遥感反演PM2.5的文献阅读笔记
基于遥感技术的大气PM2
基于遥感技术的大气PM2.5浓度监测与预测大气污染是当今世界面临的重大环境问题之一。
对于大气污染物PM2.5的监测与预测，遥感技术提供了一种高效且非侵入式的手段。
通过对遥感数据的获取和分析，可以实时监测和预测大气中PM2.5浓度的变化情况，为环境管理和公众健康提供有效的支持。
一、遥感技术在大气PM2.5监测中的应用遥感技术是利用航空飞行器或卫星对地球表面进行观测和测量的技术手段。
在大气PM2.5监测中，遥感技术通过获取大气中可见光、红外辐射等信息，来获取大气中PM2.5颗粒物的浓度和分布情况。
这种非接触式的测量方式，具有广阔的应用前景。
二、大气PM2.5浓度监测的遥感方法1. 光学遥感方法光学遥感方法是利用可见光和红外辐射的特性，通过遥感设备采集相关数据，并通过图像处理算法进行分析和计算，得出大气中PM2.5的浓度。
这种方法具有不依赖地面观测站点、监测范围广等优点。
2. 微波遥感方法微波遥感方法是通过接收地球表面发出的微波辐射，在频率、强度等方面进行分析，从而得到大气中PM2.5颗粒物的浓度信息。
这种方法具有强透射性，可以穿透云层、雨雪等天气条件，实现全天候的监测。
三、大气PM2.5浓度预测的遥感方法1. 时序遥感方法时序遥感方法是利用多时相的遥感数据，通过时间序列分析和模型建立，预测大气中PM2.5的浓度。
通过分析历史数据和监测数据，结合气象数据和地理信息系统(GIS)等，可以建立预测模型，实现对未来PM2.5浓度的预测。
2. 数值模拟遥感方法数值模拟遥感方法是通过建立数学模型，模拟大气中PM2.5颗粒物的传输和分布过程。
通过引入模拟结果和遥感数据的反演算法，可以实现对大气PM2.5浓度的预测。
这种方法具有较高的精度和可靠性。
四、大气PM2.5监测与预测的意义和应用大气PM2.5浓度监测与预测对于环境管理和公众健康具有重要意义。
通过监测PM2.5浓度，可以及时发现大气污染情况，预警和采取措施，减少污染对人体健康的影响。
大气臭氧和PM2.5栅格数据的反演及其在评估对心肌梗死和脑卒中住院影响中的应用
通过分析脑卒中住院数据和臭氧、PM2.5浓度数据的空间自相关关系，来评估它们之间的相关性。可以使用Moran’s I等指标进行空间自相关分析。
空间自相关分析
基于空间回归的分析方法
结果汇总
对基于时间序列和空间回归的分析结果进行汇总，得出臭氧和PM2.5对脑卒中住院的影响评估结果。
结果解释
大气臭氧和PM2.5的栅格数据反演
02
1
大气臭氧的栅格数据反演
2
3
利用地面观测站、卫星遥感等技术获取臭氧浓度数据，结合气象数据，通过反演算法计算得到栅格尺度上的臭氧浓度。
臭氧浓度观测数据
利用大气化学模型，模拟计算不同气象条件下的臭氧生成和传输过程，进一步反演出不同时间和空间尺度的臭氧浓度。
大气化学模型
数据不确定性分析
通过对反演算法的不确定性分析、模型参数的不确定性分析等方法，评估反演结果的不确定性范围。
空间插值
利用地理信息系统（GIS）技术，对栅格数据进行空间插值，提高数据的空间分辨率和精度。
栅格数据的质量控制与评估
大气臭氧和PM2.5对心肌梗死住院的影响评估
03
时间序列分析
这种方法主要基于历史数据，通过分析时间序列的变化趋势，评估大气臭氧和PM2.5对心肌梗死住院的影响。通常使用回归分析、时间序列分析、ARIMA模型等方法。
研究方法
研究目的与方法
本研究旨在利用先进的统计模型和地理信息技术，反演得到高分辨率的大气臭氧和PM2.5栅格数据，并在此基础上评估它们对心肌梗死和脑卒中住院的影响
本研究将采用空间统计模型、时间序列分析和多元线性回归模型等方法，结合遥感数据、气象数据、医疗数据等，对大气臭氧和PM2.5栅格数据进行反演和评估。具体步骤包括
大气pm2.5遥感制图研究进展
㊀㊀第４８卷㊀第１２期测㊀绘㊀学㊀报V o l．４８,N o．１２㊀２０１９年１２月A c t aG e o d a e t i c ae tC a r t o g r a p h i c aS i n i c a D e c e m b e r,２０１９引文格式:沈焕锋,李同文．大气P M２．５遥感制图研究进展[J]．测绘学报,２０１９,４８(１２):１６２４Ｇ１６３５．D O I:１０．１１９４７/j．A G C S．２０１９．２０１９０４５６．S H E N H u a n f e n g,L IT o n g w e n．P r o g r e s s o f r e m o t e s e n s i n g m a p p i n g o f a t m o s p h e r i c P M２．５[J]．A c t aG e o d a e t i c a e t C a r t o g r a p h i c a S i n i c a,２０１９,４８(１２):１６２４Ｇ１６３５．D O I:１０．１１９４７/j．A G C S．２０１９．２０１９０４５６．大气P M２．５遥感制图研究进展沈焕锋１,２,李同文１１．武汉大学资源与环境科学学院,湖北武汉４３００７９;２．地球空间信息技术协同创新中心,湖北武汉４３００７９P r o g r e s s o f r e m o t e s e n s i n g m a p p i n g o f a t m o s p h e r i cP M２．５S H E NH u a n f e n g１,２,L I T o n g w e n１１．S c h o o lo fR e s o u r c e a n d E n v i r o n m e n t a lS c i e n c e s,W u h a n U n i v e r s i t y,W u h a n４３００７９,C h i n a;２．C o l l a b o r a t i v e I n n o v a t i o nC e n t e r o fG e o s p a t i a l T e c h n o l o g y,W u h a n４３００７９,C h i n aA b s t r a c t:S a t e l l i t e r e m o t e s e n s i n g h a s p l a y e dac r i t i c a l r o l e i n t h e q u a n t i t a t i v e r e t r i e v a l o f a t m o s p h e r i c P M２．５,w h i c h c a n b e a t t r i b u t e d t o i t s a d v a n t a g e s o f w i d e s p a t i o t e m p o r a l c o v e r a g e a n d l o wc o s t．T h i s p a p e r r e v i e w s t h e p r o g r e s s o f r e m o t e s e n s i n g m a p p i n g o f a t m o s p h e r i cP M２．５．F i r s t,t h ea t m o s p h e r i cP M２．５r e m o t e s e n s i n g r e t r i e v a lm e t h o d sa r e s u m m a r i z e d,a n d t h ea p p l i c a b l e c o n d i t i o n sa n d l i m i t a t i o n s o f t h e v a l i d a t i o na p p r o a c h e s f o r a t m o s p h e r i c P M２．５r e m o t e s e n s i n g r e t r i e v a l a r e a n a l y z e d．S e c o n d,t h i s p a p e r s u m m a r i z e s t h eb i a sc o r r e c t i o n o f s a t e l l i t e r e t r i e v e dP M２．５s y n t h e s i s p r od u c ta n d t h em i s s i n g i n f o r m a t i o n re c o n s t r u c t i o nof s a t e l l i t e r e t r i e v e dP M２．５．F i n a l l y,t h e p r o s p e c t i v e d i r e c t i o n s o f r e m o t e s e n s i ng m a p p i n g o f a t m o s ph e ri c P M２．５a r ed i s c u s s e d．K e y w o r d s:a t m o s p h e r i cP M２．５m a p p i n g;s a t e l l i t er e m o t es e n s i n g;s a t e l l i t ea n d g r o u n df u s i o n;a c c u r a c y v a l i d a t i o n;g a p l e s sm o n i t o r i n gF o u n d a t i o n s u p p o r t:T h eM a j o r P r o j e c t s o f T e c h n o l o g i c a l I n n o v a t i o no f H u b e i P r o v i n c e(N o．２０１９A A A０４６); T h eN a t i o n a l K e y R e s e a r c ha n dD e v e l o p m e n t P r o g r a mo f C h i n a(N o．２０１６Y F C０２００９００)摘㊀要:遥感技术具有时空大范围㊁低成本的独特优势,已经成为定量监测大气P M２．５污染时空分布的重要手段.本文综述了大气P M２．５遥感制图的进展:首先,对大气P M２．５遥感反演方法进行了归纳,以及总结了现有大气P M２．５遥感反演验证方法的适用条件与局限性;其次,对卫星反演大气P M２．５合成产品偏差校正和大气P M２．５无缝制图进行了梳理;最后总结了大气P M２．５遥感制图的前沿研究方向.关键词:大气P M２．５制图;卫星遥感;星Ｇ地融合;精度验证;无缝监测中图分类号:P２３７㊀㊀㊀㊀文献标识码:A㊀㊀㊀㊀文章编号:１００１Ｇ１５９５(２０１９)１２Ｇ１６２４Ｇ１２基金项目:湖北省技术创新专项重大项目(２０１９A A A０４６);国家重点研发计划(２０１６Y F C０２００９００)㊀㊀随着经济的快速发展,细颗粒物(f i n e p a r t i c u l a t em a t t e r,P M２．５)污染已成为全球范围内的重大环境问题.２０１６年世界卫生组织发布的报告显示,全球９２％的人口暴露于年均＞１０μg/m３的大气P M２．５污染中[１],公众健康受到极大的威胁.因此,对大气P M２．５污染进行动态监测至关重要.地面站点监测是获取大气P M２．５污染状况最为直接的手段[２Ｇ３],然而,监测站点建设成本高昂㊁实施难度较大,空间分布相对较为稀疏,难以实现大范围空间连续监测.遥感卫星能够提供大范围的观测数据,有效弥补了地面监测站点分布稀疏这一不足[４Ｇ５].利用卫星遥感技术监测气溶胶的研究始于２０世纪七㊁八十年代[６],而大气P M２．５遥感定量反演则是在近十几年取得了蓬勃的发展.初期,主要利用简单回归方法及大气模式对P M２．５遥感反演进行探究,文献[７]利用化学传输模型与卫星观测数据绘制了２００１ ２００６年全球大气P M２．５平均浓度分布图,引发了国际社会的广泛关注;其后,随着地面监测网的发展,基于统计模型的反演方法发第１２期沈焕锋,等:大气P M２．５遥感制图研究进展展十分迅速,由全局简单回归模型发展到顾及时空异质性的高级统计模型㊁由线性模型发展到非线性模型,并引入了气象条件㊁土地利用等诸多影响因素.目前,大气P M２．５遥感反演技术日趋成熟,在大气环境监测应用中发挥着重要的作用.本文主要从大气P M２．５遥感反演与验证㊁大气P M２．５偏差校正与无缝制图两方面进行综述,并总结大气P M２．５遥感制图的前沿研究方向.１㊀大气P M２．５遥感反演与验证１．１㊀大气P M２．５遥感反演方法基于卫星遥感的大气P M２．５反演研究通常采用卫星气溶胶光学厚度(a e r o s o lo p t i c a ld e p t h,A O D)产品,其方法主要可归为以下４类(图１).①模式比例因子法[７Ｇ１０].利用大气化学传输模型模拟A O D与大气P M２．５的比例因子,从而由遥感A O D数据估算地面大气P M２．５浓度.其优势在于不依赖地面站点大气P M２．５数据,直接由卫星观测值反演大气P M２．５浓度,然而,其模型结构与模拟过程十分复杂,并且污染物排放清单常常存在较大的不确定性,这往往导致大气P M２．５反演精度有限.②基于物理机理的半经验法[１１Ｇ１３].基于物理机理,建立卫星A O D与地面大气P M２．５的物理关系方程,其优势在于具备严密的理论推导,然而参数的求解一般需要通过经验统计关系拟合.③统计模型与机器学习方法[１４Ｇ１９].构建卫星A O D与站点大气P M２．５之间的定量关系,并将此关系扩展至面域大气P M２．５反演.该类方法易于实现,并且精度较高,是目前大气P M２．５遥感反演最为流行的手段.④混合模型.将上述方法混合使用,较为流行的方式是首先通过大气模式模拟[２０Ｇ２２]或其与遥感A O D结合[２３](即第１类方法)得到初始大气P M２．５数据,其次将该初始大气P M２．５数据作为统计模型与机器学习的建模输入变量.图１㊀大气P M２．５遥感反演方法示意F i g．１㊀S c h e m a t i c o f a t m o s p h e r i cP M２．５r e m o t e s e n s i n g r e t r i e v a lm e t h o d s㊀㊀在上述４类方法中,基于统计模型与机器学习的方法已经成为大气P M２．５遥感反演最为重要的技术途径,以下进行详细阐述:(１)简单回归模型.２００３年,文献[１９]首次定量探讨了卫星观测A O D与地面站点大气P M２．５的相关性,论证了卫星A O D用于地面大气P M２．５反演的可行性.在此基础上,A O DＧP M２．５关系容易受到气象因子㊁地形条件等诸多因素影响,多元线性回归模型由此引入到大气P M２．５遥感反演中[１８].值得注意的是,利用多元线性回归构建５２６１D e c e m b e r ２０１９V o l ．４８N o ．１２A G C Sh t t p :ʊx b ．s i n o m a ps ．c o m 站点观测大气P M ２．５及周边地理要素变量间的关系,即为土地利用回归建模[２４].其次,通过分析大气P M ２．５与影响变量之间的数值分布规律,引入数值先验(如指数函数关系),文献[２５]发展了半经验统计模型,其一般转换为多元线性回归模型进行求解.此３类简单回归模型的结构分别如式(１) (３)所示P M ２．５＝β０＋βA O D A OD (１)P M ２．５＝β０＋βA O D A O D＋βX X(２)P M ２．５＝e β０ A O D βA O D e βX X (３)式中,X 指代其他辅助输入变量;β０㊁βA O D 与βX 为模型回归系数.(２)广义可加模型.广义可加模型(ge n e r a l i z e da d d i t i v e m o d e l ,G AM )是简单线性模型的扩展,表现在引入了非线性函数[２６],从而能够描述A O D ＧP M ２．５关系的非线性特征.模型结构如式(４)所示P M ２．５＝βo ＋S A O D A O D ()＋S X X ()(４)式中,S A O D ()与S X ()表示A O D 及其他辅助变量的非线性函数.例如,文献[２７]利用G AM 模型,结合卫星A O D ㊁气象㊁土地利用等辅助数据,对地面大气P M ２．５浓度估算进行建模.该方法对预测变量间的交互作用顾及不足,仅能通过手动添加交互项进行弥补.(３)线性混合效应模型.上述回归模型一般建立大气P M ２．５浓度与影响因素间的全局关系,并没有考虑A O D ＧP M ２．５关系的时空异质性.线性混合效应(l i n e a rm i x e d e f f e c t s ,L M E )模型[１６,２８Ｇ３０]通常在时间维度上添加随机效应,用以考虑A O D ＧP M ２．５关系的时间异质性,如式(５)所示P M ２．５＝β０＋β０,t ()＋βA O D ＋βA O D ,t () A O D＋βX X (５)式中,β０与βA O D 为不随时间而变的模型固定效应系数,而β０,t 与βA O D ,t 则为模型随机效应系数,随时间而改变,反映A O D ＧP M ２．５关系的时间变异性.需要注意的是,L M E 模型在时间维度上能够反映A O D ＧP M ２．５关系的变异性,而在空间维度上是全局的,即:没有考虑空间异质性.有学者尝试在L M E 建模时添加空间随机效应,但在空间制图过程中,对空间随机效应进行了舍弃处理[３１].该模型基于线性假设,无法反映A O D 与大气P M ２．５间的非线性关系.(４)(时空)地理加权回归.考虑到A O D ＧP M ２．５关系的时空异质性,单时间(如天㊁小时)地理加权回归模型(g e o g r a p h i c a l l y w e i g h t e d r e gr e s s i o n ,GWR )[３２Ｇ３４]利用局部回归技术,构建基于卫星观测A O D 的大气P M ２．５局部估算模型,其结构为公式(６),该模型建立的A O D ＧP M ２．５关系是空间位置的函数.P M ２．５,s ＝β０μs ,v s ()＋βA O D μs ,v s () A O D s ＋βX μs ,v s () X s (６)式中,μs ,v s ()表示空间位置s 处的坐标,即:模型系数随空间位置而改变.然而,此模型仅利用单个时间数据进行建模,没有考虑时间上的依赖性,难以处理单个时间A O D ＧP M ２．５匹配样本较少的情况.此外,进一步引入时间依赖性,时空地理加权回归模型(g e o g r a p h i c a l l y a n d t e m p o r a l l y w e i g h t e d r e gr e s s i o n ,G TWR )[３５Ｇ３６]能够更为有效地应对大气P M ２．５卫星反演问题.其建模思路与GWR 模型类似,主要改进在于引入时间依赖性,即在式(６)的求解过程中加入时间维度信息,进一步提高模型的稳定性.尽管此类模型考虑了时空异质性,但其是基于线性假设的,对A O D ＧP M ２．５关系非线性特征的刻画仍然存在局限.(５)机器学习模型.鉴于卫星A O D 与站点大气P M ２．５间具有很强的非线性关系,A O D ＧP M ２．５关系的机器学习建模是近年来的研究热点.不同于传统统计模型,机器学习是数据驱动的,其优势在于强大的非线性刻画能力.其中,神经网络被率先应用于大气P M ２．５遥感反演[１７,３７],其模型性能相比传统统计模型取得了较大的提高.此外,随机森林[３８Ｇ３９]㊁支持向量机[４０]㊁梯度提升学习[４１]㊁深度学习[４２Ｇ４４]等模型也逐渐得到了学者们的青睐,如文献[４４]利用卷积神经网络(c o n v o l u t i o n a l n e u r a ln e t w o r k ,C N N )估算美国区域的大气P M ２．５浓度,模型结构如图２所示.同时,多种机器学习模型集成(e n s e m b l el e a r n i n g )方法[４５Ｇ４７]在大气P M ２．５卫星估算研究中也得到了较为深入的应用.然而,基于机器学习的大气P M ２．５遥感反演方法仍然存在以下局限:①机器学习模型一般仅仅拟合大气P M ２．５与影响因素之间的数值对应关系,对大气P M ２．５本身的地理和物理特征考虑不足;②机器学习模型的可解释性不强,无法理清大气P M ２．５反演的内在机制;③机器学习模型的训练需要大量样本,在地面６２６１第１２期沈焕锋,等:大气P M ２．５遥感制图研究进展观测样本不足情况下的建模能力有待提升.针对第一点,文献[４３]在深度置信网络(d e e p be l i ef n e t w o r k ,D B N )中引入了大气P M ２．５的时空自相关性,从而发展了地理智能深度学习方法(G e o i ＧD B N ),模型结构如图３所示;同时,顾及P M ２．５与影响因子间关系的时空异质性,文献[４８]发展了地理加权e x t r e m e l e a r n i n g ma c h i n e (E L M )模型,有效提升模型的整体稳健性.图２㊀基于C N N 模型估算大气P M ２．５浓度示意[４４]F i g ．２㊀S t r u c t u r e o fC N N m o d e l f o r t h e e s t i m a t i o no f a t m o s p h e r i cP M ２．５[４４]图３㊀G e o i ＧD B N 模型结构[４３]F i g．３㊀S t r u c t u r e o fG e o i ＧD B N m o d e l [４３]表１㊀常用统计模型与机器学习反演方法的优势与缺陷总结T a b ．１㊀S u m m a r y o f a d v a n t a g e s a n d l i m i t a t i o n s o f t h ew i d e l y Ｇu s e d s t a t i s t i c a l a n dm a c h i n e l e a r n i n g me t h o d s 模型优势缺陷简单回归模型结构简单过于简单,无法刻画复杂关系广义可加模型线性模型的非线性扩展对预测变量间的交互作用顾及不足线性混合效益模型可反映A O D ＧP M ２．５关系时间异质性基于线性假设,无法描述A O D ＧP M ２．５关系的非线性特征(时空)地理加权回归考虑了A O D ＧP M ２．５关系的时空异质性基于线性假设,无法描述A O D ＧP M ２．５关系的非线性特征机器学习模型具备强大的非线性刻画能力对物理㊁地理特性顾及不足㊀㊀总结上述模型,其优势与缺陷归纳如表１所示.总而言之,早期简单回归模型由于结构过于简单,目前应用较少.较为流行的是GWR/G TWR ㊁L M E 和机器学习模型,尤其是机器学习模型,近年来取得了快速的发展.其中,对于GWR 和G TWR 模型,在不考虑计算量和调参难７２６１D e c e m b e r２０１９V o l．４８N o．１２A G C S h t t p:ʊx b．s i n o m a p s．c o m度的情况下,应优先选择G TWR模型.同时,与L M E模型相比,G TWR模型进一步考虑了空间异质性,往往能够取得更好的反演效果[３６,４９];当研究区域较小时(空间异质性不强),L M E模型或许能够表现出一定优势,并且其计算效率比G TWR高.其次,机器学习模型具备强大的非线性拟合能力,但对地理相关性与时空异质性的考虑尚显不足,能够两者兼顾的机器学习模型[４３,４８]是新的发展趋势.此外,目前大气P M２．５遥感反演方法通常都采用A O D产品,而A O D产品一般是利用大气辐射传输模型由卫星反射率反演得到的[５０Ｇ５１].那么,能否直接由卫星反射率反演地面大气P M２．５浓度是一个非常值得探讨的问题.文献[５２]基于深度置信网络模型,利用MO D I S红㊁蓝㊁２．１μm 通道表观反射率与观测角度反演地面大气P M２．５浓度;同样地,文献[５３]基于随机森林模型,利用A H I传感器红㊁蓝㊁２．３μm通道表观反射率及相应观测角度进行大气P M２．５估算建模.此类研究利用机器学习模型挖掘卫星反射率与大气P M２．５之间蕴含的潜在关系,避免了A O D反演过程,为大气P M２．５遥感制图提供了新的视角.１．２㊀大气P M２．５遥感反演验证方法基于站点观测对遥感估算结果进行精度验证是通用的方法,因此,交叉验证[５４]常被用于基于统计模型与机器学习的大气P M２．５遥感反演模型的精度验证.当前最为流行的两种方式是留一交叉验证和十折交叉验证,前者将样本(站点㊁区域或时间)逐一用于模型验证,而后者将样本(站点㊁区域或时间)随机平均分成十份,其中一份用于模型验证,重复以上过程,直至所有样本(站点㊁区域或时间)都已用于验证.大气P M２．５遥感反演的验证方法主要可归为５类,其方法特点㊁适用条件和局限性见表２.表２㊀大气P M２．５遥感反演验证方法汇总T a b．２㊀S u m m a r y o f v a l i d a t i o na p p r o a c h e s f o r a t m o s p h e r i cP M２．５r e m o t e s e n s i n g r e t r i e v a l 方法特点局限性基于样本验证[１５,３６Ｇ３７]①将所有样本的时间和位置打乱,随机抽取样本进行精度验证②利用时间维㊁空间维的集成样本集进行精度验证,反映模型的总体预测能力③是目前最常用的验证方法对于同一个站点,其部分时间数据用于建模,而其他时间数据用于验证,即:建模集和验证集含有同一个站点,这与遥感估算的空间扩展目的存在偏差基于站点验证[３１,５５]①利用站点观测进行精度验证,验证站点从未参与建模过程,用于反映空间预测能力②对于利用了站点历史数据的大气P M２．５反演模型(如G TWR),其基于站点验证的性能比基于样本验证的会有较大下降,原因为验证站点的历史数据被用于基于样本的验证,而未用于基于站点的验证由于站点分布不均匀,验证站点附近常常存在建模站点,此验证方法无法反映离站点更远位置处的估算精度基于区域验证[４３,５６]①随机选择某一特定区域(如省份)进行精度验证,反映空间(区域)预测能力②一定程度上缓解了基于站点验证方法的局限性,能够反映离站点较远位置的精度如何选择最优的区域范围具有较大不确定性基于时间验证[５７Ｇ５８]①随机抽取部分时间的站点观测数据进行精度验证,用于反映可获取卫星数据而无法获得地面大气P M２．５的时间预测精度②对于依赖当前时间大气P M２．５数据进行建模的模型(如GWR),无法通过此验证方法进行精度验证适用情况较少历史验证[３０,５９]①利用长时间历史数据对模型的历史预测精度进行验证②与基于时间的验证方法的区别是,基于时间的验证方法随机抽取研究时段内部分时间的数据用于精度验证,而历史验证则利用长时间历史数据,它并不属于交叉验证的范畴收集足够多的历史数据往往存在较大困难㊀㊀总的说来,基于样本验证方法适用于反映模型的整体预测能力,基于站点验证和基于区域验证方法适用于空间预测能力的评估,基于时间验证和历史验证方法则适用于评价模型的时间预测能力.对于大气P M２．５遥感制图而言,最适合的为基于站点的验证方法,因为其与遥感估算的空间扩展目的契合得较好.以全国为研究案例,选择常用的大气P M２．５遥感反演方法并重点关注其空间预测能力,验证结果见表３(表中评价指标R２为决定系数,无单位;R M S E是均方根误差,单位为μg/m３).对于反距离插值㊁L M E和GWR模型而言,基于样本８２６１第１２期沈焕锋,等:大气P M２．５遥感制图研究进展验证的结果与基于站点验证结果相差不大,表明这些模型的总体预测能力与空间预测能力相似.而对于G TWR和G e o iＧD B N模型来说,基于站点验证的性能比基于样本验证的性能有较大下降,原因是这两个模型均利用了站点历史数据进行建模.值得注意的是,对于基于样本㊁基于站点的验证,反距离空间插值比L M E㊁GWR㊁G TWR等常用的遥感反演方法取得了更好的结果.究其原因,地面监测站点的空间分布常常是不均匀的,一般集中在城市中心区域,导致站点之间的距离非常近;在验证过程中,验证站点离建模站点很近.此外,相比于基于样本㊁基于站点的验证结果,各模型基于区域(省份)验证的结果均有显著的下降,一定程度上表明,由于站点分布不均匀,基于样本验证㊁基于站点验证方法容易高估大气P M２．５遥感估算的精度.因此,如何在大气P M２．５遥感反演模型验证过程中考虑站点的不均匀分布,仍需进一步深入研究.表３㊀基于不同验证方法的常用反演模型性能对比T a b．３㊀P e r f o r m a n c e c o m p a r i s o no fw i d e l yＧu s e d r e t r i e v a lm o d e l s b a s e do nv a r i o u s v a l i d a t i o na p p r o a c h e s模型基于样本验证基于站点验证基于区域(省份)验证R２R M S E R２R M S E R２R M S E反距离插值０．８３１５．９９０．８３１５．７９０．４６２８．８９L M E０．５５２５．７６０．５５２５．８００．４９２７．３５GWR０．７２２０．４６０．７２２０．５４０．５０２７．５４G TWR０．７５１９．５３０．７３２０．２６０．５３２６．５９G e o iＧD B N０．８８１３．０３０．８４１５．３９０．５４２６．１０２㊀大气P M２．５偏差校正与无缝制图２．１㊀卫星反演大气P M２．５合成产品偏差校正卫星反演大气P M２．５数据的时相合成(如月均㊁季均或年均)对污染宏观监控具有重要意义,然而,由于卫星数据的缺失,时相合成一般仅利用能够获取的数据进行平均,这给P M２．５合成数据产品带来了系统偏差,其校正方法主要包括以下两种:(１)比例因子校正法[４９,６０].以站点观测大气P M２．５均值为真值(无采样偏差),计算其与用于建模的站点大气P M２．５观测均值(与卫星观测对应,含有采样偏差)之间的比例因子,并进行空间插值,从而对卫星反演大气P M２．５合成产品偏差进行校正,可表示为C S P M２．５＝A v g G P M２．５,a l lA v g G P M２．５,m o d e l A v g S P M２．５,m o d e l(７)式中,A v g G P M２．５,a l l为站点观测大气P M２．５均值;A v g G P M２．５,m o d e l为用于建模的站点大气P M２．５均值;A v g S P M２．５,m o d e l表示卫星反演大气P M２．５均值;C S P M２．５表示校正后的卫星反演大气P M２．５均值.此方法应用较为广泛,但其局限性在于空间插值的不确定性较大.借鉴比例因子校正法的思想,有学者利用大气模型模拟P M２．５对卫星反演大气P M２．５合成产品偏差进行校正.文献[１０]计算时间连续大气P M２．５模型模拟均值与卫星有效观测时间的大气P M２．５模型模拟均值之间的比例关系,并对相对误差进行分析,表明中国北方易出现低估现象而南方相反.(２)时空信息融合方法[３７].将站点观测进行空间插值,得到大气P M２．５时空无缝浓度初始场;假设不同时相间站点插值结果的差异与卫星反演大气P M２．５结果的差异相等,从而对缺失信息进行预测.模型可表示为L i,p－L i,m＝F i,p－F i,m＋εi,m,p(８)式中,L i,p表示时间p空间位置i的站点插值,而F i,p表示时间p空间位置i的卫星反演值,εi,m,p 为随机误差.该方法的优势在于能够有效利用时空互补信息,其缺陷为地面站点插值的精度有限.图４所示为卫星反演年均大气P M２．５数据示例图,由于数据的缺失,卫星反演大气P M２．５直接合成结果与站点插值数据的空间分布趋势存在较大差异,最明显的表现为华南区域浓度值偏高(与文献[１０]结论相符).经过时空信息融合方法校正后,与站点插值结果在空间分布上基本保持一致.然而,已有研究多针对星Ｇ地联合建模时段内的大气P M２．５制图,基于卫星遥感的大气P M２．５历史预测结果合成产品的偏差校正仍然是一个挑战.分析上述两种方法,前者可利用建模时段内计算得到的校正因子,扩展至历史预测数据的校正,其基本假设为各站点偏差校正因子随时间变化不大,这个假设本身具有较大的不确定性;而后者无法应用于历史数据的偏差校正.综上,对于大９２６１D e c e m b e r ２０１９V o l ．４８N o ．１２A G C Sh t t p :ʊx b ．s i n o m a ps ．c o m 气P M ２．５历史预测结果的偏差校正亟待突破,其可能的解决思路是联合多源卫星观测A O D 或大气模型模拟A O D ,尽量减少A O D 数据的缺失,从而减少或消除历史预测结果合成产品的偏差.图４㊀２０１４年年均大气P M ２．５浓度示意[３７]F i g ．４㊀D i s t r i b u t i o no f a n n u a lm e a na t m o s p h e r i cP M ２．５co n c e n t r a t i o n i n２０１４[３７]２．２㊀卫星反演大气P M ２．５缺失信息重建受云覆盖㊁高亮地表等因素的影响,卫星A O D 数据往往存在空间缝隙,从而导致基于A O D 反演的大气P M ２．５空间信息缺失问题.因此,对于卫星反演大气P M ２．５缺失信息重建的研究主要可归纳为两个方面:一是A O D 缺失信息重建,从而减少或消除大气P M ２．５数据的空间缝隙(图５红色线);二是直接对卫星反演大气P M ２．５进行无缝重建(图５绿色线).图５㊀卫星反演大气P M ２．５重建示意F i g ．５㊀S c h e m a t i co fs a t e l l i t er e t r i e v e da t m o s ph e r i c P M ２．５re c o n s t r u c t i o n (１)卫星A O D 数据重建.对大气P M ２．５遥感反演文献中A O D 重建方法进行归纳,主要包括空间插值㊁多源A O D 数据融合㊁大气P M ２．５站点辅助建模㊁统计回归与机器学习方法等.其中空间插值方法[３４]较早地应用于A O D 数据的重建,适用于缺失区域较小的情况.考虑到多源数据的互补性,文献[１０]融合多传感器A O D 数据,文献[３６]对相同传感器的不同算法A O D 数据进行融合.对于大气P M ２．５站点辅助建模法,文献[６１]首先基于线性假设求解大气P M ２．５站点处的A O D 值,其次利用空间插值对A O D 进行缺失信息重建.统计回归与机器学习方法近年来逐渐流行,通过构建A O D 与其他辅助变量的映射关系,对缺失区域进行预测.文献[５５]利用多重填补法,建立A O D 与模型模拟A O D ㊁气象参量等的关系,实现A O D 数据空间全覆盖;文献[６２]构建A O D 与云雪信息㊁气象参量等的随机森林模型,对A O D 缺失区域进行重建.(２)卫星反演大气P M ２．５数据重建.主要包括两类方法,即:空间平滑方法㊁星Ｇ地时空信息融合方法.其中,空间平滑方法构建卫星有效反演值与区域(或缓冲区)均值㊁空间位置的半参数回归方程,随后对缺失信息进行预测.该方法由K L O O G 团队[６３Ｇ６６]提出,然而并未得到广泛应用,其缺陷在于仅仅利用了空间信息,适用于小面积缺失区域重建.对于星Ｇ地时空信息融合方法[６７],以卫星反演结果为高分辨率数据,以站点插值结果为低分辨率数据,借鉴时空信息融合模型[６８Ｇ７０],对缺失信息进行重建.该类方法引入了其他时相的辅助数据,对大面积缺失区域的重建理论上更具优势.如图６所示,星Ｇ地时空信息融合模型能够对大气P M ２．５缺失区域进行重建,生成小时级无缝大气P M ２．５数据,对提升大气P M ２．５卫星监测能力具有重要意义.０３６１第１２期沈焕锋,等:大气P M ２．５遥感制图研究进展图６㊀２０１６年２月２８日小时级大气P M ２．５无缝重建示例,左边为反演数据,右边为重建数据[６７]F i g ．６㊀E x a m p l e o f h o u r l y a n d g a p l e s s a t m o s p h e r i cP M ２．５co n c e n t r a t i o n o nF e b ．２８,２０１６．L e f t :s a t e l l i t e r e t r i e v e d P M ２．５;r i g h t :g a p l e s sP M ２．５da t a [６７]３㊀总结与展望大气P M ２．５遥感制图经过近十几年的蓬勃发展,取得了可喜的成绩,已经得到了较为广泛㊁深入的应用.本文主要从大气P M ２．５遥感反演与验证㊁大气P M ２．５无缝制图两方面进行了综述,需要说明的是,影响大气P M ２．５遥感制图精度的因素很多,如卫星数据的时空分辨率㊁A O D 产品自身的质量㊁输入变量的筛选等[７１],然而,本文旨在梳理大气P M ２．５遥感反演与制图的模型与方法,上述影响因素并非是本文的重点,有待于将来进一步梳理与总结.当前,大气P M ２．５遥感制图仍是国内外的研究热点,其前沿方向主要包括:(１)时空大数据支持的大气P M ２．５遥感制图.大气P M ２．５的时空分布受到气象㊁地形㊁土地利用㊁人为活动等诸多因素的影响,这给大气P M ２．５精确制图带来了挑战.时空大数据技术的发展为大气P M ２．５遥感制图带来了新的机遇,基于时空大数据筛选对大气P M ２．５精确制图具有重要贡献的变量,构成能够深入解释与表征大气P M ２．５时空变化的样本集;引入深度学习技术,自动学习与大气P M ２．５相关的本因特征,深度挖掘时空大数据中蕴含的复杂关系,提高大气P M ２．５遥感制图的精度.(２)物理/地理约束的机器学习反演模型.基于机器学习的大气P M ２．５遥感反演是近些年来国内外的研究热点,已经取得了长足的进展,然而,对大气P M ２．５自身物理㊁地理特性的考虑尚显不足.当前机器学习模型在模拟大气P M ２．５反演物理模型方面有少许尝试,但如何构建物理关系的正则化约束准则需要进一步研究.与此同时,地理相关性㊁时空异质性与机器学习结合的框架取得了一定的突破,然而,在时空自适应参数选择㊁优化求解等方面仍有待提升.(３)新型卫星与低成本地面监测网的融合.大气P M ２．５遥感制图已取得了快速的发展,但在区域尺度精细监测应用中仍存在诸多限制.随着卫星遥感技术的发展,新型卫星(如中国的风云四号㊁高分五号,日本的H i m a w a r i Ｇ８/Ｇ９等)传感器设计更为先进,能够提供更高时间㊁空间㊁光谱分辨率的观测数据,对大气P M ２．５高时空分辨率动态制图具有天然的优势.此外,地面低成本小传１３６１。
利用MODIS数据反演大气AOD及PM2
利用MODIS数据反演大气AOD及PM2 .5浓度空气质量是人们生活中的重要问题，特别是在一些大城市，PM2.5浓度高的情况经常发生，导致了严重的健康问题。
因此，对于大气PM2.5浓度的监测和预测就显得尤为重要。
近年来，利用遥感技术反演大气PM2.5浓度的方法越来越受到关注，这种方法的优点是可以获取全球范围内的PM2.5数据，具有实时性和全面性，可以更好地开展大气环境管理工作。
本文主要介绍利用MODIS数据反演大气AOD及PM2.5浓度的方法。
一、MODIS数据简介MODIS（Moderate Resolution Imaging Spectroradiometer）是由美国宇航局（NASA）和国家航空航天局（NOAA）合作设计并发射的一种用于地球观测的卫星传感器。
它的主要任务是提供高分辨率、全球性、高时空分辨率的遥感数据，为全球大气、海洋和陆地环境监测提供支持。
MODIS传感器包含36个波段，覆盖范围包括可见光、近红外和红外波段。
MODIS数据是用于大气、海洋、陆地和冰盖研究的主要遥感数据之一，已经成为全球监测与预测大气和海洋轨迹、地表覆盖变化等研究的重要工具。
二、大气AOD反演方法大气AOD（大气消光系数）是指在大气中传播的光线在一定路径上能量损失的程度，是一个衡量大气透明度的指标。
通过对AOD的反演，可以得到某一航迹上特定时刻的大气光学厚度，从而可以估算出大气中颗粒物的浓度。
目前，主要的AOD反演方法有两种：基于空间变化模型的方法和基于统计模型的方法。
基于空间变化模型的反演方法主要是基于能见度和光学理论，利用空间变化的模型来研究AOD的反演。
这种方法基于空间密集的监测站点，利用气象观测数据、大气动力学模型和光学研究，通过统计学分析来估算出大气AOD。
这种方法需要高空间密度的监测台站，但是可以估算出时空分布更为准确的AOD数据。
基于统计模型的反演方法是利用遥感数据和实地监测数据，通过建立统计模型来真实地估算AOD。
基于遥感数据的中原城市群PM2.5与城市化水平的时空耦合关系及影响因子研究
基于遥感数据的中原城市群PM2.5与城市化水平的时空耦合关系及影响因子研究基于遥感数据的中原城市群PM2.5与城市化水平的时空耦合关系及影响因子研究引言：空气污染已成为全球关注的重要环境问题之一。
尤其是中国，城市化进程快速推进，导致许多大中城市面临着严重的空气质量问题。
中原城市群作为中国的经济中心，也面临着严峻的空气污染挑战。
因此，研究中原城市群PM2.5与城市化水平的时空耦合关系及其影响因子，对于理解空气污染形成机制和提出相应的控制策略具有重要意义。
第一部分：研究背景与目的中国的空气质量状况一直备受关注，而中原城市群作为中国的经济中心之一，其空气污染问题更加突出。
因此，本研究旨在探究中原城市群PM2.5浓度与城市化水平的时空耦合关系，并分析影响PM2.5浓度的因素，以期为制定更有效的空气污染治理政策提供科学依据。
第二部分：研究方法与数据1. 数据来源：本研究采用的数据主要包括中原城市群的PM2.5浓度遥感数据和相应地区的城市化水平数据。
2. 研究方法：首先，利用遥感技术获取中原城市群的PM2.5浓度数据，并进行空间插值得到高分辨率的PM2.5浓度分布图。
然后，结合城市化水平数据，采用时空统计分析等方法，探究二者之间的关系。
最后，利用统计学方法分析影响PM2.5浓度的因素。
第三部分：研究结果与讨论1. 中原城市群PM2.5浓度时空分布特征：通过对遥感数据的分析，发现中原城市群的PM2.5浓度在不同城市之间存在显著差异，并呈现出明显的时空变化规律。
其中，工业发达地区的PM2.5浓度高于农业地区。
2. PM2.5浓度与城市化水平的时空耦合关系：通过时空统计分析，发现城市化水平与PM2.5浓度呈正相关关系，即城市化水平越高，PM2.5浓度越高。
此外，不同城市化水平的影响程度也存在差异，大型城市的PM2.5浓度更高。
3. 影响PM2.5浓度的因素：除了城市化水平外，本研究还分析了其他影响因素，如交通状况、工业排放等。
卫星遥感影像反演PM2.5并行算法研究与应用
卫星遥感影像反演PM2.5并行算法研究与应用目录摘要 (I)ABSTRACT ......................................................................................................... ...... III 1 绪论.. (1)1.1 研究背景及意义 (1)1.2 国内外研究现状 (2)1.3 研究内容概述 (5)1.4 论文组织结构 (6)2 PM2.5反演算法 (7)2.1 气溶胶光学厚度 (7)2.2 气溶胶光学厚度反演 (7)2.2.1 辐射传输原理 (8)2.2.2 反演过程 (9)2.3 AOD-PM2.5模型 (12)2.4 本章小结 (13)3 并行反演PM2.5算法的设计与实现 (15)3.1 并行处理技术 (15)3.2 MPI概述 (16)3.2.1 MPI常用函数 (17)3.2.2 MPI组通信 (17)3.2.3 MPI设计模式 (19)3.2.4 MPI实现方式 (19)3.3 并行构建PM2.5查找文件的设计与实现 (20)3.3.1 设计思想 (20)3.3.2 设计过程 (22)3.3.3 实验环境 (30)3.3.4 实验数据 (31)3.3.5 实验结果 (32)3.4 并行反演PM2.5的设计与实现 (34) 3.4.1 设计思想 (34)3.4.2 设计过程 (36)3.4.3 实验环境 (38)3.4.4 实验数据 (40)3.4.5 实验结果 (40)3.4.6 反演结果展示 (44)3.5 本章小结 (47)4 PM2.5监测系统的设计 (49)4.1 相关技术介绍 (49)4.1.1 Android简介 (49)4.1.2 消息推送简介 (50)V4.1.3 消息推送原理及实现方式 (52) 4.2 总体框架 (53)4.2.1 服务器端 (54)4.2.2 手机端 (54)4.2.3 网络 (54)4.3 详细设计 (54)4.3.1 服务器端设计 (55)4.3.2 手机端设计 (58)4.4 实验结果 (60)4.4.1 实验环境 (60)4.4.2 模拟结果 (60)4.5 本章小结 (61)5 总结与展望 (63)5.1 主要研究成果和创新点 (63)5.2 存在的不足和进一步工作展望 (63)参考文献 (65)致谢 (71)攻读学位期间发表的学术论文与参加的项目 (73)VI1 绪论11 绪论1.1 研究背景及意义近年来，我国大气污染物排放量明显加剧，出现了以华北平原、长三角和珠三角地区为主的大范围能见度下降以及区域性污染严重的问题，空气质量和大气污染问题越来越引起人们的关注[1]。
基于遥感数据估算近地面PM 2.5 浓度的研究进展
基于遥感数据估算近地面PM 2.5浓度的研究进展杨晓辉1，肖登攀1*，王 卫2,3，柏会子1，唐建昭1，范丽行2,31. 河北省科学院地理科学研究所, 河北省地理信息开发应用工程技术研究中心, 河北 石家庄 0500112. 河北师范大学地理科学学院, 河北 石家庄 0500243. 河北省环境演变与生态建设实验室, 河北 石家庄 050024摘要： 卫星反演的气溶胶光学厚度(AOD)具有广泛的空间覆盖度和相对较高的时空分辨率. 基于AOD 与PM 2.5的相关关系来估算PM 2.5浓度已成为监测近地面PM 2.5的有效途径，其估算结果较可靠，能够为治理PM 2.5污染提供数据基础和科学依据. 从反演AOD 数据集和PM 2.5浓度估算模型2个方面进行梳理归纳，从卫星轨道运行类型角度分析各类传感器的产品特征，并对缺失AOD 的插补方法进行分类评价；对PM 2.5浓度的估算模型进行比较分析，指出不同模型的优缺点和适应性. 结果表明：①各类卫星传感器均具有特定功能及优缺点，其中地球同步轨道(GEO)卫星的快速发展，使其在估算PM 2.5浓度的应用上越来越广泛.②插补后的AOD 比AOD 初始产品具有更连续的时空分布和更高的准确性，基于模型的多变量估算不仅可以实现数据的全面覆盖，还可以获得更好的估算精度. ③组合模型成为估算PM 2.5浓度的重要方法，机器学习模型的加入能够有效提高PM 2.5浓度的估算精度. 研究显示，利用AOD 估算近地面PM 2.5浓度不仅弥补了地面PM 2.5监测的空间不连续性，更有助于解析PM 2.5浓度的时空分布特征及污染来源.关键词： PM 2.5；气溶胶光学厚度(AOD)；插补方法；经验统计模型；遥感反演中图分类号： X513文章编号： 1001-6929（2022）01-0040-11文献标志码： ADOI ： 10.13198/j.issn.1001-6929.2021.10.14Research Progress of Ground-Level PM 2.5 Concentration Estimation Based on Remote Sensing DataYANG Xiaohui 1，XIAO Dengpan 1*，WANG Wei 2,3，BAI Huizi 1，TANG Jianzhao 1，FAN Lihang2,31. Institute of Geographical Sciences, Hebei Academy of Sciences, Hebei Engineering Research Center for Geographic InformationApplication, Shijiazhuang 050011, China2. College of Geography Science, Hebei Normal University, Shijiazhuang 050024, China3. Hebei Laboratory of Environmental Evolution and Ecological Construction, Shijiazhuang 050024, ChinaAbstract ：Satellite-retrieved aerosol optical depth (AOD) has broad spatial coverage and relatively high spatio-temporal resolution.Estimating PM 2.5 concentrations based on the correlation between AOD and PM 2.5 has become an effective method for monitoring the ground-level PM 2.5. The estimation results are reliable and can provide data and scientific basis for the treatment of PM 2.5 pollution. The inversion AOD dataset and PM 2.5 concentration estimation model were sorted out and summarized. The product characteristics of various sensors were analyzed from the perspective of satellite orbit operation type. Moreover, the gap-filling methods on AOD missing data were analyzed in detail. In addition, the PM 2.5 concentration estimation models were compared to analyze their advantages, disadvantages and adaptability. The results suggest that: (1) Various satellite sensors have specific functions, advantages and disadvantages. The rapid development of geosynchronous orbit (GEO) satellites is widely used for estimating PM 2.5 concentrations. (2) AOD after gap-filling has a more continuous spatiotemporal distribution and higher accuracy than the original AOD product. The model based on multivariate estimation can not only achieve comprehensive coverage of data, but also obtain better estimation accuracy. (3) The combined model has become an important method for estimating PM 2.5 concentrations. The inclusion of machine learning models can effectively improve the收稿日期： 2021-08-15 修订日期： 2021-10-19作者简介： 杨晓辉(1996-)，女，山东青岛人，1131066837@ .* 责任作者，肖登攀(1982-)，男，河北张北县人，研究员，博士，主要从事气候变化与农业生态研究，xiaodp@ 基金项目： 国家自然科学基金项目(No.41471091)；河北省科学院高层次人才培养与资助项目(No.202201)Supported by National Natural Science Foundation of China (No.41471091)；High-Level Talents Training and Subsidy Project of Hebei Academy of Science ，China (No.202201)第 35 卷 第 1 期环 境 科 学 研 究Vol.35，No.12022 年 1 月Research of Environmental SciencesJan.，2022accuracy of PM2.5 estimation. Overall, using AOD to estimate near-ground PM2.5concentrations compensates for the spatial discontinuityof ground PM2.5 monitoring, and is more helpful in analyzing the spatiotemporal distribution characteristics of PM2.5concentrations andpollution sources.Keywords：PM2.5；aerosol optical depth (AOD)；gap-filling methods；empirical statistical model；remote sensing inversion随着全球城市化和工业化的快速发展，空气污染物人为排放量居高不下，其中PM2.5(粒径≤2.5 μm的细颗粒物)已成为空气污染最严重的污染物之一. 研究[1-3]表明，短期或长期接触PM2.5会对人类健康产生不利影响，导致慢性阻塞性肺炎、心脏病和癌症等疾病的发病率及死亡率均增加. 世界卫生组织(WHO)相关数据[4]表明，每年约有420和700万人死于环境空气污染和颗粒物空气污染. 在中国，特别是一些高人口密度、高污染地区(如京津冀地区[5]、长三角地区[6-7])，PM2.5污染是导致人口过早死亡的主要风险因素之一[8]. 目前，PM2.5污染已成为公众、科研人员和政策制定者关注的焦点问题.PM2.5浓度及空间分布的监测手段主要包括地基监测和卫星遥感反演. 地基监测得到的监测结果较精确，但往往站点数量有限，分布稀疏且不均匀，使得监测结果缺乏空间连续性. 我国在2013年才建立地基监测网络，长期历史监测和数据空间连续性的缺失，导致针对PM2.5慢性影响的流行病学与健康效应研究相对有限. 遥感监测技术可利用卫星反演的气溶胶光学厚度(aerosol optical depth，AOD)对研究区域内PM2.5进行广泛监测，能够弥补地面监测站点“空间有限性”这一缺点[9-11]. AOD是衡量气溶胶阻止光穿透大气层程度的物理量，描述气溶胶对光的削减作用. 在可见光和近红外波段反演的AOD对粒径大小在0.1~2 μm之间(接近PM2.5的粒径)的颗粒最敏感，是建立AOD-PM2.5相关关系的重要理论基础[12-13]. 研究者开始不断探索并建立二者之间关系的模型，并通过提高AOD的时空分辨率以及加入各种相关变量来提高模型模拟的精度，以期更加精确地估算近地面PM2.5浓度.该研究对反演AOD数据集和PM2.5浓度估算模型两个方面的研究和发展趋势进行总结，结合国内外相关研究现状，从轨道运行类型入手，比较各类型传感器的优缺点，并对AOD插补方法进行详细分析，此外对PM2.5的估算模型作了分类和比较，以期为控制PM2.5污染提供方法论基础.1 AOD数据集1.1 AOD卫星传感器用于估算近地面PM2.5浓度的AOD产品有多种来源，并且不同数据源分辨率不同. 目前，遥感卫星可以搭载在两种不同轨道上反演AOD，分别为近地轨道(LEO)和地球同步轨道(GEO). 用于AOD反演的LEO卫星传感器主要有甚高分辨率扫描辐射计(AVHRR)、臭氧监测仪(OMI)、中分辨率成像光谱仪(MODIS)、多角度成像光谱仪(MISR)、地球反射偏振测量仪(POLDER)、云-气溶胶正交极化激光雷达(CALIOP)、可见光/红外成像辐射仪(VIIRS)和电荷耦合元件成像仪(CCD)等；GEO卫星传感器主要有地球同步海洋水色成像仪(GOCI)、先进葵花成像仪(AHI)、多通道扫描成像辐射计(AGRI)、旋转增强型可见光和红外成像仪(SEVIRI)、可见红外自旋扫描辐射计(VISSR)和先进基线成像仪(ABI)等. 各种检索气溶胶信息的卫星传感器属性如表1所示.LEO卫星提供的AOD产品具有广阔的空间覆盖和高空间分辨率，但只能每日或几日获取一次全球气溶胶观测数据. 因此，利用LEO卫星反演的AOD 产品可以估算近地面PM2.5的日、月、年浓度，但每小时PM2.5浓度的估算受到输入数据的限制. 此外，由于LEO是极轨卫星，不能对某星下点连续观测，所以LEO卫星无法同时产生具有更高时间分辨率和更精细空间分辨率的图像[14]. 为了研究PM2.5及其阈值浓度对健康的急性影响，需要对PM2.5浓度进行高时间频率的小时估算，运行在GEO轨道上的地球同步卫星的发展提供了按小时反演AOD的可能性. GEO 卫星有助于监测动态变化，并可提供白天地球固定位置的高频观测，包括在复杂大气条件下变化非常快的AOD[15]. 但这些产品空间覆盖范围局限于特定区域，AOD的检索算法开发和研究周期相对较短.1.2 AOD产品搭载在美国国家航空航天局(NASA)Terra (当地过境时间10:30)和Aqua (当地过境时间13:30)卫星上运行的MODIS，是全球气溶胶反演使用最广泛的传感器[16]，每1~2 d能够实现全球覆盖，具有可靠的质量和直接可用性. 目前，MODIS AOD产品包括三类算法，分别为暗目标(DT)算法、深蓝(DB)算法和多角度大气校正(MAIAC)算法[17] . DT算法适用于黑暗的陆地表面，如植被覆盖区；DB算法适合于明亮陆地表面；MAIAC算法在暗表面上的精度与DT 算法相当或更高，在亮表面上的精度通常高于DB算第 1 期杨晓辉等：基于遥感数据估算近地面PM2.5浓度的研究进展41法. DT和DB算法反演的AOD数据空间分辨率分为10和3 km两种，MAIAC算法反演的AOD空间分辨率为1 km. 许多研究比较MODIS三种不同空间分辨率数据估算近地面PM2.5浓度的效果，发现随着空间分辨率的提高，模拟效果越好，提供的PM2.5浓度空间分布细节更精细[18-20].不同于MODIS的单一星下观测点，同样搭载在Terra卫星上发射的MISR传感器通过多个倾斜角度和多通道对大气进行观测，具有强大的气溶胶反演算法功能，空间分辨率为17.6 km (Version 22)，其数据质量在多地得到了验证[21-22]. 2017年，MISR气溶胶团队推出了空间分辨率为4.4 km的MISR AOD产品(Version 23)[23]. 2020年，Si等[24]验证了2008−2017年4.4 km MISR AOD产品在中国的质量，其与AERONET (气溶胶地基观测网络)的相关系数(R)达0.90；并与2016年MODIS (Terra) 3 km AOD产品相比，4.4 km MISR AOD产品与AERONET的R值(0.92)略高于与MODIS (Terra) 3 km AOD的R值(0.90). 但MISR传感器扫描幅宽较小，重返周期较长(2~9 d)，适用于PM2.5浓度长期数据监测，不适用于日常监测[25].2011年发射搭载在Suomi-NPP卫星上的VIIRS 传感器是MODIS的后续设备，它提供两种类型的AOD产品，包括IP AOD和EDR AOD，空间分辨率分别为0.75和6 km[26-27]. 研究[28-30]表明，VIIRS AOD 产品与MODIS AOD产品性能相似，同样适用于估算地面PM2.5浓度. 如Yao等[27]指出，基于VIIRS AOD 的模型可以解释京津冀地区76%的PM2.5浓度变化，优于MODIS AOD模型(71%). Chen等[31]结合机器学习模型首次评估了VIIRS IP AOD在大尺度(中国)、高分辨率PM2.5建模中的潜力，CV R2(交叉验证决定系数)达到0.86. 近期，NOAA (美国国家海洋和大气管理局)提供了一种新的使用EPS算法开发的VIIRS 气溶胶产品−EPS AOD (空间分辨率为 0.75 km).与最初数据使用的IDPS算法[32]相比，EPS算法[33]进行了较大改进，如扩展了AOD的范围，在黑暗和明亮的表面上均适用于检索AOD. 2019年，Li等[34]首次评估了中国大陆近10年来的VIIRS EPS AOD产品，结果表明，VIIRS EPS AOD与AERONET AOD数据高度相关，R达0.91.搭载在韩国COMS卫星的GOCI以及搭载在日本Himawari-8卫星上的AHI是运行在GEO轨道上的传感器[35-37]. Tang等[15]通过使用具有2个随机森林子模型的非参数方法，评估在长江三角洲地区1 km 分辨率下这两个AOD产品估算PM2.5浓度的能力，结果表明，基于GOCI AOD估算的每小时PM2.5浓度和基于Himawari-8 AOD的估算结果均具有较高的精度，CV R2分别为0.860和0.862. 虽然，COMS和Himawari-8卫星检索AOD范围可以涵盖中国大部分地区，但由于观察角度较低，中国中西部的数据并表 1 提供气溶胶信息的主要卫星传感器产品Table 1 The main satellite sensors products providing aerosol information轨道类型卫星传感器空间分辨率/km重返周期/扫描间隔发射时间优缺点LEONOAA AVHRR 1.1 1 d1970年提供具有巨大空间覆盖和高空间分辨率的AOD产品，每日或几日获取一次全球气溶胶观测数据，但不能连续观测. 此外，LEO传感器通常具有更合适的高分辨率通道和更先进的测量特性，如多角度或偏振，用于气溶胶反演的精度更高TerraMODIS10、3、11~2 d1999年MISR17.62~9 d1999年Aqua MODIS10、3、11~2 d2002年Aura OMI13×24 1 d2004年PARASOL POLDER21 ×18 1 d2004年CALIPSO CALIOP5 1 d2006年HJ-1CCD0.03 2 d2008年Suomi-NPP VIIRS6、0.75 1 d2011年GEOCOMS GOCI6 1 h/次2010年GEO轨道AOD的反演精度与LEO轨道AOD产品相近，但时间分辨率更高，从几分钟到1 h不等，可以监测气溶胶的快速日变化和跨界传输.但其空间覆盖范围可能局限于特定区域，而且AOD的检索算法开发和研究周期相对较短Himawari-8AHI510 min/次2014年Meteosat-11SEVIRI315 min/次2015年GF-4PMS/IRS0.520 s/次2015年FY-4A AGRI415 min/次2016年GOES-16ABI210 min/次2016年FY-2H VISSR 1.25、530 min/次2018年GOES-17ABI210 min/次2018年42环 境 科 学 研 究第 35 卷不可用或数据质量较低. 2015年和2016年分别发射的GF-4和FY-4A卫星是中国新一代地球静止气象卫星，为在中国进行全覆盖和高频AOD检索提供了机会[38-39]. 例如，许梦婕等[40]基于FY-4A数据，利用DT算法对京津冀地区AOD进行反演，并与同期AERONET AOD对比验证，R达0.86，说明FY-4A卫星数据反演AOD具有一定可行性. 江琪等[41]基于FY-4A反演的AOD数据，利用改进的PMRS方法估算了中国近地面PM2.5浓度，其反演结果和地面监测结果具有较高的相关性，其中，乌鲁木齐市、石家庄市和徐州市观测点的R值均高于0.7. 此外，风云系列卫星还在不断发射，FY-2H、FY-4B卫星也分别在2018年6月5日和2021年6月13日发射成功. 美国NOAA分别于2016年和2018年发射了GOES-R 系列卫星−GOES-16和GOES-17. 由于与MODIS和VIIRS具有相似的仪器设计和检索算法，并且具有高时间分辨率，搭载在两颗卫星上的ABI传感器反演的AOD具有类似于MODIS和VIIRS的准确性[42].此外，Zhang等[43]开发了一种经验偏差校正算法用于校正ABI AOD，校正后的ABI AOD与AERONET AOD的R值达0.79，该算法已在NASA上使用.1.3 AOD非随机性缺失由于多云天气、积雪和高地表反射率等因素，导致AOD出现大量非随机缺失[44]. 此外，卫星的轨道模式、地形因素以及其他环境也会造成AOD缺失[45].例如，AOD的测量值因森林火灾会出现异常大的情况. 因此，基于可用的每日AOD数据估算的每日PM2.5浓度具有较高的缺失率，PM2.5月度或年度水平的进一步计算不可避免地会因估算的每日PM2.5浓度的非随机缺失而产生偏差. 由此可见，AOD的非随机性缺失是一个非常严重的问题.很多研究试图解决AOD在空间和时间上缺失的问题，该研究总结了现有的AOD插补方法，主要包括多源AOD数据融合、空间插值、基于模型的多个变量估算及其组合应用(见图1).多源AOD数据融合可分为多种卫星产品的融合和不同检索算法的融合. 前者通常使用不同卫星(如Terra和Aqua卫星)[46-48]的相同AOD反演算法进行融合，后者使用同一卫星不同的AOD反演算法(如MODIS DB和MODIS DT算法)[49]进行融合. 目前，多数研究[50-51]是将二者结合进行AOD数据的融合. 尽管它们可以填补一些缺失值，但通常并非所有缺失的AOD值都可以高质量恢复. 空间插值是基于数据的单一参数估计来填补AOD数据中的缺失值，如空间平滑[52]、普通克里金[53]、时空克里金[54]等方法. 该方法具有在清晰的天空条件下提供空间连续产品的优点，但其精度受已知网格AOD数据的数量影响. 基于模型的多个变量估算是指使用各种模型和辅助变量估算AOD的缺失值. 由于使用的辅助变量具有全覆盖的特点，得到的AOD数据也达到完全覆盖，并取得了令人满意的性能. 例如，Zhang等[55]选择了2个随机森林子模型估算缺失的AOD数据，交叉验证结果表明，AOD与子模型之间具有良好的预测性能(R2=0.95)；Bi等[56]开发了包含雪/云分数和气象变量的每日随机森林模型来估算缺失的AOD数据，R2平均值达0.93. 但此种方法也会因辅助变量的数量和质量而产生不同程度的误差[57].目前，上述3种方法的组合应用较为流行. Chen 等[45]开发了一种两步插值方法，即使用混合效应模型和逆距离加权(IDW)插值技术来估算AOD缺失值，整体上AOD缺失率从87.91%(Auqa)和85.47% (Terra)降至融合后的13.83%，并且CV R2达0.76. Jiang等[58]通过融合来自卫星(Himawari-8和MODIS)和大气数值预报模式系统(CAMS)的AOD数据以及其他气象和地理变量，生成全覆盖的AOD数据，其结果与AERONET AOD数据回归后，R达0.72. 综上，组合应用具有良好的填充效果，但同时也带来更复杂的插补过程.此外，具有完整时空覆盖的AOD可以从化学传输模型(CTM)或全球监测和卫星数据同化系统中获取，如社区多尺度空气质量(CMAQ)建模系统以及现代研究和应用的回顾性分析-版本2 (MERRA-2)等，已有研究[59-61]将它们作为代理变量用于估算缺失的AOD值.图 1 AOD缺失值主要插补方法Fig.1 The gap-filling methods of missing AOD第 1 期杨晓辉等：基于遥感数据估算近地面PM2.5浓度的研究进展432 PM 2.5浓度估算模型利用AOD 和近地面PM 2.5数据之间的关系来估算PM 2.5浓度的方法主要分为三类，包括机器学习在内的经验统计方法、基于化学传输模型方法和半经验公式等其他方法(见图2). 三类建模方法的优缺点如表2所示. 每种方法的性能取决于研究区域、研究时期以及数据的空间和时间分辨率，单一方法在不同的应用程序中并不总是表现最佳[62].图 2 基于卫星AOD 数据的PM 2.5浓度估算方法Fig.2 Methods for PM 2.5 concentrations estimation using satellite-based AOD data表 2 不同方法估算PM 2.5浓度方法的优缺点Table 2 Summary of advantages and disadvantages of usedapproaches for estimating PM 2.5 concentrations方法优点缺点基于CTM 方法无需PM 2.5地面监测数据；可以提供预测数据；可以插补AOD 的缺失值并提供连续数据；能够解释影响AOD-PM 2.5关系的多种因素成本相对较高；受污染物排放清单、模型参数化不确定等影响，不确定性较高经验统计方法可以在没有了解复杂的化学和物理相互作用的情况下进行估算；可以根据区域等研究特性选择不同的输入变量、不同的适宜模型；机器学习模型可以很好地解释AOD-PM 2.5之间的非线性关系，容纳不断增长的数据规模依赖于地面监测数据；引入变量越多，数据量越大，变量间非线性关系越复杂；难以反映输入变量之间的物理化学相关性其他方法半经验公式构建物理机制，不依赖于地理数据；垂直订正可以根据近地表条件校正大气柱AOD 来增加其与PM 2.5的相关性半经验公式难以完全表达AOD-PM 2.5复杂的物理机理，而且数据获取难度大；垂直订正方法未考虑PM 2.5垂直分层结构2.1 统计回归模型前期研究基于AOD-PM 2.5之间的线性关系建立线性回归模型(SLR)，得到较好的拟合结果[63-64]. 但由于排放和气象条件变化影响，这种关系在不同的地区和时间都会产生变化. 通过纳入更多气象变量(包括相对湿度、温度、风速和行星边界层高度等)，多元线性回归模型(MLR)可以更好地表示AOD-PM 2.5关系[65-66]. 目前，相关研究通常用MLR 模型作为其他模型的对比模型，或结合其他模型来更好地估算PM 2.5浓度. 例如，Li 等[67]开发了一个广义回归神经网络模型(GRNN)来估算中国的PM 2.5浓度，相比MLR 模型(CV R 2=0.53)，其CV R 2达0.82；Chelani 等[68]通过建立MLR 模型和MLR 残差模型的组合模型估算了印度5个城市的PM 2.5浓度，结果表明组合模型优于MLR 模型；Ahmad 等[69]开发了MLR 模型与人工神经网络(ANN)相结合的方法，利用AOD 、土地利用和气象参数估算了2015−2017年巴基斯坦卡拉市的PM 2.5浓度，R 2值范围为0.76~0.96.土地利用回归模型(LUR)是在MLR 模型的基础上考虑土地利用的相关变量，这些变量主要反映研究区的环境特征，如工业用地面积、道路长度、交通量和人口密度等[44]. 许刚等[70]选取土地利用、道路交通、人口密度、工业污染源、高程和气象变量6类预测变量与PM 2.5建立LUR 模型，模拟京津冀2013年PM 2.5浓度空间分布，CV R 2达0.78. Li 等[71]建立了季节性MAIAC AOD 与北京市实测地面PM 2.5浓度的关系，开发了季节性的LUR 模型，结果表明，将AOD 纳入LUR 模型可以提高模型在春季的性能并44环 境 科 学 研 究第 35 卷在测试过程中提供更可靠的结果.上述方法既没有考虑到影响AOD-PM2.5相关关系的预测变量具有时间变化特性，也没有考虑到二者关系在空间上的非恒定性. Lee等[72]在2011年提出的线性混合效应(LME)模型使用固定和随机的斜率和截距对预测变量进行校准，以建立AOD-PM2.5的关系(CV R2=0.92). 其中，随机效应反映了变量随时间或监测站的变化，固定效应是AOD对PM2.5浓度的平均效应，不受时间和监测站变化的影响[57]. 在此基础上，孙成等[73]建立了PM2.5浓度与MODIS AOD、气象变量、土地利用变量之间的LME模型，CV R2达0.77. Ma等[74]提出了嵌套LME模型，包括AOD-PM2.5关系的嵌套月、周和日特定随机效应，估算了长江三角洲PM2.5浓度(CV R2=0.67). Kloog等[52]提出了三阶段LME模型，并在英格兰地区验证了该模型的可行性(CV R2=0.83). Wang等[75]基于AHI AOD构建了时空线性混合效应(STLME)模型，估算了2018年京津冀地区PM2.5浓度的小时值(时间维CV R2=0.75，空间维CV R2=0.83). 目前，许多研究仍使用LME模型估算PM2.5浓度，但往往会加入AOD补值模型或更多模型来提高估算精度.Brunsdon等[76]基于“回归系数是线性回归中观察点空间位置的函数”的假设，根据观察点之间的距离分配空间权重，提出了地理加权回归(GWR). Hu 等[77]将AOD引入GWR并进行了美国PM2.5浓度的估算. 之后，Ma等[78]提出了每日GWR模型，并证实在模型中加入气象和土地利用信息可以大幅提高模型性能. 在此基础上，为了更好地同时捕捉空间和时间的异质性，Bai等[79]提出了地理时间加权回归模型(GTWR)，并证实其比单个GWR模型具有更好的性能. 为了在AOD缺失时更好地估算PM2.5浓度，He 等[80]开发了改进的地理和时间加权回归模型(iGTWR)，该模型结合了数据中的季节性特征，在具有成对AOD-PM2.5样本的天数内实现了与标准GTWR 模型相当的性能，并且在没有AOD-PM2.5数据对的天数内显示出更好的预测能力. 同时，He等[81]结合内点算法(IPA)又开发了时空回归模型，用于估算每日PM2.5浓度，取得了良好的验证效果(CV R2=0.80).此外，在GTWR模型中添加交互项(二次项)可以更好地描述非线性效应[82].除上面提到的模型外，其他研究还使用了广义加和(GAM)模型[83-84]、克里金插值法[85]或非线性回归模型. 这些PM2.5估算模型都将AOD作为主要的自变量，但模型的可预测性受到限制，其R2普遍较低，并且在不同地区之间存在差异. 不过，这些模型已逐渐优化或集成到其他模型中.2.2机器学习模型机器学习模型可以较好地处理变量间的非线性关系，容纳不断增长的数据规模和预测变量[86-87]，被广泛应用到估算近地面PM2.5浓度. 机器学习模型主要分为3种，分别为决策树类模型、内核类模型和神经网络类模型.在决策树类模型中，较为流行的模型包括随机森林(RF)、梯度提升决策树(GBDT)、梯度提升机(GBM)和极端梯度提升(XGB). Wei等[47]开发了时空随机森林(STRF)模型，估算了2016年中国1 km分辨率下每日PM2.5浓度，并证实其性能优于部分统计回归模型(MLR、GWR和LME+GWR). 目前，使用RF模型及改进模型进行PM2.5浓度估算的研究还在持续增加[58,88-90]. GBDT在处理复杂的相关变量时表现出较大的鲁棒性和泛化能力，优于RF模型[86]. 此外，GBM 和XGB是具有代表性的boosting方法，具有减少模型偏差和方差的优势，但两种方法都存在过拟合问题，需要调整模型参数[44].基于机器学习和泛化理论的支持向量机(SVM)是使用内核类模型的代表性算法. 与其他机器学习模型相比，具有较好的性能[91-92]. 此外，有研究对SVM 进行优化或将其集成到其他模型中. 例如，Hou等[93]基于AOD和气象参数，建立连续超松弛支持向量回归(SOR-SVR)模型估算PM2.5浓度，R2达0.87. Yang 等[94]提出了一个结合LME和SVM的两阶段统计模型，估算福州市近地面PM2.5浓度，R2达0.81.神经网络算法已被用于估算PM2.5浓度，包括人工神经网络(ANN)、深度神经网络(DNN)、反向传播神经网络(BPNN)、广义回归神经网络(GRNN)和深度信念网络(DBN)等. 目前，各种典型神经网络模型已经通过应用结构变形来提高PM2.5估算的准确性.例如，Li等[95]开发了地理智能深度学习(Geoi-DBN)模型，将地理相关性纳入智能深度学习架构，其性能明显优于传统的神经网络. Zang等[96]将PM1.0和PM2.5以及每小时AHI AOD结合成一个改进的广义回归神经网络模型，即PCA-GRNN模型，与传统的GRNN模型(R2=0.67)相比，R2达0.74. Chen等[87]结合了AOD、气象和其他辅助变量，开发了一个自适应深度神经网络(SADNN)模型，估算了2017−2018年每日空间连续的PM2.5浓度，R2达0.86.2.3组合模型为了减少单个模型估算带来的偏差，许多研究第 1 期杨晓辉等：基于遥感数据估算近地面PM2.5浓度的研究进展45开始通过组合2个或多个模型来校准AOD-PM2.5与其他辅助变量之间的时空关系. LME+GWR或LME+GAM模型是最常用的组合方法(见图2)，通过考虑第一阶段模型估算结果与原数据之间的残差，利用第二阶段模型将残差与AOD进行建模. Guo等[97]证实LME+GWR组合模型优于单个LME模型；Ma 等[49]研究发现，LME+GAM模型在估算日尺度PM2.5浓度时存在较大误差，在月和季节水平上表现得更好；Zhang等[98]研究表明，LME+GWR模型优于LME+GAM模型. 此外，Yao等[29]开发的TEFR+GWR 空间结构自适应组合模型，以及Liang等[99]开发的IPW+GAMM+KED三阶段组合模型也达到了估算的理想效果.越来越多的研究通过将机器学习模型加入到组合模型中提高PM2.5估算的精确性，如MLR+ANN 或LME+SVM组合模型，其CV R2范围为0.8~0.9. 机器学习模型的加入能够有效提高PM2.5浓度的估算精度，更好地解释统计回归模型不能量化的变量之间的非线性关系.综上，组合模型比单个模型具有更好的近地面PM2.5浓度估算能力. 但是，额外的步骤可能会使分析过程更加复杂，技术细节可能会更加混乱.3 结论a) 随着仪器质量的逐步提高和检索算法的不断更新，各类卫星反演的AOD产品的质量显著提升，促进了PM2.5浓度时空动态的有效监测. 然而，目前AOD产品还难以同时满足较高的时间和空间分辨率. LEO卫星的AOD产品具有良好的空间分辨率，但没有每小时估算PM2.5浓度的能力. 相比之下，GEO卫星的AOD产品时间频率较高，但空间分辨率相对较低；因此，开发统一的不同产品融合技术的数据库是未来的重要研究方向.b) 使用插补方法可以有效解决AOD在空间和时间上缺失的问题，插补后AOD比原始AOD产品具有更连续的时空分布和更高的准确性. 其中，基于模型的多变量估算可以实现数据的全面覆盖，并获得更好的估算精度；另外，多种插补方法(多源AOD数据融合、空间插值和基于模型的多变量估算)的组合应用具有良好的填充效果，是未来主要的研究和应用方向.c) 基于AOD-PM2.5的相关关系建立的统计回归模型，由于其简单性、较低的预测误差以及通用性，被广泛应用于PM2.5估算，但统计回归模型不能较好地处理数据间的非线性关系；机器学习模型具有处理各种相互作用变量之间复杂非线性关系的能力，并表现出良好的估算性能. 因此，开发高级统计回归模型和机器学习模型将成为近年来大气污染领域的研究热点. 此外，各类机器学习模型和统计回归模型的组合应用成为目前估算PM2.5浓度的重要手段，机器学习模型的加入能够有效提高PM2.5浓度的估算精度.参考文献(References)：LIM S S, VOS T, FLAXMAN A D, et al.A comparative riskassessment of burden of disease and injury attributable to 67 riskfactors and risk factor clusters in 21 regions, 1990-2010: asystematic analysis for the Global Burden of Disease Study 2010[J].The Lancet，2012，380（9859）：2224-2260.［1］熊俊丽, 李彩艳.北京市冬季PM2.5浓度变化特征及估算模型研究[J].环境工程技术学报，2018，8（5）：533-538.XIONG J L, LI C Y.Study on variation characteristics andestimation model of PM2.5concentration in Beijing in winter[J].Journal of Environmental Engineering Technology，2018，8（5）：533-538.［2］GU Y, WONG T W, LAW C K, et al.Impacts of sectoralemissions in China and the implications: air quality, public health,crop production, and economic costs[J].Environmental ResearchLetters，2018，13（8）：084008.［3］世界卫生组织. 大气污染[EB/OL]. 美国: 世界卫生组织网站,2020[2021-10-15]. https://www.who.int/airpollution/en.［4］王情, 朱欢欢, 杜鹏, 等.京津冀及周边地区“十四五”及中长期PM2.5污染控制目标的健康效益预估研究[J].环境科学研究，2021，34（1）：220-228.WANG Q, ZHU H H, DU P, et al.Health benefit of ‘14th Five-Year’ and medium & long-term PM2.5control targets in Beijing-Tianjin-Hebei and its surrounding areas[J].Research ofEnvironmental Sciences，2021，34（1）：220-228.［5］张懿华. 长三角地区PM2.5区域性污染时空变化特征[J]. 环境科学研究, 2021. doi:10.13198/j.issn.1001-6929.2021.09.03.ZHANG Y H. Spatial-temporal characteristics of PM2.5regional pollution in the Yangtze River Delta Region[J]. Research ofEnvironmental Sciences, 2021. doi:10.13198/j.issn.1001-6929.2021.09.03.［6］王晓元, 江飞, 徐圣辰, 等.长三角区域大气重污染应急减排效果评估[J].环境科学研究，2020，33（4）：783-791.WANG X Y, JIANG F, XU S C, et al.Assessment of emergencyemission reduction effect during a severe air pollution episode inYangtze River Delta Region[J].Research of EnvironmentalSciences，2020，33（4）：783-791.［7］WANG Q, WANG J N, HE M Z, et al.A county-level estimate ofPM2.5related chronic mortality risk in China based on multi-model exposure data[J].Environment International，2018，110：105-112.［8］陈辉, 厉青, 王中挺, 等.利用MODIS资料监测京津冀地区近地面PM2.5方法研究[J].气象与环境学报，2014，30（5）：27-37.［9］吴健生, 王茜.基于AOD数据反演地面PM2.5浓度研究进展[J].环［10］46环 境 科 学 研 究第 35 卷。
遥感反演PM2.5的文献阅读笔记
一、PM2.5遥感反演基本原理卫星遥感反演大气气溶胶是基于卫星传感器探测到的大气上界的表观反射率，也是卫星传感器接收到的辐射值L 。
))(1/(),(),(),,,(''0ρτρμτμτμμτa s a s a d v s a S T F L L -⨯+Φ=0L 为整层大气反射的太阳辐射，主要来自于大气中分子和气溶胶的散射贡献； ),(s a d F μτ为太阳下行总辐射；),(s a T μτ为传感器和目标物之间的透过率；'ρ为地表反射率； )(a S τ为大气半球反照率。
由上式可看出卫星观测到的反射率既是AOD 的函数，又是下垫面反射率的函数，如果知道下垫面反射率，并根据不同地区的气溶胶特征确定大气气溶胶的模型就可以得到AOD 。
因此利用AOD 与地面监测指标之间的数学关系，进而建立相应的数学统计模型，这就是基于卫星遥感反演AOD 进而通过统计模型预测PM2.5的基本原理和思路。
二、遥感数据源目前能用于反演PM2.5的遥感传感器主要有云－气溶胶光达和红外探险者卫星观测器CALIPSO 、中分辨率成像光谱仪MODIS 、多角度成像光谱仪MISR 、多角度多通道偏振探测器 POLDER 、大气臭氧总量绘图仪TOMS 和TOMS 的后继者臭氧监测仪OMI 。
目前应用最多的传感器主要是MODIS 和MISR 。
三、PM2.5时空分布计算方法利用遥感反演的AOD 结合影响PM2.5的其他因素，采用统计方法间接计算PM2.5时空分布是当前主要的方法。
其计算方法大体可以分为简单线性模型、多元线性回归模型、人工智能模型和广义加法模型4种。
简单线性模型是利用近地面监测站的PM2.5浓度与AOD 之间的简单二元关系建立的，是较早用于PM2.5反演的模型构建方法。
多元线性回归模型除了考虑AOD 外，还将与PM2.5有相关性的湿度、温度、风速、气溶胶类型、大气边界层高度等因素作为自变量，因此多自变量进行PM2.5多元线性回归，其精度得到显著的提高。
基于遥感技术的大气细颗粒物PM 2.5监测研究进展
基于遥感技术的大气细颗粒物PM 2.5监测研究进展
金洪芳
【期刊名称】《测绘与空间地理信息》
【年(卷),期】2016(039)008
【摘要】PM 2.5已经日渐成为大气中首要的污染物.同时越来越多的研究表明,PM 2.5污染对人们的正常生活会造成严重的影响,有效监测其空间分布对污染防治和健康影响等具有重要意义.利用遥感技术开展PM 2.5监测已经成为重要且有效的手段,遥感影像的空间分辨率不断提高、PM 2.5遥感反演模型的推陈出新,进一步助推和加深了遥感技术在PM 2.5监测领域中的应用.本文通过归纳总结用于PM 2.5反演的主要遥感数据源,并结合PM 2.5遥感反演模型的基本原理,从不同数据源角度综述了PM 2.5遥感监测技术的研究进展,最后展望了现有监测技术存在的问题以及发展趋势,为开展PM 2.5遥感监测和深化应用提供理论支撑.
【总页数】4页(P133-136)
【作者】金洪芳
【作者单位】浙江省第二测绘院,浙江杭州310012
【正文语种】中文
【中图分类】P237
【相关文献】
1.城市大气细颗粒物PM
2.5监测及控制的方法研究进展 [J], 宋海啸;玉亮;翟付顺;于守超
2.南充市大气细颗粒物PM2.5的监测及污染控制研究 [J], 卢德全;张潇予;王宇
3.城市大气细颗粒物PM2.5监测及控制方法研究进展 [J], 张东辉;
4.浅谈大气细颗粒物(PM2.5)的监测 [J], 甄杨
5.大气细颗粒物PM_(2.5)监测及污染控制分析 [J], 李嘉雯
因版权原因，仅展示原文概要，查看原文内容请购买。
PM (2.5)遥感研究热点分析
PM_(2.5)遥感研究热点分析随着全球工业、城市化和交通运输等人类活动的不断发展，大气污染问题同步加剧，并引起人们的广泛关注。
空气中的颗粒物(PM)污染对我们的健康和环境产生了负面影响。
其中，PM2.5 颗粒物对人体健康影响尤其大，因其直径小于2.5 微米，在空气中可以较长时间漂浮，并被深入人体呼吸道和肺部，引发呼吸系统疾病、心血管疾病等各种健康问题。
研究PM2.5 分布状况及来源成为环境科学领域的重点研究之一。
为了更好地研究PM2.5，科学家们广泛应用遥感技术，获得大量有关空气污染的信息，并通过各种途径分析这些信息。
本文旨在介绍近年来PM2.5 遥感研究的热点方向和趋势。
1.空间分布特征空气污染物的空间分布是与地理环境密切相关的，因此研究PM2.5 的空间分布特征可以为空气污染的源、传输及成因机理提供有力的支持。
近年来，众多研究者利用多源遥感技术，通过空间统计方法分析和揭示PM2.5 的时空变化规律，为城市规划和管理提供了基础数据。
例如，利用卫星遥感数据的密集和分辨率高等特点，可以实现PM2.5 的监测和研究。
国际上首创的OMI-AQI 和MODIS-AQI 是两种基于卫星遥感数据的PM2.5 遥感模型，分别利用红外光谱方法和激光雷达技术获取和分析PM2.5 的数据，为全球环境监测提供了信实数据源。
2.P M2.5 影响因素分析PM2.5 的成因与气候、人为活动、地形地貌等因素有关。
因此，通过对空气污染物污染源、传输方式、化学反应及排放等多个方面进行分析，可以更好地理解PM2.5 污染的成因，为制定有效的治理和管理措施提供理论支持。
遥感技术的光谱特征可以为PM2.5 造成的影响因素提供大量的数据来源，例如，可以借助雷达、激光和红外技术获取大气中微观颗粒物的光学和几何信息，为研究PM2.5 的来源和成因提供有力依据。
3.P M2.5 气象条件对大气环境的影响评估气象因素是PM2.5 污染中的重要因素之一。
基于遥感影像的PM2.5浓度分布的探索
杜佳威
汤田玉
黄
敏
【 摘要 】本文 旨在 探究大 气气溶 胶光学厚度 产品 与地面Ｐ Ｍ２ ５ 的质 量浓度之 间的关联 ，以武汉 、宜 昌地 区为例 ，探索湿度 影响订正后的卫 星大气气溶胶光学厚 度产品与
进行的， 气 溶 胶 颗 粒 物 的 消 光 系 数 受 相 对 湿 度 影 响较 大， 在 相 对 湿 度 较 高 的情 况 下 ， 水溶 性 气 溶 胶 颗粒吸湿膨 胀， 消光系 数可增大数倍 ， 这 一 湿 度 影 响 因 子 与相 对 湿 度 的 关 系 可 以表 示 为 ：
…
………… Nhomakorabea…
…
…
…
…
一
苤奎 ． Ｊ
基于遥感影像昀Ｐ Ｍ２ ． ５ 浓 度 分 布 帕 搽 索
武汉大学遥感信 息工程 学院
Ｐ Ｍ２ ． ５ 质量浓度 的关 系，并进行详 细改进 、总结展望，进 而达到利用遥感影像监５ ￣ Ｐ Ｍ ２ ． ５ 的 目的。 【 关键词 】Ｐ Ｍ ２ ． ５ ；气溶胶 ；遥感 数据 ；关系
２ ． ２研 究 方法 通过对中等分辨率成像光谱仪 （ ｍ ｏ ｄ ｅ ｒ ａ ｔ ｅ —
ｒ ｅ ｓ ｏ ｌ ｕ ｔ ｉ ｏ ｎ ｉ ｍ ａ ｇｉ ｎ ｇ ｓ ｐ ｅ ｃ ｔ ｒ ｏ ｒ ａ ｄ ｉ ｏ ｍ ｅ ｔ ｅ ｒ， Ｍ ０ Ｄ Ｉ Ｓ）
遥 感卫 星 获 取影 像 数 据存 在 差 异较 大 。③ 若 获得 地面 水 平 能 见度 数 据 进行 标 高 订 正 ，模 型 拟合 散 点 效果 会 变 好 。④ 遥 感数 据 相 对缺 乏 。 由于 云层 过 厚 、数据 质量 等 问题 ，导 致采 样 点有 限 。
ｆ （ Ｒ Ｈ ） ＝ １ ／ （ １ 一 Ｒ Ｈ ／ １ ０ ０ ）
结合卫星遥感的PM2.5浓度估算与站点异常分析
第44卷第2期航天返回与遥感2023年4月SPACECRAFT RECOVERY & REMOTE SENSING129结合卫星遥感的PM2.5浓度估算与站点异常分析左欣1,2,3孙晓敏1,2,*张新伟4王鑫磊2徐崇斌1,2,3,5郑亚萌2陈前2吴俣6（1北京空间机电研究所，北京100094）（2北京航天创智科技有限公司，北京100076）（3 中国空间技术研究院杭州中心，杭州310012）（4 中国空间技术研究院遥感卫星总体部，北京100094）（5 北京市航空智能遥感装备工程技术研究中心，北京100094）（6 天津大学地球系统科学学院，天津300072）摘要针对大气污染难监测、异常数据难分析等问题，充分发挥气象卫星多时相观测优势，以N 维代价函数算法为依托进行逐小时气溶胶光学厚度反演。
进一步以随机森林回归算法为基础，结合气象参数、地面监测参数等辅助变量进行近地面PM2.5浓度估算，并据此开展时空分布与浓度异常分析。
江苏省2021年1–6月PM2.5浓度遥感估算精度验证结果显示，其相关性精度达到94%，偏差为5.59μg/m3，证明以卫星遥感数据为基础进行PM2.5浓度估算具有高可靠性与可行性。
通过其建立的全区域、多时相监测体系可有效进行PM2.5浓度的时空分布分析，明晰PM2.5分布状况，助力空气污染治理管控。
通过卫星估算结果与地面站点监测结果的对比分析，准确识别大泉街道数据低报事件，验证人为干扰数据采集工作，实现星地数据双向监督。
文章研究证明，卫星遥感技术可有效支撑近地面PM2.5浓度估算与数据异常分析，推动新时代生态文明建设。
关键词PM2.5浓度估算时空分布分析异常分析星地监督遥感应用中图分类号: X513文献标志码: A 文章编号: 1009-8518(2023)02-0129-11DOI: 10.3969/j.issn.1009-8518.2023.02.014PM2.5 Concentration Estimation and Anomaly Analysis of Station Combined with Satellite Remote SensingZUO Xin1,2,3SUN Xiaomin1,2,*ZHAGN Xinwei4 WANG Xinlei2XU Chongbin1,2,3,5ZHENG Yameng2CHEN Qian2WU Yu6（1 Beijing Institute of Space Mechanics & Electricity, Beijing 100094, China）（2 Beijing Aerospace Innovative Intelligence Science and Technology Co., Ltd., Beijing 100076, China）（3 China Academy of Space Technology Hangzhou Institute, Hangzhou 310012, China）（4 Institute of Remote Sensing Satellite, China Academy of Space Technology, Beijing 100094, China）（5 Beijing Engineering Technology Research Center of Aerial Intelligence Remote Sensing Equipment, Beijing 100094, China）（6 School of Earth System Science, Tianjin University, Tianjin 300072, China)Abstract Aiming at the problem in air pollution monitoring and abnormal data analysis, with taking收稿日期：2022-06-15基金项目：国家重点研发计划（2022YFB3902200）引用格式：左欣, 孙晓敏, 张新伟, 等. 结合卫星遥感的PM2.5浓度估算与站点异常分析[J]. 航天返回与遥感, 2023, 44(2): 129-139.ZUO Xin, SUN Xiaomin, ZHAGN Xinwei, et al. PM2.5 Concentration Estimation and Anomaly Analysis of Station130航天返回与遥感2023年第44卷advantage of the multi-temporal observation advantages of meteorological satellites, the hourly aerosol optical depth inversion is carried out based on the N-dimensional cost function algorithm. Further, combined with auxiliary variables such as meteorological parameters and ground monitoring parameters, the concentration of PM2.5 near the ground is estimated based on the random forest regression algorithm. After that, the temporal & spatial distribution and concentration anomalies are analyzed accordingly. The verification results of remote sensing estimation accuracy of PM2.5 concentration in Jiangsu Province from January to June 2021 showed that the correlation accuracy reached 94%, with a deviation of 5.59μg/m3, it is proved that the estimation of PM2.5 concentration based on satellite remote sensing is highly reliable and feasible. Through its established regional and multi-temporal monitoring system, it can effectively analyze the temporal and spatial distribution of PM2.5 concentration, clarify the distribution of PM2.5, and help control air pollution. Through the comparison and analysis of satellite estimation and ground station monitoring results, accurately identify the under-reporting event of Daquan Street data, verify the human interference data collection work, and realize two-way monitoring of satellite-ground data. The research shows that satellite remote sensing technology can effectively support the near-ground PM2.5 concentration estimation and data anomaly analysis, and promote the construction of ecological civilization in the new era.Keywords PM2.5 concentration estimation; spatial-temporal distribution analysis; anomaly analysis; satellite-ground surveillance; remote sensing application0 引言随着我国经济社会的不断发展，工业化和城市化高速推进，很多生态环境问题随之出现。
基于卫星遥感的关中盆地PM２．５浓度时空变化特征研究
㊀㊀第５２卷㊀第９期测㊀绘㊀学㊀报V o l ．５２,N o ．９㊀２０２３年９月A c t aG e o d a e t i c ae tC a r t o g r a ph i c aS i n i c a S e pt e m b e r ,２０２３引文格式:张凯南．基于卫星遥感的关中盆地P M ２．５浓度时空变化特征研究[J ]．测绘学报,２０２３,５２(９):１６１５．D O I :１０．１１９４７/j ．A G C S ．２０２３．２０２２０２７０．Z H A N GK a i n a n ．S p a t i o t e m p o r a l v a r i a t i o n o f P M ２．５i nG u a n z h o n g B a s i n b a s e d o n s a t e l l i t e r e m o t e s e n s i n g [J ]．A c t aG e o d a e t i c a e t C a r t o g r a ph i c aS i n i c a ,２０２３,５２(９):１６１５．D O I :１０．１１９４７/j ．A G C S ．２０２３．２０２２０２７０．基于卫星遥感的关中盆地P M ２．５浓度时空变化特征研究张凯南长安大学地球科学与资源学院,陕西西安７１００５４S p a t i o t e m p o r a lv a r i a t i o n o fP M ２．５i n G u a n z h o n g Ba s i nb a s e d o n s a t e l l i t e r e m o t e s e n s i n gZ H A N GK a i n a nS c h o o l o f E a r t hS c i e n c e sa n dR e s o u r c e s ,C h a n g ̓a nU n i v e r s i t y ,X i ̓a n ７１００５４,C h i n a ㊀㊀空气污染与人类健康息息相关,是全世界关注的重要环境问题.空气动力学直径小于２．５μm 的颗粒物(P M ２．５)是空气污染物的重要组成部分,基于高精度㊁高覆盖率的P M ２．５数据集,可以开展对P M ２．５浓度时空变化特征的研究,从而可为空气污染控制政策的制定提供重要科学依据.然而传统地面监测手段获取的P M ２．５浓度观测数据较为稀缺,不足以开展深入研究.利用P M ２．５粒子的消光特性,借助卫星遥感的气溶胶光学厚度(A O D )反演P M ２．５浓度,可以有效弥补地面监测站点观测数据的不足,目前已成为研究P M ２．５的重要手段.随着我国经济发展和城市化进程的加快,P M ２．５污染问题日益显著.位于我国西北部的关中盆地经济发展迅速㊁人口密集,加之其特殊的盆地地势条件,一直是我国P M ２．５污染最为严重的地区之一.根据以上背景,本文基于卫星遥感A O D 数据,构建适合于关中盆地的高精度P M ２．５反演模型,并以此为基础研究关中盆地P M ２．５浓度的时空变化特征.主要研究内容和成果如下.(１)基于S O N E T 地面监测网络的A O D 数据,通过对比和拟合回归分析,对不同质量标志(Q F )的V I I R SA O D 产品进行验证.在关中盆地的验证结果表明:V I I R SA O DQ F ＝３产品与S O N E T A O D 表现出显著的线性相关(R ２＝０．７２),有超过８０％的V I I R SA O D 落在预期误差的区间内,这说明卫星遥感V I I R SA O D 数据在关中盆地准确可靠,可以作为构建P M ２．５反演模型的基础数据.(２)基于V I I R SA O D Q F ＝３数据㊁气象参数(温度㊁行星边界层高度㊁相对湿度)㊁归一化差分植被指数和人口密度,并结合纬向风速,同时顾及P M ２．５浓度随月份和季节性的变化,构建一个能解释关中盆地P M ２．５ＧA O D 时空变化关系的多尺度地理Ｇ时间加权回归(g e o g r a p h i c a l l ya n dt e m p o r a l l y w e i g h t e d r e g r e s s i o n Ｇm u l t i s c a l e ,G TWR ＧM s)模型,并采用交叉验证方法评估该模型的估算能力和过度拟合现象.结果表明:相较于其他能解释P M ２．５ＧA O D 时空变化关系的常用模型,G TWR ＧM s 模型能更准确地估算出关中盆地的P M ２．５浓度,其R ２可达到０．８５,交叉验证后的R ２为０．７６;针对不同季节,G TWR ＧM s 模型的估算精度存在差异,夏季和秋季优于春季和冬季.(３)基于论文研究构建的G TWR ＧM s 模型,反演得到关中盆地２０１３ ２０１９年的P M ２．５浓度变化,在月份㊁季节㊁年份３个时间尺度上分析P M ２．５浓度的时空变化特征,并讨论社会经济因素与P M ２．５空间分布的相关性.结果表明:通过G TWR ＧM s 模型估算的关中盆地２０１３ ２０１９年地面P M ２．５浓度可以满足论文研究的需求,R ２的范围为０．８０~０．８７;从２０１３ ２０１９年,关中盆地的P M ２．５浓度总体呈下降趋势,其中２０１５年较２０１４年的降幅最大,达到１２％;西安市㊁咸阳市和渭南市的P M ２．５浓度普遍高于宝鸡市和铜川市,高浓度的P M ２．５除来源于本地排放外,地形和气象作用也是关键因素;在G D P 高㊁夜间灯光强以及城市用地占比大的区域,P M ２．５浓度更高.(４)以新冠疫情这一特殊事件为契机,研究疫情管控措施对关中盆地P M ２．５浓度及空气质量的影响.在６k mˑ６k m 的空间分辨率上,基于G TWR ＧM s 模型反演２０２０年疫情期间关中盆地的地面P M ２．５浓度变化,并结合地面监测站的大气污染物(P M １０㊁S O ２㊁N O ２㊁C O 和O ３)浓度观测结果进行综合分析.结果表明:疫情期间,关中盆地的空气质量改善明显;在实施管控措施后,卫星遥感数据反演和地面监测站观测得到的P M ２．５浓度分别下降了２７％和３７％;随着疫情得到控制,管控措施逐渐放松,大气污染物浓度开始出现反弹趋势.中图分类号:P ２３７㊀㊀㊀㊀文献标识码:D 文章编号:１００１Ｇ１５９５(２０２３)０９Ｇ１６１５Ｇ０１基金项目:中央高校基本科研业务费(３００１０２２７２１０４)收稿日期:２０２２Ｇ０４Ｇ２５作者简介:张凯南(１９９０ ),女,２０２１年６月毕业于长安大学,获工学博士学位(指导教师:胡莘教授,杨志强教授),研究方向为大气环境遥感.A u t h o r :Z H A N GK a i n a n (１９９０ ),f e m a l e ,r e c e i v e dh e rd o c t o r a l de g r e ef r o m C h a ng ̓a n U n i v e r s i t y o n J u n e ２０２１,m a j o r s i n a t m o s ph e ri c e n v i r o n m e n t a l r e m o t e s e n s i n g ．E Ｇm a i l :z h a n gk n ＠c h d ．e d u ．c n Copyright ©博看网. All Rights Reserved.。
石河子市PM2.5浓度的遥感反演研究
元法、６ｓ模 型反 演气溶胶 光学厚度 ，结合 ＤＴＦ～６太阳光度 计数据进 行验证 ，然后根据 ＡＯＤ与 ＰＭ：． 之 间的统
计关 系建立符合研 究区实际特 点的 ＰＭ 反 演参数 和算法 ，建立遥 感反演模 型获取 ＰＭ ５的空 间分布 。结 果表
明 ：ＰＭ 浓 度 反 演 结 果 的 平 均 绝对 误 差 为 ０．９３ ｎｇ／ｍ ，反 演 精 度 较 高 ，石 河 子 市 ＰＭ： 的 空 间 分 布 呈 现 北 低 南
Ｌｉ Ｙａｏ ’ ，Ｌｉｕ Ｌｉｎ ，Ｈｕ Ｔａｎｇａｏ ，Ｌｉｕ Ｊｉａｈｏｎｇ ，Ｗ ｕ Ｙｉｙｕｅ ，Ｚｈａｎｇ Ｌｕ ，
（１．Ｉｎｓｔｉｔｕｔｅ ｏｆ Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ ａｎｄ Ｅａｒｔｈ Ｓｃｉｅｎｃｅｓ，Ｈａｎｇｚｈｏｕ Ｎｏｒｍａｌ Ｕｎｉｖｅｒｓｉｔｙ，Ｈａｎｇｚｈｏｕ ３ １ Ｉ １２１，Ｃｈｉｎａ； ２．Ｚｈ￣ｉａｎｇ Ｐｒｏｖｉｎｃｉａｌ Ｋｅｙ Ｌａｂｏｒａｔｏｒｙ ｏｆ Ｕｒｂａｎ Ｗｅｔｌａｎｄｓ ａｎｄ Ｒｅｇｉｏｎａｌ Ｃｈａｎｇｅ，Ｈａｎｇｚｈｏｕ ３１ｌ１２１，Ｃｈｉｎａ； ３．Ｃｏｌｌｅｇｅ ｏｆ Ｓｃｉｅｎｃｅ，Ｓｈｉｈｅｚｉ Ｕｎｉｖｅｒｓｉｔｙ，Ｓｈｉｈｅｚｉ ８３２００３，Ｃｈｉｎａ）
Ａｂｓｔｒａｃｔ：ＰＭ２ ５ ｈａｓ ｂｅｃｏｍｅ ｔｈｅ ｍａｉｎ ａｉｒ ｐｏｌｌｕｔｉｏｎ ｐｒｏｂｌｅｍ ｉｎ Ｃｈｉｎａ’Ｓ ｍａｊｏｒ ｃｉｔｉｅｓ．Ｉｔ ｉｓ ｖｅｒｙ ｉｍｐｏｒｔａｎｔ ｆｏｒ ｔｈｅ ａｉｒ ｑｕａｌｉｔｙ ｔｏ
ｋｎｏｗ ｔｈｅ ｃｏｎｃｅｎｔｒａｔｉｏｎ ａｎｄ ｓｐａｔｉａｌ ｄｉｓｔｒｉｂｕｔｉｏｎ ｏｆ ＰＭ２ ５．Ｔａｋｉｎｇ Ｓｈｉｈｅｚｉ Ｃｉｔｙ ａｓ ｔｈｅ ｓｔｕｄｙ ａｒｅａ，ｕｓｉｎｇ ｔｈｅ ｉｍａｇｅ ｏｆ ＨＪ一 １ ＣＣＤ ， ｔｈｅ ａｅｒｏｓｏｌ ｏｐｔｉｃａｌ ｄｅｐｔｈ ｉｎ ｔｈｅ ｓｔｕｄｙ ａｒｅａ ｗａｓ ｒｅｔｒｉｅｖｅｄ ｂｙ ｔｈｅ ｄａｒｋ ｐｉｘｅｌｓ ｍ ｅｔｈｏｄ ａｎｄ ６Ｓ ｍ ｏｄｅ１． Ｉｔ ｗａｓ ｖｅｒ ｉｆ ｉｅｄ ｗｉｔｈ ＤＴＦ 一６ ａｎ— ｔｏｍａｔｉｃ ｓｏｌａｒ ｐｈｏｔｏｍｅｔｅｒ ｄａｔａ．Ｔｈｅｎ ａｃｃｏｒｄｉｎｇ ｔｏ ｔｈｅ ｓｔａｔｉｓｔｉｃ ｒｅｌａｔｉｏｎｓｈｉｐ ｂｅｔｗｅｅｎ ＡＯＤ ａｎｄ ＰＭ２ ５，ｔｈｅ ＰＭ２ ５ ｒｅｔｒ ｉｅｖａｌ ｐａｒａｍｅｔｅｒ ｓ ａｎｄ ａｌｇｏｒｉｔｈｍｓ ｗｅｒｅ ｅｓｔａｂｌｉｓｈｅｄ ｔｏ ｏｂｔａｉｎ ｔｈｅ ｓｐａｔｉａｌ ｄｉｓｔｒｉｂｕｔｉｏｎ ｏｆ ＰＭ２ ５ ｂｙ ｕｓｉｎｇ ｔｈｅ ｒｅｍｏｔｅ ｓｅｎｓｉｎｇ ｉｎｖｅｒｓｉｏｎ ｍｏｄｅ１．Ｔｈｅ ｒｅｓｕｌｔｓ ｓｈｏｗ ｔｈａｔ ｔｈｅ ａｖｅｒａｇｅ ａｂｓｏｌｕｔｅ ｅｒｒｏｒ ｏｆ ＰＭ２ ５ ｒｅｔｒｉｅｖａｌ ｉｓ ０．９３ ｕｇ／ｍ ａｎｄ ｔｈｅ ｒｅｔｒ ｉｅｖａ ｌ ｐｒｅｃｉｓｉｏｎ ｉｓ ａｃｃｕｒａｔｅ．Ｔｈｅ ｓｐａｔｉａ ｌ ｄｉｓｔｒｉｂｕ－ ｔｉｏｎ ｃｈａｒａｃｔｅｒｉｓｔｉｃｓ ｏｆ ＰＭ２ ５ ｉｎ Ｓｈｉｈｅｚｉ Ｃｉｔｙ ｓｈｏｗ ｔｈａｔ ｔｈｅ ｎｏｒ ｔｈｅｒｎ ｐａｒｔ ｉｓ ｍｕｃｈ ｌｏｗｅｒ ｔｈａｎ ｔｈｅ ｓｏｕｔｈｅｒ ｎ ｐａｒ ｔ ａｎｄ ｔｈｅ ｅａｓｔｅｒｎ ｐａｒ ｔ ｉｓ ｈｉｇｈｅｒ ｔｈａｎ ｔｈｅ ｗｅｓｔｅｒｎ ｐａｒｔ．
基于遥感影像和环保基站数据的PM2.5监测方法比较
基于遥感影像和环保基站数据的PM2.5监测方法比较作者：逯喜宏周军其林宏波来源：《中国科技纵横》2014年第19期【摘要】 PM2.5的常用的监测方法是建立环保基站利用仪器进行监测，这种方法的优点是可以获得精度较高且连续观测的数据，不足之处在于不能全面获取一个地区PM2.5时空分布信息，且建站的成本高，周期长。
与常用监测方法相对应的是利用遥感影像进行PM2.5的监测，该方法的优点是能够对PM2.5进行大范围的监测，缺点在于无法得到PM2.5成分。
本文的观点是要实现PM2.5的快速有效监测，就必须将这两种方法结合起来。
为此，本文提出了一种新的PM2.5的监测方法。
【关键词】 PM2.5 遥感影像环保基站数据监测2013年12月8日，中央气象台持续发布雾和霾橙色双预警，中国大陆共有25个省、104座城市出现雾霾天气，覆盖了我国将近一半的国土。
[1]越来越严重的雾霾天气受到了政府和公众的高度关注，治理雾霾已经成了一件刻不容缓的大事。
雾霾其实就是空气中悬浮的颗粒物的总称，通常情况下，按照直径的大小，将空气中悬浮的颗粒物分为三类，第一类是直径大于10微米而小于100微米总的悬浮颗粒物；第二类是直径大于2.5微米而小于10微米的可吸收颗粒物；第三类是直径小于等于2.5微米的颗粒物。
[2]PM2.5指直径小于等于2.5微米的可吸入颗粒物。
[3]城市大气中PM2.5的来源和成分十分复杂：来源上，各种燃烧的过程如煤炭燃烧、油气的燃烧以及机动车排放的尾气等；成分上，有二氧化硫（SO2）、氮氧化物（NOx），以及挥发性的有机化合物（VOCs）等。
PM2.5是雾霾天气的“罪魁祸首”，更是普通民众的“健康杀手”：若PM2.5随着呼吸进入人体，沉积在下呼吸道和肺泡中，会引起鼻炎、支气管炎等病症。
[4]若PM2.5的浓度在0—75微克/立方米内，人可以在户外活动。
若超过75微克/立方米，就不适合在户外运动了。
人口密度越大的地区，经济越发达的地区，出现雾霾天气的天数越多。
《2024年基于多源数据特征驱动和多尺度分析的PM2.5混合预测研究》范文
《基于多源数据特征驱动和多尺度分析的PM2.5混合预测研究》篇一一、引言随着工业化和城市化的快速发展，空气质量问题日益严重，其中细颗粒物（PM2.5）的浓度成为衡量空气质量的重要指标。
PM2.5因其微小的颗粒直径，能深入肺部，甚至进入血液循环，对人体健康造成严重影响。
因此，准确预测PM2.5浓度，对于环境保护和公众健康具有重要意义。
本文提出了一种基于多源数据特征驱动和多尺度分析的PM2.5混合预测方法，以期提高预测精度和实时性。
二、研究背景与现状目前，PM2.5的预测方法主要包括统计模型、物理模型和混合模型等。
统计模型主要依赖于历史数据的统计分析，物理模型则主要考虑气象因素对PM2.5浓度的影响。
然而，这些方法往往忽略了多源数据特征和多尺度分析的重要性。
多源数据包括气象、交通、地理等多方面的数据，多尺度分析则能更好地捕捉PM2.5浓度的时空变化特征。
因此，本研究旨在整合多源数据特征和多尺度分析，以提高PM2.5的预测精度。
三、方法与数据本研究采用混合预测模型，整合多源数据特征和多尺度分析。
具体方法如下：1. 数据来源：收集历史PM2.5浓度数据、气象数据（如温度、湿度、风速等）、交通流量数据、地理信息数据等。
2. 多源数据特征提取：对收集到的数据进行预处理，提取出与PM2.5浓度相关的特征，如气象特征、交通特征、地理特征等。
3. 多尺度分析：将数据分为不同的时间尺度（如日、周、月等），分析PM2.5浓度的变化规律和趋势。
4. 模型构建：构建混合预测模型，整合多源数据特征和多尺度分析结果，进行PM2.5浓度的预测。
四、实验与分析本研究以某城市为例，进行了实验和分析。
首先，我们使用混合预测模型对PM2.5浓度进行了预测，并与传统的统计模型和物理模型进行了比较。
结果表明，混合预测模型的预测精度更高，能更好地捕捉PM2.5浓度的时空变化特征。
其次，我们对多源数据特征进行了分析。
结果表明，气象特征、交通特征和地理特征都与PM2.5浓度密切相关。
PM2.5文献综述
大气中PM2.5扩散模型的建立与求解摘要：大气中细颗粒污染物PM2.5（含量）超标，导致环境污染严重，在很大程度上危害着人类的健康，研究其扩散模型及制定治理方案变得尤为重要。
拟从形成PM2.5的水溶性离子，颗粒有机物，以及微量元素入手，建立回归模型获取相关系数，进而获取AQI中的其他基本检测指标同PM2.5的相关性并对其相关性进行分析。
在处理PM2.5的分布与演变过程中，建立二维衰减扩散模型，依据获取的数据，考虑风力、湿度和季节等因素，对某监测点的数据进行定量与定性的分析。
1.前言1.1背景经过多年的经济快速发展、城市扩张和人口增长，我国城市大气污染当前由烟煤型转变为烟煤与油烟并重的复合型，大气污染物复杂且多样，全国已形成“三区十群”大气污染中心，城市环境空气质量管理面临更大的挑战。
PM2. 5 是大气中的主要污染物之一，也是引起环境、气候变化的重要因素，更是在不利的气象条件下大气雾霾污染的主要成因。
2013 年 1 月，灰霾或雾霾天气侵袭大半个中国，最严重时大气污染物覆盖面积高达130 多万平方公里，多个城市出现持续性重度或严重污染，部分城市能见度低于500 m，PM2. 5 指数超过900 μg /m3［1］。
PM2. 5 粒径小、表面积极大，极易吸附大量的有毒、有害物质和强致癌物，在大气中的停留时间长、输送距离远，因而对人体健康和大气环境质量的影响更大。
加之人体的生理结构决定了对PM2. 5没有任何过滤、阻拦能力，而PM2. 5 吸附的有害气体、多环芳烃类强致癌物、二口恶英类、重金属等能溶解在血液中，因此随着医学技术的进步，PM2. 5 对人类健康的危害逐步暴露出更加恐怖的一面，越来越受到公众和媒体的密切关注。
1.2 PM2.5相关知识1.2.1 PM2.5的定义PM2.5是指大气中直径小于或等于2.5微米的颗粒物，也称为可入肺颗粒物。
它的直径还不到人的头发丝粗细的1/20。
虽然PM2.5只是大气成分中含量很少的组分，但它对空气质量和能见度等有重要的影响。
《PM2.5》的阅读答案
《PM2.5》的阅读答案细颗粒物又称细粒、细颗粒、PM2.5。
细颗粒物指环境空气中空气动力学当量直径小于等于2.5微米的颗粒物。
它能较长时间悬浮于空气中，其在空气中含量浓度越高，就代表空气污染越严重。
下面我们为大家带来《PM2.5》阅读答案，仅供参考，希望能够帮到大家。
PM2.5PM2.5，一个耳熟能详的词汇。
对它的准确定义是：空气动力学直径小于或等于2.5微米的固体颗粒或液滴的总称，又被称为细颗粒物或入肺颗粒物。
由于体积小，重量轻，PM2.5可以在空气中滞留很长时间，在空气中被大气环流带到较远的地方。
PM2.5的比表面积①比较大，可以吸附更多的病毒细菌和各种对人体健康有害的污染物。
空气中的PM2.5，可以通过呼吸道，进入肺泡，在肺泡内积聚，干扰肺内的气体交换，引发各种疾病。
因此，PM2.5对健康的危害特别严重。
1982年，美国已经开始展开有关PM2.5的前瞻性研究，并于2002年将论文发表于《美国医学会杂志》。
虽然起步较晚，但中国同样不缺乏这方面的研究。
从2004年开始，北京大学医学部教授潘小川就开始监测空气中PM2.5的日均浓度。
研究显示，PM2.5的增长与医院急诊相关疾病的病人的人数成正相关②。
随后，潘小川等人利用模型计算PM2.5对北京市人群的健康威胁，发现当PM2.5浓度增加10微克/立方米时，呼吸系统疾病死亡、循环系统疾病死亡和非意外总死亡的死亡百分率分别上升0.76%、0.43%和0.67%。
PM2.5浓度升高既有气象原因，也有污染排放原因，其中污染排放为首的'主要因素有：汽车尾气的排放，使用柴油的大型车是重犯，包括大型公交车、各单位的班车，以及大型运输卡车等;工业生产排放的废气，在工业生产过程中，不可避免地会向大气排放大量的工业废气，包括可燃性气体、含硫化物的气体、有毒的气体以及含放射性物质的气体等，这些气体随着废气的排放扩散到空气中;工地建筑和道路交通产生的扬尘，正在城镇化中崛起的新型城市，建筑工地扬尘、泥头车上路撒漏扬尘以及城市道路交通产生的扬尘均会促使PM2.5浓度升高。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
一、PM2.5遥感反演基本原理
卫星遥感反演大气气溶胶是基于卫星传感器探测到的大气上界的表观反射率，也是卫星传感器接收到的辐射值L 。
))(1/(),(),(),,,(''0ρτρμτμτμμτa s a s a d v s a S T F L L -⨯+Φ=
0L 为整层大气反射的太阳辐射，主要来自于大气中分子和气溶胶的散射贡献； ),(s a d F μτ为太阳下行总辐射；),(s a T μτ为传感器和目标物之间的透过率；'ρ为地表反射率； )(a S τ为大气半球反照率。
由上式可看出卫星观测到的反射率既是AOD 的函数，又是下垫面反射率的函数，如果知道下垫面反射率，并根据不同地区的气溶胶特征确定大气气溶胶的模型就可以得到AOD 。
因此利用AOD 与地面监测指标之间的数学关系，进而建立相应的数学统计模型，这就是基于卫星遥感反演AOD 进而通过统计模型预测PM2.5的基本原理和思路。
二、遥感数据源
目前能用于反演PM2.5的遥感传感器主要有云－气溶胶光达和红外探险者卫星观测器CALIPSO 、中分辨率成像光谱仪MODIS 、多角度成像光谱仪MISR 、多角度多通道偏振探测器 POLDER 、大气臭氧总量绘图仪TOMS 和TOMS 的后继者臭氧监测仪OMI 。
目前应用最多的传感器主要是MODIS 和MISR 。
三、PM2.5时空分布计算方法
利用遥感反演的AOD 结合影响PM2.5的其他因素，采用统计方法间接计算PM2.5时空分布是当前主要的方法。
其计算方法大体可以分为简单线性模型、多元线性回归模型、人工智能模型和广义加法模型4种。
简单线性模型是利用近地面监测站的PM2.5浓度与AOD 之间的简单二元关系建立的，是较早用于PM2.5反演的模型构建方法。
多元线性回归模型除了考虑AOD 外，还将与PM2.5有相关性的湿度、温度、风速、气溶胶类型、大气边界层高度等因素作为自变量，因此多自变量进行PM2.5多元线性回归，其精度得到显著的提高。
由于PM2.5浓度的时空分布受到气象场、排放源、复杂下垫面、理化生过程的耦合等多种因素的影响，具有较强的非线性特性。
有学者采用神经网络模型、支持向量机模型、贝叶斯网络算法、基因算法等人工智能算法进行PM2.5时空分布计算，取得较好的应用效果。
广义相加模型GAM 是线性模型非参数化的扩展将一些与因变量间存在的复杂非线性关系的自变量以不同函数加和的形式拟合入模型可以探索到变量间非单调非线性关系从中找
出数据规律从而得到更好的预测结果。
四、PM2.5遥感反演的问题
为解决卫星遥感近地面颗粒物中存在的“以点带面”问题，提高区域尺度近地面颗粒物反演精度，以建立基于模式结果的区域尺度近地面颗粒物浓度反演模型为目标，以结合大气动力学模式模拟的边界层参数为主要方法，以明确的研究区域和真实数据对提出的方法进行检验。
五、文献《大气细颗粒物PM2.5质量浓度的遥感估算模型研究》的阅读笔记
5.1研究目标、研究内容与技术路线
（1）研究目的
以南京市仙林地区为研究区域,利用MODIS气溶胶产品和地面实测环境空气质量实时数据,探究大气细颗粒物质量浓度的变化特征与影响_素,分析气溶胶光学厚度与大气细颗粒物质量浓度的相关关系,建立细颗粒物质量浓度卫星遥感估算模型,为大气污染的遥感监测研究提供一些有效的技术方法。
（2）研究内容
A、细颗粒物质量浓度的变化特征：时间尺度、SO2和NO2、气象要素对其影像
B、气溶胶光学厚度与细颗粒物质量浓度的关系分析
C、考虑气象因素的细颗粒物质量浓度多元回归估算模型研究
（3）技术路线
5.2 数据预处理
（1）细颗粒物质量浓度数据的预处理：剔除缺失值；统计分析计算均值；根据过境时间选时刻浓度
（2）MODIS 气溶胶产品的预处理:影像的选取、纠正、分割和提取
（3）气象数据的预处理:气温、相对湿度、风速为每小时、能见度为每日
5.3细颗粒物质量浓度的变化分析
（1） 时间变化
（2） S02和N02对细颗粒物的影响
（3） 气象因子对细颗粒物的影响
（4） PM2.5多元线性回归模型
5.4细颗粒物质量浓度的卫星遥感估算模型（AOT 与PM2.5）
5.4.1 模型选择
综合考虑：确定性系数2R 和F 检验以及显著性P 值
全年：幂函数；春夏：幂函数；秋：线性模型；冬：一元二次
5.4.2 垂直订正
（1）原理：b H V
+⋅=912.3τ；H 为气溶胶标高；b 则描述了来自对流层上部和平流层的气溶胶对整层气溶胶光学厚度的贡献；τ为AOT 。
求出每天的H 后将AOT 除以标高,得到近地面的气溶胶消光系数,实现气溶胶垂直分布订正。
（2）气溶胶标高的确定
水平能见度——近地面消光系数β——自变量；AOT 为因变量；得到拟合方程，x 的系数为标高
5.4.3湿度订正
湿度影响因子f （RH ）=1)100/1(--RH ，RH 为相对湿度的百分数
PM2.5=β/f （RH ） 方法一：)(5.2RH f H AOT PM ⋅=，即对AOT 作垂直与湿度订正 方法二：H AOT RH f PM =⋅)(5.2，即对AOT 做垂直订正和对PM2.5做湿度订正
六、基于卫星遥感的我国PM"时空分布研究阅读笔记
6.1 方法综述
利用卫星遥感AOD 反演地面PM2.5浓度的方法主要有3种：
（1）比例因子方法：利用大气化学传输模型模拟出PM2.5与AOD 的比例关系因子，然后将这个比例因子乘上卫星遥感得到的AOD ，从而估算地面PM2.5浓度。
准确性稍差，对数据要求高，适合长期平均浓度，
（2）基于物理机理的半经验公式法：基于PM2.5和AOD ，及湿度、AOD 垂直廓线特征等参数之间关系的物理机理，构建出PM2.5的估算公式。
由于PM2.5和AOD 关系的物理机理比较复杂，半经验公式还不准确
（3）统计模型法：模型准确性高，但需要大量的地面监测数据来进行模型的拟合和验证。
①简单线性回归方法
②高级统计模型方法。