融合星地多源數(shù)據(jù)資料的長三角地區(qū)高分辨率時空無縫PM2.5濃度數(shù)據(jù)

李珂，白開旭

1.華東師范大學(xué)地理信息科學(xué)教育部重點(diǎn)實(shí)驗(yàn)室,上海200241;

2.華東師范大學(xué)地理科學(xué)學(xué)院,上海200241

1 引言

近年來，以PM2.5為主的大氣顆粒物已成為影響城市環(huán)境空氣質(zhì)量的重要污染物。由于其粒徑小、比表面積大，故易在空氣中長期滯留，進(jìn)而嚴(yán)重威脅公眾健康和全球生態(tài)環(huán)境（Shen 等，2020）。因此，開展近地面大氣顆粒物污染精細(xì)化管控和防治對保障人類健康、協(xié)調(diào)生態(tài)環(huán)境可持續(xù)發(fā)展具有重要的現(xiàn)實(shí)意義（徐建輝和江洪，2015；Xie 等，2016）。自2012年起，中國開始逐步建設(shè)和完善地基空氣質(zhì)量監(jiān)測網(wǎng)絡(luò)，并通過中國環(huán)境監(jiān)測總站實(shí)時在線發(fā)布近地面主要大氣污染物濃度數(shù)據(jù)（Bai 等，2020a，2020b）。然而，由于站點(diǎn)布設(shè)稀疏且空間分布不均，地基空氣質(zhì)量觀測網(wǎng)絡(luò)在區(qū)域大尺度范圍內(nèi)仍存在大量監(jiān)測盲區(qū)。因此，現(xiàn)有地基站點(diǎn)觀測資料難以滿足區(qū)域尺度PM2.5濃度全方位監(jiān)測的客觀現(xiàn)實(shí)需求（Li等，2020c）。

大量研究表明，數(shù)據(jù)驅(qū)動的機(jī)器學(xué)習(xí)模型能夠較好地刻畫大氣氣溶膠和近地面大氣顆粒物濃度間復(fù)雜的非線性映射關(guān)系（王子峰等，2019），因此，利用衛(wèi)星遙感反演的氣溶膠光學(xué)厚度AOD（Aerosol Optical Depth）產(chǎn)品開展近地面PM2.5濃度估算，已成為當(dāng)前定量獲取近地面PM2.5濃度的重要技術(shù)手段（陶金花等，2013；Bai等，2019；沈煥鋒和李同文，2019；Park 等，2020）。然而，由于受到云、雪等因素的干擾以及反演方法的客觀限制，衛(wèi)星反演AOD 產(chǎn)品常存在大面積的數(shù)據(jù)缺失，嚴(yán)重制約了估算的PM2.5濃度格點(diǎn)資料的時空覆蓋范圍（Wang 等，2019；Li 等，2020b）?；诖髿饣瘜W(xué)傳輸模式模擬的數(shù)值分析結(jié)果雖可提供時空連續(xù)的氣溶膠參數(shù)再分析資料，但由于模式中對現(xiàn)實(shí)理化過程的簡化和近實(shí)時排放清單等關(guān)鍵基礎(chǔ)數(shù)據(jù)的缺失，造成此類模擬產(chǎn)品的空間分辨率較粗且數(shù)據(jù)存在較大的不確定性（Buchard等，2017；Feng和Wang，2019）。

因此，生產(chǎn)時空覆蓋完整的高分辨率AOD 資料將是實(shí)現(xiàn)PM2.5濃度無縫制圖的關(guān)鍵（Bi 等，2019；Wei 等，2020）。為有效提升遙感數(shù)據(jù)資料的時空覆蓋度和產(chǎn)品質(zhì)量，前期研究已發(fā)展了多種數(shù)據(jù)融合與缺失數(shù)據(jù)重構(gòu)算法（張良培和沈煥鋒，2016；沈煥鋒和李同文，2019）?？傮w而言，可將其分為3類：時空信息插值法、輔助變量建模法、以及多源數(shù)據(jù)融合法。第1類方法主要依賴于研究對象的時空自相關(guān)特性，首先根據(jù)數(shù)據(jù)點(diǎn)位間的距離計算權(quán)重，之后利用其時空鄰域有效值的加權(quán)平均對缺失信息進(jìn)行填補(bǔ)（Singh 等，2017a；Wang 等，2019）。該方法的原理和實(shí)踐操作都相對簡單，常見的技術(shù)手段包括雙線性插值法、克里金插值法、和反距離加權(quán)插值法等。然而，此類方法受原始數(shù)據(jù)中有效值的時空分布影響較大，在數(shù)據(jù)缺失嚴(yán)重的區(qū)域存在較明顯的誤差（Zou等，2020）。

第2類方法常利用對研究對象具有較強(qiáng)解釋性的輔助變量來重建原始數(shù)據(jù)產(chǎn)品中的缺失信息（Li等，2020）。此類方法常通過建立真實(shí)觀測和解釋變量間的統(tǒng)計模型來估算目標(biāo)對象數(shù)據(jù)產(chǎn)品中的缺失信息，常用的統(tǒng)計方法包括多元線性回歸模型、神經(jīng)網(wǎng)絡(luò)模型、以及隨機(jī)森林模型等。因此，輔助變量的篩選和統(tǒng)計模型的優(yōu)化是提升缺失信息重建質(zhì)量的關(guān)鍵。第3類方法旨在通過融合具有時空互補(bǔ)特性的多源異構(gòu)產(chǎn)品資料，在有效提升數(shù)據(jù)時空覆蓋的同時發(fā)揮多源異構(gòu)數(shù)據(jù)產(chǎn)品間的互補(bǔ)優(yōu)勢，生產(chǎn)精度與質(zhì)量俱佳的再分析資料（Singh 等，2017b；Tang 等，2016）。常見的融合技術(shù)包括最大似然法、貝葉斯最大熵法、和最優(yōu)插值法等。在具體融合過程中，如何建立有效的誤差訂正方案以消除多源異構(gòu)數(shù)據(jù)集間的系統(tǒng)性偏差并量化多源產(chǎn)品的時空關(guān)聯(lián)特征是保障融合質(zhì)量的關(guān)鍵。

為有效提升AOD 數(shù)據(jù)的空間覆蓋度和產(chǎn)品精度，本研究提出了一種能夠有效融合衛(wèi)星反演、地基觀測、和數(shù)值模擬等多模數(shù)據(jù)產(chǎn)品的PM2.5濃度無縫制圖方案，以期發(fā)揮多源異構(gòu)數(shù)據(jù)產(chǎn)品間的互補(bǔ)優(yōu)勢來生產(chǎn)時空連續(xù)的PM2.5濃度格點(diǎn)資料。具體而言，依托Himawari-8 靜止衛(wèi)星反演的高時頻AOD 產(chǎn)品、MERRA-2 AOD 再分析資料、以及近地面大氣污染物濃度等觀測資料，通過開展AOD 缺失信息重建及多尺度數(shù)據(jù)融合來生產(chǎn)高分辨率無縫AOD 格點(diǎn)資料。同時，建立基于時空無縫AOD 數(shù)據(jù)的近地面PM2.5濃度估算模型，并利用優(yōu)化模型估算近地面PM2.5濃度，實(shí)現(xiàn)長三角地區(qū)PM2.5濃度無縫制圖。最后，利用生產(chǎn)的長時序PM2.5濃度無縫格點(diǎn)資料，分析了長三角地區(qū)PM2.5污染的時空變化特征，以期為區(qū)域PM2.5污染聯(lián)防聯(lián)控提供參考。

2 數(shù) 據(jù)

2.1 Himawari-8 AOD

日本宇航局JAXA（Japan Aerospace Exploration Agency）于2014年發(fā)射了新一代地球靜止衛(wèi)星Himawari-8，其搭載的多光譜成像儀AHI（Advanced Himawari Imager）配置了從可見光到近紅外16 個觀測通道，旨在對西太平洋及周邊地區(qū)的天氣狀況、大氣環(huán)境、自然災(zāi)害等進(jìn)行全天時的監(jiān)測和預(yù)報（牛曉君等，2019；Jiang 等，2019）。JAXA也于2018年發(fā)布了基于Himawari-8 衛(wèi)星的氣溶膠反演算法和官方數(shù)據(jù)產(chǎn)品（Yoshida等，2018），該套產(chǎn)品基于“第二最低大氣校正反射率”AOD 算法反演所得，并使用最優(yōu)插值方法將L2（10 min）產(chǎn)品整合為L3（1 h）產(chǎn)品。大量前期驗(yàn)證結(jié)果表明，該套產(chǎn)品在中國地區(qū)的精度整體較好，與地基AOD 觀測序列的相關(guān)系數(shù)超過0.70，均方根誤差約0.24 左右（Jiang 等，2019；Zhang 等，2019；Li 等，2020a）。本研究使用了2015年—2020年Himawari-8 觀測反演的500 nm 逐小時AOD 數(shù)據(jù)（9：00—17：00北京時間），空間分辨率為5 km。為保證數(shù)據(jù)質(zhì)量，本研究利用產(chǎn)品自帶質(zhì)量控制文件QA（Quality Assurance）去除了受云（QA=2）和高太陽/衛(wèi)星天頂角（QA=10）影響的像元，僅保留高質(zhì)量AOD反演結(jié)果（QA=4，5）。

2.2 MERRA-2 AOD

針對衛(wèi)星遙感反演AOD 產(chǎn)品存在大面積數(shù)據(jù)缺失，本研究使用了MERRA-2 AOD 再分析資料作為多源AOD數(shù)據(jù)融合的背景場。MERRA-2是美國宇航局全球模擬和同化機(jī)構(gòu)GMAO（Global Modeling and Assimilation Office）發(fā)布的新版大氣再分析數(shù)據(jù)集。該產(chǎn)品利用第五版戈達(dá)德地球模擬系統(tǒng)（GEOS-5）在全球尺度下模擬的550 nm AOD 產(chǎn)品，空間分辨率約為60 km（0.5°×0.625°），時間分辨率包括1 h，3 h和月平均等（Buchard 等，2017）。本研究獲取了與Himawari-8 AOD 時空匹配的MERRA-2 逐小時AOD 數(shù)據(jù)，由于該AOD 產(chǎn)品為550 nm（數(shù)據(jù)集：Total Aerosol Extinction AOT［550 nm］），故利用等式（1）將MERRA-2 AOD轉(zhuǎn)換到500 nm以同Himawari-8 AOD產(chǎn)品匹配：

式中，τ0和τ1分別表示λ0（500 nm）和λ1（550 nm）波長的AOD，α 為MERRA-2 ?ngstr?m 指數(shù)（Total Aerosol ?ngstr?m parameter，470—870 nm）。另外，為了將Himawari-8 AOD 數(shù)據(jù)與之融合，并提升最終融合產(chǎn)品的空間分辨率，本研究采用三次樣條插值將MERRA-2 AOD重采樣到5 km分辨率。

2.3 地基氣溶膠與大氣污染物濃度數(shù)據(jù)

本研究所使用的近地面實(shí)測PM2.5濃度數(shù)據(jù)來自于中國環(huán)境監(jiān)測總站。自2013年起，其通過全國城市空氣質(zhì)量實(shí)時發(fā)布平臺近實(shí)時發(fā)布6類主要大氣污染物（PM10、PM2.5、NO2、SO2、O3和CO）濃度數(shù)據(jù)，其在長三角地區(qū)的監(jiān)測站點(diǎn)空間分布如圖1（a）所示。圖1（b）為上海市3 個市控監(jiān)測站點(diǎn)的空間分布情況，后續(xù)將作為本研究所生產(chǎn)的時空無縫PM2.5濃度數(shù)據(jù)產(chǎn)品的獨(dú)立驗(yàn)證觀測序列。為保證模型精度，本研究對PM2.5濃度數(shù)據(jù)進(jìn)行了嚴(yán)格的質(zhì)量控制，并依照Bai 等（2020a）提出的DCCEOF 方法對觀測時間序列中缺失值進(jìn)行了填補(bǔ)。本研究使用的氣溶膠觀測數(shù)據(jù)來自AERONET（Aerosol Robotic Network）和SONET（Sun-Sky Radiometer Observation Network），其在長三角地區(qū)的空間分布如圖1所示。前期研究表明，SONET 觀測的AOD 數(shù)據(jù)與AERONET 觀測數(shù)據(jù)質(zhì)量精度相當(dāng)（Li 等，2018），故本研究直接將兩種數(shù)據(jù)混合使用。

圖1 長三角地區(qū)空氣質(zhì)量監(jiān)測站點(diǎn)及大氣氣溶膠觀測站點(diǎn)的空間分布Fig.1 Spatial distribution of ground-based air quality monitoring stations and atmospheric aerosol observing stations in the Yangtze River Delta

2.4 輔助數(shù)據(jù)

為有效構(gòu)建AOD 與PM2.5濃度間的統(tǒng)計關(guān)系，本研究同時使用了氣象要素和其他輔助變量。氣象數(shù)據(jù)來自于歐洲中期天氣預(yù)報中心（ECMWF）提供的第五代全球大氣氣候再分析資料（ERA-5），包括相對濕度（RH，%）、氣溫（T，K）、風(fēng)速（WS，m/s）、風(fēng)向（WD，rad）、總降水量（TP，m）、大氣邊界層高度（BLH，m）、柱水汽含量（WV，kg·m-2）和地表氣壓（SP，Pa）。其中，前4個變量既包含近地表數(shù)據(jù)，還考慮了高空850 hPa 的數(shù)據(jù)。此外，本研究使用了中分辨率成像光譜儀（MODIS）反演的16 d 合成的歸一化植被指數(shù)NDVI（Normalized Difference Vegetation Index）數(shù)據(jù)（MOD13 產(chǎn)品），用以在開展PM2.5估算AOD 建模時表征地表覆蓋類型。另外，為模擬人類活動對大氣污染的影響，本研究還使用了中國資源與環(huán)境科學(xué)數(shù)據(jù)中心提供的路網(wǎng)密度（RD）和人口密度（POP）數(shù)據(jù)。

3 方 法

高分辨率且時空連續(xù)的PM2.5濃度數(shù)據(jù)是開展區(qū)域空氣質(zhì)量跟蹤監(jiān)測、灰霾污染聯(lián)防聯(lián)控、以及大氣污染暴露風(fēng)險評估的重要基礎(chǔ)數(shù)據(jù)。盡管利用AOD 估算近地面PM2.5濃度已得到廣泛而深入的研究，但由于云覆蓋和算法限制，基于衛(wèi)星遙感反演AOD 估算的PM2.5濃度數(shù)據(jù)仍存在大面積缺失。因此，生產(chǎn)空間全覆蓋AOD 產(chǎn)品，是開展PM2.5濃度無縫制圖的關(guān)鍵。針對該問題，本研究提出了一種基于多模數(shù)據(jù)融合分析的PM2.5濃度無縫制圖技術(shù)方案，具體流程如圖2所示。該技術(shù)方案主要涉及衛(wèi)星遙感反演AOD 缺失信息重建、虛擬AOD 觀測網(wǎng)絡(luò)構(gòu)建、多模AOD 數(shù)據(jù)融合分析，以及PM2.5濃度估算建模等功能模塊。

圖2 PM2.5濃度無縫制圖技術(shù)流程Fig.2 A schematic illustration of the proposed spatially contiguous PM2.5 concentration mapping approach

3.1 Himawari-8 AOD缺失數(shù)據(jù)重建

較于極軌衛(wèi)星氣溶膠參數(shù)反演，靜止衛(wèi)星的優(yōu)勢在于其可以對特定區(qū)域的AOD 進(jìn)行高時頻監(jiān)測。因此，利用其時空連續(xù)場信息能夠有效提取AOD日變化特征并據(jù)此重構(gòu)原始數(shù)據(jù)中的部分缺失信息，進(jìn)而初步提升衛(wèi)星遙感反演AOD數(shù)據(jù)的空間覆蓋（Bai等，2020a；Singh等，2017a）。為重建Himawari-8反演AOD產(chǎn)品中的缺失信息，本研究采用奇異值分解SVD（Singular Value Decomposition）技術(shù)對AOD 時空矩陣開展經(jīng)驗(yàn)正交函數(shù)EOF（Empirical Orthogonal Function）分解，通過迭代矩陣分解與重構(gòu)的方法實(shí)現(xiàn)AOD缺失信息重建。

首先，將指定區(qū)域內(nèi)連續(xù)n天9 h 的AOD 排列成一個二維時空關(guān)聯(lián)矩陣其中m為該區(qū)域覆蓋的像元數(shù)。同時，預(yù)先將時空關(guān)聯(lián)矩陣X中10%的真實(shí)值留出作為EOF 迭代分解與重構(gòu)過程中的驗(yàn)證數(shù)據(jù)集。隨后，將矩陣中的缺失位置填入其時空均值作為迭代開始的初始值，進(jìn)而利用SVD 方法將時空關(guān)聯(lián)矩陣X分解為3 個獨(dú)立矩陣：

式中，U和V分別表示原始矩陣X的時間和空間模態(tài)，S表示奇異值。接著，逐步利用提取的AOD的主要時空模態(tài)進(jìn)行矩陣重構(gòu)，即利用主模態(tài)重構(gòu)時空矩陣的方式不斷迭代更新X中的缺失值估計直至收斂（基于留出的驗(yàn)證數(shù)據(jù)集確定），從而實(shí)現(xiàn)基于時空連續(xù)場的AOD 缺失信息重建。該重建技術(shù)的具體細(xì)節(jié)可參見Bai 等（2020a）研究中的算法介紹。

3.2 虛擬地基AOD觀測網(wǎng)絡(luò)構(gòu)建

衛(wèi)星遙感反演AOD 缺失信息重建雖能有效提升AOD 反演結(jié)果的空間覆蓋，但其仍無法應(yīng)用于連續(xù)大面積數(shù)據(jù)缺失區(qū)域的信息重建。因此，在衛(wèi)星反演AOD 觀測缺失區(qū)域，融合結(jié)果將完全被模式模擬結(jié)果主導(dǎo)，進(jìn)而難以避免模式模擬結(jié)果中誤差的傳遞，導(dǎo)致后續(xù)融合數(shù)據(jù)產(chǎn)品質(zhì)量下降。針對該問題，本研究提出利用國控空氣質(zhì)量監(jiān)測網(wǎng)絡(luò)實(shí)測大氣污染物（PM10，PM2.5，NO2，SO2）濃度數(shù)據(jù)來估算相應(yīng)監(jiān)測點(diǎn)位的AOD，即構(gòu)建一套基于國控空氣質(zhì)量監(jiān)測站點(diǎn)的虛擬地基AOD 監(jiān)測網(wǎng)絡(luò)。該方案的原理在于AOD 是對區(qū)域大氣污染物綜合消光能力的客觀反映，因此可根據(jù)不同污染物濃度來估算AOD，其根本目的是為提升地面AOD 數(shù)據(jù)的時空覆蓋，以作為先驗(yàn)觀測信息來訂正模式模擬AOD 數(shù)據(jù)。本研究使用了具有較高建模精度的隨機(jī)森林RF（Random Forest）方法來建立AOD和大氣污染物濃度數(shù)據(jù)間的統(tǒng)計模型：

式中，右側(cè)前4項(xiàng)別對應(yīng)國控空氣質(zhì)量監(jiān)測站點(diǎn)實(shí)測PM10，PM2.5，SO2和NO2濃度，hour 代表每日的觀測時刻，season代表對應(yīng)的觀測季節(jié)。模型訓(xùn)練的AOD數(shù)據(jù)來自于國控站點(diǎn)周邊25 km范圍內(nèi)的氣溶膠觀測站點(diǎn)（AERONET和SONET）實(shí)測數(shù)據(jù)。

3.3 多模AOD數(shù)據(jù)融合

本研究采用最優(yōu)插值OI（Optimal Interpolation）技術(shù)來開展點(diǎn)—面多尺度AOD 數(shù)據(jù)融合以生產(chǎn)空間連續(xù)的AOD 產(chǎn)品（Hong 等，2020；Werner 等，2019）。該技術(shù)的基本原理總結(jié)如下：對于任意待分析像元x，定義其背景值為xb，則再分析結(jié)果xa可表示為

式中，Yo為待分析像元鄰域內(nèi)的Mn個觀測值。H為觀測算子，HXb表示觀測值Yo對應(yīng)的背景值。K為卡爾曼增益，用以量化鄰近觀測值對分析點(diǎn)的相對貢獻(xiàn)，可表示為

式中，HT為H的轉(zhuǎn)置矩陣。觀測誤差協(xié)方差矩陣R為對角矩陣，對角元素由對應(yīng)產(chǎn)品的觀測誤差方差εo組成。背景誤差協(xié)方差矩陣Pb為對稱矩陣，可表示為

式中，εb為背景誤差方差。背景場和觀測場的誤差方差可以通過實(shí)測值進(jìn)行估計。ρ(i，j)用來表示格點(diǎn)i和j之間的空間關(guān)聯(lián)，本研究中采用了高斯核權(quán)重函數(shù)來近似擬合這種空間相關(guān)性：

式中，dx和dy分別代表數(shù)據(jù)點(diǎn)i，j空間距離dij在經(jīng)向和緯向的正交分量，lx和ly表示相關(guān)性在空間上的關(guān)聯(lián)距離。

3.4 PM2.5濃度無縫制圖

利用生產(chǎn)的全覆蓋AOD 產(chǎn)品，本研究構(gòu)建了PM2.5濃度估算RF 模型，并將其外推至其他格點(diǎn)以實(shí)現(xiàn)面域PM2.5濃度無縫制圖，具體模型表示為

式中，hour表示觀測時刻，season 為對應(yīng)的觀測季節(jié)。同時，隨機(jī)選取20%的數(shù)據(jù)作為模型估算精度檢驗(yàn)的獨(dú)立驗(yàn)證集，用于檢驗(yàn)?zāi)Ｐ偷姆夯芰?。另外，開展建模參數(shù)敏感性分析，剔除貢獻(xiàn)較低變量以優(yōu)化模型結(jié)構(gòu)。最后，基于優(yōu)化模型，利用全覆蓋AOD 融合產(chǎn)品估算面域PM2.5濃度格點(diǎn)數(shù)據(jù)，實(shí)現(xiàn)長三角地區(qū)PM2.5濃度無縫制圖。

4 結(jié) 果

4.1 AOD數(shù)據(jù)重建與融合分析精度驗(yàn)證

作為近地面PM2.5濃度估算的重要輸入?yún)?shù)，衛(wèi)星遙感反演AOD 產(chǎn)品不僅主導(dǎo)著面域PM2.5濃度數(shù)據(jù)的空間覆蓋水平，其產(chǎn)品質(zhì)量也同樣影響PM2.5濃度的制圖精度。因此，本研究在開展AOD缺失信息重建工作的同時，首先對各原始AOD 數(shù)據(jù)產(chǎn)品精度進(jìn)行了驗(yàn)證。圖3 為基于Himawari-8靜止衛(wèi)星的AOD 數(shù)據(jù)時空重構(gòu)效果示意圖以及重構(gòu)前后的精度對比驗(yàn)證結(jié)果。其中，圖3（a）和圖3（b）分別為2020-04-22 T 9：00 長三角地區(qū)Himawari-8 原始AOD 及重構(gòu)后AOD 數(shù)據(jù)產(chǎn)品的空間分布示意圖。結(jié)果表明：重建后該時刻的AOD空間覆蓋水平從18.40%提高到35.66%，且重建數(shù)據(jù)能夠合理再現(xiàn)原始AOD數(shù)據(jù)的空間分布。圖3（c）和圖3（d）分別為Himawari-8 原始AOD 產(chǎn)品和重構(gòu)AOD 數(shù)據(jù)的精度驗(yàn)證結(jié)果。與地面實(shí)測AOD 數(shù)據(jù)相比，Himawari 原始AOD 產(chǎn)品的相關(guān)系數(shù)R為0.80，均方根誤差RMSE 為0.24，而重構(gòu)產(chǎn)品的相關(guān)系數(shù)R為0.77，均方根誤差RMSE 為0.29。盡管重構(gòu)AOD 產(chǎn)品的精度略有下降，但AOD 數(shù)據(jù)的空間覆蓋卻有了大幅提升，且重構(gòu)結(jié)果的空間細(xì)節(jié)整體較為合理。上述結(jié)果表明本研究所使用的數(shù)據(jù)重構(gòu)方法能夠較好地重建Himawari-8 衛(wèi)星反演AOD 數(shù)據(jù)產(chǎn)品中的缺失信息，故重建數(shù)據(jù)可進(jìn)一步作為多源數(shù)據(jù)融合的輸入數(shù)據(jù)使用。

圖3 基于Himawari-8靜止衛(wèi)星的AOD時空數(shù)據(jù)重構(gòu)效果示意與精度驗(yàn)證Fig.3 Spatial distribution and accuracy verification of observed and reconstructed Himawari-8 AOD

圖4 為部分AOD 原始產(chǎn)品與融合產(chǎn)品的精度驗(yàn)證結(jié)果，其中圖4（a）表征了模式模擬AOD（AODM2）的產(chǎn)品精度（R=0.73，RMSE=0.31），圖4（b）為大氣污染物濃度估算的站點(diǎn)尺度AOD數(shù)據(jù)（AODPM）的精度（R=0.90，RMSE=0.19），圖4（c）為多源數(shù)據(jù)融合后的AOD 產(chǎn)品精度（R=0.86，RMSE=0.24）?？傮w而言，AODM2精度較差，AODPM數(shù)據(jù)精度最高，融合產(chǎn)品的精度略低于AODPM，但遠(yuǎn)優(yōu)于原始面域AOD 數(shù)據(jù)產(chǎn)品（AODM2和AODH8）。上述結(jié)果表明“點(diǎn)—面”多尺度數(shù)據(jù)融合能夠有效保留各方AOD 產(chǎn)品的優(yōu)勢，即點(diǎn)狀數(shù)據(jù)的精度質(zhì)量和面域數(shù)據(jù)的空間覆蓋，故融合數(shù)據(jù)產(chǎn)品既能保持較高的數(shù)據(jù)精度，又具有完整的空間覆蓋，為后續(xù)近地面PM2.5濃度無縫制圖研究提供了重要的基礎(chǔ)數(shù)據(jù)支撐。

圖4 多源異構(gòu)AOD數(shù)據(jù)與融合產(chǎn)品精度驗(yàn)證結(jié)果Fig.4 Scatterplots between AOD derived from distinct methods and ground-based AOD measurements

圖5對比了多源異構(gòu)數(shù)據(jù)融合中各原始產(chǎn)品與融合結(jié)果的空間分布細(xì)節(jié)和融合效果。其中，第1 列為AODM2，第2 列為重構(gòu)后的Himawari-8 AOD產(chǎn)品（AODH8），第3 列為AODPM數(shù)據(jù)，第4 列為多源AOD數(shù)據(jù)融合的結(jié)果，各行指代日期從上至下分別為：2017-04-04 T 14：00、2018-12-11 T 14：00、2019-03-24 T 09：00。由于AODM2在生產(chǎn)過程中部分同化了衛(wèi)星和地面AOD 觀測數(shù)據(jù)，因此，其產(chǎn)品質(zhì)量在有真實(shí)地基或天基觀測的時刻及地區(qū)較優(yōu)，而在缺乏實(shí)測數(shù)據(jù)的區(qū)域具有較大不確定性。由圖5 第1，2 列可知，在AODH8有效觀測區(qū)域，AODM2數(shù)據(jù)的空間分布與衛(wèi)星反演結(jié)果較為相似，而在AODH8存在大面積缺失的區(qū)域，若無其他AOD 數(shù)據(jù)支撐，則模式模擬結(jié)果的準(zhǔn)確性較難評估。該現(xiàn)象也是激發(fā)本研究基于實(shí)測大氣污染物濃度構(gòu)建虛擬AOD 觀測網(wǎng)絡(luò)的根本原因，旨在解決在衛(wèi)星遙感反演AOD 存在大面積缺失區(qū)域開展數(shù)據(jù)融合時的觀測數(shù)據(jù)資料來源問題。

由圖5第2，3列可知，AODPM的空間分布情況與AODH8基本類似，客觀證實(shí)了利用大氣污染物濃度估算的AOD 數(shù)據(jù)能夠有效刻畫區(qū)域AOD 的真實(shí)空間分布，為填補(bǔ)衛(wèi)星反演AOD 大面積缺失處的觀測空白提供了重要數(shù)據(jù)源。對比圖5 第1，4 列可知，融合多源AOD 觀測資料（AODH8、AODPM）后，AODM2中的系統(tǒng)性誤差得到了有效訂正，尤其是在衛(wèi)星反演結(jié)果缺失區(qū)域。

圖5 多源異構(gòu)AOD數(shù)據(jù)產(chǎn)品空間細(xì)節(jié)對比Fig.5 Spatial distribution of AOD derived from distinct datasets

4.2 PM2.5制圖及變化趨勢分析

基于生產(chǎn)的AOD 無縫產(chǎn)品和相關(guān)輔助變量，本研究估算了長三角地區(qū)2015年—2020年的小時分辨率近地面PM2.5濃度。圖6 為生產(chǎn)的PM2.5濃度格點(diǎn)數(shù)據(jù)資料空間覆蓋提升率與產(chǎn)品精度驗(yàn)證結(jié)果。由圖6（a）可知，較于使用原始Himawari-8 AOD 反演結(jié)果直接估算的面域PM2.5濃度數(shù)據(jù)，利用AOD 融合產(chǎn)品生產(chǎn)的近地面PM2.5濃度資料的數(shù)據(jù)覆蓋水平提升約84%—96%，尤其是中國東南沿海等云覆蓋較高區(qū)域。圖6（b）為時空無縫PM2.5濃度格點(diǎn)數(shù)據(jù)產(chǎn)品的精度驗(yàn)證結(jié)果，與地面觀測數(shù)據(jù)的驗(yàn)證相關(guān)系數(shù)R可達(dá)0.90，均方根誤差RMSE 為15.77 μg·m-3，平均絕對誤差MAE 為9.87 μg·m-3。表1對比了日間不同時刻PM2.5濃度無縫格點(diǎn)數(shù)據(jù)產(chǎn)品的精度水平，其中北京時間14：00—16：00 的數(shù)據(jù)產(chǎn)品精度較優(yōu)，而上午時刻（9：00—11：00 北京時間）的數(shù)據(jù)精度相對較低，整體來說不同時刻的數(shù)據(jù)質(zhì)量差異并不顯著。造成日間不同時刻估算精度波動的原因可能與大氣氣溶膠和細(xì)顆粒物的日變化特征差異有關(guān)，但具體影響過程和機(jī)理仍有待進(jìn)一步探究。

表1 日間不同時刻估算的PM2.5濃度格點(diǎn)數(shù)據(jù)精度對比Table 1 Comparisons of data accuracy between PM2.5 concentration estimated at different hours during the daytime

圖6 PM2.5濃度格點(diǎn)資料數(shù)據(jù)覆蓋提升率及產(chǎn)品精度驗(yàn)證結(jié)果Fig.6 PM2.5 data coverage ratio increments and scatterplots between estimated and observed PM2.5 concentration in the Yangtze River Delta

為進(jìn)一步驗(yàn)證該數(shù)據(jù)產(chǎn)品的精度，本文選取了上海市3個不同市控空氣質(zhì)量觀測站點(diǎn)實(shí)測數(shù)據(jù)（僅對比了日間9 h）開展獨(dú)立驗(yàn)證（站點(diǎn)分布如圖1（b）所示），并與Wei 等（2021）發(fā)布的ChinaHighPMx數(shù)據(jù)集進(jìn)行了交叉對比分析。由圖7的驗(yàn)證結(jié)果可知，在產(chǎn)品精度方面，本研究所生產(chǎn)的日間近地面PM2.5濃度格點(diǎn)數(shù)據(jù)與ChinaHighPMx數(shù)據(jù)集表現(xiàn)較為一致。由于本文生產(chǎn)的數(shù)據(jù)產(chǎn)品空間覆蓋完整，故時間序列連續(xù)（紅色曲線），在時間尺度上無缺失數(shù)據(jù)。然而，Wei等（2021）生產(chǎn)的數(shù)據(jù)產(chǎn)品僅使用了衛(wèi)星觀測，故存在大面積數(shù)據(jù)缺失，造成時間序列不連續(xù)（藍(lán)色曲線）。圖8進(jìn)一步對比分析了2018-11-29（霾污染）北京時間9：00—16：00長三角地區(qū)近地面PM2.5濃度的空間分布情況，較于ChinaHighPMx 數(shù)據(jù)集，本研究生產(chǎn)的時空無縫PM2.5濃度格點(diǎn)數(shù)據(jù)可以更好地刻畫PM2.5污染的時空分布態(tài)勢及消生規(guī)律，有效實(shí)現(xiàn)了對該區(qū)域霾污染的動態(tài)跟蹤監(jiān)測。

圖7 2018-09-01—2018-10-06日間PM2.5濃度數(shù)據(jù)集與上海市3個市控站的時間序列對比分析Fig.7 Comparison of PM2.5 concentration time series at three distinct air quality monitoring stations in Shanghai from September 1 to October 6，2018

圖8 長三角地區(qū)2018-11-29日間PM2.5濃度空間分布Fig.8 Spatial distribution of daytime PM2.5 concentration on November 29，2018 over the Yangtze River Delta

利用本研究所生產(chǎn)的高分辨率PM2.5濃度無縫格點(diǎn)資料，本研究分析了長三角地區(qū)PM2.5污染的時空變化趨勢。圖9 為長三角地區(qū)近5年日間9 h PM2.5濃度的線性變化趨勢圖?？傮w上，長江以北地區(qū)PM2.5濃度下降趨勢更為顯著，尤其在河南、山東等受PM2.5污染影響較為嚴(yán)重的區(qū)域，而在大氣環(huán)境相對清潔的東南部地區(qū)（如，江西、福建等地），PM2.5濃度下降幅度不大。另外，在長江流域的一些主要城市（如，蘇州、合肥、杭州、武漢等地）PM2.5濃度下降也比較明顯，但上海與江蘇南京地區(qū)的PM2.5污染下降趨勢較周邊地區(qū)相對緩慢，這可能與該地區(qū)大氣環(huán)境本底值總體較低有關(guān)。從PM2.5濃度的時空趨勢日變化情況來看，不同時刻的空間分布模態(tài)大體類似，午間時刻（12：00—14：00 BJT）的PM2.5濃度下降趨勢略明顯于上午或傍晚時刻，造成此現(xiàn)象的原因可能與污染排放強(qiáng)度和邊界層高度日變化特征有關(guān)。

圖9 2015年—2020年間長三角地區(qū)PM2.5濃度變化趨勢Fig.9 Linear trend of PM2.5 concentration over the Yangtze River Delta during 2015—2020

4 結(jié)論

本研究利用Himawari-8 靜止衛(wèi)星平臺發(fā)布的小時分辨率AOD 數(shù)據(jù)，同時結(jié)合MERRA-2 模式模擬AOD 再分析資料以及地基空氣質(zhì)量監(jiān)測網(wǎng)絡(luò)觀測的多種大氣污染物濃度數(shù)據(jù)，通過開展AOD缺失數(shù)據(jù)重建以及多源異構(gòu)數(shù)據(jù)融合分析，生產(chǎn)高分辨率時空無縫AOD 數(shù)據(jù)，并據(jù)此構(gòu)建了近地面PM2.5濃度估算模型，生產(chǎn)了長三角地區(qū)無縫PM2.5濃度格點(diǎn)數(shù)據(jù)產(chǎn)品。精度驗(yàn)證結(jié)果表明，本研究所生產(chǎn)的面域PM2.5濃度數(shù)據(jù)具有較高的產(chǎn)品精度，且數(shù)據(jù)空間覆蓋完整，可作為PM2.5污染時空變化特征與暴露健康風(fēng)險評價研究的重要基礎(chǔ)數(shù)據(jù)。

在構(gòu)建PM2.5濃度無縫制圖方案的過程中，針對衛(wèi)星遙感反演AOD 數(shù)據(jù)大面積缺失，本研究提出了利用地基空氣質(zhì)量監(jiān)測網(wǎng)絡(luò)實(shí)測的近地面大氣污染物濃度觀測來估算AOD 數(shù)據(jù)的新思路，在中國大氣氣溶膠參數(shù)地面觀測站點(diǎn)稀少的背景下，這一舉措有效豐富了地基AOD 觀測資料，是提升AOD 再分析產(chǎn)品質(zhì)量的重要舉措。然而，當(dāng)前衛(wèi)星遙感反演AOD 產(chǎn)品僅在白天有數(shù)據(jù)，因此缺乏對夜間大氣氣溶膠參數(shù)的有效探測，客觀限制了夜間等無AOD 數(shù)據(jù)時高精度逐小時面域PM2.5濃度數(shù)據(jù)的生產(chǎn)。因此，進(jìn)一步開展全天時面域PM2.5濃度數(shù)據(jù)生產(chǎn)，將對實(shí)現(xiàn)PM2.5污染全天時、全方位的動態(tài)監(jiān)測具有重要意義，也將進(jìn)一步為中國環(huán)境空氣質(zhì)量監(jiān)測和PM2.5污染暴露研究提供高質(zhì)量基礎(chǔ)數(shù)據(jù)支撐。

志 謝感謝中國環(huán)境監(jiān)測總站（http：//www.cnemc.cn/en）、日本宇航局Himawari 系列衛(wèi)星平臺（https：//www.eorc.jaxa.jp/ptree）、美國宇航局戈達(dá)德地球科學(xué)數(shù)據(jù)信息服務(wù)中心（https：//disc.gsfc.nasa.gov）、歐洲中期天氣預(yù)報中心（https：//www.ecmwf.int/en/forecasts/datasets/reanalysis-datasets/era5）、AERONET 氣溶膠監(jiān)測網(wǎng)絡(luò)（https：//aeronet.gsfc.nasa.gov）、SONET 氣溶膠監(jiān)測網(wǎng)絡(luò)（http：//www.sonet.ac.cn）、中國科學(xué)院資源與環(huán)境科學(xué)數(shù)據(jù)中心（http：//www.resdc.cn）、地球觀測系統(tǒng)計劃MODIS VI 系列產(chǎn)品對本研究的數(shù)據(jù)支持（https：//lpdaac.usgs.gov）。