地气解耦的Himawari-8卫星PM2.5浓度估算深度神经网络方法

• 作者: 伍万祥 吴艳兰 江鹏 宁海涛
• 来源期刊: 环境科学学报
• 关键词: PM2.5 Himawari-8 表观反射率 大气贡献值 6S模型 地气解耦 深度神经网络
• 年，卷（期）: 2021,（5）
• 所属期刊栏目: 研究论文
• 页码范围: 1753-1763
• 页数: 11页
• 分类号: X513
• 语种: 中文
• DOI: 10.13671/j.hjkxxb.2020.0234

摘要

现阶段大气PM2.5遥感反演方法大多数都基于卫星气溶胶光学厚度(aerosol optical depth,AOD)产品,这些产品通常是从表观反射率(top-of-atmosphere reflectance,TOA)中反演而来.直接建立TOA产品和地面站点监测的PM2.5浓度间的反演模型能够有效降低由AOD反演所带来的误差传递,但是现阶段反演PM2.5所用到的TOA同时耦合了地表反射率和大气贡献值,想要进一步提升反演精度则需要设法将二者分离.基于此,本文利用Himawari-8(H8)卫星数据,由6S模型进行大气校正,继而统计得到H8前6个波段之间的地表反射率关系式,再运用卫星第六波段表观反射率与地表反射率接近的特性,估算得到前5个波段的地表反射率,并扣除地表反射率得到大气贡献值,以此来达到地气解耦的目的.随后,本文基于深度神经网络构建了PM2.5、大气贡献值、卫星亮温数据、观测角等之间的关系.以安徽省为例,反演结果表明,与不考虑地气解耦的TOA-PM2.5方法相比,本文提出的ATM-PM2.5方法精度更高,在未参与训练的验证站点上,ATM-PM2.5的R2和RMSE值为0.87和13.77 μg·m-3,相对于未经过地气解耦的TOA-PM2.5,R2提高了20％,RMSE值降低了5.24 μg·m-3.另外,利用H8卫星时间分辨率较高的特点,本文对安徽省域范围内进行了逐小时的PM2.5监测,显示本文方法有潜力为PM2.5实时监测提供数据支撑.