, 吴艳兰1,2, 江鹏1
, 宁海涛11. 安徽大学资源与环境工程学院, 合肥 230601;
2. 安徽省地理信息智能技术工程研究中心, 合肥 230000
收稿日期: 2020-05-13; 修回日期: 2020-06-18; 录用日期: 2020-06-18
基金项目: 国家自然科学基金（No.41604028）；安徽省科技重大专项（No.18030801111）
作者简介: 伍万祥(1994-), 男, E-mail: 15056802605@163.com
通讯作者（责任作者）: 江鹏, 副教授, 硕士生导师, 主要研究方向为遥感数据处理与应用等.E-mail: jiangpeng@ahu.edu.cn
摘要：现阶段大气PM2.5遥感反演方法大多数都基于卫星气溶胶光学厚度（aerosol optical depth，AOD）产品，这些产品通常是从表观反射率（top-of-atmosphere reflectance，TOA）中反演而来.直接建立TOA产品和地面站点监测的PM2.5浓度间的反演模型能够有效降低由AOD反演所带来的误差传递，但是现阶段反演PM2.5所用到的TOA同时耦合了地表反射率和大气贡献值，想要进一步提升反演精度则需要设法将二者分离.基于此，本文利用Himawari-8（H8）卫星数据，由6S模型进行大气校正，继而统计得到H8前6个波段之间的地表反射率关系式，再运用卫星第六波段表观反射率与地表反射率接近的特性，估算得到前5个波段的地表反射率，并扣除地表反射率得到大气贡献值，以此来达到地气解耦的目的.随后，本文基于深度神经网络构建了PM2.5、大气贡献值、卫星亮温数据、观测角等之间的关系.以安徽省为例，反演结果表明，与不考虑地气解耦的TOA-PM2.5方法相比，本文提出的ATM-PM2.5方法精度更高，在未参与训练的验证站点上，ATM-PM2.5的R2和RMSE值为0.87和13.77 μg·m-3，相对于未经过地气解耦的TOA-PM2.5，R2提高了20%，RMSE值降低了5.24 μg·m-3.另外，利用H8卫星时间分辨率较高的特点，本文对安徽省域范围内进行了逐小时的PM2.5监测，显示本文方法有潜力为PM2.5实时监测提供数据支撑.
关键词：PM2.5Himawari-8表观反射率大气贡献值6S模型地气解耦深度神经网络
Depth neural network method for PM2.5 concentration estimation of Himawari-8 satellite based on ground air decoupling
WU Wanxiang1
, WU Yanlan1,2, JIANG Peng1, NING Haitao11. School of resources and environmental engineering, Anhui University, Hefei 230601;
2. Anhui Geographic Information Intelligent Technology Engineering Research Center, Hefei 230000
Received 13 May 2020; received in revised from 18 June 2020; accepted 18 June 2020
Abstract: At present, the inversion methods of remotely sensing the atmospheric PM2.5 using satellites are mainly based on the products of aerosol optical depth (AOD), which are usually retrieved from the top-of-atmosphere (TOA) reflectance. Directly modeling the relationship between the TOA and the ground-level PM2.5 concentrations can effectively reduce the errors transferred from the AOD inversion processes. However, the TOA observation employed in the inversion of ground-level PM2.5 concentrations is usually coupled by two parts: the surface reflectance and the atmospheric contributions. Therefore, it is necessary to separate the two reflectance parts in TOA for improving the inversion precisions of ground-level PM2.5 concentrations. In this paper, we firstly made corrections to the observation data from Himawari-8(H8) satellite of Japan by 6S model. Then, the relationships between the surface reflectance at the first six bands of H8 satellite were obtained. Since the apparent reflectance of the H8's sixth band is very close to its surface reflectance, the surface reflectance at the other five bands can be estimated. Deducting the surface reflectance from the TOA, we finally decoupled the TOA and obtain the atmospheric reflectance. Based on the retrieved atmospheric reflectance, we established a deep neural network to model the relationship between the ground-level PM2.5 concentrations, the atmospheric reflectance, the satellite brightness temperatures and the observation angle. We carried out a real experiment over Anhui Province region. The results indicated that the accuracy of our proposed ATM-PM2.5 method, which decoupled the TOA, is higher than that of TOA-PM2.5 method which employed the TOA reflectance. At the validation sites, the R2 and RMSE of ATM-PM2.5 are respectively 0.87 and 13.77 μg·m-3. Compared with the results of TOA-PM2.5 method, the R2 dropped by 20% and the RMSE reduced 5.24 μg·m-3 by using the atmospheric reflectance. At last, we hourly monitored the ground-level PM2.5 concentrations using the high-temporal-resolution H8 data based on the ATM-PM2.5 method over Anhui Province, which demonstrated that our method's potential to provide data support for the PM2.5 real-time monitoring.
Keywords: PM2.5Himawari-8top-of-atmosphere reflectanceatmospheric contribution value6S modelground air decouplingdeep neural network
1 引言(Introduction)随着我国工业化、城市化的不断发展, 环境污染问题逐渐突出, 特别是公众对于细颗粒物(PM2.5)的变化感受最为直接, 对其关注度也在日益加深(李娜等, 2018).PM2.5指的是大气环境中直径在0~0.25 μm之间的大气颗粒物, 其对人体健康具有重要影响(索丹凤等, 2019).获取并理解PM2.5浓度和空间分布规律, 对研究其理化性质、揭示雾霾成因以及科学防护措施的采取等都具有重要意义(申原等, 2018).
目前PM2.5质量浓度监测的方法主要包括以下两种：地面站点监测和卫星监测.地面站点监测PM2.5浓度较为精确, 但其监测成本高且站点分布不均匀, 无法获得整个区域的空间分布和传输特征(Wang et al., 2016).卫星监测能够监测大范围、长时序的PM2.5质量浓度分布, 有效弥补了地面站点数量的不足, 是对地面站点监测的重要补充(邱昀等, 2019).PM2.5卫星监测从反演原理上可分为以下两种方式：使用卫星衍生气溶胶光学厚度(aerosol optical depth, AOD)反演PM2.5浓度(Fang et al., 2016)和利用卫星表观反射率直接反演PM2.5浓度(Shen et al., 2018).前者是利用气溶胶光学厚度(AOD)与PM2.5质量浓度之间存在某种联系, 通过建立AOD与PM2.5之间线性或非线性关系反演PM2.5质量浓度.其反演模型主要有：多元线性回归(MLR)(蒋婕等, 2018)、地理加权回归(GWR)(Yang et al., 2019)、线性混合效应(LME)模型(Ma et al., 2016)、神经网络模型(Li et al., 2017a)等.通常卫星AOD产品是经过卫星表观反射率(TOA)反演而来(Hsu et al., 2004).基于此, 有研究人员直接建立了TOA产品和地面站点监测的PM2.5浓度间的反演模型(Shen et al., 2017).值得注意的是, 目前基于TOA直接反演PM2.5浓度运用的TOA其实同时包含了地表反射率和大气贡献值, 因此有必要采用物理模型进行地气解耦, 使得精度进一步提升(樊文智, 2019).另一方面, PM2.5卫星监测所用到卫星数据主要有极轨卫星和静止卫星两种数据源.常规卫星反演PM2.5多是利用极轨卫星(MODIS为主), 其优点是极轨卫星反演技术发展较早, 较为成熟, 但极轨卫星较低的观测频率(1~2次·d-1)已不足以了解PM2.5的演变(Wang et al., 2017).作为对地静止卫星, Himawari-8可以获取每10 min频次的反射率产品以及小时级别的气溶胶光学厚度(AOD), 为PM2.5的高频次卫星监测提供了数据支持(Zang et al., 2018).基于此, 樊文智(2019)针对中国区域运用了H8卫星数据的TOA和发布的AOD产品分别进行了PM2.5反演, 揭示了在高密度站点地区TOA-PM2.5方法比AOD-PM2.5方法具有更高精度优势.传统模型建立卫星数据和地面站点数据之间的线性关系仅对AOD-PM2.5方法适用, 神经网络由于强大的非线性拟合能力, 可以同时适用于TOA-PM2.5方法和AOD-PM2.5方法.近年来随着神经网络的发展, 其在大气和空气质量预测研究中越来越受到重视(李晓岚等, 2018).Feng等(2015)提出了一种结合空气质量轨迹分析和小波变换的改进型人工神经网络模型, 预测结果对比普通人工神经网络, 均方根误差(RMSE)平均降低了40%左右, 使得PM2.5日平均浓度的预测精度得到了进一步的提升.Ristovski等(2012)采用神经网络来学习卫星观测的TOA与地面站点监测的AOD之间的函数关系, 并且将神经网络预测值与地面站点实测值进行比较, 证明神经网络算法要优于MODIS C005反演算法.深度学习是在人工神经网络的基础上发展而来, 其拥有强大非线性和复杂关系的拟合能力, 已被广泛用于地面PM2.5的时间序列预测(黄婕等, 2019)和基于卫星的PM2.5浓度估计(Li et al., 2017b)等.而目前对于深度神经网络和H8卫星相结合的研究则相对较少, 这主要是因为H8卫星发布的AOD产品在准确性上不能保证, 其对地观测高频率特性的利用仍在研究中(Yumimoto et al., 2016).
综上所述, 目前对于PM2.5遥感监测方法存在3点不足：①当前TOA直接反演PM2.5仅仅是利用表观反射率建立反演模型, 而表观反射率耦合了地表反射率以及大气部分的贡献值, 不同的地表反射率对模型精度会存在一定的干扰.因此, 同一个模型换一个地点模型可能不再适用.②当前对于PM2.5反演的卫星数据源多采用的Aqua或者Terra卫星上搭载的MODIS传感器数据, 其在时间分辨率上虽能满足部分监测需求, 但在PM2.5随时间快速变化的情形下, 传统的利用MODIS卫星监测不能提供更高时间分辨率的监测结果.③利用AOD与PM2.5之间存在的线性关系反演PM2.5浓度在不同时间和地点有不同表现, 且这种方法需要先反演AOD, 中间环节的增加不可避免的造成误差的传递与累积.
基于上述问题, 本文提出了一种基于H8卫星的改进型TOA-PM2.5遥感监测方法(称为ATM-PM2.5方法).该方法顾及将TOA中的地表影响部分扣除, 降低了地表反射率造成的误差, 并利用深度神经网络直接建立H8表观反射率中大气贡献值与地面实测PM2.5质量浓度数据之间的关系.
2 研究区域和数据(Study area and data)2.1 研究区概况本文研究区域定为安徽省.安徽省位于中国的华东区域, 经纬度处在东经114°54′~119°37′、北纬29°41′~34°38′之间(叶伸等, 2018).作为长三角的重要组成部分, 安徽省的经济正快速发展, 伴随而来的大气污染问题也较为突出(倪秀峰等, 2017).近年来安徽省多次出现重度灰霾天气, 根据安徽省2018年期间发布的《2018年上半年安徽环境质量状况》, 在空气质量方面, 1-2月期间共出现3次空气重污染过程, 且16个地级市大气污染物表现出显著的区域性特点和年际变化呈现增涨趋势(王化杰等, 2018)；2018年上半年, 16个地级市平均空气污染超标天数比例为35.4%, 而在所有超标天数中又以PM2.5超标最为严重.以省会合肥市为例, 2013-2017年期间, PM2.5全年平均浓度为69.23 μg·m-3, PM2.5合计超过一级、二级标准限值的超标天数分别为1493、620 d, 超标率分别为81.76%和33.95%(雷若倩, 2019).当前对于全省PM2.5长时序大范围的研究较少, 且无法做到精准的PM2.5溯源.因此, 对于安徽省全区域PM2.5的时空分布研究以及长时序高频次的监测非常迫切且必要.
2.2 葵花8卫星数据葵花8号(Himawari-8, H8) 是日本气象厅研发并于2014年10月7号发射升空的新一代静止气象卫星, 其距地面3.54万km, 星下点位于140.7°E(Bessho et al., 2016).H8具有较高的空间与时间分辨率, 可以对区域(80°E~160°W, 60°S~60°N)实现10 min频次的观测(樊文智, 2019), 因此有利于对PM2.5进行逐小时变化研究.其搭载有先进的葵花成像仪(Advanced Himawari Imager, AHI)共有16个波段, 包括3个可见光波段和3个近红外波段以及10个热红外波段(丁璐, 2018), 空间分辨率分别有3种：0.5、1和2 km(表 1).
表 1(Table 1)
| 表 1 H8数据波段参数设置 Table 1 The band settings of H8 Data | |||||||||||||||||||||||||||||||||||||||||||||||||||
表 1 H8数据波段参数设置 Table 1 The band settings of H8 Data
| |||||||||||||||||||||||||||||||||||||||||||||||||||
 |
本文所用的数据为JAXA(https://www.eorc.jaxa.jp/ptree/)发布的Himawari8 L1网格数据(采用UTC时间).Himawari-8 L1网格数据以10 min的时间分辨率提供反照率(波段1~6)和亮温(波段7~16), 其中1~6波段反照率按照文献(Yan et al., 2018)方法转化为表观反射率.提取该网格数据观测范围16个通道的像素级观测数据、并可以计算出NDVI、空间坐标信息、以及卫星观测角度、太阳方位角等所有遥感影像信息.
2.3 站点实测PM2.5数据中国国家环境空气质量标准(CNAAQS, GB3905-2012)规定, 地面PM2.5浓度通过振荡微量天平法或β射线衰减法进行测量(Shen et al., 2018).我国于2012年底建成PM2.5地基监测网, 其包含有1600多个监测站点(周云云等, 2019), 利用监测站点可对PM2.5浓度进行实时监测.本文通过中国环境监测中心(CNEMC)网站(http://www.cnemc.cn/), 获取了安徽省2017年和2018年两年的11-12月67个有效环境监测站点的PM2.5逐小时浓度数据, 具体站点分布如图 1所示.
图 1(Fig. 1)
 |
| 图 1 研究区域与PM2.5监测站点分布 Fig. 1Study area and PM2.5 monitoring station distribution |
3 研究方法(Research methods)本文时间统一为北京时间, 葵花8卫星可以实现高达10 min·次-1的高时间分辨率的遥感影像数据, 故本文将地面实测PM2.5数据与之进行时间匹配.在数据空间匹配方面, 统一采用WGS-84坐标系统, 通过地面实测站点的经纬度坐标与H8遥感影像数据进行空间匹配.同时由于在有云和水体区域无法进行大气PM2.5反演, 本文根据葵花8卫星云和水体像元的反射率统计特征, 采用文献(Zhang et al., 2018; 葛邦宇等, 2018)方法获取合适的阈值判断云和水体像元.
3.1 地气解耦卫星对地观测获得的表观反射率耦合了地表和大气两个部分的信号, 为获得准确的PM2.5浓度值, 首先应该进行地气解耦, 地气解耦的关键是如何准确估计地表反射率(葛邦宇等, 2018).6S模型能够模拟0.25~4 μm波长范围内太阳辐射的传输过程并输出地表反射率(陈春等, 2007), 葵花8卫星前6个波段的波长位于这一范围之内, 可以对这些通道的数据进行大气校正.因此, 本文对H8卫星前6个波段数据进行了大气校正, 以获得对应的地表反射率, 最后对所有子图像的地表反射率进行统计(葛邦宇等, 2018), 得出6个波段之间的地表反射率关系.
3.1.1 6S模型6S模型(Second simulation of the satellite signal in the solar spectrum)是模拟太阳光在地气系统中传输过程的模型, 其前提是在假定无云天气的情况下, 考虑了水汽、气体分子的吸收、分子和气溶胶的散射以及非均匀地面和双向反射率的问题(刘彦文等, 2017), 可以模拟信号在传输过程中受到的大气影响.6S模型输入有：几何角度、大气类型选择、气溶胶类型、光谱条件、地表反射率类型和光谱变化.对于勃朗体表面而言, 卫星接收到的球面反射率包含了：被地表反射后的太阳辐射、大气辐射、以及周边环境的贡献等.卫星传感器接受到的球面反射率为(徐萌等, 2006)：
 | (1) |
3.1.2 地表反射率关系式建立本文选择地基站点气溶胶观测数据(AERONET)作为大气校正中输入参数之一.AERONET(AErosol Robotic NETwork)是由美国国家宇航局(National Aeronautics and Space Administration, NASA)组建的国际性地面气溶胶监测网, 为全球气溶胶研究和卫星检索验证提供长期、连续的气溶胶观测数据集(延昊等, 2006).它主要提供3个质量等级的数据, 分别为level1.0、level1.5、level2.0(杨以坤等, 2016).本文选择经过云去除的level1.5等级数据, 选择中国地区所有AERONET站点, 观测时间为2017年11月、12月和2018年11月、12月.
本实验中根据AERONET站点观测数据, 选取了H8影像共16364个像素点进行大气校正, 统计各个波段间关系(图 2), 首先, 本研究线性拟合了2.3 μm波段表观反射率和地表反射率间的关系, 发现两者基本相等, 相关性可达0.99以上；基于此特性, 本文进一步拟合了2.3 μm波段与其它5个波段地表反射率的关系, 其结果如下：
 | (2) |
 | (3) |
 | (4) |
 | (5) |
 | (6) |
 |
| 图 2 H8各波段表观反射率与地表反射率统计关系 Fig. 2Statistical relationship of wave band |
式中, ρ0.46、ρ0.51、ρ0.64、ρ0.86、ρ1.6、ρ2.3分别表示前6个波段大气校正后的地表反射率.式(2)、(3) (4)、(5)、(6) 可用于H8前6个波段的地表反射率估计.考虑到中国区域的地面AERONET站点较少, 且H8数据时间累积不充足, 因此此种方法提取的地表反射率中会残余少量大气部分贡献值, 但是后期实验表明, 这种残差的影响较少.
3.2 基于深度神经网络的PM2.5反演本文建立了一种ATM-PM2.5反演模型(Atmospheric reflectance model: ATM-PM2.5), 该模型将H8卫星数据作为主要输入.PM2.5建模公式如下：
 | (7) |
此外, 为了研究地气解耦对PM2.5反演精度的影响, 本文直接将表观反射、卫星亮温数据、4个观测角度、观测时间以及NDVI作为模型输入进行训练, 建立了TOA-PM2.5反演模型(Top-Of-Atmosphere reflectance model: TOA-PM2.5), 建模公式如下：
 | (8) |
本文所设计的深度全连接网络A-DNN模型如图 3所示, 模型输入层(Input Layers)具有21个输入节点, 本模型设计了7个隐藏层, 各层节点数分别设置为1024、512、256、256、128、128、64, 其中各隐藏层激活函数均为非线性LeakyReLU函数, 最后由输出层(Output Layer)提供各像素PM2.5质量浓度估计值.学习率(Learning rate)对于A-DNN网络至关重要, 其指的是缩放A-DNN权重更新幅度, 以便最大程度减少模型输出偏差的参数, 通常情况下, 低学习率会使A-DNN模型权重进行小幅度的更新, 导致A-DNN模型训练过程缓慢, 而高学习率可能导致模型最终输出中出现不期望的发散行为, 本文经过多次模型参数调整测试后, 将A-DNN模型的初始学习率设置为0.01, 并每迭代训练50次, 学习率降低0.001, 模型总的迭代训练次数设置为300次.
图 3(Fig. 3)
 |
| 图 3 具有输入节点(输入的预测因子)和输出节点(PM2.5)的A-DNN模型简化结构图 Fig. 3Simplified structure chart of A-DNN model with input node (input prediction factor) and output node (PM2.5) |
A-DNN的建模过程分为3个过程：
步骤1：将A1, …, A5, BT7, …, BT16, angles, time, NDVI输入到A-DNN模型中.该模型经过预训练, 初始化各个权重和偏置.
步骤2：从A-DNN模型获得估算的PM2.5值, 随后模型通过计算估计PM2.5与地面观测到的PM2.5之间距离, 再通过反向传播以微调模型权重.此过程不断重复, 直到距离最小为止.
步骤3:对模型精度进行验证, 并利用训练好的模型预测没有地面监测站点位置的PM2.5值, 由此获得研究区域内PM2.5浓度分布.
4 结果与分析(Results and analysis)4.1 模型评价本文从安徽省67个地面监测站点中随机抽取56个站点用于模型训练, 称为训练数据集, 11个站点将不参与训练, 作为独立数据用于精度验证, 称为验证数据集.其中将训练数据集随机交叉分配80%用于建模, 20%用于测试.本文采用决定系数(R2), 均方根误差(RMSE)对模型性能进行定量评估.
决定系数(R2)的大小反映了模型预测结果与实测数据的相关性高低, R2的值在0~1之间变化, 越接近于1表征其相关性越高, 越接近于0表示相关性越低.RMSE则是用来衡量预测值同实测值之间的偏差, 反映预测数据偏离观测值的离散程度.其表达关系式如下：
 | (9) |
 | (10) |
图 4分别显示了ATM-PM2.5和TOA-PM2.5的训练与测试结果.从图 4a、4c可以看出, ATM-PM2.5和TOA-PM2.5两者在训练数据中都表现出较高的精度, 训练精度R2都达到了0.99, RMSE都在4 μg·m-3以下.从图 4b、4d可以看出其在测试数据集中也同样表现出较好的精度, 其R2都达到了0.97, RMSE在8 μg·m-3左右.
图 4(Fig. 4)
 |
| 图 4 建模精度与测试精度散点图 Fig. 4Scatter diagram of modeling accuracy and test accuracy |
4.2 反演结果对比为了验证模型在整体空间上的反演精度, 本文又将11个不参与训练的站点数据分别用ATM-PM2.5和TOA-PM2.5进行了PM2.5质量浓度预测.从图 5a、5b可以看出, ATM-PM2.5在验证集上的R2为0.82, RMSE达到19.7 μg·m-3, TOA-PM2.5在验证集上的R2则降低到了0.78, RMSE增加到21.55 μg·m-3.这表明在独立站点上, ATM-PM2.5的精度比TOA-PM2.5的精度高, 反映了ATM-PM2.5的泛化能力要比TOA-PM2.5更好.
图 5(Fig. 5)
 |
| 图 5 模型验证精度散点图 Fig. 5Scatter diagram of model validation precision |
此外, 将ATM-PM2.5与TOA-PM2.5反演的相同空间分辨率(2 km)的PM2.5质量浓度进行对比分析, 图 6分别为北京时间2017年12月12日10:00(图 6a)和15:00(图 6b)安徽区域的葵花-8卫星假彩色图像.图 7a、7c和7b、7d分别为北京时间2017年12月12日10:00和15:00的ATM-PM2.5和TOA-PM2.5反演的PM2.5.将云层、陆地水体去除, 图中空白区域即为云层和陆地水体.图 7中颜色越红, 代表PM2.5浓度越高；颜色越绿, 代表PM2.5浓度越低.由图 7可以看出, ATM-PM2.5和TOA-PM2.5反演的PM2.5结果在空间分布上大致相同, 呈现出在西南地区浓度高, 东南地区浓度低的趋势.其中两个模型反演结果也存在细微的差别, 如在北京时间10:00, ATM-PM2.5在中西部地区反演结果要比TOA-PM2.5反演结果偏低.
图 6(Fig. 6)
 |
| 图 6 2017年12月12日北京时间10:00和北京时间15:00安徽省地区H8假彩色图 Fig. 6False color map of H8 in Anhui Province at 10:00 and 15:00 Beijing time on December 12, 2017 |
图 7(Fig. 7)
 |
| 图 7 2017年12月12日北京时间10:00和15:00 ATM-PM2.5和TOA-PM2.5反演的PM2.5结果对比 Fig. 7ATM-PM2.5 and TOA-PM2.5 at 10:00 and 15:00 Beijing time on December 12, 2017 Comparison of inversion PM2.5 results |
为了进一步验证模型的反演精度, 本文将北京时间2017年12月12日10:00和15:00中11个未参与训练的站点实测值与模型预测值进行对比.由图 8可以看出, 在10:00, 11个观测站点有5个站点未被云层遮挡, 相比于TOA-PM2.5, ATM-PM2.5的预测效果明显更接近于实际PM2.5浓度观测值；在15:00, 11个站点有9个站点未被云层遮挡, ATM-PM2.5和TOA-PM2.5的预测值与观测值都较为接近.
图 8(Fig. 8)
 |
| 图 8 2017年12月12日10:00(a)和15:00(b)中11个验证站点对比图 11个观测站, 其中部分因云层阻挡未在本图显示 Fig. 8Comparison of 11 verification stations in 10:00 (a) and 15:00 (b) on December 12, 2017 (11 stations, some of which are not shown in this figure due to cloud blocking) |
图 9给出了两个时刻在有效站点上, ATM-PM2.5和TOA-PM2.5的反演精度统计.可以看出, ATM-PM2.5的反演结果R2为0.87, RMSE为13.77 μg·m-3, 而TOA-PM2.5的反演结果R2为0.67, RMSE为19.01 μg·m-3, ATM-PM2.5精度优于TOA-PM2.5.
图 9(Fig. 9)
 |
| 图 9 2017年12月12日10:00和15:00预测值与观测值散点图 Fig. 9Scatter diagram of predicted and observed values at 10:00 and 15:00 on December 12, 2017 |
4.3 PM2.5大范围高时空分辨率监测PM2.5的成因主要是人为的向大气排放污染物, 其污染发生随时间变化较为明显, H8卫星由于其地球静止轨道与高时空分辨率的特点, 可以提高大范围PM2.5监测的实时性.本文对安徽省区域2017年12月12日进行逐小时的PM2.5反演, 反演结果如图 10所示.
图 10(Fig. 10)
 |
| 图 10 2017年12月12日8:00-16:00(Beijing)小时级时间序列PM2.5反演结果图像 Fig. 10Inversion result image of PM2.5 of hourly time series from 8:00 to 16:00 on December 12, 2017 |
可以看到, 总体上安徽省区域的PM2.5分布呈西南区域污染重, 东部大部分地区污染相对较轻的趋势.从时序上看, 北京时间8:00起安徽省西南开始PM2.5浓度较高, 到中午12:00基本保持一致；从下午13:00开始高浓度PM2.5分布区域逐渐减小, 但PM2.5聚集中心区域浓度逐渐升高, PM2.5浓度中心逐渐向安徽省中部方向扩散移动.
5 结论(Conclusions)本文提出了一种基于深度神经网络和H8卫星数据的高时间分辨率PM2.5估算方法, 并考虑地气解耦将卫星表观反射率中的地表反射率去除.选取了H8卫星L1网格数据和安徽省67个环境监测站点的PM2.5数据进行试验, 实验结果表明, 本文方法在所有验证站点上的R2可以达到0.82, RMSE低于20 μg·m-3, 比直接利用表观反射率反演具有更好的精度.北京时间2017年12月12日反演实验表明：ATM-PM2.5反演结果的R2可以达到0.87, RMSE为13.77 μg·m-3, 比TOA-PM2.5反演结果(R2=0.67, RMSE=19.01 μg·m-3)精度更高.利用本文方法, 我们实现了对2017年12月12日安徽省区域逐小时的PM2.5浓度实时监测, 证明了利用H8卫星数据可以实现长时序省域范围内的PM2.5浓度的观测.
通过实验对比分析可以发现：①卫星表观反射率与PM2.5浓度间的关系可以通过各种方法拟合建立得到, 但是在其直接拟合过程中, 由于表观反射率中存在地表反射率部分, 现有的直接利用表观反射率反演PM2.5浓度方法存在地气耦合造成的误差；②目前对于H8卫星的大气校正, 官方并没有提供合适的解决方案, 现阶段只是利用6S模型对影像进行大气校正, 且统计的各波段地表反射率关系式仅仅是线性关系, 未来有必要探索更精确的大气校正模型对影像进行大气校正, 另外, 可以进一步建立各波段反射率间的非线性模型, 以提升地表反射率估计精度.
总体来说, 本文研究结果表明H8卫星数据在反演PM2.5上具有一定的潜力, 将为其他国产静止卫星的大气PM2.5反演提供方法参考.该类型的静止卫星将为探究PM2.5随时间演变规律, 以及大范围的长时序监测提供技术支持和数据支撑.
参考文献
| Bessho K, Date K, Hayashi M, et al. 2016. An introduction to Himawari-8/9-Japan′s new-generation geostationary meteorological satellites[J]. Journal of the Meteorological Society of Japan, 94(2): 151-183. DOI:10.2151/jmsj.2016-009 |
| 陈春, 吴雨航, 刘志明, 等. 2007. ETM图像地物反射率光谱反演[J]. 光谱学与光谱分析, (4): 117-120. |
| 丁璐. 2018. 三轴稳定静止遥感卫星指向确定的地标匹配与通道配准方法[D]. 河南: 战略支援部队信息工程大学. 1-88 |
| Fang X, Zou B, Liu X, et al. 2016. Satellite-based ground PM2.5 estimation using timely structure adaptive modeling[J]. Remote Sensing of Environment, 186: 152-163. DOI:10.1016/j.rse.2016.08.027 |
| 樊文智. 2019. 基于"葵花8号"表观反射率和AOD数据的逐小时地面PM2.5估算[D]. 江苏: 中国矿业大学. 1-82 |
| Feng X, Li Q, Zhu Y, et al. 2015. Artificial neural networks forecasting of PM2.5 pollution using air mass trajectory based geographic model and wavelet transformation[D]. Atmospheric Environment, 107: 118-128 |
| 葛邦宇, 杨磊库, 陈兴峰, 等. 2018. 暗目标法的himawari-8静止卫星数据气溶胶反演[J]. 遥感学报, 22(1): 38-50. |
| Hsu N C, Tsay S C, King M D, et al. 2004. Aerosol properties over bright-reflecting source regions[J]. IEEE Transactions on Geoscience and Remote Sensing, 42(3): 557-569. DOI:10.1109/TGRS.2004.824067 |
| 黄婕, 张丰, 杜震洪, 等. 2019. 基于RNN-CNN集成深度学习模型的PM2.5小时浓度预测[J]. 浙江大学学报(理学版), 46(3): 370-379. |
| 蒋婕, 洪松, 郭阳洁. 2018. 珠三角PM2.5遥感估算区域复合模型研究[J]. 生态经济, 34(6): 155-162. |
| 雷若倩. 2019. 2013年到2017年合肥市大气污染物PM2.5和O3与居民每日死亡关系的研究[D]. 安徽: 安徽医科大学. 1-80 |
| Li T W, Shen H F, Zeng C, et al. 2017a. Estimating Ground-Level PM2.5 by fusing satellite and station observations: A geo-intelligent deep learning approach[J]. Geophysical Research Letters, 44(23): 985-993. |
| Li T W, Shen H F, Zeng C, et al. 2017b. Point-surface fusion of station measurements and satellite observations for mapping PM2.5 distribution in china: methods and assessment[J]. Atmospheric Environment, 152(mar.): 477-489. |
| 李娜, 李韵谱, 刘喆, 等. 2018. 不同类型公共场所室内空气PM2.5浓度及影响因素[J]. 环境与健康杂志, 35(3): 189-193. |
| 刘彦文, 周霞, 王凯慧, 等. 2017. 基于遥感影像的PM2.5浓度与大气气溶胶光学厚度间模型建立的探索--以鄂南地区为例[J]. 环境与可持续发展, 42(6): 153-156. DOI:10.3969/j.issn.1673-288X.2017.06.040 |
| 李晓岚, 刘旸, 栾健, 等. 2018. 基于BP人工神经网络法沈阳市PM2.5质量浓度集成预报试验[J]. 气象与环境学报, 34(2): 100-106. DOI:10.3969/j.issn.1673-503X.2018.02.013 |
| Ma Z W, Liu Y, Zhao Q Y, et al. 2016. Satellite-derived high resolution PM2.5 concentrations in Yangtze River Delta Region of China using improved linear mixed effects model[J]. Atmospheric Environment, 133(may): 156-164. |
| 倪秀峰, 戴豪杰, 韦钊, 等. 2017. 安徽省2015年第一季度大气污染物日均变化规律[J]. 环境保护前沿, 7(1): 17-25. |
| 邱昀, 李令军, 姜磊, 等. 2019. 京津冀一次污染过程的星地同步动态监测分析[J]. 环境科学, 40(3): 1111-1119. |
| Ristovski K, Vucetic S, Obradovic Z. 2012. Uncertainty analysis of neural-network-based aerosol retrieval[J]. IEEE Transactions on Geoscience and Remote Sensing, 50(2): 409-414. DOI:10.1109/TGRS.2011.2166120 |
| Shen H F, Li T W, Yuan Q Q, et al. 2018. Estimating regional ground-level PM2.5 directly from satellite top-of-atmosphere reflectance using deep belief networks[J]. Journal of Geophysical Research: Atmospheres, 123(24): 13875-13886. |
| 申原, 陈朝亮, 钱静, 等. 2018. 基于随机森林的高分辨率PM2.5遥感反演--以广东省为例[J]. 集成技术, 7(3): 31-41. DOI:10.3969/j.issn.2095-3135.2018.03.004 |
| 索丹凤, 曾三武. 2019. 空气细颗粒物PM2.5对人体各系统危害的研究[J]. 医学信息, 32(18): 32-34. |
| Wang W, Mao F Y, Du L, et al. 2017. Deriving hourly PM2.5 concentrations from himawari-8 aods over beijing-tianjin-hebei in China[J]. Remote Sensing, 9(8): 858-874. DOI:10.3390/rs9080858 |
| Wang Z B, Fang C L. 2016. Spatial-temporal characteristics and determinants of PM2.5 in the bohai rim urban agglomeration[J]. Chemosphere, 148: 148-162. DOI:10.1016/j.chemosphere.2015.12.118 |
| 王化杰, 张波, 胡昊, 等. 2018. 安徽省大气污染物时空分布特征及演化规律[J]. 环境科学研究, 31(4): 628-641. |
| 徐萌, 郁凡, 李亚春, 等. 2006. 6S模式对EOS/MODIS数据进行大气校正的方法[J]. 南京大学学报(自然科学版), 2006(6): 582-589. DOI:10.3321/j.issn:0469-5097.2006.06.003 |
| Yan X, Li Z Q, Luo N N, et al. 2018. A minimum albedo aerosol retrieval method for the new-generation geostationary meteorological satellite Himawari-8[J]. Atmospheric Research, 207(JUL): 14-17. |
| Yang Q Q, Yuan Q Q, Yue L W, et al. 2019. The relationships between PM2.5 and aerosol optical depth (AOD) in mainland China: About and behind the spatio-temporal variations[J]. Environmental Pollution, 248(MAY): 526-535. |
| 杨以坤, 孙林, 韦晶, 等. 2016. MODIS C5、C6气溶胶产品验证及区域适应性评价[J]. 山东科技大学学报(自然科学版), 35(5): 17-27. DOI:10.3969/j.issn.1672-3767.2016.05.003 |
| 延昊, 矫梅燕, 毕宝贵, 等. 2006. 国内外气溶胶观测网络发展进展及相关科学计划[J]. 气象科学, (1): 110-117. DOI:10.3969/j.issn.1009-0827.2006.01.016 |
| 叶伸, 吴灿灿, 王欣. 2018. 基于GIS的安徽省地震潜在危险度评价[J]. 河北北方学院学报(自然科学版), 34(3): 51-55. DOI:10.3969/j.issn.1673-1492.2018.03.009 |
| Yumimoto K, Nagao T M, Kikuchi M, et al. 2016. Aerosol data assimilation using data from himawari-8, a next-generation geostationary meteorological satellite[J]. Geophysical Research Letters, 43(11): 5886-5894. DOI:10.1002/2016GL069298 |
| Zang L, Mao F Y, Guo J P, et al. 2018. Estimating hourly pm1 concentrations from himawari-8 aerosol optical depth in china[J]. Environmental Pollution, 241: 654-663. DOI:10.1016/j.envpol.2018.05.100 |
| Zhang W H, Xu H, Zheng F J. 2018. Aerosol Optical Depth Retrieval over East Asia Using Himawari-8/AHI Data[J]. Remote Sensing, 10(1): 137-155. DOI:10.3390/rs10010137 |
| 周云云, 张德英, 施润和. 2019. 多种气象要素及其变化对AOD与PM2.5关联模型的影响研究[J]. 环境科学学报, 39(1): 204-211. |
