基于MODIS数据的山西省PM2.5浓度估算研究
1.
2.
Estimation of PM2.5 concentration based on MODIS data in Shanxi province
1.
2.
收稿日期: 2021-07-19
基金资助: |
|
Received: 2021-07-19
作者简介 About authors
张仲伍(1969—),ORCID:https://orcid.org/0000-0002-6855-9236,男,博士,副教授,主要从事区域开发与城市规划研究,E-mail:
关键词:
Keywords:
本文引用格式
张仲伍, 魏凯艳, 孙九林, 赵雪倩, 何雪宁.
ZHANG Zhongwu, WEI Kaiyan, SUN Jiulin, ZHAO Xueqian, HE Xuening.
0 引 言
随着我国城市化进程的日益加快,环境问题逐渐突显[1]。其中雾霾天气在多地频发,持续时间长,危害大,严重影响了人类的生存发展[2]。不仅制约了我国的经济发展,对国民的身体健康也造成了很大威胁[3]。雾霾天气不仅导致出行困难,还会引发多种慢性病[4]。PM2.5是指空气动力学直径小于等于2.5 μm的颗粒物,主要来源于汽车尾气、工业生产、冬季燃煤供暖等[5]。PM2.5中含有较多重金属污染物和细菌,可在大气中停留较长时间[6],在人体内通过呼吸到达肺部且参与血液循环,严重损害呼吸系统与内分泌系统[7]。PM2.5还会导致大气能见度降低,对公共交通网络造成很大压力[8]。因此对PM2.5的防治非常紧迫,科学监测PM2.5浓度是防治大气污染的重要举措[9]。
PM2.5监测方法主要有地面监测和遥感监测2种[10-11]。地面监测,通过设立地面监测站点获取PM2.5浓度,数据精度较高,时间连续性强[12-13]。但由于获取的是点状数据,监测范围较小,空间连续性较差,无法精确表达PM2.5浓度的空间分布特征[14-15]。遥感监测,覆盖范围极广、成本低且无地域限制,可以有效监测PM2.5浓度的时空分布[16-17]。其基本思路是利用中分辨率成像光谱仪(MODIS)遥感数据反演得到气溶胶光学厚度(aerosol optical depth,AOD),通过AOD模拟得到PM2.5浓度[18-21]。早在20世纪70年代,国外研究人员就利用卫星遥感监测气溶胶,得到太阳辐射波段与AOD之间具有相关性的结论[22-24]。AOD反演算法主要有暗像元法、结构函数法、深蓝算法和热红外对比法,其中暗像元法是应用最广泛的算法之一[25-28]。
山西省是我国重要的煤炭基地,燃煤排污严重,近年来大气污染日益严重,雾霾天气频发。本文以山西省为研究区,基于PM2.5浓度的MODIS遥感数据和地面监测数据,拟建立两数据间的回归模型,实现对山西省PM2.5浓度的估算,为雾霾防治提供一定的科学依据。
1 数据源与预处理
1.1 数据源
1.1.1 研究区域
山西省位于北纬34.566 7°~40.733 3°和东经110.233 3°~114.550 0°,面积约15.67万km2。山西省地势东北高、西南低,是典型的高原高山地貌,境内高低起伏明显。属大陆性季风气候,四季分明,南北气候差异明显,具有雨热同期的特点。图1为研究区内PM2.5监测站点分布情况。
图1
图1
研究区内PM2.5监测站点分布情况
Fig.1
Distribution of PM2.5 monitoring stations in the study area底图来源于山西省自然资源厅(
1.1.2 遥感数据
卫星遥感数据来自NASA网站(
1.1.3 PM2.5浓度地面监测数据
PM2.5浓度来源于中国环境监测总站(
表1 山西省PM2.5监测站点地理位置(部分)
Table 1
监测站点编码 | 监测站点名称 | 经度/°E | 纬度/°N |
---|---|---|---|
1721A | 果树场 | 113.381 9 | 40.109 7 |
1722A | 红旗广场 | 113.285 8 | 40.095 8 |
1723A | 云冈宾馆 | 113.299 4 | 40.075 8 |
1724A | 大同大学 | 113.344 4 | 40.091 7 |
1725A | 安家小村 | 113.266 1 | 40.126 9 |
1726A | 教育学院 | 113.271 1 | 40.084 4 |
2923A | 供排水公司 | 113.280 3 | 40.111 4 |
2160A | 自来水公司 | 112.850 0 | 35.505 1 |
2161A | 白云商贸 | 112.835 0 | 35.493 4 |
2162A | 市环保局 | 112.856 4 | 35.488 3 |
2163A | 技术学院 | 112.866 4 | 35.489 4 |
2164A | 泽州一中 | 112.825 2 | 35.481 3 |
2165A | 白马寺 | 112.845 3 | 35.546 0 |
1.2 预处理
MODIS L1B数据在反演之前需进行辐射校正、几何校正、合成与裁剪、合成后处理等一系列操作。虽然MOD04_3K为大气气溶胶产品,但并不能直接使用,必须进行发射率、反射率以及角度数据集的几何校正和波段合成等预处理。
2 研究方法
2.1 暗像元法
暗像元法(dense dark vegetation,DDV),又称暗目标法或浓密植被法。暗像元是指水体和浓密植被等吸收能力较强、反射能力较弱的像元。对陆地而言,暗像元主要是指浓密植被,由于研究区在冬季没有浓密植被,AOD反演效果不理想,因此,AOD反演适合在3—9月进行。另外,此算法适用于地表反射率较低的地区,不适用于地表反射率较高的干旱沙漠地区。这是由于地表反射率较高的地区其反射率无法准确获取,严重影响AOD反演精度。
卫星接收到的表观反射率包括路径辐射和地表辐射两部分。暗像元法通过确定地表辐射,将二者区分开。浓密植被在可见光通道(波长为0.38~0.76 μm)的反射率极低,为0.01~0.02。为提高反演精度,地表辐射应足够小并确定具体值。
暗像元法利用大路径辐射计算AOD,算法分两步:(1) 暗像元识别。暗像元在近红外通道(2.10 μm)处的表观反射率为0.01~0.40。(2) 计算暗像元(红、蓝通道)的地表反射率。暗像元在2.10 μm处的表观反射率与红通道(0.60~0.70 μm)、蓝通道(0.40~0.48 μm)的地表反射率之间的关系为
其中,
2.2 AOD的订正
AOD表示消光系数在垂直方向上的积分,其与PM2.5浓度的关系受海拔的影响。因此,为增加样本的可靠性,需订正AOD的高度。在反演过程中,通常暗像元的海拔为0,这与其实际海拔不相符,因此需对反演AOD进行订正,公式为
其中,
3 结果与讨论
3.1 反演结果与精度验证
按照自然断裂法,将AOD分为5个等级:[0,0.10),[0.10,0.20),[0.20,0.30),[0.30,0.45),[0.45,1.30]。AOD无单位,值越小表示太阳辐射穿透大气层的能力越强,反之越弱。0代表大气中不存在气溶胶粒子,大气状况处于理想状态。有云状态下的AOD也为0。
因为气溶胶反演需在晴朗无云状态下进行,所以数据有限,共得到48期有效反演结果,按季节将其划分为春季和夏季,各24期,分别叠加春季和夏季的AOD,得到AOD空间分布,如图2所示。
图2
在时间尺度上,山西省AOD存在明显的季节差异,夏季AOD在整体水平上高于春季,春季AOD以0~0.1为主。春季和夏季AOD均呈北低南高的趋势,即2个季节的AOD大多集中于南部地区。这与山西省的地理位置及人文因素密不可分。由于夏季植被较为浓密,夏季的反演效果远优于春季。
在空间尺度上,AOD从北向南逐渐升高,南部地区AOD远高于北部地区。AOD高值主要集中在南部的临汾和运城地区,其次是以太原市为主的中部地区。这一方面与地形有关,南部地区主要以盆地为主,气溶胶粒子大量聚集、不易扩散,导致AOD较高。另一方面由于南部地区是山西省煤炭产业的集中地,污染物排放量较大。太原市及其附近地区人口密度大、工业生产规模庞大,导致AOD较高。
本文选取大气气溶胶产品MOD04_3K对反演AOD进行精度验证。将反演AOD重采样为3 km,与MOD04_3K数据的像元一一对应匹配并进行相关性分析,散点图如图3所示。结果表明,两者间的相关系数R=0.934,拟合精度R2=0.873,一致性较好,反演精度较高,可用于研究区的AOD反演及PM2.5浓度的估算模拟。
图3
图3
1 km分辨率AOD与MOD04_3K数据散点图
Fig.3
Scatter diagram of 1 km resolution AOD and MOD04_3K data
3.2 AOD与PM2.5浓度的关系模型
为验证气溶胶与PM2.5之间的关系,建立AOD与PM2.5浓度的回归模型。基础数据为反演AOD与监测站点的PM2.5浓度,基本原则是依据监测站点匹配数据。先将反演AOD提取至各监测站点,然后匹配卫星过境时间前后1 h的PM2.5浓度数据。为更好地分析内部差异,建立整体、春季、夏季3类模型,每类模型选择线性、对数、一元二次、一元三次、指数、乘幂6种函数分别进行拟合,结果如表2所示。
表2 AOD与PM2.5浓度的模拟模型
Table 2
模型类别 | 函数类型 | 拟合方程 | R2 |
---|---|---|---|
整体模型 | 线性 | Y=16.568+68.599X | 0.579 |
对数 | Y=53.687+8.318 lnX | 0.251 | |
一元二次 | Y=20.381+41.584X+26.577X2 | 0.594 | |
一元三次 | Y=17.004+83.237X-64.829X2+48.621X3 | 0.604 | |
指数 | Y=17.584+1.734 X | 0.437 | |
乘幂 | Y=50.353+X0.276 | 0.326 | |
春季模型 | 线性 | Y=16.710+65.486X | 0.547 |
对数 | Y=53.276+7.459 lnX | 0.215 | |
一元二次 | Y=22.377+21.244X+42.108X2 | 0.585 | |
一元三次 | Y=18.989+68.242X-56.089X2+49.435X3 | 0.596 | |
指数 | Y=17.076+1.638 X | 0.431 | |
乘幂 | Y=47.084+X0.239 | 0.279 | |
夏季模型 | 线性 | Y=16.864+74.317X | 0.638 |
对数 | Y=56.976+10.983 lnX | 0.341 | |
一元二次 | Y=17.289+71.562X+2.960X2 | 0.637 | |
一元三次 | Y=17.509+69.051X+9.201X2-3.860X3 | 0.636 | |
指数 | Y=19.533+1.817 X | 0.472 | |
乘幂 | Y=57.643+X0.336 | 0.395 |
3.3 模型验证
选择拟合度最高的函数进行回归拟合,整体、春季、夏季3类模型的最优回归方程分别为:
Y=17.004+83.237X-64.829X2+48.621X3,
Y=18.989+68.242X-56.089X2+49.435X3,
Y=74.317X+16.864,
模型拟合结果如图4所示。
为验证回归方程的可用性,对各回归方程做误差分析。将验证数据AOD作为X代入方程,计算相应的Y,与PM2.5浓度实测值做对比,验证并分析其误差。结果显示,整体模型的平均绝对误差为7.265 4 μg·m-3,平均相对误差为25.91%;春季模型的平均绝对误差为4.639 0 μg·m-3,平均相对误差为27.62%;夏季模型的平均绝对误差为6.114 7 μg·m-3,平均相对误差为23.87%。在3类模型中,夏季模型的误差最小,估算精度最高。春季模型的误差最大,估算精度最低。
对比PM2.5浓度的实测值和估算值可知,两者均有较好的对应性。当PM2.5浓度过高或过低时,估算值出现较大偏差,其余数据的对应性相对较好。3类模型虽然都存在误差,但整体上看平均相对误差均在25%左右,具有一定的参考价值。因此对于山西省而言,利用AOD估算PM2.5浓度具有一定的可行性。
4 结 论
以山西省为研究区,采用暗像元法反演AOD,并结合PM2.5地面监测数据建立回归模型,实现对PM2.5浓度的估算,为山西省大气污染监测提供参考。
(1) 基于MODIS遥感数据反演2020年3—8月的AOD,选用大气气溶胶产品MOD04_3K数据对反演AOD结果进行验证,二者的相关系数为0.934,具有显著相关性。
(2) 在时间尺度上,AOD分布存在明显的季节性差异,夏季AOD高于春季AOD;在空间尺度上,AOD呈北低南高的趋势,高值均集中在南部的临汾、运城地区。
(3) 将AOD提取至监测站点,对AOD与PM2.5浓度建立整体、春季、夏季3类模型,结果显示,3类模型的最优拟合精度R2分别为0.604,0.596,0.638。
(4) 对比PM2.5浓度实测值和估算值并计算误差,结果显示,整体、春季、夏季3类模型的平均绝对误差分别为7.265 4,4.639 0,6.114 7 μg·m-3,平均相对误差分别为25.91%,27.62%,23.87%。3类模型的误差均较小,表明AOD能较准确地估算PM2.5浓度。
本研究反演AOD与PM2.5浓度具有较高的拟合精度,但仍存在一定误差。暗像元法虽然反演精度较高,但是6S辐射传输模型的参数设置对误差产生较大影响,选择不同的气溶胶模式可得到不同的AOD。虽然对反演结果的高度进行了订正,但其仍受较多因素影响,有待进一步研究。下一步将考虑风速、湿度等对反演精度的影响,为PM2.5浓度的遥感数据反演提供科学依据。
http://dx.doi.org/10.3785/j.issn.1008-9497.2022.05.001
参考文献
A national case-crossover analysis of the short-term effect of PM2.5 on hospitalizations and mortality in subjects with diabetes and neurological disorders
[J]. ,
MODIS气溶胶光学厚度反演的西安市颗粒物浓度研究
[J]. ,
Inversion of PM concentration in Xi'an based on MODIS aerosol optical depth
[J]. ,
基于MODIS数据的郑州市气溶胶时空变化特征分析
[J]. ,
Analysis of spatial and temporal characteristics of aerosol in Zhengzhou city based on MODIS data
[J]. ,
阜新市MODIS AOD与大气PM2.5浓度相关性研究
[J]. ,
A study on correlation between MODIS AOD and PM2.5 in Fuxin city, China
[J]. ,
基于能见度及AOD数据的北京市PM2.5浓度的反演
[J]. ,
Inversion of PM2.5 concentration in Beijing based on visibility and AOD data
[J]. ,
Impact of diurnal variability and meteorological factors on the PM2.5-AOD relationship: Implications for PM2.5 remote sensing
[J]. ,
基于MODIS数据的沈阳市PM2.5反演研究
[J]. ,
Inversion of PM2.5 with MODIS data in Shenyang
[J]. ,
Comparison of spatial and temporal variations of aerosol optical thickness and particulate matter over Europe
[J]. ,
杭州湾PM2.5遥感估算及其与地表特征关系研究
[D].
Remote Sensing Estimation of PM2.5 in Hangzhou Bay and Its Relationship with Surface Characteristics
[D].
定量遥感在PM2.5质量浓度估算中的应用研究: 以江苏省为例
[D].
Research on the Estimation of PM2.5 Mass Concentration with the Quantitative Remote Sensing in Jiangsu Province
[D].
利用MODIS卫星资料反演北京地区气溶胶光学厚度
[J]. ,
Aerosol optical depth retrieval over Beijing using MODIS satellite images
[J]. ,
基于深度学习的华东地区PM2.5浓度遥感反演
[J]. ,
PM2.5 inversion using remote sensing data in eastern China based on deep learning
[J]. ,
Particulate air pollition as a predictor of mortality in a prospective study of US adults
[J]. ,
京津唐地区PM2.5遥感估算与区域传输
[J]. ,
Ground-level PM2.5 estimation and regional transport in Beijing-Tianjin-Tangshan region using satellite remote sensing technique
[J]. ,
基于遥感与地面监测数据的上海市PM2.5浓度时空变化研究
[D].
Study on Spatio-Temporal Variation of PM2.5 Concentration based on Satellite and Ground-Based Data over Shanghai
[D].
Estimating PM2.5 in Xi'an, China using aerosol optical depth: A comparison between the MODIS and MISR retrieval models
[J]. ,
Effects of nitrogen oxides and denitrification by Pseudomonas stutzeri on acetotrophic methanogenesis by Methanosarcina mazei
[J]. ,
基于遥感与地面监测数据的PM2.5定量反演研究
[D].
PM2.5 Quantitative Retrieval based on the Remote Sensing and Ground-Based Air Quality Measurement Data
[D].
基于MODIS数据的PM2.5浓度遥感反演: 以京津冀城市群为例
[D].
The Remote Sensing Retrieval of PM2.5 based on MODIS Data: A Case Study of Beijing-Tianjin-Hebei Region
[D].
Using satellite remote sensing data to estimate the high-resolution distribution of ground-level PM2.5
[J]. ,
A new way of using MODIS data to study air pollution over Hong Kong and the Pearl River Delta
[J]. ,
The MODIS 2.1-/spl mu/m channel-correlation with visible reflectance for use in remote sensing of aerosol
[J]. ,
重庆市主城区冬季大气细颗粒物(PM2.5)质量浓度的遥感估算模型研究
[D].
Remote Sensing Estimation Model of Atmospheric Fine Particulate Matter (PM2.5) Mass Concentration in the Main City of Chongqing City
[D].
Satellite-based estimation of regional particulate matter (PM) in Beijing using vertical-and-RH correcting method
[J]. ,
Exposure to sub-chronic and long-term particulate air pollution and heart rate variability in an elderly cohort: The normative aging study
[J]. ,
基于GOCI卫星的大气细颗粒物PM2.5的遥感反演及其时空分布规律研究
[J]. ,
Remote sensing retrieval of atmospheric fine particle PM2.5 based on GOCI satellite and its temporal and spatial distribution
[J]. ,
A semi-empirical model for predicting hourly ground-level fine particulate matter (PM2.5) concentration in southern Ontario from satellite remote sensing and ground-based meteorological measurements
[J]. ,
Dropout: A simple way to prevent neural networks from overfitting
[J]. ,
/
〈 | 〉 |