乌鲁木齐市MODIS气溶胶光学厚度与PM10浓度关系模型研究

为了建立乌鲁木齐市近地面PM10浓度监测的关系模型,利用乌鲁木齐市2013年3—11月、2014年3—11月MODIS AOD产品与同期地面观测的PM10质量浓度进行相关分析,结果表明二者直接相关程度较低(r=0.433,p0.01);然后以WRF模式模拟的大气边界层高度及地面观测的相对湿度数据对AOD进行垂直、湿度订正后,二者相关性得到较大程度提高(r=0.630,p0.01);按照季节分类统计和订正春、夏、秋季的相关系数r分别为0.779、0.393、0.523,均大于统计学上99%的置信度要求,其中春季的订正最为有效,可用性更高;最后,建立全年和各季AOD-PM10最优拟合模型并反演乌鲁木齐市地面PM10质量浓度,全年和三季的反演结果与实测数据的相关系数分别为0.757、0.748、0.652、0.715(p0.01);同时基于卫星遥感AOD反演得到的PM10质量浓度的空间分布与AOD呈现出整体的一致性,并且3个季节AOD平均值表现为:春季秋季夏季.证实了卫星遥感AOD经过垂直和湿度订正后,可以作为辅助监测乌鲁木齐市PM10地面浓度分布的一个有效手段.     

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.     

卫星遥感监测近地表细颗粒物多元回归方法研究

对地基监测PM2.5和气象数据、MODISAOD卫星数据与NCEP FNL数据进行了处理分析,在与一元简单线性模型(模型1)进行对比的基础上,建立了适应于北京及其附近地区遥感监测近地面颗粒物(PM2.5)浓度的多元线性(模型2)和非线性(模型3)回归模型,并对模型进行了评价验证和遥感监测初步应用.结果表明:模型1,2,3分别能够解释PM2.5 32.5%,56.1%,62.7%的变异.反演的PM2.5浓度与站点监测值相关性分别为0.5488(R2=0.3012),0.7449(R2=0.5549),0.7431(R2=0.5523).对于站点监测PM2.5浓度63.1652μg/m3的均值,反演均方根误差RMSE分别为43.5562,35.3321,36.8450μg/m3.模型2和3中气象因子分别能够解释PM2.5 23.6%和12.6%的变异,说明了气象因子影响北京地区春季PM2.5-AOD关系的显著性.3种模型整体上都不同程度地存在着低值高估和高值低估的现象.     

基于MODIS气溶胶产品的安徽省颗粒物浓度反演研究

基于MODIS level2的气溶胶产品,分别利用地面气象观测和ECMWF再分析资料进行垂直订正和地面水汽订正,建立MODIS气溶胶光学厚度与地面颗粒物浓度间的关系模型,并分析了颗粒物浓度的时间变化特征。结果表明:(1)MODIS光学厚度与地面PM_(2.5)和PM_(10)浓度相关性较差,经过垂直订正得到的地面消光系数与PM_(2.5)和PM_(10)浓度的相关性增强,水汽订正后的干消光系数与PM_(2.5)和PM_(10)浓度的相关性进一步提高。(2)ECMWF再分析格点数据中边界层厚度和相对湿度产品适用于MODIS光学厚度的垂直订正和水汽订正。(3)利用MODIS光学厚度历史数据反演的合肥市月平均PM_(2.5)浓度自2000年以来呈震荡增长趋势,PM_(2.5)浓度冬季较高,春秋次之,夏季最低。     

卫星遥感监测近地表细颗粒物多元回归方法研究

对地基监测PM2.5和气象数据、MODISAOD卫星数据与NCEP FNL数据进行了处理分析,在与一元简单线性模型(模型1)进行对比的基础上,建立了适应于北京及其附近地区遥感监测近地面颗粒物(PM2.5)浓度的多元线性(模型2)和非线性(模型3)回归模型,并对模型进行了评价验证和遥感监测初步应用.结果表明:模型1,2,3分别能够解释PM2.5 32.5%,56.1%,62.7%的变异.反演的PM2.5浓度与站点监测值相关性分别为0.5488(R2=0.3012), 0.7449(R2=0.5549), 0.7431(R2=0.5523).对于站点监测PM2.5浓度63.1652μg/m3的均值,反演均方根误差RMSE分别为43.5562, 35.3321, 36.8450μg/m3.模型2和3中气象因子分别能够解释PM2.5 23.6%和12.6%的变异,说明了气象因子影响北京地区春季PM2.5-AOD关系的显著性.3种模型整体上都不同程度地存在着低值高估和高值低估的现象.     

环境一号卫星在监测大气PM10中的应用

选择京津唐地区作为实验区,从环境一号卫星(HJ-1)的CCD数据出发,利用暗目标法反演陆地气溶胶,然后在对气溶胶光学厚度进行垂直订正和湿度校正的基础上,得到PM10的反演模型,进行PM10的反演实验.并利用中国环境监测总站的地面监测数据对结果进行了检验.结果表明,HJ-1的时空分辨率满足PM10周监测的需要,结果与地面数据有一定的相关性(相关系数为0.58),为提高PM10的反演精度还需结合更多的地面数据进行模型的修正.     

2014年10月上旬北京市大气重污染分析

使用垂直观测、地面观测和PM2.5化学组分观测等手段,对2014年10月上旬北京市一次重污染过程进行分析.结果表明,本次大气重污染发生时北京市近地面后散射激光强度变强,气溶胶消光系数升高,说明污染物在近地面层积累.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.从PM2.5浓度变化趋势来看,这次重污染过程大体分为四个阶段:“两个台阶”型的浓度爬升阶段(P1和P2)、高浓度维持阶段(P3)和迅速清除阶段(P4).结合地面观测、遥感反演和PM2.5组分分析可发现,区域传输是导致本次重污染的诱因,其中秸秆焚烧是影响因素之一,随后区域传输和本地污染物排放共同维持并加重了重污染过程.大气氧化剂OX与PM2.5浓度、二次离子浓度均表现出显著正相关性,表明较强的大气氧化性能促进PM2.5浓度增长.     

中国2013年1月PM2.5重污染过程卫星反演研究

利用第三代空气质量模型CMAQ(community multiscale air quality modelling system)模拟的PM2.5垂直分层数据和中尺度气象模型WRF(weather research and forcasting model)模拟的高分辨率湿度数据,分别对MODIS AOD(aerosol optical depth)资料进行垂直与湿度订正,建立了订正后的AOD数据与PM2.5地面监测数据之间的线性拟合模型,其线性相关系数r=0.77(n=57,P0.01).基于此线性拟合模型,首次反演了2013年1月全国10 km分辨率PM2.5月均浓度的空间分布特征,并分析了人口暴露水平.结果表明,2013年1月我国PM2.5月均浓度大于100μg·m-3、200μg·m-3的面积占国土面积的比例分别高达10.99%、1.34%,暴露人口占全国总人口的比例分别高达45.01%、6.31%.     

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.     

基于卫星遥感资料监测地面细颗粒物的敏感性分析

分析了垂直分布、粒径分布和吸湿增长3个影响因子及其组合对基于卫星遥感资料监测地面细颗粒物(PM2.5)的敏感性.以广州地区为例,使用影响因子及其组合对2010年全年、干季和湿季的MODIS气溶胶光学厚度(AOD)资料进行订正,与时空匹配的地基实测PM2.5质量浓度数据对比和分析.研究表明,两者的直接相关性很低,全年相关系数(R)仅有0.147.经单个因子订正后,效果提升有限.其中,粒径因子的敏感性最高,垂直因子次之.组合因子中,垂直及粒径订正的效果最好,敏感性最高,全年R达0.526.垂直及粒径因子再加上湿度因子后,全年R降为0.498.垂直及湿度订正的敏感性最低,全年R仅为0.145.总体而言,垂直及粒径订正因子敏感性最高,效果最佳.粒径因子加入后订正效果提升显著,而经验吸湿增长因子的时空代表性比较单一.