中国气象学会主办。
文章信息
- 江琪, 迎春, 王飞, 张天航, 何佳宝, 桂海林, 张碧辉, 徐冉. 2021.
- JIANG Qi, YING Chun, WANG Fei, ZHANG Tianhang, HE Jiabao, GUI Hailin, ZHANG Bihui, XU Ran. 2021.
- 利用FY-4A卫星光学数据对中国近地面PM2.5浓度的估算和检验分析
- Estimates and verification of surface PM2.5 mass concentration in China based on FY-4A satellite optical products
- 气象学报, 79(3): 492-508.
- Acta Meteorologica Sinica, 79(3): 492-508.
- http://dx.doi.org/10.11676/qxxb2021.024
文章历史
-
2020-06-16 收稿
2021-02-24 改回
2. 上甸子国家大气本底站,北京,101507;
3. 内蒙古自治区锡林郭勒盟气象局,锡林郭勒,026000;
4. 中国气象科学研究院,北京,100081;
5. 宁波市环境监测中心,宁波,315012
2. Shangdianzi National Atmosphere Background Station,Beijing 101507,China;
3. Meteorological Bureau of Xilinguole League of Inner Mongolia,Xilinguole 026000,China;
4. Chinese Academy of Meteorological Sciences,Beijing 100081,China;
5. Environment Monitoring Center of Ningbo,Ningbo 315012,China
快速发展的经济和城市化进程使得大气污染物排放量居高不下(江琪等,2018)。以霾为代表的空气污染严重危害人体健康(Pope Ⅲ,et al,2009)和大气环境(Han,et al,2017;Wang,et al,2018)。细颗粒物(PM2.5)可以吸附大量的有毒有害物质,在大气中停留时间长,且可以远距离输送,对大气消光贡献显著,是霾形成的关键因素。
中国幅员辽阔,下垫面条件复杂,气溶胶的时、空分布决定了地基观测站难以获取全面的气溶胶分布特征。而卫星遥感手段可以提供广阔背景条件下的大气污染监测(Bellouin,et al,2005;Colarco,et al,2010),通过遥感方法监测可以保留颗粒物的原有特性不被物理手段破坏,因而在污染空间分布监测和远距离输送上具有广阔的应用前景。气溶胶的光辐射特性可以通过光学厚度、复折射指数和谱分布等参数表征。其中,通过遥感手段获取的大气气溶胶光学厚度(Aerosol optical depth,AOD)可以比较全面地反映整层大气气溶胶的消光特征和含量,是大气校正和气溶胶特征中的重要参数之一。同时,AOD的相关数据已经可以较为方便的获取。Xue等(2014)通过联合使用Moderate-Resolution Imaging Spectroradiometer (MODIS)/Terra和MODIS/Aqua数据气溶胶特性协同反演算法,产生了亚洲区域长时间序列的AOD数据集。AERONET(Aerosol Robotic Network)地基观测网可以提供超过300个长期观测站的AOD数据。中国在遥感气溶胶光学厚度领域发展较快,其中,第二代极轨气象卫星(FY-3)和风云四号气象卫星(FY-4A)均可通过多通道的光谱信息,高精度定量反演气溶胶光学厚度。
垂直方向上的大气光学特性与地表污染物浓度的关系是影响卫星、地基遥感等反演近地面PM2.5浓度的关键因素。利用AOD反演细颗粒的研究已有很多,但均存在一定的局限性(Kahn,et al,2010),例如多种数学统计方法(Koelemeijer,et al,2006;Li,et al,2017;Ma,et al,2016)应用最为广泛但忽略了变量间的内在机理;耦合模型法(Wang J,et al,2010)在一定程度上提高了AOD与细颗粒物的相关,但是由于模型参数较多应用起来较为复杂;以及基于垂直订正和湿度订正开展的物理学方法等(Engel-Cox,et al,2006;Hutchison,et al,2008;Wang Z F,et al,2010)。Physical PM2.5 remote sensing(PMRS)方法(Zhang,et al,2015)是基于物理学开展的统计方法,主要通过易获取的卫星遥感和常规地面观测参数,从不同污染水平下的瞬时遥感测量资料中估算地表逐时PM2.5浓度,时、空分辨率和时效性均较高,可以满足高精度、规范化的业务需要。同时,基于卫星反演近地面颗粒物的研究多基于极轨卫星开展,无法全面反映细颗粒物的时、空动态变化和日变化等特征,而利用静止卫星在相关方面开展工作可以弥补这一不足。
本研究利用风云四号静止气象卫星首发星(FY-4A)的光学遥感数据,包括气溶胶光学厚度、细粒子比(Fine mode fraction,FMF)等,结合地面观测资料,基于改进的PMRS方法,估算中国网格化地表PM2.5质量浓度,并对其不确定性进行评估,以期为大气环境监测和预报提供更有力的数据支撑。
2 数据和方法 2.1 数 据文中使用的卫星遥感参量包括气溶胶光学厚度(550 nm)、大气细粒子比等数据均来自于风云四号气象卫星首发星搭载的多通道扫描成像辐射计(AGRI)观测数据的相关试验产品,其空间分辨率为4 km,时间分辨率为1 h,产品信息参见Zhang P等(2019)和Zhang X Y等(2020)。PM2.5浓度近地面观测数据来自于中国环境监测总站网站(http://www.cneme.cn/)。文中使用的气象要素逐时数据由中国气象局国家气象观测站提供。文中使用自然邻域法将地面观测的各气象要素、PM2.5浓度以及质量控制后的卫星遥感参量等数据统一插值成0.25°×0.25°的网格数据。
此外,文中使用的太阳-天空辐射计(CE318)观测资料来自于全球气溶胶地基观测网AERONET的2.0级数据,由于AERONET测量波段中没有550 nm的观测值,使用前进行了波长转化。
2.2 PMRS方法原理假设粒子遵循吸湿增长方程f0(RH)=a(1−RH/100)−b,在定义细粒子柱状体积消光比(VEf=细粒子柱状体积/细粒子的光学厚度)后,经过公式推导,可得到如下近地面PM2.5浓度的推算公式,相关推算方法和具体原理详见Zhang等(2015)。
${\rm{P}}{{\rm{M}}_{2.5}} = {\rm{AOD}} \times \left( {\frac{{{\rm{FMF}} \times {\rm{V}}{{\rm{E}}_{\rm f}} \times {\rho _{{\rm{f,dry}}}}}}{{{\rm{PBLH}} \times {f_0}\left( {\rm{RH}} \right)}}} \right)$ |
式中,RH为大气相对湿度,
由于主要的研究区域为中国大陆,吸湿增长方程中参数a和b的值采用Liu等(2008)对大陆背景的研究结果,其中a=0.97,b=0.23。文中采用的密度值(
由于缺乏覆盖中国范围的边界层相关高度的观测值,本研究采用罗氏法计算的混合层高度结果进行替代。该方法详见饶晓琴等(2008)。
2.3 PMRS反演算法的改进PMRS反演算法中,VEf是未知量,也是整个算法的核心点。Zhang等(2015)的研究认为VEf和FMF存在一定的相关关系,并利用8个AERONET的观测站点,根据FMF建立了一套VEf的拟合模型(未考虑气溶胶粒径),其拟合曲线的离散点较多,最终反演得到的PM2.5浓度和地面观测值的相关系数(R)仅为0.5。为了更为准确地估算VEf值、提高PM2.5浓度反演结果的准确度,并扩大反演模型的适用范围,本研究对Zhang等(2015)建立的相关拟合算法进行改进,一方面,选取的研究站点数增大到东亚区域的24个AERONET站点,另一方面,通过对细颗粒物和粗颗粒物的划分,建立了两套不同的拟合模型,并针对细颗粒物估算模型中对估算结果影响较大的离散点进行分析,通过引入AOD值,进一步对细粒子分别建立AOD≤0.1和AOD>0.1的两套估算模型。
文中随机选取AERONET 中24个东亚区域的观测站点数据,对其中的气溶胶粒子的体积谱分布分别进行分析。由图1可见,不同地区气溶胶体积谱分布存在一定差异,主要可以划分为4类,分别为粗粒子和细粒子(沙尘和霾)混合型、粗粒子(沙尘)型、清洁型以及细粒子(霾)型。选取的24个站点粒子谱分布均表现为双峰型,其中,粗粒子代表站共有7个(图1a,包括Dunhuang(中国敦煌)、Minqin(中国民勤)、Zhangye(中国张掖)、Jaipur(印度)、Gual_Pahari(印度)、Amity(印度)和Kanpur(印度)),其谱分布表现为粗模态粒子峰值浓度为细粒子的2—10倍,其中Dunhuang站的粗模态粒子(>1 μm)(Hussein,et al,2004)占总粒子体积比达到80%。细粒子的代表站共有4个(图1b,包括Hongkong(中国香港)、Kaiping(中国开平)、Maeson(泰国)以及Yufa(中国榆垡)),其谱分布特征表现为细模态粒子的体积浓度峰值高于粗模态粒子,其中Yufa站的谱分布最为典型,其细粒子模态峰值约为粗模态峰值的3倍。混合型站点数最多,共8个(图1c,包括Hetauda(尼泊尔)、Lanzhou(中国兰州)、Beijing和Beijing_CAMS(中国北京)、Hefei(中国合肥)、Bareilly(印度)、Lumbini(尼泊尔)、Bhola(孟加拉国)),其细模态粒子和粗模态对应的两个峰值均较为显著,且相较于粗粒子型,细模态的峰值浓度均高于0.05 μm3/μm2。共有5个站点(图1d,包括Xinglong(中国兴隆)、Taiwan(中国台湾)、Dongsha_Island(中国东沙岛)、Nainital(印度)和Muztagh(中国木孜塔格))的体积谱分布体现为清洁型,其两个峰值浓度相当,且均较低(<0.05 μm3/μm2)。
将AERONET选取的24个不同站点的FMF值和计算所得的VEf进行相关性分析(图2),各个站点的FMF和VEf均位于相近的区间中,无论站点类型为细粒子型、粗粒子型、混合粒子型或是清洁型,FMF和VEf均表现为较为一致的相关关系。本研究以FMF=0.4为界,对FMF和VEf的相关进行分段拟合,0.4的阈值选择有两个原因,其一,通过多种拟合方案的对比,以0.4为界有较好的拟合效果和较高的回算相关,其二,粗粒子污染的代表站,如Dunhuang站,研究时段内,FMF(AERONET)均值为0.27,Minqin站FMF均值为0.34,Zhangye站FMF均值为0.36,此类区域的FMF普遍小于0.4,而霾型以及沙尘和霾混合的地区,如沙尘和霾混合型的Lanzhou,FMF均值为0.65,再如Beijing的FMF均值为0.70,FMF普遍高于0.4。
由于FMF≤0.13的观测数据低于总样本量的0.01%,且对拟合结果影响较小,故不对其进行研究。对FMF≥0.4和0.13<FMF<0.4时FMF和VEf的相关关系分别进行二次多项式拟合(图3),拟合曲线为VEf = m×FMF2+n×FMF+p。其中,0.13<FMF<0.4时,m=23.2±1.2,n=−18.9±0.7,p=4.3±0.09,通过该拟合方程回算得到的VEf(VEf predict)与AERONET实测的VEf(VEf AERONET)结果较为吻合,斜率为0.98,决定系数(R2)可达0.96(图3a)。FMF≥0.4时,拟合方程中,m=1.3±0.02,n=−2.4±0.03,p=1.1±0.01,通过该拟合得到的VEf predict与 VEf AERONET的决定系数(R2=0.81)低于0.13<FMF<0.4的决定系数,同时,存在一定的低估(图3b)。为了提高FMF≥0.4估算的准确度,对比了4种不同类型的大气代表站FMF≥0.4时的FMF和VEf的相关关系,由图3c可见,对相关产生影响的离散分布点(方框)主要为清洁站点和一部分沙尘站点,这样的离散分布点相对较少,仅占到统计点的0.5%,但对于统计结果却有较大影响。在引入AOD后(图3d)发现,离散点均对应较低的AOD(≤0.1),对应整层大气非常清洁时的拟合结果不够理想,因而,文中对FMF≥0.4时的拟合方程做进一步改进,分为AOD>0.1(图4a)和AOD≤0.1(图4b)两种情况。其中,AOD>0.1时,拟合方程中系数分别为:m=1.45±0.09,n=−2.7±0.18,p=1.3±0.06,此时,VEf predict与VEf AERONET的决定系数提高到0.96,斜率也更接近于1(0.98)。AOD≤0.1时正常大气处于非常洁净的状态,其分布相对较为离散,该条件下拟合方程系数为m=1.62±0.10,n=−2.69±0.13,p=1.17±0.04,VEf predict与VEf AERONET也存在较好的相关(R2=0.78)。
3 结果与讨论 3.1 FY-4A卫星气溶胶光学产品评估在利用卫星反演近地面PM2.5浓度前,需对FY-4A卫星的相关光学产品进行评估检验。使用前,对FY-4A 的AOD(AOD FY-4A)和FMF(FMF FY-4A)产品进行了数据质量控制:首先对原始AOD FY-4A和FMF FY-4A产品(4 km分辨率)的逐5×5网格内的25个点进行判别,如果该网格内有值的像元点数少于4个,则认为可能是由次网格云或信噪比较差导致的,计算时将被剔除;而后,对3×3网格内的像元点求取方差,如果该像元的值和均值的差异大于3倍方差,则认为其为异常噪点,并对其剔除(曾湧等,2015)。对质量控制后的AOD进行检验评估。随机选取AERONET东亚区域10个观测站用于检验AOD FY-4A结果。对比时段为2017年7月1日至2019年12月31日。其中AERONET的AOD(AOD AERONET)的波段已换算为550 nm。由于卫星AOD结果基于像元,需将AERONET地基观测资料与AOD FY-4A结果进行匹配,选取整点,将AERONET观测结果±30 min内的数据进行平均,同时,选取FY-4A卫星空间上以AERONET站点为中心的9个格点内的有效结果进行平均,且要求像元数量不少于5个。
FY-4A卫星反演的AOD产品采用暗目标算法,与AERONET站点对比结果如图5所示,AERONET选取站点的相关信息及其与FY-4A卫星反演AOD的拟合结果详见表1。由于AERONET中Jaipur、Gual_Pahari、Dongsha_Island和Taiwan四个站点与FY-4A卫星AOD的可匹配点个数相对较少,故将4个站点数据叠加进行分析。为方便对比,建立的线性拟合方程为y=af (x),a为斜率,截距设置为0。对所有匹配数据进行相关性分析(图5,黑色拟合线)可以看出,a的变化范围为0.67—1.13,R区间为0.54—0.87,FY-4A卫星反演的不同站点AOD结果整体较好,但较地基观测结果还是存在一定的低估或高估,其中,Beijing_CAMS的拟合效果最佳,AOD FY-4A较地基观测结果略高(a为1.08),R为0.87。FMF可以反映大气中细粒子的比例,FMF大时,表示大气中细颗粒占比较高,反之细颗粒物占比低于粗颗粒物。对所有匹配点根据AERONET中FMF(FMF AERONET)进行颜色分类(图5)可见,除了Kanpur和Lumbini两个站点FMF的颜色分布较为集中外,其他各站点较低的FMF和较高FMF时AERONET和FY-4A卫星的AOD散点分布具有显著的差异。将FMF以0.4为界(FMF>0.4为细粒子比重较大时段(红色拟合线),FMF≤0.4为粗颗粒物主导时段(绿色拟合线))进行分段拟合。分段拟合后,两种情况下相关系数均高于0.62(表1)。FMF>0.4时Hongkong、Bhola、Amity和Beijing_CAMS四个站点的拟合结果较FMF≤0.4时更接近于AERONET观测结果(a更接近于1);但FMF≤0.4时,大多数站点的散点分布更为集中,反演稳定性优于FMF>0.4时。
AERONET站点信息 | FY-4A和AERONET 的AOD相关性结果 | |||||||||||||||
名称 | 经度
(°E) |
纬度
(°N) |
海拔
(m) |
匹配站
点数 |
拟合方程斜率(a) | R | RMSE | |||||||||
FMF
>0.4 |
FMF
≤0.4 |
总 | FMF
>0.4 |
FMF
≤0.4 |
总 | FMF
>0.4 |
FMF
≤0.4 |
总 | ||||||||
Jaipur | 75.80 | 26.91 | 450 | 921 | 0.60 | 1.36 | 0.77 | 0.74 | 0.72 | 0.54 | 0.33 | 0.29 | 0.40 | |||
Gual_Pahari | 77.15 | 28.43 | 250 | |||||||||||||
Dongsha_Island | 116.73 | 20.70 | 5 | |||||||||||||
Taiwan | 121.00 | 24.78 | 99 | |||||||||||||
Hong Kong | 114.26 | 22.21 | 80 | 937 | 1.11 | 1.53 | 1.13 | 0.62 | 0.73 | 0.68 | 0.28 | 0.33 | 0.36 | |||
Bhola | 90.76 | 22.23 | 7 | 13149 | 1.09 | 1.54 | 1.11 | 0.60 | 0.63 | 0.58 | 0.29 | 0.38 | 0.33 | |||
Kanpur | 80.23 | 26.51 | 123 | 7729 | 0.75 | 0.72 | 0.73 | 0.63 | 0.69 | 0.64 | 0.22 | 0.25 | 0.24 | |||
Amity | 76.92 | 28.32 | 285 | 1846 | 0.96 | 1.4 | 1.08 | 0.75 | 0.62 | 0.66 | 0.25 | 0.33 | 0.27 | |||
Beijing_CAMS | 116.32 | 39.93 | 106 | 2340 | 1.07 | 1.49 | 1.08 | 0.85 | 0.72 | 0.87 | 0.20 | 0.25 | 0.17 | |||
Lumbini | 83.28 | 27.49 | 110 | 9666 | 0.65 | 0.74 | 0.67 | 0.75 | 0.80 | 0.75 | 0.26 | 0.20 | 0.21 |
FMF FY-4A产品的反演方法采用与MODIS卫星相同的模态组合算法,此算法存在的不确定性较高,其中 FMF MODIS在陆地上空精度存在显著的偏差(Zhang,et al,2015;Li,et al,2016),均方根误差(RMSE)为0.61左右。对2017年7月至2019年12月的FY-4A卫星和FMF AERONET做比较,结果如图6所示。6个选取站点(Amity、Taiwan、Gual_Pahari、Hong Kong、Jaipur和Beijing_CAMS),FMF FY-4A和FMF AERONET的相关系数为0.27—0.77,均方根误差小于0.7。综上,FMF FY-4A和AOD FY-4A产品仍存在一定的不确定性,其产品的准确度仍有待从地表反射率的参数化以及气溶胶模型两方面加强和提高。
对2019年AOD FY-4A(550 nm)进行逐半年平均,结果如图7。2019年上半年,中国AOD高值区域(>0.8)主要集中于华中、京津冀中南部、长江三角洲、川渝、汾渭平原和珠江三角洲一带,2019年下半年,AOD高值区域范围显著减小,但山东西部、江苏北部一带的AOD较上半年略有增大。AOD的半年均值分布与近地面大气污染有一定的对应关系,中国环境监测总站的观测数据显示,上半年,全国和2+26个城市地面观测PM2.5质量浓度均值分别为43.01和63.78 μg/m3,下半年有显著降低,质量浓度均值为33.92和46.13 μg/m3。2019年全年,FY-4A卫星反演的中国区域AOD均值为0.41,与基于地面光度计观测中国区域的年均值(0.43)相当(Xin,et al,2007),其中上半年和下半年均值分别为0.45和0.38。
由于FY-4A卫星采用暗目标算法反演AOD,难以实现在亮地表上空的反演。中国大陆地区下垫面地表类型复杂,其中西北区域广泛分布高反射率的沙漠以及干旱和半干旱的裸露地表,同时,秋冬季西北、东北等地的部分地区长时间的地面积雪覆盖均使得上述区域AOD反演结果存在大量无值区,AOD半年均值不能对其实际情况进行全面的反映。同时,由于新疆南疆盆地常年存在高频率的扬沙或浮尘天气,大气对流活动相对旺盛,常有云体覆盖,非晴空像元概率较大,使得AOD反演出现长时间缺失。AOD半年均值图中,特别是上半年西北区域沙尘活动相对频繁,青海、内蒙古、甘肃等地的AOD高值区可能与沙尘气溶胶有关。
与日本葵花8卫星同时段的AOD(AOD H8)均值结果进行对比(图8)可以看出,H8和FY-4A反演的AOD结果整体较为接近。其中,2019年上半年,AOD H8和AOD FY-4A均在京津冀中南部、山东西部和河南中东部一带呈现高值,AOD H8的数值略高于同区域AOD FY-4A。广东和广西一带,AOD H8和AOD FY-4A的反演结果也较为吻合。但长江三角洲一带,AOD H8明显低于AOD FY-4A。由上半年至下半年,AOD H8和AOD FY-4A的变化趋势一致,下半年中东部的AOD数值明显低于上半年,但AOD FY-4A在中东部的结果略高于AOD H8 。
3.2 改进后的PMRS反演中国近地面PM2.5浓度根据改进后的PMRS反演算法,利用FY-4A卫星的光学产品,反演得到中国逐时0.25°×0.25°的网格化近地面PM2.5浓度分布。图9和10分别为2019年FY-4A卫星反演得到的中国近地面PM2.5浓度以及全国城市空气质量实时发布平台监测的PM2.5浓度的逐月均值。卫星在有云遮挡时不能很好地对整层大气进行探测,云层较厚地区以及地表反射率较高的区域AOD可能存在缺测的现象,同时,通过FY-4A卫星反演的PM2.5浓度在夜间没有数值。为使地面观测和卫星反演结果的样本有统一的时间匹配,对地面观测PM2.5浓度结果和卫星反演的PM2.5浓度结果进行如下筛选:(1) 剔除夜间地面观测的PM2.5浓度结果,保留07—19时的PM2.5浓度值;(2)分别对08—20时卫星反演结果和地面观测PM2.5浓度进行逐时匹配,匹配方法为以地面站点为中心,逐一对该站点所在网格内9个格点的FY-4A卫星反演PM2.5浓度结果进行判别,如果9个格点中有卫星反演结果,则该点的地面观测数据保留,否则记为空。进行时间匹配后的地面观测显示(图10),2019年初(1—2月),中国中东部空气质量较差,特别是1月,京津冀及周边区域、汾渭平原、苏皖北部、江汉等地的月均值均高于75 μg/m3,部分区域的月均值高于100 μg/m3。3月开始中国大部分区域空气质量显著好转,而进入到年底的秋冬季(11—12月),中国中东部大气扩散条件虽再次转差,但较同年的1—2月,PM2.5浓度高值(75 μg/m3)分布区范围显著减小,特别是11月,中国中东部PM2.5浓度月均值基本低于75 μg/m3。进入12月后,中国中东部污染区范围有所增大,但污染较重的区域仅分布在京津冀及周边区域等地,污染物浓度和范围显著低于1—2月。卫星反演的PM2.5浓度月均值(图9)与近地面观测的结果有较好的对应关系,与地面观测的逐月演变趋势基本一致,基本可以反映出中国近地面大气细粒子的空间分布。秋、冬季,京津冀周边区域、汾渭平原等污染高值区均与地面观测对应较好,但不同区域间也存在一定的低估或高估,其中,苏皖中南部、贵州和江西等地反演结果普遍高于地面观测,而河南东南部、北京等地的反演结果较地面观测偏低。同时,区域峰值浓度的反演结果与地面观测也较为一致,如,1月卫星反演京津冀中南部峰值浓度在115 μg/m3左右,与地面观测结果基本吻合。5—10月的反演结果中,长江以南的反演结果略偏高,但京津冀及周边区域、甘肃等地的反演结果在个别月份存在一定的低估。
3.3 单点检验和误差分析选取2017年7月1日至2019年12月31日,中国区域9个环境监测总站地面观测站点,分别为北京万柳、乌鲁木齐铁路局、黄山区政府5号楼、石家庄西南高教、中山华柏园、上海虹口、榆林实验小学、徐州黄河新村以及哈尔滨香坊红旗大街。取该地面站点为中心的9个格点内的有效的卫星反演结果进行平均,并与地面实际观测值进行比较。PMRS方法改进前,江琪等(2020)对京津冀、长江三角洲、内蒙古等地反演中,R分布区间为0.3—0.6,同时存在明显的高估或低估。Zhang等(2015)对15个北方城市的比对结果中,R也仅为0.5。而使用改进后的PMRS方法(图11),卫星反演结果的准确度明显提升,其中,乌鲁木齐、石家庄和徐州观测点的相关系数(R)均高于0.7,榆林的反演结果最差,但R也高于0.42。不同站点的反演结果均存在一定的低估或高估,其中,哈尔滨和中山的拟合结果斜率最接近1,乌鲁木齐(斜率:0.8)的反演结果较实况观测有明显的低估,而上海地区卫星反演得到的PM2.5浓度约为地面观测的1.2倍。
采用PMRS方法通过风云四号卫星AOD值反演地面PM2.5浓度的偏差主要由以下几个因素造成:(1) 风云四号卫星反演AOD和FMF产品的误差,(2) 大气气溶胶粒子的密度在各个区域的差异和其测量值的缺乏,(3)罗氏法估算混合层高度的误差,(4)气溶胶粒子吸湿增长造成的误差,(5) PMRS方法本身的误差等。
不同地区间干细粒子密度(ρf,dry)存在差异,全球的相关研究结果普遍分布于1.4—1.93 g/cm3(Morawska,et al,1999;Pitz,et al,2003;张国华等,2015)。由于中国区域相关研究结果有限,选取了Wang Z F等(2010)对华北平原观测值1.5 g/cm3、高健等(2007)对上海地区观测值1.7 g/cm3的平均值1.6 g/cm3作为中国的密度值(ρf,dry)进行计算。假设粒子遵循吸湿增长方程,其系数a和b在陆地、水体等不同下垫面的测量值不同,也会对反演结果造成误差。研究(Zhang,et al,2015)表明,由密度差异和吸湿增长等因素造成的反演结果误差可达34%。
AOD产品误差方面,北京地区卫星反演的AOD与地基观测的AOD的相关系数为0.87,斜率为1.08,因而,在不考虑卫星反演AOD的误差时,北京地区反演结果和地面观测的相关系数可达0.74,但与此同时,除去AOD本身的高估外,卫星对地面PM2.5浓度的反演结果的低估程度略有增大,达到15%。
4 结 论对FY-4A卫星的AOD产品进行检验,并根据卫星相关资料,通过改进后的PMRS方法,反演得到中国近地面PM2.5质量浓度网格化分布,并与地面观测结果进行对比。结论如下:
(1) FY-4A卫星反演不同站点AOD结果较AERONET地基观测结果存在一定的低估或高估,相关系数为0.54—0.87。AOD散点分布与FMF的大小有一定关联。将FMF以0.4为界进行划分,两种情况下AOD FY-4A和AOD AERONET的相关系数均高于0.62。其中,FMF>0.4时,拟合结果较FMF≤0.4时更接近于AERONET观测结果;但FMF≤0.4时,大多站点的散点分布更为集中,反演稳定性优于FMF>0.4。同时,2019年逐半年AOD FY-4A平均结果与地面观测的PM2.5浓度分布有较好的对应关系。
(2)细粒子柱状体积消光比(VEf)是PMRS方法的关键变量,不同区域间VEf与FMF均存在相似的相关,以FMF=0.4为界,分别建立VEf的拟合公式,并通过引入AOD改进FMF>0.4时对VEf的估算算法。通过改进后的PMRS方法,卫星的反演结果和地面测量相关较好,其中,乌鲁木齐、石家庄和徐州观测点的相关系数高于0.7,但数值上仍存在高估或低估。
(3)卫星反演的中国2019年近地面PM2.5浓度月均值与近地面观测的结果有较好的对应关系,二者逐月演变趋势基本一致,基本可以反映中国近地面大气细粒子的空间分布,特别是秋、冬季,京津冀周边区域、汾渭平原等污染高值区均与地面观测对应较好。
高健, 周杨, 王进等. 2007. WPSTM-TEOMTM-MOUDITM的对比及大气气溶胶密度研究
. 环境科学, 28(9): 1929-1934. Gao J, Zhou Y, Wang J, et al. 2007. Inter-comparison of WPSTM-TEOMTM-MOUDITM and investigation on particle density
. Environ Sci, 28(9): 1929-1934. DOI:10.3321/j.issn:0250-3301.2007.09.005 (in Chinese) |
江琪, 王飞, 孙业乐. 2018. 河北香河亚微米气溶胶组分特性、来源及其演变规律分析. 环境科学, 39(7): 3022-3032. Jiang Q, Wang F, Sun Y L. 2018. Analysis of chemical composition, source and evolution of submicron particles in Xianghe, Hebei province. Environ Sci, 39(7): 3022-3032. (in Chinese) |
江琪, 桂海林, 张天航等. 2020. 基于FY-4A卫星资料的中国区域网格化地表大气颗粒物浓度估算. 气象, 46(10): 1297-1309. Jiang Q, Gui H L, Zhang T H, et al. 2020. Estimation of gridding surface atmospheric particle matter concentration in China based on FY-4A satellite observation. Meteor Mon, 46(10): 1297-1309. DOI:10.7519/j.issn.1000-0526.2020.10.004 (in Chinese) |
饶晓琴, 李峰, 周宁芳等. 2019. 我国中东部一次大范围霾天气的分析. 气象, 34(6): 89-96. Rao X Q, Li F, Zhou N F, et al. 2019. Analysis of a large-scale haze over middle and eastern China. Meteor Mon, 34(6): 89-96. DOI:10.3969/j.issn.1003-6598.2019.06.015 (in Chinese) |
曾湧, 王文宇, 何善铭. 2015. CBERS-1卫星CCD图像高效去噪方法. 航天返回与遥感, 25(2): 29-33. Zeng Y, Wang W Y, He S M. 2015. An efficient method of removing noise of CBERS-1 CCD camera image. Spacecr Recov Remote Sens, 25(2): 29-33. (in Chinese) |
张国华, 毕新慧, 韩冰雪等. 2015. 单颗粒气溶胶质谱测定颗粒的有效密度. 中国科学: 地球科学, 45(12): 1886-1894. Zhang G H, Bi X H, Han B X, et al. 2016. Measurement of aerosol effective density by single particle mass spectrometry. Sci China Earth Sci, 59(2): 320-327
|
Bellouin N, Boucher O, Haywood J, et al. 2005. Global estimate of aerosol direct radiative forcing from satellite measurements. Nature, 438(7071): 1138-1141. DOI:10.1038/nature04348 |
Colarco P, da Silva A, Chin M, et al. 2010. Online simulations of global aerosol distributions in the NASA GEOS-4 model and comparisons to satellite and ground-based aerosol optical depth. J Geophys Res, 115(D14): D14207. DOI:10.1029/2009JD012820 |
Engel-Cox J A, Hoff R M, Rogers R, et al. 2006. Integrating lidar and satellite optical depth with ambient monitoring for 3-dimensional particulate characterization. Atmos Environ, 40(40): 8056-8067. DOI:10.1016/j.atmosenv.2006.02.039 |
Gao J, Wang J, Cheng S H, et al. 2007. Number concentration and size distributions of submicron particles in Jinan urban area: Characteristics in summer and winter. J Environ Sci, 19(12): 1466-1473. DOI:10.1016/S1001-0742(07)60239-3 |
Han S Q, Hao T Y, Zhang Y F, et al. 2017. Vertical observation and analysis on rapid formation and evolutionary mechanisms of a prolonged haze episode over central-eastern China. Sci Total Environ, 616-617: 135-146. |
Hand J L, Kreidenweis S M. 2002. A new method for retrieving particle refractive index and effective density from aerosol size distribution data. Aerosol Sci Technol, 36(10): 1012-1026. DOI:10.1080/02786820290092276 |
Hussein T, Hämeri K, Aalto P, et al. 2004. Particle size characterization and the indoor-to-outdoor relationship of atmospheric aerosols in Helsinki. Scand J Work Environ Health, 30(Suppl 2): 54-62. |
Hutchison K D, Faruqui S J, Smith S. 2008. Improving correlations between MODIS aerosol optical thickness and ground-based PM2.5 observations through 3D spatial analyses
. Atmos Environ, 42(3): 530-543. DOI:10.1016/j.atmosenv.2007.09.050 |
Kahn R A, Gaitley B J, Garay M J, et al. 2010. Multiangle imaging SpectroRadiometer global aerosol product assessment by comparison with the Aerosol Robotic Network. J Geophys Res, 115(D23): D23209. DOI:10.1029/2010JD014601 |
Koelemeijer R B A, Homan C D, Matthijsen J. 2006. Comparison of spatial and temporal variations of aerosol optical thickness and particulate matter over Europe. Atmos Environ, 40(27): 5304-5315. DOI:10.1016/j.atmosenv.2006.04.044 |
Li T W, Shen H F, Yuan Q Q, et al. 2017. Estimating ground-level PM2.5 by fusing satellite and station observations: A geo-intelligent deep learning approach
. Geophys Res Lett, 44(23): 11985-11993. DOI:10.1002/2017GL075710 |
Li Z Q, Zhang Y, Shao J, et al. 2016. Remote sensing of atmospheric particulate mass of dry PM2.5 near the ground: Method validation using ground-based measurements
. Remote Sens Environ, 173: 59-68. DOI:10.1016/j.rse.2015.11.019 |
Liu X G, Cheng Y F, Zhang Y H, et al. 2008. Influences of relative humidity and particle chemical composition on aerosol scattering properties during the 2006 PRD campaign. Atmos Environ, 42(7): 1525-1536. DOI:10.1016/j.atmosenv.2007.10.077 |
Ma Z W, Liu Y, Zhao Q Y, et al. 2016. Satellite-derived high resolution PM2.5 concentrations in Yangtze River Delta Region of China using improved linear mixed effects model
. Atmos Environ, 133: 156-164. DOI:10.1016/j.atmosenv.2016.03.040 |
McMurry P H, Wang X, Park K, et al. 2002. The relationship between mass and mobility for atmospheric particles: A new technique for measuring particle density. Aerosol Sci Technol, 36(2): 227-238. DOI:10.1080/027868202753504083 |
Morawska L, Johnson G, Ristovski Z D, et al. 1999. Relation between particle mass and number for submicrometer airborne particles. Atmos Environ, 33(13): 1983-1990. DOI:10.1016/S1352-2310(98)00433-6 |
Pitz M, Cyrys J, Karg E, et al. 2003. Variability of apparent particle density of an urban aerosol. Environ Sci Technol, 37(19): 4336-4342. DOI:10.1021/es034322p |
Pope Ⅲ C A, Ezzati M, Dockery D W. 2009. Fine-particulate air pollution and life expectancy in the United States. N Engl J Med, 360(4): 376-386. DOI:10.1056/NEJMsa0805646 |
Wang J, Xu X G, Spurr R, et al. 2010. Improved algorithm for MODIS satellite retrievals of aerosol optical thickness over land in dusty atmosphere: Implications for air quality monitoring in China. Remote Sens Environ, 114(11): 2575-2583. DOI:10.1016/j.rse.2010.05.034 |
Wang Q Q, Sun Y L, Xu W Q, et al. 2018. Vertically resolved characteristics of air pollution during two severe winter haze episodes in urban Beijing, China. Atmos Chem Phys, 18(4): 2498-2509. |
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 Sens Environ, 114(1): 50-63. DOI:10.1016/j.rse.2009.08.009 |
Xin J Y, Wang Y S, Li Z Q, et al. 2007. Aerosol optical depth (AOD) and Ångström exponent of aerosols observed by the Chinese Sun Hazemeter Network from August 2004 to September 2005. J Geophys Res, 112(D5): D05203. |
Xue Y, He X W, Xu H, et al. 2014. China Collection 2.0: The aerosol optical depth dataset from the synergetic retrieval of aerosol properties algorithm. Atmos Environ, 95: 45-58. DOI:10.1016/j.atmosenv.2014.06.019 |
Zhang P, Zhu L, Tang S H, et al. 2019. General comparison of FY-4A/AGRI with other GEO/LEO instruments and its potential and challenges in non-meteorological applications. Front Earth Sci, 6: 224. DOI:10.3389/feart.2018.00224 |
Zhang X Y, Wang F, Wang W H, et al. 2020. The development and application of satellite remote sensing for atmospheric compositions in China. Atmos Res, 245: 105056. DOI:10.1016/j.atmosres.2020.105056 |
Zhang Y, Li Z Q. 2015. Remote sensing of atmospheric fine particulate matter (PM2.5) mass concentration near the ground from satellite observation
. Remote Sens Environ, 160: 252-262. DOI:10.1016/j.rse.2015.02.005 |