龚奕霖 吴鑫 张贵
摘 要：利用MODIS数据研究区域大气PM2.5浓度分布是环境动态监测的有效方法。获取美国NASA发布的分辨率为3km的MOD光学厚度产品;提取2016年1月至2017年7月期间长沙市10个大气监测站点的PM2.5浓度数据进行相关性分析，建立PM2.5浓度与AOD之间的线性、幂函数以及指数函数3种相关性模型;引入湿度影响因子建立大气PM2.5浓度订正模型，采用PM2.5浓度订正模型订正PM2.5浓度。结果表明：湿度订正提高了PM2.5与AOD相关性，幂函数相关性模型的方差值相对其他2种模型较好，运用幂函数相关性模型研究长沙市MODIS气溶胶光学厚度与PM2.5浓度的相关性较好。
关键词：MODIS 气溶胶光学厚度 PM2.5
中图分类号：X513 文献标识码：A 文章编号：1672-3791（2020）02（a）-0066-05
Abstract： Using MODIS data to study regional atmospheric PM2.5 concentration distribution is an effective method for environmental monitoring. A MOD optical thickness product with a resolution of 3km was obtained by American NASA， and the correlation analysis of the PM2.5 concentration data of 10 atmospheric monitoring stations in Changsha from January 2016 to July 2017 was extracted. The linear， power function and exponential function between PM2.5 concentration and AOD were established， and the humidity influence factors were introduced. The correction model of atmospheric PM2.5 concentration was established， and PM2.5 concentration correction model was used to correct PM2.5 concentration. The results showed that the correlation between PM2.5 and AOD was improved. The variance value of the power function correlation model was better than the other 2 models. The correlation between the MODIS aerosol optical thickness of MODIS and the concentration of PM2.5 was better with the power function correlation model.
Key Words： MODIS; AOD; PM2.5
PM2.5（空氣动力学直径小于2.5μm的细颗粒物）会造成能见度下降[1]，并危害人的身体健康，对人们生活造成了极大的影响。目前全国各地均有多个站点对PM2.5等污染物进行监测，但数量仍然不足，并且地面监测站是基于该点的监测，不具有空间上的连续性。卫星遥感反演的AOD（Aerosol Optical Deep）则能够提供大范围连续的监测结果，并且与PM2.5存在一定的关系[2]，因此，研究AOD与PM2.5的相关性具有十分重要的意义[3]，国内外已经对此有不少的研究[4-5]。不少研究者利用多种回归方法来量化二者的相关性[6]，建立了AOD与PM2.5之间的相关关系[7]，以研究细颗粒物污染情况和对人们的健康效应，并认为能够提高遥感手段监测和估算地面细颗粒物质量浓度的能力[8]。利用AOD数据与卫星过境时刻的PM2.5小时平均值建立相关关系，相关系数存在很大的波动性[9]。对AOD和PM2.5进行相对湿度订正后，相关系数整体上升[10]。该文以长沙为研究区域，利用MODIS气溶胶光学厚度产品AOD与长沙空气质量监测站点所测得的PM2.5质量浓度以及相对湿度因子进行AOD与PM2.5的相关性分析。
1 数据资料和处理方法
1.1 Modis气溶胶数据
MODIS AOD数据采用精度已得到广泛验证的美国NASA发布的MOD光学厚度产品（https：//ladsweb.modaps.eosdis.nasa.gov），分辨率3km。
1.2 监测站点及PM2.5浓度数据
PM2.5质量浓度观测数据来源于全国城市空气质量实时发布平台。数据包含周期（2016年1月至2017年7月）的中国湖南长沙地区10个空气质量监测点（见图1）逐小时平均 PM2.5浓度地面观测值。以此数据为基础，生成Terra卫星过境前后2h的PM2.5平均值。
1.3 数据匹配
为了准确反映AOD与PM2.5的对应关系，从气溶胶产品中提取监测点所在位置周围个像元范围的AOD数据，计算平均值。剔除掉因为云遮挡等原因所造成的AOD缺失。对于PM2.5数据，同样剔除缺失数据，与AOD同一天数据进行匹配。得到的有效数据如表1所示。
2 曲线拟合与湿度订正
2.1 AOD与原始PM2.5拟合
获取相匹配的AOD与PM2.5数据之后，我们将两者进行线性拟合，结果如表2所示。
表2是MODIS AOD与PM2.5原始数据的线性拟合情况。我们可以看到长沙地区的AOD与PM2.5的相关性较低，选用效果稍好一点的幂函数和指数函数得到的R2也较低。地面监测站点所测得的PM2.5浓度的是在标准状态（0℃，101.3kPa）下测定的，而AOD是在当时的大气环境中得到的，它们之间的关系受到多种因素的影响，因而在相关性分析中会出现较大的偏差。相关研究表明，由于气溶胶垂直分布不均的特性，气溶胶标高对两者相关性影响很大，其次它还受相对湿度、降雨、风速、温度等气象条件的影响，特别是相对湿度能够使水溶性气溶胶颗粒吸湿膨胀数倍。因此，直接拟合得到的结果相关性较低。
2.2 湿度订正
大气气溶胶的吸湿性质，是联系气溶胶微物理、化学参数的桥梁和纽带之一，更是气溶胶光学性质的决定性参数之一，因此气溶胶吸湿性质在整个大气气溶胶科学研究中处于基础地位。亲水性干粒子吸湿后，其粒子直径有明显的增长，而折射指数单调较小。这样就导致相同浓度气溶胶在吸湿前后或者组分不同的情况下表现出不同的消光特性。相对湿度因子会对PM2.5粒子的粒径分布、复折射率和形态等产生影响，尤其在相对湿度较高的情况下，会对AOD产生很大的影响。因此，我们对结果进行了湿度订正。而地面监测可吸入颗粒物一般是在干燥的条件下进行的，得到的是干燥环境下的粒子质量浓度。将气溶胶光学厚度化为颗粒物质量浓度，还需要进行湿度订正，将湿粒子的消光系数转化为干粒子消光系数，以减少粒子吸湿特性造成的不确定性。
该文所采用的是相对湿度订正因子经验模型：
湿度订正采用下上公式得到订正后的数据，得到长沙10个站点的拟合结果。我们选用传统的线性拟合和经过比较得到效果较好的幂函数和指数函数进行拟合，结果见图2。利用反演的AOD值与对应时间段的PM2.5浓度小时均值进行相关性分析，得出两者相关性以及相应的线性拟合结果。整个时间跨度（2016年1月至2017年7月）数据的相关性为较好，具有一定的相关性，拟合方程如表3所示，R2值较低，仅为0.4左右，线性拟合效果一般。有国外学者Schaap等在使用MODIS AOD与PM2.5进行相关性分析时，R2达到0.5以上，与该文存在较大的差异，Schaap等的研究位于荷兰，其气候、地貌都与长沙市存在明显的差异，这是造成结果有出入的一个重要因素。
对长沙10个监测站点的AOD与PM2.5浓度值进行相关性分析，发现其相关性有明显的时空差异，郊区明显好于市区。位于湘江西的监测站点明显好于江东。其中尤其位于江东的伍家岭AOD与PM2.5的相关性最低，分别是0.266。位于城乡结合处的沙坪站点相关系数为0.45。
该文使用的反演方法是暗像元法，植被覆盖度高的区域，其反演效果明显好过植被覆盖度低、亮目标较多的市区。植被覆盖度对暗像元反演算法的影响，是AOD与PM2.5的相关性在市区与郊区出现较大差异的一个重要因素。
10个站点的拟合公式以及R2值如下表3所示。
通过表3各站点AOD与PM2.5拟合模型我们可以发现，经过湿度订正后，3种拟合模型的R2基本上都较高。其中幂函数的R2较高且非常稳定，在各个站点均有较好的拟合效果。线性拟合函数低于幂函数和指数函数，且在伍家岭站点出现了0.0777这样的特别低的值。长沙城区的AOD与PM2.5经湿度订正之后的值之间存在着一定的统计关系，且幂函数效果最佳。同时，湘江南北两边的监测站点的PM2.5分布也呈现出一定的对比，长沙城区的南高北低容易导致累积形成二次颗粒物，验证了数据的准确性。灰霾天气时，风速较小，基本处于静风状态，空气流动能力弱，灰霾不易吹散，AOD浓度偏大，PM2.5不易扩散、稀释甚至清除，环境污染程度显著加重。可见，城区的灰霾天气对大气颗粒物影响很强。MODIS AOD数据可以作为PM2.5浓度地面监测的有效补充手段。
由前文可知，AOD与PM2.5线性回归拟合的效果一般，虽然在个别站点取得较好的R2，但是总体相关性分析时，R2较偏小。因此，该文选用多个常用的回归模型，来比较拟合效果。这里选用的模型有幂函数和指数函数，各站点的模型拟合曲线如图2所示。
3 分析和结论
（1）2016年1月至2017年7月的长沙地区AOD与PM2.5直接拟合效果较差。在以前的对象为较小空间范围的研究结果中，也存在相关性较高和较低两种情况，这说明AOD和PM2.5因为各个区域气象条件等因素影响，拟合效果并不稳定，经过相对湿度校正以后两者相关性有较大提高。
（2）发现AOD和PM2.5均有明显的变化特征。在不同监测站点上，两者相关性差异明显，郊区站点明显好于市区站点。对两者进行函数拟合，在常用的函数模型中，幂函数的拟合效果好于其他函数，但R2仍偏低。
（3）该实验还存在着一些不足，比如文中各站点使用的湿度数据均为长沙站点这一个站点的数据，但实际各站点的湿度会有差异，有待在以后的研究中会进一步改进。经过研究，利用MODIS气溶胶数据监测PM2.5具有可行性，反演算法和研究区的气象条件则是研究过程中需要考虑的重要因素。因此，MODIS AOD数据可以作为PM2.5浓度地面监测的有效补充手段。
参考文献
[1] 吴健生，王茜.基于AOD数据反演地面PM2.5浓度研究进展[J].环境科学与技术，2017，40（8）：68-76.
[2] 石益，陶剑，王杰，等.探究AOD与PM2.5关系的一般性方法[J].绿色科技，2017（14）：16-18.
[3] 赵晓亮，孙杰，冯银厂，等.阜新市MODIS AOD与大气PM2.5浓度相关性研究[J].地球与环境，2017，45（3）：283-289.
[4] 李昕.基于MODIS的AOD反演与PM2.5时空变化分析与监测[D].山东农业大学，2017.
[5] 王伟齐，张成网，臧增亮，等.Terra和Aqua卫星MODIS 3kmAOD与北京PM2.5對比分析[J].气象科学，2017，37（1）：93-100.
[6] 亢红霞，那晓东，臧淑英.基于卫星遥感数据（AOD）估算PM2.5的研究进展[J].环境科学与管理，2016，41（2）：30-34.
[7] 赵志强，李爱农，边金虎，等.基于改进暗目标法山区HJ CCD影像气溶胶光学厚度反演[J].光谱学与光谱分析，2015，35（6）：1479-1487.
[8] 章明.基于Spot Vegetation的海南岛植被类型NDVI变化特征研究[D].西南大学，2009.
[9] 姬大彬.基于MODIS数据的高分辨率气溶胶光学厚度反演[D].山东科技大学，2009.
[10] 符静，秦建新.湖南省植被覆盖遥感反演信息量化统计[J].湖南师范大学自然科学学报，2017，40（5）：1-7.
