2. 中国科学院空天信息研究院，北京 100094;
3. 重庆邮电大学计算机科学与技术学院，重庆 400065;
4. 重庆市空间大数据智能技术工程研究中心，重庆 400065;
5. 中国科学院大学，北京 100049
2. Aerospace Information Research Institute, Chinese Academy of Sciences, Beijing 100094, China;
3. College of Computer Science and Technology, Chongqing University of Posts and Telecommunications, Chongqing 400065, China;
4. Chongqing Engineering Research Center of Spatial Big Data Intelligent Technology, Chongqing 400065, China;
5. University of China Academy of Sciences, Beijing 100049, China
随着经济快速发展，工业活动、城市扩张、机动车等人为排放增加，导致中国部分地区空气质量恶化严重。大气细颗粒物(Fine Particulate Matter，PM2.5)是指动力学直径＜2.5 μm的粒子，半径小，能长时间停留在大气中，对大气空气质量造成严重威胁。研究表明PM2.5极易吸附大量有毒物质，通过毛细血管等器官进入人体内部引起各种疾病(如哮喘、心血管等)，甚至死亡[1-4]。
目前，监测大气中PM2.5的方法主要有：地基监测、大气空气质量模式预报和遥感监测。地基监测精度高，但成本昂贵，站点数量有限且分布不均，监测区域大气污染分布存在一定的局限性[5]。大气空气质量模式预报在空间上具有连续覆盖性，但分辨率较低、精度较差[6-7]，对小尺度范围细节变化描述较差。卫星遥感监测技术具有空间覆盖的连续性以及广域性，能较好弥补地基监测在空间上的不足，且能客观地反映污染物分布情况[6]。常用方法主要通过大气气溶胶光学厚度(Aerosol Optical Depth，AOD)估算近地面PM2.5的分布情况，基本原理为AOD表示对垂直大气柱浓度消光系数的积分，与近地面颗粒物之间具有较强的相关性。因此，建立AOD与PM2.5的关系模型估算PM2.5被学者们广泛应用。
早在20世纪80年代，国外最早利用先进型甚高分辨辐射仪(Advanced Very High Resolution Radiometer，AVHRR)可反演海洋上空AODrs[8](rs表示是由遥感反演得到的，下同)，随后总臭氧气象卫星传感器(Total Ozone Meteorological Satellite，TOMS)[9]、海景宽视场传感器(Sea-viewing Wide Field-of-view Sensor，SeaWiFS)[10]、中分辨率成像光谱仪传感器(Moderate Resolution Imaging Spectroradiometer，MODIS)[11]、多角度成像光谱仪(Multiangle Imaging SpectroRadiometer，MISR)[12]、臭氧监测仪传感器(Ozone Monitoring Instrument，OMI)、可见光红外成像辐射仪(Visible Infrared Imager Radiometer Suite，VIIRS)[13]、先进的葵花成像仪(Advanced Himawari Imager，AHI)均可用于反演大气中的气溶胶光学厚度[14]。随着我国对卫星遥感的探索，自主研发一系列卫星均已搭载反演AODrs的传感器，例如风云卫星、环境卫星、高分卫星等。目前基于这些卫星反演的AODrs已被大量用于估算PM2.5，较好反映空间分布情况。
基于多种卫星、多种方法估算PM2.5浓度，对目前利用卫星估算PM2.5浓度的主流方法进行总结，并对不同方法的优劣进行分析，对于不同用户根据应用目的选择最优方法提供参考，具有一定的实用性价值。
1 模式比例因子法模式比例因子法主要是利用模式模拟的AOD与PM2.5之间的比例关系，并将此比例应用到卫星估算PM2.5空间分布，模式比例因子法流程见图 1。
|
| 图 1 模式比例因子法流程 |
Liu等[15]结合全球大气化学模式和MISR AODrs，利用大气化学模式模拟AOD与PM2.5之间的关系得到区域固定比例系数，并将该系数运用到卫星观测AODrs计算出对应像元的PM2.5浓度。结果表明，与地基观测的相关系数r为0.81，相对误差(RMSE)为2.2 μg/m3。Donkelaar[6, 16]在研究基础上，分别利用MODIS和MISR估算了2001—2002年和2001—2006年全球PM2.5浓度的空间分布情况，北美东部验证结果比西部好。随后，学者们对气溶胶成分、垂直分布以及引入与PM2.5相关的因子到模型中，结果表明均有利于提高PM2.5估算精度[7, 17-19]。
根据比例因子法原理可知，该方法不依赖地基PM2.5观测数据，有利于估算未有历史实测数据地区的PM2.5浓度; 但该方法主要依赖模式结果，其中模式参数中源清单等参数无法实时更新，影响结果精度，导致估算PM2.5精度较低[6-7]，目前该方法较少被用于估算区域PM2.5。
2 半经验方法比例因子法完全借助大气环境模式结果，并未考虑到AODrs与PM2.5之间物理机制问题。然而，气溶胶的类型和垂直分布影响粒子散射特性导致散射消光差异，但物理机理相对复杂无法完全表达两者间关系，因此学者们针对考虑不同气溶胶类型和吸湿效应等特性进行估算PM2.5浓度。例如，Li等[20]利用PM10对AODrs分别进行湿度订正和垂直订正，AODrs与PM2.5之间的相关系数从0.249提高到0.535，并利用卫星估算结果分析区域传输过程。Wang等[21]对北京地区利用吸湿和垂直订正后，相关系数均被提高，估算结果采用地基验证R2=0.47。考虑到气溶胶垂直分布情况，Chu等[22]获取2006—2009年气溶消光廓线的雷达数据描述气溶胶垂直分布(灰霾高度和平均边界层高度)，相比仅用AODrs估算PM2.5，相对误差分别减少2.9和2.3 μg/m3。
Lin等[23]在吸湿订正过程中引入细粒子比，质量消光效率和吸湿增长因子，并收集565个站点观测数据，对中国东部区域PM2.5浓度进行验证，年平均和月相关系数r分别为0.9和0.76。Zhang等[24]利用MODIS AODrs细粒子体积比(FMF)，结合AOD站点反演粗细粒子，建立PM2.5与AODrs之间的物理关系，同时解释MODIS中的FMF和气溶胶自动观测网(AERONET)中的FMF存在显著差异，因算法不同出现低估现象。获取15个地基观测站点进行验证，其平均值较为接近，分别为101和105 μg/m3，半经验模型法流程见图 2。
李正强等[25]提出“切割-显形-压缩-脱水-称重”物理模型方法估算PM2.5，相关系数R2为0.88，拟合斜率为1.03，该方法拟用于高分五号卫星上搭载的气溶胶偏振多角度偏振探测仪和全谱段光谱成像仪的协同观测，实现颗粒物实时监测。Zeng等[26]利用京津冀地区实测数据逐站点、逐月构建吸湿订正格网因子，借助气象观测数据进行垂直订正，与地基实测数据间的相关系数在0.9左右。
半经验方法考虑到AODrs与PM2.5间的物理机制，相比主要靠模式模拟的比例因子法精度有所提高，更充分刻画两者间的关系。然而，AODrs与PM2.5间的关系非常复杂，不仅与大气垂直结构有关，而且与粒子组成密切相关，目前还难以用完整的函数式表达出来; 同时，物理机制中的参数，难以获取，在实际应用中比较困难，空间和时间上无法满足实时监测需求，未能应用到业务化系统中。
3 统计模型法学者发现AODrs与PM2.5之间存在简单的线性关系，并能较好地估算区域PM2.5。最早，Wang等[27]发现MODIS (Terra/Aqua) AODrs与PM2.5间存在线性相关，分别构建回归模型，并估算2002年美国阿拉巴马州的PM2.5浓度，与地基观测数据的月平均相关系数最高为0.9，简单线性回归模型法流程见图 3。
|
| 图 3 简单线性回归模型法流程 |
Liu等[28]在仅用AODrs作为因子基础上，引入边界层高度、相对湿度、季节以及地理信息等因子，构建了多元线性回归模型估算美国东部地区PM2.5浓度。随后，Hutchison等[29]考虑到AODrs垂直分布，引入激光雷达气溶胶廓线数据，提高AODrs与PM2.5间的关系。张智等[30]基于MODIS MAIAC(Multi-Angle Implementation of Atmospheric Correction) 1 km AODrs和13个PM2.5地基观测数据，运用线性回归模型估算西安城区PM2.5浓度，结果表明其浓度分布与地形具有较大关系。随着研究发现，一般回归模型仅能表示局部区域AODrs-PM2.5关系，且AODrs与PM2.5之间并非存在简单线性相关，故更高级的非线性统计模式被用于估算区域PM2.5浓度，如广义线性回归模型(Generalized Linear Regression Model，GLM)[17, 28, 31]、广义加和模型(Generalized additive model，GAM)[32-33]、混合效应模型(Linear mixed effect model，LME)[34]、地理加权回归模型(Geographically weighted regression，GWR)[35]，与一般回归模型相比，提高了PM2.5估算精度。为充分利用不同模型的优势，多阶模型结合，在时间和空间上弥补，进一步提高PM2.5估算精度。例如，Hu等[36]利用MAIAC 1 km AODrs，构建两层统计模型(LME和GWR)估算2003年美国东南部日平均PM2.5浓度，十字交叉验证的相关系数R2为0.67。Stafoggia等[37]获取MAIAC 1 km AODrs，采用四阶模型估算2006—2012年意大利PM2.5浓度。
相比半经验公式法，统计模型未考虑AODrs-PM2.5间物理机理情况下，通过引入多种影响AODrs-PM2.5间关系的参数，以及不同模型优势的结合，提高了PM2.5估算精度。然而，统计模型中还是未考虑到AODrs-PM2.5间的物理机制对估算精度的影响，即气溶胶类型等。同时，随着引入影响因子增多，数据量越大，参数间非线性关系更加复杂，而统计模型方法仍是基于一定的数学表达式，对更复杂的非线性表达能力上可能不是最优方法。
4 机器学习方法为提高估算精度，更多影响PM2.5和AODrs之间的参数被考虑，故参数间的非线性关系更为复杂，很难完全被数学表达式所描述。随着机器学习崛起，已有较多学者突破传统的方法，将拥有超强计算能力的机器学习方法应用到估算PM2.5的领域。早期，Gupta和Christopher[38-39]分别利用后向神经网络(Backward neural network，BPNN)和人工神经网络(Artificial neural network，ANN)估算美国地区PM2.5浓度，并对比一般的统计模型，该方法可靠性更高。其次，贝叶斯方法、支持向量机、随机森林、广义回归神经网络等方法也广泛用于估算不同区域PM2.5浓度。
随着计算机性能提高，被认为无法训练的深度网络被应用于各研究领域。例如，Li等[40]考虑地理距离和时空相关性对估算PM2.5的影响，提出将地理信息融入到智能深度学习构架中估算中国区域2015年PM2.5浓度，该方法与传统神经网络相比，十字交叉验证的R2从0.42增加到0.88，RMSE从29.96减少到13.03 μg/m3。Shen等[41]采用Li等提出的模型，直接通过大气顶部的传感器表观反射率和观测角度估算武汉地区PM2.5，提高了估算精度。
2018年，Li等[42]利用深度学习估算武汉地区逐小时PM2.5空间分布情况，与地基数据相关系数R2为0.8。机器学习方法流程见图 4。
|
| 图 4 机器学习方法流程 |
与前述3类方法相比，机器学习方法需要对已有数据进行数据归一化等多步处理，并且将已处理完毕的数据随机划分为训练子集和验证子集。机器学习方法通过对训练子集进行建模训练来获取对应的模型结果，再将模型结果代入到验证子集进行该模型的精度验证，如需获取最终的估计值则仅需将模型结果以及数据通过对应的逆归一化方法进行还原。除此之外，机器学习方法所获取的部分结果无法以物化机制或者数学语言进行说明，目前也无法根据相关的物化机制对其进行改进，该“黑箱”性质在一定程度上阻碍了研究人员更好地了解以及改进最终的模型结果。
细化到每一类方法而言，相比模式比例因子方法，深度学习过程中利用直接与PM2.5相关参数(正相关或负相关)进行训练，在一定程度上能客观体现因变量和自变量之间的关系。相比半经验模型，深度学习方法仍未考虑PM2.5和AODrs之间的物理机制，而是通过大数据样本的训练，最终得到最适合样本数量的模型。但此过程无需考虑两者间复杂的参数化关系，通过获取的样本数据集决定模型，且估算精度较高。
相比统计模型，机器学习无法表述因变量与自变量间的数学关系，同时在针对较少数据样本，利用机器学习与统计模型估算结果基本一致，甚至可能出现极端现象(过度拟合)。但针对海量数据样本，机器学习的自我监督和训练具有更大优势，且估算精度相对较高。
京津冀地区2017年5月17日09：00—16：00逐小时PM2.5空间分布示例见图 5(a)(b)(c)(d)(e)(f)(g)(h)。
|
| 图 5 深度学习方法估算结果示例 |
5 结语
卫星反演AODrs已被业务化且应用较为广泛，而利用AODrs估算PM2.5起步相对较晚，尚未能较好地实现业务化应用。估算PM2.5的方法较多，且不同方法在数据需求、运算速度和结果精度等方面具有不同的优缺点; 同时随着卫星时间和空间分辨率地不断提高，估算PM2.5的时空效应对选取研究方法的影响也愈发明显。因此研究人员需要综合研究区域、研究目的、已获取数据和结果精度等方面进行研究方法及具体模型的选取和使用，最终取得满足各方面需求的研究成果。
| [1] |
DOMINICI F, PENG R D, BELL M L, et al. Fine particulate air pollution and hospital admission for cardiovascular and respiratory diseases[J]. Jama the Journal of the American Medical Association, 2006, 295(10): 1127. DOI:10.1001/jama.295.10.1127 |
| [2] |
HU Z. Spatial analysis of MODIS aerosol optical depth, PM2.5, and chronic coronary heart disease[J]. International Journal of Health Geographic, 2009, 8(1): 1-10. DOI:10.1186/1476-072X-8-1 |
| [3] |
SAMET J M, DOMINICI F, CURRIERO F C, et al. Fine particulate air pollution and mortality in 20 U.S. cities, 1987—1994[J]. The New England Journal of Medicine, 2000, 343: 1742-1749. DOI:10.1056/NEJM200012143432401 |
| [4] |
曹守仁, 陈秉衡, 洪传洁. 煤烟污染与健康[M]. 北京: 中国环境科学出版社, 1992: 29-31.
|
| [5] |
孙林.城市地区大气气溶胶遥感反演研究[D].北京: 中国科学院遥感应用研究所, 2006. http://www.wanfangdata.com.cn/details/detail.do?_type=degree&id=J008390
|
| [6] |
DONKELAAR A V, MARTIN R V, BRAUER M, et al. Global estimates of ambient fine particulate matter concentrations from satellite-based aerosol optical depth: development and application[J]. Environmental Health Perspectives, 2010, 118(6): 847-855. DOI:10.1289/ehp.0901623 |
| [7] |
DONKELAAR V A, MARTIN R V, BRAUER M, et al. Use of satellite observations for long-term exposure assessment of global concentrations of fine particulate matter[J]. Environmental Health Perspectives, 2014, 123(2): 135. |
| [8] |
NAGARAJA R C R, STOWE L L, MCCLAIN E P. Remote sensing of aerosols over the oceans using AVHRR data Theory, practice and applications[J]. International Journal of Remote Sensing, 1988, 10(4-5): 743-749. |
| [9] |
HERMAN J R, BHARTIA P K, TORRES O, et al. Global distribution of UV absorbing aerosols from Nimbus 7/TOMS data[J]. Journal of Geophysical Research Atmospheres, 1997, 102(D14): 16911-16922. DOI:10.1029/96JD03680 |
| [10] |
GORDON H R, WANG M. Retrieval of water-leaving radiance and aerosol optical thickness over the oceans with Sea-WiFS: a preliminary algorithm[J]. Applied Optics, 1994, 33(3): 443-452. DOI:10.1364/AO.33.000443 |
| [11] |
LYAPUSTIN A, WANG Y, LASZLO I, et al. Multiangle implementation of atmospheric correction (MAIAC): 2. Aerosol algorithm[J]. Journal of Geophysical Research Atmospheres, 2011, 116(D3). |
| [12] |
MARTONCHIK J V, DINER D J, KAHN R A, et al. Techniques for the retrieval of aerosol properties over land and ocean using multi-angle imaging[J]. IEEE Transactions on Geoscience & Remote Sensing, 1998, 36(4): 1212-1227. |
| [13] |
HSU N C, JEONG M J, BETTENHAUSEN C, et al. Enhanced Deep Blue aerosol retrieval algorithm: The second generation[J]. Journal of Geophysical Research: Atmospheres, 2013(118): 9296-9315. |
| [14] |
汪洋.基于VⅡRS和AHI数据的陆地气溶胶反演算法研究[D].北京: 中国科学院遥感与数字地球研究所, 2018. http://cn.bing.com/academic/profile?id=81c577006abfb2afc731a48f0b1664ba&encoded=0&v=paper_preview&mkt=zh-cn
|
| [15] |
L IU, Y, PARK R J, JACOB, D J, et al. Mapping annual mean ground-level PM2.5 concentrations using multiangle imaging spectroradiometer aerosol optical thickness over the contiguous united states[J]. Journal of Geophysical Research Atmospheres, 2004, 109(22). |
| [16] |
DONKELAAR A V, MARTIN R V, PARK R J. Estimating ground-level PM2.5with aerosol optical depth determined from satellite remote sensing[J]. Journal of Geophysical Research: Atmospheres, 2006, 111: D21201. DOI:10.1029/2005JD006996 |
| [17] |
LIU Y, FRANKLIN M, KAHN R, et al. Using aerosol optical thickness to predict ground-level PM2.5 concentrations in the St. Louis area: A comparison between MISR and MODIS[J]. Remote Sensing of Environmen, 2007, 107: 33-44. DOI:10.1016/j.rse.2006.05.022 |
| [18] |
CHOI Y S, PARK R J, HO C H. Estimates of ground-level aerosol mass concentrations using a chemical transport model with Moderate Resolution Imaging Spectroradiometer (MODIS) aerosol observations over East Asia[J]. Journal of Geophysical Research Atmospheres, 2009, 114(D4): 1-10. |
| [19] |
DONKELAAR V A, MARTIN R V, SPURR R J D, et al. Optimal estimation for global ground-level fine particulate matter concentrations[J]. Journal of Geophysical Research Atmospheres, 2013, 118(11): 5621-5636. DOI:10.1002/jgrd.50479 |
| [20] |
LI C C, MAO J T, LAU A K, et al. Application of MODIS aerosol product in the study of air pollution in Beijing[J]. Science in China - Ser. D Earth Science, 2005, 35: 177-186. |
| [21] |
WANG Z F, CHEN L F, TAO J H, et al. Satellite-based estimation of regional particulate matter (PM) in Beijing using vertical-and-RH correcting method[J]. Remote Sensing of Environment, 2010, 114(1): 50-63. DOI:10.1016/j.rse.2009.08.009 |
| [22] |
CHU D A, TSAI T C, CHEN J P, et al. Interpreting aerosol lidar profiles to better estimate surface PM2.5 for columnar AOD measurements[J]. Atmospheric Environmen, 2013, 79: 172-187. DOI:10.1016/j.atmosenv.2013.06.031 |
| [23] |
LIN C, LI Y, YUAN Z, et al. Using satellite remote sensing data to estimate the high-resolution distribution of ground-level PM2.5[J]. Remote Sensing of Environment, 2015, 156: 117-128. DOI:10.1016/j.rse.2014.09.015 |
| [24] |
ZHANG Y, LI Z. Remote sensing of atmospheric fine particulate matter (PM2.5) mass concentration near the ground from satellite observation[J]. Remote Sensing of Environment, 2015, 160: 252-262. DOI:10.1016/j.rse.2015.02.005 |
| [25] |
李正强, 张莹, 李凯涛, 等.卫星遥感PM2.5质量浓度的物理方法研究[C], 第十三届全国气溶胶会议, 2017.
|
| [26] |
ZENG QIAO-LIN, LIANGFU CHEN, HAO ZHU, et al. Satellite-based estimation of hourly PM2.5 concentrations using a vertical-humidity correction method from Himawari-AOD in Hebei[J]. Sensors, 2018, 18(10): 3456. DOI:10.3390/s18103456 |
| [27] |
WANG J. Intercomparison between satellite-derived aerosol optical thickness and PM2.5 mass: Implications for air quality studies[J]. Geophysical Research Letters, 2003, 30(21): 267-283. |
| [28] |
LIU Y, SARNAT J A, KILARU V, et al. Estimating ground-level PM2.5 in the eastern united states using satellite remote sensing[J]. Environmental Science & Technology, 2005, 39(9): 3269-3278. |
| [29] |
HUTCHISON K D, FARUQUI S J, SMITH S. Improving correlations between MODIS aerosol optical thickness and ground-based PM2.5 observations through 3D spatial analyses[J]. Atmospheric Environment, 2008, 42(3): 530-543. DOI:10.1016/j.atmosenv.2007.09.050 |
| [30] |
张智, 白穆, 游浩妍. 基于MODIS数据的PM2.5反演在大气污染监测中的应用[J]. 测绘科学, 2016, 41(9): 42-46. |
| [31] |
YOU W, ZANG Z, PAN X, et al. Estimating PM2.5 in 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. DOI:10.1016/j.scitotenv.2014.11.024 |
| [32] |
LIU Y, PACIOREK C J, KOUTRAKIS P. Estimating regional spatial and temporal variability of PM2.5 concentrations using satellite data, meteorology, and land use information[J]. Environmental Health Perspectives, 2009, 117(6): 886-892. DOI:10.1289/ehp.0800123 |
| [33] |
STRAWA A W, CHATFIELD R B, LEGG M, et al. Improving retrievals of regional fine particulate matter concentrations from Moderate Resolution Imaging Spectroradiometer (MODIS) and Ozone Monitoring Instrument (OMI) multisatellite observations[J]. Journal of the Air & Waste Management Association, 2013, 63(12): 1434-1446. |
| [34] |
LEE H J, LIU Y, COULL B A, et al. A novel calibration approach of MODIS AOD data to predict PM2.5 concentrations[J]. Atmospheric Chemistry and Physics, 2011(11): 7991-8002. |
| [35] |
HU X, WALLER L A, ALHAMDAN M Z, et al. Estimating ground-level PM2.5 concentrations in the southeastern U.S using geographically weighted regression[J]. Environmental Research, 2013, 121: 1-10. DOI:10.1016/j.envres.2012.11.003 |
| [36] |
HU X, WALLER L A, LYAPUSTIN A, et al. Estimating ground-level PM2.5 concentrations in the Southeastern United States using MAIAC AOD retrievals and a two-stage model[J]. Remote Sensing of Environment, 2014, 140: 220-232. DOI:10.1016/j.rse.2013.08.032 |
| [37] |
STAFOGGIA M, SCHWARTZ J, BADALONI C, et al. Estimation of daily PM10 concentrations in Italy (2006—2012) using finely resolved satellite data, land use variables and meteorology[J]. Environment International, 2017, 99: 234-244. DOI:10.1016/j.envint.2016.11.024 |
| [38] |
GUPTA P, CHRISTOPHER S A. Particulate matter air quality assessment using integrated surface, satellite, and meteorological products: 2. A neural network approach[J]. Journal of Geophysical Research, 2009a, 14: D20205. |
| [39] |
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, 2009b, 114(D14). |
| [40] |
LI T, SHEN H, YUAN Q, et al. Estimating ground-level PM2.5 by fusing satellite and station observations: A geo-intelligent deep learning approach[J]. Geophysical Research Letters, 2017a. |
| [41] |
SHEN H, LI T, YUAN Q, et al. Estimating regional ground-level PM2.5 directly from satellite top-of-atmosphere reflectance using deep learning[J]. Atmosphere, 2017, 9: 59-70. |
| [42] |
LI T, ZHANG C, SHEN H, et al. Real-time and seamless monitoring of ground-level PM2.5 using satellite remote sensing[C]. The ISPRS Technical Commission Ⅲ midterm Symposium on "Developments, Technologies and Application in Remote Sensing", 2018.
|