出版日期: 2018-01-25
点击次数：
下载次数：
DOI: 10.11834/jrs.20186501
2018 | Volumn22 | Number 1
上一篇  |  下一篇
  
MODIS卫星遥感估计福州地区近地面PM2.5浓度
expand article info 杨立娟1 , 徐涵秋1,2 , 金致凡3
1. 福州大学 环境与资源学院 福州大学遥感信息工程研究所 福建省水土流失遥感监测评价重点实验室，福州 350116
2. 空间数据挖掘与信息共享教育部重点实验室，福州 350116
3. 福州市环境监测中心站，福州 350001
收稿日期: 2017-02-15; 优先数字出版日期: 2018-01-01
基金项目: 国家自然科学基金(编号：41501469)
第一作者简介: 杨立娟(1985—　)，女，博士研究生，研究方向为环境与资源遥感。E-mail：subrinarzhong@aliyun.com
通讯作者简介: 徐涵秋(1955—　)，男，教授，研究方向为环境与资源遥感。E-mail：hxu@fzu.edu.cn
中图分类号: TP79
文献标识码: A

摘要

卫星遥感反演气溶胶光学厚度已被广泛应用于近地面空气污染遥感监测。为揭示福州地区细颗粒物污染的空间分异趋势，利用2014年—2015年的地基监测细颗粒物(PM2.5)浓度数据、MODIS 3 km气溶胶光学厚度(AOD)卫星数据以及GEOS-FP气象数据，分别构建了估计福州地区近地面PM2.5浓度的日校正模型和站点—日校正模型，并利用十折交叉验证方法对2个模型进行评价验证。结果表明：(1)日校正模型和站点—日校正模型分别能够解释福州地区PM2.5浓度76.2%和81.4%的变异，反演的2014年—2015年福州地区近地面PM2.5浓度和地面实测站点数据之间的相关性R2分别为0.724(RMSE=10.993 μg·m–3)和0.781(RMSE=9.687 μg·m–3)；(2)分别针对不同下垫面环境的城市站点和县郊站点数据进行模型拟合验证，两个模型反演的PM2.5浓度值与地面实测值之间皆具有良好的相关性，R2最高可达0.808；(3)将模型反演的PM2.5浓度季均值与地面实测季均值进行对比分析，结果也显示二者高度相关，据此反演的2015年福州地区年平均PM2.5浓度分布图可清晰地揭示福州地区PM2.5浓度分布的空间变化情况。由此可见，基于MODIS 3 km AOD产品和气象数据建立的近地面PM2.5浓度遥感估算模型能够很好地反演出福州地区近地面PM2.5浓度分布情况。

关键词

MODIS 3 km AOD, PM2.5浓度, 遥感估算, 日校正模型, 站点—日校正模型

Estimation of ground-level PM2.5 concentrations using MODIS satellite data in Fuzhou, China
expand article info YANG Lijuan1 , XU Hanqiu1,2 , JIN Zhifan3
1.College of Environment and Resources, Institute of Remote Sensing Information Engineering, Fujian Provincial Key Laboratory of Remote Sensing of Soil Erosion, Fuzhou University, Fuzhou 350116, China
2.Key Laboratory of Spatial Data Mining & Information Sharing of Ministry of Education, Fuzhou 350116, China
3.Fuzhou Environmental Monitoring Center, Fuzhou 350001, China

Abstract

Remote sensing techniques offer a unique opportunity to monitor air quality and are thus crucial for the management and surveillance of the air quality of polluted megacities. MODIS Aerosol Optical Depth (AOD) products with a spatial resolution of 10 km have been widely used to monitor ground-level particulate matters. However, the demands of air quality estimation are difficult to meet in local areas due to the coarse resolution of 10 km AOD. Taking Fuzhou city as an example, this study used the newly released AOD with a spatial resolution of 3 km and meteorological data to map ground-level PM2.5 concentrations in the city and ultimately reveal the spatial details of the PM2.5 exposure. Two regression models, namely, the daily calibration model and site daily calibration model, were developed to estimate and map ground-level PM2.5 concentrations in Fuzhou, China. The MODIS 3 km AOD data for 2014—2015, in situ PM2.5 concentration data for the same period, and meteorological data of wind speed and relative humidity were used. A simple linear model was also derived and used for comparison with the two calibration models. Results showed that the PM2.5 concentrations and AOD had an extremely low agreement when a linear fit was applied, with the R2 value being 0.117 and the RMSE being 19.510 μg/m-3. Strong correlations were obtained with the use of the daily calibration model, which yielded an R2 of 0.762 and RMSE of 10.146 μg/m–3. A relatively high degree of agreement was achieved when the site daily calibration model was used; R2 was 0.814, and RMSE was 8.965 μg/m–3. Ten-fold Cross Validation (CV) was conducted to evaluate the performance of the regression models. The CV results showed that the site daily calibration model performed better than the daily calibration model. Correlation coefficients (R2) of the estimated PM2.5 concentrations with the in situ data were 0.781 (RMSE=9.687 μg·m–3) and 0.724 (RMSE=10.993 μg·m–3). In addition, the PM2.5 concentrations estimated by the site daily calibration model had a better agreement with the observed values for all seasons from 2014 to 2015. The R2 of the estimated and observed values of the seasonal average PM2.5 concentrations for the two models were 0.999 and 0.995, respectively, indicating that both models could reflect daily variations in the relationship among AOD, meteorological data, and PM2.5 concentrations. In this study, we proposed a daily calibration model and a site daily calibration model using the newly released MODIS 3 km AOD product and meteorological data to estimate ground-level PM2.5 concentrations in Fuzhou, China. The daily calibration model was used to retrieve the distribution of PM2.5 concentrations in Fuzhou, as the site effect parameters needed for the site daily calibration model is not available for every 3 km grid. Nevertheless, these two models perform similarly in PM2.5 estimation. The spatial distribution of PM2.5 concentrations in Fuzhou derived from the MODIS 3 km AOD exhibits high concentrations over central urban areas and low values over suburban districts. These results clearly reveal the spatial variation of PM2.5 in the area. This study indicated that the satellite-derived model based on the MODIS 3 km AOD product could work effectively in estimating PM2.5 concentrations on a local scale.

Key words

MODIS 3 km AOD, PM2.5 concentration, remote sensing estimation, daily calibration model, site-daily calibration model

1 引　言

大气气溶胶中的细颗粒物(PM2.5)作为大气主要污染物之一，已成为全社会关注的健康热点问题(Franklin 等，2007；杨维 等，2013)，它不仅影响着城市空气质量(李成才 等，2003；Levy 等，2007；Cheng 等，2013)，还会对公众健康造成严重危害。中国在许多城市建立了实时监测站来监测PM2.5浓度，但由于这些监测站点的数量有限，且大部分聚集在城区，因此不能反映大区域尺度的PM2.5空间分布情况。

已有研究表明，针对没有地面监测站的城郊和乡镇，利用卫星遥感方式可以有效地估算该地区的PM2.5空气质量浓度。其中，以利用卫星反演产品—气溶胶光学厚度(AOD)来研究全球及各区域PM2.5空间分布的应用最为广泛(Kaufman 等，1997；李正强 等，2013；Sorek-Hamer 等，2015；van Donkelaar 等，2015；Peng 等，2016)。目前，利用不同尺度的AOD来反演近地面细颗粒物的模型方法主要有简单线性回归模型(Wang和Christopher，2003；Engle-Cox 等，2004；Liu 等，2005)，多元回归模型(Koelemeijer 等，2006；Gupta和Christopher，2009；贾松林 等，2014)，模式模拟与遥感相结合法(Wang 等，2010；Xu 等，2013；陶金花 等，2012；陈良富 等，2015)，基于遥感瞬时估算的物理方法(张莹和李正强，2013；Zhang和Li，2015；Lin 等，2015；Li 等，2016)以及包括地理加权回归和广义相加模型在内的各种高级统计模型(Kloog 等，2011；Sorek-Hamer 等，2013；van Donkelaar 等，2016；Wu 等，2016)。这些复杂的模型方法考虑了气象因子(如：湿度、边界层高度、风速等)或土地利用因子(如：森林覆盖，道路分布等)等参数对AOD和PM2.5关系的影响，在一定程度上提高了模型估算近地面PM2.5浓度的精度，但同时这些时变参数(如：各气象因子)也导致了AOD和PM2.5浓度呈现明显的日差异关系，而这种日差异性往往被忽略。Lee等人(2011)提出了一种包含固定效应和随机效应的的混合效应模型来反映AOD和PM2.5浓度的日差异性关系，并将该模型应用在美国东北部3大州的PM2.5浓度反演，结果表明由混合效应模型反演的PM2.5浓度和地面实测值之间的相关性高达0.92，证明该模型可更好地应用于近地面PM2.5浓度的遥感估算。

大部分PM2.5遥感估算研究中所采用的AOD数据主要来自于美国中分辨率成像光谱仪(MODIS)，多角度成像光谱仪(MISR)和臭氧监测仪(OMI)等传感器提供的气溶胶产品。这些AOD产品具有很高的时间分辨率(1—2次/天)，但其空间分辨率却很低(≥10 km)，难以反映局部地区的空气污染分布细节，因此，美国国家航空航天局(NASA)于2014年发布了更高空间分辨率的MODIS 3 km AOD产品。已有研究将MODIS 3 km AOD产品应用在华盛顿(Munchak 等，2013)，北京(Xie 等，2015；Li 等，2015)，长江三角洲(Ma 等，2016)，德黑兰(Ghotbi 等，2016)等地区的颗粒物浓度监测，结果表明3 km AOD不仅在局部地区有更好的空间覆盖，体现出更丰富的空间细节信息，还能突出地反映局部地区空气污染严重热点及空间分异趋势，因此可用来反演局地范围的PM2.5浓度。

目前，利用新发布的MODIS 3 km AOD产品来估算近地面PM2.5浓度的研究还很少，且估算方法主要集中在包含复杂因子的多元回归和包含单因子的高级统计回归模型上。本文以福州地区为例，探讨了MODIS 3 km AOD和地面实测PM2.5浓度之间的相关关系；并在此基础上构建混合效应模型来反映AOD和PM2.5浓度的日差异性关系。由于福州地区常年受季风气候的影响且相对湿度较高，直接利用简单的混合效应模型(AOD作为模型输入的唯一参数)来估算福州地区近地面PM2.5浓度会带来较大误差。因此，本文在原有模型的基础上，引入气象因子来提高模型的估算精度，利用模型估算的PM2.5浓度数据来分析福州地区PM2.5浓度的时空分布特征，从而进一步提高卫星遥感估算近地面PM2.5浓度的能力。

2 研究区和数据源

2.1 研究区概况

福州是福建省省会，位于福建东部沿海地区，地理位置为119°17′30″E，26°04′38″N，现辖5区7县(市)，全市陆地总面积为11596 km2，森林覆盖率达55.3%，属于亚热带海洋性季风气候，气温、湿度偏高，空气质量优良。但由于近年来福州城市范围急剧扩大，地表景观也发生显著变化，城区受人类活动的影响，空气质量也曾多次跌出全国前十，且PM2.5浓度达到3级以上污染标准的天数较以往也有所增多。因此，为了更好地反映PM2.5浓度的空间分布情况及其对人体健康的影响，有必要对福州地区的可吸入颗粒物进行全范围的监测及反演，以达到提高空气质量的目的。

2.2 MODIS AOD数据

MODIS是搭载在TERRA/AQUA卫星上的重要传感器，它具有多光谱、宽覆盖和多分辨率的特点，被广泛应用于陆地、大气、海洋的监测中。其中，MODIS空间分辨率为10 km的2级气溶胶产品TERRA MOD04和AQUA MYD04通常被用来监测近地面的PM2.5浓度。为了满足局地的空气质量监测，NASA于2014年发布了空间分辨率为3 km的AOD产品。本文收集了2014年1月1日—2015年12月31日覆盖研究区的MODIS 3 km C6版本Level2 AOD产品。该产品下载于NASA Goddard Space Flight Center中的LAADS网站(https://ladsweb.nascom.nasa.gov/data/[2017-02-15])。通过对下载的影像数据进行投影转换和边界裁剪，提取出福州地区波长为0.55 μm的AOD值用于本研究。

2.3 地基监测PM2.5浓度数据

所用的PM2.5浓度实测数据来源于福州市环境保护局的地面监测站，共获取了2014年1月1日—2015年12月31日福州地区18个环境质量监测站点的每日分时的空气质量数据。图1为研究区范围和18个环境监测站点的分布位置。


图 1 福州地区环境监测站点分布图
Fig. 1 Map showing the locations of the 18 air quality monitoring stations

2.4 气象数据

气象数据来源于NASA的戈达德地球观测系统数据同化系统第5版(GEOS-5)的小时或3小时平均气象数据产品，空间分辨率为0.25°(纬度)×0.3125°(经度)。本文下载了2014年1月1日—2015年12月31日的GEOS-FP资料并提取了其中的相对湿度RH和风速WS两个气象数据用于本研究的建模分析。

3 模型方法

3.1 数据匹配处理

将上述AOD、气象数据和地面实测PM2.5浓度数据进行匹配处理以便后续建模分析。数据匹配遵循以下原则：(1)时间匹配。时间上以卫星过境时间为准。根据MODIS卫星过境时间(约上午10:30)，选取地面监测站每日上午10:00—12:00的平均PM2.5浓度数据；GEOS-FP资料采用UTC-0:00—3:00(北京时间8:00—11:00)的平均数据；(2)空间匹配。空间上以PM2.5地面监测站点为准，根据18个监测站点的具体位置，分别提取各站点对应像元的非空白AOD值。1个3 km×3 km的AOD像元，如果有多个地面监测站点落于同一像元内，则对各站点的PM2.5数据取平均再与该像元的AOD值进行匹配。GEOS-FP资料的处理则是采用反距离加权(IDW)插值并根据地基监测站的位置提取各站点的气象数据。

3.2 模型建立

本文旨在建立适用于福州地区遥感监测近地面细颗粒物浓度的统计回归模型。为了便于对比分析，也建立了仅考虑18个站点的PM2.5浓度值和MODIS 3 km AOD的简单线性模型。该模型可表示为

${\rm{P}}{{\rm{M}}_{2.5}} = \alpha + \beta \cdot {\rm{AOD}}$ (1)

式中，α和β分别为简单线性模型的截距和斜率。

由于该线性模型假设AOD和PM2.5浓度的关系是恒定的，式中α和β为固定值，不随时间和空间的变化而变化。但事实上，AOD和PM2.5浓度受温度、湿度、风速等气象因子的影响，二者的关系因日而异，并非恒定。因此，本文选取了相对湿度和风速两个气象因子，利用MODIS AOD以及地面实测PM2.5浓度数据，构建了包含固定效应和随机效应的混合效应模型，其公式为

$\begin{aligned}{\rm{P}}{{\rm{M}}_{2.5ij}} = & (\alpha + {u_j}) + (\beta + {v_j}){\rm{AO}}{{\rm{D}}_{ij}} + \\ &(\gamma + {w_j})W{S_{ij}} + (\eta + {x_j})R{H_{ij}} + {\varepsilon _{ij}}\end{aligned}$ (2)

式中，PM2.5ij为第i个站点第j天10:00—12:00时段的PM2.5浓度平均值；α和uj分别为固定效应和随机效应的截距；β和vj分别为AOD的固定效应和随机效应的斜率；AODij为第i个站点第j天的AOD值；WSij和RHij分别为第i个站点第j天的风速和相对湿度；γ和wj分别为风速的固定效应和随机效应的斜率；η和xj分别为相对湿度的固定效应和随机效应的斜率；εij为第i个站点第j天的误差项。

一个3×3 km像元所代表的AOD值是该像元的平均气溶胶光学厚度，而落于同一像元的地面监测站点所测得的PM2.5浓度并不完全代表该像元的平均浓度值，因此有可能产生站点位置偏差。为了验证站点位置偏差是否影响AOD和PM2.5浓度之间的关系，在式(2)中加上由站点位置偏差引起的随机效应，即

$\begin{aligned}{\rm{P}}{{\rm{M}}_{2.5ij}} = & (\alpha + {u_j}) + (\beta + {v_j}){\rm{AO}}{{\rm{D}}_{ij}} + \\ &(\gamma + {w_j})W{S_{ij}} + (\eta + {x_j})R{H_{ij}} + {S_i} + {\varepsilon _{ij}}\end{aligned}$ (3)

式中，Si为由站点位置偏差引起的随机效应。混合效应模型中的相关参数可利用R-language(3.4.0版)软件(lme4包)来计算(Bates 等，2015)。为了表述方便，将上述3个模型分别称为线性模型、日校正模型和站点—日校正模型。

3.3 模型验证

为了验证日校正模型和站点—日校正模型是否优于线性模型，使用统计学上最常用的十折交叉验证方法(10-fold CV)来对模型结果进行评价。十折交叉验证是指将数据集随机分成10份，依次将其中9份作为训练数据，1份作为测试数据，最终得到10次验证结果并将其作为对模型精度的估计。同时，使用表征拟合度的决定系数(R2)以及均方根误差(RMSE)来评价模型估算值和地面观测值之间的拟合度和误差情况，用以评价不同模型的精度。

4 结果与分析

4.1 统计数据分析

通过对福州18个站点的AOD、气象因子和PM2.5浓度数据进行提取，最终得到2014年—2015年福州地区共105日的有效数据。相关参数的统计特征描述见表1。2014年福州地区全年18个站点的AOD变化区间为0.048—1.636，年均值为0.558；PM2.5浓度变化区间为4.667—175.667 μg·m–3，年均值为38.333 μg·m–3。2015年AOD的变化区间与2014年相比无较大差异，但PM2.5浓度的年均值略有降低。其次，2014年—2015年福州地区RH的年均值均在50%左右，表明福州地区较为湿润的气候特征。进一步将数据按季节划分，将全年数据分为冬季(12月—次年2月)、春季(3月—5月)、夏季(6月—8月)和秋季(9月—11月)4个部分。分析可知，2014年—2015年冬春两季PM2.5浓度和AOD季均值均高于夏秋两季，且PM2.5浓度和AOD季均值有较好的一致性。

表 1 各参数的统计特征描述
Table 1 Description of statistical characteristic of all variables

下载CSV 
变量 2014 2015
最小值 最大值 均值 最小值 最大值 均值
AOD 0.048 1.636 158 0.050 1.586 0.454
PM2.5/(μg·m–3) 4.667 175.667 38.333 4.000 111.000 34.024
WS/(m/s) 0.001 6.742 2.139 0.002 6.376 1.770
RH/% 24.297 73.761 49.980 23.851 81.308 50.729

4.2 模型回归分析

将2014年—2015年福州地区处理和匹配后的1621例建模数据分别应用于3个模型并进行回归分析，得到各模型的回归系数见表2。3个模型的PM2.5浓度估算值和地面实测值之间的相关性分析见图2。

表 2 各回归模型结果统计表
Table 2 The coefficients of regression models

下载CSV 
模型 α β γ η R2 RMSE/(μg·m–3)
线性模型 25.810 23.610 — — 0.117 19.510
日校正模型 37.445 12.608 0.971 –2.364 0.762 10.146
站点—日
校正模型 		23.438 14.513 20.515 –0.510 0.814 8.965


图 2 3个模型回归分析对比
Fig. 2 The comparison of regression analysis for three models

表2和图2显示2014年—2015年由线性模型反演的PM2.5浓度和地面实测值之间的R2仅为0.117，RMSE高达19.510 μg·m–3，说明线性模型反演的精度较低，如将其直接用来估算福州地区近地面PM2.5浓度会造成较大的误差。与线性模型相比，日校正模型估算的PM2.5浓度值和地面实测值之间的R2大幅上升至0.762，RMSE下降至10.146 μg·m–3，说明引入气象因子的日校正模型能够解释2014年—2015年福州地区PM2.5浓度76.2%的变异。该模型中2014年—2015年18个站点的固定效应的截距为37.445，3个参数AOD、WS和RH的斜率分别为12.608，–2.364，0.971，说明总体上福州地区近地面PM2.5浓度与AOD和RH表现为正相关，与WS表现为负相关。同时，各变量的随机效应斜率和截距每日皆有差异，因此比线性模型更客观地反映了AOD和PM2.5浓度之间的日差异性关系，从而大幅提高了模型的拟合度，且RMSE也降低了近50%。相比于日校正模型，站点—日校正模型能够解释2014年—2015年福州地区PM2.5浓度81.4%的变异，反演精度进一步提高，RMSE下降至8.965 μg·m–3。与日校正模型相似，2014年—2015年PM2.5浓度与AOD和RH表现为正相关，与WS表现为负相关，且各变量随机效应的斜率和截距也因日而异，不同的是站点—日校正模型考虑了站点位置的影响，分析可知由站点位置偏差引起的随机效应值也各不相同(表3)。表3也可侧面反映18个站点的PM2.5浓度高低分布，从中可以看出，随机效应值为正值的站点多位于人口相对密集和交通较发达的区域，这些站点的PM2.5浓度相对较高；而位于其他偏远郊县地区的站点，其PM2.5浓度相对较低，随机效应值也多为负值。上述分析表明各参数与PM2.5浓度的日差异关系是日校正模型和站点—日校正模型反演精度大幅提高的主要原因，同时也说明了气象因子(WS、RH)影响AOD-PM2.5关系的显著性。

表 3 18个站点位置的随机效应值
Table 3 The random effect values of the 18 monitoring stations

下载CSV 
监测
站点 		随机
效应值 		监测
站点 		随机
效应值 		监测
站点 		随机
效应值
鼓山 –2.344 杨桥西路 1.395 郑和花园 1.272
师大 2.815 五四北路 0.011 闽清榕院村 13.876
快安 2.362 神康医院 9.858 连江小湾村 –5.746
紫阳 1.342 石竹派出所 2.086 永泰城南 –3.293
宁化 0.337 福清监测站 –4.738 罗源环保局 0.921
九龙 –1.471 长乐市政府 –1.825 闽侯教育局 –1.582

由于福州地区18个地基监测站点分布在城市中心、郊区以及县城等不同的下垫面环境，为了探讨所提出的统计模型是否适用于不同下垫面环境的PM2.5浓度反演，将18个站点分为城市站点(13个：紫阳、杨桥西路、师大、快安、五四北路、鼓山、宁化、九龙、神康医院、福清监测站、石竹派出所、长乐市政府、郑和花园)和县郊站点(5个：闽清榕院村、连江小湾村、永泰城南、罗源环保局、闽侯教育局)，并将两个统计模型分别应用于城市站点和县郊站点的PM2.5浓度反演。结果表明，由日校正模型反演的城市站点和县郊站点的PM2.5浓度与地面实测值之间的相关性R2分别为0.796和0.750，RMSE分别为8.474 μg·m–3和12.358 μg·m–3；站点—日校正模型反演值和地面实测值之间的相关性R2分别为0.818和0.838，RMSE分别为8.033 μg·m–3和9.645 μg·m–3(图3)。分析表明，针对不同下垫面环境的地面监测站点，日校正模型和站点—日校正模型均可适用于近地面PM2.5浓度的反演，且站点—日校正模型的反演精度略高于日校正模型。


图 3 不同下垫面条件的模型回归结果对比
Fig. 3 The comparison of regression models for different landscape conditions

为了研究不同季节PM2.5浓度与AOD、气象因子之间的相关性，将日校正模型和站点—日校正模型分别应用于2014年—2015年春、夏、秋、冬共8组数据，模型回归结果见表4。总体上看，两个模型估算的4季PM2.5浓度值与地面实测值有较好的一致性，且两个年份的站点—日校正模型反演精度较日校正模型皆有不同程度的提高。就4季反演结果来看，两个年份中，秋季模型反演精度皆为最高，模型反演值和地面实测值之间的均方根误差范围在5.998—7.414 μg·m–3；夏季次之，虽然两个年份模型估算的PM2.5浓度和地面实测值的相关性R2均为4季最低，但二者的均方根误差总体上低于冬春两季；冬季的模型反演精度最低，模型反演值和地面实测值之间的RMSE最高可达13.664 μg·m–3。为了进一步确认遥感反演近地面PM2.5浓度的代表性，将日校正模型和站点—日校正模型反演的PM2.5浓度季均值与地面实测季均值进行比较，结果表明，二者的相关性R2分别为0.995、0.999；RMSE分别为0.728 μg·m–3、0.368 μg·m–3(图4)，这说明了两个统计模型的反演精度很高，可用来分析福州地区近地面PM2.5浓度的季节性分布。

表 4 4季模型回归结果统计表
Table 4 The coefficients of the regression models of 4 seasons

下载CSV 
年份 模型 春 夏 秋 冬
R2 RMSE/(μg·m–3) R2 RMSE/(μg·m–3) R2 RMSE/(μg·m–3) R2 RMSE/(μg·m–3)
2014 日校正模型 0.765 11.557 0.625 10.267 0.739 7.414 0.811 13.664
站点—日校正模型 0.774 11.325 0.745 7.878 0.828 5.998 0.879 10.614
2015 日校正模型 0.712 8.861 0.537 9.050 0.648 6.886 0.668 11.629
站点—日校正模型 0.731 8.551 0.542 8.846 0.718 6.424 0.790 9.409


图 4 模型估算季均值与地面观测PM2.5季均值的对比
Fig. 4 The comparison of estimated and in situ seasonal average PM2.5 data

4.3 模型验证

利用十折交叉验证方法对所提出的统计模型进行验证。图5是日校正模型和站点—日校正模型的交叉验证回归分析，结果表明由两个统计模型反演的福州地区2014年—2015年PM2.5浓度值和地面实测值有较好的一致性，模型估算精度较高。同时，对13个城市站点和5个县郊站点的数据集进行统计模型验证，结果显示针对13个城市站点，日校正模型和站点—日校正模型反演的近地面PM2.5浓度和地面实测值之间的R2分别为0.771(RMSE=8.989 μg·m–3)和0.798(RMSE= 8.431μg·m–3)；5个城市站点的模型验证二者之间的R2分别为0.808(RMSE=10.702 μg·m–3)和0.805(RMSE=9.516 μg·m–3)。分季节来看，2014年—2015年夏秋两季的模型验证结果均好于冬春两季，且两个年份的站点—日校正模型的反演精度均优于日校正模型。结果表明，分季节构建的反演近地面PM2.5浓度的混合效应模型在福州地区具有较好的适用性。


图 5 CV验证模型估算值与地面观测PM2.5值的对比
Fig. 5 The comparison of estimated and in situ PM2.5 concentrations(CV)

总的来看，与线性模型相比，本文所采用的日校正模型与站点—日校正模型的反演精度都有大幅提高，因此可用于福州地区近地面PM2.5浓度的反演。由于并非每个像元都有地基监测站点，站点—日校正模型只适用于对每日18个地基监测站点对应像元处的PM2.5浓度反演，而其他非站点处的PM2.5浓度则采用精度与之相近的日校正模型来反演。此外，由图4可知，日校正模型和站点—日校正模型反演的PM2.5浓度季均值与地面实测季均值皆高度相关，因此两个模型均可用于分析福州地区近地面PM2.5浓度的季节性分布。

4.4 模型应用

以2015年为例，本文将日校正模型应用在福州地区PM2.5浓度的遥感估算中。首先获取2015年AOD、风速、相对湿度的日空间分布图，然后根据日校正模型模拟结果获得每日PM2.5浓度分布图，最后将每日PM2.5浓度分布图相叠加并求均值，得到2015年福州地区全年、4季以及18个地面监测站点的PM2.5浓度年均值分布图(图6)。


图 6 基于MODIS 3 km AOD的福州地区PM2.5浓度空间分布的遥感反演
Fig. 6 Maps of PM2.5 concentrations estimated from MODIS 3 km AOD in Fuzhou

2015年福州地区全年平均PM2.5浓度总体较优，PM2.5年平均浓度为31.324 μg·m–3，但在空间上仍呈现出一定的差异。福州的中部和东南部为相对高值区，向西、北部呈现逐渐递减的格局；相对高值区主要对应鼓楼、台江和仓山等中心市区，其PM2.5平均浓度在35 μg·m–3以上，在福州的2个县级市(长乐、福清)，其PM2.5平均浓度也在33 μg·m–3以上。这些区域是福州的经济发达区和工业区，人口密集、道路密布、人类活动、汽车尾气排放和工业生产都使得PM2.5浓度升高。而福州地区北部和西南部的郊县地区的PM2.5平均浓度则多在25 μg·m–3左右，显然这些区域森林覆盖率较高，人口密度相对低，因此对应的PM2.5平均浓度也较低。

分季节来看，福州地区PM2.5平均浓度呈现季节性变化。冬季PM2.5平均浓度为4个季节中最高，春季次之，然后依次为夏季和秋季。分析冬季的地面实测PM2.5浓度数据可知，该季PM2.5日浓度最高值为111 μg·m–3，全季PM2.5日均值超过60 μg·m–3的天数约占全季的1/5，季平均浓度达到39.717 μg·m–3。春季的PM2.5平均浓度为35.046 μg·m–3，该季PM2.5日浓度最高值也接近100 μg·m–3，日均值超过40 μg·m–3的日数约占全季的1/4；夏、秋两季PM2.5平均浓度相对较低，分别为23.737 μg·m–3、21.464 μg·m–3。从空间分布来看，春、夏、秋、冬四个季节的PM2.5浓度的空间分布格局较为一致，均呈现出以福州地区中部、东南部为相对高值区，向西、北部呈现逐渐递减的格局。分析2014年—2015年福州地区PM2.5浓度呈现季节性差异的原因主要是福州地区冬春两季受锋前暖区、地面倒槽和暖区降水系统的影响，天气阴冷多雨，相对湿度较大，且由于空气温度较低，PM2.5附着在水汽中，悬浮在空气里不易扩散，因此冬、春两季PM2.5浓度较高；而夏、秋两季受低涡锋面、副热带高压和台风系统等天气形势的影响，气温较高，大气稳定度低，有利于颗粒物的扩散，因此PM2.5平均浓度值较低(王宏 等，2014)。

5 结　论

本文通过构建MODIS 3 km AOD、气象因子和地面实测PM2.5浓度之间的回归模型，以探求一种有效的近地面PM2.5浓度的遥感估算方法，并进一步获得福州地区近地面PM2.5浓度的空间分布。通过本研究可以得到以下结论：

(1) 引入气象因子的日校正模型和站点—日校正模型分别能够解释2014年—2015年福州地区PM2.5浓度76.2%，81.4%的变异，说明气象因子是影响AOD-PM2.5关系的重要因素；针对城市站点和县郊站点，模型估算的PM2.5浓度和地面实测值之间的相关系数R2在0.75—0.84，说明两个模型均可有效估算不同下垫面环境的PM2.5浓度；由模型反演的2015年福州地区全年以及4季的PM2.5浓度分布的变化格局与福州地区人口、工业、交通、森林等的分布格局非常一致，说明卫星遥感反演手段能有效、准确地分析区域污染的相对程度，从而弥补了地面监测站点在空间分布上的不足。

(2) 已有研究表明，福州地区PM2.5浓度呈现季节性高低分布，其中冬春两季的季均值明显高于夏秋两季，这与本文的结论相似。此外，已有研究主要利用福州地区某一监测站点的数据来代表整个研究区的PM2.5年变化规律，结果有失准确性。利用福州地区18个站点的PM2.5浓度数据以及气象数据，建立了基于MODIS 3 km AOD估算福州地区PM2.5浓度的日校正模型和站点—日校正模型，并在此基础上获取了整个研究区的PM2.5空间分布，从而更清晰地揭示了福州地区细颗粒物污染的时空分异趋势。

(3) 利用混合效应模型建立了近地面PM2.5浓度与MODIS 3 km AOD、气象因子之间的相关关系，改进了卫星遥感估算PM2.5浓度的方法。但本研究还存在着几点不足：首先，福州地区夏季受天气的影响，MODIS影像的有效天数偏少，导致夏季的PM2.5遥感估算产生较大误差；其次，除了气候条件之外，污染源分布以及土地利用状况也是影响PM2.5浓度高低分布的重要要素。因此，在今后的研究中，如何提高福州地区夏季的PM2.5遥感估算精度，以及探讨污染源、土地利用因子对PM2.5的影响是研究的重点。

志 谢 本研究所用的MODIS数据和气象数据由美国国家航空航天局(NASA)提供，在此表示感谢。同时也特别感谢来自以色列理工学院的David M. Broday教授的技术支持。

参考文献(References)

  • Bates D, Mäechler M, Bolker B M and Walker S C. 2015. Fitting linear mixed-effects models using lme4. Journal of Statistical Software, 67 (1): 1–48. [DOI: 10.18637/jss.v067.i01]
  • Chen L F, Chen S S, Zhong L J, Tao J H and Wang Z F. 2015. Statistic method of particulate matter concentration based on the satellite observations combining with ground measurements in PRD. Tropical Geography, 35 (1): 7–12. [DOI: 10.13284/j.cnki.rddl.002658] ( 陈良富, 陈水森, 钟流举, 陶金花, 王子峰. 2015. 卫星数据和地面观测结合的珠三角地区颗粒物质量浓度统计估算方法. 热带地理, 35 (1): 7–12. [DOI: 10.13284/j.cnki.rddl.002658] )
  • Cheng Z, Jiang J K, Fajardo O, Wang S X and Hao J M. 2013. Characteristics and health impacts of particulate matter pollution in China (2001-2011). Atmospheric Environment, 65 : 186–194. [DOI: 10.1016/j.atmosenv.2012.10.022]
  • Engle-Cox J A, Holloman C H, Coutant B W and Hoff R M. 2004. Qualitative and quantitative evaluation of MODIS satellite sensor data for regional and urban scale air quality. Atmospheric Environment, 38 (16): 2495–2509. [DOI: 10.1016/j.atmosenv.2004.01.039]
  • Franklin M, Zeka A and Schwartz J. 2007. Association between PM2.5 and all-cause and specific-cause mortality in 27 US communities . Journal of Exposure Science and Environmental Epidemiology, 17 (3): 279–287. [DOI: 10.1038/sj.jes.7500530]
  • Ghotbi S, Sotoudeheian S and Arhami M. 2016. Estimating urban ground-level PM10 using MODIS 3 km AOD product and meteorological parameters from WRF model . Atmospheric Environment, 141 : 333–346. [DOI: 10.1016/j.atmosenv.2016.06.057]
  • Gupta P and Christopher S A. 2009. Particulate matter air quality assessment using integrated surface, satellite, and meteorological products: multiple regression approach. Journal of Geophysical Research: Atmospheres, 114 (D14): D14205 [DOI: 10.1029/2008JD011496]
  • Jia S L, Su L, Tao J H, Wang Z F, Chen L F and Shang H Z. 2014. A study of multiple regression method for estimating concentration of fine particulate matter using satellite remote sensing. China Environmental Science, 34 (3): 565–573. ( 贾松林, 苏林, 陶金花, 王子峰, 陈良富, 尚华哲. 2014. 卫星遥感监测近地表细颗粒物多元回归方法研究. 中国环境科学, 34 (3): 565–573. )
  • Kaufman Y J, Wald A E, Remer L A, Gao B C, Li R R and Flynn L. 1997. 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]
  • Kloog I, Koutrakis P, Coull B A, Lee H J and Schwartz J. 2011. Assessing temporally and spatially resolved PM2.5 exposures for epidemiological studies using satellite aerosol optical depth measurements . Atmospheric Environment, 45 (35): 6267–6275. [DOI: 10.1016/j.atmosenv.2011.08.066]
  • Koelemeijer R B A, Homan C D and Matthijsen J. 2006. Comparison of spatial and temporal variations of aerosol optical thickness and particulate matter over Europe. Atmospheric Environment, 40 (27): 5304–5315. [DOI: 10.1016/j.atmosenv.2006.04.044]
  • Lee H J, Liu Y, Coull B A, Schwartz J and Koutrakis P. 2011. A novel calibration approach of MODIS AOD data to predict PM2.5 concentrations . Atmospheric Chemistry and Physics, 11 (15): 7991–8002. [DOI: 10.5194/acp-11-7991-2011]
  • Levy R C, Remer L A and Dubovik O. 2007. Global aerosol optical properties and application to Moderate Resolution Imaging Spectroradiometer aerosol retrieval over land. Journal of Geophysical Research: Atmospheres, 112 (D13): D13210 [DOI: 10.1029/2006JD007815]
  • Li C C, Mao J T, Liu Q H, Liu X Y, Liu G Q and Zhu A H. 2003. Research on the air pollution in Beijing and its surroundings with MODIS AOD products. Chinese Journal of Atmospheric Sciences, 27 (5): 869–880. [DOI: 10.3878/j.issn.1006-9895.2003.05.08] ( 李成才, 毛节泰, 刘启汉, 刘晓阳, 刘桂青, 朱爱华. 2003. 利用MODIS光学厚度遥感产品研究北京及周边地区的大气污染. 大气科学, 27 (5): 869–880. [DOI: 10.3878/j.issn.1006-9895.2003.05.08] )
  • Li R, Gong J H, Chen L F and Wang Z F. 2015. Estimating ground-level PM2.5 using fine-resolution satellite data in the megacity of Beijing, China . Aerosol and Air Quality Research, 15 (4): 1347–1356. [DOI: 10.4209/aaqr.2015.01.0009]
  • Li Z Q, Xu H, Zhang Y, Zhang Y H, Chen C, Li D H, Li L, Hou W Z, Lyu Y and Gu X F. 2013. Joint use of active and passive remote sensing for monitoring of severe haze pollution in Beijing 2013. Journal of Remote Sensing, 17 (4): 919–928. [DOI: 10.11834/jrs.20133066] ( 李正强, 许华, 张莹, 张玉环, 陈澄, 李东辉, 李莉, 侯伟真, 吕阳, 顾行发. 2013. 北京区域2013严重灰霾污染的主被动遥感监测. 遥感学报, 17 (4): 919–928. [DOI: 10.11834/jrs.20133066] )
  • Li Z Q, Zhang Y, Shao J, Li B S, Hong J, Liu D, Li D H, Wei P, Li W, Li L, Zhang F X, Guo J, Deng Q, Wang B X, Cui C L, Zhang W C, Wang Z Z, Lv Y, Xu H, Chen X F, Li L and Qie L L. 2016. Remote sensing of atmospheric particulate mass of dry PM2.5 near the ground: method validation using ground-based measurements . Remote Sensing of Environment, 173 : 59–68. [DOI: 10.1016/j.rse.2015.11.019]
  • Lin C Q, Li Y, Yuan Z B, Lau A K H, Li C C and Fung J C H. 2015. Using satellite remote sensing data to estimate the high-resolution distribution of ground-level PM2.5. Remote Sensing of Environment, 156 : 117–128. [DOI: 10.1016/j.rse.2014.09.015]
  • Liu Y, Sarnat J A, Kilaru V, Jacob D J and Koutrakis P. 2005. Estimating ground-level PM2.5 in the eastern United States using satellite remote sensing . Environmental Science and Technology, 39 (9): 3269–3278. [DOI: 10.1021/es049352m]
  • Ma Z W, Liu Y, Zhao Q Y, Liu M M, Zhou Y C and Bi J. 2016. Satellite-derived high resolution PM2.5 concentrations in Yangtze River Delta Region of China using improved linear mixed effects model . Atmospheric Environment, 133 : 156–164. [DOI: 10.1016/j.atmosenv.2016.03.040]
  • Munchak L A, Levy R C, Mattoo S, Remer L A, Holben B N, Schafer J S, Hostetler C A and Ferrare R A. 2013. MODIS 3 km aerosol product: applications over land in an urban/suburban region. Atmospheric Measurement Techniques, 6 (7): 1747–1759. [DOI: 10.5194/amt-6-1747-2013]
  • Peng J, Chen S, Lv H L, Liu Y X and Wu J S. 2016. Spatiotemporal patterns of remotely sensed PM2.5 concentration in China from 1999 to 2011 . Remote Sensing of Environment, 174 : 109–121. [DOI: 10.1016/j.rse.2015.12.008]
  • Sorek-Hamer M, Kloog I, Koutrakis P, Strawa A W, Chatfield R, Cohen A, Ridgway W L and Broday D M. 2015. Assessment of PM2.5 concentrations over bright surfaces using MODIS satellite observations . Remote Sensing of Environment, 163 : 180–185. [DOI: 10.1016/j.rse.2015.03.014]
  • Sorek-Hamer M, Strawa A W, Chatfield R B, Esswein R, Cohen A and Broday D M. 2013. Improved retrieval of PM2.5 from satellite data products using non-linear methods . Environmental Pollution, 182 : 417–423. [DOI: 10.1016/j.envpol.2013.08.002]
  • Tao J H, Zhang M G, Chen L F, Wang Z F, Su L, Ge C, Han X and Zou M M. 2013. A method to estimate concentrations of surface-level particulate matter using satellite-based aerosol optical thickness. Science China Earth Sciences, 43 (1): 143–154. [DOI: 10.1007/s11430-012-4503-3] ( 陶金花, 张美根, 陈良富, 王子峰, 苏林, 葛萃, 韩霄, 邹铭敏. 2013. 一种基于卫星遥感AOT估算近地面颗粒物的方法. 中国科学: 地球科学, 43 (1): 143–154. [DOI: 10.1007/s11430-012-4503-3] )
  • van Donkelaar A, Martin R V, Brauer M and Boys B L. 2015. Use of satellite observations for long-term exposure assessment of global concentrations of fine particulate matter. Environmental Health Perspectives, 123 (2): 135–143. [DOI: 10.1289/ehp.1408646]
  • van Donkelaar A, Martin R V, Brauer M, Hsu N C, Kahn R A, Levy R C, Lyapustin A, Sayer A M and Winker D M. 2016. Global estimates of fine particulate matter using a combined geophysical-statistical method with information from satellites, models, and monitors. Environmental Science and Technology, 50 (7): 3762–3772. [DOI: 10.1021/acs.est.5b05833]
  • Wang H, Chen X Q, Yu Y J, Chen B B and Sui P. 2014. Preliminary analyses on distribution characteristics of PM2.5、PM2.5/PM10 and its relationship with meteorological conditions in Fuzhou . Journal of Tropical Meteorology, 30 (2): 387–391. [DOI: 10.3969/j.issn.1004-4965.2014.02.021] ( 王宏, 陈晓秋, 余永江, 陈彬彬, 隋平. 2014. 福州市PM2.5、PM2.5/PM10分布特征及与气象条件关系的初步分析 . 热带气象学报, 30 (2): 387–391. [DOI: 10.3969/j.issn.1004-4965.2014.02.021] )
  • 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 J, Xu X G, Spurr R, Wang Y X and Drury E. 2010. Improved algorithm for MODIS satellite retrievals of aerosol optical thickness over land in dusty atmosphere: implications for air quality monitoring in China. Remote Sensing of Environment, 114 (11): 2575–2583. [DOI: 10.1016/j.rse.2010.05.034]
  • Wu J S, Yao F, Li W F and Si M L. 2016. VIIRS-based remote sensing estimation of ground-level PM2.5 concentrations in Beijing-Tianjin-Hebei: a spatiotemporal statistical model . Remote Sensing of Environment, 184 : 316–328. [DOI: 10.1016/j.rse.2016.07.015]
  • Xie Y Y, Wang Y X, Zhang K, Dong W H, Lv B L and Bai Y Q. 2015. Daily estimation of ground-level PM2.5 concentrations over Beijing using 3 km resolution MODIS AOD . Environmental Science and Technology, 49 (20): 12280–12288. [DOI: 10.1021/acs.est.5b01413]
  • Xu X G, Wang J, Henze D K, Qu W J and Kopacz M. 2013. Constraints on aerosol sources using GEOS-Chem adjoint and MODIS radiances, and evaluation with multisensor (OMI, MISR) data. Journal of Geophysical Research: Atmospheres, 118 (12): 6396–6413. [DOI: 10.1002/jgrd.50515]
  • Yang W, Zhao W J, Gong Z N, Zhao W H and Tang T. 2013. Spatial distribution of inhalable particulate and association with respiratory disease in Beijing city. Environmental Science, 34 (1): 237–243. [DOI: 10.13227/j.hjkx.2013.01.041] ( 杨维, 赵文吉, 宫兆宁, 赵文慧, 唐涛. 2013. 北京城区可吸入颗粒物分布与呼吸系统疾病相关分析. 环境科学, 34 (1): 237–243. [DOI: 10.13227/j.hjkx.2013.01.041] )
  • Zhang Y and Li Z Q. 2013. Estimation of PM2.5 from fine-mode aerosol optical depth . Journal of Remote Sensing, 17 (4): 929–943. [DOI: 10.11834/jrs.20133063] ( 张莹, 李正强. 2013. 利用细模态气溶胶光学厚度估计PM2.5. 遥感学报, 17 (4): 929–943. [DOI: 10.11834/jrs.20133063] )
  • Zhang Y and Li Z Q. 2015. Remote sensing of atmospheric fine particulate matter (PM2.5) mass concentration near the ground from satellite observation . Remote Sensing of Environment, 160 : 252–262. [DOI: 10.1016/j.rse.2015.02.005]
数据专区
  • 目录 目录
  • 文章信息 文章信息
  • 引用格式 引用格式
  • 地图 地图
  • 评论 评论
  • 图 图
  • 表 表
  • 二维码 二维码
  • 参考文献 参考文献
  • 多媒体 多媒体