基于AOD数据的新疆大型露天煤炭开采区PM2.5和PM10反演

郭婉臻，夏 楠，塔西甫拉提·特依拜，王敬哲，尼格拉·塔什甫拉提，杨 春



基于AOD数据的新疆大型露天煤炭开采区PM2.5和PM10反演

郭婉臻，夏 楠，塔西甫拉提·特依拜※，王敬哲，尼格拉·塔什甫拉提，杨 春

（1. 新疆大学资源与环境科学学院，乌鲁木齐 830046；2. 新疆大学绿洲生态教育部重点实验室，乌鲁木齐 830046）

MODIS气溶胶产品AOD与PM2.5、PM10浓度高度相关，已广泛应用在PM2.5、PM10浓度模拟。该研究以新疆维吾尔自治区大型露天煤炭开采区准东矿区为研究对象，结合实测的2014年5月、7月、9月、12月PM2.5、PM10质量浓度数据与经过垂直湿度订正的MODIS气溶胶产品AOD，利用多元回归进行拟合建模，从建立的40个模型中选取最优模型并据此对研究区PM2.5、PM10的质量浓度进行定量估算。结果表明：AOD与PM2.5、PM10呈极显著正相关；4个月AOD与PM2.5、PM10质量浓度估算模型最优模型均为多项式模型；其中7月AOD与PM2.5质量浓度拟合模型较好（2=0.625 8），实测值与预测值拟合趋势线2为0.805 7；9月PM10拟合模型效果理想（2=0.732 9），实测值与预测值拟合趋势线2为0.807 7；将AOD代入最优模型反演PM2.5，从空间层面上反映出各区域PM2.5浓度差异明显。研究结果可为AOD的深度利用与PM2.5、PM10浓度的遥感估算提供参考，在大气污染物空间分布、监测大气环境质量、污染预测等方面都具有重要意义。

遥感；污染；气溶胶；MODIS；PM2.5；PM10；气溶胶光学厚度

0 引 言

气溶胶通常是指悬浮在大气中的直径小于10m的微小粒子，对流层内的气溶胶通过直接辐射与间接辐射强迫对气候系统产生强烈影响[1-2]。直径小于2.5、10m的气溶胶颗粒被分别命名为PM2.5、PM10。当它们悬浮于大气中并达到一定浓度时，会对区域的生态环境以及人体健康产生严重影响[3]。通过建立地面观测站对气溶胶污染物进行全天候连续观测，可以较为准确地获取时间序列上的污染物地面浓度信息。但由于获取实测数据难度较大，监测样点数量有限，通过空间插值等方法所获取的大尺度污染分析结果可靠性相对较低，无法准确得到大气污染物在区域尺度上的实时数据[4-6]。

卫星遥感手段凭借其高效率、大尺度、低成本等优势，能够在一定程度弥补地面监测的不足[7-9]。通过遥感技术获取的气溶胶光学厚度数据，为揭示区域大气中污染物的分布状况、传输路径、污染源分布及扩散动态等提供了有效途径[10-12]。近年来，卫星遥感资料在大气污染这一研究领域，已有许多成果。其中，MODIS气溶胶产品AOD因与PM2.5、PM10浓度高度相关得以广泛应用。20世纪70年代中期卫星遥感技术开始应用于气溶胶研究[13]。Griggs[14]使用MSS辐射数据，证实大气辐射与AOD具有线性关系。Carlson等[15]研究发现AOD与VHRR是近似线性关系，具备辐射可信度。Tanré[16]首次研究了地面上空气溶胶，并建立大气模型，提出应当消除大气对陆地观测的影响。Hutchinson等[17]证实提高气溶胶与地面颗粒物的相关性需要进行气溶胶的垂直订正。Tian等[18]在AOD与实测数据建立模型中，考虑到地面温度及相对湿度等方面，置信水平为65%的预测模型效果较好。中国气溶胶遥感反演始于20世纪80年代中期[19]，90年代气溶胶对于环境生态以及人类健康的影响研究受到广泛关注[20-21]。李成才等[22]发现MODIS气溶胶产品数据同样适用于中国的大气研究。

综合前人的研究，由于AOD表现出时间尺度上的差异性、空间区域的不一致性，利用AOD数据对PM2.5、PM10进行定量估算的研究存在一定难度。而对MODIS气溶胶产品进行垂直-湿度订正可以在一定程度上消除大气内不确定因素的影响，并提高定量估算模型的稳健性。基于此，本研究以新疆准东工业园区为研究区，将经过垂直-湿度订正的气溶胶光学厚度与PM2.5、PM10建立拟合模型，并进行反演，因此利用矿区气溶胶光学厚度与PM2.5、PM10进行研究分析，以期对矿区大气污染物空间分布、污染源探寻、及对空气质量进行实时监测的可行性进行探索并为区域尺度大气环境治理提供科学依据。

1 材料与方法

1.1 研究区概况

新疆准东工业园区位于昌吉回族自治州东部三县境内，东、西起点分别为老君庙、阜康行政区东部边界，北部为富蕴县与卡拉麦里山南麓响铃处，南部起点为古尔班通古特沙漠的北部边缘地区，总面积约11 213 km2。典型内陆干旱荒漠区，无地表水体，主要为荒漠戈壁地貌。矿区分布在海拔500～700 m之间，地势总体南低北高。研究区属典型的干旱大陆性气候，年均气温6.8 ℃，最低气温为-29 ℃，气温最高达到39 ℃。年均降水量约为184 mm，年均蒸发量约为2 042 mm，其中无霜期约为155 d。土壤类型主要为荒漠风沙土、荒漠碱土等。准东地区地表植被主要类型是耐旱植被，如梭梭、琵琶柴、白刺等。准东矿区由多个大型煤炭开采区构成，包括五彩湾矿区、将军庙矿区、西黑山矿区、北山矿区和大井矿区，其中位于研究区西北区域的五彩湾矿区露天开采区规模最大。

1.2 实测数据获取

本研究于2014年5月3日至11日、7月13日至21日、9月22日至27日以及12月10日至17日对准东煤田进行实地调研和样品采集。采样时间段为北京时间10:30—18:30，采样的步长为10 min。为了充分反应研究区大气污染的实际状况，针对研究区污染源分布情况、环境空气敏感目标的分布情况、地形复杂程度、区域的主导风向、可达性以及AOD数据的空间分辨率（10 km）等因素，全区共布设52个采样点（图1），样点布设尽可能均匀且具有代表性。其中，上风向和下风向同时布点，下风向加密布点，工业较密集的区域适当增加样点数量。采样点的地理坐标由麦哲伦Explorist710手持GPS导航仪精确定位。使用国产光散射便携式直读测量仪进行野外测量获得大气颗粒物质量浓度，PM2.5和PM10可同时测量，其测量范围是0.001～10 mg/m3，相对测量误差在±10%之内，检测灵敏度0.001 mg/m3。仪器被固定在同一高度（≥2 m）以确保排除近地物干扰，并保证数据准确。

1.3 影像数据来源及预处理

研究所用的MYD04_L2数据免费下载于NASA官网（http://ladsweb.nascom.nasa.gov/），选取在2014年5月3日至11日、7月13日至21日、9月22日至27日以及12月10日至17日对应日期的AOD日产品，其空间分辨率为10 km，云量小于2%，之后将地图投影转换为WGS84- UTM投影。由于MODIS卫星过境研究区的时间是北京时间12:00—16:00，因此匹配的PM2.5、PM10质量浓度野外测量数据采用该时段的4 h的平均值。使用ENVI 5.1的拓展工具Modis conversion tool对MODIS的MYD04_ L2产品进行校正和筛选，之后读取影像550 nm处的陆地AOD栅格影像数据。

图1 研究区地理位置及采样点分布图

1.4 垂直-湿度订正

水溶性的气溶胶粒子粒径在相对湿度（RH）较高的情况下容易吸水膨胀。这会对折光系数产生影响，进而使消光系数发生改变。因此，为了进一步减少模型的不确定性，需要将气溶胶的消光系数订正为dry，设定湿度影响因子为ƒ(RH)，则订正公式为

式中ƒ(RH)可以由经验公式求出，表达式为：ƒ(RH)= 1/(1-(RH/100))。

AOD及可吸入颗粒物浓度分别被定义为气溶胶粒子对特定波长的广在垂直方向上的消光系数的总积分与地面的颗粒物质量浓度。转变AOD数据，以确保模型的定量估算精度并减少拟合过程中的不稳定性。进而应用转换地面消光系数进行建模。一般情况下，在垂直方向上该系数的分布规律符合指数分布：

式中()代表高度的大气消光系数，(0)为近地面的大气消光系数，为气溶胶标高值，是衡量气溶胶浓度随高度降低而增加速率的参数。

大气气溶胶光学弧度代表整层大气消光系数在垂直方向上的积分：

在水平均一条件下，地面大气水平能见度与大气消光系数有如下关系：

式中为人眼的对比感阈。

根据式（3）、式（4），气溶胶标高、大气水平能见度和大气光合厚度联系起来，也就是常见的Koschmieder模型：

考虑到水平方向上大气分子的瑞利散射和臭氧吸收等影响因素，Peterson模型在Koschmieder模型的基础上，将对比度阈值由0.02更改为0.05，并增加常数项0.0146[23]，从而得到修正模型：

将式（6）转换可得气溶胶标高公式：

求出气溶胶标高后，用AOD除以，可以求出地面消光系数(0)从而完成对气溶胶光学厚度的垂直订正。

2 结果与分析

2.1 颗粒物统计特征

由表1可知，研究区7月、9月两季颗粒物质量浓度 24 h平均值水平相似，变化较小，PM2.5质量浓度平均值为3.57和3.76g/m3。PM10质量浓度平均值为30.50和14.92g/m3。12月PM2.5、PM10浓度最高，且PM2.5/PM10超过50%，相较于其他月份偏高，原因是矿区位于地势较低的山间，冬季静风时常发生，逆温现象较严重，不利于颗粒物扩散。研究区PM2.5、PM10质量浓度是非均匀化分布，PM10质量浓度水平远高于PM2.5，变化幅度较大。实测数据变异系数结果均大于50%，表明实测数据是中等变异水平。7月PM2.5浓度、5月与9月PM10浓度变异系数均超过100%，属于强变异。

表1 2014年5月、7月、9月和12月颗粒物浓度特征

统计数据表明研究区PM2.5、PM10质量浓度随季节变化而有所不同。冬季颗粒物污染严重，春夏秋相似变化较小。研究区冬季主要采暖方式是燃煤，导致颗粒物质量浓度较高。研究区地处干旱矿区，夏季为采矿活动高峰时期，工业生产和交通运输随之加剧，使得颗粒物浓度增加，且夏季沙尘天气发生频繁，空气干燥[24-26]，致使夏季较春秋季颗粒物浓度更高。

2.2 AOD与PM2.5、PM10质量浓度关系

通过SPSS19.0对经过湿度订正、垂直订正后的AOD与PM2.5、PM10进行相关性分析，结果表明：地面实测数据PM2.5和PM10质量浓度间相关系数较高，7月、9月、12月的相关系数分别为0.893、0.908、0.968，并在＜0.01水平上呈极显著正相关。同时，AOD与PM2.5、PM10的相关系数在7月、9月、12月均为正值，且均在＜0.01水平上，证实气溶胶AOD与颗粒物质量浓度呈现正相关。其中，AOD与PM2.5的相关系数均高于AOD与PM10的相关系数。PM2.5与AOD的相关系数从大到小依次为0.674（9月）>0.511（7月）>0.501（12月）。气溶胶散射系数、大气颗粒物浓度相关系数较高，变化相似[27-28]。遥感影像数据MODIS与气溶胶光学厚度的相关性最 高[29]，适用于矿区气溶胶研究。

表2 2014年AOD与PM2.5、PM10质量浓度间的相关性

注：**表示在0.01水平（双侧）上显著相关，下同。

Note: ** indicates significant correlation at the 0.01 level (both sides), same as below.

2.3 建立AOD与PM2.5、PM10质量浓度拟合模型

对研究区上述4个月份各采样点进行湿度订正、垂直订正后的AOD与PM2.5质量浓度、PM10质量浓度实测值进行拟合模型分析。由于采样存在缺失，7月、9月、12月、5月依次有48、49、41、42个样点，故分别选用34、35、28、28个采样点逐次建立拟合模型，剩余样点实测值进行估算模型精度验证。本研究采用多种方法进行回归分析，以AOD值为自变量，PM2.5、PM10质量浓度实测值为因变量，建立拟合回归模型。分别建立指数函数模型、线性模型、多项式模型、对数函数模型和幂函数模型5种模型。研究区上述月份AOD与PM2.5和PM10的值均通过了（<0.01）0.01极显著水平检验，故通过决定性系数2的大小来判定最优模型。通过2值的高低从不同拟合模型中选出最优模型用以估算颗粒物PM2.5、PM10质量浓度。

对上述4季的各拟合模型进行综合比较分析，由表3可知，5月、7月、9月、12月的AOD与PM2.5、PM10质量浓度拟合模型均为多项式模型拟合效果最佳，决定系数2均大于0.5。其中AOD与PM2.5质量浓度拟合模型效果最佳的是7月多项式模型，2为0.625 8；AOD与PM10的最优拟合模型为9月份的多项式模型，2为 0.732 9，拟合效果较好。

2.4 模型精度验证

将颗粒物浓度预测值与剩余样点的PM2.5、PM10质量浓度实测值进行验证（如图2）。图2中由实测值与预测值拟合形成8种趋势线，5月份2为0.854 5、0.698 2，RMSE为2.374 1、7.869 6g/m3；7月的2为0.805 7、0.727 1，RMSE为2.315 8、16.774 3g/m3；9月2为 0.801 8、0.807 7，RMSE为1.513 6、5.474 4g/m3；12月2为0.737 3、0.648 4，RMSE为8.897 1、16.189 1g/m3。其中，9月拟合模型拟合效果良好，能较好地表达研究区不同空间的PM2.5、PM10的质量浓度，说明MODIS的AOD产品可以用于反演地面PM2.5、PM10质量浓度。

2.5 气溶胶光学厚度的PM2.5反演

本文将5月、7月、9月、12月最优拟合模型应用在卫星遥感监测准东矿区可吸入颗粒物质量浓度的监测中。基于多元回归模型，以PM2.5为例，利用ArcGIS 10.0软件将大气层气溶胶光学厚度（AOD）估算值进行反演，得到反演PM2.5质量浓度分布图（如图3）。

表3 AOD与PM2.5和PM10质量浓度的拟合模型比较

注：为PM2.5质量浓度或PM10质量浓度；为AOD。

Note:represents the mass concentration of PM2.5or PM10;represents the AOD.

图2 预测值与实际值的关系

图3 PM2.5的气溶胶光学厚度模型反演

从图3中可以发现，研究区大体上呈现出以西北区域向南、东南2个方向污染物浓度逐渐递减的格局。5月、7月、9月、12月的可吸入颗粒物浓度高值区主要分布在研究区的西北部，即五彩湾煤电煤化工产业带、火烧山高载能产业园区周边及其下方南部。这一区域工业区最大、发展速度最快、煤炭相关产业链项目集中，且火烧山高载能产业园区设有五号露天矿，且2个产业园之间以及五彩湾煤电煤化工产业带有4个大型露天煤矿，五彩湾矿区东侧有南北2个露天煤矿，且地势南高北低，导致可吸入颗粒物浓度处于高值状态。夏季准东矿区湿度低，较低的大气水分无法起到充分抑制煤粉、扬尘等颗粒污染物的作用；且这一时期生产交通活动频繁，尾气也急剧增加，使得区域范围可吸入颗粒物浓度较高。低值区分布在研究区南部，这一区域的工业污染源较少、人口密度较低，因此可吸入颗粒物浓度较低。夏季（7月）PM2.5质量浓度高值区主要集中在准东地区的西北部使得研究区的可吸入颗粒物浓度总体高于春秋季节。从图中可以看出，西北区域五彩湾矿区周边的大气颗粒物浓度较高，其次是东部较高。准东矿区冬季（12月）是采暖期，煤炭采暖且未实现集中供暖，且可吸入颗粒物扩散具有一定的延续性、滞后性以及累积效应，冬季大风天气居多、降水偏少、气候干燥、易引发沙尘、扬尘天气或沙尘暴现象，地面土壤扬尘及西北区域沙尘传输造成的自然降尘对大气中颗粒物浓度的贡献很大，导致可吸入颗粒物质量浓度较高。5月、9月温度不高不低，大气稳定度低，利于颗粒物扩散，同时降雨较多，大气湿度相对较大，不利于地面扬尘的发生，因此可吸入颗粒物浓度低于7月、12月。

图中清楚地反映了模型反演的PM2.5质量浓度的空间分布特征及变化规律，预示着在颗粒物污染物的排放源分布监测方面，卫星遥感结果具有潜在的应用价值。今后的研究方向应是进一步提高遥感产品的精度，将卫星遥感结果与地面观测更好地相结合。

3 结 论

利用MODIS影像，对研究区的气溶胶光学厚度（AOD）与实测PM2.5、PM10质量浓度进行5种模型拟合，通过精度验证确定最优模型，再将AOD代入最优模型进行反演，得出以下结论：

1）统计数据表明研究区PM2.5、PM10质量浓度随季节变化而有所不同，冬季颗粒物浓度相对较高，春夏秋相似变化较小。研究区7月、9月、12月AOD与PM2.5、PM10在＜0.01水平上均呈正相关。

2）经模型拟合，AOD与PM2.5、PM10质量浓度拟合效果最好的分别是7月的多项式模型和9月的多项式模型，拟合2分别为0.625 8和0.732 9，精度验证的2分别达到0.805 7和0.807 7。

3）利用MODIS产品AOD代入最优模型中进行PM2.5反演，并制作PM2.5分布图，可从空间层面上分析出PM2.5的分布特征及变化规律，在空间分布上研究区各区域PM2.5浓度差异明显，说明利用卫星遥感技术在估算可吸入颗粒物质量浓度方面具有可行性和实践意义。

[1] Dredge J, Fairchild I J, Harrison R M, et al. Cave aerosols: Distribution and contribution to speleothem geochemistry[J]. Quaternary Science Reviews, 2013, 63: 23－41.

[2] Shank L M, Howell S, Clarke A D, et al. Organic matter and non-refractory aerosol over the remote Southeast Pacific: Oceanic and combustion sources[J]. Atmospheric Chemistry and Physics, 2012, 12(1): 557－576.

[3] Pascal M, Falq G, Wagner V, et al. Short-term impacts of particulate matter (PM10, PM10-2.5, PM2.5) on mortality in nine French cities[J]. Atmospheric Environment, 2014, 95(1): 175－184.

[4] 叶瑜，李秀央，陈坤，等. 大气气溶胶光学厚度与大气污染物及气象因素关系的时间序列研究[J]. 气候与环境研究，2011，16(2)：169－174. Ye Yu, Li Xiuyang, Chen Kun, et al. Association of aerosol optical depth with air pollutants and meteorological factors, a time series analysis[J]. Climatic & Environmental Research, 2011, 16(2): 169－174. (in Chinese with English abstract)

[5] Zeger S, Thomas D, Dominici F, et al. Exposure measurement error in time-series studies of air pollution: concepts and consequences[J]. Environ Health Perspect, 2000, 108(5): 419－426.

[6] 杨春. 准东煤田大气污染分析与PM2.5、PM10遥感监测研究[D]. 乌鲁木齐：新疆大学，2016. Yang Chun. Atmospheric Pollution and Monitoring Research on Remote Sensing of PM2.5, PM10from East Part of Junggar Basin in Xinjiang[D]. Urumqi: Xinjiang University, 2016. (in Chinese with English abstract)

[7] Chen B B, Sverdlik L G, Imashev S A, et al. Empirical relationship between particulate matter and aerosol optical depth over Northern Tien-Shan, Central Asia[J]. Air Quality, Atmosphere & Health, 2013, 6(2): 385－396.

[8] 姜高珍，韩冰，高应波，等. Landsat系列卫星对地观测40年回顾及LDCM前瞻[J]. 遥感学报，2013，17(5)：1033－1048. Jiang Gaozhen, Han Bing, Gao Yingbo, et al. Review of 40-year earth observation with Landsat series and prospects of LDCM[J]. Journal of Remote Sensing, 2013, 17(5): 1033－1048. (in Chinese with English abstract)

[9] Guo Y, Feng N, Christopher S A, et al. Satellite remote sensing of fine particulate matter (PM) air quality over Beijing using MODIS[J]. International Journal of Remote Sensing, 2014, 35(17): 6522－6544.

[10] 潘一新，胡方超，汪柳红，等. 太湖地区气溶胶光学厚度的分布及其在大气校正中的应用[J]. 大气科学学报，2013，36(3)：361－366. Pan Yixin, Hu Fangchao, Wang Liuhong, et al. Distribution of aerosol optical depth in Taihu Lake and its application of atmospheric correction[J]. Transactions of Atmospheric Sciences, 2013, 36(3): 361－366. (in Chinese with English abstract)

[11] 李成才，毛节泰，刘启汉，等. 利用MODIS光学厚度遥感产品研究北京及周边地区的大气污染[J]. 大气科学，2003，27(5)：869－880.

Li Chengcai, Mao Jietai, Alexis Kai-Hon Lau, et al. Research on the air pollution in Beijing and its surroundings with MODIS AOD products[J]. Chinese Journal of Atmospheric Sciences, 2003, 27(5): 869－880. (in Chinese with English abstract)

[12] Li J, Carlson B E, Lacis A A. How well do satellite AOD observations represent the spatial and temporal variability of PM2.5, concentration for the United States[J]. Atmospheric Environment, 2015, 102: 260－273.

[13] Lee H J, Liu Y, Coull B A, et al. A novel calibration approach of MODIS AOD data to predict PM2.5 concentrations[J]. Atmospheric Chemistry & Physics, 2011, 11(11): 9769－9795.

[14] Griggs M. Measurements of atmospheric aerosol optical thickness over water using ERTS-1 data[J]. Journal of the Air & Waste Management Association, 1975, 25(6): 622.

[15] Carlson T N, Wendling P. Reflected radiance measured by NOAA 3 VHRR as a function of optical depth for saharan dust[J]. Journal of Applied Meteorology, 1977, 16(12): 1368－1371.

[16] Tanré D, Herman M, Deschamps P Y, et al. Atmospheric modeling for space measurements of ground reflectances, including bidirectional properties[J]. Applied Optics, 1979, 18(21): 3587.

[17] Hutchison K D, Faruqui S J, Smith S. Improving correlations between MODIS aerosol optical thickness and ground-based PM2.5observations through 3D spatial analyses[J]. Atmospheric Environment, 2008, 42(3): 530－543.

[18] Tian J, Chen D. A semi-empirical model for predicting hourly ground-level fine particulate matter (PM2.5) concentration in southern Ontario from satellite remote sensing and ground-based meteorological measurements[J]. Remote Sensing of Environment, 2010, 114(2): 221－229.

[19] 申彦波. 近20年卫星遥感资料在我国太阳能资源评估中的应用综述[J]. 气象，2010，36(9)：111－115. Shen Yanbo. Review of applications of satellite remote sensing data to solar energy resources assessment in China in recent 20 years[J]. Meteorological Monthly, 2010, 36(9): 111－115. (in Chinese with English abstract)

[20] Li S, Ma Z, Xiong X, et al. Satellite and ground observations of severe air pollution episodes in the winter of 2013 in Beijing, China[J]. Aerosol & Air Quality Research, 2016, 16(4): 1－13.

[21] Xin J, Zhang Q, Wang L, et al. The empirical relationship between the PM2.5, concentration and aerosol optical depth over the background of North China from 2009 to 2011[J]. Atmospheric Research, 2014, 138(3): 179－188.

[22] 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D辑：地球科学，2005，35(增刊I)：177－186.

[23] 陈韵竹，施润和，王超，等. 区域优化Peterson模型的气溶胶光学厚度估算分析[J]. 地球信息科学学报，2013，15(2)：241－248.

Chen Yunzhu, Shi Runhe, Wang Chao, et al. Estimating aerosol optical depth based on regional optimized peterson model[J]. Journal of Geo-Information Science, 2013, 15(2): 241－248. (in Chinese with English abstract)

[24] 孙景群. 能见度与相对湿度的关系[J]. 气象学报，1985(2)：104－108.

[25] 张欢. 乌鲁木齐采暖期4种颗粒物质量浓度比对研究[J]. 化学工程与装备，2016(9)：18－21. Zhang Huan. The research on four kinds of atmospheric particulate matter concentration in Urumqi heating period[J]. Chemical Engineering & Equipment, 2016(9): 18－21. (in Chinese with English abstract)

[26] 薛文博，武卫玲，许艳玲，等. 基于WRF模型与气溶胶光学厚度的PM2.5近地面浓度卫星反演[J]. 环境科学研究，2016，29(12)：1751－1758.Xue Wenbo, Wu Weiling, Xu Yanling, et al. Satellite retrieval of near-surface PM2.5based on WRF model and aerosol optical depth[J]. Research of Environmental Sciences, 2016, 29(12): 1751－1758. (in Chinese with English abstract)

[27] 周静博，任毅斌，洪纲，等. 利用SPAMS研究石家庄市冬季连续灰霾天气的污染特征及成因[J]. 环境科学，2015，36(11)：3972－3980. Zhou Jingbo, Ren Yibin, Hong Gang, et al. Characteristics and formation mechanism of a multi-day haze in the winter of shijiazhuang using a single particle aerosol mass spectrometer (SPAMS)[J]. Environmental Science, 2015, 36(11): 3972－3980. (in Chinese with English abstract)

[28] 马露，邹艳琴，李俊，等. 气溶胶散射系数与空气颗粒物PM10和PM2.5浓度间关联性研究[J]. 环境与健康杂志，2011，28(11)：964－967.

Ma Lu, Zou Yanqin, Li Jun, et al. Relationship between concentration changes of particulate matter and aerosol scattering coefficient[J]. Journal of Environment & Health, 2011, 28(11): 964－967. (in Chinese with English abstract)

[29] 吴序鹏，杨军，车慧正，等. 塔克拉玛干沙漠地区气溶胶光学厚度卫星遥感产品验证[J]. 气候与环境研究，2012，17(2)：149－159. Wu Xupeng, Yang Jun, Che Huizheng, et al. Verification for the satellite remote sensing products of aerosol optical depth in taklimakan desert area[J]. Climatic & Environmental Research, 2012, 17(2): 149－159. (in Chinese with English abstract)

郭婉臻，夏 楠，塔西甫拉提·特依拜，王敬哲，尼格拉·塔什甫拉提，杨 春. 基于AOD数据的新疆大型露天煤炭开采区PM2.5和PM10反演[J]. 农业工程学报，2017，33(19)：216－222. doi：10.11975/j.issn.1002-6819.2017.19.028 http://www.tcsae.org

Guo Wanzhen, Xia Nan, Tashpolat Tiyip, Wang Jingzhe, Nigara Tashpolat, Yang Chun.Inversion of PM2.5and PM10content based on AOD data in large opencast coal mining area of Xinjiang[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2017, 33(19): 216－222. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2017.19.028 http://www.tcsae.org

Inversion of PM2.5and PM10content based on AOD data in large opencast coal mining area of Xinjiang

Guo Wanzhen, Xia Nan, Tashpolat Tiyip※, Wang Jingzhe, Nigara Tashpolat, Yang Chun

(1.830046; 2.830046)

Due to the high efficiency, large scale, low cost, and some other advantages, satellite remote sensing technology can cover the shortage of traditional ground-based observations, which can reflect the distribution, transmission path and diffusion dynamic of atmospheric pollutants in large scale. The MODIS aerosol product i.e. aerosol optical depth (AOD) and PM2.5and PM10(aerosol particulate with the diameter of less than 2.5 and 10m, respectively) had a high correlation, and AOD has been applied into the quantitative simulation of PM2.5and PM10concentration in existing researches. However, it is hard to estimate the PM2.5and PM10concentration with high precision, because of the temporal and spatial differences of AOD. The pretreatment of the vertical humidity correction for MODIS aerosol products can eliminate the influence of uncertainties in the atmosphere to a certain extent, and improve the precision and robustness of the quantitative estimation. Therefore, this study aimed to bring the vertical humidity correction into the preprocessing of MODIS aerosol product AOD. With 52 atmospheric dust samples collected from the Zhundong Industrial Park in Xinjiang Uighur Autonomous Region, China, the AOD and the concentration of PM2.5and PM10obtained in May, July, September, and December of 2014 were combined to establish the multiple regression fitting model. A total of 40 quantitative models were established, and the model based on polynomial was more robust and accurate than the others, which was applied to predict the concentration of PM2.5and PM10of Zhundong Industrial Park. Finally, the optimal fitting models were applied in the prediction of local inhalable particulate matter concentration in May, July, September, and December of 2014. Taking the case of PM2.5, multiple regression model and AOD were used to estimate the local PM2.5mass concentration, the spatial representation of which was conducted by ArcGIS 10.0. The results showed that: The mass concentrations of PM2.5and PM10in the study area were inhomogeneous, and the concentration level of PM10was much higher than that of PM2.5; and the variations of them were significant. AOD was significantly related with PM2.5and PM10, separately (<0.01). The optimal predicting models between AOD and the concentration of PM2.5, PM10in each month (May, July, September, and December) were the polynomial models. The2of the estimation model between AOD and the concentration of PM2.5reached 0.6258 in July and the2of the trend line fitted between measured value and predicting value was 0.8057; the2of the estimation model between AOD and the concentration of PM10was 0.732 9 in September, and the2of the trend line fitted between measured value and predictive value was 0.8077. The optimal model was applied with AOD to invert the concentration of PM2.5, which could reflect the spatial distribution characteristics and variations of PM2.5mass concentration in the Zhundong Industrial Park. This research can provide reference for the deep utilization of AOD and the estimation of PM2.5and PM10concentrations by means of remote sensing method, which has important significance in spatial distribution, remote sensing monitoring, and the forecasting of local atmospheric pollutants.

remote sensing; pollution; aerosol; MODIS; PM2.5; PM10; aerosol optical depth

10.11975/j.issn.1002-6819.2017.19.028

P407

A

1002-6819(2017)-19-0216-07

2017-06-08

2017-09-11

国家科技支撑项目（2014BAC15B01）；新疆大学博士科研启动基金项目（BS150246）

郭婉臻，女，新疆伊宁人，主要从事干旱区资源环境及遥感应用。 Email：guowanzhen24@163.com

※通信作者：塔西甫拉提·特依拜，男，新疆伊宁人，教授，博士，博士生导师，主要从事资源环境与3S技术应用研究。Email：tash@xju.edu.cn