陈辉1
,
厉青1
,
王中挺1
,
孙云2
,
毛慧琴1
,
程斌3
|
收稿日期: 2017-05-03
基金项目: 国家环境保护标准制修订项目(编号：2017-27)；环保百名人才工程项目(编号：WHJJ2016-003)
第一作者简介: 陈辉，1986年生，男，硕士研究生，研究方向为大气环境遥感。E-mail：matheking@163.com
通信作者简介: 毛慧琴，1974年生，女，高级工程师，研究方向为大气环境遥感。E-mail：573028113@qq.com
中图分类号: X831
文献标识码: A
|
摘要
京津冀及周边地区是中国PM2.5污染最重的区域之一，利用卫星遥感技术监测大范围的PM2.5时空分布变化是一种先进的重要手段。本研究首先基于暗像元算法利用FY-3B/MERSI与AQUA/MODIS对京津冀及周边区域进行了遥感AOT反演和验证分析；然后，引入气象资料和地面观测资料利用GWR模型反演了区域PM2.5浓度，并对遥感反演结果进行了交叉验证评估，综合对比分析了MERSI和MODIS的气溶胶及PM2.5遥感监测能力；最后，利用MERSI数据对2017年第一季度京津冀及周边区域的PM2.5月均浓度时空分布变化情况进行了初步探索分析。结果表明：FY-3B/MERSI在气溶胶及PM2.5遥感监测能力方面略优于AQUA/MODIS，MERSI反演的1 km分辨率AOT和PM2.5与地面站点实测结果的决定系数R2分别为0.76 μg/m3和0.79 μg/m3，均方根误差分别为0.26 μg/m3和28 μg/m3，平均绝对误差分别为0.16 μg/m3和15 μg/m3，能基本满足对京津冀及周边区域PM2.5的精细化监测需要。2017年第一季度京津冀及周边区域PM2.5月均浓度遥感监测结果表明该区域的PM2.5空间分布格局与地形地貌关系密切，高值区整体上沿太行山脉成带成片；从时间变化来看，1—3月呈逐月下降的趋势，其中3月份PM2.5区域浓度较1月和2月有大幅下降。这说明FY-3\MERSI遥感反演产品能为环境质量监测和环境管理工作效果评估提供有效参考，本研究对国产卫星在大气环境遥感业务中的大力发展应用有重要参考意义。
关键词
京津冀及周边, FY-3B/MERSI, AOT, PM2.5, 卫星遥感
CHEN Hui1
,
LI Qing1
,
WANG Zhongting1
,
SUN Yun2
,
MAO Huiqin1
,
CHENG Bin3
Abstract
Beijing–Tianjin–Hebei and its surrounding areas are some of the most PM2.5-polluted regions in China. Satellite remote sensing technology is an advanced and important means for monitoring the change in spatio-temporal distribution of large-range PM2.5. In this study, we conduct AOT retrieval and validation analysis based on the Dark Target (DT) Method by utilizing FY-3B/MERSI and AQUA/MODIS satellite data in this region. The weather and ground observation data are brought in to retrieve the regional PM2.5 concentration using the GWR model, and cross-verification assessment for remote sensing and retrieval results is conducted. Through comprehensive comparison, this study analyzes the capability of MERSI and MODIS in monitoring aerosol and PM2.5. Finally, a preliminary exploration analysis on the monthly temporal and spatial changing status of PM2.5 concentration is conducted in the first quarter of 2017 in Beijing–Tianjin–Hebei and its surrounding areas by utilizing MERSI data. Results show that the remote sensing monitoring capability of FY-3B/MERSI is slightly better than that of AQUA/MODIS. The R2 between AOT and PM2.5 dataset with a resolution of 1 km retrieved from MERSI and that from the ground station observation results are 0.76 and 0.79, respectively. The root-mean-square errors are 0.26 and 28 μg/m3, respectively, while the mean absolute errors are 0.16 and 15 μg/m3, respectively. The results can basically meet the demand of fine PM2.5 monitoring in Beijing–Tianjin–Hebei and its surrounding areas. The remote sensing monitoring results of monthly PM2.5 concentration in the first quarter of 2017 in Beijing–Tianjin–Hebei and its surrounding areas show that the spatial pattern of PM2.5 is closely related to the terrain and landscape, with the high concentration zone mainly lying along the Taihang mountains in flakes. From the view of temporal change, a decreasing trend is noted, with March seeing a plunge in concentration value compared with the first two months. The findings suggest that FY-3B/MERSI remote sensing retrieval results can provide effective reference for environmental quality monitoring and environmental management effectiveness evaluation. This study is significant for the development of domestic satellite application in atmospheric environmental remote sensing sector.
Key words
Beijing-Tianjin-Hebei and its surrounding areas, FY-3B/MERSI, AOT, PM2.5, remote sensing
1 引 言
大气细颗粒物(PM2.5)，指空气动力学直径小于等于2.5 μm的颗粒，是大气污染的重要成分之一，也是造成灰霾的主要原因，引起了全世界各国的广泛关注，PM2.5的影响主要体现在对人体健康的危害、环境能见度、气候变化等多个方面(杜德艳 等，2015；胡鸣 等，2015；杨洪斌 等，2012)。随着近年来中国大范围灰霾天气的频繁发生，人们对灰霾的主要因子PM2.5越来越关注，近地面PM2.5浓度信息获取成为环境监测的重要内容(胡鸣 等，2015；陶金花 等，2013)。与传统的地面监测手段相比，卫星遥感由于具有区域尺度的优点，能够在大空间范围内连续和不同尺度上反映污染物的宏观分布趋势、源汇分布和传输路径的优势，利用卫星遥感手段进行近地面PM2.5浓度的监测对区域灰霾的监测和治理具有重要意义(张莹和李正强，2013；陶金花 等，2013)。
利用卫星遥感反演的气溶胶光学厚度(AOT)来研究估算近地面PM2.5浓度是近年来快速发展起来的一项新技术，也是国际上环境遥感一个热门研究领域(Hoff和Christopher，2009)。Wang等人(2010)、陶金花等人(2013)、陈辉等人(2014)基于气溶胶的垂直分布和吸湿增长的物理机制，利用MODIS反演的不同尺度AOT产品并结合不同手段获取的边界层高度和相对湿度等气象因子进行不同区域近地面PM2.5浓度估算；Liu等人(2009)、贾松林等人(2014)、马宗伟(2015)、陈辉等人(2016)等基于MISR、MODIS、VIIRS等卫星遥感AOT产品，并结合辅助的边界层高度、相对湿度、温度、风速等气象要素和人口密度、土地利用类型等因子综合考虑PM2.5的时间变化和空间变化采用简单线性回归和高级统计方法构建了PM2.5遥感估算模型。上述研究主要利用国外卫星遥感(如MODIS、MISR等)资料研究了PM2.5遥感方法模型，而国产卫星在这方面的应用研究较少。随着中国第二代极轨气象卫星风云三号(FY-3)气象卫星的研制和开发，大大增强了中国大气环境质量遥感监测的能力，为大范围开展中国气溶胶及颗粒物遥感监测提供新的遥感数据源。
为此，本研究充分挖掘FY-3卫星MERSI数据在近地面气溶胶及PM2.5遥感监测应用能力，在京津冀及周边地区PM2.5遥感监测中开展应用分析研究。基于2017年1月—2017年3月的Aqua卫星MODIS(AUQA/MODIS)和FY-3B卫星MERSI(FY-3B/MERSI)卫星遥感资料，并结合气象模式资料和地面观测资料，综合考虑PM2.5物化特性的空间差异性，采用地理加权回归(GWR)模型进行京津冀及周边PM2.5区域时空分布遥感监测，为中国自主新型遥感数据的应用和环境管理部门提供决策信息支持。这一方面有助于提升国产卫星遥感自主应用能力，另一方面可在环境遥感业务中减少对国外遥感数据的依赖(杨何群 等，2012年)，确保环境遥感监测的及时性和准确性。
2 研究区域与数据源
2.1 研究区域概况
京津冀地区处于环渤海地区和东北亚的核心重要区域，是中国最大的能源工业基地、重要的钢铁基地和棉花基地。随着京津冀区域经济的快速发展以及它的特殊地理位置，越来越引起中国乃至整个世界的瞩目。京津冀地区作为中国工业最为发达的地区之一，同时也是空气污染最严重的地区之一，是国家控制空气污染的重点区域。而空气污染物的迁移扩散会影响周边省市的空气质量，因此需对京津冀及其周边地区采取联防联控措施(谢杨 等，2016)。
根据《京津冀及周边地区落实大气污染防治行动计划实施细则》，到2017年，京津冀及周边地区(主要包括北京、天津、河北、山西、山东、河南等省市，地理坐标：110°E—125°E，30°N—45°N)将采取一系列措施减少污染的排放(刘俊 等，2014)。为了有效支撑PM2.5污染防控措施的落实和污染物削减评估，本研究利用FY-3B卫星数据对京津冀及周边地区的2017年第一季度PM2.5时空变化情况进行遥感监测，并对监测结果进行分析，以期为京津冀及周边地区大气污染物联防联控提供科学依据。
2.2 数据源介绍
本研究采用数据包括卫星遥感气溶胶光学厚度产品、气象资料以及地面观测的PM2.5质量浓度数据。
2.2.1 卫星数据源
1999年2月18日和2002年5月4日，美国成功地发射了地球观测系统(EOS)的极地轨道卫星Terra和Aqua，搭载在这两颗卫星上的中分辨率成像光谱仪(MODIS)是用于观测全球生物和物理过程的重要仪器，它具有36个中等分辨率水平 (0.25—1 μm)的光谱波段，其中250 m分辨率有2个波段，500 m分辨率有5个波段，1000 m分辨率有29个波段。(祝必琴 等，2014)
随着中国卫星遥感技术的不断发展，中国自主研发的第二代极轨卫星FY-3A、FY-3B、FY-3C分别于2008年5月27日、2010年11月5日、2013年9月23日成功发射，搭载了10波段扫描辐射计、20波段红外分光计、20波段中分辨率成像光谱仪等多个有效载荷，具备地球环境要素的综合探测能力(周永波 等，2014)。其中，中分辨率光谱成像仪(MERSI)是FY-3系列气象卫星上搭载的重要传感器，共20个波段，其中250 m分辨率有5个波段，1000 m分辨率有15个波段。(祝必琴 等，2014)
MERSI的气溶胶反演波段与MODIS较为相似(表1)，其性能指标已经接近美国和欧洲在轨同类卫星载荷的水平，二者均有光谱范围广、成像幅宽大、数据获取免费等优势，能够在大气环境遥感监测领域发挥重要作用。本研究获取的MERSI和MODIS均来自环境保护部卫星环境应用中心的卫星数据直收系统。
表 1 MERSI和MODIS气溶胶反演主要波段光谱参数
Table 1 MERSI and MODIS channels used in AOD retrieval
| MERSI | MODIS | 主要用途 | |||||||
| 波段
序号 |
中心波长/
μm |
光谱带宽/
μm |
空间分辨
率/m |
波段
序号 |
中心波长/
μm |
光谱范围/
μm |
空间分辨
率/m |
||
| 1 | 0.47 | 0.05 | 250 | 3 | 0.466 | 0.459—0.479 | 500 | 获取大气辐射传输方程(蓝波段) | |
| 3 | 0.65 | 0.05 | 250 | 1 | 0.646 | 0.620—0.670 | 250 | 获取大气辐射传输方程(红波段) | |
| 4 | 0.865 | 0.05 | 250 | 2 | 0.855 | 0.841—0.876 | 250 | 计算NDVI，辅助进行水体、云等像元识别 | |
| 7 | 2.13 | 0.05 | 1000 | 7 | 2.119 | 2.105—2.155 | 500 | 根据经验公式计算红、蓝波段地表反射率， 确定暗像元 |
|
2.2.2 气象资料
本研究所使用的气象数据来自于全球预报模式(GFS)的0.5度产品。GFS是由美国国家海洋和大气管理局(NOAA)推出的全球数值天气预报计算模式，隶属于国家天气服务中心。该模式每天4次发布长达16 d的预测数据，随着时间的推移其空间和时间精度都会降低。为保证气象资料的准确性，本研究采用的资料是美国国家环境预报中心(NCEP)的全球预报系统生产的逐6 h全球范围0.5°再分析资料产品，该气象模式资料能提供0时、6时、12时及18时的空气温度、相对湿度、可降水量、位势高度、垂直和水平方向风速、边界层高度等气象条件资料，数据存储为grib2格式。结合卫星过境时间，利用IDL和wgrib2程序从GFS中提取UTC 06时(北京时间为14点，接近于AQUA和FY-3B卫星过境时间)边界层高度(HPBL)和近地面相对湿度(RH)，作为PM2.5遥感估算模型的两个重要参数。
2.2.3 地面观测资料
从2013年1月开始中国环境监测总站建立的城市空气质量实时发布平台正式运行，发布京津冀、长三角、珠三角区域及其他地级以上城市在内的74个城市(2016年增加到338)空气质量实时监测数据(包括PM10、PM2.5等共6个要素浓度值)，截至2014年底，全国“城市空气质量监测网”已经覆盖338个城市，共设有1436个监测点位，为开展PM2.5遥感反演技术方法研究提供了大量的数据基础。
本研究从全国重点城市空气质量发布平台中获取京津冀及周边地区各城市共673个监测点位的PM2.5实时监测质量浓度结果，并将小时平均结果进行分别对应卫星过境时间进行综合平均，在时间上与卫星遥感影像匹配，将匹配结果用于PM2.5遥感反演和验证。
3 研究方法
3.1 AOT遥感反演与验证
3.1.1 AOT遥感反演
气溶胶光学厚度(AOT)是PM2.5遥感反演的关键参量，国内外学者利用MODIS、MISR等卫星遥感资料发展了暗像元、深蓝等AOT遥感反演方法，美国NASA也陆续发布了基于MODIS数据反演不同版本的AOT产品，已经广泛运用在大气校正和气溶胶遥感监测等领域。由于气溶胶的空间分布差异较为明显，NASA发布的MODIS C005及之前版本的AOT产品分辨率为10 km，主要用于全球尺度的气候变化(Li 等，2005)，但10 km尺度内的气溶胶变化较大，且10 km分辨率AOT产品是对10 km×10 km范围内的所有无云象元计算的平均AOT值，这大大弱化了10 km范围内局部AOT的剧烈变化，尽管NASA 于2014年发布的MODIS C006版本中增加发布了3 km分辨率的气溶胶产品，但仍然不能完全满足局地气溶胶和环境空气污染的精细化的监测，Li等人(2005)利用MODIS 1B资料反演1 km的气溶胶光学厚度具有可行性和应用价值。
因此，本研究根据大气辐射传输方程(式(1))，基于Kaufman和Remer(Levy 等，2009)发展的暗像 元算法基本原理，参考Li等人(2005)气溶胶遥感反演算法的MODIS数据处理技术流程和气溶胶模式等参数设置，利用6S辐射传输模型并依据可见光和短波红外(2.1 μm)等3个波段见的反射率关系构建查找表和插值计算获取0.55 μm波长处的AOT，采用MODIS和MERSI 1 km分辨率数据反演计算获取 1 km分辨率的AOT产品。
| ${\rho _{\rm{TOP}}}({\mu _{\rm{s}}}, {\mu _{\rm{v}}}, \phi) = {\rho _0}({\mu _{\rm{s}}}, {\mu _{\rm{v}}}, \phi) + \frac{{T({\mu _{\rm{s}}}){\rho _{\rm{s}}}({\mu _{\rm{s}}}, {\mu _{\rm{v}}}, \phi)T({\mu _{\rm{v}}})}}{{1 - {\rho _{\rm{s}}}({\mu _{\rm{s}}}, {\mu _{\rm{v}}}, \phi)S}}$ | (1) |
式中，
值得注意的是，提高反演AOT分辨率有利于体现局部气溶胶的空间变化，但是也因此会降低信噪比，导致云阴影和云污染等噪声象元剔除不够彻底，给反演结果带来一定的噪声。因此在完成气溶胶遥感反演后，剔除AOT值较高和较低的值，本研究参考MODIS的官方产品设定反演AOT的有效值范围为0—5。
3.1.2 AOT产品验证
为对MODIS和MERSI反演的AOT产品进行验证分析，从AERONET网站下载了京津冀地区2017年1—3月的国家气象局、中国科学院大气物理研究所、北京大学和香河等4个CE318观测站点(地理位置分布见图1)的lev1.5级产品，从中读取870 nm、675 nm、500 nm、440 nm、380 nm等波长处的AOT，并根据AOT与波长的变化关系式(式(2))插值计算550 nm波长处的AOT结果，以与卫星遥感观测结果进行对比验证。
| $\tau \left(\lambda \right) = \beta {\lambda ^{ - \alpha }}$ | (2) |
同时为减少数据误差噪声和空间差异的影响，以地面站点地理位置为中心，从MERSI和MODIS的遥感AOT产品中取站点周围25个像元(5×5)有效值的平均结果，与同期地面CE318观测结果进行相关分析，并计算相关统计参数以评估MERSI和MODIS的AOT产品精度。
3.2 PM2.5遥感反演与验证
3.2.1 PM2.5遥感反演
近年来，国内外学者开展了大量利用卫星遥感技术进行近地面颗粒物遥感监测关键技术及业务化方法研究，但大多基于AOT的区域PM2.5浓度遥感反演方法都没有考虑到局部参数的变化特征，这会导致反演结果有较大的误差(Hu 等，2013)。Hu等人(2013)、Ma等人(2014)和陈辉等人(2016)考虑PM2.5时空分布变化特征，引入地理加权回归(GWR)模型，利用卫星遥感AOT和相对湿度(RH)、边界层高度(HPBL)等气象资料，并结合地面观测数据发展了PM2.5遥感反演方法模型，取得了较好的效果。相对于其他统计模型对所有数据作为一个整体进行统计回归分析，GWR可以对空间上的每个点都进行回归分析，即对每个站点选取一定的带宽，对该带宽内的数据进行回归分析，从而得到空间连续分布的回归参数，可以反映出PM2.5-AOT之间关系在空间上的变异。不少研究结果表明，GWR模型与普通线性回归模型相比，能有效提升PM2.5空间预测结果精度。(Hu 等，2013；马宗伟，2015；陈辉 等，2016)。
本研究分别以MERSI和MODIS反演的1 km 分辨率AOT产品与相对湿度(RH)、边界层高度(HPBL)等气象条件参数，结合京津冀及周边地区的地面观测数据作为输入参数，根据加权回归模型GWR模型(式(3))和权重函数(Gauss函数)开展京津冀及周边地区的PM2.5遥感反演研究。
| $\begin{aligned}{\rm{lnP}}{{\rm{M}}_{2.5}} & \left( {{u_i},{v_i}} \right) = {\beta _0}\left( {{u_i},{v_i}} \right) + {\beta _1}\left( {{u_i},{v_i}} \right){\rm{lnAOT}} + \\ &{\beta _2}\left( {{u_i},{v_i}} \right){\rm{lnHPBL}} + {\beta _3}\left( {{u_i},{v_i}} \right){\rm{ln}}\left( {1 - \frac{{{\rm{RH}}}}{{100}}} \right)\end{aligned}$ | (3) |
式中，βd(ui, vi)表示为第d(d=0, 1, 2, 3)个参数在观测点(ui, vi)处的系数。
3.2.2 PM2.5结果验证
对PM2.5遥感反演结果精度进行验证评估，本研究采取十折交叉验证(ten-fold cross validation)方法(Rodriguez 等，2010)对MERSI和MODIS反演的PM2.5浓度与地面观测结果进行相关分析，并计算统计特征参数以评估PM2.5遥感反演结果精度。十折交叉验证是常用的测试方法，即将输入数据集随机分成10份，轮流将其中9份作为训练样本数据，1份作为测试验证数据，依据训练的模型参数计算预测结果，并提取与测试数据相应的预测值，将预测值和测试验证结果进行比较。这样能保证每一个数据既参与了模型训练，又参与了结果验证，同时能避免模型过拟合现象，充分保证了数据的高效利用。
4 结果与分析
4.1 MERSI与MODIS卫星反演AOT验证
本研究选取2017年1—3月的AUQA/MODIS和FY-3B/MERSI数据反演的1 km分辨率AOT产品，并从AERONET网站获取中国地区CE318同期观测的AOT产品，分别对MODIS和MERSI的暗像元产品进行验证分析。通过对MODIS和MERSI产品与AERONET的AOT产品进行匹配，分别获取了175组MERSI-CE318和155组MODIS-CE318的有效AOT对比数据，将匹配后的有效数据与地面CE318测量结果进行相关分析(图2、表2)。
表 2 MODIS与MERSI反演AOT产品和AERONET观测结果对比
Table 2 Comparison between FY-3B/MERSI and AQUA/MODIS AOT products with situ measure AOT
| 项目 | MODIS | MERSI |
| 样本数 | 155 | 175 |
| 决定系数(R2) | 0.67 | 0.79 |
| 均方根误差(RMSE) | 0.29 | 0.26 |
| 平均绝对误差 | 0.23 | 0.16 |
| 斜率 | 0.61 | 1.2 |
上述相关分析结果表明：MERSI与MODIS的暗像元算法1 km分辨率AOT产品与地面CE318测量结果相关性较高，相关系数均达0.8以上(即决定系数R2>0.64)，总体上，MERSI和MODIS的1 km分辨率AOT产品精度能满足本研究需要。其中，在二者对比样本数相当的情况下，MERSI AOT略低于地面测量结果(AERONET与MERSI AOT比例系数为1.2)，而MODIS AOT则略高于地面测量结果(AERONET与MODIS AOT比例系数为0.61)；MERSI的1 km分辨率AOT产品与地面测量结果相关性(R2=0.76)略高于MODIS(R2=0.67)，均方根误差和平均绝对误差分别为0.26和0.16，低于MODIS验证结果。这可能是由于MODIS发射时间较早，已超期服役多年，传感器的衰减远大于MERSI，给气溶胶光学厚度遥感反演带来的误差较大。这也进一步证明国产气象卫星在气溶胶遥感监测方面已经达到与国际水平相当的能力。
4.2 MERSI与MODIS卫星反演PM2.5
基于2017年1—3月的AUQA/MODIS和FY-3B/MERSI数据反演的1 km分辨率AOT产品、GFS气象资料和地面观测资料，根据GWR模型可获取每天的1 km分辨率的PM2.5遥感反演产品，以其中2月13日为例说明二者PM2.5遥感监测效果。
图3是2017年2月13日基于FY-3B/MERSI和AQUA/MODIS的京津冀及周边地区PM2.5遥感监测空间分布结果。从图3可以看出二者总体空间分布较为一致，PM2.5浓度高值区主要分布在山东西北部、京津冀南部、河南北部和山西南部一带，不同的是MERSI能有效监测到京津冀南部的空气重污染(PM2.5浓度大于150 μg/m3)区域，而该区域MODIS未能获取足够有效值；但在京津冀北部和山西北部等地的空气质量优良(PM2.5浓度大于75 μg/m3)区域，MODIS反演结果覆盖较好，而MERSI未能获取有效值。这主要是因为MERSI反演结果偏低，在清洁空气地区反演的AOT值过低(小于0)被视作无效值；相反，由于MODIS反演AOT值略偏高，所以在清洁地区获取的均为有效结果，但在重污染地区反演结果过高(大于5)被视作无效值。这说明MERSI对重污染天气的监测能力较好，对清洁天气的监测能力略逊于MODIS。
为进一步对比MERSI和MODIS在京津冀及周边区域的PM2.5遥感反演结果，将2017年1—3月每天的673个地面空气质量自动监测站点交叉验证结果进行筛选，获取有效匹配数据进行相关分析，并统计相关参数评估PM2.5遥感反演结果精度(图4、表3)。
表 3 MODIS与MERSI反演PM2.5产品和地面观测结果对比
Table 3 Comparison between MERSI and MODIS PM2.5 products with situ measurement
| 项目 | MODIS | MERSI |
| 样本数 | 21942 | 23199 |
| 决定系数(R2) | 0.65 | 0.79 |
| 均方根误差(RMSE) | 28 | 28 |
| 平均绝对误差 | 14 | 15 |
| 斜率 | 0.95 | 1.00 |
从卫星遥感监测PM2.5结果与地面673个站点监测交叉验证结果比对情况来看，MERSI和MODIS与地面观测结果均具有较高的相关性，相关系数均达0.8以上(即决定系数R2>0.64)，总体上，MERSI和MODIS的1 km分辨率PM2.5产品精度能基本满足对京津冀及周边区域的精细化监测需要。其中，在二者对比样本数相当的情况下，MERSI的PM2.5产品与地面测量结果相关性(R2=0.79)略高于MODIS(R2=0.65)，比例系数(slop=1)也较MODIS更接近于1；均方根误差和平均绝对误差分别为28 μg/m3和15 μg/m3，与MODIS验证结果相当。总体上，MERSI的PM2.5遥感反演效果略好于MODIS。
基于上述地理加权回归模型和FY-3B/MERSI数据计算2017年1—3月京津冀及周边区域每天的PM2.5空间分布情况，并分别计算1—3月的PM2.5月均浓度值，将结果利用ArcMap进行渲染制图，结果如图5所示。由于受冬季雪地和云等影响，河北北部局地无法获取有效的AOT值，因此PM2.5分布出现部分空白区域，但对区域PM2.5整体空间分布情况分析的影响较小。从图5中可以看出，2017年第一季度京津冀及周边地区PM2.5空间分布呈现显著的区域分布特征，高值区整体上沿太行山脉成带成片，PM2.5浓度较高的地方主要分布在京津冀南部、河南北部和山西西南部一带，河北北部、山西北部、山东东南部和河南南部等地PM2.5污染相对较轻；从时间变化来看，1—3月呈逐月下降的趋势，其中1月PM2.5污染最重，这可能是因为冬季华北地区采暖加大污染物排放量，同时逆温层频繁出现也不利于污染物扩散，加重了空气中PM2.5浓度；3月份PM2.5区域浓度较2月有大幅下降，这一方面由于3月天气逐渐回暖停止供暖减少了污染物排放有关，同时逆温层出现频次减少也有利于PM2.5污染物扩散；另一方面环境保护部对京津冀及周边地区的18个重点城市开展了2017年第一季度空气质量专项督查工作，强化了对京津冀及周边地区大气污染治理工作成果(http://www.zhb.gov.cn/home/rdq/jdzf/hjzf/dcdb/201703/t20170330_409125.shtml, [2017-03-30])。
5 结 论
本研究利用FY-3B/MERSI与AQUA/MODIS对京津冀及周边区域的气溶胶光学厚度进行了遥感反演和验证分析，在此基础上引入气象资料和地面观测资料利用GWR模型反演了区域PM2.5浓度，并对遥感反演结果进行了交叉验证评估，综合对比分析了MERSI和MODIS的气溶胶及PM2.5遥感监测能力。最后，利用MERSI数据对2017年第一季度京津冀及周边区域的PM2.5月均浓度时空分布变化情况进行了初步探索分析。得出以下结论：
(1)基于暗像元算法对MERSI与MODIS数据进行1 kmAOT产品遥感反演，与地面观测结果对比发现二者均与实测结果具有较高的一致性，相关系数达0.8以上，均方根误差在0.3以内，平均绝对误差在0.2以内。其中MERSI的1 km AOT产品总体略优于MODIS，这表明国产气象卫星在气溶胶遥感监测方面已经达到与国际水平相当的能力。
(2)利用GWR模型和1 km AOT产品进行地面PM2.5质量浓度反演，从卫星遥感反演与地面监测交叉验证结果比对情况来看，MERSI和MODIS与地面观测结果均具有较高的相关性，相关系数均达0.8以上，均方根误差和平均绝对误差分别在30 μg/m3和15 μg/m3以内，能基本满足对京津冀及周边区域的精细化监测需要。总体上，MERSI的PM2.5遥感反演效果略好于MODIS，其中MERSI对重污染天气的监测能力较好，对清洁天气的监测能力略逊于MODIS。
(3)利用FY-3B/MERSI数据计算2017年1—3月京津冀及周边区域PM2.5月均浓度值，分析PM2.5时空分布变化情况。从空间分布格局来看，PM2.5空间分布格局与地形地貌关系密切，高值区整体上沿太行山脉成带成片；从时间变化来看，1—3月呈逐月下降的趋势，冬季是京津冀及周边区域重污染天气高发季节，其中3月份PM2.5区域浓度较1月和2月有大幅下降，这也初步反映了2017年第一季度空气质量专项督查工作的成效。
本研究仅采用暗像元算法进行1 km分辨率的AOT遥感反演，MODIS最新公布版本的气溶胶产品引入了深蓝算法，扩展了亮地表上的气溶胶监测能力，该方法在国产FY-3卫星上的应用有待于以后进一步深入研究。
志 谢 中国环境监测总站全国城市空气质量发布平台为本研究提供了PM2.5小时浓度数据，AERONET和NCEP提供了CE318观测资料和GFS气象数据下载服务，在此一并感谢。
参考文献(References)
-
Chen H, Li Q, Wang Z T, Mao H Q, Zhou C Y, Zhang L J and Chao X L. 2014. Study on monitoring surface PM2.5 concentration in Jing-Jin-Ji regions using MODIS data . Journal of Meteorology and Environment, 30 (5): 27–37. [DOI: 10.3969/j.issn.1673-503X.2014.05.005] ( 陈辉, 厉青, 王中挺, 毛慧琴, 周春艳, 张丽娟, 晁雪林. 2014. 利用MODIS资料监测京津冀地区近地面PM2.5方法研究 . 气象与环境学报, 30 (5): 27–37. [DOI: 10.3969/j.issn.1673-503X.2014.05.005] )
-
Chen H, Li Q, Zhang Y H, Zhou C Y and Wang Z T. 2016. Estimations of PM2.5 concentrations based on the method of geographically weighted regression . Acta Scientiae Circumstantiae, 36 (6): 2142–2151. [DOI: 10.13671/j.hjkxxb.2015.0780] ( 陈辉, 厉青, 张玉环, 周春艳, 王中挺. 2016. 基于地理加权模型的我国冬季PM2.5遥感估算方法研究 . 环境科学学报, 36 (6): 2142–2151. [DOI: 10.13671/j.hjkxxb.2015.0780] )
-
Du D Y, Li J J, Tao Y, Cheng J H and Zhang W. 2015. Seasonal variations of microscopic characteristics of PM2.5 in Guiyang City . Acta Scientiae Circumstantiae, 35 (6): 1645–1650. [DOI: 10.13671/j.hjkxxb.2015.0056] ( 杜德艳, 李金娟, 陶芸, 程佳惠, 张维. 2015. 贵阳市PM2.5微观特征的季节变化分析 . 环境科学学报, 35 (6): 1645–1650. [DOI: 10.13671/j.hjkxxb.2015.0056] )
-
Hoff R M and Christopher S A. 2009. Remote sensing of particulate pollution from space: have we reached the promised land?. Journal of the Air and Waste Management Association, 59 (6): 645–675. [DOI: 10.3155/1047-3289.59.6.645]
-
Hu M, Zhang Y H and Zhao Q B. 2015. Characteristics and sources of inorganic elements in PM2.5 during wintertime in Shanghai . Acta Scientiae Circumstantiae, 35 (7): 1993–1999. [DOI: 10.13671/j.hjkxxb.2014.0965] ( 胡鸣, 张懿华, 赵倩彪. 2015. 上海市冬季PM2.5无机元素污染特征及来源分析 . 环境科学学报, 35 (7): 1993–1999. [DOI: 10.13671/j.hjkxxb.2014.0965] )
-
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]
-
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. )
-
R. C. Levy, L. A. Remer, D. Tanré, S. Mattoo, and Y. J. Kaufman, 2009, Algorithm for remote sensing of tropospheric aerosols over dark targets from MODIS, Collections 005 and 051: Revision 2, Feb 2009, Product ID: MOD04/MYD04, pp: 1–96.
-
Li C C, Lau A K H, Mao J T and Chu D A. 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]
-
Liu J, An X Q, Zhu T, Zhai S X and Li N. 2014. Evaluation of PM2.5 decrease in Beijing after emission restrictions in the Beijing-Tianjin-Hebei and surrounding regions . China Environmental Science, 34 (11): 2726–2733. ( 刘俊, 安兴琴, 朱彤, 翟世贤, 李楠. 2014. 京津冀及周边减排对北京市PM2.5浓度下降评估研究 . 中国环境科学, 34 (11): 2726–2733. )
-
Liu Y, Paciorek C J and Koutrakis P. 2009. Estimating regional spatial and temporal variability of PM2.5 concentrations using satellite data, meteorology, and land use information . Environmental Health Perspectives, 117 (6): 886–892.
-
Ma Z, Hu X, Huang L, Bi J, Liu Y. 2014. Estimating ground-level PM2.5 in China using satellite remote sensing . Environ Sci Technol, 48 : 7436–7444.
-
Ma Z W. 2015. Study on Spatiotemporal Distributions of PM2.5 in China Using Satellite Remote Sensing. Nanjing: Nanjing University (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)
-
Rodríguez J D, Peréz A and Lozano J A. 2010. Sensitivity analysis of k-fold cross validation in prediction error estimation . IEEE Transactions on Pattern Analysis and Machine Intelligence, 32 (3): 569–575. [DOI: 10.1109/TPAMI.2009.187]
-
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] )
-
Wang Z F, Chen L F, Tao J H, Zhang Y and Su L. 2010. Satellite-based estimation of regional particulate matter (PM) in Beijing using Vertical-and-RH correcting method (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. Remote Sensing of Environment, 114 (1): 50–63. [DOI: 10.1016/j.rse.2009.08.009]
-
Xie Y, Dai H C, Hanaoka T and Masui T. 2016. Health and economic impacts of PM2.5 pollution in Beijing-Tianjin-Hebei Area . China Population Resources and Environment, 26 (11): 19–27. [DOI: 10.3969/J.issn.1002-2104.2016.11.003] ( 谢杨, 戴瀚程, 花岡達也, 増井利彦. 2016. PM2.5污染对京津冀地区人群健康影响和经济影响 . 中国人口·资源与环境, 26 (11): 19–27. [DOI: 10.3969/J.issn.1002-2104.2016.11.003] )
-
Yang H B, Zou X D, Wang H Y and Liu Y C. 2012. Study progress on PM2.5 in atmospheric environment . Journal of Meteorology and Environment, 28 (3): 77–82. [DOI: 10.3969/j.issn.1673-503X.2012.03.014] ( 杨洪斌, 邹旭东, 汪宏宇, 刘玉彻. 2012. 大气环境中PM2.5的研究进展与展望 . 气象与环境学报, 28 (3): 77–82. [DOI: 10.3969/j.issn.1673-503X.2012.03.014] )
-
Yang H Q, Yin Q, Zhou H M and Ge W Q. 2012. Utilization of MATLAB to realize LST retrieval and thematic mapping from FY-3/MERSI data. Remote Sensing for Land and Resources (4): 62–70. [DOI: 10.6046/gtzyyg.2012.04.11] ( 杨何群, 尹球, 周红妹, 葛伟强. 2012. 利用MATLAB实现FY-3/MERSI地表温度反演及专题制图. 国土资源遥感 (4): 62–70. [DOI: 10.6046/gtzyyg.2012.04.11] )
-
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] )
-
Zhou Y B, Bai J, Zhou Z H and Qi L L. 2014. Aerosol optical depth retrieval from FY-3A/MERSI for sand-dust weather over ocean. Journal of Remote Sensing, 18 (4): 771–787. [DOI: 10.11834/jrs.20143274] ( 周永波, 白洁, 周著华, 齐琳琳. 2014. FY-3A/MERSI海上沙尘天气气溶胶光学厚度反演. 遥感学报, 18 (4): 771–787. [DOI: 10.11834/jrs.20143274] )
-
Zhu B Q, Huang S E, Chen X J and Fan J Y. 2014. Monitoring of rice growth based on FY3B/MERSI with AQUA/MODIS data contrastive analysis. Acta Agriculturae Universitatis Jiangxiensis, 36 (5): 1009–1015. [DOI: 10.3969/j.issn.1000-2286.2014.05.014] ( 祝必琴, 黄淑娥, 陈兴鹃, 樊建勇. 2014. 基于FY3B/MERSI水稻长势监测及其与AQUA/MODIS数据对比分析. 江西农业大学学报, 36 (5): 1009–1015. [DOI: 10.3969/j.issn.1000-2286.2014.05.014] )
