嚴(yán)瑩婷,陸小曼,王嘉佳,陳命男,周立國(guó),3*,馬蔚純

基于GF-4衛(wèi)星的長(zhǎng)三角城市群PM2.5遙感反演

嚴(yán)瑩婷1,陸小曼1,王嘉佳1,陳命男2,周立國(guó)1,3*,馬蔚純1

(1.復(fù)旦大學(xué)環(huán)境科學(xué)與工程系,上海 200433；2.上海勘測(cè)設(shè)計(jì)研究院有限公司,上海 200335；3.崇明生態(tài)研究院,上海 200062)

基于靜止衛(wèi)星高分四號(hào)(GF-4)遙感數(shù)據(jù),利用6SV輻射傳輸模型與暗目標(biāo)算法進(jìn)行高空間分辨率氣溶膠光學(xué)厚度(AOD)遙感反演;在此基礎(chǔ)上,結(jié)合地面監(jiān)測(cè)站大氣細(xì)顆粒物(PM2.5)濃度、氣象資料等數(shù)據(jù),采用物理訂正方法及線性混合效應(yīng)模型,實(shí)現(xiàn)長(zhǎng)三角城市群區(qū)域大尺度空間連續(xù)的PM2.5濃度遙感反演;最后利用十折交叉驗(yàn)證法對(duì)反演精度進(jìn)行驗(yàn)證.結(jié)果表明:GF-4反演的AOD結(jié)果分辨率較高,空間連續(xù)性好,與AERONET地基監(jiān)測(cè)相關(guān)性達(dá)到0.82;利用GF-4 AOD的PM2.5估算模型精度較高,模型估算PM2.5濃度與地面實(shí)測(cè)數(shù)據(jù)擬合度2為0.74;在分春夏秋冬4個(gè)季節(jié)建模情景下,交叉驗(yàn)證2依次為0.67,0.59,0.63和0.72,平均絕對(duì)誤差MAE為10.40,7.42,10.10,13.34 μg/m3,表明GF-4衛(wèi)星適用于區(qū)域PM2.5濃度監(jiān)測(cè).

高分四號(hào)；大氣細(xì)顆粒物；氣溶膠光學(xué)厚度；遙感；長(zhǎng)三角城市群

傳統(tǒng)的PM2.5監(jiān)測(cè)主要是通過(guò)國(guó)家空氣質(zhì)量監(jiān)測(cè)網(wǎng)定點(diǎn)監(jiān)測(cè),具有數(shù)據(jù)精度高、穩(wěn)定性強(qiáng)的特點(diǎn).目前,我國(guó)PM2.5地面觀測(cè)網(wǎng)密度較低,且站點(diǎn)分布不均勻,僅通過(guò)地面站點(diǎn)監(jiān)測(cè)難以獲取區(qū)域PM2.5濃度空間分布特征.利用高分辨率衛(wèi)星遙感反演近地面PM2.5濃度能有效彌補(bǔ)地面站點(diǎn)在時(shí)間和空間上觀測(cè)的不足,同時(shí)也為PM2.5濃度的精細(xì)化監(jiān)測(cè)提供可能.

利用遙感技術(shù)監(jiān)測(cè)地面細(xì)顆粒物濃度主要是基于AOD與PM2.5之間存在的相關(guān)性[1-3].目前已有大量研究利用衛(wèi)星衍生AOD產(chǎn)品,如以MODIS、MISR等為典型代表的傳感器生成的氣溶膠產(chǎn)品[4-6],結(jié)合地面PM2.5濃度建立相關(guān)反演模型,并采取不同方式以提高模型精度.Hu等[7]、Wei等[8]、Ma等[9]引入氣象條件、土地利用類型以及人口密度等要素,通過(guò)時(shí)空隨機(jī)樹(shù)、神經(jīng)網(wǎng)絡(luò)等高級(jí)統(tǒng)計(jì)方法優(yōu)化PM2.5估算模型.Zhang等[10]、李成才等[11]綜合考慮了大氣邊界層高度和濕度因子,進(jìn)行垂直和濕度訂正以減少AOD和PM2.5濃度間的不確定性.除一般地理因素之外,AOD與PM2.5關(guān)系受時(shí)間影響也非常大,具有明顯的時(shí)空特征,Ma等[12]、陳輝[13]等通過(guò)地理加權(quán)模型和線性混合效應(yīng)模型大大提高了模型精度.但多數(shù)AOD產(chǎn)品空間分辨率較低,直接影響模型精度,因此,一些學(xué)者利用原始遙感數(shù)據(jù)反演高分辨率AOD,再進(jìn)行PM2.5的估算.李同文等[14]利用MODIS L1B數(shù)據(jù)結(jié)合暗像元法和亮目標(biāo)法獲取1km分辨率AOD,發(fā)現(xiàn)反演的1km AOD與PM2.5相關(guān)性(=0.883)明顯高于MODIS氣溶膠產(chǎn)品(= 0.683).李志鵬等[15]、耿冰等[16]、Lu等[17]分別以靜止衛(wèi)星GOCI和Himawari-8 AOD為數(shù)據(jù)源,實(shí)現(xiàn)了省級(jí)區(qū)域PM2.5濃度逐小時(shí)空間變化監(jiān)測(cè).Sun等[18]、Zhang等[19]利用高分一號(hào)WFV數(shù)據(jù)分別反演了北京、上海、武漢地區(qū)160m分辨率的氣溶膠光學(xué)厚度,并根據(jù)PM2.5-AOD關(guān)系隨時(shí)間變化的特點(diǎn)構(gòu)建了對(duì)應(yīng)的線性混合模型,模型預(yù)測(cè)精度2達(dá)到0.939.

近年來(lái),我國(guó)衛(wèi)星遙感技術(shù)發(fā)展迅速,高分四號(hào)衛(wèi)星作為世界首顆地球靜止軌道高分辨率光學(xué)成像遙感衛(wèi)星,具有空間分辨率高、監(jiān)測(cè)范圍大、重訪時(shí)間最快可達(dá)20s等特性,為AOD的持續(xù)、高精度、高頻次定量反演提供了有力保障.本文基于6SV輻射傳輸模型和暗像元算法,利用國(guó)產(chǎn)高分四號(hào)衛(wèi)星影像數(shù)據(jù)反演50m分辨率的AOD,結(jié)合PM2.5地基監(jiān)測(cè)數(shù)據(jù)、氣象數(shù)據(jù)以及DEM高程數(shù)據(jù)等,采用物理訂正方法以及線性混合效應(yīng)模型,實(shí)現(xiàn)長(zhǎng)三角城市群區(qū)域PM2.5濃度遙感反演并進(jìn)行驗(yàn)證分析.

1 數(shù)據(jù)與方法

1.1 研究區(qū)概況

長(zhǎng)江三角洲城市群區(qū)域,簡(jiǎn)稱長(zhǎng)三角城市群(115°46′E～123°25′E,28°01′N(xiāo)～34°28′N(xiāo))位于我國(guó)東部地區(qū)(圖1).長(zhǎng)三角城市群主要包括超一線城市(上海),一線城市(蘇州),新一線城市(杭州、南京、寧波、無(wú)錫、合肥、南通)等26個(gè)核心城市,區(qū)域面積21.17萬(wàn)km2,區(qū)域整體地形呈現(xiàn)東北低西南高的分布狀態(tài).長(zhǎng)三角城市群擁有2.25億人口,是中國(guó)經(jīng)濟(jì)活力最強(qiáng)、城鎮(zhèn)集聚程度最高的地區(qū),同時(shí)也是我國(guó)空氣污染最嚴(yán)重的地區(qū)之一[20-21].長(zhǎng)三角城市群2016年共有141個(gè)PM2.5監(jiān)測(cè)站點(diǎn),2020年增加至191個(gè),但監(jiān)測(cè)站點(diǎn)的分布不均勻,大多集中在城市區(qū)域,郊區(qū)和農(nóng)村地區(qū)的站點(diǎn)較少且分散.

圖1 研究區(qū)地理位置與地面PM2.5監(jiān)測(cè)站點(diǎn)分布

1.2 數(shù)據(jù)來(lái)源及預(yù)處理

1.2.1 高分四號(hào)遙感數(shù)據(jù) 高分四號(hào)衛(wèi)星于2015年12月29日在西昌衛(wèi)星發(fā)射中心成功發(fā)射,在高度36000km的地球同步軌道運(yùn)行,有效載荷包含50m可見(jiàn)光近紅外凝視相機(jī)和400m中波紅外凝視相機(jī),采用面陣凝視方式成像,能長(zhǎng)期對(duì)某一地區(qū)進(jìn)行固定觀測(cè),在大氣環(huán)境變化監(jiān)測(cè)方面擁有廣闊的應(yīng)用前景.本研究使用的GF-4全色多光譜(PMS)傳感器數(shù)據(jù)來(lái)源于中國(guó)資源衛(wèi)星應(yīng)用中心,PMS傳感器的主要參數(shù)如表1所示.中國(guó)資源衛(wèi)星應(yīng)用中心提供的GF-4數(shù)據(jù)從2016年5月開(kāi)始,篩選長(zhǎng)三角區(qū)域2016～2020年晴朗少云數(shù)據(jù)(共183景),并利用ENVI/IDL軟件對(duì)數(shù)據(jù)進(jìn)行預(yù)處理.

表1 GF-4 PMS傳感器的主要參數(shù)

1.2.2 大氣細(xì)顆粒物地面觀測(cè)數(shù)據(jù) 地面PM2.5濃度數(shù)據(jù)來(lái)源于中國(guó)環(huán)境監(jiān)測(cè)總站的全國(guó)城市空氣質(zhì)量實(shí)時(shí)發(fā)布平臺(tái),數(shù)據(jù)涵蓋2016～2020年長(zhǎng)三角城市群區(qū)域各監(jiān)測(cè)站點(diǎn)的空氣質(zhì)量指數(shù)、空氣質(zhì)量類別、首要污染物以及各污染物的濃度等數(shù)據(jù).依據(jù)高分四號(hào)遙感圖像的成像時(shí)間,篩選對(duì)應(yīng)的PM2.5濃度數(shù)據(jù).由于PM2.5濃度數(shù)據(jù)獲取時(shí)間均在整點(diǎn)時(shí)刻,而衛(wèi)星數(shù)據(jù)成像時(shí)間并不固定,因此假設(shè)PM2.5濃度在2個(gè)相鄰整點(diǎn)時(shí)間內(nèi)均勻變化,結(jié)合每景GF-4數(shù)據(jù)的成像時(shí)間,對(duì)PM2.5濃度進(jìn)行插值得到對(duì)應(yīng)時(shí)刻的濃度數(shù)值,以減少在PM2.5估算過(guò)程中由于時(shí)間不完全對(duì)應(yīng)而產(chǎn)生的誤差.

1.2.3 氣象與地形資料 氣象資料包括相對(duì)濕度(RH,%)、溫度(TEM,°C)、大氣邊界層高度(BLH,m)和風(fēng)速(WS,m/s)等,數(shù)據(jù)來(lái)源于歐洲中期天氣預(yù)報(bào)中心(ECMWF).獲取覆蓋長(zhǎng)江三角洲區(qū)域的氣象數(shù)據(jù),空間分辨率為0.25°×0.25°,時(shí)間分辨率為1h.按照時(shí)間臨近原則選取GF-4衛(wèi)星過(guò)境時(shí)間前后0.5h內(nèi)的氣象數(shù)據(jù),重采樣為0.005°×0.005°,提取與空氣質(zhì)量監(jiān)測(cè)站點(diǎn)對(duì)應(yīng)的RH與BLH,分別用于AOD的濕度訂正與垂直修正,其余氣象參數(shù)用于PM2.5濃度估算模型的建立.NDVI數(shù)據(jù)來(lái)源于LAADS DAAC官方網(wǎng)站,數(shù)據(jù)空間分辨率為500m.DEM數(shù)據(jù)來(lái)源于地理空間數(shù)據(jù)云平臺(tái),空間分辨率為30m,同樣提取每個(gè)監(jiān)測(cè)站點(diǎn)對(duì)應(yīng)的NDVI與海拔信息,作為PM2.5濃度估算模型的輔助參數(shù).

1.2.4 其他地面數(shù)據(jù) AERONET站點(diǎn)數(shù)據(jù)來(lái)源于AERONET全球地基氣溶膠觀測(cè)網(wǎng)絡(luò).AERONET采用的CE-318型太陽(yáng)光度計(jì)可提供全球觀測(cè)數(shù)據(jù),如AOD,反演產(chǎn)物以及水汽量等.由于AERONET在長(zhǎng)三角區(qū)域僅有Taihu和Xuzhou_CUMT 2個(gè)站點(diǎn),數(shù)據(jù)時(shí)間為2016年5月～2018年12月,因此本研究下載了該時(shí)間段的AERONET地面監(jiān)測(cè)數(shù)據(jù)來(lái)驗(yàn)證GF-4 AOD的反演精度.研究獲取了AERONET 1.5級(jí)AOD產(chǎn)品,利用?ngstr?m轉(zhuǎn)換公式[22]對(duì)440、870nm 2個(gè)波段的氣溶膠光學(xué)厚度進(jìn)行插值得到550nm波段處的AOD數(shù)值,如式(1)所示.

式中:為渾濁度系數(shù);為波長(zhǎng)(nm);為波長(zhǎng)處的氣溶膠光學(xué)厚度;為?ngstr?m指數(shù).

1.3 AOD反演原理與算法

由于高分四號(hào)PMS傳感器缺少短波紅外波段,無(wú)法直接使用傳統(tǒng)暗像元法進(jìn)行AOD反演,因此本文利用的是暗像元紅、藍(lán)波段地表反射率之間的固定線性關(guān)系.首先,利用6SV2.1輻射傳輸模型分別構(gòu)建夏半年和冬半年紅、藍(lán)波段查找表;然后根據(jù)衛(wèi)星觀測(cè)幾何信息,內(nèi)插得到每個(gè)像元對(duì)應(yīng)的0、、值,分別計(jì)算紅、藍(lán)波段地表反射率;最后計(jì)算紅藍(lán)波段地表反射率比值,查找對(duì)應(yīng)的AOD結(jié)果.

依據(jù)高分四號(hào)衛(wèi)星PMS傳感器波段特征,基于暗像元法,利用濃密植被在紅、藍(lán)波段地表反射率低的特性,構(gòu)建暗像元在紅、藍(lán)兩個(gè)波段的線性關(guān)系,從而去除地表反射率影響.本研究的GF-4氣溶膠光學(xué)厚度反演實(shí)驗(yàn)流程如圖2 所示:(1)數(shù)據(jù)預(yù)處理;(2)云識(shí)別及去除與暗像元選取;(3)查找表建立; (4) AOD反演.

圖2 GF-4氣溶膠光學(xué)厚度反演流程

1.4 PM2.5估算模型構(gòu)建與驗(yàn)證

地面監(jiān)測(cè)點(diǎn)顆粒物濃度是在標(biāo)準(zhǔn)狀態(tài)(溫度為0°C,氣壓為101.3kPa)下測(cè)量的,而AOD是在當(dāng)時(shí)真實(shí)的環(huán)境下反演計(jì)算出的,二者之間受到氣象因素的影響,其中相對(duì)濕度影響比較明顯,它能增長(zhǎng)粒子的吸濕性,進(jìn)而影響其散射特性,改變粒子的消光特性.通過(guò)公式(4)～(5), 對(duì)AODH進(jìn)行濕度訂正,即求出受濕度影響下近地面干消光系數(shù)AODR.

式中:RH為相對(duì)濕度;(RH)為濕度影響因子.

1.4.2 模型建立與驗(yàn)證 線性混合效應(yīng)(LME)模型是一種既包含固定效應(yīng)又包含隨機(jī)效應(yīng)的統(tǒng)計(jì)模型,其中,固定效應(yīng)代表AOD以及其他要素等對(duì)PM2.5的因子影響;而隨機(jī)效應(yīng)主要為PM2.5與各要素間的時(shí)空變化關(guān)系,并通過(guò)隨機(jī)截距和隨機(jī)斜率的形式表征.

AOD與PM2.5濃度具有很高的時(shí)空相關(guān)性,同時(shí)還受到氣象因素和地理因素等諸多因素的影響.因此,本文以GF-4 AOD、PM2.5濃度和氣象資料等數(shù)據(jù)為基礎(chǔ),創(chuàng)建長(zhǎng)三角城市群區(qū)域0.005°×0.005°網(wǎng)格,構(gòu)建考慮時(shí)間及站點(diǎn)隨機(jī)效應(yīng)的線性混合效應(yīng)模型進(jìn)行PM2.5的遙感反演.模型表示如下:

式中:為PM2.5監(jiān)測(cè)站點(diǎn)所在網(wǎng)格;為天數(shù);PM2.5與AODR分別為地面監(jiān)測(cè)站點(diǎn)PM2.5濃度(μg/m3)和垂直與濕度訂正的AOD;WS、TEM、NDVI、DEM分別表示風(fēng)速(m/s)、氣溫(°C)、歸一化植被指數(shù)和高程(m);0代表固定效應(yīng)截距;1,t為日變化的隨機(jī)效應(yīng)截距;0～3分別為AODR、TEM、NDVI、DEM的固定效應(yīng)斜率因子;1,t與2,t分別為AODR與WS的隨機(jī)效應(yīng)斜率;s,s為監(jiān)測(cè)站點(diǎn)的隨機(jī)效應(yīng)截距;為隨機(jī)誤差項(xiàng);為正態(tài)分布的隨機(jī)誤差向量;為隨機(jī)效應(yīng)的方差-協(xié)方差矩陣.

采用十折交叉驗(yàn)證法[19]對(duì)模型進(jìn)行過(guò)擬合程度檢測(cè),建模和預(yù)測(cè)驗(yàn)證過(guò)程重復(fù)10次,確保每一份數(shù)據(jù)都參與模型驗(yàn)證,最終獲得所有數(shù)據(jù)的PM2.5預(yù)測(cè)值.模型預(yù)測(cè)值和實(shí)測(cè)值之間的擬合精度由決定系數(shù)(2)、平均絕對(duì)誤差(MAE)和均方根誤差(RMSE)等統(tǒng)計(jì)指標(biāo)來(lái)表示.

2 結(jié)果討論

2.1 AOD反演結(jié)果

為驗(yàn)證GF-4 AOD反演算法的準(zhǔn)確性,從AERONET全球地基氣溶膠觀測(cè)網(wǎng)獲取了2016～ 2018年太湖(Taihu)和徐州(XuZhou-CUMT)2個(gè)站點(diǎn)的AOD觀測(cè)數(shù)據(jù),與本文反演的GF-4氣溶膠產(chǎn)品進(jìn)行對(duì)比驗(yàn)證.從圖3可以看出,GF-4遙感反演的AOD產(chǎn)品與AERONET地基觀測(cè)結(jié)果具有較高的相關(guān)性,達(dá)到0.82,MAE為0.14,RMSE為0.19,整體偏差較小.特別是Taihu站點(diǎn)長(zhǎng)時(shí)間序列(非連續(xù)時(shí)間序列)的數(shù)據(jù)對(duì)比(圖4),可以看出,GF-4反演結(jié)果在數(shù)值上略高于AERONET數(shù)據(jù),但二者整體變化大致相同,總體滿足區(qū)域PM2.5遙感監(jiān)測(cè)的需要.

圖3 GF-4遙感反演AOD與AERONET觀測(cè)結(jié)果對(duì)比

圖4 GF-4 AOD與AERONET Taihu站點(diǎn)AOD時(shí)序?qū)Ρ?/p>

圖5 GF-4部分日期AOD反演結(jié)果以及MOD04氣溶膠產(chǎn)品對(duì)比

(a)～(d)為GF4-AOD(550nm)反演結(jié)果; (e)～(h)為 MOD04DT氣溶膠產(chǎn)品

為進(jìn)一步識(shí)別分析本算法在高分四號(hào)氣溶膠反演過(guò)程中的有效性,篩選了研究區(qū)覆蓋范圍80%以上的圖像,并從春夏秋冬4個(gè)季節(jié)中各隨機(jī)選取一景與MOD04氣溶膠產(chǎn)品進(jìn)行對(duì)比,結(jié)果如圖5所示.GF-4反演的AOD在空間上具有較好的連續(xù)性,同時(shí)算法能有效識(shí)別條帶狀片云和零星的碎云.與MOD04暗像元算法產(chǎn)品相對(duì)比,二者在氣溶膠的空間分布趨勢(shì)上較為一致,均呈現(xiàn)南低北高分布,但GF-4 AOD分辨率遠(yuǎn)高于MOD04產(chǎn)品,因此能觀察到能多的污染細(xì)節(jié).在2018年10月30日反演結(jié)果中,長(zhǎng)三角城市群區(qū)域出現(xiàn)了較厚的氣溶膠,其中高值主要出現(xiàn)在上海、杭州、南京等工業(yè)化聚集的城市區(qū)域,而低值出現(xiàn)在浙江南部森林密集區(qū)域;同時(shí)該日出現(xiàn)較多條帶狀云,引起條帶周?chē)囱萁Y(jié)果出現(xiàn)了較高值的像元.2019年8月16日影像中出現(xiàn)了大量點(diǎn)狀碎云,氣溶膠結(jié)果與MOD04產(chǎn)品相比略微偏高,但該日?qǐng)D像覆蓋率遠(yuǎn)高于MOD04結(jié)果.而2017年12月10日與2020年3月18日的GF-4圖像較為清晰,能見(jiàn)度高,二者的AOD數(shù)值總體較低.但2017年12月10日GF-4反演AOD值明顯低于MOD04產(chǎn)品,可能是因?yàn)樵撊仗幱诙?長(zhǎng)三角城市群區(qū)域植被大量減少,導(dǎo)致暗像元識(shí)別過(guò)程出現(xiàn)偏差,從而影響了AOD的反演.

2.2 PM2.5估算結(jié)果

2.2.1 建模精度分析 基于高分四號(hào)AOD反演結(jié)果,篩選對(duì)應(yīng)時(shí)間、網(wǎng)格的PM2.5地面觀測(cè)數(shù)據(jù)、氣象數(shù)據(jù)、NDVI數(shù)據(jù)以及高程數(shù)據(jù)進(jìn)行匹配,對(duì)匹配后的22594組數(shù)據(jù)進(jìn)行簡(jiǎn)要統(tǒng)計(jì)和分析,結(jié)果如表2所示.可以看出,PM2.5的最大值為212μg/m3,表明本區(qū)域PM2.5的背景值較高.另垂直與濕度訂正后的AOD數(shù)值范圍變大,擴(kuò)增了空氣質(zhì)量的優(yōu)劣程度與污染程度差異.

表2 建模參數(shù)統(tǒng)計(jì)特征描述

注:樣本量=22594,總天數(shù)=143d.

利用匹配后的22594組變量進(jìn)行模型擬合,從圖6可以看出,模型擬合精度較高,模型估算PM2.5濃度與地面實(shí)測(cè)結(jié)果擬合度2達(dá)到0.74,優(yōu)于靜止衛(wèi)星GOGI在江蘇省的PM2.5估算結(jié)果(2=0.70)[15],也優(yōu)于同模型在珠江三角洲區(qū)域的PM2.5擬合結(jié)果(2=0.71)[24].同時(shí)交叉驗(yàn)證2為0.72,略低于擬合結(jié)果,表明該模型并未顯著過(guò)度擬合.從模型擬合趨勢(shì)線與1:1對(duì)比線來(lái)看,模型存在低值高估和高值低估的現(xiàn)象,可能與冬季AOD高值期的數(shù)值缺失有關(guān).因此,分別構(gòu)建春、夏、秋、冬4個(gè)季節(jié)模型,交叉驗(yàn)證結(jié)果如表3所示,4個(gè)季節(jié)的交叉驗(yàn)證2分別為0.65,0.59,0.63,0.72;RMSE分別為14.37,10.09,14.42, 18.59μg/m3,遠(yuǎn)小于地面站點(diǎn)監(jiān)測(cè)的PM2.5濃度均值(38.04 μg/m3).本研究中的擬合結(jié)果可以解釋相應(yīng)PM2.5濃度59%以上的變異,較MODIS AOD產(chǎn)品在長(zhǎng)三角區(qū)域的PM2.5濃度估算精度提升了10%～ 45%[25].一般來(lái)說(shuō),夏季PM2.5質(zhì)量濃度最低,秋季次之,在春季和冬季均較高[27].在本研究中,冬季擬合結(jié)果較優(yōu),交叉驗(yàn)證結(jié)果的MAE值在夏季達(dá)到最低(7.42μg/m3),最大值出現(xiàn)在冬季(13.34μg/m3),與上述分析一致.

2.2.2 PM2.5濃度空間分布 選取研究區(qū)2016年7月20日～7月31日連續(xù)12d的GF-4數(shù)據(jù)(含污染日和非污染日,且少云),利用線性混合模型進(jìn)行PM2.5濃度遙感反演,獲得一定時(shí)間段長(zhǎng)三角城市群區(qū)域逐日的PM2.5濃度空間分布,并與地面監(jiān)測(cè)站點(diǎn)PM2.5數(shù)據(jù)進(jìn)行比較,結(jié)果如圖7所示.遙感反演的PM2.5濃度呈現(xiàn)出顯著的空間連續(xù)性,可以獲取到更多地面監(jiān)測(cè)站點(diǎn)無(wú)法監(jiān)控的細(xì)節(jié)信息.GF-4遙感觀測(cè)與地面監(jiān)測(cè)的PM2.5濃度在整體空間分布上呈現(xiàn)高度一致性:南低北高,與氣溶膠的分布較為一致,南部浙江森林密集區(qū)域PM2.5濃度較低,中部(上海、浙江杭州)與北部(江蘇)城市工業(yè)化密集地區(qū)PM2.5濃度較高;但同時(shí)GF-4觀測(cè)結(jié)果對(duì)于局部的PM2.5高值存在低估現(xiàn)象,尤其是對(duì)于非污染日,地面監(jiān)測(cè)PM2.5濃度均出現(xiàn)大于80μg/m3的局部高值,而GF-4反演結(jié)果則在50μg/m3以下.

表3 不同季節(jié)的PM2.5估算模型交叉驗(yàn)證結(jié)果

圖7 長(zhǎng)三角城市群2016年7月20日～7月31日逐日PM2.5濃度空間分布

7月20日～7月31日,遙感反演結(jié)果中有5d的PM2.5濃度最高值超過(guò)75μg/m3,第1～11d的PM2.5污染情況呈現(xiàn)逐日遞增形勢(shì).前3d空氣質(zhì)量較優(yōu), PM2.5濃度基本處于40μg/m3以下.第4～7d PM2.5濃度整體有所上升,第4d在蘇州、寧波等地出現(xiàn)局部高值,但空氣質(zhì)量仍處于良好水平.第5～11d, PM2.5濃度出現(xiàn)大范圍的增長(zhǎng),超過(guò)80μg/m3,并且污染具有從聚集在浙江和安徽交界處向上海、南京以及合肥轉(zhuǎn)移的趨勢(shì).第12d,空氣質(zhì)量又恢復(fù)優(yōu)良水平,但合肥方向PM2.5濃度略高于其余地區(qū).連續(xù)12日PM2.5濃度的逐日觀測(cè)發(fā)現(xiàn),在此次污染事件中,長(zhǎng)三角城市群區(qū)域的PM2.5濃度污染具有從中部聚集并分別向東和向西北方向轉(zhuǎn)移的趨勢(shì).由于GF-4數(shù)據(jù)量有限,難以實(shí)現(xiàn)逐小時(shí)的PM2.5估算,但GF-4凝視時(shí)間間隔最高可達(dá)20s,后續(xù)可加入風(fēng)速風(fēng)向等因子,對(duì)PM2.5污染事件進(jìn)一步探究更精細(xì)的擴(kuò)散規(guī)律.

3 結(jié)論

3.1 GF-4 AOD反演結(jié)果分辨率較MODIS氣溶膠產(chǎn)品有很大提高,空間覆蓋較大且連續(xù)性好;算法反演結(jié)果精度較高,與AERONET AOD的為0.82, MAE與RMSE分別為0.14和0.19 (AOD均值為0.5296).反演過(guò)程中,片云和碎云均能得到較好的識(shí)別,但嚴(yán)重霧霾也可能被誤識(shí)別為云層,致使云層邊界處反演結(jié)果出現(xiàn)非正常高值.此外,由于算法本身限制,長(zhǎng)三角城市群區(qū)域冬季濃密植被覆蓋率變低,導(dǎo)致冬季AOD高值區(qū)數(shù)值缺失.

3.2 基于GF-4 AOD和LME模型估算的PM2.5濃度精度較高,模型估算PM2.5濃度與地面實(shí)測(cè)結(jié)果擬合度2達(dá)到0.74,但存在低值高估和高值低估的現(xiàn)象.分春、夏、秋、冬四個(gè)季節(jié)進(jìn)行建模,交叉驗(yàn)證2依次為0.67,0.59,0.63和0.72,表明模型可以解釋相應(yīng)PM2.5濃度59%以上的變異.MAE夏季達(dá)到最低(7.42μg/m3),春季最大(13.34μg/m3),與實(shí)際情況相符,表明可以利用GF-4遙感監(jiān)測(cè)區(qū)域PM2.5.

3.3 高分四號(hào)遙感觀測(cè)與地面監(jiān)測(cè)的PM2.5濃度在整體分布趨勢(shì)上表現(xiàn)出高度一致性:整體呈現(xiàn)南低北高,與反演的氣溶膠結(jié)果分布一致,南部浙江森林密集區(qū)域PM2.5濃度較低,而中部(上海、浙江杭州)與北部(江蘇)城市工業(yè)化密集地區(qū)PM2.5濃度較高.

[1] Wang J, Christopher S A. Intercomparison between satellite-derived aerosol optical thickness and PM2.5mass: Implications for air quality studies [J]. Geophysical Research Letters, 2003,30(21):2095-2098.

[2] Donkelaar A V, Martin R V, Park R J. Estimating ground-level PM2.5using aerosol optical depth determined from satellite remote sensing [J]. Journal of Geophysical Research, 2006,111(D21):1-10.

[3] Green M, Kondragunta S, Ciren P, et al. Comparison of GOES and MODIS aerosol optical depth (AOD) to aerosol robotic network (AERONET) AOD and improve PM2.5mass at Bondville, Illinois [J]. Journal of the Air & Waste Management Association, 2009,59(9): 1082-1091.

[4] Hua Z Q, S W W, Yang G, et al. A full-coverage daily average PM2.5retrieval method with two-stage IVW fused MODIS C6AOD and two-stage GAM model [J]. Remote Sensing, 2019,11(13):1558-1576.

[5] Liu Y, Franklin M, Kahn R, et al. Using aerosol optical thickness to predict ground-level PM2.5concentrations in the St. Louis area: A comparison between MISR and MODIS [J]. Remote Sensing of Environment, 2007,107(1/2):33-44.

[6] 賈松林,蘇 林,陶金花,等.衛(wèi)星遙感監(jiān)測(cè)近地表細(xì)顆粒物多元回歸方法研究 [J]. 中國(guó)環(huán)境科學(xué), 2014,34(3):565-573.

Jia S L, Su L, Tao J H, et al. A study of multiple regression method for estimating concentration of fine particulate matter using satellite remote sensing [J]. China Environmental Science, 2014,34(3):565- 573.

[7] Hu X, Waller L A, Lyapustin A, et al. 10-year spatial and temporal trends of PM2.5concentrations in the southeastern US estimated using high-resolution satellite data [J]. Atmospheric Chemistry and Physics, 2014,14(12):6301-6314.

[8] Wei J, Li Z Q, Sun L, et al. Extending the EOS long-term PM2.5data records since 2013 in China: Application to the VIIRS deep blue aerosol products [J]. IEEE Transactions on Geoscienc, 2021:3050999.

[9] Ma Z W, Hu X F, Sayer A M, et al. Satellite-Based spatiotemporal trends in PM2.5concentrations: China, 2004～2013 [J]. Environmental Health Perspectives, 2016,124(2):184-192.

[10] Zhang T H, Liu G, Zhu Z M, et al. Real-Time estimation of satellite-derived PM2.5based on a semi-physical geographically weighted regression model [J]. Environmental Research and Public Health, 2016,13(10):974-987.

[11] 李成才,毛節(jié)泰,劉啟漢,等. MODIS衛(wèi)星遙感氣溶膠產(chǎn)品在北京市大氣污染研究中的應(yīng)用 [J]. 中國(guó)科學(xué):地球科學(xué), 2005,35(0z1): 177-186.

Li C C, Mao J T, Liu Q H, et al. Research on the air pollution in Bering and its surroundings with MODIS AOD products [J]. Science China: Earth Sciences, 2005,35(0z1):177-186.

[12] Ma Z W, Liu Y, Zhao Q Y, et al. Satellite-derived high resolution PM2.5concentrations in Yangtze River Delta Region of China using improved linear mixed effects model [J]. Atmospheric Environment, 2016,133:156-164.

[13] 陳 輝,厲 青,張玉環(huán),等.基于地理加權(quán)模型的我國(guó)冬季PM2.5遙感估算方法研究 [J]. 環(huán)境科學(xué)學(xué)報(bào), 2016,36(6):2142-2151.

Chen H, Li Q, Zhang Y H, et al. Estimations of PM2.5concentrations based on the method of geographically weighted regression [J]. Acta Scientiae Circumstantiae, 2016,36(6):2142-2151.

[14] 李同文,孫越喬,楊晨雪,等.融合衛(wèi)星遙感與地面測(cè)站的區(qū)域PM2.5反演 [J]. 測(cè)繪地理信息, 2015,40(3):6-9.

Li T W, Sun Y Q, Yang C X, et al. Retrieving PM2.5using satellite remote sensing and ground station measurements [J]. Journal of Geomatics, 2015,40(3):6-9.

[15] 李志鵬,陳 健.基于GOCI衛(wèi)星的大氣細(xì)顆粒物PM2.5的遙感反演及其時(shí)空分布規(guī)律研究 [J]. 遙感技術(shù)與應(yīng)用, 2020,35(1):163-173.

Li Z P, Chen J. Remote sensing retrieval of atmospheric fine particle PM2.5based on GOCI satellite and its temporal and spatial distribution [J]. Remote Sensing Technology and Application, 2020,35(1):163- 173.

[16] 耿 冰,孫義博,曾巧林,等.基于深度學(xué)習(xí)方法的PM2.5精細(xì)化時(shí)空估算模型 [J]. 中國(guó)環(huán)境科學(xué), 2021,41(8):3502-3510.

Geng B, Sun Y B, Zeng Q L, et al. Refined spatiotemporal estimation model of PM2.5based on deep learning method [J]. Chinese Environmental Science, 2021,41(8):3502-3510.

[17] Lu X M, Wang J J, Yan Y T, et al. Estimating hourly PM2.5concentrations using Himawari-8AOD and a DBSCAN-modified deep learning model over the YRDUA, China [J]. Atmospheric Pollution Research, 2021,12(2):183-192.

[18] Sun K, Chen X L, Zhu Z M, et al. High resolution aerosol optical depth retrieval using Gaofen-1WFV camera data [J]. Remote Sensing, 2017,9(1):89-108.

[19] Zhang T H, Zhu Z M, Gong W, et al. Estimation of ultrahigh resolution PM2.5concentrations in urban areas using 160m Gaofen-1AOD retrievals [J]. Remote Sensing of Environment, 2018,216:91-104.

[20] Yan J W, Tao F, Zhang S Q, et al. Spatiotemporal distribution characteristics and driving forces of PM2.5in three urban agglomerations of the Yangtze River Economic Belt [J]. Environmental Research and Public Health, 2021,18(5):2222-2247.

[21] Zhu W W, Wang M C, Zhang B B. The effects of urbanization on PM2.5concentrations in China's Yangtze River Economic Belt: New evidence from spatial econometric analysis [J]. Journal of Cleaner Production, 2019,239:118065-118076.

[22] ?ngstr?m A. On the atmospheric transmission of sun radiation and on dust in the air [J]. Geografiska Annaler, 1929,11:156-166.

[23] Vermote E F, Tanr′e D, Deuz′e J L, et al. Second simulation of the satellite signal in the solar spectrum, 6S: An overview [J]. IEEE Transactions on Geoscience & Remote Sensing, 1997,35(3):675-686.

[24] 周 爽,王春林,孫 睿,等.基于LME/BME的珠江三角洲PM2.5星地融合技術(shù)研究 [J]. 中國(guó)環(huán)境科學(xué), 2019,39(5):1869-1878.

Zhou S, Wang C L, Sun R, et al. Fusion of satellite data and ground observed PM2.5in Pearl River Delta region with linear mixed effect and Bayesian maximum entropy method [J]. China Environmental Science, 2019,39(5):1869-1878.

[25] 徐建輝,江 洪.長(zhǎng)江三角洲PM2.5質(zhì)量濃度遙感估算與時(shí)空分布特征 [J]. 環(huán)境科學(xué), 2015,36(9):3119-3127.

Xu J H, Jiang H. Estimation of PM2.5concentration over the Yangtze Delta using remote sensing: Analysis of spatial and temporal variations [J]. Environmental Science, 2015,36(9):3119-3127.

[26] 付宏臣,孫艷玲,王斌等.基于AOD數(shù)據(jù)和GWR模型估算京津冀地區(qū)PM2.5濃度 [J]. 中國(guó)環(huán)境科學(xué), 2019,39(11):4530-4537.

Fu H C, Sun Y L, Wang B, et al. Estimation of PM2.5concentration in Beijing-Tianjin-Hebei region based on AOD data and GWR model [J]. Environmental Science, 2019,39(11):4530-4537.

Remote estimation of PM2.5based on GaoFen-4 satellite data in the Yangtze River Delta urban agglomeration.

YAN Ying-ting1, LU Xiao-man1, WANG Jia-jia1, CHEN Ming-nan2, ZHOU Li-guo1,3*, MA Wei-chun1

(1.Department of Environmental Science and Engineering, Fudan University, Shanghai 200433, China；2.Shanghai Investigation, Design & Research Institute Co., Ltd., Shanghai 200335, China；3.Institute of Eco-Chongming, Shanghai 200062, China)., 2022,42(3)：1005～1012

This paper used 6SV model and dark target algorithm to retrieve AOD with a high spatial resolution based on GaoFen-4 (GF-4) geostationary satellite data. Afterwards, combined with the PM2.5concentration data of the ground air quality observation sites, meteorological factors and other data, physical correction methods and linear mixed effects (LME) model were used to monitor the large-scale and spatial continuous PM2.5concentration in the Yangtze River Delta urban agglomeration (YRDUA). The results showed that the retrieved GF-4 AOD has good spatial resolution and spatial continuity, and the correlation coefficient (R) with AERONET ground-based monitoring data reached 0.82. The LME model based on GF-4 AOD showed a good agreement between the estimated PM2.5concentration and the in situ observed values (2=0.74). The 10-fold cross-validation2of spring, summer, autumn and winter were 0.67, 0.59, 0.64 and 0.72, respectively; and the mean absolute error (MAE) were 10.40, 7.42, 10.10 and 13.34μg/m3, respectively, which indicates that GF-4 can be used for regional PM2.5concentration monitoring.

GF-4 satellite；PM2.5；AOD；remote sensing；Yangtze River Delta urban agglomeration (YRDUA)

X513

A

10000-6923(2022)03-1005-08

嚴(yán)瑩婷(1995-),女,浙江海寧人,復(fù)旦大學(xué)碩士研究生,主要研究方向?yàn)榇髿猸h(huán)境遙感.發(fā)表論文2篇.

2021-08-10

*責(zé)任作者, 副教授, Lgzhou@fudan.edu.cn

基金支持：國(guó)家重點(diǎn)研發(fā)計(jì)劃(2016YFC0502706);國(guó)家自然科學(xué)基金(41001234)