CN116297288A - 大气甲烷干空气混合比的快速遥感反演方法及系统 - Google Patents
大气甲烷干空气混合比的快速遥感反演方法及系统 Download PDFInfo
- Publication number
- CN116297288A CN116297288A CN202310586947.4A CN202310586947A CN116297288A CN 116297288 A CN116297288 A CN 116297288A CN 202310586947 A CN202310586947 A CN 202310586947A CN 116297288 A CN116297288 A CN 116297288A
- Authority
- CN
- China
- Prior art keywords
- mixing ratio
- inversion
- methane
- model
- atmospheric
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 title claims abstract description 396
- 238000000034 method Methods 0.000 title claims abstract description 27
- 230000035945 sensitivity Effects 0.000 claims abstract description 34
- 230000005855 radiation Effects 0.000 claims abstract description 29
- 230000005540 biological transmission Effects 0.000 claims abstract description 26
- 238000010521 absorption reaction Methods 0.000 claims abstract description 16
- 238000012549 training Methods 0.000 claims abstract description 13
- 238000012216 screening Methods 0.000 claims abstract description 11
- 230000008859 change Effects 0.000 claims description 51
- 239000007789 gas Substances 0.000 claims description 32
- 239000000443 aerosol Substances 0.000 claims description 24
- 238000002310 reflectometry Methods 0.000 claims description 21
- 238000010801 machine learning Methods 0.000 claims description 20
- 230000003287 optical effect Effects 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 9
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 claims description 8
- 229910002091 carbon monoxide Inorganic materials 0.000 claims description 8
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Chemical compound O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 8
- 238000002329 infrared spectrum Methods 0.000 claims description 7
- 230000010354 integration Effects 0.000 claims description 6
- 238000007637 random forest analysis Methods 0.000 description 7
- 238000003062 neural network model Methods 0.000 description 6
- 238000012706 support-vector machine Methods 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 5
- 238000004088 simulation Methods 0.000 description 5
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 4
- 238000005316 response function Methods 0.000 description 4
- 238000001514 detection method Methods 0.000 description 3
- 239000005431 greenhouse gas Substances 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 229910002092 carbon dioxide Inorganic materials 0.000 description 2
- 239000001569 carbon dioxide Substances 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 239000003245 coal Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000000873 masking effect Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000010206 sensitivity analysis Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
- G01N21/3504—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light for analysing gases, e.g. multi-gas analysis
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
- G01S19/38—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system
- G01S19/39—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system the satellite radio beacon positioning system transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
-
- 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)
- Radar, Positioning & Navigation (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Remote Sensing (AREA)
- General Health & Medical Sciences (AREA)
- Pathology (AREA)
- Health & Medical Sciences (AREA)
- Immunology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Biochemistry (AREA)
- General Engineering & Computer Science (AREA)
- Analytical Chemistry (AREA)
- Chemical & Material Sciences (AREA)
- Evolutionary Computation (AREA)
- Computer Networks & Wireless Communication (AREA)
- Computing Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Medical Informatics (AREA)
- Algebra (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Databases & Information Systems (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明提供了一种大气甲烷干空气混合比的快速遥感反演方法及系统，包括：利用辐射传输模型基于待模拟的波长序列获取短波红外波段痕量气体的吸收特性；基于获取的短波红外波段痕量气体的吸收特性筛选用于大气甲烷混合比反演的高光谱卫星高低敏感通道对；在卫星观测高光谱辐亮度数据中提取高光谱卫星高低敏感通道对，构建可反演像元判别数据集与甲烷浓度估算数据集；构建用于大气甲烷混合比反演的统计关系模型，并利用可反演像元判别数据集与甲烷浓度估算数据集对构建的用于大气甲烷混合比反演的统计关系模型进行训练；实时获取短波红外高光谱卫星的辐亮度观测数据，利用训练后的统计关系模型完成大气甲烷干空气混合比的快速反演。
Description
技术领域
本发明涉及温室气体遥感监测领域，具体地，涉及大气甲烷干空气混合比的快速遥感反演方法及系统。
背景技术
甲烷，作为大气中主要温室气体之一，其单位浓度的温室效应是二氧化碳的25倍，同时也是仅次于二氧化碳的长寿命温室气体。大气中甲烷气体主要是通过农业、畜牧业、煤炭生产和垃圾堆放等方式产生。因此，甲烷探测对于全球气候和环境变化等研究具有重要的现实意义，同时也关系到国家安全、战略外交和可持续发展。卫星观测具备覆盖范围广和观测频率高等诸多优势，可在全球尺度上对大气温室气体开展全方位、长时序的持续监测。卫星遥感反演甲烷浓度数据的精度质量受卫星传感器波段配置和反演算法设计的影响较大。短波红外波段对近地面大气甲烷浓度变化较为敏感，是卫星遥感反演甲烷浓度的关键通道。然而，在短波红外通道范围，卫星观测光谱同样易受到其他吸收性气体、温湿度、云和气溶胶、地表参数的干扰，这些因素增加了对大气甲烷浓度探测的不确定性。另外，由于卫星高光谱观测数据波段信息复杂冗余，对目标气体的探测往往只集中于有限的波段。
基于甲烷气体在短波红外的吸收特性，目前常利用以最优估计为代表的全物理模型开展大气甲烷干空气混合比的定量反演。然而，最优估计方法对输入数据的限制比较严苛，要求先验背景场必须在统计意义上最能代表待反演参数的真实状态，初始估计廓线不能过度偏离真实情况。同时，反演算法涉及优化迭代过程，辐射传输模拟、雅克比矩阵计算需要耗费较长时间。这些因素是目前利用全物理模型反演大尺度甲烷浓度数据的主要限制。
针对上述问题，目前亟需一套能够同步解决以下技术问题的技术方案：
（1）如何克服全物理反演模型的计算效率问题；
（2）如何提高复杂地表的反演精度；
以满足区域大气甲烷干空气混合比的近实时快速反演。
专利文献CN113624694A（申请号：202111178987.2）公开了一种大气甲烷浓度的反演方法和装置，涉及环境监测的技术领域，包括：获取待监测区域的样本输入数据和样本标定数据；利用PCA算法，对样本输入数据进行降维处理，得到降维样本输入数据；利用降维样本输入数据和样本标定数据，对预设XGBoost模型进行训练，得到目标XGBoost模型；在获取到待监测区域的当前输入数据之后，利用PCA算法，对当前输入数据进行降维处理，得到降维当前输入数据；将降维当前输入数据输入目标XGBoost模型，得到待监测区域的当前大气甲烷柱浓度。
发明内容
针对现有技术中的缺陷，本发明的目的是提供一种大气甲烷干空气混合比的快速遥感反演方法及系统。
根据本发明提供的一种大气甲烷干空气混合比的快速遥感反演方法，包括：
步骤S1：利用辐射传输模型基于待模拟的波长序列获取短波红外波段痕量气体的吸收特性；
步骤S2：基于获取的短波红外波段痕量气体的吸收特性筛选用于大气甲烷混合比反演的高光谱卫星高低敏感通道对；
步骤S3：在卫星观测高光谱辐亮度数据中提取高光谱卫星高低敏感通道对，构建可反演像元判别数据集与甲烷浓度估算数据集；
步骤S4：构建用于大气甲烷混合比反演的统计关系模型，并利用可反演像元判别数据集与甲烷浓度估算数据集对构建的用于大气甲烷混合比反演的统计关系模型进行训练；
步骤S5：实时获取短波红外高光谱卫星的辐亮度观测数据，利用训练后的统计关系模型完成大气甲烷干空气混合比的快速反演；
所述辐射传输模型是实现短波红外光谱逐线积分的辐射传输模型；
所述统计关系模型包括可反演像元识别模型和大气甲烷混合比估算模型，是具有拟合特性的机器学习模型，以实现回归和分类的目的。
优选地，所述步骤S1采用：分别改变辐射传输模型中甲烷垂直廓线浓度、水汽垂直廓线浓度、一氧化碳垂直廓线浓度、地表反射率以及气溶胶光学厚度的参数设置，分别计算相对短波红外辐亮度的一阶导数，获得随波长序列变化的辐亮度改变量。
优选地，所述步骤S2采用：
步骤S2.1：基于辐亮度改变量，分别定义改变量高于预设分位和低于预设分位的对应波长为输入变量的高敏感通道和低敏感通道；
步骤S2.2：将既属于甲烷浓度高敏感通道又属于其他气体的低敏感通道的波长定义为用于反演的高敏感通道，将既属于甲烷浓度低敏感通道又属于其他气体的低通道波段的波长定义为用于反演的低敏感通道；
步骤S2.3：分别计算各个反演的高敏感通道与反演的低敏感通道之间的相对波长距离、气溶胶参数改变量距离以及地表反射率参数改变量距离；
步骤S2.4：为每一个反演的高敏感通道配置一个波长距离、气溶胶参数改变量距离、地表反射率参数改变量距离相对最小的低敏感通道，组成反演通道对。
优选地，所述步骤S3采用：将高低敏感通道对所观测的辐亮度数据进行比值处理，并根据目标值分为可反演像元识别数据集与甲烷浓度估算数据集，分别用于可反演像元的识别和甲烷混合比反演。
优选地，所述步骤S4采用：所述用于大气甲烷混合比反演的统计关系模型包括可反演像元识别模型和大气甲烷混合比估算模型；
所述可反演像元识别模型是通过输入数据集所构建的先验统计关系实现判别卫星观测像元中可用于大气甲烷混合比浓度反演的像元的目的；
所述大气甲烷混合比估算模型是通过输入数据集所构建的先验统计关系实现大气甲烷混合比浓度估算的目的；
所述可反演像元识别模型采用：
其中，
表示是否为可反演甲烷浓度像元的判别样本，/>
表示观测辐亮度比值，
表示以相对湿度、风场为主的实时气象变量，/>
表示以土地利用、表面高程为主的地理特征变量；/>
表示具有拟合特性的机器学习模型，以实现数据分类的目的；
所述大气甲烷混合比估算模型采用：
其中，
表示大气甲烷干空气混合比；/>
表示经过可反演像元识别模型筛选后的观测辐亮度比值；/>
表示与/>
对应的实时气象变量；/>
表示与/>
对应的地理特征变量；/>
表示具有拟合特性的机器学习模型，以实现数据回归的目的。
优选地，所述步骤S5采用：获取短波红外高光谱卫星所观测的辐亮度数据，提取对应的通道组合，计算高低敏感通的辐亮度比值，将太阳天顶角或观测天顶角大于预设值的像元进行掩膜剔除；利用训练后的可反演像元识别模型剔除不可反演的像元；利用训练后的大气甲烷混合比估算模型完成大气甲烷浓度实时反演。
根据本发明提供的一种大气甲烷干空气混合比的快速遥感反演系统，包括：
模块M1：利用辐射传输模型基于待模拟的波长序列获取短波红外波段痕量气体的吸收特性；
模块M2：基于获取的短波红外波段痕量气体的吸收特性筛选用于大气甲烷混合比反演的高光谱卫星高低敏感通道对；
模块M3：在卫星观测高光谱辐亮度数据中提取高光谱卫星高低敏感通道对，构建可反演像元判别数据集与甲烷浓度估算数据集；
模块M4：构建用于大气甲烷混合比反演的统计关系模型，并利用可反演像元判别数据集与甲烷浓度估算数据集对构建的用于大气甲烷混合比反演的统计关系模型进行训练；
模块M5：实时获取短波红外高光谱卫星的辐亮度观测数据，利用训练后的统计关系模型完成大气甲烷干空气混合比的快速反演；
所述辐射传输模型是实现短波红外光谱逐线积分的辐射传输模型；
所述统计关系模型包括可反演像元识别模型和大气甲烷混合比估算模型，是具有拟合特性的机器学习模型，以实现回归和分类的目的。
优选地，所述模块M1采用：分别改变辐射传输模型中甲烷垂直廓线浓度、水汽垂直廓线浓度、一氧化碳垂直廓线浓度、地表反射率以及气溶胶光学厚度的参数设置，分别计算相对短波红外辐亮度的一阶导数，获得随波长序列变化的辐亮度改变量；
所述模块M2采用：
模块M2.1：基于辐亮度改变量，分别定义改变量高于预设分位和低于预设分位的对应波长为输入变量的高敏感通道和低敏感通道；
模块M2.2：将既属于甲烷浓度高敏感通道又属于其他气体的低敏感通道的波长定义为用于反演的高敏感通道，将既属于甲烷浓度低敏感通道又属于其他气体的低通道波段的波长定义为用于反演的低敏感通道；
模块M2.3：分别计算各个反演的高敏感通道与反演的低敏感通道之间的相对波长距离、气溶胶参数改变量距离以及地表反射率参数改变量距离；
模块M2.4：为每一个反演的高敏感通道配置一个波长距离、气溶胶参数改变量距离、地表反射率参数改变量距离相对最小的低敏感通道，组成反演通道对。
优选地，所述模块M3采用：将高低敏感通道对所观测的辐亮度数据进行比值处理，并根据目标值分为可反演像元识别数据集与甲烷浓度估算数据集，分别用于可反演像元的识别和甲烷混合比反演；
所述模块M4采用：所述用于大气甲烷混合比反演的统计关系模型包括可反演像元识别模型和大气甲烷混合比估算模型；
所述可反演像元识别模型是通过输入数据集所构建的先验统计关系实现判别卫星观测像元中可用于大气甲烷混合比浓度反演的像元的目的；
所述大气甲烷混合比估算模型是通过输入数据集所构建的先验统计关系实现大气甲烷混合比浓度估算的目的；
所述可反演像元识别模型采用：
其中，
表示是否为可反演甲烷浓度像元的判别样本，/>
表示观测辐亮度比值，
表示以相对湿度、风场为主的实时气象变量，/>
表示以土地利用、表面高程为主的地理特征变量；/>
表示具有拟合特性的机器学习模型，以实现数据分类的目的；
所述大气甲烷混合比估算模型采用：
其中，
表示大气甲烷干空气混合比；/>
表示经过可反演像元识别模型筛选后的观测辐亮度比值；/>
表示与/>
对应的实时气象变量；/>
表示与/>
对应的地理特征变量；/>
表示具有拟合特性的机器学习模型，以实现数据回归的目的。
优选地，所述模块M5采用：获取短波红外高光谱卫星所观测的辐亮度数据，提取对应的通道组合，计算高低敏感通的辐亮度比值，将太阳天顶角或观测天顶角大于预设值的像元进行掩膜剔除；利用训练后的可反演像元识别模型剔除不可反演的像元；利用训练后的大气甲烷混合比估算模型完成大气甲烷浓度实时反演。
与现有技术相比，本发明具有如下的有益效果：
1、本发明通过高光谱卫星高低敏感通道对的筛选与处理，增强甲烷浓度对于短波红外光谱信号的敏感性，通过基于机器学习的统计关系模型构建，实现了大气甲烷干空气混合比的快速遥感反演，解决现有全物理反演模型效率低下的关键技术问题；
2、本发明可实现短波红外高光谱卫星的大气甲烷干空气混合比反演，尤其是解决了传统全物理反演算法计算效率低下的关键技术问题。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：
图1是本发明的一种大气甲烷干空气混合比的快速遥感反演方法的流程示意图；
图2是本发明中利用该技术估算大气甲烷干空气混合比的精度验证散点图。
具体实施方式
下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明，但不以任何形式限制本发明。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变化和改进。这些都属于本发明的保护范围。
实施例1
根据本发明提供的一种大气甲烷干空气混合比的快速遥感反演方法，包括：
步骤S1：利用辐射传输模型基于待模拟的波长序列获取短波红外波段痕量气体的吸收特性；
步骤S2：基于获取的短波红外波段痕量气体的吸收特性筛选用于大气甲烷混合比反演的高光谱卫星高低敏感通道对；
步骤S3：在卫星观测高光谱辐亮度数据中提取高光谱卫星高低敏感通道对，构建可反演像元判别数据集与甲烷浓度估算数据集；
步骤S4：构建用于大气甲烷混合比反演的统计关系模型，并利用可反演像元判别数据集与甲烷浓度估算数据集对构建的用于大气甲烷混合比反演的统计关系模型进行训练；
步骤S5：实时获取短波红外高光谱卫星的辐亮度观测数据，利用训练后的统计关系模型完成大气甲烷干空气混合比的快速反演；
所述辐射传输模型是实现短波红外光谱逐线积分的辐射传输模型；
所述统计关系模型包括可反演像元识别模型和大气甲烷混合比估算模型，是具有拟合特性的机器学习模型，以实现回归和分类的目的，包括但不限于随机森林、支持向量机和神经网络模型等。
具体地，所述步骤S1采用：根据短波红外高光谱卫星平台所提供的波段响应函数与波段设置信息，进行辐射传输模式模拟，分别改变辐射传输模型中甲烷垂直廓线浓度、水汽垂直廓线浓度、一氧化碳垂直廓线浓度、地表反射率以及气溶胶光学厚度的参数设置，分别计算相对短波红外辐亮度的一阶导数，获得随波长序列变化的辐亮度改变量。
具体地，所述步骤S2采用：
步骤S2.1：基于辐亮度改变量，分别定义改变量高于90%分位和低于10%分位的对应波长为输入变量的高敏感通道和低敏感通道；
步骤S2.2：将既属于甲烷浓度高敏感通道又属于其他气体的低敏感通道的波长定义为用于反演的高敏感通道，将既属于甲烷浓度低敏感通道又属于大气中除了甲烷的其他气体的低通道波段的波长定义为用于反演的低敏感通道；
步骤S2.3：分别计算各个反演的高敏感通道与反演的低敏感通道之间的相对波长距离、气溶胶参数改变量距离以及地表反射率参数改变量距离；
步骤S2.4：为每一个反演的高敏感通道配置一个波长距离、气溶胶参数改变量距离、地表反射率参数改变量距离相对最小的低敏感通道，组成反演通道对。
具体地，所述模块M3采用：将高低敏感通道对所观测的辐亮度数据进行比值处理，并根据目标值分为可反演像元识别数据集与甲烷浓度估算数据集，分别用于可反演像元的识别和甲烷混合比反演。
具体地，所述模块M4采用：所述用于大气甲烷混合比反演的统计关系模型包括可反演像元识别模型和大气甲烷混合比估算模型；
所述可反演像元识别模型是通过输入数据集所构建的先验统计关系实现判别卫星观测像元中可用于大气甲烷混合比浓度反演的像元的目的；
所述大气甲烷混合比估算模型是通过输入数据集所构建的先验统计关系实现大气甲烷混合比浓度估算的目的；
所述可反演像元识别模型采用：
其中，
表示是否为可反演甲烷浓度像元的判别样本，/>
表示观测辐亮度比值，
表示以相对湿度、风场为主的实时气象变量，/>
表示以土地利用、表面高程为主的地理特征变量；/>
表示具有拟合特性的机器学习模型，以实现数据分类的目的，包括但不限于随机森林、支持向量机和神经网络模型等，用于可反演像元识别；
所述大气甲烷混合比估算模型采用：
其中，
表示大气甲烷干空气混合比；/>
表示经过可反演像元识别模型筛选后的观测辐亮度比值；/>
表示与/>
对应的实时气象变量；/>
表示与/>
对应的地理特征变量；/>
表示具有拟合特性的机器学习模型，以实现数据回归的目的，包括但不限于随机森林、支持向量机和神经网络模型等，用于大气甲烷混合比估算。
具体地，所述模块M5采用：获取短波红外高光谱卫星所观测的辐亮度数据，提取对应的通道组合，计算高低敏感通的辐亮度比值，将太阳天顶角或观测天顶角大于预设值的像元进行掩膜剔除；利用训练后的可反演像元识别模型剔除不可反演的像元；利用训练后的大气甲烷混合比估算模型完成大气甲烷浓度实时反演。
根据本发明提供的一种大气甲烷干空气混合比的快速遥感反演系统，包括：
模块M1：利用辐射传输模型基于待模拟的波长序列获取短波红外波段痕量气体的吸收特性；
模块M2：基于获取的短波红外波段痕量气体的吸收特性筛选用于大气甲烷混合比反演的高光谱卫星高低敏感通道对；
模块M3：在卫星观测高光谱辐亮度数据中提取高光谱卫星高低敏感通道对，构建可反演像元判别数据集与甲烷浓度估算数据集；
模块M4：构建用于大气甲烷混合比反演的统计关系模型，并利用可反演像元判别数据集与甲烷浓度估算数据集对构建的用于大气甲烷混合比反演的统计关系模型进行训练；
模块M5：实时获取短波红外高光谱卫星的辐亮度观测数据，利用训练后的统计关系模型完成大气甲烷干空气混合比的快速反演；
所述辐射传输模型是实现短波红外光谱逐线积分的辐射传输模型；
所述统计关系模型包括可反演像元识别模型和大气甲烷混合比估算模型，是具有拟合特性的机器学习模型，以实现回归和分类的目的，包括但不限于随机森林、支持向量机和神经网络模型等。
具体地，所述模块M1采用：根据短波红外高光谱卫星平台所提供的波段响应函数与波段设置信息，进行辐射传输模式模拟，分别改变辐射传输模型中甲烷垂直廓线浓度、水汽垂直廓线浓度、一氧化碳垂直廓线浓度、地表反射率以及气溶胶光学厚度的参数设置，分别计算相对短波红外辐亮度的一阶导数，获得随波长序列变化的辐亮度改变量。
具体地，所述模块M2采用：
模块M2.1：基于辐亮度改变量，分别定义改变量高于90%分位和低于10%分位的对应波长为输入变量的高敏感通道和低敏感通道；
模块M2.2：将既属于甲烷浓度高敏感通道又属于其他气体的低敏感通道的波长定义为用于反演的高敏感通道，将既属于甲烷浓度低敏感通道又属于大气中除了甲烷的其他气体的低通道波段的波长定义为用于反演的低敏感通道；
模块M2.3：分别计算各个反演的高敏感通道与反演的低敏感通道之间的相对波长距离、气溶胶参数改变量距离以及地表反射率参数改变量距离；
模块M2.4：为每一个反演的高敏感通道配置一个波长距离、气溶胶参数改变量距离、地表反射率参数改变量距离相对最小的低敏感通道，组成反演通道对。
具体地，所述模块M3采用：将高低敏感通道对所观测的辐亮度数据进行比值处理，并根据目标值分为可反演像元识别数据集与甲烷浓度估算数据集，分别用于可反演像元的识别和甲烷混合比反演。
具体地，所述模块M4采用：所述用于大气甲烷混合比反演的统计关系模型包括可反演像元识别模型和大气甲烷混合比估算模型；
所述可反演像元识别模型是通过输入数据集所构建的先验统计关系实现判别卫星观测像元中可用于大气甲烷混合比浓度反演的像元的目的；
所述大气甲烷混合比估算模型是通过输入数据集所构建的先验统计关系实现大气甲烷混合比浓度估算的目的；
所述可反演像元识别模型采用：
其中，
表示是否为可反演甲烷浓度像元的判别样本，/>
表示观测辐亮度比值，
表示以相对湿度、风场为主的实时气象变量，/>
表示以土地利用、表面高程为主的地理特征变量；/>
表示具有拟合特性的机器学习模型，以实现数据分类的目的，包括但不限于随机森林、支持向量机和神经网络模型等，用于可反演像元识别；
所述大气甲烷混合比估算模型采用：
其中，
表示大气甲烷干空气混合比；/>
表示经过可反演像元识别模型筛选后的观测辐亮度比值；/>
表示与/>
对应的实时气象变量；/>
表示与/>
对应的地理特征变量；/>
表示具有拟合特性的机器学习模型，以实现数据回归的目的，包括但不限于随机森林、支持向量机和神经网络模型等，用于大气甲烷混合比估算。
具体地，所述模块M5采用：获取短波红外高光谱卫星所观测的辐亮度数据，提取对应的通道组合，计算高低敏感通的辐亮度比值，将太阳天顶角或观测天顶角大于预设值的像元进行掩膜剔除；利用训练后的可反演像元识别模型剔除不可反演的像元；利用训练后的大气甲烷混合比估算模型完成大气甲烷浓度实时反演。
实施例2
实施例2是实施例1的优选例
本发明提出一种大气甲烷干空气混合比的快速遥感反演方法，如图1至2所示，解决当前全物理反演模型效率低下的关键技术问题，具体涉及大气参数反演、辐射传输模拟、深度学习建模等相关技术，包括以下步骤：
步骤1：利用在线辐射传输模型，提出一种短波红外高光谱波段的敏感性检验方法，用于筛选大气甲烷混合比的反演波段。
具体地，所述步骤1采用：
步骤1.1：根据短波红外高光谱卫星平台（以Sentinel-5P/TROPOMI为例）所提供的波段响应函数与波段配置信息，得到需模拟的波长序列；
步骤1.2：拟定辐射传输模式（以SCIATRAN v4.5为例）的输入参数，包括：太阳与卫星的几何参数、光谱响应函数与波长序列、气溶胶参数化方案与气溶胶光学厚度、地表反射率、吸收性气体的垂直廓线、表面高程等必要的模式参数；
步骤1.3：改变其中可影响卫星接收短波红外波段（以Sentinel-5P/TROPOMI为例，2305~2385nm）辐亮度的地表与大气参数设置，进行敏感性模拟实验，其中需变更的参数包括：甲烷垂直廓线浓度、水汽垂直廓线浓度、一氧化碳垂直廓线浓度、地表反射率、气溶胶光学厚度；
步骤1.4：根据辐射传输结果，分别计算上述五类输入参数相对短波红外模拟辐亮度的一阶导数，得到随波长序列变化的辐亮度改变量。
步骤2：依据短波红外波段对大气甲烷的线性吸收特性，本发明提出一种高光谱卫星高低敏感通道筛选与配对方法，用于大气甲烷混合比的快速反演。
具体地，所述步骤2采用：
步骤2.1：基于步骤1所得到的辐亮度改变量，分别定义改变量高于90%分位和低于10%分位的对应波长为输入变量的高敏感通道和低敏感通道；
步骤2.2：在上述波长中，既属于甲烷浓度高敏感通道又属于其他两种气体（包括水汽与一氧化碳）的低敏感通道的波长定义为用于反演的高敏感通道，既属于甲烷浓度低敏感通道又属于其他两种气体的低通道波段的波长定义为用于反演的低敏感通道；
步骤2.3：分别计算各个反演的高敏感通道与反演的低敏感通道之间的相对波长距离、气溶胶参数改变量距离、地表反射率参数改变量距离；
步骤2.4：基于计算结果，为每一个反演的高敏感通道配置一个波长距离、气溶胶参数改变量距离、地表反射率参数改变量距离相对最小的低敏感通道，组成反演通道对。
步骤3：基于步骤2所得到的高低敏感波长，对高光谱卫星观测辐亮度数据进行提取与时空匹配，构建可反演像元判别数据集与甲烷浓度估算数据集，用于机器学习模型训练。
具体地，所述步骤3采用：
步骤3.1：获取Sentinel-5P/TROPOMI卫星高光谱短波红外波段的辐亮度观测资料（短波红外波段观测的物理量），根据以下公式将光子辐射
转换为能量辐射/>
：
其中
为阿伏伽德罗常数，/>
为普朗克常数，/>
为光速，/>
为波长；
步骤3.2：获取Sentinel-5P/TROPOMI卫星官方反演大气甲烷混合比数据资料，并通过质量控制字段剔除异常反演结果；
步骤3.3：将观测辐亮度数据资料分为可反演像元与不可反演像元，可反演像元同时记录所反演的甲烷混合比浓度；
步骤3.4：将高低敏感通道对所观测的辐亮度数据进行比值计算，并根据目标值分为可反演像元判别数据集与甲烷浓度估算数据集，分别用于可反演像元的识别和甲烷混合比反演；
步骤3.5：根据数据集中像元的地理经纬度信息，匹配最近邻的辅助变量，如，以相对湿度、风场为主的实时气象变量
，以土地利用、表面高程为主的地理特征变量/>
。
步骤4：结合步骤3所得到的可反演像元判别数据集与甲烷浓度估算数据集，建立基于数据驱动的统计关系模型，用于大气甲烷混合比的反演。
具体地，所述步骤4采用：
步骤4.1：构建可用于判别是否为可反演像元的分类模型，剔除云覆盖等原因而不可反演的像元：
其中，
为高低敏感通道对波长观测辐亮度比值。随机留取10~20%的训练数据作为模型估算精度交叉检验的验证集，用于验证模型的泛化能力；
步骤4.2：构建大气甲烷混合比估算的回归模型，用于反演大气甲烷浓度：
其中，
为模型fc标记筛选后的高低敏感通道对波长观测辐亮度比值。随机留取10~20%的训练数据作为模型估算精度交叉检验的验证集，用于验证模型的泛化能力；
步骤4.3：将训练数据集输入统计关系模型（以随机森林为例）中进行模型参数训练，开展建模变量敏感性分析，通过计算输入变量的相对重要性，逐步剔除对建模精度无显著贡献的变量，优化模型结构；
步骤5：使用步骤4所构建的模型，对短波红外高光谱卫星所观测的数据进行大气甲烷混合比的实时快速反演。
具体地，所述步骤5采用：
步骤5.1：实时获取短波红外高光谱卫星所观测的辐亮度数据，并提取对应的通道组合，计算高低敏感通的辐亮度比值；
步骤5.2：将太阳天顶角或观测天顶角大于75º的像元进行掩膜剔除，以消除天顶角过大而造成反演结果不确定性增大的情况；
步骤5.3：应用可反演像元识别模型，剔除云覆盖等原因而不可反演的像元；
步骤5.4：应用大气甲烷混合比估算模型，完成大气甲烷浓度实时反演。
本领域技术人员知道，除了以纯计算机可读程序代码方式实现本发明提供的系统、装置及其各个模块以外，完全可以通过将方法步骤进行逻辑编程来使得本发明提供的系统、装置及其各个模块以逻辑门、开关、专用集成电路、可编程逻辑控制器以及嵌入式微控制器等的形式来实现相同程序。所以，本发明提供的系统、装置及其各个模块可以被认为是一种硬件部件，而对其内包括的用于实现各种程序的模块也可以视为硬件部件内的结构；也可以将用于实现各种功能的模块视为既可以是实现方法的软件程序又可以是硬件部件内的结构。
以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变化或修改，这并不影响本发明的实质内容。在不冲突的情况下，本申请的实施例和实施例中的特征可以任意相互组合。
Claims (10)
1.一种大气甲烷干空气混合比的快速遥感反演方法，其特征在于，包括：
步骤S1：利用辐射传输模型基于待模拟的波长序列获取短波红外波段痕量气体的吸收特性；
步骤S2：基于获取的短波红外波段痕量气体的吸收特性筛选用于大气甲烷混合比反演的高光谱卫星高低敏感通道对；
步骤S3：在卫星观测高光谱辐亮度数据中提取高光谱卫星高低敏感通道对，构建可反演像元判别数据集与甲烷浓度估算数据集；
步骤S4：构建用于大气甲烷混合比反演的统计关系模型，并利用可反演像元判别数据集与甲烷浓度估算数据集对构建的用于大气甲烷混合比反演的统计关系模型进行训练；
步骤S5：实时获取短波红外高光谱卫星的辐亮度观测数据，利用训练后的统计关系模型完成大气甲烷干空气混合比的快速反演；
所述辐射传输模型是实现短波红外光谱逐线积分的辐射传输模型；
所述统计关系模型包括可反演像元识别模型和大气甲烷混合比估算模型，是具有拟合特性的机器学习模型，以实现回归和分类的目的。
2.根据权利要求1所述的大气甲烷干空气混合比的快速遥感反演方法，其特征在于，所述步骤S1采用：分别改变辐射传输模型中甲烷垂直廓线浓度、水汽垂直廓线浓度、一氧化碳垂直廓线浓度、地表反射率以及气溶胶光学厚度的参数设置，分别计算相对短波红外辐亮度的一阶导数，获得随波长序列变化的辐亮度改变量。
3.根据权利要求1所述的大气甲烷干空气混合比的快速遥感反演方法，其特征在于，所述步骤S2采用：
步骤S2.1：基于辐亮度改变量，分别定义改变量高于预设分位和低于预设分位的对应波长为输入变量的高敏感通道和低敏感通道；
步骤S2.2：将既属于甲烷浓度高敏感通道又属于其他气体的低敏感通道的波长定义为用于反演的高敏感通道，将既属于甲烷浓度低敏感通道又属于其他气体的低通道波段的波长定义为用于反演的低敏感通道；
步骤S2.3：分别计算各个反演的高敏感通道与反演的低敏感通道之间的相对波长距离、气溶胶参数改变量距离以及地表反射率参数改变量距离；
步骤S2.4：为每一个反演的高敏感通道配置一个波长距离、气溶胶参数改变量距离、地表反射率参数改变量距离相对最小的低敏感通道，组成反演通道对。
4.根据权利要求1所述的大气甲烷干空气混合比的快速遥感反演方法，其特征在于，所述步骤S3采用：将高低敏感通道对所观测的辐亮度数据进行比值处理，并根据目标值分为可反演像元识别数据集与甲烷浓度估算数据集，分别用于可反演像元的识别和甲烷混合比反演。
5.根据权利要求1所述的大气甲烷干空气混合比的快速遥感反演方法，其特征在于，所述步骤S4采用：所述用于大气甲烷混合比反演的统计关系模型包括可反演像元识别模型和大气甲烷混合比估算模型；
所述可反演像元识别模型是通过输入数据集所构建的先验统计关系实现判别卫星观测像元中可用于大气甲烷混合比浓度反演的像元的目的；
所述大气甲烷混合比估算模型是通过输入数据集所构建的先验统计关系实现大气甲烷混合比浓度估算的目的；
所述可反演像元识别模型采用：
其中，
表示是否为可反演甲烷浓度像元的判别样本，/>
表示观测辐亮度比值，/>
表示以相对湿度、风场为主的实时气象变量，/>
表示以土地利用、表面高程为主的地理特征变量；/>
表示具有拟合特性的机器学习模型，以实现数据分类的目的；
所述大气甲烷混合比估算模型采用：
其中，
表示大气甲烷干空气混合比；/>
表示经过可反演像元识别模型筛选后的观测辐亮度比值；/>
表示与/>
对应的实时气象变量；/>
表示与/>
对应的地理特征变量；/>
表示具有拟合特性的机器学习模型，以实现数据回归的目的。
6.根据权利要求1所述的大气甲烷干空气混合比的快速遥感反演方法，其特征在于，所述步骤S5采用：获取短波红外高光谱卫星所观测的辐亮度数据，提取对应的通道组合，计算高低敏感通的辐亮度比值，将太阳天顶角或观测天顶角大于预设值的像元进行掩膜剔除；利用训练后的可反演像元识别模型剔除不可反演的像元；利用训练后的大气甲烷混合比估算模型完成大气甲烷浓度实时反演。
7.一种大气甲烷干空气混合比的快速遥感反演系统，其特征在于，包括：
模块M1：利用辐射传输模型基于待模拟的波长序列获取短波红外波段痕量气体的吸收特性；
模块M2：基于获取的短波红外波段痕量气体的吸收特性筛选用于大气甲烷混合比反演的高光谱卫星高低敏感通道对；
模块M3：在卫星观测高光谱辐亮度数据中提取高光谱卫星高低敏感通道对，构建可反演像元判别数据集与甲烷浓度估算数据集；
模块M4：构建用于大气甲烷混合比反演的统计关系模型，并利用可反演像元判别数据集与甲烷浓度估算数据集对构建的用于大气甲烷混合比反演的统计关系模型进行训练；
模块M5：实时获取短波红外高光谱卫星的辐亮度观测数据，利用训练后的统计关系模型完成大气甲烷干空气混合比的快速反演；
所述辐射传输模型是实现短波红外光谱逐线积分的辐射传输模型；
所述统计关系模型包括可反演像元识别模型和大气甲烷混合比估算模型，是具有拟合特性的机器学习模型，以实现回归和分类的目的。
8.根据权利要求7所述的大气甲烷干空气混合比的快速遥感反演系统，其特征在于，所述模块M1采用：分别改变辐射传输模型中甲烷垂直廓线浓度、水汽垂直廓线浓度、一氧化碳垂直廓线浓度、地表反射率以及气溶胶光学厚度的参数设置，分别计算相对短波红外辐亮度的一阶导数，获得随波长序列变化的辐亮度改变量；
所述模块M2采用：
模块M2.1：基于辐亮度改变量，分别定义改变量高于预设分位和低于预设分位的对应波长为输入变量的高敏感通道和低敏感通道；
模块M2.2：将既属于甲烷浓度高敏感通道又属于其他气体的低敏感通道的波长定义为用于反演的高敏感通道，将既属于甲烷浓度低敏感通道又属于其他气体的低通道波段的波长定义为用于反演的低敏感通道；
模块M2.3：分别计算各个反演的高敏感通道与反演的低敏感通道之间的相对波长距离、气溶胶参数改变量距离以及地表反射率参数改变量距离；
模块M2.4：为每一个反演的高敏感通道配置一个波长距离、气溶胶参数改变量距离、地表反射率参数改变量距离相对最小的低敏感通道，组成反演通道对。
9.根据权利要求7所述的大气甲烷干空气混合比的快速遥感反演系统，其特征在于，所述模块M3采用：将高低敏感通道对所观测的辐亮度数据进行比值处理，并根据目标值分为可反演像元识别数据集与甲烷浓度估算数据集，分别用于可反演像元的识别和甲烷混合比反演；
所述模块M4采用：所述用于大气甲烷混合比反演的统计关系模型包括可反演像元识别模型和大气甲烷混合比估算模型；
所述可反演像元识别模型是通过输入数据集所构建的先验统计关系实现判别卫星观测像元中可用于大气甲烷混合比浓度反演的像元的目的；
所述大气甲烷混合比估算模型是通过输入数据集所构建的先验统计关系实现大气甲烷混合比浓度估算的目的；
所述可反演像元识别模型采用：
其中，
表示是否为可反演甲烷浓度像元的判别样本，/>
表示观测辐亮度比值，/>
表示以相对湿度、风场为主的实时气象变量，/>
表示以土地利用、表面高程为主的地理特征变量；/>
表示具有拟合特性的机器学习模型，以实现数据分类的目的；
所述大气甲烷混合比估算模型采用：
其中，
表示大气甲烷干空气混合比；/>
表示经过可反演像元识别模型筛选后的观测辐亮度比值；/>
表示与/>
对应的实时气象变量；/>
表示与/>
对应的地理特征变量；/>
表示具有拟合特性的机器学习模型，以实现数据回归的目的。
10.根据权利要求7所述的大气甲烷干空气混合比的快速遥感反演系统，其特征在于，所述模块M5采用：获取短波红外高光谱卫星所观测的辐亮度数据，提取对应的通道组合，计算高低敏感通的辐亮度比值，将太阳天顶角或观测天顶角大于预设值的像元进行掩膜剔除；利用训练后的可反演像元识别模型剔除不可反演的像元；利用训练后的大气甲烷混合比估算模型完成大气甲烷浓度实时反演。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310586947.4A CN116297288B (zh) | 2023-05-24 | 2023-05-24 | 大气甲烷干空气混合比的快速遥感反演方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310586947.4A CN116297288B (zh) | 2023-05-24 | 2023-05-24 | 大气甲烷干空气混合比的快速遥感反演方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116297288A true CN116297288A (zh) | 2023-06-23 |
| CN116297288B CN116297288B (zh) | 2023-08-04 |
Family
ID=86801831
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310586947.4A Active CN116297288B (zh) | 2023-05-24 | 2023-05-24 | 大气甲烷干空气混合比的快速遥感反演方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116297288B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117233120A (zh) * | 2023-11-14 | 2023-12-15 | 山东大学 | 基于机器学习和高光谱图像的污染气体检测方法及系统 |
| CN117629907A (zh) * | 2023-11-23 | 2024-03-01 | 北京英视宇辰科技有限公司 | 一种高分辨率遥感识别甲烷泄露方法、系统、设备及介质 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20100231909A1 (en) * | 2004-03-06 | 2010-09-16 | Michael Trainer | Methods and apparatus for determining particle characteristics by measuring scattered light |
| US20160202225A1 (en) * | 2015-01-09 | 2016-07-14 | Case Western Reserve University | System for Detecting a Gas and Method Therefor |
| CN108090031A (zh) * | 2017-12-25 | 2018-05-29 | 航天恒星科技有限公司 | 二氧化碳浓度反演优化方法及系统 |
| 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 |
| CN113916835A (zh) * | 2021-09-02 | 2022-01-11 | 自然资源部第二海洋研究所 | 基于卫星遥感数据的大气校正方法、终端设备及存储介质 |
-
2023
- 2023-05-24 CN CN202310586947.4A patent/CN116297288B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20100231909A1 (en) * | 2004-03-06 | 2010-09-16 | Michael Trainer | Methods and apparatus for determining particle characteristics by measuring scattered light |
| US20160202225A1 (en) * | 2015-01-09 | 2016-07-14 | Case Western Reserve University | System for Detecting a Gas and Method Therefor |
| CN108090031A (zh) * | 2017-12-25 | 2018-05-29 | 航天恒星科技有限公司 | 二氧化碳浓度反演优化方法及系统 |
| 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 |
| CN113916835A (zh) * | 2021-09-02 | 2022-01-11 | 自然资源部第二海洋研究所 | 基于卫星遥感数据的大气校正方法、终端设备及存储介质 |
Non-Patent Citations (4)
| Title |
|---|
| KAIXU BAI 等: "LGHAP: the Long-term Gap-free High-resolution Air Pollutant concentration dataset, derived via tensor-flow-based multimodal data fusion", EARTH SYST. SCI. DATA, vol. 14, pages 907 * |
| 张璐颖;李雪建;杜华强;崔璐;毛方杰;刘玉莉;李阳光;朱迪恩;: "PROSPECT5耦合4SAIL模型的亚热带典型森林冠层反射率时间序列模拟", 应用生态学报, no. 08, pages 60 - 68 * |
| 申原 等: "基于随机森林的高分辨率 PM2.5 遥感反演", 集成技术, vol. 7, no. 3, pages 31 - 41 * |
| 赵靓: "基于GOSAT卫星的大气CO2和CH4遥感反演研究", 中国博士学位论文全文数据库 工程科技Ⅰ辑, no. 03, pages 41 - 83 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117233120A (zh) * | 2023-11-14 | 2023-12-15 | 山东大学 | 基于机器学习和高光谱图像的污染气体检测方法及系统 |
| CN117233120B (zh) * | 2023-11-14 | 2024-02-09 | 山东大学 | 基于机器学习和高光谱图像的污染气体检测方法及系统 |
| CN117629907A (zh) * | 2023-11-23 | 2024-03-01 | 北京英视宇辰科技有限公司 | 一种高分辨率遥感识别甲烷泄露方法、系统、设备及介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116297288B (zh) | 2023-08-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116297288B (zh) | 大气甲烷干空气混合比的快速遥感反演方法及系统 | |
| 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 | |
| CN111737913B (zh) | 一种基于云水含量反演的mwhts晴空观测亮温选择方法 | |
| CN111060992B (zh) | 星载微波双氧探测通道等权重共轭的降水检测方法及系统 | |
| CN108020322B (zh) | 煤田火区的机载热红外高光谱遥感定量探测方法 | |
| CN116486931B (zh) | 耦合物理机制的全覆盖大气甲烷浓度数据生产方法及系统 | |
| CN108152235B (zh) | 一种联合土壤室内外光谱的重金属含量反演方法 | |
| CN114460013B (zh) | 滨海湿地植被地上生物量gan模型自学习遥感反演方法 | |
| CN108872964B (zh) | 基于无人机LiDAR数据的银杏人工林郁闭度提取方法 | |
| CN105486655A (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 | |
| CN114005048A (zh) | 基于多时相数据的土地覆盖变化与热环境影响研究方法 | |
| CN113108918B (zh) | 一种极轨气象卫星热红外遥感数据反演气温方法 | |
| Wei et al. | Development and evaluation of a robust temperature sensitive algorithm for long term NO2 gas sensor network data correction | |
| CN114880933A (zh) | 一种基于再分析资料的无探空站点地基微波辐射计大气温湿廓线反演方法及系统 | |
| Lu et al. | Prediction of diffuse solar radiation by integrating radiative transfer model and machine-learning techniques | |
| CN112434569A (zh) | 一种无人机热成像系统 | |
| CN111400658B (zh) | 超光谱热红外数据反演气体廓线的通道选择方法 | |
| Chen et al. | Hyperspectral detection of sugar content for sugar-sweetened apples based on sample grouping and SPA feature selecting methods | |
| CN113935228A (zh) | 一种基于机器学习的l波段粗糙海面辐射亮温模拟方法 | |
| CN108872093B (zh) | 基于被动遥感的o4吸收校正及气溶胶消光廓线反演方法 | |
| CN114755189B (zh) | 一种特征优选的自注意力机制高光谱卫星lai反演方法 | |
| CN113311509B (zh) | 一种基于神经网络的mwhts对海面气压的敏感性测试方法 | |
| Ghiat et al. | Hyperspectral-physiological based predictive model for transpiration in greenhouses under CO2 enrichment | |
| Liu et al. | Assimilation of atmospheric infrared sounder radiances with WRF-GSI for improving typhoon forecast | |
| Sun et al. | Leaf area index remote sensing based on Deep Belief Network supported by simulation data |
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 |