航空偏振遥感数据反演陆地上空气溶胶光学厚度
王涵1,*, 杨磊库1, 都伟冰1, 刘培1, 孙晓兵2,3
1. 河南理工大学测绘与国土信息工程学院, 河南 焦作 454000
2. 中国科学院通用光学定标与表征技术重点实验室, 安徽 合肥 230031
3. 中国科学院安徽光学精密机械研究所, 安徽 合肥 230031

作者简介: 王涵, 1986年生, 河南理工大学测绘与国土信息工程学院讲师 e-mail: ms.h.wang@163.com

摘要

在陆地上空气溶胶遥感中, 地表多样性会导致地表反射率计算误差增加, 降低地气解耦精度, 进而影响气溶胶反演精度。 多角度、 多光谱和偏振观测数据的引入有利于解决地气解耦精度和气溶胶参数的提取精度受限的问题。 基于多角度偏振辐射计(AMPR)航空多光谱遥感数据, 结合气溶胶散射和地表偏振反射规律, 提出了在1 640 nm波段对AMPR观测偏振反射率进行连续大气辐射校正, 实现地气解耦的方法。 在此基础上, 构建了陆地上空气溶胶偏振反演算法。 运算过程中使用665和865 nm波段观测数据进行气溶胶参数提取, 使用1 640 nm波段观测数据结合提取的气溶胶参数进行大气偏振辐射校正, 重新获取地表偏振反射率。 在反演过程中引入迭代, 逐步逼近大气与地表真实辐射值, 实现地气解耦, 并利用查找表的方法实现气溶胶光学厚度反演。 通过AMPR在京津唐地区5个架次的航空观测实验数据对反演算法进行了验证, 结果与地基CE318观测数据一致性较好, 在气溶胶光学厚度小于0.5的情况下, 反演平均误差为约0.03。

关键词: 气溶胶; 光学厚度; 偏振; 航空观测
中图分类号:TP79 文献标志码:A
Inversion of Aerosol Optical Depth over Land Surface from Airborne Polarimetric Measurements
WANG Han1,*, YANG Lei-ku1, DU Wei-bing1, LIU Pei1, SUN Xiao-bing2,3
1. School of Surveying and Land Information Engineering, Henan Polytechnic University, Jiaozuo 454000, China
2. Key Laboratory of Optical Calibration and Characterization, Chinese Academy of Sciences, Hefei 230031, China
3. Anhui Institute of Optics and Fine Mechanics, Chinese Academy of Sciences, Hefei 230031, China
Abstract

The diversity of land surfaceleads to an increase of the uncertainty in surface reflectance calculation, whichreduces theaccuracy of land-atmospheric decoupling, and then of the aerosol retrieval. The multi-spectral, multi-angle and polarized information, which can be provided by the Atmosphere Multi-angle Polarization Radiometer (AMPR), is helpful to solve the problem. The behavior of aerosol scattering amongdifferent wavelengths is smooth. At the same time the land surface polarized reflectance does not show any dependence in the measurement bands. Based on these conclusions, we developed a method to separate land surface and atmosphericradiation by successive atmospheric correction. Further on, the aerosol retrieval algorithm was build. In the algorithm, the aerosol optical thickness was retrieved at 665 and 865 nm, while thesurface polarized reflectance was reobtained at 1 640 nm by atmospheric correction. The atmospheric correction (1 640 nm) and aerosol retrieval (665 and 865 nm) form a cycle. Then, an iteration method was employed and it approaches to the real radiant values of atmosphere and land surface step by step. At last, we retrieved aerosol optical depth from a look-up table which was builtby 6 fine and 6 coarseaerosol modes. The AMPR have performedat least 5 flights mission over Beijing, Tianjin and Tangshan region. Data of theseobservations were used to verify the algorithm and it was found that the AOD retrieved from AMPR and CE318 have good coherence. When the AOD is lower than 0.5, the average deviation is below 0.03.

Keyword: Aerosol; Optical depth; Polarization; Airborne observation

引 言

气溶胶指悬浮在大气中的各种固体、 液体或混合微粒组成的颗粒物, 是地球大气系统的重要组成部分。 气溶胶通过对太阳辐射的吸收和散射影响辐射强迫进而影响地球辐射收支及气候[1]; 气溶胶遥感在应对环境恶化、 防治污染方面意义重大[2, 3]; 气溶胶监测可以提供气溶胶的物理参数及时空分布, 是定量遥感中的重要环节[4]

气溶胶反演误差主要来源于前向模型中对地表反射率估计和气溶胶类型假设的误差。 对于航空和航天观测, 数据信息包括大气散射和地表反射成分, 数据解算精度受限, 最主要原因是地-气解耦精度不高, 地-气解耦误差会极大地影响反演结果的精度[5]。 气溶胶反演首先需要将地表反射、 大气分子和气溶胶散射信息从观测数据中分离。 在陆地上空卫星或航空气溶胶遥感中, 地-气解耦更显得意义重大[6], 而地表的多样性使得地表反射的光谱和几何特征更加复杂, 是地-气解耦的最大困难[5]。 使用地表双向反射分布函数(bidirectional reflectance distribution function, BRDF)模型估计地表对大气顶辐射贡献是行之有效的方法之一[7, 8], 在气溶胶偏振遥感中使用最为广泛[9]

与海洋相比, 地表多样性(地表反射率变化较大、 类型复杂、 各向异性)使得陆地表面BRDF难以估计, 也增加了气溶胶反演的不确定性[10]。 随着传感器的研制和地表反射模型研究水平的提高, 近十几年来陆地上空气溶胶反演快速发展, 偏振观测能力的发展也给陆地上空气溶胶遥感带来新的契机。 纵观偏振气溶胶遥感发展历程, 地表双向偏振反射分布函数(polarized bidirectional reflectance distribution function, PBRDF)模型法和观测数据合理近似法是常用的两种地-气解耦方法。

Nadal-Bré on开发的地表PBRDF模型[11]在气溶胶偏振反演中扮演着重要的角色。 里尔科技大学大气光学实验室基于POLDER(POLarization and directionality of earth reflectance)数据开发的气溶胶反演算法首先通过先验知识估计Nadal-Bré on模型参数进而计算地表偏振反射率[12], 之后使用查找表反演气溶胶参数。 而GRASP(generalized retrieval of aerosol and surface properties)气溶胶反演算法中, 利用最优化方法将地表Nadal-Bré on模型参数和气溶胶参数同时反演出来[8]。 作为类似于POLDER的航空传感器, 程天海等[13]开发的基于多角度偏振相机(directional polarized camera, DPC)观测数据的气溶胶反演算法, 在珠江三角洲地区进行了观测验证, 取得了较好的结果。 在POLDER和DPC的气溶胶反演算法中, 利用地表PBRDF模型结合传感器观测数据估计地表偏振贡献, 提高了地-气解耦的精度。

波长较长的情况下, 可以认为大气顶观测信息受气溶胶影响较小。 使用较长波段观测的偏振反射率作为地表偏振反射率的近似值[5], 是一种很有效的方法。 GISS(goddard institute for space studies)算法使用RSP(research scanning polarimeter) 2 250 nm波段观测偏振反射率, 结合PBRDF模型(正比于偏振Fresnel系数), 实现地表信息估计[5]。 大气多角度偏振辐射计(atmosphere multi-angle polarization radiometer, AMPR)前期的反演算法中, 使用经过大气校正的1 640 nm波段观测偏振反射率作为地表偏振反射信息[14, 15], 实现地气解耦, 完成气溶胶反演。 借助观测数据获取的地表信息使得地-气解耦的不确定性被降低, 但如果不进行大气校正, 观测数据包含的气溶胶散射信息则被计算在地表反射信息当中, 导致地表被高估。 我们将AMPR不同波段的航空遥感数据分别处理, 通过迭代的方法实现地气解耦, 以此为基础建立了基于AMPR遥感数据的气溶胶反演算法。

1 实验部分
1.1 AMPR数据

AMPR(图1)是中科院安徽光学精密机械研究所研制的机载气溶胶偏振观测传感器。 它采用扫描方式获取多角度数据, 一个扫描周期获取111个角度(天底方向-55° ~+55° 每1° 采样一次)数据; 通过Wollaston棱镜在0° 和90° , 45° 和135° 四个方向上同时实现偏振检测; 6个波段通道(490, 555, 665, 865, 960和1 640 nm)获取多光谱数据信息。 一个扫描周期约0.863 s, 飞行高度为3.7 km时星下点分辨率约为64 m。 因此, 每一周期测量获取4(检偏方向数)× 6(波段数)个通道、 111个角度方向的信号。 经过处理, 解译成各个观测角度和波段的STOKES参量。

图1 实验室中和安装于遥感飞机上的AMPR照片Fig.1 Pictures of AMPR at laboratory and equipped on airplane

表1 飞行实验主要参数 Table 1 Main parameters of the flight experiments
1.2 航空观测

将AMPR安装在遥感飞机上可以进行区域大气遥感探测作业(如图1所示), 用于定量研究大气气溶胶在飞机航行区域范围内的时空变化特征。 京津唐地区是我国工业较为发达的地区, 该区域人口数量大, 气溶胶观测具有较大的应用价值。 为了深入探测京津唐地区的气溶胶分布状况, 在2012年8月到2014年9月进行了5个架次的观测实验(2012年8月10日、 2013年4月29日、 30日、 5月1日以及2014年9月18日各一个架次)。 为方便表述, 5个架次按时间顺序分别用F1— F5表示, 各架次飞行情况数据如表1所示。 图2为飞行航线和实验区域示意图, F1— F4架次航线基本一致, 图中用红色线段示意, 绿色线段为F5架次的航行轨迹。

在航空实验进行时, 选取曹妃甸(图2中A点, N39.18, E118.34)、 丰南(图2中B点, N39.55, E118.10)、 玉田(图2中C点, N39.67, E117.67)和宝坻(图2中D点, N39.71, E117.30)作为地基观测点, 同时进行观测。 地面站点主要探测仪器为地基太阳光度计(CE318), 它能提供较为精确的不同波段大气气溶胶的光学厚度(AOD)数据。 所有航次均经过A点, 可以提取5(P1— P5)条验证数据, B, C和D点在F5经过时各提取1条验证数据(P6— P8)总共8条验证数据。 相应观测点在飞机过境时的光学厚度(675 nm)如表2所示。

图2 飞行轨迹和地基观测站点Fig.2 Flight tracks and ground based observation stations

表2 过境时刻CE318观测的光学厚度 Table 2 AODs from CE318 at the transit time
2 反演方法
2.1 观测高度偏振反射率

大气顶向上的辐射包括大气自身辐射、 地表反射辐射和地-气交叉辐射, 可以写成如式(1)所示形式, 等号后面三项分别对应上述三部分内容[5]

ρcal=ρatm+t+ρsurft-+(T+dρsurft-+t+ρsurfT-d+T+dρsurfT-d)(1)

式中下标+(-)代表上(下)行, ρ atmρ surf分别为大气和地表反射量, Td为漫射透射因子, t为直射透射因子。 式中括号内的部分为地表-大气间的多次交叉辐射成分, 研究发现地气交叉辐射对入瞳处偏振贡献较小, 通过改进直射透射因子, 观测高度向上的偏振辐射可以近似表述为[5]

ρcal=ρatm+t+* ρsurft-* (2)

式中 t+* t-* 为加修正的上行和下行透过率

t+* =exp-Ψτm(z)+ζτa(z)μv(3)t-* =exp-Ψτm+ζτaμs(4)

τ mτ a分别为大气分子光学厚度和气溶胶光学厚度。 μ sμ v分别为太阳天顶角和观测天顶角的余弦。 Ψ ζ 分别为与大气分子和气溶胶散射贡献有关的参数。 大气偏振反射率可以写为[16]

ρatm=τmqm4μv+ρaerexp-τmμs+τm(z)μv(5)

其中ρ are为气溶胶偏振反射率, qm为大气分子散射偏振相函数。 气溶胶偏振反射率与气溶胶类型、 气溶胶光学厚度相关, 大气分子光学厚度与气压、 气温等因素相关。

2.2 气溶胶类型与查找表

AERONET(aerosol robotic network)站点数据主要是基于太阳光度计获取, 太阳光度计可以得到精确的气溶胶光学厚度数据和微物理特性数据。 Lee等[17]使用聚类分析技术研究了东亚地区AERONET观测数据, 在双峰对数正态粒子尺度谱分布(log-normal size distribution)条件下, 分别提取出六种细粒子类型和六种粗粒子气溶胶类型(表3), 每一种类型参数包括复折射率(m)、 中值半径(rm)和方差(σ )。 双峰对数正态粒子尺度谱分布 dVdlnr可以较为真实地反映气溶胶粒子尺度分布情况

dVdlnr=Ncσc2πexp-(lnr-lnrm, c)22σc2+Nfσf2πexp-(lnr-lnrm, f)22σf2(6)

式中下标cf分别表示粗模态和细模态气溶胶, r是粒子半径, N=Nf+Nc是大气柱中气溶胶粒子数浓度。

结合表3中的气溶胶类型参数, 采用双峰对数谱分布模型, 使用RT3偏振辐射传输程序计算观测高度Stokes矢量, 建立气溶胶偏振反射率查找表, 结构如表4所示。

表3 细模态和粗模态气溶胶参数 Table 3 Detailed parameters of fine and coarse model
表4 查找表参数设置 Table 4 Parameters of LUT
2.3 地气解耦与气溶胶反演

遥感传感器接收的信息包含地表贡献成分和大气贡献成分, 当对地表(大气)贡献的估计趋近于真实值时, 对大气(地表)贡献的估计也同时趋近于真实值。 利用这一特性, 在反演中采用迭代的方式, 逐步分离观测数据中包含的大气和地表辐射成分, 构建起反演流程, 实现气溶胶光学厚度反演。 反演中, 采用最小二乘残差来寻找合适的模拟偏振反射率(ρ cal)与观测偏振反射率(ρ meas)的配对。 在M个波段N个观测角度的情况下, 残差项式(7)中, λ j是第j个波段, θ s, i, θ v, iφ i为第i个观测角度对应的太阳天顶角、 观测天顶角和相对方位角。

反演流程如图3所示, 图中和文中的表述ρ mol, ρ aer, ρ calρ meas均指665和865 nm两个波段的数据。 定义第n(n≥ 1)个循环得到的光学厚度为τ n, 从第二个循环开始τ n-τ n-1表示第n个循环和第n-1个循环的反演结果差异。 由于地表偏振反射率不随波段变化而变化, 反演中不同波段使用相同的地表偏振反射率, 当n=1时, 以1 640 nm波段的偏振反射率测量值(ρ meas, 1 640)作为ρ surf, 之后通过查找表提取气溶胶类型参数和光学厚度; 当n> 1时, 执行如下流程:

图3 反演算法流程图Fig.3 Flow chart of retrieval algorithm

(1)依照观测几何, 从查找表中调出各种气溶胶类型和光学厚度条件下的气溶胶偏振反射率ρ aer, 结合大气分子散射贡献(ρ mol)和地表反射贡献(ρ surf), 计算出ρ cal;

(2)计算ρ cal与测量值ρ meas的最小二乘残差项X, 找到X的最小值Xmin以及对应的τ n和气溶胶类型参数;

(3)判断两个条件是否满足: ① Xmin< 10-3, ② τ n-τ n-1< 0.01, 如果这两个条件同时满足, 反演流程结束, τ n即为目标参数, 否则进入下一步计算;

(4)根据τ n和气溶胶类型参数计算1 640 nm波段气溶胶光学厚度, 结合查找表计算ρ aer, 1 640, 将1 640 nm观测数据ρ meas, 1 640扣除气溶胶和大气分子散射成分, 重新得到下垫面偏振反射率;

(5)重新开始第(1)步到第(3)步的计算。

3 结果与讨论

按照实验设计, 地基太阳光度计CE318获取的气溶胶光学厚度精度极高, 以CE318观测结果作为AMPR反演验证数据。 AMPR观测航线会经过CE318观测点, 选取地基观测点附近较为平坦地表上空的航空实验观测数据, 反演出665 nm波段光学厚度, 与CE318观测675 nm气溶胶光学厚度结果对比。 为了消除观测不确定性带来的影响, AMPR反演结果以10个观测周期(约8.6 s, 航行距离约0.52 km)做平均, 对比结果如图4所示。 图中横坐标为选取的AMPR观测文件计数(由于10个观测周期做平均, 每10个文件计1个数), 纵坐标为观测光学厚度, 黑色曲线为AMPR观测光学厚度(665 nm), 红色三角形为CE318观测光学厚度(675 nm)。 从图中可以看出, AMPR与CE318反演结果非常接近。 使用地基验证点附近的AMPR反演结果平均值与CE318结果比较, 列于表5中, 可以看出AMPR反演结果整体偏低, 最大误差为0.051, 平均误差约为0.03, 且气溶胶反演误差随着气溶胶光学厚度的增加而增加。 通过敏感性分析, 造成结果偏小且误差随光学厚度增加而增加的主要原因有以下两点: (1) 粗粒子偏振敏感性要弱于细粒子, 观测和反演过程中会造成粗粒子偏振信息的丢失, 所以造成AMPR反演结果偏小; (2) 随着光学厚度的增加, 多次散射退偏现象明显, 导致气溶胶光学厚度较大时反演误差变大。

图4 AMPR和CE318反演光学厚度结果对比Fig.4 Comparison of AMPR and CE318 retrieved AOD

表5 AMPR反演误差 Table 5 Deviations between AMPR and CE318 retrievals

以光学厚度为自变量, 以反演误差做因变量, 做散点分布图(图5), 从图中可以看出气溶胶反演误差随光学厚度增加而增加的趋势明显。 实验进行时大气AOD范围约在0.1~0.5之间, 其中0.1~0.3的光学厚度范围内, 平均反演误差约为0.022, 0.3~0.5的光学厚度范围内平均反演误差约为0.045。 以此趋势, 当光学厚度大于1时平均反演误差将会达到0.1左右。

图5 光学厚度与AMPR反演误差关系Fig.5 Relationship between deviation of AMPR retrieval and AOD

4 结 论

结合2012年— 2014年间AMPR在京津唐地区的航空遥感数据, 利用多光谱、 多角度和偏振数据的特点建立了气溶胶光学厚度的反演算法。 算法采用对1 640 nm波段测量得到的偏振反射率进行连续修正, 获取地表偏振反射率, 然后利用670和865 nm波段偏振测量信息反演气溶胶光学厚度。 通过与地基验证点观测结果对比, 发现AMPR的反演结果与CE318观测结果一致性较好, 在光学厚度小于0.5的情况下, 平均反演误差约为0.03, 并对气溶胶光学厚度较大情况下的反演误差进行了预估, 当光学厚度大于1时平均反演误差将会达到0.1左右。 文中选取的是相对均匀的下垫面上空的观测数据进行反演研究, 有待开展复杂地表上空气溶胶的反演研究, 以及探索使用AMPR获取粒子谱分布等更多气溶胶参数的能力。

The authors have declared that no competing interests exist.

参考文献
[1] Kokhanovsky A A. Earth-Science Reviews, 2013, 116: 95. [本文引用:1]
[2] JIA Song-lin, SU Lin, TAO Jin-hua, et al(贾松林, 苏林, 陶金花, ). China Environmental Science(中国环境科学), 2014, 34(3): 565. [本文引用:1]
[3] Li Z, Gu X, Wang L, et al. Atmospheric Chemistry and Physics, 2013, 13(20): 10171. [本文引用:1]
[4] Shmirko K, Bobrikov A, Pavlov A. Proc. SPIE, 2015, 9680: 96803B-1. [本文引用:1]
[5] Waquet F, Cairns B, Knobelspiesse K, et al. [J]. Geophys. Res. , 2009, 114: D01206. [本文引用:6]
[6] Li Y, Xue Y, He X, et al. Atmospheric Environment, 2012, 46(1): 173. [本文引用:1]
[7] Hasekamp O P, Litvinov P, Butz A. [J]. Geophys. Res. , 2011, 116: D14204. [本文引用:1]
[8] Dubovik O, Herman M, Holdak A, et al. Atmos. Meas. Tech. , 2011, 4(5): 975. [本文引用:2]
[9] Kokhanovsky A A. Frontiers in Environmental Science, 2015, 3: 4. [本文引用:1]
[10] Levy R C, Remer L A, Kleidman R G, et al. Atmospheric Chemistry and Physics, 2010, 10(6): 10399. [本文引用:1]
[11] Nadal F, Bréon F M. IEEE Trans. Geosci. Remote Sens. , 1999, 37(3): 1709. [本文引用:1]
[12] Deuzé J L, Bréon F M, Devaux C, et al. [J]. Geophys. Res. , 2001, 106(D5): 4913. [本文引用:1]
[13] Cheng T H, Gu X F, Xie D H, et al. Remote Sensing of Environment, 2011, 115(7): 1643. [本文引用:1]
[14] Qie L, Li Z, Sun X, et al. Remote Sens. , 2015, 7(5): 6240. [本文引用:1]
[15] Wang H, Sun X, Sun B, et al. Adv. Atmos. Sci. , 2014, 31(4): 879. [本文引用:1]
[16] Waquet F, Goloub P, Deuzé J L, et al. [J]. Geophys. Res. , 2007, 112: D11214. [本文引用:1]
[17] Lee K H, Kim Y J. Atmos. Meas. Tech. , 2010, 3(6): 1771. [本文引用:1]