Scientific Journal of Earth Science September 2015, Volume 5, Issue 3, PP.47-54
Aerosol Retrieval Using Remote Sensing Data over Jing-Jin-Ji Area with SARA Algorithm Jingjie Wang1,2, Qi Li 1# 1. Institute of Remote Sensing and GIS, Peking University, Beijing 100871, China 2. 68029 Troops, Gansu 730020, China Corresponding Author Email: qi.lee008@gmail.com
Abstract This paper analyzed the characteristic of aerosol during two air pollution events based on satellite and surface observations in autumn and winter in 2013. The SARA algorithm inversed AOD and Angstrom exponent with resolution of 500 meters, and validated it with AERONET data, The 500 m AOD showed a high consistency with ground-based AOD measurements, with correlation coefficient was 0.937 and 0.866, root mean square error (RMSE) was 0.115 and 0.262 in Beijing_RADI and XiangHe site, respectively. Integrated with Angstrom exponent and HYSPLIT model, the characteristic and source of aerosol had been analyzed effectively than only with AOD. The results proved that SARA AOD have high capability in representing air quality, which would have more effective application in future. Keywords: Jing-Jin-Ji Aera; SARA; AOD; Angstrom Exponent
基于 SARA 算法的京津冀地区气溶胶遥感反演 王晶杰 1,2，李琦 1 1.北京大学遥感与地理信息系统研究所，北京 100871 2.68029 部队，甘肃 730020 摘 要：利用遥感卫星与地面站点数据相结合的方式，对京津冀地区 2013 年秋、冬季节出现的两次污染过程的气溶胶特 性进行研究。实验采用 SARA 算法反演该地区 500 米分辨率的 AOD 及 Angstrom 指数，利用 AERONET 地面监测数据验 证反演精度，在 Beijing_RADI 站，相关系数 R=0.937，RMSE=0.115，在 XiangHe 站，相关系数 R=0.866，RMSE=0.262， 实验结合 AOD、Angstrom 指数分布及 HYSPLIT 后向轨迹对区域气溶胶特性及来源进行了初步分析。结果表明 SARA 反 演精度高，适用于区域污染过程的 AOD 反演，为其在区域空气质量监测方面提供了依据。 关键词：京津冀地区；简化的气溶胶反演算法；气溶胶光学厚度；浑浊度指数
引言 京津冀一体化发展是国家继长江三角洲与珠江三角洲都市圈快速发展之后，推动区域经济发展的另一项 重要举措。京津冀地区由于地形、气候及产业结构等因素，其空气污染表现出较强的一致性。2014 年发布的 《大气污染防治工作简报》中指出，2013 年京津冀地区空气污染属全国最重，京津冀 13 个城市中，7 个城 市排在全国污染最重前 10 位，部分城市空气重度及重度以上污染天数占全年天数 40%左右。京津冀地区污 染物为本地积累及区域输送，加上区域不利于扩散的气象条件[1]，其气溶胶特性表现出显著的区域性及季节 差异[2-3]。所以欲了解京津冀地区气溶胶特性，需从区域整体出发、区分季节进行分析。 大气中的气溶胶是构成空气污染的主要来源，而气溶胶是指悬浮于空气中的液态或固态微粒，粒径尺度 范围为 10-3~10 m m ，自然产生的气溶胶包括沙尘、海盐等，人为产生的有黑碳、硫化物等。因气溶胶对空气 质量[4]、大气能见度、全球气候[5]等皆有重要影响，而且有毒细颗粒物还会通过肺部血管进入血液，增加了 - 47 http://www.j-es.org
致癌的风险[6]，气溶胶的相关研究已经被越来越多的人们所重视。 利用遥感卫星反演气溶胶特性能够弥补地面监测站覆盖范围有限且成本高的不足，目前主要通过反演气 溶胶光学厚度(Aerosol Optical Depth, AOD)、浑浊度指数(Angstrom Exponent)等实现其特性的研究。常用以反 演 AOD 的算法有针对 MODIS 传感器的暗像元法[7]、深蓝算法[8]、结构函数法[9]；针对 MISR 传感器的多角 度反演算法[10]以及 POLDER 传感器的偏振反演算法[11]。Bilal 等新提出了一种适用于复杂地表的简化的气溶 胶反演算法(Simplified Aerosol Retrieval Algorithm, SARA)，并且在香港[12]、北京[13]地区做了验证，反演精度 高，适用于地表反射差异大的地区。美国国家航空航天局(National Aeronautics and Space Administration, NASA) 发布每天近全球范围、分辨率为 10Km 的气溶胶产品，并在最新的 C006 产品数据集中发布分辨率为 3Km 的 气溶胶产品(仅限于 Aqua 星)，两种产品均采用暗像元法与深蓝算法生成[14-15]；李成才等[16]在 MODIS 业务算 法的基础上反演出 1Km 分辨率的 AOD； 本实验采用 SARA 算法生成 500 米分辨率的 AOD 及 Angstrom 指数， 其为目前利用 MODIS 传感器研究气溶胶特性的最高分辨率。分辨率的提高会因像元中含有云的比率减小而 使气溶胶的反演更详尽、精度更高[17]。 研究采用 SARA 算法反演京津冀地区秋、冬两季的 AOD 及 Angstrom 指数，利用气溶胶自动观测网 (Aerosol Robotic Network, AERONET)地面数据验证反演精度，之后结合 HYSPLIT(Hybrid Single Particle Lagrangian Integrated Trajectory Model)模型及 Angstrom 指数分析所反演气溶胶特性及来源。
1 SARA 算法 SARA 算法是由 Bilal 等提出的高精度 AOD 反演算法， 有算法简单且反演速度快等特点。 SARA 反演 AOD 是以：(i)地表为朗伯体，(ii)以单次散射近似，(iii)单次散射反照率(Single Scattering Albedo, SSA)与不对称因 子在反演区域无变化为前提假设。前两条是算法成立的必要依据，而第三条是为确保反演结果在区域范围内 均具有较高精度。因 SARA 在反演时，需以地面站点的单次散射反照率与不对称因子作为参数输入，如若反 演区域的单次散射反照率与不对称因子与基准站差异较大，则反演精度较低，这是 SARA 算法的一大特点， 在反演前应予以考虑。SARA 的基础理论依据是大气辐射传输方程，卫星处接收到的大气表观反射率如公式 (1)所示[9]：
r TOA( λ , θ
S , θV , φ )
= r Aer ( λ , θ S , θ V , φ ) + r Ray ( λ , θ S , θ V , φ ) +
T (θ s )T (θ v ) r s ( λ , θ S , θ V , φ ) 1 − r s (λ , θ S , θ V , φ ) S (λ )
(1)
其中， ρ TOA( λ , θ S , θ V , φ ) 为卫星接收到的表观反射率， r Aer ( λ , θ S , θ V , φ ) 与 ρ Ray ( λ , θ S , θ V , φ ) 分别表示气溶胶反射率 与瑞利程辐射， T (θ s ) 与 T (θ v ) 分别为大气下行与上行透过率，是气溶胶光学厚度 τ a , λ 及瑞利光学厚度 τ R 的函 数，如公式(2)、(3)所示， S ( λ ) 为大气半球反射率， ρ s ( λ , θ S , θ V , φ ) 为地表反射率。 −(τ a , λ + τ R ) T (θ s ) = exp µs −(τ a , λ + τ R ) T (θ v ) = exp µv
(2)
(3)
当反射条件以单次散射近似时，气溶胶的反射率可以表达为公式(4)所示[18]：
r Aer ( λ , θ
S , θV , φ )
=
ω Ρa (θ Ο
τ a, λ
S , θV , φ )
4 µµ s v
(4)
ω o 为气溶胶的单次散射反照率， Ρa (θ s , θ v , φ ) 为气溶胶散射相函数，是不对称因子的函数， µ s 与 µ v 分别 为太阳天顶角( θ S )与观测天顶角( θ V )的余弦。 满足上述假设条件时，由以上公式联立可以得到 SARA 算法[`12]反演 AOD 的解析式，如公式(5)所示：
= τ a, λ
4 µµρ s v T (θ s )T (θ v ) s ( λ , θ S , θ V , φ ) ρρ TOA ( λ , θ S , θ V , φ ) − Ray ( λ , θ S , θ V , φ ) − 1 − ρ s ( λ , θ S , θ V , φ ) S ( λ ) ωORa (θ S , θ V , φ ) - 48 http://www.j-es.org
(5)
因公式(5)两端均含有 τ a , λ ，需通过迭代计算才能得到 AOD 的精确值。暗像元法等进行 AOD 反演时， 需要利用辐射传输模型（如 6S、MORTRAN 等）建立查找表(Look Up Table, LUT)，进而得到 AOD，不同气 溶胶类型或不同地表反射情况都需要建立不同的 LUT，较为繁琐，而 SARA 算法可直接由公式(5)迭代解算 出 τ a , λ 的精确值，反演过程无需建立 LUT，此为 SARA 算法的另一特点。因 SARA 算法中地表反射率 2%的 误差会引起 AOD 反演 5%-8%的差异[11]， 实验中使用 MODIS 的 2 级产品(MOD09GA)确保地表反射率的精度。
2 研究区域及数据准备 京津冀地区位于华北平原中北部，西接太行山山脉，北接燕山山脉，东邻渤海，是中国地区重要的发展 核心区。区域内多工业，人口密集，由此带来的环境问题日益严重，局部气候相同使得其污染具有区域性及 季节性特点，这是 SARA 算法在京津冀地区具有适用性的前提。 京津冀地区秋、冬季节，因其气象条件与区域活动的特点，更易发生污染事件，本次实验围绕 2013 年 秋、冬季节的两次污染事件反演其 AOD 及 Angstrom 指数，实验中既有晴天又有（雾）霾，能较好的代表冬、 秋季节不同污染条件下的气溶胶特性。Bilal 等利用 SARA 算法在香港、北京地区做验证时，所选数据均为无 云（特别是地面 AERONET 站点无云）的数据进行反演，实验中去除 AERONET 地面站点无验证数据及影像 云量大的日期，部分数据含有少量云，在反演过程中予以剔除。京津冀地区常年多发（雾）霾，多数伴有云 雾，降低了反演的精度及有效面积。图 1 为 AERONET 观测网在 Beijing 站点的 2013 年的 AOD 日均值与细 模态气溶胶所占总 AOD 百分比( Fine Mode Fraction, FMF)的折线图，可以看到 AOD 在大部分时间里都处于 较高值(AOD>0.4)，且 FMF 多数情况下大于 0.5，表明细模态气溶胶是区域污染的主要组成。
图 1 2013 年北京地面站点气溶胶日均监测值
实验中反演及验证数据选取 MODIS 传感器的 MOD02HKM、MOD03、MOD04\MYD04、MOD09GA 产 品以及 AERONET 在 Beijing、Beijing_RADI、XiangHe 三个站点的数据，Beijing 站点为 L2.0 级数据， Beijing_RADI、XiangHe 均为 L1.5 级数据。SARA 算法中用 Beijing 站点反演的单次散射反照率及不对称因子 作为输入以保证反演精度，使用 Beijing_RADI、XiangHe 两个站点验证所反演 AOD 的精度。其中， Beijing_RADI 与 XiangHe 站点分别位于城区与乡村，以对比 SARA 在不同下垫面的反演精度。
3 结果及讨论 3.1 AOD 的验证 因地面站点监测数据精度高，通常将 AERONET 地面站点监测数据视为真实值验证 AOD 的反演精度。 - 49 http://www.j-es.org
分析卫星反演的 AOD 与对应的地面监测数据之间的相关系数(R)验证相关性，用均方根误差(RMSE)验证反演 值区别于真实值的大小，RMSE 的计算见公式(6)。R 取值分布于-1 与 1 之间，R 为正且值越接近 1 时，表明 两变量间的相关性越好，反之则表明不相关或呈负相关；RMSE 取值分布于 0 与 1 之间，值越小表明两变量 间差异越小，反之差异越大。 = RMSE
1 n ∑ ( AOD( SARA)i − AOD( Aeronet )i )2 n i =1
(6)
实验结果与 AERONET 站点处 AOD 均依据 Angstrom[19]公式转换为 550nm 波段处的对应值进行验证。 为 最大程度弱化反演过程中不确定因素对反演结果的影响，SARA 反演结果在 Beijing_RADI、XiangHe 站点处 取值分别是以站点坐标为中心的 9 个像元的平均值，两者的相关性分析如图 2 所示。
图 2 SARA 反演的 AOD 与 AERONET 站点值相关性分析(550nm 波段处)
从图 2 散点分布可以看出实验中，AOD 变化幅度较大，其所对应的天空包括晴空与（雾）霾过程，反映 了实验期间复杂的大气条件。由图 2 分析可知，SARA 反演得到的 AOD 与 Beijing_RADI 站点监测值相关性 高，其 R=0.937，RMSE=0.115，而 XiangHe 站点处 R=0.866，RMSE=0.262，两者均呈显著线性相关，且 Beijing_RADI 处相关性高于 XiangHe。分析其原因，主要由于两个站点分别位于城区与乡村，气溶胶模式有 区别。城市地区人为排放的气溶胶比重大，主要为细颗粒气溶胶，而乡村除区域输送外，主要为自然产生气 溶胶，一般为粗颗粒气溶胶，两者的差异导致了气溶胶的单次散射反照率与不对称因子皆有区别。所以，用 Beijing 站点监测值作为输入参数时，城市地区的反演精度更高。同时，AOD 的增加会使得单次散射反照率 增加[20]，本实验围绕污染过程进行分析，如若城区与乡村的污染情况差异较大，两者的单次散射反照率及不 对称因子也有较大区别，进而导致城市与乡村反演精度的差异。以上这两方面是所反演 AOD 的精度在 XiangHe 站点低于 Beijing_RADI 站点的主要原因。 图 3 为 2013 年 10 月 7 日不同分辨率的 AOD 对比，a)为 MOD04_L2 气溶胶产品(Terra)，b)为 MYD04_3K 气溶胶产品(Aqua)，分辨率分别为 10Km、3Km，c)为 SARA 反演的 AOD，分辨率为 500m。通过对比可以看 出，SARA 反演的 AOD 具有更详尽的气溶胶空间分布，整体上与 MYD04_3K 产品的一致性更高；对比 a) 与 b)，发现两者反演结果在右下角区域差异非常大，而 b)与 c)在该区域的气溶胶空间分布及反演结果非常接 近。除算法的区别外，3 种 AOD 的区别应主要由于分辨率不同所引起。分辨率越低，单个像元中的成分及下 垫面类型越复杂，成分中含有云的比例增大降低了反演区域的有效面积，复杂的下垫面对像元反射率的估算 有直接影响，从而使得反演精度较低。 - 50 http://www.j-es.org
图 3 a)为 MOD04_L2 产品，10Km 分辨率，b)为 MYD04_3K 产品，3Km 分辨率，c)为 SARA 反演的 AOD，500m 分 辨率。(均为 2013 年 10 月 7 日反演结果)
3.2 区域气溶胶特性分析
图 4 京津冀及周边地区 Angstrom 指数分布(2013 年 10 月 7 日) - 51 http://www.j-es.org
利用 SARA 算法得到区域 500 米分辨率 AOD 的同时，可根据 MODIS 在 470nm 与 675nm 波段的 AOD 分布得到所对应的 Angstrom 指数分布，图 4 为 2013 年 10 月 7 日 Angstrom 指数分布。在满足容格(Junge)分 布的粗细粒子混合态条件时（如图 5(a)所示） ，Angstrom 指数与粒径近似呈反比关系，即 Angstrom 指数越大， 气溶胶粒径越小。图 4 中，Angstrom 指数的高值区均为山地、丘陵地带，且 AOD 非常小，表明此区域在反 演当天为干洁的大气，空气质量好；而在河北南部出现了较大 AOD、较小 Angstrom 指数值，表明此区域的 污染物主要为高浓度的粗粒径气溶胶颗粒。由 HYSPLIT 模型生成的 2013 年 10 月 7 日区域颗粒物后向轨迹 （图 5(b)）分析可知，河北南部污染为本地排放与区域可能输送的沙尘；结合气象观测结果，该区域部分城 市在卫星过境时为雾霾天气，或因本试验中云检测方法不够完善，部分粗粒径或为雾态液滴。
(b) 区域颗粒物后向轨迹
(a)气溶胶粒径分布
图 5 气溶胶特性分析(2013 年 10 月 7 日)
利用 SARA 算法反演 AOD 时，单次散射反照率 5%与不对称因子 2%的误差会分别带来反演结果-2%-2% 与-2%-4%的差异[12]，对比 Beijing 与 XiangHe 站点在 2013 年秋、冬季节的单次散射反照率反演值（图略）， 发现冬季单次散射反照率明显低于秋季，城区低于乡村。两者关系表明冬季吸收性粒子多于秋季，主要由于 人为排放的气溶胶多为硫化物、黑碳、氮氧化物等强吸收性粒子，而秋季来自北方沙尘较多，其主要表现为 散射性。
4 总结 文章采用 SARA 算法对京津冀地区秋、冬季节两次污染过程的 AOD 及 Angstrom 指数进行了反演，利用 地面监测数据进行验证，得出其与地面监测数据相关性高，结合 HYSPLIT 模型对颗粒物来源进行分析，综 合以上及卫星过境时的气象条件完成对区域气溶胶特性的分析。总结本实验可以得出以下几点： (1)SARA 算法在干洁及污染天空条件下的 AOD 反演精度均较高。说明该算法对不同污染浓度条件的适 用性较好，这一点与 Bilal 等[12-13]在北京地区的验证结论一致，本文更加细化了 SARA 算法中的城乡差异。 (2)SARA 对区域尺度的 AOD 反演适用性好。京津冀及周边地区下垫面情况复杂，SARA 算法依然可以 快速得到反演结果，且对比 MODIS 产品反演结果较好。 (3)云剔除算法需针对区域气溶胶特性予以改进。京津冀地区气溶胶特性复杂，与南方或其他国家、地区 有区别，针对雾霾天气的云雾剔除算法精度有限，应结合研究区域特点选择合适的云剔除算法或对算法做改 进。 (4)京津冀地区气溶胶特性较复杂，文中通过 AOD、Angstrom 指数并结合 HYSPLIT 模型的后向轨迹分析 - 52 http://www.j-es.org
其气溶胶特性及来源，为污染防治提供一定依据。 气象因素对气溶胶的分布及浓度有重要影响，将在以后的工作中予以量化分析。
致谢 文章中用到了 AERONET 站点及 MODIS 传感器的数据，感谢 AERONET 站点人员对数据的维护与共享， 感谢 NASA 提供的数据。
REFERENCES [1]
YS Wang, L Yao, LL Wang, et al. Mechanism for the formation of the January 2013 heavy haze pollution episode over central and eastern China[J]. Science China Earth Sciences, 2014, 57(1): 14-25
[2]
CC Li,JT Mao, QH Liu,et al. Distribution of Aerosol Optical Depth and Seasonal Characteristics over East of China using MODIS datas[J]. Science Bulletin, 2003(19): 2094-2100
[3]
H Chen, XF Gu, TH Cheng,et al,Characteristics of aerosol types over China[J].Journal of Remote Sensing, 2013,17(6): 1559-1571
[4]
H AKIMOTO. Global Air Quality and Pollution[J]. Science, 2003(302): 1716-1719
[5]
V RAMANATHAN, PJ CRUTZEN, JT KIEHL, et al.Aerosols, Climate, and the Hydrological Cycle[J]. Science, 2001(294): 2119-2124
[6]
J.LAYSHOCK, S.M.SIMONICH, K.A.ANDERSON. Effect of dibenzopyrene measurement on assessing air quality in Beijing air and possible implications for human health[J]. Journal of Environmental Monitoring, 2012(12): 2290-2298
[7]
YJ KAUFMAN, D TANRE, HR GORDON, et al.Passive Remote Sensing of Tropospheric Aerosol and Atmosphericcorrection for the Aerosol Effect[J].Journal of Geophysical Research, 1997, 102(D14): 16815-16830
[8]
NC HSU, SC TSAY, MD KING.Aerosol Properties Over Bright-reflecting Source Regions[J]. Ieee Transactions on Geoscience and Remote Sensing, 2004, 42(3): 557-569
[9]
D TANRE, PY DESCHAMPS, C DEVAUX, et al.Estimation of Sahran Aerosol Optical Depth From Blurring Effects in Thematic Mapper Data[J]. Journal of Geophysical Research, 1988, 93(D12): 15955-15964
[10] DJ DINER, JV MARTONCHIK, RA KAHN, et al.Using Angular and Spectral Shape Similarity Constraints to Improve Misr Aerosol and Surface Retrievals Over Land[J]. Remote Sensing of Environment, 2005(94): 155-171 [11] JL DEUZE, FM BREON, C DEVAUX, et al.Remote Sensing of Aerosols Over Land Surfaces From Polder-adeos–1 Polarized Measurements[J]. Journal of Geophysical Research, 2001, 106(D5): 4913-4926 [12] M BILAL, JE NICHOL, MP BLEIWEISS, et al.A Simplified High Resolution Modis Aerosol Retrieval Algorithm (sara) for Use Over Mixed Surfaces[J]. Remote Sensing of Environment, 2013(136): 135-145 [13] M BILAL, JE NICHOL, PW CHAN.Validation and accuracy assessment of a Simplified Aerosol Retrieval Algorithm (SARA) over Beijing under low and high aerosol loadings and dust storms[J]. Remote Sensing of Environment, 2014(153): 50-60 [14] S Mattoo, LA Munchak, RC LEVY, et al. The Collection 6 MODIS aerosol products over land and ocean[J]. Atmospheric Measurement Techniques, 2013(6): 2989-3034 [15] LA MUNCHAK, RC LEVY, S MATTOO, et al.Modis 3 Km Aerosol Product: Applications Over Land in an Urban/suburban Region[J]. Atmos.meas.tech., 2013(6): 1747-1759 [16] CC Li, JT Mao, QH Liu. Remote Sensing of High Spatial Resolution Aerosol Optical Depth with MODIS Data over Hong Kong [J]. Chinese Journal of Atmospheric Sciences, 2005(3): 335-342 [17] P Chylek, BG HENDERSON. The Effect of Spatial Resolution on Satellite AOD retrieval[J]. IEEE TRANSACTIONS ON GEOSCIENCE AND REMOTE SENSING, 2005, 43(9): 1984-1990 [18] D Tanre, LA Remer, YJ KAUFMAN, et al. Operational Remote Sensing of Tropospheric Aerosol Over Land From Eos Moderate Resolution Imaging Spectroradiometer[J]. Journal of Geophysical Research, 1997, 102(D14): 17051-17067 [19] A ÅNGSTRöM. The parameters of atmospheric turbidity[J]. Tellus, 1964, 16(1): 64-75 [20] JY XIN, Q ZHANG, LL WANG, et al. The Empirical Relationship Between the Pm2.5 Concentration and Aerosol Optical Depth Over the Background of North China From 2009 to 2011[J]. Atmospheric Research, 2014(138): 179-188 - 53 http://www.j-es.org
【作者简介】 1
王晶杰（1986-） ，男，回族，在读硕
士研究生，助理工程师，研究方向为
2
李琦（1955-） ，女，汉族，教授，博士生导师，研究方向为
数字地球与智慧城市。Email: qi.lee008@gmail.com
大气遥感。Email: nfois@163.com
- 54 http://www.j-es.org