基于深度学习的日间逐小时地表PM2.5浓度反演

以长三角地区作为研究区域,提出了使用深度学习算法来实现主被动遥感数据结合反演地表PM_2.5浓度的方法。基于MPL观测数据,使用雾霾层高度(HLH)替换了边界层高度(BLH)特征,对已有的基于气溶胶光学厚度(AOD)结合大气BLH来反演PM_2.5浓度的算法进行了改进。为提高数据覆盖率,对研究区域内的MAIAC AOD进行了填补与评估。利用多种机器学习算法实现了日间逐小时的PM_2.5浓度估算,模型验证相关性最高可达0.87。该方法能够为观测气候变化、应对大气污染提供有效帮助。     

结合卫星遥感的PM2.5浓度估算与站点异常分析

针对大气污染难监测、异常数据难分析等问题,充分发挥气象卫星多时相观测优势,以N维代价函数算法为依托进行逐小时气溶胶光学厚度反演。进一步以随机森林回归算法为基础,结合气象参数、地面监测参数等辅助变量进行近地面PM2.5浓度估算,并据此开展时空分布与浓度异常分析。江苏省2021年1–6月PM2.5浓度遥感估算精度验证结果显示,其相关性精度达到94%,偏差为5.59μg/m3,证明以卫星遥感数据为基础进行PM2.5浓度估算具有高可靠性与可行性。通过其建立的全区域、多时相监测体系可有效进行PM2.5浓度的时空分布分析,明晰PM2.5分布状况,助力空气污染治理管控。通过卫星估算结果与地面站点监测结果的对比分析,准确识别大泉街道数据低报事件,验证人为干扰数据采集工作,实现星地数据双向监督。文章研究证明,卫星遥感技术可有效支撑近地面PM2.5浓度估算与数据异常分析,推动新时代生态文明建设。     

基于深度学习的SAR图像质量提升方法研究

提升合成孔径雷达(SAR)图像质量以增强其可判读性,一直是SAR图像处理中的关键问题。近年来,深度学习在光学图像处理中取得显著的成功,并逐步应用到SAR图像质量提升领域。对深度学习在SAR图像质量提升中的关键应用进行综述,对深度学习在SAR图像质量提升中采用的典型网络进行了介绍,并从SAR图像旁瓣抑制、超分辨(SR)处理和图像融合3个方面对深度学习的应用进行阐述。最后,分析与探讨了基于深度学习的SAR图像质量提升中的关键问题及进一步研究方向。     

一种星-箭连接动态界面力的深度学习反演方法

针对于星-箭连接动态界面力无法通过力传感器直接测量,且典型时域动载反演方法难以准确计算界面力的时域变化等难点,提出了基于长短时记忆(LSTM)神经网络的星-箭界面力深度学习反演方法。首先通过卫星地面测试试验得到数据依据,以卫星主体结构的加速度测量数据为输入层,以星-箭界面力测量数据为输出层,利用LSTM神经网络建立输入和输出间的反演映射关系模型,实现卫星在发射过程中较高精度的界面力反演。进而,设计并开展了某典型卫星结构的正弦扫频和随机振动实验,测试LSTM界面力反演方法的可行性。结果分析可知,所提出的基于LSTM深度学习反演方法能够精确地获得动态界面力时程数据,两项性能指标均优于目前典型的载荷反演方法。     

星载“偏振交火”传感器设计及初步在轨应用

针对近地表细颗粒物含量的卫星遥感精度问题,系统提出了“偏振交火”的卫星遥感策略和模型,开发了高精度偏振扫描仪(POSP)和多角度偏振成像仪(DPC)双偏振载荷套件,装载在大气环境监测卫星上并成功发射。本文在介绍“偏振交火”原理的基础上,系统论述了载荷工程的实现方法和在轨应用方法,初步展示和评估了在轨应用效果。在轨初步应用结果显示:双偏振载荷间能够实现稳定交火工作,视场匹配精度优于0.077 POSP像元;基于L1级数据初步开展了双偏振载荷间的辐射和偏振交叉定标/验证,共有波段拟合优度(R²)分别达到0.999和0.993;基于“偏振交火”载荷观测数据融合反演的近地表PM2.5与地基网络监测结果的相关性为0.684,偏差落在期望误差(EE)范围内的比例为88.36%。初步在轨结果达到了预期应用目标,显示了“偏振交火”方案在气溶胶污染监测方面的应用潜力。