長沙市MODIS氣溶膠光學厚度與PM2.5濃度的相關性研究

龔奕霖 吳鑫 張貴

摘? 要：利用MODIS數據研究區域大氣PM2.5濃度分布是環境動態監測的有效方法。獲取美國NASA發布的分辨率為3km的MOD光學厚度產品;提取2016年1月至2017年7月期間長沙市10個大氣監測站點的PM2.5濃度數據進行相關性分析，建立PM2.5濃度與AOD之間的線性、冪函數以及指數函數3種相關性模型;引入濕度影響因子建立大氣PM2.5濃度訂正模型，采用PM2.5濃度訂正模型訂正PM2.5濃度。結果表明：濕度訂正提高了PM2.5與AOD相關性，冪函數相關性模型的方差值相對其他2種模型較好，運用冪函數相關性模型研究長沙市MODIS氣溶膠光學厚度與PM2.5濃度的相關性較好。

關鍵詞：MODIS? 氣溶膠光學厚度? PM2.5

中圖分類號：X513 ? ?文獻標識碼：A 文章編號：1672-3791（2020）02（a）-0066-05

Abstract： Using MODIS data to study regional atmospheric PM2.5 concentration distribution is an effective method for environmental monitoring. A MOD optical thickness product with a resolution of 3km was obtained by American NASA， and the correlation analysis of the PM2.5 concentration data of 10 atmospheric monitoring stations in Changsha from January 2016 to July 2017 was extracted. The linear， power function and exponential function between PM2.5 concentration and AOD were established， and the humidity influence factors were introduced. The correction model of atmospheric PM2.5 concentration was established， and PM2.5 concentration correction model was used to correct PM2.5 concentration. The results showed that the correlation between PM2.5 and AOD was improved. The variance value of the power function correlation model was better than the other 2 models. The correlation between the MODIS aerosol optical thickness of MODIS and the concentration of PM2.5 was better with the power function correlation model.

Key Words： MODIS; AOD; PM2.5

PM2.5（空氣動力學直徑小于2.5μm的細顆粒物）會造成能見度下降[1]，并危害人的身體健康，對人們生活造成了極大的影響。目前全國各地均有多個站點對PM2.5等污染物進行監測，但數量仍然不足，并且地面監測站是基于該點的監測，不具有空間上的連續性。衛星遙感反演的AOD（Aerosol Optical Deep）則能夠提供大范圍連續的監測結果，并且與PM2.5存在一定的關系[2]，因此，研究AOD與PM2.5的相關性具有十分重要的意義[3]，國內外已經對此有不少的研究[4-5]。不少研究者利用多種回歸方法來量化二者的相關性[6]，建立了AOD與PM2.5之間的相關關系[7]，以研究細顆粒物污染情況和對人們的健康效應，并認為能夠提高遙感手段監測和估算地面細顆粒物質量濃度的能力[8]。利用AOD數據與衛星過境時刻的PM2.5小時平均值建立相關關系，相關系數存在很大的波動性[9]。對AOD和PM2.5進行相對濕度訂正后，相關系數整體上升[10]。該文以長沙為研究區域，利用MODIS氣溶膠光學厚度產品AOD與長沙空氣質量監測站點所測得的PM2.5質量濃度以及相對濕度因子進行AOD與PM2.5的相關性分析。

1? 數據資料和處理方法

1.1 Modis氣溶膠數據

MODIS AOD數據采用精度已得到廣泛驗證的美國NASA發布的MOD光學厚度產品（https：//ladsweb.modaps.eosdis.nasa.gov），分辨率3km。

1.2 監測站點及PM2.5濃度數據

PM2.5質量濃度觀測數據來源于全國城市空氣質量實時發布平臺。數據包含周期（2016年1月至2017年7月）的中國湖南長沙地區10個空氣質量監測點（見圖1）逐小時平均 PM2.5濃度地面觀測值。以此數據為基礎，生成Terra衛星過境前后2h的PM2.5平均值。

1.3 數據匹配

為了準確反映AOD與PM2.5的對應關系，從氣溶膠產品中提取監測點所在位置周圍個像元范圍的AOD數據，計算平均值。剔除掉因為云遮擋等原因所造成的AOD缺失。對于PM2.5數據，同樣剔除缺失數據，與AOD同一天數據進行匹配。得到的有效數據如表1所示。

2? 曲線擬合與濕度訂正

2.1 AOD與原始PM2.5擬合

獲取相匹配的AOD與PM2.5數據之后，我們將兩者進行線性擬合，結果如表2所示。

表2是MODIS AOD與PM2.5原始數據的線性擬合情況。我們可以看到長沙地區的AOD與PM2.5的相關性較低，選用效果稍好一點的冪函數和指數函數得到的R2也較低。地面監測站點所測得的PM2.5濃度的是在標準狀態（0℃，101.3kPa）下測定的，而AOD是在當時的大氣環境中得到的，它們之間的關系受到多種因素的影響，因而在相關性分析中會出現較大的偏差。相關研究表明，由于氣溶膠垂直分布不均的特性，氣溶膠標高對兩者相關性影響很大，其次它還受相對濕度、降雨、風速、溫度等氣象條件的影響，特別是相對濕度能夠使水溶性氣溶膠顆粒吸濕膨脹數倍。因此，直接擬合得到的結果相關性較低。

2.2 濕度訂正

大氣氣溶膠的吸濕性質，是聯系氣溶膠微物理、化學參數的橋梁和紐帶之一，更是氣溶膠光學性質的決定性參數之一，因此氣溶膠吸濕性質在整個大氣氣溶膠科學研究中處于基礎地位。親水性干粒子吸濕后，其粒子直徑有明顯的增長，而折射指數單調較小。這樣就導致相同濃度氣溶膠在吸濕前后或者組分不同的情況下表現出不同的消光特性。相對濕度因子會對PM2.5粒子的粒徑分布、復折射率和形態等產生影響，尤其在相對濕度較高的情況下，會對AOD產生很大的影響。因此，我們對結果進行了濕度訂正。而地面監測可吸入顆粒物一般是在干燥的條件下進行的，得到的是干燥環境下的粒子質量濃度。將氣溶膠光學厚度化為顆粒物質量濃度，還需要進行濕度訂正，將濕粒子的消光系數轉化為干粒子消光系數，以減少粒子吸濕特性造成的不確定性。

該文所采用的是相對濕度訂正因子經驗模型：

濕度訂正采用下上公式得到訂正后的數據，得到長沙10個站點的擬合結果。我們選用傳統的線性擬合和經過比較得到效果較好的冪函數和指數函數進行擬合，結果見圖2。利用反演的AOD值與對應時間段的PM2.5濃度小時均值進行相關性分析，得出兩者相關性以及相應的線性擬合結果。整個時間跨度（2016年1月至2017年7月）數據的相關性為較好，具有一定的相關性，擬合方程如表3所示，R2值較低，僅為0.4左右，線性擬合效果一般。有國外學者Schaap等在使用MODIS AOD與PM2.5進行相關性分析時，R2達到0.5以上，與該文存在較大的差異，Schaap等的研究位于荷蘭，其氣候、地貌都與長沙市存在明顯的差異，這是造成結果有出入的一個重要因素。

對長沙10個監測站點的AOD與PM2.5濃度值進行相關性分析，發現其相關性有明顯的時空差異，郊區明顯好于市區。位于湘江西的監測站點明顯好于江東。其中尤其位于江東的伍家嶺AOD與PM2.5的相關性最低，分別是0.266。位于城鄉結合處的沙坪站點相關系數為0.45。

該文使用的反演方法是暗像元法，植被覆蓋度高的區域，其反演效果明顯好過植被覆蓋度低、亮目標較多的市區。植被覆蓋度對暗像元反演算法的影響，是AOD與PM2.5的相關性在市區與郊區出現較大差異的一個重要因素。

10個站點的擬合公式以及R2值如下表3所示。

通過表3各站點AOD與PM2.5擬合模型我們可以發現，經過濕度訂正后，3種擬合模型的R2基本上都較高。其中冪函數的R2較高且非常穩定，在各個站點均有較好的擬合效果。線性擬合函數低于冪函數和指數函數，且在伍家嶺站點出現了0.0777這樣的特別低的值。長沙城區的AOD與PM2.5經濕度訂正之后的值之間存在著一定的統計關系，且冪函數效果最佳。同時，湘江南北兩邊的監測站點的PM2.5分布也呈現出一定的對比，長沙城區的南高北低容易導致累積形成二次顆粒物，驗證了數據的準確性。灰霾天氣時，風速較小，基本處于靜風狀態，空氣流動能力弱，灰霾不易吹散，AOD濃度偏大，PM2.5不易擴散、稀釋甚至清除，環境污染程度顯著加重。可見，城區的灰霾天氣對大氣顆粒物影響很強。MODIS AOD數據可以作為PM2.5濃度地面監測的有效補充手段。

由前文可知，AOD與PM2.5線性回歸擬合的效果一般，雖然在個別站點取得較好的R2，但是總體相關性分析時，R2較偏小。因此，該文選用多個常用的回歸模型，來比較擬合效果。這里選用的模型有冪函數和指數函數，各站點的模型擬合曲線如圖2所示。

3? 分析和結論

（1）2016年1月至2017年7月的長沙地區AOD與PM2.5直接擬合效果較差。在以前的對象為較小空間范圍的研究結果中，也存在相關性較高和較低兩種情況，這說明AOD和PM2.5因為各個區域氣象條件等因素影響，擬合效果并不穩定，經過相對濕度校正以后兩者相關性有較大提高。

（2）發現AOD和PM2.5均有明顯的變化特征。在不同監測站點上，兩者相關性差異明顯，郊區站點明顯好于市區站點。對兩者進行函數擬合，在常用的函數模型中，冪函數的擬合效果好于其他函數，但R2仍偏低。

（3）該實驗還存在著一些不足，比如文中各站點使用的濕度數據均為長沙站點這一個站點的數據，但實際各站點的濕度會有差異，有待在以后的研究中會進一步改進。經過研究，利用MODIS氣溶膠數據監測PM2.5具有可行性，反演算法和研究區的氣象條件則是研究過程中需要考慮的重要因素。因此，MODIS AOD數據可以作為PM2.5濃度地面監測的有效補充手段。

參考文獻

[1] 吳健生，王茜.基于AOD數據反演地面PM2.5濃度研究進展[J].環境科學與技術，2017，40（8）：68-76.

[2] 石益，陶劍，王杰，等.探究AOD與PM2.5關系的一般性方法[J].綠色科技，2017（14）：16-18.

[3] 趙曉亮，孫杰，馮銀廠，等.阜新市MODIS AOD與大氣PM2.5濃度相關性研究[J].地球與環境，2017，45（3）：283-289.

[4] 李昕.基于MODIS的AOD反演與PM2.5時空變化分析與監測[D].山東農業大學，2017.

[5] 王偉齊，張成網，臧增亮，等.Terra和Aqua衛星MODIS 3kmAOD與北京PM2.5對比分析[J].氣象科學，2017，37（1）：93-100.

[6] 亢紅霞，那曉東，臧淑英.基于衛星遙感數據（AOD）估算PM2.5的研究進展[J].環境科學與管理，2016，41（2）：30-34.

[7] 趙志強，李愛農，邊金虎，等.基于改進暗目標法山區HJ CCD影像氣溶膠光學厚度反演[J].光譜學與光譜分析，2015，35（6）：1479-1487.

[8] 章明.基于Spot Vegetation的海南島植被類型NDVI變化特征研究[D].西南大學，2009.

[9] 姬大彬.基于MODIS數據的高分辨率氣溶膠光學厚度反演[D].山東科技大學，2009.

[10] 符靜，秦建新.湖南省植被覆蓋遙感反演信息量化統計[J].湖南師范大學自然科學學報，2017，40（5）：1-7.