[发明专利]基于主被动遥感AOD数据的贝叶斯最大熵融合方法

说明书

本发明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。

技术领域

本发明涉及大气卫星遥感应用技术领域，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。

背景技术

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PM_2.5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PM_2.5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，P_i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，n_s为传感器数目，W_i,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(Optimum Interpolation)。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(Inverse Distance Weighting)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 (Simple Kriging)、普通克里金(Ordinary Kriging)、协克里金(Co-kriging)、趋势克里金(Kriging with a trendmodel)及泛克里金(Universal Kriging)。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。