Himawari-8气溶胶变分同化对PM2.5污染模拟的改进

利用地球静止轨道卫星Himawari-8 气溶胶光学厚度 (AOD) 产品能够估算空间覆盖范围广、时间分辨率高的 近地表 PM2.5 浓度。基于三维变分同化系统将AOD估算得到的 PM2.5 资料同化进入WRF-Chem大气化学模式中, 通过 控制实验与同化实验的对比与分析, 探讨了AOD估算得到的PM2.5资料同化对 PM2.5 污染模拟的改进作用。实验结果 表明： (1) AOD估算得到的 PM2.5 资料同化能够改进 PM2.5 污染模拟效果;(2) PM2.5 污染模拟改进效果存在时空差异。 此外, 与其他研究中使用AOD观测算子直接同化AOD的方法相比, 该方法的操作更加简单。     

2004–2018 年间中国区域气溶胶时空变化特征研究

基于 2004–2018 年 MODIS 长期观测的气溶胶日产品 MOD04 L2, 利用线性倾向估计法和 AOD-AE 气溶胶类 型划分法, 得到中国区域长时间序列的气溶胶光学特性与气溶胶类型的时空变化规律。研究表明, 在此期间: (1) 550 nm 处气溶胶光学厚度 (AOD) 高值分布在海拔较低、人口密集、工业发达的大城市群, 低值分布在人烟稀少、植被覆 盖度高的山区和草原; Ångstrom ¨ 波长指数 (AE) 高值分布在四川盆地边缘、贵州等地区, 低值分布在西北沙漠地区。 (2) 中国 73% 的地区 AOD 呈减小趋势, “胡焕庸线”东部的 AE 整体也呈减小趋势, 且 AOD 与 AE 均在 2014–2018 年期 间明显减小。 (3) 在季节变化趋势方面, AE 与 AOD 基本相反, 城市工业型气溶胶与 AOD 相同, 而清洁大陆型气溶胶 与 AOD 相反。 (4) 清洁大陆型气溶胶占比在 2014 年之后逐年递增, 说明中国空气质量逐渐改善。     

基于深度学习的云参量反演方法研究

有效的云检测与云相态判识对于农业、气候及人类生活具有重要意义, 而这些数据的获取离不开卫星遥感。 卫星遥感数据在当今社会的生产和生活中都扮演着至关重要的角色, 众多领域的发展都离不开卫星遥感数据的支持。 随着高精度传感器的发展, 传统研究方法无法满足大规模、高维度数据的高效挖掘与处理, 因此深度学习技术在遥感 领域得到了快速的发展。基于深度学习技术提出了一种结合多波段遥感影像的云检测及云相态判识的方法。该方法 采用 MODIS 云产品影像作为样本, 将不同波段信息作为特征值, 分别建立针对云检测与云相态判识研究任务的多个 数据库, 并采用 DeepLab V3+ 模型进行训练并预测, 从而完成高精度的云检测及云相态判识任务。与传统方法相比, 该方法高效便捷、特征提取能力较强, 将多波段作为特征值输入模型进行预测时, 该方法展现了良好的结果。