MODIS气溶胶光学厚度反演的西安市颗粒物浓度研究

郑 俊，杨志强，张凯南，高旺旺

(长安大学 地质工程与测绘学院，陕西 西安 710054)

大气气溶胶是指大气中的固体和液体微粒与气体载体共同组成的多相体系，大气气溶胶可以影响地球的辐射收支平衡和温室气体的浓度和分布，同时气溶胶的大量存在会严重污染大气质量进而影响人类健康[1-2]。气溶胶作为大气辐射和大气光学中的重要物理量，一定程度上表征了整层大气中颗粒物的浓度和光学特性。流行病学研究表明，PM10或PM2.5浓度(空气动力学直径分别小于10 μm或2.5 μm)与公共疾病、呼吸系统疾病和心血管疾病死亡率密切相关，PM浓度已成为衡量大气污染程度的重要指标，受到世界各国环保、卫生、科学等行政管理部门的重视。因此，对于颗粒物浓度进行连续自动监测具有重要意义[3]。近年来，随着工业化和城市化的快速发展，PM已成为中国大部分主要城市的主要空气污染物，不仅威胁到人们的身体健康，而且造成大气能见度下降和城市景观退化，因此各个城市陆续建立环境监测站以实现对大气污染的有效观测，及时做出控制。但地面观测只能在有限地面点进行，空间覆盖面积小，难以对污染的变化趋势、空间分布等进行监测与分析。

卫星遥感是大气气溶胶监测的主要方式之一，具有立体观测、覆盖范围广、实时采集等优点[4]。国内外已开展了气溶胶光学特性与PM浓度之间关系的研究，例如，Chu等、Slater等发现了地面AOD与PM10、PM2.5浓度的关系，得出的R2分别为0.67、0.76；Wang &、Christopher和Engle-Cox等人比较分析了卫星反演的AOD与PM2.5的关系，其R2分别为0.49和0.40，李成才等将卫星反演AOD与空气污染指数(API)用于北京市环境污染研究中，经过垂直订正及湿度订正获得地面干消光系数并与颗粒物浓度进行相关性分析。

本文利用MODIS数据反演分辨率为1 km的气溶胶光学厚度，利用地面统计得到的PM2.5、PM10浓度与ECMWF再分析资料计算得到的相对湿度及边界层厚度进行垂直订正、湿度订正，建立AOD与PM2.5、PM10浓度关系模型，为西安市雾霾防治与预测研究提供有力支持。

1 数据介绍

1.1 研究区域

西安市地处渭河中游关中盆地，秦岭以南，黄土高原以北，东边是潼关和黄河形成的通风口，地形特殊，受太行山脉影响，雾霾悬浮于西安市上空，难以排除，加之其他气候条件(如静风、少雨雪)以及近年来城市热岛效应的加剧、冬季燃煤取暖、道路扬尘等因素的共同影响造成西安地区频繁的雾霾天气。因此有必要通过分析西安市AOD与地面颗粒物浓度的关系，建立相关模型，分析近几年西安市大气污染的时空特征及环境质量变化[5-6]。如图1所示为本实验研究区域及西安市环境质量监测站点分布图，共计13个监测站，分别为：高压开关厂，兴庆小区，纺织城，市人民体育场，高新西区，经开区，长安区，阎良区，临潼区，草滩，曲江文化产业集团，广运潭。

图1 研究区域及监测站点分布图

1.2 数据

1.1.1 遥感数据

本文利用MODIS L1B 1 km 数据实现对陆地上空气溶胶的监测，L1B 1 km数据是对L1A数据进行定位和定标处理之后生成的，选取空间分辨率为1 km的MOD02数据即定标后1 000 m分辨率的地球观测数据，MOD03数据包含每天为所有轨道计算的每个1 km MODIS瞬时视场(IFOV)的地理位置信息。

MOD/MYD04_3K是NASA发布的Level 2级气溶胶产品，可用来获取全球海洋和陆地环境的大气气溶胶光学特性(光学厚度)和质量浓度，空间分辨率为3 km。在C6版本中，提供了新的3 km分辨率的气溶胶产品即MOD/MYD04_3K。本文利用MOD04_3K气溶胶产品数据与MOD02数据反演得到的气溶胶光学厚度进行对比验证工作。

1.1.2 PM2.5、PM10及气象数据

本实验在中国环境监测中心官方网站采集了2017年西安市的PM2.5、PM10浓度测量数据，西安市共设立了13个环境空气质量监测站。本研究使用日平均PM2.5、PM10质量浓度(μg/ m3)用于颗粒物研究。而对于行星边界层厚度(HPBL)，监测起来十分困难，它不是传统的地面气象变量，所以本文使用来自ECMWF再分析资料的HPBL(http://apps.ecmwf.int/datasets/)及相对湿度(RH)数据。

优势互补、互利共赢为双方企业的发展带来了繁忙与机遇。在到场来宾共同见证下，奥特奇与来自中国各地的经销商签订战略合作协议，共同开启赛土丰全面营销的新时代。

2 研究方法

利用MODIS遥感影像基于暗像元法反演气溶胶光学厚度。根据归一化植被指数(NDVI)确定暗像元，然后使用6S软件通过辐射传输公式构建查找表，最后，根据MODIS数据和查找表进行插值获得AOD。

在方法上与以往不同的是研究中采用固定的波段关系，获得红蓝波段的表观反射率，进而得到红蓝波段反演得到的AOD值，最终将两个波段的反演值加权得到最终的AOD值。

气溶胶光学厚度(AOD)反映了整个大气立柱的气溶胶光学特性，而颗粒物浓度通常在地表测量得到，因此，若要根据AOD估算地面颗粒物浓度，则需要基于一定的时空尺度探求二者的相关性，不断消除环境影响，获取更大的相关性[7-8]。结合国内外相关研究，本研究重点采用垂直订正与湿度订正的方法订正AOD，从而反演西安市PM2.5和PM10浓度。

式(1)为垂直订正公式，其中BLH代表边界层厚度；τ为光学厚度；β0为地面消光系数。

τ=B0·BLH.

(1)

根据White等[9]早期的经验公式，气溶胶的吸湿增长过程为

f(RH)=1/(1-RH)，

(2)

(3)

(4)

式(4)中f(RH)为吸湿性增长因子，经过计算得出气溶胶吸湿性增长因子如表1所示。

假定气溶胶的化学成分及粒度分布在一定条件下保持不变，那么可以认为粒子的Qext，yeff，ρ是恒定不变的，则ωa与颗粒物浓度成比例，则干消光系数ωa与PMx具有良好的相关性[10]。

表1 西安市吸湿性增长因子每月均值

3 结果与分析

3.1 反演结果

图2是利用暗像元法反演并通过ArcGIS空间分析得到的西安地区2017年平均气溶胶分布图。结果表明[11]：AOD分布呈现出北高南低的趋势，即AOD高值主要分布在西安市的中北部，低值主要分布在西安市南部。其原因可能是由于西安市南部是秦岭山脉，人类活动较少，拥有繁多的树林植被，污染源较少，所以西安市南部地区的空气污染指数低，而中北部地区为西安市主城区，属关中平原，人口密集，人为颗粒物污染源(如汽车尾气、燃煤等)较多，再加上城市热岛效应的不断增加以及西安市特殊地形地貌、气候气象等因素的影响使得中北部地区AOD分布较高。这也说明了气溶胶光学厚度的分布易受到地形地貌、工业及人口分布等的影响。

图2 气溶胶分布图

3.2 对比验证

MOD04_3K气溶胶产品(0.55 μm)的分辨率为3 km，而本研究中反演的AOD为1 km的分辨率，为了两者比较，将本研究反演的MODIS AOD结果利用三次卷积插值法重采样得到3 km的分辨率进行比较，通过数据分析及数据计算得出结果如表2所示。

表2 数据分析结果

从图3的散点对比图及表2数据分析可以看出：根据时空匹配性原则，将气溶胶产品MOD04和反演的AOD按像元点一一对应进行筛选，共选取了2 352组数据进行对比分析得出MOD04气溶胶产品与本研究反演得到的AOD之间的线性方程式为y=0.871 4x+0.007 24，相关系数R达到了0.88，均方根误差RMSE=0.12，平均绝对误差MAE=0.07，说明两者具有非常显著的相关性，MOD02反演的AOD可以用于气溶胶及颗粒物浓度研究。而RMB=1.04(当RMB>1，则结果被低估[12])说明AOD平均值被低估。

图3 MOD04_3K AOD与本研究反演1km AOD对比散点图

3.3 结果分析

利用统计得到的西安市2017年地面PM2.5、PM10颗粒物浓度数据和反演得到的2017年AOD 的每日均值，因反演中存在部分数据缺失且根据时间匹配共得到了241对有效数据，通过分析得出的AOD与颗粒物浓度之间的相互关系如图4所示，结果表明：AOD与PM2.5、PM10的直接相关系数分别为0.53、0.43，相关系数较低。AOD反映了整个大气立柱的气溶胶光学特性，而PM浓度通常在地表进行水平测量得到，所以它们之间的相关性受到气溶胶垂直分布和影响气溶胶消光系数的相对湿度(RH)的严重影响，从而影响气溶胶的消光系数[13]。这两个因素与大气廓线、环境条件以及气溶胶的尺寸、分布和化学成分有关，这些因素都可能具有较大的空间和时间变化，因此直接利用气溶胶光学厚度进行大气污染物研究时，只能进行定性分析及判断，多源不确定因素的加入造成定量分析结果的不确定性，为减少不确定性，将边界层高度(HPBL)和相对湿度(RH)引入到相关模型中，修正并提高AOD与地面颗粒物的相关性以满足AOD进行地面污染监测的需要。

图4 AOD与PM2.5、PM10浓度比较

3.4 垂直订正及湿度订正

首先利用边界层厚度对AOD进行垂直订正后得到的两者相关性如图5所示，结果表明：经过垂直订正后，得到的地面消光系数与PM2.5、PM10浓度相关系数分别为0.65、0.56，而经过垂直订正后的AOD表示地面的消光系数，反映了地面污染物的消光强弱[14]。该消光系数消除了气溶胶垂直分布的影响，虽然基于一定的假设模型，但在一定程度上减少了气溶胶垂直廓线随时间变化的影响，使得订正后的AOD与PM2.5、PM10的相关系数有所提高。

而由于地面颗粒物浓度的测定一般是在干燥条件下进行的，而卫星AOD则伴随着相对湿度，当气溶胶的组分、尺寸大小和相对湿度一定时，相关系数与PM2.5、PM10成正比[15]，利用吸湿性增长公式，对经过垂直订正后的消光系数再次进行湿度订正，获得AOD的干消光系数通过相关线性变换得到反演的PM2.5、PM10，其与地面浓度观测结果相关性如图6所示。结果表明：利用相对湿度进行订正后，相关性进一步提高，反演得到的PM2.5、PM10浓度与地面监测获取的颗粒物浓度相关系数分别为分别达到0.71、0.62，较好的实现了AOD反演PM2.5、PM10颗粒物浓度的目的。通过订正说明了相对湿度及气溶胶的垂直分布对AOD与颗粒物浓度关系有着重要的影响，通过有效的垂直订正及湿度订正MODIS数据可用于获取区域尺度上颗粒物浓度的时空变化，可以作为地面空气质量监测的有效补充。

图5 垂直订正后AOD与PM2.5、PM10浓度比较

图6 湿度订正后AOD与PM2.5、PM10浓度比较

4 结 论

基于MODIS影像反演2017年西安市的气溶胶光学厚度，并利用边界层厚度及相对湿度进行垂直订正及湿度订正，得到反演的PM2.5、PM10浓度，得出以下结论：

1)基于暗像元法反演得到具有1 km分辨率的气溶胶光学厚度，利用ArcGIS获取西安市2017年AOD分布图；

2)本研究中反演的AOD与MODIS AOD 产品的分布趋势大致相同，具有显著的相关性，相关系数达到0.88；

3)反演的AOD与地面颗粒物浓度PM2.5、PM10的相关性较低，经过垂直订正及湿度订正后PM2.5、PM10与地面观测值具有良好的相关性，其相关系数为0.71、0.62。

在实验中也存在许多不足之处，如：冬季植被覆盖过少反演值偏低，没有考虑季节和年际变化，下一步将继续研究长时间序列数据累积，纳入其它影响因子(如风速、风向、SO2)不断修正反演模型，在不同尺度上研究污染物的时空特性。