基于AERONET数据的气溶胶光学特性分析

大气气溶胶的监测对全球气候变化、区域空气质量和公共健康等研究具有重要的意义,而中国台湾岛四面环海,地理位置特殊,若忽略其大气环流和局地排放源造成的气溶胶特征时空异质性将会导致气溶胶参数反演误差。因此本研究使用中国台湾岛多个具有代表性的AERONET（AErosol RObotic NETwork）观测站历史数据和MODIS气溶胶光学厚度AOD（Aerosol Optical Depth）反演产品,分析5个典型站点气溶胶参数及其类型的时空变化特征及差异,分析结果表明：（1）各站点AOD年平均值逐年下降,呈现春季最高（0.5257）的季节变化特征和双峰结构的日变化规律,主导气溶胶类型为城市工业型（仅鹿林站点为海洋型）。（2）中国台湾地区风向多为东北风,风速越大,AOD值越低,海洋型气溶胶占比越高;反之则以城市工业型气溶胶为主。（3）?ngstr?m波长指数（AE）、单次散射比（SSA）、复折射指数虚部、不对称因子平均值分别为1.3283、0.9564、0.0054、0.7292;相比于北京（39.9768°N,116.3813°E）站,台湾“中央大学”AOD年平均值、季节变化、主导气溶胶类型均存在较大的差异。（4）MODIS AOD分站点验证精度较高,而在高山鹿林站的验证精度稍低（R²=0.5925）;而利用不同气溶胶类型的分类验证结果显示,城市工业（R²=0.7238）、生物质燃烧（R²=0.6161）和次大陆型（R²=0.5116）精度较高,但海洋型（R²=0.1585）、大陆型（R²=0.1111）AOD验证精度显著降低。本研究表明,中国台湾岛气溶胶类型呈现西南沿岸站点秋冬季次大陆型占比上升,西北沿岸大陆型上升的时空特征差异,细化气溶胶参数的时间差异和时间动态变化信息将对气溶胶卫星反演算法在环流特征明显的近海区域有着重要指导作用。     

气溶胶定量遥感的机器学习方法综述

机器学习方法近年来取得突破进展,其遥感应用从目标识别和地物分类领域,发展到定量化反演的多个领域。气溶胶定量遥感因其机理复杂,反演参数的种类和精度受到限制,机器学习为气溶胶遥感带来了新的研究和应用技术手段。本文汇总现有研究进展将气溶胶机器学习方法归纳为卫星遥感反演气溶胶光学厚度AOD（Aerosol Optical Depth）、卫星遥感反演其他气溶胶参数、卫星遥感反演颗粒物浓度（PMx）、地基气溶胶遥感4类。结合作者研究工作,通过分析讨论,归纳机器学习用于气溶胶定量遥感的条件为：（1）物理模型无法使用;（2）已有模型卫星产品精度低;（3）已有模型精度高但计算速度低。从应用的角度来说,可以借助于更多的具有相关性的输入信息,发挥机器学习在反演产品种类、反演精度、计算效率等方面的优势;而对定量遥感来说,应该同时重视挖掘遥感数据本身的信息来提高反演能力,并通过误差分析等手段反馈对遥感机理的理解,使机器学习与遥感机理研究相互促进。     

深度置信网络算法反演Landsat 8 OLI气溶胶光学厚度

传统的气溶胶遥感反演算法在地表反射率较低、结构较为均一的海洋及浓密植被等区域的气溶胶反演可以达到较高的精度，而在城市、矿区等高亮度、高异质性区域的气溶胶反演中仍面临较大的挑战。当地表反射率较高时，卫星传感器获取的对气溶胶具有标识性的信息不足，导致了气溶胶反演的困难。为更大程度地挖掘卫星信号中对气溶胶具有标识性的信息，本文提出使用深度学习技术的气溶胶遥感反演算法，用于Landsat 8 OLI传感器的气溶胶反演。选择全球不同区域的AERONET站点气溶胶实测数据以及对应区域的Landsat 8 OLI传感器的观测几何角度和表观反射率数据，根据合理的时空匹配原则构建样本数据。选择深度置信网络，在合理设置训练批次和训练次数的基础上对网络进行训练和测试，生成关于卫星传感器数据的气溶胶光学厚度拟合网络模型，实现气溶胶遥感反演。使用独立的AERONET站点气溶胶实测数据对反演结果进行了验证，结果表明：该方法可反演不同地表类型区域连续空间覆盖的气溶胶光学厚度，且达到了较高的精度（R=0.8745，RMSE=0.0391，MAE=0.0616，EE=87.94%）。与传统的方法相比，本方法基于单时相卫星遥感数据即可实现气溶胶的高精度反演，简化了气溶胶反演的步骤，提高了气溶胶反演的稳定性和时空适应性。     

VRSS-1卫星数据气溶胶光学厚度反演及精度验证

采用委内瑞拉遥感卫星(VRSS-1)数据进行气溶胶光学厚度(Aerosol Optical Depth,AOD)反演,是VRSS-1卫星数据在环保领域应用的一次尝试。本文采用将VRSS-1卫星数据反演的气溶胶光学厚度结果与NASA(美国航空航天局)公布的MODIS气溶胶标准产品对比的方法进行精度验证,以确定所选择的气溶胶光学厚度算法是否适合VRSS-1卫星数据。     

季节偏差纠正下的遥感AOD产品降尺度BGIM算法

MODIS 3 km DT（Dark Target）卫星气溶胶光学厚度AOD（Aerosol Optical Depth）数据产品已广泛应用于大气污染监测,但受反演方法限制,该数据产品像元缺失严重、时空覆盖度低、精度偏低。相比,MODIS 10 km DT_DB_Combined AOD数据产品因融合DT和DB（Deep Blue）两种反演算法,一定程度上可弥补MODIS 3 km DT AOD数据产品在时空覆盖度与精度方面的缺陷,但分辨率偏低。此外,受气溶胶组分来源的季节变化与地表反射率估算的季节性误差影响,MODIS AOD数据产品精度同时也存在季节性特征。本文由此以京津冀为试验区,顾及AOD季节变化特性,开展MODIS 10 km DT_DB_Combined AOD数据产品偏差纠正下的地统计反演模拟BGIM（Bias-corrected Geostatistical Inverse Model）降尺度算法研究。试验同时引入AERONET地基观测数据和MODIS 3 km DT AOD数据产品作为降尺度结果的绝对与相对验证标准。结果表明：季节偏差系数纠正下生成的MODIS 3 km DT_DB_Combined AOD与10 km DT_DB_Combined AOD、3 km DT AOD数据产品的绝对精度相当,验证R²分别为0.79、0.70、0.71;且相比MODIS 3 km DT AOD数据产品,季节偏差系数纠正下的MODIS 3 km DT_DB_Combined AOD数据与其相关系数可达0.93;在时间覆盖度和空间覆盖度方面可分别提升11.21%和11.44%,其中春、冬两季空间覆盖度提升效果尤为显著。研究结果证实BGIM降尺度算法可有效估算MODIS 3 km DT_DB_Combined AOD数据,提高MODIS 3 km AOD产品的时空覆盖度,并同时抑制原有MODIS 10 km DT_DB_Combined AOD数据产品的季节性高估现象。     

暗目标法的Himawari-8静止卫星数据气溶胶反演

Himawari-8(H8)是由日本气象厅发射的新一代静止气象卫星,可实现10 min/次的高频次对地观测,搭载的AHI(Advanced Himawari Imager)传感器设置有与MODIS暗目标气溶胶反演算法所需的类似波段。本文参考暗目标算法构建了针对该卫星传感器的陆地气溶胶反演算法:首先,通过基于地基站点观测数据的精确大气校正,统计得到短波红外与可见光波段的地表反射率比值关系,将此作为先验知识用于地—气解耦时的反射率估计;然后,初步假设大陆型气溶胶类型,利用辐射传输模型建立查找表;最后,通过模拟与卫星观测的表观反射率误差最小实现气溶胶光学厚度反演解算。选取2016年5月覆盖京津冀地区的观测数据进行测试,将反演结果与对应时间的MODIS气溶胶光学厚度产品进行对比验证,空间分布趋势一致、相关性较高,相关系数R达到0.852;通过与地基观测网AERONET站点实测数据对比验证,所有站点的相关系数R~2均大于0.88,精度较高。利用反演的高时间分辨率产品,分析了京津冀地区的大气空间分布和日变化情况,结果表明:采用暗目标法对H8静止卫星陆地气溶胶光学厚度反演具有一定的潜力和可行性,能反映气溶胶的高时间变化信息,有望成为大气环境污染变化监测新的重要手段。     

北京城市下垫面大气CO2反演算法

大气温室气体监测仪GMI（Greenhouse gases Monitor Instrument）是高分五号（GF-5）卫星载荷之一，主要用于全球温室气体含量监测和碳循环研究。高精度反演是卫星大气CO₂遥感的基本需求。地表反射率影响卫星遥感辐射量及辐射传输过程中的地气耦合过程，严重制约着CO₂的反演精度，针对GMI开发高精度的大气CO₂反演算法，地表反射是一个需要重点考虑的因素。城市是CO₂重要的发射源，且城市下垫面存在明显的二向反射特性，加上城市大气条件不良，复杂的地气耦合效应存在这都考验反演算法的准确性和鲁棒性。本文针对北京城市地区，利用2011年—2016年共5年的MODIS（MODerate-resolution Imaging Spectroradiometer）地表二向反射分布函数BRDF（Bidirectional Reflectance Distribution Function）数据，构建了适合利用单次观测数据反演的BRDF模型，并提出一种同时反演地表BRDF参数和大气CO₂含量的算法。结果表明在550 nm波长处气溶胶光学厚度AOD（Aerosol Optical Depth）小于0.4时，大部分GMI模拟数据的反演误差控制在0.5%（~2 ppm）内。利用GOSAT （Greenhouse gases Observing SATellite）实测数据的反演结果与修正后的日本国立环境研究所NIES（National Institute for Environmental Studies）反演结果进行对比，其平均误差为1.25 ppm，相关性达到0.85。本算法满足GMI数据在北京城市区域高精度CO₂反演的需求，并使得反演高值气溶胶区域数据成为可能，增加了GMI观测数据的利用率。     

地球静止卫星和网格化站点支持下的PM2.5精细制图

许多城市建立的相对稠密的网格化监测站点,为精细化监管城市空气质量奠定了基础。本文选用徐州市网格化监测数据、地球静止卫星Himawari-8/AHI及COMS/GOCI的表观反射率和气溶胶光学厚度数据、气象和其他辅助数据,开展了徐州地区0.005°空间分辨率网格的PM_2.5浓度精细化制图研究。本文使用了极端梯度提升（XGBoost）、随机森林（RF）及时空加权回归（GTWR）等3种方法,并选用多种特征参数组合进行对比分析。综合分析模型精度和过拟合程度,结果表明XGBoost模型表现最好,其R²为0.90,RMSE为11.65 μg/m³。进一步将本文结果与国控站点、清华大学的TAP数据集和马里兰大学的CHAP数据集的对比分析,结果表明基于网格化站点的PM_2.5制图结果能更好地反映城市内部不同区域的PM_2.5浓度分布差异性,弥补因国控站点稀疏带来的缺陷,更好地服务于城市空气质量精准管控。     

基于环境卫星的北京市气溶胶光学厚度时空分布特征

气溶胶作为环境监测的重要指标,采用环境卫星数据对其进行反演时,深蓝算法和暗像元法各有不足。以北京市为研究对象,采用HJ-1卫星数据,使用暗像元法和深蓝算法相结合的方法对北京市气溶胶光学厚度(Aerosol Optical Depth,AOD)进行反演,并分析其时空分布特征。实验结果表明:基于HJ-1卫星数据反演的北京市AOD与AERONET地基观测数据的相关系数达到了0.934;通过HJ-1卫星数据反演的北京市AOD在时间上表现出明显的季节性特征,其中夏季AOD值最大,冬季最小;在空间分布上AOD高值主要集中在人口密集的城区中心,整体分布呈现西北低东南高的趋势;采用MODIS数据对反演结果进行验证分析,结果表明,二者时空变化趋势一致。这些结果说明使用暗像元法和深蓝算法相结合的方法反演北京市AOD是可行的,为北京市AOD反演提供了新思路,有助于北京市环境污染监测和气候变化研究。     

联合星载高光谱影像和堆栈集成学习回归算法的红树林冠层叶绿素含量遥感反演

红树林是世界上生产力最高、价值最高的湿地生态系统之一。冠层叶绿素含量CCC（Canopy Chlorophyll Content）作为红树林重要的生物物理参量,是估算其生产力和评价其健康状况的重要指标。本文利用珠海一号高光谱卫星（OHS）影像与Sentinel-2A多光谱数据计算传统植被指数与组合植被指数并构建了高维数据集,综合利用正态分布检验、最大相关系数法与变量重要性评价进行数据降维和变量优选;分别基于单一线性回归算法、机器学习回归算法和堆栈集成学习回归算法构建了红树林CCC遥感反演模型,探明北部湾红树林CCC的最佳遥感反演模型,验证OHS高光谱影像与Sentinel-2A数据反演红树林CCC的精度差异,评估SNAP-SL2P算法反演红树林CCC的适用性。研究结果表明：（1）通过数据降维和变量选择处理,从高维度OHS数据集选取了8个特征变量,其中RSI_（12,17）、DSI_（12,18）和NDSI_（6,12）组合植被指数对红树林CCC反演精度的贡献率较高;（2）联合OHS数据和最优堆栈GBRT集成学习回归模型（Score=0.999,RMSE=0.963 μg/cm²）的训练精度优于最优RF机器学习回归模型（RMSE降低了7.531 μg/cm²）,明显优于最优Lasso线性回归模型（RMSE降低了19.383 μg/cm²）;（3）在最优堆栈集成学习回归模型下,OHS数据反演红树林CCC的精度（R²=0.761,RMSE=16.738 μg/cm²）高于Sentinel-2A影像（R²=0.615,RMSE=20.701 μg/cm²）;（4）联合OHS和Sentinel-2A数据的最优堆栈集成学习回归模型反演红树林CCC的精度都明显优于SNAP-SL2P算法（R²=0.356,RMSE=49.419 μg/cm²）。研究结果论证了正态分布检验、最大相关系数法和基于XGBoost的特征选择方法有效降低了高维数据集的维度,并得到了最优特征变量;OHS数据的最优堆栈GBRT集成学习回归模型训练精度最高,是估算红树林CCC的最优反演模型;OHS和Sentinel-2A数据都能有效反演红树林CCC（R²均大于0.61）,而OHS数据的估算精度更高（R²大于0.75）;SNAP-SL2P算法不能有效反演红树林CCC（R²小于0.4）,且对红树林CCC数值存在系统性低估。     

北京地区Landsat 8 OLI高空间分辨率气溶胶光学厚度反演

卫星气溶胶光学厚度(AOD)反演中,传统暗目标方法在反射率较低的水体、浓密植被覆盖区域取得了较好效果,在反射率较高且结构复杂的高反射地表上空目前多采用深蓝算法,但存在空间分辨率较低,对细节分布描述性较差等问题。为解决这一问题,本文首先以5年(2008年—2012年)长时间序列MODIS地表反射率产品为基础,采用最小值合成法建立500 m分辨率逐月地表反射率产品数据集,然后利用地物波谱库中典型地物波谱数据,分析建立MODIS与Landsat 8 OLI传感器蓝光波段反射率转换模型,最后北京地区AERONET地基观测数据确定了气溶胶光学物理参数,并反演获取了北京地区上空500 m分辨率的AOD分布。为验证反演算法的精度,分别将反演结果同AERONET及MODIS/Terra气溶胶产品(MOD04)进行交叉对比,同时利用相关系数R,均方根误差RMSE,平均绝对误差MAE以及MODIS AOD产品预期误差EE共4个指标进行衡量。结果表明:算法反演获取的AOD与AERONET观测值具有较高的一致性,各指标分别为R=0.963,RMSE=0.156,MAE=0.097,EE=85.3%,稍优于MOD04产品(R=0.962,RMSE=0.158,MAE=0.101,EE=75.8%),并且有效的对比点数也高于MOD04。通过与地基观测相比,卫星遥感获取的高分辨率城市地区AOD精度可作为定量评估城市空气质量的有效依据。     

中国东部气溶胶光学厚度季节变化的数值模拟

气候模式对气溶胶光学厚度AOD的合理模拟,是模拟研究气溶胶气候效应的前提。利用在线耦合的区域气候—大气化学—气溶胶耦合模式系统RIEMS-Chem,模拟研究了2010年中国东部地区AOD的季节变化情况。模拟结果与卫星搭载的中分辨率成像光谱仪(MODIS)的反演资料和地基气溶胶观测网(AERONET)的站点观测资料分别进行了一年四季的详细对比,检验结果显示尽管模拟值有所低估,模式仍然能够合理地反映AOD的季节变化情况和空间分布特征,与AERONET站点观测值相比,整体相关系数为0.6。MODIS反演和相应模拟结果均显示,中国东部地区AOD整体水平夏季最大,春季次之,秋、冬季最小,华北平原、四川盆地和华中地区是AOD的主要大值区。只考虑日间AOD时,其季节分布特征略有不同,在华北平原地区,日间AOD夏季最大(1.1—1.5),在长江中下游流域地区,日间AOD则在春季最大(1.1—1.7);在中国东部,日间AOD的大值在夏、冬两季分别主要分布在长江以北、以南地区,而在春、秋两季则主要位于长江中下游流域。     

Machine Learning and Bias Correction of MODIS Aerosol Optical Depth

Machine-learning approaches (neural networks and support vector machines) are used to explore the reasons for a persistent bias between aerosol optical depth (AOD) retrieved from the MODerate resolution Imaging Spectroradiometer (MODIS) and the accurate ground-based Aerosol Robotic Network. While this bias falls within the expected uncertainty of the MODIS algorithms, there is room for algorithm improvement. The results of the machine-learning approaches suggest a link between the MODIS AOD biases and surface type. MODIS-derived AOD may be showing dependence on the surface type either because of the link between surface type and surface reflectance or because of the covariance between aerosol properties and surface type.      

FY-3A/MERSI海上沙尘天气气溶胶光学厚度反演

利用FY-3A/MERSI资料,结合MODIS C005算法的海上气溶胶模型,研究了中国渤海、黄海以及东海海域沙尘天气气溶胶光学厚度反演方法。通过MERSI反演的气溶胶光学厚度与MODIS C005气溶胶光学厚度产品(MOD04)对比,发现MERSI气溶胶光学厚度反演结果存在较大偏差。分析认为,这种偏差是由MODIS C005算法的海上气溶胶模型对MERSI气溶胶光学厚度反演不完全适用造成的。鉴于此,本文研究引进了一种沙尘气溶胶模型,并将其与MODIS C005算法的粗粒子气溶胶模型按照一定比例混合,形成了改进的气溶胶模型。利用改进气溶胶模型再次反演海上沙尘天气气溶胶光学厚度,反演结果与MOD04一致性较好,说明改进气溶胶模型能有效地提高MERSI定量反演沙尘气溶胶的能力。     

基于MODIS数据的上海市气溶胶厚度研究

基于6S传输模型,本文利用中分辨率成像光谱仪（MODIS）数据并结合较新的NASA的V5．2气溶胶业务反演算法,以上海市MODIS数据为研究数据源,结合晴朗天气（晴朗且无云或云稀薄）与AERONET发布的探测日（即发布AOD探测值日期）选取8组MODISLIB数据集,对其进行气溶胶厚度反演。同时将反演结果与AERONET架设在太湖区域点（31N,120E）的太阳光度观测的光学厚度进行验证。结果表明：V5．2反演算法结果与观测值呈现相同的变化趋势,反演值与观测值误差不大,在气溶胶光学厚度反演中具有较好的应用。     

利用暗目标法从高分一号卫星16 m相机数据反演气溶胶光学厚度

针对高分一号卫星(GF-1)的16 m宽覆盖相机数据,探讨了暗目标法的应用。首先,利用地面观测的植被光谱数据,结合模拟计算,发现利用红蓝波段线性关系能更好地去除地表影响,而利用反演的气溶胶光学厚度AOD进行大气校正能很好地去除伪暗目标;然后,以天津地区和北京地区为试验区进行了反演试验。结果表明,利用本算法能较好地观测气溶胶分布,与地面观测结果均有较好的相关性(R0.8),但反演结果整体偏高,可能是云像元的影响。误差分析表明,整景图像采用统一的观测天顶角会带来较大误差,最大误差为0.3;绝对辐射定标精度在3%以下,反演精度能控制在10%,城市型气溶胶会对反演带来较大误差。     

相对湿度对吸收性气溶胶指数的影响

为提高风云三号气象卫星(FY-3)紫外臭氧总量探测仪(TOU)观测数据得到的吸收性气溶胶指数AAI(Absorbing Aerosol Index)或AI(Aerosol Index)的可靠性,需要了解AAI指数与相对湿度之间的内在关系。本研究利用大气辐射传输模型DAK(Doubling-Adding KNMI)分别模拟了在城市气溶胶和乡村气溶胶模式下AAI同相对湿度之间的关系,并将结果同已观测到的实际结果进行对比。结果发现,在相对湿度呈高值时AAI指数出现很大的变化,但相对湿度对两种气溶胶模型的影响具有相反的效应,分析显示当大气中含有吸收性气溶胶如含碳类气溶胶(在中国北部的污染过程中很常见)时,AAI结果对RH(Relative Humidity)有很强的依赖。在应用AAI指数产品检测污染过程中需要注意气溶胶的具体类型和相对湿度的影响,必要时在高相对湿度过程中进行数据校正或剔除。     

查找表方法确定气溶胶类型

针对传统气溶胶类型确定方法的局限性以及当前气溶胶类型确定存在的困难,提出一种使用多波段气溶胶光学厚度数据确定气溶胶类型的方法。基于大气颗粒物的散射与吸收特性分析,通过构建查找表的方法实现气溶胶类型的确定。该方法利用Mie散射理论通过正向模拟不同类型气溶胶粒子数量与多波段光学厚度之间的关系来构建查找表,基于该查找表,使用440 nm、670 nm、870 nm及1020 nm 4个波段的气溶胶光学厚度确定气溶胶类型。使用模拟的多波段气溶胶光学厚度数据开展了气溶胶类型的确定实验,分析了不同波段气溶胶光学厚度误差对气溶胶类型确定结果的影响。结果表明,该方法可根据4个波段的气溶胶光学厚度以较高的精度确定出沙尘性、水溶性和煤烟3种气溶胶粒子的数量,从而确定气溶胶类型。     

NPPVIIRS数据反演气溶胶光学厚度

利用NPP卫星的VIIRS传感器数据,基于暗像元法反演陆地气溶胶光学厚度AOD。首先,根据红外波段的归一化植被指数NDVI来对暗像元进行识别;然后,利用6S软件进行辐射传输计算构建查找表;最后,根据VIIRS数据从查找表插值得到AOD,并对其进行海拔校正。选取华北地区作为反演实验区,获得了2013年9月1日的气溶胶分布。利用AERONET北京站太阳光度计地基观测结果对反演结果对比验证,发现二者具有显著的相关性,相关系数达到0.7920。将2013年9月1日的MODIS AOD产品与本研究反演的AOD进行比对,发现二者分布趋势一致,相关系数为0.7059,相关性显著。反演结果表明,本文算法反演陆地AOD效果较好,为大气颗粒物环境监测提供了良好方法手段和数据源。