京津冀地区1 km分辨率AOD产品精度验证及与大气污染的相关性分析 下载: 1574次
1 引言
中国京津冀地区(北京市、天津市和河北省)由于经济发达和人口密集,通过燃料燃烧、工业废气及交通尾气排放等途径,气溶胶等大气污染物的排放日益增加[1];且受地势和海陆风环流影响,造成污染物的扩散阻碍和循环累积[2]。京津冀地区严重的大气污染状况特别是气溶胶污染,对气候变化和人体健康等都产生不同程度的影响[3-4]。故准确监测和研究该地区气溶胶污染的特征,对分析气候变化、城市空气质量等与人类生活密切相关的环境问题,具有非常重要的意义。
卫星遥感以其大范围观测、长时间序列、短更新周期等特点,在气溶胶监测和分析工作中发挥重要作用[5-6]。为满足不同区域气溶胶研究的需求,不同传感器平台均发布相应的气溶胶产品数据,主要包括CALIPSO(Cloud-Aerosol Lidar and Infrared Pathfinder Satellite Observation)、OMI(Ozone Monitoring Instrument)和MODIS(Moderate Resolution Imaging Spectroradiometer)等[7]。MODIS气溶胶产品已经积累超过15年的全球气溶胶观测数据,为不同区域、长时间序列的气溶胶研究提供了良好的数据基础[8]。MCD19A2是最新的MODIS C6版本气溶胶数据,采用多角度大气校正(MAIAC)算法生产每日1 km空间分辨率的全球气溶胶产品。MAIAC算法是针对MODIS数据开发的一种通用算法[9],基于时间序列分析和图像处理进行气溶胶反演和大气校正。该算法的基本思想是,假设地表特性在空间上变化迅速而在时间上变化相当缓慢,气溶胶则相反。基于该思想,MAIAC通过25×25像元固定大小的16天连续影像,分离地表贡献并推导出1 km分辨率下的地表双向反射分布函数(BRDF)和光谱回归系数(SRC);进而根据各个波段已知的BRDF和SRC,在最新影像中反演1 km分辨率气溶胶结果。MAIAC算法包括内部的云掩模[10]、动态陆地-水-雪分类和地表类型覆盖[11],可应用于不同地表实现气溶胶反演。相关研究[12-13]证明,MAIAC和MOD04的气溶胶结果在黑暗地表和植被覆盖区域具有相似精度,而由于SRC和BRDF的反演,在较亮地表MAIAC具有更高精度。MCD19A2提供了高时间频次、高空间分辨率的全球气溶胶数据,满足环境效应分析、空气质量分析等不同应用需求。
京津冀地区高异质性特点给气溶胶精度带来了巨大挑战[14]。首先,由于京津冀地区地表类型复杂以及浓密植被少、地表反射率较高,大气与地表信息难以有效分离,将严重限制气溶胶反演的精度;同时,该地区气溶胶的来源和类型比较复杂,也会对气溶胶结果精度产生影响。故在使用气溶胶产品数据时应开展相关验证工作,以验证气溶胶结果的精度和可靠性,分析产品在研究区的适用性。
国内外众多学者已针对气溶胶产品的验证和分析工作开展了一系列研究。Chu等[15]利用全球范围内30多个站点的AERONET(Aerosol Robotic Network)数据,对MODIS C004版本气溶胶产品进行验证,发现两者存在较大的偏差;周春艳等[16]使用Beijing和Yulin站点AERONET数据,对比验证了MODIS C004和C005版本气溶胶产品的精度,并分析了两种产品在中国北方地区的适用性,结果表明,该产品所使用的暗目标算法不适用于亮地表;Wong等[7]使用位于香港的三个太阳光度计地面观测站点数据,对MODIS、MISR(Multiangle Imaging SpectroRadiometer)、OMI和CALIPSO气溶胶产品分别进行了验证,结果表明,这些产品可以为香港地区空气质量监测需求提供较为准确可靠的气溶胶数据;Bilal等[17]利用巴基斯坦地区的AERONET站点数据对MODIS C051和C006版本气溶胶产品进行验证和对比,分析了两种产品的精度以及在不同区域的适用性;Wang等[18]通过MODIS C006和AERONET气溶胶数据,在武汉地区对VIIRS(Visible Infrared Imaging Radiometer Suite) IP(Intermediate Product)气溶胶数据的精度开展了验证和分析。其他学者也分别针对不同区域开展了MODIS、NOAA(National Oceanic and Atmospheric Administration)和MERIS(Medium Resolution Imaging Spectrometer)等气溶胶产品的精度验证和适用性评价工作[19-22]。上述研究均采用AERONET、CSHNET(Chinese Sun Hazemeter Network)等气溶胶地基观测数据,对气溶胶产品进行验证和分析,在产品的性能评价、应用等方面具有重要意义。
在气溶胶和空气污染的相关性分析方面,国内外学者也开展了大量的研究。Guo等[23]提出地理和时间加权回归模型,运用MOD04 AOD、气象和土地利用信息数据估算了北京每日3 km空间分辨率的地面细颗粒物(PM2.5)浓度,并说明了卫星气溶胶和PM2.5之间的时空变化关系;Soni等[24]研究发现卫星气溶胶与地面可吸入颗粒物的较高相关性,并使用多元回归统计模型估算了印度斋浦尔地区的可吸入颗粒物参数;刘璇等[25]基于卫星遥感和地面观测资料分析长江三角洲地区一次严重霾污染过程,研究发现AOD与PM2.5、空气质量指数(AQI)的变化趋势相似,相关系数分别为0.732、0.718,说明AOD能较好地反映该次霾污染过程;Huff等[26]提出卫星遥感AOD与PM2.5等大气颗粒物浓度有相关关系,AOD值越高,颗粒物浓度越高,故AOD适用于环境空气质量应用,AOD可用于识别和跟踪空气污染事件;Mei等[27]基于AOD与大气浊度系数之间的关系,提出卫星AOD影像可用于监测空气质量,并通过分析典型空气污染事件发现AOD与空气污染的实际情况可以很好吻合。
在上述研究的基础上,为明确卫星遥感反演的AOD与空气污染之间的关系,本文分析了AOD与环境保护部门提供的AQI之间的相关性。AQI是根据PM2.5、SO2等六项污染物的浓度综合评价空气污染,通过主要污染物来确定污染程度。京津冀地区各个城市在一年中的绝大部分时间其主要的污染物是大气颗粒物,因此AOD和AQI的相关性可以在一定程度上反应AOD对空气污染的指示作用,为AOD用于空气污染的分析提供一定支持。
本文以京津冀地区为研究区域,开展MCD19A2产品气溶胶光学厚度的精度验证工作。首先选择2014年京津冀地区的MCD19A2数据,与精确的AERONET站点气溶胶实测数据进行对比,验证气溶胶结果的精度和可靠性。同时对2014~2018年MCD19A2和AQI数据进行相关性分析,研究MCD19A2数据的AOD对空气污染的指示作用。
2 研究区与数据源
2.1 研究区介绍
京津冀地区(36°~42°N,112°~121°E)位于中国东部,地处华北平原,北面和西面分别为燕山和太行山,其余为张北高原和河北平原,整体地形复杂;气候为典型的暖温带大陆性季风气候,四季分明,不同季节的温度和湿度差别较大;行政区划包括北京、天津和河北省的石家庄、保定、廊坊、唐山、邯郸、衡水、邢台、沧州、张家口、承德、秦皇岛共计13个城市。京津冀地区人口众多、城市聚集,作为全国重要的经济中心之一,近年来经济发展迅速,实现了高度城镇化。但快速的经济和城市化发展,以及频繁的人类活动,导致气溶胶等污染物的排放日益增加,形成严重的大气污染现状[28]。京津冀地区已成为气溶胶监测、空气污染评价等环境问题的热点研究区域[29]。故本文选择京津冀地区作为研究区,开展MCD19A2气溶胶产品的精度验证工作,并研究该产品对空气污染的指示作用。
2.2 数据源
本研究使用的数据包括MCD19A2气溶胶产品、AERONET站点气溶胶实测数据和空气质量指数数据。
2.2.1 MCD19A2数据
MCD19A2数据是NASA最新发布的MODIS C6版本气溶胶光学厚度产品,以高空间分辨率和高时间频次实现了对全球陆地区域的气溶胶监测。空间分辨率为1 km,数据集包括550 nm波段AOD、气溶胶模型和不确定因子等气溶胶参数。MCD19A2采用MAIAC算法,基于时间序列分析和图像处理进行气溶胶反演;且MAIAC算法包括内部的云掩模、动态陆地-水-雪分类和地表类型覆盖,产品可为不同地表类型提供准确和稳定的空间覆盖。本文选择2014~2018年覆盖京津冀地区的7176景MCD19A2数据(HDF格式),开展相关研究工作。
对MCD19A2数据的处理主要包括影像格式转化、剔除无效值、拼接和裁剪。格式转化是指将HDF格式数据转化为Tiff影像,并赋投影信息;剔除无效值是指对AOD结果影像中大于2的像元进行剔除,不参与研究;拼接是指将分幅影像拼接为能覆盖京津冀地区的整幅影像;裁剪是指根据矢量裁剪整幅影像,获取京津冀地区以及每个城市的影像。处理完成获得京津冀地区的气溶胶结果,时间分辨率为1天,空间分辨率为1 km。
图 1. 京津冀地区的MCD19A2数据AOD空间分布
Fig. 1. Spatial distribution of MCD19A2 AOD in the Beijing-Tianjin-Hebei region
2.2.2 AERONET数据
AERONET是由法国科研中心和美国航空航天局共同建立的气溶胶地基观测网络[30],提供全球主要区域超过1500个站点的气溶胶地基观测值。使用CIMEL CE318全自动太阳光度计作为基本观测仪器,可提供440 nm、675 nm、870 nm和1020 nm 等波段的AOD实测值。气溶胶观测数据时间分辨率为15 min,共包括三个质量级别: Level1.0(未筛选)、Level1.5(云筛选和质量控制)和Level2.0(质量保证),级别越高精度越高。本文选择位于京津冀地区共计6个站点的Level2.0级别(Level2.0不存在时用Level1.5代替)AOD实测数据,对MCD19A2气溶胶结果进行定量的精度验证。所选择的AERONET站点及数据信息在
表 1. AERONET站点及数据信息
Table 1. Site and data information of AERONET
|
选择AERONET数据验证MCD19A2气溶胶产品,但由于AERONET未提供550 nm波段处的AOD测量值,需要对AOD实测数据进行波段转换。在440 nm、675 nm、870 nm和1020 nm四个波段的数据中,选择距离550 nm较近且可获取数据的两个波段,使用Angstrom经验方程插值获得550 nm处的气溶胶光学厚度。
式中:τ(λ)为波长λ处气溶胶光学厚度;α为波长指数;β为Angstrom浑浊度系数;λ0表示波长550 nm;λ1、λ2表示所选择两个波段的波长。
2.2.3 AQI数据
空气质量指数AQI是用于定量描述空气质量状况的无量纲指数,参与空气质量评价的主要污染物为细颗粒物(PM2.5)、可吸入颗粒物(PM10)、二氧化硫(SO2)、二氧化氮(NO2)、臭氧(O3)和一氧化碳(CO)[31-32]。AQI用于描述空气的污染程度以及对健康的影响,适合于表示城市的短期空气质量状况和变化趋势,并指导空气污染的控制和管理。AQI数值越大说明空气污染状况越严重,对人体健康的危害也就越大。首要污染物是指AQI大于50时空气质量分指数(IAQI)最大的空气污染物。空气质量指数计算公式为
式中:IAQIP为污染物P的空气质量分指数;CP为污染物P的质量浓度值;BPHi和BPL0分别为与CP相近的污染物浓度限值的高位数和低位数;IAQIHi为与BPHi对应的空气质量分指数;IAQIL0为与BPL0对应的空气质量分指数;IAQIi为第i项污染物的空气质量分指数;n为污染物项目。
本文选择2014~2018年京津冀地区13个城市的日平均和月平均AQI数据,与MCD19A2数据联合分析,研究MCD19A2 AOD对空气污染情况的指示作用。
3 与AERONET实测数据的精度验证
为了验证MCD19A2数据AOD结果的精度和可靠性以及在京津冀地区的适用性,选择2014年京津冀地区6个AERONET站点的AOD实测数据开展验证工作,并选择相关误差指标进行精度评价和分析。
3.1 时空匹配
MCD19A2提供的AOD结果为传感器成像时间的影像,而AERONET提供的AOD结果为不同站点时间分辨率为15 min的实测值。为保证验证的可靠性,需要对两种数据的AOD结果进行时间和空间的匹配。
时间上,取MODIS传感器过境时间的AERONET站点AOD实测值作为真实值,若MODIS传感器过境时间没有实测值,则以前后30 min范围内至少两次实测AOD值的平均值代替。空间上,以AERONET站点经纬度为中心的5×5像素取样窗口,在MCD19A2气溶胶影像中获取气溶胶结果,取平均值作为MCD19A2的反演值。根据时间和空间匹配方法,可获取反演值与真实值的AOD点对,用于进行精度验证和对比分析。
3.2 验证方法
为了准确、全面地评价MCD19A2数据气溶胶反演结果的精度和可靠性,选择皮尔森相关系数(R)、相对平均偏离(RMB)、平均绝对误差(MAE)、平均相对误差(MRE)和均方根误差(RMSE)五个指标,定量验证气溶胶反演精度。R用于衡量反演值与真实值之间的线性相关程度,|R|数值越大说明相关性越大,反演结果越准确;RMB用于评价反演值与真实值之间的偏离程度,RMB越接近于1说明偏离越小,反演结果越准确;MAE表示反演值与实测值之间绝对误差的平均值,用于衡量反演结果绝对误差的整体大小,MAE越小说明反演结果越准确;MRE表示反演值与真实值之间相对误差的平均值,用于衡量反演结果平均误差的整体大小,MRE越小说明反演结果越准确;RMSE表示反演值和真实值之间差异(称为残差)的样本标准差,用于衡量反演值和真实值之间的偏差,RMSE越小说明反演结果越准确。
同时选择线性回归模型(y=kx+b)和气溶胶反演期望误差(EE)分析反演结果与真实值之间的整体分布情况。k越接近于1说明反演值越精确,b越接近于0说明反演值偏离越小;以=/>/ R、RMB、MAE、MRE、RMSE、EE的计算公式为 式中:x、y分别表示MCD19A2反演值和AERONET真实值;n表示验证组数。3.3 验证结果及评价
根据时空匹配方法,共获取698组MCD19A2和AERONET的AOD验证点对。
根据精度验证指标的统计可得:相关系数(R=0.9504)和相对平均偏离(RMB为1.0992)非常接近于1,说明反演结果与实测值之间相关性很好;均方根误差、平均绝对误差和平均相对误差均较小(RMSE为0.1243,MAE为0.0863,MRE为0.2905),多方面说明反演结果误差较小;82.26%的反演结果在期望误差范围内,高估和低估的比例分别为10.44%和7.3%,说明大部分结果满足误差精度要求。同时,根据AOD点对的散点分布可得:验证点对均匀分布在y=x直线的两侧,所存在的部分高估和低估结果也非常接近于误差限,线性回归直线的斜率趋近于1(k=0.9828)且截距较小(b=0.0133),说明反演值和实测值的一致性较好。
综上验证结果和分析整体说明,MCD19A2气溶胶结果的精度较高,且与AERONET实测值间具有较高的一致性。因此,MCD19A2产品精度较高且适用于京津冀地区,选择其AOD结果表达京津冀地区的气溶胶分布是准确和可靠的。
4 与AQI数据的相关性分析
根据2014~2018年覆盖京津冀地区的MCD19A2数据,进行格式转化、赋投影信息、剔除无效值、拼接和裁剪处理,获取京津冀地区2014~2018年每日的550 nm波段AOD影像(Tiff格式);并按照不同年份的数据,逐像元采用均值合成方法,分别获取逐年合成影像和多年合成影像。基于不同级别的气溶胶合成影像与AQI数据进行相关性分析,分别在不同尺度上研究MCD19A2气溶胶结果对空气污染的指示作用。
4.1 多年平均数据的相关性分析
基于MCD19A2数据,获取2014~2018年京津冀地区AOD多年平均值的空间分布,如
图 4. 2014~2018年京津冀地区AOD多年平均值的空间分布
Fig. 4. Spatial distribution of AOD multi-year mean value in Beijing-Tianjin-Hebei region from 2014 to 2018
图 5. 2014~2018年京津冀地区城市空气质量等级统计
Fig. 5. Statistics of urban air quality levels in the Beijing-Tianjin-Hebei region from 2014 to 2018
同时根据获取的AQI数据和MCD19A2气溶胶结果,计算京津冀地区13个城市的AOD和AQI的多年平均值,如
表 2. 2014~2018年京津冀地区各城市的AQI和AOD多年均值
Table 2. Multi-year mean value of AQI and AOD by cities in the Beijing-Tianjin-Hebei region from 2014 to 2018
|
相关研究已证明,气溶胶遥感反演可以为空气质量分析提供一定参考和支持[23-27]。而上述结果进一步证明:MCD19A2产品AOD与AQI数据具有较高的相关性,MCD19A2气溶胶结果可以在一定程度上直接反映城市空气质量,对城市空气污染情况具有直接的指示作用。与实测的空气质量数据相比,MCD19A2产品具有较大范围的空间覆盖和较好的空间连续性,可为大范围、连续空间的空气质量分析工作提供一定支持。
4.2 逐年平均数据的相关性分析
基于MCD19A2数据,获取2014~2018年京津冀地区AOD逐年平均值的空间分布,如
图 6. 2014~2018年京津冀地区AOD逐年平均值空间分布
Fig. 6. Spatial distribution of AOD annual mean value in the Beijing-Tianjin-Hebei region from 2014 to 2018
图 7. 2014~2018年京津冀地区各城市AOD和AQI年平均值变化
Fig. 7. Annual mean value of AOD and AQI by cities in the Beijing-Tianjin-Hebei region from 2014 to 2018
综上,长时间序列的MCD19A2气溶胶数据和AQI数据呈现相一致的变化趋势,且具有较高相关性。再次证明MCD19A2产品对空气污染状况的指示作用,MCD19A2产品可为长时间序列的城市空气污染分析提供支持和参考。
5 结论
本文选择大气污染严重的京津冀地区为研究区,对MCD19A2气溶胶光学厚度产品的精度进行验证和分析;并将AOD数据与城市AQI数据进行联合分析,研究MCD19A2气溶胶数据对空气污染的指示作用。
选择AERONET站点的AOD实测数据对MCD19A2产品气溶胶结果进行验证,并选择RMB、MRE、RMSE等精度验证指标进行评价。验证结果表明,误差较小且与实测数据的一致性较好(R=0.9504、RMB为1.0992、RMSE为0.1243、MAE为0.0863、MRE为0.2905、=EE为82.26%),说明MCD19A2数据具有较高的精度和稳定性,其所表达的京津冀地区气溶胶信息是准确和可靠的。同时对2014~2018年京津冀地区的MCD19A2 AOD数据和城市AQI数据进行联合分析,结果表明AOD和AQI相关性较高,且两种数据在空间分布和时间序列尺度上具有相一致的变化趋势;证明MCD19A2气溶胶数据对空气污染具有直接的指示作用,可为城市空气污染的监测和分析工作提供一定支持。
本文工作为京津冀地区及更多地区的气溶胶研究工作提供了相关参考,在气溶胶特性研究、城市空气污染监测及评价等方面具有重要意义。
[2] Bei N F, Zhao L N, Wu J R, et al. Impacts of sea-land and mountain-valley circulations on the air pollution in Beijing-Tianjin-Hebei (BTH): a case study[J]. Environmental Pollution, 2018, 234: 429-438.
[3] Sokolik I N, Toon O B. Direct radiative forcing by anthropogenic airborne mineral aerosols[J]. Nature, 1996, 381(6584): 681-683.
[4] Charlson R J, Schwartz S E, Hales J M, et al. Climate forcing by anthropogenic aerosols[J]. Science, 1992, 255(5043): 423-430.
[5] Kokhanovsky A A, Breon F M, Cacciari A, et al. Aerosol remote sensing over land:a comparison of satellite retrievals using different algorithms and instruments[J]. Atmospheric Research, 2007, 85(3/4): 372-394.
[6] 范娇, 郭宝峰, 何宏昌. 基于MODIS数据的杭州地区气溶胶光学厚度反演[J]. 光学学报, 2015, 35(1): 0101001.
[7] Wong M S, Shahzad M I, Nichol J E, et al. Validation of MODIS, MISR, OMI, and CALIPSO aerosol optical thickness using ground-based sunphotometers in Hong Kong[J]. International Journal of Remote Sensing, 2013, 34(3): 897-918.
[8] Remer L A, Kaufman Y J, Tanre D, et al. The MODIS aerosol algorithm, products, and validation[J]. Journal of the Atmospheric Sciences, 2005, 62(4): 947-973.
[9] Lyapustin A, Wang Y, Laszlo I, et al. Multiangle implementation of atmospheric correction (MAIAC): 2. Aerosol algorithm[J]. Journal of Geophysical Research: Atmospheres, 2011, 116(D3): D03211.
[10] Lyapustin A, Wang Y, Frey R. An automatic cloud mask algorithm based on time series of MODIS measurements[J]. Journal of Geophysical Research: Atmospheres, 2008, 113(D16): D16207.
[11] Lyapustin A, Tedesco M, Wang Y J, et al. Retrieval of snow grain size over Greenland from MODIS[J]. Remote Sensing of Environment, 2009, 113(9): 1976-1987.
[13] Superczynski S D, Kondragunta S, Lyapustin A I. Evaluation of the multi-angle implementation of atmospheric correction (MAIAC) aerosol algorithm through intercomparison with VIIRS aerosol products and AERONET[J]. Journal of Geophysical Research: Atmospheres, 2017, 122(5): 3005-3022.
[14] Wei J, Sun L. Comparison and evaluation of different MODIS aerosol optical depth products over the Beijing-Tianjin-Hebei region in China[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2017, 10(3): 835-844.
[15] Chu DA, Kaufman YJ, IchokuC, et al., 2002, 29(12): MOD2-1-MOD2-4.
[16] 周春艳, 柳钦火, 唐勇, 等. MODIS气溶胶C004、C005产品的对比分析及其在中国北方地区的适用性评价[J]. 遥感学报, 2009, 13(5): 854-872.
Zhou C Y, Liu Q H, Tang Y, et al. Comparison between MODIS aerosol product C004 and C005 and evaluation of their applicability in the north of China[J]. Journal of Remote Sensing, 2009, 13(5): 854-872.
[17] Bilal M, Nichol J E, Nazeer M. Validation of aqua-MODIS C051 and C006 operational aerosol products using AERONET measurements over Pakistan[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2016, 9(5): 2074-2080.
[18] Wang W, Mao F Y, Pan Z X, et al. Validation of VIIRS AOD through a comparison with a Sun photometer and MODIS AODs over Wuhan[J]. Remote Sensing, 2017, 9(5): 403.
[19] Ignatov A M, Stowe L L, Sakerin S M, et al. Validation of the NOAA/NESDIS satellite aerosol product over the North Atlantic in 1989[J]. Journal of Geophysical Research: Atmospheres, 1995, 100(D3): 5123-5132.
[21] Sayer A M, Munchak L A, Hsu N C, et al. MODIS collection 6 aerosol products: comparison between aqua's e-deep blue, dark target, and “merged” data sets, and usage recommendations[J]. Journal of Geophysical Research: Atmospheres, 2014, 119(24): 13965-13989.
[22] 刘晶晶, 刘芸, 王国英, 等. MODIS C061气溶胶光学厚度产品在西安地区的适用性研究[J]. 光学学报, 2019, 39(10): 1001004.
[23] Guo Y X, Tang Q H, Gong D Y, et al. Estimating ground-level PM2.5 concentrations in Beijing using a satellite-based geographically and temporally weighted regression model[J]. Remote Sensing of Environment, 2017, 198: 140-149.
[24] Soni M, Payra S, Verma S. Particulate matter estimation over a semi arid region Jaipur, India using satellite AOD and meteorological parameters[J]. Atmospheric Pollution Research, 2018, 9(5): 949-958.
[25] 刘璇, 朱彬, 侯雪伟, 等. 基于卫星遥感和地面观测资料的霾过程分析: 以长江三角洲地区一次严重霾污染过程为例[J]. 中国环境科学, 2015, 35(3): 641-651.
Liu X, Zhu B, Hou X W, et al. Analysis of haze events based on satellite remote sensing and field observations: a case study of severe haze pollution over the Yangtze River Delta[J]. China Environmental Science, 2015, 35(3): 641-651.
[26] Huff AK. VIIRS aerosol optical depth (AOD) products for air quality applications[C]∥ AGU Fall Meeting Abstracts, 2014.
[27] Mei LL, XueY, GuangJ, et al.Aerosol optical depth retrieval over land using MODIS data and its application in monitoring air quality[C]∥ 2009 IEEE International Geoscience and Remote Sensing Symposium, July 12-17, 2009, Cape Town, South Africa.New York: IEEE Press, 2009: V-421-V-424.
[28] 伯广宇, 谢晨波, 王邦新, 等. 机载激光雷达探测京津冀地区气溶胶的空间分布[J]. 光学学报, 2015, 35(9): 0901007.
[29] Wang G, Cheng S Y, Li J B, et al. Source apportionment and seasonal variation of PM2.5 carbonaceous aerosol in the Beijing-Tianjin-Hebei Region of China[J]. Environmental Monitoring and Assessment, 2015, 187(3): 1-13.
[30] Holben B N, Tanré D, Smirnov A, et al. An emerging ground-based aerosol climatology: aerosol optical depth from AERONET[J]. Journal of Geophysical Research: Atmospheres, 2001, 106(D11): 12067-12097.
[31] 中华人民共和国国家质量监督检验检疫总局. 环境空气质量标准: GB 3095—2012 [S]. 北京: 中国环境科学出版社, 2012.
General Administration of Quality Supervision, InspectionandQuarantine of the People's Republic of China. Ambient air quality standards: GB 3095—2012[S]. Beijing: China Environmental Science Press, 2012.
[32] 中华人民共和国国家质量监督检验检疫总局. 环境空气质量指数(AQI)技术规定(试行): HJ 633—2012 [S]. 北京: 中国环境科学出版社, 2012.
General Administration of Quality Supervision, InspectionandQuarantine of the People's Republic of China. Technical regulation on ambient air quality index (on trial): HJ 633—2012 [S].Beijing: China Environmental Science Press, 2012.
Article Outline
贾臣, 孙林, 王永吉, 张熙空. 京津冀地区1 km分辨率AOD产品精度验证及与大气污染的相关性分析[J]. 激光与光电子学进展, 2020, 57(23): 232802. Chen Jia, Lin Sun, Yongji Wang, Xikong Zhang. Accuracy Validation of 1 km Resolution AOD Products in Beijing-Tianjin-Hebei Region and Correlation Analysis with Air Pollution[J]. Laser & Optoelectronics Progress, 2020, 57(23): 232802.