CN115859026B - 一种高分辨率近地面pm2.5浓度遥感反演方法及装置 - Google Patents
一种高分辨率近地面pm2.5浓度遥感反演方法及装置 Download PDFInfo
- Publication number
- CN115859026B CN115859026B CN202211447197.4A CN202211447197A CN115859026B CN 115859026 B CN115859026 B CN 115859026B CN 202211447197 A CN202211447197 A CN 202211447197A CN 115859026 B CN115859026 B CN 115859026B
- Authority
- CN
- China
- Prior art keywords
- data
- remote sensing
- inversion
- sensing image
- resolution
- 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
- 238000000034 method Methods 0.000 title claims abstract description 47
- 239000000443 aerosol Substances 0.000 claims abstract description 58
- 238000005259 measurement Methods 0.000 claims abstract description 49
- 230000003287 optical effect Effects 0.000 claims abstract description 38
- 239000010419 fine particle Substances 0.000 claims abstract description 21
- 238000011160 research Methods 0.000 claims abstract description 12
- 238000012545 processing Methods 0.000 claims description 17
- 238000012937 correction Methods 0.000 claims description 16
- 238000012417 linear regression Methods 0.000 claims description 15
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 claims description 7
- 229910052799 carbon Inorganic materials 0.000 claims description 7
- 238000006243 chemical reaction Methods 0.000 claims description 7
- 238000012952 Resampling Methods 0.000 claims description 6
- 230000015572 biosynthetic process Effects 0.000 claims description 5
- 238000004422 calculation algorithm Methods 0.000 claims description 5
- 238000003786 synthesis reaction Methods 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 4
- 238000012544 monitoring process Methods 0.000 abstract description 17
- 238000010586 diagram Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 238000003384 imaging method Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 3
- 238000004590 computer program Methods 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000002310 reflectometry Methods 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000004568 cement Substances 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000003344 environmental pollutant Substances 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 231100000719 pollutant Toxicity 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Image Processing (AREA)
Abstract
本申请提供了一种高分辨率近地面PM2.5浓度遥感反演方法及装置,方法包括:获取遥感影像数据、气象数据、细粒子气溶胶体积比、气溶胶光学厚度与行政区划矢量数据;基于气象数据、细粒子气溶胶体积比与气溶胶光学厚度应用PMRS模型获得空间连续的1km PM2.5反演结果;基于研究区域的行政区划矢量数据和遥感影像数据创建类实测点,将1km PM2.5反演结果的相应点位值作为该类实测点位的PM2.5值,所述类实测点包括点位的经纬度信息;基于类实测点位的经纬度信息与PM2.5值、遥感影像数据与气象数据构建PM2.5反演模型;将遥感影像的波段数据、待测气象数据输入PM2.5反演模型获得区域PM2.5反演结果。本申请能够摆脱对监测站数据的依赖,得到一种高分辨率的PM2.5反演模型。
Description
技术领域
本申请的实施例涉及卫星遥感领域,尤其涉及一种高分辨率近地面PM2.5浓度遥感反演方法及装置。
背景技术
PM2.5是指空气动力学当量直径不超过2.5μm的气溶胶颗粒物,也被称为细颗粒物,准确地监测PM2.5浓度是开展PM2.5影响研究与专业服务的基础。
目前,监测大气中PM2.5的方法主要有:地基监测、大气空气质量模式预报和遥感监测。其中,地基检测能够精确获取站点附近PM2.5浓度,但站点数量有限且分布不均,难以获取足够的数据分析整个监测区域的分布特征;大气空气质量模式预报可以模拟预测污染物的分布状况,但分辨率较低、精度较差,不适用于省市等中小尺度的区域监测;卫星遥感监测技术主要依靠监测气溶胶光学厚度(气溶胶光学厚度)进行近地面PM2.5反演,估算近地面PM2.5浓度,具有监测范围大、精度高以及成本低的特点,是当前监测PM2.5的重要手段。
近年来,利用中分辨率成像光谱仪(MODIS)和多角度成像光谱仪(MISR)等反演PM2.5取得了巨大进步,但其过度依赖监测站实测数据且PM2.5模型结果的空间分辨率最高为1km,不能够满足地区级的PM2.5浓度监测的需求。
发明内容
为了解决上述至少一项技术问题,本申请的实施例提供了一种高分辨率近地面PM2.5浓度遥感反演方法及装置。
第一方面,本申请的实施例提供了一种高分辨率近地面PM2.5浓度遥感反演方法,包括:
获取遥感影像数据、气象数据、细粒子气溶胶体积比数据、气溶胶光学厚度数据与行政区划矢量数据;
基于所述气象数据、细粒子气溶胶体积比数据与气溶胶光学厚度数据应用PMRS模型获得空间连续的1km PM2.5反演结果;
基于研究区域的所述行政区划矢量数据和所述遥感影像数据创建类实测点,将所述1km PM2.5反演结果的相应点位值作为该类实测点位的PM2.5值,所述类实测点包括点位的经纬度信息;
基于所述类实测点位的经纬度信息、类实测点位的PM2.5值、遥感影像数据和气象数据,采用多元线性回归的降尺度方法构建高分辨率PM2.5反演模型,所述高分辨率为米级分辨率;
将遥感影像的波段数据、待测气象数据输入所述高分辨率PM2.5反演模型获得区域PM2.5反演结果。
在一种可能的实现方式中,所述类实测点的创建原则,包括:
在预设半径范围内,不同下垫面类型的碳排放特征相似度大于70%时,设置一个类实测点;
反之,不同下垫面类型的每一个下垫面类型均设置类实测点;
类实测点的空间距离在预设范围内。
在一种可能的实现方式中,所述基于所述气象数据、细粒子气溶胶体积比数据与气溶胶光学厚度数据应用PMRS模型获得空间连续的1km PM2.5反演结果之前,还包括:
对所述遥感影像数据进行重采样、波段合成和坐标系转换处理;
对所述气象数据进行空间插值处理;
对所述细粒子气溶胶体积比与气溶胶光学厚度数据进行几何校正处理。
在一种可能的实现方式中,所述气溶胶光学厚度数据包括:
基于MODIS数据利用多角度大气校正算法反演得到MCD19A2气溶胶光学厚度产品,MCD19A2气溶胶光学厚度产品包括所述气溶胶光学厚度数据。
在一种可能的实现方式中,所述基于所述类实测点位的经纬度信息、类实测点位的PM2.5值、遥感影像数据和气象数据,采用多元线性回归的降尺度方法构建高分辨率PM2.5反演模型,包括:
基于所述遥感影像数据和所述气象数据,获取遥感影像红波段、蓝波段和短波红外波段的波段值;
基于所述类实测点位的经纬度信息,将所述遥感影像红波段、蓝波段和短波红外波段的波段值、所述气象数据与所述类实测点位的PM2.5值组成样本数据;
基于样本数据,采用多元线性回归的降尺度方法构建高分辨率PM2.5反演模型。
在一种可能的实现方式中,所述遥感影像数据包括高分辨率遥感影像的大气表观反射率数据。
第二方面,本申请的实施例提供了一种高分辨率近地面PM2.5浓度遥感反演装置,包括:
获取模块,用于获取遥感影像数据、气象数据、细粒子气溶胶体积比数据、气溶胶光学厚度数据与行政区划矢量数据;
第一反演模块,用于基于所述气象数据、细粒子气溶胶体积比数据与气溶胶光学厚度数据应用PMRS模型获得空间连续的1km PM2.5反演结果;
创建模块,用于基于研究区域的所述行政区划矢量数据和遥感影像数据创建类实测点,将所述1km PM2.5反演结果的相应点位值作为该类实测点位的PM2.5值,所述类实测点包括点位的经纬度信息;
构建模块,用于基于所述类实测点位的经纬度信息、所述类实测点位的PM2.5值、所述遥感影像数据和气象数据,采用多元线性回归的降尺度方法构建高分辨率PM2.5反演模型,所述高分辨率为米级分辨率;
第二反演模块,用于将遥感影像的波段数据、待测气象数据输入所述高分辨率PM2.5反演模型获得区域PM2.5反演结果。
综上所述,本申请包括以下至少一种有益技术效果:
1.自建类实测点,基于PMRS模型获取类实测点位PM2.5的值,依靠类实测点完成PM2.5浓度遥感反演,摆脱了对于地面监测站点数据的依赖。
2.利用高分辨率遥感影像的光谱特征和气象数据,用多元线性回归的降尺度方法建立高分辨率PM2.5反演模型,提高了近地面PM2.5反演的空间分辨率。
应当理解,发明内容部分中所描述的内容并非旨在限定本申请的实施例的关键或重要特征,亦非用于限制本申请的范围。本申请的其它特征将通过以下的描述变得容易理解。
附图说明
结合附图并参考以下详细说明,本申请各实施例的上述和其他特征、优点及方面将变得更加明显。在附图中,相同或相似的附图标记表示相同或相似的元素。
图1示出了本申请实施例的高分辨率近地面PM2.5浓度遥感反演方法的流程图。
图2示出了本申请实施例的密云区1kmPM2.5反演结果示意图。
图3示出了本申请实施例的密云区类实测点位示意图。
图4示出了本申请实施例的密云区10mPM2.5反演结果示意图。
图5示出了本申请实施例的高分辨率近地面PM2.5浓度遥感反演装置的方块图。
图6示出了本申请实施例的一种电子设备的结构图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述。
图1示出了本申请实施例的基于多元数据的高分辨率近地面PM2.5浓度遥感反演方法的流程图,该方法应用于区域无地面监测站数据或区域地面监测站数据较少的情况。参见图1,该方法包括如下步骤:
步骤101,获取遥感影像数据、气象数据、细粒子气溶胶体积比数据、气溶胶光学厚度数据与行政区划矢量数据。
在本申请实施例中,行政区划矢量数据是基础地理信息数据,示例地,选取北京市密云区矢量数据作为研究区域的区划矢量数据。可选地,通过加州伯克利大学区划数据集、国家基础地理信息中心区划数据库等获取北京市密云区矢量数据。
在本申请实施例中,根据研究区域的范围筛选无云的过境高分辨率遥感影像,获取遥感影像数据,并对数据进行预处理。所述高分辨率遥感影像为空间分辨率达到米级分辨率的遥感影像,所述遥感影像数据为影像不同波段的表观反射率记录的大气信息。可选地,通过欧空局哥白尼数据中心等遥感影像数据中心获取所述遥感影像数据。
示例地,选取北京市密云区内的Sentinel2遥感影像L1C级数据,对数据进行重采样、波段合成与坐标系转换处理。
首先利用SNAP软件包的重采样工具对经过大气校正的数据重采样,将所有波段利用最邻近法重采样为10m分辨率波段,解决影像各波段分辨率不一致的问题。所述最邻近法是将最邻近的像元值赋予新像元的方法。
对数据进行波段合成处理,将波段文件合成到一个栅格数据集中。解决Sentinel2L1C数据的每个波段都包含在独立的文件中的问题。其中,栅格是描述影像存储方式的数据模型,所述栅格数据集是组织成一个或多个波段的任何有效的栅格格式。
对数据进行坐标系转换处理,将Sentinel2 L1C数据原始坐标系改为WGS-84地理坐标系与其它数据源坐标系保持一致,解决Sentinel2 L1C数据原始坐标系为非标准格式(World Geodetic System 1984)的问题。
在本申请实施例中,根据高分辨率遥感影像的过境时间,选用相对湿度(Relativehumidity,RH)、边界层高度(Boundary layer height,BLH)、10米经向风速(10m u-component of wind,u10)和2米温度(2m temperature,t2m)四种气象数据并对数据进行预处理,以解决气象要素对PM2.5浓度遥感反演结果的影响。
示例地,根据Sentinel2的过境时间,获取密云区逐小时的相对湿度、边界层高度、2米温度和经向风速气象数据。可选地,相对湿度来自ERA5hourly data on pressurelevels from 1979to present数据集,压强选择1000hPa;边界层高度、2米温度和经向风速气象数据均来自ERA5 hourly data on single levels from 1979to present数据集。其中,ERA5是ECMWF对全球气候的第五代大气再分析,再分析将模型数据与来自世界各地的观测数据结合起来,形成一个全球完整的、一致的数据集。
进一步地,对四种气象数据格式进行格式转换。
具体地,将ERA5原始的nc格式数据文件转换为带有坐标系的格式数据文件,如ENVI、tiff等格式。
进一步地,对四种气象数据进行空间插值处理以消除块效应,匹配遥感数据的分辨率。
其中,块效应指因数据空间分辨率较低而导致的影像不连续,空间插值主要是利用已知点的数值估算出栅格中每一个像元的值,得到空间连续、过渡自然的影像结果。
具体地,利用反距离权重的插值方式对四种气象数据插值,插值为10m×10m以匹配遥感影像。
在本申请实施例中,基于中分辨率成像光谱仪(MODIS)数据利用多角度大气校正算法反演得到MCD19A2 AOD产品,对其进行几何校正处理,获取气溶胶光学厚度(AOD)数据;基于中分辨率成像光谱仪(MODIS)数据利用暗目标和深蓝算法反演得到的MO/YD04_3K AOD产品,对其进行几何校正处理,获取细粒子气溶胶体积比(FME)数据。
可选地,AOD数据来自MCD19A2的"Optical_Depth_055",FME数据来自MO/YD04_3K的"Optical_Depth_Ratio_Small_Land"。
其中,几何校正处理是通过一系列的数学模型来改正和消除遥感影像成像时因摄影材料变形、地球自转、地形起伏等因素导致的原始图像上各地物的几何位置、形状、尺寸、方位等特征与在参照系统中的表达要求不一致时产生的变形。具体地,利用IDL调用MODIS处理工具(MODIS Conversion Toolkit,MCTK)对MCD19A2 AOD产品进行几何校正,读取文件"Orbit_time_stamp"属性作为波段名称;利用HEG软件对MO/YD04_3K AOD产品进行几何校正,几何校正输出坐标系定为WGS-84地理坐标系。
步骤102,基于所述气象数据、细粒子气溶胶体积比数据与气溶胶光学厚度数据应用PMRS模型获得空间连续的1km PM2.5反演结果。
在本申请实施例中,PMRS模型是一种基于物理机理的半经验公式反演PM2.5模型,解释了卫星获得的整层大气AOD与近地面PM2.5数据物理层面的关系。
具体地,由于MODIS FME产品的空间并不是连续的,基于气溶胶类型具有区域稳定性,所以取区域有效像元的FME均值作为研究区气溶胶的FME;相对湿度数据与边界层高度数据取区域有效像元的均值作为研究区的相对湿度数据与边界层高度数据值。所用湿度校正模型公式为:
其中,f(RH)为经湿度校正模型校正后的相对湿度值。
将气溶胶光学厚度数据,细粒子气溶胶体积比数据、相对湿度数据与边界层高度数据的区域均值,以及干物质质量密度ρf,dry参数输入PMRS模型,输入情况如表1所示。
数据名称 | 数据来源 | 空间分辨率 | 处理方式 |
AOD | MCD19A2 | 1km | \ |
FME | MO/YD04_3K | 3km | 区域均值 |
RH | ERA5再分析数据 | \ | 区域均值 |
BLH | ERA5再分析数据 | \ | 区域均值 |
ρf,dry | 1.5g/cm3 | \ | \ |
表1
获得空间连续的1km PM2.5结果,示例地,密云区1km PM2.5反演结果如图2所示。
步骤103,基于研究区域的所述行政区划矢量数据和遥感影像数据创建类实测点,将所述1km PM2.5反演结果的相应点位值作为该类实测点位的PM2.5值,所述类实测点包括点位的经纬度信息。
具体地,以研究区域的行政区划矢量数据和高分辨率遥感影像数据为底图,创建类实测点矢量文件。
其中,类实测点的创建原则为:
在预设半径范围内,不同下垫面类型的碳排放特征相似度大于70%时,设置一个类实测点;反之,不同下垫面类型的每一个下垫面类型均设置类实测点;类实测点的空间距离在预设范围内。
在本申请实施例中,基于PMRS模型获得空间连续的1km PM2.5反演结果,则预设半径范围为不大于1km的半径范围,预设范围为不大于1km的范围,大气的下垫面指地球表面,包括建筑、水泥地、农村居住地、裸地、草地、森林等。
示例地,以密云区划矢量数据和10米空间分辨率Sentinel2影像数据为底图,将研究区不同下垫面类型概括为三类:城市地表、农村居住地和森林,不同下垫面类型的碳排放特征相似度大于70%时,将点位设置在1km范围内的区域中央,不同下垫面类型的碳排放特征相似度不大于70%时,将点位设置在不同下垫面类型的区域,在密云区共设置56个点位,具体如图3所示。
记录这些类实测点位的经纬度,提取步骤104的1km PM2.5反演结果相应点位值作为该类实测点位的PM2.5值,结果如表2所示。
经度值 | 纬度值 | PM2.5值 |
116.935 | 40.2693 | 19 |
116.9369 | 40.2702 | 18 |
116.7519 | 40.28261 | 12 |
116.9824 | 40.29079 | 12 |
116.8662 | 40.29733 | 7 |
··· | ··· | ··· |
表2
步骤104,基于所述类实测点位的经纬度信息、所述类实测点位的PM2.5值、所述遥感影像数据和气象数据,采用多元线性回归的降尺度方法构建高分辨率PM2.5反演模型,所述高分辨率为米级分辨率。
具体地,基于遥感影像数据和所述气象数据,获取遥感影像红波段、蓝波段和短波红外波段的波段值;基于类实测点位的经纬度信息,将遥感影像红波段、蓝波段和短波红外波段的波段值、气象数据与类实测点位的PM2.5值组成样本数据;基于样本数据,采用多元线性回归的降尺度方法构建高分辨率PM2.5反演模型。
其中,降尺度为把大尺度、低分辨率的全球气候模式输出的信息转化为小尺度、高分辨率的区域地面气候变化信息。
示例地,将Sentinel2、四种气象数据反距离权重插值结果波段合成后的文件命名为RSf。根据步骤103中56个类实测站点经纬度信息,提取RSf文件上对应像元的Sentinel2b2、b4、b12波段以及四种气象数据,与类实测点PM2.5值组成样本。均匀随机选取包含上述不同下垫面类型70%的样本用于构建PM2.5反演模型,采用多元线性回归的方法实现降尺度,函数形式如下:
Y=β0+β1×b2+β2×b4+β3×b12+β4×RH+β5×BLH+β6×u10+β7×t2m
其中,所述Y为类实测点PM2.5值,
所述βi为回归方程的截距和各参数系数;
所述b2、b4、b12为Sentinel2的不同波段;
所述RH为相对湿度;
所述BLH为边界层高度;
所述u10为10m经向风速;
所述t2m为2m温度。
利用剩余30%类实测点对模型精度进行验证,计算公式如下:
式中,δ为预测精度,N为反演值,L为类实测点PM2.5值。经验证,模型精度达到82%。
步骤105,将遥感影像的波段数据、待测气象数据输入所述PM2.5反演模型获得区域PM2.5反演结果。
示例地,将模型应用到密云区得到区域内10米分辨率的PM2.5反演结果如图5所示。
进一步地,获取2021年4月17日密云地区PM2.5浓度空间分布结果,并从PM2.5浓度逐小时连续观测站点中,根据观测站点的点位空间分布、数据获取质量及数据获取连续性在所述观测站点中优选利用密云区28个空气质量监测站点数据,对反演结果进行精度验证,平均精度70%达到实际应用要求,反演结果较为可靠。
根据本公开的实施例,实现了以下技术效果:
自建类实测点,基于PMRS模型获取类实测点位PM2.5的值,选用新的AOD产品源,利用高分辨率遥感影像的光谱特征和气象数据,用多元线性回归的降尺度方法建立高分辨率PM2.5反演模型,摆脱了对于地面监测站点数据的依赖,提高了近地面PM2.5反演的空间分辨率。
需要说明的是,对于前述的各方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本申请并不受所描述的动作顺序的限制,因为依据本申请,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于可选实施例,所涉及的动作和模块并不一定是本申请所必须的。
以上是关于方法实施例的介绍,以下通过装置实施例,对本申请所述方案进行进一步说明。
图5示出了本申请实施例的高分辨率近地面PM2.5浓度遥感反演装置的方块图,参见图5,该装置包括获取模块501、第一反演模块502、创建模块503、构建模块504以及第二反演模块505。
获取模块501,用于获取遥感影像数据、气象数据、细粒子气溶胶体积比数据、气溶胶光学厚度数据与行政区划矢量数据;
第一反演模块502,用于基于所述气象数据、细粒子气溶胶体积比数据与气溶胶光学厚度数据应用PMRS模型获得空间连续的1km PM2.5反演结果;
创建模块503,用于基于研究区域的所述行政区划矢量数据和遥感影像数据创建类实测点,将所述1km PM2.5反演结果的相应点位值作为该类实测点位的PM2.5值,所述类实测点包括点位的经纬度信息;
构建模块504,用于基于所述类实测点位的经纬度信息、所述类实测点位的PM2.5值、所述遥感影像数据和气象数据,采用多元线性回归的降尺度方法构建高分辨率PM2.5反演模型,所述高分辨率为米级分辨率;
第二反演模块505,用于将遥感影像的波段数据、待测气象数据输入所述高分辨率PM2.5反演模型获得区域PM2.5反演结果。
在一些实施例中,所述装置还包括:
处理模块,用于对所述遥感影像数据进行重采样、波段合成和坐标系转换处理;对所述气象数据进行空间插值处理;对所述细粒子气溶胶体积比与气溶胶光学厚度数据进行几何校正处理。
在一些实施例中,创建模块503还包括:
创建原则模块,用于在预设半径范围内,不同下垫面类型的碳排放特征相似度大于70%时,设置一个类实测点;同时,不同下垫面类型的每一个下垫面类型均设置类实测点;其中类实测点的空间距离在预设范围内。
在一些实施例中,获取模块501具体用于:
基于MODIS数据利用多角度大气校正算法反演得到MCD19A2气溶胶光学厚度产品,MCD19A2气溶胶光学厚度产品包括所述气溶胶光学厚度数据。
在一些实施例中,获取模块501具体还用于:
获取相对湿度数据、边界层高度数据、10米经向风速数据和2米温度数据。
在一些实施例中,获取模块501具体还用于:
获取高分辨率遥感影像的大气表观反射率数据。
在一些实施例中,构建模块504具体用于:
基于所述遥感影像数据和所述气象数据,获取遥感影像红波段、蓝波段和短波红外波段的波段值;
基于所述类实测点位的经纬度信息,将所述遥感影像红波段、蓝波段和短波红外波段的波段值、所述气象数据与所述类实测点位的PM2.5值组成样本数据;
基于样本数据,采用多元线性回归的降尺度方法构建高分辨率PM2.5反演模型。
需要说明的是:上述实施例提供的高分辨率近地面PM2.5浓度遥感反演装置在进行PM2.5浓度遥感反演时,仅以上述各功能模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能模块完成,即将装置的内部结构划分成不同的功能模块,以完成以上描述的全部或者部分功能。另外,上述实施例提供的高分辨率近地面PM2.5浓度遥感反演装置与高分辨率近地面PM2.5浓度遥感反演方法实施例属于同一构思,其具体实现过程详见方法实施例,这里不再赘述。
图6示出了本申请实施例的一种电子设备的结构图。参见图6,电子设备600包括处理器601和存储器603。其中,处理器601和存储器603相连,如通过总线602相连。可选地,电子设备600还可以包括收发器604。需要说明的是,实际应用中收发器604不限于一个,该电子设备600的结构并不构成对本申请实施例的限定。
处理器601可以是CPU(Central Processing Unit,中央处理器),通用处理器,DSP(Digital Signal Processor,数据信号处理器),ASIC(Application SpecificIntegrated Circuit,专用集成电路),FPGA(Field Programmable Gate Array,现场可编程门阵列)或者其他可编程逻辑器件、晶体管逻辑器件、硬件部件或者其任意组合。其可以实现或执行结合本申请公开内容所描述的各种示例性的逻辑方框,模块和电路。处理器601也可以是实现计算功能的组合,例如包含一个或多个微处理器组合,DSP和微处理器的组合等。
总线602可包括一通路,在上述组件之间传送信息。总线602可以是PCI(Peripheral Component Interconnect,外设部件互连标准)总线或EISA(ExtendedIndustry Standard Architecture,扩展工业标准结构)总线等。总线602可以分为地址总线、数据总线、控制总线等。为便于表示,图6中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
存储器603可以是ROM(Read Only Memory,只读存储器)或可存储静态信息和指令的其他类型的静态存储设备,RAM(Random Access Memory,随机存取存储器)或者可存储信息和指令的其他类型的动态存储设备,也可以是EEPROM(Electrically ErasableProgrammable Read Only Memory,电可擦可编程只读存储器)、CD-ROM(Compact DiscRead Only Memory,只读光盘)或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质,但不限于此。
存储器603用于存储执行本申请方案的应用程序代码,并由处理器601来控制执行。处理器601用于执行存储器603中存储的应用程序代码,以实现高分辨率近地面PM2.5的浓度遥感反演。
其中,电子设备包括但不限于:移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。需要说明的是,图6示出的电子设备仅仅是一个示例,不应对本申请实施例的功能和使用范围带来任何限制。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意结合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机指令时,全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络或其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如:同轴电缆、光纤、数据用户线(digital subscriber line,DSL))或无线(例如:红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质,或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质(例如:软盘、硬盘、磁带)、光介质(例如:数字通用光盘(digital versatile disc,DVD))或半导体介质(例如:固态硬盘(solid state disk,SSD))等。值得注意的是,本申请实施例提到的计算机可读存储介质可以为非易失性存储介质,换句话说,可以是非瞬时性存储介质。
应当理解的是,本文提及的“至少一个”是指一个或多个,“多个”是指两个或两个以上。在本申请实施例的描述中,除非另有说明,“/”表示或的意思,例如,A/B可以表示A或B;本文中的“和/或”仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,为了便于清楚描述本申请实施例的技术方案,在本申请的实施例中,采用了“第一”、“第二”等字样对功能和作用基本相同的相同项或相似项进行区分。本领域技术人员可以理解“第一”、“第二”等字样并不对数量和执行次序进行限定,并且“第一”、“第二”等字样也并不限定一定不同。
以上所述为本申请提供的示例性实施例,并不用以限制本申请实施例,凡在本申请实施例的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (7)
1.一种高分辨率近地面PM2.5浓度遥感反演方法,其特征在于,包括:
获取遥感影像数据、气象数据、细粒子气溶胶体积比数据、气溶胶光学厚度数据与行政区划矢量数据;
基于所述气象数据、细粒子气溶胶体积比数据与气溶胶光学厚度数据应用PMRS模型获得空间连续的1km PM2.5反演结果;
基于研究区域的所述行政区划矢量数据和遥感影像数据创建类实测点,将所述1kmPM2.5反演结果的相应点位值作为该类实测点位的PM2.5值,所述类实测点包括点位的经纬度信息;
基于所述类实测点位的经纬度信息、所述类实测点位的PM2.5值、所述遥感影像数据和气象数据,采用多元线性回归的降尺度方法构建高分辨率PM2.5反演模型,所述高分辨率为米级分辨率;
将遥感影像的波段数据、待测气象数据输入所述高分辨率PM2.5反演模型获得区域PM2.5反演结果;
其中,所述类实测点的创建原则,包括:
在预设半径范围内,不同下垫面类型的碳排放特征相似度大于70%时,设置一个类实测点;
反之,不同下垫面类型的每一个下垫面类型均设置类实测点;
类实测点的空间距离在预设范围内。
2.根据权利要求1所述的方法,其特征在于,所述基于所述气象数据、细粒子气溶胶体积比数据与气溶胶光学厚度数据应用PMRS模型获得空间连续的1km PM2.5反演结果之前,还包括:
对所述遥感影像数据进行重采样、波段合成和坐标系转换处理;
对所述气象数据进行空间插值处理;
对所述细粒子气溶胶体积比与气溶胶光学厚度数据进行几何校正处理。
3.根据权利要求1所述的方法,其特征在于,所述气溶胶光学厚度数据包括:
基于MODIS数据利用多角度大气校正算法反演得到MCD19A2气溶胶光学厚度产品,MCD19A2气溶胶光学厚度产品包括所述气溶胶光学厚度数据。
4.根据权利要求1所述的方法,其特征在于,所述气象数据包括:
相对湿度数据、边界层高度数据、10米经向风速数据和2米温度数据。
5.根据权利要求1所述的方法,其特征在于,所述基于所述类实测点位的经纬度信息、类实测点位的PM2.5值、遥感影像数据和气象数据,采用多元线性回归的降尺度方法构建高分辨率PM2.5反演模型,包括:
基于所述遥感影像数据和所述气象数据,获取遥感影像红波段、蓝波段和短波红外波段的波段值;
基于所述类实测点位的经纬度信息,将所述遥感影像红波段、蓝波段和短波红外波段的波段值、所述气象数据与所述类实测点位的PM2.5值组成样本数据;
基于样本数据,采用多元线性回归的降尺度方法构建高分辨率PM2.5反演模型。
6.根据权利要求1所述的方法,其特征在于,所述遥感影像数据包括高分辨率遥感影像的大气表观反射率数据。
7.一种高分辨率近地面PM2.5浓度遥感反演装置,其特征在于,包括:
获取模块,用于获取遥感影像数据、气象数据、细粒子气溶胶体积比数据、气溶胶光学厚度数据与行政区划矢量数据;
第一反演模块,用于基于所述气象数据、细粒子气溶胶体积比数据与气溶胶光学厚度数据应用PMRS模型获得空间连续的1km PM2.5反演结果;
创建模块,用于基于研究区域的所述行政区划矢量数据和遥感影像数据创建类实测点,将所述1km PM2.5反演结果的相应点位值作为该类实测点位的PM2.5值,所述类实测点包括点位的经纬度信息;
构建模块,用于基于所述类实测点位的经纬度信息、所述类实测点位的PM2.5值、所述遥感影像数据和气象数据,采用多元线性回归的降尺度方法构建高分辨率PM2.5反演模型,所述高分辨率为米级分辨率;
第二反演模块,用于将遥感影像的波段数据、待测气象数据输入所述高分辨率PM2.5反演模型获得区域PM2.5反演结果;
所述创建模块,还用于:
在预设半径范围内,不同下垫面类型的碳排放特征相似度大于70%时,设置一个类实测点;反之,不同下垫面类型的每一个下垫面类型均设置类实测点;类实测点的空间距离在预设范围内。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211447197.4A CN115859026B (zh) | 2022-11-18 | 2022-11-18 | 一种高分辨率近地面pm2.5浓度遥感反演方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211447197.4A CN115859026B (zh) | 2022-11-18 | 2022-11-18 | 一种高分辨率近地面pm2.5浓度遥感反演方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115859026A CN115859026A (zh) | 2023-03-28 |
CN115859026B true CN115859026B (zh) | 2023-12-05 |
Family
ID=85664164
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211447197.4A Active CN115859026B (zh) | 2022-11-18 | 2022-11-18 | 一种高分辨率近地面pm2.5浓度遥感反演方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115859026B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117592005B (zh) * | 2024-01-19 | 2024-04-26 | 中国科学院空天信息创新研究院 | Pm2.5浓度卫星遥感估算方法、装置、设备及介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106404620A (zh) * | 2015-07-30 | 2017-02-15 | 中国科学院遥感与数字地球研究所 | 地统计插值与卫星遥感联合反演地面pm2.5的方法及系统 |
CN107491566A (zh) * | 2016-06-12 | 2017-12-19 | 中国科学院城市环境研究所 | 一种定量化研究城市森林对pm2.5净化作用的方法 |
CN108241779A (zh) * | 2017-12-29 | 2018-07-03 | 武汉大学 | 基于遥感数据的地面pm2.5浓度特征向量空间滤值建模方法 |
CN108763756A (zh) * | 2018-05-28 | 2018-11-06 | 河南工业大学 | 一种气溶胶光学厚度与pm2.5反演订正方法及其系统 |
CN110726653A (zh) * | 2019-09-25 | 2020-01-24 | 中国电子科技集团公司第二十七研究所 | 基于天地一体化信息的pm2.5浓度监测方法 |
CN110909309A (zh) * | 2019-11-21 | 2020-03-24 | 中国科学院遥感与数字地球研究所 | 一种逐小时高分辨率pm2.5数据的获取方法 |
CN111209533A (zh) * | 2019-11-28 | 2020-05-29 | 香港理工大学深圳研究院 | 道路层面细颗粒物反演方法、装置、计算设备及存储介质 |
CN114994800A (zh) * | 2022-08-02 | 2022-09-02 | 南京航天宏图信息技术有限公司 | 一种大气细颗粒物的反演方法及装置 |
-
2022
- 2022-11-18 CN CN202211447197.4A patent/CN115859026B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106404620A (zh) * | 2015-07-30 | 2017-02-15 | 中国科学院遥感与数字地球研究所 | 地统计插值与卫星遥感联合反演地面pm2.5的方法及系统 |
CN107491566A (zh) * | 2016-06-12 | 2017-12-19 | 中国科学院城市环境研究所 | 一种定量化研究城市森林对pm2.5净化作用的方法 |
CN108241779A (zh) * | 2017-12-29 | 2018-07-03 | 武汉大学 | 基于遥感数据的地面pm2.5浓度特征向量空间滤值建模方法 |
CN108763756A (zh) * | 2018-05-28 | 2018-11-06 | 河南工业大学 | 一种气溶胶光学厚度与pm2.5反演订正方法及其系统 |
CN110726653A (zh) * | 2019-09-25 | 2020-01-24 | 中国电子科技集团公司第二十七研究所 | 基于天地一体化信息的pm2.5浓度监测方法 |
CN110909309A (zh) * | 2019-11-21 | 2020-03-24 | 中国科学院遥感与数字地球研究所 | 一种逐小时高分辨率pm2.5数据的获取方法 |
CN111209533A (zh) * | 2019-11-28 | 2020-05-29 | 香港理工大学深圳研究院 | 道路层面细颗粒物反演方法、装置、计算设备及存储介质 |
CN114994800A (zh) * | 2022-08-02 | 2022-09-02 | 南京航天宏图信息技术有限公司 | 一种大气细颗粒物的反演方法及装置 |
Non-Patent Citations (3)
Title |
---|
基于FY-4A卫星资料的中国区域网格地表大气颗粒物浓度估算;江琪 等;《气象》;第46卷(第10期);第1297-1309页 * |
基于遥感数据估算近地面PM2.5 浓度的研究进展;杨晓辉 等;《环境科学研究》;第35卷(第1期);第40-50页 * |
融合卫星遥感与地面测站的区域PM2.5反演;李同文 等;《测绘地理信息》;第40卷(第3期);第6-9页 * |
Also Published As
Publication number | Publication date |
---|---|
CN115859026A (zh) | 2023-03-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Lee et al. | Forecasting air quality in Taiwan by using machine learning | |
Sinha et al. | Assessing the spatial sensitivity of a random forest model: Application in gridded population modeling | |
Vezočnik et al. | Use of terrestrial laser scanning technology for long term high precision deformation monitoring | |
Lin et al. | Spatial variation of the relationship between PM2. 5 concentrations and meteorological parameters in China | |
Pakoksung et al. | Digital elevation models on accuracy validation and bias correction in vertical | |
Xu et al. | Estimation of ground-level PM2. 5 concentration using MODIS AOD and corrected regression model over Beijing, China | |
Qiu et al. | The performance of different mapping functions and gradient models in the determination of slant tropospheric delay | |
CN115859026B (zh) | 一种高分辨率近地面pm2.5浓度遥感反演方法及装置 | |
Antonielli et al. | A-DInSAR performance for updating landslide inventory in mountain areas: An example from lombardy region (Italy) | |
Devis et al. | A new statistical approach to downscale wind speed distributions at a site in northern Europe | |
Agarwal et al. | Accuracy assessment of the CARTOSAT DEM using robust statistical measures | |
Sá et al. | Approach to leveraging real-time GNSS tomography usage | |
Zheng et al. | Machine Learning‐Based Model for Real‐Time GNSS Precipitable Water Vapor Sensing | |
Pakoksung et al. | Assessment and comparison of Digital Elevation Model (DEM) products in varying topographic, land cover regions and its attribute: a case study in Shikoku Island Japan | |
Bednarik et al. | Different ways of landslide geometry interpretation in a process of statistical landslide susceptibility and hazard assessment: Horná Súča (western Slovakia) case study | |
Ansari et al. | Monitoring and prediction of precipitable water vapor using GPS data in Turkey | |
Jing et al. | A comparison of ecv and smos soil moisture products based on oznet monitoring network | |
Polcari et al. | Thirty years of volcano geodesy from space at Campi Flegrei caldera (Italy) | |
Jing et al. | Estimating PM2. 5 concentrations in a central region of China using a three-stage model | |
Zhang et al. | A new hybrid observation GNSS tomography method combining the real and virtual inverted signals | |
Tyralis et al. | Merging satellite and gauge-measured precipitation using LightGBM with an emphasis on extreme quantiles | |
Shen et al. | Boundary-included enhanced water storage changes inferred by GPS in the Pacific rim of the western United States | |
Manisa et al. | Developing local geoid model to assess accuracy of orthometric heights from GPS-based ellipsoidal heights in Botswana | |
Chen et al. | A New Vegetation Observable Derived from Spaceborne GNSS-R and Its Application to Vegetation Water Content Retrieval | |
van Beekvelt et al. | Towards high-resolution gridded climatology stemming from the combination of official and crowdsourced weather observations using multi-fidelity methods |
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 |