基于GF-4卫星的长三角城市群PM2.5遥感反演

严莹婷,陆小曼,王嘉佳,陈命男,周立国,3*,马蔚纯

基于GF-4卫星的长三角城市群PM2.5遥感反演

严莹婷1,陆小曼1,王嘉佳1,陈命男2,周立国1,3*,马蔚纯1

(1.复旦大学环境科学与工程系,上海 200433；2.上海勘测设计研究院有限公司,上海 200335；3.崇明生态研究院,上海 200062)

基于静止卫星高分四号(GF-4)遥感数据,利用6SV辐射传输模型与暗目标算法进行高空间分辨率气溶胶光学厚度(AOD)遥感反演;在此基础上,结合地面监测站大气细颗粒物(PM2.5)浓度、气象资料等数据,采用物理订正方法及线性混合效应模型,实现长三角城市群区域大尺度空间连续的PM2.5浓度遥感反演;最后利用十折交叉验证法对反演精度进行验证.结果表明:GF-4反演的AOD结果分辨率较高,空间连续性好,与AERONET地基监测相关性达到0.82;利用GF-4 AOD的PM2.5估算模型精度较高,模型估算PM2.5浓度与地面实测数据拟合度2为0.74;在分春夏秋冬4个季节建模情景下,交叉验证2依次为0.67,0.59,0.63和0.72,平均绝对误差MAE为10.40,7.42,10.10,13.34 μg/m3,表明GF-4卫星适用于区域PM2.5浓度监测.

高分四号；大气细颗粒物；气溶胶光学厚度；遥感；长三角城市群

传统的PM2.5监测主要是通过国家空气质量监测网定点监测,具有数据精度高、稳定性强的特点.目前,我国PM2.5地面观测网密度较低,且站点分布不均匀,仅通过地面站点监测难以获取区域PM2.5浓度空间分布特征.利用高分辨率卫星遥感反演近地面PM2.5浓度能有效弥补地面站点在时间和空间上观测的不足,同时也为PM2.5浓度的精细化监测提供可能.

利用遥感技术监测地面细颗粒物浓度主要是基于AOD与PM2.5之间存在的相关性[1-3].目前已有大量研究利用卫星衍生AOD产品,如以MODIS、MISR等为典型代表的传感器生成的气溶胶产品[4-6],结合地面PM2.5浓度建立相关反演模型,并采取不同方式以提高模型精度.Hu等[7]、Wei等[8]、Ma等[9]引入气象条件、土地利用类型以及人口密度等要素,通过时空随机树、神经网络等高级统计方法优化PM2.5估算模型.Zhang等[10]、李成才等[11]综合考虑了大气边界层高度和湿度因子,进行垂直和湿度订正以减少AOD和PM2.5浓度间的不确定性.除一般地理因素之外,AOD与PM2.5关系受时间影响也非常大,具有明显的时空特征,Ma等[12]、陈辉[13]等通过地理加权模型和线性混合效应模型大大提高了模型精度.但多数AOD产品空间分辨率较低,直接影响模型精度,因此,一些学者利用原始遥感数据反演高分辨率AOD,再进行PM2.5的估算.李同文等[14]利用MODIS L1B数据结合暗像元法和亮目标法获取1km分辨率AOD,发现反演的1km AOD与PM2.5相关性(=0.883)明显高于MODIS气溶胶产品(= 0.683).李志鹏等[15]、耿冰等[16]、Lu等[17]分别以静止卫星GOCI和Himawari-8 AOD为数据源,实现了省级区域PM2.5浓度逐小时空间变化监测.Sun等[18]、Zhang等[19]利用高分一号WFV数据分别反演了北京、上海、武汉地区160m分辨率的气溶胶光学厚度,并根据PM2.5-AOD关系随时间变化的特点构建了对应的线性混合模型,模型预测精度2达到0.939.

近年来,我国卫星遥感技术发展迅速,高分四号卫星作为世界首颗地球静止轨道高分辨率光学成像遥感卫星,具有空间分辨率高、监测范围大、重访时间最快可达20s等特性,为AOD的持续、高精度、高频次定量反演提供了有力保障.本文基于6SV辐射传输模型和暗像元算法,利用国产高分四号卫星影像数据反演50m分辨率的AOD,结合PM2.5地基监测数据、气象数据以及DEM高程数据等,采用物理订正方法以及线性混合效应模型,实现长三角城市群区域PM2.5浓度遥感反演并进行验证分析.

1 数据与方法

1.1 研究区概况

长江三角洲城市群区域,简称长三角城市群(115°46′E～123°25′E,28°01′N～34°28′N)位于我国东部地区(图1).长三角城市群主要包括超一线城市(上海),一线城市(苏州),新一线城市(杭州、南京、宁波、无锡、合肥、南通)等26个核心城市,区域面积21.17万km2,区域整体地形呈现东北低西南高的分布状态.长三角城市群拥有2.25亿人口,是中国经济活力最强、城镇集聚程度最高的地区,同时也是我国空气污染最严重的地区之一[20-21].长三角城市群2016年共有141个PM2.5监测站点,2020年增加至191个,但监测站点的分布不均匀,大多集中在城市区域,郊区和农村地区的站点较少且分散.

图1 研究区地理位置与地面PM2.5监测站点分布

1.2 数据来源及预处理

1.2.1 高分四号遥感数据 高分四号卫星于2015年12月29日在西昌卫星发射中心成功发射,在高度36000km的地球同步轨道运行,有效载荷包含50m可见光近红外凝视相机和400m中波红外凝视相机,采用面阵凝视方式成像,能长期对某一地区进行固定观测,在大气环境变化监测方面拥有广阔的应用前景.本研究使用的GF-4全色多光谱(PMS)传感器数据来源于中国资源卫星应用中心,PMS传感器的主要参数如表1所示.中国资源卫星应用中心提供的GF-4数据从2016年5月开始,筛选长三角区域2016～2020年晴朗少云数据(共183景),并利用ENVI/IDL软件对数据进行预处理.

表1 GF-4 PMS传感器的主要参数

1.2.2 大气细颗粒物地面观测数据 地面PM2.5浓度数据来源于中国环境监测总站的全国城市空气质量实时发布平台,数据涵盖2016～2020年长三角城市群区域各监测站点的空气质量指数、空气质量类别、首要污染物以及各污染物的浓度等数据.依据高分四号遥感图像的成像时间,筛选对应的PM2.5浓度数据.由于PM2.5浓度数据获取时间均在整点时刻,而卫星数据成像时间并不固定,因此假设PM2.5浓度在2个相邻整点时间内均匀变化,结合每景GF-4数据的成像时间,对PM2.5浓度进行插值得到对应时刻的浓度数值,以减少在PM2.5估算过程中由于时间不完全对应而产生的误差.

1.2.3 气象与地形资料 气象资料包括相对湿度(RH,%)、温度(TEM,°C)、大气边界层高度(BLH,m)和风速(WS,m/s)等,数据来源于欧洲中期天气预报中心(ECMWF).获取覆盖长江三角洲区域的气象数据,空间分辨率为0.25°×0.25°,时间分辨率为1h.按照时间临近原则选取GF-4卫星过境时间前后0.5h内的气象数据,重采样为0.005°×0.005°,提取与空气质量监测站点对应的RH与BLH,分别用于AOD的湿度订正与垂直修正,其余气象参数用于PM2.5浓度估算模型的建立.NDVI数据来源于LAADS DAAC官方网站,数据空间分辨率为500m.DEM数据来源于地理空间数据云平台,空间分辨率为30m,同样提取每个监测站点对应的NDVI与海拔信息,作为PM2.5浓度估算模型的辅助参数.

1.2.4 其他地面数据 AERONET站点数据来源于AERONET全球地基气溶胶观测网络.AERONET采用的CE-318型太阳光度计可提供全球观测数据,如AOD,反演产物以及水汽量等.由于AERONET在长三角区域仅有Taihu和Xuzhou_CUMT 2个站点,数据时间为2016年5月～2018年12月,因此本研究下载了该时间段的AERONET地面监测数据来验证GF-4 AOD的反演精度.研究获取了AERONET 1.5级AOD产品,利用Ångström转换公式[22]对440、870nm 2个波段的气溶胶光学厚度进行插值得到550nm波段处的AOD数值,如式(1)所示.

式中:为浑浊度系数;为波长(nm);为波长处的气溶胶光学厚度;为Ångström指数.

1.3 AOD反演原理与算法

由于高分四号PMS传感器缺少短波红外波段,无法直接使用传统暗像元法进行AOD反演,因此本文利用的是暗像元红、蓝波段地表反射率之间的固定线性关系.首先,利用6SV2.1辐射传输模型分别构建夏半年和冬半年红、蓝波段查找表;然后根据卫星观测几何信息,内插得到每个像元对应的0、、值,分别计算红、蓝波段地表反射率;最后计算红蓝波段地表反射率比值,查找对应的AOD结果.

依据高分四号卫星PMS传感器波段特征,基于暗像元法,利用浓密植被在红、蓝波段地表反射率低的特性,构建暗像元在红、蓝两个波段的线性关系,从而去除地表反射率影响.本研究的GF-4气溶胶光学厚度反演实验流程如图2 所示:(1)数据预处理;(2)云识别及去除与暗像元选取;(3)查找表建立; (4) AOD反演.

图2 GF-4气溶胶光学厚度反演流程

1.4 PM2.5估算模型构建与验证

地面监测点颗粒物浓度是在标准状态(温度为0°C,气压为101.3kPa)下测量的,而AOD是在当时真实的环境下反演计算出的,二者之间受到气象因素的影响,其中相对湿度影响比较明显,它能增长粒子的吸湿性,进而影响其散射特性,改变粒子的消光特性.通过公式(4)～(5), 对AODH进行湿度订正,即求出受湿度影响下近地面干消光系数AODR.

式中:RH为相对湿度;(RH)为湿度影响因子.

1.4.2 模型建立与验证 线性混合效应(LME)模型是一种既包含固定效应又包含随机效应的统计模型,其中,固定效应代表AOD以及其他要素等对PM2.5的因子影响;而随机效应主要为PM2.5与各要素间的时空变化关系,并通过随机截距和随机斜率的形式表征.

AOD与PM2.5浓度具有很高的时空相关性,同时还受到气象因素和地理因素等诸多因素的影响.因此,本文以GF-4 AOD、PM2.5浓度和气象资料等数据为基础,创建长三角城市群区域0.005°×0.005°网格,构建考虑时间及站点随机效应的线性混合效应模型进行PM2.5的遥感反演.模型表示如下:

式中:为PM2.5监测站点所在网格;为天数;PM2.5与AODR分别为地面监测站点PM2.5浓度(μg/m3)和垂直与湿度订正的AOD;WS、TEM、NDVI、DEM分别表示风速(m/s)、气温(°C)、归一化植被指数和高程(m);0代表固定效应截距;1,t为日变化的随机效应截距;0～3分别为AODR、TEM、NDVI、DEM的固定效应斜率因子;1,t与2,t分别为AODR与WS的随机效应斜率;s,s为监测站点的随机效应截距;为随机误差项;为正态分布的随机误差向量;为随机效应的方差-协方差矩阵.

采用十折交叉验证法[19]对模型进行过拟合程度检测,建模和预测验证过程重复10次,确保每一份数据都参与模型验证,最终获得所有数据的PM2.5预测值.模型预测值和实测值之间的拟合精度由决定系数(2)、平均绝对误差(MAE)和均方根误差(RMSE)等统计指标来表示.

2 结果讨论

2.1 AOD反演结果

为验证GF-4 AOD反演算法的准确性,从AERONET全球地基气溶胶观测网获取了2016～ 2018年太湖(Taihu)和徐州(XuZhou-CUMT)2个站点的AOD观测数据,与本文反演的GF-4气溶胶产品进行对比验证.从图3可以看出,GF-4遥感反演的AOD产品与AERONET地基观测结果具有较高的相关性,达到0.82,MAE为0.14,RMSE为0.19,整体偏差较小.特别是Taihu站点长时间序列(非连续时间序列)的数据对比(图4),可以看出,GF-4反演结果在数值上略高于AERONET数据,但二者整体变化大致相同,总体满足区域PM2.5遥感监测的需要.

图3 GF-4遥感反演AOD与AERONET观测结果对比

图4 GF-4 AOD与AERONET Taihu站点AOD时序对比

图5 GF-4部分日期AOD反演结果以及MOD04气溶胶产品对比

(a)～(d)为GF4-AOD(550nm)反演结果; (e)～(h)为 MOD04DT气溶胶产品

为进一步识别分析本算法在高分四号气溶胶反演过程中的有效性,筛选了研究区覆盖范围80%以上的图像,并从春夏秋冬4个季节中各随机选取一景与MOD04气溶胶产品进行对比,结果如图5所示.GF-4反演的AOD在空间上具有较好的连续性,同时算法能有效识别条带状片云和零星的碎云.与MOD04暗像元算法产品相对比,二者在气溶胶的空间分布趋势上较为一致,均呈现南低北高分布,但GF-4 AOD分辨率远高于MOD04产品,因此能观察到能多的污染细节.在2018年10月30日反演结果中,长三角城市群区域出现了较厚的气溶胶,其中高值主要出现在上海、杭州、南京等工业化聚集的城市区域,而低值出现在浙江南部森林密集区域;同时该日出现较多条带状云,引起条带周围反演结果出现了较高值的像元.2019年8月16日影像中出现了大量点状碎云,气溶胶结果与MOD04产品相比略微偏高,但该日图像覆盖率远高于MOD04结果.而2017年12月10日与2020年3月18日的GF-4图像较为清晰,能见度高,二者的AOD数值总体较低.但2017年12月10日GF-4反演AOD值明显低于MOD04产品,可能是因为该日处于冬季,长三角城市群区域植被大量减少,导致暗像元识别过程出现偏差,从而影响了AOD的反演.

2.2 PM2.5估算结果

2.2.1 建模精度分析 基于高分四号AOD反演结果,筛选对应时间、网格的PM2.5地面观测数据、气象数据、NDVI数据以及高程数据进行匹配,对匹配后的22594组数据进行简要统计和分析,结果如表2所示.可以看出,PM2.5的最大值为212μg/m3,表明本区域PM2.5的背景值较高.另垂直与湿度订正后的AOD数值范围变大,扩增了空气质量的优劣程度与污染程度差异.

表2 建模参数统计特征描述

注:样本量=22594,总天数=143d.

利用匹配后的22594组变量进行模型拟合,从图6可以看出,模型拟合精度较高,模型估算PM2.5浓度与地面实测结果拟合度2达到0.74,优于静止卫星GOGI在江苏省的PM2.5估算结果(2=0.70)[15],也优于同模型在珠江三角洲区域的PM2.5拟合结果(2=0.71)[24].同时交叉验证2为0.72,略低于拟合结果,表明该模型并未显著过度拟合.从模型拟合趋势线与1:1对比线来看,模型存在低值高估和高值低估的现象,可能与冬季AOD高值期的数值缺失有关.因此,分别构建春、夏、秋、冬4个季节模型,交叉验证结果如表3所示,4个季节的交叉验证2分别为0.65,0.59,0.63,0.72;RMSE分别为14.37,10.09,14.42, 18.59μg/m3,远小于地面站点监测的PM2.5浓度均值(38.04 μg/m3).本研究中的拟合结果可以解释相应PM2.5浓度59%以上的变异,较MODIS AOD产品在长三角区域的PM2.5浓度估算精度提升了10%～ 45%[25].一般来说,夏季PM2.5质量浓度最低,秋季次之,在春季和冬季均较高[27].在本研究中,冬季拟合结果较优,交叉验证结果的MAE值在夏季达到最低(7.42μg/m3),最大值出现在冬季(13.34μg/m3),与上述分析一致.

2.2.2 PM2.5浓度空间分布 选取研究区2016年7月20日～7月31日连续12d的GF-4数据(含污染日和非污染日,且少云),利用线性混合模型进行PM2.5浓度遥感反演,获得一定时间段长三角城市群区域逐日的PM2.5浓度空间分布,并与地面监测站点PM2.5数据进行比较,结果如图7所示.遥感反演的PM2.5浓度呈现出显著的空间连续性,可以获取到更多地面监测站点无法监控的细节信息.GF-4遥感观测与地面监测的PM2.5浓度在整体空间分布上呈现高度一致性:南低北高,与气溶胶的分布较为一致,南部浙江森林密集区域PM2.5浓度较低,中部(上海、浙江杭州)与北部(江苏)城市工业化密集地区PM2.5浓度较高;但同时GF-4观测结果对于局部的PM2.5高值存在低估现象,尤其是对于非污染日,地面监测PM2.5浓度均出现大于80μg/m3的局部高值,而GF-4反演结果则在50μg/m3以下.

表3 不同季节的PM2.5估算模型交叉验证结果

图7 长三角城市群2016年7月20日～7月31日逐日PM2.5浓度空间分布

7月20日～7月31日,遥感反演结果中有5d的PM2.5浓度最高值超过75μg/m3,第1～11d的PM2.5污染情况呈现逐日递增形势.前3d空气质量较优, PM2.5浓度基本处于40μg/m3以下.第4～7d PM2.5浓度整体有所上升,第4d在苏州、宁波等地出现局部高值,但空气质量仍处于良好水平.第5～11d, PM2.5浓度出现大范围的增长,超过80μg/m3,并且污染具有从聚集在浙江和安徽交界处向上海、南京以及合肥转移的趋势.第12d,空气质量又恢复优良水平,但合肥方向PM2.5浓度略高于其余地区.连续12日PM2.5浓度的逐日观测发现,在此次污染事件中,长三角城市群区域的PM2.5浓度污染具有从中部聚集并分别向东和向西北方向转移的趋势.由于GF-4数据量有限,难以实现逐小时的PM2.5估算,但GF-4凝视时间间隔最高可达20s,后续可加入风速风向等因子,对PM2.5污染事件进一步探究更精细的扩散规律.

3 结论

3.1 GF-4 AOD反演结果分辨率较MODIS气溶胶产品有很大提高,空间覆盖较大且连续性好;算法反演结果精度较高,与AERONET AOD的为0.82, MAE与RMSE分别为0.14和0.19 (AOD均值为0.5296).反演过程中,片云和碎云均能得到较好的识别,但严重雾霾也可能被误识别为云层,致使云层边界处反演结果出现非正常高值.此外,由于算法本身限制,长三角城市群区域冬季浓密植被覆盖率变低,导致冬季AOD高值区数值缺失.

3.2 基于GF-4 AOD和LME模型估算的PM2.5浓度精度较高,模型估算PM2.5浓度与地面实测结果拟合度2达到0.74,但存在低值高估和高值低估的现象.分春、夏、秋、冬四个季节进行建模,交叉验证2依次为0.67,0.59,0.63和0.72,表明模型可以解释相应PM2.5浓度59%以上的变异.MAE夏季达到最低(7.42μg/m3),春季最大(13.34μg/m3),与实际情况相符,表明可以利用GF-4遥感监测区域PM2.5.

3.3 高分四号遥感观测与地面监测的PM2.5浓度在整体分布趋势上表现出高度一致性:整体呈现南低北高,与反演的气溶胶结果分布一致,南部浙江森林密集区域PM2.5浓度较低,而中部(上海、浙江杭州)与北部(江苏)城市工业化密集地区PM2.5浓度较高.

[1] Wang J, Christopher S A. Intercomparison between satellite-derived aerosol optical thickness and PM2.5mass: Implications for air quality studies [J]. Geophysical Research Letters, 2003,30(21):2095-2098.

[2] Donkelaar A V, Martin R V, Park R J. Estimating ground-level PM2.5using aerosol optical depth determined from satellite remote sensing [J]. Journal of Geophysical Research, 2006,111(D21):1-10.

[3] Green M, Kondragunta S, Ciren P, et al. Comparison of GOES and MODIS aerosol optical depth (AOD) to aerosol robotic network (AERONET) AOD and improve PM2.5mass at Bondville, Illinois [J]. Journal of the Air & Waste Management Association, 2009,59(9): 1082-1091.

[4] Hua Z Q, S W W, Yang G, et al. A full-coverage daily average PM2.5retrieval method with two-stage IVW fused MODIS C6AOD and two-stage GAM model [J]. Remote Sensing, 2019,11(13):1558-1576.

[5] Liu Y, Franklin M, Kahn R, et al. Using aerosol optical thickness to predict ground-level PM2.5concentrations in the St. Louis area: A comparison between MISR and MODIS [J]. Remote Sensing of Environment, 2007,107(1/2):33-44.

[6] 贾松林,苏 林,陶金花,等.卫星遥感监测近地表细颗粒物多元回归方法研究 [J]. 中国环境科学, 2014,34(3):565-573.

Jia S L, Su L, Tao J H, et al. A study of multiple regression method for estimating concentration of fine particulate matter using satellite remote sensing [J]. China Environmental Science, 2014,34(3):565- 573.

[7] Hu X, Waller L A, Lyapustin A, et al. 10-year spatial and temporal trends of PM2.5concentrations in the southeastern US estimated using high-resolution satellite data [J]. Atmospheric Chemistry and Physics, 2014,14(12):6301-6314.

[8] Wei J, Li Z Q, Sun L, et al. Extending the EOS long-term PM2.5data records since 2013 in China: Application to the VIIRS deep blue aerosol products [J]. IEEE Transactions on Geoscienc, 2021:3050999.

[9] 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.

[10] Zhang T H, Liu G, Zhu Z M, et al. Real-Time estimation of satellite-derived PM2.5based on a semi-physical geographically weighted regression model [J]. Environmental Research and Public Health, 2016,13(10):974-987.

[11] 李成才,毛节泰,刘启汉,等. MODIS卫星遥感气溶胶产品在北京市大气污染研究中的应用 [J]. 中国科学:地球科学, 2005,35(0z1): 177-186.

Li C C, Mao J T, Liu Q H, et al. Research on the air pollution in Bering and its surroundings with MODIS AOD products [J]. Science China: Earth Sciences, 2005,35(0z1):177-186.

[12] 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.

[13] 陈 辉,厉 青,张玉环,等.基于地理加权模型的我国冬季PM2.5遥感估算方法研究 [J]. 环境科学学报, 2016,36(6):2142-2151.

Chen H, Li Q, Zhang Y H, et al. Estimations of PM2.5concentrations based on the method of geographically weighted regression [J]. Acta Scientiae Circumstantiae, 2016,36(6):2142-2151.

[14] 李同文,孙越乔,杨晨雪,等.融合卫星遥感与地面测站的区域PM2.5反演 [J]. 测绘地理信息, 2015,40(3):6-9.

Li T W, Sun Y Q, Yang C X, et al. Retrieving PM2.5using satellite remote sensing and ground station measurements [J]. Journal of Geomatics, 2015,40(3):6-9.

[15] 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.

[16] 耿 冰,孙义博,曾巧林,等.基于深度学习方法的PM2.5精细化时空估算模型 [J]. 中国环境科学, 2021,41(8):3502-3510.

Geng B, Sun Y B, Zeng Q L, et al. Refined spatiotemporal estimation model of PM2.5based on deep learning method [J]. Chinese Environmental Science, 2021,41(8):3502-3510.

[17] Lu X M, Wang J J, Yan Y T, et al. Estimating hourly PM2.5concentrations using Himawari-8AOD and a DBSCAN-modified deep learning model over the YRDUA, China [J]. Atmospheric Pollution Research, 2021,12(2):183-192.

[18] Sun K, Chen X L, Zhu Z M, et al. High resolution aerosol optical depth retrieval using Gaofen-1WFV camera data [J]. Remote Sensing, 2017,9(1):89-108.

[19] Zhang T H, Zhu Z M, Gong W, et al. Estimation of ultrahigh resolution PM2.5concentrations in urban areas using 160m Gaofen-1AOD retrievals [J]. Remote Sensing of Environment, 2018,216:91-104.

[20] Yan J W, Tao F, Zhang S Q, et al. Spatiotemporal distribution characteristics and driving forces of PM2.5in three urban agglomerations of the Yangtze River Economic Belt [J]. Environmental Research and Public Health, 2021,18(5):2222-2247.

[21] Zhu W W, Wang M C, Zhang B B. The effects of urbanization on PM2.5concentrations in China's Yangtze River Economic Belt: New evidence from spatial econometric analysis [J]. Journal of Cleaner Production, 2019,239:118065-118076.

[22] Ångström A. On the atmospheric transmission of sun radiation and on dust in the air [J]. Geografiska Annaler, 1929,11:156-166.

[23] Vermote E F, Tanr´e D, Deuz´e J L, et al. Second simulation of the satellite signal in the solar spectrum, 6S: An overview [J]. IEEE Transactions on Geoscience & Remote Sensing, 1997,35(3):675-686.

[24] 周 爽,王春林,孙 睿,等.基于LME/BME的珠江三角洲PM2.5星地融合技术研究 [J]. 中国环境科学, 2019,39(5):1869-1878.

Zhou S, Wang C L, Sun R, et al. Fusion of satellite data and ground observed PM2.5in Pearl River Delta region with linear mixed effect and Bayesian maximum entropy method [J]. China Environmental Science, 2019,39(5):1869-1878.

[25] 徐建辉,江 洪.长江三角洲PM2.5质量浓度遥感估算与时空分布特征 [J]. 环境科学, 2015,36(9):3119-3127.

Xu J H, Jiang H. Estimation of PM2.5concentration over the Yangtze Delta using remote sensing: Analysis of spatial and temporal variations [J]. Environmental Science, 2015,36(9):3119-3127.

[26] 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]. Environmental Science, 2019,39(11):4530-4537.

Remote estimation of PM2.5based on GaoFen-4 satellite data in the Yangtze River Delta urban agglomeration.

YAN Ying-ting1, LU Xiao-man1, WANG Jia-jia1, CHEN Ming-nan2, ZHOU Li-guo1,3*, MA Wei-chun1

(1.Department of Environmental Science and Engineering, Fudan University, Shanghai 200433, China；2.Shanghai Investigation, Design & Research Institute Co., Ltd., Shanghai 200335, China；3.Institute of Eco-Chongming, Shanghai 200062, China)., 2022,42(3)：1005～1012

This paper used 6SV model and dark target algorithm to retrieve AOD with a high spatial resolution based on GaoFen-4 (GF-4) geostationary satellite data. Afterwards, combined with the PM2.5concentration data of the ground air quality observation sites, meteorological factors and other data, physical correction methods and linear mixed effects (LME) model were used to monitor the large-scale and spatial continuous PM2.5concentration in the Yangtze River Delta urban agglomeration (YRDUA). The results showed that the retrieved GF-4 AOD has good spatial resolution and spatial continuity, and the correlation coefficient (R) with AERONET ground-based monitoring data reached 0.82. The LME model based on GF-4 AOD showed a good agreement between the estimated PM2.5concentration and the in situ observed values (2=0.74). The 10-fold cross-validation2of spring, summer, autumn and winter were 0.67, 0.59, 0.64 and 0.72, respectively; and the mean absolute error (MAE) were 10.40, 7.42, 10.10 and 13.34μg/m3, respectively, which indicates that GF-4 can be used for regional PM2.5concentration monitoring.

GF-4 satellite；PM2.5；AOD；remote sensing；Yangtze River Delta urban agglomeration (YRDUA)

X513

A

10000-6923(2022)03-1005-08

严莹婷(1995-),女,浙江海宁人,复旦大学硕士研究生,主要研究方向为大气环境遥感.发表论文2篇.

2021-08-10

*责任作者, 副教授, Lgzhou@fudan.edu.cn

基金支持：国家重点研发计划(2016YFC0502706);国家自然科学基金(41001234)