气溶胶是液体或固体微粒均匀地分散在气体中形成的相对稳定的悬浮体系(王贺等, 2017).气溶胶是地球气候系统的一个重要组成部分(Kumar et al., 2017).一般来说, 来自化石燃料的燃烧、工农业生产活动产生的人为气溶胶占城市气溶胶的比例很大, 而来自森林火灾、沙尘等自然活动产生的气溶胶也对中国的高浓度颗粒物有很大贡献(Singh et al., 2017).大气气溶胶粒子通过吸收和散射太阳辐射导致减少到达地面的太阳辐射强度, 进而改变地面能量收支.此外, 气溶胶能够充当云凝结核和冰核, 通过与云相互作用影响云的微物理特性(齐玉磊等, 2013), 从而影响云的辐射特性, 间接引起气候变化(Seinfeld et al., 2016), 进而对水文循环、区域粮食安全产生影响(Burney et al., 2014).此外, 长时间暴露在气溶胶粒子浓度较高的环境中, 会直接影响人体的健康, 并可能会引发心肺疾病(Peng et al., 2009).因此, 气溶胶的时间变化规律与空间分布特征受到国内外学者的广泛关注(林楚勇等, 2015).
由于地面监测站数量相对稀少, 很难实现大气气溶胶的动态、大范围监测, 而卫星遥感可以提供广阔范围内气溶胶的多种信息, 通过反演AOD空间分布和整体变化趋势来弥补地面监测的缺陷(景悦等, 2018).卫星遥感获取的信息已在许多研究中得到利用, 比如:作物产量估算、污染事件识别和极端气候预测等.然而, 由于卫星上搭载的传感器产生的仪器误差和AOD反演算法的误差, 其反演结果通常有偏差, 所以需要利用地面监测对其进行广泛验证.因此, 对卫星产品的验证将有助于减少识别气溶胶垂直分布及其光学特性的各种不确定性, 以分析气溶胶与气候的相互作用, 用于预测区域尺度空气质量.在全球常规提供气溶胶柱状特性的各种传感器中, Terra和Aqua卫星上的中分辨率成像光谱仪(MODIS)被认为是研究和验证最为广泛的一种.尽管已经运行了十多年, 但是美国宇航局对气溶胶反演的算法的改进仍在继续.MODAPS目前正在为所有MODIS L1和更高级别的大气产品生成一个改进的版本6.1(C6.1), 并计划在不久的将来为所有陆地产品升级到C6.1版.MODIS C6 AOD产品在区域和全球范围内得到了充分验证(Sayer et al., 2014; Georgoulias et al., 2016; Shi et al., 2017; 王海林等, 2019), C6.1版的大部分研究集中在10 km产品上(Sogacheva et al., 2018), 对3 km AOD产品研究较少.
对MODIS气溶胶产品的适用性验证和时空分布的分析, 国内外已经做了大量的工作.林泓锦等(2018)利用MODIS /Aqua C6.1月数据研究了内蒙古气溶胶的时空分布特征.孙晓雷等(2015)分析了MODIS C6 3 km卫星遥感气溶胶产品的算法流程, 并与AERONET观测数据进行对比验证, 综合新疆阿克苏地区地面空气子站1年的颗粒物质量浓度(PM10)、环境气象资料(能见度、湿度等), 评估了该高分辨率气溶胶产品的精度和稳定性.发现C6 3 km AOD产品质量稳定, 其月、季平均等长时间尺度结果有更好的空间覆盖, 可满足区域环境空气质量评估的需要.张西雅等(2017)利用AERONET数据对2008—2012年MODIS/Terra C6 3 km卫星遥感气溶胶产品在京津冀地区的适用性进行了验证, 利用DMSP /OLS夜间灯光数据作为城市化评价手段, 对京津冀地区城市化与AOD时空分布之间的关系进行了研究.发现研究区内AOD与夜间灯光数据二者相关性显著, 城市化发展水平和人类活动对气溶胶的分布有着明显的影响.Nichol等(2016)验证C6 MYD04_3K产品在亚洲国家的适用性, 得出MYD04_3K AOD产品比MYD04_L2 AOD产品可靠性差的结论.Bilal等(2019)评估了MODIS C6.1 10 km AOD产品在京津冀地区的适用性, 结果发现与C6版本相比, 总体上有了实质性的改善.C6.1 DT 10 km AOD产品的性能优于C6 DT 10 km AOD产品, 符合期望误差的数据增加了约13%~14%.He等(2017)利用MODIS/Terra C6 3 km和10 km产品对中国地区进行验证与比较, 发现3 km AOD产品在中国西部的干旱地区提供了更多的反演值, 并且在多云天气中提供了一些日变化的峰值.
因此, 本文应用MODIS/Aqua气溶胶C6数据集最新的改进版C6.1 3 km产品近16年的数据, 与AERONET数据进行对比, 分析3 km AOD在京津冀地区的适用性, 并与C6.1 MODIS/Aqua 10 km AOD产品进行对比分析.旨在为京津冀地区大气污染的治理提供依据.
2 材料与方法(Materials and methods) 2.1 研究区域京津冀地区位于中国北方, 由于长时间的工业发展和城市扩张, 该地区污染严重, 经常发生由细颗粒组成的雾霾, 并发生过多起由粗颗粒组成的沙尘暴等严重的空气污染事件, 是中国受环境污染程度比较严重的地区之一.
2.2 数据来源 2.2.1 MODIS数据研究使用的遥感影像数据主要来自美国国家航空航天局(NASA)发布的Aqua-MODIS数据.Aqua卫星搭载的中分辨率成像光谱仪(MODIS)具有36个通道, 不仅可以获取从紫外到红外的光谱波段的信息, 还具有较高的时间分辨率(每1~2 d覆盖全球1次), 扫描幅宽2330 km, 适合大气气溶胶光学厚度的反演和变化研究(张云等, 2016).
MODIS 3 km产品采用暗目标(Dark Target)算法进行反演, 与10 km产品相比在反演窗口和像元筛选上有所差别.在C6.1版本中, 对DT算法做了如下改正:①在使用DT反演陆地上空气溶胶的过程中, 当10 km×10 km的网格中沿海面积大于50%或水体所占面积大于20%时, 就将该网格的气溶胶值降为0.②使用MYD09表面反射率产品更新城市地区的表面反射率比(Tian et al., 2018).
本文使用的是数据为2003-03-01—2018-09-30的Aqua-MODIS C6.1 10 km和AQUA-MODIS C6.1 3 km气溶胶数据集, 气溶胶光学厚度的获取利用“Optical Depth Land and Ocean”数据集, 云量的获取使用“Aerosol Cloud Fraction Land”产品.
2.2.2 地基数据介绍本文以北京、香河、北京-CAMS、兴隆4个AERONET站点的AOD数据作为卫星资料的对比数据, 研究区域站点分布见图 1, 站点信息见表 1.AERONET是一个全球地面站网络, 配备了校准良好的气溶胶观测太阳光度计(王宏斌等, 2015).它提供了在去云的情况下一个0.340~1.060 μm范围内的光谱AOD数据集, 具有低不确定性(0.01~0.02)和高时间分辨率(每15 min 1次)(Smirnov et al., 2000).AERONET的处理算法已经从1.0版发展到2.0版, 现在是3.0版.除此之外, AERONET的AOD数据分为3级:L1.0没有云过滤和质量验证;L1.5完成了去云处理但没有质量验证;L2.0完成了去云处理和质量验证(Qi et al., 2013).3.0版的L2.0 AERONET AOD数据具有低不确定性, 被认为是验证本研究中MODIS C6.1 AOD反演的地基真值.
由于MODIS和AERONET对气溶胶观测的中心波长和时空尺度不同, 为了使两者具有可比性, 需要对气溶胶光学厚度数据作波长差值和时空匹配处理(Tao et al., 2015).
为了实现两者匹配, 使用Ångström算法(式(1)、(2))将440、870 nm的AOD地基观测数据, 插值到550 nm处.
(1) |
(2) |
式中, AODλi为波长λi的气溶胶光学厚度;β为Ångström浑浊度系数, 与气溶胶粒子总数、粒子谱分布和折射指数有关;α为Ångström波长指数, 与气溶胶的平均半径有关, 气溶胶粒子越大, α值越小.λ1、λ2分别为440 nm、870 nm的波长.
时间窗口的选取是:以卫星过境时间为依据, 选择该时刻前后30 min内AERONET站的AOD数据并取平均值;空间范围的选取是:以站点为中心50 km×50 km范围内MODIS产品数据的空间平均(Mhawish et al., 2017).最终形成AERONET-MODIS时间与空间分辨率相匹配的AOD数据集.本文采用MODIS 3 km AOD产品的期望误差为±0.05±0.02×AOD, MODIS 10 km产品采用相同的精度.
3 结果与讨论(Results and discussion) 3.1 AERONET站点对比将从MYD04_3K获取的AOD值与AERONET AOD观测值进行比较(图 2).在与AERONET匹配的3134个样本数中, 有61%在期望误差范围内, 但不同站点与AERONET匹配的情况存在很大差异.最大的不确定性发生在下垫面为城市的北京-CAMS站, 只有27.9%的样本数在期望误差范围内.下垫面同为城市的北京站也只有36.5%样本数在期望误差范围内.而北京站、北京-CAMS站分别有61.6%、71.8%的样本超出了期望误差上限.已有学者对北京站的反演误差进行了分析, 其误差来源主要来自不合适的气溶胶模型(Levy et al., 2013).综合4个站点的地基观测值, MODIS AOD平均值与AERONET AOD相比, 存在有35.9%的高估, 表明在3 km DT算法中地表反照率低估较为严重.对于4个站点, MYD04_3K和AERONET之间的斜率都明显大于1, 这表明使用的气溶胶模型中吸收型的占比过多.C6.1版本中, 北京站36.5%样本数在期望误差范围内, 而在C6版本中, 仅有6.5%(Nichol et al, 2016), 说明C6.1 MYD04_3K在北京站的反演精度有所提高, 这与算法中使用MYD09表面反射率产品更新城市地区的表面反射率比有关.
MODIS 10 km产品与地基数据对比结果与MODIS 3 km产品的相类似, 在北京站和北京-CAMS站的反演也存在高估, 与AERONET观测值有所偏差.除了与气溶胶模型有关外, 还与表面反射率估算中存在很大的负偏差相关.
MYD04_L2与AERONET匹配的样本数为3091(图 3).与MYD04_3K获取的样本数相比略微少些, 这是因为MYD04_3K产品可以显示出气溶胶烟羽, 并能展示出小范围的AOD变化细节.在MYD04_L2与AERONET匹配的样本数中, 有64%在期望误差范围内, 而在下垫面为城市的北京站和北京-CAMS站, 分别比3 km产品的多16.5%、17.4%, 表明城市地区反演精度比3 km产品高;在植被覆盖率较高的香河站和兴隆站, 落在期望误差范围内的样本数比例分别比3 km产品低4%、13%, 说明在京津冀地区, MYD04_3 km AOD产品比MYD04_L2 AOD产品更适用于暗目标.
基于Bilal等(2019)中的月平均分析法, 得出2003—2018年AOD产品与AERONET匹配的样本数的月均值变化情况(图 4).从图 4中可以看出, 3 km和10 km产品与AERONET有相同的走势.6月和7月3 km和10 km AOD的月均值较其他月份高些, 这可能是由于每个月3 km和10 km产品的匹配样本数量不同造成的.
本文将3—5月定义为春季, 6—8月定义为夏季, 9—11月定义为秋季, 12月—次年2月定义为冬季.在此基础上, 计算分析得到京津冀地区3 km和10 km AOD季节空间分布(图 5a, 5 b)及其差值空间分布(图 5c).春季、夏季、秋季AOD高值区主要集中于衡水市、邢台市、邯郸市等河北省的南部地区, 而张家口市、承德市等河北的北部位置处AOD低值区, 从北部到南部AOD呈阶梯式上升变化趋势.冬季, AOD的值较低, 因为受暗目标选择准则的限制, DT算法无法在复杂明亮的人工表面上提取冬季的AOD, 存在大量的像元丢失.春季3 km与10 km AOD值平均差均值为0.0079, 夏季为0.0008, 冬季为0.0037, 秋季为0.0035.雾霾污染的季节性变化可能是造成季节性变化的主要原因(He et al., 2017).
图 6中还比较了京津冀地区3 km AOD和10 km AOD的16年年平均分布情况.3 km和10 km的AOD反演表现出高度相似的空间分布, 但在细节上有所不同, 3 km AOD产品呈现出比10 km产品更好的气溶胶梯度的详细分布和变化.京津冀地区AOD整体分布趋势为南部平原地区高北部丘陵地区低.这意味着较低的地形往往有更多的颗粒悬浮在空气中, 主要是因为大多数人口居住在低地地区, 大量的人为气溶胶是从这些人口密集区域的人类活动中排放出来的(王海林等, 2019).由于两种反演算法基本相同, 这两种产品提供了几乎完全相同的气溶胶时空分布和变化, 2004—2017年3 km AOD产品的平均AOD为0.512, 10 km产品的AOD为0.506.两个AOD产品的多年平均差异非常小, 空间差异的平均值为0.006, 即小于0.05.
图 7展示了两种产品的有效样本年平均频率对比图, 从中能够识别京津冀地区AOD时空分布的细节.两种产品的有效样本年均值分布图大致相似, 从北部到南部AOD逐渐上升.在图 8中, 两种产品的残留云均值在京津冀地区有相似的变化, 但与AOD年均值空间分布大致相反, 从南到北逐渐递减.虽然MODIS 3 km气溶胶产品与10 km产品在建立查找表、地面反射率假定关系和反演流程等方面采用了一致的反演方法和查找表策略, 但在像元筛选和组织策略上有所区别, 导致云的去除有所区别(He et al., 2017).因此, 这两种产品具有不同的采样频率和反演覆盖范围.
地表反射率的获取使用“Surface Reflectance Land”产品.从图 9可以看出, 两种产品在北京-CAMS站的地表反射率也有类似的时间变化趋势, 但MYD04_L2的地表反射率较MYD04_3K高些.在图 3中, 下垫面为城市的北京-CAMS站, MYD04_3K产品的不确定性较大, 原因之一是由于使用不适当的地表反射率造成的.
1) MODIS C6.1版本的3 km AOD数据和AERONET观测的AOD数据在京津冀地区吻合较好, 其相关性达到0.95, 虽在期望误差范围内的样本数达61.1%, 但仍达不到66%的要求, 尤其是在高反射的城市地区, 反演效果较差, 表明C6.1 3 km AOD产品在京津冀地区的算法仍有改进的空间.
2) MODIS 3 km AOD和10 km AOD的多年平均值变化表明, 3 km AOD产品呈现出比10 km产品更好的气溶胶梯度的详细分布和变化, 反演值往往高于10 km AOD的反演值.从不同季节的3 km和10 km AOD时空变化中得出京津冀地区AOD值夏季最大, 春季次之, 冬季最小.
3) 因为反演窗口和像元筛选与10 km AOD产品不同, 导致3 km AOD算法中云量较高, 且城市地区的地表反射率的低估更为普遍, 这对3 km AOD产品在京津冀的城市亮表面区域的估计过高做出了一定的解释.本研究下一步将重点开展气溶胶模型的选择对3 km AOD产品精度的影响.
Bilal M, Nazeer M, Nichol J, et al. 2019. Evaluation of Terra-MODIS C6 and C6.1 aerosol products against Beijing, XiangHe, and Xinglong AERONET Sites in China during 2004-2014[J]. Remote Sensing, 11(5): 486. DOI:10.3390/rs11050486 |
Burney J, Ramanathan V. 2014. Recent climate and air pollution impacts on Indian agriculture[J]. Proceedings of the National Academy of Sciences of the United States of America, 111(46): 16319-16324. DOI:10.1073/pnas.1317275111 |
Georgoulias A K, Alexandri G, Kourtidis K A, et al. 2016. Differences between the MODIS Collection 6 and 5.1 aerosol datasets over the greater Mediterranean region[J]. Atmospheric Environment, 147: 130-139. |
He Q, Zhang M, Huang B, et al. 2017. MODIS 3 km and 10 km aerosol optical depth for China:Evaluation and comparison[J]. Atmospheric Environment, 153: 150-162. DOI:10.1016/j.atmosenv.2017.01.023 |
景悦, 孙艳玲, 付宏臣, 等. 2018. 2010-2016年京津冀AOD时空变化及其影响因子分析[J]. 环境科学与技术, 41(8): 104-113. |
Kumar M, Raju M P, Singh R S, et al. 2017. Impact of drought and normal monsoon scenarios on aerosol induced radiative forcing and atmospheric heating in Varanasi over middle Indo-Gangetic Plain[J]. Journal of Aerosol Science, 113: 95-107. DOI:10.1016/j.jaerosci.2017.07.016 |
林泓锦, 都瓦拉, 玉山, 等. 2018. 基于MODIS的内蒙古气溶胶时空分布特征分析[J]. 环境科学学报, 38(12): 4574-4581. |
林楚勇, 邓玉娇, 徐剑波, 等. 2015. 基于MODIS的广东省气溶胶光学厚度时空分布特征分析[J]. 热带气象学报, 31(6): 821-826. |
Levy R C, Mattoo S, Munchak L A, et al. 2013. The Collection 6 MODIS aerosol products over land and ocean[J]. Atmospheric Measurement Techniques, 6(11): 2989-3034. DOI:10.5194/amt-6-2989-2013 |
Mhawish A, Banerjee T, Broday D M, et al. 2017. Evaluation of MODIS Collection 6 aerosol retrieval algorithms over Indo-Gangetic Plain:implications of aerosols types and mass loading[J]. Remote Sensing of Environment, 201: 297-313. DOI:10.1016/j.rse.2017.09.016 |
Nichol J E, Bilal M. 2016. Validation of MODIS 3 km resolution aerosol optical depth retrievals over Asia[J]. Remote Sensing, 8(4): 328. DOI:10.3390/rs8040328 |
Peng R D, Bell M L, Geyh A S, et al. 2009. Emergency admissions for cardiovascular and respiratory diseases and the chemical composition of fine particle air pollution[J]. Environmental Health Perspectives, 117(6): 957-963. DOI:10.1289/ehp.0800185 |
Qi Y L, Ge J M, Huang J P. 2013. Spatial and temporal distribution of MODIS and MISR aerosol optical depth over northern China and comparison with AERONET[J]. Chinese Science Bulletin, 58(20): 2497-2506. DOI:10.1007/s11434-013-5678-5 |
齐玉磊, 葛觐铭, 黄建平. 2013. 北方地区MODIS和MISR与AERONET气溶胶光学厚度的比较及其时空分布分析[J]. 科学通报, 58(17): 1670-1679. |
孙晓雷, 甘伟, 林燕, 等. 2015. MODIS 3 km气溶胶光学厚度产品检验及其环境空气质量指示[J]. 环境科学学报, 35(6): 1657-1666. |
Sayer A M, Munchak L A, Hsu N C, et al. 2014. MODIS Collection 6 aerosol products:comparison between Aqua's e-Deep Blue, Dark Target, and "merged" data sets, and usage recommendations[J]. Journal of Geophysical Research:Atmospheres, 119(24): 13965-13989. DOI:10.1002/2014JD022453 |
Seinfeld J H, Bretherton C, Carslaw K S, et al. 2016. Improving our fundamental understanding of the role of aerosol-cloud interactions in the climate system[J]. Proceedings of the National Academy of Sciences of the United States of America, 113(21): 5781-5790. DOI:10.1073/pnas.1514043113 |
Singh N, Murari V, Kumar M, et al. 2017. Fine particulates over South Asia:Review and meta-analysis of PM2.5 source apportionment through receptor model[J]. Environmental Pollution, 223: 121-136. DOI:10.1016/j.envpol.2016.12.071 |
Shi G M, Liu R L, Wang D Y, et al. 2017. Evaluation of the MODIS C6 Aerosol Optical Depth Products over Chongqing, China[J]. Atmosphere, 8(11): 227. |
Sogacheva L, de Leeuw G, Rodriguez E, et al. 2018. Spatial and seasonal variations of aerosols over China from two decades of multi-satellite observations-Part 1:ATSR (1995-2011) and MODIS C6.1(2000-2017)[J]. Atmospheric Chemistry & Physics, 18(15): 11389-11407. |
Smirnov A, Holben B N, Eck T F, et al. 2000. Cloud-screening and quality control algorithms for the AERONET database[J]. Remote Sensing of Environment, 73(3): 337-349. DOI:10.1016/S0034-4257(00)00109-7 |
王贺, 曹念文, 王鹏, 等. 2017. 南京地区大气气溶胶综合观测与对比分析[J]. 遥感学报, 21(1): 125-135. |
王海林, 刘琼, 陈勇航, 等. 2019. MODIS C006气溶胶光学厚度产品在京津冀典型环境背景下的适用性[J]. 环境科学, 40(1): 44-54. |
王宏斌, 张志薇, 张镭, 等. 2015. 中国3个AERONET站点气溶胶大小的识别及特征分析[J]. 中国环境科学, 35(4): 995-1003. |
Tian X P, Liu Q, Li X H, et al. 2018. Validation and comparison of MODIS C6.1 and C6 aerosol products over Beijing, China[J]. Remote Sensing, 10(12): 2021. DOI:10.3390/rs10122021 |
Tao M H, Chen L F, Wang Z F, et al. 2015. Comparison and evaluation of the MODIS collection 6 aerosol data in China[J]. Journal of Geophysical Research:Atmospheres, 120(14): 6992-7005. DOI:10.1002/2015JD023360 |
张西雅, 扈海波. 2017. 京津冀地区气溶胶时空分布及与城市化关系的研究[J]. 大气科学, 41(4): 791-810. |
张云, 肖钟湧. 2016. 云南省气溶胶光学厚度时空变化特征的遥感研究[J]. 中国环境监测, 32(2): 127-133. DOI:10.3969/j.issn.1002-6002.2016.02.021 |