基于GOCI卫星的大气细颗粒物PM2.5的遥感反演及其时空分布规律研究

图1 研究区域PM_2.5站点图

Fig.1 PM_2.5 site location map in study area

2.2　研究数据

2.2.1　地面空气质量监测站点

地面监测站点的空间分布如图1所示，站点数目达到80个。利用环保局提供的逐小时地面PM_2.5站点监测数据，根据时间、地点（江苏省站点）以及主要污染物为PM_2.5筛选数据，用于多元统计线性回归建模以及评估中。本文筛选了2015年11月2日以及11月26日10时至14时数据用于建模以及评估。

2.2.2　GOCI数据

海洋水色遥感器GOCI是全球第一个搭载于地球同步轨道卫星上的海洋水色遥感器，搭载在韩国第一颗应用于海洋监测研究和气象服务卫星COMS(Communication Ocean Meteorological Satellite)。目前，GOCI能够获得从可见光到近红外共8个波段的遥感物理量。GOCI时间分辨率可达1 h，空间分辨率达到500 m，可以提供研究区域从北京时间9:00~16:00共计8个时间段的卫星数据。目标区域以韩国（36°N,130°E）为中心，面积可达2 500 km×2 500 km，包括韩国、日本、朝鲜、俄罗斯及中国5个国家^[13]。GOCI的波段参数如表1所示。

表1 GOCI波段及参数信息

Table 1 GOCI bands and parameter information

波段	波段中心/nm	标准辐亮度/W·m^-2·μm^-1·sr^-1	最大辐亮度/W·m^-2·μm^-1·sr^-1
B1	412	100	150.0
B2	443	92.5	145.8
B3	490	72.2	115.5
B4	555	55.3	85.2
B5	660	32.0	58.3
B6	680	27.1	46.2
B7	745	17.7	33.0
B8	865	12.0	23.4

新窗口打开| 下载CSV

根据气象条件以及云层的排除筛选的GOCI数据是2015年11月2日上午10时、12时、13时、14时以及11月26日10时、11时、13时、14时的数据。对于GOCI L1B数据，通过官网提供的GDPS软件进行格式转换^[17]，在ENVI软件中对数据进行预处理。

反演气溶胶光学厚度使用深蓝算法，深蓝算法主要是利用地表反射率在蓝光波段较小的特性，已知地表反射率，通过6S模型建立查找表模拟辐射信号在大气中的传输，反演得到气溶胶光学厚度的一种方法^[18]。

2.2.3　MODIS数据

中分辨率成像光谱仪MODIS传感器搭载在极轨卫星Terra（上午星）和Aqua（下午星）上，可提供分布在0.4~14 μm电磁波谱范围内的覆盖可见光、近红外和远红外波段的遥感资料。MODIS的运行周期为1~2 d，数据级别分为0~5级共6级产品，包含涵盖陆地、海洋、大气和冰雪的44种产品数据，这些数据对海洋、陆地以及大气动态变化的检测与监控起到非常关键的作用^[19]。NASA提供44种全球MODIS产品数据，本文采用的是MODIS地表反射率MOD09A1产品数据^[20]。MODIS地表反射率数据包括了了1~7共7个波段，经过了针对气溶胶的散射、吸收、地表变化以及云污染的校正^[21]。对于MOD09A1数据，进行投影转换、裁切、辐射定标等预处理。

2.2.4　辅助气象数据

采用WRF模式^[22]分别对11月2日和26日进行了气象要素的模拟。模式采用了两层嵌套。第一层嵌套覆盖了整个欧亚大陆，为第二层嵌套的网格点提供合理的大尺度气象系统发展演变的信息。第二层网格的中心位置为30.52° N，102.05° E，分辨率为10 km×10 km，东西向分为541个格点，南北向分为283个格点，垂直方向将大气分为33层。江苏省位于中纬度西风带上，第二层嵌套的区域包含了江苏省以西大面积区域，将很好地模拟出影响江苏省的上游天气系统，进而较为客观地模拟出控制江苏省的天气系统。

在WRF模式中，边界层方案ACM2是一种非局地闭合方案，结合ACM边界层模式和涡动扩散模式优点。陆面层方案Pleim-Xiu为两层强迫—恢复土壤温度和湿度模式（1 cm、99 cm），包含植被和次网格覆盖，该方案的特点是通过3种途径进行水汽交换。这有利于模拟出更加合理的近地面水汽的变化情况，为近地面相对湿度模拟的合理性奠定基础。

3 模型与方法

3.1　利用GOCI数据反演AOD

假设地表为朗伯体，并且大气水平均一，卫星传感器所接收到的表观反射率 $ρ_{T O A}$ 可表示为^[23]：

ρ_{T O A} (μ_{s}, μ_{V}, ϕ) = ρ_{0} (μ_{s}, μ_{V}, ϕ) + \frac{T (μ_{s}) T (μ_{V}) r}{1 - r s}

（1）

其中： $μ_{s}$ 是太阳天顶角 $θ_{s}$ 的余弦， $μ_{v}$ 是观测天顶角 $θ_{\begin{array}{l} v \end{array}}$ 的余弦， $φ$ 是相对方位角， $ρ_{0}$ 为大气程辐射项的等效反射率，r是朗伯体的地表反射率，s为大气整层向下路径的半球反射率，T为大气透过率。 $ρ_{0}$ 、s和 $T (μ_{s})$ $T (μ_{v})$ 的乘积这3个参数代表了大气的状况，r反映了地表反射特性，表观反射率耦合了大气和地表的信息，要进行AOD反演首先要进行地气解耦，去除地表反射率的影响。在干旱、半干旱和一些城市地区，相对于红波段和近红外波段，蓝波段具有较小的反射率。深蓝算法利用这一特性，在已知地表反射率的前提下，利用辐射传输模型模拟得到每个像元的 $ρ_{0}$ 、s和 $T (μ_{s})$ $T (μ_{v})$ 参数，然后进一步利用查找表方法获得对应像元的AOD值^[24]。

使用MODIS地表反射率产品构建地表反射率，MODIS地表反射率数据可以从MODIS官网获得，对其进行预处理得到江苏省区域的每日一次地表反射率数据。

在本次研究中，使用MODIS地表反射率产品构建地表反射率，结合计算得到表观反射率以及角度数据，反演得到气溶胶光学厚度。反演流程如图2所示。

图2

图2 GOCI气溶胶光学厚度反演处理流程图

Fig.2 Technical flow chart of GOCI aerosol optical thickness inversion retrieval

3.2　对AOD数据进行湿度订正

基于卫星反演的AOD是消光系数的在垂直方向的积分和。然而，空气质量标准中的PM_2.5质量浓度指的是表面水平在温度高达50°C粒子直径小于2.5 μm的“干”质量浓度。主要有两个因素影响AOD与PM_2.5质量浓度之间关系的建立，即气溶胶垂直分布和大气水汽。此外气象要素对于AOD与PM_2.5之间关系的构建也会产生一定的影响。

获得表面消光系数建立表面消光系数与PM_2.5之间的关系从而反演PM_2.5面状分布是基于物理订正建立AOD与PM_2.5之间关系的一般做法，AOD是气溶胶在大气垂直方向粒子消光的总和。AOD和地表水平细颗粒物质量浓度之间的关系受气溶胶的垂直分布影响，而气溶胶的垂直分布会随着时间和空间发生变化。

AOD与地表消光系数之间的关系可以表示为^[20]：

τ_{a} (λ) \approx k_{a, 0} (λ) \int_{0}^{\infty} e x p (- z / H_{A}) d z = k_{a, 0} (λ) \cdot H_{A}

（2）

其中: $τ_{a} (λ)$ 指AOD， $k_{a, 0} (λ)$ 是地表消光系数， $H_{A}$ 是气溶胶标高。在得到AOD的基础上，如果得到逐像素的气溶胶标高，由关系式则可以得到逐像素的地表消光系数。针对本次研究时间范围，即2015年11月2日以及11月26日10:00~14:00，江苏省区域大气条件稳定。通过WRF模式模拟出的气象状态表明大气湍流状态在研究时间段内比较稳定，且地表气压在时间空间上变异性较小。因此可以假定在11月2日以及11月26日上午10:00~14:00的研究区间内边界层的时空变异性可以忽略，当然这一假设会给本次研究带来一定的系统误差。

吸湿性会导致粒子物理性质的变化，如粒径、重量、密度和折射指数，进一步会对粒子的物理、化学以及光学性质产生影响。一方面，粒子的吸湿增长性会改变气溶胶粒子谱分布^[25]，另一方面，由粒子成分和湿度决定的复折射指数也会由于吸湿增长性发生改变^[26]。许多研究都证明了水汽对于复折射指数以及对粒子的消光截面有着重大的影响^[27,28]。目前地基测量的颗粒物监测结果是在50 ℃下的干燥条件下的质量浓度。因此相对湿度对于颗粒消光系数的影响应计入地表消光系数与颗粒物质量浓度相关性研究中。

吸湿增长因子指相对湿度对于消光系数的影响。它计算在实际大气条件下和在空气相对湿度低于40%时的大气条件下气溶胶消光系数的比例。可以被表示为^[25]：

f (R H) = \frac{k_{w e t} (R H)}{k_{d r y} (R H \leq 40 %)}

（3）

其中:RH是空气相对湿度（以百分比表示）; $k_{w e t} (R H)$ 是大气环境湿度下表面消光系数，简称为湿消光系数; $k_{d r y} (R H \leq 40 %)$ 表示表面相对湿度不超过40％的消光系数，简称为“干”消光系数。

根据等式（3）， $k_{d r y} (R H \leq 40 %)$ 可以在获得 $k_{w e t} (R H)$ 和 $f (R H)$ 后被计算出来。

气溶胶的吸湿增长因子数值一般在1.2~4.1之间，随着不同的环境湿度、研究区域以及气溶胶类型发生显著的变化。一般海洋气溶胶吸湿增长因子最大，城市和陆地气溶胶其次，生物质燃烧气溶胶吸湿增长因子最小。所以，如果不考虑由颗粒吸湿增长性引发的消光特性的改变，在分析消光系数与质量浓度时将会引入较大的系统误差。许多观测实验表明吸湿性增长因子可以近似表达为相对湿度的函数。由于不同区域气溶胶成分的不同，一些学者对于不同区域提出了不同的吸湿增长模型^[25,26]。在本文中采用被广泛接受的一个模型^[25]，可以表达为：

f (R H) = 1 / (1 - R H / 100)

（4）

根据上面的公式，在获得RH值的情况下可以计算出f（RH）。

在本文中，用大气模式模拟了区域尺度的相对湿度，并根据等式（4）得出相对湿度因子,并根据等式（2）和（3）计算出表面水平“干”AOD。

根据米氏理论，“干”气溶胶消光系数^[29]可以表示为等式（5）：

E_{d r y} = π \int_{0}^{x} Q_{e x t} (\tilde{m}, r, λ) n (r) r^{2} d r

(5)

其中: $Q_{e x t} (\tilde{m}, r, λ)$ 是消光能力，由复折射指数 $\tilde{m}$ ，粒子半径r以及辐射波长 $λ$ 决定，n(r)指粒子谱分布，x是粒子整体上最大半径。

相同的条件下，质量PM_X的浓度表示为^[29]：

P M_{x} = \frac{4}{3} π ρ \int_{0}^{x} r^{3} n (r) d r

(6)

其中: $ρ$ 是粒子的平均质量密度。根据Hansen和Travis^[27]，粒子谱整体消光能力 $〈Q_{e x t}〉$ 和有效半径 $〈r〉$ 被定义为：

〈Q_{e x t}〉 = \frac{\int_{0}^{x} Q_{e x t} (\tilde{m}, r, λ) n (r) r^{2} d r}{\int_{0}^{x} n (r) r^{2} d r}

(7)

〈r〉 = \frac{\int_{0}^{x} r^{3} n (r) d r}{\int_{0}^{x} r^{3} n (r) d r}

(8)

根据等式（5）结合式（7）、（8）得到：

E_{d r y} = \frac{3 〈Q_{e x t}〉}{4 〈r〉 ρ} \cdot P M_{x}

(9)

如果假设化学成分和气溶胶谱分布在一定的情况下基本不变， $〈Q_{e x t}〉$ 、 $〈r〉$ 以及 $ρ$ 近似不变，那么“干”消光系数和地表水平的PM_X浓度正相关。但事实上，不同时间和空间这些因素并不相同，所以这种关系受到时间和空间变化的影响，不是非常稳定。但是在一个小区域以及短时间范围，每一个因素都可以假定稳定，本次研究区域为江苏省、研究时间段在一个月内的两天10:00~14:00，符合小区域、短时间范围的假设。此外，“干”消光系数与PM_2.5之间的相关性在很多研究中已经得到了验证^[29,30]。基于上述分析，“干”气溶胶消光系数和地表PM_2.5浓度可以使用足量样本进行拟合得到模型，模型可以表示为等式（10）：

P M_{2.5} = A \times E_{d r y} + B

(10)

本文采用湿度订正得到“干”AOD，则模型可以表达为等式（11）：

P M_{2.5} = A_{1} \times \frac{A O D_{d r y}}{H_{A}} + B_{1}

(11)

在假定忽略一定情况下气溶胶标高时空变化差异的前提下可以表达为（12）：

P M_{2.5} = A_{2} \times A O D_{d r y} + B_{2}

（12）

3.3　多元统计线性回归方法

自2005年以来，多元统计线性回归（MLR）方法一直被用于建立卫星AOD与PM_2.5之间的关系。MLR在早期的研究中经常被用于预测PM_2.5水平,例如，Liu等^[31]在2001年使用该模型分析了美国东部的3种地区AOD与PM_2.5之间的关系（城市，郊区和乡村)。研究指出，模型回归系数在一定程度上是比较低的，在不同的区域之间也有很大的差异;在城市、郊区、农村和整个地区，R²分别为0.420、0.490、0.590和0.430。上述R²低值表明，MLR模型中包含辅助变量(如相对湿度、边界层高度、季节变量等)需要进一步讨论^[23]。为了提高模型的性能，一些研究在不同的条件下探索了MLR模型中的辅助因素^[32]。MLR的预测能力相对于线性相关模型相对较高，并且可以通过将相关的辅助变量纳入模型来提高可靠性。然而，卫星得到的AOD和气象数据的精度和分辨率较低，这可能存在空间匹配差异而增大结果误差。

通过相关分析以及共线性诊断严格筛选出温度要素纳入统计模型，通过筛选、匹配数据，建立PM_2.5与“干”AOD、温度参数之间的多元统计线性模型，如图5。关系式可以表达为：

P M_{2.5} = A_{2} \times A O D_{d r y} + C_{2} \times T + B_{2}

（13）

图5

图5 方法1预测结果

Fig.5 Predicted results with the method 1

为了证明经过物理湿度订正的“干”AOD在反演PM_2.5上的优势，同时建立PM_2.5与AOD、温度参数之间的统计模型，发现经过湿度订正的AOD得到的统计模型优于未经湿度订正的统计模型。

4 结果与分析

4.1　AOD、dry AOD与PM_2.5的回归分析

按照气象条件为晴天，遥感影像无云或者少云筛选出2015年秋季两天典型图像，即2015年11月2日和11月26日。以空气质量监测站点PM_2.5为主要污染物为条件，进一步筛选数据用于匹配。为了验证物理湿度订正方法可以提高AOD与PM_2.5之间关系的可靠性，分别对未经湿度订正AOD、经过湿度订正AOD与PM_2.5进行线性回归分析，如图4所示。AOD与地表实测PM_2.5质量浓度的回归系数R²为0.470 5，经过湿度订正的dry AOD与PM_2.5质量浓度的回归系数R²为0.525 7，证明经过湿度订正后的AOD与PM_2.5之间的关系更显著。

图3

图3 PM_2.5反演技术流程图

Fig.3 Technical flow chart of PM_2.5 retrieval

图4

图4 GOCI反演的AOD和PM_2.5质量浓度的散点图，以及经过湿度订正的“干”AOD和PM_2.5质量浓度的散点图

Fig.4 A scatter plot between GOCI retrieved AOD and PM_2.5 mass concentrations,and a scatter plot between GOCI retrieved dry AOD corrected for humidity and PM_2.5 mass concentrations

4.2　多元统计模型的建立

4.2.1　利用PM_2.5与AOD之间的相关性进行多元统计建模分析

实验共有175条可用样本数据，来自江苏省2015年11月2日10时，14时（12，13时PM_2.5数据缺失）和11月26日10时、11时、13时、14时江苏省各个监测站点的PM_2.5，以及对应站点、时间提取的经过反演的GOCI AOD。通过相关性检验以及共线性诊断对辅助气象数据进行严格筛选，确定温度要素作为多元统计的一个变量引入模型。对逐像素的AOD、温度参数与地表PM_2.5质量浓度做相关分析，满足显著性检验，如表4。最后以2∶1的样本随机分配方式进行建模和预测，建模样本得到多元统计线性回归关系式为：PM_2.5=-572.126+2.229 T2+28.919 AOD。使用剩余59条数据评估结果，预测PM_2.5数值与地表实测值R²为0.665 2，计算RMSE为15.514 7，具有相对的一致性，如图5。

4.2.2　利用PM_2.5与 dry AOD之间的相关性进行多元统计建模分析

对经过湿度订正的AOD，引入温度参数与PM_2.5建立关系，对dry AOD、温度参数与地表实测的PM_2.5质量浓度进行相关分析。dry AOD、温度参数与地表实测PM_2.5满足显著性检验，如表2。仍以2∶1的方式随机分配建模、预测样本，建模样本得到多元统计线性回归关系式为：PM_2.5=-655.992+2.533 T2+46.475 dry AOD。使用剩余59条数据预测评估结果，预测PM_2.5数值与地表实测值R²为0.7026，计算RMSE为13.420 7，具有较好的一致性，如图6。

表2 AOD、dry AOD、温度与PM_2.5的相关性分析

Table 2 Correlation analysis between AOD, dry AOD, temperature and PM2.5

		PM_2.5
AOD	Pearson 相关性	0.701
	显著性（双侧）	0*
	N	116
Dry AOD	Pearson 相关性	0.727
	显著性（双侧）	0*
	N	116
T2	Pearson 相关性	0.740
	显著性（双侧）	0*
	N	116

新窗口打开| 下载CSV

图6

图6 方法2预测结果

Fig.6 Predicted results with the method 2

在回归系数、预测结果以及误差统计上方法二优于方法一，方法二的回归系数为0.732大于方法一的0.666，法二预测能力大于法一，在预测值与实测值拟合曲线上法二更接近于y=x，并且方法二的预测值与实测值的拟合度为0.702 6大于方法一的0.665 2，方法二预测结果RMSE为13.420 7小于方法一的15.514 7，证明方法二的误差控制更好。

4.3　面状PM_2.5的反演

本文使用理论和实验结果更好的方法二，即经过湿度订正的AOD结合温度要素与PM_2.5质量浓度之间建立多元统计关系得到的关系式，进行面状PM_2.5质量浓度的反演如图7。关系式的建模回归系数达到0.732，预测值与实测值的拟合度达到0.702 6，计算RMSE为13.420 7。具有较高的可信度。

图7

图7 江苏省PM_2.5预测图

Fig.7 PM_2.5 forecast map in Jiangsu province

在对2015年11月2日上午10点PM_2.5质量浓度图进行空间分析时发现，江苏北部地区PM_2.5质量浓度高值区域呈现点状爆发态势。本文利用可获得的2013年城市夜间灯光指数数据，经过预处理得到夜间灯光指数图，发现PM_2.5质量浓度与城市夜光灯指数图分布区域有较好的一致性，城市夜光灯指数与城市经济发展水平成正比^[33]。气象条件稳定时，城市区的污染更严重，并呈现出城市区高浓度，附近农村地区低浓度分布情况，如图8。城市区域由于人口众多，汽车尾气产生细颗粒物、以及城市发电厂等工业设施产生大量废气导致城市区域PM_2.5质量浓度较高。相反，在江苏省农村地区，由于人口稀少，大量地表覆盖为农田、林区以及空地，细颗粒物较少，PM_2.5质量浓度相对较低。江苏北部地区，城市化不足，城区附近是大片农村地区，因此会明显出现城市区域污染“岛”状分布现象。江苏南部地区经济发展水平较高，城市化程度高，工业体系完备，PM_2.5质量浓度成片出现高值分布。在当天上午10时江苏省盐城区域存在整体污染爆发的情况，本文推测盐城区域在当天存在污染过度排放的情况，且受影响范围较大。

图8

图8 PM_2.5质量浓度图与夜间灯光指数图的对照分析

Fig.8 Comparison and analysis of PM2.5 mass concentration map and night time light index map

对2015年11月2日上午10时、12时、13时、14时PM_2.5质量浓度进行时间演变分析时，发现该时间段对应着一次污染消散的过程，从上午10时的峰值逐渐整体降低，考虑到11月2日大气条件稳定，风力水平较低，由PM_2.5质量浓度图像可知在时间演变中未出现污染水平扩散情况，而是呈现整体污染浓度下降趋势，故推测此次消散过程主要受大气垂直运动影响，当天大气稳定，地表随着太阳辐射的增强升温，表层大气受热，相对湿度降低，细颗粒物重力减小，随着大气垂直运动向上扩散，晴朗的中午大气不容易形成明显的逆温层，地表PM_2.5逐渐扩散到上层大气中。根据反演PM_2.5质量浓度图，江苏省PM_2.5质量浓度从当天上午10时大部分区域在100 μm/m³以上，至下午14时普遍下降到80 μm/m³以下。但江苏东南区域PM_2.5质量浓度一直处于高值区，推测此处存在污染源持续产生工业气体或者此处地形以及局地天气条件不利于污染物的扩散,如图7所示。

5 讨论

因为难以获得时空分辨率较高的准确气溶胶标高数据，因此选择了大气条件稳定的时间段进行PM_2.5的反演，做出忽略气溶胶标高时空变异性的假设，然而实际情况难以忽略气溶胶标高影响，此假设带来了一定程度的系统误差，且对于本文方法的普适性有一定影响。本文考虑物理湿度订正以及结合气象因素建立耦合模型，证明二者结合可以提高模型可靠性，由于研究时间段气象要素稳定，本文严格筛选引入温度因素作为气象因子变量，风速、风向在研究过程中并未与PM_2.5达到显著性检验要求，因此表明在实际气象要素中，风速、风向只是外在因子，不是影响AOD与PM_2.5之间关系的关键因素，且实际气象因子之间存在联系，在多元统计线性模型建立时需要考虑共线性诊断排除多余变量。实际复杂气象条件下，建立AOD与PM_2.5之间关系可以考虑风速和风向等因素。

此外本研究时间段内风力水平较低，PM_2.5时间演变主要受大气垂直运动影响，在大尺度区域级空气污染监测中，由于风速和风向引起的区域污染传输仍是不可忽视的因素。

6 结语

本文使用搭载在静止卫星上的GOCI遥感器卫星数据作为遥感数据源，GOCI卫星数据在时间分辨率、空间分辨率有显著优势，为监测省级区域500 m范围PM_2.5质量浓度提供了可能，论证了利用GOCI遥感器数据研究省级区域范围高时间、空间分辨率空气质量PM_2.5质量浓度时空演变规律的可行性。得到以下主要结论：

（1）基于GOCI静止卫星数据反演得到的AOD，结合辅助气象因子建立的PM_2.5反演模型可以较好地监测表面水平的PM_2.5质量浓度。反演出的PM_2.5与地面PM_2.5观测值具有很好的一致性，拟合度为0.702 6，RMSE为13.420 7，建模回归系数为0.732。反演值与实测值之间的关系式为：y=0.943 2*x+1.176 6，接近于理论关系式y=x。该反演方法较好地预测了小时间、空间尺度PM_2.5质量浓度。

（2）结合物理订正方法以及考虑气象因子的耦合模型建立了较为可靠的模型，证明了物理订正方法与耦合模型结合可以更好地建立AOD与PM_2.5之间的关系。

（3）论证了GOCI作为搭载在静止卫星上的遥感器，在监测空气质量上的可行性，可用于监测局地PM_2.5短时间内空气质量变化情况以及空间500 m范围内细微空间变化状况。与传统的利用MODIS AOD产品预测PM_2.5方法相比具有明显优势，MODIS AOD产品得到的PM_2.5空间分辨率为10 km，而基于GOCI卫星可达到500 m的空间分辨率；MODIS每日可获取上下午各一次AOD产品，而GOCI卫星可以获取每日上午9:00~16:00逐小时的数据。在监测江苏省2015年11月2日10时PM_2.5质量浓度时发现PM_2.5浓度存在“岛”状分布，即PM_2.5浓度在城市区为高值，郊区及农村为低值，且大气条件较为稳定时，逆温层较高，地表随着太阳辐射逐渐升温，细颗粒物相对湿度降低，重力较小，随着大气的垂直运动而向上层大气扩散，因此PM_2.5质量浓度会短时间内变化迅速，有利的大气条件有助于污染物的扩散。

参考文献

原文顺序

文献年度倒序

文中引用次数倒序

被引期刊影响因子

[1]

Quan

, Zhang

Shiqiu

Assessment of the Trend of Heavy PM2.5 Pollution Days and Economic Loss of Health Effects during 2001~2013

[J].Acta Scientiarum Naturalium Universitatis Pekinensis,2015,51(4):694-706.

穆泉,张世秋

.中国 2001~

2013年PM2.5重污染的历史变化与健康影响的经济损失评估

[J].北京大学学报,2015,51(4):694-706.

[2]

Dockery,D W .

Heath Eeffects of Particulate Air Pollution

[J].Annals of Epidemiology,2009,19(4):257-263.

[本文引用: 3]

[3]

Lim

S S

, Vos

, Flaxman

A D

,et al .

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 2010

[J]Lancet,2012,380(9859):2224-2260.

[4]

Lee

, Kloog

, Chudnovsky

,et al .

Spatiotemporal Prediction of Fine Particulate Matter Using High-resolution Satellite Images in the Southeastern U.S. 2003~2011

[J].Exposure Science and Environmental Epidemiology,2016,26(4):377-384.

[5]

Sinha

P R

, Gupta

, Kaskaoutis

D G

,et al .

Estimation of Particulate Matter from Satellite- and Ground-based Observations over Hyderabad, India. Int

[J].Remote Sensing,2015,36(24):6192-6213.

[6]

Mordukhovich

, Coull

, Kloog

,et al .

Exposure to Sub-chronic and Long-term Particulate Air Pollution and Heart Rate Variability in an Elderly Cohort: The Normative Aging Study

[J].Environmental Health,2015,14(87)：1-10.

[7]

Van Donkelaar

, Martin

R V

, Brauer

,et al .

Global Estimates of Ambient Fine Particulate Matter Concentrations from Satellite-based Aerosol Optical Depth: Development and Application

[J].Environmental Health Perspectives,2010,118(6)：847-855.

[8]

C C

, Mao

J T

, Liu

Q H

,et al .

Application of MODIS Aerosol Sroducts in the Air Pollution in Beijing Research

[J].Science in China Series D: Earth Sciences,2005,35(Suppl):177-186.

[9]

Chu

D A

, Kaufman

Y J

, Zibordi

,et al .

Global Monitoring of Air Pollution over Land from the Earth Observing System-Terra Moderate Resolution Imaging Spectroradiometer (MODIS)

[J].Geophysical Research,2003,108(21):ACH4-1–ACH4-18.

[10]

Slater

J F

, Dibb

J E

, Campbell

J W

,et al .

Physical and Chemical Properties of Surface and Column Aerosols at a Rural New England Site during MODIS Overpass

[J].Remote Sensing of Environment,2004,92(2):173-180.

[11]

Engle-Cox

J A

, Holloman

C H

, Coutant

B W

Qualitative and Auantitative Evaluation of MODIS Satellite Sensor Data for Regional and Urban Scale Air Quality

[J].Atmospheric Environment,2004,38(16):2495-2509.

[12]

Wang

, Christopher

Intercomparison between Satellite-derived Aerosol Optical Thickness and PM2.5 Mass: Implications for Air Quality Studies

[J].Geophysical Research Letters,2003,30(21):1-4.

[13]

Chen

, Li

, Wang

,et al .

Utilization of MERSI and MODIS Data to Monitor PM2.5 Concentration in Beijing-Tianjin-Hebei and Its Surrounding Areas

[J].Journal of Remote Sensing,2018,22(5):822-832.陈辉,厉青,王中挺, 等 .

MERSI和MODIS卫星监测京津冀及周边地区PM2.5浓度

[J].遥感学报,2018,22(5):822-832.

[14]

Peng

Wei

, Jiang

Hong

, Xiao

Zhongyong

,et al .

Influence of Land Cover on Aerosol Optical Thickness in theYangtze River Delta Region

[J].Environmental Science & Technology,2014,37(6):177-190.彭威,江宏,肖钟湧, 等 .

长三角地区土地覆盖对气溶胶光学厚度的影响

[J].环境科学与技术,2014,37(6):177-190.

[15]

Luo

Yunfeng

, Daren

Lü

, Zhou

Xiuji

,et al .

Analyses on the Spatial Distribution of Aerosol Optical Depth over China in Recent 30 Years

[J].Chinese Journal of Atmospheric Sciences (in Chinese),2002,26(6):721-730.罗云峰,吕达仁,周秀骥, 等 .

30年来我国大气气溶胶光学厚度平均分布特征分析

[J].大气科学,2002,26(6):722-730.

[16]

Wang

Jiming

, Cao

Yanhua

, Ye

Xiaofeng

,et al .

A Study on the Characteristics of Aerosol Chemical Composition and Its Numerical Modeling in East Asia

[J].Acta Agriculturae Universitatis Jiangxiensis,2010,32(1):191-198.王吉明,曹艳华,叶小峰, 等 .

东亚地区气溶胶化学成分特性分析及数值模拟研究

[J].江西农业大学学报,2010,32(1):191-198.

[17]

Chen

Jian

, Zhou

Jie

, Li

Yawen

Retrieving Aerosol Optical Depth over Land based on GOCI Data Onboard Geostationary Satellite

[J].Remote Sensing Technology and Application,2017,32(6):1040-1047.

陈健，周杰，李雅雯

基于静止卫星GOCI数据的陆地上空气溶胶光学非得度遥感反演

[J].遥感技术与应用，2017，32（6）：1040-1047.

[18]

Cheng

Chen

Aerosol Optical Thickness Retrieval and Spatial-temporal Variation Analysis in Nanjing based on HJ-1 Satellite

[D].Nanjing:Nanjing Unniversity of Information Science and Technology，2014.

程晨.基于HJ-1卫星的南京气溶胶光学厚度反演和时空变化分析

[D].南京:南京信息工程大学,2014.

[19]

Remer

L A

, Kaufman

Y J

, Tanré

,et al .

The MODIS Aerosol Algorithm, Products, and Validation

[J].Journal of the Atmospheric Sciences,2005，62(4):947-973.

[20]

Vermote

E F

, Kotchenova

S Y

MOD09 User’s Guide

[EB/OL],,2018.

URL [本文引用: 2]

[21]

Zhou

Jie

Remote Sensing Study of Aerosol Direct Radiation Force in the Yangtze River Delta

[D].Nanjing:Nanjing Unniversity of Information Science and Technology,2015.

周杰.长三角地区气溶胶直接辐射强迫遥感研究

[D].南京: 南京信息工程大学,2015.

[22]

Kizhner

L I

, Bart

A A

, Nahtigalova

D P

Using the Nnumerical WRF Model for the Prediction of Weather Parameters in Tomsk Region

[J].Bio Clim Land，2013,1:29-35.

[23]

Kloog

, Koutrakis

, Coull

B A

,et al .

Assessing Temporally and Spatially Resolved PM 2.5 Exposures for Epidemiological Studies Using Satellite Aerosol Optical Depth Measurements

[J].Atmospheric Environment.2011,45:6267-6275.

[24]

Wang

Xinqiang

, Yang

Shizhi

, Zhu

Yonghao

Aerosol Optical Thickness Retrieval over Land from MODIS Data based on the Inversion of the 6S Model

[J].Chinese Journal of Quantum Electronics,2003，20(5):629-634.

王新强,杨世植,朱永豪

基于6S模型从MODIS图像反演陆地上空大气气溶胶光学厚度

[J].量子电子学报,2003，20(5):629-634.

[25]

Liu

X G

Monitoring and Modelling Research on the Aerosol Hygroscopicity—Taking Beijing, Pearl River Delta for example

[D].Beijing:Peking University,2008.

刘新罡,大气气深吸湿性质观测、模型研究—以北京、珠江三角洲地区为例

[D].北京:北京大学,2008.

[本文引用: 4]

[26]

Pan

X L

Observation Study of Atmospheric Aerosol Scattering Characteristics as A Function of Relative Humidity

[D].Beijing:Chinese Academy of Meteorological Sciences,2007.潘小乐.相对湿度对气溶胶散射特征影响的观测研究[D].北京：中国气象科学研究院,2007.

[27]

Wang

Z F

Research in Estimating PM Concentration Using Satellite Remote Sensing

[D].Beijing:Institute of Remote Sensing Applications，Chinese Academy of Sciences,2010.

王子峰.卫星遥感估算近地面颗粒物浓度的算法研究

[D].北京：中国科学院遥感应用研究所，2010.

[28]

Hansen

J E

, Travis

L D

Light Scattering in Planetary Atmospheres

[J].Space Science Reviews,1974,16(4):527–610.

[29]

Wang

Z F

, Chen

L F

, Tao

J H

,et al .

Satellite-based Estimation of Regional Particulate Matter (PM) in Beijing Using Vertical-and-RH Correcting Method

[J].Remote Sensing of Environment,2010,114(1):50-63.

[本文引用: 3]

[30]

, Deng

Z Z

, Li

C C

Application of MODIS AOD in Surface PM10 Evaluation

[J].Acta Scientiarum Naturalium Universitatis Pekinensis,2010,46(2):78-184.

[31]

Liu

, Sarnat

J A

, Kilaru

,et al .

Estimating Ground-level PM 2.5 in the Eastern United States Using Satellite Remote Sensing

[J].Environmental Science and Technology，2005,39(9):3269-3278.

[32]

Gupta

, Christopher

S A

Seven Year Particulate Matter Air Quality Assessment from Surface and Satellite Measurements

[J].Atmopheric Chemistry and Physics.2008,8(12):3311-3324.

[33]

Sutton

P C

, Costanza

Global Estimates of Market and Non-market Values derived from Nighttime Satellite Imagery, Land Cover, and Ecosystem Service Valuation

[J].Ecological Economics,2002,41(1):509-527.