CN114817825B - 一种基于超光谱遥感的排放源co2快速成像方法 - Google Patents
一种基于超光谱遥感的排放源co2快速成像方法 Download PDFInfo
- Publication number
- CN114817825B CN114817825B CN202210422915.6A CN202210422915A CN114817825B CN 114817825 B CN114817825 B CN 114817825B CN 202210422915 A CN202210422915 A CN 202210422915A CN 114817825 B CN114817825 B CN 114817825B
- Authority
- CN
- China
- Prior art keywords
- concentration
- observation
- plume
- emission source
- grid
- 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
- 238000003384 imaging method Methods 0.000 title claims abstract description 42
- 238000001228 spectrum Methods 0.000 claims abstract description 60
- 238000009792 diffusion process Methods 0.000 claims abstract description 48
- 238000004088 simulation Methods 0.000 claims abstract description 43
- 230000004907 flux Effects 0.000 claims abstract description 36
- 230000005855 radiation Effects 0.000 claims abstract description 16
- 230000005540 biological transmission Effects 0.000 claims abstract description 15
- 238000004364 calculation method Methods 0.000 claims abstract description 15
- 230000003287 optical effect Effects 0.000 claims description 26
- 238000000034 method Methods 0.000 claims description 22
- 239000011159 matrix material Substances 0.000 claims description 19
- 230000010354 integration Effects 0.000 claims description 9
- 238000010521 absorption reaction Methods 0.000 claims description 8
- 238000007476 Maximum Likelihood Methods 0.000 claims description 4
- 230000008033 biological extinction Effects 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 230000000694 effects Effects 0.000 claims description 4
- 238000005259 measurement Methods 0.000 claims description 4
- 238000013508 migration Methods 0.000 claims description 4
- 230000005012 migration Effects 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 4
- 238000012937 correction Methods 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 3
- 239000000443 aerosol Substances 0.000 claims description 2
- 230000008878 coupling Effects 0.000 claims description 2
- 238000010168 coupling process Methods 0.000 claims description 2
- 238000005859 coupling reaction Methods 0.000 claims description 2
- 238000007599 discharging Methods 0.000 claims description 2
- 230000008569 process Effects 0.000 claims description 2
- 230000003595 spectral effect Effects 0.000 claims description 2
- 241000084490 Esenbeckia delta Species 0.000 claims 1
- 229910002091 carbon monoxide Inorganic materials 0.000 abstract description 3
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 abstract description 2
- 238000010276 construction Methods 0.000 abstract description 2
- 230000009466 transformation Effects 0.000 abstract 1
- 239000007789 gas Substances 0.000 description 22
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 12
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 10
- 229910052799 carbon Inorganic materials 0.000 description 10
- 229910002092 carbon dioxide Inorganic materials 0.000 description 6
- 238000005070 sampling Methods 0.000 description 6
- 238000000862 absorption spectrum Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000011065 in-situ storage Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 238000011002 quantification Methods 0.000 description 3
- 239000005431 greenhouse gas Substances 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 238000012800 visualization Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- WSFSSNUMVMOOMR-UHFFFAOYSA-N Formaldehyde Chemical compound O=C WSFSSNUMVMOOMR-UHFFFAOYSA-N 0.000 description 1
- 238000005033 Fourier transform infrared spectroscopy Methods 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000001569 carbon dioxide Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000020477 pH reduction Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000000241 respiratory effect Effects 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 238000004611 spectroscopical analysis Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000010200 validation analysis 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
-
- 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
-
- 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
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Mathematical Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Computational Mathematics (AREA)
- Algebra (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Mathematical Optimization (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开了一种基于超光谱遥感的排放源CO2快速成像方法，包括：基于太阳散射光谱构建NO2多元梯度扩散回归模型和计算每个网格的NO2平均浓度，通过对NO2平均浓度拟合得到NO2羽流参数和形状；利用NO2羽流形状和参数约束CO2羽流形状，以构建CO2多元梯度扩散回归模型，利用CO2多元梯度扩散回归模型计算得到CO2浓度实测分布；通过构建气体扩散模型并结合先验信息和三维辐射传输模型模拟得到CO2浓度模拟分布；基于CO2浓度实测分布和模拟分布构建价值函数和迭代目标函数，在约束条件约束下根据两个函数进行迭代反演后，依据最优CO2浓度模拟分布实现排放源CO2排放通量的快速准确计算。
Description
技术领域
本发明属于环境监测技术领域，具体涉及一种基于超光谱遥感的排放源CO2快速成像方法。
背景技术
温室气体(特别是二氧化碳)的大量排放，已经引起了气候极端化、海洋酸化和土壤失衡等全球性问题。在这样的背景下，碳污染的治理迫在眉睫，而精确的碳排放核算是治理碳污染的关键，因此开发准确的CO2排放浓度和通量量化的碳观测技术显得尤为重要。
目前现有的碳观测技术主要有原位观测、卫星遥感观测和地基红外观测三种。其中，原位观测CO2，需要人工采集污染空气样品，测量成本高且采样的区域代表性有限，例如专利CN 203572823 U公开了一种原位观测湿地碳排放的静态箱系统，包括底座、箱体和气体采样装置；底座的顶面和底面均为开口；底座的上部还设有环状的第一水槽；底座的外侧壁上设有刻度尺；箱体的顶面封闭，其底面为开口；箱体的底部开口端插接于底座的第一水槽中；在箱体的顶面上设有风扇；箱体的外侧壁上设有刻度尺；在箱体的顶面上还设有通孔；气体采样装置包括采样管、抽气泵和气体收集容器；采样管的一端穿过箱体的通孔伸入箱体的内腔中，其另一端与抽气泵连接；抽气泵将抽出的气体通过气管输送到气体收集容器中。该装置可以实现长期原位观测采集湿地碳排放通量情况，但是测量成本高，且采样的区域代表性有限。
卫星遥感观测CO2，时空分辨率有限，难以实现CO2排放源的精准定位和排放通量量化，且现有反演算法严重依赖先验信息。例如专利申请CN110263299A公开了一种基于遥感的高寒草甸生态系统呼吸碳排放估算方法，该反演基于观测数据进行估算的，对观测数据的要求高。
地基红外观测探测CO2，需要严格追踪太阳才能接收分析太阳光谱，观测条件苛刻。再者，目前主流的PROFFIT、SFIT和GFIT反演算法也存在依赖先验数据的缺陷，因此，亟需一种不依赖先验信息、适用性强、反演快速的碳排放成像和碳通量核算的新方法。
发明内容
本发明的目的是提供一种基于超光谱遥感的排放源CO2快速成像方法，旨在解决现有红外监测技术中CO2反演耗时，过度依赖先验数据，无法实现排放可视化以及排放通量量化困难的问题。
为实现上述发明目的，本发明提供的一种基于超光谱遥感的排放源CO2快速成像方法，包括以下步骤：
步骤1，制定观测方案，包括设置观测仰角序列和方位角序列、网格化目标区域、确定观测范围和光谱采集次数；
步骤2，按照观测方案采集太阳散射光谱，并对太阳散射光谱预处理，依据预处理后的太阳散射光谱计算NO2有效光路积分浓度；
步骤3，考虑观测几何条件影响和NO2的背景值范围变化，构建目标区域的NO2多元梯度扩散回归模型，并依据NO2有效光路积分浓度对NO2多元梯度扩散回归模型进行拟合，以得到NO2羽流参数；
步骤4，根据NO2有效光路积分浓度计算目标区域中每个网格的NO2平均浓度，计算目标区域中每个网格的光通量，依据光通量对NO2平均浓度进行成像，通过观察NO2平均浓度成像结果确定NO2羽流形状；
步骤5，基于NO2与CO2的共排放关系，并利用NO2羽流形状和羽流参数约束CO2羽流形状，以构建目标区域的CO2多元梯度扩散回归模型，利用CO2多元梯度扩散回归模型并结合观测得到的CO2浓度背景值和排放羽流的CO2浓度，计算得到目标区域的CO2浓度实测分布；
步骤6，构建气体扩散模型，利用气体扩散模型对当前CO2反演浓度进行模拟以得到目标区域的CO2状态信息，利用三维辐射传输模型并结合CO2状态信息进行模拟，得到目标区域的CO2浓度模拟分布；
步骤7，基于目标区域的CO2浓度实测分布和CO2浓度模拟分布构建价值函数和迭代目标函数，在约束条件约束下根据价值函数和迭代目标函数进行迭代反演，当价值函数最小时，即获得目标区域的最优CO2浓度反演分布以及最优CO2浓度模拟分布；
步骤8，成像目标区域的最优CO2浓度模拟分布，结合风场信息和观测几何条件计算排放源的CO2排放通量。
与现有技术相比，本发明具有的有益效果至少包括：
基于太阳散射光谱和观测参数构建NO2多元梯度扩散回归模型和计算目标区域中每个网格的NO2平均浓度，通过对NO2平均浓度进行拟合计算得到NO2羽流参数和形状；依据NO2与CO2的共排放关系，并利用NO2羽流形状和参数约束CO2羽流形状，以构建CO2多元梯度扩散回归模型，利用CO2多元梯度扩散回归模型计算得到CO2浓度实测分布；通过构建气体扩散模型并结合先验信息和三维辐射传输模型模拟得到CO2浓度模拟分布；基于CO2浓度实测分布和模拟分布构建价值函数和迭代目标函数，在约束条件约束下根据价值函数和迭代目标函数进行迭代反演，依据得到的最优CO2浓度模拟分布实现排放源的CO2排放通量的快速准确计算。
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，下面将对实施例或现有技术描述中所需要使用的附图做简单地介绍，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前提下，还可以根据这些附图获得其他附图。
图1为本发明实施例提供的基于超光谱遥感的排放源CO2快速成像方法的流程图；
图2为本发明实施例提供的基于超光谱遥感的排放源CO2快速成像方法所用的光谱信息采集示意图；
图3为本发明实施例中NO2浓度计算用到气体的特征吸收谱；
图4为本发明实施例所观测电厂的NO2浓度成像示意图；
图5为本发明实施例所观测电厂的CO2浓度成像示意图；
图6为本发明实施例中CO2排放通量计算时方位角序列选择的示意图。
具体实施方式
为使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例对本发明进行进一步的详细说明。应当理解，此处所描述的具体实施方式仅仅用以解释本发明，并不限定本发明的保护范围。
为解决现有红外监测技术中CO2反演耗时，过度依赖先验数据，无法实现排放可视化以及排放通量量化困难的问题，实施例提供了一种基于超光谱遥感的排放源CO2快速成像方法。
图1为本发明实施例提供的基于超光谱遥感的排放源CO2快速成像方法的流程图。如图1所示，实施例提供的排放源CO2快速成像方法，包括以下步骤：
步骤1，根据观测参数制定观测方案，包括设置观测仰角序列和方位角序列、网格化目标区域、确定观测范围和光谱采集次数。
实施例中，设置观测仰角序列和方位角序列时，根据观测几何条件和气象条件信息所引起的羽流飘动，设置观测仰角序列和方位角序列，其中，观测几何条件包括观测点与排放源的水平距离，方位角范围和俯仰角范围，气象条件信息包括目标区域的温度、湿度、压力分布以及风向风速。
在网格化目标区域时，依据方位角个数和仰角个数划分网格，具体以目标区域格点的行数等于仰角个数，以目标区域格点的列数等于方位角个数，对目标区域进行网格划分。
观测范围因观测对象不同，对于NO2，观测范围需要覆盖目标区域的全部网格范围；对于CO2，观测范围是指排放源预设范围内的多个网格；光谱采集次数等于观测范围的网格数。
步骤2，按照观测方案采集太阳散射光谱，并对太阳散射光谱预处理，依据预处理后的太阳散射光谱计算NO2有效光路积分浓度。
实施例中，步骤2，包括以下步骤：
步骤2-1，按照观测方案采集太阳散射光谱，并按照公式(1)-公式(5)对太阳散射光谱进行非线性校正预处理，得到预处理后的太阳散射光谱：
Δshift(λ)＝a0+a1(λ-λ0)+a2(λ-λ0)2 (8)
其中，G(λ,λ0)为仪器函数，λ为入射光谱的波长，λ0为中心波长，σ为波长的标准差；Δshift(λ)为原始太阳散射光谱和采集太阳散射光谱之间的波长偏移，P(λ)为大气辐射传输中的分子多次散射和吸收(多次瑞利散射)、气溶胶的散射和吸收(米散射)、以及地表和云的反射作用的慢变化光谱；a0，a1，a2分别代表对波长偏移拟合得到的偏移量，一阶拉伸和二阶拉伸参数，公式(3)拟合得到的参数a0，a1，a2参数带入公式(4)计算offset(λ)，offset(λ)为因仪器或者大气杂光或者残留暗电流引起的偏移；为太阳散射光谱的平均强度；I0为大气层顶的光谱，即未经消光的太阳散射光谱；I为仪器采集到的太阳散射光谱，即经过大气消光后的太阳散射光谱；R(λ)为经过光谱校正后的天顶反照率，也就是预处理后的太阳散射光谱；
步骤2-2，依据预处理后的太阳散射光谱和大气成分超光谱吸收特性，采用最小二乘法计算NO2有效光程光路积分浓度，公式表示为：
其中，R(λ)为预处理后的太阳散射光谱，σtg为气体tg的特征吸收谱，表征超光谱吸收特性，Stg为气体tg的有效光程光路积分浓度，公式(6)能够计算所有大气成分的有效光程光路积分浓度，当气体tg表示NO2时，表示NO2有效光程光路积分浓度；
实施例中，利用超光谱遥感技术最小化实测光谱和模拟光谱的差异，利用NO2，O3，O2-O2等气体的特征吸收谱及Ring效应等效特征吸收谱，吸收谱信息详见表1。用Levenberg-Marquardt方法对式(6)做线性回归求解，获得NO2的有效光程光路积分浓度。
表1气体参数
| 气体 | 数据来源 |
| NO2 | 298K，Vandacle et al.(1998) |
| HCHO | 297K，Meller and Moortagt(2000) |
| O3_223K | 223K，Serdyuchenko et al.(2014) |
| O3_243K | 223K，Serdyuchenko et al.(2014) |
| O4 | 293K，Thalman and Volkamer(2013) |
| H2O | 296K，HITEMP；Rothman et al.(2010) |
| BrO | 223K，Fleischmann et al.(2004) |
| Ring | Ring spectra calculated with QDOAS |
步骤2-3，根据NO2有效光程光路积分浓度计算NO2的有效光路积分浓度，公式表示为：
其中，为NO2的有效光路积分浓度，α为仪器观测的仰角。
步骤3，考虑观测几何条件影响和NO2的背景值范围变化，构建目标区域的NO2多元梯度扩散回归模型，并依据NO2有效光路积分浓度对NO2多元梯度气体扩散回归模型进行拟合，以得到NO2羽流参数。
实施例中，步骤3，包括以下步骤：
步骤3-1，考虑观测几何条件的影响和NO2的背景值范围变化，覆盖一个描述NO2排放源羽流引起的NO2局部增强的高斯函数，并依此构建NO2多元梯度扩散回归模型表示为：
其中，NO2多元梯度扩散回归模型能够实现沿着观测方向的NO2有效光路积分浓度最大似然估计，为NO2的有效光路积分浓度，系数x0，x1为NO2背景值，表征上风向的NO2浓度；x2为NO2羽流幅值，表征NO2羽流的最大值；x3为NO2羽流偏移量，表征风引起的NO2羽流偏移；x4为高斯函数的半高全宽，m表示观测方向的向量；
步骤3-2，根据步骤2得到的NO2的有效光路积分浓度、观测得到的观测方向的向量，对NO2多元梯度扩散回归模型进行拟合求解，以得到NO2背景值、NO2羽流幅值、NO2羽流偏移量以及高斯函数的半高全宽，组成NO2羽流参数。
步骤4，根据NO2有效光路积分浓度计算目标区域中每个网格的NO2平均浓度，计算目标区域中每个网格的光通量，依据光通量对NO2平均浓度进行成像，通过观察NO2平均浓度成像结果确定NO2羽流形状。
实施例中，步骤4，包括以下步骤：
步骤4-1，根据NO2有效光路积分浓度计算目标区域中每个网格的NO2平均浓度，公式表示为：
其中，ci,j为第i行第j列网格的NO2平均浓度；k1为转换系数，M为气体的相对分子质量，Vi,j为第i行第j列网格的NO2的有效光路积分浓度，hi,j为第i行第j列网格的等效高度，NA为阿伏伽德罗常数；
步骤4-2，计算目标区域中每个网格的光通量，公式表示为：
其中，lf为光通量，λz为波长，为波长为λz的光谱的光强，Z为通道数，z为通道数的索引；
步骤4-3，通过对比每个网格的光通量定位排口的位置，将NO2平均浓度成像在目标区域图像上，以得到NO2平均浓度成像结果；
步骤4-4，通过观察NO2平均浓度成像结果确定NO2羽流形状，包括：若同一方位角序列内高值格点NO2平均浓度与相邻低值格点NO2平均浓度相差一倍以上，则认为两格点构成了NO2羽流的边界，依次获得NO2羽流的所有边界，即得到NO2羽流形状。
实施例中，根据NO2有效光程光路积分浓度还可以计算目标区域的NO2排放通量，公式表示如下：
其中，FNO2为目标区域的NO2排放通量，S(α)为仪器观测仰角为α时的NO2有效光程光路积分浓度，R为观测地点到羽流中心的距离，为羽流截面的法向量，/>为风场信息，j为仰角个数，Sj为仰角为αj时的NO2有效光程光路积分浓度，Δαj为两个连续仰角的差值(Δαj＝αj+1-αj)。
步骤5，基于NO2与CO2的共排放关系，并利用NO2羽流形状和羽流参数约束CO2羽流形状，以构建目标区域的CO2多元梯度扩散回归模型，利用CO2多元梯度扩散回归模型并结合观测得到的CO2浓度背景值和排放羽流的CO2浓度，计算得到目标区域的CO2浓度实测分布。
实施例中，基于NO2与CO2的共排放关系，并利用NO2羽流形状和和羽流参数约束CO2羽流形状，以构建目标区域的CO2多元梯度扩散回归模型，表示为：
其中，CO2多元梯度扩散回归模型能够实现沿着观测方向的CO2浓度最大似然估计，表示CO2实测浓度，系数y0，y1为CO2背景值，表征上风向的CO2浓度，观测得到；y2为CO2羽流幅值，表征CO2羽流的最大值，观测得到；y3为CO2羽流偏移量，表征风引起的CO2羽流偏移，观测得到；y4为高斯函数半高全宽，此处y4＝x4；m为表征观测方向的向量，观测得到。
利用便携式傅里叶变换红外光谱仪测量目标区域的CO2浓度背景值以及排放羽流的CO2浓度，上述便携式傅里叶变换光谱仪器的测量方法采用文献Liu D,Huang Y,Cao Z,et al.Analysis of Total Columns of Greenhouse Gas Based on Direct Observationand Comparison with Satellite Data in Hefei[J].Acta Photonica Sinica,2020,49(3)中记载的方法。利用公式(12)所示的CO2多元梯度扩散回归模型并结合观测得到的CO2浓度背景值和排放羽流的CO2浓度，计算得到目标区域的CO2浓度实测分布。
步骤6，构建气体扩散模型，利用气体扩散模型对CO2先验浓度和当前CO2反演浓度进行模拟以得到目标区域的CO2状态信息，利用三维辐射传输模型并结合CO2状态信息进行模拟，得到目标区域的CO2浓度模拟分布。
实施例中，步骤6，包括以下步骤：
步骤6-1，构建气体扩散模型GDM(x)：
其中，X为CO2排放源位置，x0为最大扩散距离，g(x)为高斯函数，σ为高斯函数的标准差，F为CO2排放量，B为CO2背景值；
步骤6-2，基于非线性最小二乘用气体扩散模型GDM(x)拟合CO2线密度L(x)，获得目标区域的CO2状态信息，包括：
令GDM(x)＝L(x) (16)
L(x)＝∫O(x,y)dy (17)
其中，x为主风向，y为主风向的截面方向，L(x)为主风向方向的CO2线密度，O(x,y)为排放源区域的CO2浓度分布，考虑排放源的空间范围，网格大小，主风向截面的风速波动等影响，沿主风向的截面对排口附近CO2浓度积分，CO2线密度表示为L(x)＝∫O(x,y)dy。
在求解时，o(x,y)为当前CO2反演浓度，基于非线性最小二乘用气体扩散模型GDM(x)拟合CO2线密度L(x)，以求得CO2状态信息，包括：CO2排放源位置、线密度最大值、CO2排放量、最大扩散距离，CO2背景值和高斯函数的标准差；
步骤6-3，将CO2状态信息、观测几何条件、气象条件信息输入至三维辐射传输模型，经模拟计算，得到CO2浓度模拟分布。
实施例中，三维辐射传输模型基于文献Deutschmann T,Beirle S,FrieβU,etal.The Monte Carlo atmospheric radiative transfer model McArtim:Introductionand validation of Jacobians and 3D features[J].Journal of QuantitativeSpectroscopy&Radiative Transfer,2011,112(6):1119-1137.中记载的辐射传输模型McArtim。
步骤7，基于目标区域的CO2浓度实测分布和CO2浓度模拟分布构建价值函数和迭代目标函数，在约束条件约束下根据价值函数和迭代目标函数进行迭代反演，当价值函数最小时，即获得目标区域的CO2浓度反演分布以及对应的最优CO2浓度模拟分布。
实施例中，步骤7，包括以下步骤：
步骤7-1，构建基于目标区域的CO2浓度实测分布和CO2浓度模拟分布构建价值函数和迭代目标函数，公式表示为：
将价值函数转化为矩阵形式为：
其中，χ2为价值函数，i,j分别为目标区域网格的行和列的索引，Meai,j为第i行第j列网格的CO2浓度实测值，Simi,j(o)为第i行第j列网格的CO2模拟浓度值，σε,i,j为第i行第j列网格的CO2浓度观测误差，N为CO2观测时太阳散射光谱采集数量，也即CO2观测时太阳散射光谱采集总网格数，on为排放源预设范围内第n个网格的CO2浓度反演值，oa,n为排放源预设范围内第n个网格的CO2浓度先验值，σa,n为排放源预设范围内第n个网格的CO2浓度迭代误差；O为排放源预设范围内的CO2浓度反演矩阵，Oa为排放源预设范围内的CO2浓度先验矩阵，Mea为CO2浓度实测矩阵，Sim(O)为CO2浓度模拟矩阵，OE-1为观测误差的协方差矩阵的逆矩阵，为先验误差的协方差矩阵的逆矩阵；l为迭代次数索引,/>为第l次迭代时权重矩阵的转置矩阵。
步骤7-2，构建约束条件，包括：
以温度压力垂直分布、风场信息以及太阳辐照强度信息输入三维辐射传输模型，作为生成CO2浓度模拟分布的约束条件；其中，将实测温度压力垂直分布或者模型(全球大气化学传输模型)同化模拟的温度压力垂直分布作为约束条件；
在有CO2点式采样器参与的实际观测中，以排放源预设范围内的点式采样器采集的CO2浓度值，或者采用气象模式和化学模式在线完全耦合获得的排放源预设范围内的CO2浓度模拟分布结果作为反演过程的CO2先验浓度。
步骤7-3，在约束条件约束下根据价值函数和迭代目标函数进行迭代反演，当价值函数最小时，即获得目标区域的最优CO2浓度反演分布以及最优CO2浓度模拟分布，具体包括：
步骤7-3-1，输入排放源预设范围内CO2浓度先验分布Oa和CO2浓度反演分布Ol，利用气体扩散模型获得CO2状态信息；基于三维辐射传输模型，输入观测几何条件，气象条件和CO2状态信息，模拟获得目标区域CO2浓度模拟分布Sim(Ol)，判断价值函数χ2(Ol)是否小于价值函数最小阈值，若小于价值函数最小阈值，则输出CO2浓度反演分布Ol以及对应的CO2浓度模拟分布Sim(Ol)，若大于价值函数最小阈值，则执行步骤7-3-2；
步骤7-3-2，根据迭代目标函数计算获得第l+1轮次的CO2浓度反演分布Ol+1，将Ol+1作为排放源预设范围内的l+1轮次的当前CO2浓度分布，进行l+1轮次的模拟计算，以得到CO2浓度模拟分布Sim(Ol+1)，同时计算得到对应价值函数χ2(Ol+1)；
步骤7-3-3，判定价值函数值χ2(Ol)和价值函数值χ2(Ol+1)的大小关系，若χ2(Ol+1)＜χ2(Ol)，则获得此次迭代的最优解Ol+1，输出Ol+1和Sim(Ol+1)；若χ2(Ol+1)＞χ2(Ol)，则把Ol+1作为Ol，执行步骤7-3-2，直至价值函数最小，输出对应的状态量最优解Ol和最优CO2浓度模拟分布Sim(Ol)。
实施例中，若迭代次数超过设定迭代次数的阈值则停止迭代，视为反演失败。
步骤8，成像目标区域的最优CO2浓度模拟分布，结合风场信息和观测几何条件计算排放源的CO2排放通量。
实施例中，步骤8，包括以下步骤：
步骤8-1，将最优CO2浓度模拟分布成像于目标区域图像上，以得到CO2浓度模拟分布成像结果；
步骤8-2，根据最优CO2浓度模拟分布成像结果确定距离排放源的最近的一列网格；
步骤8-3，依据排放源的最近的一列网格的CO2浓度分布、风场信息以及观测几何条件计算CO2排放通量，公式表示为：
其中，为CO2排放通量，k1为单位转化系数，u为距离排口最近的一列格点中羽流覆盖的格数，cj为方位角为βj时羽流的CO2平均浓度，v为风速，rplume为排放羽流截面半径，θ为观测方向和风速的夹角。
具体应用中，参照图2，图2为本发明的光谱信息采集示意图，格点中心到地面的距离为h，超光谱成像仪的视场角为根据光谱采集装置到目标区域的距离和所述视场角对目标区域进行网格化，获取网格化的分辨率，根据观测几何条件和考虑风速风向所引起的羽流飘动，设置合适的俯仰角和方位角范围及序列，自动调节观测视场大小，采集观测区域的光谱信息。
参照图3，图3为本发明NO2浓度计算用到气体的特征吸收谱。
参照图4，图4为本发明的NO2成像示意图，该图像是基于NO2实测浓度获得的。
参照图5，图5为本发明的CO2成像示意图，该图像是基于CO2实测浓度获得。
参照图6，图6为本发明CO2排放通量计算时方位角序列选择的示意图，选取离排口最近即第1列的羽流计算CO2排放通量。
上述实施例中测量时风速为4m/s，观测点到观测目标的水平距离为450m，测得该电厂的NO2排放通量为1.51kg/s，CO2排放通量为31.73kg/s。
以上所述的具体实施方式对本发明的技术方案和有益效果进行了详细说明，应理解的是以上所述仅为本发明的最优选实施例，并不用于限制本发明，凡在本发明的原则范围内所做的任何修改、补充和等同替换等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于超光谱遥感的排放源CO2快速成像方法，其特征在于，包括以下步骤：
步骤1，制定观测方案，包括设置观测仰角序列和方位角序列、网格化目标区域、确定观测范围和光谱采集次数；
步骤2，按照观测方案采集太阳散射光谱，并对太阳散射光谱预处理，依据预处理后的太阳散射光谱计算NO2有效光路积分浓度；
步骤3，考虑观测几何条件影响和NO2的背景值范围变化，构建目标区域的NO2多元梯度扩散回归模型，并依据NO2有效光路积分浓度对NO2多元梯度扩散回归模型进行拟合，以得到NO2羽流参数；
步骤4，根据NO2有效光路积分浓度计算目标区域中每个网格的NO2平均浓度，计算目标区域中每个网格的光通量，依据光通量对NO2平均浓度进行成像，通过观察NO2平均浓度成像结果确定NO2羽流形状；
步骤5，基于NO2与CO2的共排放关系，并利用NO2羽流形状和羽流参数约束CO2羽流形状，以构建目标区域的CO2多元梯度扩散回归模型，利用CO2多元梯度扩散回归模型并结合观测得到的CO2浓度背景值和排放羽流的CO2浓度，计算得到目标区域的CO2浓度实测分布；
步骤6，构建气体扩散模型，利用气体扩散模型对当前CO2反演浓度进行模拟以得到目标区域的CO2状态信息，利用三维辐射传输模型并结合CO2状态信息进行模拟，得到目标区域的CO2浓度模拟分布；
步骤7，基于目标区域的CO2浓度实测分布和CO2浓度模拟分布构建价值函数和迭代目标函数，在约束条件约束下根据价值函数和迭代目标函数进行迭代反演，当价值函数最小时，即获得目标区域的最优CO2浓度反演分布以及最优CO2浓度模拟分布；
步骤8，成像目标区域的最优CO2浓度模拟分布，结合风场信息和观测几何条件计算排放源的CO2排放通量。
2.根据权利要求1所述的基于超光谱遥感的排放源CO2快速成像方法，其特征在于，步骤1中，设置观测仰角序列和方位角序列时，根据观测几何条件和气象条件信息所引起的羽流飘动，设置观测仰角序列和方位角序列，其中，观测几何条件包括观测点与排放源的水平距离，方位角范围和俯仰角范围，气象条件信息包括目标区域的温度、湿度、压力分布以及风向风速；
在网格化目标区域时，依据方位角个数和仰角个数划分网格，具体以目标区域格点的行数等于仰角个数，以目标区域格点的列数等于方位角个数，对目标区域进行网格划分；
观测范围因观测对象不同，对于NO2，观测范围需要覆盖目标区域的全部网格范围；对于CO2，观测范围是指排放源预设范围内的多个网格；
光谱采集次数等于观测范围的网格数。
3.根据权利要求1所述的基于超光谱遥感的排放源CO2快速成像方法，其特征在于，步骤2，包括：
步骤2-1，按照观测方案采集太阳散射光谱，并按照公式(1)-公式(5)对太阳散射光谱预处理，得到预处理后的太阳散射光谱：
Δshift(λ)＝a0+a1(λ-λ0)+a2(λ-λ0)2 (3)
其中，G(λ,λ0)为仪器函数，λ为入射光谱的波长，λ0为中心波长，σ为波长的标准差；Δshift(λ)为原始太阳散射光谱和采集太阳散射光谱之间的波长偏移，P(λ)为大气辐射传输中的分子多次散射和吸收(多次瑞利散射)、气溶胶的散射和吸收(米散射)、以及地表和云的反射作用的慢变化光谱；a0，a1，a2分别代表对波长偏移拟合得到的偏移量，一阶拉伸和二阶拉伸参数，公式(3)拟合得到的参数a0，a1，a2参数带入公式(4)计算offset(λ)，offset(λ)为因仪器或者大气杂光或者残留暗电流引起的偏移；为太阳散射光谱的平均强度；I0为大气层顶的光谱，即未经消光的太阳散射光谱；I为仪器采集到的太阳散射光谱，即经过大气消光后的太阳散射光谱；R(λ)为经过光谱校正后的天顶反照率，也就是预处理后的太阳散射光谱；
步骤2-2，依据预处理后的太阳散射光谱和大气成分超光谱吸收特性，采用最小二乘法计算NO2有效光程光路积分浓度，公式表示为：
其中，R(λ)为预处理后的太阳散射光谱，σtg为气体tg的特征吸收谱，表征超光谱吸收特性，Stg为气体tg的有效光程光路积分浓度，公式(6)能够计算所有大气成分的有效光程光路积分浓度，当气体tg表示NO2时，表示NO2有效光程光路积分浓度；
步骤2-3，根据NO2有效光程光路积分浓度计算NO2的有效光路积分浓度，公式表示为：
其中，为NO2的有效光路积分浓度，α为仪器观测的仰角。
4.根据权利要求1所述的基于超光谱遥感的排放源CO2快速成像方法，其特征在于，步骤3，包括：
步骤3-1，考虑观测几何条件的影响和NO2的背景值范围变化，覆盖一个描述NO2排放源羽流引起的NO2局部增强的高斯函数，并依此构建NO2多元梯度扩散回归模型表示为：
其中，NO2多元梯度扩散回归模型能够实现沿着观测方向的NO2有效光路积分浓度最大似然估计，为NO2的有效光路积分浓度，系数x0，x1为NO2背景值，表征上风向的NO2浓度；x2为NO2羽流幅值，表征NO2羽流的最大值；x3为NO2羽流偏移量，表征风引起的NO2羽流偏移；x4为高斯函数的半高全宽，m表示观测方向的向量；
步骤3-2，根据NO2的有效光路积分浓度、观测得到的观测方向的向量，对NO2多元梯度扩散回归模型进行拟合求解，以得到NO2背景值、NO2羽流幅值、NO2羽流偏移量以及高斯函数的半高全宽，组成NO2羽流参数。
5.根据权利要求1所述的基于超光谱遥感的排放源CO2快速成像方法，其特征在于，步骤4，包括：
步骤4-1，根据NO2有效光路积分浓度计算目标区域中每个网格的NO2平均浓度，公式表示为：
其中，ci,j为第i行第j列网格的NO2平均浓度；k1为转换系数，M为气体的相对分子质量，Vi,j为第i行第j列网格的NO2的有效光路积分浓度，hi,j为第i行第j列网格的等效高度，NA为阿伏伽德罗常数；
步骤4-2，计算目标区域中每个网格的光通量，公式表示为：
其中，lf为光通量，λz为波长，为波长为λz的光谱的光强，Z为通道数，z为通道数的索引；
步骤4-3，通过对比每个网格的光通量定位排口的位置，将NO2平均浓度成像在目标区域图像上，以得到NO2平均浓度成像结果；
步骤4-4，通过观察NO2平均浓度成像结果确定NO2羽流形状，包括：若同一方位角序列内高值格点NO2平均浓度与相邻低值格点NO2平均浓度相差一倍以上，则认为两格点构成了NO2羽流的边界，依次获得NO2羽流的所有边界，即得到NO2羽流形状。
6.根据权利要求1所述的基于超光谱遥感的排放源CO2快速成像方法，其特征在于，步骤5中，基于NO2与CO2的共排放关系，并利用NO2羽流形状和和羽流参数约束CO2羽流形状，以构建目标区域的CO2多元梯度扩散回归模型，表示为：
其中，CO2多元梯度扩散回归模型能够实现沿着观测方向的CO2浓度最大似然估计，表示CO2实测浓度，系数y0，y1为CO2背景值，表征上风向的CO2浓度，观测得到；y2为CO2羽流幅值，表征CO2羽流的最大值，观测得到；y3为CO2羽流偏移量，表征风引起的CO2羽流偏移，观测得到；y4为高斯函数半高全宽，此处y4＝x4；m为表征观测方向的向量，观测得到。
7.根据权利要求1所述的基于超光谱遥感的排放源CO2快速成像方法，其特征在于，步骤6，包括：
步骤6-1，构建气体扩散模型GDM(x)：
其中，X为CO2排放源位置，x0为最大扩散距离，g(x)为高斯函数，σ为高斯函数的标准差，F为CO2排放量，B为CO2背景值；
步骤6-2，基于非线性最小二乘用气体扩散模型GDM(x)拟合CO2线密度L(x)，获得目标区域的CO2状态信息，包括：
令GDM(x)＝L(x) (15)
L(x)＝∫O(x,y)dy (16)
其中，x为主风向，y为主风向的截面方向，L(x)为主风向方向的CO2线密度，O(x,y)为排放源区域的CO2浓度分布；
在求解时，O(x,y)为当前CO2反演浓度，基于非线性最小二乘用气体扩散模型GDM(x)拟合CO2线密度L(x)，以求得CO2状态信息，包括：CO2排放源位置、线密度最大值、CO2排放量、最大扩散距离，CO2背景值和高斯函数的标准差；
步骤6-3，将CO2状态信息、观测几何条件、气象条件信息输入至三维辐射传输模型，经模拟计算，得到CO2浓度模拟分布。
8.根据权利要求1所述的基于超光谱遥感的排放源CO2快速成像方法，其特征在于，步骤7，包括：
步骤7-1，构建基于目标区域的CO2浓度实测分布和CO2浓度模拟分布构建价值函数和迭代目标函数，公式表示为：
将价值函数转化为矩阵形式为：
其中，χ2为价值函数，i,j分别为目标区域网格的行和列的索引，Meai,j为第i行第j列网格的CO2浓度实测值，Simi,j(O)为第i行第j列网格的CO2模拟浓度值，σε,i,j为第i行第j列网格的CO2浓度观测误差，N为CO2观测时太阳散射光谱采集数量，也即CO2观测时太阳散射光谱采集总网格数，on为排放源预设范围内第n个网格的CO2浓度反演值，oa,n为排放源预设范围内第n个网格的CO2浓度先验值，σa,n为排放源预设范围内第n个网格的CO2浓度迭代误差；O为排放源预设范围内的CO2浓度反演矩阵，Oa为排放源预设范围内的CO2浓度先验矩阵，Mea为CO2浓度实测矩阵，Sim(O)为CO2浓度模拟矩阵，OE-1为观测误差的协方差矩阵的逆矩阵，为先验误差的协方差矩阵的逆矩阵；l为迭代次数索引,Wl T为第l次迭代时权重矩阵的转置矩阵；
步骤7-2，构建约束条件，包括：
以温度压力垂直分布、风场信息以及太阳辐照强度信息输入三维辐射传输模型，作为生成CO2浓度模拟分布的约束条件；
以排放源预设范围内的点式采样器采集的CO2浓度值，或者采用气象模式和化学模式在线完全耦合获得的排放源预设范围内的CO2浓度模拟分布结果作为反演过程的CO2先验浓度；
步骤7-3，在约束条件约束下根据价值函数和迭代目标函数进行迭代反演，当价值函数最小时，即获得目标区域的最优CO2浓度反演分布以及对应的最优CO2浓度模拟分布；
其中，在约束条件约束下根据价值函数和迭代目标函数进行迭代反演，包括：
步骤7-3-1，判断价值函数χ2(Ol)是否小于价值函数最小阈值，若小于价值函数最小阈值，则输出CO2浓度反演分布Ol以及对应的CO2浓度模拟分布Sim(Ol)，若大于价值函数最小阈值，则执行步骤7-3-2；
步骤7-3-2，根据迭代目标函数计算获得第l+1轮次的CO2浓度反演分布Ol+1，将Ol+1作为排放源预设范围内的l+1轮次的当前CO2浓度分布，进行l+1轮次的模拟计算，以得到CO2浓度模拟分布Sim(Ol+1)，同时计算得到对应价值函数χ2(Ol+1)；
步骤7-3-3，判定价值函数值χ2(Ol)和价值函数值χ2(Ol+1)的大小关系，若χ2(Ol+1)＜χ2(Ol)，则获得此次迭代的最优解Ol+1，输出Ol+1和Sim(Ol+1)；若χ2(ol+1)＞χ2(ol)，则把ol+1作为ol，执行步骤7-3-2，直至价值函数最小，输出对应的状态量最优解Ol和最优CO2浓度模拟分布Sim(Ol)。
9.根据权利要求1所述的基于超光谱遥感的排放源CO2快速成像方法，其特征在于，步骤8，包括：
步骤8-1，将最优CO2浓度模拟分布成像于目标区域图像上，以得到CO2浓度模拟分布成像结果；
步骤8-2，根据最优CO2浓度模拟分布成像结果确定距离排放源的最近的一列网格；
步骤8-3，依据排放源的最近的一列网格的CO2浓度分布、风场信息以及观测几何条件计算CO2排放通量，公式表示为：
其中，为CO2排放通量，k1为单位转化系数，u为距离排口最近的一列格点中羽流覆盖的格数，cj为方位角为βj时羽流的CO2平均浓度，v为风速，rplume为排放羽流截面半径，θ为观测方向和风速的夹角。
10.根据权利要求1所述的基于超光谱遥感的排放源CO2快速成像方法，其特征在于，所述方法还包括：
根据NO2有效光程光路积分浓度还计算目标区域的NO2排放通量，公式表示如下：
其中，FNO2为目标区域的NO2排放通量，S(α)为仪器观测仰角为α时的NO2有效光程光路积分浓度，R为观测地点到羽流中心的距离，为羽流截面的法向量，/>为风场信息，j为仰角个数，Sj为仰角为αj时的NO2有效光程光路积分浓度，Δαj为两个连续仰角的差值，即Δαj＝αj+1-αj。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210422915.6A CN114817825B (zh) | 2022-04-21 | 2022-04-21 | 一种基于超光谱遥感的排放源co2快速成像方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210422915.6A CN114817825B (zh) | 2022-04-21 | 2022-04-21 | 一种基于超光谱遥感的排放源co2快速成像方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114817825A CN114817825A (zh) | 2022-07-29 |
| CN114817825B true CN114817825B (zh) | 2024-04-02 |
Family
ID=82505874
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210422915.6A Active CN114817825B (zh) | 2022-04-21 | 2022-04-21 | 一种基于超光谱遥感的排放源co2快速成像方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114817825B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116879227A (zh) * | 2023-07-07 | 2023-10-13 | 安徽农业大学 | 一种基于激光光谱的快速气体反演方法 |
| CN116908114B (zh) * | 2023-09-07 | 2023-12-01 | 水利部交通运输部国家能源局南京水利科学研究院 | 一种流域颗粒有机碳通量遥感监测方法 |
| CN117269081B (zh) * | 2023-11-20 | 2024-03-15 | 北京英视睿达科技股份有限公司 | 一种温室气体的碳通量监测方法及碳通量监测系统 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| RU2619837C1 (ru) * | 2016-08-05 | 2017-05-18 | Федеральное государственное бюджетное научное учреждение "Научно-исследовательский институт аэрокосмического мониторинга "АЭРОКОСМОС" | Способ определения объема эмиссий газовых компонент в атмосфере |
| CN111579504A (zh) * | 2020-06-29 | 2020-08-25 | 中国科学技术大学 | 基于光学遥感的大气污染成分垂直分布反演方法 |
| CN113552081A (zh) * | 2021-07-06 | 2021-10-26 | 中国科学技术大学 | 一种基于超高光谱遥感无盲区臭氧垂直分布的遥测系统 |
| CN114112935A (zh) * | 2021-11-22 | 2022-03-01 | 中国科学技术大学 | 大气污染物垂直分布的实时反演方法、装置、计算机设备和存储介质 |
-
2022
- 2022-04-21 CN CN202210422915.6A patent/CN114817825B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| RU2619837C1 (ru) * | 2016-08-05 | 2017-05-18 | Федеральное государственное бюджетное научное учреждение "Научно-исследовательский институт аэрокосмического мониторинга "АЭРОКОСМОС" | Способ определения объема эмиссий газовых компонент в атмосфере |
| CN111579504A (zh) * | 2020-06-29 | 2020-08-25 | 中国科学技术大学 | 基于光学遥感的大气污染成分垂直分布反演方法 |
| CN113552081A (zh) * | 2021-07-06 | 2021-10-26 | 中国科学技术大学 | 一种基于超高光谱遥感无盲区臭氧垂直分布的遥测系统 |
| CN114112935A (zh) * | 2021-11-22 | 2022-03-01 | 中国科学技术大学 | 大气污染物垂直分布的实时反演方法、装置、计算机设备和存储介质 |
Non-Patent Citations (1)
| Title |
|---|
| 施海亮 ; 熊伟 ; 罗海燕 ; 李志伟 ; 吴军 ; .新型超光谱大气CO_2遥感探测技术.光电工程.2013,(第08期),全文. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114817825A (zh) | 2022-07-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114817825B (zh) | 一种基于超光谱遥感的排放源co2快速成像方法 | |
| Buchwitz et al. | Atmospheric carbon gases retrieved from SCIAMACHY by WFM-DOAS: version 0.5 CO and CH 4 and impact of calibration improvements on CO 2 retrieval | |
| Jin et al. | A physically based vegetation index for improved monitoring of plant phenology | |
| Buchwitz et al. | Carbon monoxide, methane and carbon dioxide columns retrieved from SCIAMACHY by WFM-DOAS: year 2003 initial data set | |
| CN110174359B (zh) | 一种基于高斯过程回归的航空高光谱影像土壤重金属浓度评估方法 | |
| CN105913017A (zh) | 一种基于同期双高分辨率遥感影像的森林生物量估算方法 | |
| CN101105446B (zh) | 差分吸收光谱空气质量检测系统 | |
| CN111579504B (zh) | 基于光学遥感的大气污染成分垂直分布反演方法 | |
| Wang et al. | Investigating the performance of a greenhouse gas observatory in Hefei, China | |
| Turner et al. | Ground-based temperature and humidity profiling: Combining active and passive remote sensors | |
| CN105486655B (zh) | 基于红外光谱智能鉴定模型的土壤有机质快速检测方法 | |
| CN103868880A (zh) | 基于光谱双峰指数的小麦叶片氮含量监测方法及其监测模型的构建方法 | |
| Griffis et al. | Feasibility of quantifying ecosystem–atmosphere C18O16O exchange using laser spectroscopy and the flux-gradient method | |
| CN113466143B (zh) | 土壤养分反演方法、装置、设备及介质 | |
| Pang et al. | Intercomparison of two cavity ring-down spectroscopy analyzers for atmospheric 13 CO 2∕ 12 CO 2 measurement | |
| Wienhold et al. | Micrometeorological measurement and source region analysis of nitrous oxide fluxes from an agricultural soil | |
| Liu et al. | Micrometeorological methods to determine evapotranspiration | |
| CN113552081A (zh) | 一种基于超高光谱遥感无盲区臭氧垂直分布的遥测系统 | |
| Deventer et al. | Size-resolved eddy covariance fluxes of nucleation to accumulation mode aerosol particles over a coniferous forest | |
| Hang et al. | Estimation of chlorophyll-a concentration in Lake Taihu from Gaofen-1 wide-field-of-view data through a machine learning trained algorithm | |
| CN114295574A (zh) | 基于超光谱遥感的大气污染物水平分布反演方法 | |
| Alexandrov et al. | Remote sensing of atmospheric aerosols and trace gases by means of multifilter rotating shadowband radiometer. Part II: Climatological applications | |
| CN113552080B (zh) | 一种超光谱遥感地表大气相对湿度的实时反演算法 | |
| Ji et al. | Ozone profiles without blind area retrieved from MAX-DOAS measurements and comprehensive validation with multi-platform observations | |
| Schneider et al. | Ground-based FTIR water vapour profile analyses |
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 |