基于静止卫星GOCI传感器的大气污染过程AOD监测

张玉环,毛慧琴,厉 青,王中挺,张丽娟,马鹏飞,周春艳,陈 辉,陈翠红



基于静止卫星GOCI传感器的大气污染过程AOD监测

张玉环,毛慧琴*,厉 青,王中挺,张丽娟,马鹏飞,周春艳,陈 辉,陈翠红

(环境保护部卫星环境应用中心,北京 100094)

针对北京及周边地区2017年11月2~8日的一次污染过程,利用韩国静止卫星COMs1GOCI数据,对北京地区进行AOD监测.AOD反演采用时间序列迭代算法,根据地表反射率随时间慢变而大气气溶胶随时间快变的理论,采取最小值拟合的方式,获取气溶胶光学厚度数据.反演结果与地基AERONET监测结果具有很好的一致性,两者的相关系数2大于0.89.AOD监测结果表明,GOCI传感器1次/h的监测频率,可以很好地展现北京地区大气污染过程的开始,发展及消散过程,可以展示出一天之内AOD的变化,为大气污染监测以及气候变化研究提供依据.

气溶胶光学厚度；静止卫星；高时间分辨率；大气污染

大气气溶胶光学厚度可以反映出大气污染程度.目前,常用的用于气溶胶光学厚度监测极轨卫星传感器(TERRA/AQUA MODIS、PARASOL POLDER、NPP VIIRS、FY3MERSI等),一天一次或者数天一次的监测频率,不能很好地满足环境应急监测的需求,高时间分辨率的大气监测只能依靠于静止卫星.早期的静止卫星主要是应用于气象部门,空间分辨率较低,随着卫星技术的发展,新一代静止卫星兼具了高的时间分辨率和较高的空间分辨率,为大气监测提供了新的数据源.

2010年6月26日,韩国首颗地球静止轨道卫星——通信-海洋-气象卫星-1(COMs-1)发射成功, 2010年7月13日发回首批遥感图片.卫星上搭载的GOCI传感器是世界首个搭载于静止卫星上的海洋水色成像仪[1].GOCI以8个波段(2个近红外波段和6个可见光波段)成像,空间分辨率为500m,当地时间9:00–16:00(GMT +9)每小时成像一次[2],观测区域为以韩国为中心,(2500´2500)km2的范围,中心经纬度为(130°E,36°N).GOCI虽设计为海洋传感器,在进行海洋观测的同时也给其观测范围内的广大陆地区域(中国的华北地区,朝鲜,韩国,日本等)提供丰富的观测数据,加上一天8次的观测频率,使其在陆地区域的观测也有很大潜力.

气溶胶光学厚度反演的关键在于大气气溶胶模式的建立和地气混合信号中地表贡献的去除.气溶胶光学厚度卫星遥感反演算法主要是根据传感器特性选择不同的地气分离方法,进而形成了不同的大气气溶胶反演算法.比较成熟的暗目标法,利用暗地表短波红外通道、红光通道、蓝光通道之间的地表反射率关系进行地气分离,已经成功应用于MODIS等传感器[3-4];另外深蓝算法基于地表反射率库进行地表信号的去除,基于SeaWIFS数据用于沙漠等干旱地区[5-6];结构函数算法可以用于亮地表,在SPOT、AVHRR[7]、TM等数据上有较好的应用[8-9];另外有针对多角度偏振数据的偏振算法等[10-11],均有较多的应用.

对于静止卫星GOCI传感器,具有针对同一地点观测角度不变,太阳角度随时间缓慢变化的特性.本文基于时间序列算法,利用GOCI数据针对2017年11月2日到8日,北京及周边地区的一次完整的空气污染过程进行全程AOD监测,并进行了AOD验证.

1 原理与方法

1.1 基本原理

传感器获得的大气层顶观测辐射是程辐射、地表反射率和环境因子共同作用的结果.考虑大气作用,水汽、O2、CO2、O3等气体的吸收,气体分子和气溶胶的散射及非均一地表等因素的影响,假设地表朗伯体、大气水平均一,在可见光、近红外波段卫星获取的信号可写为公式如下:

式中:ν=cosν,s=coss,ν、s分别为观测天顶角与太阳天顶角;(ν)为传感器接收到的辐射亮度,0(ν)为观测方向的路径辐射项;为地表反射率;为大气下界的半球反射率;π×0为大气层顶与太阳光垂直方向的通量密度.

卫星遥感陆地上空气溶胶光学厚度起始于大气上界表现反射率的观测值,不考虑气体吸收,利用入射太阳辐射项0s归一化上式,那么卫星观测的表观反射率为:

式中:TOA是表观反射率;ν,s分别为观测天顶角与太阳天顶角;0是大气的路径辐射项等效反射率;(s)和(v)分别为太阳方向和卫星方向的大气透过率;为大气的球面反照率;为地表反射率.

气溶胶反演的核心是地气分离,即从卫星接收到的信号中提取出大气信息.在陆地气溶胶反演中,首先要解决地表反射率和气溶胶模型这两个未知参数的确定方法问题.为了根据表观反射率数据反演出气溶胶光学厚度值,一般需要合理的假定一个气溶胶模型,根据假定的气溶胶模型来确定单次散射反照率和气溶胶相函数.在确定气溶胶模型和表反射率的基础上,可以计算气溶胶光学厚度值.

1.2 AOD反演方法

气溶胶光学厚度反演算法基于以下两个假设[12]:(1)气溶胶光学特性随时间变化快速随地点变化缓慢,可假定一个小的区域范围内,认为此范围内气溶胶光学特性不变;(2)地表反射率特性随时间变化缓慢,随地点变化迅速,可假定一个小的时间间隔(例如1天),认为在此时间间隔内地表反射率特性几乎不变.在以上两个假设的基础上,短时间内两景卫星影像表观反射率的差异可以认为主要是由于大气光学特性差异引起的.GOCI为静止卫星传感器,同一地理位置的观测角度保持不变,只有太阳角度随着观测时间而缓慢变化.对于相邻两时相的GOCI影像,则大气气溶胶特性差异是造成表观反射率差异的主要因素.基于既定的气溶胶模型以及气溶胶光学厚度范围(例如550nm处气溶胶光学厚度:0~2)建立查找表,即可通过TOA反射率数据来确定地表反射率和AOD的关系.

基于以上理论,在气溶胶光学厚度反演算法中,气溶胶光学厚度可以通过相邻时相两幅卫星影像地表反射率差异最小拟合获取.拟合时根据以下代价函数公式(3),用于描述相邻时相两幅影像地表反射率的差异程度[12],通过代价函数的最小化来取得相邻两幅影像地表反射率差异最小,认为此时对应的气溶胶光学厚度和地表反射率为真实值.

式中:为波长;(,)是图像中选定的子区域的像元坐标,在此子区域内,认为AOD没有发生变化,本研究中选定2乘以2个像元区域作为子区域;TOA是卫星观测表观反射率;LUT是基于查找表查找出的表观反射率为TOA时、气溶胶光学厚度为AOD时对应的地表反射率数据;、表示时间序列图像的第d和第d;surf为初始地表反射率,初始地表反射率是第一次进行迭代反演时的一个约束条件,研究中选取了临近时间的MODIS地表反射率8d合成的产品,作为第一次迭代计算时的约束条件,后面迭代计算时,采用前一天反演AOD后得到的地表反射率数据作为初始地表反射率.具体算法流程如图1所示.

本研究在进行AOD反演时,为了降低地表BRDF(Bidirectional Reflectance Distribution Function)的影响,每次反演时采取的两景时间序列图像均为相邻天、同一时刻的成像数据.针对这样的两景数据,卫星观测角度不变,只有太阳角度随日期缓慢变化.

图1 气溶胶光学厚度反演算法流程

2 结果与讨论

2.1 数据的选取

选取GOCI卫星2017年11月2日到2017年11月8日之间,每天成像时间分别为1:16、2:16、3:16和4:16、5:16、6:16、7:16(GMT)的图像,所选数据为GOCI网站发布的L1B数据[1].研究区域选择中国北京市及周边的区域,如图2所示.

本文在云识别方面,选取与GOCI Level 1B 数据相对应的L2P 产品(由韩国海洋卫星中心KOSC提供的 GDPS软件生产),L2P产品里面包含云识别数据[13-14],AOD反演时用此数据去除云像元[15-16].

图2 2017年11月4日03:16研究区域真彩图

2.2 反演结果

2017年11月4日到7日北京地区有一次污染过程.污染过程由2017年11月4日开始,空气质量为良;5日大气污染物开始聚集,空气质量为轻度污染;6日空气质量继续变差,空气质量为中度污染,污染影响范围最大;7日大气污染消散,空气质量转好,空气质量状况为轻度污染,8日空气质量转为优.GOCI AOD反演结果如图3所示.

2017年11月4日12:16(北京时间)反演结果(图3a)显示,研究区域内北部绝大部分地区AOD均为0.1左右,只有南部部分区域AOD较大,为0.3左右,局部达到了0.5,但是整体空气质量良好;2017年11月5日9:16(图3b), AOD增长明显,北京城区AOD高达1.0,空气轻度污染,并且AOD高值区域呈东北-西南走向条带状分布,AOD高值区域分布于北京-廊坊-保定一带,研究区域内只有北京西部山区以及张家口地区AOD仍旧较低,空气质量良好;2017年11月5日白天,AOD持续增长,为大气污染物的积累阶段,到13:16(图3d),北京-廊坊-保定一带的AOD达到了1.2左右,大气状况持续变差;2017年11月6日上午AOD(图3e、图3f)达到了此次污染过程的最高值,北京-廊坊-保定污染核心区域的AOD部分超过了1.3,污染范围扩大,唐山市、天津市AOD增长明显,空气质量下降,张家口地区空气质量也有所下降,到11月6日下午,整体研究区域AOD略有下降(图3g)但是北京-廊坊-保定核心区域空气质量仍旧处于中度污染;2017年11月7日(图3i)空气质量好转,北京-廊坊-保定重污染条带特征消失,北京市区AOD在0.4左右,研究区域西北部AOD达到此次污染过程之前的水平,为0.1左右,研究区域内仅有南部区域AOD略高,为0.5左右,为此次污染过程的消失阶段,整体空气质量回归良好水平.

时间表示为世界时间

2.3 结果验证

在对GOCI气溶胶光学厚度结果进行验证时,首选AErosol RObotic NETwork (AERONET)观测网地基太阳光度计实测数据,在研究区域内,选择拥有正常观测的长期AERONET站点香河(116.962°E, 39.754°N)、RADI(中国科学院遥感与数字地球研究所:116.379°E,40.005°N)、CAMS(中国气象科学研究院116.317°E,39.933°N),采用了Level 1.5数据进行验证.

AERONET实测数据中没有550nm波段,可根据实测气溶胶光学厚度结果和Ångström参数公式,利用太阳光度计实测的440nm和870nm处的气溶胶光学厚度,计算出550nm处的气溶胶光学厚度值,并与GOCI反演的结果进行对比[17-18].

式中:τ()是550nm处的气溶胶光学厚度,是气溶胶浊度系数;是Ångström指数;为波长,单位为mm.

验证结果如图4所示.由图4可以看出,GOCI AOD反演结果与AERONET实测结果在各验证站点均有很好的一致性,在4个站点的相关系数2为0.89~0.90,斜率0.88~1.00.

北京及周边地区的反演结果与地基结果的相关性(2大于0.89)略高于GOCI官方AOD在整个东亚地区的结果(2大于0.8)[19-20].同时,GOCI具有一小时一次的监测频率,可以实时连续的提供大气污染区域的监测结果,比起极轨卫星,能更好的反应出大气变化的特性,是大气监测的一个重要技术手段.

3 结论

3.1 2017年11月4日到7日北京地区有一次污染过程.污染过程由2017年11月4日开始,空气质量为良;5日大气污染物开始聚集,空气质量为轻度污染;6日空气质量继续变差,为中度污染,影响范围最大,尤其是北京中部南部地区,AOD达到1.5左右;7日大气污染消散,空气质量转好.

3.2 北京及周边地区的反演结果与地基结果具有较好的相关性(2大于0.89). GOCI具有一小时一次的监测频率,可以实时连续的提供大气污染区域的监测结果,比起极轨卫星,能更好的反映出大气变化的特性,是大气监测的一个重要技术手段.由GOCI 反演的AOD结果可以明显看出,2017年11月3日到7日北京地区一次污染过程中的空气质量轻度污染、中度污染、良好情况下对应的不同的AOD的分布趋势及变化规律.因此,高时间分辨率的GOCI影像具有详细监测空气污染过程的优势.

[1] Ryu J H, Han H J, Cho S, et al. Overview of geostationary ocean color imager (GOCI) and GOCI data processing system (GDPS) [J]. Ocean Science Journal, 2012,47(3):223-233.

[2] Faure F, Coste P, Kang G. The GOCI instrument on COMs mission – the first geostationary ocean color imager [C]//Proceedings of the International Conference on Space Optics (ICSO), 2008,6:1-6.

[3] 王中挺,厉 青,陶金花,等.环境一号卫星CCD相机应用于陆地气溶胶的监测[J]. 中国环境科学, 2009,29(9):902-907.

[4] Kaufman Y J, Tanré D, Remer L, et al. Operational remote sensing of tropospheric aerosol over the land form EOS-moderate resolution imaging spectroradiometer [J]. Journal of Geophysical Research, 1997,102(14):17051-17067.

[5] Hsu C N, Tsay S C, King M D, et al. Aerosol properties over bright-reflecting source regions [J]. IEEE Transactions Geoscience and Remote Sensing, 2004,42(3):557–569.

[6] Hsu C N, Tsay S C, King M D, et al. Deep blue retrievals of Asian aerosol properties during ACE-Asia [J]. IEEE Transactions Geoscience and Remote Sensing, 2006,44(11):3180–3195.

[7] Holben B, Vermote E, Kaufman Y J, et al. Aerosol retrieval over land from AVHRR data-application for atmospheric correction [J]. IEEE Transactions on Geoscience and Remote Sensing, 1992,30(2):212- 222.

[8] Tanré D, Deschamps P Y, Devaux C, et al. Estimation of Saharan aerosol optical thickness from blurring effects in Thematic Mapper data [J]. Journal of the Atmospheric Sciences, 1988,93(D12):15, 955–15,964.

[9] 孙 林,柳钦火,刘 强,等.高反射率地区气溶胶光学厚度遥感反演:现状及展望[J]. 地理科学进展, 2006,25(3):70-78.

[10] Deuzé J L, Goloub P, Herman M, et al. Estimate of the aerosol properties over the ocean with POLDER [J]. Journal of Geophysical Research, 2000,105:15329-15346.

[11] Deuzé J L, Bréon F M, Devaux C, et al. Remote sensing of aerosols over land surfaces from POLDER-ADEOS 1polarized measurements [J]. Journal of Geophysical Research, 2001,106(D5): 4913-4926.

[12] Hagolle O, Dedieu G, Mougenot B, et al.Correction of aerosol effects on multi-temporal images acquired with constant viewing angles: Application to Formosat-2images [J]. Remote Sensing of Environment, 2008,112(4):1689-1701.

[13] Han H J, Ryu J H, Ahn Y H. Development the Geostationary Ocean Color Imager (GOCI) Data Processing System (GDPS) [J]. Korean J Remote Sens, 2010,26(2):239-249.

[14] Ryu J H, Han H J, Cho S, et al.Overview of geostationary ocean color imager (GOCI) and GOCI data processing system (GDPS) [J]. Ocean Science Journal, 2012,47(3):223-233.

[15] Choi Y S, Ho C H. Validation of the cloud property retrievals from the MTSAT-1R imagery using MODIS observations [J]. International Journal of RemoteSensing, 2009,30:5935−5958.

[16] Choi Y S, Ho C H, Ahn M H, et al. An exploratory study of cloud remote sensing capabilities of the Communication, Ocean and MeteorologicalSatellite (COMS) imagery [J]. International Journal of Remote Sensing, 2007,28:4715−4732.

[17] Ångström A. On the atmospheric transmission of sum radiation on dust in air [J]. Geogr Annual, 1929,2:156-165.

[18] Dubovik O, King M D. A flexible inversion algorithm for retrieval of aerosol optical properties from sun and sky radiance measurements [J]. Journal of Geophysical Research, 2000,105:20673–20696.

[19] Park M E, Song C H, Park R S, et al. New approach to monitor transboundary particulate pollution over Northeast Asia [J]. Atmospheric Chemistry and Physics, 2013,14(2):659-674.

[20] Xiao Q, Zhang H, Choi M, et al. Evaluation of VIIRS, GOCI, and MODIS Collection 6AOD retrievals against ground sunphotometer observations over East Asia [J]. Atmospheric Chemistry and Physics, 2016,16(3):1255-1269.

致谢：感谢韩国宇航研究院提供的COMs1GOCI卫星数据,使用了AERONET的Beijing_CAMS、Beijing_RADI、XiangHe站点的观测数据,作者在此对上述机构和维护AERONET站点的首席科学家表示衷心的感谢.

An AOD monitoring of air pollution process based on GOCI data.

ZHANG Yu-huan, MAO Hui-qin*, LI Qing, WANG Zhong-ting, ZHANG Li-juan, MA Peng-fei, ZHOU Chun-yan, CHEN Hui, CHEN Cui-hong

( Environmental Satellite Application Center, State Environmental Protection Ministry, Beijing 100029, China)., 2018,38(10)：3647~3653

An serious air pollution episode over Beijing and surrounding area have persisted from November 2 to 8, 2017. In order to monitor and analyze this air pollution, a remote sensing inversion of time series iterative algorithm (TSIA) was used to retrieval the aerosol optical depth (AOD) for the particle pollutants based on COMs1(Communication、Ocean & Meteorological Satellite-1) GOCI (The Korea Geostationary Ocean Color Imager) data. The core idea of TSIA is the surface reflectance variations is minimized by a reasonable assumption of aerosol changing quickly but earth’s surface changing slowly over time. The results show that the AOD over Beijing and around area has a fairly good relationship with2of greater than 0.89 compared with the ground-based measurements from Aerosol Robotic NETwork (AERONET). The high monitoring frequency of GOCI (once per hour in daylight) could capture the air pollution trends better from forming to dissipation, which can be of great assistance in climate change researches and environmental monitoring.

aerosol optical depth；geostationary satellite；high temporal resolution；air pollution

X831

A

1000-6923(2018)10-3647-07

张玉环(1984-),女,山东济宁人,高级工程师,博士,主要从事大气环境遥感监测研究.发表论文10余篇.

2018-02-06

国家重点研发计划资助项目(2016YFC0206202)

* 责任作者, 高级工程师, huiqin.mao@hotmail.com