2019, Vol. 62
2. 中国科学院大学, 北京 100049;
3. 北京市环境保护监测中心, 北京 100048
2. University of the Chinese Academy of Sciences, Beijing 100049, China;
3. Beijing Municipal Environmental Monitoring Centre, Beijing 100048, China
气溶胶是悬浮在大气中的液体或固体颗粒，粒子直径大小约在0.001~100 μm之间.气溶胶显著地影响地球辐射收支平衡(Bréon, 2006;Ramanathan et al., 2001)，且总辐射效应的不确定性较大(IPCC, 2013)，在气候变化机理研究中得到广泛关注(Koren and Feingold, 2011;Ramanathan et al., 2001;Rosenfeld et al., 2014).此外，高浓度气溶胶会对人类的身体健康产生较大的危害(Pope et al., 2002).根据气象学上的定义(中国气象局, 1979)，霾是大量极细微的干尘粒等均匀地浮游在空中，使水平能见度小于10 km的空气普遍混浊现象.随着中国经济的高速发展，人为排放污染物显著增加，重霾污染事件频发，近年来气溶胶光学厚度(Aerosol Optical Depth，AOD)呈现显著升高的趋势(He et al., 2012;Luo et al., 2000)，特别在冬季华北平原等中东部地区污染较为严重(Zhang et al., 2015;Tao et al., 2012).国内一些学者使用HJ-1星上搭载的CCD数据根据深蓝算法对AOD进行反演(王中挺等, 2012)，使用MODIS(The MODerate resolution Imaging Spectroradiometer)数据对中国东部地区1 km高分辨率AOD进行反演(Li et al., 2005)，取得良好反演结果.Li等(2012；2013)针对中国北方冬季重霾天气条件和城市亮地表条件下的AOD反演算法进行研究和改进(Li et al., 2012, 2013).基于卫星遥感获得的整层气溶胶光学厚度，考虑气溶胶的垂直分布和粒子吸湿增长特性建立物理或统计模型可实现近地面颗粒物浓度的卫星遥感监测(Liu et al., 2004;Wang et al., 2010).
卫星遥感具有空间和时间上连续性特点，是目前观测气溶胶的重要手段(Mishchenko et al., 2007).从20世纪60年代的AVHRR(Advanced Very High Resolution Radiometer)开始，到2011年底发射的Suomi-NPP(SuomiNational Polar-orbiting Partnership)上搭载的VIIRS(Visible Infrared Imaging Radiometer Suite)传感器，国内外研究学者通过各种方式和方法对全球的气溶胶分布及其性质进行观测研究(Deuzé et al., 2001;Ignatov and Stowe, 2002;Jackson et al., 2013;Kahn et al., 2005;Kolmonen et al., 2016;Levy et al., 2007;Winker et al., 2009).VIIRS的设计继承于已经成功反演气溶胶特性十多年的MODIS传感器(Levy et al., 2013)，在仪器的性能和波段设置方面做出调整和优化.其AOD反演算法与MODIS暗像元算法相近，但在气溶胶类型、云识别、像元平均方法上存在差异(Liu et al., 2014).因此，反演算法上的不同和仪器本身的差别导致两者反演结果存在一定偏差，特别是对于陆地气溶胶反演.基于AERONET(AErosol RObotic NETwork)的验证结果表明，相比MODIS反演结果，VIIRS的AOD产品存在一定程度的低估和偏差(Liu et al., 2014).
AOD高值的反演一直是研究的难点和重点问题.一方面原因是云/霾混淆问题，部分区域作为云被剔除(Remer et al., 2012)，另一方面是重霾天气条件下气溶胶模型的复杂性和多次散射模拟的不准确所造成反演结果误差(Ichoku et al., 2003).目前NOAA(National Oceanic and Atmospheric Administration)的反演结果在很大部分的重霾区域无法获得有效反演值(可见图 7中NOAA产品图)，多个反演问题制约着其反演结果和产品的应用(Wang et al., 2017).云识别的问题、短暂水体的识别错误和预设AOD反演范围太小是其反演缺失的几个重要原因.同时，气溶胶类型设置的欠缺和类型约束策略的不足造成高值区反演的误差.因此，目前AOD高值反演的首要问题是如何进行有效的反演，其次是在此基础上改进影响反演准确度的气溶胶模型等问题.
有效的观测雾霾天气条件下的AOD分布，不仅对大气污染的日常业务监测有着重要的意义，并且对研究地-气能量交换也至关重要.本文工作主要集中于提升VIIRS气溶胶反演算法在雾霾覆盖区域的反演能力，从而提高AOD产品在中国东部地区的适用性和准确性.在第2部分，对数据进行了简单介绍，并简述了AOD的基本原理方法以及存在的主要问题，并针对这些问题作出算法改进；第3部分，针对本文的反演结果，讨论分析了本文算法在云识别、霾区反演等方面的改进，并采用AERONET数据对AOD反演结果进行验证；在第4部分，对反演算法中的误差做出分析和讨论；最后在第5部分对本研究进行总结.
1 数据和反演方法 1.1 数据介绍 1.1.1 VIIRS数据Suomi-NPP是NOAA极轨环境业务卫星系统、NASA(National Aeronautics and Space Administration)地球观测系统以及下一代联合极轨卫星系统之间沟通的桥梁(Cao et al., 2014).VIIRS是搭载于Suomi-NPP上五个先进仪器中较为重要一个.VIIRS设计的一个重要目的是为延续MODIS的长期观测数据，获得长时间序列的气溶胶气候数据集(Levy et al., 2015)，因此，VIIRS借鉴了MODIS的诸多特点，和MODIS有较为相似的观测能力，VIIRS气溶胶反演所使用的M通道(750 m)继承于MODIS(Cao et al., 2014).
本研究所使用的VIIRS数据下载于NOAA官方的数据发布网站CLASS(http://www.class.ncdc.noaa.gov/saa/products/welcome).NOAA反演的AOD数据读取自EDR(Environment Data Record)文件，空间分辨率为6 km，后文用AODVIIRS表示.本算法使用750 m空间分辨率的SDR(Sensor Data Record)原始波段数据进行反演，反演获得高分辨率(0.75 km)AOD产品，以AODNEW表示以示区别.
1.1.2 验证数据AERONET是全球范围的气溶胶观测网(Holben et al., 1998)，使用Cimel自动太阳光度计对气溶胶进行观测，AOD观测的不确定性为0.01~0.02.数据分为L1、L1.5和L2三个级别的数据，其中L1.5是云检测剔除后的数据，L2数据是在L1.5基础上进行质量控制的数据.本研究着重关注霾覆盖区域的AOD反演，在验证所有观测点的基础上增加AOD高值数据(AOD>0.6)的地基验证.简单考虑以AOD数值作为污染状况的指示标志，并以AOD=1为条件来区分轻度污染和重度污染，使用Level 2.0级别的数据以对数据质量加以控制.
本文采用2013年至2016年中国东部10个站点的观测数据，如图 1所示分别为Beijing(116.381°E, 39.977°N)、Beijing_CAMS(116.317°E，39.933°N)、Beijing_PKU(116.31°E，39.922°N)、Beijing_RADI(116.379°E，40.005°N)、XiangHe(116.962°E，39.754°N)、XuZhou-CUMT(117.142°E，34.217°N)、Hefei(117.162°E，31.905°N)、Taihu(120.215°E，31.421°N)、Hong_Kong_Pol(114.180°E，22.303°N)和Hong_Kong_She(114.117°E，22.483°N)，对应中国京津冀、长江下游和珠三角三个污染较重的城市群.
|
图 1 中国AERONET站点位置分布图 Fig. 1 The location of AEROENT site in China |
本文使用暗像元算法对VIIRS陆地气溶胶光学厚度进行反演.算法假设在地表朗伯体、大气水平均一的条件下，仪器观测得到的表观反射率可写成(Vermote et al., 1997)
|
(1) |
式中，θs，θv，ϕs，ϕv分别太阳天顶角、观测天顶角、太阳方位角和观测方位角；Tg(θs, θv)为气体的透过率，T↓(θs)和T↑(θv)分别为下行和上行透过率；ρTOA(θs, θv, ϕs-ϕv)为卫星观测的表观反射率；ρR+A为总大气程辐射等效反射率；ρs为地表反射率；S为大气半球反射率.此方程欠定，包含ρs、AOD、气溶胶类型三个变量，需要加入其他信息对方程进行求解.Kaufman等人通过飞行试验发现，在浓密植被地区可见光和近红外波段的地表反射率有较为稳定的关系(Kaufman et al., 1997a, 1997b)，故可通过此经验关系的引入求解AOD.
1.2.2 算法存在的问题由于云识别、气溶胶类型和地表噪声去除是气溶胶遥感观测中最为重要的三个科学问题(陈良富等, 2011)，因此本研究将从这几个方面出发对算法进行改进和优化.首先是云识别的问题.云识别是气溶胶反演的基础，对于AOD产品的影响最大，是首要关注问题.VIIRS反演气溶胶时使用的云识别结果是基于VCM(VIIRS Cloud Mask)产品(Jackson et al., 2013)，其算法和目的类似于MODIS的MxD35产品，其设计的目的是掩除不适合于地表产品反演的像元(云和重气溶胶)，同时识别适合云参数反演的像元(Frey et al., 2008).然而，采用该方法进行云识别存在一定不足，不适用AOD反演(Remer et al., 2012)，可造成反演算法在部分重霾区域没有结果.其次是针对气溶胶类型选择，不同气溶胶类型的光学性质差异较大，准确获取气溶胶类型是反演的关键.研究表明沙尘气溶胶的比例较大，不符合实际大气条件，因此需对气溶胶类型选择进行优化.由于卫星观测得到的是大气和地表耦合的信息，地表贡献的去除至关重要，因此另一个重要影响方面为像元的筛选.暗像元算法基于可见光和近红外通道的反射率关系，针对植被和低反射土壤像元，因此合适像元的筛选是反演的前提.原算法的短暂水体识别方法在重霾覆盖的区域可能产生误识别，减少了反演数据量.最后，在NOAA的反演算法内，查找表中设置AOD取值范围过小，也是导致重霾区域受限的原因之一.
1.3 算法的改进 1.3.1 云识别算法不同参数的卫星反演所需要的云识别方法严格程度不尽相同，兼顾所有反演目的的统一云识别方法难以成功(Remer et al., 2012).例如地表参数反演的云识别需要剔除云、霾和雾等一切严重干扰大气校正过程的像元，而云参数的反演则仅选取完全确信为云的像元.然而，目前AODVIIRS使用的云识别方法(Hutchison et al., 2005)的针对性不强，对于气溶胶反演并不适用.因此本文基于可见光通道的反射率及其空间变化信息，建立了一个适用于气溶胶反演的快速独立云识别模块.
MODIS暗像元算法和深蓝算法的云识别使用波段反射率和反射率空间变化率(Martins et al., 2002)，将水汽数据作为辅助进行云识别(Hsu et al., 2013).在此算法基础之上，结合VIIRS云产品识别方法根据VIIRS载荷的特点对阈值做出调整.此外，针对云边缘混合像元及临近效应造成的识别误差问题，算法中采用区域扩展的方法有效剔除不合适的像元，具体的实现流程如图 2所示.
|
图 2 云识别流程图 Fig. 2 Cloud mask flow chart |
算法中主要使用M1、M3、M9三个波段的反射率和空间变化率进行识别，为消除云边缘的影响，将识别出的云像元扩展到周围5×5个像元.其中M1和M3波段根据云的高反射和不均一性，用表观反射率和3×3像元反射率标准差的阈值对云进行剔除.M9波段处于水汽的强吸收波段，利用该波段反射率可剔除高云部分，将TPW(可降水总量)作为辅助数据，针对不同水汽条件进行云识别，改进后的云识别结果定义为NCW(New Cloud Mask)，区别于NOAA原有的算法VCM.
1.3.2 气溶胶模型的选择VIIRS算法中使用5种气溶胶类型，分别为沙尘型、低吸收煤烟型、高吸收煤烟型、低吸收清洁城市型和高吸收污染城市型.通过比较计算的表观反射率与卫星观测的表观反射率的残差大小，确定气溶胶类型以及气溶胶类型对应的AOD.因此，气溶胶类型选择差异可造成较大的反演误差，例如将细粒子主导的城市型作为粗粒子的沙尘型气溶胶进行反演，误差可超过100%，为减小因气溶胶类型选择导致误差，本研究考虑使用波段数据对气溶胶类型做出预识别，以约束算法的气溶胶类型选择过程.
由于云在M5和M11波段都有高的反射率而气溶胶在M11波段的反射率较低(Kaufman et al., 2002)，在本文中使用以下阈值对重霾进行识别(Hutchison et al., 2008)：
|
(2) |
根据地基观测的结果，霾像元计算过程中限定其气溶胶类型在低吸收煤烟型、高吸收煤烟型和高吸收污染城市型三种中选取.
沙尘气溶胶指数(Dust Aerosol Index，DAI)类似于气溶胶指数(Aerosol Index，AI)的定义，计算公式为
|
(3) |
其中，Ref为观测得到的表观反射率，Ref′为6S模拟得到的瑞利散射反射率.研究表明DAI为10的阈值可以较好的识别沙尘像元(Ciren and Kondragunta, 2014)，此时选择相应的沙尘气溶胶类型.当存在气溶胶混合类型时，应逐一进行识别，对于非霾非沙尘情况下，应考虑其他情况下气溶胶类型.总体而言，本文算法分三种不同的情况对气溶胶类型做出约束：
(1) 霾覆盖像元：选用低吸收煤烟型、高吸收煤烟型、和高吸收污染城市型3种类型；
(2) 沙尘覆盖像元：选用所有5种气溶胶类型；
(3) 其他情况：排除沙尘气溶胶类型，仅选用低吸收煤烟型、高吸收煤烟型、低吸收清洁城市型和高吸收污染城市型4种气溶胶类型.
1.3.3 短暂水体的识别像元筛选是为了剔除不符合暗像元算法假设的地表，其中短暂水体的识别是为了剔除内陆临时水域.植被指数对植被长势、生物量等方面有很好的指示作用，同时也可用于简单区分地物类型.原算法中使用的是未经过大气校正的表观反射率来识别短暂水体，当AOD较大时，地物光谱受到大气的剧烈影响而无法准确反映地物信息.如图 4b中所示，在重霾覆盖的区域范围内，大量像元被识别为短暂水体.
NOAA识别短暂水体所使用的归一化植被指数(NDVI)，具体计算公式如(4)所示，阈值为0.1：
|
(4) |
公式(4)中，RefM7、RefM5分别表示M7(0.862 μm)和M5(0.672 μm)波段的表观反射率.
本文使用6SV辐射传输模型对NDVI进行模拟，结果如图 3所示.分别假设三种地表类型：土壤(RefM5=0.15, RefM7=0.18)、植被(RefM5=0.1, RefM7=0.4)和水体(RefM5=0.021, RefM7=0.02)，气溶胶类型选用污染城市型进行模拟.植被的NDVI较大(绿色)，土壤较小接近于0(黄色)，而云、冰雪和水体的NDVI小于0(蓝色).NOAA算法的识别阈值为0.1，当受到高浓度气溶胶影响后，土壤的表观NDVI将减小到十分接近于0，可能将土壤识别为水体.因此，考虑到重污染的条件，原识别阈值过于严格，故在保证地物区分的条件下将阈值适当放宽到0.
|
图 3 不同地物类型表观归一化植被指数随AOD变化的模拟 考虑土壤(soid，黄色)、植被(veg，绿色)和水体(water，蓝色)三种地物类型.使用两个观测角度模拟，ang1为卫星天顶角和太阳天顶角为30°，相对方位角为60°；ang2为卫星天顶角和太阳天顶角为15°，相对方位角为120°. Fig. 3 Top of atmosphere NDVI simulation of different surficial features Include soli (yellow lines), vegetation (green lines) and water (blue lines) three kinds of surficial features. This simulation used two observation angle: Ang1 represented satellite zenith is 30°, solar zenith is 30°, and relative azimuth is 60°; and ang2 represented satellite zenith is 15°, solar zenith is 15°, and relative azimuth is 120°. |
为减小数据计算量，首先建立查找表，表中包括采用辐射传输模拟的大气参数.本文针对5个通道(M1, M2, M3, M5, M11)，5种气溶胶类型，20个气溶胶光学厚度(-0.05，0.01，0.05，0.1，0.2，0.3，0.4，0.5，0.6，0.8，1，1.2，1.4，1.7，2，2.5，3，3.5，4，4.5，5)，9个太阳高度角(0~80°，间隔为10°)，9个卫星高度角(0~80°，间隔为10°)和10个相对方位角(0~180°，间隔为20°)，借助矢量版辐射传输模型6SV(Vermote et al., 1997)对辐射传输过程进行模拟，获得大气层辐射反射率(ρR+A)、大气透过率(T↓(θs)T↑(θv))、大气半球反射率(S)的查找表.如图 4c所示，超出AOD的可反演范围是目前反演结果缺失的部分原因.查找表的扩充可在一定程度上解决此问题，我们将AOD的可反演范围从原本的0~2扩大到-0.05~5.负的气溶胶光学厚度是为了考虑在极端洁净的大气条件下(AOD=0)算法存在反演误差，无法区分-0.05~0.05的差异.因此AOD的负值虽不具有物理意义，但可获得有效的数学计算结果，且对于长时间大范围的数据统计有重要意义.
|
图 4 2014年3月10日VIIRS真彩图(a)短暂水体(b)和超出反演范围识别图(c).短暂水体和超出反演范围区域标记为红色 Fig. 4 The NOAA algorithmtrue color image (a), ephemeral water detected area (b) and exceeded AOD retrieved range area (c) in 10th Marth, 2014. The ephemeral water and exceeded retrieved range area singed as red color |
云识别算法的改进主要针对原算法在霾覆盖区域的误识别，以提高算法在重气溶胶条件下的有效反应量.图 5是云识别算法改进前后的对比图，从2014年10月4日的对比图可以看出，中国华北地区为重霾覆盖，在河南河北地区较为严重，云覆盖较少，通过改进云识别方法提高AOD反应覆盖区(蓝色圈表示区).同样的问题在图 2013年12月23日的对比图中更为明显.陕西北部、河南南部和山东大部分区域都同时存在，极大地限制了AOD产品的应用.
|
图 5 2014年10月4日(上)和2013年12月23日(下)云识别效果对比图 Fig. 5 Cloud mask image in 4th April 2014 (upper row) and 23rd December 2013 (bottom row) |
原云识别算法虽然在雾霾区域存在一定的缺陷，但是验证结果表明对于晴空情况有较好的表现(Vermote et al., 2014).本研究的云识别算法希望在优化云/霾区分的基础上保证正常条件下的云识别效果.因此将洁净大气条件下NCM与VCM进行对比以检验改进云识别算法的准确性.
云识别的结果采用布尔型的判断：1(云)，0(非云).NOAA识别结果从AOD-IP产品(IVAOT)中调用.表 1分别统计了本文提出的识别算法与NOAA的识别结果为0和1的像元个数，a、b、c、d各个含义如表 1中所示.同时，引入4个评价指标以客观地分析本文提出的识别算法的可靠性(Stanski et al., 1989)：
|
表 1 VCM和NCM云识别结果列联表 Table 1 Contingency table of VCM and NCM |
(1) 偏差率(bias)：(a+b)/(a+c)，表征两个算法识别出云像元的频度差异；
(2) 识别率(hit rate)：a/(a+c)，表征NCM识别出的云在VCM识别出的云中的占比；
(3) 准确率(accuracy)：(a+d)/n，表征NCM正确识别(包括云和晴空)在所有像元的占例；
(4) 误识别率(false rate)：b/(b+d)，表征NCM的错误识别占所有VCM非云像元的比例.
本研究共挑选了4天洁净大气的识别结果进行对比，分别是2014年1月21日，2014年3月10日，2014年9月4日和2014年12月24日，统计结果见表 2.总体来说，本文改进后的快速独立的云识别结果(NCM)与VCM保持相似的识别结果，偏差率为1.007，识别率为0.934，准确率为0.929，误识别率为0.042，接近于1的偏差率表明识别为云的区域面积基本等同.同时NCM可识别出VCM中判别为云的像元中的93.4%，且准确率也达到92.9%.在保证以上识别正确的前提下，误识别率仅有7.8%，且在7.8%中很大部分是由于云边缘更加严格的判定所造成的差异.可见在洁净大气条件下，两个云识别算法的结果较为相近.改进后的结果不仅优化了其在污染条件下的使用，同时保证了其在洁净条件下的表现.
|
|
表 2 无雾霾日日期云识别结果统计表 Table 2 Cloud mask statistic results in clear days |
通过对1.3部分所述几个方面的改进，有效提高AOD高值区域反演结果.图 6展示了中国华北平原在重霾条件下AOD反演结果分布图，时间为2013年10月4日，2014年1月13日和2014年3月10日.其中河北南部、天津、河南北部，华北平原，河北南部和山东沿海等区域，NOAA反演结果因重霾的影响造成反演缺失的问题.图 8中红圈框出NOAA反演缺失的主要区域，对比相应的真彩图可见缺失主要发生于重霾区域.改进后的AOD产品在这些区域表现良好，反演出了合理的高值分布，填补了NOAA结果在这些区域的缺失(图 8).
|
图 6 中国华北地区AOD反演结果对比图 Fig. 6 AOD products image in the North China Plain |
|
图 7 2016年AOD验证结果(a)改进后的结果; (b) NOAA结果. Fig. 7 Validation of AODNEW (a) and AODVIIRS (b) in 2016 |
|
图 8 不同污染条件下的(a, b)AODVIIRS验证结果和(c, d)AODNEW验证结果 Fig. 8 (a, b) Validation of NOAA algorithm AOD and (c, d) our algorithm AOD in different polluted condition |
2013—2014年期间VIIRS卫星反演结果与地基观测数据的个数统计结果如表 3所示，分别比对了轻度污染(0.6 <AODAERONET < 1)和较重污染(1 <AODAERONET)情况下两种反演算法的有效反演个数.轻度污染大气条件下，华北地区，AODNEW反演量略大于AODVIIRS，在中国南部地区反演个数基本相同，较重污染的条件，反演结果明显较好，北方地区的数据量提高更为显著，而中国南方高AOD情况较少，代表性不强.AODVIIRS一共反演出96个样本点中的31个，反演率为32.3%；改进后反演出其中的66个，反演率提升为68.8%.本算法提高了AOD反演的数据量，特别对于NOAA算法较难反演的重污染条件下的提升更为显著.
|
|
表 3 不同算法反演数据量统计结果 Table 3 Available data number statistic for NOAA and new algorithm |
为验证数据采用2016年3月至12月的所有10个AERONET站点数据，对比改进后的AOD结果和NOAA产品，验证结果的散点图如图 7所示.
目前，全球范围内NOAA气溶胶产品的验证工作表明(Huang et al., 2016;Liu et al., 2014)，AODVIIRS相比与AERONET观测真值有一定的偏低，回归方程系数为~0.73，相关系数R=0.817.如图 7右图所示，NOAA产品在中国东部地区的验证结果显示相似的结论，回归方程系数为0.69，R=0.871.而相比于AODVIIRS，本文通过各方面的改进，提高了AOD的反演精度.回归分析得到斜率接近于1，截距趋近于0的线性拟合方程(见图 7左图).同时相关系数为0.894，略高于NOAA产品，RMSE明显降低，反演偏差更小.
2.3.2 AOD高值验证为了验证污染条件下的反演能力，分别对北京、太湖和香港三个地区的结果进行回归分析，结果如表 4所示(北京包括Beijing和Beijing-CAMS两个站点；香港包括Hong_Kong_Pol和Hong_Kong_She两个站点).统计分析表明，本文算法结果的相关系数(r=0.76)明显高于AODVIIRS结果(r=0.608)，斜率更加接近于1，而香港地区两个算法的反演结果都不佳，主要是由于香港临海，平均结果的代表性不好.在AODAERONET>1的结果中，AODNEW的RMSE大于AODVIIRS，观测偏差较大，但其相关系数略高.
|
|
表 4 不同区域的反演精度验证对比结果 Table 4 Validation result comparison in different areas |
图 8为匹配卫星反演结果与地基AERONET观测数据的散点图.AODNEW的散点数量明显多于AODVIIRS，与地基的观测结果对比有更好的线性相关.但是对于AODAERONET>1条件下，反演误差放大.因此，无论NOAA产品还是本文结果，都有部分散点落在期望误差区间(±0.05±0.15τ)之外.
虽然对于较重污染情况下的反演量和反演精度有一定提升，但依然存在有不少偏离预期误差区间的低估，见图 8d.我们将这些结果分为冬夏半年统计(以4月15日和10月15日分界)，如图 9所示，左图为冬半年，右图为夏半年.由统计结果可见多数低估的数据点存在于冬半年，反演结果有系统性的偏低，而夏半年的数据点大多落于估计误差范围内.
|
图 9 分季节AERONET验证结果，左图为冬半年(a)，右图为夏半年(b) Fig. 9 Validation result of our AOD products in (a) winter half year and (b) summer half year |
相比于VCM，本文的云识别方法能较好的解决其他云识别方法云/霾混淆的问题，这也正是MODIS气溶胶算法在5版本之后使用空间变化监测方法的重要原因之一(Levy et al., 2007).由于该方法基于不同地物类型反射率空间变化率的差异，因此可能将明显的地物交界处识别为云.同时，基于绝对反射率的识别条件同时会将高反射的冰雪剔除.但对于气溶胶反演而言，冰雪同样是需要剔除的部分，因此该部分的误识别对最终AOD产品的影响不大.以上两方面造成少量的非云像元被识别为云，这是造成7.8%误识别率的部分原因.本文在云边缘较为严格的检测无疑会牺牲一些气溶胶产品结果的反演量，但是能确保在云边缘区域的AOD反演值没有因为云的3-D辐射相应而产生虚假的高值，一些研究结果表明这种影响可使AOD偏高10%~25%(Chand et al., 2012;Su et al., 2008).
3.2 反演数据量分析对于AOD的反演数据量，虽然改进算法后的有效反演率为70%左右，但仍有近30%的高值没有反演出来.可能是由以下几个原因造成：(1)地基AERONET观测在近一个小时内平均有值，不保证卫星过境时刻没有云；(2)缺少反演的区域主要在北京，而且主要集中在秋冬两个季节，这是由于秋冬季节中国北方地表植被稀疏，与地表反射率关系假设的不符合，以致造成反演缺失.
3.3 其他误差地表反射率关系对于暗像元算法至关重要，使用随季节和地物类型动态拟合的地表反射率关系能显著提高反演结果.但限制于中国AERONET站点稀少和卫星运行时间较短，目前的样本量不足以构建该动态关系.因此本算法沿用NOAA算法中的固定比例关系，在一定程度上影响了AOD的反演精度.对比AODAERONET>1的统计数据(见图 8(b、d))，AODNEW的RMSE大于AODVIIRS，且AODNEW部分点存在一定的低估.图 9分冬夏半年的统计结果表明，上述问题的偏差主要来自于冬半年，夏半年的散点基本均匀落于1:1线两侧.其中AODAERONET>1的数据点绝大多数在北京站，因此可推测该误差主要是由于中国北方地区冬季地表植被稀疏造成地表反射率经验关系不相符造成的.动态改进地表反射率关系能有效地解决这个问题，是算法下一步重点的优化方向.
本文虽然对气溶胶类型的选取做出了约束，但目前所使用的5种气溶胶类型还不足以涵盖所有的大气气溶胶状况，特别对于中国区域复杂的大气污染形势.图 10是对AOD反演过程的模拟，各色曲线为不同AOD条件下计算得到的地表反射率壁纸，这些曲线与经验比值(0.645的水平虚线)的交点所对应的AOD为反演结果.如图可见在相同条件下不同气溶胶类型反演获得的AOD值在1~2的区间内变化.因此准确的先验气溶胶类型信息对反演影响重大.对中国地区复合型大气污染条件下气溶胶性质的假设误差可能造成反演精度的下降.针对中国污染大气条件扩充气溶胶类型是进一步提高反演精度的必要改进，需要依据地基观测结果构建更加符合实际大气条件的气溶胶类型.
|
图 10 气溶胶类型对反演结果的影响，曲线和0.645的虚线的交点即为反演得到的AOD值 Fig. 10 The influence of aerosol model for AOD retrieval, the intersections of curve and dash line are retrieved AOD values |
本文重新构建了用于AOD反演的云识别算法，实现云、霾、晴空的识别，优化AOO反演算法以适用于中国污染大气条件，并进行了地基观测数据验证.获得以下几点结论：
(1) 本文构建一套可区分晴空、霾、云的识别方法，减少了云和霾之间的混淆，优化了云边缘的识别，使云识别结果更加适合气溶胶的反演.结果表明，本文的云识别算法实现了云和霾的快速有效识别.
(2) 通过对霾识别、短暂水体剔除和AOD反演范围这三个方面的改进，提高了算法在霾覆盖区域的反演能力，在霾区成功反演出合理的高值分布，填补了AODVIIRS结果在该区域的反演缺失，对于较重的污染情况(AOD>1)，反演率的提升更为显著，从32.3%提升为68.8%.
(3) 基于2016年所有AOD值的验证结果表明，改进后的算法提高了反演精度，克服了目前NOAA结果偏低的缺陷，其回归分析结果明显优于现有的产品.
(4) 污染条件下的验证结果表明，本文结果的相关系数高于NOAA结果，达到0.76，总体的均方根误差略小，仅在AODAERONET>1时均方根误差较大，本算法结果在提高污染条件下反演率的同时保证了一定的反演精度.
在将来3~5年内MODIS停止服役后，VIIRS成为全球范围内观测气溶胶的主要载荷，而目前VIIRS产品在AOD高值的重污染区域难以得到有效的反演结果，气溶胶产品存在局限性.本文通过调整云识别方法，实现了云的快速、独立识别，并在部分云覆盖区域提高了云识别的精度.通过扩宽AOD范围和调整像元筛选阈值，在重霾情况下获得覆盖更广AOD反演产品.同时，根据像元类型的预识别结果约束气溶胶类型选择优化了反演的准确度.该算法的使用填补了目前AODVIIRS产品在重霾区域反演上的不足，可为我国重污染天气条件下的大气质量监测提供关键信息.
致谢 本文使用了NASA/GSFC GES DAAC(Goddard Space Flight Center Earth Sciences Distributed Active Archive Center)发布的MODIS资料，NOAA CLASS(The Comprehensive Large Array-data Stewardship System)发布的VIIRS资料，NASA/PHOTONS AERONET公布的AOD数据，在此一并致谢.
Bréon F M. 2006. How do aerosols affect cloudiness and climate?. Science, 313(5787): 623-624. DOI:10.1126/science.1131668 |
Cao C Y, De Luccia F J, Xiong X X, et al. 2014. Early on-orbit performance of the visible infrared imaging radiometer suite onboard the suomi national polar-orbiting partnership (S-NPP) satellite. IEEE Transactions on Geoscience and Remote Sensing, 52(2): 1142-1156. DOI:10.1109/tgrs.2013.2247768 |
Chand D, Wood R, Ghan S J, et al. 2012. Aerosol optical depth increase in partly cloudy conditions. Journal of Geophysical Research: Atmospheres, 117: 8. DOI:10.1029/2012jd017894 |
Chen L F, Li S S, Tao J H, et al. 2011. Aerosol Remote Sensing Quantitative Inversion Research and Application. Beijing: Science Press.
|
China Meteorological Administration. 1979. Specifications for Surface Meteorological Observations. Beijing: Meteorological Press.
|
Ciren P, Kondragunta S. 2014. Dust aerosol index (DAI) algorithm for MODIS. Journal of Geophysical Research: Atmospheres, 119(8): 4770-4792. DOI:10.1002/2013jd020855 |
Deuzé J L, BréOn F M, Devaux C, et al. 2001. Remote sensing of aerosols over land surfaces from POLDER-ADEOS-1 polarized measurements. Journal of Geophysical Research: Atmospheres, 106(D5): 4913-4926. DOI:10.1029/2000jd900364 |
Frey R A, Ackerman S A, Liu Y H, et al. 2008. Cloud detection with MODIS. Part Ⅰ: Improvements in the MODIS cloud mask for collection 5. Journal of Atmospheric and Oceanic Technology, 25(7): 1057-1072. DOI:10.1175/2008jtecha1052.1 |
He Q S, Li C C, Geng F H, et al. 2012. Study on long-term aerosol distribution over the land of east china using MODIS data. Aerosol and Air Quality Research, 12(3): 304-319. DOI:10.4209/aaqr.2011.11.0200 |
Holben B N, Eck T F, Slutsker I, et al. 1998. AERONET—A federated instrument network and data archive for aerosol characterization. Remote Sensing of Environment, 66(1): 1-16. DOI:10.1016/s0034-4257(98)00031-5 |
Hsu N C, Jeong M J, Bettenhausen C, et al. 2013. Enhanced Deep Blue aerosol retrieval algorithm: The second generation. Journal of Geophysical Research: Atmospheres, 118(16): 9296-9315. DOI:10.1002/jgrd.50712 |
Huang J F, Kondragunta S, Laszlo I, et al. 2016. Validation and expected error estimation of Suomi-NPP VIIRS aerosol optical thickness and Angstrom exponent with AERONET. Journal of Geophysical Research: Atmospheres, 121(12): 7139-7160. DOI:10.1002/2016jd024834 |
Hutchison K D, Iisager B D, Kopp T J, et al. 2008. Distinguishing aerosols from clouds in global, multispectral satellite data with automated cloud classification algorithms. Journal of Atmospheric and Oceanic Technology, 25(4): 501-518. DOI:10.1175/2007jtecha1004.1 |
Hutchison K D, Roskovensky J K, Jackson J M, et al. 2005. Automated cloud detection and classification of data collected by the visible infrared imager radiometer suite (VIIRS). International Journal of Remote Sensing, 26(21): 4681-4706. DOI:10.1080/01431160500196786 |
Ichoku C, Remer L A, Kaufman Y J, et al. 2003. MODIS observation of aerosols and estimation of aerosol radiative forcing over southern Africa during SAFARI 2000. Journal of Geophysical Research: Atmospheres, 108(D13): 8499. DOI:10.1029/2002jd002366 |
Ignatov A, Stowe L. 2002. Aerosol retrievals from individual AVHRR channels. Part Ⅰ: Retrieval algorithm and transition from Dave to 6S radiative transfer model. Journal of the Atmospheric Sciences, 59(3): 313-334. DOI:10.1175/1520-0469(2002)059<0313:arfiac>2.0.co;2 |
IPCC. 2013. Climate Change 2013: The Physical Science Basis. Contribution of Working Group I to the Fifth Assessment Report of the Intergovernmental Panel on Climate Change. New York: Cambridge University Press.
|
Jackson J M, Liu H Q, Laszlo I, et al. 2013. Suomi-NPP VIIRS aerosol algorithms and data products. Journal of Geophysical Research: Atmospheres, 118(22): 12673-12689. DOI:10.1002/2013jd020449 |
Kahn R A, Gaitley B J, Martonchik J V, et al. 2005. Multiangle Imaging Spectroradiometer (MISR) global aerosol optical depth validation based on 2 years of coincident Aerosol Robotic Network (AERONET) observations. Journal of Geophysical Research: Atmospheres, 110(D10): D10S04. DOI:10.1029/2004jd004706 |
Kaufman Y J, Tanré D, Boucher O. 2002. A satellite view of aerosols in the climate system. Nature, 419(6903): 215-223. DOI:10.1038/nature01091 |
Kaufman Y J, Tanré D, Remer L A, et al. 1997a. Operational remote sensing of tropospheric aerosol over land from EOS moderate resolution imaging spectroradiometer. Journal of Geophysical Research: Atmospheres, 102(D14): 17051-17067. DOI:10.1029/96jd03988 |
Kaufman Y J, Wald A E, Remer L A, et al. 1997b. The MODIS 2.1 μm channel-Correlation with visible reflectance for use in remote sensing of aerosol. IEEE Transactions on Geoscience and Remote Sensing, 35(5): 1286-1298. DOI:10.1109/36.628795 |
Kolmonen P, Sogacheva L, Virtanen T H, et al. 2016. The ADV/ASV AATSR aerosol retrieval algorithm: current status and presentation of a full-mission AOD dataset. International Journal of Digital Earth, 9(6): 545-561. DOI:10.1080/17538947.2015.1111450 |
Koren I, Feingold G. 2011. Aerosol-cloud-precipitation system as a predator-prey problem. Proceedings of the National Academy of Sciences of the United States of America, 108(30): 12227-12232. DOI:10.1073/pnas.1101777108 |
Levy R C, Mattoo S, Munchak L A, et al. 2013. The Collection 6 MODIS aerosol products over land and ocean. Atmospheric Measurement Techniques, 6(11): 2989-3034. DOI:10.5194/amt-6-2989-2013 |
Levy R C, Munchak L A, Mattoo S, et al. 2015. Towards a long-term global aerosol optical depth record: applying a consistent aerosol retrieval algorithm to MODIS and VIIRS-observed reflectance. Atmospheric Measurement Techniques, 8(10): 4083-4110. DOI:10.5194/amt-8-4083-2015 |
Levy R C, Remer L A, Mattoo S, et al. 2007. Second-generation operational algorithm: Retrieval of aerosol properties over land from inversion of moderate resolution imaging spectroradiometer spectral reflectance. Journal of Geophysical Research: Atmospheres, 112(D13): D13211. DOI:10.1029/2006jd007811 |
Li C C, Lau A K H, Mao J T, et al. 2005. Retrieval, validation, and application of the 1-km aerosol optical depth from MODIS measurements over Hong Kong. IEEE Transactions on Geoscience and Remote Sensing, 43(11): 2650-2658. DOI:10.1109/tgrs.2005.856627 |
Li S S, Chen L F, Tao J H, et al. 2012. Retrieval of aerosol optical depth over bright targets in the urban areas of North China during winter. Science China Earth Sciences, 55(9): 1545-1553. DOI:10.1007/s11430-012-4432-1 |
Li S S, Chen L F, Xiong X Z, et al. 2013. Retrieval of the haze optical thickness in North China plain using MODIS data. IEEE Transactions on Geoscience and Remote Sensing, 51(5): 2528-2540. DOI:10.1109/tgrs.2012.2214038 |
Liu H Q, Remer L A, Huang J F, et al. 2014. Preliminary evaluation of S-NPP VIIRS aerosol optical thickness. Journal of Geophysical Research: Atmospheres, 119(7): 3942-3962. DOI:10.1002/2013jd020360 |
Liu Y, Park R J, Jacob D J, et al. 2004. Mapping annual mean ground-level PM2.5 concentrations using Multiangle Imaging Spectroradiometer aerosol optical thickness over the contiguous United States.. Journal of Geophysical Research: Atmospheres, 109(D22). DOI:10.1029/2004jd005025 |
Luo Y F, Lü D R, He Q, et al. 2000. Characteristics of atmospheric aerosol optical depth variation over China in recent 30 years. Chinese Science Bulletin, 45(14): 1328-1334. DOI:10.1007/BF03182914 |
Martins J V, Tanré D, Remer L, et al. 2002. MODIS Cloud screening for remote sensing of aerosols over oceans using spatial variability. Geophysical Research Letters, 29(12): 8009. DOI:10.1029/2001gl013252 |
Mishchenko M I, Geogdzhayev I V, Cairns B, et al. 2007. Past, present, and future of global aerosol climatologies derived from satellite observations: A perspective. Journal of Quantitative Spectroscopy and Radiative Transfer, 106(1-3): 325-347. DOI:10.1016/j.jqsrt.2007.01.007 |
Pope Ⅲ C A, Burnett R T, Thun M J, et al. 2002. Lung cancer, cardiopulmonary mortality, and long-term exposure to fine particulate air pollution. JAMA, 287(9): 1132-1141. DOI:10.1001/jama.287.9.1132 |
Ramanathan V, Crutzen P J, Kiehl J T, et al. 2001. Aerosols, climate, and the hydrological cycle. Science, 294(5549): 2119-2124. DOI:10.1126/science.1064034 |
Remer L A, Mattoo S, Levy R C, et al. 2012. Retrieving aerosol in a cloudy environment: aerosol product availability as a function of spatial resolution. Atmospheric Measurement Techniques, 5(7): 1823-1840. DOI:10.5194/amt-5-1823-2012 |
Rosenfeld D, Sherwood S, Wood R, et al. 2014. Climate effects of aerosol-cloud interactions. Science, 343(6169): 379-380. DOI:10.1126/science.1247490 |
Stanski H R, Wilson L J, Burrows W R. 1989. Survey of common verification methods in meteorology. WMO World Weather Watch Technical Report. WMO/TD NO.358.
|
Su W Y, Schuster G L, Loeb N G, et al. 2008. Aerosol and cloud interaction observed from high spectral resolution lidar data. Journal of Geophysical Research: Atmospheres, 113: D24. DOI:10.1029/2008jd010588 |
Tao M H, Chen L F, Su L, et al. 2012. Satellite observation of regional haze pollution over the North China Plain. Journal of Geophysical Research-Atmospheres, v. 117(D12). DOI:10.1029/2012jd017915 |
Vermote E F, Tanre D, Deuze J L, et al. 1997. Second simulation of the satellite signal in the solar spectrum, 6S: An overview. IEEE Transactions on Geoscience and Remote Sensing, 35(3): 675-686. DOI:10.1109/36.581987 |
Vermote E, Justice C, Csiszar I. 2014. Early evaluation of the VIIRS calibration, cloud mask and surface reflectance Earth data records. Remote Sensing of Environment, 148: 134-145. DOI:10.1016/j.rse.2014.03.028 |
Wang Y, Chen L F, Li S S, et al. 2017. Interference of heavy aerosol loading on the VIIRS Aerosol Optical Depth (AOD) retrieval algorithm. Remote Sensing, 9(4): 397. DOI:10.3390/rs9040397 |
Wang Z F, Chen L F, Tao J H, et al. 2010. Satellite-based estimation of regional particulate matter (PM) in Beijing using vertical-and-RH correcting method. Remote Sensing of Environment, 114(1): 50-63. DOI:10.1016/j.rse.2009.08.009 |
Wang Z T, Li Q, Wang Q, et al. 2012. HJ-1 terrestrial aerosol data retrieval using deep blue algorithm. Journal of Remote Sensing, 16(3): 596-610. DOI:10.11834/jrs.20121148 |
Winker D M, Vaughan M A, Omar A, et al. 2009. Overview of the CALIPSO mission and CALIOP data processing algorithms. Journal of Atmospheric and Oceanic Technology, 26(11): 2310-2323. DOI:10.1175/2009jtecha1281.1 |
Zhang X, Wang L, Wang W, et al. 2015. Long-term trend and spatiotemporal variations of haze over China by satellite observations from 1979 to 2013. Atmospheric Environment, v. 119: p. 362-373. DOI:10.1016/j.atmosenv.2015.08.053 |
陈良富, 李莘莘, 陶金花, 等. 2011. 气溶胶遥感定量反演研究与应用. 北京: 科学出版社.
|
王中挺, 厉青, 王桥, 等. 2012. 利用深蓝算法从HJ-1数据反演陆地气溶胶. 遥感学报, 16(3): 596-610. DOI:10.11834/jrs.20121148 |
中国气象局. 1979. 地面气象观测规范. 北京: 气象出版社.
|