中国气象学会主办。
文章信息
- 唐维尧, 鲍艳松, 张兴赢, 刘辉, 朱柳桦. 2018.
- TANG Weiyao, BAO Yansong, ZHANG Xingying, LIU Hui, ZHU Liuhua. 2018.
- FY-3A/MERSI、MODIS C5.1和C6气溶胶光学厚度产品在中国区域与地面观测站点的对比分析
- Comparison of FY-3A/MERSI, MODIS C5.1, C6 and AERONET aerosol optical depth in China
- 气象学报, 76(3): 449-460.
- Acta Meteorologica Sinica, 76(3): 449-460.
- http://dx.doi.org/10.11676/qxxb2017.096
-
文章历史
- 2017-08-01 收稿
- 2017-11-03 改回
2. 南京信息工程大学大气物理学院, 南京, 210044;
3. 国家卫星气象中心, 北京, 100081;
4. 中国气象局中国遥感卫星辐射测量和定标重点开放实验室, 北京, 100081
2. School of Atmospheric Physics, Nanjing University of Information Science & Technology, Nanjing 210044, China;
3. National Satellite Meteorological Centre, Beijing 100081, China;
4. Key Laboratory of Radiometric Calibration and Validation for Environmental Satellites, Beijing 100081, China
气溶胶是由固体或液体小质点分散并悬浮在气体介质中形成的胶体分散体系,又称气体分散体系。其分散相为固体或液体小质点,大小为1—100 nm,分散介质为气体。自然和人为的空气污染源的影响近年来越来越受到科学界的关注。事实上,对流层气溶胶不仅通过与太阳和陆地辐射相互作用影响辐射能平衡,而且还可以改变云的性质和寿命。政府间气候变化专门委员会(IPCC)估计,由人造气溶胶引起的全球平均直接辐射强迫为-0.35[-0.85—0.15] W/m2(IPCC, 2013),其幅度较小,与温室气体的强迫相反。这些结果表明,在过去几十年中,气溶胶冷却效应可以部分抵消由温室效应造成的全球变暖(Bauer, et al, 2012)。可见准确获取气溶胶光学厚度资料对于气候变化研究和大气环境监测具有重要意义。
气溶胶光学厚度(AOD)定义为介质的消光系数在垂直方向上的积分,是气溶胶对光的衰减特征的描述,其观测手段通常有地面观测和卫星观测。地面观测的特点是时间、波长分辨率高,反演方法简单且准确。太阳光度计是地面AOD观测的主要仪器,通过利用地面测得的太阳直射辐射量与大气层外辐射量的关系,反演观测站点的AOD(王跃思等, 2006)。美国宇航局(NASA)利用CIMEL自动太阳光度计作为基本观测仪器,在全球建设500多个站点,组成气溶胶自动观测站网(AErosol RObotic NETwork, AERONET),大部分站点能够逐日采集数据,并统一传送至网络集中处理,与其他数据库协同,提供长期连续的气溶胶光学、微观物理学以及辐射特性资料。中国学者早已着手利用地面遥感观测进行大气气溶胶的研究:利用AOD地基联网数据评估MODIS气溶胶产品在中国不同生态类型下的适用性(王莉莉等,2007);分析AERONET北京站的数据得出该地区气溶胶的季节特征(任团伟等,2015);研究太阳光度计的反演算法,获得晴朗天气下4个波段的气溶胶光学厚度(黄红莲等,2012)。由于气溶胶的形成与传输过程十分复杂,空间变化也很快,仅凭借单一站点的地基观测很难得到可靠的区域气溶胶分布特征,而数据资料分布时间更均匀、覆盖范围更广的卫星遥感在AOD研究领域受到更多重视(张兴赢等,2007;郑卓云等,2011)。以往关于卫星AOD的研究主要集中在MODIS AOD:使用MODIS C5.1产品分析MODIS气溶胶产品在中国区域的反演误差(王宏斌等,2016);利用MODIS C5.1 AOD产品分析中国西南地区AOD的时空分布特征(刘灿等,2014);利用MODIS C5.1与MISR AOD产品,对比分析2014年亚太经合组织(APEC)会议期间(11月3—12日)及其前后一个月的气溶胶时空分布特征(张艳婷等,2017);用MODIS C6 (Collections 6)AOD产品分析浙北平原气溶胶的长期变化趋势(朱于红,2015);利用MODIS 3个版本的AOD产品评价其在中国区域4种典型下垫面的适用性(魏轶男,2016);利用Terra和Aqua卫星MODIS 3 km AOD产品,建立AOD与PM2.5浓度的回归模型(王伟齐等,2017)。
AOD的2级反演算法产品中主要有暗像元算法与深蓝算法产品,由于风云3A/中分辨率光谱成像仪(FY-3A/MERSI)陆上气溶胶产品采用的是经典暗像元算法,且一直没有改变,所以这里主要分析MODIS AOD产品的算法进程。暗像元算法中,C4产品对于前面的集合做了较大改进,并且在反演算法里假设气溶胶在2.12 μm波段对大气没有散射和吸收(周春艳等,2009),但是C5产品中认为此假设不成立,认为在暗目标内,可见光波段和近红外波段的地表反射率的关系是散射角和植被指数的函数,可见光红波段与蓝波段地表反射率有固定的线性关系,C5.1基于C5做了亮地表的反演准确性的改进(Levy et al, 2004, 2007)。C6产品中,更新了中心波长以及瑞利光学厚度和气体(H2O、O3、CO2等)吸收校正的假设,并且放宽了太阳天顶角度极限以增加极地覆盖。对于陆地气溶胶反演,C6中还更新了云掩膜方案,以便进行大量的烟雾检索,校正了质量标识逻辑中的错误,并添加了诊断参数,如地形高度。此外,C6产品中还包括新的仪器校准等(Levy, et al, 2013)。深蓝算法产品是从C5.1数据集开始,MODIS C5.1产品中深蓝算法AOD产品已经提供了在亮地表例如沙漠、半干旱、城市区域的气溶胶特性。然而,C5.1的反演算法还需要完善,例如:用于估计地表反射率的地表数据库,这对于混合植被覆盖区域与浓密植被覆盖区域的反演相当重要,并且,这些区域的季节性变化也比较大。为了解决这个问题,C6中开辟了一种混合型算法,这种算法基于已经成熟的地表反射率数据库与归一化植被指数来决定气溶胶反演中的地表反射率。由此,这种发展后的深蓝算法AOD产品不仅存在于干旱与半干旱地区,也存在于浓密植被覆盖区域(Hsu, et al, 2013)。
本研究将从气溶胶光学厚度算法产品的验证角度出发,通过波长插值与时空匹配,用AERONET的气溶胶光学厚度对比分析FY-3A/MERSI的AOD产品(暗像元算法)、MODIS C5.1 AOD产品(暗像元算法和深蓝算法)、MODIS C6 AOD产品(暗像元算法、深蓝算法、融合算法)的反演精度,得出他们的季节特征与区域分布特征。
2 数据介绍 2.1 FY-3A/MERSI气溶胶光学厚度使用的FY-3A/MERSI AOD 2级产品来自于中国国家卫星气象中心的风云卫星遥感数据服务网。MERSI的陆上气溶胶产品是基于MERSI蓝通道(0.47 μm)、红通道(0.65 μm)和短波红外通道(2.1 μm)反射率数据,在云检测产品、水汽总量和臭氧总量等辅助数据支持下,利用经典暗像元算法反演晴空下非冰雪和非水体覆盖的植被区上空气溶胶的光学厚度。
2.2 MODIS气溶胶光学厚度MODIS是Terra和Aqua卫星上搭载的主要传感器之一,两颗星相互配合每1—2 d可重复观测整个地球表面一次,得到36个波段的观测数据。MODIS气溶胶产品是全球首个给出高空间分辨率的气溶胶光学厚度资料,可以用于气溶胶模型的建立、大气污染的动态分析以及空气质量监测等,在大气科学领域得到了广泛应用(Ichoku, et al, 2004)。NASA中心分别在2014和2015年完成了Aqua/MODIS、Terra/MODIS产品集更新,产生了C6数据集,此次更新包括了MOD04_L2、MYD04_L2、MOD04_3K、MYD04_3K 4种卫星AOD 2级产品。此外,数据集中还包括了基于暗像元算法(Dark target,简写为DT)和深蓝算法(Deep blue,简写为DB)的融合算法(简写为Merge)得出的AOD产品,即2种产品中选出反演质量较高的作为融合AOD产品(表 1)。
数据集产品 | Collections5.1 | Collections 6 | |||||
MOD04_L2 | MYD04_L2 | MOD04_L2 | MYD04_L2 | MOD04_3K | MYD04_3K | ||
卫星 | Terra | Aqua | Terra | Aqua | Terra | Aqua | |
反演算法 | DT | DT、DB | DT、DB、Merge | DT、DB、Merge | DT | DT | |
空间分辨率 | 10 km | 10 km | 10 km | 10 km | 3 km | 3 km |
AERONET使用两种不同的方案测量AOD。第1种方案通过测量来自太阳的直接入射辐射而得到AOD,第2种方案使用从天空中的各个方向的漫射辐射测量得到AOD的相关产品。这些测量逐时进行几次,具体数量取决于太阳的角度。对于第1种方案,由于其视场较小,并且接收的是太阳直射光辐射,所以反演的气溶胶光学厚度受地面参数和气溶胶的前向散射的影响都很小(Ge,2011),因此,可以将其作为AOD的真值来验证卫星遥感数据。AERONET AOD产品一共分为3级:Level 1.0数据未经过云过滤与质量控制;Level 1.5数据未完成质量控制;Level 2.0数据既进行了云过滤又经过质量控制。2016年7月,AERONET网发布了最新的第3版AOD产品,但当时还没有第3版的Level 2.0数据(2017年12月所有产品更新完毕),所以此次使用的仍是第2版的Level 2.0数据。此次分析验证中用到的站点如图 1,站点详细信息见表 2。
站点 | 经度(°E) | 纬度(°N) | 特点 | 地处 |
兰州大学半干旱气候与环境观测站 | 104.137 | 35.946 | 干旱地区 | 黄土高原 |
太湖 | 120.215 | 31.421 | 水体周围 | 江淮 |
北京 | 116.381 | 39.977 | 城市亮地表 | 华北 |
香河 | 116.962 | 39.754 | 城郊 | 华北 |
兴隆 | 117.578 | 40.396 | 森林 | 华北 |
香港 | 114.18 | 22.303 | 城市地表 | 南部沿海 |
AERONET AOD产品包含1020、870、670、500、440、380、340 nm波段的AOD,而MERSI只有470、550、650 nm 3个波段的AOD产品,MODIS也只包含470、550、660 nm波段的AOD产品。卫星AOD与地基AOD波段不一致,不能直接比较。因此,需要对AERONET数据进行波长插值,得到与卫星产品波段一致的AOD。
假设在地基观测时间范围内大气处于准静态,则气溶胶光学厚度与波长满足埃斯特朗关系式(Ångström,1964)
(1) |
式中,τ(λ)为所求波长λ的AOD值,α为埃斯特朗波长指数,β为埃斯特朗浑浊度系数。文中利用式(1),推导得
(2) |
式中,τa(λ)为已知波段的AOD值,αa为AERONET AOD产品中提供的埃斯特朗指数。利用式(2),即可将AERONET地基观测的AOD插值到对应波段上,并且与卫星AOD进行对比分析。
3.2 时、空匹配AERONET地基观测的AOD是固定站点上的一定间隔时间的连续观测值,卫星观测是扫描区域面上的瞬时观测值。文中使用AERONET站点周围3×3像元内的所有卫星AOD值作空间平均,AERONET AOD在卫星过境前后30 min内的所有数据作时间平均,选取2010—2012年AOD数据,经过预处理后进行时空匹配。卫星AOD与AERONET AOD完全相等时,相关系数R为1,均方根误差(RMSE)为0,线性回归方程斜率为1,截距为0。具体卫星AOD产品的匹配信息如表 3。
产品 | 卫星 | 匹配像元数 | 经度×纬度 | 空间范围 | |
MERSI ASL | FY-3A | 3×3 | 0.03°×0.03° | 3 km×3 km | |
C5.1 | MOD04_L2 | Terra | 3×3 | 0.3°×0.3° | 30 km×30 km |
MYD04_L2 | Aqua | 3×3 | 0.3°×0.3° | 30 km×30 km | |
C6 | MOD04_L2 | Terra | 3×3 | 0.3°×0.3° | 30 km×30 km |
MYD04_L2 | Aqua | 3×3 | 0.3°×0.3° | 30 km×30 km | |
MOD04_3K | Terra | 3×3 | 0.09°×0.09° | 9 km×9 km | |
MYD04_3K | Aqua | 3×3 | 0.09°×0.09° | 9 km×9 km |
图 2为卫星AOD与AERONET AOD的散点对比,匹配数据来自于上述的6个站点。可以看出,MERSI AOD反演精度较高(R=0.887,RMSE=0.234),其值明显偏低于AERONET AOD,绝对偏差(Bias)为-0.293,但在低值区(0—0.5),MERSI AOD略微偏高于AERONET AOD。在MODIS C5.1数据集中,反演精度最差的是深蓝算法AOD(R=0.905,RMSE=0.366),且匹配的数据量较少(N=98),其他两种暗像元算法AOD的精度相当;与AERONET AOD对比,MODIS C5.1 AOD偏高,其中深蓝算法AOD偏高趋势最明显,绝对偏差为0.366。在MODIS C6数据集中,反演精度最高的是深蓝算法AOD(Terra与Aqua的R分别为0.958和0.952,RMSE分别为0.141和0.136),其余产品的反演精度相当,对比AERONET AOD,深蓝算法AOD值略偏低(绝对偏差分别为-0.0166和-0.0844),其余AOD产品均高于AERONET AOD,深蓝算法与融合算法AOD与AERONET AOD的匹配数据量远大于其他产品(N超过1000)。对比C5.1与C6的暗像元算法AOD,反演精度相当,而C6的匹配数据量远大于C5.1 AOD产品。对比C5.1与C6的深蓝算法AOD,C6 AOD反演精度明显高于C5.1,匹配数据量也远大于C5.1。对比分辨率较高的MERSI AOD与C6 3 km AOD,MERSI AOD反演精度低于C6 3 km AOD,匹配数据量也远低于C6 3 km AOD。
综上,MODIS AOD从C5.1到C6数据集,匹配数据量增加,原因是C6中改进了云污染像元的筛选程序,使得进入反演窗口的像元数增多;反演算法上,MODIS暗像元算法的改进效果并不明显,原因是只针对云污染像元、卫星校正、中心波长、瑞利光学厚度和气体(H2O、O3、CO2等)吸收校正的假设等方面进行了改进,这对于反演精度的提高并没有太大作用。而深蓝算法的改进效果较为明显,这主要与深蓝算法中地表反射率动态数据库的建立和气溶胶模型的改进有关,这在AOD反演中非常重要。虽然MERSI AOD的分辨率最高,但其反演精度对比C6深蓝算法AOD有很大差距,这主要与MERSI AOD采用的经典暗像元反演算法有关,经典暗像元算法在确定地表反射率时使用静态表查找,所以反演精度严重受制于静态表的代表性,因此反演精度较低。
为了对上面结果做进一步解释,以下主要从3个角度分析:(1)不同下垫面的反演效果不同;(2)不同季节的反演精度不同;(3)一些极端污染天气下各产品在中国区域的AOD值分布有差异。
4.1 典型地表的所有卫星AOD产品对比表 4给出了在典型地表情况下城市地表的北京站、城郊混合地表的香河站和茂密植被地表的兴隆站的各种卫星AOD的反演精度对比。
产品 | 北京站点 | 香河站点 | 兴隆站点 | ||||||||
R | RMSE | N | R | RMSE | N | R | RMSE | N | |||
C5.1/MOD04_L2_DT | 0.934 | 0.358 | 99 | 0.970 | 0.125 | 127 | 0.823 | 0.1010 | 30 | ||
C5.1/MYD04_L2_DT | 0.910 | 0.380 | 78 | 0.972 | 0.224 | 112 | 0.902 | 0.1560 | 23 | ||
C5.1/MYD04_L2_DB | 0.900 | 0.352 | 49 | 0.913 | 0.380 | 49 | / | / | / | ||
MERSI | 0.879 | 0.257 | 177 | 0.914 | 0.242 | 64 | 0.764 | 0.1550 | 58 | ||
C6/MOD04_L2_DT | 0.917 | 0.420 | 159 | 0.977 | 0.153 | 232 | 0.775 | 0.1230 | 146 | ||
C6/MOD04_L2_DB | 0.965 | 0.127 | 366 | 0.965 | 0.173 | 386 | 0.881 | 0.0960 | 166 | ||
C6/MOD04_L2_Merge | 0.914 | 0.270 | 396 | 0.973 | 0.172 | 357 | 0.862 | 0.1040 | 166 | ||
C6/MYD04_L2_DT | 0.878 | 0.333 | 147 | 0.980 | 0.183 | 203 | 0.870 | 0.1270 | 87 | ||
C6/MYD04_L2_DB | 0.960 | 0.126 | 349 | 0.965 | 0.164 | 378 | 0.893 | 0.0910 | 157 | ||
C6/MYD04_L2_Merge | 0.915 | 0.213 | 372 | 0.972 | 0.186 | 348 | 0.885 | 0.0930 | 128 | ||
C6/MOD04_3K | 0.912 | 0.439 | 153 | 0.974 | 0.169 | 214 | 0.820 | 0.0928 | 158 | ||
C6/MYD04_3K | 0.896 | 0.366 | 138 | 0.980 | 0.142 | 196 | 0.937 | 0.1070 | 105 |
北京站,C6的深蓝算法AOD产品的反演精度最高(Terra与Aqua的相关系数分别为0.965和0.96),其次是融合算法产品。暗像元算法AOD中C6与C5.1数据集的反演精度相当(RMSE为0.333—0.439),而C6的匹配数据量比C5.1多。其次在更高分辨率产品中,MERSI 1 km AOD的反演精度明显高于C6的3 km AOD,匹配数据量也比C6的3 km AOD多。香河站,C5.1的深蓝算法AOD与MERSI AOD反演精度较低(RMSE分别为0.38与0.242),其余AOD产品的反演精度都较高(相关系数超过0.95)。C6不同算法AOD的反演精度都较好,而C6 AOD和AERONET AOD匹配的数据量远大于C5.1与MERSI AOD。MODIS 3 km AOD产品的反演精度高于MERSI AOD产品。兴隆站,由于其为茂密植被地表区,高值AOD的情况很少,所以,此处只用RMSE衡量反演精度。在各种卫星AOD产品的反演精度比较中,C5.1 Aqua/MODIS暗像元算法AOD产品与MERSI AOD产品最差(RMSE分别为0.156和0.155),其次是C6中的暗像元算法AOD(RMSE分别为0.123和0.127), 其余AOD产品的反演精度相当(RMSE为0.091—0.107)。C6 AOD与AERONET AOD的匹配数据量远大于其他AOD产品。
对比每一种卫星AOD在3个站点的反演精度可以看出,植被覆盖情况影响了暗像元算法AOD与融合算法AOD的反演精度,植被覆盖度越高反演精度越高;而深蓝算法AOD不同, 香河站点的反演精度低于北京站点,C5.1在茂密植被区没有反演值,C6在茂密植被区域的反演精度与亮地表区域相当,主要原因是深蓝算法地表反射率动态数据库的建立、地表类型的确定、归一化植被指数的恰当应用。
4.2 不同季节的反演精度对比在气候统计中,3—5月为春季,6—8月为夏季,9—11月为秋季,12月—次年2月为冬季,表 5中据此划分不同季节来比较各种卫星AOD产品的反演精度。可见所有AOD产品在夏季的反演效果是最差的,而反演最好的季节各有不同,这是由于文中使用的多是北方站点产品,而在夏季,北方水汽多而影响了AOD反演中的订正。C5.1/Terra暗像元算法AOD、C5.1/Aqua暗像元算法AOD、C6/Terra 3 km与10 km暗像元算法AOD、C6/Aqua 3 km与10 km暗像元算法AOD、C6/Terra融合算法AOD、MERSI AOD在冬季的反演效果最佳,而C5.1/Aqua深蓝算法AOD、C6/Aqua深蓝算法AOD、C6/Aqua融合算法AOD秋季的反演效果最佳,C6/Terra深蓝算法AOD春季的反演效果最佳。可以看出,MODIS暗像元算法AOD产品在冬季的匹配数据量远小于其他季节,MERSI产品、C6的深蓝算法与融合算法产品在冬季的匹配数据量与其他季节的匹配数据量相当。综上,在春、夏、秋三个季节,深蓝算法AOD均有绝对优势,而在冬季MODIS暗像元算法AOD的反演精度均较高,但匹配的数据量较少,并且暗像元算法AOD受季节的影响较大,而深蓝算法受季节的影响较小,这得益于深蓝算法地表反射率动态数据库的建立,它取决于散射角、归一化植被指数和季节,使得地表反射率的确立时间代表性更高,而暗像元算法AOD却不具备这样的特性。
季节 | C5.1_T_DT | C5.1_A_DT | C5.1_A_DB | MERSI | C6_T_3K | C6_A_3K | C6_T_DT | C6_T_DB | C6_T_Merge | C6_A_DT | C6_A_DB | C6_A_Merge | |||||||||||||||||||||||
RMSE | N | RMSE | N | RMSE | N | RMSE | N | RMSE | N | RMSE | N | RMSE | N | RMSE | N | RMSE | N | RMSE | N | RMSE | N | RMSE | N | ||||||||||||
春 | 0.228 | 91 | 0.308 | 75 | 0.315 | 59 | 0.263 | 110 | 0.282 | 206 | 0.269 | 144 | 0.31 | 225 | 0.126 | 387 | 0.228 | 389 | 0.285 | 163 | 0.146 | 338 | 0.209 | 331 | |||||||||||
夏 | 0.316 | 78 | 0.329 | 59 | 0.478 | 31 | 0.257 | 69 | 0.316 | 199 | 0.249 | 182 | 0.306 | 205 | 0.175 | 157 | 0.300 | 210 | 0.254 | 181 | 0.164 | 122 | 0.250 | 187 | |||||||||||
秋 | 0.202 | 77 | 0.238 | 75 | 0.109 | 5 | 0.184 | 38 | 0.177 | 247 | 0.132 | 225 | 0.192 | 249 | 0.128 | 313 | 0.189 | 306 | 0.146 | 225 | 0.107 | 317 | 0.140 | 285 | |||||||||||
冬 | 0.083 | 12 | 0.085 | 5 | 0.199 | 3 | 0.175 | 78 | 0.074 | 24 | 0.060 | 9 | 0.098 | 20 | 0.149 | 282 | 0.157 | 287 | 0.059 | 4 | 0.140 | 326 | 0.150 | 327 |
2010年3月18—23日中国遭遇了强沙尘暴天气。图 3为3月19日各种卫星AOD值的分布。FY-3A与Terra卫星过境中国的时间相近,因此,可以作为相同时次的AOD产品。而在2013年12月25日,中国遭遇严重雾、霾天气(由于下载不到MODIS C5.1产品,所以图 4中缺少该产品的AOD值分布)。
由图 3可以看出,在长江中下游平原与华北平原南部,MERSI AOD与MODIS 10 km AOD值均小于1,而MODIS 3 km AOD值在华北平原南部超过1。在四川盆地西部与南部地区,MERSI AOD与MODIS C6深蓝算法AOD值均小于1, 其余AOD产品在部分地区超过1,其中,MODIS 3 km在相同区域的AOD值最大。而在中国西部与北部大部分地区,MODIS暗像元算法几乎没有反演值,MERSI AOD分布不连续,C6深蓝算法与融合算法在塔里木盆地和黄土高原的西北部地区监测到AOD高值区。从图中还可以得出,C6比C5.1的AOD值分布更连续,特别是减小了AOD值分布区域的间隙,这可能与卫星的空间校正有关。
由图 4可以看出,在严重雾、霾天气下,MERSI产品在中国北部和西部有零星的反演值,C6 3 km产品在长江中游地区有大片区域AOD值大于1,与此对应的C6 10 km暗像元算法产品在该区域AOD值明显小于3 km产品,而在C6深蓝算法产品中可以看到在山东西部地区,京津冀地区都有严重污染,部分地区AOD值大于2,在C6融合产品中也能看到在山东西部与京津冀地区有严重污染,但AOD值明显不连续。
由上述分析可以看出,无论是沙尘天气还是严重雾、霾天气,MERSI的监测效果都不佳,而MODIS C6的深蓝算法AOD与融合算法AOD监测效果明显优于其他产品。并且在中国北部与西部地区,MODIS暗像元算法产品明显失效。这是因为中国北部与西部地区多为干旱与半干旱地区,其多对应亮地表地区,暗像元算法在亮地表地区的反演效果不佳。而C6深蓝算法中动态地表反射率数据库的建立在亮地表地区仍然适用。
5 结论利用北京站、香河站、兴隆站、兰州大学半干旱气候与环境观测站、太湖站与香港站的AERONET地基AOD对FY-3A/MERSI的AOD产品、MODIS C5.1及C6 AOD产品进行精度验证,并选取一次发生在中国境内的沙尘天气,分析其季节特征与区域分布特征,得出以下结论:
(1) 各种的卫星AOD产品中,C6的深蓝算法AOD的反演精度最高;而FY-3A/MERSI AOD与C5.1/Aqua深蓝算法AOD的反演精度最差,原因是C6深蓝算法建立了动态的地表反射率数据库,改进了云污染像元检测程序,这使得AOD反演精度得到很大提高。
(2) 在不同地表的反演效果对比中,暗像元算法AOD在亮地表地区的反演效果均较差,而在混合型地表与茂密植被地表的反演效果较好。深蓝算法AOD产品中,MODIS C5.1深蓝算法AOD的反演效果总体较差,MODIS C6深蓝算法AOD产品即使在亮地表地区也保持着很高的反演精度。但在亮地表地区的反演效果对比中,MERSI AOD仅次于C6 MODIS深蓝算法AOD与融合算法AOD。原因是暗像元算法需要寻找到一定范围内的地表反射率较小的像元,而在亮地表地区很难找到这样的像元,这导致了暗像元算法的失效,而深蓝算法不受此限制,所以在反演精度上几乎没有地表差异。
(3) 从季节分析中可以看出,C6深蓝算法的季节性差异较小,而暗像元算法AOD季节差异较大,这是因为C6深蓝算法中动态地表反射率中恰当地应用了归一化植被指数,使得其在季节差异大的地区具有更高的代表性,而暗像元算法则是基于静态地表反射率数据库,代表性明显低于C6深蓝算法。
(4) 分析典型污染天气AOD分布特征,得出MERSI AOD在中国北部与西部均有AOD反演值,但并不连续,且在亮地表区域的反演值很少,而MODIS暗像元算法AOD在此区域都几乎没有分布,这是因为中国北部与西部亮地表地区较多,暗像元算法将严重失效。但在C6的深蓝算法AOD中,中国北部与西部已经能监测到AOD, 并且C6的融合算法产品兼具了暗像元算法与深蓝算法的优点,有着最大的区域覆盖。其次C5.1中明显的扫描间隙在C6中已经有所改进,这得益于C6中的卫星校正。各种卫星AOD产品中MODIS 3 km AOD产品在相同区域的AOD值最大,由于进入反演窗口的像元数标准降低,暗像元算法偏高的趋势更加明显。
致谢: 感谢NASA与国家卫星气象中心提供的遥感数据。黄红莲, 易维宁, 乔延利. 2012. 基于太阳辐射计的气溶胶光学特性反演算法研究. 大气与环境光学学报, 7(3): 175–180. Huang H L, Yi W N, Qiao Y L. 2012. A method for retrieving aerosol optical properties based on sun photometer. J Atmos Environ Opt, 7(3): 175–180. (in Chinese) |
刘灿, 高阳华, 易静, 等. 2014. 基于MODIS数据的西南地区气溶胶光学厚度时空变化特征分析. 西南大学学报(自然科学版), 36(5): 182–189. Liu C, Gao Y H, Yi J, et al. 2014. An MODIS-based analysis of spatio-temporal variations of aerosol optical depth in Southwest of China. J Southwest Univ (Nat Sci Ed), 36(5): 182–189. (in Chinese) |
任团伟, 郭照冰, 刘唯佳. 2015. 2009-2011年北京地区大气气溶胶光学特性季节变化规律研究. 环境化学, 34(12): 2239–2247. Ren T W, Guo Z B, Liu W J. 2015. Seasonal variation of atmospheric aerosol optical properties in Beijing during 2009-2011. Environ Chem, 34(12): 2239–2247. DOI:10.7524/j.issn.0254-6108.2015.12.2015042701 (in Chinese) |
王宏斌, 张镭, 焦圣明, 等. 2016. 中国地区MODIS气溶胶产品的验证及反演误差分析. 高原气象, 35(3): 810–822. Wang H B, Zhang L, Jiao S M, et al. 2016. Evaluation of the MODIS aerosol products and analysis of the retrieval errors in China. Plateau Meteor, 35(3): 810–822. DOI:10.7522/j.issn.1000-0534.2015.00043 (in Chinese) |
王莉莉, 辛金元, 王跃思, 等. 2007. CSHNET观测网评估MODIS气溶胶产品在中国区域的适用性. 科学通报, 52(12): 1708–1718. Wang L L, Xin J Y, Wang Y S, et al. 2007. Validation of MODIS aerosol products by CSHNET over China. Chinese Sci Bull, 52(12): 1708–1718. (in Chinese) |
王伟齐, 张成网, 臧增亮, 等. 2017. Terra和Aqua卫星MODIS 3 km AOD与北京PM2.5对比分析. 气象科学, 37(1): 93–100. Wang W Q, Zhang C W, Zang Z L, et al. 2017. Comparative analysis between hourly PM2.5 concentration and MODIS 3 km aerosol optical depth derived from Terra and Aqua satellites in Beijing. J Meteor Sci, 37(1): 93–100. (in Chinese) |
王跃思, 辛金元, 李占清, 等. 2006. 中国地区大气气溶胶光学厚度与Angström参数联网观测(2004-08~2004-12). 环境科学, 27(9): 1703–1711. Wang Y S, Xin J Y, Li Z Q, et al. 2006. AOD and Angström parameters of aerosols observed by the Chinese Sun Hazemeter network from August to December 2004. Environ Sci, 27(9): 1703–1711. (in Chinese) |
魏轶男, 吴时超, 徐飞飞, 等. 2016. 中国区域MODIS三个版本气溶胶产品的对比研究. 大气与环境光学学报, 11(3): 217–225. Wei Y N, Wu S C, Xu F F, et al. 2016. Comparison and analysis of three versions of MODIS aerosol product in China region. J Atmos Environ Opt, 11(3): 217–225. (in Chinese) |
张兴赢, 张鹏, 方宗义, 等. 2007. 应用卫星遥感技术监测大气痕量气体的研究进展. 气象, 33(7): 3–14. Zhang X Y, Zhang P, Fang Z Y, et al. 2007. The progress in trace gas remote sensing study based on the satellite monitoring. Meteor Mon, 33(7): 3–14. DOI:10.7519/j.issn.1000-0526.2007.07.001 (in Chinese) |
张艳婷, 陈斌, 张廷瀚, 等. 2017. 利用MODIS和MISR资料对APEC会议期间气溶胶时空分布特征的分析. 大气与环境光学学报, 12(2): 136–147. Zhang Y T, Chen B, Zhang T H, et al. 2017. Analysis of the spatiotemporal variations of Aerosols during APEC using MODIS and MISR data. J Atmos Environ Opt, 12(2): 136–147. (in Chinese) |
郑卓云, 陈良富, 郑君瑜, 等. 2011. 高分辨率气溶胶光学厚度在珠三角及香港地区区域颗粒物监测中的应用研究. 环境科学学报, 31(6): 1154–1161. Zheng Z Y, Chen L F, Zheng J Y, et al. 2011. Application of retrieved high-resolution AOD in regional PM monitoring in the Pearl River Delta and Hong Kong region. Acta Scientiae Circum, 31(6): 1154–1161. (in Chinese) |
周春艳, 柳钦火, 唐勇, 等. 2009. MODIS气溶胶C004、C005产品的对比分析及其在中国北方地区的适用性评价. 遥感学报, 13(5): 854–872. Zhou C Y, Liu Q H, Tang Y, et al. 2009. Comparison between MODIS aerosol product C004 and C005 and evaluation of their applicability in the north of China. J Remote Sens, 13(5): 854–872. (in Chinese) |
朱于红. 2015. MODIS C006气溶胶产品评估及其在省域大气污染研究中的应用[D]. 杭州: 浙江大学. Zhu Y H. 2015. Evaluation of MODIS aerosol product Collection 006 and its application to air pollution research in Zhejiang Province[D]. Hangzhou: Zhejiang University (in Chinese) http://cdmd.cnki.com.cn/Article/CDMD-10335-1015320464.htm |
Ångström A. 1964. The parameters of atmospheric turbidity. Tellus, 16(1): 64–75. DOI:10.3402/tellusa.v16i1.8885 |
Bauer S E, Menon S. 2012. Aerosol direct, indirect, semidirect, and surface albedo effects from sector contributions based on the IPCC AR5 emissions for preindustrial and present-day conditions. J Geophys Res, 117(D1): D01206. |
Ge J M, Su J, Fu Q, et al. 2011. Dust aerosol forward scattering effects on ground-based aerosol optical depth retrievals. J Quant Spectrosc Radiat Transfer, 112(2): 310–319. DOI:10.1016/j.jqsrt.2010.07.006 |
Hsu N C, Jeong M J, Bettenhausen C, et al. 2013. Enhanced Deep Blue aerosol retrieval algorithm:The second generation. J Geophys Res, 118(16): 9296–9315. |
Ichoku C, Kaufman Y J, Remer L A, et al. 2004. Global aerosol remote sensing from MODIS. Adv Space Res, 34(4): 820–827. DOI:10.1016/j.asr.2003.07.071 |
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. Cambridge, United Kingdom, New York, USA: Cambridge University Press, 1535 pp |
Levy R C, Remer L A, Kaufman Y J. 2004. Effects of neglecting polarization on the MODIS aerosol retrieval over land. IEEE Trans Geosci Remote Sens, 42(11): 2576–2583. DOI:10.1109/TGRS.2004.837336 |
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. J Geophys Res, 112(D13): D13211. |
Levy R C, Mattoo S, Munchak L A, et al. 2013. The Collection 6 MODIS aerosol products over land and ocean. Atmos Meas Tech, 6(11): 2989–3034. DOI:10.5194/amt-6-2989-2013 |