李濰瀚，劉日陽(yáng)，邵彥川，馬宗偉

（南京大學(xué)環(huán)境學(xué)院，污染控制與資源化研究國(guó)家重點(diǎn)實(shí)驗(yàn)室，江蘇 南京 210023）

0 引言

利用北京地區(qū)PM2.5的濃度監(jiān)測(cè)數(shù)據(jù)分析PM2.5的日變化特征和粒徑組成，Dai[5]等人基于長(zhǎng)三角地區(qū)空氣質(zhì)量監(jiān)測(cè)站點(diǎn)PM2.5小時(shí)數(shù)據(jù)，運(yùn)用普通克里金插值的方法分析PM2.5的時(shí)空分布格局。但直接將PM2.5數(shù)據(jù)插值不能精確地刻畫(huà)其空間分布，限制了后續(xù)暴露評(píng)估研究的研究精度。

基于遙感氣溶膠光學(xué)厚度AOD和PM2.5濃度間存在的強(qiáng)相關(guān)性，可以通過(guò)衛(wèi)星遙感AOD數(shù)據(jù)對(duì)地面PM2.5濃度進(jìn)行反演[6]。大量研究利用衛(wèi)星AOD數(shù)據(jù)開(kāi)展PM2.5反演研究，如Ma[7]利用MODIS AOD、氣象數(shù)據(jù)和土地利用數(shù)據(jù)通過(guò)線性混合模型和廣義加和模型對(duì)中國(guó)長(zhǎng)期PM2.5濃度分布進(jìn)行反演；Jing[8]等人利用MODIS AOD及氣象、地形、排放等數(shù)據(jù)，應(yīng)用隨機(jī)森林模型構(gòu)建了中國(guó)地區(qū)PM2.5的反演模型；Guo[9]等人基于優(yōu)化神經(jīng)網(wǎng)絡(luò)對(duì)河南省PM2.5進(jìn)行反演。然而，目前常用的AOD數(shù)據(jù)產(chǎn)品的分辨率普遍較為粗糙，絕大部分AOD產(chǎn)品的空間分辨率在3 km以上，反演得到的PM2.5濃度空間分布對(duì)于區(qū)域尺度研究來(lái)說(shuō)不夠精細(xì)。同時(shí)AOD生成過(guò)程中引入許多假設(shè)，導(dǎo)致AOD產(chǎn)品存在較大的不確定性，進(jìn)而影響反演PM2.5濃度的精確性。近年來(lái)，一些學(xué)者通過(guò)直接建立遙感圖像與PM2.5濃度關(guān)系來(lái)進(jìn)行地面PM2.5濃度的反演，如Kris等人[10]利用谷歌地圖遙感圖像對(duì)全球地表PM2.5濃度進(jìn)行反演，選取多種卷積神經(jīng)網(wǎng)絡(luò)方法進(jìn)行建模比較，最終得到模型測(cè)試集決定系數(shù)R2為0.75，均方根誤差為13.01 μg/m3的結(jié)果，初步證實(shí)通過(guò)遙感圖像反演PM2.5濃度的可行性，但研究使用的谷歌地圖時(shí)間分辨率較低；Zheng等人[11]利用PlanetScope遙感圖像數(shù)據(jù)，采用VGG16-RF的方法，結(jié)合氣象參數(shù)作為預(yù)測(cè)變量進(jìn)行北京地區(qū)的PM2.5濃度的建模反演，最終模型R2=0.9，均方根誤差為19.1 μg/m3，研究中還發(fā)現(xiàn)盡管衛(wèi)星圖像過(guò)境時(shí)間是固定的，理論上與過(guò)境時(shí)PM2.5小時(shí)數(shù)據(jù)的相關(guān)關(guān)系更強(qiáng)，但由于PM2.5小時(shí)數(shù)據(jù)波動(dòng)大，受干擾明顯，不適合作為預(yù)測(cè)變量，將遙感圖像與日均數(shù)據(jù)進(jìn)行匹配時(shí)，模型的預(yù)測(cè)性能更為穩(wěn)定；Maryam[12]利用MODIS原始遙感圖像，采用LSTM方法對(duì)伊朗城市德黑蘭的PM2.5濃度進(jìn)行反演，最終模型均方根誤差為7.73 μg/m3。

目前，應(yīng)用遙感圖像和深度學(xué)習(xí)方法反演PM2.5的研究較少，方法可靠性需要進(jìn)一步證明。并且從圖像數(shù)據(jù)源角度來(lái)看，相關(guān)研究應(yīng)用的遙感圖像數(shù)據(jù)源多為MODIS數(shù)據(jù)、PlanetScope衛(wèi)星群數(shù)據(jù)等，缺少對(duì)國(guó)產(chǎn)衛(wèi)星源圖像適用性的探究。針對(duì)目前遙感圖像反演PM2.5研究中存在的不足之處，以及PM2.5研究和管控的現(xiàn)實(shí)需求，探索國(guó)產(chǎn)衛(wèi)星在污染物反演領(lǐng)域的應(yīng)用，研究基于GF-1 WFV圖像、Merra-2氣象數(shù)據(jù)以及地面監(jiān)測(cè)PM2.5濃度數(shù)據(jù)，實(shí)現(xiàn)了長(zhǎng)三角地區(qū)基于GF-1遙感圖像和ResNet50網(wǎng)絡(luò)的PM2.5反演模型構(gòu)建。

1 數(shù)據(jù)與方法

1.1 研究區(qū)概括

研究區(qū)域?yàn)殚L(zhǎng)三角地區(qū)，包括江蘇省、浙江省、安徽省的全部地級(jí)市和上海市，面積約35.8 萬(wàn)km2，緯度范圍為27.143°N～35.126°N，經(jīng)度范圍為114.875°E～122.942°E。

1.2 數(shù)據(jù)來(lái)源及預(yù)處理

研究使用的數(shù)據(jù)獲取來(lái)源和參數(shù)信息如表1所示。

表1 研究數(shù)據(jù)參數(shù)信息和獲取來(lái)源

1.2.1 PM2.5地面監(jiān)測(cè)站點(diǎn)數(shù)據(jù)

PM2.5濃度數(shù)據(jù)來(lái)源為中國(guó)環(huán)境監(jiān)測(cè)總站發(fā)布的逐日數(shù)據(jù)，涵蓋2020—2021 年長(zhǎng)三角地區(qū)共196 個(gè)地面監(jiān)測(cè)站點(diǎn)。

1.2.2 GF-1圖像數(shù)據(jù)

選取GF-1 WFV圖像作為圖像數(shù)據(jù)源，篩選2020—2021年長(zhǎng)三角地區(qū)圖像，隨后利用ArcGIS中Arcpy模塊將原始圖像以地面監(jiān)測(cè)站點(diǎn)經(jīng)緯度為中心進(jìn)行圖片剪切，剪切后圖像大小為224×224×3（ResNet50模型的標(biāo)準(zhǔn)輸入大?。?。

1.2.3 Merra-2氣象再分析數(shù)據(jù)

研究使用的氣象再分析數(shù)據(jù)Merra-2來(lái)自NASA官方網(wǎng)站，是一套長(zhǎng)時(shí)間序列的遙感再分析數(shù)據(jù)集。Merra-2氣象再分析數(shù)據(jù)空間分辨率為0.5°×0.625°，包括邊界層高度PBLH、2 m溫度T2M、2 m東向風(fēng)速U2M在內(nèi)的24個(gè)氣象指標(biāo)[13]。對(duì)逐日數(shù)據(jù)進(jìn)行反距離加權(quán)插值，得到各地面監(jiān)測(cè)站點(diǎn)的氣象參數(shù)。

1.3 研究方法

研究圖像處理分析過(guò)程中使用的深度學(xué)習(xí)模型為Resnet50模型，同時(shí)還使用了隨機(jī)森林模型。

1.3.1 ResNet50模型

ResNet于2015年由微軟研究院研發(fā)[14]，是圖像特征學(xué)習(xí)領(lǐng)域中一種經(jīng)典的結(jié)構(gòu)框架，具有容易優(yōu)化、性能穩(wěn)定的特點(diǎn)，內(nèi)部的殘差結(jié)構(gòu)如圖1所示，緩解了深度網(wǎng)絡(luò)中梯度消失和預(yù)測(cè)性能變差的問(wèn)題。ResNet50是ResNet模型中最常用于遷移學(xué)習(xí)的模型，在環(huán)境學(xué)科中有廣泛的應(yīng)用，如水體識(shí)別[15]、霧霾監(jiān)測(cè)[16]等。

圖1 ResNet網(wǎng)絡(luò)中的殘差結(jié)構(gòu)

1.3.2 隨機(jī)森林模型

隨機(jī)森林模型（RF）是一種基于分類樹(shù)算法的機(jī)器學(xué)習(xí)方法[17-18]。隨機(jī)森林對(duì)于數(shù)據(jù)和變量的雙隨機(jī)性，使模型運(yùn)算量大大降低，具有準(zhǔn)確性、穩(wěn)健性、不易造成數(shù)據(jù)過(guò)擬合現(xiàn)象等優(yōu)點(diǎn)。

1.4 模型構(gòu)建與驗(yàn)證方法

研究構(gòu)建基于GF-1遙感圖像和氣象數(shù)據(jù)的PM2.5濃度預(yù)測(cè)模型流程圖如圖2所示。為了探究遙感圖像和氣象數(shù)據(jù)在模型中的作用，分別構(gòu)建（A）基于GF-1遙感圖像、（B）基于氣象數(shù)據(jù)、（C）基于GF-1遙感圖像和氣象數(shù)據(jù)的三個(gè)模型。

圖2 模型流程圖

建模過(guò)程中，將遙感圖像（圖像中心點(diǎn)）、氣象數(shù)據(jù)、站點(diǎn)PM2.5數(shù)據(jù)按照日期和經(jīng)緯度進(jìn)行匹配，得到匹配數(shù)據(jù)集。GF-1 圖像切片通過(guò)ResNet50 模型得到圖像特征參數(shù)后與氣象參數(shù)共同進(jìn)行隨機(jī)森林模型的訓(xùn)練。

采用十折交叉驗(yàn)證（10-Fold Cross Validation）[19]和測(cè)試集檢驗(yàn)的方法對(duì)模型表現(xiàn)進(jìn)行驗(yàn)證。其中80%匹配數(shù)據(jù)作為訓(xùn)練集，20%匹配數(shù)據(jù)進(jìn)行模型檢驗(yàn)，通過(guò)皮爾森相關(guān)系數(shù)R、均方根誤差RMSE以及絕對(duì)誤差MAE對(duì)模型性能進(jìn)行評(píng)價(jià)分析。

2 結(jié)果討論

2.1 數(shù)據(jù)匹配結(jié)果

將GF-1 WFV圖像切片（圖像中心點(diǎn)）、氣象數(shù)據(jù)、站點(diǎn)PM2.5日均濃度數(shù)據(jù)按照日期和經(jīng)緯度進(jìn)行匹配，得到匹配數(shù)據(jù)集的統(tǒng)計(jì)結(jié)果如表2所示。

表2 匹配數(shù)據(jù)集統(tǒng)計(jì)分析結(jié)果

GF-1 WFV部分圖像切片示例如圖3所示。GF-1圖像成像時(shí)間在上午11點(diǎn)左右，同一地點(diǎn)的明暗程度、色調(diào)基本相同；但可以觀察到，同一地點(diǎn)PM2.5污染較輕時(shí)，圖片也相對(duì)清晰，而當(dāng)PM2.5污染嚴(yán)重時(shí)，圖像表征出明顯的霧霾特征，圖像看起來(lái)相對(duì)模糊。

圖3 同一位置不同污染狀態(tài)GF-1 WFV圖像切片示例

2.2 模型訓(xùn)練結(jié)果

利用匹配數(shù)據(jù)對(duì)ResNet50-RF模型進(jìn)行訓(xùn)練。通過(guò)十折交叉驗(yàn)證和測(cè)試集驗(yàn)證的方法對(duì)模型性能進(jìn)行檢驗(yàn)，統(tǒng)計(jì)分析結(jié)果如表3～表5所示。其中，F(xiàn)代表十折交叉驗(yàn)證結(jié)果，如1-F代表十折交叉驗(yàn)證第一輪的檢驗(yàn)結(jié)果，VAL-AVE代表十折交叉驗(yàn)證的平均結(jié)果，TEST代表測(cè)試集結(jié)果。僅使用GF-1遙感圖像（模型A）時(shí)測(cè)試集皮爾森相關(guān)系數(shù)R為0.69，說(shuō)明遙感圖像與PM2.5濃度存在相關(guān)關(guān)系，但模型整體精確度偏低；僅使用氣象數(shù)據(jù)（模型B）時(shí)，模型已經(jīng)可以得到較為準(zhǔn)確的PM2.5濃度基準(zhǔn)；而基于GF-1遙感圖像和氣象數(shù)據(jù)的PM2.5濃度預(yù)測(cè)模型（模型C）預(yù)測(cè)準(zhǔn)確性優(yōu)于前兩個(gè)模型，模型測(cè)試集R為0.948，MAE為4.2 μg/m3，RMSE為6.6 μg/m3。

表3 基于GF-1圖像數(shù)據(jù)的模型預(yù)測(cè)準(zhǔn)確性統(tǒng)計(jì)

表4 基于氣象數(shù)據(jù)的模型預(yù)測(cè)準(zhǔn)確性統(tǒng)計(jì)

表5 基于GF-1圖像數(shù)據(jù)和氣象數(shù)據(jù)的模型預(yù)測(cè)準(zhǔn)確性統(tǒng)計(jì)

2.3 模型預(yù)測(cè)分布合理性檢驗(yàn)

為檢驗(yàn)?zāi)Ｐ皖A(yù)測(cè)應(yīng)用過(guò)程中PM2.5空間分布的合理性，對(duì)無(wú)錫和常州交界處2021 年12 月5 日PM2.5濃度分布進(jìn)行預(yù)測(cè)，此處地面站點(diǎn)分布相對(duì)密集，便于對(duì)濃度分布的合理性進(jìn)行檢驗(yàn)。如圖4所示，首先建立0.005°×0.005°（～500 m）柵格網(wǎng)絡(luò)，然后以網(wǎng)絡(luò)中每個(gè)點(diǎn)為中心對(duì)遙感圖像進(jìn)行剪切得到圖像切片，通過(guò)反距離加權(quán)插值得到各柵格氣象參數(shù)的連續(xù)數(shù)據(jù)。最后將圖像切片和氣象數(shù)據(jù)輸入模型，預(yù)測(cè)結(jié)果如圖5 所示。

圖4 柵格創(chuàng)建和圖像剪切過(guò)程

圖5 無(wú)錫和常州交界處2021年12月5日500 m分辨率PM2.5濃度預(yù)測(cè)圖

如圖5-A，僅使用GF-1 遙感圖像時(shí)（模型A），可以識(shí)別出PM2.5分布的高值區(qū)和低值區(qū)，但缺少氣象參數(shù)的輔助，預(yù)測(cè)PM2.5濃度較為極化，濃度分布不連續(xù)且波動(dòng)較大。僅使用氣象數(shù)據(jù)時(shí)（模型B），通過(guò)表4 顯示模型已經(jīng)可以得到較為準(zhǔn)確的PM2.5濃度基準(zhǔn)，但通過(guò)圖5-B 可以看到氣象數(shù)據(jù)預(yù)測(cè)得到的PM2.5濃度空間差異小，在進(jìn)行地面站點(diǎn)監(jiān)測(cè)數(shù)據(jù)驗(yàn)證時(shí)，在部分地面站點(diǎn)處出現(xiàn)較大的預(yù)測(cè)誤差，說(shuō)明氣象數(shù)據(jù)可以提供大致的PM2.5濃度基準(zhǔn)，但捕捉空間變異的能力還有欠缺。而如圖5-C，基于GF-1 遙感圖像和氣象數(shù)據(jù)的PM2.5濃度預(yù)測(cè)模型得到預(yù)測(cè)結(jié)果與地面站點(diǎn)監(jiān)測(cè)數(shù)據(jù)更為契合，誤差基本控制在5 μg/m3左右，空間分布更為合理。預(yù)測(cè)結(jié)果顯示當(dāng)日高值區(qū)集中在無(wú)錫江陰市和常州新北區(qū)，分析原因是由于該地工業(yè)產(chǎn)值占比高，污染物排放波動(dòng)大，當(dāng)日空氣濕度較高，促進(jìn)了前體物通過(guò)生成二次顆粒物的過(guò)程，加重了PM2.5污染。

3 結(jié)論

（1）GF-1遙感圖像可以體現(xiàn)PM2.5濃度大小。PM2.5濃度高時(shí)，遙感圖像相對(duì)模糊；PM2.5濃度低時(shí)，遙感圖像更清晰。

（2）結(jié)合Merra-2氣象參數(shù)，基于GF-1遙感圖像和ResNet50網(wǎng)絡(luò)的PM2.5濃度預(yù)測(cè)模型準(zhǔn)確率高。如圖6示意，其中氣象參數(shù)可以為模型提供較為準(zhǔn)確的PM2.5濃度基準(zhǔn)，而GF-1圖像能幫助模型更合理預(yù)測(cè)PM2.5濃度的空間變化。

圖6 遙感圖像數(shù)據(jù)和氣象等數(shù)據(jù)在模型中發(fā)揮的作用示意圖

（3）基于GF-1遙感圖像和ResNet50網(wǎng)絡(luò)的PM2.5濃度預(yù)測(cè)模型Pearson系數(shù)R為0.948，MAE為4.2 μg/m3，RMSE為6.6 μg/m3，模型預(yù)測(cè)得到PM2.5空間分布連續(xù)，可以準(zhǔn)確識(shí)別出PM2.5高值區(qū)與低值區(qū)分布，與地面站點(diǎn)監(jiān)測(cè)數(shù)據(jù)一致性高，應(yīng)用GF-1圖像和ResNet50網(wǎng)絡(luò)等深度學(xué)習(xí)方法可以作為地面監(jiān)測(cè)手段的補(bǔ)充，應(yīng)用于長(zhǎng)三角地區(qū)PM2.5濃度監(jiān)測(cè)。