| 基于深度学习的日间逐小时地表PM2.5浓度反演 |
| |
| 引用本文： | 徐成康,陈斯婕,董长哲,徐文韬,刘东.基于深度学习的日间逐小时地表PM2.5浓度反演[J].上海航天,2023,40(3):46-52. |
| |
| 作者姓名： | 徐成康 陈斯婕 董长哲 徐文韬 刘东 |
| |
| 作者单位： | 浙江大学 光电科学与工程学院，浙江 杭州 310027;上海卫星工程研究所，上海 200240 |
| |
| 基金项目： | 国家自然科学基金(41775023);国家重点研发计划(2016YFC1400900);上海航天科技创新基金(SAST2021-051) |
| |
| 摘 要： | 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PM2.5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PM2.5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PM2.5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。
|
| 关 键 词： | PM2.5 遥感反演 雾霾边界层(HLH) 主被动结合 深度学习 |
| 收稿时间： | 2023/2/28 0:00:00 |
| 修稿时间： | 2022/3/24 0:00:00 |
Deep Learning-Based Daytime Hourly PM2.5 Concentration Inversion |
| |
| XU Chengkang,CHEN Sijie,DONG Changzhe,XU Wentao,LIU Dong.Deep Learning-Based Daytime Hourly PM2.5 Concentration Inversion[J].Aerospace Shanghai,2023,40(3):46-52. |
| |
| Authors: | XU Chengkang CHEN Sijie DONG Changzhe XU Wentao LIU Dong |
| |
| Abstract: | |
| |
| Keywords: | PM2 5 remote sensing inversion haze layer height (HLH) active-passive combination deep learning |
|
| 点击此处可从《上海航天》浏览原始摘要信息 |
| 点击此处可从《上海航天》下载免费的PDF全文 |
