浙江大学学报（理学版）

浙江大学学报(理学版), 2022, 49(5): 606-612 doi: 10.3785/j.issn.1008-9497.2022.05.012

地球科学

基于MODIS数据的山西省PM2.5浓度估算研究

张仲伍,,1, 魏凯艳1, 孙九林1,2, 赵雪倩1, 何雪宁1

1.山西师范大学 地理科学学院，山西 临汾 041000

2.中国科学院 地理科学与资源研究所，北京 100101

Estimation of PM2.5 concentration based on MODIS data in Shanxi province

ZHANG Zhongwu,,1, WEI Kaiyan1, SUN Jiulin1,2, ZHAO Xueqian1, HE Xuening1

1.School of Geography Science，Shanxi Normal University，Linfen 041000，Shanxi Province，China

2.Institute of Geographical Sciences and Resources，Chinese Academy of Sciences，Beijing 100101，China

收稿日期: 2021-07-19  

基金资助: 山西省哲学社会科学项目.  2019B201

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：zhangzhongwu69@163.com. , E-mail：zhangzhongwu69@163.com

摘要

通过ENVI软件对美国国家航空航天局（NASA）发布的MODIS L1B数据进行几何校正、波段合成、重采样、构建查找表等操作，反演了山西省2020年3—8月气溶胶光学厚度（aerosol optical depth，AOD），用大气气溶胶产品MOD04_3K验证AOD的反演精度，对反演结果中的高度进行订正，分析了山西省AOD时空分布特征，在此基础上建立了AOD与PM2.5浓度的回归模型，并通过模型验证估算误差。结果表明：（1）MODIS L1B反演结果具有较高的精度，与大气气溶胶产品MOD04_3K数据的相关系数为0.934。（2）在时间分布上，AOD存在明显的季节性差异，夏季AOD均值远高于春季；在空间分布上，AOD呈现由北向南逐渐增加的趋势，高值主要出现在山西省南部的临汾市和运城市。（3）整体、春季、夏季3类回归模型的平均相对误差分别为25.91%，27.62%，23.87%，表明模型的拟合效果较好，可较为准确地估算PM2.5浓度。

关键词： PM2.5 ; MODIS ; 山西省 ; 气溶胶光学厚度（AOD） ; 暗像元法

Abstract

The aerosol optical depth (AOD) of Shanxi province from March to August 2020 was retrieved by ENVI software through the steps of geometric correction, band synthesis, resampling and look-up table construction based on MODIS L1B data released by NASA, and the accuracy of AOD inversion was verified by MOD04_3K aerosol product. The inversion results were highly revised and the spatial and temporal distribution characteristics of AOD in Shanxi province were analyzed. On this basis, the regression simulation equation of AOD and PM2.5 concentration was established, and the model was tested to analyze the estimation error. The results show that: (1) MODIS L1B inversion has high accuracy, and the correlation coefficient between MODIS L1B inversion and MOD04_3K aerosol product data is 0.934; (2) The temporal distribution of AOD has obvious seasonal difference, and the mean value of AOD in summer is much higher than that in spring. The spatial distribution of AOD gradually increased from north to south, with high values mainly in Linfen and Yuncheng areas in the south of Shanxi province. (3) The regression equations of AOD and PM2.5 concentration were established by using three models of whole, spring and summer, and the average relative errors were 25.91%, 27.62% and 23.87%, respectively, indicating that the model has good fitting performance and can accurately estimate PM2.5 concentration.

Keywords： PM2.5 ; MODIS ; Shanxi province ; aerosol optical depth (AOD) ; dense dark vegetation

PDF (1450KB) 元数据 多维度评价 相关文章 导出 EndNote| Ris| Bibtex  收藏本文

本文引用格式

张仲伍, 魏凯艳, 孙九林, 赵雪倩, 何雪宁. 基于MODIS数据的山西省PM2.5浓度估算研究. 浙江大学学报(理学版)[J], 2022, 49(5): 606-612 doi:10.3785/j.issn.1008-9497.2022.05.012

ZHANG Zhongwu, WEI Kaiyan, SUN Jiulin, ZHAO Xueqian, HE Xuening. Estimation of PM2.5 concentration based on MODIS data in Shanxi province. Journal of Zhejiang University(Science Edition)[J], 2022, 49(5): 606-612 doi:10.3785/j.issn.1008-9497.2022.05.012

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

新窗口打开| 下载原图ZIP| 生成PPT

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（http：//zrzyt.shanxi.gov.cn），审图号：晋S（2020）005号，无修改。


1.1.2　遥感数据

卫星遥感数据来自NASA网站（http：//ladsweb.nascom.nass.gov）免费公布的MODIS L1B数据和大气气溶胶产品MOD04_3K数据。MODIS是搭载在两颗太阳同步极轨卫星上的传感器。MODIS L1B数据搭载下午星Aqua，选取数据的天气状况均为晴朗少云，过境时间为下午1：30左右，数据成像时间均为世界标准时间，加8 h可换算为北京时间。

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（http：//www.cnemc.cn/）发布的逐小时数据。由于部分站点设备存在损坏故障问题，研究区内的可用监测站点共63个，部分监测站点的地理位置如表1所示。为便于匹配AOD瞬时数据，选取成像前后1 h的PM2.5浓度数据，以增加回归模型的可信度。

表1   山西省PM2.5监测站点地理位置（部分）

Table 1  Geographical location of PM2.5 monitoring stations in Shanxi province （part）

监测站点编码监测站点名称经度/°E纬度/°N
1721A果树场113.381 940.109 7
1722A红旗广场113.285 840.095 8
1723A云冈宾馆113.299 440.075 8
1724A大同大学113.344 440.091 7
1725A安家小村113.266 140.126 9
1726A教育学院113.271 140.084 4
2923A供排水公司113.280 340.111 4
2160A自来水公司112.850 035.505 1
2161A白云商贸112.835 035.493 4
2162A市环保局112.856 435.488 3
2163A技术学院112.866 435.489 4
2164A泽州一中112.825 235.481 3
2165A白马寺112.845 335.546 0

新窗口打开| 下载CSV


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

ρred=ρ2.10*2，
ρblue=ρ2.10*4，

其中，ρred表示红通道的地表反射率，ρblue表示蓝通道的地表反射率，ρ2.10*表示暗像元在2.10 μm处的表观反射率。因为近红外通道受气溶胶的影响很小，卫星在2.10 μm处接收到的表观反射率与地表反射率较一致。

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

τz=0.008 77×0.55-4.05 1-e-Z8.5+τ0,

其中，τz为订正后的AOD，Z为实际海拔，τ0为订正前的AOD。

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

新窗口打开| 下载原图ZIP| 生成PPT

图2   春季和夏季AOD分布

Fig.2   Distribution of AOD in spring and summer


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

新窗口打开| 下载原图ZIP| 生成PPT

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  Simulation model of AOD and PM2.5 concentration

模型类别函数类型拟合方程R2
整体模型线性Y=16.568+68.599X0.579
对数Y=53.687+8.318 lnX0.251
一元二次Y=20.381+41.584X+26.577X20.594
一元三次Y=17.004+83.237X-64.829X2+48.621X30.604
指数Y=17.584+1.734 X0.437
乘幂Y=50.353+X0.2760.326
春季模型线性Y=16.710+65.486X0.547
对数Y=53.276+7.459 lnX0.215
一元二次Y=22.377+21.244X+42.108X20.585
一元三次Y=18.989+68.242X-56.089X2+49.435X30.596
指数Y=17.076+1.638 X0.431
乘幂Y=47.084+X0.2390.279
夏季模型线性Y=16.864+74.317X0.638
对数Y=56.976+10.983 lnX0.341
一元二次Y=17.289+71.562X+2.960X20.637
一元三次Y=17.509+69.051X+9.201X2-3.860X30.636
指数Y=19.533+1.817 X0.472
乘幂Y=57.643+X0.3360.395

新窗口打开| 下载CSV


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。

新窗口打开| 下载原图ZIP| 生成PPT

Fig.4   Fitting results of three models


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

ZANOBETTI A， DOMINICI F， WANG Y， et al.

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］. Environmental Health， 2014， 13（1）： 38. DOI：10. 1186/1476-069X-13-38

[本文引用: 1]

郑俊， 杨志强， 张凯南， 等.

MODIS气溶胶光学厚度反演的西安市颗粒物浓度研究

［J］. 测绘工程， 2018， 27（12）： 19-23， 30. DOI：10.19349/j.cnki.issn1006-7949.2018.12.005

[本文引用: 1]

ZHENG J， YANG Z Q， ZHANG K N， et al.

Inversion of PM concentration in Xi'an based on MODIS aerosol optical depth

［J］. Engineering of Surveying and Mapping， 2018， 27（12）： 19-23， 30. DOI：10.19349/j.cnki.issn1006-7949.2018.12.005

[本文引用: 1]

李诺， 刘战伟， 卫林勇， 等.

基于MODIS数据的郑州市气溶胶时空变化特征分析

［J］. 气象与环境科学， 2018， 41（2）： 30-36. DOI：10.16765/j.cnki.1673-7148.2018.02.005

[本文引用: 1]

LI N， LIU Z W， WEI L Y， et al.

Analysis of spatial and temporal characteristics of aerosol in Zhengzhou city based on MODIS data

［J］. Meteorological and Environmental Sciences， 2018， 41（2）： 30-36. DOI：10.16765/j.cnki.1673-7148.2018.02.005

[本文引用: 1]

赵晓亮， 孙杰， 冯银厂， 等.

阜新市MODIS AOD与大气PM2.5浓度相关性研究

［J］. 地球与环境， 2017， 45（3）： 283-289. DOI：10.14050/j.cnki.1672-9250. 2017.03.005

[本文引用: 1]

ZHAO X L， SUN J， FENG Y C， et al.

A study on correlation between MODIS AOD and PM2.5 in Fuxin city， China

［J］. Earth and Environmental， 2017， 45（3）： 283-289. DOI：10.14050/j.cnki.1672-9250. 2017.03.005

[本文引用: 1]

杨颖川， 葛宝珠， 郝赛宇， 等.

基于能见度及AOD数据的北京市PM2.5浓度的反演

［J］. 气候与环境研究， 2020， 25（5）： 521-530. DOI：10.3878/j.issn.1006-9585. 2019.19114

[本文引用: 1]

YANG Y C， GE B Z， HAO S Y， et al.

Inversion of PM2.5 concentration in Beijing based on visibility and AOD data

［J］. Climatic and Environmental Research， 2020， 25（5）： 521-530. DOI：10.3878/j.issn.1006-9585.2019.19114

[本文引用: 1]

GUO J， XIA F， ZHANG Y， et al.

Impact of diurnal variability and meteorological factors on the PM2.5-AOD relationship： Implications for PM2.5 remote sensing

［J］. Environmental Pollution， 2017， 221： 94-104. DOI：10.1016/j.envpol.2016.11.043

[本文引用: 1]

陈美娟， 刘静， 刘利民， 等.

基于MODIS数据的沈阳市PM2.5反演研究

［J］. 环境科学与技术， 2016， 39（12）： 87-93. DOI：10.3969/j.issn.1003-6504. 2016.12.015

[本文引用: 1]

CHEN M J， LIU J， LIU L M， et al.

Inversion of PM2.5 with MODIS data in Shenyang

［J］. Environmental Science and Technology， 2016， 39（12）： 87-93. DOI：10.3969/j.issn.1003-6504. 2016.12.015

[本文引用: 1]

KOELEMEIJER R B A， HOMAN C D， MATTHIJSEN J.

Comparison of spatial and temporal variations of aerosol optical thickness and particulate matter over Europe

［J］. Atmospheric Environment， 2006， 40（27）： 5304-5315. DOI：10. 1016/j.atmosenv.2006.04.044

[本文引用: 1]

陈璇.

杭州湾PM2.5遥感估算及其与地表特征关系研究

［D］. 上海： 上海师范大学， 2018.

[本文引用: 1]

CHEN X.

Remote Sensing Estimation of PM2.5 in Hangzhou Bay and Its Relationship with Surface Characteristics

［D］. Shanghai： Shanghai Normal University， 2018.

[本文引用: 1]

陈伟.

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］. 成都： 成都理工大学， 2016.

[本文引用: 1]

CHEN W.

Research on the Estimation of PM2.5 Mass Concentration with the Quantitative Remote Sensing in Jiangsu Province

［D］. Chengdu： Chengdu University of Technology， 2016.

[本文引用: 1]

杨东旭， 韦晶， 钟永德.

利用MODIS卫星资料反演北京地区气溶胶光学厚度

［J］. 光谱学与光谱分析， 2018， 38（11）： 3464-3469. DOI：10.3964/j.issn.1000-0593（2018）11-3464-06

[本文引用: 1]

YANG D X， WEI J， ZHONG Y D.

Aerosol optical depth retrieval over Beijing using MODIS satellite images

［J］. Spectroscopy and Spectral Analysis， 2018， 38（11）： 3464-3469. DOI：10.3964/j.issn.1000-0593（2018）11-3464-06

[本文引用: 1]

刘林钰， 张永军， 李彦胜， 等.

基于深度学习的华东地区PM2.5浓度遥感反演

［J］. 环境科学， 2020， 41（4）： 1513-1519. DOI：10.13227/j.hjkx.201909209

[本文引用: 1]

LIU L Y， ZHANG Y J， LI Y S， et al.

PM2.5 inversion using remote sensing data in eastern China based on deep learning

［J］. Environmental Science， 2020， 41（4）： 1513-1519. DOI：10.13227/j.hjkx. 201909209

[本文引用: 1]

POPE C A， THUN M J， NAMBOODIRI M M， et al.

Particulate air pollition as a predictor of mortality in a prospective study of US adults

［J］. American Journal of Respiratory and Critical Care Medicine， 1995， 151（3）： 669-674. DOI：10.1164/ajrccm/151.3_Pt_1.669

[本文引用: 1]

张世乔， 江洪， 王祎鑫， 等.

京津唐地区PM2.5遥感估算与区域传输

［J］. 遥感信息， 2017， 32（4）： 11-23. DOI：10.3969/j.issn.1000-3177.2017.04.003

[本文引用: 1]

ZHANG S Q， JIANG H， WANG Y X， et al.

Ground-level PM2.5 estimation and regional transport in Beijing-Tianjin-Tangshan region using satellite remote sensing technique

［J］. Remote Sensing Information， 2017， 32（4）： 11-23. DOI：10.3969/j.issn.1000-3177.2017.04.003

[本文引用: 1]

王细元.

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］. 上海： 华东师范大学， 2019. doi:10.20319/lijshls.2015.s11.139150

[本文引用: 1]

WANG X Y.

Study on Spatio-Temporal Variation of PM2.5 Concentration based on Satellite and Ground-Based Data over Shanghai

［D］. Shanghai： East China Normal University， 2019. doi:10.20319/lijshls.2015.s11.139150

[本文引用: 1]

YOU W， ZANG Z L， PAN X B， et al.

Estimating PM2.5 in Xi'an， China using aerosol optical depth： A comparison between the MODIS and MISR retrieval models

［J］. Science of the Total Environment， 2015， 505： 1156-1165. DOI：10.1016/j.scitotenv. 2014.11.024

[本文引用: 1]

CLARENS M， BEMET N， DELGENES J P， et al.

Effects of nitrogen oxides and denitrification by Pseudomonas stutzeri on acetotrophic methanogenesis by Methanosarcina mazei

［J］. FEMS Microbiology Ecology， 1998， 25（3）： 271-276. doi:10.1111/j.1574-6941.1998.tb00479.x

[本文引用: 1]

黄文喜.

基于遥感与地面监测数据的PM2.5定量反演研究

［D］. 武汉： 中国地质大学，2019.

[本文引用: 1]

HUANG W X.

PM2.5 Quantitative Retrieval based on the Remote Sensing and Ground-Based Air Quality Measurement Data

［D］. Wuhan： China University of Geosciences， 2019.

[本文引用: 1]

吕明明.

基于MODIS数据的PM2.5浓度遥感反演： 以京津冀城市群为例

［D］. 北京： 中国地质大学， 2017.

LYU M M.

The Remote Sensing Retrieval of PM2.5 based on MODIS Data： A Case Study of Beijing-Tianjin-Hebei Region

［D］. Beijing： China University of Geosciences， 2017.

LIN C Q， LI Y， YUAN Z B， et al.

Using satellite remote sensing data to estimate the high-resolution distribution of ground-level PM2.5

［J］. Remote Sensing of Environment， 2015， 156： 117-128. DOI：10.1016/j.rse.2014.09.015

LAU K H， LI C C， MAO J T， et al.

A new way of using MODIS data to study air pollution over Hong Kong and the Pearl River Delta

［J］. Proceedings of the SPIE， 2003， 20（2）： 105-114. DOI：10.1117/12. 466766

[本文引用: 1]

KAUFMAN Y J， WALD A E， REMER L A， et al.

The MODIS 2.1-/spl mu/m channel-correlation with visible reflectance for use in remote sensing of aerosol

［J］. IEEE Transactions on Geoscience and Remote Sensing， 2009， 35（5）： 1286-1298. DOI：10.1109/36. 628795

[本文引用: 1]

刘欢.

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］. 重庆： 重庆师范大学， 2016. doi:10.17520/biods.2015236

LIU H.

Remote Sensing Estimation Model of Atmospheric Fine Particulate Matter （PM2.5） Mass Concentration in the Main City of Chongqing City

［D］. Chongqing： Chongqing Normal University， 2016. doi:10.17520/biods.2015236

WANG Z F， CHEN L F， TAO J H， et al.

Satellite-based estimation of regional particulate matter （PM） in Beijing using vertical-and-RH correcting method

［J］. Remote Sensing of Environment， 2010， 114（1）： 50-63. DOI：10.1016/j.rse.2009.08.009

[本文引用: 1]

MORDUKHOVICH I， COULL B， KLOOG I， et al.

Exposure to sub-chronic and long-term particulate air pollution and heart rate variability in an elderly cohort： The normative aging study

［J］. Environmental Health， 2015， 14： 87. DOI：10.1186/s12940-015-0074-z

[本文引用: 1]

李志鹏， 陈健.

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］. 遥感技术与应用， 2020， 35（1）： 163-173. DOI：10.11873/j.issn.1004-0323.2020.1.0163

LI Z P， CHEN J.

Remote sensing retrieval of atmospheric fine particle PM2.5 based on GOCI satellite and its temporal and spatial distribution

［J］. Remote Sensing Technology and Application， 2020， 35（1）： 163-173. DOI：10.11873/j.issn.1004-0323.2020.1.0163

TIAN J， CHEN D M.

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］. Remote Sensing of Environment， 2010， 114（2）： 221-229. DOI：10. 1016/j.rse.2009.09.011

SRIVASTAVA N， HINTON G， KRIZHEVSKY A， et al.

Dropout： A simple way to prevent neural networks from overfitting

［J］. Journal of Machine Learning Research， 2014， 15（1）： 1929-1958.

[本文引用: 1]

/

〈 〉