地球靜止衛(wèi)星和網(wǎng)格化站點(diǎn)支持下的PM2.5精細(xì)制圖

范東浩，秦凱，杜娟，何秦，辛世紀(jì)，劉鼎醫(yī)

1.中國礦業(yè)大學(xué)環(huán)境與測繪學(xué)院,徐州221116;

2.中國科學(xué)院空天信息創(chuàng)新研究院,北京100094;

3.江蘇省徐州環(huán)境監(jiān)測中心,徐州221002

1 引言

PM2.5因其粒徑小、面積大、活性強(qiáng)、易附毒害物質(zhì)且能在大氣中停留較長時(shí)間、輸送較遠(yuǎn)距離等特點(diǎn)（Saffari 等，2014），對人體健康和大氣環(huán)境質(zhì)量有很大危害，是中國主要的空氣污染源之一（Cao等，2012）。

基于衛(wèi)星遙感數(shù)據(jù)估算近地面顆粒物的方法有比例因子法或化學(xué)傳輸模式法（Cameron 等，2017）、物理經(jīng)驗(yàn)法（張瑩和李正強(qiáng)，2013）及統(tǒng)計(jì)模型法等（Zhang 等，2021）。統(tǒng)計(jì)模型法又包括Wang 和Christopher（2003）采用的簡單線性回歸方法、經(jīng)研究發(fā)現(xiàn)預(yù)測水平顯著高于簡單線性回歸的多元線性回歸模型方法（Koelemeijer 等，2006；Wu 等，2012；潘錦秀等，2019），地理加權(quán)回歸模型（GWR）（Hu，2009），地理時(shí)空加權(quán)回歸方法（GTWR）（Huang 等，2010），神經(jīng)網(wǎng)絡(luò)方法（Ordieres等，2005；郭建平等，2013；Chen等，2020）等方法。在衛(wèi)星選用上，早期多選用MODIS 傳感器數(shù)據(jù)，目前日本葵花8 號衛(wèi)星（Himawari-8/AHI）及韓國千里眼衛(wèi)星（COMS/GOCI）的衛(wèi)星遙感數(shù)據(jù)正廣泛被應(yīng)用在近地面顆粒物遙感估算（Xu 等，2015；Wang 等，2017；Tang等，2019）。通常衛(wèi)星AOD產(chǎn)品是經(jīng)過衛(wèi)星表觀反射率（TOA）反演而來（Hsu 等，2004；Guo等，2009）?；诖?，可以直接建立TOA 產(chǎn)品和地面站點(diǎn)監(jiān)測的PM2.5濃度的反演模型（Shen 等，2018；Fan等，2021；Yin等，2021）。對于PM2.5選取目前多采用中國環(huán)境監(jiān)測總站CNEMC（China Environmental Monitoring Center）的國控站點(diǎn)數(shù)據(jù)（Zou 等，2017；Wang 等，2018；Tang 等，2019；Bai 等，2019a）。當(dāng)前，許多地方政府完成了網(wǎng)格化空氣質(zhì)量監(jiān)測網(wǎng)絡(luò)建設(shè)，為精細(xì)化監(jiān)管城市空氣質(zhì)量奠定了基礎(chǔ)。本文旨在檢驗(yàn)網(wǎng)格化地面監(jiān)測站點(diǎn)支持下的衛(wèi)星遙感PM2.5精細(xì)化制圖能力，以徐州為例，以網(wǎng)格化地面監(jiān)測站點(diǎn)和Himawari-8/AHI 及COMS/GOCI 衛(wèi)星數(shù)據(jù)為主，輔以氣象、人口、道路網(wǎng)密度等數(shù)據(jù)，開展對比實(shí)驗(yàn)研究。

2 研究區(qū)域和數(shù)據(jù)

2.1 研究區(qū)域概況

本文研究區(qū)域?yàn)榻K省徐州市（33°43′N—34°58′N、116°22′E—118°40′E），是淮海經(jīng)濟(jì)區(qū)中心城市，下轄2 市（新沂市、邳州市）、3 縣（豐縣、沛縣、睢寧縣）、5 區(qū)（云龍區(qū)、鼓樓區(qū)、泉山區(qū)、銅山區(qū)、賈汪區(qū)）。徐州周邊有大型煤炭或煤電基地及大量化工企業(yè)，主要工業(yè)區(qū)位于賈汪區(qū)內(nèi)（樊文智等，2018；張宇靜等，2019）。徐州市市區(qū)（銅山區(qū)、泉山區(qū)、云龍區(qū)和鼓樓區(qū)）是徐州市整體各類大氣污染物濃度較高的區(qū)域。除城市排放因素外，還與徐州市區(qū)四面環(huán)山的盆地效應(yīng)有關(guān)。

2.2 Himawari-8/AHI

日本宇航局JAXA（Japan Aerospace Exploration Agency）于2014-10-07 發(fā)射了新一代靜止衛(wèi)星“葵花8 號”（Himawari-8），并于2015-07 開始業(yè)務(wù)化運(yùn)行。Himawari-8 衛(wèi)星具有良好的時(shí)間分辨率，可以實(shí)現(xiàn)10 min/次的高頻觀測，其上搭載的AHI 傳感器擁有16 個(gè)波段，可見光波段范圍內(nèi)空間分辨率最高可達(dá)0.005°。

本文使用了逐小時(shí)的Himawari-8/AHI L3 級TOA（表觀反射率）數(shù)據(jù)，時(shí)間階段為2019-07—2020-06 期間每天的8：00—15：00（為方便數(shù)據(jù)處理，選取與COMS/GOCI一致的時(shí)間序列），空間分辨率最高為0.005°（Bessho 等，2016），包括藍(lán)光（1 波段，470 nm，0.01°分辨率）、綠光（2 波段，510 nm，0.01°分辨率）、紅光（3 波段，640 nm，0.005°分辨率）及短波紅外波段（6波段，2300 nm，0.02°分辨率）。此外，使用紅光和近紅外波段（4波段，860 nm，0.01°分辨率）計(jì)算了歸一化植被指數(shù)NDVI（Normalized Difference Vegetation Index），還用到了相關(guān)角度數(shù)據(jù)等。

對于表觀反射率的處理，參照Yan 等（2020）中將AHI 傳感器的反照率數(shù)據(jù)轉(zhuǎn)為TOA 數(shù)據(jù)的方法，如式（1）所示：

式中，ρ*為表觀反射率，θ0為太陽天頂角，λalbdeo為反照率。

2.3 COMS/GOCI衛(wèi)星數(shù)據(jù)

韓國的通信海洋氣象衛(wèi)星，或稱千里眼衛(wèi)星COMS（Communication Ocean Meteorological Satellite）于2010年6月發(fā)射，定軌于128.2°E，是一顆靜止軌道多用途衛(wèi)星。COMS 衛(wèi)星主要搭載3 種有效載荷：Ka 頻段通信儀、地球同步海洋水色成像儀GOCI（Geostationary Ocean Color Imager）和氣象成像儀。

本文所用為COMS 衛(wèi)星的GOCI 傳感器數(shù)據(jù)，以（36°N，130°E），為觀測中心，陸地范圍包括朝鮮半島、中國東部和日本，空間分辨率最高可達(dá)0.005°，時(shí)間分辨率為1 h。GOCI 每天可傳輸北京時(shí)間8：00—15：00共8幅圖像（Ryu等，2012）。

本文采用GOCI 的L1B 波段數(shù)據(jù)作為建模數(shù)據(jù)，共使用8 個(gè)光譜通道進(jìn)行氣溶膠反演，前6 個(gè)為可見光波段，而后2 個(gè)為近紅外波段，并參照Choi 等（2016）所給出的如式（2），對L1B 數(shù)據(jù)進(jìn)行預(yù)處理。

式中，λ為上述的8個(gè)光譜波段波長，L(λ)為GOCI的輻射高度，μ0為觀測時(shí)太陽天頂角，E0(λ)為太陽輻射能流。

此外還采用YEAR-V2 版本（Choi 等，2016）的GOCI-AOD 數(shù)據(jù)，其空間分辨率較粗僅為6 km，因此只作為掩膜的判別數(shù)據(jù)，不作為建模的特征參數(shù)。

2.4 PM2.5濃度地面觀測數(shù)據(jù)

徐州于2018年建成了覆蓋全市的空氣質(zhì)量網(wǎng)格化監(jiān)測網(wǎng)絡(luò)，本文使用其中的172個(gè)站點(diǎn)（圖1）的逐小時(shí)觀測數(shù)據(jù)。考慮到逐小時(shí)PM2，5濃度變化較大，可能存在隨機(jī)偏差，參照原環(huán)境保護(hù)部發(fā)布的《灰霾污染日判別標(biāo)準(zhǔn)》，篩選PM2.5濃度在0—500 μg/m3內(nèi)的數(shù)據(jù)以減小站點(diǎn)數(shù)據(jù)漂移帶來的影響。為了與衛(wèi)星遙感數(shù)據(jù)進(jìn)行時(shí)空匹配，以0.005°空間分辨率構(gòu)建網(wǎng)格，同一網(wǎng)格內(nèi)的不同站點(diǎn)求均值。最終，形成了覆蓋徐州市的165 個(gè)網(wǎng)格，所用質(zhì)控合格率為99%，數(shù)據(jù)有效率為91%（數(shù)據(jù)有效率=采用的數(shù)據(jù)數(shù)/實(shí)際上傳的數(shù)據(jù)數(shù)；數(shù)據(jù)質(zhì)控合格率=采用的數(shù)據(jù)數(shù)/應(yīng)上傳的總數(shù)）。此外，本文還使用了7 個(gè)國控站點(diǎn)的逐小時(shí)PM2.5數(shù)據(jù)（http：//106.37.208.233：20035/［2021-07-19］）作為對比，分別是黃河新村、淮塔、新城區(qū)、桃園路、農(nóng)科院、鼓樓區(qū)政府和銅山區(qū)招生辦站點(diǎn)。

圖1 徐州地區(qū)CNMEC國控站點(diǎn)及網(wǎng)格化監(jiān)測站點(diǎn)的空間分布Fig.1 Spatial distribution of CNMEC’s national control stations and grid monitoring stations in Xuzhou

2.5 其他數(shù)據(jù)集

為了獲得大范圍的氣象數(shù)據(jù)，本文使用ECMWF（歐洲中期天氣預(yù)報(bào)中心）的ERA5 氣象數(shù)據(jù)（Fifth Generation Atmospheric Reanalysis）（Hersbach等，2020），其時(shí)間分辨率為逐小時(shí)，空間分辨率為0.25°。本文主要使用了9 個(gè)氣象參數(shù)，即地表氣壓、總降雨量、2 m 露點(diǎn)溫度、2 m 氣溫、10 m經(jīng)向風(fēng)、10 m 緯向風(fēng)、邊界層高度、高植被葉面積指數(shù)和低植被葉面積指數(shù)。

人口數(shù)據(jù)來自于世界人口網(wǎng)站W(wǎng)orldPop（https：//www.worldpop.org［2021-07-19］），其通過人口普查及top-down的估計(jì)方法得到100 m空間分辨率的網(wǎng)格化數(shù)據(jù)（Stevens 等，2015；Lloyd 等，2019），本文選用2019年及2020年年均數(shù)據(jù)。土地利用數(shù)據(jù)來源于清華大學(xué)發(fā)布的FROM-GLC 分類模型（Finer Resolution Observation and Monitoring of Global Land Cover）（Gong 等，2013）。道路網(wǎng)密度數(shù)據(jù)來源于OpenStreetMap 網(wǎng)站（https：//www.openstreetmap.org［2021-07-19］）。

2.6 研究方法

本文使用了兩種集成式機(jī)器學(xué)習(xí)方法，分別為Boosting的極端梯度提升XGBoost和Bagging的隨機(jī)森林，及基于核密度估計(jì)和加權(quán)最小二乘法的一種局部回歸方法—地理時(shí)空加權(quán)回歸（GTWR）算法。

XGBoost 在梯度提升決策樹GBDT（Gradient Boosting Decision Tree）的基礎(chǔ)上改進(jìn)得到，GBDT的核心在于每一次迭代都是向殘差降低的梯度方向繼續(xù)建立新的基礎(chǔ)學(xué)習(xí)器，以此將弱分類器轉(zhuǎn)為強(qiáng)分類器。XGBoost 在GBDT 基礎(chǔ)上對損失函數(shù)進(jìn)行二階泰勒展開，通過正則化處理和并行計(jì)算，來避免過擬合（Chen和Guestrin，2016）。

隨機(jī)森林RF（Random Forest），已廣泛用于解決回歸和分類問題（Bai等，2019b；Wu等，2020），其特點(diǎn)是自展法隨機(jī)采樣（Bootstrap Sampling）。通過不斷采樣得到采樣集，基于每個(gè)采樣集訓(xùn)練出一個(gè)基礎(chǔ)學(xué)習(xí)器，再將這些基礎(chǔ)學(xué)習(xí)器通過結(jié)合形成強(qiáng)學(xué)習(xí)器。

時(shí)空地理加權(quán)回歸GTMR（Geographically and Temporally Weight Regression）（Huang 等，2010）在地理加權(quán)回歸模型（GWR）的基礎(chǔ)上又加入了時(shí)間的影響，可以解決時(shí)空非平穩(wěn)性問題，能有效地解決回歸分析中無法同時(shí)考慮空間和時(shí)間特征的問題，可用于PM2.5濃度預(yù)測中（Li等，2020）。

技術(shù)路線如圖2所示，將衛(wèi)星的TOA 數(shù)據(jù)、氣象數(shù)據(jù)、土地利用類型數(shù)據(jù)與PM2.5站點(diǎn)數(shù)據(jù)等進(jìn)行時(shí)空匹配后（空間匹配選用0.005°×0.005°空間分辨率網(wǎng)格）進(jìn)行數(shù)據(jù)清洗，再劃分訓(xùn)練集和測試集通過XGBoost、RF和GTWR 這3種方法進(jìn)行模型訓(xùn)練，按交叉驗(yàn)證結(jié)果擇優(yōu)選為模型預(yù)測的主要方法，并將估算數(shù)據(jù)通過GOCI-AOD 掩膜得到最終的估算結(jié)果（即將AOD 數(shù)據(jù)缺失地區(qū)的PM2.5數(shù)據(jù)設(shè)零值從而減弱因云霧引起的干擾），并與CHAP和TAP數(shù)據(jù)集進(jìn)行對比分析。

圖2 技術(shù)路線圖Fig.2 Flowchart of the methodology

3 結(jié)果與分析

3.1 模型選取和參數(shù)優(yōu)化

根據(jù)徐州地區(qū)的大致經(jīng)緯度可分為280×480個(gè)空間分辨率為0.005°×0.005°的網(wǎng)格，并將衛(wèi)星遙感數(shù)據(jù)等通過最臨近插值方法填入預(yù)定義網(wǎng)格，經(jīng)過時(shí)空匹配后，最終得到了37萬行樣本數(shù)據(jù)。

由圖3 可知，XGBoost 模型和RF 模型的R2及RMSE 要優(yōu)于GTWR 模型，因?yàn)镚TWR 方法中隨多特征參數(shù)誤差的累積，整體驗(yàn)證結(jié)果會快速變差；XGBoost 模型的R2及RMSE 在測試集和訓(xùn)練集都具有一致性，且離散點(diǎn)分布較為均勻；而RF模型的訓(xùn)練集擬合程度明顯比測試集好，可能存在過擬合情況。因此，選用XGBoost 模型開展后續(xù)研究。

圖3 XGBoost、RF和GTWR 3種方法的測試集及訓(xùn)練集結(jié)果對比Fig.3 Comparison of test set and train set results of XGBoost，RF and GTWR

考慮到各個(gè)參數(shù)在模型中重要程度不同且可能相互影響，選用不同的參數(shù)組合進(jìn)行XGBoost模型優(yōu)化，按照數(shù)據(jù)來源分為11 種組合（表1），其中H8 代表選用葵花8 號（Himawari-8）衛(wèi)星數(shù)據(jù)，GOCI 代表選用GOCI 載荷數(shù)據(jù)，GLC 代表選用FROM-GLC 土地利用數(shù)據(jù)，ERA5 代表選用ERA5氣象數(shù)據(jù)，下同。結(jié)果表明（表1），H8 與ERA5結(jié)合的模型綜合性能最優(yōu)，而不包含GLC 的組合優(yōu)于包含GLC 的組合，如H8+ERA5 組合優(yōu)于H8+ERA5+GOCI 組合，其原因可能是GLC 產(chǎn)品分辨率較粗，無法反映PM2.5精細(xì)化制圖所需要的土地利用類型細(xì)節(jié)變化。

表1 不同特征參數(shù)組合的PM2.5濃度反演結(jié)果比較Table 1 Statistics of PM2.5 retrieval uncertainties based on various combination of input data

進(jìn)一步，選取性能靠前的3 組參數(shù)組合，即H8+ERA5，GOCI+ERA5，H8+GOCI+ERA5，與國控站點(diǎn)開展時(shí)間序列對比分析。考慮到GOCI 載荷僅觀測獲得北京時(shí)間8：00—15：00的表觀反射率數(shù)據(jù)，所以采用該時(shí)段的均值進(jìn)行對比。圖4 中，XGB_HGE 代表使用XGBoost 算法并選用H8+GOCI+ERA5 數(shù)據(jù)，XGB_HE 代表使用XGBoost 算法并選用H8+ERA5 數(shù)據(jù)，XGB_GE 代表使用XGBoost 算法并選用GOCI+ERA5 數(shù)據(jù)，下同。由圖4 可知，H8+GOCI+ERA5 比另外兩者的誤差更小，因此作為最終的制圖參數(shù)組合。

圖4 3種特征參數(shù)組合PM2.5預(yù)測結(jié)果與國控站點(diǎn)對比圖Fig.4 Comparison diagram of PM2.5 prediction results of three characteristic parameters combined with national station measurements

3.2 制圖結(jié)果分析

通過與網(wǎng)格化站點(diǎn)及國控站點(diǎn)進(jìn)行對比，如圖5 和圖6所示，在年均和月均時(shí)間尺度的逐小時(shí)制圖中，本文采用模型的精細(xì)化成圖結(jié)果與站點(diǎn)數(shù)據(jù)基本匹配，能較好地反映出不同時(shí)間不同地區(qū)的PM2.5濃度變化趨勢。

圖5 網(wǎng)格化監(jiān)測站點(diǎn)和國控站點(diǎn)數(shù)據(jù)與本文PM2.5預(yù)測結(jié)果9：00、12：00和15：00等3個(gè)時(shí)次的對比（年均）Fig.5 Spatial distribution comparison between the annual averaged model derived PM2.5 concentrations and those that are measured from national station measurements

圖6 網(wǎng)格化站點(diǎn)與本文PM2.5預(yù)測結(jié)果逐小時(shí)對比（月均）Fig.6 Comparison between the prediction Results of PM2.5and data from National Station Measurements（monthly average）

3.3 與TAP和CHAP數(shù)據(jù)集對比

為了檢驗(yàn)本文研究中采用了網(wǎng)格化站點(diǎn)數(shù)據(jù)后的PM2.5精細(xì)化制圖能力，進(jìn)一步與僅使用國控站點(diǎn)的的清華大學(xué)TAP（Xiao等，2021）和馬里蘭大學(xué)的CHAP 數(shù)據(jù)集（Wei 等，2021）進(jìn)行對比分析。TAP 全稱為Tracking Air Pollution in China，即中國大氣成分近實(shí)時(shí)追蹤數(shù)據(jù)集，該數(shù)據(jù)集融合地面觀測、衛(wèi)星遙感、排放清單和模式模擬等多源數(shù)據(jù)，構(gòu)建多尺度、近實(shí)時(shí)的中國大氣氣溶膠和氣態(tài)污染物濃度數(shù)據(jù)集。目前TAP 數(shù)據(jù)集提供2000年至今的中國PM2.5濃度數(shù)據(jù)，空間分辨率為10 km，可下載數(shù)據(jù)的時(shí)間分辨率為每日（http：//tapdata.org/［2020-07-19］）。CHAP 全稱為China HighAirPollutants，基于多源衛(wèi)星遙感和人工智能技術(shù)，考慮空氣污染的時(shí)空異質(zhì)性，結(jié)合地基測量、遙感產(chǎn)品、大氣再分析和模式模擬等資料生產(chǎn)得到。數(shù)據(jù)集包含PM1、PM2.5、PM10等7 種主要空氣污染物。本文選取由MODIS 衛(wèi)星AOD 數(shù)據(jù)估算的空間分辨率為1 km 的每日PM2.5數(shù)據(jù)產(chǎn)品（備注：CHAP的逐小時(shí)數(shù)據(jù)僅提供2018年全年）。

考慮到年均數(shù)據(jù)無法體現(xiàn)制圖細(xì)節(jié)，逐小時(shí)數(shù)據(jù)可能存在缺失，主要從月均和日均兩個(gè)尺度檢驗(yàn)采用網(wǎng)格化站點(diǎn)數(shù)據(jù)后對于PM2.5精細(xì)化制圖的貢獻(xiàn)。圖7 為月均值尺度下的本文結(jié)果和TAP、CHAP 數(shù)據(jù)集與地面檢測站點(diǎn)的對比。其中XGB_HGE為11種特征參數(shù)組合選出的性能最優(yōu)的XGBoost 模型。因?yàn)門AP 和CHAP 所用月均值數(shù)據(jù)均為每日24 h 的月均，而本文模型所采用的為每日8—15 h 的月均，國控站點(diǎn)數(shù)據(jù)做相應(yīng)兩種月均值對照?？梢钥吹匠糠衷路莸牟糠终军c(diǎn)外，本文所采用模型基本與TAP 及CHAP 數(shù)據(jù)保持一致，在部分月份與地面觀測擬合程度更好。

圖7 不同模型預(yù)測PM2.5結(jié)果與國控站點(diǎn)數(shù)據(jù)對比Fig.7 Comparison of prediction results of PM2.5 by different models with data from national station measurements

如圖8所示，2019-09-09，本文結(jié)果很好地表征了市區(qū)（銅山區(qū)、泉山區(qū)、云龍區(qū)和鼓樓區(qū)）和工業(yè)區(qū)（賈汪區(qū)）的PM2.5污染情況（＞100 μg/m3），與地面觀測一致；TAP數(shù)據(jù)雖然顯示了PM2.5空間分布的東西差異性，但是PM2.5濃度都低于100 μg/m3，無法表征市區(qū)和工業(yè)區(qū)的高值；而CHAP數(shù)據(jù)因?yàn)槭褂肕ODIS 數(shù)據(jù)，每天過境只有兩次，數(shù)據(jù)缺失較多。如圖9所示，2020-03-18，本文結(jié)果與地面觀測一致，而TAP和CHAP數(shù)據(jù)均無法表征市區(qū)和工業(yè)的污染情況。隨機(jī)抽取的兩天數(shù)據(jù)表明，本文結(jié)果空間覆蓋度更好，且更能反映出徐州市區(qū)和周邊區(qū)縣的PM2.5空間分布差異性。

圖8 本研究的單日PM2.5空間分布圖與僅使用國控站點(diǎn)的結(jié)果對比（2019-09-09）Fig.8 Comparison between the Daily Spatial Distribution of PM2.5 Prediction in this Research and the Results Only Using National Station Measurements（2019-09-09）

圖9 本研究的單日PM2.5空間分布圖與僅使用國控站點(diǎn)的結(jié)果對比（2020-03-18）Fig.9 Comparison between the Daily Spatial Distribution of PM2.5Prediction in this Research and the Results Only Using National Station Measurements（2020-03-18）

4 結(jié)論

本文主要使用Himawari-8/AHI 和COMS/GOCI地球靜止衛(wèi)星的表觀反射率和徐州地區(qū)的空氣質(zhì)量網(wǎng)格化監(jiān)測數(shù)據(jù)，通過機(jī)器學(xué)習(xí)和時(shí)空地理加權(quán)回歸方法開展了0.005°分辨率的PM2.5濃度精細(xì)化制圖研究。通過與國控站點(diǎn)和現(xiàn)有數(shù)據(jù)集的對比分析，得出以下結(jié)論：

（1）地球靜止衛(wèi)星遙感數(shù)據(jù)因其具有更高的時(shí)間分辨率，在模型預(yù)測中可以更好地契合逐小時(shí)的城市網(wǎng)格化監(jiān)測站點(diǎn)數(shù)據(jù)，比極軌衛(wèi)星數(shù)據(jù)更適合城市PM2.5精細(xì)化制圖。

（2）基于城市網(wǎng)格化監(jiān)測站點(diǎn)及衛(wèi)星遙感數(shù)據(jù)的估算結(jié)果，在一定程度上可以彌補(bǔ)國控站點(diǎn)稀疏的不足，能夠更好地反映出城市內(nèi)不同區(qū)域的PM2.5濃度分布差異性，可以更好地服務(wù)于城市空氣質(zhì)量精準(zhǔn)管控。

志 謝本研究使用了由日本JAXA 提供的Himawari-8/AHI（https：//www.eorc.jaxa.jp/ptree/）以及韓國KOSC（韓國海洋科學(xué)技術(shù)研究院）提供的COMS/GOCI（http：//kosc.kiost.ac.kr/）衛(wèi)星數(shù)據(jù)。此外，本文研究還獲得美國馬里蘭大學(xué)韋晶博士（https：//weijing-rs.github.io）和韓國延世大學(xué)Kim Jhoon 教授團(tuán)隊(duì)（http：//atrad.yonsei.ac.krl）所提供的相關(guān)數(shù)據(jù)，在此一并表示感謝。