采用二流式算法的GOCIAOT反演方法及其应用

姚玲玲, 张霄宇, 江彬彬

(浙江大学 地球科学学院,空气污染与健康研究中心,浙江 杭州 310027)



采用二流式算法的GOCIAOT反演方法及其应用

姚玲玲, 张霄宇, 江彬彬

(浙江大学 地球科学学院,空气污染与健康研究中心,浙江 杭州 310027)

针对静止海洋水色传感器(GOCI) 2.1 μm短波红外通道缺失和高太阳天顶角的特点,采用二流式算法,并考虑气溶胶的折射率、地球曲率等因素,重新计算地表反射率、表观反射率以及反演GOCI气溶胶光学厚度(AOT).结果表明：参数重新计算后的GOCIAOT反演精度明显增高；根据目前广泛使用的实测AOT(440 nm)>1.00霾判定阈值,采用线性内插方法,建议GOCIAOT以AOT(555 nm)>0.81作为霾判定阈值；中分辨率成像光谱仪(MODIS)是业务化的极轨卫星,GOCIAOT整体略大于MODISAOT,拟合精度R2=0.82.以2015年11月27日至同年12月2日华北地区发生的霾事件为例,结合具有大范围观测能力的MODIS卫星,多源遥感监测方法有效地反映了该霾事件的动态发展过程.

静止海洋水色传感器(GOCI)；气溶胶光学厚度(AOT)；二流式算法；霾事件；动态观测

静止海洋水色传感器(静止海洋水色成像仪(geostationary ocean color imager,GOCI)是全球第一颗海洋静止卫星(communication, ocean and meteorological satellite,COMS)卫星上的载荷[1],于格林尼治时间2010年6月27日在位于法属圭亚那库鲁的阿丽亚娜发射中心成功发射.该卫星幅宽为2 500 km×2 500 km(以130°E,36°N为中心),空间分辨率为500 m×500 m,每天从北京时间的8:15到15:15可对我国东部(除了广东、港澳)地区进行1 h时间分辨率的高时相连续观测.

GOCI主要用于海洋观测,其波段设置位于可见光和近红外之间.由于缺失短波红外波段,GOCI无法获取红光和蓝光与短波红外的系数,也就无法获取红光和蓝光的真实地表反射率,无法采用传统的暗像元法来进行气溶胶光学厚度(aerosol optical thickness,AOT)的反演[2].

目前主要有2种方法用于GOCIAOT的遥感反演.1)韩国海洋卫星中心(korea ocean satellite center,KOSC)根据不同的水体类型分别获取地表真实反射率,进而得到海洋上空的AOT.对于一类水体,挑选1 m中影像最干净的1 d,作为校正过的地表真实反射率,同时假设海平面10 m高度的风速为6 m/s,通过Fresnel法则获取一类水体的真实地表反射率.对于二类水体,为避免云阴影对计算结果造成偏差,使用1 m中次小的地表反射率[1]作为整个月的真实地表反射率.2)Zhang等[3]提出同化中分辨率成像光谱仪(moderate resolution imaging spectroradiometer,MODIS)和GOCI数据,以获取GOCI第3和第4波段的地表反射率以及AOT和表观反射率的关系,进而采用6S传输模型反演得到AOT.方法1)主要适用于海洋上空AOT的获取,并且受人为判断因素的干扰比较大；而方法2)需借助MODIS数据,过程复杂.因此,需要一种过程操作方便、适用性强的算法,以获取准确的AOT,进而实现对我国部分地区大气环境的动态观测.

近似求解方法(如：二流式算法)是求解大气辐射传输方程的常用方法,其基本思想是把出射和入射辐射通量作为常微分方程的变量来进行求解.Xue等[4]采用二流式算法对高分辨率辐射仪(advanced very high resolution radiometer,AVHRR)数据进行了AOT的反演.Wang等[5]对MODIS 500 m分辨率数据采用二流式算法反演得到660、550及 470 nm处的气溶胶光学厚度,并与黑河、珠江三角洲及北京的全球气溶胶监测网(aerosol robotic network,AERONET)数据做了对比.Li等[6-7]利用二流式算法把MODIS的气溶胶光学厚度同化成高分辨率的环境一号卫星(HJ-1)气溶胶光学厚度,并提出采用时间序列法对二流式算法进行改进,在考虑地表参数属性、大气臭氧和水汽的影响后,重新反演了AVHRR的气溶胶光学厚度.

静止轨道海洋卫星遥感是当前国际主要空间机构争相发展的地球观测热点技术之一.我国于2015年启动了“静止轨道海洋水色卫星遥感关键技术”研究.本文为我国自主静止轨道海洋水色卫星技术的发展和应用作了一点探索.

基于目前二流式算法在AOT反演上的进展,针对GOCI数据,本文以遥感图像处理平台(the environment for visualizing images,ENVI)为工作环境,发展一种操作简便、结果精确的AOT反演方法,并采用AERONETAOT对GOCIAOT进行精度校验；与MODISAOT进行比较,以评价联合MODIS和GOCI对华北地区AOT大范围高时相观测的可能性；结合MODIS的大面积观测能力,对发生在2015年11月底我国华北地区的一次严重霾事件进行动态监控.

1 大气辐射传输方程与二流式算法

1.1 大气辐射传输方程

为了精确描述固体地球和大气系统中的大气辐射传输机制,在整个大气层中对微小体积的大气辐射特征进行积分,并且认为局部大气层与地面平行,辐射传输方程[8]为

(1)

1.2 二流式算法

(2)

该方程的边界条件如下：

(3)

(4)

A为地表反射率.

由此,建立卫星获得的表观反射率和地表反射率A的关系式：

(5)

进一步假设大气散射仅由空气分子和气溶胶颗粒造成[4],则由空气分子造成的瑞利散射表达式[11]为

(6)

大气气溶胶光学厚度为

(7)

式中：V为能见度；H1=0.886+0.022 2V；H2=3.77km；α为Ångström波长指数(也称气溶胶波长指数).

整个大气总的无量纲光学厚度为

(8)

1.3 参数求解

Xue等[4]针对AVHRR极轨卫星特点提出的二流式算法适用于能见度大于5km的大气环境,没有考虑气溶胶的折射率和曲率等问题.COMS是高度为36 000km的静止卫星,卫星天顶角较高,必须考虑气溶胶折射率和地球曲率的影响[12].因此,在采用二流式算法进行GOCIAOT反演时必须重新对式(2)中的参数进行求解才能得到精确的数值.

1.3.1 太阳天顶角 在GOCI卫星的反演AOT过程中,由于高的太阳天顶角,必须考虑气溶胶折射率和地球曲率的影响,则太阳天顶角的公式改写为

(9)

式中：z为传感器高度；Re=6 317km为地球半径；n0为地面折射率；nz为高度z处的地面折射率；θs0为原始太阳天顶角.

如图1所示为GOCI太阳天顶订正前、后对比图,B为GOCI图像原始太阳天顶角,D为经过校正后的太阳天顶角(经过校正之后的太阳天顶角变小).AOT反演结果如图2所示,灰度值由浅至深代表AOT值由小到大,白色区域为云,可见反演出来的气溶胶光学厚度整体偏高3倍左右.因此,必须重新考虑后向散射系数,通过双向反射分布函数(bidirectionalreflectancedistributionfunction,BRDF)重新推算出后向散射系数(大于平常值0.1),才能使得反演气溶胶厚度回到正常的范围.

图1 静止海洋水色传感器(GOCI)卫星图像太阳天顶角订正前、后的比较Fig.1 Comparison of geostationary ocean color imager(GOCI) image solar zenith angle before and after corrected

图2 太阳天顶角校正前、后GOCIAOT对比Fig.2 Comparison of GOCIAOT before and after solar zenith angle correction

1.3.2 后向散射系数 采用GOCI自带的软件GDPS(GOCIdataprocessingsystem)计算双向反射系数[13]：

(11)

ρF(λ)=AF·RF,其中,RF为有效反射，AF为关于风速的函数,且满足

其中,εbak为水体后向散射系数,Kd为水体漫透射系数[15],

其中,μd为平均水体向下辐照度的余弦,μu为平均水体向上的辐照度的余弦,z1为水深.

假设地表为理想的漫反射体,则

ϑ·π=ψ,其中,ϑ为BRDF的值,ψ为为双向反射因子(bidirectionalreflectancefactor,BRF),则后向散射系数为

ε=4ψ·cosθs·cosθ′.

(12)

1.3.3 表观反射率 卫星遥感反演陆地上的空气溶胶光学厚度是基于大气上界观测表观反射率获取的.假设陆地表面是均匀朗伯表面,且大气垂直均匀变化,则卫星测量值可用等效反射率表示,即表观反射率为

(10)

式中：L为卫星测量辐亮度；Es为大气顶的太阳辐射通量密度；μs=cosθs.把式(9)订正过的太阳天顶角代入式(10)中求出表观反射率.

1.3.4 地表反射率 获得地表反射率的过程实际上是对卫星产品进行大气校正的过程,其目的是消除大气和光照等因素对地物反射的影响.利用ENVI5.1软件的快速大气校正(quickatmosphericcorrection,QUAC)模块自动从图像上收集不同物质的波谱信息,获取经验值完成高光谱和多光谱的快速大气校正,校正结果近似于ENVI5.1软件中FLAASH(fastline-of-sightatmosphericanalysisofhypercubes)大气校正模型的结果或相当于基于辐射传输模型结果的±15%[16]，其基本原理如下.

卫星接收到的信息是由地面反射、邻近像元散射和折射后的遥感信息.首先假设传感器接收到辐射值为L,一个像元的表面反射率为ρsuf,像元周围的平均反射率为ρave.则

L=(O+Qρave)+Pρsuf.

(13)

将式(13)转化为

ρsuf=Gain(L-ηset).

(14)

式中：Gain=1/Q,ηset=(O+Q)ρave；

O、P、Q为太阳光子传输的3种路径,对于QUAC,其值直接由图像本身的光谱数据确定：

(15)

式中：(ρend)lib为ENVI软件已知的物体反射率的光谱曲线,(L-Qρave)end为图像本身收集的纯净像元的平均反射率.

在QUAC中,使用基于连续最大角凸锥(sequentialmaximumangleconvexcone,SMACC)方法寻找纯净像元.由于输出的数据是放大10 000倍,在ENVI中重新缩小0.000 1即可获取真实的地表反射率.

将由GDPS求出的后向散射系数、地表反射率和表观反射率代入改进后的二流式模型进行计算,得出AOT.

2 校验数据

2.1 AERONET气溶胶光学厚度数据

AERONET是由美国国家宇航局和法国国家科学研究中心共同建立的一个分布在全球的地基气溶胶观测网[17].该网站提供的数据目前广泛应用于气溶胶光学特性精度的验证.AERONET提供的AOT数据分为3个等级：Level1.0是未经过严格滤云和验证的数据；Level1.5是经过严格滤云,但没有验证的数据；Level2.0经过除云处理和人工检查,并且有质量保证的数据[18-19].

由于Level2.0级数据缺失,本研究采用AERONET监测站Level1.5级数据对GOCIAOT数据进行精度校验.为配合GOCI有限的陆地覆盖范围,选取Beijing(116.38°E,39.977°N)、Beijing-RADI(116.379°E,40.005°N)、Xianghe(116.962°E,39.754°N)、Beijing-CAMS(116.317°E,39.933°N)、Taipei-CWB(121.500°E,25.030°N)、XuZhou-CUMT(117.142°E,34.217°N)和Taihu(120.215°E,31.421°N)等7个站点,选择华北地区一次严重霾事件期间中的4d(2015年11月27、29、30和12月2日)的数据,其中AERONET缺失2015年11月28和12月1日的观测数据.由于AERONET缺少555nm波段AOT的观测值,根据2个相邻波段(500nm和675nm)AOT值通过线性内插法计算得到555nm波段的AOT.同时,选择GOCI成像前、后30min的AERONETAOT作为有效验证数据,并选取以AERONET站点为中心的±0.5°范围内的GOCIAOT与观测站值进行校验.云覆盖区域赋值为0.

2.2 MODIS气溶胶光学厚度数据

MODIS是搭载于Terra和Aqua卫星上的传感器.可提供在可见光、近红外和红外共36个通道的全球观测,广泛适用于气溶胶、地表和云等的高分辨率监测.MODIS为太阳同步极轨卫星上的传感器,观测范围覆盖全球,其数据可靠性得到了国内外学者的认可[20-23].

MODIS标准数据产品中的MOD04 3km气溶胶产品,星下点分辨率为1km×1km,采用传统的暗像元算法求解AOT.在ENVI5.1软件环境下,对二级数据MOD04在550nm处的气溶胶光学厚度重投影到WGS-84地理坐标系(worldgeodeticsystem—1984coordinatesystem)下,进行投影校正,并对每间隔5min的产品进行拼接,云覆盖区域为0值,并选取经纬度与GOCIAOT一致的MODISAOT作对比验证.由于求解的AOT放大了1 000倍,必须进行增益与偏移运算,计算公式为

(15)

式中：N为遥感影像像元亮度值,Scal=0.001,ηset=0.

3 结果与讨论

3.1 参数重新计算前、后GOCI 气溶胶光学厚度验证

将只考虑气溶胶折射、没有考虑气溶胶折射和BRDF、考虑了气溶胶折射率和BRDF这3种情况下分别计算得到的GOCIAOT数据进行比较,如图3所示,E为AERONETAOT值,G为GOCIAOT值,结果如下.

1)在只考虑气溶胶折射,但是没有重新计算地表BRDF参数的情况下,AOT反演结果误差非常大,较站点观测值平均值偏大0.25,拟合精度R2=0.51,平均偏高1.25倍,最高甚至可达实测值的28倍多,如图3(a)所示.

2)在没有考虑气溶胶折射,也没有重新计算地表BRDF参数的情况下,反演结果较站点观测值平均偏高0.18,拟合精度R2=0.68,如图3(b)所示.

图3 三种不同情况下二流式算法改进前、后555 nm波段处的GOCIAOT与AERONETAOT对比Fig.3 Comparison of AOT at 555 nm between AERONET and GOCI before and after improvement of two-stream algorithm under three different conditions

3)在考虑气溶胶折射并且重新计算BRDF的情况下,GOCIAOT与AERONET观测值偏差变小,平均误差仅为0.06,拟合精度R2=0.91,如图3(c)所示.可见,采用改进二流式算法后,GOCIAOT与AERONETAOT一致性优.

在高值区(AOT>0.81),GOCIAOT与AERONETAOT整体斜率为0.98,截距为0.04,略大于0,且两者之间的均方根误差为0.01,拟合精度R2=0.83；当AOT<0.81时,两者整体斜率为0.77,截距为0.19,拟合精度R2=0.65,均方根误差为0.19,平均值误差为0.12.可见,GOCIAOT在高值区与AERONETAOT实测值更接近,GOCIAOT整体略大于AERONETAOT.

4)如图4所示为11月30日世界同一时间(UTC)各时段(00：00, 01：00, 02：00, 03：00, 04：00, 05：00, 06：00, 07：00UTC)GOCI和AERONET的AOT值,对555nm波段处的AERONETAOT和GOCIAOT进行对比发现,两者整体斜率为0.96,截距为0.15,R2=0.89,说明GOCIAOT高精度能及时反映气溶胶浓度变化.

图4 2015年11月30日各时段555 nm波段处的GOCIAOT与AERONETAOT比较 Fig.4 Comparison of AOT at 555 nm betweenGOCI and AERONET during each period onNovember 30, 2015

3.2 GOCI与MODIS气溶胶光学厚度的比较

图5 550 nm波段处MODISAOT与555 nm 波段处GOCIAOT比较Fig.5 Comparison between MODISAOT at 550 nm and GOCIAOT at 555 nm

将GOCI和MODIS遥感影像上AOT数据拟合后发现,拟合线斜率为0.88,截距0.15略大于0,并且两者之间的均方根误差为0.27,平均偏差为0.02.如图5所示,M为550nm波段处的MODISAOT,G为555nm波段处的GOCIAOT.GOCIAOT数据整体与MODISAOT数据基本一致,GOCIAOT整体略大于MODISAOT,R2=0.82.因此,MODIS数据可与GOCI数据相结合,构建应用于我国东部地区的霾动态监测模式,为霾事件监测预警预报提供新思路和新方法.

3.3 GOCI 霾阈值

霾事件观测是卫星气溶胶数据的重要应用方面,关于霾的气溶胶阈值,很多学者开展过讨论,如Li等[24]用地基遥感手段观测北京冬季雾霾时取440nm波段处的AOT>1作为霾判定阈值,获得了很好的效果；颜鹏等[25]在研究京津地区秋冬季雾霾期间的气溶胶光学特性时发现,雾霾影响时期的气溶胶值为0.94～0.97.

针对AERONET地面观测AOT数据缺少555nm波段的特点,参考440nm波段处AOT>1的阈值[26],将440nm波段处AERONETAOT和555nm波段处GOCIAOT进行线性内插,得到与AERONET相匹配的气溶胶光学厚度,发现当440nm波段处地面观测值AOT>1时,555nm波段处GOCIAOT大于0.81,如图6所示,因此,在GOCI555nm波段处,本次研究以GOCIAOT>0.81为霾判定阈值.

图6 440 nm波段处AERONETAOT >1的值与对应555 nm波段处GOCIAOT值的比较Fig.6 Comparison between AERONETAOT >1 at 440 nm band and GOCIAOT at 555 nm band

4 应 用

自2015年11月27日起,华北地区(河北、山西、北京、天津和山东、河南两省黄河以北地区)[26]遭遇大范围霾,北京市PM2.5小时浓度自11月27日凌晨开始,达到重度及以上污染级别,并持续近110h,南部部分站点超过900μg/m3,为2015年最严重的污染过程.

研究发现,在2015年11月27日～30日,550nm波段处的MODISAOT和555nm波段处的GOCIAOT影像显示,气溶胶光学厚度大于0.81的区域主要分布在河北省、天津市和北京市,面积超35 000平方公里,并在12月1日进一步覆盖了河南省、山东省部分地市.在此之后,华北地区都受到了此次霾的影响,其中30日最为严重.如图7所示,

11月30日的八景GOCI影像数据清晰地显示了这次霾事件的发展：以京津为中心逐渐向河北地区扩散,南部则逐渐向山东半岛迁移扩散,最终整个华北地区被霾覆盖；受地形影响,小五台山、燕山和雾灵山沿线00：16(UTC)时仍未受污染,至06：16(UTC)时,山东省黄河以北地区被霾控制,07：16(UTC)时,霾扩散至整个河北省中北部.图中,白色区域为云覆盖区域；灰色部分为无值区域,0～0.8为AOT的浓度,0.81以上均为黑色.至2015年12月2日00：16(UTC)时霾消散.

由于GOCI无法观测到山西省及河南部分区

域,结合MODIS进行全区域完整的动态观测,如图8所示.结果表明,该次霾事件主要发生在北京、天津河北西北部和山东北部一带；由于可能受太行山的阻挡,山西省未受此次霾影响；河北以北的内蒙古空气质量较好；辽宁省除靠近河北的山地地区有霾现象外,其他地区均未被霾覆盖；由此可见,此次华北地区的霾事件属内源性污染事件.冬季华北地区的燃煤采暖、秸秆焚烧都会促进该地区气溶胶浓度的增加,另外,该地区的重工业亦相对发达,排放二氧化硫较多,从而加速硫酸盐类气溶胶的生成；从扩散条件看,2015年11月底大气环流异常,降雪次数多,导致该地区湿度高、温度低、逆温强,加剧了污染的持续和累积.

11月30日的MODIS两景(03：30—03：40和05：10—05：15UTC)中霾覆盖范围与GOCI整体一致，如图7(c)和图8(a)以及图7(e)和图8(b).由此可见,GOCIAOT的动态观测能力,配合MODIS的大面积观测,不仅可以实现对霾的实时监控,并且可以为识别霾提供信息支持.

图7 2015年11月30日中国华北地区从00: 16到07: 16(UTC)555 nm波段处GOCIAOT的反演图Fig.7 Retrieved GOCIAOT at 555 nm band from 00: 16 to 07: 16 (UTC) over Northern China on November 30, 2015

图8 2015年11月30日中国华北地区550 nm波段处MODISAOT反演图Fig.8 Retrieved MODISAOT at 550 nm band over Northern China on November 30, 2015

5 结 论

(1)采用二流式算法重新计算参数后获得的GOCIAOT反演精度明显提高,GOCIAOT在高值区表现更佳；该方法无需与MODISAOT等其他遥感数据同化,数据量少,且仅运用ENVI进行运算,操作简便.

(2)参考实测440nm波段处AOT>1的霾判定阈值,将555nm波段处GOCIAOT与440nm波段处AERONETAOT作拟合分析,得出555nm波段处GOCIAOT>0.81，可作为霾判定阈值的结论.

(3)GOCIAOT与MODISAOT的拟合精度高达0.82,均方根误差为0.27,平均偏差为0.02,两者结果较一致,拟合优度高,MODIS观测范围的广泛性弥补了GOCI的局限性.

(4)结合MODIS的大范围观测能力,多源遥感观测方法不仅动态反映了霾的发展过程,同时也弥补了GOCI观测范围的有限性.

[1]LEEJ,KIMJ,SONGCH,etal.Algorithmforretrievalofaerosolopticalpropertiesovertheoceanfromthegeostationaryoceancolorimager[J].RemoteSensingofEnvironment, 2010, 114(5): 1077-1088.

[2]RYUJH,HABHJ,CHOS,etal.Overviewofgeostationaryoceancolorimager(GOCI)andGOCIdataprocessingsystem(GDPS) [J].OceanScienceJournal, 2012, 47(3): 223-233.

[3]ZHANGY,LIZ;ZHANGY,etal.HightemporalresolutionaerosolretrievalusinggeostationaryoceancolorImager:applicationandinitialvalidation[J].JournalofAppliedRemoteSensing, 2014, 8(7):4480-4494.

[4]XUEY,CRACKNELLAP.Operationalbi-angleapproachtoretrievetheearthsurfacealbedofromAVHRRdatainthevisibleband[J].InternationalJournalofRemoteSensing, 1995, 16(3): 417-429.

[5]WANGY,XUEY,LIY,etal.Priorknowledge-supportedaerosolopticaldepthretrievaloverlandsurfacesat500mspatialresolutionwithMODISdata[J].InternationalJournalofRemoteSensing, 2012, 33(3):674-691.

[6]LIY,XUEY,HEX,etal.High-resolutionaerosolremotesensingretrievaloverurbanareasbysynergeticuseofHJ-1CCDandMODISdata[J].AtmosphericEnvironment, 2012, 46(1): 173-180.

[7]LIY,XUEY,LEEUWGD,etal.RetrievalofaerosolopticaldepthandsurfacereflectanceoverlandfromNOAAAVHRRdata[J].RemoteSensingofEnvironment, 2013, 133: 1-20.

[8]KONDRAT’EVKY.Radiationintheatmosphere[M].NewYork:AcademicPress, 1969: 732-739.

[9]ROSENFELDD,LIUG,YUX,etal.,Highresolution(375m)cloudmicrostructureasseenfromtheNPP/VIIRSsatelliteimager[J].AtmosphericChemistryandPhysicsDiscussions, 2013, 13(11): 29845-29894.

[10]MODULEEAC.QUACandFLAASHuser’sguide[M].NewYork:ITTVisualInformationSolutionsPublishers, 2009: 5-13.

[11]LIY,XUEY,HEX,etal.High-resolutionaerosolremotesensingretrievaloverurbanareasbysynergeticuseofHJ-1CCDandMODISdata[J].AtmosphericEnvironment, 2012, 46(1): 173-180.

[12] 刘良明.卫星海洋遥感导论[M].武汉:武汉大学出版社, 2005: 198-290.

[13]LEEKH,RYUJH,AHNJH,etal.FirstretrievalofdataregardingspatialdistributionofAsiandustaerosolfromthegeostationaryoceancolorimager[J].OceanScienceJournal, 2012, 47(4): 465-472.

[14]MOHANANEC,MUIRCHEARTAIGHIO.Optimalpowerlawdescriptionofoceanicwhitecapcoveragedependenceonwindspeed[J].JournalofPhysicalOceanography, 1980, 10: 2094-2099.

[15]MORELA.Opticalmodelingoftheupperoceaninrelationtoitsbiogenousmattercontent(caseIwaters) [J].JournalofGeophysicalResearch:Oceans(1978-2012), 1988, 93(C9): 10749-10768.

[16] 姜秋富,卫星多光谱遥感数据溢油检测方法研究[D].山东：中国海洋大学,2011: 1-49.JIANGQiu-fu.Thestudyofoilspilldecetionusingsatellitemulti—spectraldata[D].Shandong:OceanUniversityofChina, 2011: 1-49.

[17]ECKTF,HOLBENBN,REIDJS,etal.Fogandcloudinducedaerosolmodificationobservedbytheaerosolroboticnetwork(AERONET) [J].JournalofGeophysicalResearchAtmospheres, 2012, 117(D7): 107-116.

[18]SMIRNOVA,HOLBENBN,ECKTF,etal.Cloud-screeningandqualitycontrolalgorithmsfortheAERONETdatabase[J].RemoteSensingofEnvironment, 2000, 73(3): 337-349.

[19] 周春艳,柳钦火,唐勇,等.MODIS气溶胶C004、C005产品的对比分析及其在中国北方地区的适用性评价[J]. 遥感学报, 2009, 13(5): 854-872.ZHOUChun-yan,LIUQin-huo,TANGYong,etal.ComparisonbetweenMODISaerosolproductC004andC005andevaluationoftheirapplicabilityinthenorthofChina[J].JournalofRemoteSensing, 2009, 13(5): 854-872.

[20]MENGF,CAOC,SHAOX.Spatio-temporalvariabilityofSuomi-NPPVIIRS-derivedaerosolopticalthicknessoverChinain2013 [J].RemoteSensingofEnvironment, 2015, 163: 61-69.

[21]HEQ,LIC,TANGX,etal.ValidationofMODISderivedaerosolopticaldepthovertheYangtzeRiverDeltainChina[J].RemoteSensingofEnvironment, 2010, 114(8): 1649-1661.

[22]GROSSON,PARONISD.ComparisonofcontrastreductionbasedMODISAOTestimateswithAERONETmeasurements[J].AtmosphericResearch, 2012,116(8): 33-45.

[23]SCHUTGENSNAJ,NAKATAM,NAKAJIMAT.ValidationandempiricalcorrectionofMODISAOTandAEoverocean[J].AtmosphericMeasurementTechniquesDiscussions, 2013, 6(2): 3765-3818.

[24]LIZQ,GUX,WANGL,etal.Aerosolphysicalandchemicalpropertiesretrievedfromground-basedremotesensingmeasurementsduringheavyhazedaysinBeijingwinter[J].AtmosphericChemistryandPhysics, 2013, 13(20): 10171-10183.

[25] 颜鹏,刘桂清,周秀骥,等.上甸子秋冬季雾霾期间气溶胶光学特性[J].应用气象学报,2010, 21(3): 257-265.YANPeng,LIUGui-qing,ZHOUXiu-ji,et,al.ApparatusofaerosolopticalpropertiesduringautumnandwinterhazeoverShangdianziarea[J].JournalofAppliedMeteorologicalScience, 2010, 21(3): 257-265.

[26] 中国气象局.中国气象地理区划手册[M].北京：气象出版社,2006: 1-5.

Retrieval method of GOCIAOT using two stream approximate algorithm and its application

YAO Ling-ling, ZHANG Xiao-yu, JIANG Bin-bin

(Department of Earth Science, Research Center for Air Pollution and Health, Zhejiang University, Hangzhou 310027, China)

Aerosol optical thickness (AOT) of geostationary ocean color imager (GOCI) was retrieved based on the two-stream approximate algorithm considering aerosol refractive index and earth curvature and other causations, aiming at the lackage of 2.1 μm short wave infrared band and the high solar zenith angle of GOCI. As specified, the retrieval precision of GOCIAOT gets improved after parameters recalculation. According to the widely used groundbase haze threshold of AOT (440 nm) > 1.00, GOCIAOT (555 nm) >0.81 is proposed as the haze determination threshold based on the linear interpolation method. Moderate resolution imaging spectroradiometer (MODIS) is an operational polar orbiting satellite, GOCIAOT is slightly higher than MODISAOT with R2of 0.82. The haze event from November 27 to December 2, 2015 was selected as one case and MODIS satellite was combined to realize real-time dynamic monitoring of haze events over North China, which indicates that the multi satellites remote sensing monitoring method can reflect the dynamic process of haze event effectively.

geostationary ocean color imager (GOCI); aerosol optical thickness (AOT); two-stream approximate algorithm; haze event; dynamic observation

2015-12-09.

国家重点研发计划资助项目(2016YFC1400901)；浙江省教育厅资助项目(Y201430393)；浙江省环保科技计划资助项目(2013A021)；浙江大学空气污染与健康研究中心资助项目.

姚玲玲(1990—),女,硕士,从事大气环境遥感研究. ORCID: 0000-0002-7558-0754. E-mail: lynnzju@foxmail.com 通信联系人：张霄宇,女,副教授. ORCID: 0000-0002-7270-7270. E-mail: zhang_xiaoyu@zju.edu.cn

10.3785/j.issn.1008-973X.2016.12.024

P 237

A

1008-973X(2016)12-2424-09