CN113552080A - 一种超光谱遥感地表大气相对湿度的实时反演算法 - Google Patents

一种超光谱遥感地表大气相对湿度的实时反演算法 Download PDF

Info

Publication number
CN113552080A
CN113552080A CN202110674297.XA CN202110674297A CN113552080A CN 113552080 A CN113552080 A CN 113552080A CN 202110674297 A CN202110674297 A CN 202110674297A CN 113552080 A CN113552080 A CN 113552080A
Authority
CN
China
Prior art keywords
water vapor
spectrum
atmospheric
total amount
scd
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
Application number
CN202110674297.XA
Other languages
English (en)
Other versions
CN113552080B (zh
Inventor
刘诚
林华
邢成志
李启华
谈伟
刘浩然
季祥光
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.)
University of Science and Technology of China USTC
Original Assignee
University of Science and Technology of China USTC
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 University of Science and Technology of China USTC filed Critical University of Science and Technology of China USTC
Priority to CN202110674297.XA priority Critical patent/CN113552080B/zh
Publication of CN113552080A publication Critical patent/CN113552080A/zh
Application granted granted Critical
Publication of CN113552080B publication Critical patent/CN113552080B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
    • G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
    • 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
    • G06F17/15—Correlation function computation including computation of convolution operations
    • 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
    • G01N2021/1789—Time resolved
    • 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
    • G01N2021/1795—Atmospheric mapping of gases
    • 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
    • G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
    • G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
    • G01N2021/3196—Correlating located peaks in spectrum with reference data, e.g. fingerprint data

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Health & Medical Sciences (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Theoretical Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

本发明属于光学测量技术领域，具体为一种超光谱遥感地表大气相对湿度的实时反演算法。本发明包括：利用超光谱仪器采集低仰角及天顶的天空散射光谱，并借助汞灯光谱、高分辨太阳光谱Kurucz谱进行波长校准；再通过差分吸收光谱法反演得到氧二聚体、水汽的斜程总量；利用地表大气温度、气压数据计算得到的氧二聚体浓度和反演得到的氧二聚体斜程总量计算得到大气光子路径长度；最后将水汽斜程总量除以大气光子路径长度得到地表大气中的水汽浓度，并结合温度数据转换成大气相对湿度。本发明具有计算量小、耗时短、时间分辨率高的优点。经实验对比，遥感反演结果与气象站实测数据具有很高的一致性，能够用于地表大气相对湿度的实时监测。

Description

一种超光谱遥感地表大气相对湿度的实时反演算法
技术领域
本发明属于光学测量技术领域，具体涉及超光谱遥感地表大气相对湿度的实时反演算法。
背景技术
大气湿度是重要的气象参数，其与数值天气预测、农业、通信、交通、航通等方面密切相关，严重影响着人们的生产生活，开展大气湿度监测是提高生产生活的一项关键要素。在对流边界层发展、冷锋过境等快速变化的天气现象中，地表大气相对湿度的变化十分剧烈，因此需要对地表大气相对湿度进行实时业务化探测[Simeonov V,Dinoev T,SerikovI,et al.Automated Raman lidar for day and night operational observation oftropospheric water vapor for meteorological applications.2009.]。
超光谱大气遥感通过分析不同仰角下采集的天空散射光谱，探测大气中不同痕量气体成分的垂直分布特征。目前，已有相关研究应用该技术观测反演水汽的垂直分布廓线，间接得到地表大气相对湿度信息[Irie H,Takashima H,Kanaya Y,et al.Eight-component retrievals from ground-based MAX-DOAS observations.AtmosphericMeasurement Techniques,2011,4(6):1027-1044.]。但该方法存在以下弊端，无法用于地表大气相对湿度的实时探测。1.计算量巨大：准确反演气溶胶消光系数廓线是反演水汽垂直廓线的前提。反演垂直廓线常基于最优估计算法及辐射传输模型等进行迭代反演，过程十分繁琐，且需要在高性能计算服务器上进行；2.时间分辨率低：反演水汽垂直廓线时需要设置仪器进行多仰角扫描，而一个仰角序列常包含十多个仰角，单个仰角采集时间为1分钟，其观测时间分辨率在10分钟以上。
鉴于上述弊端，研发一种超光谱遥感地表大气相对湿度的实时反演算法有较高的实际意义，能够服务于地表大气相对湿度的实时业务化探测。
发明内容
针对目前地基超光谱遥感探测地表大气相对湿度主要是通过先反演水汽垂直分布廓线，再提取底层浓度间接得到地表大气相对湿度，方法繁琐、计算量大、耗时长、时间分辨率低、无法实时监测地表大气相对湿度，本发明提供一种超光谱遥感地表大气相对湿度的实时反演算法，以解决上述问题。
本发明提供的超光谱遥感地表大气相对湿度的实时反演算法，具体步骤为：
步骤一、利用超光谱仪器采集低仰角(仰角≤2度)及天顶(仰角＝90度)天空散射光谱；
步骤二、先后利用汞灯校准光谱Hg、高分辨太阳光谱Kurucz谱对仪器观测的天空散射光谱进行波长校准；
步骤三、基于差分吸收光谱算法，选择天顶观测光谱作为参考谱，反演低仰角观测的氧二聚体O4、水汽H2O的斜程总量
Figure BDA0003120439070000021
并通过数值模拟得到修正系数β来消除水汽的饱和吸收效应引起的误差；
步骤四、利用地表大气温度P、气压数据T计算地表大气中氧二聚体的浓度
Figure BDA0003120439070000022
并结合低仰角观测氧二聚体斜程总量
Figure BDA0003120439070000023
计算大气光子路径长度L；
步骤五、用低仰角观测的水汽斜程总量,
Figure BDA0003120439070000024
除以大气光子路径长度L得到近地面水汽浓度
Figure BDA0003120439070000025
并结合地表大气温度数据T得到大气相对湿度RH(％)。
本发明步骤三中，基于差分吸收光谱法反演低仰角水汽斜程总量时，其反演波段通过循环反演测试不同起止波段范围内的水汽斜程总量，综合考虑归一化处理后的拟合斜程总量误差和拟合残差构建评价指标Rij，确定最优反演波段。拟合斜程总量误差和拟合残差的归一化处理方法如公式(1-2)所示，评价指标Rij的构建方法如公式(3)所示；其中，SCDerrij为在波段范围(λi～λj)反演的斜程总量误差，Min(SCDerr)、Max(SCDerr)为拟合残差中的最小值和最大值，RMSij为在波段范围内的拟合残差，Min(RMS)、Max(RMS)为拟合残差中的最小值和最大值。
Figure BDA0003120439070000026
Figure BDA0003120439070000027
Figure BDA0003120439070000028
波段测试的起点范围为405-435nm,终点范围为443-470nm,测试步长为1nm。波段测试结果如图(2)所示。当起始波长设置为433nm，终点波长设置为462nm时，评价指标Rij达最小值，因此选择433-462nm作为的水汽斜程总量的反演波段。
本发明步骤三中，所述通过数值模拟得到修正系数修正反演得到的水汽斜程总量，消除水汽饱和吸收效应引起的误差，具体步骤如下(参见图3所示)：
(1)首先，由高分辨太阳光谱Kurucz谱计算得到给定水汽斜程总量下的大气吸收光谱，如公式(4)所示：
I(λ)＝I0(λ)·exp[-σ(λ)·SCDture]， (4)
其中，I0(λ)为高分辨太阳光谱Kurucz谱；σ(λ)为水汽的高分辨吸收截面；SCDture为给定的水汽斜程总量；I(λ)为给定水汽斜程总量下的大气吸收光谱；
(2)之后，对大气吸收光谱I(λ)与光谱仪的狭缝函数进行卷积，得到模拟测量光谱I*(λ)，如公式(5)所示：
其中，F为仪器的狭缝函数；
I*(λ)＝I(λ)*F， (5)
(3)选取卷积过后的高分辨太阳光谱Kurucz谱作为参考谱，模拟测量谱作为实测谱，通过差分吸收光谱方法反演得到水汽斜程总量SCDretrieved.将其与给定的水汽斜程总量SCDture进行非线性拟合，获得与反演斜程总量SCDretrieved有关的修正系数β，如公式(6)所示.修正系数β随反演斜程总量的变化关系如图(4)所示：
β(SCDretrieved)＝SCDture/SCDretrieved， (6)
(4)最后将反演的水汽斜程总量乘上对应的修正系数以消除水汽饱和效应带来的误差，如公式(7)所示：
SCDcorrected＝β(SCDretrieved)×SCDretrieved， (7)。
本发明步骤四中，所述地表大气中氧二聚体浓度
Figure BDA0003120439070000031
根据超光谱仪器搭载的温度压力传感器测量的地表大气温度T、气压数据P计算得到，如公式(8-9)所示：
Cair＝(P*NA)/(T*R)， (8)
Figure BDA0003120439070000032
其中：P为地表大气压力，T为地表大气温度，NA为阿伏伽德罗常数(NA＝6.022*1023/mol)；R为比气体常数(R＝287.058J/(kg·K))。
本发明步骤四中，所述大气光子路径长度L由低角度氧二聚体斜程总量
Figure BDA0003120439070000033
除以地表大气中氧二聚体浓度
Figure BDA0003120439070000034
计算得到，如公式(10)所示：
L＝SCDO4/CO4， (10)。
本发明步骤五中，所述地表大气水汽浓度由低角度水汽斜程总量
Figure BDA0003120439070000035
除以大气光子路径长度L计算得到，如公式(11)所示：
Figure BDA0003120439070000036
本发明技术方案与现有技术相比，具有以下技术效果：
本发明实现了超光谱实时反演地表大气相对湿度，具有计算量小、耗时短、时间分辨率高的优点。经实验对比，遥感反演结果与气象站实测数据具有很高的一致性(相关性R达0.902，斜率为0.993)，能够用于地表大气相对湿度的实时监测。
附图说明
图1为本发明的算法流程图。
图2为不同波段范围水汽斜程总量的评价指标。
图3为数值模拟水汽饱和吸收效应的修正系数算法流程图。
图4为数值模拟得到的不同水汽斜程总量对应的修正系数。
图5为2018年4月至12月光学遥感地表大气湿度结果与气象站观测结果的时序对比图。
图6为2018年4月至12月光学遥感地表大气湿度结果与气象站观测结果的相关性验证图。
具体实施方式
本发明提出的超光谱遥感地表大气相对湿度的实时反演算法，其流程如图1所示。
首先对观测的天空散射光谱进行波长校准，再通过差分吸收光谱法拟合得到氧二聚体O4、水汽H2O的斜程总量
Figure BDA0003120439070000041
在此基础上，利用地表大气温度T、压力P计算地表大气中氧二聚体浓度
Figure BDA0003120439070000042
并估算大气光子路径长度L；最后将低仰角观测水汽斜程总量
Figure BDA0003120439070000043
除以大气光子路径长度L计算得到地表水汽数浓度
Figure BDA0003120439070000044
并通过单位换算得到大气相对湿度RH(％)。
更为详细的实施步骤如下。
第一步：利用超光谱仪器采集低仰角(仰角≤2度)及天顶(仰角＝90度)的天空散射光谱。
第二步：观测天空散射光谱的波长校准；
对天空散射光谱进行波长校准是保证光谱准确反演的前提条件；观测得到的天空散射光谱仅是光谱仪各通道的光谱信号强度，并不包含光谱波长信息；因此，需要建立光谱仪波长校准文件将光谱仪通道数映射到实际波长；波长校准文件的建立主要通过两步：第一步，首先利用光谱仪观测汞灯光谱初步校准波长，之后再利用卷积后的高分辨率太阳光谱Kurucz谱对初步校准后的光谱进行波长校准；初步校准主要利用汞灯光谱特征峰的对应波长已知这一特点，构建光谱仪通道数与实际波长之间的线性映射关系；第二步将高分辨率太阳光谱Kurucz谱作为波长校准的输入文件；将指定的定标波长范围划分为若干个小区间，并对每个小区间内的天空散射光谱进行平移、拉伸和压缩操作(如公式1所示)；之后对同一小区间内的各波长点进行线性最小二乘法拟合，可求得a,b,c的值；此时操作后的天空散射光谱已经尽可能接近于经狭缝函数卷积过的高分辨率太阳光谱Kurucz谱；
Δλ＝a+b(λ-λ0)+c(λ-λ0)2， (1)。
其中，λ为校准波长，λ0为第N个子区间的中心波长，a表示拟合的平移量，b和c分别表示一次和二次拟合的伸缩量；
最后将各小区间内获得的平移、伸缩量及高斯函数标准方差进行非线性最小二乘法拟合，获得测量光谱对应的真实波长范围。
第三步：差分吸收光谱反演算法反演得到O4及水汽的斜程总量；
(a)差分吸收光谱技术
差分吸收光谱技术的理论基础是朗伯比尔定律[Platt U,Stutz J.Differentialabsorption spectroscopy[M]//Differential Optical AbsorptionSpectroscopy.Springer,Berlin,Heidelberg,2008:135-174.]，其将光在实际大气中传输中受到的痕量气体吸收、瑞利散射、米散射过程区分开，并将气体分子引起的瑞利散射以及气溶胶粒子引起的米散射均等同为吸收过程，如公式(2)所示。
Figure BDA0003120439070000051
其中，I(λ)为实测谱，I0(λ)为参考谱，L为实际光程，σi(λ)为痕量气体i的吸收截面，ci(λ)为痕量气体i的浓度，σM(λ)为米散射系数，σR(λ)为瑞利散射系数。
痕量气体i的吸收截面σi(λ)可以多项式滤波的方式拆分为随波长剧烈变化的“快变化”σi‘(λ)和随波长平缓变化的“慢变化”σiB(λ)，如公式(3)所示。
σi(λ)＝σiB(λ)+σi'(λ)， (3)。
将光谱中不包含气体差分吸收的部分用I0’(λ)表示，其包含了光在大气传输过程中所有的“慢变化”部分，如公式(4)所示。
Figure BDA0003120439070000052
对两边进行对数处理，可推导出差分光学厚度D’,如公式(5)所示。
Figure BDA0003120439070000053
本发明选用的O4拟合波段为460-490nm，多项式拟合阶数为5阶；水汽的拟合波段为433-462nm，多项式拟合阶数为3阶。其中，O4的拟合波段和多项式拟合阶数参考自[Irie,H.；Takashima,H.；Kanaya,Y.；Boersma,K.F.；Gast,L.；Wittrock,F.；Brunner,D.；Zhou,Y.；VanRoozendael,M.Eight-component retrievals fromground-basedMAX-DOAS observations.Atmos.Meas.Tech.2011,4,1027–1044.]。
(b)循环反演测试确定水汽最优反演波段。
反演低仰角水汽斜程总量时，选择不同的起始波长λi和终止波长λj,循环反演测试不同起止波段范围内(λi～λj)的水汽斜程总量，综合考虑归一化处理后的拟合斜程总量误差和拟合残差构建评价指标Rij用于确定最优反演波段。拟合斜程总量误差和拟合残差的归一化处理方法如公式(6-7)所示，评价指标Rij的构建方法如公式(8)所示。其中，SCDerrij为在波段范围(λi～λj)反演的斜程总量误差，Min(SCDerr)、Max(SCDerr)为拟合残差中的最小值和最大值，RMSij为在波段范围内的拟合残差，Min(RMS)、Max(RMS)为拟合残差中的最小值和最大值。
Figure BDA0003120439070000061
Figure BDA0003120439070000062
Figure BDA0003120439070000063
波段测试的起点范围为405-435nm,终点范围为443-470nm,测试步长为1nm。波段测试结果如图2所示。当起始波长设置为433nm，终点波长设置为462nm时，评价指标Rij达最小值，因此选择433-462nm作为的水汽斜程总量的反演波段。
(c)数值模拟得到修正系数校正水汽饱和吸收效应
由于仪器光谱分辨率受限，无法分辨出高度精细的水汽吸收结构，导致观测的水汽斜程总量与其差分光学厚度之间并不是严格的线性关系。在斜程总量较高时，这种非线性会变得愈发显著，反演得到的水汽斜程总量与实际值之间存在一定的测量偏差，这种现象称为水汽饱和吸收效应。
为此，需要借助修正系数对反演的水汽斜程总量进行修正，以消除饱和吸收效应带来的误差。对于给定的水汽斜程总量，其修正系数通过数值模拟计算得到，具体步骤如图3所示。
基于朗博比尔定律，由高分辨太阳光谱Kurucz谱计算得到给定水汽斜程总量下的大气吸收光谱，如公式(9)所示。
I(λ)＝I0(λ)·exp[-σ(λ)·SCDture]， (9)。
其中，I0(λ)为高分辨太阳光谱Kurucz谱；σ(λ)为水汽的高分辨吸收截面；SCDture为给定的水汽斜程总量；I(λ)为给定水汽斜程总量下的大气吸收光谱。
之后，对大气吸收光谱I(λ)与光谱仪的狭缝函数进行卷积，得到模拟测量光谱I*(λ),如公式(10)所示。其中，F为仪器的狭缝函数。
I*(λ)＝I(λ)*F， (10)。
选取卷积过后的高分辨太阳光谱Kurucz谱作为参考谱，模拟测量谱作为实测谱，通过差分吸收光谱方法反演得到水汽斜程总量SCDretrieved.将其与给定的水汽斜程总量SCDture进行非线性拟合，获得与反演斜程总量SCDretrieved有关的修正系数β，如公式(11)所示。修正系数β随反演斜程总量的变化关系如图4所示。
β(SCDretrieved)＝SCDture/SCDretrieved， (11)。
最后将反演的水汽斜程总量乘上对应的修正系数以消除水汽饱和效应带来的误差，如公式(12)所示。
SCDcorrected＝β(SCDretrieved)×SCDretrieved， (12)。
第四步：估算大气光子路径长度L；
基于仪器测得的温度T、压力P数据可以计算得到地表大气中O4数浓度
Figure BDA0003120439070000071
结合上步差分吸收光谱法拟合得到
Figure BDA0003120439070000072
可以计算出大气光子路径长度L，如公式(13)所示。
L＝SCDO4/CO4， (13)。
其中
Figure BDA0003120439070000073
是地表大气O4的数浓度，其计算方法如公式(14-15)所示。
Cair＝(P*NA)/(T*R)， (14)
Figure BDA0003120439070000074
其中，Cair为大气数密度，P为地表大气压力，T为地表大气温度，NA为阿伏伽德罗常数(NA＝6.022*1023/mol)；R为比气体常数(R＝287.058J/(kg·K))。
第五步：借助大气光子路径长度L将水汽斜程总量SCDH2O转换为地表水汽浓度；
借助上步计算得到的大气光子路径长度L，可通过以下公式，将低仰角(≤2度)观测得到的水汽斜程总量转换为地表水汽数浓度
Figure BDA0003120439070000075
Figure BDA0003120439070000076
再结合仪器测得的大气温度数据T，可以将地表水汽数浓度
Figure BDA0003120439070000077
转换为相对湿度RH(％)，如公式(17-19)所示。
Figure BDA0003120439070000081
Figure BDA0003120439070000082
Figure BDA0003120439070000083
其中，Mr为水分子的相对分子质量(Mr＝18),NA为阿伏伽德罗常数(NA＝6.022*1023/mol),Rv为水汽的比气体常数，一般取461.5J/(kg·K)；e为实际水汽压，E为温度T时的饱和水汽压，实际水汽压与饱和水汽压二者的比值即为相对湿度RH(％)。
结果与分析
基于本发明的方法，利用搭设于中国气象科学研究院(39.933°N,116.317°E)的超光谱仪器采集天空散射光谱反演了2018年4月18日至2018年12月31日的北京地区地表的大气相对湿度，并和北京首都国际机场气象站(40.080°N,116.585°E)观测数据进行了对比验证。中国气象科学研究院位于北京市中心，而北京首都国际机场位于北京西郊，二者直线距离约27.8km。
结果表明：利用本发明构建的一种超光谱遥感地表大气相对湿度的实时反演算法，基于中国气象科学研究院超光谱仪器观测的天空散射光谱反演得到的地表相对湿度与首都国际机场气象站观测数据高度吻合，如图4、图5所示，其中决定性系数R为0.902，拟合斜率为0.993，均方根误差RMSE为11.2％。
本发明提出的一种超光谱遥感地表大气相对湿度的实时反演算法，通过波长校准、差分吸收光谱法拟合、大气光子路径长度计算以及光程平均处理实现了地表大气相对湿度的准确快速遥感，探测结果与气象站实测相对湿度数据具有良好的一致性，能够用于地表大气相对湿度的实时监测。
应当理解本文所述的例子和实施方式仅为了说明，并不用于限制本发明，本领域技术人员可根据它做出各种修改或变化，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 (6)

1.一种超光谱遥感地表大气相对湿度的实时反演算法，其特征在于，具体步骤为：
步骤一、利用超光谱仪器采集低仰角及天顶天空散射光谱；这里，低仰角的仰角≤2度，天顶的仰角＝90度；
步骤二、先后利用汞灯校准光谱Hg、高分辨太阳光谱Kurucz谱对仪器观测的天空散射光谱进行波长校准；
步骤三、基于差分吸收光谱算法，选择天顶观测光谱作为参考谱，反演低仰角观测的氧二聚体O4、水汽H2O的斜程总量
Figure FDA0003120439060000014
并通过数值模拟得到修正系数β来消除水汽的饱和吸收效应引起的误差；
步骤四、利用地表大气温度P、气压数据T计算地表大气中氧二聚体的浓度
Figure FDA0003120439060000017
并结合低仰角观测氧二聚体斜程总量
Figure FDA0003120439060000016
计算大气光子路径长度L；
步骤五、用低仰角观测的水汽斜程总量,
Figure FDA0003120439060000015
除以大气光子路径长度L得到近地面水汽浓度
Figure FDA0003120439060000018
并结合地表大气温度数据T得到大气相对湿度RH(％)。
2.根据权利要求1所述的实时反演算法，其特征在于，步骤三中所述基于差分吸收光谱法反演低仰角水汽斜程总量时，其反演波段通过循环反演测试不同起止波段范围内的水汽斜程总量，综合考虑归一化处理后的拟合斜程总量误差和拟合残差构建评价指标Rij，确定最优反演波段；其中：
拟合斜程总量误差和拟合残差的归一化处理方法的计算式为：
Figure FDA0003120439060000011
Figure FDA0003120439060000012
评价指标Rij的构建方法的计算式为：
Figure FDA0003120439060000013
式中，SCDerrij为在波段范围(λi～λj)反演的斜程总量误差，Min(SCDerr)、Max(SCDerr)为拟合残差中的最小值和最大值，RMSij为在波段范围内的拟合残差，Min(RMS)、Max(RMS)为拟合残差中的最小值和最大值；
当起始波长设置为433nm，终点波长设置为462nm时，评价指标Rij达最小值，因此选择433-462nm作为的水汽斜程总量的反演波段。
3.根据权利要求1所述的实时反演算法，其特征在于，步骤三中所述通过数值模拟得到修正系数修正反演得到的水汽斜程总量，消除水汽饱和吸收效应引起的误差，具体步骤如下：
(1)首先，由高分辨太阳光谱Kurucz谱计算得到给定水汽斜程总量下的大气吸收光谱，计算式为：
I(λ)＝I0(λ)·exp[-σ(λ)·SCDture] (4)
其中，I0(λ)为高分辨太阳光谱Kurucz谱；σ(λ)为水汽的高分辨吸收截面；SCDture为给定的水汽斜程总量；I(λ)为给定水汽斜程总量下的大气吸收光谱；
(2)然后，对大气吸收光谱I(λ)与光谱仪的狭缝函数进行卷积，得到模拟测量光谱I*(λ)，计算式为：
I*(λ)＝I(λ)*F (5)
其中，F为仪器的狭缝函数；
(3)选取卷积过后的高分辨太阳光谱Kurucz谱作为参考谱，模拟测量谱作为实测谱，通过差分吸收光谱方法反演得到水汽斜程总量SCDretrieved将其与给定的水汽斜程总量SCDture进行非线性拟合，获得与反演斜程总量SCDretrieved有关的修正系数β，计算式为：
β(SCDretrieved)＝SCDture/SCDretrieved (6)
(4)最后将反演的水汽斜程总量乘上对应的修正系数以消除水汽饱和效应带来的误差，计算式为：
SCDcorrected＝β(SCDretrieved)×SCDretrieved (7)。
4.根据权利要求1所述的实时反演算法，其特征在于，步骤四中所述地表大气中氧二聚体浓度
Figure FDA0003120439060000021
根据超光谱仪器搭载的温度压力传感器测量的地表大气温度T、气压数据P计算得到，计算式为：
Cair＝(P*NA)/(T*R)， (8)
Figure FDA0003120439060000022
其中，P为地表大气压力，T为地表大气温度，NA为阿伏伽德罗常数；R为比气体常数。
5.根据权利要求1所述的实时反演算法，其特征在于，步骤四中所述大气光子路径长度L由低角度氧二聚体斜程总量
Figure FDA0003120439060000023
除以地表大气中氧二聚体浓度
Figure FDA0003120439060000024
计算得到，计算式为：
L＝SCDO4/CO4 (10)。
6.根据权利要求1所述的实时反演算法，其特征在于，步骤五中所述地表大气水汽浓度由低角度水汽斜程总量,
Figure FDA0003120439060000032
除以大气光子路径长度L计算得到，计算式为：
Figure FDA0003120439060000031
CN202110674297.XA 2021-06-17 2021-06-17 一种超光谱遥感地表大气相对湿度的实时反演算法 Active CN113552080B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110674297.XA CN113552080B (zh) 2021-06-17 2021-06-17 一种超光谱遥感地表大气相对湿度的实时反演算法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110674297.XA CN113552080B (zh) 2021-06-17 2021-06-17 一种超光谱遥感地表大气相对湿度的实时反演算法

Publications (2)

Publication Number Publication Date
CN113552080A true CN113552080A (zh) 2021-10-26
CN113552080B CN113552080B (zh) 2022-08-02

Family

ID=78130634

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110674297.XA Active CN113552080B (zh) 2021-06-17 2021-06-17 一种超光谱遥感地表大气相对湿度的实时反演算法

Country Status (1)

Country Link
CN (1) CN113552080B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114295574A (zh) * 2021-11-30 2022-04-08 中国科学技术大学 基于超光谱遥感的大气污染物水平分布反演方法
CN114324206A (zh) * 2021-12-18 2022-04-12 复旦大学 基于被动多轴差分吸收光谱技术的天空条件分类方法
CN114397252A (zh) * 2022-01-14 2022-04-26 中国科学技术大学 超光谱卫星的对流层水汽柱总量反演方法及应用系统
CN114910430A (zh) * 2022-04-29 2022-08-16 中国科学技术大学 基于超光谱遥感的痕量气体水平分布探测交通污染源方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104020180A (zh) * 2014-06-19 2014-09-03 武汉大学 基于北斗基准站接收的低仰角信号的土壤湿度反演方法
CN106092841A (zh) * 2016-05-31 2016-11-09 中国人民解放军陆军军官学院 以pm2.5质量浓度为约束条件反演气溶胶消光系数吸湿增长因子与相对湿度函数关系的方法
CN108761034A (zh) * 2018-05-16 2018-11-06 河海大学 一种多源卫星土壤湿度反演方法
CN110610054A (zh) * 2019-09-23 2019-12-24 北京师范大学 一种土壤湿度长方体反演模型构建方法及系统
WO2020089136A1 (en) * 2018-11-02 2020-05-07 Signify Holding B.V. Remote sensing of relative humidity at a plurality of locations

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104020180A (zh) * 2014-06-19 2014-09-03 武汉大学 基于北斗基准站接收的低仰角信号的土壤湿度反演方法
CN106092841A (zh) * 2016-05-31 2016-11-09 中国人民解放军陆军军官学院 以pm2.5质量浓度为约束条件反演气溶胶消光系数吸湿增长因子与相对湿度函数关系的方法
CN108761034A (zh) * 2018-05-16 2018-11-06 河海大学 一种多源卫星土壤湿度反演方法
WO2020089136A1 (en) * 2018-11-02 2020-05-07 Signify Holding B.V. Remote sensing of relative humidity at a plurality of locations
CN110610054A (zh) * 2019-09-23 2019-12-24 北京师范大学 一种土壤湿度长方体反演模型构建方法及系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
赵慧洁 等: ""基于红外光谱的大气温湿度反演研究进展"", 《大气与环境光学学报》 *
赵菲菲 等: ""国产HJ-1B卫星数据的地表温度及湿度反演方法"", 《国土资源遥感》 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114295574A (zh) * 2021-11-30 2022-04-08 中国科学技术大学 基于超光谱遥感的大气污染物水平分布反演方法
CN114324206A (zh) * 2021-12-18 2022-04-12 复旦大学 基于被动多轴差分吸收光谱技术的天空条件分类方法
CN114324206B (zh) * 2021-12-18 2024-01-16 复旦大学 基于被动多轴差分吸收光谱技术的天空条件分类方法
CN114397252A (zh) * 2022-01-14 2022-04-26 中国科学技术大学 超光谱卫星的对流层水汽柱总量反演方法及应用系统
CN114910430A (zh) * 2022-04-29 2022-08-16 中国科学技术大学 基于超光谱遥感的痕量气体水平分布探测交通污染源方法
WO2023207579A1 (zh) * 2022-04-29 2023-11-02 中国科学技术大学 基于超光谱遥感的痕量气体水平分布探测交通污染源方法
CN114910430B (zh) * 2022-04-29 2024-06-04 中国科学技术大学 基于超光谱遥感的痕量气体水平分布探测交通污染源方法

Also Published As

Publication number Publication date
CN113552080B (zh) 2022-08-02

Similar Documents

Publication Publication Date Title
CN113552080B (zh) 一种超光谱遥感地表大气相对湿度的实时反演算法
CN111579504B (zh) 基于光学遥感的大气污染成分垂直分布反演方法
CN109387487B (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
Wunch et al. The total carbon column observing network
Kulawik et al. Characterization of Tropospheric Emission Spectrometer (TES) CO 2 for carbon cycle science
CN111965140B (zh) 基于特征峰的波长点重组方法
CN111737912A (zh) 一种基于深度神经网络的mwhts模拟亮温计算方法
CN112684471B (zh) 一种基于激光雷达的气溶胶微物理特性反演方法
Schneider et al. Comparison of ground-based Brewer and FTIR total column O 3 monitoring techniques
Coopmann et al. Analysis of MTG‐IRS observations and general channel selection for numerical weather prediction models
Pougatchev et al. Validation of ozone profile retrievals from infrared ground‐based solar spectra
Chan et al. Dispersive infrared spectroscopy measurements of atmospheric CO2 using a Fabry–Pérot interferometer sensor
Xue et al. One-dimensional variational retrieval of temperature and humidity profiles from the FY4A GIIRS
CN112345151B (zh) 一种基于自然大气的mwts-ii对海面气压的灵敏性测试方法
Bi et al. Fast CO2 retrieval using a semi-physical statistical model for the high-resolution spectrometer on the Fengyun-3D satellite
Jia et al. Verification of MCD19A2 data and study of aerosol characteristics in Beijing-Tianjin-Hebei region
CN116187025B (zh) 基于地基红外遥感的晴空大气温湿度廓线快速反演方法
Garkusha et al. Determination of the total ozone content from data of satellite IR Fourier-spectrometer
Virolainen et al. Ground-based measurements of total ozone content by the infrared method
CN113791042B (zh) 一种低信噪比下的卫星遥感大气甲醛斜程总量监测方法
Castro-Almazán et al. A semiempirical error estimation technique for PWV derived from atmospheric radiosonde data
Uspensky et al. The current state and prospects of satellite hyperspectral atmospheric sounding
Griggs et al. Comparison of spectrally resolved outgoing longwave radiation over the tropical Pacific between 1970 and 2003 using IRIS, IMG, and AIRS
Liu et al. Radiative closure tests of collocated hyperspectral microwave and infrared radiometers
Lian et al. Measurement and research for total atmospheric shortwave infrared transmittance of the South China Sea

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