CN116698691B - 大气细粒子aod反演方法、装置、电子设备及存储介质 - Google Patents
大气细粒子aod反演方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN116698691B CN116698691B CN202310946611.4A CN202310946611A CN116698691B CN 116698691 B CN116698691 B CN 116698691B CN 202310946611 A CN202310946611 A CN 202310946611A CN 116698691 B CN116698691 B CN 116698691B
- Authority
- CN
- China
- Prior art keywords
- atmospheric
- aerosol
- fine particle
- target area
- aod
- 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
- 239000010419 fine particle Substances 0.000 title claims abstract description 195
- 238000000034 method Methods 0.000 title claims abstract description 78
- 239000000443 aerosol Substances 0.000 claims abstract description 138
- 230000010287 polarization Effects 0.000 claims abstract description 126
- 239000005427 atmospheric aerosol Substances 0.000 claims abstract description 116
- 238000005315 distribution function Methods 0.000 claims abstract description 41
- 230000002457 bidirectional effect Effects 0.000 claims abstract description 39
- 230000005855 radiation Effects 0.000 claims abstract description 18
- 230000005540 biological transmission Effects 0.000 claims abstract description 16
- 238000002310 reflectometry Methods 0.000 claims description 87
- 239000002245 particle Substances 0.000 claims description 35
- 238000012545 processing Methods 0.000 claims description 16
- 238000004422 calculation algorithm Methods 0.000 claims description 15
- 238000003064 k means clustering Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 10
- 238000007621 cluster analysis Methods 0.000 claims description 9
- 239000011362 coarse particle Substances 0.000 claims description 9
- 238000012544 monitoring process Methods 0.000 abstract description 10
- 238000004364 calculation method Methods 0.000 description 14
- 230000003287 optical effect Effects 0.000 description 8
- 238000004891 communication Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- QZFAGHFGBLEISM-DBQHITQZSA-N 3-[(1r)-1-hydroxy-2-(methylamino)ethyl]phenol;4-[1-hydroxy-2-(propan-2-ylamino)butyl]benzene-1,2-diol;dihydrochloride Chemical compound Cl.Cl.CNC[C@H](O)C1=CC=CC(O)=C1.CC(C)NC(CC)C(O)C1=CC=C(O)C(O)=C1 QZFAGHFGBLEISM-DBQHITQZSA-N 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 2
- 238000003912 environmental pollution Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000005192 partition Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- GGKNTGJPGZQNID-UHFFFAOYSA-N (1-$l^{1}-oxidanyl-2,2,6,6-tetramethylpiperidin-4-yl)-trimethylazanium Chemical compound CC1(C)CC([N+](C)(C)C)CC(C)(C)N1[O] GGKNTGJPGZQNID-UHFFFAOYSA-N 0.000 description 1
- 101710194905 ARF GTPase-activating protein GIT1 Proteins 0.000 description 1
- 238000012935 Averaging Methods 0.000 description 1
- 102100035959 Cationic amino acid transporter 2 Human genes 0.000 description 1
- 102100021391 Cationic amino acid transporter 3 Human genes 0.000 description 1
- 102100021392 Cationic amino acid transporter 4 Human genes 0.000 description 1
- 101710195194 Cationic amino acid transporter 4 Proteins 0.000 description 1
- 102100029217 High affinity cationic amino acid transporter 1 Human genes 0.000 description 1
- 101710081758 High affinity cationic amino acid transporter 1 Proteins 0.000 description 1
- 206010054949 Metaplasia Diseases 0.000 description 1
- 108091006231 SLC7A2 Proteins 0.000 description 1
- 108091006230 SLC7A3 Proteins 0.000 description 1
- 208000006673 asthma Diseases 0.000 description 1
- 210000000621 bronchi Anatomy 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000002526 effect on cardiovascular system Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 210000002345 respiratory system Anatomy 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
- 238000002834 transmittance Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
- G01N15/06—Investigating concentration of particle suspensions
-
- 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
- G01N21/21—Polarisation-affecting properties
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- 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)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Chemical & Material Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Analytical Chemistry (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
- Software Systems (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Dispersion Chemistry (AREA)
- Pure & Applied Mathematics (AREA)
- Databases & Information Systems (AREA)
- Computational Mathematics (AREA)
- Probability & Statistics with Applications (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Algebra (AREA)
Abstract
本发明提供一种大气细粒子AOD反演方法、装置、电子设备及存储介质,属于卫星遥感技术领域,所述方法包括:基于目标区域的地面气溶胶遥感观测数据,确定所述目标区域的大气气溶胶模式;基于所述目标区域的大气气溶胶模式和矢量辐射传输模型,构建所述目标区域的大气气溶胶参数查找表;利用卫星观测几何参数信息、所述目标区域的地表类型、所述大气气溶胶参数查找表和地表双向偏振分布函数模型进行大气细粒子AOD反演,得到所述目标区域的大气细粒子AOD。本发明可以精确地反演目标区域的大气细粒子AOD,有效监测目标区域大气细粒子AOD的空间分布情况,为目标区域的大气质量监测提供有效的技术支撑。
Description
技术领域
本发明涉及卫星遥感技术领域,尤其涉及一种大气细粒子AOD反演方法、装置、电子设备及存储介质。
背景技术
大气气溶胶通常是指悬浮于大气中的微小粒子,粒径范围可以从0.001μm到几十微米,作为地-气系统的重要组成部分,它主要通过直接辐射强迫和间接辐射强迫影响着气候。大气气溶胶同时具有显著的环境效应,直径在10μm以下的气溶胶颗粒物(PM10)可到达人类呼吸系统的支气管区;直径小于2.5μm的气溶胶颗粒(PM2.5)微粒可到达肺泡区,最终导致心血管和哮喘疾病的增加,直接对人类健康造成显著的影响,威胁着人类的生存与社会可持续发展。
澜湄流域的大气环境污染问题是人类关注的重点之一,如何对澜湄流域的大气质量进行有效监测已成为业界重点关注的技术问题。而大气细粒子气溶胶光学厚度(AerosolOptical Depth,AOD)可以很好地体现大气环境污染的程度,因此,研究澜湄流域的大气细粒子AOD对于有效监测相关目标区域的大气质量具有重要意义。
发明内容
本发明提供一种大气细粒子AOD反演方法、装置、电子设备及存储介质,用以实现对目标区域的大气质量进行有效监测。
本发明提供一种大气细粒子AOD反演方法,包括:
基于目标区域的地面气溶胶遥感观测数据,确定所述目标区域的大气气溶胶模式;
基于所述目标区域的大气气溶胶模式和矢量辐射传输模型,构建所述目标区域的大气气溶胶参数查找表;
利用卫星观测几何参数信息、所述目标区域的地表类型、所述大气气溶胶参数查找表和地表双向偏振分布函数模型进行大气细粒子AOD反演,得到所述目标区域的大气细粒子AOD;所述地表双向偏振分布函数模型用于基于所述卫星观测几何参数信息和所述地表类型,确定卫星观测的地表偏振反射率;所述地表偏振反射率用于确定所述目标区域的大气细粒子AOD。
根据本发明提供的一种大气细粒子AOD反演方法,所述基于目标区域的地面气溶胶遥感观测数据,确定所述目标区域的大气气溶胶模式,包括:
利用K均值聚类算法,对所述目标区域的地面气溶胶遥感观测数据进行聚类分析,得到所述目标区域的大气气溶胶模式。
根据本发明提供的一种大气细粒子AOD反演方法,所述目标区域的地面气溶胶遥感观测数据包括大气粒子气溶胶的体积柱浓度、标准差和中值半径,以及目标波长的单次散射反照率和大气气溶胶复折射指数;所述利用K均值聚类算法,对所述目标区域的地面气溶胶遥感观测数据进行聚类分析,得到所述目标区域的大气气溶胶模式,包括:
基于所述大气粒子气溶胶的体积柱浓度、标准差和中值半径,以及所述目标波长的单次散射反照率和所述大气气溶胶复折射指数构建样本集;
将所述样本集划分为多个分类簇;
对各个所述分类簇进行质心聚类处理,得到所述目标区域的大气气溶胶模式。
根据本发明提供的一种大气细粒子AOD反演方法,所述卫星观测几何参数信息包括太阳天顶角信息、观测天顶角信息和相对观测方位角信息;所述利用卫星观测几何参数信息、所述目标区域的地表类型、所述大气气溶胶参数查找表和地表双向偏振分布函数模型进行大气细粒子AOD反演,得到所述目标区域的大气细粒子AOD,包括:
将所述太阳天顶角信息、所述观测天顶角信息、所述相对观测方位角信息和所述地表类型输入至所述地表双向偏振分布函数模型,得到所述地表双向偏振分布函数模型输出的地表偏振反射率;
基于卫星载荷同一个像元多个角度观测的表观偏振反射率和所述地表偏振反射率,得到卫星观测的多组大气细粒子气溶胶偏振反射率;
根据所述卫星观测几何参数信息,基于所述大气气溶胶参数查找表计算得到大气细粒子气溶胶偏振反射率参考值;
基于每组所述大气细粒子气溶胶偏振反射率与所述大气细粒子气溶胶偏振反射率参考值,确定所述目标区域的大气细粒子AOD。
根据本发明提供的一种大气细粒子AOD反演方法,所述基于每组所述大气细粒子气溶胶偏振反射率与所述大气细粒子气溶胶偏振反射率参考值,确定所述目标区域的大气细粒子AOD,包括:
将每组所述大气细粒子气溶胶偏振反射率分别与所述大气细粒子气溶胶偏振反射率参考值进行比较,得到多组大气细粒子气溶胶偏振反射率的差值;
确定所述多组大气细粒子气溶胶偏振反射率的差值中的最小值;
基于所述最小值对应的大气细粒子AOD的反演结果,得到所述目标区域的大气细粒子AOD。
根据本发明提供的一种大气细粒子AOD反演方法,在所述利用卫星观测几何参数信息、所述目标区域的地表类型、所述大气气溶胶参数查找表和地表双向偏振分布函数模型进行大气细粒子AOD反演,得到所述目标区域的大气细粒子AOD之后,所述方法还包括:
根据经纬度最邻近原则,获取卫星过境前后目标时段的目标地面站点观测数据;
利用所述目标地面站点观测数据,对所述目标区域的大气细粒子AOD进行验证。
根据本发明提供的一种大气细粒子AOD反演方法,在所述利用卫星观测几何参数信息、所述目标区域的地表类型、所述大气气溶胶参数查找表和地表双向偏振分布函数模型进行大气细粒子AOD反演,得到所述目标区域的大气细粒子AOD之前,所述方法还包括:
获取目标气象条件下的卫星观测原始数据;
对所述卫星观测原始数据进行云去除处理,得到处理后的卫星观测数据;
基于所述处理后的卫星观测数据,确定所述卫星观测几何参数信息。
本发明还提供一种大气细粒子AOD反演装置,包括:
处理模块,用于基于目标区域的地面气溶胶遥感观测数据,确定所述目标区域的大气气溶胶模式;
构建模块,用于基于所述目标区域的大气气溶胶模式和矢量辐射传输模型,构建所述目标区域的大气气溶胶参数查找表;
反演模块,用于利用卫星观测几何参数信息、所述目标区域的地表类型、所述大气气溶胶参数查找表和地表双向偏振分布函数模型进行大气细粒子AOD反演,得到所述目标区域的大气细粒子AOD;所述地表双向偏振分布函数模型用于基于所述卫星观测几何参数信息和所述地表类型,确定卫星观测的地表偏振反射率;所述地表偏振反射率用于确定所述目标区域的大气细粒子AOD。
本发明还提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上述任一种所述大气细粒子AOD反演方法。
本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如上述任一种所述大气细粒子AOD反演方法。
本发明还提供一种计算机程序产品,包括计算机程序,所述计算机程序被处理器执行时实现如上述任一种所述大气细粒子AOD反演方法。
本发明提供的大气细粒子AOD反演方法、装置、电子设备及存储介质,通过考虑大气气溶胶模式的地域差异性,首先通过采集目标区域的地面气溶胶遥感观测数据进行分析,确定目标区域的大气气溶胶模式,进而结合利用矢量辐射传输模型进行计算,构建目标区域的大气气溶胶参数查找表,并利用地表双向偏振分布函数模型,结合卫星观测几何参数信息和目标区域的地表类型确定卫星观测的地表偏振反射率,利用目标区域的大气气溶胶参数查找表和地表偏振反射率进行气溶胶光学厚度反演计算,得到反演计算的目标区域的大气细粒子AOD,可以精确地反演目标区域的大气细粒子AOD,有效监测目标区域大气细粒子AOD的空间分布情况,为目标区域的大气质量监测提供有效的技术支撑。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明提供的大气细粒子AOD反演方法的流程示意图之一;
图2是本发明提供的大气细粒子AOD反演方法的流程示意图之二;
图3是本发明提供的大气细粒子AOD反演方法的结果和地面站点实际测量值的对比验证结果示意图;
图4是本发明提供的大气细粒子AOD反演装置的结构示意图;
图5是本发明提供的电子设备的实体结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合本发明中的附图,对本发明中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
下面结合图1-图5描述本发明的大气细粒子AOD反演方法、装置、电子设备及存储介质。
图1是本发明提供的大气细粒子AOD反演方法的流程示意图之一,如图1所示,包括:步骤110、步骤120和步骤130。
步骤110,基于目标区域的地面气溶胶遥感观测数据,确定目标区域的大气气溶胶模式;
步骤120,基于目标区域的大气气溶胶模式和矢量辐射传输模型,构建目标区域的大气气溶胶参数查找表;
步骤130,利用卫星观测几何参数信息、目标区域的地表类型、大气气溶胶参数查找表和地表双向偏振分布函数模型进行大气细粒子AOD反演,得到目标区域的大气细粒子AOD;地表双向偏振分布函数模型用于基于卫星观测几何参数信息和该地表类型,确定卫星观测的地表偏振反射率;地表偏振反射率用于确定目标区域的大气细粒子AOD。
具体地,本发明实施例所描述的目标区域指的是卫星监测澜沧江-湄公河流域的观测区域。
本发明实施例所描述的地面气溶胶遥感观测数据指的是通过目标区域中预先设置的地面监测网Aeronet站点,对目标区域的大气层进行实时观测得到的用于表征其大气气溶胶偏振特性和散射特性的数据。
本发明实施例所描述的大气气溶胶参数查找表包括多组具有偏振信息和强度信息的大气参数。
本发明实施例所描述的卫星观测几何参数信息包括太阳天顶角、太阳方位角、观测天顶角、卫星观测方位角、相对观测方位角等信息。其可以通过高分五号(GF-5)卫星搭载的多角度偏振成像仪(Directional Polarization Camera,DPC)观测得到。
本发明实施例所描述的目标区域的地表类型包括森林、灌木层、低植被层、沙漠等类型。
本发明实施例所描述的地表双向偏振分布函数(Bidirectional PolarizationDistribution Function,BPDF)模型用于基于卫星观测几何参数信息和该地表类型,计算不同参数对应下的卫星观测的地表偏振反射率。
进一步地,在本发明的实施例中,步骤110中,通过地面Aeronet站点获取目标区域的地面气溶胶遥感观测数据,进而对这些地面气溶胶遥感观测数据进行聚类分析,可以确定出目标区域的大气气溶胶模式。
基于上述实施例的内容,作为一种可选的实施例,基于目标区域的地面气溶胶遥感观测数据,确定目标区域的大气气溶胶模式,包括:
利用K均值(K-Means)聚类算法,对目标区域的地面气溶胶遥感观测数据进行划分式聚类分析,得到目标区域的大气气溶胶模式。
具体地,在本发明的实施例中,可以采用K-Means聚类算法来计算目标区域的大气气溶胶模式。
可以理解的是,K-Means聚类算法是发现给定数据集的K个簇的聚类算法,它可以发现K个不同的簇,且每个簇的中心采用簇中所含值的均值计算而成,每个簇通过其质心,即簇中所有点的中心来描述。
本发明实施例的方法,通过采用K-Means聚类算法划分不同簇的方式,对目标区域的地面气溶胶遥感观测数据进行聚类分析,可以有效计算出目标区域的大气气溶胶模式,提升大气气溶胶模式计算的有效性和可靠性。
基于上述实施例的内容,作为一种可选的实施例,目标区域的地面气溶胶遥感观测数据包括大气粒子气溶胶的体积柱浓度、标准差和中值半径,以及目标波长的单次散射反照率和大气气溶胶复折射指数;利用K均值聚类算法,对目标区域的地面气溶胶遥感观测数据进行聚类分析,得到目标区域的大气气溶胶模式,包括:
基于大气粒子气溶胶的体积柱浓度、标准差和中值半径,以及目标波长的单次散射反照率和大气气溶胶复折射指数构建样本集;
将样本集划分为多个分类簇;
对各个分类簇进行质心聚类处理,得到目标区域的大气气溶胶模式。
具体地,在本发明的实施例中,通过地面Aeronet站点获取目标区域的地面气溶胶遥感观测数据,这些地面气溶胶遥感观测数据具体可以包括:大气粒子气溶胶的体积柱浓度、标准差和中值半径,以及目标波长的单次散射反照率和大气气溶胶复折射指数。
其中,大气粒子气溶胶的体积柱浓度包括细粒子气溶胶的体积柱浓度Cfine和粗粒子气溶胶的体积柱浓度Ccoarse;大气粒子气溶胶的标准差包括细粒子气溶胶的标准差Sfine和粗粒子气溶胶的标准差Scoarse;大气粒子气溶胶的中值半径包括细粒子气溶胶的中值半径Rfine和粗粒子气溶胶的中值半径Rcoarse;目标波长的单次散射反照率包括670nm波段的单次散射反照率SSA670和870nm波段的单次散射反照率SSA870;大气气溶胶复折射指数包括大气气溶胶复折射指数的实部R和大气气溶胶复折射指数的虚部i。
进一步地,基于大气粒子气溶胶的体积柱浓度、标准差和中值半径,以及目标波长的单次散射反照率和大气气溶胶复折射指数构建样本集,具体来说,根据获取目标区域中的SSA670、SSA870、R675、R870、i675、i870、Cfine、Rfine、Sfine、Ccoarse、Rcoarse、Scoarse数据构建样本集,其中,/>涵盖了目标区域不同片区位置处上述各个参数的不同取值;R675、R870分别表示675nm和870nm波段对应的大气气溶胶复折射指数的实部,i675和i870分别表示675nm和870nm波段对应的大气气溶胶复折射指数的虚部。
进一步地,利用K-means算法将样本集D划分为k个分类簇,即,其中,每个分类簇均包含一类SSA670、SSA870、R675、R870、i675、i870、Cfine、Rfine、Sfine、Ccoarse、Rcoarse和Scoarse的参数数据,划分依据为最小化平方误差:
;
其中,,其是簇/>的均值向量。
在本发明的实施例中,根据目标区域中不同片区获取的SSA670、SSA870、R675、R870、i675、i870、Cfine、Rfine、Sfine、Ccoarse、Rcoarse、Scoarse,利用K-means算法依次分成3类、4类和5类,根据对象(每个分类簇)与划分质心之间的距离,对各个分类簇进行控制聚类,并确定新聚类划分的质心,重复以上控制聚类过程,直至会聚准则函数达到最优。
其次,可以根据完成聚类算法后的3类、4类和5类的SSA670、SSA870、R675、R870、i675、i870、Cfine、Rfine、Sfine、Ccoarse、Rcoarse、Scoarse的参数值,对比分析3类、4类和5类气溶胶模式的优缺点,发现4类大气气溶胶模式能更好地反映目标区域的大气气溶胶特征,所以最终选择4类大气气溶胶模式代表湄流域的大气气溶胶特征。
在本发明的实施例中,根据目标区域的地面气溶胶遥感观测数据划分得到4类大气气溶胶模式,分别可以表示为CAT-1、CAT-2、CAT-3和CAT-4,其具体如下述表1所示。
表1
本发明实施例的方法,通过考虑大气气溶胶模式的地域差异性,针对目标区域独有的大气环境特征,利用K-means聚类算法对采集目标区域的地面气溶胶遥感观测数据进行聚类分析,确定目标区域的大气气溶胶模式,而不是直接套用现有固定的大气气溶胶模式,提升了目标区域大气气溶胶模式计算的准确性和可靠性。
进一步地,在本发明的实施例中,在确定目标区域真实的大气气溶胶模式之后,步骤120中,根据目标区域的大气气溶胶模式和矢量辐射传输模型来构建目标区域的大气气溶胶参数查找表,具体来说,在本实施例中,可以通过设定不同的太阳和卫星观测几何参数,包括21个太阳天顶角、20个观测天顶角、37个相对观测方位角和不同的大气气溶胶参数,包括目标区域的4种大气细粒子气溶胶类型和12个大气细粒子AOD,考虑到观测数据所在的波段,使用RT3矢量辐射传输模型进行计算,得到多组具有偏振信息和强度信息的大气参数组合而成的气溶胶参数查找表,如下述表2所示。
表2
进一步地,在本发明的实施例中,步骤130中,可以利用卫星观测几何参数信息、目标区域的地表类型、大气气溶胶参数查找表和地表BPDF模型进行气溶胶光学厚度反演计算,得到目标区域的大气细粒子AOD。可选地,在本步骤中,可以首先将卫星观测几何参数信息和该地表类型输入至地表BPDF模型中,计算卫星观测的地表偏振反射率,以基于地表偏振反射率辅助计算目标区域的大气细粒子AOD。
基于上述实施例的内容,作为一种可选的实施例,卫星观测几何参数信息包括太阳天顶角信息、观测天顶角信息和相对观测方位角信息;利用卫星观测几何参数信息、目标区域的地表类型、大气气溶胶参数查找表和地表双向偏振分布函数模型进行大气细粒子AOD反演,得到目标区域的大气细粒子AOD,包括:
将太阳天顶角信息、观测天顶角信息、相对观测方位角信息和地表类型输入至地表双向偏振分布函数模型,得到地表双向偏振分布函数模型输出的地表偏振反射率;
基于卫星载荷同一个像元多个角度观测的表观偏振反射率和地表偏振反射率,得到卫星观测的多组大气细粒子气溶胶偏振反射率;
根据卫星观测几何参数信息,基于大气气溶胶参数查找表模拟得到大气细粒子气溶胶偏振反射率参考值;
基于每组大气细粒子气溶胶偏振反射率与大气细粒子气溶胶偏振反射率参考值,确定目标区域的大气细粒子AOD。
具体地,在本发明的实施例中,地表BPDF模型可以采用Nadal&Bréon(1999)BPDF模型及其α、β经验系数,其中,α和β经验系数,可以由地物分类和归一化植被指数(NormalizedDifference Vegetation Index,NDVI)来共同确定。
其中,Nadal&Bréon(1999)BPDF模型公式如下:
;
式中,表示地表偏振反射率,/>表示太阳天顶角,/>表示卫星观测天顶角,/>表示相对观测方位角,/>表示偏振光的菲涅尔系数,/>表示太阳天顶角的余弦值,/>表示卫星观测天顶角的余弦值。
在本发明的实施例中,可以根据地表类型及对应的NDVI,通过对照下述表3来确定BPDF模型中α和β经验系数的取值。
在本发明的实施例中,将DPC观测的太阳天顶角信息、观测天顶角信息、相对观测方位角信息和地表类型输入至Nadal&Bréon(1999)BPDF模型中,基于该地表类型及对应的NDVI确定出BPDF模型的α和β经验系数,进而通过上述BPDF模型公式计算,可以得到模型输出的地表偏振反射率。
表3
进一步地,将卫星载荷同一个像元多个角度观测的表观偏振反射率减去地表偏振反射率,可以得到卫星观测的多组大气细粒子气溶胶偏振反射率。
在本发明的实施例中,根据卫星观测几何参数信息,包括太阳天顶角信息、观测天顶角信息、相对观测方位角信息,可以利用前述大气气溶胶参数查找表模拟得到对应的大气细粒子气溶胶偏振反射率参考值。
具体地,选择构建的大气气溶胶参数查找表,根据获取卫星观测的太阳天顶角信息、观测天顶角信息和相对观测方位角信息,在气溶胶参数查找表选取相应的数据,进行一次双线性插值和一次线性插值,计算得到基于大气气溶胶参数查找表模拟的大气细粒子气溶胶偏振反射率参考值。
在本发明的实施例中,将卫星观测的多组大气细粒子气溶胶偏振反射率与卫星观测几何条件下对应的大气细粒子气溶胶偏振反射率参考值进行比较,根据比较结果,确定目标区域的大气细粒子AOD的反演结果。
本发明实施例的方法,通过采用Nadal&Bréon(1999)BPDF模型,根据DPC观测的太阳天顶角信息、观测天顶角信息、相对观测方位角信息,并结合地表类型的信息,计算地表偏振反射率,以此应用于去除地表偏振贡献,可以有效提高大气细粒子AOD反演结果的精度。
基于上述实施例的内容,作为一种可选的实施例,基于每组大气细粒子气溶胶偏振反射率与大气细粒子气溶胶偏振反射率参考值,确定目标区域的大气细粒子AOD,包括:
将每组大气细粒子气溶胶偏振反射率分别与大气细粒子气溶胶偏振反射率参考值进行比较,得到多组大气细粒子气溶胶偏振反射率的差值;
确定多组大气细粒子气溶胶偏振反射率的差值中的最小值;
基于最小值对应的大气细粒子AOD的反演结果,得到目标区域的大气细粒子AOD。
具体地,在本发明的实施例中,基于每组大气细粒子气溶胶偏振反射率与大气细粒子气溶胶偏振反射率参考值进行作差计算,得到多组大气细粒子气溶胶偏振反射率的差值,从多组差值中确定/>最小所对应的大气细粒子气溶胶偏振反射率,进而在大气气溶胶参数查找表中找到对应模拟的大气细粒子AOD值,将其作为最终反演结果,从而可以得到高空间分辨率(3.3kmⅹ3.3km)的大气细粒子AOD。
其中,在本发明的实施例中,大气细粒子气溶胶偏振反射率差值的计算公式可以表示为:
;
式中,表示总体误差的差值;i=1表示670nm的偏振波段;i=2表示865nm的偏振波段;j表示观测角度;/>表示卫星观测的表观偏振反射率值;/>表示模拟的大气气溶胶偏振反射率值,即大气气溶胶偏振反射率参考值;/>表示总的大气透过率;/>表示地表偏振反射率;/>表示太阳天顶角,/>表示卫星观测天顶角,/>表示相对方位角。
本发明实施例的方法,通过求解每组大气细粒子气溶胶偏振反射率分别与大气细粒子气溶胶偏振反射率参考值的差值,选取差值最小时对应的大气细粒子AOD作为最终的反演结果,可以进一步提高大气细粒子AOD反演结果的精度,获得高空间分辨率的大气细粒子AOD。
本发明实施例的大气细粒子AOD反演方法,通过考虑大气气溶胶模式的地域差异性,首先通过采集目标区域的地面气溶胶遥感观测数据进行分析,确定目标区域的大气气溶胶模式,进而结合利用矢量辐射传输模型进行计算,构建目标区域的大气气溶胶参数查找表,并利用地表双向偏振分布函数模型,结合卫星观测几何参数信息和目标区域的地表类型确定卫星观测的地表偏振反射率,利用目标区域的大气气溶胶参数查找表和地表偏振反射率进行气溶胶光学厚度反演计算,得到反演计算的目标区域的大气细粒子AOD,可以精确地反演目标区域的大气细粒子AOD,有效监测目标区域大气细粒子AOD的空间分布情况,为目标区域的大气质量监测提供有效的技术支撑。
基于上述实施例的内容,作为一种可选的实施例,在利用卫星观测几何参数信息、目标区域的地表类型、大气气溶胶参数查找表和地表双向偏振分布函数模型进行大气细粒子AOD反演,得到目标区域的大气细粒子AOD之前,该方法还包括:
获取目标气象条件下的卫星观测原始数据;
对卫星观测原始数据进行云去除处理,得到处理后的卫星观测数据;
基于处理后的卫星观测数据,确定卫星观测几何参数信息。
具体地,本发明实施例所描述的目标气象条件指的是大气层中云量较少或无云的气象条件。
在本发明的实施例中,根据卫星载荷观测的辐射亮度,选取云量较少的晴天气象条件下卫星GF-5/DPC观测的原始数据开展反演。
进一步地,可以利用Breon&Colzy(1999)方法对卫星GF-5/DPC 观测的原始数据进行云去除处理,得到处理后的卫星观测数据,进而从云去除处理后的卫星观测数据中,确定出卫星观测几何参数信息。
本发明实施例的方法,通过对卫星观测原始数据进行云去除处理,获取卫星观测几何参数信息,可以有效提高后续反演卫星观测的大气细粒子AOD和地表偏振反射率的精度。
图2是本发明提供的大气细粒子AOD反演方法的流程示意图之二,如图2所示,该反演方法的流程包括:
一方面,首先,根据地面Aeronet站点观测的Aeronet地面数据,得到目标区域的地面气溶胶遥感观测数据,并利用K-means聚类方法,对这些数据进行聚类分析,得到目标区域的大气气溶胶模式。
接着,根据目标区域的大气气溶胶模式和RT3矢量辐射传输模型来构建目标区域的大气气溶胶参数查找表,以便根据卫星的观测几何参数信息模拟得到大气细粒子气溶胶偏振反射率参考值。
另一方面,选取云量较少的晴天气象条件下卫星GF-5/DPC观测的原始数据,即获取DPC观测的偏振数据。进而利用Breon&Colzy(1999)方法对卫星GF-5/DPC 观测的原始数据进行云去除处理,得到处理后的卫星观测数据,并从云去除处理后的卫星观测数据中,确定出DPC观测的太阳天顶角信息、观测天顶角信息和相对观测方位角信息。
接着,将DPC观测的太阳天顶角信息、观测天顶角信息和相对观测方位角信息以及地表类型输入至Nadal&Bréon(1999)BPDF模型,得到卫星观测的地表偏振反射率。
然后,进行地表偏振贡献去除,即将卫星载荷同一个像元多个角度观测的表观偏振反射率减去上述地表偏振反射率,可以得到卫星观测的多组大气细粒子气溶胶偏振反射率。
进一步地,利用大气细粒子AOD反演算法,将卫星观测的多组大气细粒子气溶胶偏振反射率与卫星观测几何条件下模拟的大气细粒子气溶胶偏振反射率参考值进行作差比较,优化迭代计算,找出观测值与模拟值总体误差最小时对应的大气细粒子AOD,作为最终的反演结果,进而根据目标区域不同片区的大气细粒子AOD反演结果,研制目标区域大气细粒子AOD数据集。
基于上述实施例的内容,作为一种可选的实施例,在利用卫星观测几何参数信息、目标区域的地表类型、大气气溶胶参数查找表和地表双向偏振分布函数模型进行大气细粒子AOD反演,得到目标区域的大气细粒子AOD之后,该方法还包括:
根据经纬度最邻近原则,获取卫星过境前后目标时段的目标地面站点观测数据;
利用目标地面站点观测数据,对目标区域的大气细粒子AOD进行验证。
具体地,目标地面站点观测数据指的是卫星过境前后目标时段内地面Aeronet站点获取到的观测数据,包括大气细粒子AOD数据。
在本发明的实施例中,可以选取GF-5卫星DPC载荷指定目标区域内经纬度位置的大气细粒子AOD的反演结果,利用卫星过境前后目标时段内地面站点观测数据来验证反演的卫星观测的大气细粒子AOD的精度。
具体来说,首先可以根据经纬度最邻近的原则,选取GF-5卫星过境前后半小时的目标地面站点观测数据,获取到Aeronet Level 1.5级地面数据,通过对Aeronet Level1.5级地面数据进行平均,验证卫星反演目标区域内大气细粒子AOD的精度,评价本发明大气细粒子AOD反演方法的精度。
为了评估本发明方法的精度和有效性,使用目标时间的Aeronet地面Level 1.5级数据进行对比验证。
图3是本发明提供的大气细粒子AOD反演方法的结果和地面站点实际测量值的对比验证结果示意图,如图3所示,横坐标为Aeronet 1.5级大气细粒子AOD,表示Aeronet地面站点观测的实际大气细粒子AOD数据,纵坐标为大气细粒子AOD的反演结果,表示GF-5卫星遥感反演得到的大气细粒子AOD数据;同时给出了N=106组反演结果的线性拟合的斜率、截距、相关系数(R)和均方根误差(RMSE),结果显示R可达0.88,RMSE可达0.027,拟合斜率为1.02。此外,落在期望误差(Excepted Error,EE)区间±(0.03 + 15%)的数据量为84.91%,这些结果可以显示本发明提供的大气细粒子AOD反演方法的精度高。
本发明实施例的方法,通过采用经纬度最邻近原则,根据卫星过境前后半小时的地面实际监测数据对卫星遥感反演的大气细粒子AOD,可以有效验证大气细粒子AOD反演结果的精度和可靠性。
在本发明的实施例中,还可以基于卫星遥感研制的大气细粒子AOD结果,利用ArcMap软件将大气细粒子AOD制成专题图,为目标区域大气质量监测提供精确的AOD专题信息图。
下面对本发明提供的大气细粒子AOD反演装置进行描述,下文描述的大气细粒子AOD反演装置与上文描述的大气细粒子AOD反演方法可相互对应参照。
图4是本发明提供的大气细粒子AOD反演装置的结构示意图,如图4所示,包括:
处理模块410,用于基于目标区域的地面气溶胶遥感观测数据,确定目标区域的大气气溶胶模式;
构建模块420,用于基于目标区域的大气气溶胶模式和矢量辐射传输模型,构建目标区域的大气气溶胶参数查找表;
反演模块430,用于利用卫星观测几何参数信息、目标区域的地表类型、大气气溶胶参数查找表和地表双向偏振分布函数模型进行大气细粒子AOD反演,得到目标区域的大气细粒子AOD;地表双向偏振分布函数模型用于基于卫星观测几何参数信息和地表类型,确定卫星观测的地表偏振反射率;地表偏振反射率用于确定目标区域的大气细粒子AOD。
本实施例所述的大气细粒子AOD反演装置可以用于执行上述大气细粒子AOD反演方法实施例,其原理和技术效果类似,此处不再赘述。
本发明实施例的大气细粒子AOD反演装置,通过考虑大气气溶胶模式的地域差异性,首先通过采集目标区域的地面气溶胶遥感观测数据进行分析,确定目标区域的大气气溶胶模式,进而结合利用矢量辐射传输模型进行计算,构建目标区域的大气气溶胶参数查找表,并利用地表双向偏振分布函数模型,结合卫星观测几何参数信息和目标区域的地表类型确定卫星观测的地表偏振反射率,利用目标区域的大气气溶胶参数查找表和地表偏振反射率进行气溶胶光学厚度反演计算,得到反演计算的目标区域的大气细粒子AOD,可以精确地反演目标区域的大气细粒子AOD,有效监测目标区域大气细粒子AOD的空间分布情况,为目标区域的大气质量监测提供有效的技术支撑。
图5是本发明提供的电子设备的实体结构示意图,如图5所示,该电子设备可以包括:处理器(processor)510、通信接口(Communications Interface)520、存储器(memory)530和通信总线540,其中,处理器510,通信接口520,存储器530通过通信总线540完成相互间的通信。处理器510可以调用存储器530中的逻辑指令,以执行上述各方法所提供的大气细粒子AOD反演方法,该方法包括:基于目标区域的地面气溶胶遥感观测数据,确定所述目标区域的大气气溶胶模式;基于所述目标区域的大气气溶胶模式和矢量辐射传输模型,构建所述目标区域的大气气溶胶参数查找表;利用卫星观测几何参数信息、所述目标区域的地表类型、所述大气气溶胶参数查找表和地表双向偏振分布函数模型进行大气细粒子AOD反演,得到所述目标区域的大气细粒子AOD;所述地表双向偏振分布函数模型用于基于所述卫星观测几何参数信息和所述地表类型,确定卫星观测的地表偏振反射率;所述地表偏振反射率用于确定所述目标区域的大气细粒子AOD。
此外,上述的存储器530中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面,本发明还提供一种计算机程序产品,所述计算机程序产品包括计算机程序,计算机程序可存储在非暂态计算机可读存储介质上,所述计算机程序被处理器执行时,计算机能够执行上述各方法所提供的大气细粒子AOD反演方法,该方法包括:基于目标区域的地面气溶胶遥感观测数据,确定所述目标区域的大气气溶胶模式;基于所述目标区域的大气气溶胶模式和矢量辐射传输模型,构建所述目标区域的大气气溶胶参数查找表;利用卫星观测几何参数信息、所述目标区域的地表类型、所述大气气溶胶参数查找表和地表双向偏振分布函数模型进行大气细粒子AOD反演,得到所述目标区域的大气细粒子AOD;所述地表双向偏振分布函数模型用于基于所述卫星观测几何参数信息和所述地表类型,确定卫星观测的地表偏振反射率;所述地表偏振反射率用于确定所述目标区域的大气细粒子AOD。
又一方面,本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以执行上述各方法提供的大气细粒子AOD反演方法,该方法包括:基于目标区域的地面气溶胶遥感观测数据,确定所述目标区域的大气气溶胶模式;基于所述目标区域的大气气溶胶模式和矢量辐射传输模型,构建所述目标区域的大气气溶胶参数查找表;利用卫星观测几何参数信息、所述目标区域的地表类型、所述大气气溶胶参数查找表和地表双向偏振分布函数模型进行大气细粒子AOD反演,得到所述目标区域的大气细粒子AOD;所述地表双向偏振分布函数模型用于基于所述卫星观测几何参数信息和所述地表类型,确定卫星观测的地表偏振反射率;所述地表偏振反射率用于确定所述目标区域的大气细粒子AOD。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (7)
1.一种大气细粒子AOD反演方法,其特征在于,包括:
基于目标区域的地面气溶胶遥感观测数据,确定所述目标区域的大气气溶胶模式;
基于所述目标区域的大气气溶胶模式和矢量辐射传输模型,构建所述目标区域的大气气溶胶参数查找表;
利用卫星观测几何参数信息、所述目标区域的地表类型、所述大气气溶胶参数查找表和地表双向偏振分布函数模型进行大气细粒子AOD反演,得到所述目标区域的大气细粒子AOD;所述地表双向偏振分布函数模型用于基于所述卫星观测几何参数信息和所述地表类型,确定卫星观测的地表偏振反射率;所述地表偏振反射率用于确定所述目标区域的大气细粒子AOD;
所述基于目标区域的地面气溶胶遥感观测数据,确定所述目标区域的大气气溶胶模式,包括:
利用K均值聚类算法,对所述目标区域的地面气溶胶遥感观测数据进行聚类分析,得到所述目标区域的大气气溶胶模式;
其中,所述目标区域的地面气溶胶遥感观测数据包括大气粒子气溶胶的体积柱浓度、标准差和中值半径,以及目标波长的单次散射反照率和大气气溶胶复折射指数;所述利用K均值聚类算法,对所述目标区域的地面气溶胶遥感观测数据进行聚类分析,得到所述目标区域的大气气溶胶模式,包括:
基于所述大气粒子气溶胶的体积柱浓度、标准差和中值半径,以及所述目标波长的单次散射反照率和所述大气气溶胶复折射指数构建样本集;其中,所述大气粒子气溶胶的体积柱浓度包括细粒子气溶胶的体积柱浓度和粗粒子气溶胶的体积柱浓度;所述大气粒子气溶胶的标准差包括细粒子气溶胶的标准差和粗粒子气溶胶的标准差;所述大气粒子气溶胶的中值半径包括细粒子气溶胶的中值半径和粗粒子气溶胶的中值半径;
将所述样本集划分为多个分类簇;
对各个所述分类簇进行质心聚类处理,得到所述目标区域的大气气溶胶模式;
其中,所述卫星观测几何参数信息包括太阳天顶角信息、观测天顶角信息和相对观测方位角信息;所述利用卫星观测几何参数信息、所述目标区域的地表类型、所述大气气溶胶参数查找表和地表双向偏振分布函数模型进行大气细粒子AOD反演,得到所述目标区域的大气细粒子AOD,包括:
将所述太阳天顶角信息、所述观测天顶角信息、所述相对观测方位角信息和所述地表类型输入至所述地表双向偏振分布函数模型,得到所述地表双向偏振分布函数模型输出的地表偏振反射率;所述地表类型用于确定所述地表双向偏振分布函数模型中经验系数;
基于卫星载荷同一个像元多个角度观测的表观偏振反射率和所述地表偏振反射率,得到卫星观测的多组大气细粒子气溶胶偏振反射率;
根据所述卫星观测几何参数信息,基于所述大气气溶胶参数查找表模拟得到大气细粒子气溶胶偏振反射率参考值;
基于每组所述大气细粒子气溶胶偏振反射率与所述大气细粒子气溶胶偏振反射率参考值,确定所述目标区域的大气细粒子AOD。
2.根据权利要求1所述的大气细粒子AOD反演方法,其特征在于,所述基于每组所述大气细粒子气溶胶偏振反射率与所述大气细粒子气溶胶偏振反射率参考值,确定所述目标区域的大气细粒子AOD,包括:
将每组所述大气细粒子气溶胶偏振反射率分别与所述大气细粒子气溶胶偏振反射率参考值进行比较,得到多组大气细粒子气溶胶偏振反射率的差值;
确定所述多组大气细粒子气溶胶偏振反射率的差值中的最小值;
基于所述最小值对应的大气细粒子AOD的反演结果,得到所述目标区域的大气细粒子AOD。
3.根据权利要求1-2任一项所述的大气细粒子AOD反演方法,其特征在于,在所述利用卫星观测几何参数信息、所述目标区域的地表类型、所述大气气溶胶参数查找表和地表双向偏振分布函数模型进行大气细粒子AOD反演,得到所述目标区域的大气细粒子AOD之后,所述方法还包括:
根据经纬度最邻近原则,获取卫星过境前后目标时段的目标地面站点观测数据;
利用所述目标地面站点观测数据,对所述目标区域的大气细粒子AOD进行验证。
4.根据权利要求1-2任一项所述的大气细粒子AOD反演方法,其特征在于,在所述利用卫星观测几何参数信息、所述目标区域的地表类型、所述大气气溶胶参数查找表和地表双向偏振分布函数模型进行大气细粒子AOD反演,得到所述目标区域的大气细粒子AOD之前,所述方法还包括:
获取目标气象条件下的卫星观测原始数据;
对所述卫星观测原始数据进行云去除处理,得到处理后的卫星观测数据;
基于所述处理后的卫星观测数据,确定所述卫星观测几何参数信息。
5.一种大气细粒子AOD反演装置,其特征在于,包括:
处理模块,用于基于目标区域的地面气溶胶遥感观测数据,确定所述目标区域的大气气溶胶模式;
构建模块,用于基于所述目标区域的大气气溶胶模式和矢量辐射传输模型,构建所述目标区域的大气气溶胶参数查找表;
反演模块,用于利用卫星观测几何参数信息、所述目标区域的地表类型、所述大气气溶胶参数查找表和地表双向偏振分布函数模型进行大气细粒子AOD反演,得到所述目标区域的大气细粒子AOD;所述地表双向偏振分布函数模型用于基于所述卫星观测几何参数信息和所述地表类型,确定卫星观测的地表偏振反射率;所述地表偏振反射率用于确定所述目标区域的大气细粒子AOD;所述卫星观测几何参数信息包括太阳天顶角信息、观测天顶角信息和相对观测方位角信息;
所述处理模块具体用于:
利用K均值聚类算法,对所述目标区域的地面气溶胶遥感观测数据进行聚类分析,得到所述目标区域的大气气溶胶模式;
所述目标区域的地面气溶胶遥感观测数据包括大气粒子气溶胶的体积柱浓度、标准差和中值半径,以及目标波长的单次散射反照率和大气气溶胶复折射指数;所述处理模块具体用于:
基于所述大气粒子气溶胶的体积柱浓度、标准差和中值半径,以及所述目标波长的单次散射反照率和所述大气气溶胶复折射指数构建样本集;其中,所述大气粒子气溶胶的体积柱浓度包括细粒子气溶胶的体积柱浓度和粗粒子气溶胶的体积柱浓度;所述大气粒子气溶胶的标准差包括细粒子气溶胶的标准差和粗粒子气溶胶的标准差;所述大气粒子气溶胶的中值半径包括细粒子气溶胶的中值半径和粗粒子气溶胶的中值半径;
将所述样本集划分为多个分类簇;
对各个所述分类簇进行质心聚类处理,得到所述目标区域的大气气溶胶模式;
所述反演模块具体用于:
将所述太阳天顶角信息、所述观测天顶角信息、所述相对观测方位角信息和所述地表类型输入至所述地表双向偏振分布函数模型,得到所述地表双向偏振分布函数模型输出的地表偏振反射率;所述地表类型用于确定所述地表双向偏振分布函数模型中经验系数;
基于卫星载荷同一个像元多个角度观测的表观偏振反射率和所述地表偏振反射率,得到卫星观测的多组大气细粒子气溶胶偏振反射率;
根据所述卫星观测几何参数信息,基于所述大气气溶胶参数查找表模拟得到大气细粒子气溶胶偏振反射率参考值;
基于每组所述大气细粒子气溶胶偏振反射率与所述大气细粒子气溶胶偏振反射率参考值,确定所述目标区域的大气细粒子AOD。
6.一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1至4任一项所述大气细粒子AOD反演方法。
7.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至4任一项所述大气细粒子AOD反演方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310946611.4A CN116698691B (zh) | 2023-07-31 | 2023-07-31 | 大气细粒子aod反演方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310946611.4A CN116698691B (zh) | 2023-07-31 | 2023-07-31 | 大气细粒子aod反演方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116698691A CN116698691A (zh) | 2023-09-05 |
CN116698691B true CN116698691B (zh) | 2023-10-31 |
Family
ID=87826016
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310946611.4A Active CN116698691B (zh) | 2023-07-31 | 2023-07-31 | 大气细粒子aod反演方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116698691B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117313564B (zh) * | 2023-11-30 | 2024-04-12 | 自然资源部第二海洋研究所 | 反演海洋-大气光学参数的方法、装置及存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102103204A (zh) * | 2011-01-26 | 2011-06-22 | 环境保护部卫星环境应用中心 | 基于环境一号卫星的陆地气溶胶光学厚度反演方法 |
CN102636143A (zh) * | 2012-04-20 | 2012-08-15 | 中国科学院遥感应用研究所 | 一种气溶胶光学厚度遥感反演方法 |
CN104279967A (zh) * | 2014-05-23 | 2015-01-14 | 中国科学院光电研究院 | 基于高光谱图像的气溶胶光学厚度反演方法 |
CN105787184A (zh) * | 2016-03-04 | 2016-07-20 | 华北电力大学(保定) | 一种基于pm2.5的大气气溶胶光学厚度估计方法 |
CN106096247A (zh) * | 2016-06-06 | 2016-11-09 | 华北电力大学(保定) | 基于多因子拟合模型的大气气溶胶光学厚度估计方法 |
CN106225693A (zh) * | 2016-08-29 | 2016-12-14 | 中国科学院遥感与数字地球研究所 | 一种细粒子气溶胶光学厚度和气溶胶类型同时反演方法 |
CN111123382A (zh) * | 2019-12-25 | 2020-05-08 | 中国科学院遥感与数字地球研究所 | 一种气溶胶和地表参数联合反演方法 |
-
2023
- 2023-07-31 CN CN202310946611.4A patent/CN116698691B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102103204A (zh) * | 2011-01-26 | 2011-06-22 | 环境保护部卫星环境应用中心 | 基于环境一号卫星的陆地气溶胶光学厚度反演方法 |
CN102636143A (zh) * | 2012-04-20 | 2012-08-15 | 中国科学院遥感应用研究所 | 一种气溶胶光学厚度遥感反演方法 |
CN104279967A (zh) * | 2014-05-23 | 2015-01-14 | 中国科学院光电研究院 | 基于高光谱图像的气溶胶光学厚度反演方法 |
CN105787184A (zh) * | 2016-03-04 | 2016-07-20 | 华北电力大学(保定) | 一种基于pm2.5的大气气溶胶光学厚度估计方法 |
CN106096247A (zh) * | 2016-06-06 | 2016-11-09 | 华北电力大学(保定) | 基于多因子拟合模型的大气气溶胶光学厚度估计方法 |
CN106225693A (zh) * | 2016-08-29 | 2016-12-14 | 中国科学院遥感与数字地球研究所 | 一种细粒子气溶胶光学厚度和气溶胶类型同时反演方法 |
CN111123382A (zh) * | 2019-12-25 | 2020-05-08 | 中国科学院遥感与数字地球研究所 | 一种气溶胶和地表参数联合反演方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116698691A (zh) | 2023-09-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Pan et al. | The potential of CO2 satellite monitoring for climate governance: A review | |
Luo et al. | PM2. 5 concentration estimation using convolutional neural network and gradient boosting machine | |
Qin et al. | 3-D scene modeling of semidesert vegetation cover and its radiation regime | |
CN110287457B (zh) | 基于卫星雷达遥感数据的玉米生物量反演测算方法 | |
CN109472393B (zh) | 空间降尺度降水数据检测方法、装置及电子设备 | |
CN116698691B (zh) | 大气细粒子aod反演方法、装置、电子设备及存储介质 | |
CN104142142A (zh) | 全球植被覆盖度估算方法 | |
Yumimoto et al. | JRAero: the Japanese reanalysis for aerosol v1. 0 | |
CN110411927B (zh) | 一种大气细粒子aod和地表偏振反射率协同反演方法 | |
Wang et al. | Fractional vegetation cover estimation method through dynamic Bayesian network combining radiative transfer model and crop growth model | |
Jin et al. | Inverse modeling of the 2021 spring super dust storms in East Asia | |
Jing et al. | Cloud overlapping parameter obtained from CloudSat/CALIPSO dataset and its application in AGCM with McICA scheme | |
Spinosa et al. | Remote sensing-based automatic detection of shoreline position: A case study in apulia region | |
Li et al. | Using fractal dimension to correct clumping effect in leaf area index measurement by digital cover photography | |
CN116563466A (zh) | 一种基于深度学习的三维单木点云的补全方法 | |
Xu et al. | Accurate retrieval of asymmetry parameter for large and complex ice crystals from in‐situ polar nephelometer measurements | |
CN110580468B (zh) | 一种基于影像匹配点云的单木结构参数提取的方法 | |
CN116466368B (zh) | 基于激光雷达和卫星资料的沙尘消光系数廓线估算方法 | |
Kokhanovsky et al. | First retrievals of surface and atmospheric properties using EnMAP measurements over Antarctica | |
You et al. | Dual-polarization radar-based quantitative precipitation estimation of mountain terrain using multi-disdrometer data | |
CN114994800B (zh) | 一种大气细颗粒物的反演方法及装置 | |
CN116503727A (zh) | 一种基于泊松分布和点云聚类的植被聚集度指数估算方法 | |
Liu et al. | CALC-2020: A new baseline land cover map at 10 m resolution for the circumpolar Arctic | |
Ma et al. | Low‐Altitude Photogrammetry and Remote Sensing in UAV for Improving Mapping Accuracy | |
Wang et al. | Soil moisture retrieval from sentinel-1 and sentinel-2 data using ensemble learning over vegetated fields |
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 |