赵笑然1
,
石汉青1
,
杨平吕1
,
张雷1
,
方荀2
,
梁快1
|
收稿日期: 2016-05-30; 优先数字出版日期: 2016-09-12
基金项目: 国家自然科学基金(编号：41205013)
第一作者简介: 赵笑然(1992— )，女，硕士研究生，研究方向为大气物理学与大气环境。E-mail：
zhaoxiaoran_zxr@sina.com
通讯作者简介: 石汉青(1961— )，教授，研究方向为卫星遥感与资料反演。E-mail：
mask1000@126.com
中图分类号: TP701
文献标识码: A
|
摘要
为研究城市夜间PM2.5质量浓度，利用NPP卫星上可见光红外成像辐射套件(VIIRS)DNB通道的微光辐射数据，以辐射传输理论为基础，建立了夜间城市灯光辐射强度与地面表层PM2.5质量浓度的关系，并基于支持向量机方法建立了夜间城市PM2.5质量浓度反演模型。以北京市作为研究对象，选取2015-03—2015-05期间无月、无云且晴朗夜空条件下4个PM2.5监测站点的微光辐射数据与时空匹配的PM2.5质量浓度数据对模型进行验证。研究结果表明：夜间城市灯光辐射强度与地面表层PM2.5质量浓度呈现负相关性，相关系数最高的定陵站点达到–0.83。基于支持向量机方法建立的PM2.5反演模型获得的PM2.5质量浓度与实际PM2.5质量浓度的相关系数达到0.95，反演结果较优，为进一步大范围监测PM2.5质量浓度空间分布以及改善城市夜间空气质量状况评估方法提供了可行性参考。
关键词
微光, 夜间PM2.5, VIIRS/DNB, 支持向量机
ZHAO Xiaoran1
,
SHI Hanqing1
,
YANG Pinglyu1
,
ZHANG Lei1
,
FANG Xun2
,
LIANG Kuai1
Abstract
Particulate matter with an aerodynamic diameter of less than 2.5 μm (PM2.5) can be transmitted for long distances and remain in the air for a long period of time, which can cause haze pollution. The accurate monitoring of PM2.5 mass concentration, especially nighttime PM2.5 mass concentration, has notable significance in ambient air quality, traffic safety, and human health. This study focuses on monitoring PM2.5 based on radiative transfer theory by utilizing nighttime radiance data collected by the Day/Night Band (DNB) of the Visible Infrared Imaging Radiometer Suite (VIIRS) aboard the Suomi National Polar-orbiting Partnership satellite. Moonlight and artificial lights are the major sources of visible light at night. Nighttime city light imagery has certain instruction ability to ambient air quality. This study adopts the Support Vector Machine (SVM) method to establish the PM2.5 mass concentration inversion model. Nighttime city light intensity was selected as the input parameters for the SVM model. Spatially and temporally paired surface PM2.5 data was selected as the output parameter. This study focuses on the moonless and cloudless nights in Beijing, China from March 2015 to May 2015. First, the contrast of the DNB images qualitatively shows that the DNB imagery is sensitive to the PM2.5 changes at night. Starting from the Beer's law, this study then establishes a link between the nighttime surface PM2.5 mass concentration and the city light intensity radiance measured by the DNB. Second, the correlation coefficient between PM2.5_rh/μ and ln(I) is calculated at each PM2.5 site following the link. Results show a negative correlation, with the largest correlation reaching –0.83 at the Dingling site. This scenario reflects a higher PM2.5 mass concentration in the surface air, and the city light radiance attenuates more in the atmospheric transmission path. Finally, the cross validation of the SVM model shows a linear correlation of 0.95 with respect to the corresponding surface observation PM2.5 mass concentration and a best-fit equation ofy=0.98x–1.82. The average absolute deviation of the SVM model and observed values is 4.89 μg·m–3, whereas the least absolute deviation is only 0.58 μg·m–3. Most of the relative deviation is less than 10%, and the minimum relative deviation is only 0.25%. Furthermore, a statistical analysis illustrates the surface PM2.5 mass concentration at the VIIRS night overpass (~2:00 AM in Beijing) time is representative of the daily-mean PM2.5 during the 3-month period. This study provides a feasible method of PM2.5 inversion utilizing DNB nighttime data. The study results indicate the accuracy of the SVM model. This model is largely significant in further filling the temporal and spatial gaps of nighttime PM2.5 monitoring, which can significantly advance the research on PM2.5 effects on the weather, environment, and human health.
Key words
low light, nighttime PM2.5, VIIRS/DNB, support vector machine
1 引 言
Particulate Matter 2.5(PM2.5)是指环境空气中空气动力学当量直径小于等于2.5 μm的颗粒物。它能够远距离传输并长时间停留在空气中，降低大气能见度，影响交通安全，污染环境，对人的呼吸系统造成伤害，由此，监测PM2.5质量浓度，掌握PM2.5时空分布十分重要。目前，环保部门主要依靠地面监测站监测PM2.5质量浓度，测定PM2.5的方法主要有3种：重量法、β射线吸收法和微量振荡天平法。这些地基测量方法虽然测量精度高，时间连续性好，但监测仪器成本高，覆盖范围小，难以形成大范围的整体监测；近些年，卫星遥感技术逐渐应用于PM2.5浓度监测，如中分辨率成像光谱仪(MODIS)、中红外光谱仪(MIRS)、海洋观察宽视场传感器(SeaWiFS)、业务线扫描仪(OLS)、可见光红外成像辐射套机(VIIRS)、臭氧监测仪(OMI)等卫星传感器(马宗伟，2015)。相比地面的常规观测，卫星遥感数据空间连续性强、覆盖范围广，可以弥补地基观测的不足，能够更好地监测PM2.5时空分布梯度。
近年来，遥感技术在PM2.5监测方面的应用取得了较大进展。Kahn等人(1998)发现MISR在可见光和近红外波段反演的气溶胶光学厚度(AOD)所对应的颗粒物粒径与PM2.5粒径十分接近，这为建立AOD-PM2.5相关关系奠定了理论基础。Wang和Christopher(2003)采用简单线性回归方法研究了美国Alabama州Jefferson地区MODIS AOD与PM2.5的线性关系，发现二者具有较好地相关性。利用MODIS和MISR AOD估算2001年全球PM2.5浓度分布后，Van Donkelaar等人(2006)发现AOD的垂直廓线是影响AOD-PM2.5关系的一个重要因素。Chu等人在AOD-PM2.5模型中加入AOD垂直廓线订正，提高了模型预测能力。利用MODIS AOD与气象参数、土地参数，Hu等人(2013)开发了地理加权回归模型(GWR)，估算了美国东南部地区PM2.5的浓度，结果显示GWR模型具有较高的预测精度。由于高级统计模型的建立需要大量地面观测数据来进行模型的拟合与验证，到2012年底中国初步建成PM2.5地面观测网络，为国内开展AOD-PM2.5高级统计模型研究提供了条件。郭建平等人(2013)利用MODIS AOD产品和气象数据，构建后向神经网络，提出了基于AOD产品估算PM2.5的模型。利用第三代空气质量模型(CMAQ)和中尺度气象模型(WRF)对MODIS AOD资料湿度订正，薛文博等人(2015)建立了MODIS AOD资料与PM2.5之间的线性拟合模型，首次反演了2013年1月中国10 km分辨率PM2.5浓度空间分布。由于现有方法主要依赖于MODIS AOD产品，而MODIS产品仅限于白天，限制了PM2.5监测的时效性，使得无法在夜间对PM2.5进行监测。
利用卫星遥感技术对夜间PM2.5进行检测具有多方面的意义。首先，PM2.5的日变化具有显著的周期性特征，对夜间PM2.5的监测可以结合白天监测结果更准确地评估PM2.5日变化情况(于建华 等，2004)；其次，灰霾污染期间引起PM2.5质量浓度变化的因素在夜间也有明显反应，例如气象条件中的风向风速、相对湿度以及夜间逆温层的形成，另外机动车尾气、煤燃烧、建筑粉尘和二次气溶胶等亦是夜间PM2.5的重要来源(孟燕军和程丛兰，2002；黄辉军 等，2002；王志娟 等，2012)，对这些重要影响因素的分析将有助于更好地了解PM2.5形成及消散规律，有利于相关部门更好地制定防治措施。
夜间，月光与城市灯光是可见光的主要来源。虽然进入大气层顶部的月光比城市灯光更容易量化，但市区的人造光源强度在一定时间段内相对稳定，并且其辐射强度至少为月光的十倍(Miller和Turner，2009)。因此，近年来利用微光资料反演夜间PM2.5浓度逐渐得到了学者的关注，Li等人(2015)利用国防气象卫星(DMSP-OLS)夜间微光数据与地理信息技术构建了后向神经网络，建立了夜间PM2.5神经网络反演模型；随后，Wang等人(2016)利用VIIRS/DayNight Band(DNB)微光数据对美国Atlanta地区5个PM2.5监测站周围夜间城市灯光辐射强度进行分析，发现其与PM2.5质量浓度有较高的相关性，适合用来建立模型定量反演PM2.5质量浓度。
VIIRS/DNB夜间灯光图像对城市上空的空气质量变化具有较好的指示能力，但国内还未开展相关研究，因此本文尝试利用北京市夜间城市灯光分析地面PM2.5质量浓度，以辐射传输理论为物理基础，研究VIIRS夜间城市灯光图像与地面PM2.5质量浓度之间的关系，最后利用支持向量机(SVM)建立PM2.5质量浓度反演模型。
2 数据与方法
2.1 数据说明
National Polar-orbiting Partnership(NPP)卫星是美国新一代国家极轨业务环境卫星系统预备项目(NPOESS)的首颗卫星，携带了包括可见光红外成像辐射仪VIIRS在内的5个对地观测仪器，具有3040 km的扫描带宽度，优于400 m的星下点分辨率，一天大约绕地球14圈，可覆盖地球表面两次，每12小时提供一次全球云图。
搭载于NPP卫星上的可见光红外扫描辐射仪VIIRS，具有22个对地观测通道(表1)，是目前世界上最先进的星载探测系统，它继承并发展了先进甚高分辨率辐射计NOAA/AVHRR和中分辨率成像光谱仪EOS/MODIS的探测能力，尤其是DNB通道对线性业务扫描系统OLS夜晚的微光探测能力做了改进与优化，其辐射动态范围达到107量级(4×10–9—3×10–2)，可以接收夜间月光、星光、城市灯光和大气辉光等微弱可见光的辐射。
表 1 VIIRS通道
Table 1 VIIRS channels
| 波段 | 中心波长/μm | 波长范围/μm | 波段说明 | 星下点分辨率/m |
| M1 | 0.412 | 0.402—0.422 | 可见光 | 750 |
| M2 | 0.445 | 0.436—0.454 | ||
| M3 | 0.488 | 0.478—0.488 | ||
| M4 | 0.555 | 0.545—0.565 | ||
| M5 | 0.672 | 0.662—0.682 | ||
| M6 | 0.746 | 0.739—0.754 | 近红外 | |
| M7 | 0.865 | 0.846—0.885 | ||
| M8 | 1.24 | 1.23—1.25 | 短波红外 | |
| M9 | 1.378 | 1.371—1.386 | ||
| M10 | 1.61 | 1.58—1.64 | ||
| M11 | 2.25 | 2.23—2.28 | ||
| M12 | 3.7 | 3.61—3.79 | 中波红外 | |
| M13 | 4.05 | 3.97—4.13 | ||
| M14 | 8.55 | 8.4—8.7 | 长波红外 | |
| M15 | 10.763 | 10.26—11.26 | ||
| M16 | 12.013 | 11.54—12.49 | ||
| I1 | 0.64 | 0.6—0.68 | 可见光 | 375 |
| I2 | 0.865 | 0.85—0.88 | 近红外 | |
| I3 | 1.61 | 1.58—1.64 | 短波红外 | |
| I4 | 3.75 | 3.55—3.93 | 中波红外 | |
| I5 | 11.45 | 10.5—12.4 | 长波红外 | |
| DNB | 0.7 | 0.5—0.9 | 可见光 | 全扫描范围750 |
NPP数据有原始数据记录(RDR)、传感器数据记录(SDR)和环境数据记录(EDR)等不同级别处理水平的数据产品(Li 等，2014)。在城市灯光、火情、低云、大雾、陆地和海洋表面温度等环境定量监测方面，VIIRS数据已显示出了巨大的潜力(方荀 等，2015)。本研究使用3种VIIRS数据：(a)VIIRS/DNB SDR数据(SVDNB)；(b)VIIRS/DNB地理SDR数据(GDNBO)；(c)VIIRS/M15 SDR数据(SVM15)。其中，SVDNB数据产品提供夜间灯光辐射值信息；GDNBO数据产品提供相应的经度、纬度、月相角、月光照度、月亮方位角天顶角、卫星观测方位角天顶角等地理信息；SVM15数据产品用来判断夜空中是否有云存在，以筛选出晴朗无云的夜空。此外，PM2.5质量浓度监测数据从中国空气质量在线监测分析平台获得([2016-01-07] )。
2.2 数据处理
以北京市为研究对象，选取2015年春季(2015-03—2015-05)无月、无云且晴朗的夜晚。本研究涉及的4个站点中，1个站点(A)位于北京郊区，3个站点(B、C、D)位于北京城区。表2列出了各个站点(A—D)的名称、区域及经纬度。
表 2 北京市4个PM2.5监测站信息概况
Table 2 Information of the four PM2.5stations in Beijing
| 编号 | 站点 | 位置 | 经度/°E | 纬度/°N |
| A | 定陵 | 昌平区 | 116.169 | 40.287 |
| B | 东城东四 | 东城区 | 116.434 | 39.952 |
| C | 农展馆 | 朝阳区 | 116.473 | 39.972 |
| D | 奥体中心 | 朝阳区 | 116.407 | 40.003 |
由于PM2.5吸湿增长的特性，相对湿度对颗粒物粒径分布、成分改变的影响最为明显。振荡微量天平对PM2.5进行自动监测时，需将空气样本加热到50 ℃，这一过程降低了空气样本的相对湿度，使得测量结果低于实际值，因此，需要对本文所用到的PM2.5站点监测浓度进行湿度订正(Li 等，2005)
| ${\rm{P}}{{\rm{M}}_{2.5\_{\rm{rh}}}} = \frac{{{\rm{P}}{{\rm{M}}_{2.5}}}}{{1 - RH/100}}(1 < RH < 100)$ | (1) |
式中，PM2.5为站点监测浓度，PM2.5_rh为湿度订正后的质量浓度，RH为卫星过境时刻地面的相对湿度。
3 反演原理及模型建立
3.1 基本原理
将夜间向上发射可见光辐射的地面表层视为朗伯体，向上传输的辐射强度I0是光线在地表空气与建筑物之间多次散射、反射的共同结果。对于确定的研究区域，假设其地表特征(比如建筑物的布局、城市灯光的分布)在同一年中的3个月内不发生改变，因此，VIIRS像元上每一点的I0可视为常数，但其在空间上是变化的。
忽略多次散射，到达卫星的夜间灯光辐射强度I遵循比尔定律，如式(2)所示。
| $I = {I_0}{{\rm{e}}^{ - \tau /\mu }}$ | (2) |
式中，τ为大气光学厚度，μ为卫星观测天顶角θ的余弦。
进一步假设夜间边界层的气溶胶消光系数廓线结构稳定，PM2.5在有效高度内均匀混合，因此，光学厚度(即总消光)可表示为
| ${\rm{\tau }} = {\rm{P}}{{\rm{M}}_{2.5\_{\rm{rh}}}}{Q_{\rm{m}}}H$ | (3) |
式中，Qm为质量消光效率，H为气溶胶混合层有效高度。结合式 (2)(3)，可得：
| $\frac{{{\rm{P}}{{\rm{M}}_{2.5\_{\rm{rh}}}}{Q_{\rm{m}}}H}}{\mu } = \ln \left( {{I_0}} \right) - \ln \left( I \right)$ | (4) |
由于Qm与H难以现场实时测量，且对提高模型预测结果的贡献不大，因此，可将Qm与H的乘积视为常数。故式简化为
| $\frac{{{\rm{P}}{{\rm{M}}_{2.5\_{\rm{rh}}}}}}{\mu } = a - b\ln \left( I \right)$ | (5) |
式中，a、b为系数。该式以辐射传输理论为基础，建立了地表PM2.5质量浓度与DNB通道测得的夜间灯光辐射强度间的关系。
3.2 PM2.5质量浓度的支持向量机反演
3.2.1 SVM训练样本集选取
夜间无月的情况下城市灯光成为卫星过境时DNB通道的主要光源。因此，为了消除月相和云层的影响，利用VIIRS/M15红外云图，结合地面气象信息，选取无月、无云且晴朗夜空的VIIRS数据作为取样样本，筛选出15个符合条件的晴朗夜晚。
表3分别列出了4个站点处式(5)中PM2.5_rh/μ与1×1像元(约0.75×0.75 km)、3×3像元(约1.5×1.5 km)、5×5像元(约3.75×3.75 km)辐射平均值的相关系数，每个站点处相关系数最高的用粗体标识。通过实验比较，发现以监测站点为中心5×5像元范围内的辐射平均值与PM2.5的相关性普遍较高，故本文将分别对4个PM2.5自动监测站提取以站点坐标为中心5×5像元范围内的辐射平均值作为各站点到达卫星的夜间灯光辐射值。
表 3 4个站点处PM2.5_rh/μ与不同像元辐射值均值的相关系数
Table 3 Correlation coefficients (R) between PM2.5_rh/μ and different pixels’ radiance average at four stations sites
| 像元数目 | A定陵 | B东四 | C农展 | D奥体 |
| 1×1 | –0.79 | –0.36 | –0.57 | –0.89 |
| 3×3 | –0.72 | –0.71 | –0.75 | –0.81 |
| 5×5 | –0.83 | –0.75 | –0.73 | –0.77 |
首先，对选取的15个夜晚卫星过境时地面监测站实测的PM2.5质量浓度样本数据进行湿度订正。然后，在相应的VIIRS数据中，以站点为中心，取5点为像元邻域内的辐射平均值作为样本对应的灯光辐射值I (w/cm2·sr·μm)。同时从VIIRS数据中读取相应的卫星观测天顶角θ(°)，取余弦后得到μ。
本文将DNB通道获取的灯光辐射值与卫星观测天顶角的余弦值 DNB (I,μ)作为SVM模型的训练特征量 Input =[ D (I,μ)]i，i=1, 2, 3, …, 15，其中 DNB (I,μ)简记为 D (I,μ)；PM2.5站点测量值PM2.5_rh作为SVM模型的训练输出量 Output =[PMM]i，i=1, 2, 3, …, 15，PM2.5_rh简记为PMM，利用训练集 T =[ input , output ]i构建PM2.5质量浓度反演模型。
3.2.2 基于SVM夜间PM2.5质量浓度的反演模型
首先，定义如下线性回归函数：
| $f(x) = {{w}^{\rm{T}}} \cdot {\varphi }(x) + k$ | (6) |
式中，f(x)为一个线性分类器，对于非线性问题，非线性变换 φ (·)将原始空间中的数据样本映射到希尔伯特空间(H空间)，再在这个高维特征空间中进行线性回归。式中， w ∈H为权重，k为偏置项(宋堃 等，2015)。
引入风险因子J，支持向量机回归优化的目标函数为
| $\min J = \frac{1}{2}{\left\| {w} \right\|^2} + C\sum\limits_{i = 1}^n {(\xi {}_i + \xi _i^*)} $ | (7) |
约束条件为
| $\left\{ \begin{aligned}& P{M_{{M_i}}} - {{ w}^{\rm T}{ {\varphi}} }({{D}_{\left( {I,\mu } \right)}}_i) - k \leqslant \varepsilon + {\xi _i}\\& {{w}^{\rm{T}}}{\varphi }({{ D}_{\left( {I,\mu } \right)}}_i) + k - P{M_{{M_i}}} = \varepsilon + \xi _i^*\\& {\xi _i} \geqslant 0,\xi _i^* \geqslant 0\end{aligned} \right.$ | (8) |
式中，ε为不敏感损失函数参数，C为惩罚因子，ξi
和
| $\begin{aligned}L = & \frac{1}{2}{\left\| {w} \right\|^2} + C\sum\limits_{i = 1}^n {\left( {{\xi _i} + \xi _i^*} \right)} - \\ & \sum\limits_{i = 1}^n {{\alpha _i}\left( {\varepsilon + {\xi _i} - P{M_{{M_i}}} + {{w}^{\rm{T}}} \cdot {\varphi } \left( {{{D}_{{{(I,\mu )}_i}}}} \right) + k} \right)} - \\ & \sum\limits_{i = 1}^n {{\alpha _i}^*\left( {\varepsilon + {\xi _i}^* + P{M_{{M_i}}} - {{w}^{\rm{T}}} \cdot {\varphi }\left( {{{D}_{{{(I,\mu )}_i}}}} \right) - k} \right)} - \\ & \sum\limits_{i = 1}^n {\left( {{\eta _i} \cdot {\xi _i} - {\eta _i}^* \cdot {\xi _i}^*} \right)} \end{aligned}$ | (9) |
式中，αi
，
解得：
| $\left\{ \begin{aligned}& {w}{\rm{ = }}\sum\limits_{i = 1}^n {\left( {{\alpha _i}P{M_{{M_i}}}{{D}_{{{\left( {I,\mu } \right)}_i}}}} \right)} \\& \sum\limits_{i = 1}^n {{\alpha _i}P{M_{{M_i}}}} = 0\\& k = {w}{{D}_{{{\left( {I,\mu } \right)}_j}}} - P{M_{{M_j}}}, {\rm{ 1}} \leqslant j \leqslant n\end{aligned} \right.$ | (10) |
式中，αi 由序列最小优化算法(SMO)进行迭代优化，偏置值k选取某一样本点计算得到，其值随αi 迭代过程而变化。
本文选取高斯径向基(RBF)函数作为核函数，从而避免在高维特征空间中计算带来的“维数灾难”，RBF核函数具有较高的通用性和灵活性：
| $K\left( {{{D}_{{{(I,\mu )}_i}}},{{D}_{\rm {test}}}} \right) = \exp \left( { - \frac{1}{{{\gamma ^2}}} \cdot {{\left\| {{{D}_{{{(I,\mu )}_i}}} - {{D}_{\rm {test}}}} \right\|}^2}} \right)$ | (11) |
式中，γ为核参数， D test为样本中预留的任意一组灯光辐射强度与卫星观测天顶角信息，作为交叉检验模型的测试样本。根据约束条件，得到支持向量机回归函数：
| $\begin{aligned}P{M_{{\rm{Inverse}}}}({{D}_{{\rm{test}}}}) = & \sum\limits_{i = 1}^n {\left( {{\alpha _i}P{M_{{M_i}}}} \right) \cdot K\left( {{{D}_{{{(I,\mu )}_i}}},{{D}_{{\rm{test}}}}} \right)} + \\& {\rm{ }}\sum\limits_{i = 1}^n {\left( {{\alpha _i}P{M_{{M_i}}}{{D}_{{{(I,\mu )}_i}}}} \right)^{\rm T}{{D}_{{{(I,\mu )}_j}}} - P{M_{{M_j}}}} \end{aligned}$ | (12) |
在建立模型过程中，为提高模型的准确性，还需要寻求C和γ的最优值，本文选取粒子群优化算法(PSO)，通过适应度来评价解的质量。
将所得参数C和γ代入上述模型，通过训练集 T 对模型进行训练，得到基于支持向量机的PM2.5质量浓度反演模型，遵循留一法交叉验证模型，将预留的 D test循环代入上式，得到模型反演PM2.5质量浓度值，反演流程图如图1所示。
4 结果与分析
4.1 样例分析
图2为VIIRS夜间灯光图像，A、B、C、D分别代表定陵、东四、农展馆、奥体中心4个PM2.5地面监测站，点的颜色表示该站PM2.5质量浓度。图2(a)(c)(月相角分别为72.61°、5.46°)为有月光的图像，图2(b)(d)(月相角分别为114.97°、160.59°)为无月光的图像。图2(a)(b)成像于扫描带边缘(卫星观测天顶角分别为30.23°、47.81°)，图2(c)(d)成像于星下点(卫星观测天顶角分别为18.21°、7.81°)。其中，图2(a)、(b)图像PM2.5质量浓度较低(＜10 μgm–3)，图2(c)、(d)图像PM2.5质量浓度较高(＞150 μgm–3)。当大气气溶胶状况相同时，由于星下点辐射传输的路径短，相较于扫描带边缘成像，星下点成像应更加明亮清晰，即图2(c)(d)的图像清晰度应高于图2(a)(b)图像。然而，从图2中可以看出，由于PM2.5质量浓度较高，星下点的图像清晰度低于扫描带边缘的图像。尤其在图2(d)中，图像清晰度最低，这是由于此时PM2.5质量浓度到达了239 μgm–3，说明DNB通道对地面表层PM2.5质量浓度的变化非常敏感。由于较高的PM2.5质量浓度削弱了传输路径上灯光的辐射强度，使得星下点的成像亮度降低、昏暗不清。因此，通过DNB通道反演夜间PM2.5质量浓度具有一定的可行性。
4.2 夜间VIIRS过境时刻PM2.5质量浓度对日均值的代表性
图3为2015年3月至2015年5月3个月中逐小时的PM2.5质量浓度平均值，虚线为PM2.5质量浓度日变化曲线的均值，A—D各站位置如图2所示，底部图像由所有站点全部样本所得。与B—D比较，发现A站点的PM2.5日变化最小。站点A为定陵对照点，位于北京市郊区的西北方向，定陵对照点附近没有排污工厂，远离市区，所处位置地形开阔，受局地环流影响小(刘洁 等，2008)，因此，呈现出了变化幅度较小的PM2.5逐小时日变化廓线。从图3可以看出，A—D 4个站点地面PM2.5的日变化为双峰型变化，2个峰值分别出现在上午和夜间，城区与郊区峰值的强弱有所不同，但整体呈现出较一致的PM2.5日变化(北京时间)情况：(1)3:00—11:00明显增加，在11:00出现全天最大峰值，这与局地出行交通、人类活动相关，并且在春季晴朗夜晚，逆温层的形成阻碍了空气的垂直对流运动，使得夜间形成的大气颗粒物难以扩散，在近地层堆积，造成了这段时间较明显的增长曲线；(2)11:00—17:00迅速下降，这反映了白天太阳活动增强，逆温层消失，以及较强的湍流运动，使得堆积的大气颗粒物得以扩散，曲线明显下降；(3)17:00—21:00二次上升，再次反映了这一时段路面交通增多，汽车尾气排放增加，以及趋于夜晚边界层湍流运动有所减弱；(4)21:00—3:00基本不变，十分平缓，这反映了稳定的夜间边界层。图3所显示的PM2.5日变化模式，在中国华北地区的城市中十分具有代表性。同时，可以看出VIIRS卫星过境时刻(北京时间凌晨两点左右)PM2.5的质量浓度几乎可以代表全天24小时的平均值，而这3个月中，该时刻PM2.5的质量浓度均在日均值的10%内变化波动，这更加说明可以使用VIIRS/DNB数据反演得到的PM2.5对某一地区某一时间段内的空气质量进行评估。
进一步分析发现北京时间2:00的PM2.5质量浓度与相应的日均值有很好的相关性。如图4所示，二者相关系数达到0.82，3个月内PM2.5质量浓度日均值的平均值为73.3 μg·m–3，而凌晨2点的PM2.5质量浓度均值为77.01 μg·m–3，二者仅相差3.71 μg·m–3。由此表明，使用VIIRS/DNB反演的夜间PM2.5能有效地代表日均水平，可以用来对该地区的日均空气质量状况进行评估。
4.3 模型检验与讨论
基于SVM的PM2.5质量浓度反演模型在夜间不同灯光强度、相对湿度、卫星观测天顶角的情况下，采用与卫星过境时刻时空匹配的训练集，训练出了更加符合实际空气质量状况的反演模型，将卫星实测的 DNB (I,μ)输入SVM模型，从而反演得到地面表层的PM2.5质量浓度。
遵循留一法交叉验证，图5(a)给出了PM2.5站点实测值与SVM预测值的序列对比图，图中黑线为站点实测值，其平均值为162 μg·m–3；红线为SVM预测值，其平均值为157 μg·m–3，二者均值偏差仅为5 μg·m–3，变化趋势基本一致。但在样本序列22—38之间，SVM预测值始终保持在70 μg·m–3左右，并没有显示出与站点实测值较高地一致性，这主要是由于该序列区间的实际PM2.5质量浓度维持在35—110 μg·m–3之间，获取该质量浓度段的样本点较少，导致SVM模型训练不充分。从PM2.5质量浓度的绝对偏差来看，基于SVM模型的反演结果与实际观测值的平均绝对偏差为–4.89 μg·m–3，最小绝对偏差仅为0.58 μg·m–3；对于相对偏差，基于SVM模型的反演结果与实际观测值的相对偏差大部分在10%以内，最小相对偏差仅为0.25%。图5(b)给出了SVM模型反演得到的PM2.5质量浓度(y轴)与地面站点实测的PM2.5质量浓度(x轴)的散点图，并得到回归方程。从结果可以看出，SVM模型反演的PM2.5质量浓度与地面站点实测的PM2.5质量浓度具有较好的线性相关性，相关系数达到0.95，回归拟合方程为y=0.98x–1.82。
综上所述，本文提出的基于SVM的PM2.5质量浓度反演模型对不同湿度条件加以考虑，且反演精度较高，验证了利用夜间微光卫星资料反演PM2.5质量浓度的可行性，说明了利用夜间微光卫星资料反演PM2.5质量浓度的潜在应用价值。
5 结 论
本文基于支持向量机(SVM)方法，利用VIIRS/DNB夜间微光资料，对PM2.5质量浓度反演方法进行了研究。研究样例选取2015年春季(2015.3—2015.5)北京市无月、无云且晴朗夜空。VIIRS/DNB通道获得的夜间灯光辐射强度对地面PM2.5质量浓度变化具有较高的敏感性，且二者具有较高的相关性，相关系数最高的定陵站点达到–0.83。本文模型反演结果与实测结果的相关系数达到0.95，验证了基于SVM反演模型的有效性与准确性。为大范围监测PM2.5质量浓度空间分布梯度，提高PM2.5反演精度，改善夜间空气质量状况评估方法提供参考。
本文工作主要体现在以下几个方面：(1)对比了DNB遥感图像1×1像元、3×3像元、5×5像元的加和值与平均值，并发现5×5像元辐射值的平均值与当地PM2.5质量浓度相关性最高，既避免了因投影导致的地理偏差，同时又有效代表了地面站点灯光辐射情况；(2)对各站点获取的PM2.5质量浓度进行了湿度订正，确保训练样本的准确性；(3)基于支持向量机方法，建立高级统计模型，利用VIIRS/DNB微光资料反演PM2.5质量浓度，反演结果表明SVM模型的反演精度较高，能够有效应用于夜间PM2.5质量浓度反演。
需要在下一步工作中解决的问题有：(1)获取更多的有效样本数据，对模型进行优化。(2)本文只考虑了相对湿度对PM2.5的影响，在未来的工作中，将进一步研究其他气象要素例如温度、风速，边界层高度以及土地利用参数等对PM2.5的影响。
参考文献(References)
-
Chu D A, Tsai T C, Chen J P, Chang S C, Jeng Y J, Chiang W L and Lin N H. 2013. Interpreting aerosol lidar profiles to better estimate surface PM2.5 for columnar AOD measurements . Atmospheric Environment, 79 : 172–187. [DOI: 10.1016/j.atmosenv.2013.06.031]
-
Fang X. 2015. VIIRS day/night band data application. Science and Technology Innovation Herald, 12 (12): 42–43. [DOI: 10.3969/j.issn.1674-098X.2015.12.025] ( 方荀. 2015. VIIRS白天/夜晚波段数据应用概况. 科技创新导报, 12 (12): 42–43. [DOI: 10.3969/j.issn.1674-098X.2015.12.025] )
-
Guo J P, Wu Y R, Zhang X Y and Li X W. 2013. Estimation of PM2.5 over Eastern China from MODIS aerosol optical depth using the back propagation neural network . Environmental Science, 34 (3): 817–825. [DOI: 10.13227/j.hjkx.2013.03.024] ( 郭建平, 吴业荣, 张小曳, 李小文. 2013. BP网络框架下MODIS气溶胶光学厚度产品估算中国东部PM2.5 . 环境科学, 34 (3): 817–825. [DOI: 10.13227/j.hjkx.2013.03.024] )
-
Hu X F, Waller L A, Al-Hamdan M Z, Crosson W L, Estes M G Jr, Estes S M, Quattrochi D A, Sarnat J A and Liu Y. 2013. Estimating ground-level PM2.5 concentrations in the southeastern U.S. using geographically weighted regression . Environmental Research, 121 : 1–10. [DOI: 10.1016/j.envres.2012.11.003]
-
Huang H J, Liu H N, Jiang W M, Huang S H and Zhang Y Y. 2002. Physical and chemical characteristics and source apportionment of PM2.5 in Nanjing . Climatic and Environmental Research, 11 (6): 713–722. [DOI: 10.3969/j.issn.1006-9585.2006.06.005] ( 黄辉军, 刘红年, 蒋维楣, 黄世鸿, 张予燕. 2002. 南京市PM2.5物理化学特性及来源解析 . 气候与环境研究, 11 (6): 713–722. [DOI: 10.3969/j.issn.1006-9585.2006.06.005] )
-
Kahn R, Banerjee P, McDonald D and Diner D J. 1998. Sensitivity of multiangle imaging to aerosol optical depth and to pure-particle size distribution and composition over ocean. Journal of Geophysical Research: Atmospheres, 103 (D24): 32195–32213. [DOI: 10.1029/98jd01752]
-
Li C C, Mao Y T, Lau A K H, Yuan Z B, Wang M H and Liu X Y. 2005. Application of MODIS satellite products to the air pollution research in Beijing. Science China Earth Sciences, 48 (S2): 209–219.
-
Li R Y, Liu X N and Li X Q. 2015. Estimation of the PM2.5 pollution levels in Beijing based on nighttime light data from the defense meteorological satellite program-operational Linescansystem . Atmosphere, 6 (5): 607–622. [DOI: 10.3390/atmos6050607]
-
Liu J, Zhang X L, Xu X F and Xu H H. 2008. Comparison analysis of variation characteristics of SO2, NOx, O3 and PM2.5 between rural and urban areas, Beijing . Environmental Science, 29 (4): 1059–1065. [DOI: 10.13227/j.hjkx.2008.04.026] ( 刘洁, 张小玲, 徐晓峰, 徐宏辉. 2008. 北京地区SO2、NOx、O3和PM2.5变化特征的城郊对比分析 . 环境科学, 29 (4): 1059–1065. [DOI: 10.13227/j.hjkx.2008.04.026] )
-
Ma Z W. 2015.Study on Spatiotemporal Distributions of PM2.5 in China Using Satellite Remote Sensing. Nanjing: Nanjing University: 8–52 (马宗伟. 2015. 基于卫星遥感的我国PM2.5时空分布研究. 南京: 南京大学: 8–52)
-
Meng Y J and Cheng C L. 2002. Impact of surface synoptic situations on air pollution in Beijing area. Meteorological Monthly, 28 (4): 42–47. [DOI: 10.3969/j.issn.1000–0526.2002.04.010] ( 孟燕军, 程丛兰. 2002. 影响北京大气污染物变化的地面天气形势分析. 气象, 28 (4): 42–47. [DOI: 10.3969/j.issn.1000–0526.2002.04.010] )
-
Miller S D and Turner R E. 2009. A dynamic lunar spectral irradiance data set for NPOESS/VIIRS Day/Night band nighttime environmental applications. IEEE Transactions on Geoscience andRemote Sensing, 47 (7): 2316–2329. [DOI: 10.1109/tgrs.2009.2012696]
-
Song K, Gao T C, Liu X C, Yin M and Xue Y. 2015. Method and experiment of rainfall intensity inversion using a microwave link based on support vector machine. ActaPhysicaSinica, 64 (24): 0244301 [DOI: 10.7498/aps.64.244301] ( 宋堃, 高太长, 刘西川, 印敏, 薛杨. 2015. 基于支持向量机的微波链路雨强反演方法. 物理学报, 64 (24): 0244301 [DOI: 10.7498/aps.64.244301] )
-
Van Donkelaar A, Martin R V and Park R J. 2006. Estimating ground-level PM2.5 using aerosol optical depth determined from satellite remote sensing . Journal of Geophysical Research, 111 (D21): D21201 [DOI: 10.1029/2005jd006996]
-
Wang J, Aegerter C, Xu X G and Szykman J J. 2016. Potential application of VIIRS Day/Night Bandfor monitoring nighttime surface PM2.5 air quality from space . Atmospheric Environment, 124 : 55–63. [DOI: 10.1016/j.atmosenv.2015.11.013]
-
Wang J and Christopher S A. 2003. Intercomparison between satellite-derived aerosol optical thickness and PM2.5 mass: implications for air quality studies . Geophysical Research Letters, 30 (21): 2095 [DOI: 10.1029/2003gl018174]
-
Wang Z J, Han L H, Cheng X F, Cheng S Y, Li Y, Tian C and Xie H. 2012. Characteristics and sources of PM2.5 in typical atmospheric pollution episodes in Beijing . Journal of Safety and Environment, 12 (5): 122–126. ( 王志娟, 韩力慧, 陈旭锋, 程水源, 李悦, 田川, 谢慧. 2012. 北京典型污染过程PM2.5的特性和来源 . 安全与环境学报, 12 (5): 122–126. )
-
Xue W B, Wu W L, Fu F, Wang J N, Han B P and Lei Y. 2015. Satellite retrieval of a heavy pollution process in January 2013 in China. Environmental Science, 36 (3): 794–800. [DOI: 10.13227/j.hjkx.2015.03.006] ( 薛文博, 武卫玲, 付飞, 王金南, 韩宝平, 雷宇. 2015. 中国2013年1月PM2.5重污染过程卫星反演研究 . 环境科学, 36 (3): 794–800. [DOI: 10.13227/j.hjkx.2015.03.006] )
-
Yu J H, Yu T, Wei Q, Wang X, Shi J G and Li H J. 2004. Characteristics of mass concentration variations of PM10 and PM2.5 in Beijing area . Research of Environmental Sciences, 17 (1): 45–47. [DOI: 10.13198/j.res.2004.01.47.yujh.010] ( 于建华, 虞统, 魏强, 王欣, 时建纲, 李海军. 2004. 北京地区PM10和PM2.5质量浓度的变化特征 . 环境科学研究, 17 (1): 45–47. [DOI: 10.13198/j.res.2004.01.47.yujh.010] )
