基于AGRI颗粒物浓度遥感反演及季节变化分析

基于AGRI数据反演区域PM_2.5浓度.利用6S辐射传输模式,分析气溶胶光学厚度AOD与能见度相关性,建立AOD、气溶胶标高和能见度模型;通过对大气柱AOD垂直订正,构建AOD与近地面PM_2.5浓度关系的物理模型;同时引入了地面相对湿度数据.结果表明,FY-4A遥感的PM_2.5浓度与地面空气质量监测站的PM_2.5浓度变化趋势一致,算法计算效率较高.利用AGRI估算近地面PM_2.5与地面观测网对比分析,其结果不亚于于MODIS以及VIIRS的对比结果,AGRI估算的均方根误差和相对误差较小.从季节分析,冬季近地面颗粒物浓度是影响整层大气柱AOD值的主要因素,AGRI反演结果精度较好,夏季相关系数相对于其他三个季节偏低.总体而言,采用FY-4A/AGRI反演颗粒物浓度精度可靠,有利于实现区域气溶胶全天候实时监测.     

基于WRF模型与气溶胶光学厚度的PM2.5近地面浓度卫星反演

为了反演高分辨率的PM_2.5近地面浓度,利用WRF(中尺度气象模型)模拟的大气相对湿度、风速、边界层高度等气象因子对AOD(气溶胶光学厚度)分别进行订正,以逐步提高AOD与近地面ρ(PM_2.5)间的相关性;分析不同反演模型的统计学特征,优选反演模型,并利用最优模型反演中国中东部地区2014年年均ρ(PM_2.5)的空间分布特征.结果表明:AOD经相对湿度订正后,其与近地面ρ(PM_2.5)的相关性显著提高,相关系数达到0.77;同时引入相对湿度、风速2个气象因子,AOD与近地面ρ(PM_2.5)的相关系数升至0.79(n=145,P<0.01);同时引入相对湿度、风速和边界层高度3个气象因子,AOD与近地面ρ(PM_2.5)的相关系数进一步升至0.80(n=145,P<0.01).模型反演表明,研究区域内ρ(PM_2.5)年均值大于35 μg/m3的面积高达334.49×104 km2,占研究区域面积的83.2%,并且高污染地区与人口密度高度重合.分析表明,北京、天津、河北、山东及河南等典型重污染省、直辖市分别有96.30%、100%、78.16%、98.86%、100%面积的ρ(PM_2.5)超标,分别约有99.97%、100%、96.41%、98.88%、100%人口生活在空气质量超标地区.      

基于GF-4卫星的长三角城市群PM2.5遥感反演

基于静止卫星高分四号（GF-4）遥感数据,利用6SV辐射传输模型与暗目标算法进行高空间分辨率气溶胶光学厚度（AOD）遥感反演;在此基础上,结合地面监测站大气细颗粒物（PM_2.5）浓度、气象资料等数据,采用物理订正方法及线性混合效应模型,实现长三角城市群区域大尺度空间连续的PM_2.5浓度遥感反演;最后利用十折交叉验证法对反演精度进行验证.结果表明：GF-4反演的AOD结果分辨率较高,空间连续性好,与AERONET地基监测相关性R达到0.82;利用GF-4 AOD的PM_2.5估算模型精度较高,模型估算PM_2.5浓度与地面实测数据拟合度R²为0.74;在分春夏秋冬4个季节建模情景下,交叉验证R²依次为0.67,0.59,0.63和0.72,平均绝对误差MAE为10.40,7.42,10.10,13.34μg/m³,表明GF-4卫星适用于区域PM_2.5浓度监测.     

基于遥感数据估算近地面PM2.5浓度的研究进展

卫星反演的气溶胶光学厚度(AOD)具有广泛的空间覆盖度和相对较高的时空分辨率. 基于AOD与PM_2.5的相关关系来估算PM_2.5浓度已成为监测近地面PM_2.5的有效途径,其估算结果较可靠,能够为治理PM_2.5污染提供数据基础和科学依据. 从反演AOD数据集和PM_2.5浓度估算模型2个方面进行梳理归纳,从卫星轨道运行类型角度分析各类传感器的产品特征,并对缺失AOD的插补方法进行分类评价;对PM_2.5浓度的估算模型进行比较分析,指出不同模型的优缺点和适应性. 结果表明:①各类卫星传感器均具有特定功能及优缺点,其中地球同步轨道(GEO)卫星的快速发展,使其在估算PM_2.5浓度的应用上越来越广泛. ②插补后的AOD比AOD初始产品具有更连续的时空分布和更高的准确性,基于模型的多变量估算不仅可以实现数据的全面覆盖,还可以获得更好的估算精度. ③组合模型成为估算PM_2.5浓度的重要方法,机器学习模型的加入能够有效提高PM_2.5浓度的估算精度. 研究显示,利用AOD估算近地面PM_2.5浓度不仅弥补了地面PM_2.5监测的空间不连续性,更有助于解析PM_2.5浓度的时空分布特征及污染来源.      

MODIS气溶胶光学厚度在临安大气颗粒物监测中的应用

基于大气辐射传输理论的研究表明,AOD(气溶胶光学厚度)与地面PM(颗粒物)浓度(以ρ计)呈正相关. 利用2006—2010年MODIS晴空AOD数据产品与临安区域大气本底站监测的ρ(PM₁₀)进行相关分析发现,二者的R(相关系数)为0.431,直接相关程度较低. 根据AOD和气象能见度间的关系,获得了不同季节临安地区的气溶胶平均垂直标高,利用该垂直标高和RH(相对湿度)分别订正AOD和ρ(PM₁₀)后,二者的相关性(R为0.576) 明显提高.冬季AOD和ρ(PM₁₀)的相关性最好,R为0.765;夏、春季次之,R分别为0.643和0.608;秋季最低,为0.442. 经过对5年资料的对比分析,证实了MODIS气溶胶光学厚度经垂直标高和RH订正后,可用于临安地区地面空气污染的监测.      

基于线性混合效应模型的河北省PM2.5浓度时空变化模型研究

京津冀地区大气PM_2.5污染严重.为揭示区域PM_2.5时空分布规律,使用2013-2014年河北省地面站点PM_2.5监测数据、MODIS AOD（气溶胶光学厚度）遥感数据、地面气象站点数据和土地利用调查数据,基于线性混合效应模型（LME）,建立了ρ（PM_2.5）时空变化与AOD因子、气象因子、土地利用因子之间的关系模型.采用十折交叉验证法对模型精度进行检验,并利用计算得到的校正因子[全部实测的ρ（PM_2.5）年均值除以参与建模的所有实测ρ（PM_2.5）年均值]纠正因AOD非随机性缺值导致的抽样偏差.结果表明:①河北省区域模拟精度R2（决定系数）为0.85,经交叉验证后R2为0.77,RMSE（均方根误差）和RPE（相对预测误差）分别为18.28 μg/m3和28.68%.②ρ（PM_2.5）年均值模拟结果的校正因子范围为1.24~2.05,校正后的研究区ρ（PM_2.5）年均值为89.84 μg/m3,与实际监测数据相近.③ρ（PM_2.5）空间分布呈平原高、山区低,平原地区西南高、东北低的趋势.④ρ（PM_2.5）与AOD、温度、相对湿度呈正相关,与风速、大气能见度呈负相关.研究显示,线性混合效应模型能有效对ρ（PM_2.5）进行时空变化模拟,并实现对非地面监测地区ρ（PM_2.5）时空变化的预测,恰当的预测因子组合和模型校正有助于模型预测精度的提升.      

北京春季强沙尘过程前后的激光雷达观测

利用激光雷达、PM_2.5和地面气象要素等综合观测资料,分析了北京地区2012年3月30—31日的强沙尘过程前后的天气形势和PM_2.5的污染特征,反演了雷达探测期间得到的消光系数,探讨了沙尘过程中气溶胶的时空分布特征及输送特征. 结果表明:沙尘过境时,地面风速最大达到6m/s,沙尘沉降时ρ(PM_2.5)增至289μg/m3,相对湿度和能见度明显降低,大气低层逆温和近地面风速等气象条件对沙尘影响地面的时间和程度起到了重要作用;沙尘层雷达反演的气溶胶消光系数最大为0.96km-1,偏振比最大为0.4,近地面消光系数变化与地面ρ(PM_2.5)变化规律吻合较好,其探测可以精确反映不同天气形势下气溶胶的垂直结构和时空变化信息;高空输送至北京的沙尘以粗颗粒物为主,细粒子主要来源于本地及周边地区细粒子源;西北方向的内蒙及外蒙地区沙尘输送是导致此次北京强沙尘过程的主要原因.      

沙尘天气对北京大气重污染影响特征分析

利用北京市具有代表性的大气污染物监测站资料,统计出2000─2005年各月重污染的天数,并对4和5级的重污染特征进行分析.结果表明,北京市大气重污染主要源于颗粒物. 分析了北京沙尘型重污染年、季节变化特征和表现形式等. 利用2000—2005年北京及周边地区环境监测、卫星遥感以及气象等数据,对沙尘天气影响北京城区大气中ρ(PM₁₀₎进行分析发现,ρ(沙尘粒子)约占ρ(PM₁₀₎的1%～13%;沙尘天气的影响区域逐渐加重的顺序为前门<古城<车公庄<农展馆<东四<天坛<奥体中心<定陵;沙尘天气下ρ(PM₁₀₎具有双峰型特征,细粒子(PM_2.5)质量浓度的增加对人体健康影响极为不利.      

气象因素对北京市大气颗粒物浓度影响的非参数分析

利用2005年9月—2006年9月北京市大气颗粒物分级(不同粒径)监测资料和同期分时段气象观测数据,采用非参数分析(Spearman秩相关系数)法对北京市3种粒径大气颗粒物在不同季节的浓度水平与气象因素的影响进行了研究.结果表明:不同季节影响颗粒物质量浓度的气象因素各不相同;春季ρ(PM_2.5),ρ(PM2.5～10)和ρ(PM₁₀₎都与气压呈显著负相关;夏季颗粒物质量浓度受降水影响很大;秋、冬季ρ(PM_2.5)和ρ(PM₁₀₎均与日照时数呈显著负相关;冬季ρ(PM_2.5),ρ(PM_2.5～10)和ρ(PM10)均与平均风速呈显著负相关,与气温、相对湿度呈显著正相关. 细粒子和粗粒子质量浓度对气象因素变化的响应程度也有较大区别. 春、夏季地面平均风速对粗粒子质量浓度的影响比细粒子显著,ρ(PM_2.5)/ρ(PM₁₀₎随风速增加而增大;秋季日照时数对细粒子质量浓度的影响比粗粒子更显著,ρ(PM_2.5)/ρ(PM₁₀₎随日照时数增加而减小;冬季相对湿度对粗粒子质量浓度的影响比细粒子显著,ρ(PM_2.5)/ρ(PM₁₀₎随相对湿度增加而减小.      

基于Stacking的地面PM2.5浓度估算

为了解决地面PM_2.5监测网络在空间和时间覆盖受限的问题,提出了基于宽时空覆盖的卫星气溶胶光学厚度AOD,利用Stacking方法建立地面PM_2.5浓度估算模型,将AOD、PM_2.5和各气象参数以及与PM_2.5排放有关的数据进行训练,使用改进网格搜索对模型超参数进行优化,通过对多重共线性分析,建立基于Stacking的最优PM_2.5浓度估算模型。选取2016-01-01-2016-12-31的数据作为实验对象,结果表明:相比于随机森林、GBRT和XGBoost 3种模型,使用岭回归作为元学习器的Stacking模型性能更优,可见Stacking适用于大范围地理区域的大气污染监测。     

卫星遥感AOD反演地面细颗粒物浓度方法与效果

使用2015~2018年MODIS AOD产品融合地表气象资料反演了地面细颗粒物（PM_2.5）浓度,并以反演的PM_2.5浓度为依据,比较了地面PM_2.5观测资料的各种空间插值方法.结果表明：2015~2018年反演的PM_2.5平均浓度与地基观测平均浓度的R²达0.94;干季反演效果好于湿季,珠江三角洲反演效果好于非珠江三角洲地区,原因是湿季天气系统较不稳定,非珠江三角洲地区多山脉和秸秆燃烧,导致气溶胶标高、质量消光效率等假设误差较大.使用4种插值方法对地基观测的PM_2.5浓度进行插值,插值结果大致相当,反距离加权插值法较好,站点分布不均、部分区域站点密度小影响插值效果,建议在站点稀疏地区增加地面PM_2.5观测站点.     

四川盆地PM2.5与PM10高分辨率时空分布及关联分析

为深入了解四川盆地PM_2.5与PM₁₀污染情况，通过机器学习的方法，基于卫星遥感气溶胶产品（MAIAC）与国家环境空气质量监测网数据以及气象、地理、社会经济变量等，构建2个随机森林机器学习模型（R²均为0.86），反演四川盆地2013~2017年间1km网格逐日PM_2.5与PM₁₀浓度时空分布，并分析两者的时空关联性.结果表明：2013~2017年四川盆地地面PM_2.5与PM₁₀平均浓度分别为47.8，75.2μg/m³.PM_2.5与PM₁₀浓度空间上均整体呈现"倒月牙"状分布，西部与南部区域浓度值较高.5a间，区域颗粒物浓度逐年递减，总降幅均达到27%，季节上则均具有"冬高夏低"的特点；PM_2.5与PM₁₀浓度空间相关性显著（相关系数0.96），呈现"内强外弱"的格局，春夏季相关系数（0.91、0.90）低于秋冬季（0.96、0.96）.盆地西南部PM_2.5与PM₁₀比值较高，比值高低的季节性排序为冬季 > 秋季 > 夏季 > 春季.     

基于深度学习方法的PM2.5精细化时空估算模型

提出一种基于深度学习方法的地面PM_2.5浓度时空估算模型（PM_2.5-DNN）,该模型基于葵花-8卫星反演的AOD数据,结合PM_2.5监测站和气象站点观测数据对北京市地面PM_2.5浓度进行了逐时的高精度模拟,同时将PM_2.5-DNN模型的模拟性能与当前的主流方法进行了对比研究.结果表明,使用PM_2.5-DNN模型估算的北京地区1km分辨率每小时地面PM_2.5浓度与地表监测站观测数据对比的一致性较好,模型估算精度可达到R²=0.88,性能优于当前的主流方法.本文所提出的方法适用于区域尺度PM_2.5浓度时空分布细粒度建模与估算,采用端到端的训练方式构建模型,为精细的PM_2.5浓度估算提供了一个简便而有效的方法模型.     

北京冬季重污染过程黑碳气溶胶的飞机观测

利用空中国王飞机平台搭载单颗粒黑碳光度计（SP2）针对北京2016年12月冬季一次污染过程进行了连续观测,阐述了污染发生、发展和消散过程中的黑碳（BC）气溶胶质量浓度、粒径分布和混合状态的变化特征.结果表明,此次污染过程是以PM_2.5污染为主的霾污染过程,最大值为432μg/m³.NO₂、SO₂和CO等气态污染物浓度经过3次污染积累阶段,为PM_2.5最终爆发增长提供了物质基础.静稳的大气条件为PM_2.5爆发增长提供了动力条件.污染发展过程中BC气溶胶先在地面累积增加,然后向高空传输;清除过程则是高空先被移除,低层缓慢降低.污染发展过程中北京地区黑碳气溶胶在边界层（PBL）浓度变化为先升高后减小,平均浓度为3.45μg/m³,质量中值直径（MMD）范围在190~220nm.随着污染过程的发展,气溶胶迅速老化,PBL内的BC老化比例在一天内可从27%增加到了51%,老化过程使得PM_2.5质量浓度爆发增长.污染过程中BC在边界层的垂直演变导致大气加热率发生变化,有利于逆温的维持和发展,加剧了污染物过程.     

基于混合效应模型的京津冀地区PM2.5日浓度估算

利用2016年182d的MODIS 3km AOD数据与地面监测数据,评估了混合效应模型不同参数组合的模拟性能,得出模型在解释AOD-PM_2.5关系时,对时间序列变异的解释能力要比空间差异更佳.在此基础上,利用混合效应模型建立京津冀地区每日的AOD-PM_2.5关系,模型拟合R²为0.92,交叉验证调整R²为0.85,均方根误差（RMSE）为12.30 μg/m³,平均绝对误差（MAE）为9.73 μg/m³,说明模型拟合精度较高.基于此模型估算的2016年京津冀地区年均PM_2.5浓度为42.98 μg/m³,暖季（4月1日~10月31日）为43.35 μg/m³,冷季（11月1日~3月31日）为38.52 μg/m³,与同时期的地面监测数据差值分别为0.59,0.7,5.29 μg/m³.空间上,京津冀地区的PM_2.5浓度呈现南高北低的特征,有一条明显的西南-东北走向的高值区.研究结果表明,基于每日混合效应模型可以准确评估京津冀地区的地面PM_2.5浓度,且模型估算的PM_2.5浓度分布状况为区域大气污染防治提供了基础的数据支撑.     

2015年“十一”期间北京市大气重污染过程分析

采用垂直观测、地面观测、PM_2.5化学组分观测和气团轨迹分析等手段,对2015年10月份北京市一次大气重污染过程进行了分析.结果表明,重污染时近地面层气溶胶消光系数升高,污染物主要积聚在600m以下.重污染期间气象要素特征为：风场弱,湿度大,地面受弱气压场控制,边界层高度极低.重污染期间不同站点PM_2.5浓度变化趋势和峰值出现时间较为一致;大部分时段PM_2.5中NO₃^-浓度明显高于其他组分;周边区域受重污染的影响面积相对较小,高浓度区主要集中在北京市及近周边地区.多手段的观测结果以及PM_2.5浓度与气象要素和各化学组分的相关性分析的结果均表明：区域传输,包括秸秆焚烧,对本次北京市重污染天气过程具有一定的影响,但本地机动车排放在不利气象条件下的积累、二次转化以及垂直方向空间的极端压缩是导致重污染的主要原因.