耦合主被动遥感数据与空气质量模式的PM2.5优化估算研究

结题报告
项目介绍
AI项目解读

基本信息

  • 批准号：
    41771380
  • 项目类别：
    面上项目
  • 资助金额：
    60.0万
  • 负责人：
    姚凌
  • 依托单位：
    中国科学院地理科学与资源研究所
  • 学科分类：
    D0113.遥感科学
  • 结题年份：
    2021
  • 批准年份：
    2017
  • 项目状态：
    已结题
  • 起止时间：
    2018-01-01 至2021-12-31

项目摘要

Most of the research on PM2.5 concentration in remote sensing estimation has not considered the spatial-temporal differentiation between region AOD and PM2.5 ratio, and the simulation precision of air quality model is limited by the accuracy of the source inventory. From the point of using multi-source remote sensing information to improve the accuracy of model simulation, This project aims at: (1) the method of temporal and spatial expansion of AERONET AOD observation based on deep learning, to get more AOD observation data; (2) the model AOD profile correction method based on CALIPSO extinction coefficient information, to obtain more accurate AOD profile space distribution; (3) introducing optimal estimation method, to construct the near-surface PM2.5 concentration estimation model of optimal based on multi-source active and passive remote sensing information combined with CAMx model; (4) taking Beijing-Tianjin-Hebei as a target area,   to verify the accuracy of the PM2.5 estimation model constructed in this study and perform uncertainty analysis, to assess the validity of the optimal estimation method. Through the optimal estimation method system for PM2.5 concentration constructed in this study, higher spatial-temporal resolution and less uncertainties can be obtained for PM2.5 concentration, and supports for understanding the regional PM2.5 pollution situations and improving dynamic monitoring capability of PM2.5 can be provided.
目前遥感估算PM2.5浓度的研究大多未考虑区域AOD与PM2.5比率的时空分异性，而空气质量模式的模拟精度则受限于源清单的准确性。本项目拟从利用多源主被动遥感信息提高模式模拟精度的角度入手，研究：（1）基于深度学习的AERONET气溶胶观测时空扩展方法，获取更多点位的气溶胶观测数据；（2）基于CALIPSO消光系数信息的模式AOD廓线校正方法，提供更为准确的AOD廓线空间分布；（3）引入最优估计方法，构建耦合多源主被动遥感信息和CAMx模式的近地面PM2.5浓度优化估算模型；（4）以京津冀为靶区，对本研究构建的PM2.5估算模型进行精度验证及不确定性分析，评估本研究提出的优化估算方法的有效性。通过本研究构建的PM2.5浓度优化估算方法体系，可以获取较高时空分辨率 、不确定性较小的PM2.5浓度，为更精细的了解区域PM2.5污染状况、提高PM2.5动态监动态监测能力提供支持。

结项摘要

本项目的科学问题是建立蕴含物理机制的PM2.5浓度估算模型，获取高时空分辨率、不确定性小的PM2.5时空分布格局。为此，项目首先应用深度学习算法构建大气污染物浓度观测数据、气象观测数据与 AERONET 气溶胶观测数据间的关系模型，对 AERONET 气溶胶数据进行时空扩展，获取更多点位的气溶胶数据作为气溶胶遥感数据产品及模式模拟 AOD 浓度订正的基础资料。其次，研究利用 CALIPSO 气溶胶观测信息对 CAMx 模式模拟的气溶胶光学厚度廓线的校正方法，进一步降低模式模拟结果的不确定性，提高根据气溶胶柱浓度估算近地面 PM2.5浓度的精度。在廓线校正的基础上，采用最优估计方法对 CAMx 模式模拟 AOD 浓度进行优化，进而构建基于多源遥感信息的近地面PM2.5浓度优化估算模型，实现对 AOD 以及近地面PM2.5浓度的优化估算。为验证优化算法的可靠性，项目以京津冀地区为靶区，开展PM2.5浓度遥感反演和精度验证试验，结果显示评估决定系数提高到0.50以上，均方根误差控制在30微克每立方米以内。本研究的成果可为提高区域PM2.5动态监测能力及公共卫生政策制订提供数据支持。

项目成果

期刊论文数量（22）
专著数量（0）
科研奖励数量（0）
会议论文数量（0）
专利数量（1）
Quantitative Assessment of Relationship between Population Exposure to PM(2.5) and Socio-Economic Factors at Multiple Spatial Scales over Mainland China.
中国大陆多空间尺度PM2.5人口暴露与社会经济因素关系的定量评估
  • DOI：
    10.3390/ijerph15092058
  • 发表时间：
    2018-09-19
  • 期刊：
    International journal of environmental research and public health
  • 影响因子：
    --
  • 作者：
    Yao L;Huang C;Jing W;Yue X;Xu Y
  • 通讯作者：
    Xu Y
A Deep Neural Network for the Estimation of Tree Density Based on High Spatial Resolution Image
基于高空间分辨率图像的树木密度估计的深度神经网络
  • DOI：
    10.1109/tgrs.2021.3101056
  • 发表时间：
    2021
  • 期刊：
    IEEE Transactions on Geoscience and Remote Sensing
  • 影响因子：
    8.2
  • 作者：
    刘唐;姚凌;秦军;陆佳莺;吕宁;周成虎
  • 通讯作者：
    周成虎
Variations in terrestrial water storage in the Lancang-Mekong river basin from GRACE solutions and land surface model
基于GRACE解和地表模型的澜沧江-湄公河流域陆地水储量变化
  • DOI：
    10.1016/j.jhydrol.2019.124258
  • 发表时间：
    2020-01-01
  • 期刊：
    JOURNAL OF HYDROLOGY
  • 影响因子：
    6.4
  • 作者：
    Jing, Wenlong;Zhao, Xiaodan;Li, Yong
  • 通讯作者：
    Li, Yong
Understanding Terrestrial Water Storage Declining Trends in the Yellow River Basin
了解黄河流域陆地水储量下降趋势
  • DOI：
    10.1029/2019jd031432
  • 发表时间：
    2019-12
  • 期刊：
    JOURNAL OF GEOPHYSICAL RESEARCH-ATMOSPHERES
  • 影响因子：
    4.4
  • 作者：
    Jing Wenlong;Yao Ling;Zhao Xiaodan;Zhang Pengyan;Liu Yangxiaoyue;Xia Xiaolin;Song Jia;Yang Ji;Li Yong;Zhou Chenghu
  • 通讯作者：
    Zhou Chenghu
Extending GRACE terrestrial water storage anomalies by combining the random forest regression and a spatially moving window structure
通过结合随机森林回归和空间移动窗口结构扩展 GRACE 陆地水储存异常
  • DOI：
    10.1016/j.jhydrol.2020.125239
  • 发表时间：
    2020
  • 期刊：
    Journal of Hydrology
  • 影响因子：
    6.4
  • 作者：
    Wenlong Jing;Pengyan Zhang;Xiaodan Zhao;Yaping Yang;Hao Jiang;Jianhui Xu;Ji Yang;Yong Li
  • 通讯作者：
    Yong Li

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

郑州地区东赵先民植物性食物结构 及遗址出土部分陶器功能分析:来自植物淀粉粒的证据
  • DOI：
    --
  • 发表时间：
    2018
  • 期刊：
    第四纪研究
  • 影响因子：
    --
  • 作者：
    孙亚男;杨玉璋;张家强;姚凌;禤华丽;袁增箭;顾万发;张居中
  • 通讯作者：
    张居中
基于氮素营养指数的冬小麦籽粒蛋白质含量遥感反演
  • DOI：
    --
  • 发表时间：
    2011
  • 期刊：
    农业工程学报
  • 影响因子：
    --
  • 作者：
    陈鹏飞;王吉顺;潘鹏;俆于月;姚凌
  • 通讯作者：
    姚凌
猫跳河流域水质演化机理研究
  • DOI：
    --
  • 发表时间：
    2011
  • 期刊：
    资源科学
  • 影响因子：
    --
  • 作者：
    李江苏;张雷;武红;姚凌;LI Jiangsu1, 2, 3, ZHANG Lei1, 2, WU Hong2, 3, YAO;2. Institute of Geographical Sciences;Natural;3. Graduate University of Chinese Academy of Scien
  • 通讯作者：
    3. Graduate University of Chinese Academy of Scien
一种改进的TCP 算法及其稳态流量
  • DOI：
    --
  • 发表时间：
    --
  • 期刊：
    北京邮电大学学报，2005,4
  • 影响因子：
    --
  • 作者：
    姚凌;纪红;乐光新等
  • 通讯作者：
    乐光新等
关于网络移动技术的探讨
  • DOI：
    --
  • 发表时间：
    --
  • 期刊：
    北京电子科技学院学报
  • 影响因子：
    --
  • 作者：
    姚凌;纪红;乐光新
  • 通讯作者：
    乐光新

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

姚凌的其他基金

基于遥感同化的PM2.5源清单优化方法研究
  • 批准号：
    41301380
  • 批准年份：
    2013
  • 资助金额：
    25.0 万元
  • 项目类别：
    青年科学基金项目

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