利用多角度偏振数据反演华北地区灰霾气溶胶

中国环境科学 2017,37(2)：460~466 China Environmental Science 利用多角度偏振数据反演华北地区灰霾气溶胶
张钰萌1,王中挺2*(1.河南理工大学,测绘与国土信息工程学院,河南焦作 454000；2.环境保护部卫星环境应用中心,北京 100094)
摘要：针对灰霾气溶胶,利用多角度偏振数据进行了反演研究.在地面观测数据的基础上,模拟了卫星观测的灰霾多角度偏振信号,发现利用近红外波段偏振信息能更好地区分灰霾的轻重程度.在此基础上,针对POLDER3的多角度偏振数据,考虑灰霾气溶胶的组分构成,采用偏振反射率最优拟合的方法,建立了华北地区灰霾气溶胶的反演算法.2010年2月23日的算法实验表明,本算法在重霾发生时能较好地区分灰霾的轻重程度.而2009~2010年的反演结果与地面观测结果有较好的相关性(相关系数在0.9左右),灰霾时AOD的反演误差大约在10%左右.但本算法反演结果要整体低于地面观测结果,原因可能是偏振信号对粗粒子不敏感以及地表类型数据更新较慢、灰霾各气溶胶组分的线性组合假定.
关键词：多角度偏振；灰霾；气溶胶；遥感
中图分类号：X51 文献标识码：A 文章编号：1000-6923(2017)02-0460-07
Haze retrieving over North China Plain from multi-angle polarized data.ZHANG Yu-meng1, WANG Zhong-ting2*.
(1.School of Surveying and Land Information Engineering, Henan Polytechnic University, Jiaozuo 454000, China；
2.Satellite Environment Center, Ministry of Environmental Protection, Beijing 100094, China). China Environmental Science, 2017,37(2)：460~466
Abstract：For haze aerosol, the retrieval from multi-angle polarized data was studied. Based on ground-based measurements, we simulated multi-angle polarized satellite signal of the haze, and it was shown that by near infrared data, the concentration of heavy haze was recognized well. Then, aimed to multi-angle polarized signal of POLDER3, in consideration of aerosol components of the haze, the haze was retrieved by best fitting method of polarized reflectance. The experiment in Feb. 23, 2010 showed that, by our algorithm, the aerosol optical depth (AOD) of haze can be retrieved well. The AOD of our algorithm from 2009 to 2010 was close to that of ground-based measurements (correlation coefficient was about 0.9), and the retrieval error was about 10%. But AOD of our algorithm was lower than that of ground-based measurements, and the reasons may be the underestimation of coarse particle for multi-angle polarized signal, the dated data of land classification, the assumption that haze signal is linear added by that of aerorol componets, and so on.
Key words：multi-angle polarized；haze；aerosol；remote sensing
灰霾又称大气棕色云,也称霾(烟霞),主要是指悬浮在大气中的大量微小尘粒、烟粒等集合体,使大气水平能见度降低到5km以下[1].近年来,我国的灰霾天气频繁出现,呈现出大范围、区域性特征,尤其在京津冀等城市群表现更为明显,严重影响到区域环境空气质量.
由于灰霾粒子属于气溶胶,在现有的陆地气溶胶卫星遥感反演技术基础上可以实现对灰霾大范围、区域性的监测[2-4].利用卫星遥感技术反演陆地气溶胶,国内外学者提出了许多算法,按照观测方式可以分为两类,表观反射率和偏振观测.其中,利用表观反射率数据探测陆地气溶胶较常见的算法有:1)暗目标法,利用浓密植被在红光、蓝光等可见光波段的反射率较低的原理实现陆地气溶胶反演[5-7];2)深蓝算法,根据气溶胶对蓝光波段的卫星信号有显著贡献,基于地表反射率库提取气溶胶信息[8-9];3)多角度法,假定不同角收稿日期：2016-06-20
基金项目：国家自然科学基金(41301358)
* 责任作者, 高级工程师, wzt_07@
2期张钰萌等：利用多角度偏振数据反演华北地区灰霾气溶胶 461
度地表反射率比率随波长变化较小,从多角度数据反演气溶胶[10-11].而利用偏振数据观测气溶胶,一般是通过设定一组气溶胶模式计算其大气偏振反射率或气溶胶光学厚度(AOD),利用多角度、多波段观测进行最优拟合,实现AOD 和气溶胶模式的同时反演[12-14];Dubovik等[15]利用统计最优化方法从表观反射率和偏振反射率数据反演气溶胶光学性质以及气溶胶粒子大小、形状、组分等信息; Cheng等[16]和Wang等[17]结合表观反射率和偏振观测, 实现了陆地气溶胶的反演.
由于在可见、近红外波段范围内,蓝光波段气溶胶散射最强,同时地表反射对表观反射率的贡献最小.因此,蓝波段是利用表观反射率信号反演陆地气溶胶的主要波段.但在重霾污染情况下,一般AOD大于2[18],气溶胶的散射较大,蓝光波段的表观反射率很容易达到饱和,无法准确提取AOD,较难区分灰霾的污染程度;而采用波长较长的红光波段和近红外波段则会受到地表反射的影响有较大误差[9].而陆地地表偏振反射一般较小且随波长变化不大[13],利用波长较长的红光波段和近红外波段的偏振观测能更好地提取重霾污染情况下气溶胶信息.
法国的POLER系列是发展较为成熟的多角度偏振传感器,其中,POLDER3自2004年发射至2013年退役,已连续获取近10年的观测数据,具有0.49µm、0.67µm和0.865µm共3个偏振波段,能在16个角度获取观测数据.而未来将有多个多角度偏振载荷发射,如高分五号卫星的DPC相机(计划2017年发射)、欧洲的3MI相机(计划2020年发射)等[19].利用POLDER的气溶胶产品,Tanré等[20]、Kacenelenbogen等[21]研究了其在生物燃烧和颗粒物反演方面的应用.但是,目前还没有专门针对我国常见的灰霾污染,综合研究灰霾粒子偏振特性,重点考虑重霾污染,开展多角度偏振信号反演灰霾气溶胶的研究.
本文针对POLDER3载荷的波段特征,分析了我国华北地区灰霾尤其是重霾污染时的多角度偏振信号,对POLDER3的多角度偏振数据进行气溶胶模式最佳拟合,构建了灰霾气溶胶的多角度偏振反演算法,最后收集华北地区的POLDER3数据并结合北京地区AERONET地基
观测产品,对算法完成了验证与分析.
1灰霾多角度偏振特征分析
研究表明[22],陆地气溶胶可以看成是由若干
基本气溶胶组分混合而成.地面观测表明[23-25],灰
霾气溶胶主要由水溶型、沙尘型、黑碳型等3
种基本气溶胶组分组成,水溶型气溶胶所占比例
最大.本文采用的基本气溶胶组分的物理性质(包括复折射指数、谱分布函数等)从OPAC数据
库[22]获取.其中,谱分布函数采用单对数正态分
布的形式.
2
m
2
(ln ln)
())
2
r r
n r
σ
−
=− (1) 式中:C是归一化粒子数常数;σ是标准偏差;r m是
平均半径.
在气溶胶组分的物理性质基础上,本文采用
米理论计算各气溶胶组分的散射矩阵等参数,进
而利用RT3模型[26],采用倍加累加法完成辐射传
输计算,模拟得到卫星观测的多角度偏振信号,以
分析灰霾的多角度偏振特征.
1.1各波段偏振反射率模拟
POLDER3提供了0.49,0.67,0.865µm共3个
波段的偏振探测结果,为分析各波段偏振观测对
灰霾AOD的敏感性,模拟了卫星观测偏振反射
率随AOD变化.结合地面观测结果,设置各组分
在0.44µm波段消光系数比例为:水溶型70%、黑
碳型15%、沙尘型15%.太阳天顶角为30°,观测
天顶角从-60~60°变化,相对方位角为0°,AOD设
为0.5、1、2、4共4个值.地表类型设为植被,
采用半经验模型[27]模拟.
从图1可以看出,由于分子散射的影响, 0.49µm的偏振反射信号对灰霾气溶胶AOD的
变化不敏感,各AOD下的偏振反射信号较为接近,AOD为2和4时的偏振信号甚至已经大部分
重合;0.67µm的偏振反射信号已经能够区分各灰
霾AOD,但还较为接近;0.865µm的偏振反射信号
在各灰霾AOD下都有较大差异,最适宜用于灰
霾气溶胶的反演.
462
中 国 环 境 科 学 37卷
80 90 100 110
120130 140150
偏振反射率
散射角(°)
80 90 100 110120
130 140
150
偏振反射率
散射角(°)
80 90 100 110120
130 140150
偏振反射率
散射角(°)
图1 三个波段在四个灰霾AOD 下的偏振反射率 Fig.1 Polarized reflectance of four AOD in three bands
1.2 组分变化模拟
多角度偏振数据不仅能获取灰霾的AOD 信息,而且对组分信息也较为敏感.本文模拟了0.865µm 波段不同气溶胶组分比例下的卫星观
测信号,以考察多角度偏振信号对灰霾气溶胶组分的敏感性.假定0.865µm 波段灰霾AOD 为2,水溶型气溶胶所占比例从50%增长到85%,黑碳型气溶胶则从35%降低到0%,沙尘型气溶胶所占比例固定为15%. 从图2可以看出,随着水溶型气溶胶所占比例的降低,整体偏振反射率逐步下降,随着散射角的增加,偏振反射率的变化逐渐减小.因此,可以
看出,不同气溶胶组分对偏振反射率也有较大的影响.
80
90100
110120 130 140 150
0.00
0.020.040.060.080.10偏振反射率
散射角(°)
图2 不同水溶型气溶胶组分比例的偏振反射率随散射
角变化
Fig.2 Polarized reflectance of different water -soluble
aerosol component percent
2 算法原理与反演方法
只考虑地表直接散射,大气层顶偏振反射率
R pol 可以用下式表示:
atm TOA
pol pol surf R R R =+ (2)
式中:atm
pol R 为考虑大气气溶胶和大气分子多次散
射的大气偏振贡献;TOA
surf R 为考虑大气影响的地表偏振贡献.
地表的多角度偏振特征采用半经验模型[27]描述:
surf
pol ()(,,)[1exp()]cos cos p v s s v
F R αθθϕρβθθ=−−+ (3)
式中:F p 为地物的菲涅尔反射系数; ρ和β是随地
表覆盖类型调整的系数;θv ,θs ,ϕ分别为观测天顶角、太阳天顶角、相对方位角.
考虑到大气影响,地表偏振贡献可以表示为[13]:
TOA surf
surf pol m a (,,)exp()v s R R M Mc θθϕττ=⋅−− (4) 式中: M 为大气质量数; τm 为大气分子光学厚度; τa 为AOD; c 为与气溶胶强前向散射有关的系数,一般设置为0.5. 综合利用式(2)~(4),从卫星观测的数据去除
2期 张钰萌等：利用多角度偏振数据反演华北地区灰霾气溶胶 463
地表影响,得到大气的偏振信息,进而可以反演获
得气溶胶信息.在实际应用中,一般是预设一组气溶胶模式,结合2N 个(2个波段:0.67µm 和0.865µm, N 个角度:最多16个)卫星观测结果,根据观测几何利用矢量辐射传输模式计算各气溶胶模式在不同AOD 下的偏振反射率cal
pol (,)j R λΘ,求取其与卫星观测的偏振反射率meas
pol (,)j R λΘ之间的标准偏差η,η最小的气溶胶模式和AOD 即
η= (5) 在上述算法基础上,本文在构建灰霾气溶胶多角度偏振反演算法时,利用RT3设定不同的条件进行辐射传输计算得到模拟的偏振反射率存
储在查找表中以加快反演速度,具体如下:假定灰霾气溶胶由水溶型、黑碳型和沙尘型气溶胶构成,设定水溶型、黑碳型和沙尘型等气溶胶组分分别构建查找表;针对灰霾AOD 较大的情况,预设0.55µm 波段AOD 在0~7之间变化,间隔为1;太阳天顶角范围为0~60°,观测天顶角为0~60°,相对方位角为0~180°. 为加快反演速度,简化查找表设计,本文针对水溶型、黑碳型和沙尘型等气溶胶组分分别构建查找表,在反演中将水溶型、黑碳型和沙尘型气溶胶组
分的偏振信号ae1pol R 、ae2pol R 和ae3
pol R 按比例a 1、a 2和a 3进行线性组合,得到灰霾气溶胶的偏振反射率:
atm ae1ae2ae3pol 1pol 2pol 3pol
R a R a R a R =++ (6)
针对华北地区的灰霾气溶胶,参照该地区的地面观测结果
[23-25]
,该地区灰霾气溶胶主要由水溶型、沙尘型、黑碳型等3种组分构成,以水溶型气溶胶为主.结合地面观测结果,同时考虑到沙尘型气溶胶偏振信号较弱,将其所占比例固定为
15%;而水溶型和黑碳型气溶胶所占比例分别在
55%~85%和0~30%之间变化.在反演时,混合不
同比例的水溶型、
黑碳型、沙尘型气溶胶得到不同的气溶胶模式;然后,结合查找表,利用式(6)得到不同气溶胶模式的多角度偏振反射率;最后,利用式(5)计算各气溶胶模式的多角度偏振反射率
与卫星观测信号的标准偏差η,标准偏差η最小的气溶胶成分组合为反演得到的气溶胶模式. 3 结果验证与分析
选用2010年2月23日过境我国华北地区的一景POLDER3数据进行了反演试验.从图3假彩色合成图可以看出,华北地区出现大范围灰霾,北京、唐山等地的灰霾稍重于山东、河北南部,而北京、承德的灰霾污染程度较为接近.云标识图表明,由于厚霾的高反射特性,POLDER3官方
的产品将河北北部、北京、天津等地大部分霾象元识别为云.从本算法的反演结果可以看出,多角度偏振数据能较好的反演灰霾分布,在被误标识为云的区域也获得了结果,而且反演结果也能明显的区分灰霾的轻重状况,尤其是区分了河北北
部与北京的轻重
.
a
b
c
<1 1~2 2~4 4~5 5~6 >6
图3 2010年2月23日华北地区灰霾AOD 反演结果
Fig.3 Retrieved haze AOD image over North China Plain in Feb. 23, 2010
a.假彩色合成图,
b.云标识,
c.算法反演结果
464 中 国 环 境 科 学 37卷
为进一步验证反演结果,收集了2009~2010年过境华北地区的POLDER3数据反演气溶胶,同时使用AERONET 北京站的地面观测数据完
成算法验证.为统一比较,卫星观测和地面观测的
AOD 利用Angstrom 公式统一转换为0.55µm 波
段的光学厚度.为减小大气的区域不稳定性影响,
选取地面站点周围10km 范围的POLDER3有效
反演像元的AOD 取空间平均得到卫星观测数据;
参照Goloub 等[28]的研究方法,去除标准差小于
20%值以去除时间变化大的数据,选取卫星过境
前后1小时内的地面观测值取时间平均得到地
面观测数据.共获得87d 有效对比验证数据.验证结果如图4所示,可以看出本算法与地面观测数据有较好的相关性,相关系数大于0.9,但反演结
果要明显小于地面观测数据.
0.0 0.5 1.0 1.5 2.0 2.5
3.0 3.5
4.0
P A R A S O L 反演A O D
地面观测AOD
图4 算法结果验证 Fig.4 Validation of our algorithm
同时
验证了在灰霾发生时算法的反演结果,共获取11对比对数据.如图5所示,可以看出反演
结果与地面观测结果有较好的相关性(相关系数
大于0.8),但明显小于地面观测结果.在修正了反演的整体偏差后,共有4个比对结果落在10%误
差范围内,平均的相对误差可以控制在10%左右.研究表明[13],多角度偏振信号反演的AOD 主要体现细粒子贡献,一般来说,地基观测站点得到的总光学厚度要明显大于多角度偏振算法得到的结果.但本算法仅选取灰霾发生时的数据进行验
证,地面观测[29]表明,灰霾发生时,细粒子气溶胶
总体积所占比例增加到70%.因此,在考虑粗粒子的影响进而修正反演的整体偏差后,本算法对以细粒子为主的灰霾可以获得较好的反演精度. 0.00.5 1.0 1.5 2.0 2.5 3.0 3.5 4.0
P A R A S O L 反演A O D
地面观测AOD
图5 灰霾算法结果验证 Fig.5 Validation of AOD from our algorithm 4 讨论
4.1 地表偏振模型影响
在反演中采用半经验模型模拟地表偏振反射,根据NDVI 和地表类型调整地表偏振模型参数.由于地表类型采用IGBP 分类数据和LC2000数据[30],数据基本超过10a,不能及时反映地表变化较快地区的地表类型变化,会对反演带来误差.本文模拟了地表类型从森林变化为低植被时对灰霾气溶胶反演的影响.
01020
30405060绝对误差
相对误差(%)
AOD 0.0
0.1
0.2
0.3
0.4 图6 地表类型误判时反演结果 Fig.6 The error from wrong land cover type 模拟参数设置如下:各组分消光系数比例,水溶型70%,黑碳型15%,沙尘型15%;太阳天顶角
2期 张钰萌等：利用多角度偏振数据反演华北地区灰霾气溶胶 465
为36°,观测天顶角从-60~60°变化共16个,相对方位角为0°;AOD 设为0~4变化.
从图6可以看出,在AOD 较大时(大于0.5),由于地表偏振贡献要小于大气偏振贡献,当地表类型从森林变化为低植被时,反演的AOD 误差较小,绝对误差小于0.1,相对误差基本在10%以下,且随着AOD 的增加,误差有明显的降低.但AOD 较小时(小于0.5),地表偏振贡献较大,绝对误差最大超过0.3.
4.2 线性组合气溶胶组分的影响
在灰霾的多角度偏振反演中,为加快反演速度,结合Levy 等[6]的研究成果,采用线性组合各基本组分气溶胶信号的方法模拟混合气溶胶的偏振反射率.而在实际情况中,由于多次散射的影响,随着组分比例的变化,偏振反射率并非由各组分的信号线性组合得到.为简化分析过程,选取水溶型和黑碳型气溶胶进行混合模拟灰霾气溶胶偏振反射信号,水溶型气溶胶所占比例为85%,黑碳型为15%.混合气溶胶偏振反射率的计算是通过将两种气溶胶层各等分为5层,交替叠加的方式实现. AOD 固定为2.
80 90 100 110120
130 140150
0.00
0.02
0.04 0.06 0.08 偏振反射率
散射角(°)
图7 混合气溶胶偏振反射率与线性组合各组分偏振反
射率对比
Fig.7 The comparison between mixed aerosol and linear
adding aerosol
从图7可以看出,由于不同组分气溶胶之间
的多次散射,带来了偏振信号的降低,利用线性组合各组分信号得到的偏振反射率要稍微高于模拟得到的混合气溶胶偏振反射率,二者差距整体
在5%以内.因此,本文采用线性组合各组分气溶胶信号得到的偏振反射率会高估混合气溶胶的偏振反射率,进而会对反演的AOD 低估,还需在下一步的工作中改进算法以修正误差. 5 结论
5.1 与表观反射率数据相比,由于地表偏振反射较小,采用多角度偏振数据能更好的反演灰霾AOD.
5.2 与0.49µm 和0.67µm 波段相比,随着波长的增长,利用0.865µm 波段的多角度偏振信号,在重霾情况下,能更好的区分灰霾的轻重程度.
5.3 2010年2月23日重霾发生时的算法实验结果表明,多角度偏振数据能较好的反演灰霾分布,而且反演结果也能明显的区分重霾的轻重程度. 5.4 利用2009-2010年数据进行的算法验证表明,本算法与地面观测数据有较好的相关性,在灰霾发生时,AOD 的反演误差可以控制在10%左右.
但本算法获得结果要整体低于地面观测结果,可能是偏振信号对粗粒子不敏感、地表类型数据更新较慢、灰霾信号采用各气溶胶组分线性组合获得等原因有关,还需要在下一步的工作中加以改进.
参考文献：
[1] World Meteorological Organization 2005. WMO -No.782-
Aerodrome Reports and Forecasts: A User’s Handbook to the Codes [R] Geneva -Switzerland, 2005.
[2] 王新辉,苏 林,陶明辉,等.基于星地同步观测的华北平原中部
背景地区冬季霾污染过程 [J]. 中国环境科学, 2016,36(6): 1610-1620.
[3] Li S, Chen L, Xiong X, et al. Retrieval of the Haze Optical Thickness
in North China Plain Using MODIS Data [J]. IEEE Transactions on Geoscience and Remote Sensing, 2013,51(5):2528-2540.
[4] 王中挺,厉 青,李莘莘,等.基于环境一号卫星的霾监测应用
[J]. 光谱学与光谱分析, 2012,32(3):775-780.
[5] Kaufman Y J, Wald A, Remer L A, et al. Flynn. Remote sensing
of aerosol over the continents with the aid of a 2.2 µm channel [J]. IEEE Transactions on Geoscience and Remote Sensing, 1997, 36:1286-1298.
[6] Levy R C, Remer L A, Mattoo S, et al. Second -generation
operational algorithm: Retrieval of aerosol properties over land from inversion of Moderate Resolution Imaging Spectroradiometer
466 中国环境科学 37卷
spectral reflectance [J]. Journal of Geophysical Research D.
Atmosphere, 2007,112(13):D13211,doi:10.1029/ 2006JD007811. [7] Jackson J M, Liu H, Laszlo I, et al. Suomi-N PP VIIRS aerosol
algorithms and data products [J]. Journal of Geophysical Research D. Atmosphere, 2013,118:12,673–12,689.
[8] Hsu C N, Tsay S C, King M D, et al. Aerosol Properties Over
Bright-Reflecting [J]. IEEE Transactions on Geoscience and Remote Sensing, 2004,42(3):557-569.
[9] Hsu C N, Tsay S C, King M D. Deep Blue Retrievals of Asian
Aerosol Properties During ACE-Asia [J]. IEEE Transactions on
Geoscience and Remote Sensing, 2006,44(11):557-569.
[10] Veefkind J P, de Leeuw G, Durkee P. Retrieval of aerosol optical
depth over land using two-angle view satellite radiometry during
TARFOX [J]. Geophysical Research Letter, 1998,25:3135–3138. [11] Diner D J, Martonchik J V, Kahn R A, et al. Using angular and
spectral shape similarity constraints to improve MISR aerosol and
surface retrievals over land [J]. Remote Sensing of Environment,
2005,94:155-171.
[12] Herman M, Deuzé J L, Devaux C, et al. Remote sensing of
aerosols over land surfaces including polarization measurements
and application to POLDER measurements [J]. Journal of Geophysical Research, 1997,102(D14):17039-17049.
[13] Deuzé J L, Bréon F, Devaux C, et al. Remote sensing of aerosols
over land surfaces from POLDER-ADEOS 1polarized measurements [J]. Journal of Geophysical Research, 2001, 106(D5):4913-4926.
[14] 陈澄,李正强,侯伟真,等.动态气溶胶模型的PARASOL多角
度偏振卫星气溶胶光学厚度反演算法 [J]. 遥感学报, 2015, 19(1):25-33.
[15] Dubovik O, Herman M, Holdak A, et al. Statistically optimized
inversion algorithm for enhanced retrieval of aerosol properties from spectral multi-angle polarimetric satellite observations [J].
Atmospheric Measurement Techniques, 2011,4:975-1018.
[16] Cheng T, Gu X, Xie D, et al. Aerosol optical depth and fine-mode
fraction retrieval over East Asia using multi-angular total and polarized remote sensing [J]. Atmospheric Measurement Techniques Discussions, 2011,4:5689-5716.
[17] Wang Z T, Chen L F, Li Q, et al. Retrieval of Aerosol Size
Distribution from Multi-angle Polarized Measurements Assisted
by Intensity Measurements Over East China [J]. Remote Sensing
of Environment, 2012,124:679–688.
[18] 王朔,赵卫雄,徐学哲,等.北京一次严重雾霾过程气溶胶光学
特性与气象条件 [J]. 中国环境科学, 2016,36(5):1305-1312. [19] Kokhanovsky A A, Davis A B, Cairns B, et al. Space-Based
Remote Sensing of Atmospheric Aerosols: The Multi-Angle
Spectro-Polarimetric Frontier [J]. Earth Science Reviews,
2015,(2015), doi:10.1016/j.earscirev.2015.01.012.
[20] Tanré D, Bréon F M, Deuzé J L, et al. Global observation of
anthropogenic aerosols from satellite [J]. Geophysical Research Letters, 2001,28(24):4555-4558.
[21] Kacenelenbogen M, Léon J F, Chiapello I, et al. Characterization
of aerosol pollution events in France using ground-based and POLDER-2satellite data [J]. Atmospheric Chemistry Physics, 2006,6:4851-4866.
[22] Hess M, Kocpke P, Schult I. Optical Properties of Aerosols and
Clouds: The Software Package OPAC [J]. Bulletin of the American Meteorological Society, 1998,79(5):831-844.
[23] Li Z, Gu X, Wang L, et al. Aerosol physical and chemical
properties retrieved from ground-based remote sensing measurements during heavy haze days in Beijing winter [J].
Atmospheric Chemistry and Physics, 2013,13:10171-10183. [24] 魏鹏,李正强,王堰,等.灰霾污染状况下气溶胶组分及辐射
效应的遥感估算 [J]. 遥感学报, 2013,17(4):1021-1031.
[25] 王玲,李正强,李东辉,等.基于遥感观测的折射指数光谱特性
反演大气气溶胶中沙尘组分含量 [J]. 光谱学与光谱分析,
2012,32(6):1644-1649.
[26] Evans K F, Stephens G L A. N ew Polarized Atmospheric
Radiative Transfer Model [J]. Journal of Quantitative Spectroscopy and Radiative Transfer, 1991,46(5):413-423.
[27] N adal F, Bréon F M. Parameterisation of surface polarized
reflectance derived from POLDER spaceborne measurements [J].
IEEE Transactions on Geoscience and Remote Sensing, 1999, 37(3):1709-1718.
[28] Goloub P, Tanré D, Deuzé J L, et al. V alidation of the first algorithm
applied for deriving the aerosol properties over the ocean using the
POLDER/ADEOS measurements [J]. IEEE Transactions on Geoscience and Remote Sensing, 1999,37(3):1586-1596.
[29] 谢一凇,李东辉,李凯涛,等.基于地基遥感的灰霾气溶胶光学及
微物理特性观测 [J]. 遥感学报, 2013,17(4):970-980.
[30] Maignan F, Bréon F M, Fédèle E, et al. Polarized reflectances of
natural surfaces: Spaceborne measurements and analytical modeling
[J]. Remote Sensing of Environment, 2009,113:2642–2650.
致谢：本文的POLDER3多角度偏振一级数据从法国空间中心获得,米理论及RT3运算程序由美国科罗拉多大学的F.Evans教授提供,OPAC气溶胶特性由德国慕尼黑大学的M Hess教授和I Schult 教授提供,AERONET/PHOTONS北京站的气溶胶地面观测数据由中国科学院大气物理所的陈洪滨教授、法国的Philippe Goloub教授提供,在此表示感谢.
作者简介：张钰萌(1988-),男,河南郑州人,河南理工大学博士研究生,研究方向为大气遥感等.。