CN115205708B - 基于npp/viirs的夜间大气pm2.5浓度估算方法及系统 - Google Patents

基于npp/viirs的夜间大气pm2.5浓度估算方法及系统 Download PDF

Info

Publication number
CN115205708B
CN115205708B CN202211112674.1A CN202211112674A CN115205708B CN 115205708 B CN115205708 B CN 115205708B CN 202211112674 A CN202211112674 A CN 202211112674A CN 115205708 B CN115205708 B CN 115205708B
Authority
CN
China
Prior art keywords
night
light
remote sensing
data
sensing image
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
CN202211112674.1A
Other languages
English (en)
Other versions
CN115205708A (zh
Inventor
张文豪
马宇
唐健雄
顾行发
余涛
李国洪
贾志扬
邴芳飞
付雅帅
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.)
North China Institute of Aerospace Engineering
Original Assignee
North China Institute of Aerospace Engineering
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 North China Institute of Aerospace Engineering filed Critical North China Institute of Aerospace Engineering
Priority to CN202211112674.1A priority Critical patent/CN115205708B/zh
Publication of CN115205708A publication Critical patent/CN115205708A/zh
Application granted granted Critical
Publication of CN115205708B publication Critical patent/CN115205708B/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
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Mathematics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Physics (AREA)
  • Multimedia (AREA)
  • Algebra (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Operations Research (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Astronomy & Astrophysics (AREA)
  • Remote Sensing (AREA)
  • Probability & Statistics with Applications (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Image Processing (AREA)

Abstract

本申请涉及测试悬浮颗粒的浓度技术领域，提供了一种基于NPP/VIIRS的夜间大气PM2.5浓度估算方法及系统，该方法包括：以夜间灯光的月均数据作为背景场，对夜间微光遥感影像进行提取，得到包含地面灯光真实值的第一夜间微光遥感影像；基于第一夜间微光遥感影像，对气象数据、卫星观测天顶角、月相角进行时空匹配，以得到夜间大气PM2.5浓度估算模型的数据集；最后，将数据集输入到夜间大气PM2.5浓度估算模型以对夜间大气PM2.5浓度估算模型进行训练，得到训练完成的夜间大气PM2.5浓度估算模型。如此，以夜间灯光的月均数据为背景场提取地面灯光真实值，并与气象数据结合作为夜间大气PM2.5浓度估算模型的数据集，提高了夜间大气PM2.5浓度估算的精度。

Description

基于NPP/VIIRS的夜间大气PM2.5浓度估算方法及系统
技术领域
本申请涉及测试悬浮颗粒的浓度技术领域，特别涉及一种基于NPP/VIIRS的夜间大气PM2.5浓度估算方法及系统。
背景技术
大气细颗粒物（PM2.5）是指环境空气中空气动力学当量直径小于等于2.5μm的颗粒物。它能够远距离传输并且长时间停留在空气中，降低大气能见度，影响交通安全，污染环境，对人的呼吸系统也会造成伤害，因此，监测PM2.5质量浓度，掌握其时空分布信息十分重要。
相关技术中，利用卫星遥感技术估算夜间大气PM2.5浓度的方法有两类：线性回归方法和传统机器学习方法。然而，基于线性回归方法估算夜间PM2.5的方法估算精度较低，适用性较差；基于传统机器学习方法估算夜间PM2.5质量浓度由于缺乏足够的训练样本以及训练数据的全面性和准确性不足，导致估算效果不佳。
因此，需要提供一种针对上述现有技术不足的改进技术方案。
发明内容
本申请的目的在于提供一种基于NPP/VIIRS的夜间大气PM2.5浓度估算方法及系统，以解决或缓解上述现有技术中存在的问题。
为了实现上述目的，本申请提供如下技术方案：
本申请提供了一种基于NPP/VIIRS的夜间大气PM2.5浓度估算方法，包括：
获取夜间微光遥感影像、气象数据、卫星观测天顶角、月相角；其中，所述夜间微光遥感影像为NPP/VIIRS数据中的夜间灯光数据；
以预先获取的夜间灯光的月均数据作为背景场，对夜间微光遥感影像进行提取，得到第一夜间微光遥感影像；其中，所述第一夜间微光遥感影像为包含地面灯光真实值的遥感数据；
基于所述第一夜间微光遥感影像，对所述气象数据、所述卫星观测天顶角、所述月相角进行时空匹配，以得到夜间大气PM2.5浓度估算模型的数据集；
将所述数据集输入到所述夜间大气PM2.5浓度估算模型以对所述夜间大气PM2.5浓度估算模型进行训练，得到训练完成的夜间大气PM2.5浓度估算模型；基于所述训练完成的夜间大气PM2.5浓度估算模型对夜间大气PM2.5浓度进行估算。
优选地，所述以预先获取的夜间灯光的月均数据作为背景场，对夜间微光遥感影像进行提取，得到第一夜间微光遥感影像，具体为：
基于所述夜间灯光的月均数据，确定最大灯光阈值和最小灯光阈值；
根据所述最大灯光阈值和所述最小灯光阈值，对所述夜间微光遥感影像进行逐像元数值提取，得到第一夜间微光遥感影像。
优选地，所述基于所述夜间灯光的月均数据，确定最大灯光阈值和最小灯光阈值，具体为：
确定目标区域的机场位置；
获取所述夜间灯光的月均数据中所述机场位置的夜间灯光最大值，作为所述最大灯光阈值；
对所述目标区域中所述夜间灯光的月均数据的水域区域进行采样，得到采样点的夜间灯光取值；
计算所有所述采样点的夜间灯光取值的平均值，作为所述最小灯光阈值。
优选地，所述根据所述最大灯光阈值和所述最小灯光阈值，对所述夜间微光遥感影像进行逐像元数值提取，得到第一夜间微光遥感影像，具体为：
对于所述夜间灯光的月均数据中的每一像元，通过以下步骤获取所述第一夜间微光遥感影像：
若所述夜间灯光的月均数据中像元取值小于所述最小灯光阈值，则将所述夜间微光遥感影像对应位置的像元取值赋值为0；
若所述夜间灯光的月均数据中像元取值大于所述最大灯光阈值，则将所述夜间微光遥感影像对应位置的像元取值赋值为所述最大灯光阈值；
若所述夜间灯光的月均数据中像元取值大于等于所述最小灯光阈值且小于等于所述最大灯光阈值，则不改变所述夜间微光遥感影像对应位置的像元取值。
优选地，在以预先获取的夜间灯光的月均数据作为背景场，对夜间微光遥感影像进行提取，得到第一夜间微光遥感影像之前，所述方法还包括：
基于阈值法，根据所述夜间微光遥感影像中的中红外波段和远红外波段对所述夜间微光遥感影像进行去云处理，得到无云的夜间微光遥感影像；
其中，所述中红外波段的波长为3.7微米，所述远红外波段的波长为10.8微米。
优选地，所述气象数据包括：边界层高度、地表压强、地表风速、地表温度、地表相对湿度；
其中，所述地表相对湿度是根据所述地表压强、绝对湿度以及所述地表温度计算得到的。
优选地，所述基于所述第一夜间微光遥感影像，对所述气象数据、所述卫星观测天顶角、所述月相角进行时空匹配，以得到夜间大气PM2.5浓度估算模型的数据集，具体为：
基于所述第一夜间微光遥感影像，分别对所述气象数据、所述卫星观测天顶角进行重采样，对应得到与所述第一夜间微光遥感影像的空间分辨率一致的第一气象数据、第一卫星观测天顶角；
根据所述第一夜间微光遥感影像的过境时刻，对所述第一气象数据进行时间匹配，得到第二气象数据；
基于预先获取的地面站点的位置，分别对所述第一夜间微光遥感影像、所述第二气象数据、所述第一卫星观测天顶角进行数据提取，对应得到与所述地面站点相匹配的地面灯光值、气象数据值、卫星观测天顶角取值；并计算所述地面站点所在的位置对应的一景第一夜间微光遥感影像的月相角的平均值作为所述地面站点相匹配的月相角取值，以得到夜间大气PM2.5浓度估算模型的数据集。
优选地，所述将所述数据集输入到所述夜间大气PM2.5浓度估算模型以对所述夜间大气PM2.5浓度估算模型进行训练，得到训练完成的夜间大气PM2.5浓度估算模型，具体为：
将所述数据集按9：1的比例划分为训练集和验证集，以对所述夜间大气PM2.5浓度估算模型进行训练；
采用十倍交叉验证法对所述夜间大气PM2.5浓度估算模型进行精度评估。
优选地，所述采用十倍交叉验证法对所述夜间大气PM2.5浓度估算模型进行精度评估，具体为：
基于预先获取的地面站点的实测PM2.5浓度值与所述夜间大气PM2.5浓度估算模型的估算PM2.5浓度值之间的决定系数R2和均方根误差RMSE，对所述夜间大气PM2.5浓度估算模型进行精度评估。
本申请实施例还提供一种基于NPP/VIIRS的夜间大气PM2.5浓度估算系统，包括：
获取单元，配置为获取夜间微光遥感影像、气象数据、卫星观测天顶角、月相角；其中，所述夜间微光遥感影像为NPP/VIIRS数据中的夜间灯光数据；
提取单元，配置为以预先获取的夜间灯光的月均数据作为背景场，对夜间微光遥感影像进行提取，得到第一夜间微光遥感影像，其中，所述第一夜间微光遥感影像为包含地面灯光真实值的遥感数据；
匹配单元，配置为基于所述第一夜间微光遥感影像，对所述气象数据、所述卫星观测天顶角、所述月相角进行时空匹配，以得到夜间大气PM2.5浓度估算模型的数据集；
估算单元，配置为将所述数据集输入到所述夜间大气PM2.5浓度估算模型以对所述夜间大气PM2.5浓度估算模型进行训练，得到训练完成的夜间大气PM2.5浓度估算模型；基于所述训练完成的夜间大气PM2.5浓度估算模型对夜间大气PM2.5浓度进行估算。
有益效果：
本申请提供的技术方案中，首先以预先获取的夜间灯光的月均数据作为背景场，对夜间微光遥感影像进行提取，得到包含地面灯光真实值的第一夜间微光遥感影像；然后，基于第一夜间微光遥感影像，对气象数据、卫星观测天顶角、月相角进行时空匹配，以得到夜间大气PM2.5浓度估算模型的数据集；最后，将数据集输入到夜间大气PM2.5浓度估算模型以对夜间大气PM2.5浓度估算模型进行训练，得到训练完成的夜间大气PM2.5浓度估算模型；以基于训练完成的夜间大气PM2.5浓度估算模型对夜间大气PM2.5浓度进行估算。如此，以夜间灯光的月均数据为背景场提取地面灯光真实值，并与气象数据结合作为夜间大气PM2.5浓度估算模型的训练数据集，提高了夜间大气PM2.5浓度估算的精度。
基于地面站点的位置提取微光遥感数据、气象数据、卫星观测天顶角、月相角，构建夜间大气PM2.5浓度估算模型的数据集，从而获取到大量高质量的训练样本，弥补了相关技术中由于地面站点太少导致的训练样本量不足的问题。
附图说明
构成本申请的一部分的说明书附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。其中：
图1为根据本申请的一些实施例提供的基于NPP/VIIRS的夜间大气PM2.5浓度估算方法的流程示意图；
图2为根据本申请的一些实施例提供的PM2.5浓度估算值与地面站点观测真实值的散点图；
图3为根据本申请的一些实施例提供的基于NPP/VIIRS的夜间大气PM2.5浓度估算系统的结构示意图。
具体实施方式
下面将参考附图并结合实施例来详细说明本申请。各个示例通过本申请解释的方式提供而非限制本申请。实际上，本领域的技术人员将清楚，在不脱离本申请的范围或精神的情况下，可在本申请中进行修改和变型。例如，示为或描述为一个实施例的一部分的特征可用于另一个实施例，以产生又一个实施例。因此，所期望的是，本申请包含归入所附权利要求及其等同物的范围内的此类修改和变型。
在以下描述中，所涉及的术语“第一/第二/第三”仅仅是区别类似的对象，不代表对对象的特定排序，可以理解地，“第一/第二/第三”在允许的情况下可以互换特定的顺序或先后次序，以使这里描述的本申请实施例能够以除了在这里图示或描述的以外的顺序实施。
除另有定义，本文所使用的所有的技术和科学术语与属于本公开的技术领域的技术人员通常理解的含义相同。本文中所使用的术语只是为了描述本公开实施例的目的，不是旨在限制本公开。
利用卫星遥感技术对夜间细颗粒物浓度进行监测具有现实意义。首先，大气细颗粒物浓度的变化通常表现出昼夜循环的特征，因此利用卫星遥感数据监测夜间细颗粒物浓度是对白天监测数据的补充，同时可以结合白天的数据进行昼夜变化规律的分析。其次，由于夜间细颗粒物的来源以及气象条件与白天具有差异性，故监测夜间细颗粒物浓度对研究其形成、发展和消散的规律具有一定的实际意义，有利于相关部门更好地制定防治措施。
相关技术中，基于遥感影像的夜间PM2.5估算方法有：线性回归方法和传统机器学习方法。其中，常用于估算夜间PM2.5质量浓度的线性回归方法有多元线性回归方法、地理加权加归模型、混合效应模型等；用于估算夜间PM2.5质量浓度的机器学习方法包括支持向量机回归（SVM）模型、后向传播神经网络（BP）模型等。然而，如背景技术所述，基于线性回归方法估算夜间PM2.5的方法估算精度较低，适用性较差；基于传统机器学习方法估算夜间PM2.5质量浓度方法存在监测站点过少、遥感数据准确度不佳等问题。
为此，本申请实施例提供一种基于NPP/VIIRS的夜间大气PM2.5浓度估算方法，利用NPP/VIIRS的夜间微光遥感影像、月相角、卫星观测天顶角结合多种气象因素构建多参量综合的夜间大气PM2.5浓度估算模型来估算夜间PM2.5浓度。在数据预处理过程中采用夜间灯光月均数据作为背景场来提取地面真实灯光数据，结合边界层高度、地表相对湿度、地表风速、地表温度等气象因素来估算夜间PM2.5，大大提升了夜间PM2.5遥感估算的准确性和时空连续观测能力，为相关部门更好地制定防治措施提供重要依据。
示例性方法
本申请实施例提供一种基于NPP/VIIRS的夜间大气PM2.5浓度估算方法，图1为根据本申请的一些实施例提供的基于NPP/VIIRS的夜间大气PM2.5浓度估算方法的流程示意图，如图1所示，该方法包括：
步骤S101、获取夜间微光遥感影像、气象数据、卫星观测天顶角、月相角。
其中，夜间微光遥感影像为NPP/VIIRS数据中的夜间灯光数据。
需要说明的是，NPP指的是NPP（NPOESS Preparatory Project，简称NPP）卫星系统，该卫星用于探测地球环境和大气，追踪大气臭氧和气溶胶以及海洋和陆地表面温度。
NPP包括5个传感器，其中，可见光/红外辐射成像仪（Visible Infrared ImagingRadiometer Suite，简称VIIRS）是扫描式成像辐射仪，该传感器可采集地球微光遥感影像数据，包括陆地、大气、冰层和海洋在可见光和红外波段的辐射图像。
本申请实施中，夜间微光遥感影像为VIIRS的昼夜波段（Day/Night Band，简称DNB）数据（VIIRS/DNB），也叫做夜间灯光数据，其空间分辨率是500米。
实际应用中，在获取夜间微光遥感影像之后，还包括对其进行图像GLT几何校正。具体包括：利用获取到的夜间微光遥感影像中的经纬度信息建立地理位置查找表（Geographic Lookup Table，简称GLT）文件，然后利用GLT文件对夜间微光遥感影像中的辐亮度数据进行GLT几何校正。由于GLT文件包含初始夜间微光遥感影像每个像元的地理定位信息，它的校正精度很高，避免了通过地面控制点利用二次多项式几何校正法对图像数据的处理带来的误差。
本申请实施例中，气象数据为MERRA-2气象数据。其中，MERRA-2气象数据是一套长时间序列的再分析数据集，包括多种气象变量，比如净辐射、温度、相对湿度、地表风速等。需要指出的是，MERRA-2数据覆盖全球，空间分辨率为0.5°×0.625°，时间分辨率为1小时。通过引入气象数据，在估算夜间PM2.5浓度时充分考虑气象因素，提高了估算精度。
本申请实施例中，卫星观测天顶角、月相角是从夜间微光遥感影像中提取得到的。
具体来说，夜间微光遥感影像由多景影像组成，每一景影像包括与其对应的h5文件，该文件中包含卫星观测天顶角和月相角的数据，可以从h5文件提取得到卫星观测天顶角、月相角。
其中，卫星观测天顶角为从h5文件直接提取得到，月相角则是通过计算每一景影像的月相角的平均值得到。
在一些实施例中，基于阈值法，根据夜间微光遥感影像中的中红外波段和远红外波段对夜间微光遥感影像进行去云处理，得到无云的夜间微光遥感影像；其中，中红外波段的波长为3.7微米，远红外波段的波长为10.8微米。
可以理解，在VIIRS采集地球微光成像数据的过程中，由于不同天气条件的影响，成像时刻的云层会使地球表面的灯光变得模糊或者不可见，对数据质量产生较大影响，因此，需要对夜间微光遥感影像进行去云处理。
本申请实施中，利用阈值法，根据夜间微光遥感影像中的中红外波段和远红外波段对夜间微光遥感影像进行去云处理，得到无云的夜间微光遥感影像。
具体实施时，采用NPP/VIIRS的M波段中的M12波段和M15波段数据，其中，M12波段为中红外波段，其中心波长为3.7微米，M15波段为远红外波段，其中心波长为10.8微米。
实际应用中，为了提高去云处理的效果，在获取M12波段和M15波段数据之后，还具体包括：对M12波段和M15波段数据进行去除条带、GLT几何校正处理；然后根据系数与偏移获得真实亮温值；最后基于阈值法，根据M12波段和M15波段数据真实亮温值之间的差值进行设定阈值，以对夜间微光遥感影像进行去云处理，得到无云的夜间微光遥感影像。
其中，系数与偏移是从h5文件获取的。
本申请实施中，通过对夜间微光遥感影像进行去云处理，提高了夜间微光遥感影像的数据质量。
此外，由于2020年6月之后NPP/VIIRS不再提供官方的云掩膜产品数据，应用上述方法能够对2020年6月之后的原始夜间微光遥感影像进行去云处理，增加了可用于估算夜间大气PM2.5浓度的数据总量。
在一些实施例中，气象数据包括：边界层高度（PBLH）、地表压强（PS）、地表风速（SPEEDLML）、地表温度（TLML）、地表相对湿度（RH）；其中，地表相对湿度是根据地表压强、绝对湿度以及地表温度计算得到的。
具体地，按照公式：
Figure DEST_PATH_IMAGE001
计算得到地表相对湿度。
式中，RH表示地表相对湿度；PS表示地表压强；QLML表示地表绝对湿度；T表示温度，单位是K；T 0 =273.16K。
实际应用中，在获取边界层高度、地表压强、地表风速、地表温度、地表相对湿度之后，还包括：根据夜间微光遥感影像的空间分辨率，对边界层高度、地表压强、地表风速、地表温度、地表相对湿度进行重采样，得到与夜间微光遥感影像的空间分辨率一致的气象数据。
步骤S102、以预先获取的夜间灯光的月均数据作为背景场，对夜间微光遥感影像进行提取，得到第一夜间微光遥感影像；其中，第一夜间微光遥感影像为包含地面灯光真实值的遥感数据。
需要说明的是，由于环境因素以及传感器本身系统误差的影响，夜间微光遥感影像中存在气体燃烧、火山和极光等极亮像元以及低辐射检测带来的背景噪声数据，导致数据质量不高。
夜间灯光的月均数据是地球观测组织（Earth Observation Group，简称EOG）基于VIIRS/DNB的日尺度数据制作的，并在制作过程中去除了杂散光、闪电、月光、生物质燃烧、极光和背景噪声等无关特征。
通过以夜间灯光的月均数据作为背景场，对夜间微光遥感影像进行提取得到包含地面灯光真实值的遥感数据，能够针对极亮像元和背景噪声数据进行处理，有效排除人工照明之外的其他微光现象，从而获得反映人类活动的高质量夜间灯光数据，提高夜间地面灯光真实值的提取精度。
实际应用中，在以夜间灯光的月均数据作为背景场提取地面灯光真实值之前，还包括：根据夜间微光遥感影像的空间分辨率，对夜间灯光的月均数据进行重采样处理，使夜间灯光的月均数的空间分辨率与夜间微光遥感影像的空间分辨率一致。
在以夜间灯光的月均数据作为背景场提取地面灯光真实值时，具体包括如下步骤：基于夜间灯光的月均数据，确定最大灯光阈值和最小灯光阈值；根据最大灯光阈值和最小灯光阈值，对夜间微光遥感影像进行逐像元数值提取，得到第一夜间微光遥感影像。
本申请实施中，最大灯光阈值可以是夜间灯光的月均数据的所有像元的亮度最大值，也可以是夜间灯光的月均数据中某类像元的亮度最大值，还可以是夜间灯光的月均数据中某类像元的亮度平均值。最小灯光阈值可以是夜间灯光的月均数据的所有像元的亮度最小值，也可以是夜间灯光的月均数据中某类像元的亮度最小值，还可以是夜间灯光的月均数据中某类像元的亮度平均值。
在提取地面灯光真实值时，根据夜间灯光的月均数据，获取最大灯光阈值和最小灯光阈值，并以最大灯光阈值和最小灯光阈值对夜间微光遥感影像的夜间灯光数据中的每一个像元进行约束，从而去除夜间微光遥感影像中的极亮像元和背景噪声，优化数据质量。
为了得到更准确的地面灯光真实值，在一些实施例中，可以通过机场位置和水域区域确定最大灯光阈值和最小灯光阈值，具体步骤如下：确定目标区域的机场位置；获取夜间灯光的月均数据中机场位置的夜间灯光最大值，作为最大灯光阈值；对目标区域中夜间灯光的月均数据的水域区域进行采样，得到采样点的夜间灯光取值；计算所有采样点的夜间灯光取值的平均值，作为最小灯光阈值。
以夜间灯光的月均数据中机场位置的夜间灯光最大值，作为最大灯光阈值，能够表征目标区域的最大灯光强度，为后续对夜间微光遥感影像中的极亮像元进行滤除提供了条件。
为了确定最小灯光阈值以滤除低辐射背景噪声，本申请实施例中，选取湖泊、大面积水库等水域区域作为采样点，同时获取该采样点位置，并在夜间灯光的月均数据确定该采样点位置对应的像元灯光值，作为采样点的夜间灯光取值，然后计算目标区域中所有采样点的夜间灯光取值的平均值，作为最小灯光阈值。以目标区域中的水域区域作为最小灯光阈值的参照地物，通过计算水域区域的夜间灯光取值的平均值，能够为滤除低辐射背景噪声提供较为合理的阈值，提高地面灯光真实值的数据质量。
在确定最大灯光阈值和最小灯光阈值之后，一些实施方式中，提取地面灯光真实值具体包括如下步骤：对于夜间灯光的月均数据中的每一像元，通过以下步骤获取第一夜间微光遥感影像：若夜间灯光的月均数据中像元取值小于最小灯光阈值，则将夜间微光遥感影像对应位置的像元取值赋值为0；若夜间灯光的月均数据中像元取值大于最大灯光阈值，则将夜间微光遥感影像对应位置的像元取值赋值为最大灯光阈值；若夜间灯光的月均数据中像元取值大于等于最小灯光阈值且小于等于最大灯光阈值，则不改变夜间微光遥感影像对应位置的像元取值。
本申请实施例中，地面灯光真实值是通过逐个像元提取得到的，即根据夜间灯光的月均数据中的每一像元的取值与最大灯光阈值/最小灯光阈值之间的关系，确定地面灯光真实值。
具体实施时，对于夜间灯光的月均数据中的每一像元，将其与最大灯光阈值/最小灯光阈值进行比对，如果该像元的取值小于最小灯光阈值，则判定该像元对应的位置为低辐射背景噪声，依据在内陆大面积水域的灯光值为0的原则，将夜间微光遥感影像对应位置的像元取值赋值为0，也就是说，对于夜间灯光的月均数据中像元取值小于最小灯光阈值的像元，将其设置为水域区域；如果夜间灯光的月均数据中像元取值大于最大灯光阈值，则判定该像元并非人工照明，而是由气体燃烧、火山或极光等现象引起的极亮像元，并将夜间微光遥感影像对应位置的像元取值赋值为最大灯光阈值以过滤这些极亮像元；对于夜间灯光的月均数据中的像元取值大于等于最小灯光阈值且小于等于最大灯光阈值，则认为夜间微光遥感影像对应位置的像元为人工照明，反映了真实的地面灯光，此时，无需改变夜间微光遥感影像对应位置的像元取值。
本申请实施例中，通过设定与真实人工照明相适配的最大灯光阈值/最小灯光阈值，有效地滤除了夜间微光遥感影像中的极亮像元和低辐射背景噪声，进一步提升了夜间微光遥感影像的质量。
步骤S103、基于第一夜间微光遥感影像，对气象数据、卫星观测天顶角、月相角进行时空匹配，以得到夜间大气PM2.5浓度估算模型的数据集。
需要说明的是，夜间微光遥感影像为NPP卫星采集的数据，NPP卫星采用降轨方式运行，一天(24小时)绕地运行约14圈，可以观察地球表面两次，NPP卫星的重复周期为16天，而气象数据为MERRA-2数据，其时间分辨率为1小时，可知夜间微光遥感影像与气象数据的时间与空间存在不匹配现象。
本申请实施例中，将第一夜间微光遥感影像、卫星观测天顶角、月相角与气象数据进行时空匹配，得到同一地点上时间相适配的夜间大气PM2.5浓度估算模型的数据集，以提高数据集中样本的准确度。
在一些实施例中，进行时空匹配具体包括如下步骤：基于第一夜间微光遥感影像，分别对气象数据、卫星观测天顶角进行重采样，对应得到与第一夜间微光遥感影像的空间分辨率一致的第一气象数据、第一卫星观测天顶角；根据第一夜间微光遥感影像的过境时刻，对第一气象数据进行时间匹配，得到第二气象数据；基于预先获取的地面站点的位置，分别对第一夜间微光遥感影像、第二气象数据、第一卫星观测天顶角进行数据提取，对应得到与地面站点相匹配的地面灯光值、气象数据值、卫星观测天顶角取值；并计算地面站点所在的位置对应的一景第一夜间微光遥感影像的月相角的平均值作为与地面站点相匹配的月相角取值，以得到夜间大气PM2.5浓度估算模型的数据集。
具体实施时，首先根据第一夜间微光遥感影像的空间分辨率，对气象数据和卫星观测天顶角进行空间重采样，使得重采样后的气象数据和卫星观测天顶角的空间分辨率与夜间微光遥感影像的空间分辨率一致，便于后续的进一步处理。
然后，根据第一夜间微光遥感影像对应的过境时刻，对重采样得到的第一气象数据进行时间匹配。具体地，对第一夜间微光遥感影像对应的原始文件名称进行提取，得到第一微光遥感数据的过境时刻；根据第一微光遥感数据的过境时刻，查找气象数据的成像时间与该过境时刻最接近的时间，并以该最接近的时间对应的气象数据作为与第一微光遥感数据匹配的气象数据，即第二气象数据。
其中，第一微光遥感数据的过境时刻包括获取该微光遥感数据时卫星过境的小时数、分钟数。对应地，在查找气象数据的成像时间与该过境时刻最接近的时间时，首先计算60与过境时刻的分钟数之间的差值，即用60减去过境时刻的分钟数，然后将该差值与30作比对，当该差值大于30时，以过境时刻的小时数对应的气象数据作为与第一微光遥感数据匹配的气象数据；当该差值小于或等于30时，则取过境时刻的小时数加1对应的气象数据作为与第一微光遥感数据匹配的气象数据。
通过对第一夜间微光遥感影像、气象数据、卫星观测天顶角、月相角进行时空匹配，得到与第一夜间微光遥感影像的空间分辨率、时间分辨率均一致的第二气象数据、第一卫星观测天顶角，从而统一了夜间微光遥感影像与气象数据的空间和时间尺度，为制作训练数据集提供了数据基础。
在获得第二气象数据、第一卫星观测天顶角之后，为了生成训练数据集的训练样本，本申请实施例中，基于预先获取的地面站点的位置，分别对第一夜间微光遥感影像、第二气象数据、第一卫星观测天顶角进行数据提取，对应得到与地面站点相匹配的地面灯光值、气象数据值、卫星观测天顶角取值。
本申请实施例中，地面空气质量监测站点，简称地面站点，也叫地基国控站点，是由中国环境监测总站布设的、全国范围分布的监测站点，其分布范围广、监测频率高，能够提供全国范围内逐小时的空气质量数据。
本申请实施例中，地面站点的位置包括地面站点的坐标信息，例如经纬度，这些信息可以从相关部门的公开数据获取。
需要说明的是，地面站点分布在全国范围内，其在进行数据采集时，采用中国时间记录数据的采集时间，而夜间微光遥感影像、气象数据为卫星数据，其数据的采集时间为UTC时间，因此，在基于预先获取的地面站点的位置进行数据提取之前，还包括：将第一夜间微光遥感影像、第二气象数据、第一卫星观测天顶角所记录的数据采集时间从UTC时间转换为中国时间，即通过将UTC时间加上8，得到中国时间。
在确保第一夜间微光遥感影像、第二气象数据、第一卫星观测天顶角与地面站点的时间格式一致之后，根据地面站点所在位置，提取第一夜间微光遥感影像、第二气象数据、第一卫星观测天顶角中与该位置对应的像元的取值，对应得到与地面站点相匹配的地面灯光值、气象数据值、卫星观测天顶角取值。
在计算地面站点所对应的遥感影像的月相角取值时，以地面站点所在位置为基准，查找第一夜间微光遥感影像中与该位置对应的一景影像，并计算该景影像的月相角的平均值，作为地面站点对应的卫星影像的月相角取值。
需要说明的是，卫星传感器的数据采集是通过对地面进行多次拍摄完成的，卫星拍摄一次所得到的影像叫做一景，将多景影像进行拼接，即可得到覆盖某一区域的影像。具体到本应用场景，VIIRS通过扫描地球表面获取微光遥感影像，扫描过程中得到多景微光遥感影像，根据地面站点的位置，即可找到该位置对应的一景微光遥感影像。
最后，基于与地面站点相匹配的地面灯光值、气象数据值、卫星观测天顶角取值、月相角取值以及地面站点实测得到的PM2.5浓度数据，构建夜间大气PM2.5浓度估算模型的数据集，并将该数据集保存为.csv格式文件。
如此，利用相关部门设置的大量地面站点，结合多种气象因素构建多参量综合的夜间大气PM2.5浓度估算模型的数据集，克服了传统大气PM2.5浓度估算模型中观测站点选择过少、缺乏对气象因素的考量等问题，提高了夜间大气PM2.5浓度估算模型的估算精度。
步骤S104、将数据集输入到夜间大气PM2.5浓度估算模型以对夜间大气PM2.5浓度估算模型进行训练，得到训练完成的夜间大气PM2.5浓度估算模型；以基于训练完成的夜间大气PM2.5浓度估算模型对夜间大气PM2.5浓度进行估算。
本申请实施例中，夜间大气PM2.5浓度估算模型基于随机森林模型进行构建。
具体训练时，将数据集输入到夜间大气PM2.5浓度估算模型以对夜间大气PM2.5浓度估算模型进行训练，得到训练完成的夜间大气PM2.5浓度估算模型，具体为：将数据集按9：1的比例划分为训练集和验证集，以对夜间大气PM2.5浓度估算模型进行训练；采用十倍交叉验证法对夜间大气PM2.5浓度估算模型进行精度评估。
实际应用中，为了保证夜间大气PM2.5浓度估算模型训练的训练样本的随机性，在将训练数据集输入到夜间大气PM2.5浓度估算模型之前，还可以先将训练数据集随机打乱顺序，再将顺序打乱后的训练数据集按9：1的比例划分为训练集和验证集输入到夜间大气PM2.5浓度估算模型，并通过python程序计算，得到夜间大气PM2.5浓度的估算结果。
本申请实施中，对于每一轮的训练结果，利用十倍交叉验证法对夜间大气PM2.5浓度估算模型进行精度评估。
具体应用中，在将数据集输入到夜间大气PM2.5浓度估算模型之前，先将数据集平均分为10份，轮流将其中9份作为训练集，1份作为验证集，然后针对每一轮训练，将训练集输入夜间大气PM2.5浓度估算模型进行训练，得到当前训练轮次的模型参数，并基于当前训练轮次的模型参数计算当前训练轮次在验证集上的性能，最后将10轮训练计算的性能作为夜间大气PM2.5浓度估算模型进行训练的最终性能。
在一些实施例中，采用十倍交叉验证法对夜间大气PM2.5浓度估算模型进行精度评估，具体为：基于预先获取的地面站点的实测PM2.5浓度值（简称PM2.5实测值）与夜间大气PM2.5浓度估算模型的估算PM2.5浓度值（简称PM2.5预测值）之间的决定系数R2和均方根误差RMSE，对夜间大气PM2.5浓度估算模型进行精度评估。
本申请实施例中，采用地面站点的实测PM2.5浓度值与夜间大气PM2.5浓度估算模型的估算PM2.5浓度值之间的决定系数R2和均方根误差RMSE对模型的性能进行评估，即评估模型的精度。
其中，决定系数R2用于评估PM2.5预测值与PM2.5实测值之间的符合程度，决定系数R2越接近于1，则表示夜间大气PM2.5浓度估算模型中自变量对因变量的解释越好。按照公式：
Figure 100002_DEST_PATH_IMAGE002
计算决定系数R 2 。
式中，
Figure DEST_PATH_IMAGE003
表示PM2.5实测值；
Figure DEST_PATH_IMAGE004
表示PM2.5预测值；
Figure DEST_PATH_IMAGE005
表示PM2.5预测值的均值。
均方根误差RMSE用于评估PM2.5预测值与PM2.5实测值之间的偏差，其值越小，PM2.5预测值越接近PM2.5实测值，即精度越高。
均方根误差RMSE是PM2.5预测值与PM2.5实测值偏差的平方与观测次数比值的平方根，按照公式：
Figure DEST_PATH_IMAGE006
计算均方根误差RMSE。
式中，
Figure 420956DEST_PATH_IMAGE003
表示PM2.5实测值；
Figure 400413DEST_PATH_IMAGE004
表示PM2.5预测值；m为观测次数，即当前训练轮次的验证集中的样本数量。
为了进一步分析夜间大气PM2.5浓度估算模型的预测精度，本申请实施例还根据PM2.5预测值与PM2.5实测值进行拟合，得到拟合的回归线，并制作PM2.5预测值与PM2.5实测值的散点图，如图2所示。
通过上述步骤完成夜间大气PM2.5浓度估算模型的训练，得到训练完成的夜间大气PM2.5浓度估算模型。
在基于夜间大气PM2.5浓度估算模型进行估算时，首先根据估算的目标区域和时间，收集对应区域和时间的夜间遥感数据、气象数据，并按照前述步骤对夜间遥感数据、气象数据进行处理，得到模型所需的输入数据，然后将该输入数据输入到训练完成的夜间大气PM2.5浓度估算模型，得到夜间大气PM2.5浓度值。
本申请实施中，在基于训练完成的夜间大气PM2.5浓度估算模型对夜间大气PM2.5浓度进行估算，得到夜间大气PM2.5浓度值之后，还可以对所得到的夜间大气PM2.5浓度值进行可视化。
本申请实施例中，利用ARCGIS软件对夜间大气PM2.5浓度值进行可视化显示。具体地，夜间大气PM2.5浓度估算模型的估算结果——夜间大气PM2.5浓度值为TIF图像，通过将该TIF图像导入到ARCGIS软件中，将TIF图像中的像元值进行分类分段可视化，得到直观的估算结果图。
综上所述，本申请中，首先以预先获取的夜间灯光的月均数据作为背景场，对夜间微光遥感影像进行提取，得到包含地面灯光真实值的第一夜间微光遥感影像；然后，基于第一夜间微光遥感影像，对气象数据、卫星观测天顶角、月相角进行时空匹配，以得到夜间大气PM2.5浓度估算模型的训练数据集；最后，将数据集输入到夜间大气PM2.5浓度估算模型以对夜间大气PM2.5浓度估算模型进行训练，得到训练完成的夜间大气PM2.5浓度估算模型；以基于训练完成的夜间大气PM2.5浓度估算模型对夜间大气PM2.5浓度进行估算。如此，以夜间灯光的月均数据为背景场提取地面灯光真实值，并与气象数据结合作为夜间大气PM2.5浓度估算模型的训练数据集，提高了夜间大气PM2.5浓度估算的精度。
本申请中，对夜间微光遥感影像和气象数据以及卫星观测角和月相角进行时空匹配后构建训练数据集；在提取地面灯光真实值过程中采用夜间灯光数据的月均数据作为背景场，减少了夜间灯光数据的噪声。在去云处理过程中采用阈值法，使用NPP/VIIRS的M12和M15波段进行阈值的设定，有效的对云遮掩进行去除。
本申请中，基于地面站点的位置提取微光遥感数据、气象数据、卫星观测天顶角、月相角，构建夜间大气PM2.5浓度估算模型的数据集，从而获取到大量高质量的训练样本，弥补了相关技术中由于地面站点太少导致的训练样本量不足的问题。
本申请通过夜间微光遥感数据结合多种气象因素构建多参量综合的夜间大气PM2.5浓度估算模型，在此基础上，提升了估算夜间大气PM2.5浓度的精度。利用卫星遥感数据监测夜间细颗粒物浓度是对白天监测数据的补充，同时可以结合白天的数据进行昼夜变化规律的分析。本申请能够有效估算夜间PM2.5浓度，弥补地面监测站点数量有限不能大范围监测的不足，为相关部门提供决策支持。
根据本申请提供的夜间大气PM2.5浓度估算模型，能够实现对夜间PM2.5浓度大范围监测，在此基础上可生产高精度的夜间PM2.5污染分布专题图。
示例性系统
本申请实施例还提供一种基于NPP/VIIRS的夜间大气PM2.5浓度估算系统，如图3所示，该系统包括：获取单元301、提取单元302、匹配单元303和估算单元304，其中：
获取单元301，配置为获取夜间微光遥感影像、气象数据、卫星观测天顶角、月相角；其中，所述夜间微光遥感影像为NPP/VIIRS数据中的夜间灯光数据；
提取单元302，配置为以预先获取的夜间灯光的月均数据作为背景场，对夜间微光遥感影像进行提取，得到第一夜间微光遥感影像，其中，所述第一夜间微光遥感影像为包含地面灯光真实值的遥感数据；
匹配单元303，配置为基于所述第一夜间微光遥感影像，对所述气象数据、所述卫星观测天顶角、所述月相角进行时空匹配，以得到夜间大气PM2.5浓度估算模型的数据集；
估算单元304，配置为将所述数据集输入到所述夜间大气PM2.5浓度估算模型以对所述夜间大气PM2.5浓度估算模型进行训练，得到训练完成的夜间大气PM2.5浓度估算模型；基于所述训练完成的夜间大气PM2.5浓度估算模型对夜间大气PM2.5浓度进行估算。
本申请提供的基于NPP/VIIRS的夜间大气PM2.5浓度估算系统能够实现前述任一基于NPP/VIIRS的夜间大气PM2.5浓度估算方法的流程、步骤，并达到相同的技术效果，在此不再一一赘述。
以上所述仅为本申请的优选实施例，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

Claims (6)

1.一种基于NPP/VIIRS的夜间大气PM2.5浓度估算方法，其特征在于，包括：
获取夜间微光遥感影像、气象数据、卫星观测天顶角、月相角；其中，所述夜间微光遥感影像为NPP/VIIRS数据中的原始夜间灯光数据；
所述气象数据包括：边界层高度、地表压强、地表风速、地表温度、地表相对湿度；
其中，所述地表相对湿度是根据所述地表压强、绝对湿度以及所述地表温度计算得到的；按照公式：
Figure 201866DEST_PATH_IMAGE001
计算得到地表相对湿度；
式中，RH表示地表相对湿度；PS表示地表压强；QLML表示地表绝对湿度；T表示温度，单位是K；T 0 =273.16K；
以预先获取的夜间灯光的月均数据作为背景场，对夜间微光遥感影像进行提取，得到第一夜间微光遥感影像；其中，所述第一夜间微光遥感影像为包含地面灯光真实值的遥感数据；所述夜间灯光的月均数据是地球观测组织基于VIIRS/DNB的日尺度数据制作的，并在制作过程中去除了杂散光、闪电、月光、生物质燃烧、极光和背景噪声；
所述以预先获取的夜间灯光的月均数据作为背景场，对夜间微光遥感影像进行提取，得到第一夜间微光遥感影像，具体为：
基于所述夜间灯光的月均数据，确定最大灯光阈值和最小灯光阈值；
根据所述最大灯光阈值和所述最小灯光阈值，对所述夜间微光遥感影像进行逐像元数值提取，得到第一夜间微光遥感影像；
所述基于所述夜间灯光的月均数据，确定最大灯光阈值和最小灯光阈值，具体为：
确定目标区域的机场位置；
获取所述夜间灯光的月均数据中所述机场位置的夜间灯光最大值，作为所述最大灯光阈值；
对所述目标区域中所述夜间灯光的月均数据的水域区域进行采样，得到采样点的夜间灯光取值；
计算所有所述采样点的夜间灯光取值的平均值，作为所述最小灯光阈值；
所述根据所述最大灯光阈值和所述最小灯光阈值，对所述夜间微光遥感影像进行逐像元数值提取，得到第一夜间微光遥感影像，具体为：
对于所述夜间灯光的月均数据中的每一像元，通过以下步骤获取所述第一夜间微光遥感影像：
若所述夜间灯光的月均数据中像元取值小于所述最小灯光阈值，则将所述夜间微光遥感影像对应位置的像元取值赋值为0；
若所述夜间灯光的月均数据中像元取值大于所述最大灯光阈值，则将所述夜间微光遥感影像对应位置的像元取值赋值为所述最大灯光阈值；
若所述夜间灯光的月均数据中像元取值大于等于所述最小灯光阈值且小于等于所述最大灯光阈值，则不改变所述夜间微光遥感影像对应位置的像元取值；
基于所述第一夜间微光遥感影像，对所述气象数据、所述卫星观测天顶角、所述月相角以及地面站点实测得到的PM2.5浓度数据进行时空匹配，以得到夜间大气PM2.5浓度估算模型的数据集；
将所述数据集输入到所述夜间大气PM2.5浓度估算模型以对所述夜间大气PM2.5浓度估算模型进行训练，得到训练完成的夜间大气PM2.5浓度估算模型；基于所述训练完成的夜间大气PM2.5浓度估算模型对夜间大气PM2.5浓度进行估算。
2.根据权利要求1所述的基于NPP/VIIRS的夜间大气PM2.5浓度估算方法，其特征在于，在以预先获取的夜间灯光的月均数据作为背景场，对夜间微光遥感影像进行提取，得到第一夜间微光遥感影像之前，所述方法还包括：
基于阈值法，根据所述夜间微光遥感影像中的中红外波段和远红外波段对所述夜间微光遥感影像进行去云处理，得到无云的夜间微光遥感影像；
其中，所述中红外波段的波长为3.7微米，所述远红外波段的波长为10.8微米。
3.根据权利要求1所述的基于NPP/VIIRS的夜间大气PM2.5浓度估算方法，其特征在于，所述基于所述第一夜间微光遥感影像，对所述气象数据、所述卫星观测天顶角、所述月相角进行时空匹配，以得到夜间大气PM2.5浓度估算模型的数据集，具体为：
基于所述第一夜间微光遥感影像，分别对所述气象数据、所述卫星观测天顶角进行重采样，对应得到与所述第一夜间微光遥感影像的空间分辨率一致的第一气象数据、第一卫星观测天顶角；
根据所述第一夜间微光遥感影像的过境时刻，对所述第一气象数据进行时间匹配，得到第二气象数据；
基于预先获取的地面站点的位置，分别对所述第一夜间微光遥感影像、所述第二气象数据、所述第一卫星观测天顶角进行数据提取，对应得到与所述地面站点相匹配的地面灯光值、气象数据值、卫星观测天顶角取值；并计算所述地面站点所在的位置对应的一景第一夜间微光遥感影像的月相角的平均值作为所述地面站点相匹配的月相角取值，以得到夜间大气PM2.5浓度估算模型的数据集。
4.根据权利要求1所述的基于NPP/VIIRS的夜间大气PM2.5浓度估算方法，其特征在于，所述将所述数据集输入到所述夜间大气PM2.5浓度估算模型以对所述夜间大气PM2.5浓度估算模型进行训练，得到训练完成的夜间大气PM2.5浓度估算模型，具体为：
将所述数据集按9：1的比例划分为训练集和验证集，以对所述夜间大气PM2.5浓度估算模型进行训练；
采用十倍交叉验证法对所述夜间大气PM2.5浓度估算模型进行精度评估。
5.根据权利要求4所述的基于NPP/VIIRS的夜间大气PM2.5浓度估算方法，其特征在于，所述采用十倍交叉验证法对所述夜间大气PM2.5浓度估算模型进行精度评估，具体为：
基于预先获取的地面站点的实测PM2.5浓度值与所述夜间大气PM2.5浓度估算模型的估算PM2.5浓度值之间的决定系数R2和均方根误差RMSE，对所述夜间大气PM2.5浓度估算模型进行精度评估。
6.一种基于NPP/VIIRS的夜间大气PM2.5浓度估算系统，其特征在于，包括：
获取单元，配置为获取夜间微光遥感影像、气象数据、卫星观测天顶角、月相角；其中，所述夜间微光遥感影像为NPP/VIIRS数据中的原始夜间灯光数据；
所述气象数据包括：边界层高度、地表压强、地表风速、地表温度、地表相对湿度；
其中，所述地表相对湿度是根据所述地表压强、绝对湿度以及所述地表温度计算得到的；按照公式：
Figure DEST_PATH_IMAGE002
计算得到地表相对湿度；
式中，RH表示地表相对湿度；PS表示地表压强；QLML表示地表绝对湿度；T表示温度，单位是K；T 0 =273.16K；
提取单元，配置为以预先获取的夜间灯光的月均数据作为背景场，对夜间微光遥感影像进行提取，得到第一夜间微光遥感影像，其中，所述第一夜间微光遥感影像为包含地面灯光真实值的遥感数据；
所述夜间灯光的月均数据是地球观测组织基于VIIRS/DNB的日尺度数据制作的，并在制作过程中去除了杂散光、闪电、月光、生物质燃烧、极光和背景噪声；
所述以预先获取的夜间灯光的月均数据作为背景场，对夜间微光遥感影像进行提取，得到第一夜间微光遥感影像，具体为：
基于所述夜间灯光的月均数据，确定最大灯光阈值和最小灯光阈值；
根据所述最大灯光阈值和所述最小灯光阈值，对所述夜间微光遥感影像进行逐像元数值提取，得到第一夜间微光遥感影像；
所述根据所述最大灯光阈值和所述最小灯光阈值，对所述夜间微光遥感影像进行逐像元数值提取，得到第一夜间微光遥感影像，具体为：
对于所述夜间灯光的月均数据中的每一像元，通过以下步骤获取所述第一夜间微光遥感影像：
若所述夜间灯光的月均数据中像元取值小于所述最小灯光阈值，则将所述夜间微光遥感影像对应位置的像元取值赋值为0；
若所述夜间灯光的月均数据中像元取值大于所述最大灯光阈值，则将所述夜间微光遥感影像对应位置的像元取值赋值为所述最大灯光阈值；
若所述夜间灯光的月均数据中像元取值大于等于所述最小灯光阈值且小于等于所述最大灯光阈值，则不改变所述夜间微光遥感影像对应位置的像元取值；
匹配单元，配置为基于所述第一夜间微光遥感影像，对所述气象数据、所述卫星观测天顶角、所述月相角以及地面站点实测得到的PM2.5浓度数据进行时空匹配，以得到夜间大气PM2.5浓度估算模型的数据集；
估算单元，配置为将所述数据集输入到所述夜间大气PM2.5浓度估算模型以对所述夜间大气PM2.5浓度估算模型进行训练，得到训练完成的夜间大气PM2.5浓度估算模型；基于所述训练完成的夜间大气PM2.5浓度估算模型对夜间大气PM2.5浓度进行估算。
CN202211112674.1A 2022-09-14 2022-09-14 基于npp/viirs的夜间大气pm2.5浓度估算方法及系统 Active CN115205708B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211112674.1A CN115205708B (zh) 2022-09-14 2022-09-14 基于npp/viirs的夜间大气pm2.5浓度估算方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211112674.1A CN115205708B (zh) 2022-09-14 2022-09-14 基于npp/viirs的夜间大气pm2.5浓度估算方法及系统

Publications (2)

Publication Number Publication Date
CN115205708A CN115205708A (zh) 2022-10-18
CN115205708B true CN115205708B (zh) 2023-01-06

Family

ID=83573291

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211112674.1A Active CN115205708B (zh) 2022-09-14 2022-09-14 基于npp/viirs的夜间大气pm2.5浓度估算方法及系统

Country Status (1)

Country Link
CN (1) CN115205708B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110176019A (zh) * 2019-05-13 2019-08-27 中国科学院遥感与数字地球研究所 一种夜间纯净灯光提取方法
CN110991738A (zh) * 2019-11-29 2020-04-10 自然资源部第三海洋研究所 一种基于npp/viirs夜间灯光遥感数据的经济发展研究方法
CN111426633A (zh) * 2020-06-15 2020-07-17 航天宏图信息技术股份有限公司 一种夜间pm2.5质量浓度估算方法和装置
CN113390769A (zh) * 2021-08-18 2021-09-14 南京信息工程大学 基于夜光灯光遥感数据的夜间pm2.5浓度监测方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110176019A (zh) * 2019-05-13 2019-08-27 中国科学院遥感与数字地球研究所 一种夜间纯净灯光提取方法
CN110991738A (zh) * 2019-11-29 2020-04-10 自然资源部第三海洋研究所 一种基于npp/viirs夜间灯光遥感数据的经济发展研究方法
CN111426633A (zh) * 2020-06-15 2020-07-17 航天宏图信息技术股份有限公司 一种夜间pm2.5质量浓度估算方法和装置
CN113390769A (zh) * 2021-08-18 2021-09-14 南京信息工程大学 基于夜光灯光遥感数据的夜间pm2.5浓度监测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
"基于NPP/VIIRS 夜光遥感数据的淮安市夜间PM2.5浓度估算研究";陈惠娟等;《环境科学学报》;20220331;第42卷(第3期);第342-351页 *
"基于深度学习的华东地区 PM2. 5 浓度遥感反演";刘林钰等;《环境科学》;20200430;第41卷(第4期);全文 *

Also Published As

Publication number Publication date
CN115205708A (zh) 2022-10-18

Similar Documents

Publication Publication Date Title
Zhao et al. Building a series of consistent night-time light data (1992–2018) in Southeast Asia by integrating DMSP-OLS and NPP-VIIRS
Zhang et al. Estimation of ultrahigh resolution PM2. 5 concentrations in urban areas using 160 m Gaofen-1 AOD retrievals
Wang et al. Quantifying uncertainties in nighttime light retrievals from Suomi-NPP and NOAA-20 VIIRS Day/Night Band data
Ou et al. Evaluation of Luojia 1-01 nighttime light imagery for impervious surface detection: A comparison with NPP-VIIRS nighttime light data
Li et al. An “exclusion-inclusion” framework for extracting human settlements in rapidly developing regions of China from Landsat images
CN105678085A (zh) 一种pm2.5浓度的估算方法及系统
CN109375290B (zh) 一种基于机器学习的跨海大桥雾监测系统及其应用方法
Tan et al. Modeling the direction and magnitude of angular effects in nighttime light remote sensing
Tong et al. Angular distribution of upwelling artificial light in Europe as observed by Suomi–NPP satellite
Zhang et al. Evaluation of LJ1-01 nighttime light imagery for estimating monthly PM 2.5 concentration: A comparison with NPP-VIIRS nighttime light data
Dihkan et al. Evaluation of urban heat island effect in Turkey
CN113570528B (zh) 一种夜光遥感月度影像合成方法
CN112649900A (zh) 一种能见度的监测方法、装置、设备、系统和介质
CN110765885B (zh) 一种基于异源夜光遥感影像的城市扩张检测方法及装置
Moeller Remote Sensing for the monitoring of urban growth patterns
Wang et al. Quantitative analysis of aerosol influence on Suomi-NPP VIIRS nighttime light in China
Zhong et al. Spatiotemporal dynamics evaluation of pixel-level gross domestic product, electric power consumption, and carbon emissions in countries along the belt and road
Mashi Monitoring Al-Hammar Marsh topography and climatic applied satellied MODIS Imagery
Kotarba et al. Night sky photometry over Warsaw (Poland) evaluated simultaneously with surface-based and satellite-based cloud observations
CN115205708B (zh) 基于npp/viirs的夜间大气pm2.5浓度估算方法及系统
Nisar et al. Assessment and Monitoring of VIIRS-DNB and SQML-L light Pollution in Lahore-Pakistan
Van Leeuwen et al. Towards a continuous inland excess water flood monitoring system based on remote sensing data
CN116452518A (zh) 一种基于夜间卫星灯光数据的战场态势评估方法
Liu et al. High-spatial-resolution nighttime light dataset acquisition based on volunteered passenger aircraft remote sensing
CN112308811A (zh) 一种基于珞珈一号夜光遥感数据的夜间海洋船舶检测方法

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