利用细模态气溶胶光学厚度对京津冀地区PM2.5的遥感反演研究

结题报告
项目介绍
AI项目解读

基本信息

  • 批准号：
    41801329
  • 项目类别：
    青年科学基金项目
  • 资助金额：
    25.2万
  • 负责人：
    晏星
  • 依托单位：
    北京师范大学
  • 学科分类：
    D0113.遥感科学
  • 结题年份：
    2021
  • 批准年份：
    2018
  • 项目状态：
    已结题
  • 起止时间：
    2019-01-01 至2021-12-31

项目摘要

So far satellite-based PM2.5 estimation is widely using aerosol optical thickness (AOT) to establish linear or non-linear regression models. Comparing with AOT, the particle size of fine mode aerosol optical thickness (fAOT) is more close to PM2.5. However, the satellite-derived fAOT is, to a large extend, unreliable over land, such as MODIS. Thus, it limits the further research between fAOT and PM2.5. The main objective of this project is to improve the fAOT retrieval by integrating satellite and ground-based data, and then to develop the surface PM2.5 estimation model using fAOT. The research mainly includes three parts: (1) to develop an improved satellite-based fAOT retrieval method that it can be applicable to different seasons; (2) to explore the relationship between fAOT and PM2.5; (3) to study the spatial correlation and spatio-temporal variability between fAOT and PM2.5. This research can improve the accuracy of satellite-based fAOT retrieval, and get a deeper understanding of the relations between fAOT and PM2.5. The outcomes of this research are quite important to reveal the temporal and spatial variation of PM2.5 in metropolis.
目前卫星遥感手段反演PM2.5大多数是采用气溶胶光学厚度(AOT)与地面实测PM2.5质量浓度建立线性或非线性回归模型。但是在粒径尺度上，细模态气溶胶光学厚度(fAOT)与AOT相比更接近于PM2.5。然而，从遥感卫星数据获取的fAOT存在极大的不确定性(如MODIS)，导致fAOT与PM2.5的研究受到了极大的限制。基于此，本项目拟结合遥感与地面监测数据改进fAOT遥感反演算法，并建立以fAOT为主要参数的近地面PM2.5估算模型，主要包括：(1) 建立一种可适用于不同季节的改进fAOT遥感反演算法;(2) 定量化fAOT与近地面PM2.5相关关系，构建以fAOT为主要参数的PM2.5遥感反演模型;(3) 探究城市区域fAOT和PM2.5空间关联性和时空变异特性。本项目的研究有助于提升fAOT遥感反演精度以及对fAOT和PM2.5相互关系的理解,对揭示PM2.5时空变化规律具有重要意义。

结项摘要

PM2.5的准确反演对于研究其环境以及健康效应具有重要的意义。 为提高PM2.5遥感反演精度，本研究提出利用与PM2.5尺度更接近的细模态气溶胶进行反演。在获取细模态气溶胶的研究中，本研究提出了一套改进的反演算法LUT-SDA，成功获取了全球尺度近10年细模态气溶胶数据。相比MODIS官方产品发布的fAOD，这一全新的fAOD产品不仅具有更高的整体精度，也避免了MODIS fAOD存在空间连续分布的0值、空间分布率低等问题。在中国地区，fAOD呈现出显著的下降趋势，体现了这10年中政府有效的减排和管控措施。通过分析得出在全球多个地区的O3与fAOD均存在显著的相关关系，强调了O3与细颗粒物协同控制的重要性。同时这一高精度的fAOD产品对于定量研究人为气溶胶和进一步探索气溶胶的气候效应提供了重要的数据基础。此外，我们利用4种传统的机器学习模型和1套深度学习模型证明了细模态气溶胶对于PM2.5反演精度提升的重要性。在此基础上，本研究提出全新的时空解译深度学习模型SIDLM，旨在提升PM2.5的预测能力和时空特征解译能力。不同于传统的深度学习模型，SIDLM不仅能做“深”同时也能够做“宽”， “深”的部分为深度学习模型-描述了数据的非线性关系，“宽”的部分是线性模型-描述了数据的线性关系，两部分采用联合训练的方式对数据进行建模。利用SIDLM，研究刻画了区域尺度（3km和10km）和城市尺度(250m)的PM2.5空间分布，并在城市尺度解译了PM2.5的时空特征。

项目成果

期刊论文数量（12）
专著数量（0）
科研奖励数量（0）
会议论文数量（0）
专利数量（0）
Tree-based ensemble deep learning model for spatiotemporal surface ozone (O-3) prediction and interpretation
基于树的集成深度学习模型，用于时空地表臭氧 (O-3) 预测和解释
  • DOI：
    10.1016/j.jag.2021.102516
  • 发表时间：
    2021
  • 期刊：
    International Journal of Applied Earth Observation and Geoinformation
  • 影响因子：
    7.5
  • 作者：
    Zang Zhou;Guo Yushan;Jiang Yize;Zuo Chen;Li Dan;Shi Wenzhong;Yan Xing
  • 通讯作者：
    Yan Xing
Superior PM2.5 Estimation by Integrating Aerosol Fine Mode Data from the Himawari-8 Satellite in Deep and Classical Machine Learning Models
通过将 Himawari-8 卫星的气溶胶精细模式数据集成到深度和经典机器学习模型中，实现出色的 PM2.5 估算
  • DOI：
    10.3390/rs13142779
  • 发表时间：
    2021-07
  • 期刊：
    Remote Sensing
  • 影响因子：
    5
  • 作者：
    Zang Zhou;Li Dan;Guo Yushan;Shi Wenzhong;Yan Xing
  • 通讯作者：
    Yan Xing
Characteristics of atmospheric fungi in particle growth events along with new particle formation in the central North China Plain
华北平原中部颗粒生长和新颗粒形成过程中大气真菌的特征
  • DOI：
    10.1016/j.scitotenv.2019.05.299
  • 发表时间：
    2019
  • 期刊：
    Science of the Total Environment
  • 影响因子：
    9.8
  • 作者：
    Luo Nana;Shi Wenzhong;Liang Chen;Li Zhengqiang;Wang Haofei;Zhao Wenji;Zhang Yingjie;Wang Yuying;Li Zhanqing;Yan Xing
  • 通讯作者：
    Yan Xing
Evaluation and Comparison of Himawari-8 L2 V1.0, V2.1 and MODIS C6.1 aerosol products over Asia and the oceania regions
亚洲和大洋洲地区 Himawari-8 L2 V1.0、V2.1 和 MODIS C6.1 气溶胶产品的评估和比较
  • DOI：
    10.1016/j.atmosenv.2019.117068
  • 发表时间：
    2020
  • 期刊：
    Atmospheric Environment
  • 影响因子：
    5
  • 作者：
    Yang Xingchuan;Zhao Chuanfeng;Luo Nana;Zhao Wenji;Shi Wenzhong;Yan Xing
  • 通讯作者：
    Yan Xing

数据更新时间：{{ journalArticles.updateTime }}

{{ item.title }}
{{ item.translation_title }}
  • DOI：
    {{ item.doi || "--"}}
  • 发表时间：
    {{ item.publish_year || "--" }}
  • 期刊：
    {{ item.journal_name }}
  • 影响因子：
    {{ item.factor || "--"}}
  • 作者：
    {{ item.authors }}
  • 通讯作者：
    {{ item.author }}

数据更新时间：{{ journalArticles.updateTime }}

{{ item.title }}
  • 作者：
    {{ item.authors }}

数据更新时间：{{ monograph.updateTime }}

{{ item.title }}
  • 作者：
    {{ item.authors }}

数据更新时间：{{ sciAawards.updateTime }}

{{ item.title }}
  • 作者：
    {{ item.authors }}

数据更新时间：{{ conferencePapers.updateTime }}

{{ item.title }}
  • 作者：
    {{ item.authors }}

数据更新时间：{{ patent.updateTime }}

其他文献

其他文献

{{ item.title }}
{{ item.translation_title }}
  • DOI：
    {{ item.doi || "--" }}
  • 发表时间：
    {{ item.publish_year || "--"}}
  • 期刊：
    {{ item.journal_name }}
  • 影响因子：
    {{ item.factor || "--" }}
  • 作者：
    {{ item.authors }}
  • 通讯作者：
    {{ item.author }}
empty
内容获取失败，请点击重试
重试联系客服
title开始分析
查看分析示例
此项目为已结题，我已根据课题信息分析并撰写以下内容，帮您拓宽课题思路：

AI项目思路

AI技术路线图

相似国自然基金

{{ item.name }}
  • 批准号：
    {{ item.ratify_no }}
  • 批准年份：
    {{ item.approval_year }}
  • 资助金额：
    {{ item.support_num }}
  • 项目类别：
    {{ item.project_type }}

相似海外基金

{{ item.name }}
{{ item.translate_name }}
  • 批准号：
    {{ item.ratify_no }}
  • 财政年份：
    {{ item.approval_year }}
  • 资助金额：
    {{ item.support_num }}
  • 项目类别：
    {{ item.project_type }}
{{ showInfoDetail.title }}

作者：{{ showInfoDetail.author }}

知道了

AI项目解读示例

课题项目：调控A型流感病毒诱导IFN-β表达的机制研究

AI项目摘要：

本研究聚焦于TRIM2蛋白在A型流感病毒诱导的IFN-β表达中的调控机制。A型流感病毒是全球性健康问题，其感染可导致严重的呼吸道疾病。IFN-β作为关键的抗病毒因子，其表达水平对抗病毒防御至关重要。然而，TRIM2如何调控IFN-β的表达尚未明确。本研究假设TRIM2通过与病毒RNA或宿主因子相互作用，影响IFN-β的产生。我们将采用分子生物学、细胞生物学和免疫学方法，探索TRIM2与A型流感病毒诱导IFN-β表达的关系。预期结果将揭示TRIM2在抗病毒免疫反应中的作用，为开发新的抗病毒策略提供理论基础。该研究对理解宿主抗病毒机制具有重要科学意义，并可能对临床治疗流感病毒感染提供新的视角。

AI项目思路：

科学问题：TRIM2如何调控A型流感病毒诱导的IFN-β表达？
前期研究：已有研究表明TRIM2参与抗病毒反应，但其具体机制尚不明确。
研究创新点：本研究将深入探讨TRIM2在IFN-β表达中的直接作用机制。
技术路线：包括病毒学、分子生物学、细胞培养和免疫检测技术。
关键技术：TRIM2与病毒RNA的相互作用分析，IFN-β启动子活性检测。
实验模型：使用A型流感病毒感染的细胞模型进行研究。

AI技术路线图

        graph TD
          A[研究起始] --> B[文献回顾与假设提出]
          B --> C[实验设计与方法学准备]
          C --> D[A型流感病毒感染模型建立]
          D --> E[TRIM2与病毒RNA相互作用分析]
          E --> F[TRIM2对IFN-β启动子活性的影响]
          F --> G[IFN-β表达水平测定]
          G --> H[TRIM2功能丧失与获得研究]
          H --> I[数据收集与分析]
          I --> J[结果解释与科学验证]
          J --> K[研究结论与未来方向]
          K --> L[研究结束]
关闭
close
客服二维码