空间分辨率与精度协同改进的卫星AOD产品降尺度模型

张华玉,邹 滨,刘 宁,李 莎

空间分辨率与精度协同改进的卫星AOD产品降尺度模型

张华玉,邹 滨*,刘 宁,李 莎

(中南大学地球科学与信息物理学院,湖南 长沙 410083)

针对现有卫星气溶胶光学厚度(AOD)产品空间分辨率和精度往往难以满足大气污染精细治理实际需求,提出了一种耦合偏差校正的统计降尺度改进模型(SDBC).该模型基于“空间尺度不变性假设”引入相关驱动因子的额外空间信息实现AOD降尺度,并在此基础上通过偏差校正进一步提升降尺度产品的精度.以1km分辨率MAIAC AOD产品为例,在北京、大湾区、台湾岛3个典型地区开展模型验证.结果表明:(1)DEM、NDVI、人口数量和土地覆盖是影响AOD变化的细节因子,在SDBC空间降尺度过程中引入可将AOD产品的空间分辨率有效提升至500m,且降尺度产品验证2最高可达0.88;(2)顾及卫星观测几何、质量标识、大气水蒸气柱、气溶胶模式等因子的偏差校正则可进一步提升降尺度AOD产品的精度,3个地区的验证2均在0.85以上,最高可达0.93;(3)信息熵评估结果显示SDBC模型生成的500m AOD产品提高了原始MAIAC AOD产品的空间信息量.在保留了公里级产品AOD的空间分布格局的基础上,SDBC产品也增强了细节和纹理特征、改善了边界现象和马赛克效应.研究结果证实SDBC模型能有效协同改进现有卫星AOD产品的空间分辨率和精度,提升我国大气污染遥感精准监测的业务能力.

MAIAC AOD；空间降尺度；偏差校正；趋势面；PM2.5

气溶胶是由大气和悬浮在大气中的液态、固态颗粒组成的多相体系,在全球气候调节中发挥着重要作用[1].气溶胶光学厚度(AOD)为气溶胶消光系数从地表到大气顶层的积分,是表征大气浑浊程度的关键物理量,正受到各界普遍关注.在大气污染方面,卫星AOD遥感反演产品已成为模拟估算近地面PM2.5浓度最重要的数据源[2].随着我国大气污染防控的精细化治理发展,时空全域精准的PM2.5浓度数据获取需求显得比以往更加迫切,亟待高时空分辨率、高精度卫星AOD产品数据的支持.

自2000年起,空间大范围业务化卫星AOD产品陆续发布,包括常见的MODIS的DT AOD(3km、10km)、DB AOD(10km)、DT_DB Combine AOD (10km)和MAIAC AOD(1km),VIIRS的EDR AOD (6km),AVHRR的PATMOS-X AOD(4km)等.尽管上述业务化卫星AOD产品在全球尺度上具有较高精度[3],但已有研究表明在1km2网格内AOD仍存在空间差异[4],因此公里级的AOD无法完全揭示大气污染特征.

针对高空间分辨率卫星AOD的需求,学者们尝试直接从HJ-1、GF-1和Landsat 8等成像分辨率更高的卫星影像反演新的AOD产品,空间分辨率最高可达30m[5-7].但空间分辨率提升的同时,剔除地表反射率贡献的难度增加,气溶胶信噪比下降,不可避免地增加AOD产品的系统误差和地面噪声.而且高空间分辨率卫星往往时间分辨率更低,以Landsat 8(30m)为例,16d的重返周期限制了其AOD产品在日常监测中的可用性[8].

空间降尺度是一种将低分辨率数据转化为高分辨率数据的常用方法,一定程度上可化解传感器时空分辨率矛盾.常用的遥感产品降尺度方法可分为地统计插值、图像融合和统计回归三种.地统计插值和图像融合虽已在AOD降尺度中广泛应用,但前者缺乏对环境特征的考虑,容易造成较大的误差[9];后者未能突破融合产品分辨率取决于基准影像的固有缺陷,无法实现AOD产品超分辨率重建.

统计回归降尺度是通过低空间分辨率产品与高空间分辨率驱动因子间的统计关系实现降尺度,已在地温、降水、土壤湿度等气象参数的降尺度应用中得到推广[10-12].大量研究证实,AOD与气象、地形、地表覆盖、人口等因子密切相关[13-14].因此,统计回归降尺度理论上可用于卫星AOD产品的超分辨率重建.但现实是,气溶胶时空变化机理不明,致使AOD精细尺度下的影响因子尚未可知,且单一的统计回归降尺度方法常难以消除原产品中传感器和地气解耦效应造成的误差.故直接采用统计回归降尺度方法一步实现卫星AOD产品空间分辨率与精度的协同提升存在较大困难.

鉴于此,本研究拟基于公里级卫星AOD产品,提出一种耦合偏差校正的统计降尺度模型(SDBC),尝试引入驱动AOD时空变化的高空间分辨率因子模拟估算百米级尺度卫星AOD产品,并结合地面AOD监测数据进行偏差校正,实现卫星AOD产品空间分辨率和精度的协同改进,为我国大气污染精细治理遥感监测产品的生产提供科学参考.

1 SDBC模型

SDBC模型是一个两步法模型,主要包括AOD空间降尺度和AOD偏差校正两部分.模型公式为:

1.1 AOD空间降尺度

1.2 AOD偏差校正

1.3 因子选择

2 模型验证

2.1 实验区概况

如图1所示,从中国北部、南部、东南部分别选取北京市、粤港澳大湾区、台湾省台湾岛3个区域作为实验区.3地涵盖了温带季风、亚热带季风、热带季风3种气候类型,土地覆盖以林地、耕地、建设用地为主,均属于经济发达、人口密集、空气污染问题敏感区域.此外,3地范围内有多个AERONET AOD地面监测站,可为SDBC模型的可靠性检验提供直接数据.需要说明的是为增加验证站点数量,北京实验区范围扩大至115.3°～117.6°E, 39.4°～41.1°N.

图1 实验区概况

为AERONET站点个数

2.2 数据收集与预处理

SDBC模型构建和验证过程中使用的数据主要包括:卫星MAIAC AOD产品、地基AERONET AOD数据、趋势面因子及偏差影响因子所采用的多源地理要素.数据时相为2000～2019年间实验区同时有卫星和地面监测AOD数据时段,北京、大湾区、台湾岛分别为2001-02～2019-03,2005-11～2018-10, 2000-03～2019-12.数据具体信息如表1所示.

表1 研究数据说明

续表1

注:a为趋势面因子,b为偏差校正影响因子.

为统一时空分辨率,对上述栅格数据进行了整合、投影变换、重采样、无效值剔除等预处理,得到了500m和1km分辨率的标准数据格式.地基AERONET AOD数据需要通过Ångström指数插值得到550nm波段处的AOD数据[33].

2.3 实验设计与实现

SDBC模型具体实现流程包括5个部分(图2):(1)趋势面构建与评价:MAIAC AOD作为因变量,1km趋势面因子作为自变量,利用随机森林算法得到趋势面函数和尺度转换残差,并通过预留验证样本对趋势面函数进行精度评价.(2)产品降尺度与评价:500m趋势面因子作为趋势面转换函数的输入,得到降尺度结果(SD AOD),再与AERONET AOD进行时空匹配以评估SD AOD精度.(3)因子探测:引入地理探测器[34]对降尺度前后的AOD与偏差影响因子的关系进行单因子探测,评估空间降尺度是否会改变偏差影响因子与偏差的关系.(4)偏差校正模型构建与评价:以AERONET AOD为真值,并与降尺度结果SD AOD、偏差影响因子时空匹配,获取AERONET站点处SD AOD的偏差与偏差影响因子,利用随机森林算法构建偏差及其影响因子之间的偏差校正模型,并通过交叉验证等方法评价偏差校正模型精度.(5)产品偏差校正与评价:偏差影响因子面数据作为偏差校正模型输入,生成最终产品(SDBC AOD),开展最终产品精度与信息量评价.

图2 实验设计流程

2.4 评价方法

2.4.1 精度评价 选取拟合优度(2)、均方根误差(RMSE)、偏差(Bias)、预期误差(EE)和验证点对数量()等统计值作为精度定量评价指标[35].

在评估MAIAC AOD、SD AOD和SDBC AOD精度时,将AERONET站点分别与3种AOD最邻近的像元进行空间匹配,并提取卫星过境前后30min内AERONET AOD均值作为真值,以此计算精度评价指标.

在评价趋势面函数时采用60%的样本作为训练集,40%的样本作为验证集的样本分配原则.

采用基于样本的十折交叉验证和基于站点的留一交叉验证以评估偏差校正模型精度.基于样本的十折交叉验证是将所有样本点时空随机混合打乱分成十份,并迭代地选取一份作为验证集;而基于站点的留一交叉验证则是迭代的抽取一个AERONET站点处的样本作为验证集,可以表征模型在预测空间未知点上的泛化能力[36].

2.4.2 信息量评价 为对比评价SDBC模型提升AOD产品空间信息的有效性,本研究引入信息熵作为定量评价指标.信息熵是反映影像信息丰富程度的度量方式[37],信息熵值越高表示产品的信息量越多,细节越丰富,图像质量越好[38].单期AOD产品信息熵计算公式如下:

3 结果与分析

3.1 空间降尺度趋势面评价

使用SDBC模型分别在北京、大湾区、台湾岛3个实验区以月为单位训练了218、156、238个空间降尺度模型,模型的趋势面函数表现如图3所示.从时序上看,3个实验区的趋势面函数精度年际趋势基本不变,但具有季节性差异.北京地区在冬季的精度明显低于其他时间,造成这种现象的原因可能是北京地区属于温带季风气候,冬季寒冷干燥,受到静稳天气和采暖期燃煤排放增加的影响,区域污染较为严重,文中选取的趋势面因子表征AOD的能力略微下降.与之相反,大湾区和台湾岛在夏季精度表现相对较差,这是因为大湾区和台湾岛位于中国南部,属亚热带季风和热带季风气候,夏季高温多雨,伴随云量增加,原始MAIAC AOD产品覆盖度较低,模型训练样本量低于其他季节致使精度略有下降.但整体而言,3个实验区的模型表现良好,训练和验证2均在0.85以上,RMSE均小于0.06,且无明显过拟合现象,尤其以北京地区的模型表现最佳,2始终维持在0.98以上,说明选取气象、土地覆盖、人口、地形和时间信息作为趋势面因子构建的趋势面函数在不同地区、不同气候条件下都能较充分地还原MAIAC AOD的原始信息,因此趋势面函数可作为空间降尺度的转换函数用于拟合精细尺度下的AOD空间分布.

(a) 北京(b) 大湾区(c) 台湾岛

3.2 空间降尺度AOD精度分析

如表2所示,本研究构建的空间降尺度模型能实现1km MAIAC AOD产品向500m分辨率的跃迁转换,且模型总体表现较好.主要体现在:(1)SD AOD产品与AERONET AOD的验证精度优于原始MAIAC AOD产品.即原始MAIAC AOD产品与AERONET AOD总体上已经具有较高的相关性,但在相同情况下,经过降尺度的SD AOD产品2和RMSE稍优于原产品.北京、大湾区、台湾岛降尺度前后的2分别为0.8680vs. 0.8774、0.6682vs. 0.6706、0.6590vs. 0.6776.(2)SD AOD产品信息量较原产品显著提升.分地区计算多期AOD产品信息熵平均值(Entm)可发现,SD AOD产品的信息熵在3个实验区均较原始卫星AOD产品显著增加,分别提升了506.63%、267.50%、154.84%.以上结果证实,高空间分辨率DEM、NDVI、人口数量和土地覆盖数据能增强降尺度模型对AOD细微变化的解释能力.

表2 MAIAC AOD和SD AOD产品定量统计

注:Bias表示偏差;EE表示预期误差,EE=±(0.05+0.15´AOD);Entm表示信息熵平均值.

3.3 空间降尺度AOD偏差校正分析

表2中的Bias和EE指标表明,空间降尺度并未能较好解决原卫星AOD产品的高估和低估现象.降尺度后,除北京地区的Bias有所下降外,大湾区和台湾岛的Bias均稍有上升,且3个实验区仍有相当一部分数量的验证点对超出期望误差范围,因此有必要对SD AOD展开偏差校正.

图4展示了降尺度前后产品偏差影响因子的单因子贡献力探测结果,其中值越大贡献力越强.从结果来看,偏差影响因子对MAIAC AOD和SD AOD两类产品的偏差贡献力基本持平,但部分因子对SD AOD偏差的贡献力呈现明显增大趋势,如NDVI在北京、大湾区和台湾岛的贡献力相较原始贡献力分别上升了34.31%、127.98%、48.59%.这一结果表明,尺度变化基本不会改变或削弱AOD产品的偏差及与偏差影响因子的关联关系,且部分因子对偏差的可解释性在高空间分辨率下可得到一定提升.

图4 偏差影响因子的单因子贡献力

图5a表明,偏差校正后的SDBC AOD验证点对均匀分布在拟合线两侧,Bias趋于0,高估和低估现象基本消除,拟合2分别提升至0.97, 0.95, 0.94.相比与拟合结果,由图5b中基于样本的十折交叉验证的结果可知,验证精度较拟合精度略微降低,但2保持在0.93, 0.88, 0.85,Bias仍接近于0,预期误差范围内的样本点对比例均控制在80%以上,反映偏差校正模型在无地面AERONET AOD数据的时空点位仍具有较好的偏差校正效果.图5c中基于站点的留一交叉验证结果所示,相较基于样本验证的结果,验证2有一定的下降,2分别为0.92, 0.79, 0.76.尽管如此,基于站点的交叉验证精度与MAIAC AOD产品的原始精度相比仍具有明显优势,说明偏差校正模型在没有地面AERONET站点的区域也具备改善AOD产品精度的能力.上述偏差校正模型拟合精度和验证精度优异的表现均证明了考虑卫星观测几何、质量标识、大气水蒸气柱、气溶胶模式、DEM、NDVI、土地覆盖和时空信息等偏差影响因子的偏差校正能有效改善降尺度后的高空间分辨率卫星AOD产品偏差,进一步提升产品精度.

图5 偏差校正模型拟合结果和交叉验证结果

(a) 拟合结果(b) 基于样本的交叉验证结果(c) 基于站点的交叉验证结果

3.4 500m分辨率SDBC AOD产品评价

SDBC模型应用于3个实验区MAIAC AOD产品改进,分别生成了13704、9490、14247期500m SDBC AOD产品.选取当期覆盖度较高的AOD产品展示如图6.对比图6a原始MAIAC AOD产品与图6b SDBC AOD产品可以发现,SDBC AOD产品与原始MAIAC AOD空间分布趋势相似,影像中高值区和低值区均较好地吻合,表明SDBC模型不会破坏原始MAIAC AOD的空间分布格局.而且在SDBC AOD中,3个地区内的AOD的高值有不同程度的下降,说明在改进后的产品中高估现象已被校正.在全局对比的基础上,从北京、大湾区、台湾岛3个实验区分别选取城区、农林地、山区3种不同地表环境进行放大对比(即图6a和图6b中矩形黑框划定的区域).对比图6c和图6d中放大局部细节,改进后的SDBC AOD产品中由于以“块”为单元反演产生的AOD边界现象[39]和原产品分辨率不足引起的马赛克效应被改善,影像中土地覆盖、植被、地形等因素空间差异导致的AOD空间分布细微变化和纹理特征被还原.

图6 1km MAIAC AOD和500m SDBC AOD影像

(a) MAIAC AOD全局图(b) SDBC AOD全局图(c) MAIAC AOD细节图(d) SDBC AOD细节图

图7表明:(1)改进后的SDBC AOD信息熵平均值为3.44、1.26、0.54,较MAIAC AOD信息熵总体呈正向增长趋势,提升比例分别为499.74%、274.33%、151.54%,这从定量的角度证明了SDBC模型能显著提升AOD产品的信息量.(2)不同地区提升量差异显著,北京地区信息熵提升效果明显优于大湾区和台湾岛.导致这一现象的主要原因是北京地区用地结构和人为排放情况相对复杂,区内大气污染空间异质性较高[40-41],SDBC模型引入高分辨率土地覆盖和人口数据后能更充分还原地区内复杂的污染特征.此外,北京地区SDBC AOD产品的信息熵在研究时段内呈较平稳趋势,而台湾岛和大湾区明显表现出冬季高夏季低的季节性规律,造成这种差异的主导因素是AOD覆盖度.北京地区的覆盖度全年保持在较高水平,但台湾岛和大湾区地区覆盖度有明显的“冬高夏低”季节差异,夏季影像缺失严重,AOD在未缺失的局部小范围内分布相对均质、信息熵较小,而冬季影像覆盖较大,AOD在研究区域全局呈现空间异质性、信息熵较大.

本研究仅验证了SDBC模型将1km MAIAC AOD降尺度至500m空间分辨率的可行性,但尚未在其他空间尺度和卫星AOD产品上开展测试.因此,今后工作可围绕不同时空分辨率和各类卫星AOD产品进一步开展模型的普适性研究.

(a)MAIAC AOD信息熵(b) SDBC AOD信息熵

4 结论

4.1 DEM、NDVI、人口数量和土地覆盖是影响AOD变化的细节因子,而卫星观测几何、质量标识、大气水蒸气柱、气溶胶模式等是影响卫星AOD产品反演偏差的重要因子.

4.2 顾及AOD细节因子和偏差影响因子的SDBC模型可实现卫星AOD产品空间分辨率和精度的双重改进.SDBC模型可将1km MAIAC AOD有效降尺度至500m,得到的AOD产品精度2可达0.97、0.95、0.94.

4.3 SDBC模型得到的500m AOD产品提高了原始MAIAC AOD产品的空间信息. SDBC AOD既保留了原产品中AOD的空间分布格局,还改善了原产品的边界现象和马赛克效应,细节和纹理特征更加清晰.

[1] 毛节泰,张军华,王美华.中国大气气溶胶研究综述 [J]. 气象学报, 2002,60(5):625-634.

Mao J T, Zhang J H, Wang M H. Summary comment on research of atmospheric aerosol in China [J]. Acta Meteorologica Sinica, 2002,60(5):625-634.

[2] 黄明祥,魏 斌,郝千婷,等.PM2.5遥感反演技术研究进展 [J]. 环境污染与防治, 2015,37(10):70-76,85.

Huang M X, Wei B, Hao Q T, et al. A review on research of PM2.5retrieval by remote sensing technology [J]. Environmental Pollution and Control, 2015,37(10):70-76,85.

[3] Wei X L, Chang N B, Bai K X, et al. Satellite remote sensing of aerosol optical depth: advances, challenges, and perspectives [J]. Critical Reviews in Environmental Science and Technology, 2020,50(16):1640-1725.

[4] Tian X P, Liu Q, Gao Z Q, et al. Improving MODIS aerosol estimates over land with the surface BRDF reflectances using the 3-D discrete cosine transform and RossThick-LiSparse models [J]. IEEE Transactions on Geoscience and Remote Sensing, 2021,59(12):9851-9860.

[5] 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.

Wang Z T, Li Q, Tao J H, et al. Monitoring of aerosol optical depth over land surface using CCD camera on HJ-1satellite [J]. China Environmental Science, 2009,29(9):902-907.

[6] Bao F W, Gu X F, Cheng T H, et al. High-Spatial-Resolution aerosol optical properties retrieval algorithm using Chinese High-Resolution Earth Observation Satellite I [J]. IEEE Transactions on Geoscience and Remote Sensing, 2016,54(9):5544-5552.

[7] Lin H, Li S W, Xing J, et al. Fusing retrievals of high resolution aerosol optical depth from Landsat-8and Sentinel-2observations over urban areas [J]. Remote Sensing, 2021,13(20):4140-4160.

[8] Li Z B, Roy D P, Zhang H K, et al. Evaluation of Landsat-8and Sentinel-2A aerosol optical depth retrievals across Chinese cities and implications for medium spatial resolution urban aerosol monitoring [J]. Remote Sensing, 2019,11(2):122-136.

[9] 夏 天,吴文嘉,吴文斌,等.地理科学中数据空间重构最新研究进展 [J]. 经济地理, 2020,40(11):47-55,94.

Xia T, Wu W J, Wu W B, et al. Research progress of geographic data by space reconstruction [J]. Economic Geography, 2020,40(11):47- 55,94.

[10] 全金玲,占文凤,陈云浩,等.遥感地表温度降尺度方法比较——性能对比及适应性评价 [J]. 遥感学报, 2013,17(2):374-387,361-373.

Quan J L, Zhan W F, Chen Y H, et al. Downscaling remotely sensed land surface temperatures: A comparison of typical methods [J]. Journal of Remote Sensing, 2013,17(2):374-387,361-373.

[11] 舒建川,蒋兴文,黄小梅,等.中国西南夏季降水预测的统计降尺度建模分析 [J]. 高原气象, 2019,38(2):349-358.

Shu J C, Jiang X W, Huang X M, et al. Statistical downscaling modeling analysis of summer precipitation in southwest China [J]. Plateau Meteorology, 2019,38(2):349-358.

[12] 孙 灏,周柏池,李 欢,等.耦合MOD16和SMAP的微波土壤湿度降尺度研究 [J]. 遥感学报, 2021,25(3):776-790.

Sun H, Zhou B C, Li H, et al. A primary study on downscaling microwave soil moisture with MOD16 and SMAP [J]. Journal of Remote Sensing, 2021,25(3):776-790.

[13] 白淑英,史建桥,卜 军,等.近年来长江流域气溶胶光学厚度时空变化特征分析 [J]. 生态环境学报, 2012,21(9):1567-1573.

Bai S Y, Shi J Q, Bo J, et al. Spatio-temporal variations of aerosol optical depth in the Yangtze River Basin during 2000～2011 [J]. Ecology and Environmental Sciences, 2012,21(9):1567-1573.

[14] 孙忠保,程先富,夏晓圣.中国气溶胶光学厚度的时空分布及影响因素分析 [J]. 中国环境科学, 2021,41(10):4466-4475.

Sun Z B, Cheng X F, Xia X S. Spatial-temporal distribution and impact factors of aerosol optical depth over China [J]. China Environmental Science, 2021,41(10):4466-4475.

[15] Kustas W P, Norman J M, Anderson M C, et al. Estimating subpixel surface temperatures and energy fluxes from the vegetation index–radiometric temperature relationship [J]. Remote Sensing of Environment, 2003,85(4):429-440.

[16] Breiman L. Random Forests [J]. Machine Learning, 2001,45(1):5-32.

[17] Li L F, Franklin M, Girguis M, et al. Spatiotemporal imputation of MAIAC AOD using deep learning with downscaling [J]. Remote Sensing of Environment, 2020,237:1-17.

[18] Lipponen A, Kolehmainen V, Kolmonen P, et al. Model-enforced post-process correction of satellite aerosol retrievals [J]. Atmospheric Measurement Techniques, 2021,14(4):2981-2992.

[19] 王祎婷,谢东辉,李小文.构造地理要素趋势面的尺度转换普适性方法探讨 [J]. 遥感学报, 2014,18(6):1139-1146.

Wang Y T, Xie D H, Li X W. Universal scaling methodology in remote sensing science by constructing geographic trend surface [J]. Journal of Remote Sensing, 2014,18(6):1139-1146.

[20] Lary D J, Remer L A, Macneill D, et al. Machine learning and bias correction of MODIS aerosol optical depth [J]. IEEE Geoscience and Remote Sensing Letters, 2009,6(4):694-698.

[21] Sun Y L, Wang Z F, Du W, et al. Long-term real-time measurements of aerosol particle composition in Beijing, China: seasonal variations, meteorological effects, and source analysis [J]. Atmospheric Chemistry and Physics, 2015,15(17):10149-10165.

[22] Li L, Qian J, Ou C Q, et al. Spatial and temporal analysis of Air Pollution Index and its timescale-dependent relationship with meteorological factors in Guangzhou, China, 2001～2011 [J]. Environmental Pollution, 2014,190:75-81.

[23] Raes F, Dingenen R V, Vignati E, et al. Formation and cycling of aerosols in the global troposphere [J]. Atmospheric Environment, 2000,34(25):4215-4220.

[24] Cheng L, Li L, Chen L Q, et al. Spatiotemporal variability and influencing factors of aerosol optical depth over the Pan Yangtze River Delta during the 2014～2017 period [J]. International Journal of Environmental Research and Public Health, 2019,16(19):3522-3547.

[25] 景 悦,孙艳玲,高 爽,等.京津冀地区AOD时空变化及影响因子的地理探测 [J]. 干旱区地理, 2020,43(1):87-98.

Jing Y, Sun Y L, Gao S, Chen L, et al. Spatiotemporal variations of AOD and geographical detection of its influence factors in Beijing- Tianjin-Hebei region [J]. Arid Land Geography, 2020,43(1):87-98.

[26] He Q, Zhang M, Huang B. Spatio-temporal variation and impact factors analysis of satellite-based aerosol optical depth over China from 2002 to 2015 [J]. Atmospheric Environment, 2016,129:79-90.

[27] Aldabash M, Bektas Balcik F, Glantz P. Validation of MODIS C6.1and MERRA-2AOD using AERONET observations: A comparative study over Turkey [J]. Atmosphere, 2020,11(9):905-922.

[28] Li L L, Wang Y P. What drives the aerosol distribution in Guangdong - the most developed province in Southern China? [J]. Scientific Reports, 2014,4:5972-5980.

[29] Liu N, Zou B, Feng H H, et al. Evaluation and comparison of MAIAC, DT and DB aerosol products over China [J]. Atmospheric Chemistry and Physics, 2019,19(12):8243-8268.

[30] Mhawish A, Banerjee T, Sorek-Hamer M, et al. Comparison and evaluation of MODIS Multi-Angle Implementation of Atmospheric Correction (MAIAC) aerosol product over South Asia [J]. Remote Sensing of Environment, 2019,224:12-28.

[31] Tao M, Wang J, Li R, et al. Performance of MODIS high-resolution MAIAC aerosol algorithm in China: Characterization and limitation [J]. Atmospheric Environment, 2019,213:159-169.

[32] Yang J, Huang X. 30m annual land cover and its dynamics in China from 1990 to 2019 [J]. Earth System Science Data, 2021,13(8):3907-3925.

[33] Liu Y, Sarnat J A, Coull B A, et al. Validation of Multiangle Imaging Spectroradiometer (MISR) aerosol optical thickness measurements using Aerosol Robotic Network (AERONET) observations over the contiguous United States [J]. Journal of Geophysical Research: Atmospheres, 2004,109(6):1-9.

[34] 王劲峰,徐成东.地理探测器:原理与展望 [J]. 地理学报, 2017, 72(1):116-134.

Wang J F, Xu C D. Geodetector: Principle and prospective [J]. Acta Geographica Sinica, 2017,72(1):116-134.

[35] 李忠宾,王 楠,张自力,等.中国地区MODIS气溶胶光学厚度产品综合验证及分析 [J]. 中国环境科学, 2020,40(10):4190-4204.

Li Z B, Wang N, Zhang Z L, et al. Validation and analyzation of MODIS aerosol optical depth products over China [J]. China Environmental Science, 2020,40(10):4190-4204.

[36] 沈焕锋,李同文.大气PM2.5遥感制图研究进展[J]. 测绘学报, 2019,48(12):1624-1635.

Shen H F, Li T W. Progress of remote sensing mapping of atmospheric PM2.5[J]. Acta Geodaetica et Cartographica Sinica, 2019,48(12): 1624-1635.

[37] 杨艳春,李 娇,王阳萍.图像融合质量评价方法研究综述 [J]. 计算机科学与探索, 2018,12(7):1021-1035.

Yang Y C, Li J, Wang Y P.Review of image fusion quality evaluation methods [J]. Journal of Frontiers of Computer Science and Technology, 2018,12(7):1021-1035.

[38] 吴一全,史骏鹏.基于多尺度Retinex的非下采样Contourlet域图像增强 [J]. 光学学报, 2015,35(3):87-96.

Wu Y Q, Shi J P. Image enhancement in non-subsampled contourlet transform domain based on multi-scale retinex [J]. Acta Optica Sinic, 2015,35(3):87-96.

[39] Lyapustin A, Wang Y, Korkin S, et al. MODIS Collection 6MAIAC algorithm [J]. Atmospheric Measurement Techniques, 2018,11(10): 5741-5765.

[40] 张润森,濮励杰,刘 振.土地利用/覆被变化的大气环境效应研究进展 [J]. 地域研究与开发, 2013,32(4):123-128.

Zhang R S, Pu L J, Liu Z. Advances in research on atmospheric environment effects of land use and land cover change [J]. Areal Research and Development, 2013,32(4):123-128.

[41] 吴健生,王 茜,李嘉诚,等.PM2.5浓度空间分异模拟模型对比:以京津冀地区为例[J]. 环境科学, 2017,38(6):2191-2201.

Wu J S, Wang X, Li J C, et al. Comparison of models on spatial variation of PM2.5concentration: A case of Beijing-Tianjin-Hebei Region [J]. Environmental Science, 2017,38(6):2191-2201.

A downscaling model for satellite AOD product improvement in spatial resolution and accuracy.

ZHANG Hua-yu, ZOU Bin*, LIU Ning, LI Sha

(School of Geosciences and Info-physics, Central South University, Changsha 410083, China)., 2022,42(9)：4033～4042

The spatial resolution and accuracy of existing aerosol optical depth (AOD) products cannot satisfy the demand for fine-scale air pollution control. To make up for such deficiencies, this study proposed a novel modeling approach named Statistical Downscaling model combined with Bias Correction (SDBC). Based on the hypothesis of "spatial scale invariance", this model introduced additional spatial information of driving factors to downscale AOD products and further improved the accuracy of downscaled results using bias correction. Take 1-km resolution MAIAC AOD products as an example, we examined the proposed model in three typical areas: Beijing, Greater Bay Area, and Taiwan Island. Results showed that: (1) Digital elevation model, normalized difference vegetation index, population, and land cover were the fine driving factors affecting AOD variations. Taking these factors into consideration, the spatial downscaling model can effectively improve the spatial resolution (1km) of the original product to 500m, and the highest validated2was up to 0.88. (2) In addition, the accuracy of downscaled AOD products can be further improved by bias correction coupling with satellite observation geometry, quality flag, atmospheric water vapor column, aerosol model, and other factors. The validated2of the three areas were all larger than 0.85, and the highest was 0.93. (3) The information entropy evaluation results showed the 500m AOD product generated by the SDBC model increased the spatial information of the original MAIAC AOD product. Based on retaining the AOD spatial distribution pattern of the MAIAC AOD product, the details and texture features were enhanced, and the boundary phenomenon and mosaic effect were also eliminated. These results confirm that the SDBC model can effectively improve the spatial resolution and accuracy of existing AOD products simultaneously, which can lift the operational capability of remote sensing precision monitoring of atmospheric pollution in China.

MAIAC AOD；spatial downscaling；bias correction；trend surface；PM2.5

X511

A

1000-6923(2022)09-4033-10

2022-02-24

国家重点研发计划政府间国际科技创新合作项目(2021YFE0117100);国家自然科学基金资助项目(41871317);中南大学研究生自主探索创新项目(2021zzts0817)

*责任作者, 教授, 210010@csu.edu.cn

张华玉(1998-),女,湖南邵阳人,中南大学硕士研究生,主要研究方向为大气环境遥感.