CN115372287B - 基于高分五号卫星数据的二氧化硫排放清单构建方法 - Google Patents
基于高分五号卫星数据的二氧化硫排放清单构建方法 Download PDFInfo
- Publication number
- CN115372287B CN115372287B CN202211107668.7A CN202211107668A CN115372287B CN 115372287 B CN115372287 B CN 115372287B CN 202211107668 A CN202211107668 A CN 202211107668A CN 115372287 B CN115372287 B CN 115372287B
- Authority
- CN
- China
- Prior art keywords
- sulfur dioxide
- wind
- source
- emission
- data
- 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
- RAHZWNYVWXNFOC-UHFFFAOYSA-N Sulphur dioxide Chemical compound O=S=O RAHZWNYVWXNFOC-UHFFFAOYSA-N 0.000 title claims abstract description 188
- 238000010276 construction Methods 0.000 title claims abstract description 5
- 238000000034 method Methods 0.000 claims abstract description 22
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 11
- 238000005516 engineering process Methods 0.000 claims abstract description 10
- 238000012216 screening Methods 0.000 claims abstract description 9
- 238000001228 spectrum Methods 0.000 claims abstract description 9
- 238000012544 monitoring process Methods 0.000 claims abstract description 7
- 230000005855 radiation Effects 0.000 claims abstract description 7
- 230000005540 biological transmission Effects 0.000 claims abstract description 3
- 230000007613 environmental effect Effects 0.000 claims abstract description 3
- 235000010269 sulphur dioxide Nutrition 0.000 claims description 86
- 238000009792 diffusion process Methods 0.000 claims description 12
- 238000011160 research Methods 0.000 claims description 11
- 239000003344 environmental pollutant Substances 0.000 claims description 10
- 231100000719 pollutant Toxicity 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000001514 detection method Methods 0.000 claims description 5
- CBENFWSGALASAD-UHFFFAOYSA-N Ozone Chemical compound [O-][O+]=O CBENFWSGALASAD-UHFFFAOYSA-N 0.000 claims description 4
- 239000000443 aerosol Substances 0.000 claims description 4
- 229910000435 bromine oxide Inorganic materials 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 4
- WSFSSNUMVMOOMR-NJFSPNSNSA-N methanone Chemical compound O=[14CH2] WSFSSNUMVMOOMR-NJFSPNSNSA-N 0.000 claims description 4
- FMSOWMGJJIHFTQ-UHFFFAOYSA-N oxidobromine(.) Chemical compound Br[O] FMSOWMGJJIHFTQ-UHFFFAOYSA-N 0.000 claims description 4
- 238000004088 simulation Methods 0.000 claims description 3
- 239000004291 sulphur dioxide Substances 0.000 claims description 3
- 238000012935 Averaging Methods 0.000 claims description 2
- 239000000356 contaminant Substances 0.000 claims description 2
- 239000002245 particle Substances 0.000 claims description 2
- 238000002310 reflectometry Methods 0.000 claims description 2
- 239000007787 solid Substances 0.000 claims description 2
- 239000005436 troposphere Substances 0.000 claims description 2
- 238000011835 investigation Methods 0.000 abstract description 5
- 230000006870 function Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
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
- G01N21/27—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands using photo-electric detection ; circuits for computing concentration
-
- 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
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/94—Investigating contamination, e.g. dust
-
- 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
- Physics & Mathematics (AREA)
- Biochemistry (AREA)
- Analytical Chemistry (AREA)
- Pathology (AREA)
- Immunology (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Theoretical Computer Science (AREA)
- Measurement Of Radiation (AREA)
Abstract
本发明属于空气质量遥感监测技术领域，具体为一种基于高分五号卫星数据的二氧化硫排放清单构建方法。本发明包括：反演二氧化硫的柱总量：获取高分五号卫星上搭载的环境痕量气体监测仪器对地球和对太阳的观测光谱数据，结合GEOS‑Chem模型和辐射传输模型，利用最优估计算法将观测光谱与模拟光谱之差最小化，拟合二氧化硫柱总量；对拟合得到的二氧化硫柱总量数据集进行筛选；通过风旋转技术，判断二氧化硫源；然后建立计算二氧化硫源的排放量的非线性模型，计算出二氧化硫源的排放强度，即得到排放清单。本发明方法不需要事先已知排放源位置，将研究区域内每个网格点都设为可能的源排放位置，可以检测到其他方法所不能检测到的较小的排放源。
Description
技术领域
本发明属于空气质量遥感监测技术领域，具体涉及大气污染物排放清单的构建方法。
背景技术
大气污染源排放清单，是指各类大气污染源所排放的不同污染物信息的集合。大气污染源是指大气中污染物的来源，大致分为自然源和人为源两种。建立更为准确和全面的大气污染物排放清单是监督和治理大气污染的重要基础。构建排放清单的方法分为自上而下和自下而上两种。自上而下的方法是通过卫星反演得到污染物柱浓度分布，根据某种计算方法得到排放清单，现有的计算方法包括质量守恒算法、机器学习算法等；自下而上的编制方法是通过调查或实际测试得到排放因子,结合排放源的活动数据估算得到排放清单。目前我国排放清单的编制方法以自下而上为主，自下而上的方法受排放因子的不确定性和统计实际统计缺失的制约。相比于自下而上的清单，基于卫星反演的排放清单具有快速建立、时空覆盖范围广和结果可靠性高等特点。从卫星测量中获取二氧化硫排放清单的方法有很多，但大多需要假定排放源的先验位置，由于风对污染物扩散的积极作用，对于排放较少的源，通常会被掩盖。
本发明提出了一种基于高分五号卫星的识别和计算二氧化硫排放源的方法，该方法不需要对源的位置进行事先假设。
发明内容
本发明的目的在于提供一种基于高分五号卫星数据的二氧化硫排放清单制作方法。
本发明提供的基于高分五号卫星数据的二氧化硫排放清单制作方法，采用风旋转技术，结合高斯函数，通过建立计算二氧化硫排放强度的非线性模型，使观测与模拟二氧化硫浓度之间达到最优拟合；具体步骤如下(参见附图1)。
(一)反演二氧化硫的柱总量：
首先获取高分五号卫星上搭载的环境痕量气体监测仪器(EMI)对地球和对太阳的观测光谱数据(该数据可以通过中国资源卫星应用中心官网获取)，采用最优估计算法，结合GEOS-Chem模型[1]和辐射传输模型(VLIDORT)[2]，利用最优估计算法[3]将观测光谱与模拟光谱之差最小化，拟合二氧化硫柱总量；拟合过程中，考虑云高、云量、气溶胶、地表反照率、每日的气象数据，以及甲醛、臭氧和氧化溴的柱总量。其中，云高是指云的高度；云量是指云占天空的百分比；气溶胶是悬浮在大气中的固态和气态粒子；地表反射率是指地面反射辐射量与入射太阳辐射量之比；气象数据包括地表压强数据、地表温度数据、温度廓线和对流层顶压强数据；二氧化硫、甲醛、臭氧和氧化溴的柱总量是指每平方厘米的垂直气柱中该污染物的分子数。
(二)下载风场数据：
由于欧洲中期天气预报中心涵盖了多种空间分辨率分辨率、长时间跨度的全球范围内、多个海拔高度的风场数据，因此选择从欧洲中期天气预报中心(http://data-portal.ecmwf.int/data/d/interim_full_daily)下载900hPa和950hPa、分辨率大小为0.25°x 0.25°的风速数据集，之所以选择900hPa和950hPa高度上的风速数据，是由于地面风速受地形的影响比较大，尤其在建筑群复杂的城市，地面风速无法作为判断污染物扩散条件的依据，将900hPa和950hPa的风速数据集做平均，代表近地面风场。
(三)建立排放清单，具体步骤如下。
(1)首先确定研究区域的经纬度范围，假定研究区域为矩形，如果在研究区域边缘处存在污染源，由于排放源(产生污染物的来源)排放的污染在风的作用下向四面八方扩散，所以仅选择研究区域内的二氧化硫柱总量数据集是不足以计算研究区域边缘处是否存在排放源；因此为了计算该研究区域内污染物的排放量，应该准备比研究区域扩大一度(即四面分别括大一个经度或纬度)的二氧化硫柱总量数据集，该区域范围称之为计算区域。
(2)对拟合得到的二氧化硫柱总量数据集(包括二氧化硫柱总量、经度、纬度、云量、反照率、二氧化硫的检测误差)进行筛选，具体做法为：
对云量进行筛选：过滤掉云量大于0.3的数据，这是由于二氧化硫反演算法对云量非常敏感，多云天气会影响二氧化硫反演的准确性，云分比较高的时候，二氧化硫反演的误差较大；
对地表反照率进行筛选：过滤掉地表反照率大于0.3的数据；这是由于二氧化硫反演算法对表面反照率非常敏感，算法难以区分反射表面，无法在冰雪上提供准确数据。
(3)在计算区域内建立0.05°×0.05°的网格，风在网格的水平方向分量为u，风在网格的垂直方向分量为v，采用线性插值的方法将平均后的风速数据集插值到二氧化硫像素点上，将每个网格点设为二氧化硫源的潜在位置，以潜在源位置为原点，采用风旋转技术，将每个像素点都进行旋转，使旋转后所有的像素点拥有共同的风向，风旋转技术见图2所示，具体标示为：
将所有的像素点围绕原点(潜在源位置)做旋转，旋转角度为θ:
像素点的原始位置为(x0,y0)，计算旋转后像素点的位置(x1,y1)：
(4)经过风旋转技术，将所有的二氧化硫像素都围绕原点旋转到了一个相同的方向(北风)，若原点存在是二氧化硫排放源，通常会出现上风向二氧化硫柱总量低于下风向，因此本发明通过比较旋转后潜在源位置的上下风向处的二氧化硫柱总量之差，判断该潜在源是否是二氧化硫源；如果上风向二氧化硫柱总量与下风向二氧化硫柱总量之差较大(具体的值域选择要根据研究区域的具体情况并结合该区域二氧化硫柱总量的检测误差来确定)，明显大于二氧化硫柱总量的检测误差，则可判断该网格点为二氧化硫源位置，可以进行下一步的排放量计算；图3以2019年4月印度某发电厂为例，取域值为0.7DU。
(5)为了计算二氧化硫源的排放量，建立非线性模型：
其中，x和y分别为以排放源为原点建立的平面直角坐标系的横坐标和纵坐标；N表示源附近二氧化硫的分子总数；表示处于(x，y)位置的像素点的二氧化硫柱总量；f(x，y)是高斯函数，g(y，s)是指数修正的高斯函数；s为像素中心的风速；
风旋转技术是将所有的像素点都旋转为北风，二氧化硫沿x方向上的扩散满足一维高斯扩散模型，即：
二氧化硫在y方向上的扩散受风的影响，扩散模型满足修正的高斯函数，本质上是高斯函数和指数函数的卷积，表示沿y轴的指数衰减，并由高斯函数平滑：即
其中：
β表示衰减率；
σ是一个拟合参数，其大小与二氧化硫沿x方向上污染扩散的高斯形状相关；在公式(5)中使用σ1，它使下风向的像素旋转后产生额外的“羽流”扩散，使用σ1代替σ实际上不会对估计参数产生影响，但会使拟合结果更符合现实。
(6)将二氧化硫柱总量拟合到水平坐标和风速的三维参数化函数，通过最小化测量值和估计值之间的平方和，拟合出三个参数σ、N和β。
(7)源的排放强度E与排放源附近二氧化硫的分子总数N存在着线性关系：
E＝N·β， (8)
其中，斜率为τ为衰减时间。
(8)对于每个源周围100km范围内的像元，通过非线性模型(3)拟合出N和β，进而计算出源的排放强度E，即得到排放清单。
相比于其他方法，本发明方法具有显著优势：
不需要事先已知排放源位置，将研究区域内每个网格点都设为可能的源排放位置，因此可以检测到其他方法所不能检测到的较小的排放源。
附图说明
图1为本发明方法图示。
图2为风旋转图示。
图3为实施例中2019年4月印度某发电厂周围的二氧化硫污染图。其中，图a为旋转前，图b为旋转后。
具体实施方式
本发明以2019年4月印度某发电厂周围的二氧化硫污染排放为例，计算二氧化硫污染图。
1、首先确定研究区域的范围，以印度泰米尔纳德邦奈维利镇为例，选择该镇的经纬度范围是：经度范围是78-79°E，纬度范围是11-12°N。为了计算该镇的电厂排放，需要获取比该镇区域更大的二氧化硫的柱总量数据，因此数据的经纬度范围是：经度范围是77-80°E，纬度范围是10-13°N。
2、数据筛选，选择云量小于0.3、地表反照率小于0.3的数据，如图3(a)为该范围内二氧化硫的柱总量的月平均分布示意图。
3、下载2019年4月900hPa和950hPa、分辨率大小为0.25°x0.25°的风速数据集，并将900hPa和950hPa的风速数据集做平均，代表近地面风场，将风数据插值到每个像素点上。
4、在78-79°E，11-12°N范围内，依次将每个像素点假定为潜在源位置，根据公式(1)和(2)，进行风旋转，比较每次旋转后上风向二氧化硫柱总量与下风向二氧化硫柱总量之差，上下风向二氧化硫柱总量之差最大为1.12DU，判定本次旋转的中心像素为印度泰米尔纳德邦奈维利镇电厂位置，图3(b)为风旋转后的示意图。
5、将二氧化硫的柱总量数据集、风速数据集代入上述非线性模型，即公式(3)，拟合出三个参数σ、N和β，最后代入到公式(8)中，计算出奈维利镇二氧化硫的排放量为450.23kg。
6、本发明不依赖电厂源的先验位置，以印度泰米尔纳德邦奈维利镇为例，以高分五号卫星二氧化硫数据，结合风场数据建立了一种排放清单的制作方法，尽管也有一些已发表的文章根据卫星监测数据计算出了二氧化硫的排放量，但大多都依赖于事先已知的电厂位置和电厂发电量，而本发明不需要事先已知排放源位置，将研究区域内每个网格点都设为可能的源排放位置，可以检测到其他方法所不能检测到的较小的排放源。
参考文献
[1]Bey,I.,Jacob,D.J.,Yantosca,R.M.,Logan,J.A.,Field,B.D.,Fiore,A.M.,Li,Q.,Liu,H.Y.,Mickley,L.J.,and Schultz,M.G.(2001),Global modeling oftropospheric chemistry with assimilated meteorology:Model description andevaluation,J.Geophys.Res.,106(D19),23073–23095.
[2]Robert J.D.Spurr,VLIDORT:A linearized pseudo-spherical vectordiscrete ordinate radiative transfer code for forward model and retrievalstudies in multilayer multiple scattering media,Journal of QuantitativeSpectroscopy and Radiative Transfer,Volume 102,Issue 2,2006,Pages 316-342,ISSN 0022-4073
[3]Nowlan,C.R.,Liu,X.,Chance,K.,Cai,Z.,Kurosu,T.P.,Lee,C.,and Martin,R.V.(2011),Retrievals of sulfur dioxide from the Global Ozone MonitoringExperiment 2(GOME-2)using an optimal estimation approach:Algorithm andinitial validation,J.Geophys.Res.,116,D18301。
Claims (1)
1.一种基于高分五号卫星数据的二氧化硫排放清单构建方法，其特征在于，采用风旋转技术，结合高斯函数，通过建立计算二氧化硫排放强度的非线性模型，使观测与模拟二氧化硫浓度之间达到最优拟合；具体步骤如下：
(一)反演二氧化硫的柱总量：
首先获取高分五号卫星上搭载的环境痕量气体监测仪器(EMI)对地球和对太阳的观测光谱数据，采用最优估计算法，结合GEOS-Chem模型和辐射传输模型(VLIDORT)，利用最优估计算法将观测光谱与模拟光谱之差最小化，拟合二氧化硫柱总量；拟合过程中，考虑云高、云量、气溶胶、地表反照率、每日的气象数据，以及甲醛、臭氧和氧化溴的柱总量；其中，云高是指云的高度；云量是指云占天空的百分比；气溶胶是悬浮在大气中的固态和气态粒子；地表反射率是指地面反射辐射量与入射太阳辐射量之比；气象数据包括地表压强数据、地表温度数据、温度廓线和对流层顶压强数据；二氧化硫、甲醛、臭氧和氧化溴的柱总量是指每平方厘米的垂直气柱中该污染物的分子数；
(二)下载风场数据：
由于欧洲中期天气预报中心涵盖了多种空间分辨率分辨率、长时间跨度的全球范围内、多个海拔高度的风场数据，因此选择从欧洲中期天气预报中心下载900hPa和950hPa、分辨率大小为0.25° x 0.25°的风速数据集；将900hPa和950hPa的风速数据集做平均，代表近地面风场；
(三)建立排放清单，具体步骤如下：
(1)首先确定研究区域的经纬度范围，假定研究区域为矩形，为了计算该研究区域内污染物的排放量，准备比研究区域扩大一度，即四面分别括大一个经度或一个纬度的二氧化硫柱总量数据集，该区域范围称之为计算区域；
(2)对拟合得到的二氧化硫柱总量数据集进行筛选，总量数据集包括二氧化硫柱总量、经度、纬度、云量、地表反照率、二氧化硫的检测误差，筛选的具体做法为：
对云量进行筛选：过滤掉云量大于0.3的数据，这是由于二氧化硫反演算法对云量非常敏感，多云天气会影响二氧化硫反演的准确性，云分比较高的时候，二氧化硫反演的误差较大；
对地表反照率进行筛选：过滤掉地表反照率大于0.3的数据；
(3)在计算区域内建立0.05°×0.05°的网格，风在网格的水平方向分量为u，风在网格的垂直方向分量为v，采用线性插值的方法将平均后的风速数据集插值到二氧化硫像素点上，将每个网格点设为二氧化硫源的潜在位置，以潜在源位置为原点，采用风旋转技术，将每个像素点都进行旋转，使旋转后所有的像素点拥有共同的风向，具体标示为：
将所有的像素点围绕原点即潜在源位置做旋转，旋转角度为θ:
像素点的原始位置为(x0,y0)，计算旋转后像素点的位置(x1,y1)：
(4)经过风旋转技术，将所有的二氧化硫像素都围绕原点旋转到一个相同的方向，即北风，若原点存在是二氧化硫排放源，会出现上风向二氧化硫柱总量低于下风向，因此通过比较旋转后潜在源位置的上下风向处的二氧化硫柱总量之差，判断该潜在源是否是二氧化硫源；如果上风向二氧化硫柱总量与下风向二氧化硫柱总量之差较大，即明显大于二氧化硫柱总量的检测误差，则判断该网格点为二氧化硫源位置；于是进行下一步的排放量计算；
(5)为了计算二氧化硫源的排放量，建立非线性模型：
其中，x和y分别为以排放源为原点建立的平面直角坐标系的横坐标和纵坐标；N表示源附近二氧化硫的分子总数；表示处于(x，y)位置的像素点的二氧化硫柱总量；f(x，y)是高斯函数，g(y，s)是指数修正的高斯函数；s为像素中心的风速；
风旋转技术将所有的像素点都旋转为北风，二氧化硫沿x方向上的扩散满足一维高斯扩散模型，即：
二氧化硫在y方向上的扩散受风的影响，扩散模型满足修正的高斯函数，本质上是高斯函数和指数函数的卷积，表示沿y轴的指数衰减，并由高斯函数平滑，即：
其中：
β表示衰减率；
σ是一个拟合参数，其大小与二氧化硫沿x方向上污染扩散的高斯形状相关；在公式(5)中使用σ1，它使下风向的像素旋转后产生额外的“羽流”扩散，使用σ1代替σ实际上不会对估计参数产生影响，但会使拟合结果更符合现实；
(6)将二氧化硫柱总量拟合到水平坐标和风速的三维参数化函数，通过最小化测量值和估计值之间的平方和，拟合出三个参数σ、N和β；
(7)源的排放强度E与排放源附近二氧化硫的分子总数N存在着线性关系：
E＝N·β， (8)
其中，斜率为τ为衰减时间；
(8)对于每个源周围100km范围内的像元，通过非线性模型(3)拟合出N和β，进而计算出源的排放强度E，即得到排放清单。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211107668.7A CN115372287B (zh) | 2022-09-12 | 2022-09-12 | 基于高分五号卫星数据的二氧化硫排放清单构建方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211107668.7A CN115372287B (zh) | 2022-09-12 | 2022-09-12 | 基于高分五号卫星数据的二氧化硫排放清单构建方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115372287A CN115372287A (zh) | 2022-11-22 |
| CN115372287B true CN115372287B (zh) | 2024-05-03 |
Family
ID=84072163
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211107668.7A Active CN115372287B (zh) | 2022-09-12 | 2022-09-12 | 基于高分五号卫星数据的二氧化硫排放清单构建方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115372287B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116562061B (zh) * | 2023-07-11 | 2023-09-12 | 中国科学院大气物理研究所 | 卫星性能参数的确定方法、装置、电子设备及存储介质 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110031412A (zh) * | 2019-04-25 | 2019-07-19 | 中国科学技术大学 | 基于移动ahsa观测的大气污染物排放通量获取方法 |
| KR20220000266A (ko) * | 2020-06-25 | 2022-01-03 | 인제대학교 산학협력단 | 대기 환경 정보의 3차원 표출 최적화를 위한 장치 및 방법 |
| CN113946936A (zh) * | 2021-08-23 | 2022-01-18 | 中国科学技术大学 | 基于emi超光谱卫星载荷的自适应迭代二氧化硫反演方法 |
-
2022
- 2022-09-12 CN CN202211107668.7A patent/CN115372287B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110031412A (zh) * | 2019-04-25 | 2019-07-19 | 中国科学技术大学 | 基于移动ahsa观测的大气污染物排放通量获取方法 |
| KR20220000266A (ko) * | 2020-06-25 | 2022-01-03 | 인제대학교 산학협력단 | 대기 환경 정보의 3차원 표출 최적화를 위한 장치 및 방법 |
| CN113946936A (zh) * | 2021-08-23 | 2022-01-18 | 中国科学技术大学 | 基于emi超光谱卫星载荷的自适应迭代二氧化硫反演方法 |
Non-Patent Citations (1)
| Title |
|---|
| 基于静止轨道卫星监测中国大气污染物的模拟分析;陈曦;蔡兆男;刘毅;杨东旭;;中国科学:地球科学;20180919(第10期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115372287A (zh) | 2022-11-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Wei et al. | Improved 1 km resolution PM 2.5 estimates across China using enhanced space–time extremely randomized trees | |
| Liu et al. | Improved aerosol correction for OMI tropospheric NO 2 retrieval over East Asia: constraint from CALIOP aerosol vertical profile | |
| Benedetti et al. | Aerosol analysis and forecast in the European centre for medium‐range weather forecasts integrated forecast system: 2. Data assimilation | |
| Martin et al. | Evaluation of space‐based constraints on global nitrogen oxide emissions with regional aircraft measurements over and downwind of eastern North America | |
| Liu et al. | Aircraft study of aerosol vertical distributions over Beijing and their optical properties | |
| Pang et al. | Assimilating AOD retrievals from GOCI and VIIRS to forecast surface PM2. 5 episodes over Eastern China | |
| Fioletov et al. | Multi-source SO 2 emission retrievals and consistency of satellite and surface measurements with reported emissions | |
| Yu et al. | Effects of aerosols and water vapour on spatial-temporal variations of the clear-sky surface solar radiation in China | |
| Jiménez et al. | Evaluation of MM5-EMICAT2000-CMAQ performance and sensitivity in complex terrain: high-resolution application to the northeastern Iberian Peninsula | |
| CN111723524B (zh) | 一种基于日变化约束的pm2.5卫星遥感反演方法 | |
| CN106404620A (zh) | 地统计插值与卫星遥感联合反演地面pm2.5的方法及系统 | |
| Michel et al. | Comparing dune migration measured from remote sensing with sand flux prediction based on weather data and model, a test case in Qatar | |
| Sofiev | A model for the evaluation of long-term airborne pollution transport at regional and continental scales | |
| Checa-Garcia et al. | Evaluation of natural aerosols in CRESCENDO Earth system models (ESMs): mineral dust | |
| Cheng et al. | Evaluation of long-term tropospheric NO2 columns and the effect of different ecosystem in Yangtze River Delta | |
| Liu et al. | A new method for inferring city emissions and lifetimes of nitrogen oxides from high-resolution nitrogen dioxide observations: a model study | |
| CN115372287B (zh) | 基于高分五号卫星数据的二氧化硫排放清单构建方法 | |
| Levin et al. | Limitations of the radon tracer method (RTM) to estimate regional greenhouse gas (GHG) emissions–a case study for methane in Heidelberg | |
| De Foy et al. | Estimating sources of elemental and organic carbon and their temporal emission patterns using a least squares inverse model and hourly measurements from the St. Louis–Midwest supersite | |
| CN118013769B (zh) | 一种基于WRF-Chem的大气污染物浓度预测方法 | |
| Xing et al. | VOCs hyperspectral imaging: A new insight into evaluate emissions and the corresponding health risk from industries | |
| Nalini et al. | High‐Resolution Lagrangian Inverse Modeling of CO2 Emissions Over the Paris Region During the First 2020 Lockdown Period | |
| Arregocés et al. | Sensitivity of the CALMET-CALPUFF model system on estimating PM10 concentrations at a mining site in northern Colombia | |
| WO2020257859A1 (en) | Turbulence monitoring and forecasting systems and methods | |
| He et al. | Modis aerosol optical thickness product algorithm verification and analysis |
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 |