基于卫星遥感与时空加权回归建模测算我国日均高分辨率空气污染浓度外文翻译资料

英语原文共 51 页，剩余内容已隐藏，支付完成后下载完整资料

基于卫星遥感与时空加权回归建模测算我国日均高分辨率空气污染浓度

摘要：本研究通过卫星反演的气溶胶光学厚度（AOD）数据和统计建模提供了一个估算一个大区域PM2.5浓度的可行方法。由于高分辨率AOD产品的缺乏，几乎没有相关研究进行中国全国范围内的高分辨率近地面PM2.5浓度的评估。为了在整个中国大陆地区生成高分辨率的PM2.5浓度分布，我们将新发布的中等分辨率成像分光辐射计（MODIS）3km分辨率暗目标AOD数据和10公里MODIS深蓝算法AOD数据进行融合，得到一个融合的3kmAOD数据集。在使用这个数据集、地表PM2.5测量值以及辅助信息的基础上，一个改进的时空加权回归模型被发展来评估一个每日PM2.5浓度的大数据集，这个模型带有一个基于内点算法的高效机制来选择最佳参数值。和一些流行的时空模型(每天的空间权重回归与二阶模型)对比表明GTWR在交叉验证中R2为0.8，明显优于两个其他的模型，一个交叉验证R2为0.71，一个为0.72。使用经过融合的3km的高分辨率AOD数据不仅可以提供详细的粒子梯度，而且可以增强模型的性能（对于没有融合的AOD数据交叉验证的R2仅为0.32）此外，GTWR模型能够预测没有PM2.5-AOD配对样本的PM2.5并产生历史PM2.5估计值。结果我们做出了中国大陆精细尺度的PM2.5地图，并确定了几个PM2.5热点。因此，由于数据中时间和空间维度的协同作用以及扩展时间维度上PM2.5的观测能力，使得可以使用GTWR在大面积地区生成每日高分辨率PM2.5估计。

关键词：气溶胶光学厚度；时空加权回归模型；内点算法；PM2.5；中国

1. 引言

细微粒物质是一种悬浮在空气中空气动力学直径小于或等于2.5微米的固体和液体颗粒的复合物，许多流行病学研究表明它对公众健康有不利影响。中国城市化和工业化的快速发展导致PM2.5成为空气污染的主要因素，特别在城市地区，因而成为当前公众非常关注的一个话题。鉴于中国严重的PM2.5污染现状，使用高分辨率PM2.5数据来评估PM2.5对于健康的影响是非常迫切的。但是，目前这种评估受到稀疏的地面监测站网络测量的有限数据的严重阻碍。

由于卫星遥感能够提供大尺度范围（甚至全球）的数据，因此卫星产品AOD信息是一个推断近地面PM2.5浓度的可替代的方法。(Engel-Cox et al. 2004; Wang and Christopher 2003). 为了更好的研究有关PM2.5的空气污染评估和流行病学的研究，需要高分辨率的卫星反演得到的PM2.5浓度。在本研究领域高分辨率的研究已经在北美利用大气校正多角度反演1km尺度的AOD日益开展。然而，由于缺乏高分辨率的卫星AOD产品，对中国的相关研究很少。在全国尺度上的研究仅做出PM2.5在10公里到50公里分辨率之间的PM2.5的变化，这些研究应用中等分辨率成像光谱仪（MODIS）二级产品10km的AOD产品以及多角度成像光谱仪（MISR）二级AOD产品。(Fang et al. 2016; Ma et al. 2014; Ma et al. 2016).

在2014年初，新的MODIS数据集6（C6）中有一个3km尺度的气溶胶产品。这是第一个具有较高空间分辨率的全球气溶胶数据集。精细的气溶胶梯度可以更好地应用于空气质量，即改进统计模型的性能并提供细颗粒物的空间变化细节。但是，MODIS的3kmAOD数据通过暗目标算法在黑暗表面反演AOD，这导致了逐天的AOD图像存在大量数值缺失，特别是多余具有复杂陆地表面的大面积区域。换句话说，仅使用MODIS 3kmAOD产品作为主要预测因子不可能生成逐天的PM2.5高分辨率图像。因此，改善3km MODIS AOD产品逐天的数据覆盖对于多种土地覆盖类型的大面积区域估算PM2.5必不可少。已有多种模型被创建阐明卫星产品AOD和近地面PM2.5浓度之间的定量联系，从简单的线性回归模型(Engel-Cox et al. 2004; Wang and Christopher 2003)到高级统计模型，例如多元线性回归模型(Kloog et al. 2011; Kloog et al. 2012)，和空间加权回归模型。(Hu et al. 2013; Ma et al. 2014; Song et al. 2014; Zou et al. 2016).迄今为止，已有两种主要的时空回归方法被用在PM2.5-AOD关系的建立上。一个是逐天的GWR模型，它在单个天解决了PM2.5和AOD之间的空间变异并且取得了合理的结果但是，这个模型忽略了PM2.5-AOD关系可能随时间变化的事实，并且可能依赖于前几天的情况。因此逐天的GER模型不能利用数据中存在的时间自相关，也不能建立PM2.5-AOD样本少的天数的模型。

另一种方法是两阶段模型，它考虑了空间和时间的非平稳性。这个模型分别校准空间和时间PM2.5-AOD的关系，即使用LME模型来解释第一阶段的时间变化，然后用GWR模型解释第二阶段的空间变化。因此这个模型不能同时处理PM2.5-AOD关系的时空变化，因此在PM2.5观测不充分或没有PM2.5观测的日子里预测PM2.5的能力并不好。 因此，当PM2.5-AOD样本对数量有限时，使用这两种方法难以在大面积范围内高精度地生成高分辨率的PM2.5.

近年来，Huang等人提出的时空加权回归模型（GTWR），结合了时空距离，在环境研究中越来越受欢迎(Bai et al. 2016; Chu et al. 2015; Guo et al. 2017)。与已经讨论过的两个时空模型不同，这个时空回归模型可以通过时间-空间加权机制同时将来自估计日或者从前几天的时间信息合并到空间变化中。尽管如此，GTWR在阐明PM2.5和AOD之间的关系，特别是没有样本的日子，还有待进一步的探索。为了减少大数据集的计算成本，还需要优化GTWR的参数值。作为一个推论，GTWR等时空模型在探索PM2.5-AOD之间的关系时仍面临相当大的挑战，特别是在研究区域大而样本数据量不足的地方。

本研究的主要目的是以MODIS 3km AOD产品为主要的预测因子，气象和土地利用数据作为辅助变量，建立时空回归模型，克服上述挑战，在中国大陆地区预测高空间分辨率的PM2.5浓度。一个补充MODIS 3km产品缺失值的特定方法被设计用于改善其可用性。随后，我们开发了基于参数优化方法的GTWR模型，生成高分辨率地面PM2.5浓度，其推理能力也得到了全面的发掘。逐天的GWR模型和两阶段（LME GWR）模型也被用作参考，来检验GTWR的时空加权在多大程度上建立了近地面PM2.5浓度与卫星AOD之间的可靠联系。

2.数据收集以及处理

2.1近地面PM2.5观测站

从2015你那1月1日至2015年12月31日的日平均PM2.5观测资料可在中国环境监测中心网站获取。(http://106.37.208.233:20035/).

中国大陆的近地面PM2.5质量浓度采用锥形振荡微量天平或beta;衰减法测量，按照国家标准进行校准和质量控制GB3095-2012 （中国国家环境空气质量标准或者CNAAQS）（China 2012）和HJ 618-2011（重量法测定大气中环境空气中的PM10和PM2.5）http://english.sepa.gov.cn/Resources/standards/Air_Environment/).

目前，观测资料来自329个城市的1456个监测点。（如图1）大部分站点位于中国东南部，西北部地区站点覆盖面不大。

图一：研究中包括的PM2.5监测站的地理分布

2.2MODIS AOD数据

2.2.1 MODIS 3km 暗目标算法的AOD产品

MODIS是搭载在1996年以来NASA Terra星和2002年以来 Aqua星上的一种传感器，它在当地时间上午10点半（Terra星）和下午1点半（Aqua星）提供两次柱状气溶胶性质的观测资料。

暗目标算法最初被开发用于10km空间分辨率下在黑暗表面（例如浓密植被覆盖区域）上推导气溶胶性质。为了满足监测精细分辨率污染的需求，在最近发布的MODIS C6中除了标准的10km的2级气溶胶产品，还引入了3km分辨率的气溶胶数据集（MxD04_L2,x为O时为Terra，为Y时为Aqua）。

3km的暗目标气溶胶反演采用与10km暗目标相似的方法，只是在去除云、雪和冰像元这些亮地表之后，将6*6的像元值进行组织用于反演单元而不是10km产品的20*20的方式。

使用MODIS 2015年3km的550纳米处的AOD数据（科学数据集名称：Optical_Depth_Land_And_Ocean）（从https://ladsweb.nascom.nasa.gov/下载）来模拟PM2.5-AOD之间的关系。2015年之前获得的数据用于校准。

2.2.2 MODIS 10km深蓝算法AOD产品。

MODIS 深蓝算法的目标是在明亮的地带（例如沙漠）生成AOD反演以填补暗目标算法留下的空白。（Hsu et al。2013）与暗目标检索过程不同，深蓝算法首先以1km分辨率产生气溶胶特性，然后将各个检索结果平均到10*10km的网格。与3km的AOD数据一样，我们使用2015年之前获得深蓝 AOD产品校准了2015年的深蓝气溶胶反演，并填补了2015年获得的数据中缺少3km DT AOD值的一些空白。

2.2.3 MODIS AOD数据融合

MODIS数据集6采用暗目标算法提取3km AOD资料，西北荒漠地区 3kmAOD的日均可利用率很低（甚至很多天都没有检索）MODIS DB算法最初是为获得明亮目标的气溶胶负载而开发的，但它只能提供10km分辨率的AOD产品。为了解决这一问题，融合 MODIS 3km 暗目标算法和10km 深蓝算法的四步定制方法被开发出来，来改善 MODIS 3km暗目标 AOD的日常覆盖，如下：

（1） 对10km的深蓝算法AOD进行重新网格划分

为了匹配3km 暗目标 AOD的网格单元尺寸，使用ENVI/IDL5.1中的三次卷积重采样技术将10km 深蓝AOD重采样到3km空间分辨率网格。

（2）校准MODIS 暗目标/深蓝 AOD

根据MODIS气溶胶产品的全球验证和图S2（补充信息[S1]）,暗目标和深蓝算法AOD有不同的检索精度，因此DT和DB AOD值之间存在系统偏差(Remer et al. 2013; Sayer et al. 2014)

因此，为了优化逐天AOD值并填补暗目标和深蓝算法检索之间的差距，我们使用2001年到2014年气溶胶自动观测网(AERONET)的地面气溶胶观测(Ma et al. 2014)对2015年的AOD检索进行了校准。与AERONET的比较已被广泛应用于验证基于卫星的AOD。(Sayer et al. 2014; Tao et al. 2015)

根据2015年之前的长期数据进行线性分析，来确定AERONET与卫星AOD之间的关系。根据之前的研究(Li et al. 2009; Remer et al. 2013)，其中 AERONET和MODIS AOD数据之间的关系表现出强烈的季节性。

在Aqua 3km 暗目标产品，Terra 3km 暗目标产品，Aqua 重采样深蓝产品和Terra 重采样 深蓝算法AOD数据集也分别建立了这些关系。这些拟合的参数被用于2015校准这四个数据集的AOD值。

（3）完善Aqua和Terra数据缺失值

对每天Aqua-3km数据和Terra-3km数据之间的匹配网格单元进行简单线性回归，以预测缺失值（即，使用可用的Terra-3km值估计Aqua-3kmAOD，反之亦然）

同样的方式被应用于二次采样的深蓝算法的AOD来预测Aqua和Terra缺失的AOD值。

（4）结合四个数据集

为了改善逐天的AOD覆盖，Aqua/Terra3公里暗目标AOD和Aqua/Terra重采样数据库AOD数据合并在一起进行时空建模。我们使用与3km重采样的深蓝算法AOD同样的方法平均Aqua和Terra值。

由于3km暗目标的空间分辨率高于10km深蓝AOD分辨率，所以我们首先对每天的Aqua和Terra-3km暗目标AOD值（包括检索值和预测值）进行平均，然后将平均深蓝数据重采样到一个3km的网格，当3kmAOD值缺失时填充像素。也就是说，当两个卫星3kmAOD值都丢失时，平均深蓝重采样的AOD值被用作补充材料来填补空白。组合后，每个像素的每日AOD值显著增加。与2015年的AERONET AOD观测资料相比，我们融合的AOD（Aqua校准和预测的AOD的预期误差界限（F）=56.25%和RMSE=0.20，Terra的F=55.07%，RMSE=0.19）显示出比MODIS运行的3km 暗目标AOD有更好的准确性（Aqua的F=46.25%，RMSE=0.38，Terra的F=49.28%，RMSE=0.36），这表明了我们提出的四步法的有效性。详细的验证过程在S2（S1）中给出。

2.3辅助数据

在这项研究中使用了一些气象以及和土地覆盖相关的变量。气象变量是地面相对湿度（RH），温度（T），风速（WS），压力（P）和再分析产生的行星边界层（PBL）数据；与土地覆盖有关的变量是地形（DEM）和归一化植被指数（NDVI）。有关这些变量的细节在S3（SI）中给出。此外，2010年1km网格人口数据集（(Fu et al

剩余内容已隐藏，支付完成后下载完整资料

资料编号：[22717]，资料为PDF文档或Word文档，PDF文档可免费转换为Word