基于主被动遥感AOD数据的贝叶斯最大熵融合方法与流程

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。

技术实现要素：

本发明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，本发明采用以下技术方案：

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calipsoaod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。

本发明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、本发明得到的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是本发明方法的流程示意图。

具体实施方式

以下将对本发明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数量有一定的变动。除有定义外，以下实施例中所用的技术和科学术语具有与本发明所属领域技术人员普遍理解的相同含义。

实施例1

下面结合图1，对本实施例作具体说明。

本发明首先明确了采用条件化的bayes模型来综合原始数据进行aod数据的融合，以减少卫星aod数据中的“黑洞”。本发明的特点有：(1)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；(2)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；(3)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。

其次，获取大范围、长序列的多源卫星aod(modis、viirs和seawifs)产品数据，以modis的空间分辨率为和坐标系统为标准对其他卫星数据进行统一的重采样与再配准等预处理。

然后，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，具体方法如下：

(1)定义一个a×b×c的时空过滤窗，根据经验研究这里a,b,c取49、49和3，该点像素值取对应对窗口内的均值。

(2)根据时空协方差拟合出经验模型参数，协方差经验模型采用如下嵌套指数模型：

其中，τ＝t-t'，c(d,τ)表示当前点的协方差数据，c1和c2分别表示两个指数模型的基台值，s1和s2、t1和t2表示两个指数模型的空间阈值和时间阈值，这些参数可以根据研究区域内的数据拟合得到。例如，在73°n-135°n，4°e-54°e的研究区域内，根据拟合结果，c1、c2、s1、s2、t1和t2分别是0.022、0.071、220、200、6和9，说明卫星数据的时间、空间相关性在连续9天内、方圆220km内表现最好。

利用引入拉格朗日约束下，使得前面获得的协方差数据包含的信息熵最大，最大程度贴近真实情况，求出此时数据满足的先验概率密度函数。

然后，将modis等卫星aod数据处理成高斯型软数据，处理原则如下：

aodsat,i＝aodaero,i+εi

其中，aodsoft,sat表示某卫星的高斯化数据，aodsat,i和aodaero,i分别表示卫星和aeronet站点aod数据，ε表示两者对应点的差值，求出整体的均值μ与标准差σ。

在98％的置信区间下，将不同卫星数据分别进行高斯化，同一位置的上的高斯化数据进行再次合并处理。

至此，就获将被动获取的卫星aod数据处理成了贝叶斯最大熵融合所需要的软数据。

接着，将主动aod数据处理相关硬数据。因为不受云层影响的calipsoaod数据呈线状分布，需要先将同一天的廓线数据合并作为与软数据相匹配的硬数据，

最后，将软、硬数据以及前面得到的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，并对融合结果与aeronetaod进行精度验证。

实施例2

一种基于主被动遥感aod数据的贝叶斯最大熵融合方法，包括：

步骤1，考虑了数据的时空信息，下载大范围、长序列的多源卫星aod产品数据，并进行统一的重采样与再配准等预处理。

步骤2，为了简化非均质性与各向异性的易变性，首先定义一个a×b×c的时空过滤窗，分别对大范围连续的modis等卫星aod数据进行如下表达式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。

步骤3，利用最大熵原理，找到拉格朗日约束下(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。根据信息与熵之间的内在联系可推导出：

h(fg(xmap))＝e[infog(fg(xmap))]＝-∫fg(xmap)logfg(xmap)dxmap

对于研究区域内的连续协方差数据xmap，fg(xmap)代表概率密度函数，fg(xmap)需尽可能与xmap的真实特征接近，本发明引入如下lagrange约束条件：

其中，为研究区域的一套协方差矩函数，从而求取使h(fg(xmap))达到最大时对应的fg(xmap)，即由辅助信息决定的先验概率密度函数。

步骤4，随着反演算法的改进，modis等卫星aod数据在覆盖植物的地表、城市区域和光亮的沙漠等地区缺失现象虽然得到改善，但是受到云层污染的影响，仍然存在大片的“黑洞”，进一步影响传统aod融合结果的覆盖率和精度。在贝叶斯最大熵融合中，根据精确度，可以将数据划分为两种类型，即足够精确的硬数据和相对不精确的软数据。硬数据是指误差可以忽略不计的足够精确的观测数据的总称，而软数据的类型十分广泛，可以包括不精确的测量值、经验直觉判断得来的结论。因此，本发明将modis等卫星aod数据处理成高斯型软数据，将不受云层影响的calipsoaod作为硬数据。

步骤5，将软、硬数据以及前面得到的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，以改善融合数据质量。

任意点的估算表达式为：

其中，表示估算期望值，xsoftn和xhard分别为融合所用到的软、硬数据。

进一步，bayes模型条件化可用下列方程式表示：

其中，fg(·)表示仅使用辅助信息g(如研究区域的变异信息)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。

步骤6，对融合结果与aeronetaod进行交叉验证。

以上对本发明的实施例进行了详细说明，但所述内容仅为本发明的较佳实施例，并不用以限制本发明。凡在本发明的申请范围内所做的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。