江苏省霾污染遥感监测业务化运行研究

牛志春，姜晟，李旭文，姚凌

(1.江苏省环境监测中心，江苏 南京 210036;2.中国科学院地理科学与资源研究所，北京 100101)

霾是大量极细微的干尘粒等均匀地浮游在空中，使水平能见度小于10 km的空气混浊现象，其来源有风沙尘土、火山爆发、森林火灾等自然原因，也有工业排放、建筑扬尘、汽车尾气、垃圾焚烧以及生活废气等人为原因［1－2］。江苏省随着经济发展，机动车保有量与在建项目不断增多，霾污染问题日益突出，包括江苏省在内的长三角地区已成为全国霾污染最为严重的地区之一。

大气环境监测能力建设为霾污染研究提供了较好的数据基础，但现阶段受制于监测经费和场地条件制约，针对霾污染开展多项目自动监测的超级站数量相对有限，难以反映区域范围内大气环境质量状况。卫星遥感技术具有覆盖范围广、快速实时、动态高效等优势，并且可以获得区域二维空间数据，对地面监测结果形成有效补充。从环境管理需求来看，霾污染遥感监测业务化应满足数据快速获取，反演模型算法尽可能高效，不能依赖太多的参数和支撑数据，计算时间不能过于漫长，监测结果能宏观准确地反映区域霾污染颗粒物分布情况等条件。目前，国内外学者对霾污染遥感监测原理及反演算法进行了大量研究，基本上都是基于限定地区、限定数据的定量方法研究，要实现业务化应用还存在不足。因此有必要从霾污染遥感监测业务流程出发，构建一套合理、可行、适用的环境监测业务化运行体系，满足大气污染防治环境管理需求。

1 霾污染遥感监测业务化运行研究

从霾污染遥感监测业务化运行流程来看，包括4个方面，即数据库构建、遥感数据预处理、大气颗粒物浓度遥感定量估算、霾污染遥感监测与评价。霾污染遥感监测实际业务化运行应尽可能快速获取数据，处理数据，反演污染物程度，及时发布监测日报。要实现业务化，需优选数据源及大气颗粒物浓度遥感反演方法。

在霾污染遥感监测数据选择上，主要从数据的可获取性、连续性及完整性出发，筛选出可业务化运行的数据资料，遥感数据主要选择MODIS实时过境数据及气溶胶产品数据，地面数据主要以大气自动站实时监测数据为主。

在大气颗粒物浓度遥感反演算法选择上，应满足遥感影像运算效率高、速度快，能最大程度定量反演大气颗粒物浓度的业务化运行需求。目前，国内外卫星遥感反演大气颗粒物浓度的算法基本上都是基于物理方法和统计方法构建模型，实际上卫星遥感观测到的信息是“气溶胶－大气参量－地表覆被”间辐射传输相互作用的结果［3］，各种简单化的参数方案会增加辐射传输模型反演过程中的不确定性［4－5］。基于人工神经网络的遥感估算模型则能够快速、准确地建立卫星遥感数据与大气颗粒物浓度之间的非线性关系，能够极大地提高大气颗粒物浓度反演精度。霾污染遥感监测与评价业务化运行技术路线见图1。

1.1 数据库构建

遥感数据主要选取2011—2013年MODIS原始观测数据及MOD04_L2气溶胶产品数据，地面实测数据主要选取2013年全省大气自动站实测数据，包括可吸入颗粒物、细颗粒物及能见度等。ECMWF气象再分析资料包括温度、相对湿度、风速、风向等参数，研究数据见表1。

1.2 遥感数据预处理

EOS/MODIS遥感数据预处理主要包括几何纠正、投影转换及数据同化等，利用MODIS数据自带的经纬度波段信息对影像进行几何精纠正，建立查找表，选择经度波段和纬度波段，设置参数，确认地图投影转换，选择 WGS 84经纬度坐标系统［6－7］，通过双线性插值法逐点计算，实现MODIS影像数据预处理。

图1 霾污染遥感监测与评价业务化运行技术路线

表1 研究数据列表

1.3 大气颗粒物浓度遥感定量估算

该研究主要基于MODIS 1B数据利用LM－BP人工神经网络算法建立大气颗粒物PM10和PM2.5遥感估算模型。基于LM－BP算法的神经网络包括输入层、隐藏层和输出层，每层都包含多个节点或神经元。输入层包括经过数据预处理的MODIS观测信号、气溶胶光学厚度产品、卫星－太阳几何角等，输出层为地面实测的 PM10和 PM2.5浓度数据，输入层与输出层之间为隐藏层，通过调整训练过程中的权重减小误差。神经网络的节点(神经元)之间通过输出信号和权重相联系，输出信号和权重通过线性激活函数来调整。模型的训练是一个迭代的过程，权重系数与各个节点有关，每次训练后，使用测试数据集来监测网络的输出结果，根据方差函数之和(理论误差和实际误差的差的平方和)优化输入向量相应的权重。其计算公式为:

式中:N——训练样本的数目;Ytari——目标值;Youti——第i个样本的实际输出值。

训练过程是将输入数据反复输入神经网络，在数据每次通过时计算输出数据，并与目标数据相比得到一个误差，再将这个误差反馈给网络，通过网络的迭代训练调整权重值，直至得到最小方差的最优权重，此时训练完成，所得网络即可根据新的输入数据进行估算。

1.4 霾污染遥感监测与评价

在霾污染遥感监测与评价指标选择方面，兼顾了霾污染遥感监测指标空间定量估算可达性及现有标准，采用层次分析法，选取 PM2.5、PM10、气溶胶光学厚度、能见度、气溶胶吸收系数+散射系数、温度、相对湿度、风速、风向等参数作为候选指标，进行贡献率分析，结果如表2所示。因此，在构建业务化霾污染综合评价指标时，最终选用PM2.5、PM10以及气溶胶消光系数(气溶胶吸收系数+散射系数)3个因子为主要参数，对霾污染程度进行监测与评价。

表2 霾污染遥感监测评价因子贡献率统计

2 典型霾污染天气遥感监测业务化应用

按以上遥感监测业务化运行流程及方法，分析评价了2013年1月江苏省2次持续时间较长、涉及范围较大的典型霾污染。第一次时间为1月7—16日，地面监测结果显示，全省空气质量普遍处于重度污染状态，大气首要污染物项目为PM2.5，13个省辖市中卫星过境期间PM2.5质量浓度值最高达278 μg/m3(1月12日，无锡市)，PM10质量浓度值最高达343 μg/m3(1月12日，淮安市)。根据遥感影像分析，此次霾最早集中出现在江苏省中西部的南京、淮安一线，之后随大气作用影响苏南及周边地区并进一步扩散至全省范围，太湖周边及苏北地区成为此次受污染程度较重的区域，大气主要污染物PM2.5和PM10浓度超过全省平均水平，为省内主要高值分布区。

2013年1月，第二次大范围霾污染发生时间为1月24—30日，地面监测结果显示，全省空气质量多数处于重度污染状态，大气首要污染物项目为PM2.5，13 个省辖市中卫星过境期间 PM2.5浓度值最高达413 μg/m3(1 月30 日，扬州市)，PM10浓度值最高达452 μg/m3(1月30日，扬州市)。根据遥感影像分析，此次霾前期主要集中出现在江苏省苏中、苏南地区，后期随大气作用影响进一步扩散至全省范围，13个省辖市中扬州、泰州以及南京成为此次受污染程度最重的地区，大气主要污染物PM2.5和PM10浓度超过全省平均水平，为省内主要高值分布区。从污染最严重的2天遥感监测与地面实测结果对比分析来看，遥感监测结果与地面实测结果基本一致，同时，遥感监测结果能较直观地反映霾污染的区域分布差异。江苏省霾污染遥感监测与地面监测结果见图2(a)(b)。

3 结论

遥感技术对于大范围、宏观监测霾污染状况具有较大优势，如何实现霾污染遥感监测业务化，有效补充地面监测结果是大气污染防治较为关注的问题之一。从霾污染遥感监测业务化流程出发，详细梳理了遥感数据获取、资料收集及霾污染状况遥感评价需解决的关键问题。结果表明，要快速实现霾污染遥感监测业务化，在遥感数据的选取上，应以MODIS数据实时过境接收数据为主，以气溶胶产品、气象数据为辅;数据预处理主要包括几何精纠正及投影转换;大气颗粒物遥感反演选择LMBP人工神经网络模型算法，高效、快速、准确反演区域颗粒物浓度，在霾污染遥感监测评价因子选取上，利用层次分析法进行筛选，选取 PM2.5、PM10以及气溶胶消光系数作为遥感评价指标。基于以上流程，对2013年1月2次典型的霾污染状况进行了星地同步对比分析，发现霾污染遥感监测结果与地面实测结果基本一致，而且可以较好地反映霾污染状况的空间分布及地域差异，为霾污染区域联防联控提供参考。

图2 江苏省霾污染遥感监测与地面监测结果分析

［1］中国气象局.地面气象观测规范［M］.北京:气象出版社，2003.

［2］中国气象局.QX/T113－2010 霾的观测和预报等级［S］.北京:气象出版社，2010.

［3］李旭文，牛志春，王经顺，等.遥感影像反演区域能见度及其与地面空气质量监测数据一致性研究［J］.环境监测管理与技术，2011，23(1):20 －27.

［4］MIAO R，LU N，YAO L，et al.Multi－ Year Comparison of Carbon Dioxide from Satellite Data with Ground－Based FTS Measurements(2003 －2011)［J］.Remote Sens，2013，5(7):3431－3456.

［5］SHEN L，WU L，DI G，et al.Hidden Markov Models for Real-Time Estimation of Corn Progress Stages using MODIS and Meteorological Data［J］.Remote Sens，2013，5(4):1734 － 1753.

［6］周靖斐，周汝良，李绍辉，等.MODIS L1 B数据的辐射定标及太阳天顶角订正研究［J］.西南林学院学报，2010，30(3):77－81.

［7］LING Y，NING L，SHENG J.Artificial neural network(ANN)for multi－ source PM2.5Estimation using surface，MODIS，and meteorological data［J］.ICBEB，2012(10):1228 －1231.