2019, Vol. 40
2. 新疆大学绿洲生态教育部重点实验室, 乌鲁木齐 830046
2. Key Laboratory of Oasis Ecology, Xinjiang University, Urumqi 830046, China
气溶胶是悬浮在大气中直径为10-3~102 μm固态或液态颗粒构成的多相体系的总称[1], 通过吸收、散射太阳辐射等方式直接、间接或半直接影响全球气候变化.气溶胶光学厚度(aerosol optical depth, AOD)作为气溶胶最基本的光学特性之一, 该参数描述了气溶胶对光的衰减作用, 一定程度上可作为局域空气污染程度的指示特征.
传统的AOD一般通过地基站点获得, 缺乏空间连续性, 无法满足区域性研究需要.遥感基于其自身的优势, 使得大范围时空尺度上获取AOD变得可行, 可最大限度地弥补地基观测数据的不足, 解决数据缺乏和空间分布不均问题.在我国中东部地区气溶胶遥感已积累大量研究, 但受限于站点数据的缺乏, 目前对西北干旱半干旱地区的相关研究相对有限.针对不同卫星数据和不同地区气候、地形等特点, 学者们先后提出了多种AOD反演算法, 目前可用于陆地AOD反演的主要有暗目标法[2]、结构函数法[3]、深蓝算法(deep blue algorithm, DB)[4, 5]、偏振算法[6]和多角度算法[7]等.但大多数算法对亮目标地区AOD反演并不适用或应用性较低, 针对亮地表的陆地气溶胶反演, DB已成功应用于撒哈拉沙漠、阿拉伯半岛等干旱、半干旱地区, 且由于其自身特性和简单易行成为亮目标AOD反演主流算法.王中挺等[8]和田信鹏等[9]分别基于HJ-1和Landsat OLI卫星应用深蓝算法实现了北京地区高空间分辨率的气溶胶厚度反演, Sun等[10, 11]利用GF-1WFV数据反演获得武汉市局部气溶胶的空间分布.目前针对AOD的研究已从传统的地面观测转向地基遥感, 卫星遥感协同研究等, 但大多数工作集中在公里级空间尺度上AOD研究, 且对干旱半干旱区典型内陆湖流域少有涉及.艾比湖流域作为干旱区典型流域, 是新疆维吾尔自治区尤其是北疆地区天然的生态屏障, 具有极其重要的战略地位.但近些年来, 由于自然和人为因素影响, 加之其生态系统脆弱性, 湖泊干涸, 大量湖床裸露出来, 对周围地区尤其是下风向地区带来了严重危害.
基于此, 本研究以艾比湖流域为靶区, 通过MOD09A1数据蓝光波段构建地表蓝光波段地表反射率数据库, 分析不同典型地物在Landsat TM\\ETM+\\OLI传感器蓝波段和MODIS蓝波段的反射率关系, 完成传感器校准, 利用改进的DB实现Landsat数据逐像元角度AOD反演, 并首次将逐像元角度反演的方法用于干旱半干旱区域AOD分辨率反演, 得到了艾比湖流域多年的500 m分辨率AOD, 获取大气AOD的时空分布信息, 并通过RF进行预测和影响因子的重要度排序, 以期为全面了解和认识艾比湖流域AOD浓度及分布状况提供参考, 并为艾比湖流域大气环境治理提供理论支持.
1 材料与方法 1.1 研究区概况艾比湖流域(43°38′~45°52′N, 79°53′~85°02′E)位于欧亚大陆腹地, 三面环山, 东北部与古尔班通古特沙漠相连(图 1), 欧亚大陆桥从湖西南部穿过.属典型的温带大陆性气候, 蒸降比高, 全年多大风天气.受地形、地貌特征和气候条件的影响, 艾比湖水质矿化度高, 富含盐离子成分, 湖面萎缩造成大面积干涸湖底裸露, 大量盐尘裸露出地面, 土壤盐渍化严重[12].裸露盐尘在来自西北部阿拉山口的强风影响下以颗粒物的形式悬浮在空中, 向周围扩散形成盐尘暴，对下风向的生态系统造成了严重的影响, 部分粉尘颗粒上升至高空大气, 经传播甚至可到达华北等地区, 对途经地区的社会、经济、生活等造成严重影响[13].
|
图 1 研究区概况示意 Fig. 1 Location of study area |
本研究采用了Landsat TM、ETM、OLI遥感影像, 其中2000年是Landsat ETM, 2005年和2010年为Landsat TM数据, 2015年是Landsat OLI, 空间分辨率为30 m, 时间分辨率为16 d.通过USGS网站分别下载2000、2005、2010和2015年过境艾比湖流域的Landsat系列数据, 数据每年分四季, 每季为5景, 行列号分别为145/28、145/29、146/28、146/29和147/29, 对应季节可能出现影像缺失, 选择前后年同期影像予以补充, 每景影像云量控制在15%内, 选取优质晴空影像共计80景, 对影像进行辐射定标, 大气校正, 裁剪, 镶嵌等预处理后, 进行波段运算分类等信息提取, 得到艾比湖流域湖泊面积及归一化植被指数(normalized difference vegetation, NDVI)等环境协变量.
1.2.2 MODIS数据MODIS提供了从可见光波段(0.4 μm)到中红外波段(14 μm)的长时间序列全球观测资料, 时间分辨率为1~2 d.本研究从NOAA官网下载2000~2015年的8天合成产品MOD09A1反射率构建地表反射率数据集, 行列号为H23V04、H24V04, 空间分辨率为500 m.通过MRT工具进行投影转换, 镶嵌, 利用ENVI软件进行每个月地表反射率最小值合成, 尽可能地避免云的干扰, 使地表反射率尽量接近于真实情况, 得到MOD09A1蓝光波段的地表反射率月数据集; 同时下载与Landsat影像过境时间同一天的MOD04_L2_C006 AOD数据, 分辨率为10 km, 该数据提供基于暗像元和DB两种算法的AOD, 本研究选用DB辅助验证.
1.3 气象数据气象数据资料由新疆地区气象站点提供, 数据包括温度、降水、蒸散发等.根据通用气象划分法划分标准将3~5月划分为春季, 6~8月为夏季, 9~11月为秋季, 12月~翌年2月为冬季, 并常把4、7、10和1月作为春、夏、秋和冬季的代表月份.为与反演的气溶胶数据进行时间尺度匹配, 选取2000、2005、2010和2015年这4个年份3~11月计36个月的气象数据, 分别对每年的3~5、6~8和9~11月求平均, 得到季平均温度、降水和蒸散发.
1.4 太阳光度计采样数据本文AOD观测使用的是MicrotopsII太阳光度计, 这是一款便携式手持多波段太阳光度计, 选取观测波段分别为440、675、870、936和1 020 nm[13], 在艾比湖下风向精河县和乌苏市两地设立太阳光度计观测点.观测时间为每年供暖结束后的4月和夏季代表月份7月, 观测时段为北京时间09:30~21:00, 采样时间间隔设置为15 min.基于DB算法反演获取的是550 nm处的AOD值, 为将太阳光度计实测AOD与遥感反演AOD进行对比分析, 利用地基观测数据通过Ångström指数公式计算获取太阳光度计在波长为550 nm处AOD值, 得到AOD550 nm处的值[14].为降低时间尺度的影响, 将卫星过境前后0.5 h内共5次实测AOD550 nm地基观测结果进行平均, 利用其对Landsat卫星DB反演AOD进行辅助验证.
1.5 气溶胶反演原理大气气溶胶遥感是基于传感器所获取的大气顶辐射亮度与地表反射率特性之间的关系来达到求解气溶胶相关参数的目的.事实上, 卫星传感器所接受到的大气顶层辐射能量来源广泛, 是电磁波与地气系统多次相互作用耦合呈现.假设地面是朗伯体, 在大气条件均一的情况下, 卫星传感器在可见光-近红外波段收到的辐射能量LTOA可表示为[15]：
|
(1) |
式中, μS与μV分别为太阳天顶角与观测天顶角的余弦, ϕ为相对方位角, L0为观测方向的路径辐射项, r为朗伯体地表反射率, S为大气整层向下的半球反射率, T为大气透过率, F0为大气层顶太阳光的辐射通量密度.
利用卫星遥感反演陆地AOD的难点在于气溶胶模式的确定和地表反射率贡献的去除, 卫星气溶胶遥感的实质即从卫星接收到的辐射信号中将地表反射率噪声剔除, 获取大气气溶胶信息的过程.故地表反射率的准确量化是气溶胶遥感估算中至关重要的一环[16]. Kaufman等[2]的研究表明, 地表反射率0.01的误差会造成通过遥感估算的AOD反演误差达到0.1.在本文反演中首先利用MODIS 500 m分辨率的MOD09A1反射率数据产品构建了地表反射率数据集, 构建方法是利用2000、2005、2010和2015年的覆盖研究区范围地表反射率数据产品, 镶嵌后通过最小值合成得到每月MOD09A1蓝光波段500 m分辨率的最小值地表反射率月产品数据集, 采用最小值合成方法可以有效消除云的影响; 其次, 基于不同卫星传感器其自身光谱条件的差异性, 使得具有相同反射特性的同一地物在不同的传感器上可能表现出不同的反射光谱特征.基于此, 对传感器进行光谱转换校正到同一基准后, 基于6S辐射传输模型模拟在不同大气条件(主要是不同气溶胶模式)和观测几何条件下各参数之间的关系, 构建查找表, 利用DB算法逐像元角度去除地表贡献实现地气解耦, 反演得到AOD.
1.6 随机森林模型随机森林(random Forest, RF)算法是通过集成学习(ensemble Learning)的思想将多颗决策树(decision Tree)集成的一种分类和回归机器学习算法, 当使用RF进行回归时, 输出结果是所有决策树输出的平均值[17, 18]. RF具有适用于变量多、样本少的优点, 还能对变量的控制因素进行排序, 并提供每个变量的相对重要性[19], 对于不平衡的样本, RF还能平衡误差, 在避免过拟合和降低泛化误差等方面具有独到的优势[20].本研究以艾比湖流域AOD作为因变量, 以气温、降水量、蒸散发、艾比湖湖泊面积、NDVI这5个环境协变量作为自变量.本研究利用RF模型对艾比湖流域AOD进行模拟, 并得出各环境协变量对AOD的贡献程度.
2 结果与分析 2.1 反演验证为验证该算法在艾比湖流域的适用性, 利用手持太阳光度计实测数据和MODIS/Terra气溶胶产品(MOD04_L2)分别对结果进行验证(图 2). MODIS AOD产品已被大量学者广泛接受、应用和认可[21~25], 通过将反演AOD与MODIS AOD产品进行对比验证, 发现R=0.928, R2=0.861, RMSE=0.024, 反演效果与MODIS AOD整体趋势较为一致.通过与手持太阳光度计实测数据进行对比分析, 得到R=0.920, R2=0.847, RMSE=0.073, 拟合曲线与1 :1线高度一致, 反演精度高.且无论是与MOD04_L2亦或是手持太阳光度计观测数据, 二者与遥感反演AOD的趋势一致, 故通过DB算法反演的艾比湖流域AOD数据质量较为可信.
|
图 2 Landsat 8 OLI反演结果与MOD04产品及太阳光度计地基观测值对比 Fig. 2 Comparison between AOD retrieved from Landsat8 OLI images, the MOD04 product, and ground-based observations of a solar photometer |
由于研究区特殊的地理位置和自然条件, 艾比湖流域地表冬季长期被大量积雪覆盖, 地表反射率过高, 对估计气溶胶对太阳辐射贡献产生很大干扰, 极其不利于地气解耦.且冬季艾比湖流域下垫面被积雪覆盖, 不易起尘, AOD浓度较低, 研究的意义有限.故以下着重分析艾比湖流域春夏秋三季AOD时空变化特征, 反演结果如图 3所示.
|
图 3 典型年份(2000~2015年)Landsat数据AOD反演结果 Fig. 3 Retrieved AOD for Landsat data from typical years 2000-2015 |
通过对Landsat系列影像利用DB进行AOD反演, 分别获取2000、2005、2010和2015年艾比湖流域春、夏和秋三季平均AOD.在此基础上, 比较分析艾比湖流域AOD季节空间分布.由图 3和图 4可知, 艾比湖流域AOD整体空间分布趋势呈现为精河县AOD值最高, 其次是乌苏、博乐市, 托里县AOD浓度最低.可以发现, 艾比湖东南部的精河县平均AOD浓度在3个季节里都占有绝对的优势, 其中春季平均AOD浓度最高, 达到了0.537左右, 夏季次之, 秋季最低, 但都高于流域内其他市县.在精河县内, 相较于其他区域, 艾比湖保护区AOD浓度居高不下, 对整个县的AOD贡献最大, 主要高值区分布在裸露湖床及艾比湖下风向, 其中春季AOD高值区向东南方向扩张最远, 夏季次之, 秋季最近, 但都有向下风向扩散的趋势, 这主要是由于春季为大风多发期, 冰雪初融, 地面大量裸露, 裸露的盐尘在大风的作用下刮起来向下风向扩散.相较于精河县的高AOD值, 乌苏市与博乐市AOD浓度不相上下, 但在不同的季节里略有偏差, 春季乌苏市平均AOD浓度为0.417, 博乐市平均AOD为0.393, 乌苏市平均AOD浓度略大于博乐.这主要是由于乌苏市位于艾比湖流域的东南方向, 刚好处于阿拉山口的下风向, 裸露的盐尘在春季大风的作用下刮起来向下风向扩散, 导致乌苏春季AOD高, 但夏季博乐市AOD浓度比乌苏高.位于艾比湖流域北部的托里县AOD浓度最低.春季AOD高值点均分布于艾比湖的东南方位, 表明春季艾比湖流域大气污染严重, 下风向空气质量状况出现大范围下降区.
|
图 4 AOD季节空间分布 Fig. 4 Seasonal spatial distribution of average AOD |
对研究区域内进行区域空间像素点平均, 得到了艾比湖流域15年间典型年份平均(2000-03~2016-02)AOD季节时间变化特征.如图 3和图 5所示, 艾比湖流域AOD整体分布趋势时间尺度上表现为：在整个研究区内, 春季AOD浓度均值为三季最高, 说明春季艾比湖流域大气污染情况较夏、秋而言严重, 空气质量相对而言最差.艾比湖流域多年的AOD均值呈显著季节性变化.主要表现为:春季AOD变化幅度明显, AOD浓度达四季最大值0.414, 夏季、秋季次之, AOD在秋季达四季最小值0.286, 变化趋势较稳定.从春季到秋季, AOD浓度呈降低趋势, 说明该地区尘暴天气多发于春季.这主要是因为春季大风天气频发, 空气湿度较低, 冰雪初融, 大量荒漠土裸露出来, 加上春耕等人类活动某种程度上加剧了干涸湖底及周边重度盐渍化土壤的风蚀和起尘活动.夏季地表空气温度较高, 大气透明度好, 地表植被覆盖度大大增加, 故由地表进入大气的气溶胶粒子数据减少, 且夏季降水多于其他季节, 降雨对大气气溶胶的清洗作用明显[26], 表现为夏季AOD浓度较春季出现下降, 同时艾比湖流域由于有艾比湖的存在, 夏季蒸发较其他季节显著增加, 大气中水汽含量高, 而水汽对AOD增长起着贡献作用[27], 降雨清洗和水汽贡献等多方面作用使得夏季AOD仍维持在比较高水平下.秋季AOD均值为三季最低, AOD变化幅度亦为三季最小, 而秋季AOD出现低值的原因不同于夏季, 主要是由于研究区秋季大气受局部高压控制, 大气系统较稳定[28].由图 5可知, 从2000~2015年, 夏、秋季节AOD均呈一个增长趋势, 春季呈先降低再升高的特征, 其中春季变化幅度大, 这主要是由于春季处于一个尘暴多发期, 但总的趋势说明艾比湖流域空气质量在恶化, 这主要源于人类不合理的水资源配置和不合理的土地开发利用.
|
图 5 平均AOD季节变化 Fig. 5 Seasonal variation of average AOD |
通过对由Landsat反演得到的2000、2005、2010和2015年这4年艾比湖流域AOD数据进行分析, 得到了该流域这些年的AOD年内变化和年际变化特征.如图 6所示, 从2000~2015年AOD浓度呈递增趋势, 尤其在2010~2015年, AOD增加幅度最大, 年际增幅分别为15.75%、6.15%和32.32%.其中精河县AOD值最高, 达到了0.483, 博乐和乌苏不分上下, 托里县AOD最低不到0.290.温泉县AOD主要是由于其自身特殊的地理位置和地热资源, 配合阿拉山口的大风进入艾比湖流域与干涸湖床作用, 大风中携裹着大量含盐粉尘向东南向扩散时遇博罗科努山的分支, 气流被分为两支, 一支沿天山北坡向东南方向扩散, 影响天山北坡经济带乌鲁木齐等重要城市; 另一支气流折向西北博乐、温泉方向, 这可能是博乐、温泉空气质量不佳的原因之一[29].由图 7可知, 各县市的AOD在15年间均呈增加趋势, 其中精河年均值远远高于其他县市, 是受艾比湖尘暴影响最严重的区域; 其次是博乐和乌苏, 其走势较为一致, 托里县受到影响最小.
|
图 6 典型年份(2000~2015年)气溶胶年均AOD分布 Fig. 6 Spatial distribution of mean AOD during typical years 2000-2015 |
|
图 7 年际AOD空间分布变化 Fig. 7 Interannual spatial distribution of AOD |
本研究表明利用RF通过所选环境协变量估算AOD具有很好的应用潜力, 如图 8所示. RF预测值与反演值高度一致, R2达到0.866, RMSE为0.042, 且均匀分布在1 :1线左右.其中, 环境协变量对AOD影响排序为蒸散发>温度>湖面面积>NDVI>降水, 蒸散发对AOD影响最大, 降水最小, 权重分别对应为0.029和0.005.可以看出, 降水对艾比湖流域AOD不是主要影响因素, 这可能是由于该区地处亚欧大陆腹地, 降水稀少引起.可得出影响艾比湖流域AOD的主导因素是蒸散和温度, 强蒸散比通过直接或间接的方式影响AOD浓度.总体上, RF模型具有较好估算AOD能力.
|
图 8 RF模拟AOD效果 Fig. 8 AOD by RF simulation |
地面定点监测无法全面反映区域大气环境质量空间分布特征和变化趋势, 而传统的气溶胶研究多停留在地面站点观测, 只能够反映取样点周围很小范围内的AOD情况, 且不具备空间连续性, 数据获取成本高, 很难用于区域性研究.尤其是在西北干旱/半干旱地区, 地域广袤但测站点奇缺, 很难满足研究需求.气溶胶遥感技术很好地解决了实测数据缺乏和空间分布不均的问题, 使得大范围空间尺度上和高时间分辨率上获取AOD变得可行.研究采用Landsat系列数据, 重返周期为16 d, 时间跨度从19世纪70年代至今, 具有长时间序列优点.通过DB反演很好地克服了传统气溶胶产品粗分辨率的问题, 分辨率达到研究气溶胶空间特性较好尺度500 m.地表反射率数据集通过最小值合成很好地规避了外界环境的影响, 提供了贴近真实地表的地表反射率信息, 很好地达到地气解耦的目的.
现用于气溶胶遥感反演算法中, DB无疑是最适宜干旱/半干旱地区的AOD反演算法, 对于亮地表有着较好的反演能力.反演过程中, 为了避免不同的几何位置对AOD的影响, 对影像进行了逐像元的角度差值, 保证每一个像元都有其自己的观测几何, 而不是一景影像共用一个角度值.对于气溶胶反演结果, 可以发现, 站点实测和MODIS AOD产品与Landsat反演AOD的关系存在略微差异.虽然MODIS AOD与反演AOD相关性更高, 但可以看出反演数据比MODIS AOD值偏高; 站点观测数据虽然相关性略低, 但反演的AOD与实测数据拟合得更好, 均匀地分布在1 :1线附近, 表明通过DB反演的AOD比MODIS AOD效果更好.
对反演的AOD进行时空变化特征分析, 春节的AOD最高, 这主要与艾比湖流域的特殊地形有关.春季处于大风多发日, 来自阿拉山口的风从西北角吹来, 此时, 刚好大地回暖, 冰雪消融, 大量土地裸露出来, 土质疏松, 大风将裸露地面的尘土刮起, 导致空气中颗粒物浓度大量增加, 且由于大风和地面特质的不确定性, 导致春季AOD值不仅高且变动幅度大.该结果与张喆等[30]关于艾比湖流域气溶胶光学特性研究结果一致.通过RF对艾比湖流域AOD进行模拟, 其中, 选取了气温、降水量、蒸散发、艾比湖湖泊面积、NDVI共5个环境协变量.这主要基于艾比湖流域地处偏远, AOD主要受自然条件的约束, 由于研究区地域的特殊性, 自然的约束无疑体现气温、降水和蒸散上, 人为干扰则集中在入湖水量上, 因为农业, 城市用水, 导致入湖水量的骤减, 结果表现在艾比湖湖泊面积上, 故选取了以上5个主体因素作为建模的输入变量.结果表明, 蒸散对AOD变化的贡献最大, 其次是温度, 降水最少, 这可能是由于艾比湖流域属典型温带大陆性气候, 全年高温少雨.其降水稀少, 决定了降水不可能成为影响AOD最大的因子, 反倒是高温导致蒸散发大, 湖面变小, 裸露地表增大, 地面干燥度高, 易起尘.
由于手持太阳光度计观测的限制, 主要是观测时间和地点的限制, 使得可与卫星遥感反演的AOD可匹配的实测样本数较少, 对于二者间的相关分析只能提供部分参考, 具体还需要更多可用的观测数据参与验证.基于DB气溶胶反演精度主要是由地表反射率估算精度和气溶胶模式决定.本研究气溶胶反演的前提是：假设短时间内, 地表反射率无变化或变化幅度很小, 事实上由于土地利用方式的改变、植被生长等因素存在, 地表反射率不可避免存在误差.此外, 通过6S辐射传输模型构建查找表时, 气溶胶参数选择也会直接影响模拟结果, 从而对卫星反演的AOD产生影响, 这在下一步都是需要进一步探索优化的主题.
4 结论(1) 艾比湖流域AOD均值呈现显著季节性变化特征, 从艾比湖北部到南部呈阶梯式上升变化.四季表现为:春季达最大值为0.414, 夏季次之, 秋季最小为0.286.空间分布表现为：精河县AOD值最大, 达到了0.54, 其次是乌苏、博乐, 托里县AOD值最低为0.25.春季艾比湖流域区域大气污染最为严重, 其中, 又属精河县污染最为突出, 夏季、秋季污染变化相对稳定.
(2) 艾比湖流域AOD年内呈降低变化趋势. AOD从春节到夏季, 再到秋季, AOD浓度从0.414、0.39降到0.287, 其中春节变化幅度大, AOD值最不稳定.
(3) 艾比湖流域AOD均值为0.374, 年际变化总体表现为上升趋势, 在2010~2015年期间AOD增加较快.表明该流域大气污染状况有所加剧, 尤其在近5年, 大气环境恶化更为剧烈.
(4) RF模型对AOD的预测效果较好, R2=0.866, RMSE=0.042, 环境协变量中蒸散发对艾比湖流域AOD影响最为显著.
| [1] | Baltensperger U, Prévôt A S H. Chemical analysis of atmospheric aerosols[J]. Analytical and Bioanalytical Chemistry, 2008, 390(1): 277-280. DOI:10.1007/s00216-007-1687-z |
| [2] | Kaufman Y J, Tanré D, Remer L A, 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. DOI:10.1029/96JD03988 |
| [3] | Liu G R, Chen A J, Lin T H, et al. Applying SPOT data to estimate the aerosol optical depth and air quality[J]. Environmental Modelling & Software, 2002, 17(1): 3-9. |
| [4] | Hsu N C, Jeong M J, Bettenhausen C, et al. Enhanced deep blue aerosol retrieval algorithm:the second generation[J]. Journal of Geophysical Research, 2013, 118(16): 9296-9315. |
| [5] | Almazroui M. A comparison study between AOD data from MODIS deep blue collections 51 and 06 and from AERONET over Saudi Arabia[J]. Atmospheric Research, 2019, 225: 88-95. DOI:10.1016/j.atmosres.2019.03.040 |
| [6] | Deuzé J L, Bréon F M, Devaux C, 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. DOI:10.1029/2000JD900364 |
| [7] | Diner D J, Braswell B H, Davies R, et al. The value of multiangle measurements for retrieving structurally and radiatively consistent properties of clouds, aerosols, and surfaces[J]. Remote Sensing of Environment, 2005, 97(4): 495-518. DOI:10.1016/j.rse.2005.06.006 |
| [8] |
王中挺, 厉青, 王桥, 等. 利用深蓝算法从HJ-1数据反演陆地气溶胶[J]. 遥感学报, 2012, 16(3): 596-610. Wang Z T, Li Q, Wang Q, et al. HJ-1 terrestrial aerosol data retrieval using deep blue algorithm[J]. Journal of Remote Sensing, 2012, 16(3): 596-610. |
| [9] |
田信鹏, 孙林, 刘强, 等. 北京地区Landsat 8 OLI高空间分辨率气溶胶光学厚度反演[J]. 遥感学报, 2018, 22(1): 51-63. Tian X P, Sun L, Liu Q, et al. Retrieval of high-resolution aerosol optical depth using Landsat 8 OLI data over Beijing[J]. Journal of Remote Sensing, 2018, 22(1): 51-63. |
| [10] | Sun K, Chen X L, Zhu Z M, et al. High resolution aerosol optical depth retrieval using Gaofen-1 WFV camera data[J]. Remote Sensing, 2017, 9(1): 89. DOI:10.3390/rs9010089 |
| [11] | Sun K, Chen X L, Wang J L, et al. Investigation of air quality over the largest city in central China using high resolution satellite derived aerosol optical depth data[J]. Atmospheric Pollution Research, 2018, 9(3): 584-593. DOI:10.1016/j.apr.2017.12.011 |
| [12] |
曹灿, 张飞, 阿依尼格尔·亚力坤, 等. 艾比湖区域景观格局与河流水质关系探讨[J]. 环境科学, 2018, 39(4): 1568-1577. Cao C, Zhang F, Ayinigeer·Yalikun, et al. Relationship between landscape pattern and water quality in the Ebinur lake region[J]. Environmental Science, 2018, 39(4): 1568-1577. |
| [13] |
张喆, 丁建丽, 王瑾杰. 艾比湖流域春季大气气溶胶光学性质[J]. 中国环境科学, 2017, 37(2): 467-475. Zhang Z, Ding J L, Wang J J. Aerosol optical properties over Ebinur region in spring[J]. China Environmental Science, 2017, 37(2): 467-475. |
| [14] | Ångstrôm A. The parameters of atmospheric turbidity[J]. Tellus, 1964, 16(1): 64-75. DOI:10.3402/tellusa.v16i1.8885 |
| [15] | Tanre D, Herman M, Deschamps P Y, et al. Atmospheric modeling for space measurements of ground reflectances, including bidirectional properties[J]. Applied Optics, 1979, 18(21): 3587-3594. DOI:10.1364/AO.18.003587 |
| [16] | Li Z, Zhao X, Kahn R, et al. Uncertainties in satellite remote sensing of aerosols and impact on monitoring its long-term trend:a review and perspective[J]. Annales Geophysicae, 2009, 27(7): 2755-2770. DOI:10.5194/angeo-27-2755-2009 |
| [17] | Chen S C, Liang Z Z, Webster R, et al. A high-resolution map of soil pH in China made by hybrid modelling of sparse soil data and environmental covariates and its implications for pollution[J]. Science of the Total Environment, 2019, 655: 273-283. DOI:10.1016/j.scitotenv.2018.11.230 |
| [18] | Wang J Z, Ding J L, Abulimiti A, et al. Quantitative estimation of soil salinity by means of different modeling methods and visible-near infrared (VIS-NIR) spectroscopy, Ebinur Lake Wetland, Northwest China[J]. PeerJ, 2018, 6: e4703. DOI:10.7717/peerj.4703 |
| [19] | Hong Y S, Chen S C, Liu Y L, et al. Combination of fractional order derivative and memory-based learning algorithm to improve the estimation accuracy of soil organic matter by visible and near-infrared spectroscopy[J]. CATENA, 2019, 174: 104-116. DOI:10.1016/j.catena.2018.10.051 |
| [20] |
葛翔宇, 丁建丽, 王敬哲, 等. 基于竞争适应重加权采样算法耦合机器学习的土壤含水量估算[J]. 光学学报, 2018, 38(10): 1030001. Ge X Y, Ding J L, Wang J Z, et al. Estimation of soil moisture content based on competitive adaptive reweighted sampling algorithm coupled with machine learning[J]. Acta Optica Sinica, 2018, 38(10): 1030001. |
| [21] |
张喆, 丁建丽, 王瑾杰. 中亚沙尘气溶胶时空分布特征及潜在扩散特性分析[J]. 地理学报, 2017, 72(3): 507-520. Zhang Z, Ding J L, Wang J J. Spatio-temporal variations and potential diffusion characteristics of dust aerosol originating from Central Asia[J]. Acta Geographica Sinica, 2017, 72(3): 507-520. |
| [22] | Zhao C, Liu Z R, Wang Q, et al. High-resolution daily AOD estimated to full coverage using the random forest model approach in the Beijing-Tianjin-Hebei region[J]. Atmospheric Environment, 2019, 203: 70-78. DOI:10.1016/j.atmosenv.2019.01.045 |
| [23] | Kim D, Kim J, Jeong J, et al. Estimation of health benefits from air quality improvement using the MODIS AOD dataset in Seoul, Korea[J]. Environmental Research, 2019, 173: 452-461. DOI:10.1016/j.envres.2019.03.042 |
| [24] | Zhang T H, Zhu Z M, Gong W, et al. Estimation of ultrahigh resolution PM2.5 concentrations in urban areas using 160 m Gaofen-1 AOD retrievals[J]. Remote Sensing of Environment, 2018, 216: 91-104. DOI:10.1016/j.rse.2018.06.030 |
| [25] |
赵仕伟, 高晓清. 利用MODIS C6数据分析中国西北地区气溶胶光学厚度时空变化特征[J]. 环境科学, 2017, 38(7): 2637-2646. Zhao S W, Gao X Q. Analysis of spatio-temporal distribution and variation characteristics of aerosol optical depth over the northwest of China by MODIS C6 product[J]. Environmental Science, 2017, 38(7): 2637-2646. |
| [26] |
华凤皎, 亢燕铭, 钟珂. 湍流效应对雨滴表面粒子捕集过程的影响[J]. 中国环境科学, 2017, 37(1): 13-20. Hua F J, Kang Y M, Zhong K. Influence of turbulent effect on the collection process of aerosols by raindrops[J]. China Environmental Science, 2017, 37(1): 13-20. |
| [27] |
李小飞, 张明军, 李亚举, 等. 西北干旱区降水中δ18O变化特征及其水汽输送[J]. 环境科学, 2012, 33(3): 711-719. Li X F, Zhang M J, Li Y J, et al. Characteristics of δ18O in precipitation and moisture transports over the arid region in Northwest China[J]. Environmental Science, 2012, 33(3): 711-719. |
| [28] |
张喆, 丁建丽, 王瑾杰, 等. 新疆干旱区气溶胶间接效应区域性分析[J]. 中国环境科学, 2016, 36(12): 3521-3530. Zhang Z, Ding J L, Wang J J, et al. Regional analysis of aerosol indirect effects in Xinjiang region[J]. China Environmental Science, 2016, 36(12): 3521-3530. DOI:10.3969/j.issn.1000-6923.2016.12.001 |
| [29] | 葛拥晓.艾比湖干涸湖床风扬粉尘的发生及其潜在扩散特征研究[D].乌鲁木齐: 中国科学院大学, 2016. |
| [30] |
张喆, 丁建丽, 王瑾杰, 等. 艾比湖盐尘气溶胶光学特性卫星和地基遥感观测[J]. 遥感学报, 2017, 21(5): 665-678. Zhang Z, Ding J L, Wang J J, et al. Observational study on salt dust aerosol optical properties using the ground-based and satellite remote sensing[J]. Journal of Remote Sensing, 2017, 21(5): 665-678. |