广州大气颗粒物水溶性有机氮的粒径分布特征和来源分析

水溶性有机氮(WSON)在大气化学和气候变化中具有重要作用,目前鲜有针对WSON粒径分布的研究。本研究利用大流量采样器在2014年9月至2015年7月期间采集了广州市各个季节PM_(10)中不同粒径段(0.49μm、0.49～0.95μm、0.95～1.5μm、1.5～3.0μm、3.0～7.2μm、7.2～10μm)大气颗粒物样品共100个,分析了其中的水溶性总氮(WSTN)、WSON以及水溶性无机氮(WSIN)含量。结果表明,各个粒径段中WSON的浓度呈现相似的季节变化特征,秋、冬季较高,春、夏季较低。WSON主要分布在细颗粒物上,PM_3中WSON的季节平均浓度在1.15～2.62μg/m~3范围内,占PM_(10)中WSON总量的63%～71%。WSON的粒径分布呈现单峰分布,主要富集在0.49～1.5μm粒径段。主成分分析/绝对主成分得分(PCA/APCS)分析表明,0.49μm颗粒物上的WSON主要来源于本地化石燃料的燃烧排放;0.49～0.95μm颗粒物的WSON主要来源于建筑扬尘和光化学氧化二次生成过程;0.95～1.5μm颗粒物的WSON主要来源于光化学氧化二次生成过程。研究结果增加了目前对于WSON粒径分布特征和来源的认识。     

遥感影像云检测网络泛化性能研究：以DeepLabv3+为例

近年来,深度学习算法得到了长足的发展,并开始应用于云检测。但是深度神经网络模型参数众多,依赖大量训练样本,因此理解其泛化性能对于深度学习在不同遥感影像的实际应用具有重要的参考价值。本文以深度语义分割算法DeepLabv3+为例,以一组广泛使用的云标记数据集"L8 Biome"为验证数据,探讨该算法用于云检测时在不同的地表景观、空间分辨率和光谱波段组合的遥感影像上的泛化性能。云标记数据集"L8Biome"包含96景具有全球代表性的Landsat 8 OLI影像及相应的人工云掩膜,被广泛用于测试云和云阴影检测算法性能。首先,利用Landsat 8 OLI云标记数据集"L8 Biome",构建不同类型景观、不同空间分辨率、不同波段组合的训练影像集和测试影像集;其次基于不同训练样本集和测试集,评估了DeepLabv3+算法在不同情况下的云检测精度,并与Fmask算法作对比分析。研究结果表明:(1)使用全混合景观类型的训练集训练出来的云检测网络在总体检测精度(92.81%)与稳定度(标准差12.08%)上都优于使用单一景观类型的训练集训练得到的云检测网络,也优于Fmask的总体精度(88.75%)与稳定度(标准差17.34%),说明在构建深度学习算法的训练集时,应该尽可能包含多类型的地表景观;(2)将全混合景观训练集中剔除一类景观的样本(冰/雪景观除外)构建的"混合-1"训练集与全混合景观训练集训练的DeepLabv3+网络的云检测精度也相差不大,说明现有训练样本集已具备较强的景观泛化能力;(3)基于30 m空间分辨率的全混合景观训练样本集训练得到的DeepLabv3+云检测网络在不同分辨率(30 m、60 m、120 m、240 m)的测试集上云检测精度差异不大,都取得较好的效果,说明DeepLabv3+能够泛化应用于不同空间分辨率的遥感影像,相反Fmask直接应用于低分辨率影像时精度明显下降;(4) DeepLabv3+能充分自适应不同波段的信息用于云检测,总体来说更多的光谱波段输入能够提高DeepLabv3+的云检测的精度和稳定度,其中短波红外波段对于DeepLabv3+区分冰/雪与云具有重要价值,而热红外波段对DeepLabv3+云检测网络的性能提升很微小。以上结果说明利用现有数据集"L8 Biome"训练的DeepLabv3+云检测网络能够适用于多种类型的遥感影像,并优于Fmask算法。