基于遥感数据估算近地面PM2.5浓度的研究进展

杨晓辉，肖登攀*，王 卫，柏会子，唐建昭，范丽行

1. 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 050011

2. 河北师范大学地理科学学院, 河北 石家庄 050024

3. 河北省环境演变与生态建设实验室, 河北 石家庄 050024

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.

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

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，CVR2(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，CVR2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).

图1 AOD缺失值主要插补方法Fig.1 The gap-filling methods of missing AOD

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CVR2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.

2 PM2.5浓度估算模型

利用AOD和近地面PM2.5数据之间的关系来估算PM2.5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PM2.5浓度估算方法Fig.2 Methods for PM2.5 concentrations estimation using satellite-based AOD data

表2 不同方法估算PM2.5浓度方法的优缺点Table 2 Summary of advantages and disadvantages of used approaches for estimating PM2.5 concentrations

2.1 统计回归模型

前期研究基于AOD-PM2.5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-PM2.5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PM2.5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PM2.5浓度，相比MLR模型(CVR2=0.53)，其CVR2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PM2.5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PM2.5浓度，R2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PM2.5建立LUR模型，模拟京津冀2013年PM2.5浓度空间分布，CVR2达0.78. Li等[71]建立了季节性MAIAC AOD与北京市实测地面PM2.5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(CVR2=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，CVR2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(CVR2=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(CVR2=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CVR2=0.75，空间维CVR2=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(CVR2=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CVR2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)：

［1］LIM S S, VOS T, FLAXMAN A D, et al.A comparative risk assessment of burden of disease and injury attributable to 67 risk factors and risk factor clusters in 21 regions, 1990-2010: a systematic analysis for the Global Burden of Disease Study 2010[J].The Lancet，2012，380（9859）：2224-2260.

［2］ 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 and estimation model of PM2.5concentration in Beijing in winter[J].Journal of Environmental Engineering Technology，2018，8（5）：533-538.

［3］GU Y, WONG T W, LAW C K, et al.Impacts of sectoral emissions in China and the implications: air quality, public health,crop production, and economic costs[J].Environmental Research Letters，2018，13（8）：084008.

［4］ 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.

［5］ 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 of Environmental Sciences，2021，34（1）：220-228.

［6］ 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 of Environmental Sciences, 2021. doi:10.13198/j.issn.1001-6929.2021.09.03.

［7］ 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 emergency emission reduction effect during a severe air pollution episode in Yangtze River Delta Region[J].Research of Environmental Sciences，2020，33（4）：783-791.

［8］WANG Q, WANG J N, HE M Z, et al.A county-level estimate of PM2.5related chronic mortality risk in China based on multi-model exposure data[J].Environment International，2018，110：105-112.

［9］ 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.

［10］ 吴健生, 王茜.基于AOD数据反演地面PM2.5浓度研究进展[J].环境科学与技术，2017，40（8）：68-76.

WU J S, WANG X.Research progress of retrieval ground-level PM2.5concentration based on AOD data[J].Environmental Science & Technology (China)，2017，40（8）：68-76.

［11］ 王子峰, 曾巧林, 陈良富, 等.利用卫星遥感数据估算PM2.5浓度的应用研究进展[J].环境监控与预警，2019，11（5）：33-38.

WANG Z F, ZENG Q L, CHEN L F, et al.Research progress of methodology and applications of PM2.5estimation using satellite remote sensing[J].Environmental Monitoring and Forewarning，2019，11（5）：33-38.

［12］KAHN R, BANERJEE P, MCDONALD D, et al.Sensitivity of multiangle imaging to aerosol optical depth and to pure-particle size distribution and composition over ocean[J].Journal of Geophysical Research:Atmospheres，1998，103（D24）：32195-32213.

［13］ 马宗伟. 基于卫星遥感的我国PM2.5时空分布研究[D]. 南京: 南京大学, 2015: 12-38.

［14］WEI X L, CHANG N B, BAI K X, et al. Satellite remote sensing of aerosol optical depth: advances, challenges, and perspectives[J].Critical Reviews in Environmental Science and Technology, 2020,50(16): 1640-1725.

［15］TANG D, LIU D R, TANG Y L, et al.Comparison of GOCI and Himawari-8 aerosol optical depth for deriving full-coverage hourly PM2.5across the Yangtze River Delta[J].Atmospheric Environment，2019，217：116973.

［16］ 金洪芳.基于遥感技术的大气细颗粒物PM2.5监测研究进展[J].测绘与空间地理信息，2016，39（8）：133-136.

JIN H F.Review of PM2.5monitoring based on remote sensing technology[J].Geomatics & Spatial Information Technology，2016，39（8）：133-136.

［17］LYAPUSTIN A, WANG Y J, KORKIN S, et al.MODIS Collection 6 MAIAC algorithm[J].Atmospheric Measurement Techniques，2018，11（10）：5741-5765.

［18］HU X F, WALLER L A, LYAPUSTIN A, et al.Estimating groundlevel PM2.5concentrations in the southeastern United States using MAIAC AOD retrievals and a two-stage model[J].Remote Sensing of Environment，2014，140：220-232.

［19］CHOI M, LIM H, KIM J, et al.Validation, comparison, and integration of GOCI, AHI, MODIS, MISR, and VIIRS aerosol optical depth over East Asia during the 2016 KORUS-AQ campaign[J].Atmospheric Measurement Techniques， 2019，12（8）：4619-4641.

［20］TAO M H, WANG J, LI R, et al.Performance of MODIS highresolution MAIAC aerosol algorithm in China: characterization and limitation[J].Atmospheric Environment，2019，213：159-169.

［21］KAHN R A, GAITLEY B J.An analysis of global aerosol type as retrieved by MISR[J].Journal of Geophysical Research:Atmospheres，2015，120（9）：4248-4281.

［22］ZHAO B, JIANG J H, GU Y, et al. Decadal-scale trends in regional aerosol particle properties and their linkage to emission changes[J]. 2017, 12(5): 054021.

［23］GARAY M J, KALASHNIKOVA O V, BULL M A.Development and assessment of a higher-spatial-resolution (4.4 km) MISR aerosol optical depth product using AERONET-DRAGON data[J].Atmospheric Chemistry and Physics，2017，17（8）：5095-5106.

［24］SI Y D, CHEN L F, XIONG X Z, et al.Evaluation of the MISR fine resolution aerosol product using MODIS, MISR, and ground observations over China[J].Atmospheric Environment，2020，223：117229.

［25］ 于雪, 赵文吉, 孙春媛, 等.大气PM2.5遥感反演研究进展[J].环境污染与防治，2017，39（10）：1153-1158.

YU X, ZHAO W J, SUN C Y, et al.Progress study on remote sensing retrieval of atmospheric PM2.5concentration[J].Environmental Pollution & Control，2017，39（10）：1153-1158.

［26］HUANG J F, KONDRAGUNTA S, LASZLO I, et al.Validation and expected error estimation of Suomi-NPP VIIRS aerosol optical thickness and Ångström exponent with AERONET[J].Journal of Geophysical Research:Atmospheres，2016，121（12）：7139-7160.

［27］YAO F, SI M L, LI W F, et al.A multidimensional comparison between MODIS and VIIRS AOD in estimating ground-level PM2.5concentrations over a heavily polluted region in China[J].Science of the Total Environment，2018，618：819-828.

［28］MENG F, CAO C Y, SHAO X.Spatio-temporal variability of Suomi-NPP VIIRS-derived aerosol optical thickness over China in 2013[J].Remote Sensing of Environment，2015，163：61-69.

［29］YAO F, WU J S, LI W F, et al.A spatially structured adaptive twostage model for retrieving ground-level PM2.5concentrations from VIIRS AOD in China[J].ISPRS Journal of Photogrammetry and Remote Sensing，2019，151：263-276.

［30］XUE W H, WEI J, ZHANG J, et al.Inferring near-surface PM2.5concentrations from the VIIRS deep blue aerosol product in China:a spatiotemporally weighted random forest model[J].Remote Sensing，2021，13（3）：505.

［31］CHEN Y J, WU S S, WANG Y Y, et al.Satellite-based mapping of high-resolution ground-level PM2.5with VIIRS IP AOD in China through spatially neural network weighted regression[J].Remote Sensing，2021，13（10）：1979.

［32］JACKSON J M, LIU H Q, LASZLO I, et al.Suomi-NPP VIIRS aerosol algorithms and data products[J].Journal of Geophysical Research:Atmospheres，2013，118（22）：12673-12689.

［33］ZHANG H, KONDRAGUNTA S, LASZLO I, et al. An enhanced VIIRS aerosol optical thickness (AOT) retrieval algorithm over land using a global surface reflectance ratio database[J]. Journal of Geophysical Research: Atmospheres, 2016. doi:10.1002/2016jd024859.

［34］LI C, LI J, XU H, et al.Evaluating VIIRS EPS aerosol optical depth in China: an intercomparison against ground-based measurements and MODIS[J].Journal of Quantitative Spectroscopy and Radiative Transfer，2019，224：368-377.

［35］ 李志鹏, 陈健.基于GOCI卫星的大气细颗粒物PM2.5的遥感反演及其时空分布规律研究[J].遥感技术与应用，2020，35（1）：163-173.

LI Z P, CHEN J.Remote sensing retrieval of atmospheric fine particle PM2.5based on GOCI satellite and its temporal and spatial distribution[J].Remote Sensing Technology and Application，2020，35（1）：163-173.

［36］WANG J W, LI Z Q.Estimation of ground-level dry PM2.5concentrations at 3 km resolution over Beijing using Geostationary Ocean Colour Imager[J].Remote Sensing Letters，2020，11（10）：913-922.

［37］ 张晓虎, 陆风, 窦芳丽, 等.国外地球同步轨道气象卫星成像观测模式发展分析[J].气象科技进展，2016，6（1）：124-128.

ZHANG X H, LU F, DOU F L, et al.Analysis on the observation model of foreign geostationary meteorological satellite[J].Advances in Meteorological Science and Technology，2016，6（1）：124-128.

［38］MAO F Y, HONG J, MIN Q L, et al.Estimating hourly fullcoverage PM2.5over China based on TOA reflectance data from the Fengyun-4A satellite[J].Environmental Pollution，2021，270：116119.

［39］ 王子翔, 李正强, 光洁, 等.GF-4大气校正并行算法研究[J].大气与环境光学学报，2021，16（3）：269-282.

WANG Z X, LI Z Q, GUANG J, et al.Study on parallel method of atmospheric correction for GF-4 images[J].Journal of Atmospheric and Environmental Optics，2021，16（3）：269-282.

［40］ 许梦婕, 鲍艳松, 许丹, 等.基于FY-4A卫星数据反演气溶胶光学厚度及分析应用[J].中国环境科学，2020，40（12）：5162-5168.

XU M J, BAO Y S, XU D, et al.Retrieval of aerosol optical depth based on FY-4A satellite data and its analysis and application[J].China Environmental Science，2020，40（12）：5162-5168.

［41］ 江琪, 迎春, 王飞, 等.利用FY-4A卫星光学数据对中国近地面PM2.5浓度的估算和检验分析[J].气象学报，2021，79（3）：492-508.

JIANG Q, YING C, WANG F, et al.Estimates and verification of surface PM2.5mass concentration in China based on FY-4A satellite optical products[J].Acta Meteorologica Sinica，2021，79（3）：492-508.

［42］ZHANG H, KONDRAGUNTA S. Daily and hourly surface PM2.5estimation from satellite AOD[J]. Earth and Space Science, 2021.doi:10.1029/2020ea001599.

［43］ZHANG H, KONDRAGUNTA S, LASZLO I, et al.Improving GOES advanced baseline imager (ABI) aerosol optical depth(AOD) retrievals using an empirical bias correction algorithm[J].Atmospheric Measurement Techniques，2020，13（11）：5955-5975.

［44］SHIN M, KANG Y, PARK S, et al.Estimating ground-level particulate matter concentrations using satellite-based data: a review[J].GIScience & Remote Sensing，2020，57（2）：174-189.

［45］CHEN Z Y, ZHANG T H, ZHANG R, et al.Extreme gradient boosting model to estimate PM2.5concentrations with missingfilled satellite data in China[J].Atmospheric Environment，2019，202：180-189.

［46］HAN W H, TONG L, CHEN Y P, et al.Estimation of highresolution daily ground-level PM2.5concentration in Beijing 2013-2017 using 1 km MAIAC AOT data[J].Applied Sciences，2018，8（12）：2624.

［47］WEI J, HUANG W, LI Z Q, et al.Estimating 1-km-resolution PM2.5concentrations across China using the space-time random forest approach[J].Remote Sensing of Environment，2019，231：111221.

［48］ 杨晓辉, 宋春杰, 范丽行, 等.京津冀地区高分辨率PM2.5浓度时空变化模拟与分析[J].环境科学，2021，42（9）：4083-4094.

YANG X H, SONG C J, FAN L H, et al.High-resolution estimation of spatio-temporal variation in PM2.5concentrations in the Beijing-Tianjin-Hebei Region[J].Environmental Science，2021，42（9）：4083-4094.

［49］MA Z W, HU X F, SAYER A M, et al.Satellite-based spatiotemporal trends in PM2.5concentrations: China, 2004-2013[J].Environmental Health Perspectives，2016，124（2）：184-192.

［50］HUA Z Q, SUN W W, YANG G, et al.A full-coverage daily average PM2.5retrieval method with two-stage IVW fused MODIS C6 AOD and two-stage GAM model[J].Remote Sensing，2019，11（13）：1558.

［51］ 付宏臣, 孙艳玲, 王斌, 等.基于AOD数据和GWR模型估算京津冀地区PM2.5浓度[J].中国环境科学，2019，39（11）：4530-4537.

FU H C, SUN Y L, WANG B, et al.Estimation of PM2.5concentration in Beijing-Tianjin-Hebei Region based on AOD data and GWR model[J].China Environmental Science，2019，39（11）：4530-4537.

［52］KLOOG I, KOUTRAKIS P, COULL B A, et al.Assessing temporally and spatially resolved PM2.5exposures for epidemiological studies using satellite aerosol optical depth measurements[J].Atmospheric Environment，2011，45（35）：6267-6275.

［53］LV B, HU Y T, CHANG H H, et al.Daily estimation of groundlevel PM2.5concentrations at 4 km resolution over Beijing-Tianjin-Hebei by fusing MODIS AOD and ground observations[J].Science of the Total Environment，2017，580：235-244.

［54］ 梅杨, 党丽娜, 杨勇, 等.基于时空克里格的PM2.5时空预测及分析[J].环境科学与技术，2016，39（7）：157-163.

MEI Y, DANG L N, YANG Y, et al.Spatio-temporal prediction and analysis of PM2.5based on spatiotemploral Kriging[J].Environmental Science & Technology (China)，2016，39（7）：157-163.

［55］ZHANG R X, DI B F, LUO Y Z, et al.A nonparametric approach to filling gaps in satellite-retrieved aerosol optical depth for estimating ambient PM2.5levels[J].Environmental Pollution，2018，243：998-1007.

［56］BI J Z, BELLE J H, WANG Y J, et al.Impacts of snow and cloud covers on satellite-derived PM2.5levels[J].Remote Sensing of Environment，2019，221：665-674.

［57］XU X H, ZHANG C K, LIANG Y.Review of satellite-driven statistical models PM2.5concentration estimation with comprehensive information[J].Atmospheric Environment，2021，256：118302.

［58］JIANG T T, CHEN B, NIE Z, et al.Estimation of hourly fullcoverage PM2.5concentrations at 1-km resolution in China using a two-stage random forest model[J].Atmospheric Research，2021，248：105146.

［59］DI Q, KLOOG I, KOUTRAKIS P, et al.Assessing PM2.5exposures with high spatiotemporal resolution across the continental United States[J].Environmental Science & Technology，2016，50（9）：4712-4721.

［60］LI L F，FRANKLIN M，GIRGUIS M，et al. Spatiotemporal imputation of MAIACAOD using deep learning with downscaling[J]. Remote Sensing of Environment， 2020，237：111584.

［61］PU Q, YOO E H.Ground PM2.5prediction using imputed MAIAC AOD with uncertainty quantification[J].Environmental Pollution，2021，274：116574.

［62］RANJAN A K, PATRA A K, GORAI A K.A review on estimation of particulate matter from satellite-based aerosol optical depth: data, methods, and challenges[J].Asia-Pacific Journal of Atmospheric Sciences，2021，57（3）：679-699.

［63］JUN W.Intercomparison between satellite-derived aerosol optical thickness and PM2.5mass: implications for air quality studies[J].Geophysical Research Letters，2003，30（21）：2095.

［64］ENGEL-COX J A, HOLLOMAN C H, COUTANT B W, et al.Qualitative and quantitative evaluation of MODIS satellite sensor data for regional and urban scale air quality[J].Atmospheric Environment，2004，38（16）：2495-2509.

［65］GUPTA P, CHRISTOPHER S A.Particulate matter air quality assessment using integrated surface, satellite, and meteorological products: multiple regression approach[J].Journal of Geophysical Research Atmospheres，2009，114（D14）：D14205.

［66］ 李啸天, 吴绍华, 徐于月, 等.江苏省PM2.5质量浓度的时空变化格局模拟[J].环境监测管理与技术，2017，29（2）：16-20.

LI X T, WU S H, XU Y Y, et al.Temporal and spatial variation pattern of PM2.5mass concentration in Jiangsu[J].Administration and Technique of Environmental Monitoring，2017，29（2）：16-20.

［67］LI T W, SHEN H F, ZENG C, et al.Point-surface fusion of station measurements and satellite observations for mapping PM2.5distribution in China: methods and assessment[J].Atmospheric Environment，2017，152：477-489.

［68］CHELANI A B.Estimating PM2.5concentration from satellite derived aerosol optical depth and meteorological variables using a combination model[J].Atmospheric Pollution Research，2019，10（3）：847-857.

［69］AHMAD M, ALAM K, TARIQ S, et al.Estimating fine particulate concentration using a combined approach of linear regression and artificial neural network[J].Atmospheric Environment，2019，219：117050.

［70］ 许刚, 焦利民, 肖丰涛, 等.土地利用回归模型模拟京津冀PM2.5浓度空间分布[J].干旱区资源与环境，2016，30（10）：116-120.

XU G, JIAO L M, XIAO F T, et al.Applying land use regression model to estimate spatial distribution of PM2.5concentration in Beijing-Tianjin-Hebei Region[J].Journal of Arid Land Resources and Environment，2016，30（10）：116-120.

［71］LI R K, MA T X, XU Q, et al.Using MAIAC AOD to verify the PM2.5spatial patterns of a land use regression model[J].Environmental Pollution，2018，243：501-509.

［72］LEE H J, LIU Y, COULL B A, et al.A novel calibration approach of MODIS AOD data to predict PM2.5concentrations[J].Atmospheric Chemistry and Physics，2011，11（15）：7991-8002.

［73］ 孙成, 王卫, 刘方田, 等.基于线性混合效应模型的河北省PM2.5浓度时空变化模型研究[J].环境科学研究，2019，32（9）：1500-1509.

SUN C, WANG W, LIU F T, et al.Spatial-temporal simulation of PM2.5concentration in Hebei Province based on linear mixed effects model[J].Research of Environmental Sciences，2019，32（9）：1500-1509.

［74］MA Z W, LIU Y, ZHAO Q Y, et al.Satellite-derived high resolution PM2.5concentrations in Yangtze River Delta Region of China using improved linear mixed effects model[J].Atmospheric Environment，2016，133：156-164.

［75］WANG W, HE J C, MIAO Z L, et al.Space-time linear mixed-Effects (STLME) model for mapping hourly fine particulate loadings in the Beijing-Tianjin-Hebei Region, China[J].Journal of Cleaner Production，2021，292：125993.

［76］BRUNSDON C, FOTHERINGHAM A S, CHARLTON M E.Geographically weighted regression: a method for exploring spatial nonstationarity[J].Geographical Analysis，2010，28（4）：281-298.

［77］HU Z Y.Spatial analysis of MODIS aerosol optical depth, PM2.5,and chronic coronary heart disease[J].International Journal of Health Geographics，2009，8（1）：1-10.

［78］MA Z W, HU X F, HUANG L, et al.Estimating ground-level PM2.5in China using satellite remote sensing[J].Environmental Science& Technology，2014，48（13）：7436-7444.

［79］BAI Y, WU L X, QIN K, et al.A geographically and temporally weighted regression model for ground-level PM2.5estimation from satellite-derived 500 m resolution AOD[J].Remote Sensing，2016，8（3）：262.

［80］HE Q Q, HUANG B.Satellite-based high-resolution PM2.5estimation over the Beijing-Tianjin-Hebei Region of China using an improved geographically and temporally weighted regression model[J].Environmental Pollution，2018，236：1027-1037.

［81］HE Q Q, HUANG B.Satellite-based mapping of daily highresolution ground PM2.5in China via space-time regression modeling[J].Remote Sensing of Environment，2018，206：72-83.

［82］HE Q Q, GU Y F, ZHANG M.Spatiotemporal trends of PM2.5concentrations in central China from 2003 to 2018 based on MAIAC-derived high-resolution data[J].Environment International，2020，137：105536.

［83］LIU Y, PACIOREK C J, KOUTRAKIS P.Estimating regional spatial and temporal variability of PM2.5concentrations using satellite data, meteorology, and land use information[J].Environmental Health Perspectives，2009，117（6）：886-892.

［84］YOU W, ZANG Z L, PAN X B, et al.Estimating PM2.5in Xi'an,China using aerosol optical depth: a comparison between the MODIS and MISR retrieval models[J].Science of the Total Environment，2015，505：1156-1165.

［85］BELOCONI A, KAMARIANAKIS Y, CHRYSOULAKIS N.Estimating urban PM10and PM2.5concentrations, based on synergistic MERIS/AATSR aerosol observations, land cover and morphology data[J].Remote Sensing of Environment，2016，172：148-164.

［86］ZHANG T N, HE W H, ZHENG H, et al.Satellite-based ground PM2.5estimation using a gradient boosting decision tree[J].Chemosphere，2021，268：128801.

［87］CHEN B J, YOU S X, YE Y, et al.An interpretable self-adaptive deep neural network for estimating daily spatially-continuous PM2.5concentrations across China[J].Science of the Total Environment，2021，768：144724.

［88］HUANG K Y, XIAO Q Y, MENG X, et al.Predicting monthly high-resolution PM2.5concentrations with random forest model in the North China Plain[J].Environmental Pollution，2018，242：675-683.

［89］ZHAO C, WANG Q, BAN J, et al.Estimating the daily PM2.5concentration in the Beijing-Tianjin-Hebei Region using a random forest model with a 0.01° × 0.01° spatial resolution[J].Environment International，2020，134：105297.

［90］BAI H M, ZHENG Z, ZHANG Y P, et al.Comparison of satellitebased PM2.5estimation from aerosol optical depth and top-ofatmosphere reflectance[J].Aerosol and Air Quality Research，2021，21（2）：200257.

［91］MOAZAMI S, NOORI R, AMIRI B J, et al.Reliable prediction of carbon monoxide using developed support vector machine[J].Atmospheric Pollution Research，2016，7（3）：412-418.

［92］YEGANEH B, HEWSON M G, CLIFFORD S, et al.A satellitebased model for estimating PM2.5concentration in a sparsely populated environment using soft computing techniques[J].Environmental Modelling & Software，2017，88：84-92.

［93］HOU W Z, LI Z Q, ZHANG Y H, et al.Using support vector regression to predict PM10and PM2.5[J].IOP Conference Series:Earth and Environmental Science，2014，17：012268.

［94］YANG L J, XU H Q, JIN Z F.Estimating ground-level PM2.5over a coastal region of China using satellite AOD and a combined model[J].Journal of Cleaner Production，2019，227：472-482.

［95］LI T W, SHEN H F, YUAN Q Q, et al.Estimating ground-level PM2.5by fusing satellite and station observations: a geo-intelligent deep learning approach[J].Geophysical Research Letters，2017，44（23）：11985-11993.

［96］ZANG L, MAO F Y, GUO J P, et al.Estimation of spatiotemporal PM1.0distributions in China by combining PM2.5observations with satellite aerosol optical depth[J].Science of the Total Environment，2019，658：1256-1264.

［97］GUO W, ZHANG B, WEI Q, et al.Estimating ground-level PM2.5concentrations using two-stage model in Beijing-Tianjin-Hebei,China[J].Atmospheric Pollution Research，2021，12（9）：101154.

［98］ZHANG K N, DE-LEEUW G, YANG Z Q, et al.Estimating spatiotemporal variations of PM2.5concentrations using VIIRS-derived AOD in the Guanzhong basin, China[J].Remote Sensing，2019，11（22）：2679.

［99］LIANG F C, XIAO Q Y, WANG Y J, et al.MAIAC-based longterm spatiotemporal trends of PM2.5in Beijing, China[J].Science of the Total Environment，2018，616/617：1589-1598.