利用高分一號衛星監測開封地區PM2.5

侯愛華， 高 偉， 王中挺， 汪 霖

(1.西安理工大學高等技術學院，西安 710048； 2.陜西省地方稅務局，西安 710048； 3.環境保護部衛星環境應用中心，北京 100094； 4.西北大學信息科學與技術學院，西安 710127)

利用高分一號衛星監測開封地區PM2.5

侯愛華1， 高 偉2， 王中挺3， 汪 霖4

(1.西安理工大學高等技術學院，西安 710048； 2.陜西省地方稅務局，西安 710048； 3.環境保護部衛星環境應用中心，北京 100094； 4.西北大學信息科學與技術學院，西安 710127)

PM2.5是影響開封地區空氣質量的首要污染物，利用衛星遙感手段可以快速獲得PM2.5濃度的空間分布。通過采用過境開封市的GF-1衛星數據，獲取氣溶膠光學厚度，結合地面PM2.5監測數據與邊界層高度、相對濕度和氣溫等輔助數據，采用多元線性回歸，建立了基于GF-1的PM2.5遙感反演模型。研究表明，2015年6—9月GF-1數據反演得到的PM2.5濃度與地面監測結果較為接近，且有較高的相關性； 加入地理加權回歸能明顯提高模型精度，較好地反映PM2.5的空間分布； 但在PM2.5濃度較高時，該模型會出現低估現象。

高分一號； 遙感； PM2.5； 開封市； 多元線性回歸

0 引言

PM2.5是指懸浮在空氣中空氣動力學直徑小于2.5 μm的氣溶膠顆粒物，也稱為“細顆粒物”，主要由人為排放的硫酸鹽、硝酸鹽、銨鹽、黑碳和揮發性有機化合物等組成。與TSP和PM10等顆粒物相比，PM2.5由于粒子直徑較小，容易附著重金屬和微生物等有毒有害物質，且能夠穿過鼻腔和呼吸道抵達人體的肺泡區，給人體健康帶來較大的影響； 對可見光消光強烈，高濃度時會使能見度急劇降低，以致引發交通事故，造成高速公路封閉和航班延誤等情況； 對太陽輻射的散射與吸收，也會影響長時間的氣候變化。

近年來，我國空氣中的細顆粒物污染十分嚴重。Van Donkelaar等[1]研究表明我國的華北、華東和華中等地是全球細顆粒物濃度最高的地區。《2014中國環境狀況公報》顯示2014年我國PM2.5平均濃度為64 μg·m-3，達標城市比例僅為12.2%[2]。雖然地面站點的PM2.5數據能夠獲取站點所在地的PM2.5污染特征，但有限的站點不能完全反映PM2.5的空間分布狀況。衛星傳感器能夠在大空間范圍內連續、動態獲取大氣信息，隨著MODIS，MISR，OMI和FY-3等針對大氣監測的衛星傳感器數據的涌現，衛星遙感技術越來越多地被應用于細顆粒物污染等空氣質量監測中。采用MODIS等遙感數據獲取PM2.5濃度的空間分布，不僅能夠彌補地面站點不足的劣勢，還能得到大氣污染的區域性分布特征，為推動大氣環境質量改善提供數據支撐。

PM2.5遙感監測一般是先由衛星遙感得到的氣溶膠光學厚度(aerosol optical depth，AOD)，綜合考慮邊界層高度和相對濕度等其他相關因素，利用多元線性回歸和神經網絡等數學方法建立反演模型，得到PM2.5濃度。Liu 等[3]考慮氣象因素和地理位置特征影響，利用MISR氣溶膠產品建立了PM2.5回歸關系模型，估算了美國東部地區細顆粒物排放濃度； Van Donkelaar 等[1]利用MODIS和MISR等傳感器的氣溶膠產品，結合大氣化學傳輸模式，得到2001—2006 年6 a間全球PM2.5分布； Wu等[4]利用BP神經網絡模型研究了我國東部地區PM2.5與MODIS氣溶膠產品之間的相關關系，并將BP神經網絡模型應用于PM2.5的反演； Wang等[5]將MODIS氣溶膠產品經過高度和濕度訂正后，研究其與細顆粒物的關系，建立了北京地區細顆粒物的遙感反演模型； Lin等[6]考慮了氣溶膠的吸濕增長、消光效率和譜分布等特性的影響，定量反演了我國PM2.5的時空分布； 陳輝等[7]在京津冀地區將2013年1—3月MODIS深藍算法的氣溶膠產品利用氣象模式數據進行高度和濕度訂正，進而建立PM2.5反演模型； 賈松林等[8]利用MODIS氣溶膠產品分析了一元簡單線性模型、多元線性和非線性回歸模型在北京及附近地區監測細顆粒物的應用效果； 徐建輝等[9]在長江三角洲構建了PM2.5的遙感反演模型。

高分一號衛星(簡稱GF-1)是我國高空間分辨率對地觀測系統的首顆衛星，其遙感數據目前已在資源調查和環境監測等方面得到了廣泛應用。但利用GF-1的高空間分辨率數據，開展地區尺度的細顆粒物空間分布監測工作還較少。利用GF-1數據，以開封市為研究區獲取PM2.5濃度的空間分布，以期促進國產高空間分辨率數據在大氣質量監測中的應用。

1 研究區概況及數據源

1.1 研究區概況

開封市位于河南省中東部，北臨黃河，是全國著名旅游城市之一。該區屬于暖溫帶大陸性季風氣候，年均氣溫在14℃左右，年均降水量約700 mm，且多集中在夏季7—8月份； 行政區劃面積為6 000 km2，總人口超過500萬； 經濟以工業為主體，第二產業占經濟總量的一半； 以旅游為主的第三產業也超過了經濟總量的三分之一[10]。

近年來，隨著經濟的發展，空氣污染問題也在開封市逐漸凸現。地面監測數據表明[11]，開封市的大氣污染較嚴重，空氣質量整體較差，2013年全年開封市的空氣質量達標率為31%，以PM2.5污染為主，年均PM2.5濃度超過100 μg·m-3，通常冬季較高，夏季較低[12]。

1.2 數據源

GF-1屬于太陽同步衛星，共搭載有4臺中等空間分辨率相機(WFV相機)，空間分辨率能達到16 m，共有藍光、綠光、紅光和近紅外4個波段，每個相機幅寬為200 km，4臺相機聯合觀測可以4 d覆蓋中國一次[13]。選擇2015年6—9月10 d 的GF-1數據為數據源，采用暗目標算法[14]，利用藍光和紅光波段的地表反射率線性關系從GF-1 WFV相機的表觀反射率去除地表反射影響獲取AOD分布，AOD反演結果與地基觀測結果有較大的相關性(相關系數優于0.8)。

地面站點的PM2.5監測數據均來自中國環境監測總站的全國城市空氣質量實時發布平臺(http: //106.37.208.233: 20035/)。目前研究區內共有4個地面站點，分別為河大一附院、腫瘤醫院、婦幼保健院和世紀星幼兒園。2015年6—9月間，GF-1過境開封市時的PM2.5監測數據共計獲取39個。

基于美國NCEP再分析數據資料獲取邊界層高度(height of planetary boundary layer, HPBL)、相對濕度(relative humidity, RH)和溫度(atmosphere temperature, AT)等數據，空間分辨率為0.5°×0.5°。但由于GF-1數據與NCEP再分析數據的采樣時間、投影方式和空間分辨率不同，還需一定的預處理步驟： ①GF-1過境時間大約為北京時間11：30，提取時間最接近的NCEP數據為北京時間14：00； ②統一投影為等經緯度投影； ③利用雙線性插值法，將NCEP再分析數據和GF-1 AOD數據重采樣為0.003°； ④提取地面觀測站點周圍10 km范圍內的AOD，HPBL，RH和AT等數據，求取平均值，得到相應比對數據集。經過重投影、重采樣和空間平均后，剔除無效數據，共獲取117個AOD，HPBL，RH和AT等數據。

2 模型建立

遙感反演得到的AOD是整層氣溶膠粒子消光系數的積分，即

(1)

式中：τ為AOD；k為海拔為z時的氣溶膠消光系數，近地面(z=0)的氣溶膠消光系數可以看作是不同粒子消光系數Q的積分，即

(2)

式中：n(r)為氣溶膠的譜分布函數；r為氣溶膠粒子半徑。

地基監測近地表細顆粒物PM2.5濃度可表示為

(3)

式中ρ為較干燥條件下(RH<40%)氣溶膠粒子的密度。

從式(3)可以看出，理論上，通過氣溶膠粒子的n(r)、消光系數的垂直分布、ρ及濕度增長等參數，可以從AOD獲得PM2.5濃度。但在實際反演中，由于氣溶膠構成復雜和吸濕增長等原因，無法完全準確獲取PM2.5反演時所需的全部參數。因此，通過分析近地面PM2.5濃度與AOD以及相關的HPBL，RH和AT等參數之間的關系，建立PM2.5濃度反演模型。

研究表明[8]，PM2.5濃度與AOD，HPBL，RH和AT等參數之間可以用冪指函數的多元回歸模型形式表示，即

PM2.5=ea0AODa1HPBLa2ea3RH+a4AT。

(4)

將公式(4)兩邊取自然對數，可得

ln(PM2.5)=a0+a1AOD+a2HPBL+a3RH+a4AT，

(5)

式中a0，a1，a2，a3和a4分別為多元線性回歸系數。

由于地表類型的變化，各個地理位置的回歸關系也不同，可將上式擴展為隨地理位置變化的地理加權回歸模型(geographically weighted regression, GWR)，第i個地面站點的回歸模型為[15]

ln(PM2.5(i))=a0(i)+a1(i)AOD+a2(i)HPBL+a3(i)RH+a4(i)AT。

(6)

3 結果與分析

3.1 數據分析

實驗數據各參量統計結果如表1所示。

表1 各參量統計信息Tab.1 Statistical features of all variables

從表1可以看出，2015年6—9月期間開封空氣質量較好，PM2.5平均值和中位數均小于75 μg·m-3，屬于二級良； 而AOD則整體較高，平均值在1.5左右，這可能是GF-1暗目標算法反演結果偏高的原因[14]； 由于觀測時間在夏秋季，空氣垂直對流較強，邊界層高度較高，整體大于1.5 km； 氣溫也較高，整體在300 K以上，即20℃以上； 由于開封市較為干燥，整體相對濕度不高，小于40%。

3.2 反演模型

將實驗數據帶入式(5)—(6)進行多元線性回歸，得到PM2.5反演模型中AOD，HPBL，RH和AT等變量的整體及各站點的回歸系數如表2所示。

表2 GF-1 PM2.5反演模型回歸系數Tab.2 Regression coefficients of GF-1 PM2.5 retrieval model

3.3 應用及結果驗證

選擇該區3景GF-1數據,分別為2015年6月19日WFV2數據、2015年7月14日WFV3數據和2015年8月3日WFV2數據，進行了PM2.5遙感反演模型應用。基于這3景數據，利用暗目標法獲得AOD，然后選取同期的NCEP資料的HPBL，RH和AT數據，利用上述PM2.5遙感反演模型對開封市的PM2.5濃度進行遙感監測，獲得研究區反演結果如圖1所示。

(a) 2015年6月19日 (b) 2015年7月14日(c) 2015年8月3日

圖1GF-1遙感反演開封市PM2.5濃度分布

Fig.1PM2.5concentrationinKaifengCityretrievedfromGF-1

從圖1可以看出，利用GF-1數據，該模型較好地反映了開封市PM2.5濃度的空間分布。6月19日，開封市出現了較嚴重的空氣污染，大部分地區的PM2.5濃度大于75 μg·m-3，在中心城區和東北部的封丘明顯高于其他地區，超過了100 μg·m-3； 7月14日，開封市空氣質量整體達標，大部分地區均在50 μg·m-3以下，但開封市區及其東部，出現了較明顯的污染帶，PM2.5濃度整體大于75 μg·m-3； 8月3日，開封市空氣質量整體較好，在20 μg·m-3以下，開封市區要高于其他地區，在20～30 μg·m-3之間，但在西北部出現零星高值區，是受到薄云影響，導致PM2.5濃度高估。

利用2015年6—9月的地面數據進行了結果驗證，如圖2所示。

(a) 多元線性回歸 (b) 地理加權回歸

圖2地面監測PM2.5濃度與GF-1反演結果散點圖

Fig.2ScatterplotsofPM2.5concentrationbetweenground-basedmeasurementsandGF-1retrievalresults

從圖2可以看出，GF-1數據反演得到的開封市PM2.5濃度與地面監測結果有著較好的相關性，相關系數優于0.8，采用地理加權回歸結果明顯高于常規多元線性回歸的結果。統計分析表明，GF-1數據常規多元線性回歸反演得到的PM2.5平均值為64.612 μg·m-3，中位數為64.283 μg·m-3； 采用地理加權回歸反演，PM2.5平均值為65.616 μg·m-3，中位數為63.277 μg·m-3； 遙感反演結果與地面觀測結果較為接近。但遙感反演得到的PM2.5最大值，明顯低于地面監測結果，結合圖1也可以看出，在PM2.5濃度較高時，該模型會產生低估。

4 結論與展望

作為中原城市群的重要城市，開封市的PM2.5污染已經得到了越來越多的關注。利用2015年6—9月GF-1衛星數據開展了開封市的PM2.5遙感監測工作，得到以下結論：

1)由于云等因素的影響，2015年6—9月間開封市僅獲取了10 d GF-1的監測結果，AOD整體較高，平均值約為1.5。

2)由于處于夏秋季節，2015年6—9月開封市的邊界層高度較高，整體大于1.5 km； 溫度較高，整體高于20℃； 但由于開封市的氣候較為干燥，相對濕度不高，小于40%。

3)利用多元線性回歸方法，結合邊界層高度、相對濕度和溫度等輔助數據，建立了基于GF-1的PM2.5反演模型，模型反演結果與地面觀測結果較為接近，相關系數高于0.8。

4)基于GF-1的PM2.5反演模型，在2015年6月19日、7月14日和8月3日的應用結果表明，該模型較好地反映了開封市的PM2.5濃度的空間分布，但在PM2.5濃度較高時，存在著低估現象。

顯然，在利用GF-1數據進行 PM2.5遙感監測中，仍存在一些問題需要在下一步的工作中改進。GF-1的4臺WFV相機，4 d能夠覆蓋同一地區一次，考慮到云等情況的影響，重復觀測一個地區的間隔會更長，這遠遠不能滿足對隨時間變化較快的細顆粒物監測的需要，因而今后可考慮與Suomi-NPP等其他極軌觀測衛星以及GF-4等靜止衛星數據的結合應用，以提高觀測的時間分辨率； 僅采用夏秋季節開封市的4個城區內觀測站點的地面數據擬合PM2.5濃度的反演參數，對開封市整個地區的代表性不強，故今后需引入不同季節、更多地段的地面觀測數據以提高模型的適用性； 此外，氣溶膠光學厚度與PM2.5濃度之間的關系還受到氣溶膠消光效率和譜分布特征等因素影響，因此還需要將更多的影響因子引入相關的反演模型，以提高反演精度。

志謝： 本文的PM2.5數據由中國環境監測總站提供，NECP數據由美國國家環境預報中心提供，在此表示感謝。

[1] Van Donkelaar A,Martin R V,Park R J.Estimating ground-level PM2.5 using aerosol optical depth determined from satellite remote sensing[J].Journal of Geophysical Research,2006,111(D21):D21204.

[2] 中華人民共和國環境保護部.2014中國環境狀況公報[EB/OL].(2015-06-06)[2016-03-01].http://www.zhb.gov.cn/gkml/hbb/qt/201506/t20150604_302942.htm.

Ministry of Environmental Protection of the People’s Republic of China. Bulletin of China’s environmental conditions in 2014[EB/OL].(2015-06-06)[2016-03-01].http://www.zhb.gov.cn/gkml/hbb/qt/201506/t20150604_302942.htm.

[3] Liu Y,Sarnat J A,Kilaru V,et al.Estimating ground-level PM2.5 in the eastern United States using satellite remote sensing[J].Environmental Science and Technology,2005,39(9):3269-3278.

[4] Wu Y R,Guo J P,Zhang X,et al.Correlation between PM concentrations and aerosol optical depth in eastern China based on BP neural networks[C]//2011 IEEE international geoscience and remote sensing symposium.Vancouver,BC,Canada:IEEE,2011:3308-3311.

[5] 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.

[6] Lin C Q,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.

[7] 陳 輝,厲 青,王中挺,等.利用MODIS資料監測京津冀地區近地面PM2.5方法研究[J].氣象與環境學報,2014,30(5):27-37.

Chen H,Li Q,Wang Z T,et al.Study on monitoring surface PM2.5 concentration in Jing-Jin-Ji regions using MODIS data[J].Journal of Meteorology and Environment,2014,30(5):27-37.

[8] 賈松林,蘇 林,陶金花,等.衛星遙感監測近地表細顆粒物多元回歸方法研究[J].中國環境科學,2014,34(3):565-573.

Jia S L,Su L,Tao J H,et al.A study of multiple regression method for estimating concentration of fine particulate matter using satellite remote sensing[J].China Environmental Science,2014,34(3):565-573.

[9] 徐建輝,江 洪.長江三角洲PM2.5質量濃度遙感估算與時空分布特征[J].環境科學,2015,36(9):3119-3127.

Xu J H,Jiang H.Estimation of PM2.5 concentration over the Yangtze delta using remote sensing:Analysis of spatial and temporal variations[J].Environmental Science,2015,36(9):3119-3127.

[10] 開封市政府.2015年開封市政府工作報告[EB/OL].(2015-02-25)[2015-03-01].http://www.kaifeng.gov.cn/.

Kaifeng City Government. Report on the work of the Kaifeng government in 2015[EB/OL].(2015-02-25)[2015-03-01].http://www.kaifeng.gov.cn/.

[11] 環境保護部.GB 3095—2012環境空氣質量標準[S].北京:中國環境科學出版社,2016.

Ministry of Environmental Protection of RPC.GB 3095—2012 Ambient air quality standard[S].Beijing:China Environmental Science Press,2016.

[12] 鄭 瑤,邢夢林,申 劍,等.環境空氣質量新標準對鄭州和開封空氣質量評價的影響[J].中國環境監測,2015,31(2):35-38.

Zheng Y,Xing M L,Shen J,et al.Influence of the new national air quality standard on the air quality assessment in Zhengzhou and Kaifeng[J].Environmental Monitoring in China,2015,31(2):35-38.

[13] 白照廣.高分一號衛星的技術特點[J].中國航天,2013(8):5-9.

Bai Z G.Technical characteristics of GF-1 satellite[J].Aerospace China,2013(8):5-9.

[14] 王中挺,辛金元,賈松林,等.利用暗目標法從高分一號衛星16m相機數據反演氣溶膠光學厚度[J].遙感學報,2015,19(3):530-538.

Wang Z T,Xin J Y,Jia S L,et al.Retrieval of AOD from GF-1 16 m camera via DDV algorithm[J].Journal of Remote Sensing,2015,19(3):530-538.

[15] 陳 輝,厲 青,張玉環,等.基于地理加權模型的我國冬季PM2.5遙感估算方法研究[J].環境科學學報,2016,36(6):2142-2151.

Chen H,Li Q,Zhang Y H,et al.Estimations of PM2.5 concentrations based on the method of geographically weighted regression[J].Acta Scientiae Circumstantiae,2016,36(6):2142-2151.

EstimationofPM2.5concentrationfromGF-1datainKaifengCity

HOU Aihua1, GAO Wei2, WANG Zhongting3, WANG Lin4

(1.TheFacultyofHighVocationalEducation,Xi’anUniversityofTechnology,Xi’an710048,China; 2.ShaanxiLocalTaxationBureau,Xi’an710048,China; 3.SatelliteEnvironmentCenter,MinistryofEnvironmentalProtection,Beijing100094,China; 4.SchoolofInformationScienceandTechnology,NorthwestUniversity,Xi’an710127,China)

PM2.5is the key air pollution for air quality of Kaifeng City. With remote sensing technology, the distribution of PM2.5concentration could be determined quickly. In this paper, the authors collected the aerosol optical depth (AOD) of GF-1, height of planetary boundary layer (HPBL), relative humidity (RH) and air temperature (AT) over Kaifeng City and then, with multiple regression analysis, revised the coefficients of all variables. After that, the authors built the PM2.5retrieving model from GF-1 in Kaifeng City. The validation from June to September in 2015 showed that the PM2.5concentration from remote sensing was similar to that from four ground-level monitoring sites, and the correlation coefficient was higher than 0.8. The result of geographically weighted regression (GWR) was obviously better than that of no GWR. Nevertheless, when PM2.5concentration was high, the model would underestimate PM2.5concentration.

GF-1； remote sensing； PM2.5； Kaifeng City； multiple regression method

10.6046/gtzyyg.2017.04.24

侯愛華,高偉,王中挺,等.利用高分一號衛星監測開封地區PM2.5[J].國土資源遙感,2017,29(4):161-165.(Hou A H,Gao W,Wang Z T,et al.Estimation of PM2.5concentration from GF-1 data in Kaifeng City[J].Remote Sensing for Land and Resources,2017,29(4)：161-165.)

TP 79

A

1001-070X(2017)04-0161-05

2016-05-05；

2016-07-19

國家自然科學基金項目“多角度標量信號輔助多角度偏振算法反演陸地氣溶膠”(編號： 41301358)資助。

侯愛華(1969-),女,副教授,研究方向為應用數學、空間統計等。Email： airrs2015@sina.com。

汪 霖(1983-)，男，講師，研究方向為三維復雜環境感知。Email： wanglin@nwu.edu.cn。

(責任編輯：陳理)