本發(fā)明涉及空氣質量監(jiān)測技術領域，尤其涉及一種基于數據融合的大氣顆粒物遙感監(jiān)測方法。

背景技術：

數據融合的主要目的在于從多源數據中提取出比原先單一來源數據更多、更有價值的信息、并提高和改善原有數據在某些方面的性能指標。對于顆粒物遙感監(jiān)測而言，融合的目的在于在確保其原始空間分辨率的基礎上，盡可能提高顆粒物數據的空間覆蓋率，提供及時有效的顆粒物產品以用于空氣質量研究。

目前，主要是使用MODIS、HJ、FY等影像反演大氣顆粒物遙感監(jiān)測得到的數據進行數據融合，但是，這種數據融合方法存在以下缺陷：

由于衛(wèi)星軌道間隔、云覆蓋問題以及暗目標反演算法本身的局限性，造成遙感影像反演顆粒物產品空間覆蓋率較低并且存在數據的大范圍缺失問題，難以作為良好的融合數據源，一定程度上限制了其在空氣質量監(jiān)測等領域的應用。

技術實現要素：

本發(fā)明的目的在于提供一種基于數據融合的大氣顆粒物遙感監(jiān)測方法，從而解決現有技術中存在的前述問題。

為了實現上述目的，本發(fā)明采用的技術方案如下：

一種基于數據融合的大氣顆粒物遙感監(jiān)測方法，包括如下步驟：

S1，對衛(wèi)星遙感數據進行反演，得到衛(wèi)星遙感反演的近地面顆粒物濃度；

S2，所述衛(wèi)星遙感反演的近地面顆粒物濃度與地面監(jiān)測數據融合，得到顆粒物濃度的天地融合數據；

S3，利用插值算法對所述天地融合數據進行處理，得到完整空間覆蓋的顆粒物濃度數據。

進一步地，S1之前還包括步驟：

S001，獲取衛(wèi)星遙感數據；

S002，對所述衛(wèi)星遙感數據進行預處理，所述預處理包括：輻射校正、幾何校正、去云、去水。

優(yōu)選地，S1包括如下步驟：

S101，基于衛(wèi)星遙感數據，利用暗像元算法，反演得到氣溶膠光學厚度柱濃度數據；

S102，對所述氣溶膠光學厚度柱濃度數據進行垂直訂正，得到氣溶膠近地面“濕”消光系數；

S103，對所述氣溶膠近地面“濕”消光系數進行濕度訂正，得到氣溶膠近地面“干”消光系數；

S104，利用所述氣溶膠近地面“干”消光系數與近地面顆粒物濃度的關系確定近地面顆粒物濃度。

優(yōu)選地，S102具體按照如下步驟實施：利用中尺度模式的預測和地面激光雷達探測獲取混合層高度分布信息，與地面觀測的散射系數建立經驗關系；遙感獲得的氣溶膠光學厚度按照混合層高度和穩(wěn)定度類型轉化為氣溶膠消光系數的垂直分布，再將氣溶膠消光系數的垂直分布轉換為地面消光系數的分布。

優(yōu)選地，所述將氣溶膠消光系數的垂直分布轉換為地面消光系數的分布，按照如下公式進行：

$N_a\left(h\right)\≈N_a\left(0\right)\exp (-\frac{h}{H_a})$

其中，

Na(0)是地面氣溶膠濃度，

Na(h)是在高度為h處的氣溶膠濃度，

Ha是混合層高度。

優(yōu)選地，S103具體按照如下步驟實施：

S1031，利用地面氣象站點觀測的相對濕度數據插值得到局地濕度分布，獲取濕度因子；

S1032，根據所述濕度因子，對所述氣溶膠近地面“濕”消光系數進行濕度訂正。

優(yōu)選地，S104具體按照如下步驟實施：

S1041，基于地基顆粒物濃度觀測數據和對應的氣溶膠近地面“干”消光系數的數據樣本，進行統計回歸分析，擬和出二者的線性模型；

S1042，利用所述線性模型，根據S103中得到的所述氣溶膠近地面“干”消光系數計算區(qū)域尺度的近地面顆粒物濃度。

優(yōu)選地，S2中，所述融合的方法包括：

S201，將所述衛(wèi)星遙感反演數據轉換為矢量格式，得到矢量格式的衛(wèi)星遙感反演數據；

S202，將所述矢量格式的衛(wèi)星遙感反演數據與所述地面監(jiān)測數據融合，得到融合數據。

優(yōu)選地，所述插值算法為IDW插值。

本發(fā)明的有益效果是：本發(fā)明實施例提供了一種基于數據融合的大氣顆粒物遙感監(jiān)測方法，通過將衛(wèi)星遙感反演數據和地面監(jiān)測數據進行融合，并對融合后的結果進行插值運算，得到了完整空間覆蓋的顆粒物濃度數據，有效的解決了由于天氣、衛(wèi)星軌道間隔、云覆蓋問題以及暗目標反演算法本身的局限性造成的顆粒物濃度數據缺失問題，極大的提高了空氣質量監(jiān)測的準確率。

附圖說明

圖1是本發(fā)明實施例提供的方法流程示意圖；

圖2是基于MODIS的PM2.5遙感反演監(jiān)測圖；

圖3是PM2.5遙感反演監(jiān)測數據與地面監(jiān)測數據融合圖；

圖4是融合插值后的PM2.5空間分布圖。

具體實施方式

為了使本發(fā)明的目的、技術方案及優(yōu)點更加清楚明白，以下結合附圖，對本發(fā)明進行進一步詳細說明。應當理解，此處所描述的具體實施方式僅僅用以解釋本發(fā)明，并不用于限定本發(fā)明。

如圖1所示，本發(fā)明實施例提供了一種基于數據融合的大氣顆粒物遙感監(jiān)測方法，可以包括如下步驟：

S1，對衛(wèi)星遙感數據進行反演，得到衛(wèi)星遙感反演的近地面顆粒物濃度；

S2，所述衛(wèi)星遙感反演的近地面顆粒物濃度與地面監(jiān)測數據融合，得到顆粒物濃度的天地融合數據；

S3，利用插值算法對所述天地融合數據進行處理，得到完整空間覆蓋的顆粒物濃度數據。

衛(wèi)星遙感反演顆粒物，由于受天氣、衛(wèi)星軌道間隔、云覆蓋問題以及暗目標反演算法本身的局限性，造成遙感反演的顆粒物分布部分缺失的問題；地面監(jiān)測站點可獲取每天逐小時PM2.5的監(jiān)測數據，從地面監(jiān)測站獲得的大氣顆粒物數據，空間分布較均勻，將遙感反演的PM2.5結果轉換為矢量點的格式，與地面監(jiān)測站點實測值疊加融合，可彌補部分數據缺失。

融合后的結果雖然可以部分提升顆粒物的空間覆蓋，但是受融合數據本身的限制，這種融合方法均不能實現氣溶膠數據完整的空間覆蓋，而插值方法則可以對融合數據進行進一步處理，將剩余的空缺數據通過插值填補，即可獲得完整空間覆蓋的數據。

利用完整空間覆蓋的顆粒物濃度數據，可以極大的提高空氣質量監(jiān)測的準確率。

在本發(fā)明的一個優(yōu)選實施例中，S1之前還可以包括步驟：

S001，獲取衛(wèi)星遙感數據；

S002，對所述衛(wèi)星遙感數據進行預處理，所述預處理包括：輻射校正、幾何校正、去云、去水。

上述融合數據的預處理，主要是針對特定的衛(wèi)星數據源。

在本發(fā)明的一個優(yōu)選實施例中，S1可以包括如下步驟：

S101，基于衛(wèi)星遙感數據，利用暗像元算法，反演得到氣溶膠光學厚度柱濃度數據；

S102，對所述氣溶膠光學厚度柱濃度數據進行垂直訂正，得到氣溶膠近地面“濕”消光系數；

S103，對所述氣溶膠近地面“濕”消光系數進行濕度訂正，得到氣溶膠近地面“干”消光系數；

S104，利用所述氣溶膠近地面“干”消光系數與近地面顆粒物濃度的關系確定近地面顆粒物濃度。

其中，S102具體按照如下步驟實施：利用中尺度模式的預測和地面激光雷達探測獲取混合層高度分布信息，與地面觀測的散射系數建立經驗關系；遙感獲得的氣溶膠光學厚度按照混合層高度和穩(wěn)定度類型轉化為氣溶膠消光系數的垂直分布，再將氣溶膠消光系數的垂直分布轉換為地面消光系數的分布。

優(yōu)選地，所述將氣溶膠消光系數的垂直分布轉換為地面消光系數的分布，可以按照如下公式進行：

$N_a\left(h\right)\≈N_a\left(0\right)\exp (-\frac{h}{H_a})$

其中，

Na(0)是地面氣溶膠濃度，

Na(h)是在高度為h處的氣溶膠濃度，

Ha是混合層高度。

在實際實施過程中，可以設自變量是大氣地面消光系數，因變量是氣溶膠光學厚度，從而得到兩者之間的分布關系，對分布結果進行線性擬合，直線的斜率就是氣溶膠標高，即混合層高度。截距則在另一方面描述了來自對流層上部(2～12km)和平流層的氣溶膠對整層氣溶膠光學厚度的貢獻。將之前反演得到的大氣混合層高度帶入這一相關模型中，就可實現AOD的垂直訂正，獲得氣溶膠近地面消光系數的分布數據。

在本發(fā)明的一個優(yōu)選實施例中，S103具體可以按照如下步驟實施：

S1031，利用地面氣象站點觀測的相對濕度數據插值得到局地濕度分布，獲取濕度因子；

S1032，根據所述濕度因子，對所述氣溶膠近地面“濕”消光系數進行濕度訂正。

相對濕度對氣溶膠消光系數具有顯著影響，尤其對吸濕性氣溶膠占主導地位的城市污染氣溶膠來說，吸濕增長帶來氣溶膠消光系數顯著變化，使得地面觀測的“干”氣溶膠質量濃度與氣溶膠地面消光系數的關系發(fā)生很大變化。基于遙感數據獲取大氣水汽廓線的空間分布數據，從而基于整層數據估算近地面的水汽含量，并由經驗關系結合近地面溫度、壓力場等氣象數據估算監(jiān)測區(qū)域的相對濕度分布。利用地面氣象站點觀測的相對濕度數據插值得到局地濕度分布，對衛(wèi)星反演的近地面相對濕度進行修正，從而獲取較準確的相對濕度空間分布。根據濕度因子，可以對由AOD垂直訂正得到的氣溶膠近地面“濕”消光系數進行濕度訂正，從而得到與PM2.5濃度相關性較高的氣溶膠近地面“干”消光系數。

在本發(fā)明的一個優(yōu)選實施例中，S104具體可以按照如下步驟實施：

S1041，基于地基顆粒物濃度觀測數據和對應的氣溶膠近地面“干”消光系數的數據樣本，進行統計回歸分析，擬和出二者的線性模型；

S1042，利用所述線性模型，根據S103中得到的所述氣溶膠近地面“干”消光系數計算區(qū)域尺度的近地面顆粒物濃度。

由地面觀測的顆粒物濃度數據和近地面“干”氣溶膠消光系數的比對發(fā)現，二者存在很強的相關關系?；诖髷祿康牡鼗w粒物濃度觀測數據和對應的氣溶膠“干”消光系數的數據樣本，進行統計回歸分析，擬和出二者的線性模型。由此基于衛(wèi)星數據反演的近地面“干”氣溶膠消光系數即可計算區(qū)域尺度的近地面顆粒物濃度。

在本發(fā)明的一個優(yōu)選實施例中，S2中，所述融合的方法可以包括：

S201，將所述衛(wèi)星遙感反演數據轉換為矢量格式，得到矢量格式的衛(wèi)星遙感反演數據；

S202，將所述矢量格式的衛(wèi)星遙感反演數據與所述地面監(jiān)測數據融合，得到融合數據。

衛(wèi)星遙感反演顆粒物，由于受天氣、衛(wèi)星軌道間隔、云覆蓋問題以及暗目標反演算法本身的局限性，造成遙感反演的顆粒物分布部分缺失的問題；從地面監(jiān)測站獲得的大氣顆粒物數據，空間分布較均勻，可部分填補衛(wèi)星反演結果中大范圍數據缺失區(qū)域。將衛(wèi)星遙感反演的顆粒物結果轉為矢量點的形式，與地面實測點融合。

在本發(fā)明的一個優(yōu)選實施例中，所述插值算法可以選擇IDW插值。

在眾多的插值方法中，IDW(Inverse Distance Weighted)是一種常用而簡便的空間插值方法，它以插值點與樣本點間的距離為權重進行加權平均，離插值點越近的樣本點賦予的權重越大。IDW通過對鄰近區(qū)域的每個采樣點值平均運算獲得內插單元。這一方法要求離散點均勻分布，并且密度程度足以滿足在分析中反映局部表面變化。IDW插值受采樣點范圍、采樣點密度、采樣點屬性取值變化以及各自的參數影響，當采樣點足夠密時，使用IDW插值可以取得良好效果。本發(fā)明中，基于天地數據融合后的影像采樣點足夠密集，可優(yōu)選IDW插值算法。

具體實施例

下面結合一個實際案例予以說明本發(fā)明實施例提供的基于數據融合的大氣顆粒物遙感監(jiān)測方法的實施過程：

一、衛(wèi)星遙感數據反演。研究利用2016年5月5日的MODIS衛(wèi)星影像數據，進行氣溶膠遙感反演，并利用邊界層高度和濕度進行垂直訂正和濕度訂正，基于近地面“干”消光系數與近地面顆粒物質量濃度的關系確定近地面顆粒物質量濃度，得到基于MODIS的PM2.5遙感反演監(jiān)測圖，如圖2所示。

從圖2中可以看出，白色的區(qū)域為缺失數據的空間，所以，衛(wèi)星遙感反演數據的空間覆蓋率低，不利于精確的進行空氣質量的預報預測。

二、地面實測數據與衛(wèi)星遙感反演產品融合。地面監(jiān)測站點可獲取每天逐小時PM2.5的監(jiān)測數據，將遙感反演的PM2.5結果轉換為矢量點的格式，與地面監(jiān)測站點實測值疊加融合，融合后的數據空間覆蓋情況可參見圖3.

從圖3可以看出，在圖中白色的區(qū)域出現了一些數據點，彌補了部分數據缺失，提升了數據的空間覆蓋率。

三、對融合數據進行插值處理。衛(wèi)星遙感反演的近地面顆粒物濃度與地面監(jiān)測數據融合后，雖然可以部分提升氣溶膠數據的空間覆蓋率，但是受融合數據本身的限制(如圖3所示，還存在大量的白色區(qū)域，即存在大量的數據缺失)，數據融合還不能實現氣溶膠數據完整的空間覆蓋，采用IDW插值算法對融合數據處理后，就可以將剩余的空缺數據填補上，從而獲得完整空間覆蓋的數據，如圖4所示，不存在白色區(qū)域，即實現了完整的空間覆蓋。

以上具體實施例說明，本發(fā)明實施例提供的基于數據融合的大氣顆粒物遙感監(jiān)測方法，可以較好的彌補衛(wèi)星遙感反演得到的大氣顆粒物濃度數據的缺失，使區(qū)域空間覆蓋率達到100％，利于提高空氣質量監(jiān)測與預報的準確率。

通過采用本發(fā)明公開的上述技術方案，得到了如下有益的效果：本發(fā)明實施例提供了一種基于數據融合的大氣顆粒物遙感監(jiān)測方法，通過將衛(wèi)星遙感反演數據和地面監(jiān)測數據進行融合，并對融合后的結果進行插值運算，得到了完整空間覆蓋的顆粒物濃度數據，有效的解決了由于天氣、衛(wèi)星軌道間隔、云覆蓋問題以及暗目標反演算法本身的局限性造成的顆粒物濃度數據缺失問題，極大的提高了空氣質量監(jiān)測與預報的準確率。

本說明書中的各個實施例均采用遞進的方式描述，每個實施例重點說明的都是與其他實施例的不同之處，各個實施例之間相同相似的部分互相參見即可。

本領域人員應該理解的是，上述實施例提供的方法步驟的時序可根據實際情況進行適應性調整，也可根據實際情況并發(fā)進行。

上述實施例涉及的方法中的全部或部分步驟可以通過程序來指令相關的硬件來完成，所述的程序可以存儲于計算機設備可讀取的存儲介質中，用于執(zhí)行上述各實施例方法所述的全部或部分步驟。所述計算機設備，例如：個人計算機、服務器、網絡設備、智能移動終端、智能家居設備、穿戴式智能設備、車載智能設備等；所述的存儲介質，例如：RAM、ROM、磁碟、磁帶、光盤、閃存、U盤、移動硬盤、存儲卡、記憶棒、網絡服務器存儲、網絡云存儲等。

最后，還需要說明的是，在本文中，諸如第一和第二等之類的關系術語僅僅用來將一個實體或者操作與另一個實體或操作區(qū)分開來，而不一定要求或者暗示這些實體或操作之間存在任何這種實際的關系或者順序。而且，術語“包括”、“包含”或者其任何其他變體意在涵蓋非排他性的包含，從而使得包括一系列要素的過程、方法、商品或者設備不僅包括那些要素，而且還包括沒有明確列出的其他要素，或者是還包括為這種過程、方法、商品或者設備所固有的要素。在沒有更多限制的情況下，由語句“包括一個……”限定的要素，并不排除在包括所述要素的過程、方法、商品或者設備中還存在另外的相同要素。

以上所述僅是本發(fā)明的優(yōu)選實施方式，應當指出，對于本技術領域的普通技術人員來說，在不脫離本發(fā)明原理的前提下，還可以做出若干改進和潤飾，這些改進和潤飾也應視本發(fā)明的保護范圍。