al. Impact of 3D Cloud Structures on the Atmospheric Trace Gas Products from UV-VIS Sounders–Part I: Synthetic dataset for validation of trace gas retrieval algorithms
Yu et al. Impact of 3D cloud structures on the atmospheric trace gas products from UV–Vis sounders–Part 2: Impact on NO 2 retrieval and mitigation strategies
KR20170116805A (ko) 다중 각도에서 태양광 관측기반의 대기 분자의 라만 산란특성을 이용한 에어로솔 고도 산출방법
Šavli et al. The prospects for increasing the horizontal resolution of the Aeolus horizontal line‐of‐sight wind profiles
CN103196872B (zh) 一种基于积分浊度计获取气溶胶粒子谱分布的方法
CN115524264B (zh) 一种基于激光雷达测量的气溶胶分类方法
Uspensky et al. The current state and prospects of satellite hyperspectral atmospheric sounding
Feofilov et al. Incorporating EarthCARE observations into a multi-lidar cloud climate record: the ATLID (Atmospheric Lidar) cloud climate product
Bochkovskii et al. Laser remote measurements of atmospheric gas components by dial: Modeling and experiments
Osborne Developing Resilience to Icelandic Volcanic Eruptions
Dlugi et al. Segregation in the atmospheric boundary layer: The case of OH–isoprene
Valenta et al. Monte Carlo analysis of elastic and inelastic atmospheric LIDAR data products using high fidelity simulator
Romanovskii et al. Application of Optical Parametric Generator for Lidar Sensing of Minor Gas Components of the Atmosphere in 3–4 μm Spectral Range

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