天宫二号数据大气细颗粒物遥感反演

针对天宫二号(TG-2)大气细颗粒物遥感反演及可行性问题,利用TG-2宽波段成像仪的可见近红外波段数据,结合MOD09A1地表反射率产品构建地表反射率库,使用6S传输模型和深蓝算法反演气溶胶光学厚度(aerosol optical depth, AOD),并结合能见度和相对湿度数据对AOD进行订正,利用统计模型估算了鲁豫皖典型地区的大气细颗粒物PM_2.5浓度,并对PM_2.5浓度的空间分布进行分析。结果表明：天宫二号数据在AOD和PM_2.5遥感反演中具有较高的可行性,拟合度分别达到0.910和0.902;经过垂直订正和湿度订正,PM_2.5和AOD之间的相关性大幅度提高;PM_2.5的空间分布呈“污染岛”特征,这在气溶胶排放和扩散研究中起着重要作用。天宫二号PM_2.5反演为区域大气污染监测提供了一种有效手段。     

中国东部沿海四省一市PM2.5浓度遥感估算方法研究

卫星遥感反演的气溶胶光学深度（AOD）产品已被广泛应用于近地面PM_2.5浓度的估算。已有研究表明通过构建AOD和PM_2.5之间的高级统计模型—线性混合效应模型（LME）可以有效获取近地面PM_2.5浓度的空间分布,但由于引入了大量的气象和土地利用等因子,使得模型对变量的解译能力有所降低。为此,基于MODIS AOD（空间分辨率：3 km）,以我国东部长江三角洲—福建—广东（YRD-FJ-GD）为研究区,构建了两种非参数机器学习模型,即支持向量机（SVM）和随机森林（RF）模型,来估算2018年YRD-FJ-GD地区的近地面PM_2.5浓度,并将其与线性混合效应模型（LME）的估算结果进行对比。研究发现,3种模型估算的PM_2.5浓度与地面实测值之间的R²均高于0.6,其中,RF模型的估算精度最优,模型拟合的R²高达0.91,比SVM模型（R²=0.79）和LME模型（R²=0.64）的估算结果分别提高了13%和30%;且RMSE（~9.07 μg/m³）也远低于LME（~19.09 μg/m³）和SVM模型（~17.29 μg/m³）。此外,由随机森林（RF）模型估算的2018年YRD-FJ-GD地区的PM_2.5空间分布显示,长江三角洲（YRD）地区的年均PM_2.5浓度最高（>46 μg/m³）,其次为广东省（GD）,福建地区（FJ）的年均PM_2.5浓度最低（<37 μg/m³）;4个季节的平均PM_2.5浓度则呈现冬季（46.32 μg/m³）>春季（38.80 μg/m³）>秋季（36.15 μg/m³）>夏季（30.16 μg/m³）的分布格局。研究结果表明：与高级统计模型（LME）和机器学习（SVM）相比,随机森林（RF）模型能更好地应用于YRD-FJ-GD地区的PM_2.5浓度估算。     

基于烛台图模式匹配的PM2.5扩散特征的提取

现有大气质量预测方法多基于单纯的时间序列数据进行趋势预测,忽略了污染物传输和扩散规律及其分类间模式特征的问题。为此,提出一种基于烛台图模式匹配(CPM)的PM_2.5(大气细颗粒物污染)扩散特征提取方法。首先,利用基于卷积神经网络(CNN)的卷积思想从大量历史PM_2.5序列中生成基础周期烛台图;然后,通过距离公式对不同烛台图特征向量的浓度模式进行聚类分析;最后,结合CNN在图像识别中的独特优势,形成融合图形特征与时序特征序列的混合模型,判断带有反转信号的烛台图将导致的趋势反转情况。在桂林市大气质量在线监测站的监测时序数据集上的实验结果表明,与使用单一时间序列数据的深度卷积神经网络VGG(Visual Geometry Group)相比,基于CPM的提取方法准确率提升了1.9个百分点。可见,基于CPM的方法能有效提取PM_2.5趋势特征,可以用于预测未来污染物浓度周期变化。     

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

随着我国经济的快速发展和城市化进程的加快,大气细颗粒物PM_2.5已经成为影响我国大气环境污染的主要因素之一。利用静止卫星数据可以获取大范围的面状PM_2.5信息,为我国大气环境的监测、治理、预测等提供了不可替代的数据源。以江苏省为研究区,利用静止卫星GOCI数据,在反演逐时气溶胶光学厚度（AOD）的基础上,结合气象因子,利用多元统计分析进行了研究区PM_2.5的遥感反演研究。结果表明：基于AOD的多元统计模型,在估计的PM_2.5浓度和观测值之间表现出良好的一致性,拟合度R ²为0.665 2。在对AOD进行湿度订正后得到的dry AOD进行多元统计建模,预测的PM_2.5浓度与观测值之间的拟合度R ²达到了0.702 6,证明了经过湿度订正后的“干”AOD与PM_2.5之间建立的关系更加可靠。使用GOCI反演的AOD计算PM_2.5浓度,在空间分辨率和时间分辨率上充分体现了GOCI作为静止卫星监测PM_2.5的优势。在空间分分辨率上,基于GOCI卫星获取AOD的空间分辨率为500 m,优于MODIS 10 km的AOD产品;时间分辨率上,基于GOCI获取AOD实现每日自9:00~16:00逐小时监测,优于MODIS每日两次的AOD产品。     

基于灰狼群智能最优化的神经网络PM2.5浓度预测

针对目前PM_2.5浓度测量成本高和测量过程繁杂等问题,建立了基于灰狼群智能最优化算法的神经网络预测模型。从非机理模型的角度,结合气象因素和空气污染物对上海市的PM_2.5浓度进行预测,并使用平均影响值分析了影响PM_2.5浓度的重要因素。使用灰狼群智能算法优化神经网络的过程中,引入了检验样本实时监控训练过程以避免发生"过训练"现象,确保建立的神经网络模型具有较好的泛化能力。实验结果表明：PM₁₀对PM_2.5的影响最为显著,其次是CO和前一天PM_2.5。选取2016年11月1日-12日的数据进行验证,其平均相对误差为13.46%,平均绝对误差为8μg/m³,与粒子群算法优化的神经网络、BP神经网络模型及支持向量回归（SVR）模型的误差相比,平均相对误差分别下降了约3个百分点、5个百分点和1个百分点。因此,使用灰狼算法优化的神经网络更适合上海市PM_2.5浓度的预测和空气质量的预报。     

2015年中国PM2.5浓度遥感估算与时空分布特征

以PM2.5污染物为主的大气污染对社会的可持续发展及人类健康带来了严峻的挑战,厘清我国PM2.5污染物的空间分布特征及演变规律,对于PM2.5污染物的区域联防联控具有重要的意义。基于MODIS卫星的气溶胶产品、气象基础数据以及PM2.5污染物实测站点监测数据,构建地理加权回归模型,对2015年中国PM2.5污染物浓度进行了模拟估算,对PM2.5污染物浓度的空间分异格局及季节演化特征进行分析。结果表明：①2015年全国PM2.5浓度整体表现出明显的空间地带性分异特征。北方PM2.5污染物浓度明显高于南方,中部明显高于东部与西部;②4个季度PM2.5浓度表现出明显的季节适应性演化特征。第四季度PM2.5污染最重,第三季度和第一季度次之,第二季度最低,最大值出现在第四季度（165 μg/m³）,最小值出现在第二季度（4.3 μg/m³）。③通过多因子构建的地理加权回归模型估算的PM2.5浓度具有较高的模拟精度,第一至第四季度的相对误差分别为10.2%、7.0%、9.3%和8.6%。     

基于TCN的PM2.5浓度预测模型

作为大气污染主要因素之一的可吸入颗粒物PM_2.5严重影响人类的健康,受到广泛的关注。科学高效地预测PM_2.5有利于人类提前做好防护措施,保护自身安全。为此设计了基于时域卷积神经网络的PM_2.5浓度预测模型,选取中国环境监测总站的全国城市空气质量实时发布平台的数据,对陕西省西安市的PM_2.5浓度进行了预测,并对预测结果进行分析。与长短时记忆神经网络和门控循环单元模型进行对比实验,结果表明时域卷积神经网络在预测PM_2.5浓度中具有较好的性能。     

1000MW燃煤机组排放SO2浓度扩散模拟研究

1000MW燃煤机组火电厂排放污染气体中二氧化硫(SO₂)浓度是我国火电厂排放污染的重点控制目标,为了研究SO₂浓度扩散对周围环境及人们身体健康造成的影响,对SO₂浓度扩散进行了模拟研究。首先,根据电厂的实际排放数据建立了高斯羽流扩散模型,利用该模型模拟在大气稳定度相同的情况下模拟不同的风速对SO₂浓度扩散分布规律的影响,并且分析SO₂浓度扩散的距离及范围。结果表明,SO₂浓度扩散与风速及大气稳定度有着密切的关系,风速越大,越有利于SO₂浓度扩散及气体的稀释,并证明了利用高斯烟羽模型模拟有害气体扩散具有较好的实际参考意义。     

基于OMI/OMPS中国季风区大气边界层SO2时空格局分析

为研究季风对大气边界层 SO₂变化的影响,利用2005~2014年OMI SO₂、2015~2017年OMPS NMSO₂遥感数据,选取中国季风区为研究对象,分析大气边界层SO₂时空分布特征,并选取4座典型城市,通过相关性分析和HYSPLIT后向轨迹模拟。结果表明：中国季风区PBL SO₂空间上呈现异质性,冬、夏季风变迁对于季风区大气边界层 SO₂柱浓度变化影响明显;温度和气压是影响大气边界层 SO₂柱浓度的主要气象因子,其次是地域性气象条件;冬季气流对日SO₂柱浓度升高影响较大,四川盆地及来自印度半岛、孟加拉湾的西南气流对重庆市SO₂柱浓度升高效果显著,银川市SO₂受蒙古高原偏北气流及天山北部西北气流影响,天津市和杭州市受华北平原及蒙古高原地区气流的作用。     

京津冀及周边地区大气污染防治重点关注区域遥感综合分析

京津冀及周边地区的城乡结合部及县城周边地区散乱污企业污染严重,面源管控困难,准确快速地确定环境督查重点关注区域,可有效提高现场环境执法效能。而仅仅获取单一的大气污染源要素浓度分布情况不能全面反映实际的空气质量污染水平,也无法准确定位大气污染源,因此基于MODIS、OMI等卫星遥感数据,利用灰霾像元识别及统计、地理加权回归(GWR)、光谱差分吸收(DOAS)和主成分分析(PCA)等方法,开展灰霾面积、细颗粒物(PM_(2.5))、NO_2和SO_2等大气污染物浓度反演,并计算2016年9月以来的多次重污染天气中各项污染物浓度均值,通过区域空气重污染高发指数公式计算提取重污染高发地区,最后结合高空间分辨率影像划定污染企业疑似聚集区,作为环境督查的重点关注区域。通过所划定的重点关注区域,可以准确定位大气污染源聚集区,有效提高环境执法的精准性和执法效率,为环境执法提供技术支撑,解决环境监察人力不足的问题。     

Seasonal variation of columnar aerosol optical properties over Athens, Greece, based on MODIS data

A long-term (2000–2005) data set of aerosol optical properties obtained from the Moderate Resolution Imaging Spectroradiometer (MODIS) is analyzed focusing on the Greater Athens Area in the Eastern Mediterranean region. The MODIS aerosol optical depth standard product (AOD at 550 nm) and its respective ratio attributed to fine-mode particles (FM) are employed to evaluate the inter-annual and seasonal variability of the aerosol properties over Athens. Based on AOD₅₅₀ and FM values three specific aerosol types are discriminated corresponding to different aerosol load and optical properties. The aerosol types considered correspond to urban/industrial aerosols, coarse-mode particles and clean maritime conditions. This study focuses on the seasonal and year-to-year fluctuation of the number of occurrences as well as the AOD₅₅₀ and FM values of each aerosol type. The coarse-mode particles are observed mainly in the summer, while spring is the most favorable season for the occurrence of urban/industrial aerosols. On the other hand, clean maritime conditions occur mainly in the winter. The AOD₅₅₀ values for the coarse-mode particles are higher in spring, while the urban/industrial and clean maritime aerosols exhibit slightly higher values in the summer. The seasonal distribution of the aerosol properties is related to anthropogenic and dust emissions in the spring/summer period, but is modified by atmospheric dispersion and precipitation in late autumn/winter. The main conclusion of the study is that the coarse-mode particles exhibit much stronger inter-annual and seasonal variability compared to the urban/industrial aerosols. Finally, three cases corresponding to each aerosol type are analyzed with the aid of synoptic weather maps, air mass trajectories and MODIS data.     

Remote Sensing Retrieval of Atmospheric Fine Particle PM2.5 based on GOCI Satellite and Its Temporal and Spatial Distribution

With the rapid development of China's economy and the acceleration of urbanization, PM_2.5 has become one of the major factors affecting atmospheric environmental pollution in China. The use of geostationary satellite data can obtain a wide range of regional PM_2.5information, providing irreplaceable data sources for China's atmospheric environment monitoring, control, and forecasting. This paper uses the geostationary satellite GOCI data, based on Aerosol Optical Depth (AOD) retrieveal, combined with meteorological factors, and uses multivariate statistical analysis to study the remote sensing retrieval of PM_2.5 in the study area. The results show that the multivariate statistical model based on AOD shows a good agreement between the estimated PM_2.5 concentration and the observed values, and the fitting degreeR ² is 0.665 2. After multivariate statistical modeling of dry AOD obtained after moisture correction of AOD, the fitting degree R² between the predicted concentration of PM_2.5 and the observed value reached 0.702 6, which proved the relationship established betweenthe “dry” AOD after the humidity correction and PM_2.5 is more reliable.The use of GOCI-retrieved AOD to calculate PM_2.5 concentration fully reflects the advantages of GOCI as a geostationary satellite in spatial resolution and temporal resolution. In terms of spatial resolution, the spatial resolution of AOD based on GOCI satellite reachs to 500 meters, which is better than MODIS 10 km AOD product.In terms of temporal resolution,hourly AOD monitoring from 9:00 to 16:00 based on GOCI can be obtained,which is better than MODIS twice daily AOD products.     

2001~2018年我国热异常点时空分布特征研究

基于2001~2018年MODIS标准产品,研究了我国及七大区域热异常点的时空分布特征。结果表明：空间分布上,热异常点主要分布在除西北、西南之外的大部分地区;年际趋势上,2001~2014年间热异常点数量持续上升,年均增长率为15.01%,2015年后逐年下降,年均下降率为14.96%。月季尺度上,热异常点在春、秋季节出现最为频繁（春：551 716个,秋：416 698个）,春、秋季相对在东北地区分布最多（春：164 898个,秋：186 727个）,东北地区月均数量10月最高（118 274个）;夏季热异常点数量最低（290 793个）,多分布于华东地区（120 455个）,华东地区月均数量6月最高（76 465个）;冬季数量为358 483个,且在华南地区分布最多（108 209个）,华南地区月均数量1月最高（37 770个）。研究有助于掌握我国典型区域的森林、草原火灾,以及由于秸秆焚烧、工业排放等引起热异常的变化情况,进而为区域灾害防治和环境监测提供技术支撑。     

Estimating and source analysis of surface PM2.5 concentration in the Beijing–Tianjin–Hebei region based on MODIS data and air trajectories

Particulate matter (PM) with an aerodynamic diameter of <2.5 μm (PM_2.5) has become the primary air pollutant in most major cities in China. Some studies have indicated that there is a positive correlation between the aerosol optical thickness (AOT) and surface-level PM_2.5 concentration. In order to estimate PM_2.5 concentration over large areas, a model relating the concentration of PM_2.5 and AOT has been established. The scale height of aerosol and relative humidity as well as the effect of surface temperature and wind velocity were introduced to enhance the model. 2013 full year Moderate Resolution Imaging Spectroradiometer (MODIS) AOT data and ground measurements of the PM_2.5 concentration in the Beijing–Tianjin–Hebei region were used to fit a seasonal multivariate linear equation relating PM_2.5 concentration and AOT, and the accuracy of the model has been determined. When comparing MODIS-estimated PM_2.5 with the measurements from ground monitoring stations during spring, summer, autumn and winter, we found the R² values were 0.45, 0.45, 0.37, and 0.31, respectively. Based on this model, the spatial distribution of PM_2.5 concentration during four typical haze events sampled by seasons was derived, and displayed with the backward air trajectories calculated using the Hybrid Single Particle Lagrangian Integrated Trajectory (HYSPLIT) model. We undertook a preliminary analysis about the source of surface-level PMs and the process of its accumulation and dispersion during the haze episodes by analysing the effect of terrain and topography in the specific location of the Beijing–Tianjin–Hebei region. The spatial distribution of the PM_2.5 concentration showed that the high value region was generally in the southeast of the study area, which approximately overlapped an area of lower vegetation coverage, and the temporal variation of PM_2.5 concentration indicated that the air pollution was more severe during winter and spring than summer and autumn. The results of the analysis of backward air trajectories suggested that the hazy weather in the Beijing–Tianjin–Hebei region was mainly caused by unfavourable terrain and weather conditions.     

SMAP土壤水分产品在淮河流域的适用性评估

选取淮河流域为研究区域,利用2016年6月至2019年5月流域内的313个土壤水分观测站0～10 cm土壤体积含水量数据,使用多种指标分析SMAP卫星(Soil Moisture Active Passive)9 km分辨率土壤水分产品(L2_SM_P_E)精度的空间和时间(年、月、日尺度)特征,并讨论植被、土壤、地形...     

基于地物光谱季节曲线特征的毛竹林分布提取

毛竹是我国南方广泛分布的重要竹种,具有良好的生态效益和经济价值。毛竹林与其他森林区分难度大,现有提取方法多直接采用已有的晴空观测,未充分考虑分类时相的影响,限制了提取精度。以浙江省庆元县为例,从地物光谱的季节曲线特征入手,利用MODIS高时间分辨率观测充分挖掘各植被类型光谱季节曲线特征和差异,结合多时相Landsat OLI影像进行分类实验,优选毛竹林与其他植被区分度最大的季相,并采用随机森林方法实现了毛竹林分布的有效提取。结果表明：①初、中秋是区分研究区毛竹林与其他植被的最优时相,夏季次之,春季与冬季较差;②当初、中秋无晴空影像时,结合夏冬季影像的毛竹林提取精度最佳,用户和制图精度分别达到85.57%和78.06%;③10月影像提取毛竹林分布精度最高,用户和制图精度分别达到89.00%和86.91%,与当地森林资源调查数据相比精度优于89.23%。实验表明：在类似亚热带地区毛竹林提取中,应优先选择秋季初、中期影像;若此时期无晴空观测,应优先采用夏季与冬季影像共同分类。     

北半球及典型区雪深时空分布与变化特征

基于欧空局的GlobSnow雪水当量数据集和国家青藏高原科学数据中心的北半球长时间序列雪深数据集NHSD研究了北半球及9个典型区的雪深时空分布与变化特征。结果表明：北半球1988~2018年平均雪深总体呈显著下降趋势（p<0.01）,年际变化幅度为-0.55 cm·（10 a）^-1。在高纬度地区,加拿大北部和阿拉斯加年平均雪深下降明显（p<0.01）,下降速率分别为3.48 cm·（10 a）^-1和3 cm·（10 a）^-1,两地区月平均雪深在冬季显著下降。西西伯利亚平原和东欧平原年平均雪深呈下降趋势,其中东欧平原雪深下降较为明显（p<0.01）,变化速率为-2.3 cm·（10 a）^-1,两地区的月平均雪深在春季显著下降,其中5月份最为明显。东西伯利亚山地的雪深年际变化呈增加趋势,除堪察加半岛外,其月平均雪深在冬季呈显著增加趋势。对于高山区,阿尔卑斯山脉和落基山脉的年平均雪深呈缓慢增长趋势,而青藏高原地区雪深呈缓慢下降趋势。阿尔卑斯山脉的月平均雪深在冬季呈显著增加趋势,5月份显著减小。落基山脉和青藏高原雪深变化呈现出空间异质性：在整个研究时段,落基山脉北部月平均雪深呈下降趋势,中部和南部呈上升趋势;青藏高原的北部边缘山脉雪深呈显著上升趋势,中部大多数地区呈下降趋势。喜马拉雅山脉的北坡雪深增加,南坡雪深减小,但其变化率绝对值小于0.5 cm·a^-1。东南部雪深较大的念青唐古拉山脉冬季雪深呈显著下降趋势。对9个典型区雪深的年内分析（2001~2010年平均值）结果显示：高山区雪深峰值远低于高纬度地区雪深峰值。除青藏高原外,高山区的积雪融化起始日期明显早于高纬度地区。