基于深度学习方法的PM_(2.5)精细化时空估算模型

提出一种基于深度学习方法的地面PM_(2.5)浓度时空估算模型(PM_(2.5)-DNN),该模型基于葵花-8卫星反演的AOD数据,结合PM_(2.5)监测站和气象站点观测数据对北京市地面PM_(2.5)浓度进行了逐时的高精度模拟,同时将PM_(2.5)-DNN模型的模拟性能与当前的主流方法进行了对比研究.结果表明,使用PM_(2.5)-DNN模型估算的北京地区1km分辨率每小时地面PM_(2.5)浓度与地表监测站观测数据对比的一致性较好,模型估算精度可达到R^(2)=0.88,性能优于当前的主流方法.本文所提出的方法适用于区域尺度PM_(2.5)浓度时空分布细粒度建模与估算,采用端到端的训练方式构建模型,为精细的PM_(2.5)浓度估算提供了一个简便而有效的方法模型.

无人机涡动相关通量观测技术研究综述

机载涡动相关方法是进行区域尺度地表通量观测最有效的方式之一,其观测的空间尺度与陆面过程模式的网格尺度以及遥感影像的像元尺度一致,对区域及全球尺度地表通量模拟等研究具有重要意义。基于无人机的涡动相关方法能够实现对地表通量的多时段和多架次观测,成本低廉且观测结果可靠,是机载通量观测技术的一个重要发展方向。在介绍机载涡动相关方法主要技术特点的基础上,综述了现有无人机通量观测系统的研究进展,包括无人机特征及搭载的主要观测仪器类型,典型无人机通量观测系统的集成方式及其观测案例的讨论和分析。然后介绍了影响无人机通量观测的主要不确定性来源,最后对目前无人机通量观测系统的不足进行了总结,并对其发展前景进行了展望。