三江源蒸散发遥感估算及其时空分布特征研究

蒸散发是地表水热平衡的基本变量,也是衡量植被生长水分适应性的重要指标。针对三江源地面实测资料匮乏的现状,以MODIS系列产品为主要数据源,通过对地表温度—植被指数特征空间法的改进,在日尺度实现了该地区2011～2019年蒸散发的连续遥感估算,并进一步解析其时空变化特征与影响因子,揭示不同土地覆被类型的蒸散发差异,以期为三江源畜牧业可持续发展与生态环境保护提供支撑。对比分析表明：蒸散发的估算结果达到了现有遥感蒸散发产品的精度要求,可用于分析三江源地区蒸散发的时空变化特征。近9年,三江源蒸散发总体呈现先减少后增加趋势,多年平均值为420.04 mm;受海拔与降水控制,蒸散发空间分布异质性明显,从东南向西北逐渐减少;3 194～4 620 m海拔范围内,蒸散发随海拔高度增加呈单峰型变化,站点尺度年蒸散发与降水量之间的相关系数为0.71。虽然不同土地覆被分类系统下蒸散发的统计结果存在差异,但单位面积蒸散发具有林地>灌丛/灌木林>草地/草甸>裸土地/无植被区的明显特征,像元尺度多年平均蒸散发与植被覆盖度的相关系数高达0.77。     

基于GOCI卫星的大气细颗粒物PM2.5的遥感反演及其时空分布规律研究

随着我国经济的快速发展和城市化进程的加快,大气细颗粒物PM_2.5已经成为影响我国大气环境污染的主要因素之一。利用静止卫星数据可以获取大范围的面状PM_2.5信息,为我国大气环境的监测、治理、预测等提供了不可替代的数据源。以江苏省为研究区,利用静止卫星GOCI数据,在反演逐时气溶胶光学厚度（AOD）的基础上,结合气象因子,利用多元统计分析进行了研究区PM_2.5的遥感反演研究。结果表明：基于AOD的多元统计模型,在估计的PM_2.5浓度和观测值之间表现出良好的一致性,拟合度R ²为0.665 2。在对AOD进行湿度订正后得到的dry AOD进行多元统计建模,预测的PM_2.5浓度与观测值之间的拟合度R ²达到了0.702 6,证明了经过湿度订正后的“干”AOD与PM_2.5之间建立的关系更加可靠。使用GOCI反演的AOD计算PM_2.5浓度,在空间分辨率和时间分辨率上充分体现了GOCI作为静止卫星监测PM_2.5的优势。在空间分分辨率上,基于GOCI卫星获取AOD的空间分辨率为500 m,优于MODIS 10 km的AOD产品;时间分辨率上,基于GOCI获取AOD实现每日自9:00~16:00逐小时监测,优于MODIS每日两次的AOD产品。     

基于时空相关性的LSTM算法及PM2.5浓度预测应用

现阶段空气污染物粒子浓度演进过程模拟与预测算法忽视了粒子浓度的空间相关性,且没有实现粒子浓度的时间依赖性与空间相关性融合.对此,提出基于时空相关性的LSTM算法(TS_LSTM)并应用于PM2.5浓度预测.该算法提出空间相关性及其相关因子计算方法;将局部区域相关性因子与LSTM算法的遗忘门和记忆门融合,建立基于局部地理...     

中国东部沿海四省一市PM2.5浓度遥感估算方法研究

卫星遥感反演的气溶胶光学深度（AOD）产品已被广泛应用于近地面PM_2.5浓度的估算。已有研究表明通过构建AOD和PM_2.5之间的高级统计模型—线性混合效应模型（LME）可以有效获取近地面PM_2.5浓度的空间分布,但由于引入了大量的气象和土地利用等因子,使得模型对变量的解译能力有所降低。为此,基于MODIS AOD（空间分辨率：3 km）,以我国东部长江三角洲—福建—广东（YRD-FJ-GD）为研究区,构建了两种非参数机器学习模型,即支持向量机（SVM）和随机森林（RF）模型,来估算2018年YRD-FJ-GD地区的近地面PM_2.5浓度,并将其与线性混合效应模型（LME）的估算结果进行对比。研究发现,3种模型估算的PM_2.5浓度与地面实测值之间的R²均高于0.6,其中,RF模型的估算精度最优,模型拟合的R²高达0.91,比SVM模型（R²=0.79）和LME模型（R²=0.64）的估算结果分别提高了13%和30%;且RMSE（~9.07 μg/m³）也远低于LME（~19.09 μg/m³）和SVM模型（~17.29 μg/m³）。此外,由随机森林（RF）模型估算的2018年YRD-FJ-GD地区的PM_2.5空间分布显示,长江三角洲（YRD）地区的年均PM_2.5浓度最高（>46 μg/m³）,其次为广东省（GD）,福建地区（FJ）的年均PM_2.5浓度最低（<37 μg/m³）;4个季节的平均PM_2.5浓度则呈现冬季（46.32 μg/m³）>春季（38.80 μg/m³）>秋季（36.15 μg/m³）>夏季（30.16 μg/m³）的分布格局。研究结果表明：与高级统计模型（LME）和机器学习（SVM）相比,随机森林（RF）模型能更好地应用于YRD-FJ-GD地区的PM_2.5浓度估算。     

基于LSTM的PM2.5浓度预测模型

随着近年雾霾天气的频繁出现,空气质量开始越来越受到公众关注。PM2.5浓度指数是判断空气质量的重要指标,如何根据历史数据有效地预测空气中PM2.5浓度,具有很高的应用价值。分析以往空气质量数据表明,PM2.5浓度有明显的非线性和不确定性波动,很难用传统机器学习算法有效地预测。本文基于LSTM循环神经网络,依据过去20小时采集的空气数据,预测未来5小时的PM2.5浓度指数。实验结果表明,LSTM可以有效地捕获空气质量的时序特征,较准确预测出未来时刻的PM2.5浓度指数。     

基于KNN-LSTM的PM2.5浓度预测模型

目前多数PM_2.5浓度预测模型仅利用单个站点的时间序列数据进行浓度预测, 并没有考虑到空气质量监测站之间的区域关联性, 这会导致预测存在一定的片面性. 本文利用KNN算法选择目标站点所在区域中与其相关的空间因素, 并结合LSTM模型, 提出基于时空特征的KNN-LSTM的PM_2.5浓度预测模型. 以哈尔滨市10个空气质量监测站的污染物数据进行仿真实验, 并将KNN-LSTM模型与其他预测模型进行对比, 结果显示: 模型相较于BP神经网络模型平均绝对误差(MAE)、均方根误差(RMSE)分别降低了19.25%、13.23%; 相较于LSTM模型MAE、RMSE分别降低了4.29%、6.99%. 表明本文所提KNN-LSTM模型能有效提高LSTM模型的预测精度.     

基于WT-BiLSTM-ARMA模型的PM2.5浓度预测研究

针对PM2.5浓度预测问题,提出一种基于小波变换的模型。在北京市六个大气污染监测站测得的PM2.5浓度数据上,运用小波分解算法对原始数据序列进行特征提取,使用BiLSTM对高频序列进行预测,同时使用ARMA对低频序列进行预测,最后将各个子序列的预测值进行小波重构得到最终预测结果。实验结果表明,相较于传统单一模型和组合模型,该模型的性能和预测精度均有提高。     

基于随机森林的高分辨率 PM2.5 遥感反演 ——以广东省为例

细颗粒物(PM2.5)监测是大气污染治理的重要手段,受限于地面观测点的数量,从遥感反演 PM2.5 是常规地面观测的有效补充,是当前的研究热点。通常遥感反演 PM2.5 的思路是先反演大气气溶胶光学厚度,然后基于统计关系由大气气溶胶光学厚度反演 PM2.5。该方法容易造成误差传递,从而 导致反演模型的不稳定。该文提出了一种基于随机森林算法(一种机器学习算法)的 PM2.5 遥感反演方法,直接建立中分辨率成像光谱仪(Moderate Resolution Imaging Spectroradiometer,MODIS)影像与地 面实测 PM2.5 的关系,可以避免传统反演 PM2.5 时先反演大气气溶胶光学厚度带来的误差,最终得到精度更高的 PM2.5 反演结果。该方法先用随机森林算法对 MODIS 影像和经过克里金插值后的地面监测站PM2.5 数据进行训练和测试;然后,根据测试的均方根误差从多个模型中选取最优(均方根误差最小)的模型;最后,将此模型用于整幅 MODIS 影像,得到整个区域的 PM2.5 反演结果。实验选取了广东省 四个季节多幅 MODIS 影像数据进行验证,并通过决定系数和均方根误差两个表现指标进行对比和分析,验证了所提算法的优越性。     

2001~2018年我国热异常点时空分布特征研究

基于2001~2018年MODIS标准产品,研究了我国及七大区域热异常点的时空分布特征。结果表明：空间分布上,热异常点主要分布在除西北、西南之外的大部分地区;年际趋势上,2001~2014年间热异常点数量持续上升,年均增长率为15.01%,2015年后逐年下降,年均下降率为14.96%。月季尺度上,热异常点在春、秋季节出现最为频繁（春：551 716个,秋：416 698个）,春、秋季相对在东北地区分布最多（春：164 898个,秋：186 727个）,东北地区月均数量10月最高（118 274个）;夏季热异常点数量最低（290 793个）,多分布于华东地区（120 455个）,华东地区月均数量6月最高（76 465个）;冬季数量为358 483个,且在华南地区分布最多（108 209个）,华南地区月均数量1月最高（37 770个）。研究有助于掌握我国典型区域的森林、草原火灾,以及由于秸秆焚烧、工业排放等引起热异常的变化情况,进而为区域灾害防治和环境监测提供技术支撑。     

Estimation and Spatial-temporal Distribution Characteristics of PM2.5 Concentration by Remote Sensing in China in 2015

Air pollution characterized by PM2.5 pollutants poses severe challenges to the sustainable development of society and human health. Therefore, it is of great significance to clarify the spatial-temporal distribution and evolution of PM2.5 pollutants in China for regional joint prevention and control of PM2.5 pollutants. Based on the MODIS satellite aerosol products, meteorological basic data and PM2.5 pollutant monitoring site monitoring data, a geographically weighted regression model was established to simulate and estimate PM2.5 pollutant concentration in China in 2015 on the basis of aerosol and meteorological data pre-processing. In addition, the spatial distribution pattern, the seasonal evolution characteristics of PM2.5 pollutant concentration were analyzed. The results showed that: (1) the PM2.5 concentration values in China in 2015 as a whole showed obvious spatial zonal differentiation characteristics. The concentration of pollutants in the north is significantly higher than that in the south, and the areas with high PM2.5 concentrations are mainly concentrated in the Beijing-Tianjin-Hebei region, the Jianghuai plain, the Sichuan basin, and the Takaramalkan desert. The area has a wide spatial distribution and significant continuity; (2) The PM2.5 concentration in the fourth quarter showed obvious seasonal adaptive evolution characteristics. The PM2.5 concentration changed significantly in the season. PM2.5 pollution was the heaviest in the fourth quarter, followed by the first quarter of the third quarter and the lowest in the second quarter. The maximum occurred in the fourth quarter (165 μg/m³). The minimum appeared in the second quarter (4.3 μg/m³). Seasonal changes in PM2.5 concentrations were influenced by meteorological factors and human social activities; and (3) The accuracy of the inversion of PM2.5_{concentration by a multi-factorial, geographically weighted regression model was higher, with relative errors in the four quarters being 10.2%, 7.0%, 9.3%, and 8.6%, respectively.}     

Remote Sensing Retrieval of Atmospheric Fine Particle PM2.5 based on GOCI Satellite and Its Temporal and Spatial Distribution

With the rapid development of China's economy and the acceleration of urbanization, PM_2.5 has become one of the major factors affecting atmospheric environmental pollution in China. The use of geostationary satellite data can obtain a wide range of regional PM_2.5information, providing irreplaceable data sources for China's atmospheric environment monitoring, control, and forecasting. This paper uses the geostationary satellite GOCI data, based on Aerosol Optical Depth (AOD) retrieveal, combined with meteorological factors, and uses multivariate statistical analysis to study the remote sensing retrieval of PM_2.5 in the study area. The results show that the multivariate statistical model based on AOD shows a good agreement between the estimated PM_2.5 concentration and the observed values, and the fitting degreeR ² is 0.665 2. After multivariate statistical modeling of dry AOD obtained after moisture correction of AOD, the fitting degree R² between the predicted concentration of PM_2.5 and the observed value reached 0.702 6, which proved the relationship established betweenthe “dry” AOD after the humidity correction and PM_2.5 is more reliable.The use of GOCI-retrieved AOD to calculate PM_2.5 concentration fully reflects the advantages of GOCI as a geostationary satellite in spatial resolution and temporal resolution. In terms of spatial resolution, the spatial resolution of AOD based on GOCI satellite reachs to 500 meters, which is better than MODIS 10 km AOD product.In terms of temporal resolution,hourly AOD monitoring from 9:00 to 16:00 based on GOCI can be obtained,which is better than MODIS twice daily AOD products.     

基于随机森林的京津冀地区PM2.5遥感反演及变化分析

大气细颗粒物PM_2.5是影响人类生存环境和身体健康的主要大气环境污染物,研究PM_2.5质量浓度季节变化的规律及空间分布特征,对于大气污染物的预防和治理有着重要的意义。利用2018～2020年MODIS卫星L2级AOD产品、MERRA-2气象数据以及地面站点PM_2.5实测数据,基于改进的随机森林算法,构建AOD-PM_2.5反演模型,对京津冀地区PM_2.5质量浓度进行估算,并分析PM_2.5质量浓度空间分布特征以及季节变化规律。结果表明：(1)春夏秋冬4组模型决定系数(R2)均值分别为0.78、0.66、0.83、0.83,模拟精度较高。(2)2018～2020年京津冀地区春夏秋冬四季PM_2.5浓度呈显著的空间分布特征及季节变化规律。其中PM_2.5污染最大值出现在冬季,最小值出现在夏季。(3)历年同季节相比,京津冀地区PM_2.5污染范围和浓度数值均有所减小,2020春季和秋季PM_2.5<...     

长春净月潭遥感实验区玉米遥感估产模式研究

以长春净月潭遥感试验区和吉林省梨树县为主要试验区，研究建立玉米遥感估产模式。利用多种图像处理方法提取玉米播种面积，建立单产估产模型，对试验区1992年玉米产量进行了估算预报，结果较好。     

森林叶面积指数遥感反演模型构建及区域估算

基于eCognition面向对象分类算法及校正后的TM遥感影像,获取研究区2010年土地利用/覆被数据。同时在ArcGIS平台下,提取遥感影像6个波段反射率及RVI、NDVI、SLAVI、EVI、VII、MSR、NDVIc、BI、GVI和WI等10个植被指数,并辅助于DEM、ASPECT、SLOPE等地形信息,在与植物冠层分析仪(TRAC)实测各森林类型叶面积指数相关性分析的基础上,研究表明:相对多元线性回归方法,偏最小二乘法能够更好地把握各森林类型LAI动态变化,而后结合研究区森林覆被信息进行区域估算。     

北京地区PM_(2.5)质量浓度分布及其与气象条件影响关系分析

近些年来,随着城市规模的扩大及工商业的发展,雾霾污染越来越严重。作为产生雾霾天气的主要原因之一,PM_(2.5)受到了空前的关注。在一定条件下,污染物的生成、积累和扩散主要取决于气象条件。因此,本文收集了2009年2月18日至2013年12月31日期间北京市PM_(2.5)质量浓度监测资料和同期气象观测资料,根据PM_(2.5)的实际分布情况,研究了北京市PM_(2.5)污染状况及其与气象条件的相互影响关系,为北京市PM_(2.5)监测和污染防治提供参考。结果表明,北京市PM_(2.5)质量浓度呈现明显的非正态分布,年均污染水平在100μg·m~(-3)左右。风速、相对湿度和日照时数等气象条件对于细颗粒物的污染程度有着较显著的影响。风速低,相对湿度高时,会导致PM_(2.5)的积累,从而降低了日照时数。同时,北京地区特殊的地形使得西北风下颗粒物能够较快扩散。     

遥感技术在中国湿地研究中的应用

对中国湿地研究中遥感技术应用状况予以回顾，讨论遥感信息在湿地资源利用与保护过程中的应用优势及意义，在此基础上概要总结遥感技术在中国湿地研究中的应用效果和发展前景。     

CropStraw Fire Remote Sensing Monitoring and Its Algorithm Implementation

in order to obtain the information and achieve the effective control of crop straw fire spatial distribution in Central China Region.The MODIS L1B remote sensing datasets during 2014 for the main data source in this article,and combined with land use data,the farmland of Central China Region was taken as study region.Based on the enhanced contextual fire remote sensing detection algorithm,and make full use of the theoretical knowledge of quantitative remote sensing and Geospatial Data Abstraction Library (GDAL)and other technical means,to achieve the crop straw fire recognition in Central China Region.Using Ministry of Environmental Protection of the People’s Republic of China release the daily newspaper of crop straw fire in China and the standard fire products (MYD14)of MODIS for the comparative analysis of the quantitative and spatial.The results indicate that the algorithmof this paper can achieve crop straw fire remote sensing monitoring of this study region effectively,and the parameters can be adjusted in real time based on the characteristic of the study region,and improve the automation and working efficiency of crop straw fire monitoring.