霾光谱特性分析与卫星遥感识别算法

葛 巍、陈良富、司一丹、葛 强、范 萌*、李莘莘*

1. 中国科学院遥感与数字地球研究所遥感科学国家重点实验室,北京 100101 2. 河南大学计算机与信息工程学院,河南 开封 475004

霾光谱特性分析与卫星遥感识别算法

葛 巍1、陈良富1、司一丹1、葛 强2、范 萌1*、李莘莘1*

1. 中国科学院遥感与数字地球研究所遥感科学国家重点实验室,北京 100101 2. 河南大学计算机与信息工程学院,河南 开封 475004

近年来、我国频繁发生的灰霾污染事件和常态性的高细颗粒物浓度(PM2.5)、已经引起了全世界范围的广泛关注。卫星遥感能够对大气污染进行快速准确地监测。然而在大气遥感领域具有代表性的中分辨率成像光谱仪(NASA/MODIS)、其云监测和暗像元反演算法通常把灰霾当做薄云、雾或地表亮目标处理、无法反演霾天的气溶胶光学厚度(aerosol optical depth,AOD)。笔者研究了云、雾、霾、地表覆盖等不同像元在可见光、近红外以及红外通道的光谱特性。基于MODIS数据、参考相关的云监测和气溶胶反演算法、选取多个对灰霾敏感的光谱通道、计算表观反射率和亮度温度。针对不同波段、分别探讨了霾与薄云、低层云、雾、浓密植被和地表亮目标等像元之间的光谱差异、统计灰霾分布的阈值区间、并设计基于MODIS卫星遥感数据的灰霾识别自动处理流程。通过对2008年华北平原春夏两个重霾事件进行测试、该算法的霾分布监测结果与卫星真彩图具有较好的一致性。基于北京和香河AERONET站点观测的高AOD数据、验证了本算法的霾识别率接近80%、在一定程度能够弥补MODIS标准气溶胶算法用于灰霾天的不足。最后、分析了灰霾识别过程中的主要误差来源、并提出了基于霾纹理特征、以及其他辅助数据支撑的改进方法。

霾； 光谱特性； MODIS； 表观反射率； 亮度温度

引 言

随着我国社会经济的快速发展、以可吸入颗粒物(PM2.5)、NO2和SO2等为代表的大气污染物排放大量增加、我国的空气质量状况受到社会各界的广泛关注。相关监测结果表明、我国约三分之一的国土、近一半人口正在遭受灰霾的危害、特别是华北平原、珠江、长江三角洲、成渝等地区面临更加严重的大气污染。除了影响气候变化和生态环境外、霾对公共健康带来的负面效应跟人类更加密切、如能够诱发呼吸道系统疾病、心脑血管病、小儿佝偻病等多种疾病。目前环保部门主要从空气质量的角度关注霾天近地面的PM2.5、NO2和SO2等污染物浓度。这些近地面上“点”尺度的监测、虽然可以及时了解监测点附近的霾天污染状况、但缺乏对大尺度的霾分布、霾光学特性、霾颗粒物浓度等的监测能力。

卫星遥感具有大面积覆盖、准实时获取等特点、对于颗粒物污染可以进行快速准确地监测。霾颗粒物主要是由空气中悬浮着的极小的、相对湿度较小的微粒组成、从定义来看霾是大气气溶胶的一种类型[1]。但是、目前国内外流行的卫星传感器和反演算法、通常只在晴天条件下、才能对大气气溶胶进行较好的监测。以气溶胶观测领域具有代表性的NASA对地观测系统EOS/MODIS为例、它不能提供我国霾天的气溶胶光学厚度产品。这主要是因为：首先、气溶胶产品生产过程中需要剔除云的影响、而以MODIS数据为代表的多通道云检测算法、通常错误地将雾霾等重污染情况识别成薄云、低层云等[2-3]。另外、MODIS标准的暗像元算法、通常只在浓密植被地区具有较好效果、对反射率较高的亮目标地区并不适用[4]。而雾霾天较强的气溶胶多次散射、通常使得卫星观测的可见光至近红外波段具有较强的反射、进一步导致暗像元算法将雾霾当作高反射地表而不进行处理。第三、地基观测表明、霾粒子的光学特性明显不同于晴天气溶胶[5]、传统的晴天气溶胶模式也不适用于霾光学厚度反演[3]。以上原因从深层次可以进一步解释为：欧美等发达国家大气污染现象相对较少、导致其研究灰霾的卫星监测算法动力不足。近年来、国内外学者逐渐尝试解决该领域的相关科学问题。如MODIS气溶胶标准算法从第五、六版本起、就不断更新它的气溶胶识别阈值[6],尝试反演极端事件情况下的AOD。Remer等讨论了不同空间尺度对云和重污染情况下气溶胶反演的影响[7]。Shang等对比了晴天和重污染情况下云量、云相态和云顶压强的不同[8]。但总的来说、目前国内外关于雾霾分布和光学厚度的卫星遥感研究还相对较少。

本文主要从卫星遥感角度研究霾的光谱特性和识别算法。其中第二部分主要对霾、云、地表等像元在可见光与红外通道的光谱特性进行分析、第三部分构建基于MODIS的多通道反射率与亮温阈值、第四部分介绍了霾识别的数据处理流程、最后给出了霾的遥感识别结果并对误差进行了分析。

1 霾的光谱特性分析

1.1 霾可见光反射光谱特征

卫星在可见光波段(0.38～0.74 μm)测量主要来自地面、云等反射的太阳辐射。在特定的太阳高度角下、卫星接收到的辐射信号、以及反映在遥感影像上的色调、通常与物体的反射率成正比。从定量遥感角度来看、云和气溶胶等反映在卫星信号上的强度可以用光学厚度来表示。相对于云和气溶胶来说、霾的光学厚度通常介于1～3之间； 晴天的气溶胶光学厚度通常比较小、值域在0.7以下； 而云的光学厚度则可高达10以上。从图像处理角度来看、霾与晴空区之间通常没有明显的边界、而云通常与晴空区之间的边界比较明显。

1.2 霾近红外反射光谱特征

在近红外(0.7～2.5 μm)的水汽强吸收通道、霾粒子的反射贡献主要来源于其有效半径。监测发现我国频发的灰霾是由高浓度的细颗粒物组成、包括黑碳、有机颗粒物、硫酸盐、硝酸盐、铵盐等[1]、粒子直径相对较小(0.001～10 μm)、平均1～2 μm。由于霾颗粒物能够散射波长较长的太阳光、因而从遥感影像上看起来呈黄色或灰白色。云和雾粒子是由液态水或冰晶组成的、其散射光与波长关系不大、在遥感影像上通常看起来呈白色。

1.3 霾热红外辐射光谱特征

在中红外、远红外通道(2.5～25 μm)上云、雾、霾、地表等具有不同的亮度温度。由于霾主要分布于边界层、受下垫面影响较大、因此它与地表的亮温差较小、而与云(尤其是高层冷云)的亮温差则较大。因此、可以通过设定不同红外通道亮温和亮温差阈值来进行霾像元识别。

2 基于反射率与亮温的霾识别阈值算法

参考相关云检测[9-12]和气溶胶反演算法[6]、选取如下MODIS 10个对云、水汽、温度、气溶胶、地表等有较强敏感性的波段进行研究(见表1)[13]。其中、可通过MODIS 1～19与26通道计算可见光与近红外波段的表观反射率、通过20～25与27～36通道辐亮度计算中红外波段的亮度温度。

表1 MODIS霾识别的敏感波段

霾检测阈值是根据2008年春夏华北平原的典型灰霾过程、基于MODIS数据进行统计分析获得。具体的阈值设定是首先选取霾发生天的卫星数据、通过对真彩影像的分析、并辅助相关的气象和地基观测资料、勾画出大致的霾发生范围、并按可信度进行简单区分。在此基础上、计算不同通道的表观反射率和亮度温度、并分析它们在霾区域的值域分布。最后、综合多个霾天过程、针对每个通道尽量设置较宽的阈值范围以减少误判。如图1显示了2008年3月11日华北平原MODIS真彩色合成图、从卫星图像上可以看出河北及山东大部、河南北部发生了阴霾天气； 北京、河南西南部有云层覆盖、但是云下的霾也很严重； 渤海上空受大雾笼罩。

图1 2008年3月11日MODIS数据真彩色合成图

2.1 可见光与近红外通道的反射率阈值

2.1.1 MODIS可见光通道反射率

首先运用MODIS数据可见光通道1(0.66 μm)和3(0.47 μm)、利用云、雾和霾反射率的差异进行检测、主要剔除厚云、浓雾、洁净地表等对霾检测的干扰、当研究区域的反射率差异较大时、该方法比较有效。如图2、红蓝波段厚云和浓雾的反射率远大于霾覆盖的反射率、其值在0.4以上； 而洁净大气下陆地的反射率最大值也不超过0.2、可以从某种程度上区分霾和洁净大气下的浓密植被。综合考虑霾检测的准确性、最终将通道1和3的反射率阈值分别定为[0.13～0.32]与[0.25～0.4]。这一值域范围在保证大部分厚云被排除的同时、防止了将较重的霾及较亮的地物误判为云。

图2 2008年3月11日MODIS数据(a)通道1反射率; (b)通道3反射率

2.1.2 MODIS近红外与可见光波段的反射率比值

MODIS通道2(0.87 μm)与通道1的反射率比ρ0.87/ρ0.66对云、水体和霾有着不同的值。如图3(a),对云而言、在这两个光谱上的反射率相近、介于0.9～1.1之间。对于水体而言、其红光波段的反射率约为近红外波段的2倍、使该比值大约为0.5左右； 而当霾发生时、该比值显著增加(总是大于1)。通过对多时相MODIS数据的比较、最终将阈值范围定为[1～2.4]。

MODIS近红外通道18(0.936 μm)位于低层水汽的强吸收带中、霾发生时地面的辐射很难到达传感器、所以可以用通道18与通道2的比值(ρ0.936/ρ0.87)区分霾与洁净大气覆盖的地表。如图3(b)所示、该比值在有霾覆盖区域低于洁净大气下的地表反射率、在有霾覆盖的陆地表最大值不超过0.6、而在洁净大气覆盖的陆地表基本都大于0.5。通过多时相MODIS遥感数据分析、将值域范围定为[0.25～0.6]。

图3 2008年3月11日MODIS数据(a) 通道2与通道1反射率比; (b)通道18与通道2反射率比

2.1.3 MODIS近红外波段反射率

MODIS通道26 (1.38 μm)处于水汽的强吸收带上。如图4(a)反射率ρ1.38可以较有效地检测出卷云、因为卷云通常位于对流层上层、绝大部分水汽在卷云下方、当卷云存在时、卫星将观测到很强的被卷云散射的太阳辐射、一般都在0.03以上。通过多时相MODIS遥感数据分析、将值域范围定为[0～0.025]。

MODIS第7通道(2.1 μm)位于大气窗口、洁净天气溶胶的影响在此通道比可见光波段小15～30倍、可以忽略不计。然而2.1 μm波段的表观反射率在霾天时受大气散射影响比较强、如图4(b)、霾发生区域的表观反射率值明显高于洁净大气覆盖下浓密植被区域、所以可以通过设定2.1 μm阈值区分霾与洁净大气覆盖下的浓密植被。通过多时相MODIS遥感数据分析、将值域范围定为[0.1～0.35]。

图4 2008年3月11日MODIS数据(a)通道26反射率; (b)通道7反射率

2.2 红外通道的亮温阈值

2.2.1 MODIS红外通道亮度温度

霾与云的主要区别之一就是霾具有较高的亮温、可以选取MODIS的第31(11 μm)、35(13.9 μm)通道、设定简单的值域进行霾与中高层冷云的区分。图5显示了MODIS中红外通道的亮温分布、有云区域的亮温一般都非常低、而霾覆盖地区的亮温就要高出很多。通过对多时相MODIS数据分析、最终将BT11和BT13.9亮温阈值范围分别设为[280～300]和[230～250]。

2.2.2 MODIS红外通道亮温差

在陆地面上、发射率随波长变化、为了避免地面发射率随波长变化、可以选择MODIS中红外波段两个光谱相近通道20与22的亮温差(BT3.7-BT3.9)来进行霾检测。如图6(a)和(b),霾覆盖的下垫面的亮温要高于厚云、高云覆盖区域、但是其亮温差[图6(c)]要比有云区的亮温差低得多、一般都在12K以下。通过对霾发生过程的MODIS影像分析、最终将霾识别阈值范围定为[0～12]。

图5 2008年3月11日MODIS数据(a)通道31亮温; (b)通道35亮温

中红外波段3.7 μm包含物体自身发射和其反射太阳的辐射、而且以反射太阳辐射所占的份额居多、其中强度与粒子的有效半径成反比。可以通过MODIS 11和3.7 μm之间的亮温差(BT3.7-BT11)进行像元识别。由于霾粒子小于云雾粒子、其亮温差BT3.7-BT11通常介于云和洁净大气覆盖的地表之间[如图6(d)]。通过多时相MODIS遥感影像分析、将BT3.7-BT11阈值设为[10～20]。

图6 2008年3月11日MODIS数据(a)通道20亮温; (b)通道22亮温; (c)通道20与通道22亮温差; (d)通道20与通道31亮温差

Fig.6 Brightness temperatures at MODIS (a) Channel 20; and (b) Channel 22; The brightness temperature differences (c) between MODIS Channel 20 and 22; and (d) between MODIS Channel 20 and 31 on March 11,2008

3 霾识别数据处理流程

霾识别数据处理流程需要首先对MODIS L1B数据进行预处理、获取不同通道的反射率与亮温值。根据章节3设定的阈值、分别进行厚云、高云、薄云、中低云、雾、浓密植被覆盖的下垫面以及亮目标地区的像元识别。霾掩码在不同通道阈值的基础上不断优化生成、具体如下：

(1)MODIS数据预处理

首先对MODIS数据进行辐射定标、根据定标参数的增益和偏移、将DN值转换为大气层顶表观反射率ρTOA与辐亮度L。进而通过普朗克公式[式(1)]、将辐亮度转换为亮度温度。

Mλ(T)=2πhc2λ-5[exp(hc/λkT)-1]-1

(1)

Mλ(T)为辐射出射度、h为普朗克常数、k为玻尔兹曼常数、c为光速。据上式得式(2)

(2)

BTi是MODIS第i波段的亮温、Li是MODIS第i波段的辐亮度、λi是第i波段的有效中心波长、C1和C2为常数。

(2)霾与厚云、高层冷云的识别

对于云和霾的检测首先从容易识别的厚云、高层冷云开始。通过对云和各种下垫面在红蓝通道上的光谱分析、选择MODIS通道1和3反射率进行厚云检测。高层冷云相对霾覆盖地表来说具有较低的亮温。MODIS第31通道(BT11)的辐射主要来自下垫面、大气的贡献相对较小、其亮温阈值对于较冷的高云检测效果比较好。MODIS中红外波段通道20与22的亮温差(BT3.7-BT3.9)主要用于剔除比较亮的云、另外碎积云及高层冷云也能检测出来。

(3)霾与高层薄云、中低云、浓雾的识别

MODIS第26通道反射率ρ1.38对于来自下垫面的反射会由于霾层中大量水汽的吸收而减弱、可以设定合适的阈值有效的检测高层薄卷云； MODIS第35通道通常用于检测云高、对于高层薄云比较敏感； 结合MODIS可见光通道1与近红外通道2、通道18、设定反射率比值ρ0.87/ρ0.66和ρ0.936/ρ0.87、对于排除部分高层薄云、碎云、积云具有明显优势； 由于低层云、雾粒子远大于霾粒子、可以通过MODIS 11和3.7 μm之间的亮温差(BT3.7-BT11)进行霾与中低云、浓雾的识别。

(4)霾与地表像元的识别

NASA/MODIS暗像元算法反演全球气溶胶产品时、选择短波近红外通道2.12 μm反射率进行浓密植被的识别、并根据0.66 μm的反射率对网格内像元进一步筛选、排除掉较亮的像元[6]。然而、霾天大气散射较强、霾在2.12和0.66 μm处的反射率较高、即通常被认为不处理的亮目标地表。因此、有必要选择MODIS第1、2、7、18和20通道从地表像元中进一步识别霾。另外、由于霾发生时水汽含量相对洁净大气覆盖的下垫面明显偏大、可以用通道18与通道2的比值(ρ0.936/ρ0.87)、区分霾与浓密植被和亮目标地表。

4 霾识别结果与分析

4.1 霾识别结果

为了验证算法的适用性、选择我国雾霾频发的华北平原作为实验区。图7分别展示了2008年春夏两个雾霾过程。其中、华北平原春冬季霾[图7(a),(b),(c)]发生时大气层通常比较稳定、气象条件不太利于污染物的扩散、若无降雨等天气影响、霾分布范围较广且持续时间较长。通过目视解译、从真彩色合成图[图7(a)]可以看出、阴霾覆盖了华北平原大部分地区、其中河北南部、山东东部等地区霾浓度较高、真彩图色调较灰； 山西、安徽、江苏等地霾相对较轻、真彩图中可以透过霾看到下垫面浓密植被分布。图7(b)显示了MODIS气溶胶标准产品缺少霾发生区域的光学厚度。图7(c)显示了基于多通道阈值的华北平原霾卫星遥感识别结果、与真彩图灰色调区域对应较好。图7(d),(e),(f)展示了华北平原夏季的霾过程、通常由于较强的光化学反应和颗粒物吸湿增长引起。对应的MODIS产品[图7(e)]同样无法反演河北大部以及河南北部的霾发生区域的气溶胶光学厚度。我们的霾识别结果[图7(f)]有效的弥补了MODIS标准产品的不足。

图7 基于MODIS数据的卫星真彩图(a,d); MODIS气溶胶产品(b,e); 霾分布识别结果(c,f)

评价定量遥感效果的黄金标准是采用地基真值进行验证。如卫星遥感的气溶胶光学厚度产品通常采用地基AERONET观测网数据进行验证。为了进一步评价霾识别结果、处理了AERONET北京站和香河站的AERONET Level 2.0数据、并选取2008年春夏61个光学厚度大于0.7的样本。验证结果表明、本文的霾识别算法能够匹配49个样本点、霾识别率接近80%(49/60),而同期的MODIS标准产品只匹配了29个数据、识别率低于50%。

4.2 霾识别误差分析

霾识别的精度主要受薄云、低层云、轻雾、亮地表等因素影响。基于可见光与近红外通道反射率可以在一定程度上将霾区别出来、但是从统计结果上看、尽管霾反射率分布有一定的特殊性、与薄云等像元重合的部分也非常明显。因此利用表观反射率用于霾和薄云、亮地表等区分存在一定误差。基于红外通道亮温及亮温差阈值对于剔除较冷的云层效果较好、但由于霾和低层云主要分布于边界层、受下垫面影响较大、通过简单亮温设定对区分低层云、洁净天亮地表、以及有霾覆盖的下垫面效果并不理想。针对雾与霾伴生出现的现象、本算法目前还难以区分。

大多数霾是在稳定的天气条件下形成的、从图像处理角度来看、其亮度变化不明显。而由于云的形态众多、边界不像霾区那么整齐。所以可以通过选取合适区域范围、计算某个像元与周边数据的反射率/亮温差异(如方差)、对霾、云的识别进行优化。雾和霾的存在都会降低空气透明度、霾天发生时能见度通常在1～10 km之间、而雾天则降低到1 km以内。为了减少霾像元的误判、在霾光学厚度反演结束后、可以设定不同能见度对应的光学厚度阈值进一步区分雾、霾与晴天亮地表。由于霾天发生时空气湿度相对较高、但低于雾天、也可以通过水汽含量等辅助数据对霾识别算法进行纠正。另外、卫星遥感也可以提供云顶高度、云压、云光学厚度等参数、可以辅助进行云和雾霾的区分[8]。

5 结 论

NASA对地观测系统EOS/MODIS的遥感监测产品中只有晴天气溶胶光学厚度、很多情况下将霾作为地表亮目标、薄云或者雾处理、通常不能反演霾天的气溶胶光学厚度。霾的识别问题目前在国内外还没有进行系统研究。借鉴MODIS云检测算法、通过分析云、雾、霾、地表等在可见光和红外通道光谱特性不同、设定MODIS多个敏感波段的阈值。在霾分布的卫星遥感产品生产过程中、首先完成了MODIS数据的表观反射率、亮度温度计算等预处理工作、进而由易到难分别实现霾与厚云、高层冷云、高层薄云、中低云、浓雾、地表像元等的区分。通过展示2008年春夏两个灰霾过程、提出的霾监测算法可以弥补MODIS标准气溶胶产品在霾发生区域的不足、与真彩图对应的重污染区域一致性也较好。误差分析表明霾识别的精度主要受薄云、低层云、轻雾、亮地表等因素影响、而通过计算机图像纹理、水汽、能见度、云参数等数据和辅助手段、可以降低霾识别的误差。

目前、霾识别算法已经应用到环境保护部卫星环境中心业务系统中、并成功监测到2013年1月27日我国140万km2的灰霾分布(来自新闻联播http://news.xinhuanet.com/energy/2013-01/31/c_124302447.htm)。在本算法的基础上、Li等通过进一步解决地表噪声去除和霾气溶胶模式问题、反演了霾天情况下的气溶胶光学厚度[3]、该算法弥补了MODIS晴天产品的在我国的不足。未来、通过大气化学模式等辅助数据支撑、我们将在本算法的基础上对不同类型的灰霾(如工业污染、生物质燃烧、沙尘传输)和污染源进行解析。由于阈值识别算法都有一定的时空局限性、本文列出的相关阈值主要也是针对华北平原春夏季的灰霾情况进行提取、扩展到更大范围还需要考虑区域和季节的差异进行调整。随着我国风云、环境、高分系列遥感卫星相继成功发射、上面搭载的传感器某些波段与MODIS具有相似性。而我国频发的重雾霾事件、也使得本研究对于国产卫星在我国特有的大气污染监测具有借鉴意义。

[1] WU Dui(吴 兑). Acta Scientiae Circumstantiae(环境科学学报),2012,32(2): 257.

[2] Liang S,Zhong B,Fang H. Remote Sensing of Environment,2006,104(4): 416.

[3] Li S,Chen L,Xiong X,et al. IEEE Transactions on Geoscience and Remote Sensing,2013,51(5): 2528.

[4] Li S,Chen L,Tao J,et al. Science China Earth Sciences,2012,55(9): 1545.

[5] Wang Y,Zhuang G S,Sun Y L,et al. Atmospheric Environment,2006,40(34)：6579.

[6] Levy R C,Mattoo S,Munchak L A,et al. Atmospheric Measurement Techniques,2013,6: 989.

[7] Remer L A,Mattoo S,Levy R C,Atmospheric Measurement Techniques,2012,5(7): 1823.

[8] Shang H Z,Chen L F,Tao J H,et al. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing,2014,7(12): 4879.

[9] Platnick S,King M D,Ackerman S A ,et al. IEEE Transactions on Geoscience and Remote Sensing,2003,41(2): 459.

[10] Stubenrauch C J,Rossow W B,Kinne S,et al. Bulletin of the American Meteorological Society,2013,94(7): 1031.

[11] MA Hui-yun,LI De-ren,LIU Liang-ming,et al(马慧云,李德仁,刘良明、等). Geomatics and Information Science of Wuhan University(武汉大学学报信息科学版),2007,32(6): 506.

[12] Letu H,Nagao T M,Nakajima T Y,et al. Applied Optics,2014,53(31): 7523.

[13] Xiong X,Chiang K,Sun J,et al. Advances in Space Research,2009,43(3): 413.

*Corresponding authors

Haze Spectral Analysis and Detection Algorithm Using Satellite Remote Sensing Data

GE Wei1,CHEN Liang-fu1,SI Yi-dan1,GE Qiang2,FAN Meng1*,LI Shen-shen1*

1. State Key Laboratory of Remote Sensing Science,Institute of Remote Sensing and Digital Earth of Chinese Academy,Beijing 100101,China 2. Computer and Information Engineering College,Henan University,Kaifeng 475004,China

Frequent occurring of haze pollution events and high fine particulate matter (PM2.5) concentration in China have attracted more and more attention in the world. Satellite remote sensing can be used to characterize the air pollution. However,haze is usually misidentified as fog,thin cloud or bright surface in NASA’s Moderate Resolution Imaging Spectrometer (MODIS) cloud and clear days’ aerosol products,and the retrieval of its optical properties is not included in MODIS cloud detection and dark target algorithm. This approach first studies the spectral characters of cloud,fog,haze,and land cover pixels. Second,following the previous cloud detection and aerosol retrieval literatures,a threshold algorithm is developed to distinguish haze from other pixels based on MODIS multi-band apparent reflectance and brightness temperature. This algorithm is used to detect the haze distribution over North China Plain in 2008 spring and summer. Our result shows a good agreement with the true-color satellite images,which enhances MODIS’s ability to monitor the severe air pollution episodes. In addition,the high AOD data from Beijing and Xiang Aerosol Robotic NETwork (AERONET) sites indicate nearly 80% haze days are detected by our approach. Finally,we analyze the errors and uncertainties in haze detection algorithm,and put forward the potential improvements.

Haze; MODIS; Spectral analysis; Apparent reflectance; Brightness temperature

Oct. 8,2015; accepted Feb. 1,2016)

2015-10-08、

2016-02-01

国家自然科学基金面上项目(41471367、41571417)资助

葛 巍、1981年生、中国科学院遥感与数字地球研究所博士研究生 e-mail: gw7319@163.com *通讯联系人 e-mail: lishenshen@126.com

TP79

A

10.3964/j.issn.1000-0593(2016)12-3817-08