基于PIE的大气污染遥感监测系统的设计与实现

曹 欢，和栋材，李小飞

（1.太原理工大学 矿业工程学院，山西 太原 030024；2.北京航天宏图信息技术股份有限公司，北京100101）

在计算机和遥感技术不断发展的今天，对大气污染遥感数据的自动化处理、可视化显示以及实时监测已成为环境保护领域的一个重要课题。李成林[1]提出了基于辐射传输理论的城市大气污染定量遥感监测方法，并应用Terra/MODIS数据对郑州市大气污染进行了动态监测；王德敏[2]提出了一种新的基于图像处理的空气污染数据可视化方法，用户可从不同角度对不同分辨率的场景进行观察；王丹[3]基于B/S架构设计了辽宁省大气环境监测数据分析系统，并建立了大气污染监测数据库。目前对大气污染遥感监测的理论研究已有一定进展，但仍缺乏对自动化、业务化的大气污染遥感监测可视化系统的设计，在大气污染监测时现有的专业遥感软件（ENVI、Erdas等）存在自动化效率低、操作繁琐、技术门槛高、不适宜业务化运行等问题。本文设计并实现了一种专门针对大气污染的可视化遥感监测系统。

在自主研发的国产遥感图像处理软件PIE的基础上，本文采用C#语言进行二次开发，以MODIS、OMI、MOPITT、VIRR等为数据源，利用大气污染物定量监测与反演算法，设计并实现了大气污染遥感动态监测原型系统。该系统可对研究区域的NO2、O3、SO2、CO、大气气溶胶、大气颗粒物、沙尘、火点、大雾等指标进行数据自动化下载与处理、可视化展示以及监测与分析，从而实时、准确地对大气污染状况进行业务化监测，为环境监测部门、环保决策者以及普通群众提供技术和决策支持。

1 污染物动态可视化实现算法

1.1 数据准备

本文根据不同大气污染指标获取不同载荷影像数据，见表1。其中，霾、PM10、PM2.5基于MODIS（Terra/Aqua）数据进行反演 ；SO2、NO2、O3基于 OMI（Aura）数据进行反演；CO基于Mopitt（Terra）数据进行反演[4]；沙尘基于VISSR（FY2F）数据进行反演；火点基于VIRR（FY3B）、MODIS（Terra/Aqua）数据进行反演；大雾基于VIRR（FY3B）数据进行反演。

表1 不同反演指标及其影像数据

为了实现数据自动下载，系统基于后台开发控制程序，通过FTP地址自动下载OMI（Aura）、MODIS（Terra/Aqua）、Mopitt（Terra）等数据；对于VIRR（FY3B）、VISSR（FY2F）等风云系列载荷数据，则通过将中国气象局国家卫星气象中心提供的动态FTP地址录入本系统，实现数据自动下载。

1.2 大气污染物指标可视化算法

1.2.1 PM颗粒物、霾指标可视化算法

大气气溶胶是由大气介质和混合于其中的固体或液态颗粒物组成的多相体系，气溶胶颗粒可直接或间接改变地—气系统的辐射收支，影响全球或区域气候和环境[5]。大气气溶胶光学厚度（AOD）是推算气溶胶含量、评价大气环境污染程度、研究气溶胶辐射气候效应的重要因素。

PM2.5与PM10是大气中的颗粒物深度，AOD与PM2.5/PM10呈显著线性相关，但受气溶胶理化特性和气象要素时空差异的影响，AOD与PM2.5/PM10的相关性与相关方程存在很大的地区性以及季节性系统偏差。根据湿度、温度、边界层高度等气象条件的作用，对PM2.5/PM10进行湿度订正，对AOD进行高度订正后，AOD与PM2.5/PM10的相关性得到提升[6]。本文中的标高通过0.55 μm处AOD与大气能见度之间的关系进行计算，具体公式为：

式中，p为气压，单位为hPa；τa为AOD；v为海平面能见度，单位为km。

湿度订正常用的函数方程为：f (RH) =1/ (1-RH/100)。湿度与标高订正方法见表2。

表2 PM与AOD相关性研究的订正方法

标高与湿度订正后，可进行AOD与PM2.5/PM10的建模，并建立反演公式，进行结果计算。其具体公式为：

式中，ρ为对应尺度的气溶胶密度（组分平均）；r为尺度，单位为μm；n(r)为数密度谱分布。

根据研究区域所处地理位置，对研究区内 MODIS 3 km暗目标气溶胶数据进行几何校正、镶嵌、裁剪等预处理；再获取与MODIS对应的湿度、气压、气温、能见度等气象数据；然后结合PM2.5、PM10地面监测站点信息、站点过境3 km MODIS AOD数据，利用气象同化统计模型，与预处理的AOD数据进行反演；最终获得PM2.5、PM10的监测成果，可视化算法流程如图1所示。

霾通常是指悬浮在空中肉眼无法分辨的大量微粒，是水平能见度小于10 km的天气现象，是威胁人类健康的重要污染物。误差率在30%左右的MODIS气溶胶产品（经过一定的转化）与地面环保数据有较好的吻合，表明利用MODIS遥感监测雾霾天气具有一定的可行性[7]。本文对研究区内MODIS 3 km暗目标气溶胶数据进行几何校正、镶嵌；再依据研究区范围进行裁剪，生成tif格式的预处理结果数据；然后获取与MODIS对应的相对湿度数据，并结合预处理的AOD数据进行反演，最终形成霾的监测成果，可视化算法流程如图2所示。

图1 PM颗粒物指标可视化算法流程图

图2 霾指标可视化算法流程图

1.2.2 NO2、SO2、O3、CO指标可视化算法

痕量气体是大气中浓度低于10-6的粒种，如大气中的NO2、SO2、O3、CO等。部分痕量气体是在人类活动中受各种物理、化学、生物等作用生成的、对人体有害的气体。OMI 数据因其较高的时空分辨率，目前被广泛应用于大气痕量气体的探测反演。张杰[8]等利用OMI NO2柱数据重构了兰州市以及周边地区NO2柱浓度分布。本文分别对研究区内OMI 3级全球产品数据中的NO2、SO2、O3进行几何校正，再依据研究区范围进行裁剪，生成tif格式的预处理结果数据，然后分别对NO2、SO2、O3进行渲染，最终获得NO2、SO2、O3的监测成果，可视化算法流程如图3所示。

大气中CO浓度对全球气候变化以及人体健康均有重要影响，是一个重要的大气污染指标。Mopitt利用气体相关光谱学方法，将扫描辐射仪与气象摄谱仪相结合，测量CO和CH4在3个吸收带的向上反射和发射的红外辐射率[9]。本文对研究区内Mopitt 2级全球产品数据中的CO经度、纬度、数值等信息进行提取入库，再将提取的信息转换成tif数据，并依据研究区范围进行裁剪，最后针对预处理的CO数据进行渲染，获得CO的监测成果。

图3 NO2、SO2、O3指标可视化算法流程图

1.2.3 火点、沙尘、大雾指标可视化算法

火点的监测在火灾预警中具有重要意义。MODIS卫星在仪器特征参数设计上考虑了火灾监测需求，周艺[10]等基于马里兰大学提出的MODIS数据火灾监测算法构造了火点信息自动提取模型，设计了从图像预处理到火点自动提取的技术流程。环境与灾害监测预报小卫星因其在时间和空间分辨率方面的优势，目前已被应用于火点、沙尘、大雾等大气污染指标的监测。王玲[11]等利用HJ-1B卫星红外相机遥感数据提出了农作物秸秆焚烧火点提取模式。本文分别利用MODIS数据和风云数据进行火点的反演与监测，在提取火点过程中先将图像灰度值转换为辐射亮度值，再将辐射亮度值转换为亮度温度。火点指标可视化算法流程如图4所示。

图4 火点指标可视化算法流程图

沙尘是由于地表上升气流把疏松地表尘粒带入空中，并在一定层结条件下形成的[12]。沙尘使得空气混浊、能见度下降，直接影响人们的生产生活。当近低层空气中悬浮的大量小水滴或冰晶微粒使水平能见度小于1 000 m时则称为雾。FY-2号F星携带扫描辐射仪和空间环境监测器。FY-3B卫星与FY-3A卫星组网运行，可1 d扫描全球4次，具有监测大雾、干旱、水灾、沙尘暴等自然灾害的能力。本文对研究区内FY-2 号F 星二级产品数据进行几何校正；再依据研究区范围进行裁剪，生成tif格式的预处理数据；然后对其进行分级渲染；最终形成沙尘的监测成果。本文对目标域内FY-3B卫星二级产品数据进行几何校正、镶嵌；再依据研究区范围进行裁剪，生成tif格式的预处理数据；然后对大雾进行渲染；最终形成大雾指标的监测成果。

2 原型系统设计

2.1 原型系统开发平台

原型系统基于PIE，利用Microsoft .NET Framework 4.0平台设计实现。PIE是北京航天宏图信息技术有限公司自主研发的一款专业的国产遥感图像处理软件，在处理国产卫星影像数据方面有其特有优势。PIE能实现多源、多载荷（光学、雷达、高光谱）遥感图像的处理、辅助解译以及信息提取等功能，是一个操作性强的遥感工程化应用平台。原型系统基于PIE进行二 次开发，大大节约了开发时间，增强了系统的可用性、可移植性和功能完备性。

2.2 原型系统架构设计

原型系统采用5层结构设计，分别为基础设施层、平台支撑层、数据资源层、系统应用层和用户层；包含遥感数据获取与预处理、大气颗粒物和污染气体监测、沙尘、秸秆焚烧以及霾监测、GIS模板管理与展示4个应用模块；拥有标准规范体系和运行维护体系两大保障体系；采用B/S与C/S混合模式进行设计开发，其总体架构如图5所示。

图5 总体架构示意图

为了避免传统桌面架构（App+DLL）模块的耦合性大、交互性不足、排错不方便、不容易二次开发等弊端，原型系统采用插件架构进行开发，大大降低了模块间的耦合性，增强了交互性，且方便二次开发。系统插件架构分为插件引擎、EXE和功能插件3个部分，通过各部分的协同开发，实现了界面的定制功能，避免了界面操作中复杂的消息定义和传递，插件的样式可在插件内部定义而无需修改配置文件，可方便获取地图对象而无需因插件功能性要求去修改底层地图控件，利用.NET反射特性实现插件动态加载与卸载，各大功能模块清晰的分类架构便于扩展维护。

2.3 原型系统功能设计

根据大气污染监测过程中对大气污染物实时可视化展示与监测的功能要求，原型系统采用B/S与C/S混合模式进行设计开发，由服务器端和客户端两大部分组成。服务器端主要实现对SO2、NO2、O3、CO、PM数据的自动下载，以及对大雾、沙尘、火点3种数据的订单定制下载；同时针对不同数据，根据数据源进行投影转换、影像镶嵌、影像分幅等影像预处理，为渲染展示提供源数据。客户端则通过对遥感数据进行处理分析得到并展现相应的大气污染遥感监测产品，主要包含大气监测、专题制图、视图管理、图像处理、矢量编辑和标注标绘六大模块。

1）大气监测模块。作为原型系统的核心模块，该模块包含了对O3、SO2、NO2、CO、PM2.5、PM10、火点、沙尘、大雾、灰霾等指标遥感数据的处理功能，可根据算法对已有储备数据内任意时间点时间段（周、旬、月、年）的遥感数据进行反演、分析，得到相应的监测结果，并以图像化的方式直观展示，同时可动态模拟其变化过程，生成火点日报、周报、月报，直观地显示监测分析结果。

2）专题制图模块。该模块提供制图功能，用以产出符合用户需求的大气污染监测结果专题图件。其内容包括视图切换、视图操作、数据操作、要素排列、地图整饰、专题图模板、专题图输出、网格设置等。在地图窗口底图的基础上，添加并设置制图要素，绘制规范专题图，并可保存导出，下次使用时导入模板即可。

3）视图管理模块。该模块提供对地图窗口、图层、数据的控制管理功能。

4）图像处理模块。该模块提供常用的遥感图像处理功能，以实现对大气监测遥感数据的预处理，主要包括建立GLT文件、基于GLT的几何精校正、沙尘数据转换、全球数据转换、图像镶嵌、图像裁剪等功能。

5）矢量编辑模块。该模块提供矢量数据要素增加、修改、删除、信息查询等功能，包括对点、线、面要素的位置拖动、增加，节点的拖动，要素属性信息的编辑、裁剪、删除、合并以及撤销、重做等功能。

6）标注标绘模块。除了支持常见GIS软件对矢量数据的编辑功能外，原型系统还提供了对当前地图视图的标注标绘功能，这也是别具特色的一个功能。通过运用点、折线、椭圆、圆、矩形、多边形、文字7 类要素，结合节点编辑、删除、选定等功能，可在地图视图上标绘需要表达的信息；同时，可将本地的标绘文件导入系统中，也可对标绘内容进行保存，增加了用户标绘的灵活度。

3 大气污染遥感监测系统的实现

3.1 数据自动下载

系统实现了对MODIS/Terra+Aqua、OMI/Aura、Mopitt/Terra、VISSR/FY-2、VIRR/FY-3等卫星观测数据的自动化、半自动化批量下载，可有效减少重复操作，为后续处理提供数据准备。

3.2 数据预处理

数据下载完毕后，系统可实现AOD、PM10、PM2.5、O3、SO2、NO2、CO、沙尘、火点等数据产品的自动化生产（图6），无需人工干预，在满足区域环境质量遥感监测需求的同时，降低了系统使用的技术门槛。

图6 数据自动化预处理界面

3.3 监测成果生成

系统实现了对大气污染指标（霾、PM10、PM2.5、SO2、NO2、O3、CO等）的可视化展示和实时监测，同时还实现了大气污染遥感监测数据的统计制图以及监测报告自动化生产功能，可针对不同数据生产不同时期、不同类型的监测成果，包含日、旬、月、年监测产品、图片及专题报告等，如图7、8所示，从而为相关环境保护部门提供数据支持和科学管理依据。

3.4 监测结果评价

对辽宁省2015年绝大多数日期的PM2.5和PM10浓度进行反演监测，并将其与实测得到的浓度数据进行对比，可得到系统对于PM2.5和PM10指标的反演精度分别为0.555 1和0.536 6，如图9、10所示。

图7 PM2.5的遥感监测结果示意图（审图号：GS(2016)1600）

图8 PM10的遥感监测结果示意图（审图号：GS(2016)1600）

图9 PM2.5指标反演精度

图10 PM10指标反演精度

4 结 语

本文根据大气污染物信息遥感监测的现状和对自动化、可视化、业务化遥感监测系统的需求，主要采用气溶胶反演算法和插件式开发技术，设计并开发了大气污染遥感监测原型系统，实现了遥感影像数据的自动化获取、数据自动化反演处理、监测指标动态可视化展示、监测产品和专题产品生产的业务化运行，为大气污染物信息的自动提取与实时监测提供了技术支撑，但原型系统在大气污染物监测精度方面仍有待提升，也是下一步研究的主要方向。

[1] 李成林.城市大气污染的定量遥感监测方法研究[D].兰州:兰州大学,2012:35-88

[2] 王德敏.空气污染数据可视化方法研究及可视化系统实现[D].济南:山东大学,2012:28-31

[3] 王丹.辽宁省大气环境监测数据分析系统研究[D].沈阳:东北大学,2009:30-46

[4] 赵春生,方圆圆,汤洁,等.MOPITT观测的CO分布规律及与瓦里关地面观测结果的比较[J].应用气象学报,2007,18(1):36-41

[5] 张勇,银燕,刘藴芳,等.北京秋季大气气溶胶光学厚度与Angstrom指数观测研究[J].中国环境科学,2014,34(6):1 380-1 389

[6] 林海峰.京津冀大气颗粒物浓度与气溶胶光学厚度监测及相关性分析研究[D].兰州:兰州大学,2012:48-62

[7] 施禅臻,王珊珊,周睿,等.MODlS遥感监测在灰霾天气中的反演应用[C].中国环境科学学会.2013中国环境科学学会学术年会浦华环保优秀论文集,2013:7

[8] 张杰,李昂,谢品华,等.基于卫星数据研究兰州市NO2时空分布特征以及冬季NOx排放通量[J].中国环境科学,2015,35(8):2 291-2 297

[9] 李令军.基于MOPITT数据的北京奥运前后CO监测分析[J].大气与环境光学学报,2009,4(4):274-282

[10] 周艺,王世新,王丽涛,等.基于MODIS数据的火点信息自动提取方法[J].自然灾害学报,2007,16(1):88-93

[11] 王玲,田庆久,包颖.基于HJ卫星IRS遥感数据的农作物秸秆火点提取模式研究[J].地理科学,2011,29(6):661-667

[12] 邱明宇,王尚荣,王岩宁.沙尘天气产生的气候背景及物理机制[J].广西气象,2005,26(3):30-32

[13] 胡梅,齐述华,舒晓波,等.华北平原秸秆焚烧火点的MODIS影像识别监测[J].地球信息科学,2008,10(6):6 802-6 807