利用高分一号卫星监测开封地区PM2.5

侯爱华， 高 伟， 王中挺， 汪 霖

(1.西安理工大学高等技术学院，西安 710048； 2.陕西省地方税务局，西安 710048； 3.环境保护部卫星环境应用中心，北京 100094； 4.西北大学信息科学与技术学院，西安 710127)

利用高分一号卫星监测开封地区PM2.5

侯爱华1， 高 伟2， 王中挺3， 汪 霖4

(1.西安理工大学高等技术学院，西安 710048； 2.陕西省地方税务局，西安 710048； 3.环境保护部卫星环境应用中心，北京 100094； 4.西北大学信息科学与技术学院，西安 710127)

PM2.5是影响开封地区空气质量的首要污染物，利用卫星遥感手段可以快速获得PM2.5浓度的空间分布。通过采用过境开封市的GF-1卫星数据，获取气溶胶光学厚度，结合地面PM2.5监测数据与边界层高度、相对湿度和气温等辅助数据，采用多元线性回归，建立了基于GF-1的PM2.5遥感反演模型。研究表明，2015年6—9月GF-1数据反演得到的PM2.5浓度与地面监测结果较为接近，且有较高的相关性； 加入地理加权回归能明显提高模型精度，较好地反映PM2.5的空间分布； 但在PM2.5浓度较高时，该模型会出现低估现象。

高分一号； 遥感； PM2.5； 开封市； 多元线性回归

0 引言

PM2.5是指悬浮在空气中空气动力学直径小于2.5 μm的气溶胶颗粒物，也称为“细颗粒物”，主要由人为排放的硫酸盐、硝酸盐、铵盐、黑碳和挥发性有机化合物等组成。与TSP和PM10等颗粒物相比，PM2.5由于粒子直径较小，容易附着重金属和微生物等有毒有害物质，且能够穿过鼻腔和呼吸道抵达人体的肺泡区，给人体健康带来较大的影响； 对可见光消光强烈，高浓度时会使能见度急剧降低，以致引发交通事故，造成高速公路封闭和航班延误等情况； 对太阳辐射的散射与吸收，也会影响长时间的气候变化。

近年来，我国空气中的细颗粒物污染十分严重。Van Donkelaar等[1]研究表明我国的华北、华东和华中等地是全球细颗粒物浓度最高的地区。《2014中国环境状况公报》显示2014年我国PM2.5平均浓度为64 μg·m-3，达标城市比例仅为12.2%[2]。虽然地面站点的PM2.5数据能够获取站点所在地的PM2.5污染特征，但有限的站点不能完全反映PM2.5的空间分布状况。卫星传感器能够在大空间范围内连续、动态获取大气信息，随着MODIS，MISR，OMI和FY-3等针对大气监测的卫星传感器数据的涌现，卫星遥感技术越来越多地被应用于细颗粒物污染等空气质量监测中。采用MODIS等遥感数据获取PM2.5浓度的空间分布，不仅能够弥补地面站点不足的劣势，还能得到大气污染的区域性分布特征，为推动大气环境质量改善提供数据支撑。

PM2.5遥感监测一般是先由卫星遥感得到的气溶胶光学厚度(aerosol optical depth，AOD)，综合考虑边界层高度和相对湿度等其他相关因素，利用多元线性回归和神经网络等数学方法建立反演模型，得到PM2.5浓度。Liu 等[3]考虑气象因素和地理位置特征影响，利用MISR气溶胶产品建立了PM2.5回归关系模型，估算了美国东部地区细颗粒物排放浓度； Van Donkelaar 等[1]利用MODIS和MISR等传感器的气溶胶产品，结合大气化学传输模式，得到2001—2006 年6 a间全球PM2.5分布； Wu等[4]利用BP神经网络模型研究了我国东部地区PM2.5与MODIS气溶胶产品之间的相关关系，并将BP神经网络模型应用于PM2.5的反演； Wang等[5]将MODIS气溶胶产品经过高度和湿度订正后，研究其与细颗粒物的关系，建立了北京地区细颗粒物的遥感反演模型； Lin等[6]考虑了气溶胶的吸湿增长、消光效率和谱分布等特性的影响，定量反演了我国PM2.5的时空分布； 陈辉等[7]在京津冀地区将2013年1—3月MODIS深蓝算法的气溶胶产品利用气象模式数据进行高度和湿度订正，进而建立PM2.5反演模型； 贾松林等[8]利用MODIS气溶胶产品分析了一元简单线性模型、多元线性和非线性回归模型在北京及附近地区监测细颗粒物的应用效果； 徐建辉等[9]在长江三角洲构建了PM2.5的遥感反演模型。

高分一号卫星(简称GF-1)是我国高空间分辨率对地观测系统的首颗卫星，其遥感数据目前已在资源调查和环境监测等方面得到了广泛应用。但利用GF-1的高空间分辨率数据，开展地区尺度的细颗粒物空间分布监测工作还较少。利用GF-1数据，以开封市为研究区获取PM2.5浓度的空间分布，以期促进国产高空间分辨率数据在大气质量监测中的应用。

1 研究区概况及数据源

1.1 研究区概况

开封市位于河南省中东部，北临黄河，是全国著名旅游城市之一。该区属于暖温带大陆性季风气候，年均气温在14℃左右，年均降水量约700 mm，且多集中在夏季7—8月份； 行政区划面积为6 000 km2，总人口超过500万； 经济以工业为主体，第二产业占经济总量的一半； 以旅游为主的第三产业也超过了经济总量的三分之一[10]。

近年来，随着经济的发展，空气污染问题也在开封市逐渐凸现。地面监测数据表明[11]，开封市的大气污染较严重，空气质量整体较差，2013年全年开封市的空气质量达标率为31%，以PM2.5污染为主，年均PM2.5浓度超过100 μg·m-3，通常冬季较高，夏季较低[12]。

1.2 数据源

GF-1属于太阳同步卫星，共搭载有4台中等空间分辨率相机(WFV相机)，空间分辨率能达到16 m，共有蓝光、绿光、红光和近红外4个波段，每个相机幅宽为200 km，4台相机联合观测可以4 d覆盖中国一次[13]。选择2015年6—9月10 d 的GF-1数据为数据源，采用暗目标算法[14]，利用蓝光和红光波段的地表反射率线性关系从GF-1 WFV相机的表观反射率去除地表反射影响获取AOD分布，AOD反演结果与地基观测结果有较大的相关性(相关系数优于0.8)。

地面站点的PM2.5监测数据均来自中国环境监测总站的全国城市空气质量实时发布平台(http: //106.37.208.233: 20035/)。目前研究区内共有4个地面站点，分别为河大一附院、肿瘤医院、妇幼保健院和世纪星幼儿园。2015年6—9月间，GF-1过境开封市时的PM2.5监测数据共计获取39个。

基于美国NCEP再分析数据资料获取边界层高度(height of planetary boundary layer, HPBL)、相对湿度(relative humidity, RH)和温度(atmosphere temperature, AT)等数据，空间分辨率为0.5°×0.5°。但由于GF-1数据与NCEP再分析数据的采样时间、投影方式和空间分辨率不同，还需一定的预处理步骤： ①GF-1过境时间大约为北京时间11：30，提取时间最接近的NCEP数据为北京时间14：00； ②统一投影为等经纬度投影； ③利用双线性插值法，将NCEP再分析数据和GF-1 AOD数据重采样为0.003°； ④提取地面观测站点周围10 km范围内的AOD，HPBL，RH和AT等数据，求取平均值，得到相应比对数据集。经过重投影、重采样和空间平均后，剔除无效数据，共获取117个AOD，HPBL，RH和AT等数据。

2 模型建立

遥感反演得到的AOD是整层气溶胶粒子消光系数的积分，即

(1)

式中：τ为AOD；k为海拔为z时的气溶胶消光系数，近地面(z=0)的气溶胶消光系数可以看作是不同粒子消光系数Q的积分，即

(2)

式中：n(r)为气溶胶的谱分布函数；r为气溶胶粒子半径。

地基监测近地表细颗粒物PM2.5浓度可表示为

(3)

式中ρ为较干燥条件下(RH<40%)气溶胶粒子的密度。

从式(3)可以看出，理论上，通过气溶胶粒子的n(r)、消光系数的垂直分布、ρ及湿度增长等参数，可以从AOD获得PM2.5浓度。但在实际反演中，由于气溶胶构成复杂和吸湿增长等原因，无法完全准确获取PM2.5反演时所需的全部参数。因此，通过分析近地面PM2.5浓度与AOD以及相关的HPBL，RH和AT等参数之间的关系，建立PM2.5浓度反演模型。

研究表明[8]，PM2.5浓度与AOD，HPBL，RH和AT等参数之间可以用幂指函数的多元回归模型形式表示，即

PM2.5=ea0AODa1HPBLa2ea3RH+a4AT。

(4)

将公式(4)两边取自然对数，可得

ln(PM2.5)=a0+a1AOD+a2HPBL+a3RH+a4AT，

(5)

式中a0，a1，a2，a3和a4分别为多元线性回归系数。

由于地表类型的变化，各个地理位置的回归关系也不同，可将上式扩展为随地理位置变化的地理加权回归模型(geographically weighted regression, GWR)，第i个地面站点的回归模型为[15]

ln(PM2.5(i))=a0(i)+a1(i)AOD+a2(i)HPBL+a3(i)RH+a4(i)AT。

(6)

3 结果与分析

3.1 数据分析

实验数据各参量统计结果如表1所示。

表1 各参量统计信息Tab.1 Statistical features of all variables

从表1可以看出，2015年6—9月期间开封空气质量较好，PM2.5平均值和中位数均小于75 μg·m-3，属于二级良； 而AOD则整体较高，平均值在1.5左右，这可能是GF-1暗目标算法反演结果偏高的原因[14]； 由于观测时间在夏秋季，空气垂直对流较强，边界层高度较高，整体大于1.5 km； 气温也较高，整体在300 K以上，即20℃以上； 由于开封市较为干燥，整体相对湿度不高，小于40%。

3.2 反演模型

将实验数据带入式(5)—(6)进行多元线性回归，得到PM2.5反演模型中AOD，HPBL，RH和AT等变量的整体及各站点的回归系数如表2所示。

表2 GF-1 PM2.5反演模型回归系数Tab.2 Regression coefficients of GF-1 PM2.5 retrieval model

3.3 应用及结果验证

选择该区3景GF-1数据,分别为2015年6月19日WFV2数据、2015年7月14日WFV3数据和2015年8月3日WFV2数据，进行了PM2.5遥感反演模型应用。基于这3景数据，利用暗目标法获得AOD，然后选取同期的NCEP资料的HPBL，RH和AT数据，利用上述PM2.5遥感反演模型对开封市的PM2.5浓度进行遥感监测，获得研究区反演结果如图1所示。

(a) 2015年6月19日 (b) 2015年7月14日(c) 2015年8月3日

图1GF-1遥感反演开封市PM2.5浓度分布

Fig.1PM2.5concentrationinKaifengCityretrievedfromGF-1

从图1可以看出，利用GF-1数据，该模型较好地反映了开封市PM2.5浓度的空间分布。6月19日，开封市出现了较严重的空气污染，大部分地区的PM2.5浓度大于75 μg·m-3，在中心城区和东北部的封丘明显高于其他地区，超过了100 μg·m-3； 7月14日，开封市空气质量整体达标，大部分地区均在50 μg·m-3以下，但开封市区及其东部，出现了较明显的污染带，PM2.5浓度整体大于75 μg·m-3； 8月3日，开封市空气质量整体较好，在20 μg·m-3以下，开封市区要高于其他地区，在20～30 μg·m-3之间，但在西北部出现零星高值区，是受到薄云影响，导致PM2.5浓度高估。

利用2015年6—9月的地面数据进行了结果验证，如图2所示。

(a) 多元线性回归 (b) 地理加权回归

图2地面监测PM2.5浓度与GF-1反演结果散点图

Fig.2ScatterplotsofPM2.5concentrationbetweenground-basedmeasurementsandGF-1retrievalresults

从图2可以看出，GF-1数据反演得到的开封市PM2.5浓度与地面监测结果有着较好的相关性，相关系数优于0.8，采用地理加权回归结果明显高于常规多元线性回归的结果。统计分析表明，GF-1数据常规多元线性回归反演得到的PM2.5平均值为64.612 μg·m-3，中位数为64.283 μg·m-3； 采用地理加权回归反演，PM2.5平均值为65.616 μg·m-3，中位数为63.277 μg·m-3； 遥感反演结果与地面观测结果较为接近。但遥感反演得到的PM2.5最大值，明显低于地面监测结果，结合图1也可以看出，在PM2.5浓度较高时，该模型会产生低估。

4 结论与展望

作为中原城市群的重要城市，开封市的PM2.5污染已经得到了越来越多的关注。利用2015年6—9月GF-1卫星数据开展了开封市的PM2.5遥感监测工作，得到以下结论：

1)由于云等因素的影响，2015年6—9月间开封市仅获取了10 d GF-1的监测结果，AOD整体较高，平均值约为1.5。

2)由于处于夏秋季节，2015年6—9月开封市的边界层高度较高，整体大于1.5 km； 温度较高，整体高于20℃； 但由于开封市的气候较为干燥，相对湿度不高，小于40%。

3)利用多元线性回归方法，结合边界层高度、相对湿度和温度等辅助数据，建立了基于GF-1的PM2.5反演模型，模型反演结果与地面观测结果较为接近，相关系数高于0.8。

4)基于GF-1的PM2.5反演模型，在2015年6月19日、7月14日和8月3日的应用结果表明，该模型较好地反映了开封市的PM2.5浓度的空间分布，但在PM2.5浓度较高时，存在着低估现象。

显然，在利用GF-1数据进行 PM2.5遥感监测中，仍存在一些问题需要在下一步的工作中改进。GF-1的4台WFV相机，4 d能够覆盖同一地区一次，考虑到云等情况的影响，重复观测一个地区的间隔会更长，这远远不能满足对随时间变化较快的细颗粒物监测的需要，因而今后可考虑与Suomi-NPP等其他极轨观测卫星以及GF-4等静止卫星数据的结合应用，以提高观测的时间分辨率； 仅采用夏秋季节开封市的4个城区内观测站点的地面数据拟合PM2.5浓度的反演参数，对开封市整个地区的代表性不强，故今后需引入不同季节、更多地段的地面观测数据以提高模型的适用性； 此外，气溶胶光学厚度与PM2.5浓度之间的关系还受到气溶胶消光效率和谱分布特征等因素影响，因此还需要将更多的影响因子引入相关的反演模型，以提高反演精度。

志谢： 本文的PM2.5数据由中国环境监测总站提供，NECP数据由美国国家环境预报中心提供，在此表示感谢。

[1] Van Donkelaar A,Martin R V,Park R J.Estimating ground-level PM2.5 using aerosol optical depth determined from satellite remote sensing[J].Journal of Geophysical Research,2006,111(D21):D21204.

[2] 中华人民共和国环境保护部.2014中国环境状况公报[EB/OL].(2015-06-06)[2016-03-01].http://www.zhb.gov.cn/gkml/hbb/qt/201506/t20150604_302942.htm.

Ministry of Environmental Protection of the People’s Republic of China. Bulletin of China’s environmental conditions in 2014[EB/OL].(2015-06-06)[2016-03-01].http://www.zhb.gov.cn/gkml/hbb/qt/201506/t20150604_302942.htm.

[3] 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 and Technology,2005,39(9):3269-3278.

[4] Wu Y R,Guo J P,Zhang X,et al.Correlation between PM concentrations and aerosol optical depth in eastern China based on BP neural networks[C]//2011 IEEE international geoscience and remote sensing symposium.Vancouver,BC,Canada:IEEE,2011:3308-3311.

[5] 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.

[6] Lin C Q,Li Y,Yuan Z B,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.

[7] 陈 辉,厉 青,王中挺,等.利用MODIS资料监测京津冀地区近地面PM2.5方法研究[J].气象与环境学报,2014,30(5):27-37.

Chen H,Li Q,Wang Z T,et al.Study on monitoring surface PM2.5 concentration in Jing-Jin-Ji regions using MODIS data[J].Journal of Meteorology and Environment,2014,30(5):27-37.

[8] 贾松林,苏 林,陶金花,等.卫星遥感监测近地表细颗粒物多元回归方法研究[J].中国环境科学,2014,34(3):565-573.

Jia S L,Su L,Tao J H,et al.A study of multiple regression method for estimating concentration of fine particulate matter using satellite remote sensing[J].China Environmental Science,2014,34(3):565-573.

[9] 徐建辉,江 洪.长江三角洲PM2.5质量浓度遥感估算与时空分布特征[J].环境科学,2015,36(9):3119-3127.

Xu J H,Jiang H.Estimation of PM2.5 concentration over the Yangtze delta using remote sensing:Analysis of spatial and temporal variations[J].Environmental Science,2015,36(9):3119-3127.

[10] 开封市政府.2015年开封市政府工作报告[EB/OL].(2015-02-25)[2015-03-01].http://www.kaifeng.gov.cn/.

Kaifeng City Government. Report on the work of the Kaifeng government in 2015[EB/OL].(2015-02-25)[2015-03-01].http://www.kaifeng.gov.cn/.

[11] 环境保护部.GB 3095—2012环境空气质量标准[S].北京:中国环境科学出版社,2016.

Ministry of Environmental Protection of RPC.GB 3095—2012 Ambient air quality standard[S].Beijing:China Environmental Science Press,2016.

[12] 郑 瑶,邢梦林,申 剑,等.环境空气质量新标准对郑州和开封空气质量评价的影响[J].中国环境监测,2015,31(2):35-38.

Zheng Y,Xing M L,Shen J,et al.Influence of the new national air quality standard on the air quality assessment in Zhengzhou and Kaifeng[J].Environmental Monitoring in China,2015,31(2):35-38.

[13] 白照广.高分一号卫星的技术特点[J].中国航天,2013(8):5-9.

Bai Z G.Technical characteristics of GF-1 satellite[J].Aerospace China,2013(8):5-9.

[14] 王中挺,辛金元,贾松林,等.利用暗目标法从高分一号卫星16m相机数据反演气溶胶光学厚度[J].遥感学报,2015,19(3):530-538.

Wang Z T,Xin J Y,Jia S L,et al.Retrieval of AOD from GF-1 16 m camera via DDV algorithm[J].Journal of Remote Sensing,2015,19(3):530-538.

[15] 陈 辉,厉 青,张玉环,等.基于地理加权模型的我国冬季PM2.5遥感估算方法研究[J].环境科学学报,2016,36(6):2142-2151.

Chen H,Li Q,Zhang Y H,et al.Estimations of PM2.5 concentrations based on the method of geographically weighted regression[J].Acta Scientiae Circumstantiae,2016,36(6):2142-2151.

EstimationofPM2.5concentrationfromGF-1datainKaifengCity

HOU Aihua1, GAO Wei2, WANG Zhongting3, WANG Lin4

(1.TheFacultyofHighVocationalEducation,Xi’anUniversityofTechnology,Xi’an710048,China; 2.ShaanxiLocalTaxationBureau,Xi’an710048,China; 3.SatelliteEnvironmentCenter,MinistryofEnvironmentalProtection,Beijing100094,China; 4.SchoolofInformationScienceandTechnology,NorthwestUniversity,Xi’an710127,China)

PM2.5is the key air pollution for air quality of Kaifeng City. With remote sensing technology, the distribution of PM2.5concentration could be determined quickly. In this paper, the authors collected the aerosol optical depth (AOD) of GF-1, height of planetary boundary layer (HPBL), relative humidity (RH) and air temperature (AT) over Kaifeng City and then, with multiple regression analysis, revised the coefficients of all variables. After that, the authors built the PM2.5retrieving model from GF-1 in Kaifeng City. The validation from June to September in 2015 showed that the PM2.5concentration from remote sensing was similar to that from four ground-level monitoring sites, and the correlation coefficient was higher than 0.8. The result of geographically weighted regression (GWR) was obviously better than that of no GWR. Nevertheless, when PM2.5concentration was high, the model would underestimate PM2.5concentration.

GF-1； remote sensing； PM2.5； Kaifeng City； multiple regression method

10.6046/gtzyyg.2017.04.24

侯爱华,高伟,王中挺,等.利用高分一号卫星监测开封地区PM2.5[J].国土资源遥感,2017,29(4):161-165.(Hou A H,Gao W,Wang Z T,et al.Estimation of PM2.5concentration from GF-1 data in Kaifeng City[J].Remote Sensing for Land and Resources,2017,29(4)：161-165.)

TP 79

A

1001-070X(2017)04-0161-05

2016-05-05；

2016-07-19

国家自然科学基金项目“多角度标量信号辅助多角度偏振算法反演陆地气溶胶”(编号： 41301358)资助。

侯爱华(1969-),女,副教授,研究方向为应用数学、空间统计等。Email： airrs2015@sina.com。

汪 霖(1983-)，男，讲师，研究方向为三维复杂环境感知。Email： wanglin@nwu.edu.cn。

(责任编辑：陈理)