基于遙感數據估算近地面PM2.5濃度的研究進展

楊曉輝，肖登攀*，王 衛，柏會子，唐建昭，范麗行

1. 河北省科學院地理科學研究所, 河北省地理信息開發應用工程技術研究中心, 河北 石家莊 050011

2. 河北師范大學地理科學學院, 河北 石家莊 050024

3. 河北省環境演變與生態建設實驗室, 河北 石家莊 050024

隨著全球城市化和工業化的快速發展，空氣污染物人為排放量居高不下，其中PM2.5(粒徑≤2.5 μm的細顆粒物)已成為空氣污染最嚴重的污染物之一. 研究[1-3]表明，短期或長期接觸PM2.5會對人類健康產生不利影響，導致慢性阻塞性肺炎、心臟病和癌癥等疾病的發病率及死亡率均增加. 世界衛生組織(WHO)相關數據[4]表明，每年約有420和700萬人死于環境空氣污染和顆粒物空氣污染. 在中國，特別是一些高人口密度、高污染地區(如京津冀地區[5]、長三角地區[6-7])，PM2.5污染是導致人口過早死亡的主要風險因素之一[8]. 目前，PM2.5污染已成為公眾、科研人員和政策制定者關注的焦點問題.

PM2.5濃度及空間分布的監測手段主要包括地基監測和衛星遙感反演. 地基監測得到的監測結果較精確，但往往站點數量有限，分布稀疏且不均勻，使得監測結果缺乏空間連續性. 我國在2013年才建立地基監測網絡，長期歷史監測和數據空間連續性的缺失，導致針對PM2.5慢性影響的流行病學與健康效應研究相對有限. 遙感監測技術可利用衛星反演的氣溶膠光學厚度(aerosol optical depth，AOD)對研究區域內PM2.5進行廣泛監測，能夠彌補地面監測站點“空間有限性”這一缺點[9-11]. AOD是衡量氣溶膠阻止光穿透大氣層程度的物理量，描述氣溶膠對光的削減作用. 在可見光和近紅外波段反演的AOD對粒徑大小在0.1～2 μm之間(接近PM2.5的粒徑)的顆粒最敏感，是建立AOD-PM2.5相關關系的重要理論基礎[12-13]. 研究者開始不斷探索并建立二者之間關系的模型，并通過提高AOD的時空分辨率以及加入各種相關變量來提高模型模擬的精度，以期更加精確地估算近地面PM2.5濃度.

該研究對反演AOD數據集和PM2.5濃度估算模型兩個方面的研究和發展趨勢進行總結，結合國內外相關研究現狀，從軌道運行類型入手，比較各類型傳感器的優缺點，并對AOD插補方法進行詳細分析，此外對PM2.5的估算模型作了分類和比較，以期為控制PM2.5污染提供方法論基礎.

1 AOD數據集

1.1 AOD衛星傳感器

用于估算近地面PM2.5濃度的AOD產品有多種來源，并且不同數據源分辨率不同. 目前，遙感衛星可以搭載在兩種不同軌道上反演AOD，分別為近地軌道(LEO)和地球同步軌道(GEO). 用于AOD反演的LEO衛星傳感器主要有甚高分辨率掃描輻射計(AVHRR)、臭氧監測儀(OMI)、中分辨率成像光譜儀(MODIS)、多角度成像光譜儀(MISR)、地球反射偏振測量儀(POLDER)、云-氣溶膠正交極化激光雷達(CALIOP)、可見光/紅外成像輻射儀(VIIRS)和電荷耦合元件成像儀(CCD)等；GEO衛星傳感器主要有地球同步海洋水色成像儀(GOCI)、先進葵花成像儀(AHI)、多通道掃描成像輻射計(AGRI)、旋轉增強型可見光和紅外成像儀(SEVIRI)、可見紅外自旋掃描輻射計(VISSR)和先進基線成像儀(ABI)等. 各種檢索氣溶膠信息的衛星傳感器屬性如表1所示.

表1 提供氣溶膠信息的主要衛星傳感器產品Table 1 The main satellite sensors products providing aerosol information

LEO衛星提供的AOD產品具有廣闊的空間覆蓋和高空間分辨率，但只能每日或幾日獲取一次全球氣溶膠觀測數據. 因此，利用LEO衛星反演的AOD產品可以估算近地面PM2.5的日、月、年濃度，但每小時PM2.5濃度的估算受到輸入數據的限制. 此外，由于LEO是極軌衛星，不能對某星下點連續觀測，所以LEO衛星無法同時產生具有更高時間分辨率和更精細空間分辨率的圖像[14]. 為了研究PM2.5及其閾值濃度對健康的急性影響，需要對PM2.5濃度進行高時間頻率的小時估算，運行在GEO軌道上的地球同步衛星的發展提供了按小時反演AOD的可能性. GEO衛星有助于監測動態變化，并可提供白天地球固定位置的高頻觀測，包括在復雜大氣條件下變化非常快的AOD[15]. 但這些產品空間覆蓋范圍局限于特定區域，AOD的檢索算法開發和研究周期相對較短.

1.2 AOD產品

搭載在美國國家航空航天局(NASA)Terra (當地過境時間10:30)和Aqua (當地過境時間13:30)衛星上運行的MODIS，是全球氣溶膠反演使用最廣泛的傳感器[16]，每1～2 d能夠實現全球覆蓋，具有可靠的質量和直接可用性. 目前，MODIS AOD產品包括三類算法，分別為暗目標(DT)算法、深藍(DB)算法和多角度大氣校正(MAIAC)算法[17]. DT算法適用于黑暗的陸地表面，如植被覆蓋區；DB算法適合于明亮陸地表面；MAIAC算法在暗表面上的精度與DT算法相當或更高，在亮表面上的精度通常高于DB算法. DT和DB算法反演的AOD數據空間分辨率分為10和3 km兩種，MAIAC算法反演的AOD空間分辨率為1 km. 許多研究比較MODIS三種不同空間分辨率數據估算近地面PM2.5濃度的效果，發現隨著空間分辨率的提高，模擬效果越好，提供的PM2.5濃度空間分布細節更精細[18-20].

不同于MODIS的單一星下觀測點，同樣搭載在Terra衛星上發射的MISR傳感器通過多個傾斜角度和多通道對大氣進行觀測，具有強大的氣溶膠反演算法功能，空間分辨率為17.6 km (Version 22)，其數據質量在多地得到了驗證[21-22]. 2017年，MISR氣溶膠團隊推出了空間分辨率為4.4 km的MISR AOD產品(Version 23)[23]. 2020年，Si等[24]驗證了2008-2017年4.4 km MISR AOD產品在中國的質量，其與AERONET (氣溶膠地基觀測網絡)的相關系數(R)達0.90；并與2016年MODIS (Terra) 3 km AOD產品相比，4.4 km MISR AOD產品與AERONET的R值(0.92)略高于與MODIS (Terra) 3 km AOD的R值(0.90). 但MISR傳感器掃描幅寬較小，重返周期較長(2～9 d)，適用于PM2.5濃度長期數據監測，不適用于日常監測[25].

2011年發射搭載在Suomi-NPP衛星上的VIIRS傳感器是MODIS的后續設備，它提供兩種類型的AOD產品，包括IP AOD和EDR AOD，空間分辨率分別為0.75和6 km[26-27]. 研究[28-30]表明，VIIRS AOD產品與MODIS AOD產品性能相似，同樣適用于估算地面PM2.5濃度. 如Yao等[27]指出，基于VIIRS AOD的模型可以解釋京津冀地區76%的PM2.5濃度變化，優于MODIS AOD模型(71%). Chen等[31]結合機器學習模型首次評估了VIIRS IP AOD在大尺度(中國)、高分辨率PM2.5建模中的潛力，CVR2(交叉驗證決定系數)達到0.86. 近期，NOAA (美國國家海洋和大氣管理局)提供了一種新的使用EPS算法開發的VIIRS氣溶膠產品-EPS AOD (空間分辨率為 0.75 km).與最初數據使用的IDPS算法[32]相比，EPS算法[33]進行了較大改進，如擴展了AOD的范圍，在黑暗和明亮的表面上均適用于檢索AOD. 2019年，Li等[34]首次評估了中國大陸近10年來的VIIRS EPS AOD產品，結果表明，VIIRS EPS AOD與AERONET AOD數據高度相關，R達0.91.

搭載在韓國COMS衛星的GOCI以及搭載在日本Himawari-8衛星上的AHI是運行在GEO軌道上的傳感器[35-37]. Tang等[15]通過使用具有2個隨機森林子模型的非參數方法，評估在長江三角洲地區1 km分辨率下這兩個AOD產品估算PM2.5濃度的能力，結果表明，基于GOCI AOD估算的每小時PM2.5濃度和基于Himawari-8 AOD的估算結果均具有較高的精度，CVR2分別為0.860和0.862. 雖然，COMS和Himawari-8衛星檢索AOD范圍可以涵蓋中國大部分地區，但由于觀察角度較低，中國中西部的數據并不可用或數據質量較低. 2015年和2016年分別發射的GF-4和FY-4A衛星是中國新一代地球靜止氣象衛星，為在中國進行全覆蓋和高頻AOD檢索提供了機會[38-39]. 例如，許夢婕等[40]基于FY-4A數據，利用DT算法對京津冀地區AOD進行反演，并與同期AERONET AOD對比驗證，R達0.86，說明FY-4A衛星數據反演AOD具有一定可行性. 江琪等[41]基于FY-4A反演的AOD數據，利用改進的PMRS方法估算了中國近地面PM2.5濃度，其反演結果和地面監測結果具有較高的相關性，其中，烏魯木齊市、石家莊市和徐州市觀測點的R值均高于0.7. 此外，風云系列衛星還在不斷發射，FY-2H、FY-4B衛星也分別在2018年6月5日和2021年6月13日發射成功. 美國NOAA分別于2016年和2018年發射了GOES-R系列衛星-GOES-16和GOES-17. 由于與MODIS和VIIRS具有相似的儀器設計和檢索算法，并且具有高時間分辨率，搭載在兩顆衛星上的ABI傳感器反演的AOD具有類似于MODIS和VIIRS的準確性[42].此外，Zhang等[43]開發了一種經驗偏差校正算法用于校正ABI AOD，校正后的ABI AOD與AERONET AOD的R值達0.79，該算法已在NASA上使用.

1.3 AOD非隨機性缺失

由于多云天氣、積雪和高地表反射率等因素，導致AOD出現大量非隨機缺失[44]. 此外，衛星的軌道模式、地形因素以及其他環境也會造成AOD缺失[45].例如，AOD的測量值因森林火災會出現異常大的情況. 因此，基于可用的每日AOD數據估算的每日PM2.5濃度具有較高的缺失率，PM2.5月度或年度水平的進一步計算不可避免地會因估算的每日PM2.5濃度的非隨機缺失而產生偏差. 由此可見，AOD的非隨機性缺失是一個非常嚴重的問題.

很多研究試圖解決AOD在空間和時間上缺失的問題，該研究總結了現有的AOD插補方法，主要包括多源AOD數據融合、空間插值、基于模型的多個變量估算及其組合應用(見圖1).

圖1 AOD缺失值主要插補方法Fig.1 The gap-filling methods of missing AOD

多源AOD數據融合可分為多種衛星產品的融合和不同檢索算法的融合. 前者通常使用不同衛星(如Terra和Aqua衛星)[46-48]的相同AOD反演算法進行融合，后者使用同一衛星不同的AOD反演算法(如MODIS DB和MODIS DT算法)[49]進行融合. 目前，多數研究[50-51]是將二者結合進行AOD數據的融合. 盡管它們可以填補一些缺失值，但通常并非所有缺失的AOD值都可以高質量恢復. 空間插值是基于數據的單一參數估計來填補AOD數據中的缺失值，如空間平滑[52]、普通克里金[53]、時空克里金[54]等方法. 該方法具有在清晰的天空條件下提供空間連續產品的優點，但其精度受已知網格AOD數據的數量影響. 基于模型的多個變量估算是指使用各種模型和輔助變量估算AOD的缺失值. 由于使用的輔助變量具有全覆蓋的特點，得到的AOD數據也達到完全覆蓋，并取得了令人滿意的性能. 例如，Zhang等[55]選擇了2個隨機森林子模型估算缺失的AOD數據，交叉驗證結果表明，AOD與子模型之間具有良好的預測性能(R2=0.95)；Bi等[56]開發了包含雪/云分數和氣象變量的每日隨機森林模型來估算缺失的AOD數據，R2平均值達0.93. 但此種方法也會因輔助變量的數量和質量而產生不同程度的誤差[57].

目前，上述3種方法的組合應用較為流行. Chen等[45]開發了一種兩步插值方法，即使用混合效應模型和逆距離加權(IDW)插值技術來估算AOD缺失值，整體上AOD缺失率從87.91%(Auqa)和85.47%(Terra)降至融合后的13.83%，并且CVR2達0.76.Jiang等[58]通過融合來自衛星(Himawari-8和MODIS)和大氣數值預報模式系統(CAMS)的AOD數據以及其他氣象和地理變量，生成全覆蓋的AOD數據，其結果與AERONET AOD數據回歸后，R達0.72. 綜上，組合應用具有良好的填充效果，但同時也帶來更復雜的插補過程.

此外，具有完整時空覆蓋的AOD可以從化學傳輸模型(CTM)或全球監測和衛星數據同化系統中獲取，如社區多尺度空氣質量(CMAQ)建模系統以及現代研究和應用的回顧性分析-版本2 (MERRA-2)等，已有研究[59-61]將它們作為代理變量用于估算缺失的AOD值.

2 PM2.5濃度估算模型

利用AOD和近地面PM2.5數據之間的關系來估算PM2.5濃度的方法主要分為三類，包括機器學習在內的經驗統計方法、基于化學傳輸模型方法和半經驗公式等其他方法(見圖2). 三類建模方法的優缺點如表2所示. 每種方法的性能取決于研究區域、研究時期以及數據的空間和時間分辨率，單一方法在不同的應用程序中并不總是表現最佳[62].

圖2 基于衛星AOD數據的PM2.5濃度估算方法Fig.2 Methods for PM2.5 concentrations estimation using satellite-based AOD data

表2 不同方法估算PM2.5濃度方法的優缺點Table 2 Summary of advantages and disadvantages of used approaches for estimating PM2.5 concentrations

2.1 統計回歸模型

前期研究基于AOD-PM2.5之間的線性關系建立線性回歸模型(SLR)，得到較好的擬合結果[63-64]. 但由于排放和氣象條件變化影響，這種關系在不同的地區和時間都會產生變化. 通過納入更多氣象變量(包括相對濕度、溫度、風速和行星邊界層高度等)，多元線性回歸模型(MLR)可以更好地表示AOD-PM2.5關系[65-66]. 目前，相關研究通常用MLR模型作為其他模型的對比模型，或結合其他模型來更好地估算PM2.5濃度. 例如，Li等[67]開發了一個廣義回歸神經網絡模型(GRNN)來估算中國的PM2.5濃度，相比MLR模型(CVR2=0.53)，其CVR2達0.82；Chelani等[68]通過建立MLR模型和MLR殘差模型的組合模型估算了印度5個城市的PM2.5濃度，結果表明組合模型優于MLR模型；Ahmad等[69]開發了MLR模型與人工神經網絡(ANN)相結合的方法，利用AOD、土地利用和氣象參數估算了2015-2017年巴基斯坦卡拉市的PM2.5濃度，R2值范圍為0.76～0.96.

土地利用回歸模型(LUR)是在MLR模型的基礎上考慮土地利用的相關變量，這些變量主要反映研究區的環境特征，如工業用地面積、道路長度、交通量和人口密度等[44]. 許剛等[70]選取土地利用、道路交通、人口密度、工業污染源、高程和氣象變量6類預測變量與PM2.5建立LUR模型，模擬京津冀2013年PM2.5濃度空間分布，CVR2達0.78. Li等[71]建立了季節性MAIAC AOD與北京市實測地面PM2.5濃度的關系，開發了季節性的LUR模型，結果表明，將AOD納入LUR模型可以提高模型在春季的性能并在測試過程中提供更可靠的結果.

上述方法既沒有考慮到影響AOD-PM2.5相關關系的預測變量具有時間變化特性，也沒有考慮到二者關系在空間上的非恒定性. Lee等[72]在2011年提出的線性混合效應(LME)模型使用固定和隨機的斜率和截距對預測變量進行校準，以建立AOD-PM2.5的關系(CVR2=0.92). 其中，隨機效應反映了變量隨時間或監測站的變化，固定效應是AOD對PM2.5濃度的平均效應，不受時間和監測站變化的影響[57]. 在此基礎上，孫成等[73]建立了PM2.5濃度與MODIS AOD、氣象變量、土地利用變量之間的LME模型，CVR2達0.77. Ma等[74]提出了嵌套LME模型，包括AOD-PM2.5關系的嵌套月、周和日特定隨機效應，估算了長江三角洲PM2.5濃度(CVR2=0.67). Kloog等[52]提出了三階段LME模型，并在英格蘭地區驗證了該模型的可行性(CVR2=0.83). Wang等[75]基于AHI AOD構建了時空線性混合效應(STLME)模型，估算了2018年京津冀地區PM2.5濃度的小時值(時間維CVR2=0.75，空間維CVR2=0.83). 目前，許多研究仍使用LME模型估算PM2.5濃度，但往往會加入AOD補值模型或更多模型來提高估算精度.

Brunsdon等[76]基于“回歸系數是線性回歸中觀察點空間位置的函數”的假設，根據觀察點之間的距離分配空間權重，提出了地理加權回歸(GWR). Hu等[77]將AOD引入GWR并進行了美國PM2.5濃度的估算. 之后，Ma等[78]提出了每日GWR模型，并證實在模型中加入氣象和土地利用信息可以大幅提高模型性能. 在此基礎上，為了更好地同時捕捉空間和時間的異質性，Bai等[79]提出了地理時間加權回歸模型(GTWR)，并證實其比單個GWR模型具有更好的性能. 為了在AOD缺失時更好地估算PM2.5濃度，He等[80]開發了改進的地理和時間加權回歸模型(iGTWR)，該模型結合了數據中的季節性特征，在具有成對AOD-PM2.5樣本的天數內實現了與標準GTWR模型相當的性能，并且在沒有AOD-PM2.5數據對的天數內顯示出更好的預測能力. 同時，He等[81]結合內點算法(IPA)又開發了時空回歸模型，用于估算每日PM2.5濃度，取得了良好的驗證效果(CVR2=0.80).此外，在GTWR模型中添加交互項(二次項)可以更好地描述非線性效應[82].

除上面提到的模型外，其他研究還使用了廣義加和(GAM)模型[83-84]、克里金插值法[85]或非線性回歸模型. 這些PM2.5估算模型都將AOD作為主要的自變量，但模型的可預測性受到限制，其R2普遍較低，并且在不同地區之間存在差異. 不過，這些模型已逐漸優化或集成到其他模型中.

2.2 機器學習模型

機器學習模型可以較好地處理變量間的非線性關系，容納不斷增長的數據規模和預測變量[86-87]，被廣泛應用到估算近地面PM2.5濃度. 機器學習模型主要分為3種，分別為決策樹類模型、內核類模型和神經網絡類模型.

在決策樹類模型中，較為流行的模型包括隨機森林(RF)、梯度提升決策樹(GBDT)、梯度提升機(GBM)和極端梯度提升(XGB). Wei等[47]開發了時空隨機森林(STRF)模型，估算了2016年中國1 km分辨率下每日PM2.5濃度，并證實其性能優于部分統計回歸模型(MLR、GWR和LME+GWR). 目前，使用RF模型及改進模型進行PM2.5濃度估算的研究還在持續增加[58,88-90]. GBDT在處理復雜的相關變量時表現出較大的魯棒性和泛化能力，優于RF模型[86]. 此外，GBM和XGB是具有代表性的boosting方法，具有減少模型偏差和方差的優勢，但兩種方法都存在過擬合問題，需要調整模型參數[44].

基于機器學習和泛化理論的支持向量機(SVM)是使用內核類模型的代表性算法. 與其他機器學習模型相比，具有較好的性能[91-92]. 此外，有研究對SVM進行優化或將其集成到其他模型中. 例如，Hou等[93]基于AOD和氣象參數，建立連續超松弛支持向量回歸(SOR-SVR)模型估算PM2.5濃度，R2達0.87. Yang等[94]提出了一個結合LME和SVM的兩階段統計模型，估算福州市近地面PM2.5濃度，R2達0.81.

神經網絡算法已被用于估算PM2.5濃度，包括人工神經網絡(ANN)、深度神經網絡(DNN)、反向傳播神經網絡(BPNN)、廣義回歸神經網絡(GRNN)和深度信念網絡(DBN)等. 目前，各種典型神經網絡模型已經通過應用結構變形來提高PM2.5估算的準確性.例如，Li等[95]開發了地理智能深度學習(Geoi-DBN)模型，將地理相關性納入智能深度學習架構，其性能明顯優于傳統的神經網絡. Zang等[96]將PM1.0和PM2.5以及每小時AHI AOD結合成一個改進的廣義回歸神經網絡模型，即PCA-GRNN模型，與傳統的GRNN模型(R2=0.67)相比，R2達0.74. Chen等[87]結合了AOD、氣象和其他輔助變量，開發了一個自適應深度神經網絡(SADNN)模型，估算了2017-2018年每日空間連續的PM2.5濃度，R2達0.86.

2.3 組合模型

為了減少單個模型估算帶來的偏差，許多研究開始通過組合2個或多個模型來校準AOD-PM2.5與其他輔助變量之間的時空關系. LME+GWR或LME+GAM模型是最常用的組合方法(見圖2)，通過考慮第一階段模型估算結果與原數據之間的殘差，利用第二階段模型將殘差與AOD進行建模. Guo等[97]證實LME+GWR組合模型優于單個LME模型；Ma等[49]研究發現，LME+GAM模型在估算日尺度PM2.5濃度時存在較大誤差，在月和季節水平上表現得更好；Zhang等[98]研究表明，LME+GWR模型優于LME+GAM模型. 此外，Yao等[29]開發的TEFR+GWR空間結構自適應組合模型，以及Liang等[99]開發的IPW+GAMM+KED三階段組合模型也達到了估算的理想效果.

越來越多的研究通過將機器學習模型加入到組合模型中提高PM2.5估算的精確性，如MLR+ANN或LME+SVM組合模型，其CVR2范圍為0.8～0.9. 機器學習模型的加入能夠有效提高PM2.5濃度的估算精度，更好地解釋統計回歸模型不能量化的變量之間的非線性關系.

綜上，組合模型比單個模型具有更好的近地面PM2.5濃度估算能力. 但是，額外的步驟可能會使分析過程更加復雜，技術細節可能會更加混亂.

3 結論

a) 隨著儀器質量的逐步提高和檢索算法的不斷更新，各類衛星反演的AOD產品的質量顯著提升，促進了PM2.5濃度時空動態的有效監測. 然而，目前AOD產品還難以同時滿足較高的時間和空間分辨率. LEO衛星的AOD產品具有良好的空間分辨率，但沒有每小時估算PM2.5濃度的能力. 相比之下，GEO衛星的AOD產品時間頻率較高，但空間分辨率相對較低；因此，開發統一的不同產品融合技術的數據庫是未來的重要研究方向.

b) 使用插補方法可以有效解決AOD在空間和時間上缺失的問題，插補后AOD比原始AOD產品具有更連續的時空分布和更高的準確性. 其中，基于模型的多變量估算可以實現數據的全面覆蓋，并獲得更好的估算精度；另外，多種插補方法(多源AOD數據融合、空間插值和基于模型的多變量估算)的組合應用具有良好的填充效果，是未來主要的研究和應用方向.

c) 基于AOD-PM2.5的相關關系建立的統計回歸模型，由于其簡單性、較低的預測誤差以及通用性，被廣泛應用于PM2.5估算，但統計回歸模型不能較好地處理數據間的非線性關系；機器學習模型具有處理各種相互作用變量之間復雜非線性關系的能力，并表現出良好的估算性能. 因此，開發高級統計回歸模型和機器學習模型將成為近年來大氣污染領域的研究熱點. 此外，各類機器學習模型和統計回歸模型的組合應用成為目前估算PM2.5濃度的重要手段，機器學習模型的加入能夠有效提高PM2.5濃度的估算精度.

參考文獻(References)：

［1］LIM S S, VOS T, FLAXMAN A D, et al.A comparative risk assessment of burden of disease and injury attributable to 67 risk factors and risk factor clusters in 21 regions, 1990-2010: a systematic analysis for the Global Burden of Disease Study 2010[J].The Lancet，2012，380（9859）：2224-2260.

［2］ 熊俊麗, 李彩艷.北京市冬季PM2.5濃度變化特征及估算模型研究[J].環境工程技術學報，2018，8（5）：533-538.

XIONG J L, LI C Y.Study on variation characteristics and estimation model of PM2.5concentration in Beijing in winter[J].Journal of Environmental Engineering Technology，2018，8（5）：533-538.

［3］GU Y, WONG T W, LAW C K, et al.Impacts of sectoral emissions in China and the implications: air quality, public health,crop production, and economic costs[J].Environmental Research Letters，2018，13（8）：084008.

［4］ 世界衛生組織. 大氣污染[EB/OL]. 美國: 世界衛生組織網站,2020[2021-10-15]. https://www.who.int/airpollution/en.

［5］ 王情, 朱歡歡, 杜鵬, 等.京津冀及周邊地區“十四五”及中長期PM2.5污染控制目標的健康效益預估研究[J].環境科學研究，2021，34（1）：220-228.

WANG Q, ZHU H H, DU P, et al.Health benefit of ‘14th Five-Year’ and medium & long-term PM2.5control targets in Beijing-Tianjin-Hebei and its surrounding areas[J].Research of Environmental Sciences，2021，34（1）：220-228.

［6］ 張懿華. 長三角地區PM2.5區域性污染時空變化特征[J]. 環境科學研究, 2021. doi:10.13198/j.issn.1001-6929.2021.09.03.

ZHANG Y H. Spatial-temporal characteristics of PM2.5regional pollution in the Yangtze River Delta Region[J]. Research of Environmental Sciences, 2021. doi:10.13198/j.issn.1001-6929.2021.09.03.

［7］ 王曉元, 江飛, 徐圣辰, 等.長三角區域大氣重污染應急減排效果評估[J].環境科學研究，2020，33（4）：783-791.

WANG X Y, JIANG F, XU S C, et al.Assessment of emergency emission reduction effect during a severe air pollution episode in Yangtze River Delta Region[J].Research of Environmental Sciences，2020，33（4）：783-791.

［8］WANG Q, WANG J N, HE M Z, et al.A county-level estimate of PM2.5related chronic mortality risk in China based on multi-model exposure data[J].Environment International，2018，110：105-112.

［9］ 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.

［10］ 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.

WU J S, WANG X.Research progress of retrieval ground-level PM2.5concentration based on AOD data[J].Environmental Science & Technology (China)，2017，40（8）：68-76.

［11］ 王子峰, 曾巧林, 陳良富, 等.利用衛星遙感數據估算PM2.5濃度的應用研究進展[J].環境監控與預警，2019，11（5）：33-38.

WANG Z F, ZENG Q L, CHEN L F, et al.Research progress of methodology and applications of PM2.5estimation using satellite remote sensing[J].Environmental Monitoring and Forewarning，2019，11（5）：33-38.

［12］KAHN R, BANERJEE P, MCDONALD D, et al.Sensitivity of multiangle imaging to aerosol optical depth and to pure-particle size distribution and composition over ocean[J].Journal of Geophysical Research:Atmospheres，1998，103（D24）：32195-32213.

［13］ 馬宗偉. 基于衛星遙感的我國PM2.5時空分布研究[D]. 南京: 南京大學, 2015: 12-38.

［14］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.

［15］TANG D, LIU D R, TANG Y L, et al.Comparison of GOCI and Himawari-8 aerosol optical depth for deriving full-coverage hourly PM2.5across the Yangtze River Delta[J].Atmospheric Environment，2019，217：116973.

［16］ 金洪芳.基于遙感技術的大氣細顆粒物PM2.5監測研究進展[J].測繪與空間地理信息，2016，39（8）：133-136.

JIN H F.Review of PM2.5monitoring based on remote sensing technology[J].Geomatics & Spatial Information Technology，2016，39（8）：133-136.

［17］LYAPUSTIN A, WANG Y J, KORKIN S, et al.MODIS Collection 6 MAIAC algorithm[J].Atmospheric Measurement Techniques，2018，11（10）：5741-5765.

［18］HU X F, WALLER L A, LYAPUSTIN A, et al.Estimating groundlevel PM2.5concentrations in the southeastern United States using MAIAC AOD retrievals and a two-stage model[J].Remote Sensing of Environment，2014，140：220-232.

［19］CHOI M, LIM H, KIM J, et al.Validation, comparison, and integration of GOCI, AHI, MODIS, MISR, and VIIRS aerosol optical depth over East Asia during the 2016 KORUS-AQ campaign[J].Atmospheric Measurement Techniques， 2019，12（8）：4619-4641.

［20］TAO M H, WANG J, LI R, et al.Performance of MODIS highresolution MAIAC aerosol algorithm in China: characterization and limitation[J].Atmospheric Environment，2019，213：159-169.

［21］KAHN R A, GAITLEY B J.An analysis of global aerosol type as retrieved by MISR[J].Journal of Geophysical Research:Atmospheres，2015，120（9）：4248-4281.

［22］ZHAO B, JIANG J H, GU Y, et al. Decadal-scale trends in regional aerosol particle properties and their linkage to emission changes[J]. 2017, 12(5): 054021.

［23］GARAY M J, KALASHNIKOVA O V, BULL M A.Development and assessment of a higher-spatial-resolution (4.4 km) MISR aerosol optical depth product using AERONET-DRAGON data[J].Atmospheric Chemistry and Physics，2017，17（8）：5095-5106.

［24］SI Y D, CHEN L F, XIONG X Z, et al.Evaluation of the MISR fine resolution aerosol product using MODIS, MISR, and ground observations over China[J].Atmospheric Environment，2020，223：117229.

［25］ 于雪, 趙文吉, 孫春媛, 等.大氣PM2.5遙感反演研究進展[J].環境污染與防治，2017，39（10）：1153-1158.

YU X, ZHAO W J, SUN C Y, et al.Progress study on remote sensing retrieval of atmospheric PM2.5concentration[J].Environmental Pollution & Control，2017，39（10）：1153-1158.

［26］HUANG J F, KONDRAGUNTA S, LASZLO I, et al.Validation and expected error estimation of Suomi-NPP VIIRS aerosol optical thickness and ?ngstr?m exponent with AERONET[J].Journal of Geophysical Research:Atmospheres，2016，121（12）：7139-7160.

［27］YAO F, SI M L, LI W F, et al.A multidimensional comparison between MODIS and VIIRS AOD in estimating ground-level PM2.5concentrations over a heavily polluted region in China[J].Science of the Total Environment，2018，618：819-828.

［28］MENG F, CAO C Y, SHAO X.Spatio-temporal variability of Suomi-NPP VIIRS-derived aerosol optical thickness over China in 2013[J].Remote Sensing of Environment，2015，163：61-69.

［29］YAO F, WU J S, LI W F, et al.A spatially structured adaptive twostage model for retrieving ground-level PM2.5concentrations from VIIRS AOD in China[J].ISPRS Journal of Photogrammetry and Remote Sensing，2019，151：263-276.

［30］XUE W H, WEI J, ZHANG J, et al.Inferring near-surface PM2.5concentrations from the VIIRS deep blue aerosol product in China:a spatiotemporally weighted random forest model[J].Remote Sensing，2021，13（3）：505.

［31］CHEN Y J, WU S S, WANG Y Y, et al.Satellite-based mapping of high-resolution ground-level PM2.5with VIIRS IP AOD in China through spatially neural network weighted regression[J].Remote Sensing，2021，13（10）：1979.

［32］JACKSON J M, LIU H Q, LASZLO I, et al.Suomi-NPP VIIRS aerosol algorithms and data products[J].Journal of Geophysical Research:Atmospheres，2013，118（22）：12673-12689.

［33］ZHANG H, KONDRAGUNTA S, LASZLO I, et al. An enhanced VIIRS aerosol optical thickness (AOT) retrieval algorithm over land using a global surface reflectance ratio database[J]. Journal of Geophysical Research: Atmospheres, 2016. doi:10.1002/2016jd024859.

［34］LI C, LI J, XU H, et al.Evaluating VIIRS EPS aerosol optical depth in China: an intercomparison against ground-based measurements and MODIS[J].Journal of Quantitative Spectroscopy and Radiative Transfer，2019，224：368-377.

［35］ 李志鵬, 陳健.基于GOCI衛星的大氣細顆粒物PM2.5的遙感反演及其時空分布規律研究[J].遙感技術與應用，2020，35（1）：163-173.

LI Z P, CHEN J.Remote sensing retrieval of atmospheric fine particle PM2.5based on GOCI satellite and its temporal and spatial distribution[J].Remote Sensing Technology and Application，2020，35（1）：163-173.

［36］WANG J W, LI Z Q.Estimation of ground-level dry PM2.5concentrations at 3 km resolution over Beijing using Geostationary Ocean Colour Imager[J].Remote Sensing Letters，2020，11（10）：913-922.

［37］ 張曉虎, 陸風, 竇芳麗, 等.國外地球同步軌道氣象衛星成像觀測模式發展分析[J].氣象科技進展，2016，6（1）：124-128.

ZHANG X H, LU F, DOU F L, et al.Analysis on the observation model of foreign geostationary meteorological satellite[J].Advances in Meteorological Science and Technology，2016，6（1）：124-128.

［38］MAO F Y, HONG J, MIN Q L, et al.Estimating hourly fullcoverage PM2.5over China based on TOA reflectance data from the Fengyun-4A satellite[J].Environmental Pollution，2021，270：116119.

［39］ 王子翔, 李正強, 光潔, 等.GF-4大氣校正并行算法研究[J].大氣與環境光學學報，2021，16（3）：269-282.

WANG Z X, LI Z Q, GUANG J, et al.Study on parallel method of atmospheric correction for GF-4 images[J].Journal of Atmospheric and Environmental Optics，2021，16（3）：269-282.

［40］ 許夢婕, 鮑艷松, 許丹, 等.基于FY-4A衛星數據反演氣溶膠光學厚度及分析應用[J].中國環境科學，2020，40（12）：5162-5168.

XU M J, BAO Y S, XU D, et al.Retrieval of aerosol optical depth based on FY-4A satellite data and its analysis and application[J].China Environmental Science，2020，40（12）：5162-5168.

［41］ 江琪, 迎春, 王飛, 等.利用FY-4A衛星光學數據對中國近地面PM2.5濃度的估算和檢驗分析[J].氣象學報，2021，79（3）：492-508.

JIANG Q, YING C, WANG F, et al.Estimates and verification of surface PM2.5mass concentration in China based on FY-4A satellite optical products[J].Acta Meteorologica Sinica，2021，79（3）：492-508.

［42］ZHANG H, KONDRAGUNTA S. Daily and hourly surface PM2.5estimation from satellite AOD[J]. Earth and Space Science, 2021.doi:10.1029/2020ea001599.

［43］ZHANG H, KONDRAGUNTA S, LASZLO I, et al.Improving GOES advanced baseline imager (ABI) aerosol optical depth(AOD) retrievals using an empirical bias correction algorithm[J].Atmospheric Measurement Techniques，2020，13（11）：5955-5975.

［44］SHIN M, KANG Y, PARK S, et al.Estimating ground-level particulate matter concentrations using satellite-based data: a review[J].GIScience & Remote Sensing，2020，57（2）：174-189.

［45］CHEN Z Y, ZHANG T H, ZHANG R, et al.Extreme gradient boosting model to estimate PM2.5concentrations with missingfilled satellite data in China[J].Atmospheric Environment，2019，202：180-189.

［46］HAN W H, TONG L, CHEN Y P, et al.Estimation of highresolution daily ground-level PM2.5concentration in Beijing 2013-2017 using 1 km MAIAC AOT data[J].Applied Sciences，2018，8（12）：2624.

［47］WEI J, HUANG W, LI Z Q, et al.Estimating 1-km-resolution PM2.5concentrations across China using the space-time random forest approach[J].Remote Sensing of Environment，2019，231：111221.

［48］ 楊曉輝, 宋春杰, 范麗行, 等.京津冀地區高分辨率PM2.5濃度時空變化模擬與分析[J].環境科學，2021，42（9）：4083-4094.

YANG X H, SONG C J, FAN L H, et al.High-resolution estimation of spatio-temporal variation in PM2.5concentrations in the Beijing-Tianjin-Hebei Region[J].Environmental Science，2021，42（9）：4083-4094.

［49］MA Z W, HU X F, SAYER A M, et al.Satellite-based spatiotemporal trends in PM2.5concentrations: China, 2004-2013[J].Environmental Health Perspectives，2016，124（2）：184-192.

［50］HUA Z Q, SUN W W, YANG G, et al.A full-coverage daily average PM2.5retrieval method with two-stage IVW fused MODIS C6 AOD and two-stage GAM model[J].Remote Sensing，2019，11（13）：1558.

［51］ 付宏臣, 孫艷玲, 王斌, 等.基于AOD數據和GWR模型估算京津冀地區PM2.5濃度[J].中國環境科學，2019，39（11）：4530-4537.

FU H C, SUN Y L, WANG B, et al.Estimation of PM2.5concentration in Beijing-Tianjin-Hebei Region based on AOD data and GWR model[J].China Environmental Science，2019，39（11）：4530-4537.

［52］KLOOG I, KOUTRAKIS P, COULL B A, et al.Assessing temporally and spatially resolved PM2.5exposures for epidemiological studies using satellite aerosol optical depth measurements[J].Atmospheric Environment，2011，45（35）：6267-6275.

［53］LV B, HU Y T, CHANG H H, et al.Daily estimation of groundlevel PM2.5concentrations at 4 km resolution over Beijing-Tianjin-Hebei by fusing MODIS AOD and ground observations[J].Science of the Total Environment，2017，580：235-244.

［54］ 梅楊, 黨麗娜, 楊勇, 等.基于時空克里格的PM2.5時空預測及分析[J].環境科學與技術，2016，39（7）：157-163.

MEI Y, DANG L N, YANG Y, et al.Spatio-temporal prediction and analysis of PM2.5based on spatiotemploral Kriging[J].Environmental Science & Technology (China)，2016，39（7）：157-163.

［55］ZHANG R X, DI B F, LUO Y Z, et al.A nonparametric approach to filling gaps in satellite-retrieved aerosol optical depth for estimating ambient PM2.5levels[J].Environmental Pollution，2018，243：998-1007.

［56］BI J Z, BELLE J H, WANG Y J, et al.Impacts of snow and cloud covers on satellite-derived PM2.5levels[J].Remote Sensing of Environment，2019，221：665-674.

［57］XU X H, ZHANG C K, LIANG Y.Review of satellite-driven statistical models PM2.5concentration estimation with comprehensive information[J].Atmospheric Environment，2021，256：118302.

［58］JIANG T T, CHEN B, NIE Z, et al.Estimation of hourly fullcoverage PM2.5concentrations at 1-km resolution in China using a two-stage random forest model[J].Atmospheric Research，2021，248：105146.

［59］DI Q, KLOOG I, KOUTRAKIS P, et al.Assessing PM2.5exposures with high spatiotemporal resolution across the continental United States[J].Environmental Science & Technology，2016，50（9）：4712-4721.

［60］LI L F，FRANKLIN M，GIRGUIS M，et al. Spatiotemporal imputation of MAIACAOD using deep learning with downscaling[J]. Remote Sensing of Environment， 2020，237：111584.

［61］PU Q, YOO E H.Ground PM2.5prediction using imputed MAIAC AOD with uncertainty quantification[J].Environmental Pollution，2021，274：116574.

［62］RANJAN A K, PATRA A K, GORAI A K.A review on estimation of particulate matter from satellite-based aerosol optical depth: data, methods, and challenges[J].Asia-Pacific Journal of Atmospheric Sciences，2021，57（3）：679-699.

［63］JUN W.Intercomparison between satellite-derived aerosol optical thickness and PM2.5mass: implications for air quality studies[J].Geophysical Research Letters，2003，30（21）：2095.

［64］ENGEL-COX J A, HOLLOMAN C H, COUTANT B W, et al.Qualitative and quantitative evaluation of MODIS satellite sensor data for regional and urban scale air quality[J].Atmospheric Environment，2004，38（16）：2495-2509.

［65］GUPTA P, CHRISTOPHER S A.Particulate matter air quality assessment using integrated surface, satellite, and meteorological products: multiple regression approach[J].Journal of Geophysical Research Atmospheres，2009，114（D14）：D14205.

［66］ 李嘯天, 吳紹華, 徐于月, 等.江蘇省PM2.5質量濃度的時空變化格局模擬[J].環境監測管理與技術，2017，29（2）：16-20.

LI X T, WU S H, XU Y Y, et al.Temporal and spatial variation pattern of PM2.5mass concentration in Jiangsu[J].Administration and Technique of Environmental Monitoring，2017，29（2）：16-20.

［67］LI T W, SHEN H F, ZENG C, et al.Point-surface fusion of station measurements and satellite observations for mapping PM2.5distribution in China: methods and assessment[J].Atmospheric Environment，2017，152：477-489.

［68］CHELANI A B.Estimating PM2.5concentration from satellite derived aerosol optical depth and meteorological variables using a combination model[J].Atmospheric Pollution Research，2019，10（3）：847-857.

［69］AHMAD M, ALAM K, TARIQ S, et al.Estimating fine particulate concentration using a combined approach of linear regression and artificial neural network[J].Atmospheric Environment，2019，219：117050.

［70］ 許剛, 焦利民, 肖豐濤, 等.土地利用回歸模型模擬京津冀PM2.5濃度空間分布[J].干旱區資源與環境，2016，30（10）：116-120.

XU G, JIAO L M, XIAO F T, et al.Applying land use regression model to estimate spatial distribution of PM2.5concentration in Beijing-Tianjin-Hebei Region[J].Journal of Arid Land Resources and Environment，2016，30（10）：116-120.

［71］LI R K, MA T X, XU Q, et al.Using MAIAC AOD to verify the PM2.5spatial patterns of a land use regression model[J].Environmental Pollution，2018，243：501-509.

［72］LEE H J, LIU Y, COULL B A, et al.A novel calibration approach of MODIS AOD data to predict PM2.5concentrations[J].Atmospheric Chemistry and Physics，2011，11（15）：7991-8002.

［73］ 孫成, 王衛, 劉方田, 等.基于線性混合效應模型的河北省PM2.5濃度時空變化模型研究[J].環境科學研究，2019，32（9）：1500-1509.

SUN C, WANG W, LIU F T, et al.Spatial-temporal simulation of PM2.5concentration in Hebei Province based on linear mixed effects model[J].Research of Environmental Sciences，2019，32（9）：1500-1509.

［74］MA Z W, LIU Y, ZHAO Q Y, et al.Satellite-derived high resolution PM2.5concentrations in Yangtze River Delta Region of China using improved linear mixed effects model[J].Atmospheric Environment，2016，133：156-164.

［75］WANG W, HE J C, MIAO Z L, et al.Space-time linear mixed-Effects (STLME) model for mapping hourly fine particulate loadings in the Beijing-Tianjin-Hebei Region, China[J].Journal of Cleaner Production，2021，292：125993.

［76］BRUNSDON C, FOTHERINGHAM A S, CHARLTON M E.Geographically weighted regression: a method for exploring spatial nonstationarity[J].Geographical Analysis，2010，28（4）：281-298.

［77］HU Z Y.Spatial analysis of MODIS aerosol optical depth, PM2.5,and chronic coronary heart disease[J].International Journal of Health Geographics，2009，8（1）：1-10.

［78］MA Z W, HU X F, HUANG L, et al.Estimating ground-level PM2.5in China using satellite remote sensing[J].Environmental Science& Technology，2014，48（13）：7436-7444.

［79］BAI Y, WU L X, QIN K, et al.A geographically and temporally weighted regression model for ground-level PM2.5estimation from satellite-derived 500 m resolution AOD[J].Remote Sensing，2016，8（3）：262.

［80］HE Q Q, HUANG B.Satellite-based high-resolution PM2.5estimation over the Beijing-Tianjin-Hebei Region of China using an improved geographically and temporally weighted regression model[J].Environmental Pollution，2018，236：1027-1037.

［81］HE Q Q, HUANG B.Satellite-based mapping of daily highresolution ground PM2.5in China via space-time regression modeling[J].Remote Sensing of Environment，2018，206：72-83.

［82］HE Q Q, GU Y F, ZHANG M.Spatiotemporal trends of PM2.5concentrations in central China from 2003 to 2018 based on MAIAC-derived high-resolution data[J].Environment International，2020，137：105536.

［83］LIU Y, PACIOREK C J, KOUTRAKIS P.Estimating regional spatial and temporal variability of PM2.5concentrations using satellite data, meteorology, and land use information[J].Environmental Health Perspectives，2009，117（6）：886-892.

［84］YOU W, ZANG Z L, PAN X B, et al.Estimating PM2.5in Xi'an,China using aerosol optical depth: a comparison between the MODIS and MISR retrieval models[J].Science of the Total Environment，2015，505：1156-1165.

［85］BELOCONI A, KAMARIANAKIS Y, CHRYSOULAKIS N.Estimating urban PM10and PM2.5concentrations, based on synergistic MERIS/AATSR aerosol observations, land cover and morphology data[J].Remote Sensing of Environment，2016，172：148-164.

［86］ZHANG T N, HE W H, ZHENG H, et al.Satellite-based ground PM2.5estimation using a gradient boosting decision tree[J].Chemosphere，2021，268：128801.

［87］CHEN B J, YOU S X, YE Y, et al.An interpretable self-adaptive deep neural network for estimating daily spatially-continuous PM2.5concentrations across China[J].Science of the Total Environment，2021，768：144724.

［88］HUANG K Y, XIAO Q Y, MENG X, et al.Predicting monthly high-resolution PM2.5concentrations with random forest model in the North China Plain[J].Environmental Pollution，2018，242：675-683.

［89］ZHAO C, WANG Q, BAN J, et al.Estimating the daily PM2.5concentration in the Beijing-Tianjin-Hebei Region using a random forest model with a 0.01° × 0.01° spatial resolution[J].Environment International，2020，134：105297.

［90］BAI H M, ZHENG Z, ZHANG Y P, et al.Comparison of satellitebased PM2.5estimation from aerosol optical depth and top-ofatmosphere reflectance[J].Aerosol and Air Quality Research，2021，21（2）：200257.

［91］MOAZAMI S, NOORI R, AMIRI B J, et al.Reliable prediction of carbon monoxide using developed support vector machine[J].Atmospheric Pollution Research，2016，7（3）：412-418.

［92］YEGANEH B, HEWSON M G, CLIFFORD S, et al.A satellitebased model for estimating PM2.5concentration in a sparsely populated environment using soft computing techniques[J].Environmental Modelling & Software，2017，88：84-92.

［93］HOU W Z, LI Z Q, ZHANG Y H, et al.Using support vector regression to predict PM10and PM2.5[J].IOP Conference Series:Earth and Environmental Science，2014，17：012268.

［94］YANG L J, XU H Q, JIN Z F.Estimating ground-level PM2.5over a coastal region of China using satellite AOD and a combined model[J].Journal of Cleaner Production，2019，227：472-482.

［95］LI T W, SHEN H F, YUAN Q Q, et al.Estimating ground-level PM2.5by fusing satellite and station observations: a geo-intelligent deep learning approach[J].Geophysical Research Letters，2017，44（23）：11985-11993.

［96］ZANG L, MAO F Y, GUO J P, et al.Estimation of spatiotemporal PM1.0distributions in China by combining PM2.5observations with satellite aerosol optical depth[J].Science of the Total Environment，2019，658：1256-1264.

［97］GUO W, ZHANG B, WEI Q, et al.Estimating ground-level PM2.5concentrations using two-stage model in Beijing-Tianjin-Hebei,China[J].Atmospheric Pollution Research，2021，12（9）：101154.

［98］ZHANG K N, DE-LEEUW G, YANG Z Q, et al.Estimating spatiotemporal variations of PM2.5concentrations using VIIRS-derived AOD in the Guanzhong basin, China[J].Remote Sensing，2019，11（22）：2679.

［99］LIANG F C, XIAO Q Y, WANG Y J, et al.MAIAC-based longterm spatiotemporal trends of PM2.5in Beijing, China[J].Science of the Total Environment，2018，616/617：1589-1598.