基于遙感技術的大氣污染物分布監測研究

中圖分類號：X831 文獻標識碼：A 文章編號：1008-9500（2025）07-0071-04

DOI：10.3969/j.issn.1008-9500.2025.07.019

Research on Distribution Monitoring of Atmospheric Pollutants Based on Remote Sensing Technology

QIUJianhai，BAOYinsen，WANRuil

1.DeqingCountyEologicalEnviroentoitoingation;2.eqingCountyuanTstingCo，d.，Dqing20a）

Abstract：Remotesensing technologyhas eficientand extensive spatial coverage capabilities，anditisanimportanttool formonitoring the distribution ofatmosphericpollutants.Using aradiative transfer modeland multi-sourcedata fusion method，an eficientsystem forpolltantconcentrationinversionandspatialdistrbutionmonitoring isconstructed.Busing remote sensing datainversion technologyand combining it with ground monitoring data，theconcentration distribution of atmosphericpollutants canbe accuratelyobtained.Utilize the leastsquares methodandbackpropagationalgorithm forpollutantconcentration inversion，andoptimize polutant distribution prediction using the Kalman filteralgorithm. Theverificationresults indicatethattheinversionalgorithmhas highaccuracy，andthis technologysystemprovidesdata support for regional pollution source tracking，environmental management，and air quality assessment.

Keywords： remote sensing technology;inversion of pollutant concentration; spatial distribution monitoring

隨著城市化進程的加速和工業活動的增多，大氣污染問題日益嚴重，尤其是細顆粒物（ PM_2.5 ）、 NO₂ 等污染物的濃度對環境和人體健康造成極大影響[1]。傳統的地面監測手段在空間覆蓋和實時性方面存在局限，無法滿足大規模、動態監測的需求[2。遙感技術憑借其高效、廣泛的空間覆蓋能力，成為大氣污染物分布監測的工具[3]。利用遙感數據進行大氣污染物反演和空間分布分析，能夠實時獲取污染物濃度的時空分布特征，為污染源的追與區域空氣質量管理提供精確數據支持[4]。近年來，遙感技術與數據融合方法的發展提升大氣污染物監測的精度和可靠性，為環境保護和公共衛生保障提供科學依據。

1 研究區概況

浙江省德清縣為長江三角洲經濟區的一部分，地理位置特殊，經濟發展迅速。德清縣屬于典型的城市－鄉村交界區，大氣污染源分布較為復雜。工業、交通以及農業活動均對空氣質量產生顯著影響。該地區工業化不斷推進，尤其是近年來制造業、物流業迅猛發展，導致局部區域出現 PM_2.5 、二氧化硫等大氣

污染物濃度超標現象。

2大氣污染監測遙感技術原理

2.1遙感輻射傳輸原理

遙感輻射傳輸原理基于大氣層中光與物質的相互作用。當太陽輻射通過大氣層時，光線與氣體分子、氣溶膠、云層等發生散射、吸收和反射等現象，最終到達地面并被遙感平臺接收[5。大氣中的氣體分子和顆粒物對不同波長的輻射具有特定的吸收和散射特性，輻射傳輸模型經過模擬這些過程，描述從地面到遙感平臺的輻射傳輸過程。該原理可以利用反演大氣輻射的光譜特征，提取大氣污染物的濃度信息。遙感數據的輻射傳輸模型主要考慮大氣的吸收與散射效應，并結合地面氣象數據進行校正。

2.2遙感數據反演原理

遙感數據反演原理基于輻射傳輸模型，利用分析遙感平臺接收的地表反射或輻射信息，反向推算大氣污染物的濃度分布。該過程需要建立大氣輻射傳輸方程，結合大氣成分、氣溶膠、云層及地表特征等因素，利用遙感光譜數據與地面監測數據進行校正與匹配。反演過程通常采用最小二乘法、反向傳播算法或正則化方法，解決大氣污染物濃度與遙感信號的非線性關系。該原理經過高精度反演大氣污染物的光譜特征，提供污染物空間分布的定量估算[。在反演過程中，考慮大氣散射、吸收以及地面特征對遙感信號的影響，確保反演結果的準確性與可靠性。

2.3多源數據融合原理

多源數據融合原理將不同來源的遙感數據、地面監測數據以及氣象數據進行集成，提升大氣污染監測的精度和時效性。不同數據源提供互補的信息，遙感數據可提供廣泛的空間分辨率，地面監測數據則能提供高精度的局部數據，而氣象數據有助于解析大氣污染物的擴散規律。融合方法通?；诩訖嗥骄?、卡爾曼濾波或機器學習算法，將各類數據的優勢互補，減少單一數據源的不確定性。該原理有效提高污染物濃度反演的精度，減少數據缺失或誤差對結果的影響，進而實現更為精準的污染物空間分布估算。

3遙感監測系統設計

3.1系統架構

遙感監測系統涵蓋數據采集、處理、反演與展示4個核心模塊，如圖1所示。數據采集模塊經過遙感平臺獲取污染物光譜數據，涵蓋多波段傳感器。數據處理模塊進行輻射、大氣及幾何校正，確保數據精度。反演模塊利用輻射傳輸模型和反演算法計算污染物濃度。展示模塊將反演結果可視化，提供污染物的空間分布和濃度變化。整體架構實現模塊化設計，確保系統高效、精確地完成大氣污染物監測任務。

圖1系統架構流程

3.2遙感數據采集預處理

3.2.1 數據采集

遙感數據采集模塊利用衛星、無人機等遙感平臺獲取大氣污染物相關的光譜數據。根據不同波段的遙感傳感器，能夠捕捉大氣污染物的反射光譜信息。遙感影像的獲取依賴傳感器的輻射傳輸模型，該模型能夠描述從地表到遙感器的輻射傳輸過程。輻射傳輸模型基于傳輸方程描述地表輻射與大氣、云層等介質的交互作用，如式（1）所示。

式中： I_λ 為波長的光線地表反射率； τ_λ 為波長的光線大氣透過率； I_λ⁰ 為地表發射的波長λ的光線輻射強度； z 為輻射穿過大氣層的垂直距離； 為大氣層對輻射的散射和吸收影響。

3.2.2 數據預處理

數據采集后，遙感影像需要進行一系列預處理，以提高數據質量。主要包括輻射校正、大氣校正和幾何校正等。輻射校正用于消除傳感器和外部環境因素引起的誤差?；谳椛鋫鬏斈Ｐ?，輻射校正算法可以使用加權平均方法調整數據，如式（2）所示。大氣校正用于消除大氣中的水蒸氣、氣溶膠等對遙感信號的干擾。常用的大氣校正方法是6S模型，它經過計算大氣的透過率和散射系數，對不同波段的遙感數據進行校正。其中，大氣透過率采用式（3）計算。幾何校正使用地面控制點進行影像配準，確保遙感影像與地面坐標系統的匹配。幾何校正過程常用卡爾曼濾波算法進行誤差校正，如式（4）所示。這些預處理步驟可以有效減少遙感數據的噪聲與誤差，為后續的污染物濃度反演和分布監測提供高質量的數據。

式中： R_c 為校正后的反射率； w_i 為第 i 個波段的 權重因子； R_i 為第 i 個波段的反射率; T_λ 為大氣透過率; σ_λ 為大氣散射系數； n（z） 為大氣密度； z 為輻射穿過 大氣層的垂直距離； x_k 為第 k 個估計狀態； x_k-1 為第 k-1 個估計狀態； K_k 為卡爾曼增益； z_k 為觀測值； H_k 為測量矩陣。

3.3污染物濃度反演

大氣污染物濃度的反演是遙感監測系統的核心步驟，需要建立遙感信號與污染物濃度的關系來實現。在實際應用中，遙感信號與污染物濃度的關系往往表現為非線性，因此要采用有效的算法進行反演。最小二乘法是一種經典的回歸分析方法，廣泛用于解決遙感信號與污染物濃度的線性關系。其基本思想是采用最小化預測值與實際觀測值的誤差平方和來獲得最優的回歸系數，如式（5）所示。最小二乘法適用于簡化的線性模型，通常作為初步估算工具。

式中： y_i 為第 i 個樣本的真實污染物濃度； x_i 為遙感信號； f（x_i，β） 為預測值； β 為回歸系數。

針對遙感信號與污染物濃度的非線性關系，反向傳播算法利用神經網絡進行建模，能夠實現更精確的反演。反向傳播算法使用梯度下降法優化網絡的權重，從而調整網絡參數，降低預測誤差。其中，權重采用式（6）進行計算。利用反向傳播，能夠處理遙感信號與污染物濃度的復雜非線性關系，提升反演精度。

式中： w 為神經網絡中的權重； η 為學習率； E 為損失函數； 為誤差對權重的梯度。

這兩種方法分別適用于不同的情境，最小二乘法適用于簡單線性模型，反向傳播算法則可有效處理

更復雜的非線性問題，二者結合使用，可以在不同的反演精度要求下實現高效的污染物濃度反演。

3.4污染物分布監測

污染物分布監測采用遙感技術實現大氣污染物空間分布的實時跟蹤?；诜囱萁Y果與空間分布模型，結合遙感影像，能夠精確繪制污染物濃度分布圖。利用遙感數據，可以獲取不同區域、大氣層高度以及時空尺度下的污染物濃度信息，評估污染源特征與擴散趨勢。監測結果支持環境管理決策，推動精準污染源治理與空氣質量改善。

4技術驗證

4.1數據采集與預處理

試驗數據來源于德清縣生態環境監測站，數據涵蓋2014年1月至2020年12月的M0DIS遙感影像和30個監測站點的 PM_2.5 1 NO₂ 等污染物濃度數據。遙感數據的輻射傳輸模型用于校正大氣影響，確保反演數據準確。

4.2污染物濃度反演

使用最小二乘法和反向傳播算法對 PM_2.5 濃度進行反演，并與地面監測數據對比，如表1所示。結果表明，最小二乘法和反向傳播算法的反演結果與實際值的差異率保持在 2%～5% ，表明反演效果較好。

表1污染物濃度反演值 單位： μg/m³

4.3數據對比

使用皮爾遜相關系數計算反演結果與地面監測數據的擬合度，如式（7）所示。經準確計算，得出皮爾遜相關系數和決定系數。最小二乘法反演結果與實際監測數據的相關系數為0.994；最小二乘法反演結果與實際監測數據的決定系數為0.988；反向傳播算法反演結果與實際監測數據的相關系數為0.995；反向傳播算法反演結果與實際監測數據的決定系數為 0.990 。

式中： r 為皮爾遜相關系數； n 為樣本容量； x_i"為第 i 個變量 X 的樣本值；""為變量 X 的平均值; y_i"為第 i 個變量 Y 的樣本值；為變量Y的平均值。

4.4結果討論

計算結果表明，最小二乘法和反向傳播算法的反演結果與實際監測數據的相關系數均較高，分別為0.994和0.995。這意味著兩種算法能夠有效地擬合遙感信號與污染物濃度的關系，反向傳播算法在處理非線性關系時具有略高的準確度。決定系數表明，這些算法能夠解釋污染物濃度數據變化的 98.8% 和99.0% ，驗證其高效的預測能力。這些結果表明，基于遙感技術的大氣污染物監測系統能夠有效反演污染物濃度，繪制污染物空間分布圖，并為污染源的追溯和治理提供數據支持。

5結論

本研究基于遙感技術提出一種有效的大氣污染物分布監測方法，采用輻射傳輸模型、污染物濃度反演及多源數據融合技術，構建高精度的污染物監測系統。驗證結果表明，遙感技術在污染物濃度反演和分布監測中的應用具有較高的準確性與可靠性。該方法為區域污染源追蹤與環境管理提供科學依據，具有廣泛的應用前景。

參考文獻

1何錫禎.遙感監測下城市主要大氣污染物環流聚類時空分布特征研究[J].環境科學與管理，2024（2）：125-130.

2 司成潤.基于移動監測的大氣污染物濃度分布實時監測方法研究[J].環境科學與管理，2023（5）：146-150.

3馬越.基于稀疏環境監測數據模式識別的空間－環境－人群多層次大氣污染物集中水平估計關鍵技術研究[D].成都：四川大學，2022.

4黃璐，李展，王斌.基于被動采樣監測瀘州市大氣污染物 SO₂"、 NO₂"濃度時空分布特性研究[J].四川環境，2014（4）：47-52.

5 白亮.福建省大氣污染物分布特征和監測網絡優化研究[J].能源與環境，2013（5）：82-83.

6 吳艷蘭.多平臺區域大氣污染物網格化監測系統關鍵技術研究及示范應用[D].合肥：安徽大學，2022.

7 柴晉鵬，陳學剛，趙直.基于移動監測的城市街谷交通相關污染物濃度時空變化研究[J].地球與環境，2021（4）：389-399.