利用细模态气溶胶光学厚度对京津冀地区PM2.5的遥感反演研究

So far satellite-based PM2.5 estimation is widely using aerosol optical thickness (AOT) to establish linear or non-linear regression models. Comparing with AOT, the particle size of fine mode aerosol optical thickness (fAOT) is more close to PM2.5. However, the satellite-derived fAOT is, to a large extend, unreliable over land, such as MODIS. Thus, it limits the further research between fAOT and PM2.5. The main objective of this project is to improve the fAOT retrieval by integrating satellite and ground-based data, and then to develop the surface PM2.5 estimation model using fAOT. The research mainly includes three parts: (1) to develop an improved satellite-based fAOT retrieval method that it can be applicable to different seasons; (2) to explore the relationship between fAOT and PM2.5; (3) to study the spatial correlation and spatio-temporal variability between fAOT and PM2.5. This research can improve the accuracy of satellite-based fAOT retrieval, and get a deeper understanding of the relations between fAOT and PM2.5. The outcomes of this research are quite important to reveal the temporal and spatial variation of PM2.5 in metropolis.

目前卫星遥感手段反演PM2.5大多数是采用气溶胶光学厚度(AOT)与地面实测PM2.5质量浓度建立线性或非线性回归模型。但是在粒径尺度上，细模态气溶胶光学厚度(fAOT)与AOT相比更接近于PM2.5。然而，从遥感卫星数据获取的fAOT存在极大的不确定性(如MODIS)，导致fAOT与PM2.5的研究受到了极大的限制。基于此，本项目拟结合遥感与地面监测数据改进fAOT遥感反演算法，并建立以fAOT为主要参数的近地面PM2.5估算模型，主要包括：(1) 建立一种可适用于不同季节的改进fAOT遥感反演算法;(2) 定量化fAOT与近地面PM2.5相关关系，构建以fAOT为主要参数的PM2.5遥感反演模型;(3) 探究城市区域fAOT和PM2.5空间关联性和时空变异特性。本项目的研究有助于提升fAOT遥感反演精度以及对fAOT和PM2.5相互关系的理解,对揭示PM2.5时空变化规律具有重要意义。

PM2.5的准确反演对于研究其环境以及健康效应具有重要的意义。 为提高PM2.5遥感反演精度，本研究提出利用与PM2.5尺度更接近的细模态气溶胶进行反演。在获取细模态气溶胶的研究中，本研究提出了一套改进的反演算法LUT-SDA，成功获取了全球尺度近10年细模态气溶胶数据。相比MODIS官方产品发布的fAOD，这一全新的fAOD产品不仅具有更高的整体精度，也避免了MODIS fAOD存在空间连续分布的0值、空间分布率低等问题。在中国地区，fAOD呈现出显著的下降趋势，体现了这10年中政府有效的减排和管控措施。通过分析得出在全球多个地区的O3与fAOD均存在显著的相关关系，强调了O3与细颗粒物协同控制的重要性。同时这一高精度的fAOD产品对于定量研究人为气溶胶和进一步探索气溶胶的气候效应提供了重要的数据基础。此外，我们利用4种传统的机器学习模型和1套深度学习模型证明了细模态气溶胶对于PM2.5反演精度提升的重要性。在此基础上，本研究提出全新的时空解译深度学习模型SIDLM，旨在提升PM2.5的预测能力和时空特征解译能力。不同于传统的深度学习模型，SIDLM不仅能做“深”同时也能够做“宽”， “深”的部分为深度学习模型-描述了数据的非线性关系，“宽”的部分是线性模型-描述了数据的线性关系，两部分采用联合训练的方式对数据进行建模。利用SIDLM，研究刻画了区域尺度（3km和10km）和城市尺度(250m)的PM2.5空间分布，并在城市尺度解译了PM2.5的时空特征。