大气PM2.5遥感反演研究进展*

于 雪 赵文吉 孙春媛 熊秋林 欧 阳

(首都师范大学资源环境与旅游学院，资源环境与地理信息系统北京市重点实验室，北京 100048)

大气PM2.5遥感反演研究进展*

于 雪 赵文吉#孙春媛 熊秋林 欧 阳

(首都师范大学资源环境与旅游学院，资源环境与地理信息系统北京市重点实验室，北京 100048)

PM2.5是中国空气质量的重要评价指标，影响着环境和人体健康。近年来，遥感反演已逐渐成为监测PM2.5的热点。介绍了大气PM2.5反演常用的遥感数据优缺点及适用范围，对遥感反演方法进行归纳和总结，阐述构建PM2.5与气溶胶光学厚度关系模型、消除气象因素和垂直分布等参数影响的方法，并展望PM2.5遥感反演在高时空分辨率数据和模型耦合等方面的发展趋势。

PM2.5卫星遥感 反演算法 气溶胶光学厚度 关系模型

PM2.5是中国空气质量的重要评价指标，因组成复杂、易吸附有毒有害物质以及在大气中滞留时间长等特点，对人体健康、气候和天气过程产生重要影响，被学者广泛研究[1]582，[2]。目前，PM2.5的监测方法分为地面和遥感监测。地面监测虽精度高，但由于成本昂贵、站点分布不均且稀少，无法获得大面积连续的PM2.5数据[3]3-4；卫星遥感技术具有空间覆盖范围大、不同尺度采集数据和受限制条件少等优势，常用于监测大范围的PM2.5时空分布[4]，既能指导地面监测站的布设又可模拟雾霾的发生。气溶胶光学厚度(AOD)是反演PM2.5浓度的常见卫星数据产品，用于描述气溶胶对光的衰减作用。研究表明，遥感反演的AOD与地面监测PM2.5浓度具有较高的相关性。因此，学者们通过卫星遥感反演AOD，经过垂直和湿度校正，建立AOD与PM2.5的关系模型来研究PM2.5的浓度、来源和传输机理。

从20世纪70年代遥感反演气溶胶兴起到90年代遥感蓬勃发展，从海洋上空反演到陆地反演，从高级甚高分辨率辐射计(AVHRR)到多角度成像光谱仪(MISR)，再到多光谱多角度偏振探测器(POLDER)的出现逐步提升了PM2.5反演的精度。反演方法基于KAUFMAN[5]建立的暗像元法不断改进，衍生新的算法。中国卫星遥感反演PM2.5起步较晚，研究体系尚不完善，但近几年已很重视该领域的研究。然而，有限的监测站使得卫星遥感监测变成强化大气环境监测监管的短板。

本研究针对PM2.5遥感反演数据的来源进行详细介绍，在此基础上对遥感反演方法进行归纳和对比，分析其优缺点；论述如何建立PM2.5与AOD关系模型并消除参数影响，最后展望遥感反演的发展趋势。本研究对卫星反演气溶胶的方法改进、模型构建和广泛应用具有重要意义。

1 PM2.5反演常用的遥感数据

AVHRR是最早用于AOD反演的卫星传感器。由于海洋表面相对均一，反射率很小且近似为常数，因此早期的气溶胶反演主要集中于海洋和大水体表面上空。赵柏林等[6]利用AVHRR数据反演海上AOD；另一个长期用于探测气溶胶特性的传感器是1978年发射，最初搭载于Nimbus-7上的臭氧总量绘图光谱仪(TOMS)。

气溶胶遥感的飞速发展是在美国国家航空航天局(NASS)发射探测卫星TERRA之后，该卫星上携带着特别为气溶胶遥感而设计的传感器——中分辨率成像光谱仪(MODIS)和MISR。MODIS实现了全球覆盖，数据可直接下载，在中国应用广泛，但受云影响较大。最新产品是C6，增加了3 km(仅限于AQUA)分辨率的AOD产品。LEVY等[7]验证了C6产品比C5具有更高的精度和覆盖率，然而AOD C6产品发布时间较晚(2014年初发布)，因此在PM2.5的污染研究中应用不如C5产品广泛。而MISR可对高反射率地表进行反演，因此被一些学者用来与MODIS相互补充，从而提高PM2.5反演精度[8]。MISR重返周期为2～9 d，无法检测日常数据，但可作为长期数据研究支撑。

臭氧观测仪(OMI)是通过可见光和紫外光波段反演大气气溶胶的高分辨率传感器，于2004年发射。空间分辨率较高，每天实现一次全球覆盖。但因反演的紫外光波段易受瑞利散射影响，在AOD低值区反演精度较低。STRAWA等[9]将OMI与MODIS结合，应用广义加和模型来提高AOD与PM2.5的相关性；WONG等[10]901-906验证发现，OMI的反演精度较MODIS和MISR产品低。

2011年发射的国家极地轨道伴随卫星(Suomi NPP)上搭载的可见光红外成像辐射仪(VIIRS)是超过服役期的MODIS卫星的继承和发展，主要用于观测全球性的陆地、海洋和大气。但反演气溶胶精度不如MODIS产品高。苏城林等[11]将VIIRS反演的高分辨率(750 m)的AOD与全球气溶胶监测网(AERONET)、MODIS的气溶胶产品对比，发现VIIRS与两者具有显著的相关性；WANG等[12]研究验证了利用VIIRS的昼/夜波段反演夜间PM2.5的可能性。

云-气溶胶激光雷达和红外探测者卫星(CALIPSO)是高分辨率观测全球范围内气溶胶垂直廓线的卫星，可利用激光器探测到的信息获取气溶胶的垂直分布、多种气溶胶类型以及PM2.5的空间分布[10]899-900，[13-14]。BRÉON等[15]3106-3110对比分析了POLDER、MODIS和CALIPSO反演AOD的精度，结果表明，CALIPSO的相关系数最高。但因重返周期和分辨率的限制，目前应用最广泛的还是MODIS和MISR传感器。

中国对气溶胶的遥感反演始于1988年，风云系列卫星主要涉及AOD和紫外廓线的反演，很少涉及PM2.5的反演。周永波等[16]对比了风云三号(FY-3A)和MODIS C5在中国渤海、黄海以及东海海域的气溶胶样品，结果发现，拟合度均较高。2002年，中国成功发射了海洋一号卫星，卫星上有效载荷包括电荷耦合元件(CCD)成像仪和海洋水色扫描仪。自此形成了气象、海洋以及资源3大遥感卫星系列，对中国气溶胶的监测发挥重要作用[17]。2008年，发射的环境与减灾卫星(HJ-1)携带了高光谱传感器和宽覆盖多波段传感器。王中挺等[18]采用改进的暗像元法评价了基于HJ-1的CCD相机在陆地气溶胶监测中的应用潜力和可行性。资源三号(ZY-3)是中国第一颗民用高分辨率测绘卫星，对于定量遥感具有重要意义。秦雁等[19]分析了中国香港地区ZY-3的AOD数据，以识别局地大气污染源，为中国城市区域气溶胶自动监测提供参考。

2 AOD遥感反演算法

根据采用的数据不同，KAUFMAN等[20]和KING等[21]将卫星遥感气溶胶的标量方法分为6类：单通道算法、多通道算法、多通道多角度算法、暗像元法、结构函数法和偏振算法。本研究针对遥感反演中常用的算法进行简要的概述、分析和比较。

2.1 暗像元法

KAUFMAN等[22]建立的基于陆地地表反演AOD的暗像元法是目前陆地上空使用最广泛的算法。该法利用了植被密集、具有较低反射率的地表在近红外(2.13 μm)与红(0.66 μm)、蓝(0.47 μm)通道反射率具有良好相关性的特性。李成才[23]采用暗像元法反演北京地区AOD时发现，由于降雪和绿色植被稀疏，估算的北京地表反射率可能偏小。该法局限于暗目标区域，受地物类型的限制大。对于城市、半干旱和干旱等高反射率地区无法获取AOD，气溶胶模型误用的敏感性较高，使用前需要先验知识确定气溶胶的类型。

2.2 深蓝算法(DB)

目前，暗像元法有很多改进算法，如DB。DB处理的数据来源是蓝色波段(412～470 nm)光谱[24]，蓝色波段在亮地表区域具有较低地表反射率，且受气溶胶垂直廓线影响偏低，所以利用这一特性反演植被、裸土、水体和沙漠等高反射率的区域。SAYER等[25]研究发现，亮地表应用DB比暗像元法反演AOD更精确。但DB的精度受蓝色波段地表反射率数据库的精度限制。

2.3 双星协同反演算法

为消除气溶胶模式选取的误差，唐家奎等[26]提出了基于TERRA和AQUA双星的MODIS数据的协同反演算法。该法事先不需要假设气溶胶类型，可同时获得两次过境时间的气溶胶信息。因此，可用来分析区域气溶胶动态变化规律，有效提高了大气污染的监测质量。胡秀清等[27]将FY-1C/1D气溶胶卫星成功应用于全球海上AOD反演，从两个卫星连续的反演结果获得清晰的全球气溶胶主要排放地和季节变化。双星协同反演算法无需使用地表反射率数据库，对城市等高反射率地区效果明显。但使用两颗卫星数据反演会受到不同卫星传感器性能差异和遥感图像匹配的影响，同一像元可能出现云污染，影响反演AOD的精度，且计算量较大，造成结果误差较大，应用并不广泛。

2.4 结构函数法

20世纪90年代，HOLBEN等[28]利用结构函数法减少地表二向反射特性的影响，从而反演了AOD；孙林[3]23-30基于结构函数法开展了城市地区的二向性反射分布函数(BRDF)模型研究，用于北京地区的AOD反演；周春艳等[29]提出新的结构函数公式用于HJ-1A/B卫星的CCD数据，获取北京地区的AOD时空分布情况。结构函数法对地表反射率的限制很小，故可用来反演干旱、半干旱和城市等高反射率地区的AOD。但是，结构函数法存在一些问题(参考图像因分辨率限制，几何条件存在差异；在卫星观测时段不可避免受到云、雾、雨和雪等影响，很难在短时段内获取清晰图像；图像选择具有主观性、时间变异性)，因而造成了反演误差。

2.5 偏振算法

随着遥感的发展，人们发现，地表反射率相对于大气来说一般是低偏振或无偏振的，对大气顶的偏振辐射贡献小，因而可通过多角度偏振探测器测量后向散射的偏振特性，得到受地表反射和散射影响较小的气溶胶信息[15]3104-3105。POLDER是可获取全球气溶胶偏振信息的探测器。DUBOVIK等[30]将多角度、多光谱、偏振和强度等信息融合在一起，研究出将前向模型和数值分别考虑其中的反演算法。中国也开展了关于POLDER数据的反演工作[31-32]。

2.6 其他算法

适用于复杂地表的简化的气溶胶反演算法(SARA)是由BILAL等[33-34]首次提出，并在中国香港和北京地区进行验证，分辨率高达500 m，为目前利用MODIS传感器反演气溶胶的最高分辨率。该法无需建立查找表，但因算法成立条件是假设地面的单次散射反照率与不对称因子在反演地区没有变化，SARA较适合城市尺度的研究。最大的局限性是必须要有AERONET站点提供反演所需要的参数(单次反照率和几何对称因子)，若某区域没有AERONET，此法不能实现。LI等[35]采用SARA反演出京津冀地区秋冬两季500 m分辨率的AOD及Angstrom指数，验证了SARA对不同污染条件适用性较好；LUO等[36]在SARA的基础上引入暗像元理论，代替MOD09地表反射率产品，简化了反演过程。

大气化学传输模型可提供区域到全球尺度的气溶胶的质量浓度、组分和光学性质等信息，与遥感耦合可提高PM2.5反演精度。如多尺度空气质量(CMAQ)模式卫星遥感产品源同化模型、大气化学传输模型(GEOS-Chem)均取得有效的结果[37-38]。LI等[39]采用GEOS-Chem模拟美国地区2008—2010年的AOD，并与MISR反演的AOD和AERONET监测的数据进行对比分析得到较好的一致性。

3 PM2.5浓度估算方法

通过建立PM2.5与AOD间的统计关系是当前获取地面PM2.5浓度的重要研究方法。研究发现，AOD与地面PM2.5浓度间的相关性较高，验证了AOD估算地面PM2.5浓度的可行性[40-41]。研究者应用简单线性模型建立PM2.5与AOD二元关系时发现，卫星观测的AOD受气象因素(如相对湿度、边界层高度、温度和风速)和气溶胶垂直分布的影响，常规监测的PM2.5浓度是经50 ℃烘干的近地面干粒子浓度，因此气象因素和垂直分布影响两者的线性相关性[42]。

针对上述影响因素，WANG等[43]将垂直分布和相对湿度等影响因子引入PM2.5—AOD相关模型，有效减少了AOD与地面PM2.5浓度间的不确定性；气象因素和地理要素的引入，提高了PM2.5与AOD的相关性[44]。LIU等[45]综合考虑气象、季节和地理，通过建立多元线性回归模型定量描述了相对湿度、垂直分布对AOD—PM2.5关系的影响。LIU等[46]在2009年利用研发的两层级广义加和模型(GAM)成功估算新英格兰地区的PM2.5浓度，但该模型缺点是需要大量地面监测数据进行模型的验证。LEE等[47]利用线性混合效应回归模型(LME)估算美国东北部PM2.5的逐日变化。HU等[48]开发了地理加权回归模型(GWR)，利用气象因素和土地利用信息估算了美国东南部的PM2.5地面浓度，研究证明，GWR比最小二乘回归模型精度更高。

LIN等[49]基于物理机理的半经验公式法，依据PM2.5与AOD以及湿度、边界层高度和垂直分布等特征，建立了PM2.5估算公式。但PM2.5与AOD间的物理机理较复杂，参数难以获取，反演PM2.5效果并不理想[50]25-26。为更精确获取PM2.5的浓度分布，KLOOG等[1]584-589将多角度大气校正(MAIAC)算法处理过的AOD数据利用三级混合效应模型成功回归了地面PM2.5浓度(平均样本的R2=0.88)。但是，MAIAC数据目前还难以在北美及亚马逊以外的地区应用。因此，一些学者采取土地利用回归模型(LUR)内插得到更高分辨率的PM2.5地面浓度[51]。也有研究者基于人工神经网络结合AOD、地面监测和气象数据构建复杂的模型[52]，其反演结果优于多元线性和简单线性回归模型。

复杂统计模型的缺陷是必须要有海量地基数据支撑，而且需要大量的地面监测数据进行拟合和验证，因此必须在有地面监测数据的区域使用。中国从2013年开始监测PM2.5，2013年前没有足够的数据进行建模，模型的准确性和可行性无法估算[50]29-30。

4 结语与展望

国外基于卫星的反演方法已逐渐业务化，而中国正处于发展阶段，地面监测PM2.5时间开始较晚，先验知识库建立不完善。尽管卫星遥感监测相对于地面监测有着很显著的优势，但问题依然存在。

高时空分辨率以及高光谱卫星的出现提高了卫星遥感监测的精度。如中国采用具有较高空间分辨率(30 m)的环境一号卫星CCD相机提取城市地区AOD。高分辨率的Landsat-8和Suomi NPP卫星也是未来研究PM2.5污染的重要来源。

卫星遥感监测AOD受气象和地形因素影响，会造成数据缺失，而中国当前所处的复合型大气污染状况也增加了反演难度。利用数据融合方法，将不同遥感数据源进行融合研究，可减少单一数据造成的反演精度不高等问题。

将遥感反演与大气动力学模式耦合也可在一定程度上弥补地面观测在区域大范围监测的不足，既可预测PM2.5浓度，又能估算组分。如当前应用CMAQ模型和GEOS-Chem已取得不错的成果。

AOD与地面PM2.5间存在很大的不确定性，气溶胶的垂直廓线会受到气象因素和污染传输影响。增加土地利用信息和气象因素的订正，利用有限的地面监测数据建立恰当的AOD与PM2.5统计模型，如LUR、混合效应模型和神经网络分析等高级统计模型，消除气溶胶垂直分布、粒子吸湿性增长和土地利用信息等对PM2.5浓度反演的影响，也是未来遥感反演的重要研究途径之一。

基于中国自主研发建立的卫星遥感监测系统，利用高时空分辨率的遥感数据，通过改进现有算法，消除影响PM2.5与AOD关系的不确定性，结合地面实测数据，反演全国乃至全球范围内的AOD，对中国防治大气污染和保护环境具有重要现实意义，也为中国建立遥感监测系统奠定基础。

[1] KLOOG I，CHUDNOVSKY A A，JUST A C，et al.A new hybrid spatio-temporal model for estimating daily multi-year PM2.5concentrations across northeastern USA using high resolution aerosol optical depth data[J].Atmospheric Environment，2014，95(1).

[2] HART J E，LIAO X，HONG B，et al.The association of long-term exposure to PM2.5，on all-cause mortality in the Nurses’ Health Study and the impact of measurement-error correction[J].Environmental Health，2015，14(1)：1-9.

[3] 孙林.城市地区大气气溶胶遥感反演研究[D].北京：中国科学院遥感应用研究所，2006.

[4] DONKELAAR A V，MARTIN R V，BRAUER M，et al.Global estimates of ambient fine particulate matter concentrations from satellite-based aerosol optical depth：development and application[J].Environmental Health Perspectives，2010，118(6)：847-855.

[5] KAUFMAN Y J.Aerosol optical thickness and atmospheric path radiance[J].Journal of Geophysical Research：Atmospheres，1993，98(D2)：2677-2692.

[6] 赵柏林，俞小鼎.海洋大气气溶胶光学厚度的卫星遥感研究[J].科学通报，1986，31(21)：45-51.

[7] LEVY R C，MATTOO S，MUNCHAK L A，et al.The Collection 6 MODIS aerosol products over land and ocean[J].Atmospheric Measurement Techniques，2013，6(11)：2989-3034.

[8] WEI Y，ZANG Z L，ZHANG L F，et al.Estimating national-scale ground-level PM25 concentration in China using geographically weighted regression based on MODIS and MISR AOD[J].Environmental Science & Pollution Research International，2016，23(9)：8327-8338.

[9] STRAWA A W，CHATFIELD R B，LEGG M，et al.Improving retrievals of regional fine particulate matter concentrations from moderate resolution imaging spectroradiometer (MODIS) and ozone monitoring instrument (OMI) multisatellite observations[J].Journal of the Air & Waste Management Association，2013，63(12)：1434-1446.

[10] WONG M S，SHAHZAD M I，NICHOL J E，et al.Validation of MODIS，MISR，OMI，and CALIPSO aerosol optical thickness using ground-based sunphotometers in Hong Kong[J].International Journal of Remote Sensing，2013，34(3).

[11] 苏城林，苏林，陈良富，等.NPP VIIRS数据反演气溶胶光学厚度[J].遥感学报，2015，19(6)：977-982.

[12] WANG J，AEGERTER C，XU X，et al.Potential application of VIIRS Day/Night Band for monitoring nighttime surface PM2.5air quality from space[J].Atmospheric Environment，2016，124：55-63.

[13] YAO H.The relevant research on AOD and concentration of PM2.5pollutant[C]//NI X C，WANG X.Conferences of the Photoelectronic Technology Committee of the Chinese Society of Astronautics 2014.Bellingham：Book Proposals，2015.

[14] BOVCHALIUK A.The spatial variability of PM2.5over Europe using satellite POLDER-3/PARASOL data[J].Advances in Astronomy & Space Physics，2013，3(2)：102-108.

[15] BRÉON F M，VERMEULEN A，DESCLOITRES J.An evaluation of satellite aerosol products against sunphotometer measurements[J].Remote Sensing of Environment，2011，115(12).

[16] 周永波，白洁，周著华，等.FY-3A/MERSI海上沙尘天气气溶胶光学厚度反演[J].遥感学报，2014，18(4)：771-787.

[17] 陈良富，李莘莘，陶金花，等.气溶胶遥感定量反演研究与应用[M].北京：科学出版社，2014.

[18] 王中挺，厉青，陶金花，等.环境一号卫星CCD相机应用于陆地气溶胶的监测[J].中国环境科学，2009，29(9)：902-907.

[19] 秦雁，邓孺孺，何颖清，等.资源三号卫星多光谱数据自动反演香港地区气溶胶光学厚度[J].环境科学学报，2015，35(5)：1512-1519.

[20] KAUFMAN Y J，TANRE D，GORDON H R，et al.Passive remote sensing of tropospheric aerosol and atmospheric correction for the aerosol effect[J].Journal of Geophysical Research：Atmospheres，1997，102(D14)：815-816.

[21] KING M D，KAUFMANY J，TANRE D.Remote sensing of tropospheric aerosol from space：past，present，furture[J].Bulletin of the American Meteorologic Society，1999，80(11)：2229-2259.

[22] KAUFMAN Y J，SENDRA C.Algorithm for automatic atmospheric corrections to visible and near-IR satellite imagery[J].International Journal of Remote Sensing，1988，9(8)：1357-1381.

[23] 李成才.MODIS遥感气溶胶光学厚度及应用于区域环境大气污染研究[D].北京：北京大学，2002.

[24] HSU N C，JEONG M J，BETTENHAUSEN C，et al.Enhanced Deep Blue aerosol retrieval algorithm：the second generation[J].Journal of Geophysical Research：Atmospheres，2013，118(16)：9296-9315.

[25] SAYER A M，MUNCHAK L A，HSU N C，et al.MODIS Collection 6 aerosol products：comparison between Aqua’s e-Deep Blue，Dark Target，and “merged” datasets，and usage recommendations[J].Journal of Geophysical Research：Atmospheres，2015，119(24)：13965-13989.

[26] 唐家奎，薛勇，虞统，等.MODIS陆地气溶胶遥感反演——利用TERRA和AQUA双星MODIS数据协同反演算法[J].中国科学：D辑 地球科学，2005，35(5)：474-481.

[27] 胡秀清，卢乃锰，邱红.FY-1C/1D全球海上气溶胶业务反演算法研究[J].海洋学报，2006，28(2)：56-65.

[28] HOLBEN B，VERMOTE E，KAUFMAN Y J，et al.Aerosol retrieval over land from AVHRR data-application for atmospheric correction[J].IEEE Transactions on Geoscience & Remote Sensing，1992，30(2)：212-222.

[29] 周春艳，仲波，柳钦火，等.基于HJ-1A/B卫星利用结构函数法反演北京地区气溶胶光学厚度[C]//第十六届中国环境遥感应用技术论坛论文集.北京：中国遥感应用协会遥感分会，2012.

[30] DUBOVIK O，HERMAN M，HOLDAK A，et al.Statistically optimized inversion algorithm for enhances retrieval of aerosol properties from spectral multi-angle polarimetric satellite observations[J].Atmosphere Measurement Techniques，2011，4(5)：975-1018.

[31] 段民征，吕达仁.利用多角度偏振POLDER偏振资料实现陆地上空大气气溶胶光学厚度和地表反照率的同时反演Ⅱ.实例分析[J].大气科学，2008，32(1)：27-35.

[32] WANG Z T，CHEN L F，LI Q，et al.Retrieval of aerosols size distribution from multi-angel polarized measurements assisted by intensity measurements over East China[J].Remote Sensing of Environment，2012，124：679-688.

[33] BILAL M，NICHOL J E，BLEIWEISS M P，et al.A Simplified high resolution MODIS Aerosol Retrieval Algorithm (SARA) for use over mixed surfaces[J].Remote Sensing of Environment，2013，136：135-145.

[34] BILAL M，NICHOL J E，CHAN P W.Validation and accuracy assessment of a Simplified Aerosol Retrieval Algorithm (SARA) over Beijing under low and high aerosol loadings and dust storms[J].Remote Sensing of Environment，2014，153：50-60.

[35] LI Q，WANG J J.Aerosol retrieval using remote sensing data over Jing-Jin-Ji Area with SARA Algorithm[J].Scientific Journal of Earth Science，2015，5(3)：47-54.

[36] LUO N N，WONG M S，ZHAO W J，et al.Improved aerosol retrieval algorithm using Landsat images and its application for PM10monitoring over urban areas[J].Atmospheric Research，2015，153：264-275.

[37] 程兴宏，徐祥德，丁国安.CMAQ模式卫星产品源同化模型及其在空气质量预报中的应用研究[J].中国科学：D辑 地球科学，2010，40(4)：511-522.

[38] 薛文博，武卫玲，付飞，等.中国2013年1月PM2.5重污染过程卫星反演研究[J].环境科学，2015，36(3)：794-800.

[39] LI S S，GARAY M J，CHEN L F，et al.Comparison of GEOS-Chem aerosol optical depth with AERONET and MISR data over the contiguous United States[J].Journal of Geophysical Research：Atmospheres，2013，118(19)：11228-11241.

[40] CHU D A，KAUFMAN Y J，ZIBORDI G，et al.Global monitoring of air pollution over land from the Earth Observing System-Terra Moderate Resolution Imaging Spectroradiometer (MODIS)[J].Journal of Geophysical Research：Atmospheres，2003，108(D21)：1-18.

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

[42] 陶金花，张美根，陈良富，等.一种基于卫星遥感AOT估算近地面颗粒物的方法[J].中国科学：D辑 地球科学，2013，43(1)：143-154.

[43] WANG Z F，CHEN L F，TAO J H，et al.Satellite-based estimation of regional particulate matter (PM) in Beijing using vertical-and-RH correcting method[J].Remote Sensing of Environment，2010，114(1)：50-63.

[44] GUO J P，ZHANG X Y，CHE H Z，et al.Correlation between PM concentrations and aerosol optical depth in eastern China[J].Atmospheric Environment，2009，43(37)：5876-5886.

[45] LIU Y，SARNAT J A，KILARU V，et al.Estimating ground-level PM2.5in the eastern United States using satellite remote sensing[J].Environmental Science & Technology，2005，39(9)：3269-3278.

[46] 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.

[47] 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 & Physics Discussions，2011，11(15)：8157-8170.

[48] HU X F，WALLER L A，AL HAMDAN M Z，et al.Estimating ground-level PM2.5concentrations in the southeastern US using geographically weighted regression[J].Environmental Research，2013，121(2)：1-10.

[49] LIN C L，LI Y，YUAN Z B，et al.Using satellite remote sensing data to estimate the high-resolution distribution of ground-level PM2.5[J].Remote Sensing of Environment，2015，156：117-128.

[50] 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.

[51] BECKERMAN B S，JERRETT M，MARTIN R V，et al.Application of the deletion/substitution/addition algorithm to selecting land use regression models for interpolating air pollution measurements in California[J].Atmospheric Environment，2013，77(68)：172-177.

[52] WU Y R，GUO J P，ZHANG X Y，et al.Synergy of satellite and ground based observations in estimation of particulate matter in eastern China[J].Science of the Total Environment，2012，433(7)：20-30.

ProgressstudyonremotesensingretrievalofatmosphericPM2.5concentration

YUXue，ZHAOWenji，SUNChunyuan，XIONGQiulin，OUYang.

(CollegeofResourceEnvironmentandTourism，CapitalNormalUniversity，BeijingKeyLaboratoryofResources，EnvironmentandGeographicInformationSystem，Beijing100048)

PM2.5is an important index of air quality，affecting the environment and human health. Using remote sensing technology to estimate the concentration of PM2.5has been regarded as the focus of the researches in recent years. The advantages and disadvantages of atmospheric remote data and applications were reviewed. The principles of different retrieval methods were compared and summarized. Then AOD-PM2.5relationship model which eliminates the impact of meteorological and vertical distribution factors on remote sensing was demonstrated. The development trend of high spatial-temporal resolution satellite data and coupling model was prospected.

PM2.5; remote sensing; retrieval algorithm; AOD; relationship model

10.15985/j.cnki.1001-3865.2017.10.023

于 雪，女，1992年生，硕士研究生，研究方向为PM2.5遥感反演与时空分布。#

。

*国家青年科学基金资助项目(No.41101404)；北京城市可吸入颗粒物浓度遥感数据反演及时空分布分析博士点基金资助项目(No.20111102110004)；北京市教委科技计划项目(No.KM201110028013)。

2016-05-21)