研究论文 网络优先出版 版本 2
下载
基于机器学习和卫星遥感的PM2.5/10空间连续分布反演方法研究
Research on the methods to retrieve continuous spatial distribution of PM2.5/10 based on machine learning and satellite imagery
: 2019 - 11 - 09
: 2019 - 12 - 19
: 2019 - 12 - 23
556 0 0
摘要&关键词
摘要:在过去的几十年里,快速的经济发展以及工业化、城镇化进程加使得我国的资源环境承担的压力不断加大。作为影响空气质量的首要污染物,PM2.5和PM10(记为PM2.5/10)直接影响着广大人民群众的身体健康。因此,针对PM2.5/10浓度进行遥感反演研究,对环境监测和控制改善全国空气环境质量具有重要的意义。近些年来,随着对近地面PM2.5/10浓度研究的不断深入,基于遥感影像数据进行PM2.5/10浓度的反演方法也日益增多。本文利用Google Earth engine(GEE)平台获取了海量的Landsat 8 OLI遥感影像数据,并结合气象信息、空间特征等参数,采用机器学习中常用的多层映射反向传播神经网络构建了波段反射率与PM2.5/10浓度之间的反演模型,以获得PM2.5/10在研究区域的连续分布。为了提高基础PM2.5/10反演模型的反演精度,本文还从影响因素和前溯时间两个维度出发,探寻了模型的最优化输入参数组合,并最终实现了对PM2.5/10浓度的精准反演。以北京市地区为例,模型的PM2.5和PM10的反演精度R2 分别达到0.814和0.796,均方根误差RMSE分别为19.21 μg/m3和28.31 μg/m3。鉴于该反演结果具有较高的准确性和可靠性,本文所建立的方法模型为研究PM2.5/10在空间上的连续分布特征提供了新的思路和方法,具有较为重要的科研意义与广泛的应用价值。
关键词:机器学习;卫星遥感;PM2.5/10反演;空间连续分布
Abstract & Keywords
Abstract: Background, aim, and scope In the past decades, the rapid industrialization and urbanization have increased the environmental burden in China. PM2.5/10 (incl. PM2.5 and PM10), which have significant impacts on human health, have become the primary pollutant affecting ambient air quality in most large cities in most large cities of North China. How to efficiently as well as accurately obtain the temporal and spatial distribution of PM2.5/10 concentration has become a popular research topic. Due to the uneven and sparse distribution of ground monitoring stations, it is difficult to get the accurate continuous distributions of PM2.5/10 concentration for one whole research area by the means of spatial interpolation and/or numerical simulation based on the discrete values from the ground monitoring stations. Taking advantages of high time effect, wide coverage, high load ability and robust characteristics, the retrieval of the PM2.5/10 concentrations based on the satellite imagery has become more and more valuable and popular. In the literatures published so far, the data of aerosol optical depth (AOD) are often employed to retrieve the PM2.5/10 concentrations by implementing linear and/or nonlinear regression analysis methods. However, the processes to calculate the AOD necessitate some kinds of special parameters, which are hard to be calculated and could be distinct in different research areas, i.e. there is still a lack of generic and robust methods/models to retrieve the PM2.5/10 concentrations from the satellite images. Due to the ill-posed issues mentioned above, this article is dedicated to developing a generic model to obtain the continuous spatial distributions of the PM2.5/10 concentration from satellite imagery based on the method of Multilayer Back Propagation Neural-network. Materials and methods In this research, the platform of Google Earth Engine (GEE) has been employed to acquire the large amount sample data of (a) Landsat8 OLI remote sensing images with the spatial resolution of 30 m, (b) the spatial parameters such as latitude, longitude and altitude, (c) the meteorological parameters of barometric pressure, relative humidity, temperature, wind direction, wind speed, etc., and (d) PM2.5/10 concentrations from ground monitoring stations. Hereinto, the data of (a), (b) and (c) can be treated as the ‘input’, while the data of (d) is the ‘output’. In order to find the optimal combination of the input parameters for the best ‘retrieval’ performances, the alternative ‘input’ parameters have been categorized into different groups from two the aspects of ‘influence factor’ and ‘Retroactive time’, which were stepwise employed by the proposed model for the neural-network training. Results Taking Beijing as the research area, the retrieval precisions, measured by R2 , have reached 0.814 and 0.796 for the PM2.5 and PM10 respectively. Simultaneously, the RMSE reached 19.21 μg/m3 and 28.31 μg/m3. The retrieval results of the proposed model have been compared with the results calculated by Kriging interpolation. Their general spatial distribution characteristics are consistent to each other— the higher PM2.5/10 concentrations occurred in the south, while the lower values are located in the north of Beijing, China. Discussion The retrieval accuracy of the proposed model is satisfactory and higher than many established models based on the AOD method. To make the validation analysis, the proposed model has been implemented to obtain the continuous spatial distribution graphs of the PM2.5/10 concentrations in Beijing, which are significantly better than that of Kriging interpolations in terms of resolution and clarity. Furthermore, as the Landsat 8 OLI are taken as the ‘basis’ for the retrievals, the distribution graphs of PM2.5/10 concentrations generated in this article have a much higher spatial resolution than many other works. Conclusions The proposed model based on Multilayer Back Propagation Neural-network has yielded considerable PM2.5/10 retrieval performances in terms of high accuracy and strong reliability. Meanwhile, due to the fact that all the data employed by the proposed model can cover the whole area of mainland China and are opened for the public uses, the proposed model has revealed strong robustness and generic nature as well. Recommendations and perspectives The proposed model provides a new and generic method to retrieve the PM2.5/10 concentrations from Landsat 8 OLI images. The high retrieval performance and generic nature indicate that the proposed model in this article can be widely implemented to calculate the continuous spatial distribution of PM2.5/10 with high resolution in various areas. Rather than a significant research prototype, the proposed model has gained the capability to be widely utilized in real-world applications.
Keywords: machine learning; satellite imagery; PM2.5/10 retrieval; continuous spatial distribution
随着我国经济快速发展以及工业化和城镇化进程的加速,资源环境承担的压力不断加大,大气污染问题也日趋严重。在我国北方的大多数城市里,PM2.5/10(包括PM10和PM2.5)已经成为影响环境空气质量的首要污染物,并直接影响着人类的身体健康,PM2.5/10的浓度测定方法及空间分布特征也因此成为一个研究热点(戴燃坡等,2016)。PM2.5/10具有持续发生时间长、浓度空间变化大的特点(周景林,1985),由于地面环境监测站在空间上并非均匀分布,往往难以在大范围的空间领域内获取精确的PM2.5/10浓度的分布情况及变化趋势。卫星遥感以其高时效性、覆盖面广、高分辨率等优势使得大面积快速获取PM2.5/10浓度在空间上的连续分布成为可能。
关于PM2.5/10的卫星遥感反演研究,始于20世纪70年代。随着传感器光谱探测能力急速提高,成像光谱仪的出现,具有36个观测通道的MODIS数据近十年间被广泛用于气溶胶浓度的反演研究。随后,MISR、GMSS5、国产HJ-1、Himawari-8以及Landsat 8 OLI等卫星数据也被应用于相关的研究,科研人员逐渐开始利用遥感影像数据反演气溶胶的光学厚度(Aerosol Optical Depth,AOD),并通过量化的方法来预测地表的PMx浓度(张军华等,2003;Koelemeijer et al,2006;Liu et al,2007;Kumar,2010;陈骁强,2011;李睿博和孙林,2017;Li et al,2017;葛邦宇等,2018)。Engel-Cox et al(2004)研究发现,利用MODIS所获取的AOD数据和地面测量仪所获得的PM2.5之间存在着一定的相关性,在美国西北地区其相关系数可以达到0.800,但在不同区域其相关性差异较大。Wu et al(2012)分析了多种不同的气象参数与AOD数据,利用神经网络方法构建了基于AOD的PM2.5反演模型,对中国西部地区的PM2.5浓度进行了反演运算,在测试区域“南宁地区”,其反演值与观测值间的相关性达到了0.803。
尽管这些基于AOD的PM2.5/10反演模型在一些地区可以达到较好的反演结果,但在其他区域的效果并不理想:首先,这些研究采用的卫星遥感影像多为MODIS,其分辨率普遍偏低(低于250 m),且难以保证遥感影像数据和地面监测数据在空间和时间上的匹配一致性;此外,反演结果受人为参数定义的影响较大,而这些参数计算过程又过于繁琐,模型的普遍适用性有待提高。
本文利用Google Earth Engine(GEE)云端运算平台,获取了海量的连续多年的Landsat 8 OLI卫星影像数据;并依据PM2.5/10反演所需的波段参数,采集并处理了不同波段的信息;再结合中国环境监测总站(China Environmental Monitoring Center,简称CEMC)发布的PM2.5/10浓度监测数据、由中国气象局(China Meteorological Administration,简称CMA)通过NOAA(National Oceanic and Atmospheric Administration,美国国家海洋大气总署)发布的中国大陆地区的气象参数数据以及空间参数数据(包括精度、纬度和高程);采用多层映射反向传播神经网络(Back Propagation Neural-network)的方法,构建了可用于反演PM2.5/10空间连续分布的机器学习模型(以下简称“PM2.5/10反演模型”)。选取北京地区进行模型测试,得到了令人满意的反演结果。
1   数据的收集与预处理
1.1   数据收集
完备、丰富且准确的样本数据是机器学习的基础。本文以北京市为研究区域,选用的数据主要包括:
(1)Landsat 8 OLI卫星遥感影像数据
搭载陆地成像仪和热红外传感器的Landsat 8卫星于2013年2月11日由美国国家宇航局NASA成功发射。其中的陆地成像仪OLI包括9个波段,涵盖了ETM+传感器所有的波段,其中有多个波段与气溶胶相关,空间分辨率30 m,成像幅宽185 km×185 km,在中国大陆地区的重访周期为16 d。


图1   中国大陆以及北京地区CEMC和CMA监测站的分布
红色点:CEMC监测站;黄色点:CMA监测站。Red point: CEMC stations; yellow point: CMA stations.
Fig. 1 Distribution of CEMC and CMA stations in Beijing
(2)CEMC的空气质量监测数据
中国环境监测总站CEMC是生态环境部直属事业单位,承担着涵盖空气、水、生态、土壤、近岸海域、噪声、污染源等多领域多要素的国家环境监测工作。中国环境监测总站可实现对PM2.5/10每小时一次的监测,并对外公开发布;CEMC在中国大陆地区共布设监测站点约1600个,其在北京市的空间分布参见图1。
(3)CMA通过NOAA公布的中国大陆地区气象监测数据
美国国家海洋大气总署NOAA是美国国家级的气象业务的主管机构。2013年,中国气象局(CMA)与NOAA签署合作协议,向其提供并授权其在互联网上公开发布中国地区的气象数据。CMA监测站提供的气象数据主要包括大气压、湿度、温度、风向、风速等;监测频率为三小时一次。CMA在中国大陆地区共布设监测站点370余个,其在北京市的空间分布如图1所示。
1.2   数据预处理
Google Earth Engine(GEE)由谷歌公司、卡内基梅隆大学和美国地质调查局联合开发,是Petabyte级的地理数据科学分析及可视化平台(徐晗泽宇等,2018)。基于GEE所提供的API,本文进行了以下三个方面的数据预处理工作:
(1)选取研究区内的Landsat 8 OLI卫星遥感影像,进行正射校正和空间位置配准;提取遥感影像中各波段的波段反射率,同时对大气层太阳辐射值进行反射补偿修正,并根据其中的相关波段进行植被指数NDVI的计算。
(2)由于卫星用的是光信号,易受到“云”的干扰,需要在研究区内进行Landsat 8 OLI遥感影像数据的“去云”处理。可采用GEE所提供的FMask算法进行云的识别与分类,并根据不同的云层特性采用相应的去云算法:对在大范围内存在薄云的影像来说,采用同态滤波法;对于局部有云的影像来说,采用时间平均法;对于其他情况,则综合采用同态滤波、小波变换以及非监督分类等方法。
(3)由于CMA站点与CEMC站点的空间分布位置不同,本文采用邻近分析算法NAA(Near Analysis Algorithm)实现了气象参数数据与PM2.5/10监测数据的自动匹配。具体计算过程为:以CEMC监测站为中心建立缓冲区,并在缓冲区内进行Landsat8 OLI影像各波段的反射率的提取以及根据相关波段进行NDVI的计算;计算缓冲区内各波段的平均反射率与平均NDVI,并将其赋予相对应的CEMC站点;再结合卫星的过境时间以获取与Landsat 8卫星过境时刻相吻合的CEMC和CMA地面观测数据,从而共同构成PM2.5/10反演模型的主要训练数据集。此外,空间点的高程在反演模型中也将被予以考虑。
2   反演模型的建立
如图2所示,完成数据的收集和预处理后,反演模型的建立主要包括两个步骤:(1)基于多层BPN网络建立基础的PM2.5/10反演模型(详见章节2.1);(2)探寻PM2.5/10反演模型输入参数的最优化组合(详见章节2.2)。通过对大量样本数据的训练学习,所建立的模型即可进行PM2.5/10空间连续分布的反演运算。


图 2   建立PM2.5/10反演模型的基本流程图
Fig. 2 The workflow of the PM2.5/10 retrieval model
2.1   基于多层BPN网络建立基础的PM2.5/10反演模型
鉴于机器学习模型中常用的多层映射反向传播神经网络(Back-Propagation Neural network,简称多层BPN网络)非常适合用来解决诸如卫星遥感影像反演运算之类的非线性问题,本文基于多层BPN网络建立了PM2.5/10反演模型。


图 3   基于多层BPN网络的PM2.5/10反演模型的基本结构图
Fig. 3 Schematic diagram of the PM2.5/10 retrieval model based on Back Propagation Neural-network
如图3所示,本文所构建的多层BPN网络模型由一个输入层,L个中间隐藏层(L≥1)和一个输出层组成。其中,每一层的单元同与之相邻层的所有单元连接,同一层的单元之间没有连接。当一组学习样本提供给多层BPN网络模型后,神经元的激活值从输入层经各中间隐藏层向输出层传播,同时在输出层的各神经元上获得网络的输入响应。接着,按照减少目标输出与实际误差的方向,从输出层经过各中间层逐层修正各连接权重值\({w}_{ij}^{\left(l\right)}\),最后回到输入层。
在图3中,\(\stackrel{\to }{\mathrm{X}}=\left[{\mathrm{x}}_{1},\mathrm{ }{\mathrm{x}}_{2},\dots {\mathrm{x}}_{\mathrm{i}},\dots {\mathrm{x}}_{\mathrm{m}}\right]\) 表示多层BPN网络模型的输入参数向量,其中\({\mathrm{x}}_{i}\)代表输入层第i节点的输入参数,Y代表输出层的数据。在本文的研究中,输出层数据选用的是CEMC的PM2.5/PM10地面监测数据;在输入层中,以Landsat 8 OLI相关波段的波段反射率为基础。然而,卫星数据主要体现的是高空的整层特性,而外来PM2.5/10的外来输送又以低空为主,二者并不一致;若仅仅考虑Landsat 8 OLI相关波段的波段反射率,BPN网络模型将很难得到满意的训练及反演结果。为了提高BPN网络模型的PM2.5/10反演能力,就需要在“高空”与“低空”特性之间建立联系。鉴于此,本文所创建的BPN网络模型的输入参数向量不仅包括遥感影像各相关波段的波段反射率,还可以包括植被指数NDVI、气象条件及空间特征参数等。sL代表第L隐藏层神经元的数量,为第层隐藏层中神经元的集合,可表示为Y表示输出变量,即遥感影像成像同时刻(或近似时刻)的地面监测站点的PM2.5/10浓度的真实测量值。构建多层神经网络模型过程中,输入输出数据统一进行标准化处理,标准化后的数据范围为[0,1]。
此外,表示第隐藏层中内第个神经元与第隐藏层中第个神经元的连接权重,而则表示是第隐藏层中第个神经元的偏置,且须满足公式(1)和(2):
(1)
(2)
式中:表示第隐藏层中第个神经元的输入值,代表传递函数有时叫做激发或激励函数。BPN网络结构采用Matlab的newff函数建立,不同隐藏层之间的采用tansig函数进行传递,而在最后一个隐藏层与输出层之间则可采用Purelin函数方程,网络训练过程则采用Levenberg-Marquardt算法的trainlm函数进行计算。隐藏层中节点的数目则采用柯尔莫哥罗夫(Kolmogorov)定理,通过逐步扩大隐层中间节点的个数的方式,对网络进行不断训练比对,以确定“最优”节点个数(Neruda et al,2001)。
2.2   探寻PM2.5/10反演模型输入参数的最优化组合
为了提高基础PM2.5/10反演模型的反演精度,本文从影响因素和前溯时间两个维度出发,探寻了模型的最优化输入参数组合。
2.2.1   在影响因素维度上的寻优
采用统计学的方法,分析各类数据与PM2.5/10浓度的相关性。根据相关性的强弱以及数据本身的类别特点,将输入数据划分为以下四组:
(a)遥感影像中与PM2.5/10强相关波段的反射率,如:Landsat 8 OLI遥感影像中的蓝波段和红波段等,在图4中简称为“强相关波段”。该组数据是遥感影像的PM2.5/10浓度反演运算的基础,在寻优过程中将会被首先并且自始至终的予以考虑。
(b)遥感影像中其他波段的反射率以及根据遥感影像解析所得的植被覆盖指数NDVI、地表覆盖类型等信息,在图4中简称为“其他波段”。
(c)空间特征参数,包括经度、维度、高程等,在图4中简称为“空间参数”。
(d)气象条件参数,包括温度、气压、湿度、风速、风向、降水等,在图4中简称为“气象参数”。
如图4所示,依据的分组可衍生出8种不同的排列组合;每一个排列组合都分别对应一种输入参数的组合。每组排列组合的数据都被分别输入至PM2.5/10反演模型中进行训练学习及验证测试。再通过对R2 、ME和RMSE等三个参数的综合评判,确定PM2.5/10反演模型的输入数据在影响因素维度上的最优化组合。


图 4   PM2.5/10反演模型输入参数排列组合示意图
Fig. 4 Different combinations of the input parameters of the proposed PM2.5/10 retrieval model
2.2.2   在前溯时间维度上的寻优
在PM2.5/10反演模型的一系列输入参数中,由CMA提供的气象特征参数会随着时间的推移不断发生变化。在进行PM2.5/10反演运算的过程中,对其产生影响的不仅包括与卫星影像拍摄时间(记为t0)同时刻的气象参数,还包括由t0前溯至某时刻(记为t1)的时间段内(即:t0-t1)的气象状况。
为此,本文采用循环探索的方式,以小时为步长逐步增大前溯源时段t0-t1的范围;前溯源时段每增长1小时,与该时段相对应的气象参数都会被增添至PM2.5/10反演模型的输入参数中,参与训练学习与验证测试,并通过对R2 和RMSE等三个参数的综合评判来确定最优的前溯时段。该探索过程的终止可依据以下两个原则加以控制:(a)前溯时段足够长,即t0-t1超越预设阈值;(b)PM2.5/10模型的反演结果持续变差。需要说明的是,本文在影响因素和前溯时间两个个维度上的寻优过程并不是相互分离、单独运行的,而是结合在一起综合考虑去探寻PM2.5/10反演模型输入参数的最优化组合,从而得到在已有样本数据条件支持下的最佳反演结果。
3   结果与分析
本文以北京市为研究区域,选取了2015年5月1日—2018年5月1日的数据,并采用机器学习中常用的“留出法”通过多次随机取样的方式选取训练数据集与测试验证数据集。其中,训练集占比70%,测试验证集占比30%,重复进行实验评估后取平均值作为模型的评估结果。根据确定的神经网络结构和传递函数,最大训练次数设置为500,网络训练精度设置为0.001,学习速率为0.1。
为了得到全面而客观的评价结果,模型的PM2.5/10反演结果须使用测试集中的数据进行验证,并综合考虑以下两个评价指标:
(3)
(4)
式中:\({PM}_{F}\)为神经网络的PM2.5/10反演值;\({PM}_{S}\)为PM2.5/10实测值;N为样本数目。
模型训练和检验结果如图5所示:PM2.5和PM10的反演精度R2 分别达到0.814和0.796,均方根误差RMSE分别为19.21 μg/m3和28.31 μg/m3,相关性显著。


图 5   反演值和监测值间的相关性拟合图:(a)PM2.5反演值和监测值间的相关性拟合图;(b)PM10反演值和监测值间的相关性拟合图
Fig. 5 The scatter plot between the retrieved and monitoring values: (a) the scatter plot between the retrieved and monitoring values of PM2.5 concentrations; (b) the scatter plot between the retrieved and monitoring values of PM10 concentrations
为了进一步阐述所创建的PM2.5/10模型的有效性,本文选取2015年01月26日UTC 2:53 北京地区的遥感影像数据,采用训练好的反演模型对整个北京地区的PM2.5/10浓度进行反演运算,并将该结果与基于CEMC站点PM2.5/10监测值的克里金插值结果图进行了比对分析,具体结果参见图6。其中,图6-(a)、(c)为北京市2015年01月26日UTC 2:53时刻通过反演运算所得到的PM2.5和PM10浓度在空间上的连续分布图,图6-(b)、(d)为该时刻基于CEMC站点监测值通过克里金插值得到的PM2.5和PM10在空间上的连续分布图,这些图像的空间分辨率相同,均为30米。
如图6所示,北京地区模型的反演结果和克里金插值结果在空间上分布趋势基本趋于一致,PM2.5和PM10的空间分布呈现南高北低的分布特征,符合PM2.5/10主要分布在工业地区和城市中心地区的特点;反演结果的精度远远优于克里金插值图。


图 6   北京地区2015年01月26日UTC 2:53的PM2.5/10浓度(μg/m3)的空间分布图:(a) PM2.5空间分布反演结果图;(b)PM2.5空间分布克里金插值结果图;(c) PM10空间分布反演结果图;(b)PM10空间分布克里金插值结果
Fig. 6 Spatial distribution of the PM2.5/10 concentration (μg/m3) in Beijing at UTC 2:53 on December 30, 2016: (a) retrieval result of PM2.5; (b) PM2.5 distribution calculated by Kriging Interpolation; (c) retrieval result of PM10; (d) PM2.5 distribution calculated by Kriging Interpolation
图 6 北京地区2015年01月26日UTC 2:53的PM2.5/10浓度(μg/m3)的空间分布图:(a) PM2.5空间分布反演结果图;(b)PM2.5空间分布克里金插值结果图;(c) PM10空间分布反演结果图;(b)PM10空间分布克里金插值结果
Fig. 6 Spatial distribution of the PM2.5/10 concentration (μg/m3) in Beijing at UTC 2:53 on December 30, 2016: (a) retrieval result of PM2.5; (b) PM2.5 distribution calculated by Kriging Interpolation; (c) retrieval result of PM10; (d) PM2.5 distribution calculated by Kriging Interpolation
表1   北京地区2015年01月26日UTC 2:53时刻PM2.5/10反演浓度分布与Kriging插值结果的对比
类别
Category
最小值
Min
/(μg/m3)
最大值
Max
/(μg/m3)
均值
Mean
/(μg/m3)
(a)和(b)之间的R2
R2 between (a) and (b)
(a) PM2.5 Kriging 插值
Kriging interpolation of PM2.5
44.31418.68200.990.804
(b) PM2.5 模型反演
Retrieval results of PM2.5
30.88443.55230.44
(a) PM10 Kriging 插值
Kriging interpolation of PM10
48.77451.34230.110.789
(b) PM10 模型反演
Retrieval results of PM10
22.34482.57250.13
表1为相同时刻PM2.5/10反演结果与插值结果的对比,两者整体相关性较好,相关系数R2 分别达到0.804和0.789,PM2.5/10反演运算的结果在整体上效果良好。通过与同时刻区域站点PM2.5/10克里金插值的结果相比,不难发现,通过模型反演所得到的PM2.5/10空间分布的更为详细,分辨率更高,且空间分布趋势保持一致。
4   结论
本文利用GEE云端运算平台收集并处理2015年5月至2018年5月间的Landsat8 OLI遥感影像数据,结合同期中国环境监测总站CEMC的空气质量监测站的数据构建了可用于获取PM2.5/10空间连续分布的机器学习反演模型。该模型以多层BPN神经网络为基础,并从影响因素和前溯时间两个维度出发,探寻了模型的最优化输入参数组合,获得了令人满意的反演效果。以测试区北京市为例,通过对2015年01月26日UTC 2:53时刻的Landsat8 OLI卫星数据的反演,将反演结果与同一时刻获取的监测站的数据进行了对比验证,证明了反演结果具有较好的相关性和精度,空间分辨率为30 m,远优于目前已公开出版的基于AOD的PM2.5/10反演运算结果(>250 m)。由此表明,本文所创建的PM2.5/10反演模型精度高,可靠性强,结果准确,具有较强的应用潜力。同时,由于CEMC与CMA站点已经基本覆盖到全国的大中型型城市且相关数据已全面公开,因此本文所创建的PM2.5/10反演方法可被不同城市广泛应用,反演PM2.5/10浓度值并获取其在空间上的连续分布,具有很高的普遍适用性。
总之,本文所创建的利用Landsat 8 OLI遥感影像进行PM2.5/10浓度反演的方法模型切实可行,可被广泛应用于高分辨率的PM2.5/10空间连续分布图的绘制。利用卫星遥感图像进行PM2.5/10的反演运算,可避免人为因素的干扰,其反演结果真实可靠,有望成为大气污染变化监测与区域分析的一个新的重要手段。此外,本文所做的研究还可为利用其他卫星遥感影像数据进行PM2.5/10反演运算提供有效的借鉴与参考。
致谢
陈骁强. 2011. 基于环境一号卫星的陆地气溶胶光学厚度反演方法研究[D]. 南京: 南京师范大学. [Chen X Q. 2011. Study on the retrieval of aerosol optical thickness over land based on HJ-1 data [D]. Nanjing: Nanjing Normal University.]
戴燃坡, 谢勇, 马青玉. 2016. 基于两天MODIS数据的气溶胶光学厚度反演[J]. 南京师大学报(自然科学版), 39(1): 139–144. [Dai R P, Xie Y, Ma Q Y. 2016. Retrieval of aerosol optical depth using two-day MODIS data [J]. Journal of Nanjing Normal University (Natural Science Edition), 39(1): 139–144.]
葛邦宇, 杨磊库, 陈兴峰, 等. 2018. 暗目标法的Himawari-8静止卫星数据气溶胶反演[J]. 遥感学报, 22(1): 38-50. [Ge B Y, Yang L K, Chen X F, et al. 2018. Study on aerosol optical depth retrieval over land from Himawari-8 data based on dark target method [J]. Journal of Remote Sensing, 22(1): 38-50.]
李睿博, 孙林. 2017. 改进的浓密植被法反演Landsat-8 OLI气溶胶光学厚度[J]. 遥感信息, 32(1): 120–125. [Li R B, Sun L. 2017. An improved DDV method to retrieve aerosol optical depth for landsat-8 OLI image [J]. Remote Sensing Information, 32(1): 120–125.]
徐晗泽宇, 刘冲, 王军邦, 等. 2018. Google Earth Engine平台支持下的赣南柑橘果园遥感提取研究[J]. 地球信息科学学报, 20(3): 396–404. [Xu H Z Y, Liu C, Wang J B, et al. 2018. Study on extraction of citrus orchard in Gannan region based on google earth engine platform [J]. Journal of Geo-Information Science, 20(3): 396–404.]
周景林. 1985. 大气气溶胶研究中的一些问题[J]. 气象科技, 13(4): 71–76. [Zhou J L. 1985. Some problems in atmospheric aerosol research [J]. Meteorological Science and Technology, 13(4): 71–76.]
张军华, 斯召俊, 毛节泰, 等. 2003. GMS卫星遥感中国地区气溶胶光学厚度[J]. 大气科学, 27(1): 23–35. [Zhang J H, Si Z J, Mao J T, et al. 2003. Remote sensing aerosol optical depth over China with GMS-5 satellite [J]. Chinese Journal of Atmospheric Sciences, 27(1): 23–35.]
Engel-Cox J A, Holloman C H, Coutant B W, et al. 2004. Qualitative and quantitative evaluation of MODIS satellite sensor data for regional and urban scale air quality [J]. Atmospheric Environment, 38(16): 2495–2509.
Kumar N. 2010. What can affect AOD–PM2.5 association? [J]. Environmental Health Perspectives, 118(3): A109-A110.
Koelemeijer R B A, Homan C D, Matthijsen J. 2006. Comparison of spatial and temporal variations of aerosol optical thickness and particulate matter over Europe [J]. Atmospheric Environment, 40(27): 5304–5315.
Liu Y, Franklin M, Kahn R, et al. 2007. 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 Environment, 107(1/2): 33–44.
Neruda R, Stedry A, Drkosova J. 2001. Kolmogorov learning for feedforward networks [C]// IJCNN'01. International Joint Conference on Neural Networks. Proceedings (Cat. No.01CH37222), Washington, DC, USA. New York, USA: IEEE. DOI: 10.1109/IJCNN.2001.938995.
Wu Y R, Guo J P, Zhang X Y, et al. 2012. Synergy of satellite and ground based observations in estimation of particulate matter in eastern China [J]. Science of the Total Environment, 433: 20–30.
稿件与作者信息
张猛
ZHANG Meng
张博
ZHANG Bo
张博,18681888878@163.com
基金项目 :国家自然科学基金项目(41871315)
National Natural Science Foundation of China (41871315)
出版历史
出版时间: 2019年12月23日 (版本2
参考文献列表中查看
地球环境学报
Journal of Earth Environment