删除或更新信息,请邮件至freekaoyan#163.com(#换成@)

台湾岛高分一号卫星WFV数据气溶胶反演与验证

本站小编 Free考研考试/2021-12-31

贾亮亮, 汪小钦, 苏华, 王峰
福州大学空间数据挖掘和信息共享教育部重点实验室, 福建省空间信息工程研究中心, 福州 350002
收稿日期: 2017-07-25; 修回日期: 2017-09-29; 录用日期: 2017-10-28
基金项目: 国家重点研发计划(No.20017YFB0504203);中央引导地方发展专项(No.2017L3012);海西政务大数据应用协同创新中心资助项目
作者简介: 贾亮亮(1991—), 男, E-mail:751117811@qq.com
通讯作者(责任作者): 汪小钦, E-mail:wangxq@fzu.edu.cn

摘要: 针对国产中等分辨率遥感数据的特性,集成暗像元和深蓝算法的优势,提供了一种能够同时对低反射率和高反射率地表类型实现AOD反演的方法.基于该方法,以台湾岛为例,利用高分一号卫星(GF-1)WFV数据反演得到550 nm处的AOD.与MODIS气溶胶产品(MOD04)进行比较,二者空间分布具有很好的一致性,总体相关系数r优于0.9.利用全球气溶胶自动观测网(AERONET)站点数据进行反演结果的验证.反演结果与AERONET实测值具显著的相关性(r>0.85),70%的反演结果满足误差精度要求.通过与暗像元法、深蓝算法的反演结果进行对比,本文方法在结果精度和空间覆盖度方面具有独特的优势.在台湾岛地区,夏、冬季分别采用海洋型和大陆型气溶胶模式比较适合;随着GF-1卫星数据空间分辨率的降低,气溶胶反演结果与地基观测值的相关性系数呈现先降低、后平稳的趋势,但整体变化不是太大.
关键词:高分一号暗像元法深蓝算法气溶胶光学厚度(AOD)台湾6S模型
Validation of retrieving aerosol over Taiwan Island using GF-1 satellite WFV data
JIA Liangliang, WANG Xiaoqin , SU Hua, WANG Feng
Key Laboratory of Spatial Data Mining & Information Sharing of Ministry of Education, National Engineering Research Center of Spatial Information Technology, Fuzhou University, Fuzhou 350002
Received 25 July 2017; received in revised from 29 September 2017; accepted 28 October 2017
Supported by the National Key Research and Development Program(No.20017YFB0504203), the Central Guide Local Science and Technology Development Project(No. 2017L3012) and the Program of Fujian Collaborative Innovation Center for Big Data Applications in Governments
Biography: JIA Liangliang(1991—), male, E-mail: 751117811@qq.com
*Corresponding author: WANG Xiaoqin, E-mail:wangxq@fzu.edu.cn
Abstract: According to the characteristics of domestic medium-resolution remote sensing data, we proposed a new method for retrieving aerosol optical depth (AOD) from optical images by integrating the advantages of dark-pixel and deep-blue algorithms. The method was proved to be effective and suitable for AOD estimation over both low-reflectivity and high-reflectivity surface cover types. Here, we estimated AOD at 550 nm over Taiwan Island based on GF-1 WFV data, and the results were compared with MODIS AOD products (MOD04). The spatial distributions of AOD from GF-1 are well consistent with those from MOD04 (r > 0.9). Moreover, the inversion results were validated by using the ground-measured AODs from AERONET. The retrieved AOD is significantly correlated with the AERONET data (r > 0.85), and about 70% of the estimated results meet the accuracy requirement. Compared with the dark-pixel and deep-blue algorithms, the proposed method has distinctive advantages in terms of estimation accuracy and spatial coverage. In Taiwan Island, the marine and continental aerosol types are suitable for AOD estimation in summer and winter, respectively. With the decrease of spatial resolution of GF-1 images, the correlation coefficient between the image-estimation and ground-observation AOD presents a trend of decline first and then stable, while the overall change is not significant.
Key words: GF-1dark pixeldeep blueaerosol optical depth (AOD)Taiwan6S model
1 引言(Introduction)近年来, 全国多次大范围雾霾事件引起了社会各界对PM2.5的关注.如何监测PM2.5已受到各国政府和有关部门的高度重视.空气污染物可以通过地面基站布设的多种不同类型的仪器实施监测, 但由于观测仪器昂贵的价格、有限的站点数量及空间分布不均等原因, 对空气污染物空间分布的正确制图比较困难.如果在大范围进行连续监测, 地面基站对空气污染物无法提供详细的空间分布.卫星遥感提供了一种有效监测大范围气溶胶空间连续分布和变化的方法, 使人们能够较为全面地评估气溶胶对环境造成的污染状况(郭建平等, 2013; 夏志业等, 2015).
作为气溶胶最基本的光学特性之一, 气溶胶光学厚度(Aerosol Optical Depth, AOD)是研究大气浊度的一个重要参量, 其分布情况在一定程度上反映了气溶胶的分布变化.基于卫星遥感反演气溶胶的研究始于20世纪70年代中期, 最早利用搭载在ERTS-1上的MSS (Multispectral Scanner)传感器(Griggs, 1975; Mekler et al., 1977), 第一个用于业务化生产气溶胶光学厚度产品的卫星传感器是搭载在TIROS-N卫星上的AVHRR(Stowe et al., 2002), 随后的MODIS、MISR(Multi-angle Imaging Spectroradiometer)及国产HJ-1卫星数据等也应用于气溶胶的反演研究.随着政府部门对环境污染监测的重视及国内外****的共同努力, 新的卫星传感器在设计中越来越多地考虑气溶胶监测的需求, 例如, 即将发射的国产高分五号卫星搭载了用于气溶胶观测的大气多角度偏振探测仪(DPC).卫星遥感气溶胶反演算法也经历了由海洋到陆地、由暗地表到亮地表的转变过程.利用光学遥感卫星反演陆地气溶胶光学厚度最常用的算法是暗像元法(Kaufman et al., 1988)和深蓝算法(Hsu et al., 2004).暗像元法(DDV)也被称之为浓密植被法, 利用浓密植被在红、蓝光波段的地表反射率较低, 构建暗像元在这两个波段的线性关系, 从卫星观测信号中去除地表反射贡献, 提取气溶胶信息.暗像元法已成功应用于MODIS、Landsat、HJ-1、GF-1等国内外传感器(Li et al., 2014王中挺等, 2015赵志强等, 2015李睿博等, 2017).在亮像元地表, 蓝光波段的地表反射率较小, 只有可见光波段的1/2~1/4, 可以通过对蓝光波段地表反射率的模拟实现对气溶胶厚度的反演, 这就是深蓝算法.Hsu等(2006)通过实验表明, 在蓝光波段, 大气反射较强, 而地表反射较弱.王中挺等(2012)Hsu等(2006)研究的基础上提出了针对HJ-1卫星的CCD相机数据的深蓝算法, 并且取得了较好的反演结果.目前, 多数研究采用单一算法, 综合利用不同算法的应用比较少.
由城市交通污染、工程建设污染、工业污染及生态环境破坏等引发的大气污染问题给城市和区域空气质量带来了空前的挑战, 利用卫星遥感手段和气溶胶反演算法研究城市和区域的气溶胶变化已成为一个热点.但针对城市和区域等复杂地表的气溶胶反演大多基于中低等分辨率影像(Guo et al., 2009Wang et al., 2013Bilal et al., 2015J?kel et al., 2015), 无法满足大气污染监测的精细化需求.高分一号(GF-1)卫星凭借高精度、宽范围的空间观测服务, 已在地理测绘、海洋和气候气象观测、水利和林业资源监测、城市和交通精细化管理、疫情评估与公共卫生应急、地球系统科学研究等领域得到广泛应用(张晰等, 2015马琰等, 2016Shang et al., 2016张焜等, 2016). GF-1卫星的有效载荷为2台高分辨率相机和4台中分辨率相机, 中分辨率相机(WFV)的空间分辨率为16 m, 共有蓝、绿、红和近红外4个波段, 通过4台相机(WFV1、WFV2、WFV3和WFV4)视场拼接实现800 km幅宽的大视场观测, 可实现4 d覆盖中国全境(白照广, 2013), GF-1卫星轨道参数如表 1所示.高空间分辨率及宽范围覆盖度的特点使得GF-1卫星WFV数据在气溶胶监测方面具有一定的优势.目前利用GF-1卫星遥感数据开展气溶胶反演的研究相对较少, 本文开展基于GF-1卫星的气溶胶反演方法研究, 对于扩展GF-1卫星的应用领域和应用广度具有重要意义.
表 1(Table 1)
表 1 GF-1卫星轨道参 Table 1 Parameters of GF-1 satellite orbit
表 1 GF-1卫星轨道参 Table 1 Parameters of GF-1 satellite orbit
轨道类型 轨道高度/km 轨道倾角 降交点地方时 回归周期/d
太阳同步回归轨道 645 98.0506° 10:30AM 41


国内气溶胶监测站点主要分布在内陆地区(Pan et al., 2010; Xin et al., 2015), 对于沿海及海岛地区验证不具有参照性.国内外对气溶胶的研究也基本集中在内陆地区, 对沿海地区的研究则相对较少.本文以台湾岛作为研究区, 以GF-1卫星WFV数据为数据源, 综合考虑不同算法的优缺点及GF-1卫星WFV数据的技术特点, 采用暗像元法和深蓝算法相结合的方式开展气溶胶的反演研究.
2 材料与方法(Materials and methods)2.1 研究区选择本文以台湾岛地区(120°08′~122°01′E, 21°53′~ 25°18′N)为研究区, 台湾岛东临太平洋, 东北邻琉球群岛, 相隔约600 km, 南界巴士海峡, 与菲律宾相隔约300 km, 西隔台湾海峡与福建省相望.
台湾岛面积35873 km2, 是中国第一大岛, 七成为山地与丘陵, 平原主要集中于西部沿海, 地形海拔变化大(图 1).由于地处热带及亚热带气候交界处, 从平地到高山, 随着海拔高度的增加, 温度逐渐降低, 形成了一省兼有热、温、寒三带的气候特点.在气候上, 台湾岛虽受海洋和大陆两方面的影响, 但海洋性气候明显, 整体上呈现高温、多雨、多风的气候特点.得天独厚的地理环境和气候条件, 使得台湾岛自然景观与生态资源极为丰富.人口约2350万, 逾7成人口集中在西部五大都会区, 其中以首要都市台北为中心的台北都会区最大.近年来, 随着经济的快速发展, 台湾资源消费量大大增加, 各种环境负荷大大加重, 造成了严重的环境污染.
图 1(Fig. 1)
图 1 研究区地形特征与AERONET地基站点空间分布 Fig. 1The topographic features of study area and the spatial distribution of five AERONET sites

2.2 资料收集与处理研究所用的数据包括GF-1卫星WFV数据、MODIS数据、台湾AERONET地基观测数据.选用在中国资源卫星应用中心网站下载的2015—2016年实验区内17景少云可用的GF-1卫星WFV数据.在NASA官方网站(https://ladsweb.modaps.eosdis.nasa.gov/)下载与GF-1卫星WFV数据反演的AOD具有相近时间、相同区域的MODIS气溶胶产品和地表反射率数据.在全球气溶胶自动观测网站(https://aeronet.gsfc.nasa.gov/)获得与卫星过境前后(±0.5 h)相对应的AOD有效数据.
2.2.1 GF-1卫星WFV数据预处理数据预处理部分包括计算观测几何、几何校正和辐射定标. GF-1卫星WFV数据包包含一个TIFF文件、XML文件、RPC(Rational Polynomial Coefficient)文件和影像缩略图.XML文件提供了一组影像星下点的太阳天顶角、太阳方位角、观测天顶角、观测方位角, 以及影像4个边角的经纬度和过境时间.WFV相机的幅宽达到了200 km, 视场角大约为16°, 整景的太阳天顶角、观测天顶角和相对方位角差异分别为1°、8°和10°, 其中, 观测天顶角和太阳天顶角对表观反射率的影响较大, 带来的反演误差不可忽略, 需逐像元计算其观测几何(王中挺等, 2015).利用星下点的观测天顶角结合相机视场角进行线性插值, 获得观测方位角数据.太阳天顶角和方位角的计算公式分别为:
(1)
(2)
式中, θ为太阳天顶角(°);LAT为像元纬度(°);δ为太阳赤纬角(°);t为太阳时角(°);φ为太阳方位角(°).
为了提高信噪比, 将GF-1卫星数据的空间分辨率重采样为100 m.利用中国资源卫星应用中心网站提供的定标系数和大气层外太阳辐照度数值, 将卫星观测的DN值转换为表观反射率, 计算公式为:
(3)
式中, ρ为表观反射率;GAIN为定标斜率(W·m-2·sr-1·μm-1);DN为卫星载荷观测值;BIAS为定标截距(W·m-2·sr-1·μm-1);D为天文单位的日地距离;ESUN为各波段大气层外太阳辐照度(W·m-2·sr-1·μm-1).
云与水体掩膜采用波段阈值的方式.本文将红光波段小于0.25和NDVI值小于0的像元判定为云像元, 将NDWI大于0.3的像元判定为水体像元.NDVI和NDWI的计算公式分别如下:
(4)
(5)
式中, ρ2表示绿光波段, ρ3表示红光波段, ρ4表示近红外波段.
2.2.2 MODIS数据预处理MODIS气溶胶产品的预处理主要有几何校正、有效值提取和单位换算.以MODIS影像为数据源的气溶胶产品有3种:一种是利用暗像元法反演得到的3 km空间分辨率气溶胶产品;一种是利用深蓝算法反演得到的10 km空间分辨率气溶胶产品;另一种是对暗像元和深蓝算法反演结果的融合产品, 空间分辨率为10 km.
相关研究表明, 暗像元法气溶胶产品较深蓝算法气溶胶产品拥有更高的精度(Misra et al., 2015陈辉等, 2016).为了获得空间分辨率与覆盖率相对较高的MODIS AOD产品数据, 将暗像元法与深蓝算法的AOD产品进行自主融合, 数据融合的原则是以暗像元算法气溶胶产品为主, 暗像元法不能进行有效反演的像元则采用深蓝算法气溶胶产品进行补全, 从而得到550 nm处、3 km空间分辨率的MODIS AOD数据, 以该融合结果作为下文的对比验证数据.
利用MODIS三级地表反射率数据(MODA9A1)建立地表反射率库, MOD09A1数据为500 m空间分辨率的8 d合成产品, 能够有效消除云遮盖和地表反射率短期变化的影响.从MOD09A1产品中提取蓝光波段地表反射率并转投影, 同时对获得的MODIS蓝光波段地表反射率进行波段修正, 获得WFV相机的地表反射率, 具体方法可参看相关文献(王中挺等, 2012).
2.2.3 AERONET地基观测数据预处理利用台湾岛5个AERONET(Aerosol Robotic Network)地基观测站:Douliu站(120.545°E, 23.712°N)、Heng-Chun站(120.7°E, 22.055°N)、Chen-Kung_Univ站(120.217°E, 23°N)、Chiayi站(120.496°E, 23.496°N)和EPA-NCU站(121.185°E, 24.968°N)进行精度验证分析, 站点空间分布如图 1所示.根据数据质量控制程度的不同, AERONET共发布了3种不同等级的AOD产品:Level1.0(未删选)、Level1.5(云删选)和Level2.0(云删选和质量控制).本文选用Level2.0产品作为反演结果地基验证数据.AERONET所提供的观测数据共有7个波段, 分别为340、380、440、500、675、870和1020 nm.然而, 观测数据中没有与反演结果相对应的550 nm波长的气溶胶光学厚度.为此, 可利用?ngstr?m公式进行插值运算, 获得550 nm处的AOD(?ngstr?m, 1964Dubovik et al., 2000).根据?ngstr?m公式, AOD与波长的关系可表述为:
(6)
式中, τλ为波长λ处的气溶胶光学厚度;β为波长指数的混浊系数, 其范围一般为0~0.5.当β≤0.1时, 代表清洁的天气, 当β≥0.2时, 代表相对混浊的天气(?ngstr?m, 1964);α为?ngstr?m波长指数, 代表的是气溶胶的粒径大小.α的计算公式为:
(7)
2.3 方法2.3.1 基本原理假定陆地为均匀的朗伯面, 大气沿垂直方向是均匀变化的, 此时, 传感器所接收到的辐射值即为表观反射率, L(μv)可以表述为:
(8)
式中, μS=cosθS, μV=cosθV, θSθV分别为太阳天顶角与观测天顶角;L0(μV)为观测方向的路径辐射项;r为朗伯体地表反射率;S为大气下界的半球反射率;T为大气透过率;μS·F0为大气层顶与太阳光垂直方向的辐射通量密度(肖钟湧等, 2010).
利用入射太阳辐射项(μS·F0)对式(8)进行归一化, 得出AOD值ρTOA的表达式为:
(9)
式中, ρ0为大气的路径辐射项等效反射率;ρS为地表二向反射率, 当地表为朗伯体时为rφ为相对方位角;从式(8)中可以明显看出, ρSSρ0T(μST(μV)等参数是未知量.要从ρ0中提取气溶胶参数, 涉及两个待解决的问题:①气溶胶模式, 即Sρ0T(μST(μV)参数本身是气溶胶的函数;②地表反射噪声的去除直接依赖于ρS的估算精度.
对于第一个问题, 由于T(μsT(μv)在式子中总是以乘积形式出现, 因此, 可以将T(μsT(μv)作为一个参数考虑.实际反演中往往假设不同气溶胶模式和观测几何状况, 利用6S大气辐射传输模型计算AOD与Sρ0T(μsT(μv) 3个参数之间的对应关系, 据此建立查找表获取AOD(Fraser et al., 1985Kaufman et al., 2000).其中, 6S(Second Simulation of the Satellite Signal in the Solar Spectrum)模型是在5S(Simulation of the Satellite Signal in the Solar Spectrum)基础上发展起来的一种对大气进行精确校正的模型.该模型采用最新近似法(state of the art)和逐次散射法SOS(successive orders of scattering)算法计算散射和吸收, 综合考虑了目标高程、非朗伯体及新的吸收物质等条件, 提高了瑞利散射与气溶胶散射的计算精度(Vermote et al., 1997).
针对地表反射率噪声的去除问题, 有两种途径, 一种是对浓密植被区采用的暗像元法, 另一种是针对亮地表的深蓝算法.两种方法都是基于大气辐射传输方程理论, 通过6S辐射传输模型建立大气参数、表观反射率及气溶胶光学厚度之间的查找表, 区别在于消除地表效应的方法不同.暗像元法在密集植被覆盖区具有良好的反演效果, 深蓝色算法主要针对明亮的地表区域.因此, 将两种反演方法的特性相结合用于本文的研究.
2.3.2 暗像元法暗像元法的原理是对于植被密集的地表(即暗像元), 红蓝波段不仅具有较小的反射率, 且红、蓝和短波红外通道反射率之间具有很好的线性关系.该算法利用短波红外通道基本不受气溶胶影响的特征, 通过设定阈值识别暗像元, 利用暗像元在短波红外通道和红、蓝波段的地表反射率之间的线性关系去除地表贡献, 从红、蓝波段的表观反射率提取气溶胶信息(王中挺等, 2015). GF-1卫星WFV数据缺少短波红外波段, 但根据暗像元算法可以发现, 浓密植被区域红光和蓝光波段的地表反射率存在一定的线性关系(王中挺等, 2015), 据此可去除地表辐射噪声的贡献, 从而获得大气参数Sρ0T(μsT(μv), 得到气溶胶光学厚度.红、蓝波段反射率的关系可以表示如下:
(10)
式中, ρredρblue分别表示红光和蓝光波段浓密植被(暗像元)的地表反射率;k为红、蓝地表反射率的比值, 需要根据GF-1传感器的光谱响应特征, 并结合地面观测数据设定.根据相关文献研究(王中挺等, 2015), 本文将红、蓝波段地表反射率关系设定为1.84.
2.3.3 深蓝算法对于非暗像元, 红、蓝波段反射率通常不能满足线性关系, 因此, 不能再采用暗像元法(Shi et al., 2013).Hsu等(2004)研究表明, 蓝光波段大气反射信号较强, 而地表反射信号较弱.因此, 可以通过构建蓝光波段地表反射率数据库的方式实现地气解耦, 并且该方法已经得到了实验性验证(王中挺等, 2012).本文采用GF-1卫星WFV数据的蓝光波段进行气溶胶反演, ‘干净天’地表反射率采用MODIS的地表反射率产品, AOD与大气参数之间的对应关系采用6S辐射传输模型计算后生成查找表.
2.3.4 GF-1卫星WFV数据AOD反演技术流程基于GF-1卫星WFV数据反演AOD的处理流程包括数据预处理、暗像元判别、地表反射率库构建和生成查找表等, 技术路线如图 2所示.
图 2(Fig. 2)
图 2 反演气溶胶光学厚度流程 Fig. 2Flowchart of AOD retrieval

查找表构建:基于6S大气辐射传输模型构建查找表, 根据研究区域和卫星数据参数确定大气参数.其中, 卫星天顶角为0~72°, 步长为3°;太阳天顶角为0~72°, 步长为6°;相对方位角为0~180°, 步长为12°;设定9个气溶胶光学厚度值(波长550 nm处), 即0.0001、0.1、0.25、0.5、0.75、1.0、1.25、1.5和1.95;同时, 分别根据GF-1卫星4台相机的波谱响应函数设定波段范围和反射相函数;气溶胶类型的选择是气溶胶遥感反演的关键问题之一(陈良富, 2011), 也是影响AOD反演精度的一个重要参数.王毅等(2009)利用MODIS资料和地基探测的太阳光度计资料, 对中国东南地区及近海海域的大气气溶胶光学特性进行分析, 结果表明:东南地区及近海海域冬季和夏季分别采用大陆型、海洋型气溶胶模式较为合理.因此, 本文在4—9月采用海洋型气溶胶模式生成查找表, 10月—次年3月采用大陆型气溶胶模式生成查找表.
反演算法选择:利用NDVI植被指数, 通过阈值分割判别暗像元.本文将NDVI≥0.3的像元判定为暗像元, 利用暗像元法来反演AOD, 小于0.3则判定为非暗像元, 选用深蓝算法进行反演.
地表反射贡献去除:根据像元类型, 选择不同的方法去除地表贡献.浓密植被区域根据红、蓝波段的地表反射率的线性关系去除地表反射贡献;对于城区等亮目标, 根据GF-1卫星过境时间耦合最邻近获取的有效MOD09A1蓝光波段作为地表真实反射率.
气溶胶光学厚度计算:暗像元算法的步骤为, ①逐像元读入观测几何(太阳天顶角、卫星天顶角和相对方位角)数据, 并利用观测几何对查找表进行线性插值, 得到不同AOD值的大气校正参数;②将红、蓝波段的表观反射率代入式(9), 并联立式(10), 可以得到一个三元一次方程组, 同时结合所得到的大气校正参数, 通过查找表实现气溶胶光学厚度的反演.
深蓝算法的步骤为:首先, 在暗像元法步骤①的基础上, 由亮目标的经纬度坐标查找地表反射率库, 获得对应的蓝光波段地表反射率.然后将大气校正参数和地表反射率代入式(9)求解得到假定的表观反射率, 并将其与真实值做差值运算, 筛选出值最小的一组对应的大气校正参数.最后通过查找表查找这一组大气参数所对应的AOD, 即可得到亮目标的AOD.
3 结果与分析(Results and analysis)基于GF-1卫星WFV数据和MODIS地表反射率产品数据, 按2.3节的方法, 反演得到较高空间分辨率(如100 m×100 m)的AOD.
3.1 精度验证为了较为全面地验证本文方法的反演精度, 一方面通过与MODIS气溶胶产品进行对比分析, 另一方面利用AERONET地基监测数据进行精度验证.
3.1.1 与MODIS气溶胶产品对比将GF-1卫星WFV数据反演结果与同期MODIS气溶胶产品数据进行对比. GF-1、Terra卫星的过境时间大约分别为11:00AM和10:30AM, 二者较为接近, 为了便于对比分析, 假设短期内气溶胶光学厚度不变.
AOD空间分布方面:二者AOD高、低值分布较为一致, 且与地形存在一定的关系, AOD的高值区域多集中在海拔较低和经济发达地区, 台湾岛中东部的高山丘陵地区的AOD则较小.选取2015年4月5日和2016年3月2日的数据为例, 进行AOD空间一致性分析.从图 3a可以看出, 台湾岛西部沿海五大都会区及东部的宜兰县为AOD高值区, 五大山脉地区为AOD低值区, 这一结果与MODIS气溶胶产品结果较为一致(图 3b).从图 3c图 3d可以看出, 台湾中西部沿海的台中、彰化、云林、嘉义等地AOD普遍较高, 西北部的新竹、桃园、台北次之, 台湾中部的AOD较低.通过对比分析, 本文方法反演结果与MODIS气溶胶产品的气溶胶光学厚度空间分布整体较为一致, 高值区与低值区较为对应.
图 3(Fig. 3)
图 3 台湾岛气溶胶监测结果对比(a.2015年4月5日GF-1 WFV AOD反演结果; b.2015年4月5日MODIS气溶胶产品结果; c.2016年3月2日GF-1 WFV AOD反演结果; d.2016年3月2日MODIS气溶胶产品结果) Fig. 3Comparison of aerosol monitoring results in Taiwan Island(AOD from GF-1 WFV data (a) and MODIS (b) on April 5, 2015; AOD from GF-1 WFV data (c) and MODIS (d) on March 2, 2016)

AOD数值方面:将GF-1卫星WFV数据反演结果重采样为3 km, 与MODIS AOD进行相关分析.结果表明, 两者具有较好的一致性且相关, r达到了0.92, 均方根误差(RMSE)为0.15, 二者数值离散程度较小, 反演结果较MODIS气溶胶产品的AOD值总体偏大(图 4).
图 4(Fig. 4)
图 4 GF-1 WFV数据反演结果与MODIS AOD散点对比图 Fig. 4Scatter plot from AOD of GF-1 WFV data at 550 nm against MODIS AOD

经与MODIS气溶胶产品进行对比分析可以发现, 本文的AOD反演方法反演结果与同期MODIS AOD空间分布较为一致, 反演数值显著相关.
3.1.2 与地基观测数据对比分析AERONET地面观测值采用卫星过境时间前后(±0.5 h)数据的平均值, 反演结果取地面观测点2 km范围内的平均值进行回归分析.为了增强验证结果的可比性, 采用对应日期、对应站点处的MODIS AOD作为客观比较对象.由于MODIS AOD空间分辨率较低, 取与地面观测站点对应的3×3像元窗口的AOD值进行回归分析.将反演结果与AERONET地基观测数据进行匹配, 共获得23对有效数据对.由于MODIS AOD数据在空间上的缺失, 与AERONET地基观测数据进行匹配仅获得13对有效数据对.
本文采用一元线性回归方程、相关系数(r)、均方根误差(RMSE)和预期误差区间(Expected Error, EE)等多种统计指标对本文方法结果和MODIS AOD进行验证.其中, 预期误差区间EE的计算公式为(Levy et al., 2013):
(10)
式中, τα为AERONET站点的实测值.
GF-1卫星WFV数据AOD、MODIS AOD与AERONET地基实测值的验证结果如图 5所示, 图中虚线为误差线.从图 5a可以看出, 反演结果与AERONET站点的实测值较为接近, 相关系数r达到了0.87, 均方根误差(RMSE)为0.29.反演结果的平均值为0.63, 地基观测的平均值为0.57, 相对误差为-10.14%.70%的反演结果落在误差线以内(=EE), 出现高估(>EE:13%)和低估(<EE:17%)的情况比例相当;图 5b为MODIS产品数据的同期精度验证图, 结果表明, MODIS AOD与地基实测值的相关系数r为0.53, RMSE均方根误差为0.24, MODIS AOD的平均值为0.319, 地基观测的平均值为0.55, 相对误差为42.31%.62%的结果落在误差线以内(=EE), 出现高估(>EE:23%)和低估(<EE:15%)的情况比例相差不大.通过对比分析可以看出, 本文方法具有较高的精度和稳定性.利用不同数据源进行AOD反演可能会对反演结果产生影响, 究其原因可能来自于两方面:一方面可以归因于地表反射率的差异, 另一方面是对气溶胶模型的假设.
图 5(Fig. 5)
图 5 遥感反演AOD与AERONET AOD散点对比图(a. GF-1 WFV AOD, b. MODIS AOD) Fig. 5Scatter plot of GF-1 WFV-derived AOD at 550 nm (a), MODIS-derived AOD at 550 nm (b) against ground-based AERONET AOD

综上所述, 利用本文方法反演气溶胶光学厚度是可行的, 反演精度符合要求, 反演结果具有较高的可信度.
3.2 误差分析及讨论3.2.1 气溶胶类型的影响针对气溶胶的类型, 即气溶胶模式, 大概可分为3种:城市工厂型(简称城市型)、大陆型和海洋型.在其他条件不变的情况下, 本文采用大陆型、城市型和海洋型气溶胶类型进行气溶胶数值模拟反演, 对比分析单一型气溶胶类型和本文所采用的大陆型和海洋型相结合类型对反演误差的影响, 结果如图 6所示.
图 6(Fig. 6)
图 6 不同气溶胶类型反演结果 Fig. 6The inversion results of different aerosol types

图 6可以看出,采用大陆型和海洋型气溶胶模式的反演结果与地基观测值最为接近,其次是海洋型气溶胶模式,城市型气溶胶模式的反演结果最差.图 7模拟了3种气溶胶类型在夏、冬两季的反演结果与地基观测值的拟合情况,并对其进行综合回归分析,结果如表 2所示.结合表 2,从图 7可以看出, 夏季采用海洋型气溶胶模式效果最好, 而冬季采用大陆型气溶胶模式较为适合, 这与王毅等(2009)的研究结果比较一致.这也同时说明对于海岛和沿海区域, 采用季节性变化的气溶胶类型比采用单一的气溶胶类型具有更好的反演效果.
图 7(Fig. 7)
图 7 夏季(a)及冬季(b)不同气溶胶类型反演结果 Fig. 7The inversion results of different aerosol types in summer (a) and winter(b)


表 2(Table 2)
表 2 夏冬季不同气溶胶类型反演结果统计 Table 2 Descriptive statistics for the inversion results of different aerosol types during summer and winter
表 2 夏冬季不同气溶胶类型反演结果统计 Table 2 Descriptive statistics for the inversion results of different aerosol types during summer and winter
季节 气溶胶类型 斜率 截距 RMSE 相关系数
夏季 城市型 0.58 0.37 0.35 0.70
大陆型 0.71 0.19 0.34 0.88
海洋型 0.92 0.15 0.37 0.95
冬季 城市型 0.80 0.18 0.21 0.75
大陆型 1.20 -0.11 0.25 0.81
海洋型 1.33 -0.19 0.25 0.89


3.2.2 空间分辨率的影响GF-1卫星WFV相机数据的空间分辨率为16 m, 而本文所采用的MODIS地表反射率产品的原始空间分辨率为500 m, 空间分辨率的差异可能会对反演结果造成影响.因此, 在其他条件不变的情况下, 本文采用空间重采样的方法将GF-1卫星WFV数据的空间分辨率分别降低为100、200、300、400和500 m进行反演实验, 结果如图 8所示.从图 8可以看出, 随着空间分辨率的降低, 气溶胶反演结果与地基观测值的相关系数呈现先降低、后平稳的趋势, 相关系数总体在0.7以上;RMSE呈现先增大后减小的趋势, 但整体变化幅度不大, 均在0.3左右.从不同空间分辨率影像的气溶胶反演结果来看, 降低GF-1卫星数据的空间分辨率对反演误差的影响不大.
图 8(Fig. 8)
图 8 数据空间分辨率对反演误差的影响 Fig. 8The influence of spatial resolution on inversion error

3.3 气溶胶反演方法对比与分析以2015年3月19日的GF-1卫星WFV数据为例, 利用暗像元法、深蓝算法和本文方法分别对其进行气溶胶光学厚度反演实验, 结果如图 9所示.从图 9可以看出, 暗像元法较好地实现了浓密植被地区气溶胶光学厚度的反演, 拥有比深蓝算法更好的敏感性;深蓝算法对亮地表的反演结果整体偏高(图 9b), 这与相关文献的研究结果较为一致(张胜敏等, 2016), 而浓密植被地区的反演结果值极低, 其原因可能与采用修正后的MODIS地表反射率近似于GF-1星16相机的地表反射率结果存在差异有关.图 9c为利用本文提出的气溶胶反演方法得到的反演结果.通过对比3种反演结果可以发现, 本文方法的反演结果既能发挥暗像元法反演结果精度较高的优势, 也借助深蓝算法弥补了暗像元法的不足, 扩展了反演结果的空间覆盖度, 取得了较好的反演效果.
图 9(Fig. 9)
图 9 不同算法反演结果(2015年3月19日)(a.暗像元法, b.深蓝算法, c.本文方法) Fig. 9The inversion results of different algorithms (March 19, 2015)

从台湾岛地区气溶胶光学厚度分布图 3图 9可以看出, AOD的空间分布呈现“两高一低”的分布特征, 两高值中心分布于西部沿海五大都会区和东部沿海的兰阳平原, 一低值中心分布于五大山脉地区. AOD的空间分布也具有明显的自然地理特征.陆地海拔与气溶胶呈现出负的相关关系, 海拔较低的地区, 气溶胶光学厚度值较大.
4 结论(Conclusions)1) 本文集成暗像元法和深蓝算法, 开展GF-1卫星WFV数据反演AOD的研究, 结果表明, 本文方法可以一次性实现暗像元和亮地表类型的气溶胶反演, 在保证反演精度的同时, 也提高了反演结果的空间覆盖度, 有效避免了单一方法的不足.
2) 本文方法反演结果与MODIS气溶胶产品进行对比, 二者空间分布较为一致且显著相关(r>0.9).利用AERONET地基观测站点的Level2.0 AOD产品作为反演结果验证数据, 验证结果表明, 反演结果与地基观测值的相关系数r达到了0.87, 且70%的结果在误差线以内(=EE), 均优于同期的MOD04气溶胶产品, 说明本文方法可以以较高的精度和稳定性实现GF-1卫星WFV数据的气溶胶光学厚度反演.
3) 通过分析台湾岛地区的气溶胶类型和反演数据空间分辨率对反演误差的影响, 发现夏、冬季分别采用海洋型和大陆型气溶胶模式比较适合, 降低GF-1卫星数据的空间分辨率对反演误差的影响不大.

参考文献
?ngstr?m A. 1964. The parameters of atmospheric turbidity[J]. Tellus, 16: 64–75.
白照广. 2013. 高分一号卫星的技术特点[J]. 中国航天, 2013(8): 5–9.
Bilal M, Nichol J E. 2015. Evaluation of MODIS aerosol retrieval algorithms over the Beijing-Tianjin-Hebei region during low to very high pollution events[J]. Journal of Geophysical Research Atmospheres, 120(15): 7941–7957.DOI:10.1002/2015JD023082
Chan K L, Chan K L. 2017. Aerosol optical depths and their contributing sources in Taiwan[J]. Atmospheric Environment, 148: 364–375.DOI:10.1016/j.atmosenv.2016.11.011
陈辉, 厉青, 张玉环, 等. 2016. 基于地理加权模型的我国冬季PM2.5遥感估算方法研究[J]. 环境科学学报, 2016, 36(6): 2142–2151.
陈良富. 2011. 气溶胶遥感定量反演研究与应用[M]. 北京: 科学出版社.
Dubovik O, King M D. 2000. A flexible inversion algorithm for retrieval of aerosol optical properties from Sun and sky radiance measurements[J]. Journal of Geophysical Research Atmospheres, 105(D16): 673–620.
Fraser R S, Kaufman Y J. 1985. The relative importance of aerosol scattering and absorption in remote sensing[J]. IEEE Transactions on Geoscience & Remote Sensing, 23(5): 625–633.
Guo J, Xue Y, Cao C, et al. 2009. A synergic algorithm for retrieval of aerosol optical depth over land[J]. Advances in Atmospheric Sciences, 26(5): 973–983.DOI:10.1007/s00376-009-7218-4
郭建平, 吴业荣, 张小曳, 等. 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[J]. 环境科学, 2013, 34(3): 817–825.
Griggs M. 1975. Measurements of atmospheric aerosol optical thickness over water using ERTS-1 data[J]. Journal of the Air Pollution Control Association, 25(6): 622–626.DOI:10.1080/00022470.1975.10470118
Hsu N C, Tsay S C, King M D, et al. 2004. Aerosol properties over bright-reflecting source regions[J]. IEEE Transactions on Geoscience & Remote Sensing, 42(3): 557–569.
Hsu N C, Tsay S C, King M D, et al. 2006. Deep blue retrievals of asian aerosol properties during ACE-Asia[J]. IEEE Transactions on Geoscience & Remote Sensing, 44(11): 3180–3195.
J?kel E, Mey B, Levy R, et al. 2015. Adaption of the MODIS aerosol retrieval algorithm by airborne spectral surface reflectance measurements over urban areas:a case study[J]. Atmospheric Measurement Techniques, 8(12): 7335–7371.
Kaufman Y J, Sendra C. 1988. Algorithm for automatic atmospheric corrections to visible and near-IR satellite imagery[J]. International Journal of Remote Sensing, 9(8): 1357–1381.DOI:10.1080/01431168808954942
Kaufman Y J, Holben B N, Didier T, et al. 2000. Will aerosol measurements from Terra and Aqua Polar Orbiting satellites represent the daily aerosol abundance and properties?[J]. Geophysical Research Letters, 27(23): 3861–3864.DOI:10.1029/2000GL011968
Levy R C, Mattoo S, Munchak L A, et al. 2013. The collection 6 MODIS aerosol products over land and ocean[J]. Atmospheric Measurement Techniques, 6(11): 2989–3034.DOI:10.5194/amt-6-2989-2013
Li L, Yang J, Wang Y. 2014. An improved dark object method to retrieve 500 m-resolution AOT (Aerosol Optical Thickness) image from MODIS data:A case study in the Pearl River Delta area, China[J]. Isprs Journal of Photogrammetry & Remote Sensing, 89(2): 1–12.
李睿博, 孙林. 2017. 改进的浓密植被法反演Landsat-8 OLI气溶胶光学厚度[J]. 遥感信息, 2017, 32(1): 120–125.
Lin C Y, Liu S C, Chou C K, et al. 2004. Long-range transport of asian dust and air pollutants to Taiwan[J]. Terrestrial Atmospheric & Oceanic Sciences, 15(5): 759–784.
马琰, 郭颖, 邓广, 等. 2016. 基于国产GF-1影像的川金丝猴生境评价研究[J]. 北京林业大学学报, 2016, 38(7): 81–90.
Mekler Y, Quenzel H, Ohring G, et al. 1977. Relative atmospheric aerosol content from ERTS observations[J]. Journal of Geophysical Research, 82(6): 967–970.DOI:10.1029/JC082i006p00967
Misra A, Jayaraman A, Ganguly D. 2015. Validation of version 5.1 MODIS aerosol optical depth (deep blue algorithm and dark target approach) over a semi-arid location in Western India[J]. Aerosol & Air Quality Research, 15(1): 252–262.
Pan L, Che H, Geng F, et al. 2010. Aerosol optical properties based on ground measurements over the Chinese Yangtze Delta Region[J]. Atmospheric Environment, 44(21/22): 2587–2596.
Shang P, Shen F. 2016. Atmospheric correction of Satellite GF-1/WFV imagery and quantitative estimation of suspended particulate matter in the Yangtze Estuary[J]. Sensors, 16(12): 1997.DOI:10.3390/s16121997
Shi Y, Zhang J, Reid J S, et al. 2013. Critical evaluation of the MODIS Deep Blue aerosol optical depth product for data assimilation over North Africa[J]. Atmospheric Measurement Techniques, 6(4): 949–969.DOI:10.5194/amt-6-949-2013
Stowe L L, Jacobowitz H, Ohring G, et al. 2002. The advanced very high resolution radiometer (AVHRR) Pathfinder atmosphere (PATMOS) climate dataset:Initial analyses and evaluations[J]. Journal of Climate, 15(11): 785–793.
Vermote E F, Tanre D, Deuze J L, et al. 1997. The second simulation of the satellite signal in the solar spectrum (6S)[S]. Laboratoire d'Optique Atmospherique
王毅, 石汉青, 黄思训. 2009. 中国东南地区及近海海域气溶胶反演遥感研究[J]. 遥感技术与应用, 2009, 24(1): 13–21.DOI:10.11873/j.issn.1004-0323.2009.1.13
王中挺, 厉青, 王桥, 等. 2012. 利用深蓝算法从HJ-1数据反演陆地气溶胶[J]. 遥感学报, 2012, 16(3): 596–610.
Wang Y Q, Jiang X, Yu B, et al. 2013. A hierarchical bayesian approach for aerosol retrieval using MISR Data[J]. Journal of the American Statistical Association, 108(502): 483–493.DOI:10.1080/01621459.2013.796834
王中挺, 辛金元, 贾松林, 等. 2015. 利用暗目标法从高分一号卫星16 m相机数据反演气溶胶光学厚度[J]. 遥感学报, 2015, 19(3): 530–538.
肖钟湧, 江洪, 陈健, 等. 2010. 利用MODIS遥感数据反演广州市气溶胶光学厚度[J]. 中国环境科学, 2010, 30(5): 577–584.
Xin J, Wang Y, Pan Y, et al. 2015. The campaign on atmospheric aerosol research network of China:CARE-China[J]. Bulletin of the American Meteorological Society, 96(7): 1137–1155.DOI:10.1175/BAMS-D-14-00039.1
夏志业, 刘志红, 王永前, 等. 2015. MODIS气溶胶光学厚度的PM2.5质量浓度遥感反演研究[J]. 高原气象, 2015, 34(6): 1765–1771.DOI:10.7522/j.issn.1000-0534.2014.00075
张晰, 张杰, 孟俊敏. 2015. Landsat-8与GF-1卫星渤海海冰探测能力对比研究[J]. 海洋科学, 2015, 39(2): 50–56.DOI:10.11759/hykx20141011018
张焜, 马世斌, 李宗仁, 等. 2016. 高分一号卫星数据遥感地质解译[J]. 遥感信息, 2016(1): 115–123.
张胜敏, 周美玲, 司一丹, 等. 2016. 深蓝算法应用于GF-1 16 m相机反演陆地气溶胶[J]. 遥感技术与应用, 2016, 31(4): 709–713.
赵志强, 李爱农, 边金虎, 等. 2015. 基于改进暗目标法山区HJ CCD影像气溶胶光学厚度反演[J]. 光谱学与光谱分析, 2015, 35(6): 1479–1487.




相关话题/数据 卫星 空间 观测 光学