空間分辨率與精度協同改進的衛星AOD產品降尺度模型

張華玉,鄒 濱,劉 寧,李 莎

空間分辨率與精度協同改進的衛星AOD產品降尺度模型

張華玉,鄒 濱*,劉 寧,李 莎

(中南大學地球科學與信息物理學院,湖南 長沙 410083)

針對現有衛星氣溶膠光學厚度(AOD)產品空間分辨率和精度往往難以滿足大氣污染精細治理實際需求,提出了一種耦合偏差校正的統計降尺度改進模型(SDBC).該模型基于“空間尺度不變性假設”引入相關驅動因子的額外空間信息實現AOD降尺度,并在此基礎上通過偏差校正進一步提升降尺度產品的精度.以1km分辨率MAIAC AOD產品為例,在北京、大灣區、臺灣島3個典型地區開展模型驗證.結果表明:(1)DEM、NDVI、人口數量和土地覆蓋是影響AOD變化的細節因子,在SDBC空間降尺度過程中引入可將AOD產品的空間分辨率有效提升至500m,且降尺度產品驗證2最高可達0.88;(2)顧及衛星觀測幾何、質量標識、大氣水蒸氣柱、氣溶膠模式等因子的偏差校正則可進一步提升降尺度AOD產品的精度,3個地區的驗證2均在0.85以上,最高可達0.93;(3)信息熵評估結果顯示SDBC模型生成的500m AOD產品提高了原始MAIAC AOD產品的空間信息量.在保留了公里級產品AOD的空間分布格局的基礎上,SDBC產品也增強了細節和紋理特征、改善了邊界現象和馬賽克效應.研究結果證實SDBC模型能有效協同改進現有衛星AOD產品的空間分辨率和精度,提升我國大氣污染遙感精準監測的業務能力.

MAIAC AOD；空間降尺度；偏差校正；趨勢面；PM2.5

氣溶膠是由大氣和懸浮在大氣中的液態、固態顆粒組成的多相體系,在全球氣候調節中發揮著重要作用[1].氣溶膠光學厚度(AOD)為氣溶膠消光系數從地表到大氣頂層的積分,是表征大氣渾濁程度的關鍵物理量,正受到各界普遍關注.在大氣污染方面,衛星AOD遙感反演產品已成為模擬估算近地面PM2.5濃度最重要的數據源[2].隨著我國大氣污染防控的精細化治理發展,時空全域精準的PM2.5濃度數據獲取需求顯得比以往更加迫切,亟待高時空分辨率、高精度衛星AOD產品數據的支持.

自2000年起,空間大范圍業務化衛星AOD產品陸續發布,包括常見的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.盡管上述業務化衛星AOD產品在全球尺度上具有較高精度[3],但已有研究表明在1km2網格內AOD仍存在空間差異[4],因此公里級的AOD無法完全揭示大氣污染特征.

針對高空間分辨率衛星AOD的需求,學者們嘗試直接從HJ-1、GF-1和Landsat 8等成像分辨率更高的衛星影像反演新的AOD產品,空間分辨率最高可達30m[5-7].但空間分辨率提升的同時,剔除地表反射率貢獻的難度增加,氣溶膠信噪比下降,不可避免地增加AOD產品的系統誤差和地面噪聲.而且高空間分辨率衛星往往時間分辨率更低,以Landsat 8(30m)為例,16d的重返周期限制了其AOD產品在日常監測中的可用性[8].

空間降尺度是一種將低分辨率數據轉化為高分辨率數據的常用方法,一定程度上可化解傳感器時空分辨率矛盾.常用的遙感產品降尺度方法可分為地統計插值、圖像融合和統計回歸三種.地統計插值和圖像融合雖已在AOD降尺度中廣泛應用,但前者缺乏對環境特征的考慮,容易造成較大的誤差[9];后者未能突破融合產品分辨率取決于基準影像的固有缺陷,無法實現AOD產品超分辨率重建.

統計回歸降尺度是通過低空間分辨率產品與高空間分辨率驅動因子間的統計關系實現降尺度,已在地溫、降水、土壤濕度等氣象參數的降尺度應用中得到推廣[10-12].大量研究證實,AOD與氣象、地形、地表覆蓋、人口等因子密切相關[13-14].因此,統計回歸降尺度理論上可用于衛星AOD產品的超分辨率重建.但現實是,氣溶膠時空變化機理不明,致使AOD精細尺度下的影響因子尚未可知,且單一的統計回歸降尺度方法常難以消除原產品中傳感器和地氣解耦效應造成的誤差.故直接采用統計回歸降尺度方法一步實現衛星AOD產品空間分辨率與精度的協同提升存在較大困難.

鑒于此,本研究擬基于公里級衛星AOD產品,提出一種耦合偏差校正的統計降尺度模型(SDBC),嘗試引入驅動AOD時空變化的高空間分辨率因子模擬估算百米級尺度衛星AOD產品,并結合地面AOD監測數據進行偏差校正,實現衛星AOD產品空間分辨率和精度的協同改進,為我國大氣污染精細治理遙感監測產品的生產提供科學參考.

1 SDBC模型

SDBC模型是一個兩步法模型,主要包括AOD空間降尺度和AOD偏差校正兩部分.模型公式為:

1.1 AOD空間降尺度

1.2 AOD偏差校正

1.3 因子選擇

2 模型驗證

2.1 實驗區概況

如圖1所示,從中國北部、南部、東南部分別選取北京市、粵港澳大灣區、臺灣省臺灣島3個區域作為實驗區.3地涵蓋了溫帶季風、亞熱帶季風、熱帶季風3種氣候類型,土地覆蓋以林地、耕地、建設用地為主,均屬于經濟發達、人口密集、空氣污染問題敏感區域.此外,3地范圍內有多個AERONET AOD地面監測站,可為SDBC模型的可靠性檢驗提供直接數據.需要說明的是為增加驗證站點數量,北京實驗區范圍擴大至115.3°～117.6°E, 39.4°～41.1°N.

圖1 實驗區概況

為AERONET站點個數

2.2 數據收集與預處理

SDBC模型構建和驗證過程中使用的數據主要包括:衛星MAIAC AOD產品、地基AERONET AOD數據、趨勢面因子及偏差影響因子所采用的多源地理要素.數據時相為2000～2019年間實驗區同時有衛星和地面監測AOD數據時段,北京、大灣區、臺灣島分別為2001-02～2019-03,2005-11～2018-10, 2000-03～2019-12.數據具體信息如表1所示.

表1 研究數據說明

續表1

注:a為趨勢面因子,b為偏差校正影響因子.

為統一時空分辨率,對上述柵格數據進行了整合、投影變換、重采樣、無效值剔除等預處理,得到了500m和1km分辨率的標準數據格式.地基AERONET AOD數據需要通過?ngstr?m指數插值得到550nm波段處的AOD數據[33].

2.3 實驗設計與實現

SDBC模型具體實現流程包括5個部分(圖2):(1)趨勢面構建與評價:MAIAC AOD作為因變量,1km趨勢面因子作為自變量,利用隨機森林算法得到趨勢面函數和尺度轉換殘差,并通過預留驗證樣本對趨勢面函數進行精度評價.(2)產品降尺度與評價:500m趨勢面因子作為趨勢面轉換函數的輸入,得到降尺度結果(SD AOD),再與AERONET AOD進行時空匹配以評估SD AOD精度.(3)因子探測:引入地理探測器[34]對降尺度前后的AOD與偏差影響因子的關系進行單因子探測,評估空間降尺度是否會改變偏差影響因子與偏差的關系.(4)偏差校正模型構建與評價:以AERONET AOD為真值,并與降尺度結果SD AOD、偏差影響因子時空匹配,獲取AERONET站點處SD AOD的偏差與偏差影響因子,利用隨機森林算法構建偏差及其影響因子之間的偏差校正模型,并通過交叉驗證等方法評價偏差校正模型精度.(5)產品偏差校正與評價:偏差影響因子面數據作為偏差校正模型輸入,生成最終產品(SDBC AOD),開展最終產品精度與信息量評價.

圖2 實驗設計流程

2.4 評價方法

2.4.1 精度評價 選取擬合優度(2)、均方根誤差(RMSE)、偏差(Bias)、預期誤差(EE)和驗證點對數量()等統計值作為精度定量評價指標[35].

在評估MAIAC AOD、SD AOD和SDBC AOD精度時,將AERONET站點分別與3種AOD最鄰近的像元進行空間匹配,并提取衛星過境前后30min內AERONET AOD均值作為真值,以此計算精度評價指標.

在評價趨勢面函數時采用60%的樣本作為訓練集,40%的樣本作為驗證集的樣本分配原則.

采用基于樣本的十折交叉驗證和基于站點的留一交叉驗證以評估偏差校正模型精度.基于樣本的十折交叉驗證是將所有樣本點時空隨機混合打亂分成十份,并迭代地選取一份作為驗證集;而基于站點的留一交叉驗證則是迭代的抽取一個AERONET站點處的樣本作為驗證集,可以表征模型在預測空間未知點上的泛化能力[36].

2.4.2 信息量評價 為對比評價SDBC模型提升AOD產品空間信息的有效性,本研究引入信息熵作為定量評價指標.信息熵是反映影像信息豐富程度的度量方式[37],信息熵值越高表示產品的信息量越多,細節越豐富,圖像質量越好[38].單期AOD產品信息熵計算公式如下:

3 結果與分析

3.1 空間降尺度趨勢面評價

使用SDBC模型分別在北京、大灣區、臺灣島3個實驗區以月為單位訓練了218、156、238個空間降尺度模型,模型的趨勢面函數表現如圖3所示.從時序上看,3個實驗區的趨勢面函數精度年際趨勢基本不變,但具有季節性差異.北京地區在冬季的精度明顯低于其他時間,造成這種現象的原因可能是北京地區屬于溫帶季風氣候,冬季寒冷干燥,受到靜穩天氣和采暖期燃煤排放增加的影響,區域污染較為嚴重,文中選取的趨勢面因子表征AOD的能力略微下降.與之相反,大灣區和臺灣島在夏季精度表現相對較差,這是因為大灣區和臺灣島位于中國南部,屬亞熱帶季風和熱帶季風氣候,夏季高溫多雨,伴隨云量增加,原始MAIAC AOD產品覆蓋度較低,模型訓練樣本量低于其他季節致使精度略有下降.但整體而言,3個實驗區的模型表現良好,訓練和驗證2均在0.85以上,RMSE均小于0.06,且無明顯過擬合現象,尤其以北京地區的模型表現最佳,2始終維持在0.98以上,說明選取氣象、土地覆蓋、人口、地形和時間信息作為趨勢面因子構建的趨勢面函數在不同地區、不同氣候條件下都能較充分地還原MAIAC AOD的原始信息,因此趨勢面函數可作為空間降尺度的轉換函數用于擬合精細尺度下的AOD空間分布.

(a) 北京(b) 大灣區(c) 臺灣島

3.2 空間降尺度AOD精度分析

如表2所示,本研究構建的空間降尺度模型能實現1km MAIAC AOD產品向500m分辨率的躍遷轉換,且模型總體表現較好.主要體現在:(1)SD AOD產品與AERONET AOD的驗證精度優于原始MAIAC AOD產品.即原始MAIAC AOD產品與AERONET AOD總體上已經具有較高的相關性,但在相同情況下,經過降尺度的SD AOD產品2和RMSE稍優于原產品.北京、大灣區、臺灣島降尺度前后的2分別為0.8680vs. 0.8774、0.6682vs. 0.6706、0.6590vs. 0.6776.(2)SD AOD產品信息量較原產品顯著提升.分地區計算多期AOD產品信息熵平均值(Entm)可發現,SD AOD產品的信息熵在3個實驗區均較原始衛星AOD產品顯著增加,分別提升了506.63%、267.50%、154.84%.以上結果證實,高空間分辨率DEM、NDVI、人口數量和土地覆蓋數據能增強降尺度模型對AOD細微變化的解釋能力.

表2 MAIAC AOD和SD AOD產品定量統計

注:Bias表示偏差;EE表示預期誤差,EE=±(0.05+0.15′AOD);Entm表示信息熵平均值.

3.3 空間降尺度AOD偏差校正分析

表2中的Bias和EE指標表明,空間降尺度并未能較好解決原衛星AOD產品的高估和低估現象.降尺度后,除北京地區的Bias有所下降外,大灣區和臺灣島的Bias均稍有上升,且3個實驗區仍有相當一部分數量的驗證點對超出期望誤差范圍,因此有必要對SD AOD展開偏差校正.

圖4展示了降尺度前后產品偏差影響因子的單因子貢獻力探測結果,其中值越大貢獻力越強.從結果來看,偏差影響因子對MAIAC AOD和SD AOD兩類產品的偏差貢獻力基本持平,但部分因子對SD AOD偏差的貢獻力呈現明顯增大趨勢,如NDVI在北京、大灣區和臺灣島的貢獻力相較原始貢獻力分別上升了34.31%、127.98%、48.59%.這一結果表明,尺度變化基本不會改變或削弱AOD產品的偏差及與偏差影響因子的關聯關系,且部分因子對偏差的可解釋性在高空間分辨率下可得到一定提升.

圖4 偏差影響因子的單因子貢獻力

圖5a表明,偏差校正后的SDBC AOD驗證點對均勻分布在擬合線兩側,Bias趨于0,高估和低估現象基本消除,擬合2分別提升至0.97, 0.95, 0.94.相比與擬合結果,由圖5b中基于樣本的十折交叉驗證的結果可知,驗證精度較擬合精度略微降低,但2保持在0.93, 0.88, 0.85,Bias仍接近于0,預期誤差范圍內的樣本點對比例均控制在80%以上,反映偏差校正模型在無地面AERONET AOD數據的時空點位仍具有較好的偏差校正效果.圖5c中基于站點的留一交叉驗證結果所示,相較基于樣本驗證的結果,驗證2有一定的下降,2分別為0.92, 0.79, 0.76.盡管如此,基于站點的交叉驗證精度與MAIAC AOD產品的原始精度相比仍具有明顯優勢,說明偏差校正模型在沒有地面AERONET站點的區域也具備改善AOD產品精度的能力.上述偏差校正模型擬合精度和驗證精度優異的表現均證明了考慮衛星觀測幾何、質量標識、大氣水蒸氣柱、氣溶膠模式、DEM、NDVI、土地覆蓋和時空信息等偏差影響因子的偏差校正能有效改善降尺度后的高空間分辨率衛星AOD產品偏差,進一步提升產品精度.

圖5 偏差校正模型擬合結果和交叉驗證結果

(a) 擬合結果(b) 基于樣本的交叉驗證結果(c) 基于站點的交叉驗證結果

3.4 500m分辨率SDBC AOD產品評價

SDBC模型應用于3個實驗區MAIAC AOD產品改進,分別生成了13704、9490、14247期500m SDBC AOD產品.選取當期覆蓋度較高的AOD產品展示如圖6.對比圖6a原始MAIAC AOD產品與圖6b SDBC AOD產品可以發現,SDBC AOD產品與原始MAIAC AOD空間分布趨勢相似,影像中高值區和低值區均較好地吻合,表明SDBC模型不會破壞原始MAIAC AOD的空間分布格局.而且在SDBC AOD中,3個地區內的AOD的高值有不同程度的下降,說明在改進后的產品中高估現象已被校正.在全局對比的基礎上,從北京、大灣區、臺灣島3個實驗區分別選取城區、農林地、山區3種不同地表環境進行放大對比(即圖6a和圖6b中矩形黑框劃定的區域).對比圖6c和圖6d中放大局部細節,改進后的SDBC AOD產品中由于以“塊”為單元反演產生的AOD邊界現象[39]和原產品分辨率不足引起的馬賽克效應被改善,影像中土地覆蓋、植被、地形等因素空間差異導致的AOD空間分布細微變化和紋理特征被還原.

圖6 1km MAIAC AOD和500m SDBC AOD影像

(a) MAIAC AOD全局圖(b) SDBC AOD全局圖(c) MAIAC AOD細節圖(d) SDBC AOD細節圖

圖7表明:(1)改進后的SDBC AOD信息熵平均值為3.44、1.26、0.54,較MAIAC AOD信息熵總體呈正向增長趨勢,提升比例分別為499.74%、274.33%、151.54%,這從定量的角度證明了SDBC模型能顯著提升AOD產品的信息量.(2)不同地區提升量差異顯著,北京地區信息熵提升效果明顯優于大灣區和臺灣島.導致這一現象的主要原因是北京地區用地結構和人為排放情況相對復雜,區內大氣污染空間異質性較高[40-41],SDBC模型引入高分辨率土地覆蓋和人口數據后能更充分還原地區內復雜的污染特征.此外,北京地區SDBC AOD產品的信息熵在研究時段內呈較平穩趨勢,而臺灣島和大灣區明顯表現出冬季高夏季低的季節性規律,造成這種差異的主導因素是AOD覆蓋度.北京地區的覆蓋度全年保持在較高水平,但臺灣島和大灣區地區覆蓋度有明顯的“冬高夏低”季節差異,夏季影像缺失嚴重,AOD在未缺失的局部小范圍內分布相對均質、信息熵較小,而冬季影像覆蓋較大,AOD在研究區域全局呈現空間異質性、信息熵較大.

本研究僅驗證了SDBC模型將1km MAIAC AOD降尺度至500m空間分辨率的可行性,但尚未在其他空間尺度和衛星AOD產品上開展測試.因此,今后工作可圍繞不同時空分辨率和各類衛星AOD產品進一步開展模型的普適性研究.

(a)MAIAC AOD信息熵(b) SDBC AOD信息熵

4 結論

4.1 DEM、NDVI、人口數量和土地覆蓋是影響AOD變化的細節因子,而衛星觀測幾何、質量標識、大氣水蒸氣柱、氣溶膠模式等是影響衛星AOD產品反演偏差的重要因子.

4.2 顧及AOD細節因子和偏差影響因子的SDBC模型可實現衛星AOD產品空間分辨率和精度的雙重改進.SDBC模型可將1km MAIAC AOD有效降尺度至500m,得到的AOD產品精度2可達0.97、0.95、0.94.

4.3 SDBC模型得到的500m AOD產品提高了原始MAIAC AOD產品的空間信息. SDBC AOD既保留了原產品中AOD的空間分布格局,還改善了原產品的邊界現象和馬賽克效應,細節和紋理特征更加清晰.

[1] 毛節泰,張軍華,王美華.中國大氣氣溶膠研究綜述 [J]. 氣象學報, 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] 黃明祥,魏 斌,郝千婷,等.PM2.5遙感反演技術研究進展 [J]. 環境污染與防治, 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,厲 青,陶金花,等.環境一號衛星CCD相機應用于陸地氣溶膠的監測 [J]. 中國環境科學, 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,吳文嘉,吳文斌,等.地理科學中數據空間重構最新研究進展 [J]. 經濟地理, 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,占文鳳,陳云浩,等.遙感地表溫度降尺度方法比較——性能對比及適應性評價 [J]. 遙感學報, 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,蔣興文,黃小梅,等.中國西南夏季降水預測的統計降尺度建模分析 [J]. 高原氣象, 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] 孫 灝,周柏池,李 歡,等.耦合MOD16和SMAP的微波土壤濕度降尺度研究 [J]. 遙感學報, 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,史建橋,卜 軍,等.近年來長江流域氣溶膠光學厚度時空變化特征分析 [J]. 生態環境學報, 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] 孫忠保,程先富,夏曉圣.中國氣溶膠光學厚度的時空分布及影響因素分析 [J]. 中國環境科學, 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,謝東輝,李小文.構造地理要素趨勢面的尺度轉換普適性方法探討 [J]. 遙感學報, 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 悅,孫艷玲,高 爽,等.京津冀地區AOD時空變化及影響因子的地理探測 [J]. 干旱區地理, 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] 王勁峰,徐成東.地理探測器:原理與展望 [J]. 地理學報, 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] 李忠賓,王 楠,張自力,等.中國地區MODIS氣溶膠光學厚度產品綜合驗證及分析 [J]. 中國環境科學, 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] 沈煥鋒,李同文.大氣PM2.5遙感制圖研究進展[J]. 測繪學報, 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] 楊艷春,李 嬌,王陽萍.圖像融合質量評價方法研究綜述 [J]. 計算機科學與探索, 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] 吳一全,史駿鵬.基于多尺度Retinex的非下采樣Contourlet域圖像增強 [J]. 光學學報, 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] 張潤森,濮勵杰,劉 振.土地利用/覆被變化的大氣環境效應研究進展 [J]. 地域研究與開發, 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] 吳健生,王 茜,李嘉誠,等.PM2.5濃度空間分異模擬模型對比:以京津冀地區為例[J]. 環境科學, 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

國家重點研發計劃政府間國際科技創新合作項目(2021YFE0117100);國家自然科學基金資助項目(41871317);中南大學研究生自主探索創新項目(2021zzts0817)

*責任作者, 教授, 210010@csu.edu.cn

張華玉(1998-),女,湖南邵陽人,中南大學碩士研究生,主要研究方向為大氣環境遙感.