, 张恒星1, 黄春林2, 陈奇祥2, 袁远21. 武汉科技大学城市建设学院, 武汉 430065;
2. 哈尔滨工业大学工信部空天热物理重点实验室, 哈尔滨 150001
收稿日期: 2020-05-14; 修回日期: 2020-07-14; 录用日期: 2020-07-14
基金项目: 国家自然科学基金(No.51876147, 52041601)
作者简介: 毛前军(1980-), 男, E-mail:maoqianjun@163.com
通讯作者（责任作者）: 毛前军
摘要：卫星遥感气溶胶虽然空间覆盖度高，但不同产品数据在准确性和适用性上存在显著差异.为了能够科学定量的衡量各个产品的优劣，选择最合适的气溶胶产品，该研究以数学统计为基础，提出了一种卫星遥感气溶胶产品评估体系，并依此确定了全球6个人口密集地区的最优卫星数据集，在此基础上开展了近10年的（2009—2018）气溶胶时空变化分析.结果表明暗像元算法在植被覆盖度高的地区表现最好，深蓝算法在亮地表的沙漠干旱地区更占优势，而暗像元-深蓝融合算法在土地类型复杂且气溶胶来源多变时得以突出.人口密集的6个区域中，除了区域A和区域B，其它地区的大气污染水平整体偏高.其中，A、B、E的气溶胶负荷呈下降变化，区域F基本不变，其余区域上升变化.评估体系的建立为气溶胶遥感产品的选取提供了新的衡量方法，且该文关于气溶胶时空分布及变化的分析可以为区域性气溶胶研究提供一定的参考价值.
关键词：卫星遥感产品评估大气气溶胶时空分布气溶胶产品
Assessment of aerosol spatiotemporal distribution and variations based on satellite remote sensing aerosol product evaluation system
MAO Qianjun1
, ZHANG Hengxing1, HUANG Chunlin2, CHEN Qixiang2, YUAN Yuan21. School of Urban Construction, Wuhan University of Science and Technology, Wuhan 430065;
2. Key Laboratory of Aerospace Thermophysics, Ministry of Industry and Information Technology, Harbin Institute of Technology, Harbin 150001
Received 14 May 2020; received in revised from 14 July 2020; accepted 14 July 2020
Abstract: Although the space coverage of satellite remote sensing aerosol is high, there are significant differences in accuracy and applicability among different product data. A satellite remote sensing aerosol product evaluation system was proposed in this study based on mathematical statistics in order to evaluate the quality of each product scientifically and select the most suitable aerosol product. The analysis of spatiotemporal variation of aerosol in the past decade (2009-2018) was carried out over six densely populated regions in the world after the optimal satellite datasets of the regions were determined. The results show that dark target algorithm performs best in areas with high vegetation coverage, deep blue algorithm lies in desert arid areas with bright surface, and dark target-deep blue algorithm is prominent when land types are complex and aerosol sources are variable. Heavy atmospheric pollutions were recorded in the densely populated areas, except for area A and B. The aerosol load of area F is relatively stable. In addition, the aerosol load of areas A, B, and E decreased with time, and the opposite changes were found over areas C and D. The establishment of the evaluation system provides a new measurement method for the selection of aerosol remote sensing products, and the analysis of aerosol spatiotemporal distribution and variation can provide certain reference value for regional aerosol research.
Keywords: satellite remote sensingproduct evaluationatmospheric aerosolspatiotemporal distributionaerosol products
1 引言(Introduction)悬浮在大气中的气溶胶粒子不仅能够通过直接、间接或半直接作用影响地气系统的辐射收支, 进而改变大气气候, 还会引发酸雨、雾霾等环境问题(Ramanathan et al., 2001；Meehl et al., 2008；石广玉等, 2008).因此, 气溶胶分布及变化趋势等相关研究成为当今气溶胶研究领域的热点课题.具备较高空间覆盖度和分辨率的卫星遥感成为应用最广泛的气溶胶遥感监测手段之一(毛节泰等, 2002；Wei et al., 2019a).然而星载传感器由于观测方式(主被动)、反演算法以及时空分辨率不同, 各数据产品在准确性和适用性上存在显著差异, 且这种差异会直接影响基于卫星遥感的气溶胶特性研究.
对于各卫星数据产品的表现, 国内外众多****已做过大量相关研究(李成才等, 2003；Wei et al., 2019c).Sayer等(2015)结合地基观测网(AERONET)对中分辨率成像光谱仪(MODIS)所发布的深蓝算法(DB)产品进行了验证, 结果显示该产品的表现是稳定的.Remer等(2005)通过地基观测数据, 验证了MODIS产品在海洋和陆地上的适用性.Kahn等(2005)通过与太阳光度计2年记录的比较, 评估了多角度成像光谱仪(MISR)的气溶胶光学厚度(AOD)反演算法在陆地和海洋上的性能.Mcgill等(2007)用云物理激光雷达(CPL)验证了云气溶胶激光雷达(CALIPSO)数据产品的标度和准确性, 结果表明二者的吻合度较好.现有研究大都是对单一卫星产品进行验证和评价或结合数学统计指标对多个产品进行对比和分析, 而对于如何定量评价各卫星数据集的优劣, 选择合适的气溶胶产品, 尚未形成明确且完整的评估体系(Mehta et al., 2016).
卫星数据的验证工作大多基于地基高精度数据开展, 验证结果通过统计指标进行表征, 因此, 可尝试基于统计指标建立卫星遥感气溶胶产品评估体系.不同的统计指标在综合评价中起到的作用不同, 通过设置正负导向以及权重占比, 在阈值范围外(阈值范围内认为表现能力相同)对统计指标进行优势累计, 从而可获得综合表现最佳的数据集, 当然, 也存在质量相同的情况.根据目标卫星与研究地区特性确定统计指标以及评估阈值, 在此基础上构建的评估体系即可支撑不同条件下各卫星数据产品性能的定量对比.
本文构建的卫星遥感气溶胶产品评估体系选用有效数据量N、相关系数R、均方根误差RMSE、平均绝对误差MAE、相对均值误差RMB以及预期误差EE等6个统计指标, 以MODIS的3种卫星AOD产品为例, 结合全球6个人口密集地区近10年(2009—2018)AERONET观测数据, 对3种产品在区域尺度和站点尺度上的表现进行了分析.此外, 本文还通过评估体系确定了各区域的最优卫星数据集, 在此基础上开展了AOD空间分布及时间变化趋势分析.本研究所提出的评估体系为定量衡量气溶胶产品的优劣提供了一种新方法.此外, 本文对全球6个人口密集地区的AOD时空分布及变化的分析对区域性气溶胶研究具有一定的指导意义.
2 数据与方法(Data and methods)2.1 数据本文使用了卫星遥感和地基遥感两种气溶胶监测数据, 分别为MODIS提供的气溶胶产品数据(https://ladsweb.modaps.eosdis.nasa.gov/search/order/1)以及AERONET提供的太阳光度计观测数据(https://aeronet.gsfc.nasa.gov/).卫星数据用于研究AOD的空间分布和时间变化, 地基数据作为标准数据用于评价卫星数据的准确性(Chu et al., 2002；李晓静等, 2009).
AERONET是由美国航空航天局发起的基于多波段太阳光度计遥感的地面气溶胶观测网络, 能够提供高时间分辨率的全球气溶胶观测数据, 反演数据有3个质量级别：未筛选Level1.0、质量控制Level1.5和质量保证Level2.0, Level1.0数据未经过云筛选和最终校准, Level1.5数据经过了云筛选但未经过最终校准, Level2.0数据经过了云处理和前后视场矫正, 数据质量具有保证且有较高的精度(Holben et al., 1998).本文在全球6个人口密集地区共选取了314个地基观测站点, 获得了它们的Level 2.0逐时数据.站点的空间分布如图 1所示.
图 1(Fig. 1)
 |
| 图 1 世界人口地理分布图(圆点代表AERONET观测站点) Fig. 1Geographic distribution of the world population (dots representing AERONET stations) |
MODIS气溶胶产品中的AOD数据基于两种反演算法, 暗像元法(DT)和深蓝算法(DB), 在此基础上提供了3种AOD数据集, DT AOD、DB AOD以及根据归一化植被指数(NDVI)进行融合后的暗像元-深蓝(DTB)AOD, 其中DT算法能够很好的反演植被覆盖密集等地表反照率较低地区的AOD数据, 但该算法无法获取戈壁、沙漠等高地表反照率地区的AOD数据, DB算法的开发很好的解决了上述问题, 且有研究发现DB算法也能很好的提供暗地表的AOD数据(Levy et al., 2013；Sayer et al., 2014).DTB数据为DT、DB反演结果的综合产物, 用于结合两种算法的优点, 对于每个像元, 当NDVI小于0.2时, 采用DB算法所得结果；当NDVI大于0.3时, 采用DT算法所得结果；当NDVI为0.2~0.3时(包括0.2和0.3), 采用质量保证(QA)值大的反演算法所得的结果, 当二者的QA值一样大时, 采用DT、DB算法所得结果的均值(Wei et al., 2019b).
2.2 研究区域图 1给出了全球人口分布状况, 数据来源于美国宇航局社会经济数据和应用中心(SEDAC, https://ladsweb.modaps.eosdis.nasa.gov/).本文在全球范围内选取了6个人口密集区域作为研究焦点, 分别记为区域A、B、C、D、E、F, 对应的坐标范围已给出.
2.2.1 区域A该区域包括欧洲大陆、亚洲部分地区以及邻近的地中海、北极和北大西洋水域.受海洋和季风影响, 地中海成为了多种气溶胶的混合地, 如来自撒哈拉沙漠的沙尘；来自东欧和俄罗斯农业火灾的生物质燃烧气溶胶；来自水域的海洋型气溶胶(Hatzianastassiou et al., 2009).其余地区的气溶胶主要来源为交通和工业排放(Barnaba et al., 2011).值得注意的是, 北冰洋沿岸区域的年均冰雪覆盖期较长, 高地表反照率会影响卫星AOD反演的准确性.
2.2.2 区域B该区域包含美国东部、墨西哥湾以及加勒比海周围地区.较高的植被覆盖率, 使森林砍伐和农业火灾所产生的生物质燃烧烟雾成为当地气溶胶的主要类型, 其它排放源包括城市活动、燃料燃烧和交通运输(Yu et al., 2012).虽然该地区的气溶胶排放得到了控制, 但被远距离气溶胶输运部分抵消, 如撒哈拉沙尘的跨大西洋输运、大西洋海域的海洋型气溶胶输运以及欧亚大陆的燃烧型气溶胶输运(Yoon et al., 2014).
2.2.3 区域C该区域包含撒哈拉沙漠以南的西非地区.北部的撒哈拉成为当地沙尘型气溶胶的主要来源, 南部的南非是燃烧型气溶胶的主要来源, 此外, 西非当地的人口活动和化石燃料燃烧也增加了气溶胶负荷(Ayanlade et al., 2019).特别注意的是, 受东北信风影响, 该地区的AOD具有明显的季节变化, 且高值一般出现在“哈马坦”时期(Ogunjobi et al., 2008).
2.2.4 区域D该区域包含南亚次大陆, 帕米尔高原以及青藏高原局部地区.南亚次大陆是全球大气污染最严重的地区之一, 世界人口排名前十的印度、巴基斯坦、孟加拉国都位于该地区, 极高的人口为人为源气溶胶的排放做了巨大贡献(Begum et al., 2010).此外, 印度河-恒河平原(IGP)的气溶胶负荷要明显高于其它地区, 形成了沿河流分布的气溶胶高值带(Dey et al., 2004).
2.2.5 区域E该区域包括中国东南部、日本、蒙古和俄罗斯部分地区.俄罗斯南部的农作物燃烧和森林火灾是气溶胶的一个显著来源, 尤其是在春季高发期(Basart et al., 2009).中国作为世界第一人口大国, 人口基数和工业体量的庞大, 使该区域的气溶胶负荷显著, 尤其是在中国东南部地区(罗云峰等, 2000；Chen et al., 2017).值得一提的是, 随着环境保护法案的实施, 中国东部地区的气溶胶排放得到了控制.
2.2.6 区域F该区域由中南半岛和马来群岛组成, 包含泰国、马来西亚、印度尼西亚和菲律宾等国家, 位于赤道附近.其气溶胶的来源既有自然的, 也有人为的, 如车辆交通、城市活动、农作物/森林燃烧、船舶活动以及海盐传输(Lawrence et al., 2010；Wei et al., 2019a；2019b).可以注意到该地区的水域面积较大, 这会对卫星反演产生一定的影响.
2.3 方法本研究主要集中在3个方面：①卫星遥感气溶胶产品评估体系的建立；②卫星数据集的准确性验证及最优数据集的选取；③人口密集地区的AOD空间分布及时间变化趋势分析.
评估体系的建立、数据集的验证及选取的详细步骤如下：通过AERONET提供的高精度逐时AOD观测数据对DT、DB、DTB 3种卫星数据集的准确性进行验证.为确保结果可靠, 需要对卫星数据和地基数据在时间和空间两个维度上进行匹配, 空间上, 以地基站点±0.1°采样矩阵中的所有有效卫星数据的均值作为验证数据；时间上, 选取卫星过境时±30 min内所有地基数据的均值作为当日地基观测的AOD“真值”(Remer et al., 2005；He et al., 2019).AERONET不提供550 nm处AOD数据检索, 结合临近可获得波段的AOD值, 如440 nm和675 nm, 通过式(1)即可得到AOD550数据.
 | (1) |
以地基数据为基准, 通过多个统计指标对卫星数据的准确性进行定量分析, 统计指标包含相关系数R、均方根误差RMSE、平均绝对误差MAE、相对均值误差RMB, 以及预期误差EE(式(2)~(7))(朱爱华等, 2004).其中, R、RMSE、MAE、RMB用于评价卫星AOD与地基AOD的相关程度、偏差大小以及误差状况, EE用于评价卫星数据的不确定性, 当66%的卫星数据落在EE包络内, 可以认为卫星数据的质量合格(Wei et al., 2019c).
 | (2) |
 | (3) |
 | (4) |
 | (5) |
 | (6) |
 | (7) |
综合上述统计指标及各数据集获取数据的能力, 在站点尺度上对3个MODIS数据集的性能进行对比, 通过式(8)可对数据集的性能进行量化分析.本文为每个统计指标设定了阈值(±T), 即在阈值范围内(< T且>-T), 可认为两个数据集的表现能力相同.相反, 超出(> T)或低于阈值(< -T), 则表现能力不同.预期误差包络数据所占百分比(WEE)和有效数据量(N)的阈值规定为±10%, R、RMSE、MAE和RMB的阈值规定为±15%.当相对变化(RD)的计算结果大于阈值时, 数据集1在N、R、WEE统计指标上的表现优于数据集2；在RMSE、MAE和RMB统计指标上劣于数据集2, 反之也成立.
 | (8) |
图 2为评估体系的具体流程图, 3种卫星数据集在6个评价指标上依次进行两两比较.图中n为统计指标的个数, RDi和Ti分别代表两个数据集在第i个统计指标上的相对变化及阈值, X代表各数据集在6种评价指标上优势的累计, Ai为常数, 设置为1或-1, 分别代表统计指标在综合统计分析中起到的正向或负向作用, 其中N、R、WEE的Ai值为1, RMSE、MAE、RMB的Ai值为-1, 这是因为当N、R、WEE的值越大, 数据集的性能越好, 在综合统计分析中起到了正向叠加的作用, 反之, 当RMSE、MAE、RMB的值越大, 数据集的性能越差, 起到了反向叠加的作用.Wi为权重指数, 需要强调的是, 本文在对两个数据集进行比较时, 平等地考虑了每个统计指标的重要性, 即所有指标对应的Wi值均为1, 若有其它需要, 可根据具体情况进行调整, 例如, 当需要选择有效数据量最多的数据集时, 提高其对应的Wi值即可.通过循环对两个数据集在6个评价指标上的优劣进行逐一比较, 直到循环结束, 优势累计最多的数据集即为最优数据集, 当然, 也存在质量相同的情况.
图 2(Fig. 2)
 |
| 图 2 卫星遥感气溶胶产品评估体系流程图 Fig. 2Flow chart of satellite remote sensing aerosol product evaluation system |
在确定每个区域对应的最优卫星数据集的基础上, 本研究进一步开展了AOD空间分布及时间变化趋势研究.以0.1°×0.1°的网格为单位对数据进行了重采样, 并取其均值作为该网格的AOD值, 进而绘制了年尺度和季尺度上的AOD空间分布图, 用于表征气溶胶的负荷状况.利用最小二乘法及AOD均值, 结合式(9)可以定量分析AOD的时间变化特征, K值为正, 说明该网格点的气溶胶负荷增大, 反之则为减小.
 | (9) |
图 3给出了数据集的验证与选取, AOD时空分布及变化趋势分析的具体工作流程.在对数据进行时空匹配后, 通过地基数据对DT、DB、DTB 3种卫星AOD数据集进行了区域尺度和站点尺度上的验证, 根据评估体系可获得各地区的最优卫星数据集, 在此基础上, 进一步开展了AOD空间分布和时间变化的研究.
图 3(Fig. 3)
 |
| 图 3 数据集验证与选取以及AOD时空变化分析流程图 Fig. 3Dataset validation and selection and AOD spatiotemporal analysis flow chart |
3 MODIS AOD数据集的验证与选取(The validation and selection of MODIS AOD datasets)3.1 区域尺度验证受地理位置、气象条件以及人类活动的影响, 同一卫星数据集在不同地区的表现存在差异, 为了评估各地区不同卫星数据集的准确性, 本节分别讨论了6个地区3种卫星AOD数据集与地基数据的验证结果(图 4).
图 4(Fig. 4)
 |
| 图 4 2009—2018年MODIS AOD在区域尺度上的验证(虚线为1 : 1拟合线, 实线代表EE包络) Fig. 4Validation of MODIS AOD under regional scale from 2009 to 2018 (The dotted line is 1 : 1 fitting line, and the solid line represents EE envelope) |
在区域A, 3种数据集落在EE包络内的数据点占比几乎相同, 大约为69%, 密集的植被覆盖, 使得对地表反照率的估算更加准确.DT和DTB的有效数据量较少, 但相关系数较高, 均大于0.76, DB的有效数据量虽多, 但相关性较低, 为0.67.在RMSE、MAE和RMB方面, DT和DTB的表现要优于DB, 同时DTB数据集主要选择了DT算法的反演结果.
在区域B, DT和DTB在所有评价指标上的表现能力相似, 除了有效数据量外, DT在其余指标上的表现都优于DTB.另一方面, 虽然DB的有效数据量最多, 但综合性能却最差, 较大的正偏差和RMSE表明该算法存在明显的高估现象.该地区较高的植被覆盖率为DT算法的高准确度做了贡献, 与区域A相似, DTB算法多采用DT AOD反演结果.
在区域C, 受撒哈拉沙漠的影响, 较高的地表反照率使其对气溶胶变化的敏感度降低, 同时, 气溶胶成分的复杂和多变也使AOD的反演变得困难(Mao et al., 2019).因此, 3种算法都具有较高的MAE和RMB.此外, WEE也不是非常理想, 尤其是DT, 仅有46.13%, 这是因为该地区的地表类型限制了DT算法的应用.与此相比, DB算法由于改进了地表反照率估计, 表现略好于DT.
在区域D, 3种数据集在不同评价指标上各有优势.对于R指标, 三者没有明显差异, 均在0.8以上.对于N指标, DB最多, DTB次之, DT最少.除此之外, DT和DTB的WEE均达到了60%以上, 相比之下, DB表现不佳, 只有58.79%的数据落在了EE范围内.同时, 可以看出, DB算法由于高估了地表反照率, 出现了明显的气溶胶低估现象.
在区域E, 3种数据集在N和R评价指标上均表现良好, 其中, DB的有效数据量最多, DTB的相关度最好, 而在RMSE、MAE和RMB指标上的表现均一般.此外, 该区存在明显的气溶胶高估现象, 无论是DT、DB还是DTB, 其30%以上的数据点都落在了EE包络线以上, 人口密集城市的复杂地表限制了反演算法的应用.
在区域F, DT和DTB除了N和EE相差甚小, 其余指标均相同, 且表现良好.DB虽然有效数据量最多, 但在其它指标上都远不及DT和DTB.因此, DB数据集的表现力最差, 且落在EE包络线以上的数据点占比高达56.44%, 这表明DB算法在该区域存在明显的气溶胶高估现象.显而易见, DTB算法主要选择了DT算法的反演结果.
3.2 站点尺度验证区域尺度上的分析能够体现不同卫星数据集在某一区域上的整体表现.然而地基站点的不等质性以及采样像素的不均一性使得在区域性研究中, 不同站点的权重占比是不同的, 从而增加了研究结果的不确定性, 因此, 有必要在站点尺度上开展更深入的详细研究.图 5、图 6和图 7分别为DT、DB和DTB卫星数据集与所有地基独立站点之间的验证结果.从统计学的角度考虑, 当卫星与地基的匹配数据量低于20时, 该站点被舍弃, 并用黑色加号标记.站点尺度上的验证能表示不同卫星数据集在各个独立站点上的表现状况.
图 5(Fig. 5)
 |
| 图 5 2009—2018年DT AOD在站点尺度上的验证 Fig. 5Validation of DT AOD under site scale from 2009 to 2018 |
图 6(Fig. 6)
 |
| 图 6 2009—2018年DB AOD在站点尺度上的验证 Fig. 6Validation of DB AOD under site scale from 2009 to 2018 |
图 7(Fig. 7)
 |
| 图 7 2009—2018年DTB AOD在站点尺度上的验证 Fig. 7Validation of DTB AOD under site scale from 2009 to 2018 |
从R指标上来看, DT算法在大部分观测点与地基数据的拟合度都很好, 能达到0.8以上的站点占比72%, 尤其是在A、B、E区域.对于WEE, 能达到60%以上的站点占比68%, 且主要分布在A、B区域.从RMSE和MAE两个指标上看, 各站点的表现类似, A区和B区的值整体偏低, 69%站点的RMSE小于0.08, 89%站点的MAE小于0.08.对于有效数据量, C区和D区出现了明显的数据缺失, 这主要是因DT算法在高地表反照率地面的不适用所造成的(Chen et al., 2016).
与DT不同, DB算法在区域C、D、E的拟合程度较高, 而在A区和B区的表现明显逊于DT.对于EE, 65%站点的包络数据占比能达到60%, 尤其是在A、B、C地区.对于RMSE、RMB和MAE, 低值主要分布在区A和区B, 不同的是, RMB在区C和区D的表现也不错, 而RMSE和MAE在这两个地区却不尽人意.从有效数据量N的分布图中可以看出, 区域B、D、E、F的海域地区出现了明显的数据缺失, 这主要是由于后研发的DB算法仅适用于陆地.
DTB作为一个综合数据集, 融合了DT、DB的特点, 但在空间格局分布上, 和DT更像.对于R指标, 能达到0.8以上的站点占比74%, 与DT、DB相比, E区和F区改进较大.对于WEE, 能达到60%以上的站点占比70%.RMSE、MAE小于0.08的站点占比分别为51%和71%, 且低值主要集中在A区和B区.RMB虽然整体偏大, 但相较于DT或DB算法, 有了略微的改进.分析有效数据量的变化可以发现, 该算法在海洋地区有DT算法做弥补, 在沙漠、干旱或半干旱地区有DB算法做补充, 无明显的数据缺失现象.
3.3 最优数据集的选取区域尺度和站点尺度的分析表明, 根据NDVI融合而成的DTB算法, 虽结合了两种算法的优点, 但在实际情况中, 其表现并不总是最好的, 同时, DT和DB在不同类型土地上的表现各有千秋.为了更好地开展气溶胶时空变化特性研究, 综合各评价指标, 确定各区域的最优卫星数据集是非常有必要的.本研究按照2.3节所介绍的评估体系, 在确定阈值的基础上, 量化评价指标的优势累计, 从而得到观测站点的最优卫星数据集.
在确定站点的最优卫星数据集后, 通过横向比较, 可得到区域尺度的最优卫星数据集.具体过程如下：以区域B为例, 在Appalachian State站点, DT/DB/DTB算法的N、R、RMSE、RMB、MAE以及WEE分别为328/613/328、0.86/0.63/0.86、0.05/0.08/0.05、1.17/1.04/1.17、0.03/0.05/0.03、86.59%/85.97%/86.6%, 将其带入评估体系, 可得出DT和DTB同时为最优数据集.在区域B的72个站点中, DT和DTB同时为最优数据集的站点占比73.61%, 此外, 还有6.94%站点的最优数据集为DT, 由此可以确定该区域的最优数据集为DT.与区域B类似, 区域E 46个站点中, DT和DTB同时为最优的站点占比56.52%, 但是在该区域, 还有13.04%站点的最优数据集为DTB, 因此该区域的最优数据集为DTB.同理, 可得出区域A的最优卫星数据集为DT；区域C和区域D的最优卫星数据集为DB；区域F的最优卫星数据集为DTB.
图 8(Fig. 8)
 |
| 图 8 站点和区域最优卫星数据集(扇形图代表不同情况所占百分比) Fig. 8Optimal satellite datasets for sites and regions (the pie charts represent the percentage of different cases) |
总体来看, 在A、B植被覆盖度高的地区, DT算法表现最好, 而在地表反照率高的沙漠、干旱或半干旱地区, DB算法更占优势, 当土地类型复杂且气溶胶来源多变时, DTB算法的优势得以突出.
4 人口密集地区的AOD空间分布及时间变化趋势(The AOD spatial distribution and temporal variations over densely populated areas)在获得最优数据集的基础上, 本章节对6个区域2009—2018年的AOD时空变化特征进行了分析.图 9为年尺度的AOD空间分布, 图 10给出了基于最小二乘法定量分析得到的AOD时间变化趋势结果, 相应的季尺度分析结果在图 11、12中给出.
图 9(Fig. 9)
 |
| 图 9 2009—2018年年均AOD空间分布(a、b、c、d、e、f分别对应区域A、B、C、D、E、F) Fig. 9Spatial distribution in annual mean AOD during 2009—2018 (a、b、c、d、e and f correspond to regions A、B、C、D、E and F respectively) |
图 10(Fig. 10)
 |
| 图 10 2009—2018年年均AOD时间变化(a、b、c、d、e、f分别对应区域A、B、C、D、E、F) Fig. 10Temporal variations in annual mean AOD during 2009—2018 (a、b、c、d、e and f correspond to regions A、B、C、D、E and F respectively) |
图 11(Fig. 11)
 |
| 图 11 2009-2018年季均AOD空间分布(a、b、c、d、e、f分别对应区域A、B、C、D、E、F; 1、2、3、4分别对应春(3-4-5月)、夏(6-7-8月)、秋(9-10-11月)、冬(12-1-2月)) Fig. 11Spatial distribution in seasonal mean AOD during 2009-2018(a、b、c、d、e and f correspond to regions A、B、C、D、E and F respectively; l、2、3 and 4 correspond to spring (March-April-May)、summer (June-July-August)、autumn (September-October-November) and winter (December-January-February) respetively) |
图 12(Fig. 12)
 |
| 图 12 2009-2018年季均AOD时间变化(a、b、c、d、e、f分别对应区域A、B、C、D、E、F; 1、2、3、4分别对应春(3-4-5月)、夏(6-7-8月)、秋(9-10-11月)、冬(12-1-2月)) Fig. 12Temporal variations in seasonal in seasonal mean AOD during 2009-2018(a、b、c、d、e and f correspond to regions A、B、C、D、E and F respectively; l、2、3 and 4 correspond to spring (March-April-May)、summer (June-July-August)、autumn (September-October-November) and winter (December-January-February) respetively) |
受益于欧洲地区较早颁布的环保法案, 区域A的大气污染水平整体偏低(Karnieli et al., 2009), AOD年均值为0.17且86%的样本点对应的K值小于0, 这意味着研究期间, 气溶胶负荷呈下降变化, 但由于整体的AOD值不高, 其变化幅度并不明显, 大部分K值介于-0.01~0之间.受撒哈拉沙尘及地中海特殊地形的影响, AOD高值主要出现在南部地区(Tafuro et al., 2006).伊朗及周边国家的AOD值较高, 但总体变化为显著下降, 西班牙和北部地区的AOD值较低, 但总体变化为轻微增长.随着季节的变化, A区域的气溶胶负荷在夏季达到最大, 春秋有所下降, 冬季负荷最小, 这一现象在高纬度地区尤为明显.
6个区域中, B区的气溶胶负荷最低, AOD年均值为0.14, 严格的环境保护政策使得该地区的气溶胶排放得到了控制(Yoon et al., 2014).受海洋型气溶胶的影响, 墨西哥湾及大西洋沿岸的部分地区出现了AOD高值.在区域B, 67%的样本点对应的K值小于0, 表明大部分地区的气溶胶负荷呈下降变化.其余地区, 如北美北部、墨西哥及古巴岛地区呈轻微增长变化, 31%站点的K值介于0~0.01.而在西北地区, 出现了显著增长变化, 部分站点的K值超过了0.01.与A区相同, 该区域的气溶胶负荷也呈现夏季高, 冬季低的变化规律.
在区域C, AOD年均值为0.57, K值大于0的样本点占比为62%, AOD值和K值都呈现北部低, 南部高的分布状况.该区域的气溶胶负荷严重, 北部气溶胶的主要贡献者为撒哈拉的沙尘, 南部地区的气溶胶来源较为复杂且AOD均值超过了0.8.在时间变化方面, 除西南部及东北地区出现了下降, 其余地区均为增长变化, 尤其是在南部的沿海地区, 增长变化非常明显.C区气溶胶负荷的季节变化规律为先减小后增加, 且在秋季达到最小, 冬季到达最大.
区域D以喜马拉雅山脉为界, 出现了两极分化的局面.北部地区的污染源较少, 气溶胶负荷较低, 南部的南亚次大陆作为全球大气污染最严重的地区之一, 对应的气溶胶负荷偏高, 大部分数据点的AOD值大于0.4, 尤其是在IGP地区, AOD均值超过了0.5, 形成了IGP气溶胶高值带.K值大于0的样本点占比为69%, 即气溶胶负荷整体呈增长变化, 北部表现为轻微增长(K值大都介于0~0.01), 南部增长较为明显, 尤其是在IGP高值带, K值超过了0.02.
区域E的AOD年均值为0.42, 82%的样本点对应的K值小于0.AOD高值主要集中在中国人口密集、经济发达的长江三角洲、珠江三角洲、华中地区和四川盆地等地, 受城市活动、交通运输以及工业排放等影响, 这些地区的AOD年均值大于0.5.对比图 10可以发现, 这些高AOD地区的K值均小于0, 部分K值小于-0.02, 即气溶胶负荷呈显著的下降变化, 这得益于中国环境保护法案的陆续推出与实施, 使得高污染地区的气溶胶排放得到了控制(Ma et al., 2014).
区域F的AOD年均值为0.27.较高的AOD值出现在泰国、柬埔寨以及苏门答腊岛沿岸地区, 其来源既有人为也有自然.菲律宾群岛上各国家的气溶胶负荷普遍较低, AOD均值基本小于0.2.F区的大面积水域会影响AOD的反演, 同时, 分散的地势能够降低气溶胶的聚集.在区域F, 55%站点的气溶胶负荷变化为轻微下降, 其主要分布在泰国、菲律宾群岛以及苏门答腊岛沿岸地区.45%站点的变化为轻微增长, 其主要分布在中南半岛、马来半岛以及苏门答腊岛南部地区.
5 结论(Conclusions)1) 根据统计指标建立的卫星遥感气溶胶产品评估体系, 通过综合考虑各评价指标的阈值、正负导向以及权重占比, 可以量化评价指标的优势累计, 从而得到科学明确的最优气溶胶产品.
2) 在植被覆盖度高的地区, DT算法表现最好, 而在地表反照率高的沙漠、干旱或半干旱地区, DB算法更占优势.当土地类型复杂且气溶胶来源多变时, DTB算法的优势得以突出.
3) A、B区域的大气污染水平偏低且气溶胶负荷整体呈下降变化.C、D区域的时空变化都出现了南北迥异的情况.区域E的气溶胶负荷虽高但下降趋势非常明显.区域F的气溶胶分布较为均匀且无明显变化.
本文对MODIS DT、DB和DTB 3种AOD数据集的性能进行了研究, 在气溶胶研究领域, 多种遥感产品被广泛应用.因此, 在以后的研究中, 可对单一传感器的不同数据集进行评估, 如：MISR、CALIPSO, 也可对多种传感器的气溶胶产品进行对比, 如MODIS和MISR.
参考文献
| Ayanlade A, Atai G, Jegede M O. 2019. Variability in atmospheric aerosols and effects of humidity, wind and InterTropical Discontinuity over different ecological zones in Nigeria[J]. Atmospheric Environment, 201: 369-380. DOI:10.1016/j.atmosenv.2018.12.039 |
| Barnaba F, Angelini F, Curci G, et al. 2011. An important fingerprint of wildfires on the European aerosol load[J]. Atmospheric Chemistry and Physics, 11: 10487-10501. DOI:10.5194/acp-11-10487-2011 |
| Basart S, Perez C, Cuevas E, et al. 2009. Aerosol characterization in Northern Africa, Northeastern Atlantic, Mediterranean Basin and Middle East from direct-sun AERONET observations[J]. Atmospheric Chemistry and Physics, 9: 8265-8282. DOI:10.5194/acp-9-8265-2009 |
| Begum B A, Biswas S K, Markwitz A, et al. 2010. Identification of Sources of Fine and Coarse Particulate Matter in Dhaka, Bangladesh[J]. Aerosol & Air Quality Research, 10: 345-353. |
| Chen Q X, Yuan Y, Shuai Y, et al. 2016. Graphical aerosol classification method using aerosol relative optical depth[J]. Atmospheric Environment, 135: 84-91. DOI:10.1016/j.atmosenv.2016.03.061 |
| Chen Q X, Yuan Y, Huang X, et al. 2017. Estimation of surface-level PM2.5 concentration using aerosol optical thickness through aerosol type analysis method[J]. Atmospheric Environment, 159: 26-33. DOI:10.1016/j.atmosenv.2017.03.050 |
| Chu D A, Kaufman Y J, Ichoku C, et al. 2002. Validation of MODIS aerosol optical depth retrieval over land:First result and evaluation of aerosol from the Terra Spacecraft (MODIS)[J]. Geophysical Research Letters, 29: 8007-8010. DOI:10.1029/2001GL013205 |
| Dey S, Tripathi S N, Singh R P. 2004. Influence of dust storms on the aerosol optical properties over the Indo-Gangetic basin[J]. Journal of Geophysical Research Atmospheres, 109: D20211-D20223. DOI:10.1029/2004JD004924 |
| Hatzianastassiou N, Gkikas A, Mihalopoulos N, et al. 2009. Natural versus anthropogenic aerosols in the eastern Mediterranean basin derived from multiyear TOMS and MODIS satellite data[J]. Journal of Geophysical Research Atmospheres, 114: D24202-D24215. DOI:10.1029/2009JD011982 |
| He Q, Gu Y, Zhang M. 2019. Spatiotemporal patterns of aerosol optical depth throughout China from 2003 to 2016[J]. The ence of the Total Environment, 653: 23-35. DOI:10.1016/j.scitotenv.2018.10.307 |
| Holben B N, Nakajima T, Lavenu I, et al. 1998. AERONET-A federated instrument network and data archive for aerosol characterization[J]. Remote Sensing of Environment, 66: 1-16. DOI:10.1016/S0034-4257(98)00031-5 |
| Kahn R A, Gaitley B J, Martonchik J V, et al. 2005. Multiangle Imaging Spectroradiometer (MISR) global aerosol optical depth validation based on 2 years of coincident Aerosol Robotic Network (AERONET) observations[J]. Journal of Geophysical Research Atmospheres, 110: 10S04-20S19. |
| Karnieli A, Derimian Y, Indoitu R, et al. 2009. Temporal trend in anthropogenic sulfur aerosol transport from central and eastern Europe to Israel[J]. Journal of Geophysical Research Atmospheres, 114: 00D19-00D30. |
| Lawrence M G, Lelieveld J. 2010. Atmospheric pollutant outflow from southern Asia:a review[J]. Atmospheric Chemistry and Physics, 10: 11017-11096. DOI:10.5194/acp-10-11017-2010 |
| 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: 2989-3034. DOI:10.5194/amt-6-2989-2013 |
| 李成才, 毛节泰, 刘启汉, 等. 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[J]. 大气科学, 27: 869-880. |
| 李晓静, 张鹏, 张兴赢, 等. 2009. 中国区域MODIS陆上气溶胶光学厚度产品检验[J]. 应用气象学报, 20(2): 147-156. |
| 罗云峰, 吕达仁, 李维亮, 等. 2000. 近30年来中国地区大气气溶胶光学厚度的变化特征[J]. 科学通报, 49: 549-554. |
| Ma Z, Hu X, Huang L, et al. 2014. Estimating ground-level PM2.5 in China using satellite remote sensing[J]. Environmental science & Technology, 48: 7436-7444. |
| 毛节泰, 刘晓阳, 李成才, 等. 2002. MODIS卫星遥感北京地区气溶胶光学厚度及与地面光度计遥感的对比[J]. 应用气象学报, 13: 127-135. |
| Mao Q, Huang C, Chen Q, et al. 2019. Satellite-based identification of aerosol particle species using a 2D-space aerosol classification model[J]. Atmospheric Environment, 219: 117057-117069. DOI:10.1016/j.atmosenv.2019.117057 |
| Mcgill M J, Vaughan M A, Trepte C R, et al. 2007. Airborne validation of spatial properties measured by the CALIPSO lidar[J]. Journal of Geophysical Research Atmospheres, 112: D20201-D20208. DOI:10.1029/2007JD008768 |
| Meehl G A, Arblaster J M, Collins W D. 2008. Effects of black carbon aerosols on the indian monsoon[J]. Journal of Climate, 21: 2869-2882. DOI:10.1175/2007JCLI1777.1 |
| Mehta M, Singh R, Singh A, et al. 2016. Recent global aerosol optical depth variations and trends-A comparative study using MODIS and MISR level 3 datasets[J]. Remote Sensing of Environment, 181: 137-150. DOI:10.1016/j.rse.2016.04.004 |
| Ogunjobi K O, He Z, Simmer C. 2008. Spectral aerosol optical properties from AERONET Sun-photometric measurements over West Africa[J]. Atmospheric Research, 88: 89-107. DOI:10.1016/j.atmosres.2007.10.004 |
| Ramanathan V, Crutzen P J, Kiehl J T, et al. 2001. Aerosols, climate, and the hydrological cycle[J]. Science, 294: 2119-2124. DOI:10.1126/science.1064034 |
| Remer L A, Kaufman Y J, Tanré D, et al. 2005. The MODIS aerosol algorithm, products, and validation[J]. Journal of the Atmospheric Sciences, 62: 947-973. DOI:10.1175/JAS3385.1 |
| Sayer A M, Hsu N C, Bettenhausen C, et al. 2015. Effect of MODIS Terra radiometric calibration improvements on Collection 6 Deep Blue aerosol products:Validation and Terra/Aqua consistency[J]. Journal of Geophysical Research Atmospheres, 120: 12, 157-12, 174. |
| Sayer A M, Munchak L A, Hsu N C, et al. 2014. MODIS Collection 6 aerosol products:Comparison between Aqua\"s e-Deep Blue, Dark Target, and "merged" data sets, and usage recommendations[J]. Journal of Geophysical Research:Atmospheres, 119: 13, 965-913, 989. DOI:10.1002/2014JD022453 |
| 石广玉, 王标, 张华, 等. 2008. 大气气溶胶的辐射与气候效应[J]. 大气科学, 32: 826-840. |
| Tafuro A M, Barnaba F, Tomasi F D, et al. 2006. Saharan dust particle properties over the central Mediterranean[J]. Atmospheric Research, 81: 67-93. DOI:10.1016/j.atmosres.2005.11.008 |
| Wei J, Li Z, Peng Y, et al. 2019a. MODIS Collection 6.1 aerosol optical depth products over land and ocean:validation and comparison[J]. Atmospheric Environment, 201: 428-440. DOI:10.1016/j.atmosenv.2018.12.004 |
| Wei J, Li Z, Sun L, et al. 2019b. Improved merge schemes for MODIS Collection 6.1 Dark Target and Deep Blue combined aerosol products[J]. Atmospheric Environment, 202: 315-327. DOI:10.1016/j.atmosenv.2019.01.016 |
| Wei J, Peng Y, Guo J, et al. 2019c. Performance of MODIS Collection 6.1 Level 3 aerosol products in spatial-temporal variations over land[J]. Atmospheric Environment, 206: 30-44. DOI:10.1016/j.atmosenv.2019.03.001 |
| Yoon J, Burrows J P, Vountas M, et al. 2014. Changes in atmospheric aerosol loading retrieved from space-based measurements during the past decade[J]. Atmospheric Chemistry and Physics, 14: 6881-3902. DOI:10.5194/acp-14-6881-2014 |
| Yu H, Remer L A, Chin M, et al. 2012. Aerosols from overseas rival domestic emissions over North America[J]. Science, 337: 566-569. DOI:10.1126/science.1217576 |
| 朱爱华, 李成才, 刘桂青, 等. 2004. 北京地区MODIS卫星遥感气溶胶资料的检验与应用[J]. 环境科学学报, 24: 86-90. |
