FY-4A AGRI陆地气溶胶光学厚度反演

谢艳清，李正强，侯伟真

1.中国科学院空天信息创新研究院国家环境保护卫星遥感重点实验室,北京100101;

2.中国科学院大学,北京100049

1 引言

气溶胶光学厚度AOD（Aerosol Optical Depth）是气溶胶的消光系数从地面到大气顶部的垂直积分，它是表征气溶胶光学特性的重要参数之一（Liu 等，2016）。大气气溶胶在气候变化（Samset等，2018）、大气环境监测（Li 等，2018）以及定量遥感（Mishra等，2020）等领域均有重要的应用。由于气溶胶排放的时空差异较大，且气溶胶的寿命较短，气溶胶的分布具有显著的时空差异。因此，对气溶胶进行大范围的高频率探测是十分重要的。

目前对气溶胶的探测主要有3种方式，分别是地基观测、航空测量和卫星监测，其中卫星监测依据卫星的轨道又可以被分为静止卫星和极轨卫星两种（Xie 等，2020）。总地来看，地基观测具有最高的精度，例如AERONET（Aerosol Robotic Network）提供的紫外至近红外光谱范围内的气溶胶光学厚度数据的整体不确定性在0.02 左右（Giles 等，2019）。不过由于站点数量的限制，AERONET 数据通常只用于气溶胶的区域研究和遥感数据的验证，无法实现对气溶胶的大范围有效监测。航空测量和极轨卫星虽然可以实现对气溶胶的大范围监测，但是由于视场角和重访周期的限制，它们无法同时实现对气溶胶的大范围和高频率的监测（Burton 等，2012；Kolmonen 等，2016）。与上述的观测设备相比，静止卫星由于具有极高的观测频率和非常大的观测范围，其可以同时实现对气溶胶的大范围和高频率的监测，因此开发基于静止卫星的AOD 数据集的意义重大（Yang等，2018）。

风云四号A星（FY-4A）是中国第二代静止气象卫星的首颗卫星，多通道扫描成像辐射计AGRI（Advanced Geosynchronous Radiation Imager）是搭载在FY-4A上的主要光学载荷之一（Yang等，2017），其具有2个可见光通道（0.47，0.65 μm），1 个近红外通道（0.83 μm），3 个短波红外通道（1.38，1.61和2.23 μm）和8 个中红外通道。AGRI 每天成像205 次，可以为中国大气气溶胶的遥感监测提供充足的数据保障。目前研究人员针对FY-4A AGRI开发的气溶胶反演算法还比较少，主要有深蓝算法（祝善友等，2020）和暗目标算法（许梦婕等，2020）两种气溶胶反演算法，这两种算法也是MODIS（Moderate-resolution Imaging Spectroradiometer）气溶胶产品的官方算法。其中，MODIS 暗目标算法的关键是精确的确定MODIS 0.47 μm、0.64 μm和2.12 μm 波段的地表反射率在暗目标区域的线性关系，Levy 等（2013）采用的方法是使用地基数据对MODIS 0.47 μm、0.64 μm 和2.12 μm 波段的数据进行大气校正以获取这3 个波段的地表反射率，然后通过统计确定这3 个波段的地表反射率在暗目标区域的线性关系。而许梦婕等（2020）直接将Kaufman等（1997）构建的MODIS 0.47 μm、0.64 μm 和2.12 μm 波段的地表反射率在暗目标区域的比值关系移植到AGRI 的0.47 μm、0.65 μm 和2.23 μm 通道上，认为在暗目标区域AGRI 的0.47 μm 通道的地表反射率为2.23 μm 通道的地表反射率的四分之一，AGRI 的0.64 μm 通道的地表反射率为2.23 μm 通道的地表反射率的二分之一，没有考虑MODIS 和AGRI 在波段设置上的显著差异，这会不可避免的引入较大的AOD 反演误差。初步的验证结果显示许梦婕等人开发的FY-4A AOD 数据集存在明显的低估，未来需要重新构建FY-4A AGRI 的0.47 μm，0.65 μm 和2.23 μm 通道在暗目标区域的地表反射率的比值关系以提升反演结果的精度。祝善友等（2020）基于深蓝算法的原理开发的FY-4A 气溶胶反演算法需要使用AGRI 的深蓝波段，而AGRI 的深蓝波段是AGRI 可见光通道中信噪比最低的波段（信噪比为90）（张鹏等，2016），这会对反演结果的精度产生消极影响。使用MODIS AOD 数据集对祝善友等人开发的FY-4A AOD 数据集进行验证的结果显示近一半的天数的反演结果的均方根误差大于0.4（祝善友等，2020）。总地来看，目前针对FY-4A 开发的气溶胶产品还比较少，且精度要差于同样可以覆盖东亚地区的Himawari-8 气溶胶产品的精度，因此目前研究人员使用的中国及周边区域的静止卫星气溶胶产品基本都是Himawari-8 的气溶胶产品，而很少使用FY-4A 的气溶胶产品（Xu 等，2021；Xue等，2020）。

由于AGRI 的0.47 μm 波段的信噪比较低，且存在明显的条带现象，为了保证气溶胶反演结果的质量，应当避免使用该波段。而常用的暗目标算法（Levy等，2013）和深蓝算法（Hsu等，2006）都需要用到AGRI 的0.47 μm 波段，因此本研究将结合FY-4A AGRI 的特点，开发一种面向FY-4A AGRI的基于地表反射率比值库的气溶胶反演算法。该算法的基本原理如下：首先选取每个月的“次暗像元”（一个月内表观反射率第2小的像元），使用背景AOD 对“次暗像元”进行大气校正（Prados 等，2007），以获取AGRI 0.65 μm 和0.83 μm 波段的地表反射率，进而获取这两个波段的地表反射率的比值，完成0.65 μm 和0.83 μm 波段的地表反射率比值库的构建，最后便可以依据已构建的地表反射率比值库实现地气解耦，完成气溶胶的遥感反演。与深蓝算法和暗目标算法相比，该算法对用于气溶胶反演的数据的波长没有特定要求，能够在不使用AGRI 质量较差的0.47 μm 波段数据的情况下实现气溶胶反演，可以保证气溶胶反演结果的质量。

2 数据及反演算法

2.1 数据介绍

2.1.1 FY-4A AGRI 数据

FY-4A 是中国新一代的静止气象卫星，AGRI是搭载在FY-4A 上的主要光学载荷。AGRI总共具有14 个光谱通道，其在可见光至短波红外范围内的光谱通道一共有6 个（Min 等，2017），这些通道的空间分辨率及信噪比等参数见表1，光谱响应函数如图1所示。正常情况下，AGRI 每天全盘成像40 次，对东亚区域成像165 次，能够给东亚区域的大气气溶胶的遥感反演提供充足的数据保障。但是由于太阳高度角的变化，并不是所有时刻的AGRI 数据均可以用于气溶胶的反演，本研究使用的是UTC 时间0 时—8 时的数据。尽管AGRI 的0.65 μm 和0.83 μm 通道的星下点的空间分辨率为1 km，但是国家卫星气象中心只发布了星下点的空间分辨率为4 km 的观测几何数据，不提供其他空间分辨率的观测几何数据，因此本研究选择的是星下点的空间分辨率为4 km 的AGRI L1 级数据。此外，本文还采用了国家卫星气象中心发布的云识别产品（Min 等，2017）来剔除L1 级数据中的云像元。上述所有AGRI 数据均可以从国家卫星气象中心的网站免费获取。

表1 FY-4A AGRI的可见光、近红外及短波红外通道的参数设置Table 1 Settings of visible，near-infrared and short-wave infrared channels of FY-4A AGRI

图1 FY-4A AGRI的可见光、近红外及短波红外通道的光谱响应函数Fig.1 Spectral response functions of visible，near-infrared and short-wave infrared channels of FY-4A AGRI

2.1.2 AHI AOD数据

Himawari-8 是日本Himawari 系列静止卫星的第8 颗，AHI（Advanced Himawari Imager）是搭载在Himawari-8 上的光学载荷。由JMA（Japan Meteorological Agency）发布的官方L2 等级的AHI AOD 数据集（Yoshida 等，2018）的空间分辨率为5 km，时间分辨率为10 min。该产品的算法原理与深蓝算法的原理类似，都是基于提前计算的地表反射率库实现地气解耦（Fukuda 等，2013）。已有的研究表明官方AHI AOD 数据集和地基观测结果具有很高的相关性（R＞0.8）（Zhang 等，2019）。AHI AOD数据集根据其精度被分为4个等级，分别是Very good，Good，Marginal 和No confidence。本研究中我们将对比AGRI AOD数据集和最高质量等级的AHI AOD 数据集的精度，以对本研究开发的AGRI AOD数据集的精度有一个更明确的认识。

2.1.3 MODIS AOD数据

MODIS是搭载在Aqua和Terra两颗卫星上的光学载荷。本文选用的是NASA 最新发布的C61 版本的MODIS气溶胶产品（MXD04），它的空间分辨率为10 km。MODIS 气溶胶产品中包含了AOD 和气溶胶类型等数据，其中AOD 数据包括暗目标算法（Levy 等，2013）和深蓝算法（Sayer 等，2013）的反演结果，以及根据NDVI 等参数对暗目标算法和深蓝算法的反演结果进行集成得到的AOD 数据集。NASA 发布的AOD 数据集是目前精度最高的AOD 数据集之一，我们将对比AGRI AOD 数据集和MODIS AOD 数据集的精度和空间分布，以更加全面的评估AGRI AOD数据集的质量。

2.1.4 ECMWF ERA5再分析数据

ERA5（ECMWF Reanalysis v5）是 ECMWF（European Centre for Medium-Range Weather Forecasts）开发的最新一代的再分析数据，ERA5 中包含了云的空间覆盖，水汽含量，臭氧含量等多种数据（Hersbach 等，2020）。其中，ECMWF 发布的水汽和臭氧再分析数据的空间分辨率为0.25°，时间分辨率为1 h。由于用于气溶胶反演的AGRI 0.65 μm和0.83 μm 通道的数据会受到水汽和臭氧吸收的影响，本研究需要在气溶胶反演之前依据ECMWF 发布的水汽和臭氧再分析数据对AGRI 数据进行气体吸收订正。

2.1.5 AERONET AOD数据

AERONET 是由NASA 参与建立的覆盖全球的地基气溶胶观测网，其已经连续工作超过25 a。由于AERONET AOD 数据具有非常高的精度，其被广泛的用于遥感AOD 数据的验证。本研究中采用AERONET 最新发布的Version 3.0 版本的经过去云处理和质量控制的Level 1.5 等级的AOD 数据（Giles 等，2019）对遥感AOD 数据集进行质量评估。由于本文反演的FY-4A AOD 数据集的波长为550 nm，而AERONET 提供的数据中不包含波长为550 nm的AOD数据，因此本文将依据式（1）通过内插相邻波段（440 nm 和675 nm）的AOD 来获取550 nm 处的AOD（马小雨等，2020）。本文的研究区域为中国大气污染较为严重的京津冀地区，一共5个AERONET 站点被用于遥感AOD 数据集的验证，它们的信息如表2所示。

表2 京津冀地区AERONET站点的地理信息Table 2 Geographic information of AERONET sites in Beijing-Tianjin-Hebei region

式中，τλ表示波长为λ处的AOD，β是大气的浑独度系数，α是表示Ångström指数。

2.2 反演算法

2.2.1 AGRI数据的预处理

本文使用的气溶胶反演算法只适用于无云的像元。如果不能有效的去除云像元，将会出现严重偏离真实值的气溶胶反演结果。为了避免这种情况的出现，本文在气溶胶反演之前将首先利用国家卫星气象中心发布的AGRI 官方云识别产品剔除L1 级AGRI 数据中存在的云像元。另外，本研究采用的星下点空间分辨率为4 km 的L1 级AGRI数据在不同位置处的空间分辨率是不一致的，其在京津冀地区的空间分辨率约为10 km，为了方便AOD 反演结果的后续使用，将研究区内的AGRI数据统一重采样为空间分辨率为10 km的数据。

2.2.2 AGRI数据的气体吸收订正

由于AGRI 0.65 μm和0.83 μm通道并不完全位于大气窗口内，会受到大气的吸收影响，尤其是水汽和臭氧的吸收。0.65 μm 和0.83 μm 通道在不同水汽和臭氧含量下的大气吸收透过率如图2所示。为了保证反演结果的精度，需要在气溶胶反演之前对AGRI L1 级数据进行气体吸收订正。本文采用的吸收订正方法如下，利用6SV 辐射传输模型（Vermote 等，1997，2006）构建一个用于水汽和臭氧吸收订正的6维查找表，6个纬度分别为：波段（0.65 μm 和0.83 μm），太阳天顶角（0—70°，间隔10°），卫星天顶角（0—70°，间隔10°），水汽含量（0—8 cm，间隔0.25 cm），臭氧含量（0—0.8 cm-atm，间隔0.04 cm-atm）和大气吸收透过率。在完成上述查找表的构建之后，便可以逐像元的依据太阳天顶角、卫星天顶角，水汽含量和臭氧含量通过插值计算出0.65 μm 通道和0.83 μm通道的大气吸收透过率，进而便可以根据式（2）计算出气体吸收订正之后的AGRI 0.65 μm 和0.83 μm通道的TOA反射率。

图2 ARGI的VIS06和NIR08通道在不同水汽和臭氧含量下的大气吸收透过率（θs=30°，θv=30°）Fig.2 The atmospheric transmittance of VIS06 and NIR08 channels of FY-4A AGRI under different water vapor and ozone contents（θs=30°，θv=30°）

2.2.3 地表反射率比值库的构建

已有研究表明对于气溶胶反演，可以假定卫星不同通道的地表反射率的比值在一个月内不发生变化（Knapp 等，2005；Yoshida 等，2018），且可以在一个月内的“次暗像元”受气溶胶影响极小的假设之下对“次暗像元”进行大气校正，以获取不同通道的地表反射率（Prados 等，2007），进而获取不同通道的地表反射率的比值。Knapp等（2005）测试了利用不同的AOD 对“次暗像元”进行大气校正的效果，发现将AOD 设为0.02 时对“次暗像元”进行大气校正得到的地表反射率与真实的地表反射率最为接近。因此，本文把用于“次暗像元”大气校正的AOD 设为0.02。此处使用的“次暗像元”是指一个月内表观反射率次小的像元。例如可以通过下述的方法选取2019年5月M 位置处（本文指任意位置）的“次暗像元”：首先利用ECMWF 再分析数据对2019年5月M 位置处的所有0.65 μm 通道和0.83 μm 通道的数据进行气体吸收订正，然后从气体吸收订正之后的数据中选取M 位置处0.65 μm 通道次小的表观反射率数据，被选择的AGRI 0.65 μm 通道的表观反射率数据及其同一观测时刻的0.83 μm 通道的TOA 数据即为2019年5月M 位置处的“次暗像元”。其中，之所以要选择“次暗像元”而不是“最暗像元”来计算地表反射率是为了剔除可能存在的云的阴影的影响。

本研究中依据上述方法在每个月都利用当月的AGRI数据构建了一个0.65 μm通道和0.83 μm通道的地表反射率的比值文件，完整的比值库由所有月份的比值文件共同组成。现以构建2019年5月的比值文件为例介绍构建比值库的基本流程：（1）首先选出2019年5月的AGRI 数据在研究区各个位置处的0.65 μm 和0.83 μm 波段的“次暗像元”；（2）在“次暗像元”受气溶胶影响极小（550 nm 处的AOD 等于0.02）的假设之下对这些“次暗像元”进行大气校正，得到整个研究区的0.65 μm 和0.83 μm 通道的地表反射率；（3）将得到的0.65 μm 通道的地表反射率除以0.83 μm 通道的地表反射率便可以得到2019年5月的0.65 μm 通道和0.83 μm 通道的地表反射率的比值文件。本文构建的0.65 μm 通道和0.83 μm 通道的地表反射率的比值文件的示例如图3所示。

图3 2019年5月的AGRI VIS06和NIR08通道的地表反射率的比值Fig.3 Ratio of the surface reflectance of the VIS06 channel of AGRI to that of the NIR08 channel of AGRI in May 2019

2.2.4 气溶胶反演

对于一个特定的像元，如果已知气溶胶类型、AOD 和任意两个通道的地表反射率的比值，则可以根据式（3）—（4）使用一个通道的TOA 反射率模拟出另外一个通道的TOA 反射率。上述模拟过程的基本原理如下：如果已知某像元A 通道的TOA反射率，想要模拟出该像元某种气溶胶类型和AOD 情况下的B 通道的TOA 反射率，可以首先计算出这种气溶胶类型和AOD 情况下的A 通道和B通道的各个大气参数（透射率，程辐射和半球反射率），然后通过式（4）计算得到这种气溶胶类型和AOD 情况下的A 通道的地表反射率，进而可以依据A通道与B通道的地表反射率的比值计算得到B 通道的地表反射率，然后可以通过式（3）模拟出这种气溶胶类型和AOD 情况下B 通道的TOA反射率。上述内容是开发的气溶胶反演算法在实现气溶胶反演之前所需的一些必备知识，即怎样在两个波段（0.65 μm 波段和0.83 μm 波段）的地表反射率的比值和气溶胶信息已知的情况下，利用0.83 μm 波段的TOA 反射率模拟0.65 μm 通道的TOA反射率。

本文假定气溶胶类型为大陆型气溶胶，在获取上述的必备知识之后我们便可以利用0.83 μm 通道的实际观测的TOA反射率模拟出0.65 μm通道在不同AOD 情况下（0—2，间隔0.001）的2001 个TOA 反射率。其中与实际观测的0.65 μm 通道的TOA 反射率最为接近的模拟TOA 反射率所对应的AOD 即为本算法的AOD 反演结果。为了提升反演的效率，基于6SV 模型提前创建了一个9 维的查找表，这9 个维度分别为：波段（0.65 μm，0.83 μm），太阳天顶角（0—65°，间隔5°），卫星天顶角（0—65°，间隔5°），太阳和卫星的相对方位角（0—360°，间隔10°），高程（0—2000 m，间隔400 m），550 nm 处的AOD（0—2，间隔0.1），程辐射，透射率和半球反射率。完成上述查找表的构建之后，实际反演时便可以通过插值的方法计算出0.65 μm 和0.83 μm 两个通道在不同AOD 情况下（0—2，间隔0.001）的大气参数以提升反演效率。

式中，φ是相对方位角，θv是卫星天顶角，θs是太阳天顶角，是经过气体吸收订正之后的波长为λ的通道的TOA反射率，和分别是上行和下行的大气透射率，Sλ是大气的半球反照率，是地表的反射率。

3 反演结果与分析

3.1 AGRI AOD 数据集与MODIS AOD 数据集、AHI AOD数据集的空间分布对比

本研究开发的AGRI AOD数据集和AHI AOD数据集采用的投影均是等经纬度投影，而MODIS AOD 数据集的投影不是等经纬度投影，为方便对比，将MODIS AOD 数据集也重采样成了等经纬度投影的数据。AGRI AOD 数据集、AHI AOD 数据集、MODIS DB AOD 数据集和MODIS 集成AOD 数据集在2019-09-27—2019-09-28的空间分布如图4所示。通过对图4进行分析可知，这4种AOD 数据集在空间分布上均具备很好的连续性，几乎没有在空间上突变的异常值。总的来看，AGRI AOD 数据集、AHI AOD 数据集、MODIS DB AOD 数据集和MODIS 集成AOD数据集的空间分布趋势基本一致：9月27日的4种AOD数据集的空间分布都是河北的南部（邯郸，邢台）、北京及天津的AOD 较高，其他区域的AOD 较低；9月28日两种AOD 数据集的空间分布都是京津冀的东南部高，西北部低。

图4 FY-4A AOD、AHI AOD及MODIS AOD数据集2019-09-27—2019-09-28在京津冀地区的空间分布Fig.4 Spatial distribution of FY-4A AOD dataset，AHI AOD dataset and MODIS AOD datasets in Beijing-Tianjin-Hebei region on September 27-28，2019

3.2 AGRI AOD数据集的验证结果

本文将采用6个参数对遥感AOD数据集的精度进行评估，分别是平均绝对误差MAE（Mean Absolute Error），均方根误差RMSE（Root Mean Square Error），相对误差RE（Relative Error），误差落在期望误差±(0.05 + 0.15AODAERONET)范围内的反演结果所占的比例（EE15），平均偏差ME（Mean Error）以及相关系数R（Jiang 等，2019）。MAE，RMSE，RE，ME和R的具体计算原理见式（5）—（9）。

式中，Ai是遥感AOD 反演结果，是对应的地基AOD 数据，和分别是遥感AOD 反演结果的均值和地基AOD 的均值，N是地基数据与遥感数据有效匹配结果的数量。

本研究开发的AGRI AOD 数据集，AHI AOD 数据集和MODIS集成AOD数据集在2019-05—2019-10的验证结果的散点图如图5所示。首先来对比AGRI AOD 数据集和AHI AOD 数据集，总地来看，AGRI AOD 数据集的RMSE，MAE，RE，ME，R和EE15均要优于AHI AOD数据集。具体来看，RMSE和MAE是用来表征遥感反演结果绝对误差的参数，AGRI AOD 数据集的RMSE（0.12）和MAE（0.09）要明显的小于AHI AOD 数据集的RMSE（0.16）和MAE（0.12），这表明相比于AHI AOD 数据集，AGRI AOD 数据集的绝对误差更小。ME 是用来表征遥感AOD 数据集在整体上是否存在高估或低估现象的参数，AGRI AOD数据集和AHI AOD数据集的ME分别为0和0.04，这表明AGRI AOD数据集在整体上基本不存在高估或低估现象，而AHI AOD数据集则存在一定的高估。RE 是用来表征遥感AOD 数据集的相对误差的参数，AGRI AOD 数据集的RE（0.24）要明显的小于AHI AOD 数据集的RE（0.28），这意味着AGRI AOD 数据集的相对误差更小。AGRI AOD 数据集和AHI AOD 数据集的EE15 分别是65.86%和58.14%，这意味着相比于AHI AOD 数据集，AGRI AOD 数据集的误差落在±(0.05 + 0.15AODAERONET)范围内的数据所占的比例更高。相关系数R是用来表征遥感反演结果与地基反演结果相关性的参数，AGRI AOD 数据集和AHI AOD 数据集都与地基数据具有很高的相关性，但AGRI AOD 数据集与地基数据的相关性（R=0.91）要略高于AHI AOD数据集与地基数据的相关性（R=0.89）。综上，尽管FY-4A AGRI 的信噪比要低于Himawari-8 AHI 的信噪比（张鹏等，2016），本研究开发的AGRI AOD 数据集的绝对误差，相对误差等参数却均优于JMA发布的官方AHI AOD数据集。

图5 AGRI AOD数据集、AHI AOD数据集及MODIS 集成AOD数据集与地基数据的验证结果的散点图Fig.5 Scatter plot of AGRI AOD dataset，AHI AOD dataset，MODIS AOD dataset against ground-based data

为了对AGRI AOD数据集的精度有一个更加明确的认识，还对比了AGRI AOD 数据集和MODIS集成AOD 数据集的精度。AGRI AOD 数据集的RMSE、MAE、RE、ME、R和EE15 分别是0.12、0.09、0.24、0、0.91 和65.86%，MODIS 集成AOD数据集的RMSE、MAE、RE、ME、R和EE15 分别是0.15、0.11、0.36、0.08、0.89 和54.27%。总的来看，AGRI AOD 数据集的绝对误差，相对误差和反演结果的误差落在±(0.05 + 0.15AODAERONET)范围内的数据所占比例均要优于MODIS 集成AOD 数据集，而MODIS AOD 数据集是目前被广泛应用且具有较高精度的AOD 数据集之一，因此可以认为本研究开发的AGRI AOD数据集具有较高的精度。

4 结论

搭载在静止卫星FY-4A上的AGRI具有极高的观测频率，可为大气气溶胶的持续监测提供充足的数据支持，但目前尚没有公开发布的AGRI AOD数据集可供使用。本文面向AGRI 开发了一套基于地表反射率比值库的气溶胶反演算法以获取高精度的AGRI AOD 数据集。反演算法由4 部分构成：（1）AGRI L1 级数据的预处理；（2）AGRI L1 级数据的气体吸收订正；（3）AGRI 0.65 μm 和0.83 μm通道的地表反射率比值库的构建；（4）基于地表反射率比值库的气溶胶反演。该算法已被应用于京津冀地区的气溶胶反演。利用地基数据，AHI AOD 数据和MODIS 集成AOD 数据评估AGRI AOD数据的质量，结果显示AGRI AOD数据具有较高的精度，且其精度要高于目前被广泛使用的AHI AOD 数据集和MODIS AOD 数据集的精度。这表明本文提出的基于地表反射率比值库的气溶胶反演算法可用于高精度AGRI AOD数据集的开发。

相比于已有的基于暗目标和深蓝算法原理开发的AGRI AOD 反演算法（许梦婕等，2020；祝善友等，2020），本文提出的气溶胶反演算法的创新点主要体现在两个方面：（1）该算法仅依靠AGRI 数据来完成地表反射率比值库的构建，不需要借助额外的MODIS AOD 数据、地表反射率数据或是AERONET AOD 数据。（2）该算法对参加反演的遥感数据的波长没有特定的要求，只需要两个通道（至少包含一个可见光通道）的数据即可实现气溶胶反演，适用于AHI、MODIS 等目前在轨运行的大多数卫星传感器，具有较强的灵活性和可移植性。

尽管本文取得了一定的成果，但针对AGRI 数据开发的气溶胶反演算法仍然有一定的改进空间，主要表现为本研究采用的气溶胶反演算法仅考虑了大陆型一种气溶胶类型。事实上，仅利用大陆型一种气溶胶类型并不能完全表征京津冀地区所有的气溶胶情况，这会对气溶胶反演结果的精度造成负面影响。未来需要利用AERONET 等地基观测数据构建更多贴近研究区实际情况的气溶胶模型，并将其引入到AGRI 气溶胶反演算法中，以进一步提升气溶胶反演结果的精度。

志 谢本研究使用的FY-4A 数据，MODIS数据，Himawari-8 数据和再分析数据分别是由中国国家卫星气象中心，NASA，JMA 和ECMWF 提供的，作者向上述机构表示感谢。此外，本研究使用了5个AERONET站点（Beijing-CAMS，Yan⁃qihu，Beijing_RADI，XiangHe，Beijing_PKU）的数据用于遥感AOD 数据的验证，感谢建立和维护上述站点的相关人员。