一种基于差值指数的颗粒物PM<sub>2.5</sub>浓度反演新方法

引用本文

冯海英, 冯仲科, 冯海霞. 一种基于差值指数的颗粒物PM_2.5浓度反演新方法 [J]. 光谱学与光谱分析, 2018,38(10): 3012-3016.
FENG Hai-ying, FENG Zhong-ke, FENG Hai-xia. One New Method of PM_2.5 Concentration Inversion Based on Difference Index [J]. Spectroscopy and Spectral Analysis, 2018,38(10): 3012-3016.
Doi:10.3964/j.issn.1000-0593(2018)10-3012-05 复制到剪切板

Permissions

《光谱学与光谱分析》期刊社所有

一种基于差值指数的颗粒物PM_2.5浓度反演新方法

冯海英¹, 冯仲科^1,^*, 冯海霞²

1. 北京林业大学精准林业北京市重点实验室, 北京 100083

2. 山东交通学院, 山东济南 250023

*通讯联系人 e-mail: fengzhongke@163.com

作者简介: 冯海英, 女, 1987年生, 北京林业大学博士研究生 e-mail: hyfeng8808@163.com

收稿日期: 2017-07-15 接受日期: 2017-12-30

基金: 国家自然科学基金项目(41371001), 北京市自然科学基金项目重点项目(6161001)和山东省面上基金项目(ZR2015DM011)资助

摘要

从分析对颗粒物PM_2.5敏感的光谱特性入手, 提出了一种基于差值指数的颗粒物PM_2.5浓度反演新方法。使用Avafield-1光谱仪(测量范围300~1 100 nm)测量了典型地物植被、土壤在不同的颗粒物PM_2.5污染条件下的光谱曲线, 发现颗粒物使得植被和裸土的光谱曲线在红光波段反射率增加, 在近红外波段反射率下降, 且其变化量较为稳定, 因此使用对颗粒物敏感的红光波段和近红外波段, 构建差值指数(difference index, DI)以表征颗粒物PM_2.5的浓度变化。以北京市为研究区, 选择TM影像, 求取差值指数, 结合北京市及周边地区地面空气质量监测站提供的PM_2.5逐时数据, 反演了北京市的颗粒物PM_2.5的浓度。结果表明, 2016年3月1日(监测站PM_2.5浓度均值为105.8)预测模型相关系数 r为0.796, 精度表现良好, 12月14日(监测站PM_2.5均值为15.8)预测模型相关系数 r为0.628, 即颗粒物污染程度较低情况下, 差值指数模型预测精度低于颗粒物污染程度较高的情况, 分析原因是颗粒物浓度较低时, 由颗粒物引起的地物光谱特征变化比较不明显, 造成差值指数模型精度较低。由于空气质量为重度及严重污染时, 获取的遥感影像质量较差, 影响颗粒物浓度反演, 因此该方法适合轻度、中度污染情况下的颗粒物PM_2.5浓度反演。该方法获取污染数据简单, 反演结果空间分辨率较高(30m), 且可根据需要选取包含敏感波段数据的遥感影像用以获取不同时间、空间分辨率的颗粒物PM_2.5浓度分布, 具有广泛的应用前景。

关键词: 2.5 μm颗粒物; 差值指数; 光谱特征; 遥感反演

中图分类号:X87 文献标志码:A

One New Method of PM_2.5 Concentration Inversion Based on Difference Index

FENG Hai-ying¹, FENG Zhong-ke^1,^*, FENG Hai-xia²

1. Beijing Key Laboratory of Precision Forestry in Beijing Forestry University, Beijing 100083, China

2. Shandong Jiaotong University, Ji’nan 250023, China;

*Corresponding author

Abstract

This paper proposes a new method of PM_2.5 concentration inversion based on difference index through analyzing the spectrum characterization which is sensitive to the particular PM_2.5. In addition, the spectral curves of typical land culture vegetation and soil are measured using Avafield-1 spectrometer (range of measurement 300~1 100 nm) under different PM_2.5 concentration. The result showsthat the PM_2.5 makes the reflectance of vegetation and soilincrease in red band and decrease in near-infrared. Therefore, the difference index (difference, index, DI) of sensitive red and near-infrared is used to characterize the particlesconcentration. This paper uses TM image to obtain the difference index and the PM_2.5 concentration inversion of Beijing with the measured dataprovided by the ground air quality monitoring station in Beijing and surrounding areas. The result of the fitting analysis shows that the accuracy ( r=0.796) of DI model onMar 1st(average PM_2.5=105.8) is higher than that ( r=0.628) on Dec14st (average PM_2.5=15.8), namelythe accuracy of the DI models is lower when haze pollution degree is weak because the spectral characteristics change caused by particles are not obvious with low particulate content. On the other hand, the quality of remote sensing image is poor when the haze pollution degree is too serious, so this method is suitable for particle concentration inversion under mild and moderate haze pollution. The new method can obtain high spatial resolution (30 m) result with very simple inversion process. In addition, this method can obtain the PM_2.5 concentration distribution of different temporal and spatial resolution just by selecting different remote sensing imagescontaining sensitive band data. The new method has wide application prospect.

Keyword: PM_2.5; Different index; Spectral feature; Remote sensing inversion

文章图片

引言

近年来, 我国工业化和经济高速发展, 雾霾污染频繁爆发。有研究表明, 可入肺颗粒物PM_2.5(环境空气中空气动力学当量直径≤ 2.5 μ m的颗粒物)是雾霾污染的主要元凶之一^[1], 且PM_2.5中含有大量的有毒有害物质, 在空气中的悬浮时间长、传送远, 沉积肺内不易排出, 对人体健康危害极大, 严重影响着人们的身体健康和日常生活。目前我国已在全国范围内设立地面空气质量自动监测站, 截止2016年, 全国已设立1 483个空气质量自动监测站, 用以监测包括PM_2.5在内的各项空气质量指标, 但是由于监测点分布较少, 且集中分布于人口密集的东部城市地区, 西部地区及广大的农村地区(植被、裸土覆盖面积较大)监测点数量稀少, 空间连续性较差, 而细微颗粒具有远距离传输的特点, 因此地面监测法缺乏对大尺度雾霾状况的监测。

国际上对空气质量尤其是颗粒物PM_2.5时空分布的监测和预测主要有两大方法。第一类方法是采用有机制过程的区域大气质量预测预报模式或模型进行预测, 代表模型是第三代空气质量模型Models-3/CMAQ, 该模型集成气象科学、大气科学、环境科学、计算机科学等, 实现多尺度上对多种污染物的模拟和分析^{[2, 3, 4]}, 但该模型的输入包括排放模式、排放清单等详细的排放指标, 在欧美等具有完成的排放模式和排放清单的国家应用较多, 且模拟及预测精度受机制过程简化和模型参数不确定性影响较大。第二类方法是采用遥感反演法, 随着卫星遥感空间及时间分辨率的不断提高, 遥感反演成为颗粒物PM_2.5浓度监测的重要手段, 利用卫星遥感反演大气气溶胶光学厚度(aerosol optical depth , AOD), 通过统计学模型拟合颗粒物与AOD的关系计算PM_2.5浓度, 该类方法的重点在与AOD的反演算法, 目前应用较为广泛的有暗像元算法(dark target)、深蓝算法(deep blue)、结构函数法、偏振动态模型等, 该类方法算法复杂, 输入量较多, NASA发布的气溶胶产品主要运用前两种算法, 虽然NASA的算法不断升级, 但对于植被覆盖率低的亮目标地区及气溶胶的高值区检测质量差, 且该类方法所获取的AOD空间分辨率低, 表1为近年来各类文献中使用不同方法反演AOD获取的空间分表率的对比^{[5, 6, 7, 8, 9, 10, 11]}。

表1 不同AOD反演方法获取的空间分辨率对比 Table 1 Comparison of spatial resolutionbetween different AOD inversion methods

近年来, 遥感指数已被逐渐用于颗粒物的反演, 且取得了良好的研究进展, 遥感指数是一种获取简单, 信息提取高效的方法, 余梓木根据颗粒污染物对NOAA卫星不同通道大气透过率影响的差异, 构造差值植被指数, 发现该指数与地面环境监测站的PM₁₀颗粒物存在线性相关关系, 2013年4月16日与7月24日, 该指数与PM₁₀的颗粒物浓度相关性R²分别为0.580 2和0.938 2^[12]。王艳慧等利用TM影像建立差值植被指数(DVI)、 NDBI(归一化建筑指数)、 NDMI(归一化水汽指数), 并分析了各指数与PM_5.0的相关性^[13], 其中DVI与PM_5.0相关性R²在2008年— 2010年分别为0.583, 0.665和0.673。该类方法大多结合前人的研究, 使用某一指数, 结合新的参数和实验数据进行统计分析, 并未对构建该指数的波段进行光谱及颗粒物影响研究。

本文通过对不同颗粒物PM_2.5污染情况下植被和裸土的光谱曲线研究, 选择对于颗粒物PM_2.5较为敏感的波段, 构建了新的差值指数(difference index, DI)用以表征颗粒物的浓度, 并使用Landsat8数据, 反演了北京地区颗粒物PM_2.5的浓度, 对该方法进行验证。

1 实验部分

1.1 目的

本实验的目的是通过分析由颗粒物PM_2.5引起的典型地物的光谱变化, 选择对颗粒物最敏感的波段或波段组合, 并根据该组波段反射率的变化特征构建可以用于表征颗粒物浓度的遥感指数。针对此目的设计了典型地物在不同颗粒物PM_2.5浓度下的反射率测量实验。

1.2 方法

实验测量了典型地物植被、土壤在不同颗粒物PM_2.5浓度下的反射率, 植被样本为人工草坪, 土壤为褐土, 由文献[14]可知不同含水率的土壤在颗粒物浓度不同时光谱曲线的变化呈明显一致性, 为方便实验, 使用干土进行测量。利用LD-5型激光粉尘仪测量PM_2.5的含量, 使用光谱仪Avafield-1测量地物的光谱曲线, 其测量范围300~1 100 nm, 测量时配备了1° 的小视场角镜头, 分别测量了植被、土壤在PM_2.5浓度分别为4 μ g· m^-3(Clear), 58 μ g· m^-3(PM-58), 109 μ g· m^-3(PM-109), 183 μ g· m^-3(PM-183)的反射光谱曲线。

2 结果与讨论

图1为不同PM_2.5浓时植被测量的反射光谱曲线, 由图1可知, 在不同颗粒物浓度下, 植被测量的反射光谱曲线有较大的变化: 晴空时条件下, 近红外波段范围内, 草坪的反射率较高, 反射率曲线也最平滑, 随颗粒物浓度的增加, 颗粒的散射、反射等使测量的草坪在该波段反射率下降, 且反射率曲线的起伏增多, 但当PM_2.5浓度值升至183 μ g· m^-3时, 曲线的平滑度又有所增加, 其中820~900 nm波段范围内植被反射率较为稳定, 且反射率与颗粒物PM_2.5浓度呈明显负相关; 在红光波段620~700 nm波段范围内植被反射率较为稳定, 且在一定浓度范围内, 颗粒物浓度的增加使得植被反射率下降。

	Figure Option View Download New Window
	图1 不同颗粒物浓度时草坪的光谱曲线Fig.1 Spectral curves of the lawn under differentparticle concentration

图2为不同PM_2.5浓度时土壤测量的反射光谱曲线, 可见土壤的光谱曲线起伏较少, 平滑度较高, 由颗粒物PM_2.5造成的土壤测量的反射光谱曲线的变化与植被测量的光谱曲线变化存在一致性: 在近红外波段, 随颗粒物浓度的增加, 反射率降低, 其中在820~880 nm波段范围内其反射率较为稳定, 且反射率与颗粒物浓度呈明显负相关; 在红光波段中620~680 nm波段范围内, 在一定浓度范围内, 颗粒物浓度的增加使得土壤反射率下降。

	Figure Option View Download New Window
	图2 不同颗粒物浓度时土壤的光谱曲线Fig.2 Spectral curves of thesoil under differentparticle concentration

2.1 颗粒物浓度差值模型

2.1.1 遥感指数构建

根据实验结果, 典型地物植被和裸土的反射率对于颗粒物PM_2.5较为敏感的波段为红光波段(620~880 nm)和近红外波段(820~880 nm), 颗粒物使得红光波段反射率增加, 在近红外波段反射率下降, 因此使用两个波段的差值作为颗粒物差值指数(difference index, DI)表征颗粒物的浓度变化, 如式(1)。

$DI = ρ_{red} - ρ_{nir} (1)$

其中, $ρ_{red} 和 ρ_{nir}$ 分别为近红外波段、红波段光的表观反射率或者辐亮度。

2.1.2 颗粒物浓度模型及精度分析

使用北京市及周边地区共43个地面空气质量监测站数据和Landsat8OIL遥感数据进行颗粒物PM_2.5的浓度反演, 选择雾霾爆发频繁的冬季(12月14日)、春季(3月1日)的数据进行分析, 图3为监测站点的分布图。

根据Landsat8OIL数据说明, 公式中ρ _red和ρ _nir分别对应其波段4(640~670 nm)、波段5(850~880 nm)。由于大气状况在短时间内可以产生较大变化, 根据当日卫星过境时间, 选择与之最为接近的上午11点地面监测站获取的PM_2.5数据进行分析。对影像进行辐射定标, 计算出各波段的辐亮度, 因为辐亮度的取值范围远大于反射率, 因此采用辐亮度值代替了反射率, 使用band math工具, 求出研究区的颗粒物差值指数DI分布图(图4, 以北京市为例, 下同)。

	Figure Option View Download New Window
	图3 环北京圈地面空气质量监测站点分布图Fig.3 The distribution map of air quality monitoring station around Beijing

	Figure Option View Download New Window
	图4 研究区雾霾差值指数DI分布图(a): 3月1日, (b): 12月14日Fig.4 The DI distribution map of Beijing in Mar 1^st(a) and Dec 14^st (b)

提取地面监测站的差值指数DI值, 剔除获取失败及无效数据后, 选择70%数据对差值指数DI与颗粒物PM_2.5浓度数据进行拟合, 30%数据进行验证。结果见图5: 3月1日、 12月14日, 拟合模型的决定系数R²分别为0.532和0.435, 预测模型的相关系数r分别为0.796和0.628, 即3月1日预测精度表现良好, 12月14日精度较差。对比发现, 12月14日的DI-PM_2.5拟合模型的精度低于3月1日, 分析原因是12月14日空气质量为优, 雾霾污染不严重(根据获取到的空气质量监测站点数据, 12月14日上午11时北京市所有监测站点PM_2.5的平均浓度分别为15.8μ g· m^-3, 3月1日则为105.8 μ g· m^-3), 颗粒物浓度较小时, 由颗粒物引起的光谱特征变化不明显, 即差值指数精度降低。

	Figure Option View Download New Window
	图5 DI-PM_2.5浓度拟合及精度验证模型(a): 3月1日, (b): 12月14日Fig.5 The fittingandprecision modelof DI-PM_2.5(a): Mar 1^st, (b): Dec 14^st)

使用该方法, 反演了北京市地区2016年3月1日、 12月14日的PM_2.5浓度分布图(图6)。

	Figure Option View Download New Window
	图6 研究区PM_2.5浓度分布图(a): 3月1日, (b): 12月14日Fig.6 The PM_2.5 concentration distribution map of Beijing in Mar 1^st (a), Dec 14^st(b)

3 结论

从对颗粒物浓度敏感的波段入手, 分析颗粒物造成的光谱特征变化, 建立了差值指数DI表征颗粒物浓度, 使用TM影像反演了北京市的PM_2.5浓度, 预测模型相关系数r分别为0.796和0.628。对比其他颗粒物PM_2.5反演方法, 该方法可获得空间分辨率较高的颗粒物浓度分布(30 m), 是目前可获取空间分辨率最高的方法之一。该方法数据获取简单, 极大的简化了目前PM_2.5浓度反演的流程, 且可根据研究需要, 选择包含敏感波段在内的任意遥感影像进行分析, 获取不同时间、空间分辨率的颗粒物浓度分布, 如利用MODISTerra卫星MOD09GQ数据中第1、第2波段, 可获取时间分辨率为每天, 空间分辨率为250 m的颗粒物浓度分布。因此该方法具有非常强的推广性和广泛的应用前景。

另外, 关于本文提出差值指数模型也存在需要进一步研究的地方: (1)由于雾霾污染严重时, 地表被云或雾霾遮盖较为严重, 遥感影像的获取不易, 所提出的方法仅适用于轻度和中度雾霾污染时的颗粒物浓度反演, 如何高精度反演雾霾污染严重时的颗粒物浓度是下一步研究的重点。 (2)为方便测量, 选择的植被和土壤样本分别为人工草坪和褐土, 由于不同类型的植被及土壤的光谱存在差异性, 在一定程度上影响反演精度。 (3)为提高反演精度, 颗粒物对红光及近红外波段的影响是否有更为复杂精准的数学指数进行表征, 有待进一步研究。

The authors have declared that no competing interests exist.

参考文献

文献列表

[1]	HU Ya-dong, MA An-zhou, LÜ Peng-yi, et al(胡亚东, 马安周, 吕鹏翼, 等). Environmental Science(环境科学), 2017, (4): 1327. [本文引用:1]
[2]	Dennis R L, Byun D W, Novak J H, et al. Atmos. Environl. , 1996, 30(12): 1925. [本文引用:1]
[3]	Khiem, Ryozo, Ooka, Huang H, et al. Journal of Environmental Science, 2011, 23(2): 236. [本文引用:1]
[4]	Borge R, Paz D D L, Lumbreras J, et al. Journal of Geoscience & Environment Protection, 2014, 2(1): 6. [本文引用:1]
[5]	Raffuse S M, Mccarthy M C, Craig K J, et al. Journal of Geophysical Research Atmospheres, 2013, 118(19): 11242. [本文引用:1]
[6]	FAN Jiao, GUO Bao-feng, HE Hong-chang(范娇, 郭宝峰, 何宏昌). Acta Optica Sinica(光学学报), 2015, (1): 9. [本文引用:1]
[7]	SU Cheng-lin, SU Lin, CHEN Liang-fu, et al(苏城林, 苏林, 陈良富, 等). Journal of Remote Sensing(遥感学报), 2015, (6). [本文引用:1]
[8]	WANG Zhong-ting, LI Qing, WANG Qiao, et al(王中挺, 厉青, 王桥, 等). Journal of Remote Sensing(遥感学报), 2012, (3). [本文引用:1]
[9]	YANG Yi-kun, SUN Lin, WEI Jing, et al(杨以坤, 孙林, 韦晶, 等). Journal of Shand ong Science and Technology Unversity·Natural Science(山东科技大学学报·自然科学版), 2016, (5): 17. [本文引用:1]
[10]	ZHU Lin, SUN Lin, YANG Lei, et al(朱琳, 孙林, 杨磊, 等). Journal of Remote Sensing(遥感学报), 2016, (4): 528. [本文引用:1]
[11]	CHEN Cheng, LI Zheng-qiang, HOU Wei-zhen, et al(陈澄, 李正强, 侯伟真, 等). Journal of Remote Sensing(遥感学报), 2015, (1): 25. [本文引用:1]
[12]	YU Zi-mu, ZHOU Hong-mei, ZHENG You-fei(余梓木, 周红妹, 郑有飞). Journal of Natural Disasters(自然灾害学报), 2004, (3): 58. [本文引用:1]
[13]	WANG Yan-hui, XIAO Yao(王艳慧, 肖瑶). Environmental Science(环境科学), 2014, (2): 428. [本文引用:1]
[14]	FENG Hai-xia, SUN Da-zhi, SHEN Li, et al(冯海霞, 孙大志, 沈丽等). Spectroscopy and Spectral Analysis(光谱学与光谱分析), 2017, 37(5): 1329. [本文引用:1]

2017

0.0

... m的颗粒物)是雾霾污染的主要元凶之一^[1], 且PM_{2 ...}

1996

0.0

... 第一类方法是采用有机制过程的区域大气质量预测预报模式或模型进行预测, 代表模型是第三代空气质量模型Models-3/CMAQ, 该模型集成气象科学、大气科学、环境科学、计算机科学等, 实现多尺度上对多种污染物的模拟和分析^[2,3,4], 但该模型的输入包括排放模式、排放清单等详细的排放指标, 在欧美等具有完成的排放模式和排放清单的国家应用较多, 且模拟及预测精度受机制过程简化和模型参数不确定性影响较大 ...

2011

0.0

2014

0.0

2013

0.0

... 5浓度, 该类方法的重点在与AOD的反演算法, 目前应用较为广泛的有暗像元算法(dark target)、深蓝算法(deep blue)、结构函数法、偏振动态模型等, 该类方法算法复杂, 输入量较多, NASA发布的气溶胶产品主要运用前两种算法, 虽然NASA的算法不断升级, 但对于植被覆盖率低的亮目标地区及气溶胶的高值区检测质量差, 且该类方法所获取的AOD空间分辨率低, 表1为近年来各类文献中使用不同方法反演AOD获取的空间分表率的对比^{[5,6,7,8,9,10,11]} ...

2015

0.0

2015

0.0

2012

0.0

2016

0.0

2016

0.0

ZHU

Lin

, SUN

Lin

, YANG

Lei

, et al(朱琳, 孙林, 杨磊, 等). Journal of Remote Sensing(遥感学报), 2016, (4): 528.

Retrieval of Aerosol Optical Depth(AOD)over land through satellite remote sensing is difficult. Traditional methods to retrieve aerosol over land involve the use of the Dense Dark Vegetation(DDV) algorithm. However, this algorithm requires the support of an infrared band and dark pixels. Compared with DDV, the structure function method can be utilized to retrieve AOD over bright areas with high surface reflectance. However, the precision of retrieving AOD through the structure function method can be significantly influenced by pixel distance. Not all pixels can be retrieved with high precision; this condition results in a large amount of unnecessary computations. As a result, determining the pixel distance settings and the pixels with a small retrieval error is important in improving the retrieval precision and efficiency of the structure function method. To acquire the best pixel distance settings, we calculated the structure function values with different pixel distances and obtained the final structure function value of the target pixel through single-pixel distance, average, slopeheight, and average linear area methods to retrieve AOD at 550 nm over Kiaochow Bay. The first band of nine-scene MODIS L1B data with resolutions of 250 m and 500 m was used. Surface reflectance was the minimum value of the first band of MOD09Q1 in 2012. By validating the AOD data measured by CE318 and by analyzing the retrieval result and spatial distribution of AOD, we obtained the pixel distance settings with high precision and minimal effects of resolution. The experiment indicated that the average linear area method has a small retrieval error whether the resolution is 250 m or 500 m. According to statistics and by analyzing the structure function value of the surface reflectance of pixels with an acceptable error (the absolute value of the absolute error is 0.1 for measured AOD less than 0.6 and 0.2 for measured AOD greater than 0.6), we found that the ratio of pixels with are solution of 500 m is obviously larger than that with 250 m resolution. Pixels with a surface reflectance structure function value larger than 0.02 have a good result and areaways distributed over areas with a sudden change in geographical elements, such as piedmonts, mountain streams, coasts, rivers, and rural-urban continua. In this study, we utilized different methods and historical surface reflectance data with two resolutions to calculate the final structure function value. The retrieval precision and distribution of AOD were analyzed to acquire the best pixel distance settings, and its features were identified through the statistics of the structure function values with high retrieval precision. The average linear area method is stable, and its result has an insignificant relationship with data resolution. The retrieved AOD with high precision is concentrated on pixels with a surface reflectance structure function value larger than 0.02. The efficiency of this method increases when the measured AOD is greater than 0.5.

结构函数法气溶胶光学厚度反演精度受像元间隔设置影响很大，且并非所有像元都能获得较好的反演结果，因而研究像元间隔的设置能够提高反演精度，研究反演误差小的像元能够提高算法效率。为了获得最佳的像元间隔设置，本文以胶州湾地区为例，利用250 m和500 m两种分辨率数据计算了不同像元间隔时的结构函数值，分别利用单一像元间隔法、均值法、坡高法以及线性区域均值法获得待反演像元最终的结构函数值反演550 nm处的气溶胶光学厚度，并依据CE318观测数据进行精度验证，通过分析点对点反演结果和光学厚度的空间分布，确定反演误差小、受分辨率影响小的像元间隔设置。实验发现线性区域均值法在一定程度上提高了反演精度和稳定性。此外，通过对反演结果可接受像元的地表反射率结构函数值的统计和分析，发现500 m分辨率时可接受像元比例优于250 m，当地表反射率结构函数值大于0.02时反演结果较好，而这些像元往往分布在山麓、山涧、海岸线、河流、城乡结合部等地理要素的突然改变的地区。

2015

0.0

CHEN

Cheng

, LI

Zheng-qiang

, HOU

Wei-zhen

, et al(陈澄, 李正强, 侯伟真, 等). Journal of Remote Sensing(遥感学报), 2015, (1): 25.

In the satellite aerosol retrieval scheme, determining the aerosol model directly affects the accuracy of most of the current aerosol optical depth retrieval algorithms. The dynamic aerosol models determined based on the extensive analysis of aerosol optical properties obtained from AErosol RObotic NETwork (AERONET) sun-photometer observations are introduced to a new aerosol retrieval algorithm to derive the Aerosol Optical Depth (AOD) using the PARASOL (Polarization and Anisotropy of Reflectance for Atmospheric Science coupled with Observations from LiDAR) multi-angular and polarimetric measurements. The rationale of our algorithm is to initially establish LUTs (Look Up Tables) using dynamic aerosol models in ten different AOD conditions: Model AOD∈[0.0, 0.1], [0.1, 0.2], [0.2, 0.3], [0.3, 0.5], [0.5, 0.8], [0.8, 1.0], [1.0, 1.2], [1.2, 1.5], [1.5, 1.8], and [1.8, 2.0]. The retrieved AOD and selected aerosol model must meet two requirements successively: (1) combination of the retrieved AOD and Model that leads to the best mimic of the TOA (Top Of Atmosphere) polarized reflectance measurements; (2) the retrieved AOD in the Model AOD intervals, otherwise the retrieved AOD and the Model will be rejected. The accuracy of this algorithm is guaranteed by the iterative constraint between the aerosol model selection and the retrieved AOD, as well as the simultaneous use of two bands (670 nm and 865 nm), multi-angular, and polarimetric measurements to constrain the retrievals. By applying this algorithm to a whole year of the 2012 PARASOL measurements in the North China Plain, typical cases, such as clean and polluted days, were analyzed to test this algorithm. The validation of the retrieved PARASOL AOD with those of AERONET in Beijing showed reasonable agreement (matched pairs N=101, square correlation coefficient R 2 =0.71, root mean square error RMSE=0.15, and 91% of all the samples lie within 0.2 AOD thresholds). To validate the regional suitability of this algorithm, four temporary ground-based CE318 sites (Tianjin, Tiangang, Tanggu, and Qichang) in North China as a part of our Jing-Jin-Tang aerosol experiment in March 2012 were also adopted to validate. Good agreements are also shown in these four sites. In dynamic aerosol model retrieval algorithm, the aerosol model is associated with the AOD magnitude by prior knowledge, constraining the retrieved AOD and selected aerosol model simultaneously.

在卫星气溶胶反演中,如何确定研究区域的气溶胶模型直接影响目前大多数卫星遥感算法的气溶胶光学厚度反演精度.本文基于气溶胶自动观测网(AERONET)典型类型的动态气溶胶模型,提出了一种基于动态气溶胶模型的气溶胶光学厚度反演算法,并将其运用到PARASOL(Polarization and Anisotropy of Reflectance for Atmospheric Science coupled with Observations from Lidar)卫星的反演中.针对华北地区2012年的PARASOL卫星观测数据,应用动态气溶胶模型反演算法反演气溶胶光学厚度,并与地面观测站点进行对比验证,结果显示通过气溶胶模型选取与反演结果的迭代约束,在865 nm反演的气溶胶光学厚度与地基观测的相关程度(R 2 )达到0.71,均方根误差(RMSE)为0.15,与PARASOL气溶胶产品相比一定程度提高了反演结果的精度.

2004

0.0

Zi-mu

, ZHOU

Hong-mei

, ZHENG

You-fei

(余梓木, 周红妹, 郑有飞). Journal of Natural Disasters(自然灾害学报), 2004, (3): 58.

根据可吸入颗粒污染物对NOAA卫星可见光和近红外通道大气透过率影响的差异,通过构造卫星差值植被指数IDV,建立了该指数与地面环境监测站的颗粒物污染指数IPM10的相关关系.在卫星污染测值的定量反演基础上,结合绿地分布、绿地统计以及气象等资料,通过GIS多因子要素综合分析,对上海中心城区的颗粒物污染状况进行了动态监测和研究.

... 938 2^[12] ...

2014

0.0

... 0的相关性^[13], 其中DVI与PM_{5 ...}

2017

0.0

... 5浓度下的反射率, 植被样本为人工草坪, 土壤为褐土, 由文献[14]可知不同含水率的土壤在颗粒物浓度不同时光谱曲线的变化呈明显一致性, 为方便实验, 使用干土进行测量 ...