下载文档原格式
气溶胶光学厚度遥感反演方法研究气溶胶光学厚度是指大气中可见光波段的气溶胶对光的吸收和散射能力，是研究大气污染和气候变化的重要参数之一。
随着遥感技术的发展，气溶胶光学厚度的遥感反演方法也越来越多样化。
本文将围绕气溶胶光学厚度的遥感反演方法展开探讨，并介绍其中几种常用的方法。
首先，我们来介绍一种基于太阳辐射的反演方法，即通过观测太阳辐射在大气中的衰减程度来推导气溶胶光学厚度。
该方法的基本原理是：利用太阳辐射的特定波段观测数据，与大气传输模型进行比对，通过比较模型计算的大气透过率和实际观测得到的透过率之间的差异，推导出气溶胶光学厚度。
这种方法的优点是简单且操作直观，但是需要准确的大气传输模型和太阳辐射观测数据。
另一种常用的反演方法是利用遥感数据中的多光谱信息进行反演。
这种方法利用多光谱数据中不同波长的光谱信息和气溶胶光学特性之间的关系，从而反演出气溶胶光学厚度。
常用的多光谱遥感数据包括MODIS卫星的数据和Landsat卫星的数据。
这种方法的优点是获取的数据较全面和准确，但是对大气参数和气溶胶光学特性的准确性要求较高。
此外，还有一些基于亮温数据的反演方法。
亮温是指地物在遥感图像中反射和辐射出的热能，不同的地物有不同的亮温值。
利用亮温数据可以推导出地表和大气的温度分布，从而推导出气溶胶光学厚度。
这种方法适用于全球遥感数据，但是对地表和大气温度的准确性有一定要求。
在不断深入研究中，一些新的反演方法也得到了发展。
例如，基于人工神经网络的反演方法。
通过训练神经网络，能够从遥感数据中学习到气溶胶光学厚度和其他大气参数之间的复杂非线性关系，从而实现准确的反演。
这种方法的优点是能够适应复杂的遥感数据，减少传统方法中的模型假设和参数要求，提高了反演的准确性。
综上所述，气溶胶光学厚度的遥感反演方法多样化且不断发展。
通过太阳辐射观测、多光谱数据分析、亮温数据推算和人工神经网络等方法，可以准确地反演出气溶胶光学厚度。
未来随着遥感技术的不断进步，反演方法将更加精细化和高效化，为大气污染和气候变化研究提供更加可靠的数据支持。
中国环境科学 2020,40(10)：4190~4204 China Environmental Science 中国地区MODIS气溶胶光学厚度产品综合验证及分析李忠宾1,2,王楠3,张自力4,王甜甜5,陶金花2,王萍1,马双良3,徐奔奔2,范萌2*(1.山东科技大学测绘科学与工程学院,山东青岛 266590；2.中国科学院空天信息创新研究院,遥感科学国家重点实验室,北京 100101；3.河南省生态环境监测中心,河南郑州 450046；4.浙江省生态环境监测中心,浙江杭州 310012；5.江苏省环境监测中心,江苏南京 210019)摘要：讨论了2000年02月~2019年08月不同分辨率、算法中等分辨率成像光谱仪(MODIS)气溶胶光学厚度(AOD)产品在不同季节、区域、下垫面条件下中国区域的精度和适用性,在像元尺度上对比了重采样降低分辨率后的多角度大气校正(MAIAC)AOD数据与其他产品的精度.研究表明:在同等验证条件下,相较于暗目标算法(DT)、深蓝算法(DB)和暗目标与深蓝结合算法(DTB),1km MAIAC AOD产品在中国地区与AERONET站点AOD观测数据整体一致性最高,R2达到0.891,均方根误差(RMSE)仅为0.126,超过75%的验证样本落在期望误差线(EE)范围内;同时,该产品受季节、区域和下垫面变化影响也最小,其中秋季R2达到0.917,RMSE为0.111,样本落在EE内的比例达到80.11%.3km DT算法AOD产品在植被覆盖率较大的森林和农田区域优于1km MAIAC AOD产品,在植被覆盖率较小的草地和城市区域则差于1km MAIAC AOD产品,且该产品在不同季节均存在AOD高估问题,其中,夏季高估程度最高(平均相对误差(RMB)=1.622,AOD值高估62.2%).DB在长三角和珠三角地区存在AOD被低估的现象.DTB算法兼顾了DT算法和DB算法的优缺点,DTB算法AOD产品的相关性一般高于DB算法 AOD产品,样本被高估程度一般低于DT算法 AOD产品.通过重采样方法降低1km MAIAC AOD 产品分辨率后,相同尺度下的MAIAC AOD数据精度优于DT算法、DB算法和DTB算法AOD产品,因此,MAIAC算法更适用于小尺度城市群集中区域的大气环境监测.关键词：气溶胶光学厚度；多角度大气校正；中等分辨率成像光谱仪；全球气溶胶自动观测网；中国中图分类号：X513 文献标识码：A 文章编号：1000-6923(2020)10-4190-15Validation and analyzation of MODIS aerosol optical depth products over China. LI Zhong-bin1,2, W AN G N an3, ZHAN G Zi-li4, W AN G Tian-tain5, TAO Jin-hua2, W AN G Ping1, MA Shuang-liang3, XU Ben-ben2, FAN Meng2* (1.College of Geomatics, Shandong University of Science and Technology, Qingdao 266590, China；2.State Key Laboratory of Remote Sensing Science, Aerospace Information Research Institute, China Academy of Sciences, Beijing 100101, China；3.Henan Province Ecological Environment Monitoring Centre, Zhengzhou 450046, China；4.Zhejiang Province Ecological Environment Monitoring Centre, Hangzhou 310012, China；5.Jiangsu Province Environmental Monitoring Center, Nanjing 210019, China). China Environmental Science, 2020,40(10)：4190~4204Abstract：A new multi-angle atmospheric correction (MAIAC) algorithm was applied for the Moderate-resolution Imaging Spectroradiometer (MODIS) to provide global aerosol optical thickness (AOD) product with 1km resolution. The dark target (DT), the dark blue (DB) and the combined DT and DB (DTB) algorithms have also been optimized and updated. In this paper, the accuracy and applicability of 5MODIS AOD products with different resolutions over China were verified and analyzed in terms of season, region and landcover type. Moreover, the resampled MAIAC AOD data was compared with other AOD products on the pixel scales. Our results showed that compared with DT, DB and DTB AOD products, 1km MAIAC AOD product had a best agreement with the ground-based AERON ET measurements with overall R2 of 0.891, Root Mean Squared Error (RMSE) of0.126 and = Expected Error (EE) larger than 75%, and its accuracy was least impacted by season, region and landcover type. Especially, the R2 of 1km MAIAC AOD reached to 0.917 and the RMSE was only 0.111, and there was 80.11% of 1 km MAIAC AOD falling in the expected error envelops. The reliability of 3km DT AOD was higher than that of 1km MAIAC AOD over the regions larger fraction of vegetation cover (e.g. forest and cropland), while it was lower than that of 1km MAIAC AOD for grassland and urban regions with smaller fraction of vegetation cover. 3km DT AOD was always overestimated, especially, the most overestimation of 3km DT AOD by 62.2% (RMB=1.622) was in the summer. Although the DB algorithm was more applicable for the regions with bright surface (e.g. urban regions), the DB AOD product showed a significant underestimation over Yangtze River Delta (YRD) and Pearl River Delta (PRD) regions. The DTB AOD product combined the advantages of DT and DB AOD products. The correlation between the DTB AOD and the AERON ET was always higher than that between the DB AOD and the AERON ET AOD, and the overestimation of DTB AOD retrievals was lower than that of DT ones. With the same resolutions, the accuracy of the MAIAC AOD收稿日期：2020-03-09基金项目：国家重点研发计划(2017YFB0503901);国家自然科学基金重点项目(41830109);国家自然科学基金面上项目(41871254)* 责任作者, 助理研究员,*****************.cn10期李忠宾等：中国地区MODIS气溶胶光学厚度产品综合验证及分析 4191was better than DT, DB and DTB AOD products. Therefore, the MAIAC algorithm was more suitable to the air monitoring of urbanagglomerations.Key words：aerosol optical thickness；multi-angle implementation of atmospheric correction；moderate resolution imaging spectroradiometer；aerosol robotic network；China气溶胶光学厚度(AOD)可以通过卫星传感器观测数据反演获取[1-3].目前,应用较为广泛的气溶胶探测传感器是中等分辨率成像光谱仪(MODIS), MODIS 是Terra和Aqua卫星上搭载的主要传感器之一,两颗星相互配合每1~2d可重复观测整个地球表面,得到36个波段(分辨率:250m(bands 1~2); 500m(bands 3~7); 1000m(bands 8~36))的观测数据.但由于气溶胶来源组成复杂多变,浓度、物理、化学和光学特性具有时空差异性,对于中国地区MODIS气溶胶产品的适用性仍需要与地面卫星基站进行对比验证.目前,气溶胶光学厚度反演结果可以从AERONET[4](美国NASA全球气溶胶观测网)、CARSENET(中国气溶胶地基遥感观测网)等地面观测站获取,利用站点获取的AOD结果可以用于验证MODIS AOD产品的准确性和适用性.车慧正[5]通过与AERONET、CARSNET站点数据对比分析了DT 算法C6.0、C6.1版本AOD产品在中国地区的适用性;张朝阳[6]利用AERONET站点数据验证了MAIAC算法在中国地区反演AOD的准确性,并得出了MAIAC AOD产品秋季反演精度高、算法反演精度受水体影响大的结论.但是,已有的验证方法均是分别获取不同分辨率产品与AERINET的精度验证结果,然后直接对比不同分辨产品精度.本文在已有研究基础上,利用Terra(2000年2月~2019年8月)和Aqua(2002年6月~2019年8月)卫星MODIS C6.0多角度大气校正(MAIAC)算法和C6.1暗目标算法(DT)、深蓝算法(DB)、暗目标与深蓝算法结合(DTB)4种不同算法的AOD产品与中国区域AERONET站点数据进行精度验证,讨论了不同季节、区域、下垫面条件下4种产品在中国的准确性.并提出新的产品精度验证思路,通过重采样降低1km MAIAC AOD数据分辨率,在像元尺度上对比了重采样后的MAIAC AOD数据与其他产品的精度.1研究方法1.1卫星地基数据1.1.1 MODIS数据 DT算法是Kaufman等在利用大量数据的基础上提出的AOD反演算法,该算法是建立在浓密植被像元、暗目标红、蓝波段反射率较低,并与红外波段反射率之间存在相关关系的理论基础上,将中红外通道表观反射率近似看作此通道的地表反射率,进而得到红蓝波段的地表反射率,根据选择的气溶胶模型的查找表反演AOD.基于DT算法的AOD产品分为C6.0 3km (MxDO4_3K)和C6.1 10km分辨率(MxDO4_L2),其中,x为O代表Terra卫星产品,x为Y代表Aqua卫星产品[7].DB算法是假设蓝波段在亮目标地区地表反射率远低于其他波段地表反射率,根据历史的地表反射率产品建立蓝波段地表反射率库,进而反演亮目标地区AOD,如城市、沙漠地区等[8].基于DT算法的AOD产品为C6.1 10km分辨率(MxDO4_L2)产品.DTB算法结合了DT与DB算法的优点,根据归一化植被指数(NDVI)进行反演AOD:NDVI<0.2时,采用DB算法反演AOD;NDVI>0.3时,采用DT算法反演AOD; 0.2<N DVI<0.3时,采用两种算法反演结果的平均值.基于DTB算法的AOD产品为C6.1 10km分辨率(MxDO4_L2)产品.MAIAC是一种新的气溶胶反演算法[9],该算法假设空间是均匀稳定的,在考虑双向表面反射率影响的基础上,利用时间序列数据动态解耦气溶胶和陆地反射贡献求算AOD[10-11].本文所使用的Aqua 和Terra卫星的1km分辨率MAIAC AOD产品为MCD19A2.土地类型数据采用500m分辨率的MODIS MCD12Q1数据,该数据是根据每年Aqua和Terra卫星数据采取监督分类决策树方法提取不同的土地覆盖特征形成的数据分类产品,共分为17种土地覆盖类型.本文根据不同土地覆盖类型对气溶胶反演算法的影响程度,选择了5种土地覆盖类型下垫面,分别为:森林、草地、农田、城市和水体,对比分析了不同算法在不同下垫面的数据精确性.1.1.2 AERON ET站点数据 全球气溶胶观测网4192 中国环境科学 40卷AERONET[12]是美国宇航局NASA建立的全球气溶胶光学特性监测网络.通过在全世界代表区域设立气溶胶卫星观测站点,获取全球气溶胶参数的基准数据,用于研究气溶胶在全世界范围内的光学分布特征及物理化学特性.AERONET气溶胶观测网采用法国CIMEL CE318太阳光度计,通过测量不同波段、不同方向、不同时间的辐射亮度,获取大气整层的AOD.气溶胶产品的等级分为Level 1.0、Level 1.5、Level 2.0.2000~2019年,中国区域共58个AERONET站点开展连续或阶段性观测.本文采用中国区域的气溶胶站点56个,其中部分站点例如宁波站缺少甚至没有Level 2.0级数据,便采用Level 1.5级数据代替[6,13-14].站点位置、下垫面地表类型、所属区域如图1所示.图1 AERON ET中国地区地面监测站点分布Fig.1 Map of the AERONET sites in China通过相邻两个波段500nm和675nm的Ångström指数内插获取550nm Ångström指数,进而求得550nm的AOD[15-16]. 其相应的计算公式如公式(1)、式(2)所示.()()500675500675ln/ln500/675ττα−=− (1)()500675550675500/675αττ−−= (2) 式中:500τ和675τ分别为波长500nm和675nm的AOD值,500~675α为500~675nm的Ångström指数,550τ为内插所得550nm的AOD值.1.2验证方法1.2.1时空匹配窗口 本文通过AERONET站点数据与卫星数据直接匹配,筛选出与AERONET站点时间和空间一致的卫星数据,用以评估卫星数据的准确性和适用性.在气溶胶信息是均匀的假设下,由于AERONET站点数据与卫星数据时间不一致,且卫星数据中与AERONET站点经纬度相同的像元数量少,因此,设立一个时间窗口对站点数据进行筛选,求取AERONET站点平均值;以AERONET站点经纬度作为空间窗口中心像元,计算该窗口下卫星数据的平均值[17].用于筛选AERONET数据的时间窗口包括: 瞬时窗口是±30min[18-19]、±60min[20].根据卫星过境及数据获取时间,本文选择的时间窗口为±30min,±60min的时间窗口时间间隔过大,会增添数据不确定性.10km DT、DB、DTB产品常用的空间窗口为50km×50km,MAIAC产品适合的空间窗口是25km×25km,为了对比不同分辨率AOD产品的准确性,选择统一的空间窗口是30km×30km.表1中国地区AERONET地面站点信息统计Table 1 Detailed information about the AERONET sites in china类型编号站点名称经度(°E) 纬度(°N) 观测时间数据版本1 Asia1 87.65 43.783 2007-08 level2.02 Jingtai 104.1 37.3332008-02~2008-05 level2.03 Lanzhou_City 103.853 36.048 2009-10~2009-12 level2.04 Litang 100.262 29.976 2011-10 level2.05 Mt_WLG 100.896 36.2832009-09~2013-07 Level1.5 6N AM_CO 90.962 30.7732006-09~2018-03 level2.07 QOMS_CAS 86.948 28.365 2009-10~2018-09 level2.08 SACOL 104.137 35.9462006-07~2013-05 level2.0草地9 Muztagh_Ata 75.039 38.408 2011-06~2011-10 level2.010 Yufa_PEK 116.184 39.3092006-08~2006-09 level2.011 SON ET_Xingtai 114.36 37.182 2016-05~2016-05 Level1.5农田12 Zhangye 100.276 39.0792008-04~2008-06 level2.010期李忠宾等：中国地区MODIS气溶胶光学厚度产品综合验证及分析 4193续表1 类型编号站点名称经度(°E) 纬度(°N) 观测时间数据版本13 XiangHe 116.962 39.7542001-03~2019-09 level2.014 Shouxian 116.782 32.5582008-05~2008-12 level2.015N UIST 118.717 32.2062008-03~2010-04 level2.016 PKU_PEK 116.184 39.5932006-08~2008-08 level2.017 Hefei 117.162 31.9052005-01~2008-11 level2.018 Kashi 75.93 39.5042019-03~2019-04 level2.019 Minqin 102.959 38.6072010-05~2010-06 level2.0 农田20 Liangning 122.701 41.5122005-04~2005-06 level2.021 Beijing 116.381 39.9772001-03~2019-03 level2.022 Beijing-CAMS 116.317 39.933 2012-08~2019-08 level2.023 Beijing_PKU 116.31 39.992 2016-07~2019-08 Level1.524 Beijing_RADI 116.379 40.005 2010-01~2019-08 level2.025 AOE_Baotou 109.629 40.852 2014-09~2019-08 level2.026 Hangzhou_City 120.157 30.29 2008-04~2009-02 level2.027N ingbo 121.547 29.862007-08~2008-08 Level1.528 Zhongshan_Univ 113.39 23.06 2011-11~2012-03 level2.029 Shanghi_Minhang 121.397 31.13 2008-03~2009-02 Level1.530 Shijiazhuang-CHEY 114.55 38 2013-12~2014-01 Level1.531 Shijiazhuang-SZF 114.458 38.017 2013-12~2014-01 Level1.532 SON ET_Harbin 126.614 45.705 2016-05~2016-06 Level1.533 SON ET_N anjing 118.957 32.115 2016-05 Level1.534 SON ET_Shanghai 121.481 31.284 2016-05 Level1.535 XuZhou-CUMT 117.142 34.217 2013-06~2019-04 Level1.536 Hong_Kong_Sheung 114.117 22.483 2012-03~2019-05 level2.037 Yulin 109.717 38.2832001-05~2002-10 level2.038 SON ET_Zhoushan 122.188 29.994 2016-05 Level1.5 城市39 Hong_Kong_PolyU 114.18 22.303 2005-11~2017-03 level2.040 Huang_Shan 118.15 30.13 2006-11 level2.041 Qiandaohu 119.053 29.5562007-08~2008-10 level2.042 Xinglong 117.578 40.3962006-02~2014-11 level2.043 Hangzhou-ZFU 119.727 30.257 2007-08~2007-11 level2.0森林44 Lingshan_Mountain 115.496 40.054 2014-05 level2.045 Hong_Kong_Hok_Tsui 114.258 22.21 2006-02~2010-07 level2.046 Taihu 120.215 31.4212005-09~2016-07 level2.0 水体47 SON ET_Hefei 117.162 31.905 2016-05~2016-06 Level1.51.2.2 AERONET站点土地覆盖类型 通过500m 分辨率的MODIS MCD12Q1数据划分AERONET 站点位置所属土地类型,56个站点中选择47个所属土地类型分别为森林、草地、农田、城市、水体的站点,作为不同土地覆盖类型下精度验证的试验对象.该47个站点名称均为公知公用,站点具体信息如表1所示,土地覆盖类型为其它的9个站点信息不在表中罗列.1.2.3统计方法 AERONET站点数据与卫星数据匹配完成后,期望误差(EE)用于评估卫星反演结果的质量,针对DT、DB、DTB算法,EE的计算公式为±(0.05+0.15AOD)[21],适用于MAIAC算法的EE 为±(0.05+0.15AOD)和±(0.05+0.2AOD)[22].为统一计算,本文选取的EE为±(0.05+0.15AOD).相关系数用于评价卫星反演结果与AERONET站点数据的离散性,均方根误差(RMSE)用于验证卫星反演结果与AERONET站点数据差异性,平均相对误差(RMB)用于计算卫星AOD反演值与AERONET站点值之间的数值差距.2结果与分析2.1总体验证分析图2显示,5种卫星AOD结果与AERONET 站点数据具有良好的相关性.MAIAC算法R2最高为0.891,RMSE仅为0.126,且该算法符合EE的数据占76.28%.RMB为1.084,比AERONET AOD值4194 中 国 环 境 科 学 40卷高估8.4%. 3km DT 和10km DT 、DB 、DTB 产品在EE 区间内的占比分别为48.81%、50.16%、58.94%和57.20%,普遍低于MAIAC 反演结果,其中,3km 和10km DT 算法均存在AOD 高估的现象,AOD 值高估53.4%、49.6%(RMB 为分别1.534、1.496),3km 、10km DT 算法AOD 产品被高估的数据所占比为48.42%、46.35%,这主要与地表反射率被高估有关.10km 尺度的3个算法中,DTB 算法相比于DT 和DB 算法系统误差更小,反演精度更高,DTB AOD 产品RMSE 为0.177因此,在总体精度方面,MAIAC AOD 产品在中国地区具有更高的精度和适用性.0.10.20.30.40.50.60.70.80.91R²RMSE Within EE RMB验证结果R 2图2 MODIS AOD 产品与中国地区AERONET 站点数据的验证结果 Fig.2 Validation results of MODIS AOD products and AERONET site data in Chinaa:10km DT; b:10km DB; c:10km DTB; d:3km DT; e:1km MAIAC; f:验证结果2.2 不同下垫面类型验证不同土地下垫面类型对辐射的吸收和反射影响均不同,地表反射率值直接影响了AOD 的值.如图3所示,农田的5种MODIS AOD 产品精度均较图2中总体精度普遍提高.其中,1km MAIAC 算法满足EE 数据占比为79.23%,较总体精度提高了3%,该算法也是5种AOD 产品中符合EE 数据占比最高的算法.针对DT 算法, 10km 的AOD 产品在期望误差线内的数据占比接近70%,大于EE 的数据占比为28.91%,并未出现在图2中的明显高估现象(AOD 值高估46.35%).而10km DB AOD 产品则由于受到农田中植被强吸收的影响,地表反射率被高估,导致其小于EE 的数据占比略高于总体AOD 约8%.同时鉴于10km DT 算法在农田下垫面类型表现出的高精度,DTB AOD 产品在农田区域满足EE 误差线的数据所占比(61.23%)较总体DTB AOD 提高了4%,高估的数据所占比(34.70%)较总体DTB AOD 降低了3%.5种AOD 产品中,MAIAC 算法RMSE 最低,DB 算法RMSE 最高.相关性方面,3km 和10km DT 算法R 2均大于0.9,1km MAIAC 算法R 2为0.905,略低于DT 算法.DB 算法在下垫面为农田区域的AOD 反演结果则存在较大的系统误差,相比于其他4种产品精度较低,R 2最低.针对森林下垫面类型,通过将5种MODIS AOD 产品与森林类AERONET 站点观测结果进行比对验证(图4),DT 和DTB AOD 数据落在EE 区间内的比例均超过70%,其中,3km DT AOD 产品达到78.52%,但是RMB 为0.952,AOD 值被低估4.8%.10km DB 和1km MAIAC AOD 数据落在EE 区间内的比例相对较低.5种AOD 产品中,除DB 算法R 2仅为0.673.数据离散度最好的是3km DT 算法,R 2达到0.896,且其RMSE 最小仅为0.091.因10期 李忠宾等：中国地区MODIS 气溶胶光学厚度产品综合验证及分析 4195此, 3km DT AOD 反演结果更适用于下垫面类型为森林的区域.0.10.20.30.40.50.60.70.80.91R ²RMSE Within EE RMB验证结果图3 MODIS AOD 产品与AERONET 站点农田类型数据验证结果Fig.3 Validation results of MODIS AOD products against AERONET over Farmland in Chinaa:10km DT; b:10km DB; c:10km DTB; d:3km DT; e:1km MAIAC; f:验证结果-0.200.20.40.60.81验证结果图4 MODIS AOD 产品与森林类型AERONET 站点数据验证结果Fig.4 Validation results of MODIS AOD products against AERONET over Forest in Chinaa:10km DT; b:10km DB; c:10km DTB; d:3km DT; e:1km MAIAC; f:验证结果如图5所示,下垫面为草地类型DT 和DTB AOD 数据落在EE 范围内的比例相较于农田和森林2种类型偏低.5种MODIS AOD 产品中,1km MAIAC AOD 产品在森林下垫面的精度验证指标最高,适用性最好, RMSE 仅为0.090,样本符合EE 的比例为78.40%.10km DTB 算法反演精度次之,虽高于单一的DT 和DB 的算法精度,但显著低于1km MAIAC 算法, RMSE 为0.172,样本符合EE4196 中 国 环 境 科 学 40卷的比例为65.81%.虽然农田、森林和草地均为植被覆盖的下垫面类型,但下垫面为草地类型的不同算法MODIS AOD 产品精度均较农田和森林类型偏低.0.10.20.30.40.50.60.70.80.9R²RMSE Within EE RMB验证结果R 2图5 MODIS AOD 产品与草地类型AERONET 站点数据验证结果Fig.5 Validation results of MODIS AOD products against AERONET over Grass in Chinaa:10km DT; b:10km DB; c:10km DTB; d:3km DT; e:1km MAIAC; f:验证结果0.20.40.60.81R²RMSEWithinEERMB验证结果R 2图6 MODIS AOD 产品与城市类型AERONET 站点数据验证结果Fig.6 Validation results of MODIS AOD products against AERONET over Urban in Chinaa:10km DT; b:10km DB; c:10km DTB; d:3km DT; e:1km MAIAC; f:验证结果5种MODIS AOD 产品与城市类型AERONET 站点数据验证结果如图6所示.1km MAIAC AOD 共提取9295个样本,落在EE 范围内的数据占比为75.81%.受到地表覆盖类型的变化,与农田、草地、森林区域主要由暗目标植被区域构成相比,城市地区主要以高反射的人工建筑群为主,10km 和3km10期 李忠宾等：中国地区MODIS 气溶胶光学厚度产品综合验证及分析 4197DT AOD 样本落在EE 范围内的比例仅为38.96%和25.55%.AOD 产品精度较低存在显著高估现象严重(RMB 为1.706、1.918;AOD 值被高估70.6%、91.8%).其中,在高反射率的城市区域,DTB AOD 产品综合了DT 和DB 两个算法优势,R 2为三者中最大,RMSE 为三者中最小, 52.41%数据满足EE 的要求.相较与其他4种产品,1km MAIAC AOD 产品在城市地区的精度最高,有效数据量最大,RMSE 为0.130,落在EE 范围内的样本比例达到75.81%.针对水体下垫面,5种MODIS AOD 产品与地面数据的相关性普遍低于农田、森林、草地和城市下垫面类型,1km MAIAC 算法的相关性最好.-0.200.20.40.60.81验证结果图7 MODIS AOD 产品与水体类型AERONET 站点数据验证结果Fig.7 Validation results of MODIS AOD products against AERONET over Water in Chinaa:10km DT; b:10km DB; c:10km DTB; d:3km DT; e:1km MAIAC; f:验证结果2.3 不同季节验证分析我国的气溶胶模式存在较大的季节和区域差异性,春季沙尘天气[23]会影响粗细粒子比例,夏秋季秸秆焚烧、森林火灾等生物质燃烧会影响气溶胶的吸收特性.植被等季节特性差异也会直接影响地表反射率,进而影响AOD 反演精度.本文分季节评估了5种MODIS AOD 产品在春(3~5月,图8)、夏(6~8月,图9)、秋(9~11月,图10)和冬季(12、1和2月,图11)的准确性和适用性.5种MODIS AOD 产品中,1km MAIAC AOD 产品在春、夏、秋3个季节中均数据质量最高,精度最高,其中秋季4566个样本落在EE 线内的比例达到80.11%,RMSE 为0.111,且与AERONET 站点数据的相关性最高(R 2=0.917).春季和夏季1km MAIAC AOD 产品样本落在EE 范围内的比例均低于秋季.其中,春季MAIAC 算法AOD 值低估5.6%;春季和夏季RMSE 分别为0.138和0.158,均高于秋季,但远低于同时期其它4种产品的RMSE 值.冬季1km MAIAC 算法验证结果则略差于3km DT 算法,但其产品有效样本数量(N =4901)显著高于3km DT AOD 产品(N =468),区域适用性更高.3km 和10km DT AOD 产品在4个季节均存在不同程度的高估现象,其中,春季和夏季AOD 样本落在大于EE 范围的比例均超过50%, DT 算法夏季AOD 值分别高估62.2%、62.5%,上述2个产品在春夏两季的RMSE 均大于0.2,反演精度较低;虽然冬季3km 和10km DT 算法RMSE 仅为0.085和0.098,4个季节中离散程度最低,但样本数量显著偏低,不适用于冬季大区域范围AOD 监测.针对10km 尺度的3种AOD 产品,春夏两季DTB 算法AOD 反演结果最优,秋季DT 、DB 和DTB 3个算法AOD 产品精度均相对较高,冬季DT 算法AOD 反演结果最优.4198 中 国 环 境 科 学 40卷-0.200.20.40.60.81验证结果图8 春季MODIS AOD 产品与AERONET 站点数据验证结果Fig.8 Validation results of MODIS AOD products and AERONET site data for Spring in Chinaa:10km DT; b:10km DB; c:10km DTB; d:3km DT; e:1km MAIAC; f:验证结果0.20.40.60.81R²RMSE Within EE RMB验证结果R 2图9 夏季MODIS AOD 产品与AERONET 站点数据验证结果Fig.9 Validation results of MODIS AOD products and AERONET site data for Summer in Chinaa:10km DT; b:10km DB; c:10km DTB; d:3km DT; e:1km MAIAC; f:验证结果10期 李忠宾等：中国地区MODIS 气溶胶光学厚度产品综合验证及分析 41990.20.40.60.81R²RMSEWithin EERMB验证结果R 2图10 秋季MODIS AOD 产品与AERONET 站点数据验证结果Fig.10 Validation results of MODIS AOD products and AERONET site data for Autumn in Chinaa:10km DT; b:10km DB; c:10km DTB; d:3km DT; e:1km MAIAC; f:验证结果0.20.40.60.81R²RMSE Within EE RMB验证结果R 2图11 冬季MODIS AOD 产品与AERONET 站点数据验证结果Fig.11 Validation results of MODIS AOD products and AERONET site data for Winter in Chinaa:10km DT ;b:10km DB; c:10km DTB; d:3km DT; e:1km MAIAC; f:验证结果2.4 不同区域验证分析由于AERONET 站点在我国分布并不均匀,主要集中在东部经济发达地区.为研究MODIS AOD 产品在不同区域的准确性,本文选取京津冀、珠三角和长三角地区3个典型区域(图1)进行讨论,其中,这3个地区的AERONET 站点数分别为10、8和12个.京津冀地区验证结果如图12所示,1km MAIACAOD 产品误差最小(RMSE=0.132),与AERONET 站点数据相关性最高(R 2=0.902),且落在EE 范围内的数据比例超过75%.DB 算法主要适用于城市亮地表地区,有效样本数达到13955个,显著高于其他4种算法,但与地面站点AERONET 监测结果相关性较低.受城市建筑物的影响,3km 和10km 2种尺度的DT 算法在京津冀区域均存在AOD 值高估的现象,AOD 值分别高估61.4%、57.5%.0.20.40.60.81R²RMSEWithin EERMB验证结果R 2图12 京津冀地区MODIS AOD 产品与AERONET 站点数据验证结果 Fig.12 Validation results of MODIS AOD products and AERONET site data at BTHa:10km DT; b:10km DB; c:10km DTB; d:3km DT; e:1km MAIAC; f:验证结果受水体与城市地表反射率的影响,DT 算法在长三角地区AOD反演结果高估现象较京津冀地区更加严重,其中,10km DT AOD 验证样本数据有63.75%被高估,AOD 值高估41.2%.与京津冀地区相似,长三角地区DB AOD 产品在有效样本数和满足EE 的样本数据比例方面均表现较好,但反演误差较大,RMSE 在这两个地区均大于0.2.DB 算法在京津冀地区AOD 值高估31.1%,在长三角地区AOD 值低估12.2%.1km MAIAC 算法在长三角地区的RMSE 为0.170,满足期望误差的数据比例为61.87%,较京津冀地区低13%(图13).与京津冀和长三角地区相比,由于珠三角地区云量偏多,AERONET 站点数较少,因此MODISAOD 验证样本数较少.珠三角地区1km MAIAC AOD 产品样本落在EE 范围内的比例达到82.73%, RMSE 仅为0.074,优于京津冀和长三角地区,R 2为0.847,次于京津冀地区.DB 算法在珠三角地区反演效果较京津冀和长三角地区有所提高,但仍存在AOD 低估的现象(RMB=0.861,AOD 值低估13.9%), 3km 和10km DT 算法AOD 产品满足EE 线的数据比例均超过70%.DTB AOD 产品样本被高估的比例较京津冀和长三角地区有显著降低,但高估现象仍未被完全解决.与长三角地区类似,珠三角地区DB 算法对地表反射率计算偏低,导致存在AOD 被严重低估现象,约41.56%的数据被低估,且AERONET 站点数据相关性较差,R 2仅为0.499(图14).-0.200.20.40.60.81验证结果图13 长三角地区MODIS AOD 产品与AERONET 站点数据验证结果 Fig.13 Validation results of MODIS AOD products and AERONET site data at YRDa:10km DT; b:10km DB; c:10km DTB ; d:3km DT; e:1km MAIAC; f:验证结果-0.200.20.40.60.81验证结果图14 珠三角地区MODIS AOD 产品与AERONET 站点数据验证结果 Fig.14 Validation results of MODIS AOD products and AERONET site data at PRDa:10km DT; b:10km DB; c:10km DTB; d:3km DT; e:1km MAIAC; f:验证结果2.5 不同像元尺度验证分析随着区域化和精细化空气质量监测要求的提高,高空间分辨率的AOD 产品应用需求不断增加.但目前相关研究多针对不同分辨率的MODIS AOD 产品精度分开进行独立评价,尚未有研究将5种MODIS AOD 产品统一到相同的空间尺度下进行综合评价.本文利用1km 分辨率的MAIAC 算法反演的AOD 产品,通过重采样降低数据空间分辨率的方法将1km MAIAC AOD 产品与3km DT AOD 产品、10km DT 、DB 和DTB AOD 产品统一空间尺度,分析在相同空间尺度下1km AOD 产品与低分辨率AOD 产品的适用性差异.在3km 像元尺度上,首先将1km MAIAC AOD 产品空间重采样至3km 分辨率,然后利用AERONET 监测数据分别与3km MAIAC AOD 数据和3km DT AOD 产品进行比对分析,比对过程中直接提取AERONET 地面站点对应的3km AOD 单像元数值,不使用窗口进行样本筛选和平均处理(图15).结果表明,在同一空间尺度下,3km MAIAC AOD 单像元数据在观测误差、与地基数据相关性和有效样本数等方面均优于同分辨率的3kmDT AOD 单像元值.3km MAIAC AOD 单像元数据有效样本数(N =18790)为3km DT AOD 的2.44倍;R 2达到0.880,较3km DT AOD 高0.035;RMSE 仅为0.129,较3km DT AOD 低0.084.3km MAIAC AOD 落在EE 范围内的样本数据比例达到74.73%,远高于3km DT AOD 48.81%的比例值,且并未出现如3km DT AOD 产品那样显著的高估现象.ab0.10.20.30.40.50.60.70.80.91R²RMSE Within EE RMB验证结果R 2图15 3km 尺度下,MAIAC 和DT AOD 产品与AERONET站点数据验证结果Fig.15 Validation results of MAIAC and DT AOD productsagainst AERONET site at 3km resolutiona 3km DT;b 3km MAIAC;c 验证结果10km 像元尺度上,与3km 数据处理方法类似,利用AERONET 监测数据分别与10km MAIAC AOD 数据和10km DT 、DB 、DTB AOD 产品进行单像元比对分析(图16).10km MAIAC AOD 和10km DT AOD 在观测误差、地基数据相关性和有效样本数等方面均略优于3km 空间尺度的2种对应数据.同一空间尺度下, 10km MAIAC AOD 单像元数据精度显著优于其他3种10km AOD 产品.综合图15和图16可以看出,虽然1km MAIAC AOD 产品重采样至较低分辨率时,重采样后的分辨率越低,AOD 数据精度和适用性越高,但提高程度有限,且高分辨率的MAIAC AOD 数据仍优于低分辨率的DT 、DB 和DTB AOD 产品,因此,在小区域尺度上,综合AOD 反演精度和分辨率考虑,1km MAIAC AOD 具有更高的适用性.0.10.20.30.40.50.60.70.80.91R²RMSE Within EE RMB验证结果R 2图16 10km 尺度下,MAIAC 和DTB 、DT 、DB AOD 产品与AERONET 站点数据验证结果Fig.16 Validation results of MAIAC 、DTB 、DT and DT AOD products against AERONET site at 10km resolutiona:10km DT; b:10km DB; c:10km DTB; d:1km MAIAC; e:验证结果2.6讨论因此,综合AOD反演精度和分辨率考虑, MAIAC算法AOD产品精度优于其它4种AOD产品.而且,MAIAC算法AOD产品具有更高的分辨率,3km、10km分辨率AOD产品具有观测范围广等特点,适合应用于大宽幅区域环境监测.MAIAC算法AOD产品具有空间分辨率高、数据精细化等优点,更适用于小尺度城市群集中区域的大气环境监测,能够为小尺度城市群污染颗粒物预防、大气污染治理提供可靠的参考资料,具有很大的应用前途.3结论3.1总体精度上,1km MAIAC AOD产品相较其他4种产品,在中国地区具有更高的精度和适用性. 3.2下垫面类型,1km MAIAC AOD产品在草地和城市类型AERONET站点验证精度最高,且其有效样本数和适用性也普遍高于其他4种产品.DT算法在植被覆盖率较高的森林、草地、农田区域反演精度相对较高,其中,3km DT算法在森林区域最优(R2=0.896,RMSE=0.091),落在EE区间内的数据比例达到78.52%.对于水体类型,5种产品精度均偏低.3.3季节方面,1km MAIAC AOD产品受季节变化影响最小,在春、夏、秋3个季节均优于其他4种产品,DT算法在不同季节均有AOD高估现象,其中,夏季高估程度最高(>EE超过50%).DB算法在春夏秋3季系统性误差较小,但在冬季存在高估现象.DTB算法兼顾了DT和DB算法的优缺点,AOD产品结果受季节影响小.3.4区域方面,MAIAC算法在京津冀、长三角和珠三角地区的AOD产品优于其它4种,且在珠三角地区反演精度最高(=EE=82.73%,RMSE=0.074).受城市人工建筑高反射率的影响,DT算法京津冀、长三角地区存在AOD高估的现象.DB算法虽更适合于城市区域AOD反演,但在长三角和珠三角地区存在AOD被低估的现象,且在珠三角地区被低估程度最高.针对10km尺度的3个产品,在上述3个地区DTB AOD产品的相关性均高于DB AOD产品,样本被高估程度均低于DT AOD产品.3.5像元尺度,通过重采样降低1km MAIAC AOD 数据分辨率有利于提高其精度和适用性,但由于改善程度的有限,且高分辨率的MAIAC AOD单像元数据仍优于低分辨率的DT、DB和DTB AOD单像元数据,并很大程度上改善了高估和低估问题.参考文献：[1] 李婷苑,谭浩波,王春林,等.卫星遥感AOD反演地面细颗粒物浓度方法与效果 [J]. 中国环境科学, 2020,40(1):13-23.Li T Y, Tan H B, Wang C L, et al. The method and the correspongding effect of ground fine partical concentration retrieved by satellite remote sensing AOD [J]. China Environmental Science, 2020,40(1): 13-23.[2] 丁莹,冯徽徽,邹滨,等.长株潭城市群气溶胶时空分布与传输规律 [J]. 中国环境科学, 2020,40(5):1906-1914.Ding Y, Feng H H, Zou B, et al. Spatial-temporal distribution and transport characteristic of aerosol in Changsha- Zhuzhou-Xiangtan urban agglomeration [J]. China Environmental Science, 2020,40(5): 1906-1914.[3] 唐志伟,许潇锋,杨晓玥,等.基于卫星资料的华东地区气溶胶三维分布特征研究 [J]. 中国环境科学, 2019,39(9):3624-3634.Tang Z W, Xu X F, Yang X Y, et al. Characteristics of three- dimensional aerosol distribution in Eastern China based on satellite data [J]. China Environmental Science, 2019,39(9):3624-3634.[4] 贺欣,周茹,姚媛,等.基于AERONET的中国地区典型站点气溶胶类型变化特征 [J]. 中国环境科学, 2020,40(2):485-496.He X, Zhou R, Yao Y, et al. The spatiotemporal variations of aerosol types in representative sites of China basing on the Aerosol Robotic N etwork (AERON ET) [J]. China Environmental Science, 2020, 40(2):485-496.[5] Che H, Yang L, Liu C, et al. Long-term validation of MODIS C6andC6. 1Dark Target aerosol products over China using CARSN ET and AERONET [J]. Chemosphere, 2019,236:124268.[6] Zhang Z, Wu W, Fan M, et al. Evaluation of MAIAC aerosol retrievalsover China [J]. Atmospheric Environment, 2019,202:8-16.[7] Wei J, Li Z, Peng Y, et al. MODIS Collection 6.1aerosol optical depthproducts over land and ocean: validation and comparison [J].Atmospheric Environment, 2019,201:428-440.[8] Tao M, Chen L, Wang Z, et al. Evaluation of MODIS Deep Blueaerosol algorithm in desert region of East Asia: ground validation and intercomparison [J]. Journal of Geophysical Research: Atmospheres, 2017,122(19):10357-10368.[9] Xie G, Wang M, Pan J, et al. Spatio-temporal variations and trends ofMODIS C6. 1Dark Target and Deep Blue merged aerosol optical depth over China during 2000~2017 [J]. Atmospheric Environment, 2019, 214:116846.[10] Lyapustin A, Wang Y, Laszlo I, et al. Multiangle implementation ofatmospheric correction (MAIAC): 2. Aerosol algorithm [J]. Journal of Geophysical Research: Atmospheres, 2011,116(D3).DOI:10.1029/ 2010jd014986.[11] Lyapustin A, Wang Y, Korkin S, et al. MODIS Collection 6MAIACalgorithm [J]. Atmospheric Measurement Techniques, 2018,11(10): 5741-5765.[12] Holben B N, Eck T F, Slutsker I, et al. AERON ET—A federatedinstrument network and data archive for aerosol characterization [J].。
基于随机森林模型的中国气溶胶光学厚度反演及变化分析目录1. 内容描述 (2)1.1 研究背景与意义 (2)1.2 研究内容与方法 (4)1.3 文献综述 (6)2. 数据收集与处理 (8)2.1 数据来源与格式 (9)2.2 数据预处理 (9)2.2.1 数据清洗 (11)2.2.2 数据归一化 (12)2.2.3 数据分割 (12)3. 随机森林模型构建 (12)3.1 模型原理简介 (14)3.2 模型参数设置 (15)3.3 模型训练与验证 (17)4. 气溶胶光学厚度反演 (18)4.1 反演算法介绍 (19)4.2 反演结果展示 (21)4.3 反演精度评估 (22)5. 气溶胶光学厚度变化分析 (23)6. 结果讨论与影响因素分析 (25)6.1 反演结果的可能原因 (26)6.2 影响气溶胶光学厚度的因素分析 (28)6.2.1 大气环流 (29)6.2.2 地表覆盖 (31)6.2.3 人为活动 (32)7. 结论与展望 (33)7.1 研究结论总结 (35)7.2 政策建议与未来研究方向 (36)1. 内容描述本文将聚焦于基于随机森林模型的中国气溶胶光学厚度反演及变化分析。
气溶胶光学厚度作为大气环境领域的重要参数，对于研究空气质量、气候变化以及环境影响具有重要意义。
随着工业化和城市化进程的加快，中国地区的气溶胶光学厚度呈现出复杂多变的特征，对其进行准确反演和变化分析尤为关键。
本文将首先介绍气溶胶光学厚度的基本概念及其重要性，阐述其在环境保护和气候研究中的应用价值。
将详细介绍随机森林模型的基本原理及其在气溶胶光学厚度反演中的应用优势。
通过结合中国地区的气象数据、遥感数据等多源数据，利用随机森林模型进行气溶胶光学厚度的反演，分析其时空分布特征。
在此基础上，进一步探讨气溶胶光学厚度的变化趋势及其影响因素，包括自然因素（如风场、气象条件等）和人为因素（如工业排放、交通排放等）。
将结合相关案例，分析气溶胶光学厚度变化对空气质量、气候变化等方面的影响。
气溶胶光学厚度的高光谱遥感反演及其环境效应【摘要】：气溶胶是研究全球气候变化和大气污染的重要参数，也是进行定量遥感必须获得的参数。
本文针对人口密集、工业化程度高的城市区域范围，探索高光谱数据遥感反演气溶胶光学厚度的方法，应用中科院上海技术物理研究所自行研制的模块化成像光谱仪(OMIS)，结合MODIS卫星资料和地面太阳光度计监测，试图形成“星载—机载—地面”三个高度立体遥测，实现城市气溶胶光学厚度的反演，并进一步研究其环境效应。
具体工作及结果如下：1)比较分析各种气溶胶光学厚度遥感反演方法的适用性和局限性，并介绍了太阳光度计地基遥测原理。
2)分别介绍了MODIS、OMIS和地基高光谱数据的特点及数据预处理过程、分析典型地物的光谱特征。
3)采用高反差地表法，对2002年10月7日的机载OMIS高光谱数据，进行了气溶胶光学厚度反演的尝试性试验，给出了初步的反演结果，在502-590nm波段处的气溶胶光学厚度值在0.175-0.314之间。
反演结果符合当天的空气质量状况，与能见度进行比较，以证明反演结果的正确性，说明利用高光谱、高空间分辨率的机载遥感数据可以反演城市气溶胶光学厚度。
4)进行大气辐射传输模型的模拟与分析，利用MODIS红、蓝通道数据分析地表反射率、气溶胶类型、气溶胶组份、水汽、臭氧等因素对气溶胶反演的影响；建立了表观反射率—地表反射率—气溶胶光学厚度之间的查算表，结合城市地表特点，探索基于MODIS数据的双目标对比法进行气溶胶光学厚度的反演。
5)利用地面站点能见度和卫星遥感的气溶胶光学厚度资料，建立了一个二者之间季节平均的简单关系，得到上海地区各季的气溶胶标高在春季、夏季、秋季和冬季分别为：1251m，1957m，791.7m和776.4m；并利用标高数据和气溶胶光学厚度的季节分布，反演上海地区区域能见度的季节平均分布，证实上海城区在冬春季平均能见度较差，市区中心能见度在10km以下；低能见度中心分布明显，且主要分布在杨浦、桃浦、吴淞等工业区范围。
气溶胶的光学厚度与反射率比的处理方法高飞【摘要】气溶胶光学厚度与气溶胶反射率比都是大气校正所需的重要大气参数,同时也是海洋水色卫星主要的数据产品,它们的测量精度将直接影响到卫星数据产品正演的精度和卫星数据产品的应用.文章在简述气溶胶光学厚度与气溶胶反射率比的基本测量原理和处理方法的基础上,结合多次试验数据结果进行简要的评价.【期刊名称】《海洋技术》【年(卷),期】2003(022)001【总页数】4页(P25-28)【关键词】海洋水色;大气校正;气溶胶光学厚度【作者】高飞【作者单位】国家海洋技术中心,天津 300111【正文语种】中文【中图分类】基础科学第 22 卷第 1 期2003年 3 月海洋技术OCEAN TECHNOLOGYVol.22,No.1March,2003气溶胶的光学厚度与反射率比的处理方法高飞（国家海洋技术中心，天津 300111 ）摘要：气溶胶光学厚度与气溶胶反射率比都是大气校正所需的重要大气参数，同时也是海洋水色卫星主要的数据产品，它们的测量精度将直接影响到卫星数据产品正演的精度和卫星数据产品的应用。
文章在简述气溶胶光学厚度与气溶胶反射率比的基本测量原理和处理方法的基础上，结合多次试验数据结果进行简要的评价。
关键词：海洋水色；大气校正；气溶胶光学厚度中图分类号：P412文献标识码：B文章编号：1003-2029(2003)01-0025-04 1 简述海洋水色大气校正是海洋水色卫星遥感器获取海面光学参数的重要环节。
在卫星遥感器高度处接收到的总辐射信号中来自大气的辐射信号占约90% ，要从卫星接收总辐射信号中提取出海洋水色信号，即正演出携带海洋生物光学信息的离水辐射率，就必须消除大气辐射信号的影响。
在大气校正过程中，L与 e 都是大气校正所需的重要大气参数，ra是大气中气溶胶光学厚度，e 是气溶胶反射率比。
L与 e 参数的测量将直接影响到卫星数据产品正演的精度，因此应用恰当的处理方法来获得 Ta 与 e 参数是现场大气参数测量的重点。
一种反演气溶胶光学厚度的改进方法何涛;赵凤生【摘要】The algorithm to retrieve the aerosol optical depth over land has been completely restructured to produce the collection 005 products based on the algorithm by Levy et al. But the accuracy of the MODIS aerosol optical depth (AOD) products still has very large differences for different seasons and geographic locations in China. In order to improve the accuracy of aerosol retrieval products, an easier and faster algorithm for retrieval of aerosol optical depth over land with MODIS IB data is introduced. This algorithm deals with the surface reflectance relationships is the same way as MODIS V5. 2 algorithm. In order to better represent aerosol properties in China, the size distribution and refractive index of aerosol have been improved. Considering the fine structure of the aerosol size distribution has a little effect on satellite remote sensing of aerosol optical depth, this algorithm use the Junge aerosol size distribution to approximate the aerosol size distribution in an actual atmosphere. The real and imaginary index of refractive is 1. 5 and 0. 005, respectively. The complex refractive index is assumed for all wavelengths(0. 47,0. 55,0. 66^m and 2. 1 fjLm).In order to verify the accuracy and regional applicability of this algorithm, aerosol optical depth is derived with this algorithm using the MODIS IB data at Taihu and Xianghe, and this retrieval result is compared with equivalent measurements from AERONET (Aerosol Robotic NETwork) site (Level 2. 0 data). The MODIS/AOD product and IB data fromSeptember 2006 to June 2008 at Taihu (MODISI/AOD product and IB data from May 2008 to July 2009 at Xianghe) has been matched with L2. 0 AOD product from AERONET stations during the same period. Data from the AERONET are averaged within 30 min before and after the satellite's passing, and the MODIS data are averaged over a 10 km (15 km at Xianghe) area centered at the ground stations.The comparison results show that the standard deviation of the new algorithm inversion results and L2. 0 AOD product at Taihu is 0. 429. The standard deviation of the MODIS/AOD product and L2. 0 AOD product at Taihu is 0. 693. Accordingly, the standard deviations of two comparison experiment at Xianghe are 0. 493 and 0. 542, respectively. These results show that this algorithm retrieval results have good consistency with the sun photometer observational results at Taihu and Xianghe. The retrieval algorithm is more accurate than the current MODIS aerosol algorithm and its inversion results are reasonable. In addition, the settings for aerosol model and optical properties are simple and convenient in the new algorithm, which can effectively reduce the computational time for looking-up table and the iteration time for solving equations.%该文提出了一种简单快速反演气溶胶光学厚度的方法,该算法对地表反照率的处理与MODlS V5.2算法相同,但气溶胶谱分布假定为Junge谱,设置了新的气溶胶参数.应用2006年9月6日-2008年6月10日太湖MODIS观测资料和2008年5月20日-2009年7月6日香河MODIS观测资料进行反演,并将反演结果与AERONET(AErosol RObotic NETwork)站点资料进行对比,以检验算法的适用性和精度.对比结果显示:该算法在太湖的反演结果与AERONET太湖站反演结果对比的标准偏差为0.429,而MODIS卫星AOD产品与AERONET太湖站反演结果对比的标准偏差为0.693;相应在香河的两种反演结果与地面观测对比的标准偏差分别为0.493和0.542.该算法的反演误差小于MODIS 现行算法,反演结果合理,具有较好的适用性,说明这种方法在这两个区域具有更高的反演精度.【期刊名称】《应用气象学报》【年(卷),期】2011(022)006【总页数】10页(P663-672)【关键词】MODIS;6S;卫星遥感;气溶胶光学厚度(AOD)【作者】何涛;赵凤生【作者单位】中国气象科学研究院,北京100081;国家卫星气象中心,北京100081;山东省济南市环境监测中心站,济南250014;国家卫星气象中心,北京100081【正文语种】中文该文提出了一种简单快速反演气溶胶光学厚度的方法，该算法对地表反照率的处理与MODIS V5.2算法相同，但气溶胶谱分布假定为Junge谱，设置了新的气溶胶参数。
Retrieval, Validation of High Resolution MODISAerosol Optical DepthsWei Chen, Lei Yan, Hongzhao Tang Institute of Remote Sensing and GISPeking UniversityBeijing, Chinawchen@Chengcai Li School of Physics Peking University Beijing, China ccli@Abstract—Atmospheric correction plays an important role in quantitative application of remote sensing images. And aerosol particles are the most uncertain factor in atmospheric correction. NASA has been distributing 10km resolution Aerosol Optical Depths (AOD) product for most area of globe since 2000 after the launching of MODIS. And this AOD product has been applied to image atmospheric corrections. However, aerosol varies tremendously and 10km resolution AOD product may not be adequate in atmospheric correction of local scale. For correcting images more accurately, we retrieve 1km resolution AOD product with MODIS operational algorithm. The result demonstrates that the two product prove to be similar in large scale but 1km resolution AOD product could be able to illustrate the dramatic variations of local scale while 10km resolution AOD product could not.Keywords-MODIS;AOD;Retrieve;Atmospheric CorrectionMODIS高分辨率气溶胶光学厚度反演及验证陈伟1，晏磊1，李成才2，唐洪钊11.北京大学遥感与地理信息系统研究所，北京，中国，1008712.北京大学物理学院，北京，中国，1008711.wchen@,2. ccli@【摘要】遥感影像的大气效应校正是影响其定量化应用的重要环节。
卫星遥感气溶胶光学厚度的相关研究综述作者：顾俊杰戴一枫金林林来源：《科技资讯》2017年第19期摘要：我国利用卫星遥感技术反演气溶胶光学厚度的研究，至今已有近20年的历史，期间积累了大量的研究成果，尤其是近几年因大气污染问题日益突出，受到人们广泛关注，该方面研究文献大量增加。
其中包含了不同地区卫星遥感气溶胶光学厚度的反演验证、气溶胶光学厚度时空特征分析；卫星遥感气溶胶光学厚度与大气污染相关性以及气溶胶光学厚度在大气污染检测中的作用；卫星遥感气溶胶光学厚度与人体健康相关性研究等等。
该文综述摘录了2005年至2016年的部分文献资料，并主要列举气溶胶反演在污染以及人体健康方面的研究，并对今后的研究方向做了展望。
关键词：气溶胶光学厚度卫星遥感综述中图分类号：X51 文献标识码：A 文章编号：1672-3791（2017）07（a）-0219-03近年来，环境污染问题日益凸显，大气气溶胶污染逐渐成为人们关注的焦点。
气溶胶污染物不仅在大气中停留时间久，可吸附大量有毒害物质，且输送距离长。
其中细颗粒物不仅造成雾霾、灰霾天气，且由于粒径极细，可深入到细支气管和肺泡，引起肺部疾病，心脑血管疾病等。
我国的《环境空气质量标准》（GB3095-2012）中就包含了两项颗粒物指标的检测，分别是细颗粒物（PM2.5）、可吸入颗粒物（PM10）。
通过对中国环境保护部近几年的数据分析[1]进行横向对比，不难发现机动车消耗燃油排放的氮氧化物占据了排放总量中相当一部分比例，再进行纵向对比，可以看出我国大气污染虽然呈现逐年下降的趋势，但是污染类型由煤烟型逐渐向煤烟、机动车尾气两者的混合类型发展。
因此，如何有效的监测大气气溶胶污染，是目前以及未来的科研重点。
1 卫星遥感气溶胶光学厚度的相关研究2005年，李成才等[2]利用MODIS反演的气溶胶光学厚度与北京市空气污染指数相结合，分析了两者的相关性，经过垂直标高订正以及大气湿度订正后，其相关性较高，可作为对地面颗粒污染检测的一种方法，为卫星气溶胶产品应用于大气污染研究提供了示范。
《MODIS气溶胶光学厚度产品在地面PM10监测方面的应用研究》篇一一、引言随着工业化和城市化的快速发展，大气污染问题日益严重，特别是颗粒物污染。
PM10（直径小于或等于10微米的颗粒物）因其对人类健康和环境造成的严重影响，已成为大气污染监测的重要指标之一。
为了更有效地监测和评估PM10的污染状况，各种地面监测技术和遥感技术被广泛应用于实际监测中。
其中，MODIS气溶胶光学厚度产品作为一种重要的遥感数据源，在地面PM10监测方面发挥着重要作用。
本文将详细探讨MODIS气溶胶光学厚度产品在地面PM10监测方面的应用研究。
二、MODIS气溶胶光学厚度产品概述MODIS（中分辨率成像光谱仪）是搭载在卫星上的重要仪器之一，能够提供全球范围内的气溶胶光学厚度信息。
气溶胶光学厚度是描述大气中气溶胶粒子对光的吸收和散射能力的物理量，与PM10等颗粒物浓度密切相关。
MODIS气溶胶光学厚度产品通过卫星遥感技术获取，具有空间覆盖广、时间分辨率高、数据更新快等优点。
三、MODIS气溶胶光学厚度产品在地面PM10监测中的应用1. 数据获取与处理首先，通过卫星遥感技术获取MODIS气溶胶光学厚度数据。
然后，对数据进行预处理，包括辐射定标、大气校正等步骤，以提高数据的准确性和可靠性。
接着，将MODIS气溶胶光学厚度数据与地面PM10监测数据进行空间匹配和时间匹配，以便进行后续的分析和比较。
2. 相关性分析通过对比分析MODIS气溶胶光学厚度数据和地面PM10监测数据，可以发现两者之间存在显著的相关性。
当气溶胶光学厚度增加时，PM10浓度往往也会相应增加。
这表明MODIS气溶胶光学厚度产品可以作为一种有效的遥感手段来监测和评估地面PM10的污染状况。
3. 空间分布分析利用MODIS气溶胶光学厚度数据，可以分析PM10的空间分布特征。
通过绘制气溶胶光学厚度的空间分布图，可以直观地了解不同地区PM10的污染状况和变化趋势。
这有助于识别污染源、评估污染程度以及制定有效的污染防治措施。
科技资讯2017 NO.19SCIENCE & TECHNOLOGY INFORMATION学 术 论 坛近年来, 环境污染问题日益凸显,大气气溶胶污染逐渐成为人们关注的焦点。
气溶胶污染物不仅在大气中停留时间久,可吸附大量有毒害物质,且输送距离长。
其中细颗粒物不仅造成雾霾、灰霾天气,且由于粒径极细,可深入到细支气管和肺泡,引起肺部疾病,心脑血管疾病等。
我国的《环境空气质量标准》(GB3095-2012)中就包含了两项颗粒物指标的检测,分别是细颗粒物(PM 2.5)、可吸入颗粒物(PM 10)。
通过对中国环境保护部近几年的数据分析[1]进行横向对比,不难发现机动车消耗燃油排放的氮氧化物占据了排放总量中相当一部分比例,再进行纵向对比,可以看出我国大气污染虽然呈现逐年下降的趋势,但是污染类型由煤烟型逐渐向煤烟、机动车尾气两者的混合类型发展。
因此,如何有效的监测大气气溶胶污染,是目前以及未来的科研重点。
1 卫星遥感气溶胶光学厚度的相关研究2005年,李成才等[2]利用MODIS反演的气溶胶光学厚度与北京市空气污染指数相结合,分析了两者的相关性,经过垂直标高订正以及大气湿度订正后,其相关性较高,可作为对地面颗粒污染检测的一种方法,为卫星气溶胶产品应用于大气污染研究提供了示范。
何秀[3]等在2010年对香港元朗站、北京大学站的地基PM 10的实测数据与MODIS气溶胶光学厚度转化的PM 10浓度进行相关性研究,在经过垂直高度订正及湿度订正后相关性有所上升,这与李成才等早年的研究结果一致。
至今,北京[4-5]、重庆[6]、武汉[7]、南京[8]、济南[9]、兰州[10]、香港[11]、长江三角洲[12]等省市都积累了一定的研究成果。
目前该方面的研究方法主要是建立气溶胶光学厚度与空气污染指标的估算模型,估算模型的种类有很多,针对某一特定的区域不同的估算模型得到的估算精度也不尽相同。
刘欢[6]在对重庆市冬季大气颗粒污染物的研究中就使用了线性函数模型、对数函数模型、一元二次及一元三次模型、幂函数模型以及指数函数模型7种,在进行严谨的计算分析后得出一元三次模型更适合估算重庆冬季的大气污染物。
基于高光谱遥感影像的AOD反演刘安伟【摘要】气溶胶光学厚度(Aerial Optical Depth,AOD)是重要的大气参数,也是大气校正中不可缺少的变量.文中通过两种AOD反演算法的实施和比较,探讨了利用高光谱进行AOD反演的可行性和算法的适用性.通过两种方法,对四幅影像进行了气溶胶的反演,并以地基观测数据进行了对比验证.结果显示改进的V5.2算法在非浓密植被区域的精度较高,而在浓密植被区域与DDV算法精度相当,由于两种算法均依赖于波段固定的线性关系,使得两种算法在气溶胶的反演中均有误差.【期刊名称】《矿山测量》【年(卷),期】2017(045)004【总页数】6页(P38-43)【关键词】AOD;敏感性分析;DDV;高光谱遥感影像【作者】刘安伟【作者单位】甘肃工业职业技术学院测绘学院,甘肃天水741025【正文语种】中文【中图分类】TU4陆地气溶胶遥感反演从八十年代发展至今，算法和应用精度越来越高。
Fraser等[1]和Durkee等[2]分别在陆地和海洋上空发展了双-多通道反射率算法，Tanre等[3]提出了结构函数法，Kaufman等[5]最早提出了浓密植被算法。
Remer等[5]又将浓密植被算法所适用的短波红外波段的反射率扩展。
随后，Levy 等[6]提出了新的V5.2方法，新方法扩大了暗目标的范围，同时考虑了气溶胶光学厚取较小值的情况，使气溶胶光学厚度反演结果与AERONET观测数据相关性较高，该方法在高反射率区域误差仍然较大。
牛铮[7]将双视角算法应用于Terra和Aqua卫星的气溶胶反演。
孙林[8]使用构建的BRDF模型结合MODIS数据反演北京地区的气溶胶光学厚度，讨论了稀疏植被等高地表反射率地区的气溶胶反演问题，指出土壤湿度对于可见光波段地表反射率具有一定的影响。
Liang等[9]在建立Landsat ETM+图像大气纠正方法中提出了基于直方图匹配的大气气溶胶光学厚度反演算法。
利用 AVHRR 数据反演陆地气溶胶光学厚度高玲;张里阳;李俊;陈林;孙凌;李晓静【期刊名称】《应用气象学报》【年(卷),期】2014(000)001【摘要】The moderate-resolution imaging spectroradiometer (MODIS)onboard NASA EOS Terra and Aqua satellites,advanced very high resolution radiometer (AVHRR)onboard NOAA series provide important aerosol measurements.MODIS provides atmosphere aerosol optical depth (AOD)product since 2000,and AVHRR also provides AOD product since 1981 but only over ocean.Developing AOD retrieval algorithm which can also obtain AOD from AVHRR over land is very important for establishing a long term AOD da-ta record for climate studies.As 2.1 μm band is absent,an algorithm which is different from MODIS is in-troduced to retrieve AOD over land from AVHRR.With this method,the surface target is assumed to re-main radiometrically invariant over a certain time period and some of observations are made under clear-sky background aerosol conditions.When background aerosol conditions are given,surface reflectance can be estimated by extracting the second minimum reflectance during the previous 22 days and the future 22 days.The second darkest reflectance is chosen to reduce cloud shadow contamination.After surface reflec-tance is selected,AOD is retrieved from a look up table (LUT)generated with the second simulation of the satellite signal in thesolar spectrum (6S)radiative transfer model.The AOD over part of China (15°—45°N,75°—135°E)from AVHRR in 2009 is obtained based on this algorithm.The distribution pattern of AOD from this work is consistent with that of MYDO04 from MODIS in North China and East China,but has some difference in Northwest China.The daily regional mean AOD from AVHRR in the Yangtze Delta (28°—36°N,112°—122°E)agrees well with MODIS AOD with all correlation coefficients larger than 0.5 for four seasons,even up to 0.8 in winter.The correlation coefficients are 0.70 in Beijing,0.63 in Xiang-he and 0.61 in Taihu when AOD from AERONET are used to validate the AVHRR AOD retrievals.To compare temporally varying AERONET data with spatially varying AVHRR,the time match window is limited within 30 minutes and the spatial distance is limited within 0.10.The monthly variation of AOD from AVHRR in the Yangtze River Delta is consistent with that from MODIS,but the former is larger. Error sources about this retrieving algorithm are also discussed,including different satellite zenith angles in the selected period,surface reflectance,aerosol types,background AOD,calibration and sensor noise and so on.According to these results,this algorithm has the potential for deriving long-term AOD climate data record over land from AVHRR although some uncertainties stillexist.Quality control and error char-acterization will be further investigated in the future.%开发 AVHRR 可见光通道反演陆地气溶胶光学厚度（AOD）的算法对于研究长时间序列 AOD 的变化有重要意义。
南京仙林地区气溶胶光学厚度反演与分析
黄建龙;查勇;袁杰
【期刊名称】《大气与环境光学学报》
【年(卷),期】2009()2
【摘要】2007年11月,利用CE-318太阳光度计对南京仙林地区进行了气溶胶光学特性的观测实验。
详细讨论了气溶胶光学厚度反演的原理与方法,采用Langley 法对CE-318进行了现场定标,利用观测数据反演了气溶胶光学厚度和Angstrom 系数。
分析得出了550 nm处的光学厚度平均为0.5183,浑浊度系数β平均值为0.2325,波长指数α平均值为1.3373。
分析了光学厚度的日变化和逐日变化,讨论了变化的原因。
对Angstrom参数的分析表明仙林地区气溶胶以中小粒子为主,这对于分析和监测南京地区大气污染、改善空气质量具有一定的积极意义。
【总页数】8页(P99-106)
【关键词】CE-318;气溶胶;光学厚度;Langley法;瞬态法
【作者】黄建龙;查勇;袁杰
【作者单位】南京师范大学地理科学学院
【正文语种】中文
【中图分类】P427.1
【相关文献】
1.MPL反演南京北郊气溶胶光学厚度准确度的研究 [J], 石玉立;杨丰恺;曹念文
2.基于TM图像的南京市气溶胶光学厚度反演 [J], 程晨;陈健;李鑫慧
3.郑州地区气溶胶光学厚度反演与分析 [J], 田宏伟;郑有飞;陈怀亮;邓伟;杜子璇
4.利用6S模型的自定义气溶胶类型反演北京地区气溶胶光学厚度 [J], 李兆麟;左洪超;罗雯
5.新疆戈壁地区整层大气气溶胶光学厚度反演与分析 [J], 李志朝;宗飞;强希文;吕炜煜;刘伟峰
因版权原因，仅展示原文概要，查看原文内容请购买。
Landsat 8 OLI城市地区气溶胶光学厚度遥感反演孙林;田信鹏;于会泳;韦晶;麻盛芳;王健;孙长奎【期刊名称】《山东科技大学学报（自然科学版）》【年(卷),期】2015(034)005【摘要】在地表反射率较高、结构复杂的城市地区,传统的浓密植被气溶胶反演算法难以适用.通过分析地物波谱库中的植被和土壤波谱信息,模拟建立归一化植被指数(NDVI)与红、蓝波段地表反射率之间的相关关系,提出使用MODIS植被指数产品(MOD12)确定地表反射率的方法,实现该类型区域气溶胶光学厚度(AOD)反演.以Landsat8OLI数据为例,选取北京市为研究区进行反演实验,使用AERONET地基观测数据与MODIS气溶胶产品(MOD04)对反演结果进行验证.结果表明,当反射率较高时,NDVI与红、蓝波段地表反射率仍存在较高的相关性,利用该指数能够准确获取高反射率地区的地表信息,算法反演结果与实测值具有较好的一致性,总体相关系数达0.966,68％的反演结果满足误差精度要求,当AOD＜0.5时,有82.3％的结果满足精度要求,较MOD04精度有了较大改善.【总页数】9页(P47-55)【作者】孙林;田信鹏;于会泳;韦晶;麻盛芳;王健;孙长奎【作者单位】山东科技大学测绘科学与工程学院,山东青岛266590;山东科技大学测绘科学与工程学院,山东青岛266590;山东科技大学测绘科学与工程学院,山东青岛266590;山东科技大学测绘科学与工程学院,山东青岛266590;中国科学院遥感与数字地球研究所遥感科学国家重点实验室,北京100101;北京师范大学地理学与遥感科学学院,北京100875;中国国土资源航空物探遥感中心,北京100083【正文语种】中文【中图分类】P407【相关文献】1.基于暗目标法的Landsat-8 OLI数据气溶胶光学厚度反演 [J], 王钰;何红艳;谭伟;齐文雯2.改进的浓密植被法反演Landsat-8 OLI气溶胶光学厚度 [J], 李睿博;孙林3.基于Landsat8OLI可见光波段反演陆地气溶胶光学厚度 [J], 姜晓晨;邓正栋;王大庆;倪博睿4.基于 Landsat 8卫星 OLI 影像遥感反演盐城市区域大气能见度状况 [J], 李旭文;牛志春;姜晟;丁铭;蔡琨5.基于Landsat-8 OLI数据的乌梁素海总溶解性固体质量浓度遥感反演 [J], 阿如娜;青松;包玉海因版权原因，仅展示原文概要，查看原文内容请购买。
