MODIS气溶胶光学厚度的PM_(2.5)质量浓度遥感反演研究

以北京为研究区域,利用MODIS气溶胶光学厚度产品AOT(Aerosol Optical Thickness)定量反演北京近地面PM2.5质量浓度。首先对MODIS AOT与对应地面实测PM2.5质量浓度为数据源,两者的线性相关系数为0.323,经过AOT标高订正和PM2.5湿度订正后,两者相关系数升高为0.467;进一步分析AOT与PM2.5的季节变化特征发现,秋季相关性最高(0.802),春季最低(0.252),其他季节介于之间,并深入分析了AOT与PM2.5自身物理化学特性及气象因子对两者相关性的影响机制;最后在耦合标高和湿度订正基础上,建立了一个近地面PM2.5质量浓度对数反演模型,并与地面实测PM2.5样本进行对比分析,结果显示均方根误差为2.84%,平均误差为9.53%,验证了该对数反演模型能较好的依据AOT反演近地面PM2.5质量浓度的可行性,为卫星遥感高精度定量反演PM2.5提供了科学依据。     

利用MODIS资料监测京津冀地区近地面PM2.5方法研究

为建立京津冀地区冬季近地面细颗粒物浓度监测方法模型,利用气象模式资料对2013年1-3月MODIS的AOD二级深蓝算法产品进行湿度和垂直订正,与同期观测的地面细颗粒物PM_2.5资料进行相关分析。结果表明：AQUA的MODIS深蓝算法AOD产品更适用于建立冬季AOD-PM2.5遥感监测模型,其R²为0.33;以气象模式资料中边界层高度代替气溶胶标高对MODIS的AOD进行垂直订正,并结合IMPROVE观测的气溶胶吸湿增长特征构建分区湿度订正方法,可以提高AOD-PM_2.5模型结果的精度,建立较为理想的京津冀地区冬季遥感反演综合模型,模型结果与地面监测结果R²达0.5以上。根据建立的模型计算了2013年1-3月的京津冀地区PM_2.5月平均浓度,京津冀地区1月的PM_2.5浓度较高,南部大部分地区空气质量已经达到重度污染水平。     

关中地区PM_(10)质量浓度及MODIS气溶胶光学厚度时空特征分析

利用2014—2016年西安、咸阳、宝鸡、渭南、铜川的逐日PM_(10)质量浓度和同期美国国家航空航天局(NASA)的MODIS气溶胶产品(3 km),提取有效的气溶胶光学厚度(AOD)数据并进行标高及湿度订正,得到近地面"干"消光系数(AODSEC-RH),分析关中及5个地市PM_(10)质量浓度、AOD、AODSEC-RH的月、季、年时空变化特征。结果显示:近3 a关中及5个地市PM_(10)质量浓度均呈递减趋势;1月为峰值,7月为谷值,全年呈波动变化,冬季最大;3月较厚的逆温层及较稳定的大气致使污染不易扩散,PM_(10)质量浓度下降缓慢;4—5月降水开始增多,PM_(10)质量浓度下降较快;夏季PM_(10)质量浓度最低;10月雾和霾天气活跃,PM_(10)质量浓度迅速回升。西安年平均PM_(10)质量浓度较其他4市偏高,关中四季的PM_(10)质量浓度高值区均位于西安、咸阳、渭南市。近3 a关中整体AOD有所下降,高值区也位于西安、咸阳、渭南。夏季高温高湿,气溶胶吸湿强,AOD最大;其次为春季,气温回升、空气干燥、植被稀少,大风为沙尘天气提供了充分的动力,AOD次高;秋冬季AOD整体偏小。经标高及湿度订正的AODSEC-RH夏季明显降低,冬季明显升高,时空变化特征更接近于PM_(10)质量浓度,能充分体现近地面污染特征。     

Terra和Aqua卫星MODIS 3 km AOD与北京PM_(2.5)对比分析

本文利用2014年全年北京市12个空气质量监测站的逐小时PM_(2.5)地面观测资料,以及Terra卫星和Aqua卫星的MODIS 3 km气溶胶光学厚度(AOD)产品,分析了地面PM_(2.5)和两颗卫星AOD的时空分布特征,并在时空匹配的基础上,建立了AOD与PM_(2.5)浓度之间的回归模型。结果表明:PM_(2.5)浓度在城区高、郊区低,最低值位于定陵站,城区站和郊区站的逐时PM_(2.5)浓度的日变化分别呈"双峰型"和"单峰型";两颗卫星AOD数值也均是城区高、郊区低,沿山区的边界有明显的AOD梯度,且城区上午Terra卫星的AOD高于下午Aqua卫星的AOD,而郊区上、下午的AOD基本相同;Aqua卫星AOD与PM_(2.5)的确定系数(R2)较Terra卫星AOD与PM_(2.5)的确定系数平均高0.11,且城区站点两颗卫星AOD与PM_(2.5)相关性均较郊区站点AOD与PM_(2.5)相关性偏高;综合来看,Aqua卫星的AOD与城区的PM_(2.5)相关系数最高,即Aqua卫星的AOD更适于监测和反演城区地面的PM_(2.5)。     

上海市PM_(10)浓度四季遥感模型研究

通过分析2001—2012年上海市PM_(10)浓度(由API(Air Pollution Index)转化得到)的变化规律,构建了上海市PM_(10)浓度的遥感反演模型。结果表明:1)上海市PM_(10)浓度存在季节性变化,应分别建立遥感反演模型。2)分析MODIS气溶胶光学厚度(Aerosol Optical Depth,AOD)产品与PM_(10)浓度之间的相关性发现,AOD须经过垂直和湿度订正才可与PM_(10)建立较好的关系。3)结合垂直和湿度订正分别建立的上海市PM_(10)浓度春夏秋冬四季的遥感反演模型均通过了拟合度检验,其中春季模型采用指数函数、夏季和秋季模型采用二次多项式函数、冬季采用幂函数、全年采用二次多项式函数,利用此四季模型反演上海市PM_(10)浓度具有较高的可信度。     

京津冀地区气溶胶光学厚度反演及其空间分布特征

利用2014年9月1日至2015年5月31日Terra/MODIS MOD 021KM数据,以京津冀地区为研究区域,采用深蓝算法和查找表法反演京津冀地区1 km分辨率的气溶胶光学厚度,并将反演的气溶胶光学厚度与NASA产品和CE-318观测的气溶胶光学厚度进行比较。结果表明:反演的气溶胶光学厚度与NASA MOD 04_L2(10 km×10 km)和MOD 04_3K(3 km×3 km)两种气溶胶产品的空间分布具有高度的一致性,且空间分辨率更高;反演的气溶胶光学厚度与石家庄站CE-318观测气溶胶光学厚度的平均绝对误差为0.07左右,二者之间的相关系数R~2=0.956。卫星过境时,1 km反演的气溶胶光学厚度与MOD 04_L2气溶胶产品的平均误差约为0.06,反演的气溶胶光学厚度与MOD 04_3K气溶胶产品的平均误差约为0.03。对反演的气溶胶光学厚度与河北省PM_(2.5)和PM_(10)质量浓度的空间分布进行相关性分析表明,气溶胶光学厚度AOD与PM_(2.5)和PM_(10)质量浓度的相关系数分别为0.745、0.663,说明1 km反演的AOD可以有效反映区域PM_(2.5)和PM_(10)质量浓度的空间分布。     

一次重污染天气过程的激光雷达探测数据与颗粒物浓度变化

根据河北邢台市2015年10月11—23日一次重污染天气过程的激光雷达探测数据,对大气污染物浓度和雷达反演得出的大气边界层(PBL)高度、气溶胶光学厚度(AOD)和消光系数的变化进行分析。结果表明:在剔除降水因子的影响后,PBL高度对PM_(2.5)浓度有显著影响,PBL高度越低,PM_(2.5)浓度越高,且两者的相关性夜间好于日间;大气污染物浓度的增加会导致AOD和气溶胶消光系数的显著升高,且AOD与PM_(2.5)浓度的相关性日间好于夜间,在降水的湿沉降效应和大气相对湿度增加的影响下,会出现大气污染物浓度下降,但AOD升高的现象;300 m高度的气溶胶消光系数与地面污染物浓度的日变化趋势较为一致,贴近地面处消光系数相对较小。整体而言,随着PBL高度下降、AOD上升和消光系数增加,环境大气质量逐步趋于恶化。     

江苏淮安地区大气污染变化特征及其与气象条件的关系

采用江苏省淮安市地面5个监测站2013年1月1日—2015年12月31日PM_(10)、PM_(2.5)、SO_2、NO_2、CO、O_3逐日质量浓度资料及同期气象资料,统计分析了该地区空气污染季节变化特征及其与气象条件的关系;采用MODIS的光学厚度AOD(Aerosol Optical Depth)资料和火点资料分析了2013年12月发生在淮安的一次持续性大气污染事件。研究结果表明,淮安空气质量AQI指数(Air Quality Index)在春冬季较高,夏秋季较低,污染天气发生在春冬季的概率为23.6%,夏秋季的概率为13.3%。淮安地区的首要大气污染物为颗粒物污染,其中PM_(10)、PM_(2.5)占比分别达到25.2%、48.9%,PM_(10)中PM_(2.5)比率年平均为61.0%,臭氧是第2大污染物,占比为25.8%。表征大气柱气溶胶浓度的AOD的季节变化与地面颗粒物浓度截然不同,颗粒物浓度1月和12月出现极高值,而这两个月AOD月平均值却在一年中达到极低值,AOD最高值出现在7月。另外,AQI与降水、气温、风速、相对湿度呈负相关关系,但相关程度较弱。     

基于能见度及AOD数据的北京市PM2.5浓度的反演

选择北京市为研究地区,对2014～2017年AERONET（Aerosol Robotic Network）提供的CE-318太阳光度计440 nm波段反演的气溶胶光学厚度（AOD）进行风速订正,对订正后 AOD 日均数据与同期地面监测站PM2.5日均浓度数据做季节相关性分析并建立回归模型。又引入能见度因子并利用广义差分法构建2015～2017年北京市AOD与PM2.5浓度、能见度的三元回归模型,最后将2014年数据分为污染日和非污染日分别进行模型检验。结果表明:AOD与PM2.5浓度存在显著的线性正相关性,且存在季节性差异,夏季相关性最强、秋季次之、春季和冬季最低。引入能见度因子并消除自相关后,四季的模型相对误差均显著减小,模型拟合优度显著提高。检验结果为四季整体的平均相对误差在21%～31%范围内,与前人的结果相比拟合曲线的准确性得到了明显地提高。且模型对低PM2.5浓度日的模拟效果较好,对于高PM2.5浓度日的模拟效果较差。本研究对构建北京地区PM2.5浓度长期的历史数据具有重要的科学意义。     

利用多源数据建立GA-BP算法模型估算PM_(2.5)的研究

利用MODIS AOD(Aerosol Optical Depth)3 km分辨率的L2产品并辅以地面气象测量站点和环保监测站点的逐小时数据,对2017—2018年南京地面各站点进行数据匹配,分析估算PM_(2.5)的各相关组合因子,然后利用GA-BP神经网络算法构建卫星数据辅以地面气象数据来估算PM_(2.5)质量浓度的机器学习模型。结果表明:(1)GA-BP神经网络算法对PM_(2.5)进行估算是有效可行的,且比BP效果改善明显。(2)在多源数据的各输入变量中,选择AOD变量加辅助变量的GA-BP算法模型共构建了9组分季节试验,其中应用在2017年数据的试验6最好,表现为秋季冬季夏季春季,秋季R~2最大为0.91(RMSE为11.79μg·m~(-3)),春季R~2最小为0.65(RMSE为8.67μg·m~(-3))。