江蘇省霾污染遙感監(jiān)測業(yè)務(wù)化運行研究

牛志春，姜晟，李旭文，姚凌

(1.江蘇省環(huán)境監(jiān)測中心，江蘇 南京 210036;2.中國科學(xué)院地理科學(xué)與資源研究所，北京 100101)

霾是大量極細微的干塵粒等均勻地浮游在空中，使水平能見度小于10 km的空氣混濁現(xiàn)象，其來源有風(fēng)沙塵土、火山爆發(fā)、森林火災(zāi)等自然原因，也有工業(yè)排放、建筑揚塵、汽車尾氣、垃圾焚燒以及生活廢氣等人為原因［1－2］。江蘇省隨著經(jīng)濟發(fā)展，機動車保有量與在建項目不斷增多，霾污染問題日益突出，包括江蘇省在內(nèi)的長三角地區(qū)已成為全國霾污染最為嚴(yán)重的地區(qū)之一。

大氣環(huán)境監(jiān)測能力建設(shè)為霾污染研究提供了較好的數(shù)據(jù)基礎(chǔ)，但現(xiàn)階段受制于監(jiān)測經(jīng)費和場地條件制約，針對霾污染開展多項目自動監(jiān)測的超級站數(shù)量相對有限，難以反映區(qū)域范圍內(nèi)大氣環(huán)境質(zhì)量狀況。衛(wèi)星遙感技術(shù)具有覆蓋范圍廣、快速實時、動態(tài)高效等優(yōu)勢，并且可以獲得區(qū)域二維空間數(shù)據(jù)，對地面監(jiān)測結(jié)果形成有效補充。從環(huán)境管理需求來看，霾污染遙感監(jiān)測業(yè)務(wù)化應(yīng)滿足數(shù)據(jù)快速獲取，反演模型算法盡可能高效，不能依賴太多的參數(shù)和支撐數(shù)據(jù)，計算時間不能過于漫長，監(jiān)測結(jié)果能宏觀準(zhǔn)確地反映區(qū)域霾污染顆粒物分布情況等條件。目前，國內(nèi)外學(xué)者對霾污染遙感監(jiān)測原理及反演算法進行了大量研究，基本上都是基于限定地區(qū)、限定數(shù)據(jù)的定量方法研究，要實現(xiàn)業(yè)務(wù)化應(yīng)用還存在不足。因此有必要從霾污染遙感監(jiān)測業(yè)務(wù)流程出發(fā)，構(gòu)建一套合理、可行、適用的環(huán)境監(jiān)測業(yè)務(wù)化運行體系，滿足大氣污染防治環(huán)境管理需求。

1 霾污染遙感監(jiān)測業(yè)務(wù)化運行研究

從霾污染遙感監(jiān)測業(yè)務(wù)化運行流程來看，包括4個方面，即數(shù)據(jù)庫構(gòu)建、遙感數(shù)據(jù)預(yù)處理、大氣顆粒物濃度遙感定量估算、霾污染遙感監(jiān)測與評價。霾污染遙感監(jiān)測實際業(yè)務(wù)化運行應(yīng)盡可能快速獲取數(shù)據(jù)，處理數(shù)據(jù)，反演污染物程度，及時發(fā)布監(jiān)測日報。要實現(xiàn)業(yè)務(wù)化，需優(yōu)選數(shù)據(jù)源及大氣顆粒物濃度遙感反演方法。

在霾污染遙感監(jiān)測數(shù)據(jù)選擇上，主要從數(shù)據(jù)的可獲取性、連續(xù)性及完整性出發(fā)，篩選出可業(yè)務(wù)化運行的數(shù)據(jù)資料，遙感數(shù)據(jù)主要選擇MODIS實時過境數(shù)據(jù)及氣溶膠產(chǎn)品數(shù)據(jù)，地面數(shù)據(jù)主要以大氣自動站實時監(jiān)測數(shù)據(jù)為主。

在大氣顆粒物濃度遙感反演算法選擇上，應(yīng)滿足遙感影像運算效率高、速度快，能最大程度定量反演大氣顆粒物濃度的業(yè)務(wù)化運行需求。目前，國內(nèi)外衛(wèi)星遙感反演大氣顆粒物濃度的算法基本上都是基于物理方法和統(tǒng)計方法構(gòu)建模型，實際上衛(wèi)星遙感觀測到的信息是“氣溶膠－大氣參量－地表覆被”間輻射傳輸相互作用的結(jié)果［3］，各種簡單化的參數(shù)方案會增加輻射傳輸模型反演過程中的不確定性［4－5］?；谌斯ど窠?jīng)網(wǎng)絡(luò)的遙感估算模型則能夠快速、準(zhǔn)確地建立衛(wèi)星遙感數(shù)據(jù)與大氣顆粒物濃度之間的非線性關(guān)系，能夠極大地提高大氣顆粒物濃度反演精度。霾污染遙感監(jiān)測與評價業(yè)務(wù)化運行技術(shù)路線見圖1。

1.1 數(shù)據(jù)庫構(gòu)建

遙感數(shù)據(jù)主要選取2011—2013年MODIS原始觀測數(shù)據(jù)及MOD04_L2氣溶膠產(chǎn)品數(shù)據(jù)，地面實測數(shù)據(jù)主要選取2013年全省大氣自動站實測數(shù)據(jù)，包括可吸入顆粒物、細顆粒物及能見度等。ECMWF氣象再分析資料包括溫度、相對濕度、風(fēng)速、風(fēng)向等參數(shù)，研究數(shù)據(jù)見表1。

1.2 遙感數(shù)據(jù)預(yù)處理

EOS/MODIS遙感數(shù)據(jù)預(yù)處理主要包括幾何糾正、投影轉(zhuǎn)換及數(shù)據(jù)同化等，利用MODIS數(shù)據(jù)自帶的經(jīng)緯度波段信息對影像進行幾何精糾正，建立查找表，選擇經(jīng)度波段和緯度波段，設(shè)置參數(shù)，確認地圖投影轉(zhuǎn)換，選擇 WGS 84經(jīng)緯度坐標(biāo)系統(tǒng)［6－7］，通過雙線性插值法逐點計算，實現(xiàn)MODIS影像數(shù)據(jù)預(yù)處理。

圖1 霾污染遙感監(jiān)測與評價業(yè)務(wù)化運行技術(shù)路線

表1 研究數(shù)據(jù)列表

1.3 大氣顆粒物濃度遙感定量估算

該研究主要基于MODIS 1B數(shù)據(jù)利用LM－BP人工神經(jīng)網(wǎng)絡(luò)算法建立大氣顆粒物PM10和PM2.5遙感估算模型?；贚M－BP算法的神經(jīng)網(wǎng)絡(luò)包括輸入層、隱藏層和輸出層，每層都包含多個節(jié)點或神經(jīng)元。輸入層包括經(jīng)過數(shù)據(jù)預(yù)處理的MODIS觀測信號、氣溶膠光學(xué)厚度產(chǎn)品、衛(wèi)星－太陽幾何角等，輸出層為地面實測的 PM10和 PM2.5濃度數(shù)據(jù)，輸入層與輸出層之間為隱藏層，通過調(diào)整訓(xùn)練過程中的權(quán)重減小誤差。神經(jīng)網(wǎng)絡(luò)的節(jié)點(神經(jīng)元)之間通過輸出信號和權(quán)重相聯(lián)系，輸出信號和權(quán)重通過線性激活函數(shù)來調(diào)整。模型的訓(xùn)練是一個迭代的過程，權(quán)重系數(shù)與各個節(jié)點有關(guān)，每次訓(xùn)練后，使用測試數(shù)據(jù)集來監(jiān)測網(wǎng)絡(luò)的輸出結(jié)果，根據(jù)方差函數(shù)之和(理論誤差和實際誤差的差的平方和)優(yōu)化輸入向量相應(yīng)的權(quán)重。其計算公式為:

式中:N——訓(xùn)練樣本的數(shù)目;Ytari——目標(biāo)值;Youti——第i個樣本的實際輸出值。

訓(xùn)練過程是將輸入數(shù)據(jù)反復(fù)輸入神經(jīng)網(wǎng)絡(luò)，在數(shù)據(jù)每次通過時計算輸出數(shù)據(jù)，并與目標(biāo)數(shù)據(jù)相比得到一個誤差，再將這個誤差反饋給網(wǎng)絡(luò)，通過網(wǎng)絡(luò)的迭代訓(xùn)練調(diào)整權(quán)重值，直至得到最小方差的最優(yōu)權(quán)重，此時訓(xùn)練完成，所得網(wǎng)絡(luò)即可根據(jù)新的輸入數(shù)據(jù)進行估算。

1.4 霾污染遙感監(jiān)測與評價

在霾污染遙感監(jiān)測與評價指標(biāo)選擇方面，兼顧了霾污染遙感監(jiān)測指標(biāo)空間定量估算可達性及現(xiàn)有標(biāo)準(zhǔn)，采用層次分析法，選取 PM2.5、PM10、氣溶膠光學(xué)厚度、能見度、氣溶膠吸收系數(shù)+散射系數(shù)、溫度、相對濕度、風(fēng)速、風(fēng)向等參數(shù)作為候選指標(biāo)，進行貢獻率分析，結(jié)果如表2所示。因此，在構(gòu)建業(yè)務(wù)化霾污染綜合評價指標(biāo)時，最終選用PM2.5、PM10以及氣溶膠消光系數(shù)(氣溶膠吸收系數(shù)+散射系數(shù))3個因子為主要參數(shù)，對霾污染程度進行監(jiān)測與評價。

表2 霾污染遙感監(jiān)測評價因子貢獻率統(tǒng)計

2 典型霾污染天氣遙感監(jiān)測業(yè)務(wù)化應(yīng)用

按以上遙感監(jiān)測業(yè)務(wù)化運行流程及方法，分析評價了2013年1月江蘇省2次持續(xù)時間較長、涉及范圍較大的典型霾污染。第一次時間為1月7—16日，地面監(jiān)測結(jié)果顯示，全省空氣質(zhì)量普遍處于重度污染狀態(tài)，大氣首要污染物項目為PM2.5，13個省轄市中衛(wèi)星過境期間PM2.5質(zhì)量濃度值最高達278 μg/m3(1月12日，無錫市)，PM10質(zhì)量濃度值最高達343 μg/m3(1月12日，淮安市)。根據(jù)遙感影像分析，此次霾最早集中出現(xiàn)在江蘇省中西部的南京、淮安一線，之后隨大氣作用影響蘇南及周邊地區(qū)并進一步擴散至全省范圍，太湖周邊及蘇北地區(qū)成為此次受污染程度較重的區(qū)域，大氣主要污染物PM2.5和PM10濃度超過全省平均水平，為省內(nèi)主要高值分布區(qū)。

2013年1月，第二次大范圍霾污染發(fā)生時間為1月24—30日，地面監(jiān)測結(jié)果顯示，全省空氣質(zhì)量多數(shù)處于重度污染狀態(tài)，大氣首要污染物項目為PM2.5，13 個省轄市中衛(wèi)星過境期間 PM2.5濃度值最高達413 μg/m3(1 月30 日，揚州市)，PM10濃度值最高達452 μg/m3(1月30日，揚州市)。根據(jù)遙感影像分析，此次霾前期主要集中出現(xiàn)在江蘇省蘇中、蘇南地區(qū)，后期隨大氣作用影響進一步擴散至全省范圍，13個省轄市中揚州、泰州以及南京成為此次受污染程度最重的地區(qū)，大氣主要污染物PM2.5和PM10濃度超過全省平均水平，為省內(nèi)主要高值分布區(qū)。從污染最嚴(yán)重的2天遙感監(jiān)測與地面實測結(jié)果對比分析來看，遙感監(jiān)測結(jié)果與地面實測結(jié)果基本一致，同時，遙感監(jiān)測結(jié)果能較直觀地反映霾污染的區(qū)域分布差異。江蘇省霾污染遙感監(jiān)測與地面監(jiān)測結(jié)果見圖2(a)(b)。

3 結(jié)論

遙感技術(shù)對于大范圍、宏觀監(jiān)測霾污染狀況具有較大優(yōu)勢，如何實現(xiàn)霾污染遙感監(jiān)測業(yè)務(wù)化，有效補充地面監(jiān)測結(jié)果是大氣污染防治較為關(guān)注的問題之一。從霾污染遙感監(jiān)測業(yè)務(wù)化流程出發(fā)，詳細梳理了遙感數(shù)據(jù)獲取、資料收集及霾污染狀況遙感評價需解決的關(guān)鍵問題。結(jié)果表明，要快速實現(xiàn)霾污染遙感監(jiān)測業(yè)務(wù)化，在遙感數(shù)據(jù)的選取上，應(yīng)以MODIS數(shù)據(jù)實時過境接收數(shù)據(jù)為主，以氣溶膠產(chǎn)品、氣象數(shù)據(jù)為輔;數(shù)據(jù)預(yù)處理主要包括幾何精糾正及投影轉(zhuǎn)換;大氣顆粒物遙感反演選擇LMBP人工神經(jīng)網(wǎng)絡(luò)模型算法，高效、快速、準(zhǔn)確反演區(qū)域顆粒物濃度，在霾污染遙感監(jiān)測評價因子選取上，利用層次分析法進行篩選，選取 PM2.5、PM10以及氣溶膠消光系數(shù)作為遙感評價指標(biāo)。基于以上流程，對2013年1月2次典型的霾污染狀況進行了星地同步對比分析，發(fā)現(xiàn)霾污染遙感監(jiān)測結(jié)果與地面實測結(jié)果基本一致，而且可以較好地反映霾污染狀況的空間分布及地域差異，為霾污染區(qū)域聯(lián)防聯(lián)控提供參考。

圖2 江蘇省霾污染遙感監(jiān)測與地面監(jiān)測結(jié)果分析

［1］中國氣象局.地面氣象觀測規(guī)范［M］.北京:氣象出版社，2003.

［2］中國氣象局.QX/T113－2010 霾的觀測和預(yù)報等級［S］.北京:氣象出版社，2010.

［3］李旭文，牛志春，王經(jīng)順，等.遙感影像反演區(qū)域能見度及其與地面空氣質(zhì)量監(jiān)測數(shù)據(jù)一致性研究［J］.環(huán)境監(jiān)測管理與技術(shù)，2011，23(1):20 －27.

［4］MIAO R，LU N，YAO L，et al.Multi－ Year Comparison of Carbon Dioxide from Satellite Data with Ground－Based FTS Measurements(2003 －2011)［J］.Remote Sens，2013，5(7):3431－3456.

［5］SHEN L，WU L，DI G，et al.Hidden Markov Models for Real-Time Estimation of Corn Progress Stages using MODIS and Meteorological Data［J］.Remote Sens，2013，5(4):1734 － 1753.

［6］周靖斐，周汝良，李紹輝，等.MODIS L1 B數(shù)據(jù)的輻射定標(biāo)及太陽天頂角訂正研究［J］.西南林學(xué)院學(xué)報，2010，30(3):77－81.

［7］LING Y，NING L，SHENG J.Artificial neural network(ANN)for multi－ source PM2.5Estimation using surface，MODIS，and meteorological data［J］.ICBEB，2012(10):1228 －1231.