环境科学  2015, Vol. 36 Issue (3): 794-800   PDF    
引用本文
薛文博, 武卫玲, 付飞, 王金南, 韩宝平, 雷宇. 中国2013年1月PM2.5重污染过程卫星反演研究[J]. 环境科学, 2015, 36(3): 794-800.
XUE Wen-bo, WU Wei-ling, FU Fei, WANG Jin-nan, HAN Bao-ping, LEI Yu. Satellite Retrieval of a Heavy Pollution Process in January 2013 in China[J]. Environmental Science, 2015, 36(3): 794-800.
中国2013年1月PM2.5重污染过程卫星反演研究
薛文博1,2, 武卫玲2, 付飞2, 王金南2, 韩宝平1 , 雷宇2    
1. 中国矿业大学环境与测绘学院, 徐州 221008;
2. 环境保护部环境规划院, 北京 100012
收稿日期: 2014-08-22; 修订日期: 2014-10-27.
基金项目： 环境保护公益性行业科研专项(201209001); 国家自然科学基金项目(713401154)
作者简介：薛文博(1981~),男,博士,副研究员,主要研究方向为空气质量模型、排放清单、环境卫星遥感及大气污染控制对策等,E-mail:xuewb@caep.org.cn
通讯联系人,韩宝平,E-mail:bphan@cumt.edu.cn
摘要：利用第三代空气质量模型CMAQ(community multiscale air quality modelling system)模拟的PM2.5垂直分层数据和中尺度气象模型WRF(weather research and forcasting model)模拟的高分辨率湿度数据,分别对MODIS AOD(aerosol optical depth)资料进行垂直与湿度订正,建立了订正后的AOD数据与PM2.5地面监测数据之间的线性拟合模型,其线性相关系数r=0.77(n=57,P<0.01). 基于此线性拟合模型,首次反演了2013年1月全国10 km分辨率PM2.5月均浓度的空间分布特征,并分析了人口暴露水平. 结果表明,2013年1月我国PM2.5月均浓度大于100 μg·m-3、200 μg·m-3的面积占国土面积的比例分别高达10.99%、1.34%,暴露人口占全国总人口的比例分别高达45.01%、6.31%.
关键词： 卫星反演     PM2.5     AOD     CMAQ     WRF    
Satellite Retrieval of a Heavy Pollution Process in January 2013 in China
XUE Wen-bo1,2, WU Wei-ling2, FU Fei2, WANG Jin-nan2, HAN Bao-ping1 , LEI Yu2    
1. School of Environmental Science and Spatial Informatics, China University of Mining and Technology, Xuzhou 221008, China;
2. Chinese Academy for Environmental Planning, Beijing 100012, China
Abstract: By simulating vertical stratification data of PM2.5 with the third-generation air quality model CMAQ and high resolution relative humidity data with mesoscale meteorological model WRF, MODIS AOD data were revised by vertical and humidity correcting method, respectively. A linear regression model between revised AOD and PM2.5 was built, and the linear correlation coefficient was r=0.77 (n=57,P<0.01). Based on this model, the average monthly concentrations of PM2.5 in 10 km resolution in January 2013 were firstly retrieved in the country, and the population exposure level was analyzed. The results showed that the areas where average monthly concentrations of PM2.5 was greater than 100 μg·m-3 and 200 μg·m-3 in January 2013 were 10.99% and 1.34% of the national terrestrial area, respectively, and the ratios of exposed population were as high as 45.01% and 6.31%, respectively.
Key words: satellite retrieval     PM2.5     AOD     CMAQ     WRF    

为掌握全国PM2.5污染状况，我国于2013年开始在74个城市开展了PM2.5的监测与数据实时发布工作，但目前我国开展PM2.5监测的城市较少，尚难以反映全国PM2.5污染的总体状况. 此外，PM2.5污染具有较高时空变异性，尽管PM2.5地面监测手段能够提供时间连续的监测数据，但不能得到连续的空间覆盖信息，难以有效反映PM2.5污染的时空演变趋势. 研究表明，利用卫星遥测的气溶胶光学厚度(AOD)表征PM2.5污染状况，是弥补地面监测手段不足的有效技术手段[1,2,3,4,5,6,7,8].

由于AOD受大气湿度与PM2.5浓度及其垂直分布特征的多重影响，因此通过AOD反演近地面PM2.5浓度的关键在于对AOD进行湿度与垂直订正. 国内外学者在AOD反演近地面PM2.5浓度领域做了大量的研究，Engel-Cox等[9]和Hutchison等[10] 分别利用机载、 地基激光雷达测量的气溶胶垂直分布数据对MODIS AOD进行垂直订正，显著提高了AOD与近地面PM2.5浓度的相关性; van Donkelaar等[11]利用大气化学传输模型GEOS-Chem模拟了PM2.5与AOD之间的转换因子，建立了近地面PM2.5浓度和AOD的线性拟合模型(r=0.77)，反演了2001-2006年全球近地面PM2.5平均浓度; Wang等[12]利用气象站点实测的湿度数据和激光雷达探测的混合层高度对北京地区MODIS AOD进行湿度和垂直订正后，建立了近地面PM2.5浓度和MODIS AOD的线性拟合模型(R2=0.47). 虽然已有研究大多对AOD进行了湿度或垂直订正，但是仍存在一定不足. 湿度订正方面，由于地面气象站点有限，利用地面气象站点实测的湿度数据订正AOD，存在“以点代面”的缺陷，在区域尺度上存在较大不确定性; 垂直订正方面，通过地基、 机载雷达测定的气溶胶标高或气象模型模拟的混合层高度订正AOD，均未考虑气溶胶在垂直层分布的不均匀性特征.

本研究首次采用第三代空气质量模型CMAQ[13]模拟的高空间分辨率PM2.5垂直分层数据和中尺度气象模型WRF[14]模拟的高空间分辨率湿度数据，对AOD资料分别进行垂直与湿度订正，建立订正后的AOD数据和近地面PM2.5监测浓度之间的线性拟合模型. 基于拟合模型，反演了我国2013年1月PM2.5重污染过程，并分析了人口暴露水平. 1 材料与方法 1.1 方法设计

本研究方法设计为：①直接相关. 对AOD不进行任何订正，直接建立AOD与近地面PM2.5监测浓度之间的拟合模型; ②垂直订正. 利用第三代空气质量模型CMAQ模拟的高分辨率PM2.5垂直分布数据对AOD进行垂直订正，建立订正后的AOD与近地面PM2.5监测浓度之间的拟合模型; ③湿度订正. 利用中尺度气象模型WRF模拟的高分辨率相对湿度数据对AOD进行湿度订正，建立订正后的AOD与近地面PM2.5监测浓度之间的拟合模型; ④垂直-湿度订正. 同时对AOD进行垂直与湿度订正，建立经垂直-湿度订正后的AOD与近地面PM2.5监测浓度之间的拟合模型; ⑤拟合模型优选. 对比分析直接相关得到的拟合模型，经垂直订正、 湿度订正、 垂直-湿度订正后的AOD与近地面PM2.5监测浓度之间的拟合模型，依据相关性强弱，选取最优拟合模型; ⑥PM2.5浓度反演. 利用选取的最优拟合模型，反演2013年1月全国10 km分辨率PM2.5月均浓度空间分布特征，并分析人口暴露水平. 1.2 模型设置

(1)模拟时段选取发生PM2.5重污染事件的2013年1月模拟，模拟时间间隔为1 h.

(2)CMAQ模型CMAQ模拟区域采用Lambert投影坐标系，中心经度为103°E，中心纬度为37°N，2条平行标准纬度为25°N和40°N. 水平模拟范围为X方向(-2 682-2 682 km)、 Y方向(-2 142-2 142 km)，网格间距36 km，共将模拟区域划分为150×120个网格，研究区域包括中国全部陆域范围. 模拟区域垂直方向共设置9个气压层，层间距自下而上逐渐增大. 通过CMAQ模型模拟每个网格PM2.5浓度在9个气压层的分布特征. 排放清单及模型具体参数设置见已有研究成果[15].

(3)WRF模型WRF模型与CMAQ模型采用相同的空间投影坐标系，但模拟范围大于CMAQ模拟范围，其水平模拟范围为X方向(-3 582-3 582 km)、 Y方向(-2 502-2 502 km)，网格间距36 km，共将研究区域划分为200×140个网格. 垂直方向共设置28个气压层，层间距自下而上逐渐增大. WRF模型的初始输入数据采用美国国家环境预报中心(NCEP)提供的6 h 1次、 1°分辨率的FNL全球分析资料. 通过WRF模型模拟每个网格对应28个气压层的相对湿度. 1.3 AOD数据 AOD数据来自搭载在美国航空航天局(NASA)AQUA卫星上的中分辨率成像光谱仪MODIS遥感影像[16]. 对2013年1月MODIS MYD04数据进行预处理，获取550 nm光谱处的暗像元和深蓝算法两种AOD产品，对两种AOD产品进行投影转换、 拼接、 融合，获得两种算法融合后的10 km分辨率AOD产品，并提取出74个城市AOD月均值. 2 PM2.5拟合模型 2.1 直接相关

由于卫星遥测的AOD受到云量等多种因素的影响，2013年74个开展PM2.5监测的城市中AOD月均值有效样本数仅为57个. 采用最小二乘法对57个城市AOD月均值与地面监测的PM2.5月均浓度进行线性拟合，建立线性拟合模型，见公式(1)及图 1(a)所示. AOD与地面监测PM2.5浓度之间的相关系数r达到0.62，表明AOD与PM2.5监测浓度呈较为明显的线性相关性，但由于AOD受到大气湿度和PM2.5浓度垂直分布特征的影响，AOD大小并不能很好地表征近地面层PM2.5浓度高低，因此有必要对AOD进行垂直、 湿度订正.

式中，y为2013年1月PM2.5月均浓度(μg ·m-3); x为未经订正的AOD，见图 2(a).
图 1 AOD与近地面PM2.5浓度相关性 Fig. 1 Correlation between AOD and surface-level PM2.5 concentration

图 2 2013年1月全国AOD Fig. 2 National AOD in January 2013
2.2 垂直订正 AOD表征的是大气垂直柱内所有气溶胶的消光能力，要获取近地面气溶胶消光能力应该对AOD进行垂直订正，假设气溶胶消光能力与气溶胶浓度呈正比，利用CMAQ模型模拟的36 km分辨率PM2.5浓度垂直分层数据对原始AOD进行订正，订正方法见公式(2)所示.

式中，AODv为经垂直订正的气溶胶光学厚度，订正结果见图 2(a); η为CMAQ模型模拟的近地面层PM2.5浓度占所有垂直层总浓度的比例(%)，η模拟结果见图 3(a).
图 3 2013年1月AOD垂直与湿度订正系数 Fig. 3 Vertical and relative humidity revise factors of AOD in January 2013

对57个城市的AODv与地面监测PM2.5浓度进行线性拟合，建立两者之间的线性拟合模型，见公式(3)及图 1(b)所示. 线性相关系数r由直接相关时的0.62提高到0.66，相关性有所增强. 主要原因是：AOD反映了整个对流层气溶胶消光能力的总和，而PM2.5监测数据仅代表近地面层浓度水平，因此通过模型模拟的PM2.5浓度垂直分层数据对AOD进行订正后可以减少非近地面层PM2.5对AOD的影响，提高AOD表征近地面层PM2.5浓度的准确性.

式中，y为2013年1月PM2.5月均浓度(μg ·m-3)，x为AODv. 2.3 湿度订正 利用WRF模型模拟的36 km分辨率相对湿度对原始AOD进行订正，订正方法见公式(4)所示.

式中，AODrh为经湿度订正的气溶胶光学厚度，订正结果见图 2(c); f(rh)为颗粒物散射吸湿增长因子，表征空气湿度对AOD的影响大小，通过经验公式(5)计算[17,18,19,20,21,22,23]：

式中，rh为WRF模型模拟的大气相对湿度(%)，rh模拟结果见图 3(b).

对57个城市的AODrh与地面监测PM2.5浓度进行线性拟合，建立AODrh与PM2.5之间的线性拟合模型，见公式(6)及图 1(c)所示. 相关系数r由直接关联时的0.62提高到0.75，相关性显著增强. 其原因在于：大气颗粒物中的硫酸盐、 硝酸盐、 铵盐等粒子具有较强的吸湿性，粒子吸湿后其粒径、 质量、 密度、 折射指数等微物理参数均会发生变化，消光能力有所增强，而采用WRF模型模拟的相对湿度对AOD进行订正可以大幅降低空气湿度对AOD的影响.

式中，y为 2013年1月PM2.5月均浓度(μg ·m-3); x为AODrh. 2.4 垂直-湿度订正 首先对AOD进行垂直订正得到AODv，然后对AODv进行湿度订正得到AODv-rh，订正方法见公式(7).

式中，AODv-rh为经垂直-湿度同时订正的气溶胶光学厚度，订正结果见图 2(d).

对57个城市的AODv-rh与地面监测PM2.5浓度进行线性拟合，建立AODv-rh与地面监测PM2.5浓度之间的线性拟合模型，见公式(8)及图 1(d)所示. 相关系数r达到0.77，明显高于直接相关、 垂直订正、 湿度订正后的相关系数，这证实了本研究所采用垂直-湿度订正方法的有效性.

式中，y为2013年1月PM2.5月均浓度(μg ·m-3); x为AODv-rh. 2.5 反演模型优选 分别采用4个线性拟合模型反演57个样本城市近地面PM2.5月均浓度，将反演的PM2.5月均浓度与监测浓度进行统计分析，从相关系数、 一致性指数及标准平均误差各项统计指标来看，4个线性拟合模型反演近地面PM2.5浓度与监测值之间的一致性关系从大到小依次是：垂直-湿度订正(r=0.77，I=0.87，NME=26%)、 湿度订正(r=0.75，I=0.82，NME=27%)、 垂直订正(r=0.66，I=0.76，NME=29%)和直接相关(r=0.62，I=0.73，NME=31%)，可以看出近地面PM2.5浓度拟合模型公式(8)明显优于拟合模型公式(1)、 (3)和(6)，因此选取公式(8)反演2013年1月全国10 km分辨率近地面PM2.5浓度，并分析人口暴露水平. 不同拟合模型统计学参数见表 1所示. 相关系数、 一致性指数、 标准平均误差计算见公式(9)、 (10)、 (11).

式中，r(无量纲)、 I(无量纲)、 NME(%)分别为相关系数、 一致性指数、 标准平均误差，Pi(μg ·m-3)、 Pj(μg ·m-3)分别为拟合模型反演的各样本城市PM2.5浓度及所有样本城市反演浓度的平均值，Oi(μg ·m-3)、 Oj(μg ·m-3)为各样本城市监测PM2.5浓度及所有样本城市监测浓度的平均值.
表 1 PM2.5浓度反演模型 Table 1 Retrieval models of PM2.5 concentration
3 PM2.5浓度反演

依据公式(7)和(8)反演2013年1月近地面PM2.5月均浓度，反演结果见图 4所示. 结果表明，2013年1月我国PM2.5月均浓度最大值高达518.00 μg ·m-3，最小值为34.10 μg ·m-3(表 2)，最小值接近国家年均二级标准. PM2.5重污染地区主要集中在以京津冀为中心的华北平原、 山东半岛、 两湖平原和成渝盆地等人口密集地区，重污染地区与人口密集区域高度重合. 统计结果表明，2013年1月我国PM2.5月均值小于50 μg ·m-3的面积约648.96万km2，主要集中在西部和东北地区，占国土面积67.60%，暴露人口约占全国总人口的20.76%(表 3); PM2.5月均浓度介于50 μg ·m-3和75 μg ·m-3之间的面积约为125.57万 km2，占国土面积13.08%，暴露人口约占全国总人口的15.40%; 浓度在75 μg ·m-3和100 μg ·m-3之间的面积约79.97万 km2，占全国总面积的8.33%，暴露人口约占全国总人口的18.83%; PM2.5月均浓度大于100 μg ·m-3、 200 μg ·m-3的面积占国土面积的比例分别高达10.99%、 1.34%，暴露人口占全国总人口的比例分别高达45.01%、 6.31%，其中大于100 μg ·m-3的地区仅占国土面积的10.99%，但却集中了全国45.01%的人口，PM2.5污染对公众健康造成严重危害[24,25,26].

图 4 10 km分辨率PM2.5浓度反演结果 Fig. 4 Retrieval results of PM2.5 concentration at the resolution of 10 km

表 2 PM2.5反演结果统计 /μg ·m-3 Table 2 Statistics of PM2.5 retrieval results/μg ·m-3

表 3 人口暴露水平 Table 3 Population exposure assessment
4 结论

(1)利用第三代空气质量模型CMAQ模拟的高分辨率PM2.5垂直分层数据和中尺度气象模型WRF模拟的高分辨率湿度数据，分别对MODIS AOD资料进行垂直与湿度订正，AOD经垂直订正、 湿度订正及湿度-垂直同时订正后与PM2.5地面监测数据的相关系数由未订正时的r=0.62分别提高到0.66、 0.75、 0.77，相关系数逐步提高，证实了所采用的AOD垂直、 湿度订正方法的有效性.

(2)2013年1月重污染事件PM2.5浓度反演结果表明，PM2.5月均浓度大于100 μg ·m-3、 200 μg ·m-3的面积占国土面积的比例分别高达10.99%、 1.34%，暴露人口占全国总人口的比例分别高达45.01%、 6.31%，PM2.5污染有可能对公众健康造成严重危害.

参考文献
[1] Liu Y, Sarnat J A, Kilaru V, et al. Estimating ground-level PM2.5 in the eastern United States using satellite remote sensing[J]. Environmental Science & Technology, 2005, 39 (9): 3269-3278.
[2] van Donkelaar A, Martin R V, Levy R C, et al. Satellite-based estimates of ground-level fine particulate matter during extreme events: A case study of the Moscow fires in 2010[J]. Atmospheric Environment, 2011, 45 (34): 6225-6232.
[3] Tao J H, Zhang M G, Chen L F, et al. A method to estimate concentrations of surface-level particulate matter using satellite-based aerosol optical thickness [J]. Science China Earth Sciences, 2013, 56 (8): 1422-1433.
[4] 李成才, 毛节泰, 刘启汉, 等. 利用MODIS光学厚度遥感产品研究北京及周边地区的大气污染[J]. 大气科学, 2003, 27 (5): 869-880.
[5] 李成才, 毛节泰, 刘启汉, 等. MODIS卫星遥感气溶胶产品在北京市大气污染研究中的应用[J]. 中国科学D辑: 地球科学, 2005, 35 (增刊Ι): 177-186.
[6] 贾松林, 苏林, 陶金花, 等. 卫星遥感监测近地表细颗粒物多元回归方法研究[J]. 中国环境科学, 2014, 34 (3): 565-573.
[7] Schaap M, Apituley A, Timmermans R M S, et al. Exploring the relation between aerosol optical depth and PM2.5 at Cabauw, the Netherlands[J]. Atmospheric Chemistry & Physics, 2009, 9: 909-925.
[8] Engel-Cox J A, Holloman C H, Coutant B W, et al. Qualitative and quantitative evaluation of MODIS satellite sensor data for regional and urban scale air quality[J]. Atmospheric Environment, 2004, 38 (16): 2495-2509.
[9] Engel-Cox J A, Hoff R M, Rogers R, et al. Integrating lidar and satellite optical depth with ambient monitoring for 3-dimensional particulate characterization[J]. Atmospheric Environment, 2006, 40 (40): 8056-8067.
[10] Hutchison K D, Faruqui S J, Smith S. Improving correlations between MODIS aerosol optical thickness and ground-based PM2.5 observations through 3D spatial analyses[J]. Atmospheric Environment, 2008, 42 (3): 530-543.
[11] van Donkelaar A, Martin R V, Brauer M, et al. Global estimates of ambient fine particulate matter concentrations from satellite-based aerosol optical depth: development and application[J]. Environmental Health Perspectives, 2010, 118 (6): 847-855.
[12] Wang Z F, Chen L F, Tao J H, et al. Satellite-based estimation of regional particulate matter (PM) in Beijing using vertical-and-RH correcting method[J]. Remote Sensing of Environment, 2010, 114 (1): 50-63.
[13] 张艳, 余琦, 伏晴艳, 等. 长江三角洲区域输送对上海市空气质量影响的特征分析[J]. 中国环境科学, 2010, 30 (7): 914-923.
[14] 邹德龙, 罗栩羽, 范绍佳, 等. 不同天气系统影响下广东省酸雨特征对比分析——气象场数值模拟[J]. 中国环境科学, 2012, 32 (8): 1439-1446.
[15] Xue W B, Wang J N, Niu H, et al. Assessment of air quality improvement effect under the National Total Emission Control Program during the Twelfth National Five-Year Plan in China[J]. Atmospheric Environment, 2013, 68: 74-81.
[16] NASA. MODIS Level 1 and atmosphere archive and distribution system[EB/OL]. http://ladsweb.nascom.nasa.gov/data/search.html, 2014-05-05.
[17] 刘新罡. 大气气溶胶吸湿性质观测、模型研究——以北京、珠江三角洲地区为例[D]. 北京: 北京大学, 2008. 67-121.
[18] 李倩, 李成才, 王烨芳, 等. 利用激光雷达和卫星遥感获得城市地面大气悬浮颗粒物浓度分布[J]. 北京大学学报(自然科学版), 2013, 49 (4): 673-682.
[19] Malm W C, Day D E, Kreidenweis S M. Light scattering characteristics of aerosols as a function of relative humidity: Part I--A comparison of measured scattering and aerosol concentrations using the theoretical models[J]. Journal of the Air & Waste Management Association, 2000, 50 (5): 686-700.
[20] 张立盛, 石广玉. 相对湿度对气溶胶辐射特性和辐射强迫的影响[J]. 气象学报, 2002, 60 (2): 230-237.
[21] Kotchenruther R A, Hobbs P V, Hegg D A. Humidification factors for atmospheric aerosols off the mid-Atlantic coast of the United States[J]. Journal of Geophysical Research, 1999, 104 (D2): 2239-2251.
[22] Kotchenruther R A, Hobbs P V. Humidification factors of aerosols from biomass burning in Brazil[J]. Journal of Geophysical Research, 1998, 103 (D24): 32081-32089.
[23] Im J S, Saxena V K, Wenny B N, et al. An assessment of hygroscopic growth factors for aerosols in the surface boundary layer for computing direct radiatve forcing[J]. Journal of Geophysical Research, 2001, 106 (D17): 20213-20224.
[24] Chen Z, Wang J N, Ma G X, et al. China tackles the health effects of air pollution[J]. The Lancet, 2013, 382 (9909): 1959-1960.
[25] 李湉湉, 杜艳君, 莫杨, 等. 我国四城市2013年1月雾霾天气事件中PM2.5与人群健康风险评估[J]. 中华医学杂志, 2013, 93 (34): 2699-2702.
[26] 杨欣, 陈义珍, 刘厚凤, 等. 北京2013年1月连续强霾过程的污染特征及成因分析[J]. 中国环境科学, 2014, 34 (2): 282-288.