全国高分辨率土地利用数据服务 土地利用数据服务 土地覆盖数据服务 坡度数据服务 土壤侵蚀数据服务 全国各省市DEM数据服务 耕地资源空间分布数据服务 草地资源空间分布数据服务 林地资源空间分布数据服务 水域资源空间分布数据服务 建设用地空间分布数据服务 地形、地貌、土壤数据服务 分坡度耕地数据服务 全国大宗农作物种植范围空间分布数据服务
多种卫星遥感数据反演植被覆盖度数据服务 地表反照率数据服务 比辐射率数据服务 地表温度数据服务 地表蒸腾与蒸散数据服务 归一化植被指数数据服务 叶面积指数数据服务 净初级生产力数据服务 净生态系统生产力数据服务 生态系统总初级生产力数据服务 生态系统类型分布数据服务 土壤类型质地养分数据服务 生态系统空间分布数据服务 增强型植被指数数据服务
多年平均气温空间分布数据服务 多年平均降水量空间分布数据服务 湿润指数数据服务 大于0℃积温空间分布数据服务 光合有效辐射分量数据服务 显热/潜热信息数据服务 波文比信息数据服务 地表净辐射通量数据服务 光合有效辐射数据服务 温度带分区数据服务 山区小气候因子精细数据服务
全国夜间灯光指数数据服务 全国GDP公里格网数据服务 全国建筑物总面积公里格网数据服务 全国人口密度数据服务 全国县级医院分布数据服务 人口调查空间分布数据服务 收入统计空间分布数据服务 矿山面积统计及分布数据服务 载畜量及空间分布数据服务 农作物种植面积统计数据服务 农田分类面积统计数据服务 农作物长势遥感监测数据服务 医疗资源统计数据服务 教育资源统计数据服务 行政辖区信息数据服务
Landsat 8 高分二号 高分一号 SPOT-6卫星影像 法国Pleiades高分卫星 资源三号卫星 风云3号 中巴资源卫星 NOAA/AVHRR MODIS Landsat TM 环境小卫星 Landsat MSS 天绘一号卫星影像
基于MODIS原始观测信号实现近地表大气颗粒物浓度遥感监测,可避免传统AOT-PM2.5关系模型中AOT反演过程中的误差传播。目前,已实现遥感反演大气颗粒物浓度多种空间分辨率产品(10KM、1KM、500m、250m)的算法,其中,PM2.5浓度1KM遥感反演系统已在江苏省环境监测总站业务化运行。
为满足环保部门业务化运行的需求,PM2.5遥感监测平台输入数据为MODIS 1B数据,其技术路线如图1所示。
图1 基于DOS-MODIS数据直收系统的大气颗粒物浓度遥感估算技术流程图
将经过云处理的MODIS观测信号通过奇异分解(SVD)的方法获得协方差矩阵,以之作为输入数据,考虑卫星-太阳几何角,以地面观测的PM2.5数据作为目标数据,同样将匹配得到的数据集L-M算法优化的人工神经网络模型进行PM2.5浓度反演模型。在构建模的过程中,发现MODIS的第五通道(1230-1250nm)观测数据经常会出现条带,不能直接用于PM2.5的反演计算,如图2所示。
图2 2013年1月28日MODIS Channel-5影像
本项目构建了基于LM-BP算法的3层神经元神经网络,其组成为输入层、隐藏层和输出层,每层都可以包含多个节点或神经元。输入层包括6个节点(输入参数):MODIS L1B数据的6个波段;输出层为PM2.5浓度。输入层与输出层之间被称为隐藏层,通过调整训练过程中的权重减小误差。神经网络的节点(神经元)之间通过输出信号和权重相联系,输出信号和权重通过一个正弦激活函数来调整。训练的过程是将输入数据反复输入神经网络,在数据每次通过时计算输出数据,并与目标数据相比得到一个误差,再将这个误差反馈给网络,通过网络的迭代训练调整权重值直至得到最小方差的最优权重,此时训练完成,所得网络即可根据新的输入数据进行估算或者预报。图3表示的是神经网络整个训练的流程图。
图3 多层神经网络模型估算大气颗粒物浓度流程度
对于神经网络的表现使用绝对误差百分比(APE)及实际值与估算值之间的相关性分析来衡量。
江苏省地面PM2.5监测数据(站点分布如图4所示)用来进行神经网络的训练、测试和验证,将这些数据随机分配到三个子集,训练(40%)和测试数据集(20%)和验证数据集(40%)。训练数据用于训练神经网络中隐含的多层感知器;测试数据用于测试各次迭代训练后学习过程的表现;验证数据集则是用来执行最终验证神经网络估计得到的大气颗粒物浓度。
图4 2013年3月8日MODIS遥感合成影像及江苏省PM2.5地面监测站点分布
图5显示的是引入了气象参数的PM2.5浓度反演算法的精度评价。两者相关系数R=0.82,其置信度95%的置信区间为:[0.5134,0.5312],[0.0379,0.0470],通过95%置信度检验。
图5 江苏省PM2.5遥感反演的验证结果
该系统为满足用户特定需求,支持自动成图、输出功能。
下图为系统成果图: