MODIS卫星遥感估计福州地区近地面PM2.5浓度

卫星遥感反演气溶胶光学厚度已被广泛应用于近地面空气污染遥感监测。为揭示福州地区细颗粒物污染的空间分异趋势,利用2014年—2015年的地基监测细颗粒物(PM_(2.5))浓度数据、MODIS 3 km气溶胶光学厚度(AOD)卫星数据以及GEOS-FP气象数据,分别构建了估计福州地区近地面PM2.5浓度的日校正模型和站点一日校正模型,并利用十折交叉验证方法对2个模型进行评价验证。结果表明:(1)日校正模型和站点一日校正模型分别能够解释福州地区PM2.5浓度76.2%和81.4%的变异,反演的2014年—2015年福州地区近地面PM2.5浓度和地面实测站点数据之间的相关性R~2分别为0.724(RMSE=10.993μg·m~(-3))和0.781(RMSE=9.687μg.m~(-3));(2)分别针对不同下垫面环境的城市站点和县郊站点数据进行模型拟合验证,两个模型反演的PM2.5浓度值与地面实测值之间皆具有良好的相关性,R~2最高可达0.808;(3)将模型反演的PM2.5浓度季均值与地面实测季均值进行对比分析,结果也显示二者高度相关,据此反演的2015年福州地区年平均PM2.5浓度分布图可清晰地揭示福州地区PM_(2.5)浓度分布的空间变化情况。由此可见,基于MODIS 3 km AOD产品和气象数据建立的近地面PM_(2.5)浓度遥感估算模型能够很好地反演出福州地区近地面PM2.5浓度分布情况。     

利用MODIS资料监测湖北省PM2.5的3种模型对比

为确定适宜遥感监测湖北省PM2.5浓度的模型,该文运用MODIS气溶胶光学厚度(AOD)产品、气象数据、土地利用数据、数字高程模型(DEM)数据和地面监测站点获取的PM2.5质量浓度数据建立了智能算法模型(模型1)、地理加权回归模型(模型2)和线性混合模型(模型3),并用地面监测站点数据评估模型拟合结果。结果表明:模型3在所有表征反演精度的统计指标(全数据集R~2、回归斜率、均方根误差、平均绝对误差)上均表现出优异性;十折交叉验证结果表明模型1、模型2和模型3的R~2分别为0.559 8,0.562 2,0.755 5,3种模型皆不存在过拟合现象;对湖北省2015年PM2.5浓度时空分布特征的分析结果表明模型3能够提供可靠数据,可为PM2.5浓度监测提供一种有效的补充手段。     

基于数据同化的长春市雾霾反演与空间特征分析

近年随着长春地区冬季雾霾天气的频繁出现,大气可吸入颗粒物(PM2.5)已成为长春地区的主要空气污染物之一。遥感技术与污染物模型相结合是近年来预报空气质量的一种有效方法。本文以2015—2016年长春市冬季雾霾天气为例,利用MODIS遥感影像获取的气溶胶光学厚度(AOD),反演长春市地表PM2.5浓度值,得到长春市空气污染物空间分布图,并分析长春市空气污染物的时空分布特征。同时利用AOD反演的PM2.5浓度值作为数据同化资料,对长春市地表PM2.5浓度值进行预报,预测结果令人满意。研究结果表明:数据同化与遥感信息技术结合进行雾霾预测是一种有效的手段,可为雾霾反演的数据提供可靠的信息。     

MERSI和MODIS卫星监测京津冀及周边地区PM2.5浓度

京津冀及周边地区是中国PM_(2.5)污染最重的区域之一,利用卫星遥感技术监测大范围的PM_(2.5)时空分布变化是一种先进的重要手段。本研究首先基于暗像元算法利用FY-3B/MERSI与AQUA/MODIS对京津冀及周边区域进行了遥感AOT反演和验证分析;然后,引入气象资料和地面观测资料利用GWR模型反演了区域PM_(2.5)浓度,并对遥感反演结果进行了交叉验证评估,综合对比分析了MERSI和MODIS的气溶胶及PM_(2.5)遥感监测能力;最后,利用MERSI数据对2017年第一季度京津冀及周边区域的PM_(2.5)月均浓度时空分布变化情况进行了初步探索分析。结果表明:FY-3B/MERSI在气溶胶及PM_(2.5)遥感监测能力方面略优于AQUA/MODIS,MERSI反演的1 km分辨率AOT和PM_(2.5)与地面站点实测结果的决定系数R2分别为0.76μg/m~3和0.79μg/m~3,均方根误差分别为0.26μg/m~3和28μg/m~3,平均绝对误差分别为0.16μg/m~3和15μg/m~3,能基本满足对京津冀及周边区域PM_(2.5)的精细化监测需要。2017年第一季度京津冀及周边区域PM_(2.5)月均浓度遥感监测结果表明该区域的PM_(2.5)空间分布格局与地形地貌关系密切,高值区整体上沿太行山脉成带成片;从时间变化来看,1—3月呈逐月下降的趋势,其中3月份PM_(2.5)区域浓度较1月和2月有大幅下降。这说明FY-3\MERSI遥感反演产品能为环境质量监测和环境管理工作效果评估提供有效参考,本研究对国产卫星在大气环境遥感业务中的大力发展应用有重要参考意义。     

WRF模式气象数据在遥感反演PM_(2.5)中的应用研究

利用MODIS气溶胶光学厚度产品AOD,结合地面台站气象观测数据和WRF模式气象模拟数据,对徐州环境监测国控级别站点的近地面PM_(2.5)质量浓度进行反演。根据不同气象要素在反演过程中的相关程度,对气象观测数据和WRF模拟数据在遥感反演中的效果进行分析评估。结果表明,气象观测值和WRF模拟气象数据均能有效应用于PM_(2.5)的遥感反演,在气象观测数据时空覆盖度较低的情况下,能够使用WRF模拟数据进行有效替代,为不同来源的气象数据对PM_(2.5)反演应用研究提供依据和参考。     

利用细模态气溶胶光学厚度估计PM2.5

本文利用2013年1月AERONET北京站的气溶胶光学深度(AOD)、气溶胶细模态比例(η)以及地面监测的细颗粒物质量浓度(PM2.5)数据建立AODf与PM2.5的线性回归关系,并利用2013年2月1-15日验证该方法。结果表明,利用2013年1月建立的回归方法能够有效估算灰霾期间细颗粒物质量浓度,获得PM2.5的均值为85μg/m3,均方根误差为50μg/m3。利用气溶胶细模态订正方法估算的灰霾组分气溶胶光学深度(AODf)与细颗粒物质量浓度的相关系数大于气溶胶总光学深度与PM2.5的相关系数,这表明灰霾期间以PM2.5为代表的细模态颗粒物成为气溶胶消光的主体,且AOD与PM2.5的关系转化为AODf与PM2.5的相关关系时,相关程度提高。垂直分布修正在灰霾时对改善AOD与PM2.5相关关系作用不明显;当相对湿度大于80%时,湿度订正效果受到较大限制。     

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。     

京津冀地区PM2.5/PM10浓度时空分布监测与分析

针对京津冀地区多年来重工业较多、结构性污染突出等问题,该文充分利用多期扬尘地表和工业企业污染源、交通网络、地理国情地表覆盖数据、气象和地形数据,结合MODIS AOD产品和环境监测数据,采用主成分分析和最佳子集回归方法优选预测变量,构建估算PM2.5和PM10浓度的地理加权回归模型,实现京津冀地区2013、2015和2017年PM2.5/PM10年均浓度空间分布模拟制图,分析PM2.5/PM10年均浓度时空分布。实验结果表明,PM2.5和PM10浓度估算模型的决定系数R2分别为0.76和0.86,平均相对预测误差分别为10.87%和13.54%。     

基于MODIS数据的PM2.5反演在大气污染监测中的应用

针对基于传统10km气溶胶光学厚度产品计算PM2.5无法获得更为精细的PM2.5空间分布特征的问题,提出采用6S模型计算获得不同气溶胶光学厚度条件下辐射传输模型方程参数查找表,该查找表可以采用原始光谱波段信息进行数据反演,并结合暗像元法计算得到的地表反射率信息,在辐射传输模型方程计算结果的基础上进行线性插值获得1km气溶胶光学厚度,再利用地面实测PM2.5浓度数据,通过回归分析的方法,获得1km的PM2.5监测数据。以西安市为例,1km分辨率的PM2.5更进一步表现了西安市域内PM2.5的空间分布特征,具有明显的地形分异特征,而且呈现出从城区向郊区逐渐衰减的趋势。研究结果为小区域的PM2.5来源和变化分析提供了一种有效的技术途径。     

卷积神经网络的PM2.5预报模型

针对目前基于机器学习的PM2.5预报模型无法充分利用研究区域内其他相关站点的数据问题,该文提出了一种区域时空点数据的表示方法,并在此基础上提出了基于卷积神经网络的PM2.5预报模型。该模型利用了区域内多站点的历史PM2.5实测数据以及相应的气象预报数据,对区域内任一站点PM2.5浓度进行预报。实验结果显示,该模型在京津冀区域内能对未来至少3d内的PM2.5浓度进行较高精度的预报。与基于单站点的前馈神经网络预报结果对比表明,对区域整体污染及气象状况建模的卷积神经网络模型预报精度更高。该模型对区域内所有站点的预测结果与地面实测值的分布基本一致,表明了该模型具有对区域内PM2.5浓度进行时空预报的能力。