中国日高分辨率地面PM2.5卫星空间时间回归建模的卫星测绘外文翻译资料

 2022-02-06 18:56:58

中国日高分辨率地面PM2.5卫星空间时间回归建模的卫星测绘

A B S T R A C T

使用卫星检索的气溶胶光学深度（AOD）数据和统计模型为估计大区域的PM2.5浓度提供了一种有希望的方法。然而，由于高分辨率AOD产品的局限性，很少有研究在全国范围内对中国的地面PM2.5进行高空间分辨率评估。为了在整个中国大陆生成高分辨率的PM2.5，将新发布的3公里分辨率的中等分辨率成像光谱辐射计（MODIS）暗目标AOD数据与10公里分辨率的MODIS深蓝AOD数据。使用这个数据集，表面PM2.5测量值和辅助信息，一个空间 - 时间回归模型，这是一个改进的地理和时间加权回归（GTWR）和基于内点算法（IPA）的高效机制，用于选择最佳参数值，被开发用于估计一组大量的每日PM2.5浓度。与流行的时空模型（每日地理加权回归和两阶段模型）的比较表明，所提出的GTWR模型在交叉验证（CV）中的R2为0.80，明显优于其他两个模型，其具有R2 CV分别为0.71和0.72。结合使用3公里的高分辨率AOD数据不仅可以提供详细的粒子梯度，还可以提高模型性能（对于非组合AOD数据，CV R2仅为0.32）。此外，GTWR能够预测没有PM2.5-AOD配对样本的PM2.5并且产生历史PM2.5估计值。结果，产生了中国的精细尺度PM2.5地图，并确定了几个PM2.5热点。因此，由于它在数据中的空间和时间维度的协同作用以及扩展PM2.5观测的时间覆盖的能力，因此可以使用GTWR在大面积上生成每日高分辨率PM2.5估计。

Keywords: 气溶胶光学深度、地理和时间加权、回归（GTWR）、内点算法（IPA）、PM2.5、中国

  1. Introduction

通过许多流行病学研究发现，悬浮在空气动力学直径为2.5mu;m或更小（PM2.5）的空气中的固体和液体颗粒的复合物已经与公共健康的不利影响相关联。 中国的快速城市化和工业化导致PM2.5成为空气污染的主导因素，尤其是城市地区，因此成为公众关注的前所未有的问题。 鉴于中国严重PM2.5水平的出现，迫切需要使用高空间分辨率的PM2.5数据评估中国PM2.5暴露对健康的影响。 然而，目前这种评估受到地表监测站稀疏网络中有限测量的严重阻碍。

由于卫星遥感有能力提供大型（甚至全球）空间覆盖的数据，卫星衍生的气溶胶光学深度（AOD）信息是推断地面PM2.5浓度的另一种方法。为了更好地研究空气污染评估和流行病学研究的PM2.5暴露，需要高空间分辨率的卫星PM2.5浓度。本研究领域的高分辨率研究已在北美逐渐采用1km大气校正（MAIAC）AOD多角度实现进行。然而，由于缺乏高分辨率卫星衍生的AOD产品，对中国的等效研究很少。全国范围内的研究仅提出PM2.5变化，分辨率从10到50公里不等，采用广泛使用的AOD产品，例如中等分辨率成像光谱仪（MODIS）2级10 km AOD产品和多角度成像光谱仪（多角度成像光谱仪） MISR）2级17.6公里AOD产品。

2014年初，新的MODIS Collection 6（C6）中包含了3公里的气溶胶产品。这是第一个具有较高空间分辨率的全球气溶胶数据集。精细的气溶胶梯度可以有益于空气质量应用，即改善统计模型的性能并提供精细颗粒物质的空间变化细节。然而，利用黑暗目标（DT）算法检索MODIS 3 km AOD数据，该算法可以推导出黑色表面的AOD，这可能会在日常AOD图像中导致大量缺失值，特别是对于具有复杂陆地表面的大面积区域。换句话说，仅使用MODIS 3 km AOD产品作为主要预测因子，就不可能在全国范围内以高空间分辨率生成日均PM2.5预报。因此，改善3 km MODIS AOD的日覆盖率对于具有多种土地覆盖的大面积地面PM2.5的估算是必不可少的。

已经开发了多种模型来阐明基于卫星的AOD和地表PM2.5之间的定量关联，范围从简单的线性回归模型到高级统计模型，如线性混合效应（LME）模型，土地利用回归模型和地理加权回归（GWR）模型。迄今为止，已经使用两种主要的空间和时间回归方法来建立PM2.5-AOD关系。一个是日常GWR模型，它解决了单个日子PM2.5和AOD之间的空间变化，并且达到了合理的结果。然而，这个模型忽略了PM2.5-AOD关系可能随时间变化的事实，并且可能取决于前几天。因此，每日GWR不能利用数据中存在的时间自相关，并且无法为PM2.5-AOD样本较少的日期建立模型。另一种方法是一个两阶段模型，它可以解释空间和时间的非平稳性。然而，这个模型分别校准空间和时间PM2.5-AOD关系，即，使用LME模型来解释第一阶段的时间变化，然后GWR模型在第二阶段的空间变化。因此，这个模型不同时处理PM2.5-AOD关系的时空变化;因此在PM2.5观测不充分或没有观测的日子里预测PM2.5的情况并不好。因此，当PM2.5-AOD配对样本数量有限时，使用这两种方法难以在大面积范围内高精度地生成高分辨率PM2.5。

近年来，Huang等人提出的地理和时间加权回归（GTWR）模型，（2010年），它结合了时空距离，在环境研究中越来越受欢迎。与已经讨论过的两个时空模型不同，这种空时回归模型可以通过时空加权机制同时将估计日或前几天的时间信息合并到空间变化中。尽管如此，GTWR对于阐明PM2.5与AOD之间的关系，尤其是没有样本的日子，仍有待探索。为了减少大数据集的计算成本，还需要优化GTWR的参数值。作为推论，GTWR等时空模型在探测PM2.5-AOD关系方面仍然面临着相当大的挑战，特别是在样本数据集数量较大但范围较广的广泛地区。本研究的目的是通过在全国大陆每天以高空间分辨率预测地面PM2.5来克服这些挑战，在使用MODIS 3 km AOD作为主要参数的空间回归模型中进行设置预测变量，以及气象和土地利用数据作为辅助变量。设计了一种用于填补缺失的AOD值的定制方法，以改善日均MODIS 3公里AOD的可用性。随后，利用参数优化方法改进的GTWR模型被开发用于以高分辨率生成地面PM2.5浓度，并且其推理能力也得到全面探索。日常GWR模型和两阶段（LME GWR）模型也被用作基准来检验GTWR的同时空间和时间加权在多大程度上建立了表面PM2.5与卫星AOD之间的可靠关联。

2. Data collection and preprocessing

2.1. Ground-level PM2.5 observations

中国环境监测中心（http://106.37.208.233:20035/）获得2015年1月1日至2015年12月31日的日平均PM2.5观测资料。 根据国家标准GB3095-2012（中国国家环境空气质量标准（CNAAQS））对中国大陆地面PM2.5质量浓度进行测量，采用锥形元件振荡微量天平或beta;衰减法进行校准和质量控制（中国， 2012）和HJ 618-2011（重量法测定环境空气中PM10和PM2.5的大气物质，

http：// english.sepa.gov.cn/Resources/standards/Air_Environment/）。 目前，观测资料来自329个城市的1456个监测站（图1）。 大多数位于中国东南部，而西北地区几乎没有覆盖。

2.2. MODIS AOD data

2.2.1. MODIS 3 km DT AOD products

MODIS是一种传感器，自1999年以来一直在美国宇航局Terra和2002年以来的Aqua上提供，在当地时间上午10:30（泰拉）和下午1:30（Aqua）每天提供两次柱状气溶胶性能观测。 DT算法最初被开发用于以10km的空间分辨率推导黑暗表面（例如密集植被区）的气溶胶特性。为了满足监测精细分辨率污染的需求，在最近发布的MODIS C6中引入了3 km分辨率的气溶胶数据集（MxD04_3K，x为O，Terra和Y为Aqua），除标准的10公里2级气雾剂产品（MxD04_L2）。 3公里DT气溶胶反演采用与10公里DT气溶胶产品类似的协议，但将6times;6像素组织成一个反演盒，而不是20times;20，所有不需要的组分，即云和雪/冰像素，已被筛选出并被丢弃。 2015年MODIS 3公里AOD数据（科学数据集名称：Optical_Depth_Land_And_Ocean）（从https://ladsweb.nascom.nasa.gov/下载）用于模拟PM2.5-AOD关系。 2015年之前获得的数据用于校准。

2.2.2. MODIS 10 km Deep Blue (DB) AOD products

MODIS DB算法旨在生成明亮地块（例如沙漠）上的AOD检索，以填补DT算法留下的空白。 与DT检索过程不同，DB算法首先以1 km分辨率生成气溶胶属性，然后将各个检索项平均为10times;10 km网格。 与3公里的AOD数据一样，我们使用2015年之前获得的DB AOD产品校准了2015年的DB气溶胶反演，并填补了2015年获得的数据中缺少3 km DT AOD值的一些空白。

2.2.3. MODIS AOD combination

在MODIS第6集中，利用DT算法检索3 km AOD数据，中国西北部沙漠地区3 km AOD的日均可利用率非常低（甚至多天都没有检索）。 MODIS DB算法最初是为获得明亮目标的气溶胶负载而开发的，但它仅提供10 km分辨率的AOD产品。 为了解决这个问题，结合MODIS 3 km DT和10 km DB AOD产品的四步定制方法被开发出来，以改善MODIS 3 km DT AOD的日常覆盖，如下所示：

（1）对10公里DB AOD进行重新网格划分

为了匹配3 km DT AOD的网格单元尺寸，使用ENVI / IDL5.1中的三次卷积重采样技术将10 km DB AOD重采样到3 km空间分辨率网格。

（2）校准MODIS DT / DB AOD

根据MODIS气溶胶产品的全球验证和图S2（补充信息[SI]），DT和DB AOD的检索精度不同，因此DT和DB AOD值之间存在系统偏差。因此，为了优化每日AOD值并填补DT与DB AOD反演间的差距，我们使用2001年至2014年的气溶胶机器人网络（AERONET）的地面气溶胶观测值对2015年的AOD反演进行了校准（Ma等，2014 ）。与AERONET的比较已被广泛用于验证基于卫星的AOD。根据2015年之前的长期数据进行线性分析，以确定AERONET与卫星AOD之间的关系。根据之前的研究，其中AERONET和MODIS AODs之间的关系表现出强大的季节性，我们对每个季节拟合了线性回归。这些关系也分别为Aqua 3 km DT，Terra 3 km DT，Aqua resampled-DB和Terra resampled-DB AOD数据集建立。这些拟合参数然后用于校准2015年期间四个数据集的AOD值（SI，S1）。

（3）填写的Aqua和特拉的缺失值

针对每天Aqua-3 km和Terra-3 km AOD之间的匹配网格单元执行简单的线性回归以预测缺失值（即，使用可用的Terra-3 km值估计Aqua-3 km AOD，反之亦然） 。同样的协议被应用于重采样数据库的AOD来预测水族和特拉缺失的AOD值（S1，S2）。

（4）结合四个数据集

为了改善日常的AOD覆盖率，Aqua / Terra 3公里的DT AOD和Aqua / Terra重采样的DB AOD数据合并在一起进行时空建模。我们使用与3公里和重新采样的DB AOD相同的方法来平均Aqua和Terra值。由于3 km DT的空间分辨率高于10 km DB，所以我们首先对每天的Aqua和Terra-3 km DT AOD值（包括检索值和预测值）进行平均，然后将平均DB数据重新采样到一个3公里的网格，以在3公里的AOD值丢失时填充像素。也就是说，当两个卫星的3公里AOD值缺失时，平均DB重采样的AOD值被用作补充材料来填补缺口组合。每个像素的每日AOD值的数量显着增加（更多细节参见第5.2节）。

与2015年的AERONET AOD观测资料相比，我们合并的AOD（Aqua校准和预测的AOD）的预期误差界限（F）= 56.25％和RMSE = 0.20，F = 55.07％，RMSE = 0.19 Terra）显示出比MODIS运行的3公里DT AOD更好的精度（F = 46.25％，Aqua的RMSE = 0.38和F = 49.28％，Terra的RMSE = 0.36），表明我们提出的四步法的有效性。详细的验证过程在S2（SI）中介绍。

2.3. Auxiliary data

本研究中使用了一些气象和土地覆盖相关变量。 气象变量是基于地面的相对湿度（RH），温度（T），风速（WS），压力（P）和再分析产生的行星边界层（PBL）数据; 与地表相关的变量是地形（DEM）和归一化植被指数（NDVI）。 有关这些变量的详细信息在S3（SI）中给出。 此外，2010年的1公里网格人口数据集（Fu et al。，2010）被用来计算4.4.1节中的人口暴露量。

2.4. Data integration

由于本研究的目的是预测3times;3 km空间分辨率下的日平均PM2.5浓度，因此建立了一个3 km的网格（总共1,073,351个网格单元），并与AOD像素组合完全匹配。因为这些数据在空间和时间上的分辨率不同，所以PM2.5观测值和其他变量被重新处理，具有一致的空间大小和时间间隔用于积分。来自位于3公里网格内的多个台站的PM2.5测量值取平均值。利用ArcGIS 10.2中的Spatial Analyst Tools，使用反距离加权（IDW）技术将每天的气象站数据插值到3

全文共30776字，剩余内容已隐藏，支付完成后下载完整资料

资料编号：[17418]，资料为PDF文档或Word文档，PDF文档可免费转换为Word

原文和译文剩余内容已隐藏，您需要先支付 30元 才能查看原文和译文全部内容！立即支付

以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。

您可能感兴趣的文章