| 地气解耦的Himawari-8卫星PM2.5浓度估算深度神经网络方法 |
| |
| 引用本文： | 伍万祥,吴艳兰,江鹏,宁海涛.地气解耦的Himawari-8卫星PM2.5浓度估算深度神经网络方法[J].环境科学学报,2021,41(5):1753-1763. |
| |
| 作者姓名： | 伍万祥 吴艳兰 江鹏 宁海涛 |
| |
| 作者单位： | 安徽大学资源与环境工程学院, 合肥 230601;1. 安徽大学资源与环境工程学院, 合肥 230601;2. 安徽省地理信息智能技术工程研究中心, 合肥 230000 |
| |
| 基金项目： | 国家自然科学基金（No.41604028）；安徽省科技重大专项（No.18030801111） |
| |
| 摘 要： | 现阶段大气PM2.5遥感反演方法大多数都基于卫星气溶胶光学厚度（aerosol optical depth，AOD）产品，这些产品通常是从表观反射率（top-of-atmosphere reflectance，TOA）中反演而来.直接建立TOA产品和地面站点监测的PM2.5浓度间的反演模型能够有效降低由AOD反演所带来的误差传递，但是现阶段反演PM2.5所用到的TOA同时耦合了地表反射率和大气贡献值，想要进一步提升反演精度则需要设法将二者分离.基于此，本文利用Himawari-8（H8）卫星数据，由6S模型进行大气校正，继而统计得到H8前6个波段之间的地表反射率关系式，再运用卫星第六波段表观反射率与地表反射率接近的特性，估算得到前5个波段的地表反射率，并扣除地表反射率得到大气贡献值，以此来达到地气解耦的目的.随后，本文基于深度神经网络构建了PM2.5、大气贡献值、卫星亮温数据、观测角等之间的关系.以安徽省为例，反演结果表明，与不考虑地气解耦的TOA-PM2.5方法相比，本文提出的ATM-PM2.5方法精度更高，在未参与训练的验证站点上，ATM-PM2.5的R2和RMSE值为0.87和13.77 μg·m-3，相对于未经过地气解耦的TOA-PM2.5，R2提高了20%，RMSE值降低了5.24 μg·m-3.另外，利用H8卫星时间分辨率较高的特点，本文对安徽省域范围内进行了逐小时的PM2.5监测，显示本文方法有潜力为PM2.5实时监测提供数据支撑.
|
| 关 键 词： | PM2.5 Himawari-8 表观反射率 大气贡献值 6S模型 地气解耦 深度神经网络 |
| 收稿时间： | 2020/5/13 0:00:00 |
| 修稿时间： | 2020/6/18 0:00:00 |
Depth neural network method for PM2.5 concentration estimation of Himawari-8 satellite based on ground air decoupling |
| |
| WU Wanxiang,WU Yanlan,JIANG Peng,NING Haitao.Depth neural network method for PM2.5 concentration estimation of Himawari-8 satellite based on ground air decoupling[J].Acta Scientiae Circumstantiae,2021,41(5):1753-1763. |
| |
| Authors: | WU Wanxiang WU Yanlan JIANG Peng NING Haitao |
| |
| Institution: | School of resources and environmental engineering, Anhui University, Hefei 230601;1. School of resources and environmental engineering, Anhui University, Hefei 230601;2. Anhui Geographic Information Intelligent Technology Engineering Research Center, Hefei 230000 |
| |
| Abstract: | |
| |
| Keywords: | PM2 5 Himawari-8 top-of-atmosphere reflectance atmospheric contribution value 6S model ground air decoupling deep neural network |
|
| 点击此处可从《环境科学学报》浏览原始摘要信息 |
| 点击此处可从《环境科学学报》下载免费的PDF全文 |
