如有研究需要数据,请与QQ1807232;或微信扫码添加客服咨询

PM2.5遥感监测服务

基于MODIS原始观测信号实现近地表大气颗粒物浓度遥感监测,可避免传统AOT-PM2.5关系模型中AOT反演过程中的误差传播。目前,已实现遥感反演大气颗粒物浓度多种空间分辨率产品(10KM、1KM、500m、250m)的算法,其中,PM2.5浓度1KM遥感反演系统已在江苏省环境监测总站业务化运行。

功能说明

    基于MODIS原始观测信号实现近地表大气颗粒物浓度遥感监测,可避免传统AOT-PM2.5关系模型中AOT反演过程中的误差传播。目前,已实现遥感反演大气颗粒物浓度多种空间分辨率产品(10KM、1KM、500m、250m)的算法,其中,PM2.5浓度1KM遥感反演系统已在江苏省环境监测总站业务化运行。

技术指标

    1.算法设计

    为满足环保部门业务化运行的需求,PM2.5遥感监测平台输入数据为MODIS 1B数据,其技术路线如图1所示。

图1 基于DOS-MODIS数据直收系统的大气颗粒物浓度遥感估算技术流程图

    将经过云处理的MODIS观测信号通过奇异分解(SVD)的方法获得协方差矩阵,以之作为输入数据,考虑卫星-太阳几何角,以地面观测的PM2.5数据作为目标数据,同样将匹配得到的数据集L-M算法优化的人工神经网络模型进行PM2.5浓度反演模型。在构建模的过程中,发现MODIS的第五通道(1230-1250nm)观测数据经常会出现条带,不能直接用于PM2.5的反演计算,如图2所示。

图2 2013年1月28日MODIS Channel-5影像

    本项目构建了基于LM-BP算法的3层神经元神经网络,其组成为输入层、隐藏层和输出层,每层都可以包含多个节点或神经元。输入层包括6个节点(输入参数):MODIS L1B数据的6个波段;输出层为PM2.5浓度。输入层与输出层之间被称为隐藏层,通过调整训练过程中的权重减小误差。神经网络的节点(神经元)之间通过输出信号和权重相联系,输出信号和权重通过一个正弦激活函数来调整。训练的过程是将输入数据反复输入神经网络,在数据每次通过时计算输出数据,并与目标数据相比得到一个误差,再将这个误差反馈给网络,通过网络的迭代训练调整权重值直至得到最小方差的最优权重,此时训练完成,所得网络即可根据新的输入数据进行估算或者预报。图3表示的是神经网络整个训练的流程图。

图3 多层神经网络模型估算大气颗粒物浓度流程度

    2.算法解读评价

    对于神经网络的表现使用绝对误差百分比(APE)及实际值与估算值之间的相关性分析来衡量。

    江苏省地面PM2.5监测数据(站点分布如图4所示)用来进行神经网络的训练、测试和验证,将这些数据随机分配到三个子集,训练(40%)和测试数据集(20%)和验证数据集(40%)。训练数据用于训练神经网络中隐含的多层感知器;测试数据用于测试各次迭代训练后学习过程的表现;验证数据集则是用来执行最终验证神经网络估计得到的大气颗粒物浓度。

图4 2013年3月8日MODIS遥感合成影像及江苏省PM2.5地面监测站点分布

    图5显示的是引入了气象参数的PM2.5浓度反演算法的精度评价。两者相关系数R=0.82,其置信度95%的置信区间为:[0.5134,0.5312],[0.0379,0.0470],通过95%置信度检验。

图5 江苏省PM2.5遥感反演的验证结果

系统成果

    该系统为满足用户特定需求,支持自动成图、输出功能。

    下图为系统成果图: