基于Prophet-LSTM+P-Bshade融合模型的中国陆地MAIAC AOD补值研究

因受云层等气象条件干扰和卫星传感器性能影响,卫星获取的气溶胶光学厚度(aerosol optical depth,AOD)存在数据缺失的情况,为了提高AOD数据的覆盖度,利用AOD的时空相关性,提出Prophet-LSTM+P-Bshade融合模型,对2016年3月—2021年2月我国1 km×1 km分辨率的多角度大气校正算法(multiangle implementation of atmospheric correct, MAIAC) AOD数据进行时空补值,并与地面监测站点AERONET AOD进行对比验证。结果表明:提出的融合模型补值成果精度明显优于其他对比模型,验证精度指标R、MAE和RMSE分别为0.905、0.237和0.375。2016年3月—2021年2月中国陆地AOD值分布时间上季度性变化较明显,整体呈现冬季>春季>夏季>秋季的季节分布特征,空间上总体呈现东高西低和塔里木盆地局部较高的特点。

基于MAIAC AOD时空补值数据的PM2.5浓度估算研究

气溶胶光学厚度被广泛应用于PM2.5浓度估算中,受极端气候影响以及卫星传感器影响,AOD数据存在大量缺失,本文提出Prophet-LSTM + P-Bshade时空补值模型对MAIAC AOD数据进行补值并使用Catbooost模型结合AOD数据以及ERA5气象数据对中国2020年陆地区域的PM2.5浓度进行估算。结果表明:① Prophet-LSTM + P-Bshade时空补值模型精度明显优于传统补值方法,R、MASE和MAE分别为0.891、0.275和0.183。② Catboost模型在PM2.5浓度估算中比常用的其他机器学习等模型显示更高的估算精度,R、MASE和MAE分别为0.93、15.89 μg∙m−3和10.54 μg∙m−3。③ 中国陆地区域2020年的PM2.5浓度在季节尺度分布上明显,整体呈现冬季 > 春季 > 秋季 > 夏季的季节分布特点。在空间分布上,PM2.5浓度整体呈现东部地区较高,塔里木盆地区域局部较高的特点。

基于稀疏样点的蒙古国产草量估算方法研究

产草量是衡量草原生产力和诊断草原健康状况的指标,是草地资源管理的重要依据。近年来,遥感数据结合地面实测数据建模已成为产草量估算的重要手段。充足的实测样点信息是产草量遥感建模估算的基础。受境外采样多重因素的制约,蒙古国产草量估算研究中无法获取足够且分布均匀的实测样点,估产模型的精度受到影响,这一问题目前尚未发现有好的解决方法。本研究选取中蒙铁路沿线(蒙古段)两侧200 km缓冲区作为研究区,针对产草量遥感估算中野外样点稀少且分布不均的问题,引入P-BSHADE方法,基于多年NDVI数据和获取的少量地面实测样点数据,考虑草地分布的非均匀性以及样点之间的相关性,对均匀分布的模拟样点处的产草量数据进行插值实验。结果显示,P-BSHADE法的插值效果优于Kriging法,可得到均匀分布于研究区的样点。基于以上实测样点和插值样点,结合NDVI、EVI、PsnNet 3种植被指数进行遥感建模,最优模型精度达到80%,精度优于已有相关研究。选取其中最优的基于NDVI的指数模型对研究区2000—2019年产草量进行反演,获得的产草量空间格局与年际变化与已有研究结果趋势吻合,进一步印证了结果的可靠性和插值方法的可行性。本研究通过插值的方式改善数据源从而提高估算模型精度是一种全新的思路与尝试,对于"一带一路"等境外区域资源环境监测具有借鉴意义。