城市气溶胶遥感监测

摘 要:以内蒙古包头市为研究区,以20152016年Landsat8 OLI和MOD09反射率产品为数据源,通过6S模型建立查找表,采用深蓝算法反演包头市气溶胶光学厚度(AOD)分布,并探讨其AOD分布特征。结果表明:2015年包头市夏季AOD水平最高,春、秋次之,冬季最低;区域AOD浓度高
阅读技巧Ctrl+D 收藏本篇文章

  摘 要:以内蒙古包头市为研究区,以2015—2016年Landsat8 OLI和MOD09反射率产品为数据源,通过6S模型建立查找表,采用深蓝算法反演包头市气溶胶光学厚度(AOD)分布,并探讨其AOD分布特征。结果表明:2015年包头市夏季AOD水平最高,春、秋次之,冬季最低;区域AOD浓度高低与城市下垫面状态有关。本研究为进一步构建可持续的人居环境奠定基础。
  关键词:气溶胶光学厚度;深蓝算法;AOD;季节动态
  中图分类号:TP7 文献标识码:A DOI 编码:10.3969/j.issn.1006-6500.2016.11.011
  Abstract: Baotou City was taken as the study area, Landsat8 OLI and MOD09 surface reflectance product in 2015 was used to establish a lookup table by 6S model, the dark blue algorithm (DB) of aerosol optical thickness (AOD) was coined to explore its seasonal distribution. The results showed that the concentration of AOD in 2015 in summer was the highest than that in spring and autumn, and the lowest value was shown in winter, the AOD concentration of this city changed with the change of land cover types. This research might provide theoretical foundation for construction of sustainable human settlement environment by city mangers.
  Key words: aerosoloptical depth; dark blue algorithms; AOD; seasonal dynamics
  随着我国新型城镇化、工业化的快速推进,能源和资源消耗迅猛增长,城市人居环境作为人类主要的栖息地,遇到了城市空气污染、交通噪声污染、能源和资源短缺、建筑稠密等问题,涉及居民衣食住行的方方面面[1]。人居环境剧烈恶化的严峻态势也将危及到我国可持续发展的基础和居民生活质量的持续提升,生态安全和环境质量问题越来越成为政府和社会共同关注的焦点。
  对于城市居民来说,健康是人类追逐的永恒主题之一。大气颗粒物是主要的空气污染物之一,它粒径较小,质量较轻,并附着硫化物、氮氧化物和重金属颗粒等大多是工业污染源排放的污染因子,在空气中停留时间长,其中的PM2.5甚至可进入人体呼吸系统的深部及血液循环系统,对人体健康影响较大。因此,各国纷纷对大气颗粒物污染开展了深入的研究。研究围绕以下几个方面:颗粒物污染理化特征及来源解析[2-3],颗粒物的污染对人类健康的影响[4-6],植被对大气颗粒物的消减作用研究[7-8],颗粒物浓度变化与季节[9]、风速、气压等气象因素的关系研究[10]。如何准确地量化城市中的颗粒物污染及其分布特征,是摆在城市管理者面前急需要解决的问题。近年来,应用定量遥感的技术手段在反演城市颗粒物浓度和分布等方面得到了很好的应用[11]。大气中气溶胶光学厚度(AOD)是表征地表大气中颗粒物浓度含量的指标之一。
  包头市作为内蒙古最重要的工业城市之一,也是中国重要的基础重工业基地,有众多高耗能企业,城市环境污染问题不容小视,而控制大气污染、改善空气质量是保证包头市可持续发展的必要条件之一。本研究以内蒙古包头市为研究区,以Landsat8 OLI和MOD09反射率产品为数据源,通过6S模型建立查找表,采用深蓝算法反演包头市大气光学厚度(AOD)分布,探讨包头市AOD分布特征,为构建可持续的人居环境研究奠定基础。
  1 研究方法与数据来源
  1.1 气溶胶反演原理
  设地表为朗伯面,大气水平均一,则大气上界卫星观测到的表观反射率可以表示为:
  式中:μs=cosθs,μv=cosθv,θs和θv分别为太阳天顶角与观测天顶角;ρTOA是大气顶部反射率;ρ0是大气的路径辐射项等效反射率;T(μs)和T(μv)分别是太阳辐射方向和观测方向的大气透过率,通常可以用T来表示;ρs为地表反射率;S为大气下界的半球反射率。ρ0,S和T都是气溶胶模式的函数,代表了大气的状态。
  反演时,首先设定不同的大气模型、气溶胶特性、传感器光谱特性等参数,利用辐射传输模型构造查找表[12];其次依据卫星不同的观测几何条件,读取查找表中不同光学厚度值对应的ρ0,S,T的值或其内插值;然后,通过某波段与受气溶胶影响较小波段的线性关系求解得到ρs;最后,将这些参数代入公式(1),计算不同光学厚度下假定的表观反射率ρTOA,与真实的ρTOA比较,差距最小所对应的AOD即为所求[13]。研究采用Hsu等[14]提出的适用于亮目标区域的深蓝算法,其原理为在亮像元地表,蓝光波段的地表反射率较小,根据同期地表反射率不变的特点,实现对气溶胶光学厚度的反演。
  1.2 数据来源与处理
  研究选用2015—2016年各季节的Landsat 8 OLI图像10景(轨道号127-32),采用差分GPS对该系列图像进行几何纠正(误差控制在2个像素以内),并按照包头市的行政区划裁切出研究区范围。根据王中挺等[15]的研究结果,采用卫星观测到的云的反射率在红光波段一般大于0.2,以此作为云去除阈值。深蓝算法需要获得地表蓝波段的真实反射率,即建立地表反射率库。地表反射率库的建立基于对地表反射率产品,即2015年MOD09蓝光反射率产品,重采样分辨率为300 m。由于OLI传感器和MODIS在蓝波段的波段响应函数差异,采用吕春光等[15]的研究结果进行反射率的校正。数据预处理及Landsat 8 OLI的表观反射率(ρTOA)计算在ENVI5.1软件中完成;AOD反演查找表与AOD反演过程在IDL语言编程下完成。在获得气溶胶光学厚度后,对结果图像进行3×3窗口平滑处理,最后采样为90 m,以消除大气状态的不稳定性。  2 结果与分析
  2.1 深蓝算法反演结果
  采用深蓝算法反演得到的包头市大气光学厚度(AOD)分布情况如图1所示,图中颜色由蓝经黄到红表示AOD浓度变化由低到高。由图1可以看出,2015年冬季和秋季AOD的浓度相对较低,夏季和春季的AOD浓度较高。在1月份的反演结果中,AOD高值区域主要出现在昆都仑区范围内,其他区浓度相对较低;在2—3月份的结果中,包头市大部分区域AOD浓度较低,在0.5~1.0之间,部分区域甚至低于0.5;进入夏季(5—8月份)以后AOD浓度逐渐增加,且中高浓度分布区域逐渐变大;秋季(9—10月份)相对于夏季,全市大部分区域的AOD浓度都有下降的趋势。
  2.2 包头市气溶胶四季变化
  包头市2015年四季平均AOD浓度分布如图2(a-d)所示:春季包头市AOD平均值为0.632,AOD浓度分布比较均一,其值域范围在0.25~1.25之间;夏季AOD平均值为0.796,分布区域亦相对均一,但是其浓度值域范围在四季范围内是最大的,在0.25~1.75间;秋季AOD浓度相对于夏季有所减少,平均值为0.563;冬季AOD平均值为0.495。4个季度AOD最大的地区,主要分布在昆都仑区包钢附近;年平均值为0.610,且AOD浓度低的区域几乎分布于城市绿地及其周边区域(图2e),而AOD浓度高值区域则分布于工业和城市密集区。
  3 讨 论
  3.1 各季节浓度变化
  从图2可以看出,2015年冬季和秋季AOD的浓度较低,夏季和春季的AOD浓度较高。这与大众所理解的实际情况不符:“冬季是北方的采暖季节,我国北方冬季一般空气质量都不好”。
  首先,李成林等研究郑州市建成区内AOD月度数据也发现,大致在7月和8月AOD值较大,11月、12月、1月较小[16];从空间分布来看,AOD高值区与建成区的位置基本一致,本研究与其观测到的结果相似。张小娟[17]使用MODIS遥感DT和DB数据集研究中国2003—2012年AOD分布与变化时,在包头市范围内也出现类似的结果(将其结果图使用ArcGIS软件配准,而获得的包头地区的AOD值),AOD季节变化为夏季>春季>冬季>秋季;她认为春季的高值与该地区的沙尘天气有关,夏季出现高值的原因可以与高温天气促进人为排放污染物发生光化学反应等原因有关,进入秋季气温下降,二次气溶胶转化减弱导致秋季的AOD浓度减少。在6S模型中气溶胶使用煤烟性、海洋性、水溶性和沙尘性的百分比来表示。包头市夏季气溶胶可能以水溶性气溶胶为主,春季以沙尘性气溶胶为主,秋冬逐渐过渡到煤烟性气溶胶。近几年,包头市加大了能源结构的调整,如青山区的二电厂改燃煤为燃烧天然气,可能是冬季AOD低值的原因之一。
  其次,地表反射率的精度也是导致这些不同的原因之一。首先采用8 d合成的MODIS蓝光波段的地表反射率来代替Landsat 8 的蓝光地表反射率,两者的波段响应函数不同,虽然经过数值转换,但是也造成了精度损失,尤其是在太阳辐射较强且变化较大的夏季,8 d的平均值会低估地表反射率,而造成对AOD值的高估[13]。再次,由于本研究所获得的Landsat 8 数据是某时间地表状态的快照(Snapshot),并不能形成连续的时间序列,在某时刻获得的地表状态的遥感数据,可能是空气质量较好的时刻,所以也可能造成夏季的AOD浓度较高,其他季节偏低。在以后的研究中应收集多年同期的数据,可能会得到更好的结果。
  另外,研究发现,大气颗粒物分布与不同类型区域地表覆盖变化存在相关性,且林地与各空气污染等级天气变化幅度之间存在着负相关[18]。在本研究中也观测到同样的情况,包头市AOD低值的区域主要集中在城市绿地和公园附近,植被越密集越有利于消减大气颗粒物[19],而AOD高值区域则出现在工业相对集中的区域。
  3.2 模型的不足与改进
  尽管在研究的过程中,对数据源进行了精心的筛选,对6S模型输入参数进行了适合于包头市实际情况的调整,但受当前定量遥感信息提取技术水平的限制,反演得到的AOD数据与真实测量的数据间存在一定的误差。遥感反演得到的AOD是整层大气颗粒物的光学参数[20],两者虽然存在相关性,但并不十分吻合,因此常识性的感受与分析的结果可能会有一定的差异[18]。
  成熟的AOD反演算法有暗像元、深蓝算法、结构函数法等[15]。暗像元方法利用浓密植被区的红、蓝波段地表反射率与短波红外、近红外波段的表观反射率存在一定的函数关系,对大气辐射模型求解得到气溶胶光学厚度[21]。暗像元法针对植被覆盖条件较好的区域,在北方城市冬季、植被稀疏地区,几乎无法使用暗像元法。为此,本研究采用适于城市地表的深蓝算法[14],并使用MODIS地表反射率产品(MOD09)建立地表反射率库。王中挺等[15]统计发现,当地表反射率小于0.1时,深蓝算法能够较好地运行。
  6S模型参数的气溶胶类型对AOD的反演结果有较大的影响。如王中挺等[15]研究发现,深蓝算法对沙尘型气溶胶的反演最有效,生物燃烧型和海洋型气溶胶次之,对城市型气溶胶反演结果最差,其反演结果要远小于真实值。而本研究中气溶胶模式固定为大陆型,这可能对最终的结果产生影响,包头市属于蒙古高原大陆型气候,春季气溶胶以沙尘型为主,秋冬以生物燃烧型为主,夏季可能更复杂一些。如何获得包头市各个季节不同气溶胶类型,还需进一步分析和讨论。
  4 结 论
  以内蒙古包头市为研究区,以2015—2016年Landsat8 OLI和MOD09反射率产品为数据源,通过6S模型建立查找表,采用深蓝算法反演包头市大气光学厚度(AOD)分布,探讨包头市AOD分布特征。结论如下。
  (1)深蓝算法可以较好地应用到包头市气溶胶反演中,但主要是需要选择适于包头市的6S模型参数建立查找表,比如不同的气溶胶类型。

  (2)包头市2015年是夏季AOD水平最高,春、秋次之,冬季最低。
  (3)区域AOD浓度高低与城市下垫面状态有关系。城市绿地及其周边区域AOD浓度较低,工业和城市建筑物密集区AOD浓度较高。
  参考文献
  [1]杨洪斌,邹旭东,汪宏宇,等.大气环境中PM2.5的研究进展与展望[J].气象与环境学报,2012,28(3):77-82.
  [2]杨文敏.汽油和柴油机动车排出颗粒物表面特征观察[J].卫生研究,1997(2):84-86.
  [3]郭浩天,周家斌,余文洋,等.武汉市大气PM2.5中有机酸的季节变化及其来源解析[J].环境科学与技术,2014,37(4):90-95.
  [4]RUMANA H S, SHARMA R C, BENIWAL V, et al. A retrospective approach to assess human health risks associated with growing air pollution in urbanized area of Thar Desert, western Rajasthan, India[J].Iranian journal of environmental health sciences & engineering, 2014,12(1):1-9.
  [5]POPE C A,BURNETT R T,THUN M J,et al.Lung cancer,cardiopulmonary mortality,and long-term exposure to fine particulate air pollution[J].JAMA : the journal of the American Medical Association,2002,287(9):1132-1141.
  [6]王庚辰,王普才.中国PM2.5污染现状及其对人体健康的危害[J].科技导报,2014,32(26):72-78.
  [7]梁丹,王彬,王云琦,等.北京市典型绿化灌木阻滞吸附PM2.5能力研究[J].环境科学,2014,35(9):3605-3611.
  [8]李新宇,赵松婷,李延明,等.北京市不同主干道绿地群落对大气PM 2.5浓度消减作用的影响[J].生态环境学报,2014 (4):615-621.
  [9] 张学敏, 庄马展. 厦门市大气细颗粒物PM2.5源解析的研究[J]. 厦门科技, 2007(3): 41-43.
  [10]韩婧,代志光,李文韬.西安市灰霾天气下PM2.5浓度与气象条件分析[J].环境污染与防治,2014,36(2):52-56.
  [11] LI J, CARLSON B E, LACIS A A. How well do satellite AOD observations represent the spatial and temporal variability of PM2.5 concentration for the United States?[J]. Atmospheric environment, 2015,102: 260-273.
  [12]曾令建.基于HJ-1卫星的气溶胶光学厚度反演[D].南京:南京信息工程大学,2011.
  [13]李莘莘,陈良富,陶金花,等.城市与冬季北方亮目标地区气溶胶光学厚度反演[J].中国科学:地球科学,2012,42(8):1253-1263.
  [14]HSU N C,TSAY S C,KING M D,et al.Aerosol properties over bright-reflecting source regions[J].IEEE Transactions on geoscience and remote sensing,2004,42(3):557-569.
  [15]王中挺,厉青,王桥,等.利用深蓝算法从HJ-1数据反演陆地气溶胶[J].遥感学报,2012,16(3):596-610.
  [16]李成林.城市大气污染的定量遥感监测方法研究[D].兰州:兰州大学,2012.
  [17]张小娟.基于MODIS遥感DT和DB数据集的中国AOD分布与变化[D].南京:南京信息工程大学,2014.
  [18]韦晶,孙林,刘双双,等.大气颗粒物污染对土地覆盖变化的响应[J].生态学报,2015,35(16):5495-5506.
  [19]程晨,陈健,李鑫慧.基于TM图像的南京市气溶胶光学厚度反演[J].国土资源遥感,2013,25(3):90-96.
  [20]马宗伟.基于卫星遥感的我国PM2.5时空分布研究[D].南京:南京大学,2015.
  [21]KAUFMAN Y J,TANRE D,REMER L A,et al.Operational remote sensing of tropospheric aerosol over land from EOS-MODIS[J].Journal of geophysical research,1997,102067(D14):17.
出处:天津农业科学作者:李卓玲 同丽嘎 张靖 刘丽 转载请注明来源。原文地址:http://www.lw54.com/20161202/6516442.html   

城市气溶胶遥感监测相关推荐


联系方式
微信号 Lw54_com
热点论文
14705193098 工作日:8:00-24:00
周 日:9:00-24:00