基于主被动遥感AOD数据的贝叶斯最大熵融合方法技术

本发明专利技术公开了一种基于主被动遥感AOD数据的贝叶斯最大熵融合方法，首先在AOD融合中考虑了多种源数据的时间和空间相关性；其次，分别对大范围连续的MODIS等卫星AOD数据进行时空趋势去除处理，再根据时空协方差拟合出经验模型参数，以此作为辅助信息参与融合；然后利用最大熵原理，找到包含最大量的辅助信息、最大程度贴近真实情况的先验概率密度函数；最后，将MODIS等卫星AOD数据处理成高斯型软数据，而CALIPSO AOD作为硬数据，结合条件化后的Bayes模型获得AOD融合结果。本发明专利技术得到的融合数据覆盖率更高，并且能够保证融合结果的准确性，在如何获取高质量的AOD时空分布信息以及后续PM2.5的反演中具有很好的应用前景。

Bayesian Maximum Entropy Fusion Method Based on Active and Passive Remote Sensing AOD Data

【技术实现步骤摘要】
基于主被动遥感AOD数据的贝叶斯最大熵融合方法
本专利技术涉及大气卫星遥感应用
，具体涉及一种基于主被动遥感AOD数据的贝叶斯最大熵融合方法。
技术介绍
气溶胶光学厚度(AOD)定义为气溶胶的消光系数在垂直方向上的积分，是表征大气浑浊度的重要物理量，能够反映区域大气的污染程度。获取面域无缝的AOD时空分布信息，是反演大尺度区域性PM2.5的基础。目前，卫星遥感已成为获取区域性气溶胶信息的主要技术手段。然而，卫星观测由于受到反演算法限制和云层污染等影响，数据中存在大量数据黑洞，限制了AOD在PM2.5监测中的应用。因此，需要利用多源卫星及多时相的卫星资料的时空关联性，引入数据融合等新方法，减少卫星AOD数据中的黑洞。目前对AOD数据的融合研究，主要可以分为三大类：基于数理统计的融合方法、基于地统计学的融合方法和神经网络法。经典的数理统计方法——简单算术平均法(SAA)、极大似然估计法(MLE)与像元数目权重法(WPC)，其表达式可统一为：其中，Pi为传感器k获取的数据中以像素点i为中心的标准窗口内的AOD平均值，ns为传感器数目，Wi,k为算法选取的权重函数。其中SAA权重都为1，MLE选用标准差作为权重，WPC则是选用有效像元数。三种融合方法精度基本相似，而极大似然估计法略优。其次，用来同化卫星遥感数据(MODIS/MISR等)和地基遥感数据(AERONET/CRASNET)的最佳插值方法(OptimumInterpolation)。大致理论是借鉴Collins的化学传输模型建立融合AOD和两种原始数据在数学上的关系模型，然后利用参考影像数据去填补主影像，其中模型参数由数据间的空间分辨率差异和误差协方差确定。该方法能够提高原始数据的覆盖率和精确度，但是建模过程中涉及到大量计算，比较耗时，而且必须保证用来融合的影像之间具有较高的相关性。而此类方法的最大不足在于，未考虑对象的空间相关性性质。基于地统计学的融合方法中的基于反距离加权(InverseDistanceWeighting)简单易行并且效率高，但是当研究区域过大，并且“黑洞”面积增大时，缺失区域填补效果会明显降低。其次，被广泛应用的各类克里金法包括：简单克里金(SimpleKriging)、普通克里金(OrdinaryKriging)、协克里金(Co-kriging)、趋势克里金(Krigingwithatrendmodel)及泛克里金(UniversalKriging)。其主要思想是：先对空间中分布的变量进行建模和区域化，然后利用变差函数来量化遥感影像的结构，从而分析局部变异性和空间分布规律。能够实现遥感数据的空间覆盖率和站点数据的观测精度，极大地改善数据质量，但是其计算复杂性达到了O(N3)，不适合用于数据量大的情况；如果AERONET站点的地基数据不充分，对估测的融合参数精度会有影响；也没有做到时间、空间相关性的有效结合。神经网络技术是由很多处理单元互联而成，它改变了传统算法计算复杂耗时等缺点，有很强的自适应能力。为了能够实现信息的高效、并行融合，很多学者将神经网络技术引入数据融合应用领域，达到了不同程度的仿真实验效果。一般处理过程为：原始数据进行预处理，降低噪声，然后对每幅图像所有像素聚类分析，再利用一定的融合规则进行融合，最后对初步融合结果再次进行聚类分析。神经网络融合法在使用前需要经过系统的网络训练，学习速度慢，并且对融合的数据类型要求较高。因此，目前已有的将神经网络融合用到气溶胶产品领域的实例少之又少。综上所述，目前基于AOD数据的融合研究还处于发展阶段，且其方法有待于进一步提高。
技术实现思路
本专利技术旨在针对现有技术的技术缺陷，提供一种基于主被动遥感AOD数据的贝叶斯最大熵融合方法，以解决常规方法所得的卫星AOD数据中“黑洞”较多的技术问题为实现以上技术目的，本专利技术采用以下技术方案：基于主被动遥感AOD数据的贝叶斯最大熵融合方法，包括以下步骤：1)下载多源卫星AOD产品数据，并进行统一的重采样与再配准处理；2)分别对卫星AOD数据进行时空趋势去除处理，再根据时空协方差拟合出经验模型参数，以此作为辅助信息参与融合；3)利用最大熵原理，找到拉格朗日约束下的先验概率密度函数；4)将CALIPSOAOD作为硬数据，其余卫星AOD数据处理成高斯型软数据，结合条件化后的Bayes模型获得AOD融合结果。作为优选，步骤2)包括：首先定义一个a×b×c的时空过滤窗，分别对主动获取的卫星AOD数据进行如式(1)所示的时空趋势去除处理，再根据时空协方差拟合出经验模型参数；作为优选，步骤3)中所述先验概率密度函数，是在式(2)中使H(fG(xmap))达到最大时对应的fG(xmap)；H(fG(xmap))＝E[InfoG(fG(xmap))]＝-∫fG(xmap)logfG(xmap)dxmap(2)所述拉格朗日约束条件如以下式(3)所示；式(3)中，为研究区域的一套协方差矩函数。作为优选，还包括以下步骤5)：将软、硬数据以及所述先验概率密度函数导入条件化后的Bayes模型获得AOD融合结果。作为优选，步骤5)中任意点的估算表达式如以下式(4)所示：式(4)中，表示估算期望值，xsoftn为融合所用到的软数据，xhard为融合所用到的硬数据。作为优选，Bayes模型条件化如以下式(5)所示：式(5)中，fG(·)表示仅使用辅助信息G构建的先验概率密度函数；f(·)表示经过硬数据和软数据更新的后验概率密度函数，即最终的融合结果。作为优选，还包括以下步骤6)：对融合结果与AERONETAOD进行交叉验证，以此来说明融合方法的可靠性与适用性。本专利技术公开了一种基于主被动遥感AOD数据的贝叶斯最大熵融合方法，首先在AOD融合中考虑了多种源数据的时间和空间相关性；其次，分别对大范围连续的MODIS等卫星AOD数据进行时空趋势去除处理，再根据时空协方差拟合出经验模型参数，以此作为辅助信息参与融合；然后利用最大熵原理，找到包含最大量的辅助信息、最大程度贴近真实情况的先验概率密度函数；最后，将MODIS等卫星AOD数据处理成高斯型软数据，而CALIPSOAOD作为硬数据，结合条件化后的Bayes模型获得AOD融合结果。本专利技术得到的融合数据覆盖率更高，并且能够保证融合结果的准确性，在如何获取高质量的AOD时空分布信息以及后续PM2.5的反演中具有很好的应用前景。本专利技术具有以下优点和积极效果：1、在AOD融合的数据源中，选取了数据获取时间接近、覆盖率能够相互弥补的主被动卫星遥感数据。2、在AOD融合模型中考虑了数据的时间和空间相关性，并纳入了区域变异性这一辅助信息的影响。3、上述条件化后的Bayes模型所利用信息没有限制条件，从而可以将更多知识融合进去，所获得的后验概率分布比仅使用预测均值和标准差构建的高斯分布更完备合理，同时也包含更大的信息量。4、本专利技术得到的AOD融合结果，覆盖率更高，数据准确性也能够得到保证。附图说明图1是本专利技术方法的流程示意图。具体实施方式以下将对本专利技术的具体实施方式进行详细描述。为了避免过多不必要的细节，在以下实施例中对属于公知的结构或功能将不进行详细描述。以下实施例中所使用的近似性语言可用于定量表述，表明在不改变基本功能的情况下可允许本文档来自技高网...

【技术保护点】
1.基于主被动遥感AOD数据的贝叶斯最大熵融合方法，其特征在于包括以下步骤：1)下载多源卫星AOD产品数据，并进行统一的重采样与再配准处理；2)分别对卫星AOD数据进行时空趋势去除处理，再根据时空协方差拟合出经验模型参数，以此作为辅助信息参与融合；3)利用最大熵原理，找到拉格朗日约束下的先验概率密度函数；4)将卫星AOD数据处理成高斯型软数据，以CALIPSO AOD作为硬数据，结合条件化后的Bayes模型获得AOD融合结果。

【技术特征摘要】
1.基于主被动遥感AOD数据的贝叶斯最大熵融合方法，其特征在于包括以下步骤：1)下载多源卫星AOD产品数据，并进行统一的重采样与再配准处理；2)分别对卫星AOD数据进行时空趋势去除处理，再根据时空协方差拟合出经验模型参数，以此作为辅助信息参与融合；3)利用最大熵原理，找到拉格朗日约束下的先验概率密度函数；4)将卫星AOD数据处理成高斯型软数据，以CALIPSOAOD作为硬数据，结合条件化后的Bayes模型获得AOD融合结果。2.根据权利要求1所述的基于主被动遥感AOD数据的贝叶斯最大熵融合方法，其特征在于融合所采用的AOD数据由主动遥感和被动遥感联合获取。3.根据权利要求1所述的基于主被动遥感AOD数据的贝叶斯最大熵融合方法，其特征在于步骤2)包括：首先定义一个a×b×c的时空过滤窗，分别对大卫星AOD数据进行如式(1)所示的时空趋势去除处理，再根据时空协方差拟合出经验模型参数；4.根据权利要求1所述的基于主被动遥感AOD数据的贝叶斯最大熵融合方法，其特征在于步骤3)中所述先验概率密度函数，是在式(2)中使H(fG(xmap))达到最大时对应的fG(xmap)；H(fG(xmap))＝E[InfoG...

【专利技术属性】
技术研发人员：龚威，朱忠敏，夏幸会，张天浩，徐宝，黄雨斯，
申请(专利权)人：天津珞雍空间信息研究院有限公司，
类型：发明
国别省市：天津,12