2022, Vol. 42
2. 临沂市气象局，山东 临沂 276004;
3. 山东省气象信息中心，山东 济南 250031;
4. 淄博市气象局，山东 淄博 255022
2. Linyi Meteorological Bureau, Linyi 276004, China;
3. Shandong Meteorological Information Center, Jinan 250031, China;
4. Zibo Meteorological Bureau, Zibo 255022, China
近年来由于经济高速发展，城市化进程不断推进，环境污染问题日益严重，大气污染事件频发，引起了政府和社会各界的广泛关注，大气环境污染的监测和治理成为大家关注的重点[1-2]。气溶胶是影响大气环境质量的重要因素，在大气中以固态或液态形式存在，通常指的是悬浮性颗粒。气溶胶光学厚度(aerosol optical depth，AOD)通常用来描述气溶胶对光的削弱能力，指的是介质的消光系数在垂直方向上的积分，可以计算大气中的气溶胶含量，并且能在一定程度上反映气溶胶浓度以及空气的污浊程度和污染情况[3-4]。评估气溶胶光学厚度的值能用于反映气溶胶粒子占比情况以及空气是否清洁，在研究气候状况和环境污染情况方面有着重要的意义，开展气溶胶光学厚度的地基观测与遥感反演已成为大气环境等领域的重要研究方向[5-7]。
传统的地基观测虽然数据精度高，但只能提供站点附近的局部气溶胶信息，并且受人力物力的限制，目前的监测站点稀疏，无法提供大的区域范围的气溶胶空间分布的细节信息，而且维护成本较高[8]。相比于地基监测，卫星遥感技术监测范围广，空间覆盖好，时间序列长，时效性强，成本低，是对地基观测的有效补充[9]。近年来静止卫星由于空间分辨率显著提高，被广泛用于大气污染物监测，它的高度比较高，因而视野宽阔，可以对同一区域实现连续观测，和极轨卫星相比，具有比较明显的优势[10]。
国内外已有不少关于气溶胶的遥感反演研究。利用暗目标像元法融合多种卫星数据反演气溶胶光学厚度，比如MODIS L1B级数据、高分四号卫星数据[11-12]；并在此研究基础上，又对气溶胶光学厚度产品进行更深一层的研究。关于利用静止卫星数据反演AOD方面：牛晓君等[13]提出一种新算法，即利用葵花卫星可见光波段数据及地表反射率比值反演；关雷等[14]利用暗像元法基于高分四号卫星数据，针对哈尔滨地区进行了AOD反演。最近几年也有针对我国风云卫星系列的研究成果，比如利用FY-2C静止卫星可见光资料[15]、FY-3A/MERSI(Medium Resolution Spectral Imager)数据[16]、FY-3C/MERSI数据[17]研究AOD的反演算法。综上所述，目前各种卫星传感器反演AOD的经验丰富，但由于反演需要构建本地化的气溶胶模型，导致难以大范围开展研究，所以针对FY-4A/AGRI(Advanced Geosynchronous Radiation Imager)传感器数据反演AOD的研究仍然比较缺乏。鉴于此，本文以山东地区为研究区域，自定义气溶胶模型，选取2021年两次典型天气污染过程利用FY-4A/AGRI数据进行AOD反演，并将反演结果与邻近时刻的气溶胶光学厚度产品进行细节表达、空间一致性的对比验证以及定量分析，旨在探讨适用于山东地区的自定义气溶胶模型，以及新型国产卫星FY-4A数据用于气溶胶反演的可行性。
1 数据 1.1 FY-4A/AGRI卫星遥感数据FY-4A于2016年12月11日00：11(北京时，下同)发射升空，并于2018年初完成在轨测试，同年5月1日正式投入业务运行，是第二代静止气象卫星的首发星。它位于104.7°E的赤道上空，采用三轴稳定姿态控制，与风云二号气象卫星的自旋稳定方式相比，可显著提高对地观测效率。FY-4A/AGRI观测数据可在风云卫星遥感数据服务网(http://satellite.nsmc.org.cn/PortalSite/Data/Satellite.aspx#)下载，下载格式包括中国区域和全圆盘两种，分辨率有500 m、1 km、2 km、4 km[18-20]。研究利用FY-4A成像仪全圆盘2 km L1数据、L2级云产品和4 km地球静止轨道(geostationary orbit，GEO)数据，利用可见光的红蓝波段以及中红外波段开展山东地区气溶胶的反演研究工作。
1.2 MODIS地表反射率数据地表反射率数据库是气溶胶反演的基础，分辨率为500 m的8 d合成产品MOD09A1，选取8 d中质量最好的数据合成得到地表反射率数据，可以有效消除短期内的变化，并且考虑到云、气溶胶等的影响及吸收、散射作用，最大程度上减少云覆盖对地表反射率的影响[21]。MODIS数据的获取渠道很多，很多国家都有自己的数据接收站点，本研究使用的MOD09A1(MODIS Terra Surface Reflectance 8-Day L3 Global 500 m SIN Grid)地表反射率产品，由美国航空航天局(National Aeronautics and Space Administration，NASA)Reverb数据中心(http://reverb.echo.nasa.gov)提供。
1.3 MODIS气溶胶产品MOD04MODIS的气溶胶产品已经比较成熟，稳定运行20 a左右，并且已经在全球范围内得到验证，可以作为比较准确的标准数据来验证气溶胶的反演结果。NASA官方发布的L2级近实时的气溶胶产品MOD04_3K(MODIS Terra Aerosol 5-min L2 Swath 3 km)是本次用于验证反演结果准确性的数据之一，采用暗像元法进行反演，它的空间分辨率为3 km、0.1°，能够方便及时地获得全球的海洋表面、陆地的大气气溶胶光学特性及其参数[22]。以上所有数据可在LAADS(Level 1 and Atmosphere Archive and Distribution System，http://ladsweb.nascom.nasa.gov/data/search.-html)搜索并下载。
1.4 Himawari-8气溶胶光学厚度遥感产品日本气象厅的新一代静止气象卫星Himawari-8于2014年10月成功发射，2015年7月7日成功通过测试开始投入正常使用，该卫星具有观测范围广、观测周期短、空间分辨率高等优点，它搭载的传感器AHI(Advanced Himawari Imager)可实现10 min/次的高时间分辨率对地观测。Himawari-8卫星在140°E的上空，能够观测120°×120°的范围，即80°E~20°W，60°N~60°S，空间分辨率为5 km×5 km，可以较好地观测中国的大部分区域。本研究使用的是日本宇宙航空研究开发机构(Japan Aerospace Exploration Agency，简称JAXA)官方发布的L2级气溶胶光学厚度产品，该产品是YOSHIDA et al.[23]基于前人的研究基础，在目标函数中引入每个通道的权重，选择用于气溶胶反演的最佳通道，然后在陆地和海洋上设置候选气溶胶模型，最后在300~2 500 nm波长范围内每1 nm编制一次查找表，并使用每个传感器的响应函数对辐射进行加权反演得到的。
1.5 其他反演所需数据通过气溶胶自动观测网(Aerosol Robotic Network，AERONET)可以得到全球各个测站的气溶胶光学厚度，再通过光学厚度以及其他资料的反演可以得到气溶胶粒径谱分布、单次散射反照率、吸收性光学厚度以及体积浓度等产品[24]。AERONET的气溶胶产品可用于验证与气溶胶有关的卫星产品以及实现与其他仪器的协同观测等。为实现该目标，AERONET对仪器、测量、校准和处理有标准化要求，使其在科学界有了很大的扩展和广泛的使用。本研究利用山东临近站点徐州2013—2019年的L1.5级数据的粒子谱分布、复折射指数数据，计算对应参数的季均值结果，把这些结果参数导入6S模式，从而建立自定义气溶胶模型的反演查找表。
2 研究方法 2.1 气溶胶光学厚度反演原理在大气遥感中，需要通过大气辐射传输方程来求解气溶胶光学厚度。假设地球表面为均匀的朗伯体，并且大气在水平方向上的变化比较均匀，那么可见光通道卫星传感器接收到的相关辐射信息包括大气散射、地表反射与大气耦合两个部分，卫星接收到的大气顶层表观反射率可以表示为[25]：
| $ \begin{aligned} & \rho_{\mathrm{TOA}}\left(\theta_s, \theta_v, \varphi\right)=\rho_0\left(\theta_s, \theta_v, \varphi\right)+ \\ & \frac{T\left(\theta_s\right) \cdot T\left(\theta_v\right) \rho_s\left(\theta_s, \theta_v, \varphi\right)}{\left[1-\rho_s\left(\theta_s, \theta_v, \varphi\right) S\right]} 。\end{aligned} $ | (1) |
式中：ρTOA(θs，θv，φ)是表观反射率，又称大气顶部(top of atmosphere, TOA)反射率；ρ0(θs，θv，φ)是大气程辐射，即大气路径辐射项等效反射率；S为大气下界半球反射率；T(θs)、T(θv)是对应方向上的大气透过率，可合并写为一项T；ρs(θs，θv，φ)是地表反射率，φ为相对方位角，θv为观测天顶角，θs为太阳天顶角。其中，ρ0、T、S均为气溶胶光学厚度的函数。卫星遥感气溶胶就是把这两部分信息都估算出来，重构TOA反射率的过程[26-27]。当重构出的TOA反射率最接近于卫星观测的TOA反射率时，即可得到最接近实际的ρ0、T、S，又由于这3个参数与AOD相关，得到这3个参数实际上就能得到AOD。所以，要反演出AOD，必须估算出地表反射率和3个大气辐射参数，地表反射率主要通过暗目标(Dark Target，DT)算法实现，3个大气辐射参数的获得主要通过6S辐射传输模型计算，构建出AOD反演查找表。另外，由于有云条件下很难得到AOD，一般对有云像元不进行反演，所以还需要对地表反射率产品数据进行云检测[28]，本文采用阈值法来进行云检测，利用下垫面和云在可见光、红外波段的反射率差异进行判断，即当0.55 μm波段的表观反射率ρ0.55方差大于0.002 5时，则判定为云；当1.61 μm波段表观反射率ρ1.61大于0.25，判断该像元为云；当1.37 μm波段表观反射率ρ1.37大于0.3时，则判断该像元为云。具体反演流程如图 1所示。
|
图 1 气溶胶光学厚度反演流程图 Fig.1 Flow chart of retrieving aerosol optical depth |
综上所述，利用遥感卫星数据进行气溶胶光学厚度反演，主要有2个问题：一是确定符合当地实际情况的气溶胶模型，另一个是剔除地表反射率的贡献[29]。在进行气溶胶光学厚度反演的过程中，一般要先对反演区域的气溶胶模型进行假设，在此基础上分别确定3个大气辐射参数与AOD的对应关系，再确定反演影像上的像元地表反射率。通过像元的地表反射率来确认该像元的AOD值，从而实现反演。
2.2 地表反射率估算反演过程中，在构建地表反射率库时，选取2018—2020年这3 a同一时期的地表反射率产品MOD09，该产品8 d合成。由于MODIS的地表反射率产品受云、云阴影、气象要素、天气条件的影响，以及每8 d才有一景影像，不能和FY-4A卫星数据的时间一一对应，如果直接用于AOD的反演会增加误差。为了减小影响，假设大部分地物在短时间内的地表反射率变化较小，由于MOD09是8 d合成，所以构建数据集时将周期设定为3个月[30]。同时，为了避免受云影响严重，设置云覆盖标准小于35%，如果某个时间段内符合条件的影像较少或没有，可以适当放宽云覆盖标准或选用临近年份对应时期的数据代替，从而保证每个周期内都有足够的影像参与数据集的构建。对MODIS地表反射率产品进行投影转换、拼接、裁剪、校正、重采样等预处理，用以获取研究区规定时间内的地表反射率信息。然后根据构建的反射率库确定其与FY-4A的表观反射率信息之间的线性关系，将线性关系应用于满足暗像元的清洁像元，获取地气解耦的初步结果，结合观测几何等，进一步判定大气贡献部分。根据自定义的气溶胶模型以及卫星拍摄时刻下的观测几何，读入各个像元的观测几何，实现对不同像元在自定义气溶胶模型下估算大气部分，以此将地表反射率从卫星探测到的表观反射率信号中剥离，实现地气分离。
2.3 自定义气溶胶模型自定义气溶胶模型，也就是气溶胶模型的本地化确定，是气溶胶光学厚度反演的另一关键点。气溶胶的基本组成包括沙尘性粒子、水溶性粒子、海洋性粒子和煤烟性粒子，不同粒子的大气散射效应不同，对大气辐射传输的影响也不同，而不同的气溶胶模型中所包含的粒子种类及比例不同，物理特性和光学特性也就随之不同，复折射指数、对太阳辐射的吸收和散射等也就不一样，所以选用不同的气溶胶类型，将导致反演的结果有较大的差异[31-32]。气溶胶模型实际上就代表了不同类型的粒子，代表气溶胶不同的组分及其所占的不同比率。山东地区地形复杂，既有山地丘陵，又有沿海城市，在春季受到沙尘影响，在夏秋季受到秸秆焚烧影响，在冬季则会受到燃煤取暖影响[33]，仅用一种气溶胶模型不能满足实际反演需要。基于上述考虑，结合山东地区实际情况选择从AERONET网站下载山东临近站点徐州2013—2019年的L1.5级数据，对山东区域进行气溶胶模型的本地化构建，同时利用卫星、地基观测的表观反射率数据和地表反射率数据，结合辐射传输方程，使用反复随机抽样方法来模拟气溶胶模型。按季节对粗细模态半径、粗细模态体积浓度、复折射指数进行统计，得到对应参数的均值及标准差范围。在各参数的标准差范围内，以步长0.001结合辐射传输模型进行迭代。在迭代时，将当前迭代下的气溶胶参数结果、地表反射率结果、气溶胶光学厚度观测值输入辐射传输模型，计算出当前季节下所有的理论表观反射率和卫星实际表观反射率的残差。所有迭代完成后，寻找最小残差和对应的气溶胶模型迭代参数，将该参数作为对应季节的气溶胶模型参数。最终得到山东省季节性气溶胶类型参数，如表 1所示。
|
表 1 山东省季节性气溶胶类型参数 Table 1 Parameters of seasonal aerosol types in Shandong Province |
由于大气辐射传输模型的计算速度比较缓慢，在反演前需要建立查找表。本研究选择6S大气辐射传输模型，在生成多维查找表的过程中，根据研究区域的地理特征、大气条件，并且考虑山东地区地形、气溶胶特性等因素，设置了适用于山东区域的参数，以此生成满足反演区域的自定义气溶胶类型的两套红蓝波段查找表。根据完成地气解耦后获取的地表反射率以及FY-4A数据上取得的表观反射率建立查找关系，通过交互式数据语言(interactive data language, IDL)将地气解耦后获取的地表反射率文件读入，然后遍历能够反演气溶胶光学厚度的像元，读取其对应的地表反射率以及观测几何等参数，以此为根据从查找表中获取对应临近的气溶胶光学厚度的值，再经过线性插值后获得0.47、0.66 μm两个波段的气溶胶光学厚度，对两者求平均获取0.55 μm的气溶胶光学厚度，完成对研究区域逐像元的气溶胶光学厚度计算。
大气模型中的主要参数是臭氧和水汽含量，这两个参数对用于气溶胶反演的波段影响较小，在研究中不重点考虑，因此将6S模型中的大气模型设置为中纬度冬季和中纬度夏季两种模型，卫星天顶角、太阳天顶角等其他输入参数设置详见表 2。
|
|
表 2 查找表具体参数设置 Table 2 Parameter settings in lookup table |
根据上述研究方法，准备反演所需的地表反射率库、查找表等数据，在此基础上，选取山东地区2021年1月22—24日、10月28—30日两次典型污染案例的AGRI数据进行反演试验，并将结果分别与MODIS、Himawari-8/AHI的气溶胶光学厚度产品进行对比分析。不同时刻的AGRI反演的气溶胶结果，分别对应其相同或临近时刻的MODIS、Himawari-8/AHI气溶胶光学厚度产品数据。目前使用这两种产品进行精度验证分析的研究比较多，这两种产品的算法比较权威，产品也比较成熟，应用比较普遍，可以用来评价不同传感器的气溶胶反演结果。
3.1 FY-4A卫星2021年1月22—24日反演结果输入6S查找表、预处理过的FY-4A全圆盘2 km L1、4 km GEO数据等，进行反演，得到AOD结果。图 2a、b、c分别为1月22日12：00、23日12：00、24日12：00 AGRI的反演结果，图中从红到蓝表示气溶胶光学厚度逐渐减小，反演结果的空白区域是有云覆盖或者地表反射率过高不满足反演条件。
|
图 2 2021年1月22—24日FY-4A反演AOD(色阶)结果分布(a. 22日，b. 23日，c. 24日) Fig.2 Distribution of FY-4A retrieving AOD results (color scale) on 22 (a), 23 (b), and 24 (c) January 2021 |
通过查阅气象信息及相关资料可知，22—24日受不利气象条件影响，山东省内陆地区出现一次污染过程。22日，地面处于弱气压场，鲁中、鲁南地区受气流辐合影响，扩散条件较差，部分地区出现中至重度污染，其他地区受偏东、偏北气流控制，扩散条件稍好，鲁西北部分地区出现轻至中度污染。23日，沿海地区受持续偏东气流控制，空气质量较好，而鲁西南地区有气流辐合，湿度较大，扩散条件较差，出现轻至重度污染。24日，受冷空气和降雪共同影响，污染过程结束，全省空气质量恢复到良好水平。
通过图 2可以看出，1月23日在鲁西南地区监测到轻至重度污染，在西南部存在分布较为密集的AOD高值区域，AOD值普遍在0.6以上。对比图 2a、b、c发现，鲁西南部分地区22日出现中至重度污染，23日污染范围扩大，24日空气质量好转，在图上表示为颜色由黄变红再变蓝。图 2a和图 2c中，全省大部分区域AOD值较低，在图上呈现深蓝色，AOD高值区域零星分布在鲁西南区域(图 2a)，山东省大部分区域AOD值较小(图 2c)。据此可以推测，此次空气污染过程已经结束。综上所述，基于AGRI数据的反演结果符合实际的空气污染发展趋势及时空分布情况。
3.2 气溶胶光学厚度产品交叉验证为了验证研究方法在山东地区的适用性，针对1月22—24日反演的3个时次的结果，将其与JAXA官方发布的临近时次AOD产品进行比较分析。图 3a、b、c分别为22日12：00、23日12：00、24日12：00的Himawari-8/AHI气溶胶分布图。
|
图 3 与FY-4A/AGRI对应时次的Himawari-8/AHI气溶胶光学厚度(色阶)产品图(a. 22日，b. 23日，c. 24日) Fig.3 Himawari-8/AHI AOD product (color scale) at the same time with FY-4A/AGRI product on 22 (a), 23 (b), and 24 (c) January 2021 |
由图 3可以看出，Himawari-8/AHI的气溶胶光学厚度产品与FY-4A/AGRI的反演结果在空间上具有很高的一致性，都主要分布在鲁西南以及部分鲁中地区；并且在AOD高低值的分布上也基本一致，高值主要分布在鲁西南地区，也都存在着无法反演的空白区域，在图上呈现出白色。由图 3b可以较为明显地看出，23日相对于其他两日AOD值都较大，主要的高值区体现在鲁西南地区，在图上表现为大片红色区域，且高值达到0.6及以上，与本研究的反演结果一致。与前一天相比，23日空气污染现象比较明显，这在本算法的反演结果和Himawari-8/AHI中均有体现。总体来说，两组数据具有较高的一致性，空间上AOD高低值区域分布相似且具有相同的变化趋势。
选取FY-4A/AGRI的反演结果，在FY-4A/AGRI和Himawari-8/AHI同时存在有效值的情况下，提取对应的Himawari-8/AHI产品数据，将二者的气溶胶光学厚度数据进行线性回归分析，统计结果如图 4所示。
|
图 4 2021年1月22—24日FY-4A/AGRI反演值与Himawari-8/AHI产品值对比散点图(a. 22日，b. 23日，c. 24日；红线和黑线分别表示线性拟合回归线以及1:1线，R代表相关系数，N代表有效像元数，RMSE(root mean squared error)代表均方根误差，下同) Fig.4 Scatter plot of comparison between FY-4A/AGRI retrieval values and Himawari-8/AHI product values on 22 (a), 23 (b), and 24 (c) January 2021 (red and black lines for fitted regression line and 1:1 line, respectively, R for relative coefficient, N for effective pixels, RMSE for root mean squared error, the same hereafter) |
图 4a为22日12：00的散点图，有效值点共1 375个，线性拟合方程为y=0.37x+0.81，相关性较高，相关系数为0.92，误差较小。图 4b有效值点数为32 246个，相关系数为0.92。图 4c为1月24日12：00的散点图，有效值点共502个，线性拟合方程为y=1.1x+0.19，相关性较高，R为0.91。
由FY-4A/AGRI反演的AOD结果与Himawari-8/AHI气溶胶产品的对比散点图(图 4)可以看出，自定义气溶胶模型的反演结果与Himawari-8/AHI的气溶胶产品之间具有明显的线性相关关系，相关系数都在0.9以上，反演结果可以反映山东省气溶胶的空间分布情况及变化趋势。
为进一步验证本算法的可行性，同样选取FY-4A/AGRI的反演结果和对应时刻的MODIS气溶胶光学厚度产品进行对比验证分析。图 5a、b、c分别为2021年1月22、23、24日FY-4A/AGRI数据12：00反演值与临近时刻的MODIS产品值的对比散点图。图 5a对比了两幅图中对应的1 510个点，相关系数为0.93。图 5b中选取两幅图中的51 237个点，线性拟合方程为y=0.9x+0.11，相关系数为0.94。图 5c中有效值点共473个，线性拟合方程为y=0.71x+0.14，相关系数为0.94。相关系数也都在0.9以上，FY-4A/AGRI数据反演值与MODIS产品具有显著相关性。
|
图 5 2021年1月22—24日FY-4A/AGRI反演值与MODIS产品值对比散点图(a. 22日，b. 23日，c. 24日) Fig.5 Scatter plot of comparison between FY-4A retrieval values and MODIS product values on 22 (a), 23 (b), and 24 (c) January 2021 |
针对山东省2021年1月的此次研究，FY-4A/AGRI的气溶胶反演结果与Himawari-8/AHI以及MODIS的气溶胶产品均进行对比验证。对比结果表明，反演结果与两者都具有较强的相关性，差异可能是因为基于FY-4A/AGRI进行气溶胶反演时，针对山东地区当地的地理特征、大气条件等设置了更贴合实际情况的参数，自定义了山东地区的气溶胶模型，而用来验证的气溶胶产品数据并没有针对特定区域重新设定参数。
3.3 FY-4A卫星2021年10月28—30日反演结果通过查阅历史资料可知，28日污染物开始逐渐累积，沿海地区以优良天气为主，鲁西南地区以轻至中度污染为主，个别城市出现小时重度污染。29日山东省地面处于低压场，扩散条件较差，半岛及鲁南沿海地区以良至轻度污染为主，其他地区以轻至中度污染为主，其中鲁西南、鲁西北地区个别城市达到重度污染。30日地面处于弱气压场，气流有辐合，不利于扩散，污染物继续累积，全省大部分地区以轻至中度污染为主，其中半岛部分地区达到重度污染。
图 6分别为10月28日12：00、29日12：00、30日12：00的FY-4A/AGRI数据的气溶胶光学厚度反演结果。10月28日AOD高值主要分布在鲁西南地区，AOD较大值范围为1.0~2.0，胶东半岛区域AOD值较低。由图 6b可以看出，29日污染较为严重，整体的AOD值明显增大，高值区域主要分布在鲁西南和鲁北地区，鲁中区域的AOD值也呈现出增大的趋势，在图上显示为大片的黄色高值区，空气状况进一步恶化；与前一日相比，胶东半岛地区的气溶胶水平仍然较低，在图上表现为蓝色，空气状况比较乐观。图 6c表明，30日除胶东半岛地区，大部分区域都处于一个低值状态，AOD值总体回归较低水平，内陆地区空气污染状况开始缓和。针对此次大气污染的反演质量较高，可以体现此次过程中AOD的分布情况以及变化趋势，符合当时的实际空气质量状况。
|
图 6 2021年10月28—30日FY-4A反演AOD(色阶)结果分布(a. 28日，b. 29日，c. 30日) Fig.6 Distribution of FY-4A retrieving AOD results (color scale) on 28 (a), 29 (b), and 30 (c) October 2021 |
根据FY-4A/AGRI反演的结果显示，在10月28—30日的空气污染过程中，受影响区域最初在鲁西南地区，后来影响范围扩大至鲁西南及鲁西北地区，最后高值区主要分布在胶东半岛。为了验证此次反演的可靠性，选取与AGRI反演数据对应时刻的Himawari-8/AHI气溶胶产品进行对比分析，在空间分布上进行直观的比较。图 7分别为Himawari-8/AHI的10月28日12：00、29日12：00、30日12：00气溶胶产品图。
|
图 7 2021年10月28—30日与FY-4A/AGRI对应时次的Himawari-8/AHI气溶胶光学厚度(色阶)产品图(a. 28日，b. 29日，c. 30日) Fig.7 Himawari-8/AHI AOD product (color scale) at the same time with FY-4A/AGRI product on 28 (a), 29 (b), and 30 (c) October 2021 |
在图 7a中，28日的气溶胶光学厚度高值区域同样集中在鲁西南地区，图 7b高值区域的分布与FY-4A/AGRI反演的结果一致，都集中在鲁西北、鲁西南地区。在图 7c中显示30日的气溶胶光学厚度分布情况也与FY-4A/AGRI反演结果相同，红色的高值区域主要集中在胶东半岛且部分黄色的高值区域在山东省的北部也有零星分布。
综上所述，此次FY-4A/AGRI气溶胶反演结果与Himawari-8/AHI的气溶胶产品在空间分布上基本一致，并且具有相似的变化趋势，为定量分析反演结果的准确度，提取临近时刻(分别为10月28日12：20、29日11：30、30日12：10)的MODIS产品数据，在保证FY-4A/AGRI和MODIS数据同时存在有效值的前提下，将两者的气溶胶光学厚度数据进行线性回归分析，统计结果如图 8所示。
|
图 8 2021年10月28—30日FY-4A/AGRI反演值与MODIS产品值对比散点图(a. 28日，b. 29日，c. 30日) Fig.8 Scatter plot of comparison between FY-4A/AGRI retrieval values and MODIS product values on 28 (a), 29 (b), and 30 (c) October 2021 |
在图 8a中，对比两幅图中对应的19 159个点，线性拟合方程为y=0.85x+0.13，相关系数为0.9，具有较高的相关性。图 8b对比131 220个点，线性拟合方程为y=1.33x+0.35，相关系数为0.83。图 8c选取134 994个点，线性拟合方程为y=0.86x+0.46，相关系数为0.88。在研究过程中虽然尽最大可能选取时刻相近的数据进行对比验证分析，但二者之间仍然会有一定的时间差，而受湿度、温度、风速等气象要素的影响，气溶胶处于一种动态变化的状态，这可能是导致结果存在差异的原因之一。总得来说，反演结果与MODIS气溶胶产品的相关性较强，相关系数都在0.90左右。因此，可以认为本研究方法具有一定的可靠性。
由图 4、5、8可以看出，不同日期的反演结果分布存在差异，这可能是因为本研究的地表估算来自于固定的地表反射率数据库，而葵花卫星是多通道组合算法，二者估算出的结果本就存在差异，所以反演结果也会有所不同，但由于葵花卫星没有提供地表反射率结果，因而无法对这种分布差异进行分析。针对AGRI的反演结果，选取对应时刻对应区域的MODIS气溶胶产品数据，通过对比验证两组数据的AOD结果(表 3)，发现相关系数均在0.9左右，具有较好的相关性。其中有4组数据进行对比的有效像元数在1万以上，分别是2021年1月23日，10月28、29、30日的数据，其余两组数据的有效像元数量较少，可能是当天的云较多，通过云检测去除较多无法反演的像元，或是当天的数据存在缺测等原因。对这两组数据进行统计分析发现，基于FY-4A/AGRI的自定义气溶胶模型的反演结果大部分情况下低于MODIS的AOD值，根据已有的研究来看，可能是因为MODIS的AOD值存在高估的情况。
|
|
表 3 两次天气过程FY-4A/AGRI的反演结果与MODIS气溶胶产品对比结果 Table 3 Comparison between FY-4A/AGRI retrieval results and MODIS aerosol products in two weather processes |
不论是由空间分布、变化趋势的定性研究还是定量的线性回归分析来看，FY-4A/AGRI卫星的AOD反演结果和气溶胶产品都具有相似性和一致性，反演结果可以反映山东省气溶胶光学厚度值的分布情况，并据此来对山东省的大气环境污染进行分析，监测气溶胶的时空分布。
4 小结以山东为研究区域，基于FY-4A/AGRI卫星资料，充分考虑其通道设置，自定义山东地区的气溶胶模型，研究其气溶胶光学厚度反演算法，并将反演结果与临近时刻的AOD产品进行精度评价，主要结果如下：
(1) AGRI数据的反演结果与临近时刻的Himawari-8/AHI产品在空间分布及变化趋势上总体一致，且连续性、空间细节表达较好，可以用来监测一天当中AOD的动态变化情况。
(2) 以MODIS气溶胶产品为参考开展反演结果的定量分析研究，结果发现，AGRI的反演结果与临近时刻的MODIS气溶胶产品具有较好的相关性，相关系数均在0.90左右，说明本文的反演结果具有一定的合理性和可靠性，可以为大气环境规划与调控、污染防治提供决策依据。
(3) 基于新一代国产静止卫星构建气溶胶反演算法，具有高时间分辨率的特点，能够实现高频次实时动态的气溶胶监测，以此次研究成果为基础，未来可以开展山东地区大气气溶胶的日变化特征以及大气污染的时空变化监测等方面的研究。
| [1] |
杨欣, 陈义珍, 刘厚凤, 等. 北京2013年1月连续强霾过程的污染特征及成因分析[J]. 中国环境科学, 2014, 34(2): 282-288. |
| [2] |
王静, 杨复沫, 王鼎益, 等. 北京市MODIS气溶胶光学厚度和PM2.5质量浓度的特征及其相关性[J]. 中国科学院研究生院学报, 2010, 27(1): 10-16. |
| [3] |
石广玉, 王标, 张华, 等. 大气气溶胶的辐射与气候效应[J]. 大气科学, 2008, 32(4): 15-19. |
| [4] |
毛节泰, 李成才. 气溶胶辐射特性的观测研究[J]. 气象学报, 2005, 63(5): 622-635. DOI:10.3321/j.issn:0577-6619.2005.05.008 |
| [5] |
贺千山, 毛节泰. 北京城市大气混合层与气溶胶垂直分布观测研究[J]. 气象学报, 2005, 63(3): 11-15. |
| [6] |
VON HOYNINGEN-HUENE W, FREITAG M, BURROWS J P, et al. Retrieval of spectral aerosol optical thickness from multi-wavelength space-borne sensors[J]. Adv Space Res, 2002, 29(11): 1765-1770. DOI:10.1016/S0273-1177(02)00108-4 |
| [7] |
李成才, 毛节泰, 刘启汉. 利用MODIS资料遥感香港地区高分辨率气溶胶光学厚度[J]. 大气科学, 2005, 29(3): 335-342. DOI:10.3878/j.issn.1006-9895.2005.03.01 |
| [8] |
KHATRI P, TAKAMURA T, YAMAZAKI A, et al. Retrieval of key aerosol optical parameters from spectral direct and diffuse irradiances observed by a radiometer with nonideal cosine response characteristic[J]. J Atmos Ocean Tech, 2012, 29(5): 683-696. |
| [9] |
毛克彪, 覃志豪. 大气辐射传输模型及MODTRAN中透过率计算[J]. 测绘与空间地理信息, 2004, 27(4): 1-3. DOI:10.3969/j.issn.1672-5867.2004.04.001 |
| [10] |
张玉洁, 涂爱琴, 张武, 等. 山东惠民黑碳气溶胶变化特征及来源分析[J]. 海洋气象学报, 2021, 41(2): 86-96. |
| [11] |
吴炜, 丛春华, 郑怡. 山东气溶胶光学厚度时空分布及其与地面大气污染物质量浓度的相关性分析[J]. 海洋气象学报, 2021, 41(1): 58-67. |
| [12] |
关雷, 曹景庆, 郭慧宇, 等. 基于高分四号卫星数据的气溶胶光学厚度反演[J]. 经纬天地, 2019, 10(4): 35-39. DOI:10.3969/j.issn.1673-7563.2019.04.010 |
| [13] |
牛晓君, 唐家奎, 张自力, 等. 基于葵花8号卫星数据的气溶胶反演算法及其在雾霾过程监测中的应用[J]. 中国科学院大学学报, 2019, 36(5): 671-681. |
| [14] |
关雷, 曹景庆, 郭慧宇, 等. 基于高分四号卫星数据的气溶胶光学厚度反演[J]. 经纬天地, 2019, 37(4): 35-39. DOI:10.3969/j.issn.1673-7563.2019.04.010 |
| [15] |
任通, 高玲, 李成才, 等. 利用风云2C静止卫星可见光资料反演气溶胶光学厚度[J]. 北京大学学报(自然科学版), 2011, 47(4): 636-646. |
| [16] |
唐维尧, 鲍艳松, 张兴赢, 等. FY-3A/MERSI、MODIS C5.1和C6气溶胶光学厚度产品在中国区域与地面观测站点的对比分析[J]. 气象学报, 2018, 76(3): 449-460. |
| [17] |
杨杰, 王永前, 杨世琦, 等. 基于FY3C/MERSI资料分析重庆市气溶胶光学厚度分布[J]. 重庆师范大学学报(自然科学版), 2018, 35(6): 49-55. |
| [18] |
江琪, 迎春, 王飞, 等. 利用FY-4A卫星光学数据对中国近地面PM2.5浓度的估算和检验分析[J]. 气象学报, 2021, 79(3): 492-508. |
| [19] |
许梦婕, 鲍艳松, 许丹, 等. 基于FY-4A卫星数据反演气溶胶光学厚度及分析应用[J]. 中国环境科学, 2020, 40(12): 5162-5168. |
| [20] |
董焱, 许丹, 鲍艳松, 等. 基于AGRI颗粒物浓度遥感反演及季节变化分析[J]. 中国环境科学, 2021, 41(2): 633-642. |
| [21] |
李莉, 刘志红, 韩晨琛, 等. 基于卫星遥感的临沂市冬小麦种植时空变化特征分析[J]. 海洋气象学报, 2020, 40(3): 126-135. |
| [22] |
李成才, 毛节泰, 刘启汉, 等. 利用MODIS研究中国东部地区气溶胶光学厚度的分布和季节变化特征[J]. 科学通报, 2003, 48(19): 2094-2100. |
| [23] |
YOSHIDA M, YUMIMOTO K, NAGAO T M, et al. Satellite retrieval of aerosol combined with assimilated forecast[J]. Atmos Chem Phys, 2021, 21(3): 1797-1813. |
| [24] |
赵垒, 辛金元, 杨磊库, 等. Himawari-8气溶胶光学厚度产品的验证分析[J]. 大气科学, 2020, 44(3): 455-471. |
| [25] |
祝善友, 李佳敏, 向嘉敏, 等. 基于FY4A AGRI数据的气溶胶光学厚度反演研究[J]. 地理与地理信息科学, 2020, 36(4): 26-32. |
| [26] |
吴兑, 刘啟汉, 梁延刚, 等. 粤港细粒子PM2.5污染导致能见度下降与灰霾天气形成的研究[J]. 环境科学学报, 2012, 32(11): 2660-2669. |
| [27] |
AHMAD Z, FRANZ B A, MCCLAIN C R, et al. New aerosol models for the retrieval of aerosol optical thickness and normalized water-leaving radiances from the SeaWiFS and MODIS sensors over coastal regions and open oceans[J]. Appl Opt, 2010, 49(29): 5545-5560. |
| [28] |
于兴娜, 李新妹, 登增然, 等. 北京雾霾天气期间气溶胶光学特性[J]. 环境科学, 2012, 33(4): 1057-1062. |
| [29] |
王安怡, 康平, 张洋, 等. 2003~2018年四川盆地气溶胶光学厚度空间分异及驱动因子[J]. 中国环境科学, 2022, 42(2): 528-538. |
| [30] |
REID J S, GUMBER A, ZHANG J L, et al. A coupled evaluation of operational MODIS and model aerosol products for maritime environments using sun photometry: evaluation of the fine and coarse mode[J]. Remote Sens, 2022, 14(13): 131-142. |
| [31] |
陈瑞, 游浩妍, 万翔. 基于Himawari-8卫星的气溶胶光学厚度反演[J]. 北京测绘, 2022, 36(6): 681-685. |
| [32] |
黄忠伟, 王雍恺, 闭建荣, 等. 气溶胶激光雷达的国内外研究进展与展望[J]. 遥感学报, 2022, 26(5): 834-851. |
| [33] |
谢艳清, 李正强, 侯伟真. FY-4A AGRI陆地气溶胶光学厚度反演[J]. 遥感学报, 2022, 26(5): 913-922. |
| [34] |
OMARA H, WON J G, WINKER D M, et al. Development of global aerosol models using cluster analysis of Aerosol Robotic Network(AERONET) measurements[J]. J Geophys Res, 2005, 110(D10): D10S14. |