2021, Vol. 41
[PDF全文]
2. 福建省灾害天气重点实验室, 福州 350001;
3. 南京信息工程大学海洋科学学院, 南京 210044
2. Fujian Key Laboratory of Severe Weather, Fuzhou 350001;
3. School of Marine Sciences, Nanjing University of Information Science&Technology, Nanjing 210044
气溶胶由悬浮在大气中的固、液微粒(粒径尺度约为10-3~10 μm)所组成, 其不仅与影响气候变化的太阳辐射等息息相关, 还可通过改变大气质量从而影响着人体的健康(Lim et al., 2012；IPCC, 2013).气溶胶光学厚度(AOD, 即垂直方向上介质的消光系数的积分)是气溶胶的重要参数, 而海洋上空AOD, 不仅可影响着全球气溶胶气候效应, 还可用来表示海上大气质量, 不仅如此, 海上气溶胶光学厚度对于水色遥感大气校正的质量检验以及大气模型的构建也起到了不可或缺的作用.
AOD可以通过地面站点观测或卫星遥感监测获取, 其中地面站点观测虽然能够准确获取某一时刻空间某点的AOD, 但由于受到仪器设备、人力物力等诸多因素的限制, 观测值的时空覆盖范围往往是离散且稀疏的, 因而很难反映出长时间与大范围空间内AOD的分布状况, 这无疑不利于对某一区域内AOD的时空变化展开较全面且客观的评估.针对我国黄渤海而言, 海区跨度较大, 水体具有复杂性(吴婷婷等, 2013), 加之该海区上空大气AOD值同开阔大洋相比较高(Levy et al., 2013), 且由于受到陆源污染(李冬辉等, 2012)导致在不同时空尺度内AOD的变化十分明显, 因此仅仅依赖地面观测的AOD数据是无法满足我国黄渤海的大气质量监测需求.与此相反, 卫星遥感技术具有观测时间长、覆盖范围广、实时(准实时)及动态性强等诸多特点, 因而在监测AOD时空分布与变化方面具有很大的优势.此外, 许多化学传输模式的精准度也可由AOD的遥感反演产品通过数据同化后得到很大的提升(Aaron et al., 2010).
目前国内外关于海上AOD的研究已经取得了一定的进展.国际上, d′Almeida等为气候研究提供了一个较为全面的气溶胶分类, 其中海洋上空气溶胶的分布可分为3个子类: 清洁海洋、海洋矿物和海洋污染(d′Almeida et al., 1991)；Husar等讨论了海洋上空对流层的气溶胶特性(Husar et al., 1997)；Bilal等以香港附近浑浊海域为研究区, 将简化了的气溶胶光学厚度反演算法同MODIS(Moderate Resolution Imaging Spectroradiometer)与VIIRS(Visible Infrared Imaging Radiometer Suite) 的AOD遥感产品进行定量对比, 结果发现简化了的气溶胶光学厚度反演算法具有较好的应用前景(Bilal et al., 2017)；Shen等基于中国海以及印度洋东部的现场实测数据对MODIS C6 10 km与3 km空间分辨率的遥感产品进行了精度对比验证, 发现10 km空间分辨率的AOD产品同实测数据相比更具有一致性(Shen et al., 2018).国内, 刘毅等利用在中国海域观测到的气溶胶资料, 研究了中国海域大气气溶胶的地理时间分布特征, 并得到海上陆源型的气溶胶浓度季节分布为: 春季最大, 秋冬次之, 夏季最小(刘毅等, 1999)；郝增周等基于SeaWiFs(Sea Viewing Wide Field of View Sensor)遥感资料分析了中国海域AOD的季节变化和分布特征, 发现了不同海区AOD时空分布的差异(郝增周等, 2007)；李冬辉等在中国近海, 基于航次实测样本与MODIS 869 nm波段的AOD产品进行了气溶胶时空分布变化的研究(李冬辉等, 2012).尽管已有许多卫星传感器设有AOD产品, 如：每日~2景的MODIS与VIIRS AOD遥感产品, 以及时间分辨率为每小时1景的GOCI (Geostationary Ocean Color Imager)与AHI H8(Advanced Himawari Imager Himawari-8)AOD遥感产品等(Lee et al., 2010；Levy et al., 2013；Jackson et al., 2013；Yoshida et al., 2018), 但有关这些产品在全球或者局地海域的适用性与精度研究较少, 尤其针对中国近海黄渤海而言这些卫星AOD资料的质量验证与比对尚未见报道.考虑到东亚地区气溶胶浓度高且成分构成多种多样, 包含有海盐、沙漠尘埃等物质(Kim et al., 2007；Yoon et al., 2014), 毫无疑问, 这为黄渤海域上空大气AOD遥感产品的精准反演增加了许多困难.不仅如此, 由于我国黄渤海水体特性复杂多变, 包含有大量的浑浊水体, 因此采用了暗目标算法(该算法常假设近红外波段的水体反射信号可以近似忽略)的卫星AOD资料在该海域的质量精度仍存在疑问.目前关于卫星AOD资料在中国近海的时空分布研究虽然已获得一些成果, 但这些资料往往空间分辨率较低、具有一定面积的AOD值缺测, 且大都着眼于季节或年际分析而对于AOD的月均分布研究甚少, 缺乏对海域内不同地理位置的AOD月均值开展相应的分布变化差异性对比.不仅如此, 有关黄渤海水域AOD的逐时分布变化也几乎没有涉及, 这无疑阻碍了我们进一步了解黄渤海域AOD在不同时空尺度下的分布变化特征.
基于以上缘由, 本文以中国黄渤海海域上空大气为研究对象, 基于收集到的大量现场AOD资料开展光谱曲线变化及频率分布的统计分析, 以了解实测数据的大致分布情况.之后对GOCI、MODIS、VIIRS和AHI H8传感器的AOD遥感图像进行精度检验.此外, 结合长时间的卫星影像资料, 定性并定量地探讨分析黄渤海整体与该海域不同地理位置的AOD逐时与逐月分布情况与变化特征.不仅如此, 本文还尝试分析卫星传感器AOD反演产品的误差来源.综上, 本文的目的在于更好地帮助人们了解在黄渤海域, 不同卫星传感器的AOD反演产品质量以及该海域AOD的时空分布与变化特征, 以期为我国黄渤海上空大气的质量监测等提供一定的科学依据.
2 研究数据与方法(Data and methods) 2.1 研究区域研究区域为中国近海：黄海与渤海上空大气, 研究区域为东经117°~128°, 北纬31°~41°.由于该区域为半封闭海域且易受到陆源污染的影响, 导致研究区大气气溶胶的物理特性与化学成分等复杂多变, 粒子分布特征也倾向于大陆型气溶胶, 且细粒子比重增大并表征出一定的吸收性(李栋等, 2010).不仅如此, 研究区域下垫面水体浑浊度高且常年含有较高浓度的有色可溶解有机物、悬浮颗粒物与叶绿素等, 从而造成黄渤海水体的物理光学特性等复杂多变, 毫无疑问, 这对研究海域上空大气的AOD高精度遥感反演增添了困难.
2.2 现场实测资料现场实测AOD数据可从AERONET(全球气溶胶自动观测网, 网址为：https://aeronet.gsfc.nasa.gov/)官网下载.现场采集点分布的具体经纬度位置如表 1所示, 注意到, 数据采集的时间为：2015—2017年, 观测频率为15 min 1次.由表 1可知实测站点分布既有位于远离陆地的海域中心, 也有易受到陆源污染的沿岸区域, 因此综上, 现场的采集样本时空跨度大是具有代表性的.AOD实测数据的预处理步骤包括：①AOD光谱插值.这是因为考虑到实测数据与本文选取卫星AOD产品的光谱设置具有一定的差异, 因此对现场实测AOD数据进行光谱插值这一步骤是不可以省略的.具体插值方法可参考(Shen et al., 2018)；②在完成AOD光谱插值后, 还需要进行逐小时平均的预处理, 这是因为确保在实测样本量充足的情况下, 进一步进行质量控制, 以防止数据异常, 不符合实际情况.经预处理后现场实测AOD数据共8294条.
| 表 1 黄渤海处AERONET站点具体经纬度位置 Table 1 The longitude and latitude of AERONET stations in the Yellow Sea and Bohai Sea |
 |
本文采用的卫星数据时间为：2015—2017年, 包括了极轨卫星传感器MODIS、VIIRS与静止卫星传感器AHI H8、GOCI的AOD遥感产品.MODIS AOD数据可从美国国家航空航天局地球数据系统(NASA EARTHDATA, 网址为https://ladsweb.modaps.eosdis.nasa.gov/)下载, 本文选取了MYD04_3K最优海洋有效光学深度(Effective_Optical_Depth_Best_Ocean, EODBO)产品中的红、绿、蓝3个波段(即, 0.65、0.55、0.47 μm, 空间分辨率3 km)；由国家海洋大气治理署(NOAA, 网址为https://www.avl.class.noaa.gov/saa/products/welcome)获得的VIIRS AOD产品命名为VAOOO, 该产品的红、绿、蓝3个波段被应用于本文中(即, 0.672、0.555、0.445 μm), 其空间分辨率为6 km；仅设有1个波段(0.5 μm)的AHI H8 AOD遥感数据, 时间分辨率为每小时1景每天共24景, 空间分辨率为5 km, 从JAXA Himawari Monitor and P-Tree(网址：https://www.eorc.jaxa.jp/ptree/)APR L3产品中可以下载获得；GOCI遥感图像有着500 m的空间分辨率, 每小时1景, 而在本文中GOCI AOD 550 nm波段遥感产品是由韩国卫星中心(KOSC)(http://kosc.kiost.ac.kr/eng/p10/kosc_p11.html)下载得到的L1B数据通过GOCI数据处理系统GDPS(GOCI Data Processing System)处理成L2A产品后获得.
2.4 卫星数据与实测样本的匹配由于不同卫星传感器自身的信噪比、获取遥感影像的时间、空间分辨率以及AOD反演的流程、算法等具有差异, 因此不同卫星数据获得的AOD资料也存在差异.关于卫星数据间的比较可通过分别利用地面实测数据进行精度检验, 并基于精度检验的结果开展不同卫星AOD资料的质量比对.具体做法为：考虑到卫星遥感影像与地面实测样本间的时空采样特性具有差异, 且气溶胶变化快, 因此对不同卫星AOD资料与地面实测数据比对过程中进行时间和空间上的约束.时间上同步, 即地面观测与卫星的观测时间须保证在同一时段内(如：地面观测时间为：2016年5月6日10:00, 则卫星观测的时间也必须为：2016年5月6日10:00).空间上, 为保证星地匹配点的数量以及质量, 本文采用了一定的空间窗口, 即在卫星数据中, 以地面站点为中心的一定空间范围(本文中, MODIS、VIIRS与AHI H8选取了以地面站点位置为中心的周围3×3网格, 而GOCI由于其遥感影像的高空间分辨率选取则选取5×5网格)内取其有效像元的平均值(对3×3网格加以窗口内必须保证有效值达到50%以上作为进一步质量控制)作为该地面观测位置上的卫星反演值.
2.5 精度评价指标本文采用的指标包括：相关系数R, 平均相对误差的绝对值MAPE, 均方根误差RMSE.此外还引用了海洋上空MODIS C6 AOD所采用的可接受预计误差(Levy et al., 2013)的百分比Within EE低于预计误差百分比BEE, 以及高于预计误差百分比AEE.具体计算公式如下所示：
|
(1) |
|
(2) |
|
(3) |
|
(4) |
|
(5) |
式中, i为第i个样本, N为样本数.
3 结果(Results) 3.1 实测AOD与光谱分析为了了解黄渤海水域现场实测AOD样本的统计特征, 本文对实测AOD数据的光谱曲线及频率分布展开了分析.实测AOD光谱曲线如图 1所示, 从该图中发现：总体上, AOD值随着波长的增大而逐渐下降, 这与朱建华等基于海上固定平台观测得到的AOD光谱曲线变化趋势是一致的(朱建华等, 2013).此外, 实测AOD的标准偏差与平均值也呈现出了与波长的反比关系.图 2为2015—2017年, 现场实测5个站点的AOD频率统计直方图.从该图中可发现：每个站点AOD大部分数据的频率分布(约75%)皆集中于0.08~0.64且分布峰值为0.16~0.32, 基本符合正态分布.此外, 所有站点的AOD值变化均较为显著, CV值(离散系数, coefficient variation)皆达到70% 以上, 其中以Gosan SNU站点的CV值最为突出, 高达到99.57%.
 |
| 图 1 现场实测AOD光谱曲线 (其中粗线与灰色误差棒分别表示平均值与标准偏差) Fig. 1 The spectral curve of in situ AOD (The thick line and gray error bar represent the mean value and standard deviation, respectively) |
 |
| 图 2 AOD实测样本的频率统计直方图, 样本数据来源于站点Baengnyeong(a)、Socheongch(b)、Anmyon(c)、Gosan SNU(d)与Ieodo Station(e) (其中采集样本数由N表示, 最小值、最大值、平均值以及变异系数分别由min、max、mean以及CV表示) Fig. 2 Frequency statistics histogram of in situ AOD data which from Baengnyeong(a), Socheongch (b), Anmyon(c), Gosan SNU(d), and Ieodo Station(e) data, respectively |
基于大量的星地匹配数据, 本文对MODIS、VIIRS的蓝、绿、红波段AOD产品以AHI H8、GOCI的绿光波段AOD产品展开精度验证.图 3为这些AOD遥感产品与实测数据的密度散点对比图.从图中可看出, 总体上, 不同传感器、不同波段的AOD反演结果与实测数据皆大致分布于1∶1线附近.但是从精度评价指标中却发现：①虽然MODIS与VIIRS的AOD反演都基于暗目标算法并采用了类似的气溶胶模型但两者的反演精度却具有明显的差异, 这与Bilal等在沿岸复杂水体处对MODIS与VIIRS AOD遥感资料的精度验证结果是较为一致的(Bilal et al., 2017).在本文中, 两种卫星AOD资料的精度验证结果差异具体表现为：尽管MODIS与VIIRS AOD的反演结果存在整体上的高估, 但VIIRS反演结果中的MAPE、RMSE与Within EE要明显差于MODIS.②由于AHI H8与GOCI为静止卫星传感器, 具有高采样频率的优势, 因此匹配点数量要显著地大于MODIS、VIIRS.此外, AHI H8存在AOD低值区高估而高值区明显低估的现象, 而GOCI AOD的AEE值略小于BEE值, 这与VIIRS、MODIS气溶胶光学厚度遥感产品同实测数据相比呈现出整体性高估是不同的.为了更直观地判断MODIS、VIIRS、AHI H8与GOCI在各波段AOD反演精度的高低, 本文基于R、MAPE、RMSE与Within EE 4个精度评价指标得到了反演结果的精度对比直方图(图 4).从该图可发现：MODIS与GOCI AOD的反演结果较为近似且明显优于VIIRS与AHI H8 AOD反演结果；MODIS红、绿、蓝三波段的AOD反演精度相差不大；VIIRS绿光波段同AHI H8 AOD的R、RMSE与Within EE值大致相同, 但MAPE值则明显大于AHI H8.
 |
| 图 3 不同AOD遥感产品的精度密度散点对比图 (a.MODIS的蓝光波段AOD, b.MODIS的绿光波段AOD, c.MODIS的红光波段AOD, d.VIIRS的蓝光波段AOD, e.VIIRS的绿光波段AOD, f.VIIRS的红光波段AOD, g.AHI H8绿光波段, h. GOCI绿光波段的AOD) Fig. 3 The density scatter comparison plots of AOD products of different sensors (a.MODIS blue band, b. MODIS green band, c. MODIS red band, d. VIIRS blue band, e. VIIRS green band, f. VIIRS red band, g.AHI H8 green band, h. GOCI green band) |
 |
| 图 4 不同AOD遥感产品精度对比直方图 Fig. 4 The comparison histogram of the accuracy of AOD products from different sensors |
为了解研究区AOD在不同的时间与空间范围内其分布特征与变化情况, 本文基于GOCI AOD遥感产品高采样频率与高精度的特性, 获取了该海域上空AOD的短期时空分布图, 并基于均值合成法得到多年月平均图.
3.3.1 AOD短期变化本文选取2016年5月17日, 于黄渤海上空的8景GOCI逐时遥感影像展开短期AOD变化分析(图 5).从图中可看出：在该日, 气溶胶光学厚度值并未显示出明显的小时变化规律特征.为进一步地分析不同海域AOD的逐时变化特征, 本文从2015—2017年全年筛选了黄渤海上空云量较少的5 d, 对6个具有代表性的海域(图 5的A~F)分别进行定量分析(图 6).从图中也可发现尽管AOD存在明显的逐时变化, 但并未表现出明显的变化规律.
 |
| 图 5 于黄渤海水域, GOCI 2016年5月17日AOD遥感产品的逐小时的变化图 Fig. 5 Diurnal variations of GOCI AOD in the Yellow Sea and Bohai sea on May 17, 2016 |
 |
| 图 6 黄渤海上空所选的6个代表性海域内(图 5, A~F)GOCI逐小时变化图.其中纵坐标代表AOD, 横坐标代表筛选出来的云较少的日期 Fig. 6 The diurnal variations of GOCI AOD (Fig. 5, A~F) in the six selected regions over the studied area. Abscissa represents the date with less cloud coverage, and the ordinate represents AOD |
图 7为AOD月平均变化图, 该图表明：在空间上, AOD值在研究区域西部最高, 中部次之而东部AOD值最低.渤海的莱州湾、辽东湾以及渤海湾AOD值要明显大于渤海中心的AOD值.渤海海峡西部沿岸海域的AOD要高于海峡的中、东部区域.在黄海水域处, 大于0.37的AOD值海域主要位于我国大陆的沿岸海域并逐渐向黄海中、东部递减且该递减趋势的程度与范围随着月份的变化而变化.在时间上, AOD大体的变化形式为：12月—4月逐渐上升, 5月略微下降, 6月又开始升高, 当7月达到全年最高后, 8—11月内AOD值则表现出逐渐下降的趋势.为更加定量地分析黄渤海不同海域AOD月平均的变化情况, 同上一节, 本文对黄渤海上空具有代表性的海域(图 6的A~F)进行定量研究, 结果如图 8所示.从该图可看出, A区(渤海西部)与C区(黄海西部)的AOD月均值最大, D区(黄海中部)的AOD月均值次之, 而B区(渤海海峡)、E区(黄海东部)与F区(黄海南部)的AOD月均值最低.不仅如此, A区与B区的月均值变化趋势均表示为：夏季AOD值最高, 春季AOD值次之而冬季AOD值最低, 且秋冬两季AOD值要低于相应海域的月均值.C、D区与A、B区相比其月变化趋势略有不同：夏季AOD月均值仍然最高且春季次于夏季, 但冬季AOD不再明显地小于秋季, 甚至高于秋季AOD.同其他海域月均变化趋势明显不同的E、F区：气溶胶光学厚度最高值发生在夏季的特征已不再显著, 甚至小于春季(F区), 且秋季AOD值要小于冬季.
 |
| 图 7 基于GOCI遥感影像的AOD多年(2015—2017年)月平均分布图 Fig. 7 The monthly average distribution of AOD from 2015 to 2017 based on the GOCI satellite image |
 |
| 图 8 黄渤海上空具有代表性区域的(标注在图 5)AOD多年月平均值变化图, 其中横线代表该海区的多年年平均值 Fig. 8 The annual monthly average of AOD in each selected regions over the Yellow sea and Bohai Sea (marked in Fig. 5), where the line represents the corresponding annual average AOD of the selected regions |
AOD遥感产品的反演结果受到多种因素的影响, 包括：传感器自身的信噪比、下垫面地表反射率(RS, reflectance of surface)计算的准确性以及预设气溶胶模型选择的合理性等.针对MODIS与VIIRS AOD产品尽管都基于暗目标算法并采用了类似的气溶胶模型但反演精度却不同的现象, Bilal等认为这与两颗传感器间存在着仪器自身校准以及RS计算方法等的差异有关(Bilal et al., 2017).其中, RS对AOD反演精度的影响具体表现在：当RS信号被高估时, AOD信号容易被低估, 而当RS信号被低估时, AOD信号往往被高估(Bilal et al., 2017；Shen et al., 2019).MODIS、VIIRS的AOD遥感反演是基于全球范围而建立的暗目标算法, 因此由于算法自身的限制, 可能并不完全适用于部分局地海域, 比如：同开阔、水质清洁干净的大洋水体相比, 黄渤海水域自净能力差, 受到陆源的人为污染, 水体浑浊度较高, 常年含有大量的悬浮泥沙等物质, 而这些物质能够产生强的后向散射, 进而导致近红外波段的水体反射信号变化很大且不能够被忽略(Mullerkarger et al., 2000; Ruddick et al., 2000; Siegel et al., 2000; Stumpf et al., 2003; He et al., 2012; Goyen et al., 2013a;2013b), 因此不能被视为暗目标, 否则将导致下垫面水体RS被低估而气溶胶信号被高估.这或许能在一定程度上解释VIIRS、MODIS反演结果出现整体性高估的原因之一.对于GOCI、AHI H8, 其在RS计算过程中引入了瑞利散射校正反射率(Rayleigh and gas corrected reflectance, Rrc)等参数以降低下垫面地物反射信号对AOD反演精度的影响, 然而从遥感产品的精度密度散点对比度图(图 4)却可以看出, AHI H8的反演结果在AOD低值区出现高估而在高值区出现明显的低估, 这说明AHI H8 AOD的反演精度可能还受到其他因素的影响, 比如：遥感反演算法中气溶胶模型的选择.通常的, 同RS计算的准确性一样, 反演算法中气溶胶模型的选择也被认为是影响AOD反演结果出现高估或低估的主要原因之一(Shen et al., 2019).研究区上空大气易受到大陆人类活动的影响, 常年以城市工业型与清洁大陆型等陆源型气溶胶占主导(Shen et al., 2019), 尤其是在春、秋、冬季受到由陆地吹向海洋的西北季风影响, 大陆的沙尘抑或是煤炭燃烧所产生的黑炭粒子将被带到黄渤海上空大气, 进而增强了该海域气溶胶的吸收散射特性, 这无疑为预设气溶胶模型的合理选择增添了困难.对于本文研究的MODIS、VIIRS、GOCI以及AHI H8 AOD遥感产品而言, 其反演过程中预设气溶胶模型可能并不能很好的反映出黄渤海水域上空气溶胶的实际情况, 因此造成误差, 相关的具体影响机制仍需要进一步的研究.
5 结论(Conclusions)1) 同其他遥感AOD产品相比, GOCI AOD产品具有高采样频率与高精度的特性, 因此更适用于黄渤海上空大气的AOD估计.
2) 黄渤海上空AOD未发现显著的逐时变化, 而在多年平均的月际图中, 研究区域AOD分布的基本趋势为从西部到中部及东部逐渐递减.此外, AOD月均值在研究区不同的地方其变化趋势也有所不同, 具体表现在：渤海、渤海海峡夏季AOD值最高, 春季AOD值次之, 冬季最小；而位于黄海西部、中部的AOD值最小值并未出现在冬季；黄海东、南部区域, AOD最高值发生在夏季的特征已不再明显, 春季AOD有所上升, 且秋季的AOD值要明显小于冬季.
3) MODIS与VIIRS AOD反演结果出现整体性高估可能与RS计算结果出现低估有关, 此外遥感反演算法中气溶胶模型选择的合理性也可能影响着AOD遥感产品的精度.在未来的研究中, 我们将积累更多的该海域气溶胶及下垫面水体的实测资料, 以充分了解黄渤海域水质及其上空大气气溶胶的吸收散射特性等时空分布情况, 为后续研究下垫面水体特征与预设气溶胶模型对AOD遥感产品精度的具体影响机制提供更加完善的理论依据. 此外AOD在更长时间尺度上的变化需要更庞大的数据集的支持, 以及对AOD的时空变化的潜在影响因子(如风场、降水、海面白帽估算的误差以及人类活动等)仍然待进一步地探索.
Aaron V D, Martin R V, Michael B, et al. 2010. Global estimates of ambient fine particulate matter concentrations from satellite-based aerosol optical depth: development and application[J]. Environmental Health Perspect, 118: 847-855. DOI:10.1289/ehp.0901623 |
Bilal M, Nazeer M, Nichol J E. 2017. Validation of MODIS and VⅡRS derived aerosol optical depth over complex coastal waters[J]. Atmospheric Research, 186: 43-50. DOI:10.1016/j.atmosres.2016.11.009 |
D'Almeida G A, Koepke P, Shettle E P. 1991. Atmospheric Aerosols: Global Climatology and Radiative Characteristics[M]. Atmospheric aerosols: Global climatology and radiative characteristics.
|
Goyens C, Jamet C, Ruddick K. 2013. Spectral relationships for atmospheric correction. I. Validation of red and near infra-red marine reflectance relationships[J]. Optics Express, 21: 21162-21175. DOI:10.1364/OE.21.021162 |
Goyens C, Jamet C, Ruddick K. 2013. Spectral relationships for atmospheric correction. Ⅱ. Improving NASA's standard and MUMM near infra-red modeling schemes[J]. Optics Express, 21: 21176-21187. DOI:10.1364/OE.21.021176 |
郝增周, 潘德炉, 白雁. 2007. SeaWiFS遥感资料分析中国海域气溶胶光学厚度的季节变化和分布特征[J]. 海洋学研究, 25(1): 80-87. DOI:10.3969/j.issn.1001-909X.2007.01.009 |
He X, Bai Y, Pan D, et al. 2012. Atmospheric correction of satellite ocean color imagery using the ultraviolet wavelength for highly turbid waters[J]. Optics express, 20: 20754-20770. DOI:10.1364/OE.20.020754 |
Husar, Rudolf B, Joseph M, et al. 1997. Characterization of tropospheric aerosols over the oceans with the NOAA advanced very high resolution radiometer optical thickness operational product[J]. Journal of Geophysical Research: Atmospheres, 102.D14: 16889-16909. |
IPCC. 2013. Climate Change 2013: The Physical Science Basis. Contribution of Working Group I to the Fifth Assessment Report of the Intergovernmental Panel on Climate Change[R]. Cambridge University Press, Cambridge, UK and New York, NY, USA
|
Jackson J M, Liu H, Laszlo I, et al. 2013. Suomi-NPP VⅡRS aerosol algorithms and data products[J]. Journal of Geophysical Research Atmospheres, 118: 12-12, 689. |
Kim J, Lee J, Lee H C, et al. 2007. Consistency of the aerosol type classification from satellite remote sensing during the Atmospheric Brown Cloud-East Asia Regional Experiment campaign[J]. Journal of Geophysical Research Atmospheres: 112.D22S33. |
李栋, 陈文忠. 2010. MODIS遥感中国东部海域气溶胶光学厚度与现场测量数据的对比分析[J]. 光学学报, 30: 2828-2836. |
李冬辉, 陈文忠. 2012. 中国东部海域气溶胶光学厚度时空变化研究[J]. 地理空间信息: 41-43. |
Lee J, Kim J, Song C H, et al. 2010. Algorithm for retrieval of aerosol optical properties over the ocean from the Geostationary Ocean Color Imager[J]. Remote Sensing of Environment, 114(5): 1077-1088. DOI:10.1016/j.rse.2009.12.021 |
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(1): 159-259. |
Lim S S, Vos T, Flaxman A D, et al. 2012. A comparative risk assessment of burden of disease and injury attributable to 67 risk factors and risk factor clusters in 21 regions, 1990-2010:A systematic analysis for the Global Burden of Disease Study[J]. Lancet, 380: 2224-2260. |
刘毅, 周明煜. 1999. 中国近海大气气溶胶的时间和地理分布特征[J]. 海洋学报, 21: 32-40. |
Mullerkarger F E. 2000. Atmospheric correction of SeaWiFS imagery over turbid coastal waters: A practical method[J]. Remote Sensing of Environment, 74: 195-206. DOI:10.1016/S0034-4257(00)00080-8 |
Ruddick K G, Ovidio F, Rijkeboer M. 2000. Atmospheric correction of SeaWiFS imagery for turbid coastal and inland waters[J]. Applied optics, 39: 897-912. |
Shen X, Bilal M, Qiu Z, et al. 2018. Validation of MODIS c6 dark target aerosol products at 3 km and 10 km spatial resolutions over the China Seas and the Eastern Indian Ocean[J]. Remote Sensing, 10: 573. DOI:10.3390/rs10040573 |
Shen X, Bilal M, Qiu Z, et al. 2019. Long-term spatiotemporal variations of aerosol optical depth over Yellow and Bohai Sea[J]. Environmental Science and Pollution Research, 26(8): 7969-7979. |
Siegel D A, Wang M, Maritorena S, et al. 2000. Atmospheric correction of satellite ocean color imagery: The black pixel assumption[J]. Applied optics, 39: 3582-3591. |
Stumpf R, Arnone R, Gould R, et al. 2003. A partially coupled ocean-atmosphere model for retrieval of water-leaving radiance from SeaWiFS in coastal waters[J]. NASA Tech Memo, 206892: 51-59. |
Wang M, Shi W. 2007. The NIR-SWIR combined atmospheric correction approach for MODIS ocean color data processing[J]. Optics Express, 15: 15722-15733. |
吴婷婷, 丘仲锋, 何宜军, 等. 2013. 黄东海及珠江口附近海域水体漫衰减系数反演[J]. 光学学报, 33(7): 154-162. |
Yoon J, Burrows J P, Vountas M, et al. 2014. Changes in atmospheric aerosol loading retrieved from space based measurements during the past decade[J]. Atmospheric Chemistry and Physics, 14: 26001-26041. |
Yoshida M, Kikuchi M, Nagao T M, et al. 2018. Common retrieval of aerosol properties for imaging satellite sensors[J]. Journal of the Meteorological Society of Japan, 96B: 193-209. |
朱建华, 杨安安, 高飞, 等. 2013. 基于海上固定平台观测的MODIS遥感反射比与气溶胶光学厚度产品检验[J]. 光学学报, (B12): 1-6. |