基于GIOVANNI的我國主要城市與西部地區2000—2014年氣溶膠光學厚度的對比

周嘉源， 施潤和,2,3

(1.華東師范大學地理科學學院，上海 200241； 2.華東師范大學地理信息科學教育部重點實驗室，上海 200241； 3.華東師范大學、中國科學院遙感與數字地球研究所環境遙感與數據同化聯合實驗室，上海 200241)

基于GIOVANNI的我國主要城市與西部地區2000—2014年氣溶膠光學厚度的對比

周嘉源1， 施潤和1,2,3

(1.華東師范大學地理科學學院，上海 200241； 2.華東師范大學地理信息科學教育部重點實驗室，上海 200241； 3.華東師范大學、中國科學院遙感與數字地球研究所環境遙感與數據同化聯合實驗室，上海 200241)

遙感方法反演的氣溶膠光學厚度(aerosol optical depth, AOD)是開展區域空氣質量研究的關鍵數據源。研究長時間序列AOD需要對AOD條帶產品進行時空尺度拓展，涉及一系列復雜、專業的數據處理。為了便于非遙感專業科研工作者準確使用該數據，美國宇航局(NASA)研發了新一代的遙感數據在線分析平臺GIOVANNI(GES-DISC interactive online visualization and analysis infrastructure)，但該平臺在國內尚未得到廣泛應用。本文以北京、上海、廣州與西部地區為研究區，基于多年時間序列變化特征對平臺缺失數據進行了插補，進而開展了“北上廣”超大城市地區與西部地區2000—2014年的AOD月數據的對比分析。研究表明，北京、上海、廣州與西部地區相比，AOD多年平均值顯著較高，其中上海最高，北京次之； 北京和上海的AOD值具有春夏高、秋冬低的季節差異性； 雖然“北上廣”近15 a來AOD年平均值的變化趨勢不顯著，但上海與廣州的AOD時間序列存在相似性。

GIOVANNI ； AOD； 大氣顆粒物； 遙感

0 引言

以可吸入顆粒物為代表的空氣污染是當前我國面臨的重要環境問題，尤其在以北京、上海、廣州為核心的京津冀、長三角和珠三角地區，經濟發達，人口密集，對人體健康有嚴重威脅。可吸入顆粒物的監測是開展空氣治理的前提保障，而傳統地面監測方式存在站點數量少、分布不均、代表性差、歷史數據積累不足等問題，迫切需要發展新的監測方式。

利用衛星遙感技術開展空氣污染監測具有空間覆蓋能力強、可周期性重復觀測、時間序列長等優勢，能與地基站點監測形成互補。一般來說，主要通過建立遙感反演的氣溶膠光學厚度(aerosol optical depth, AOD)與PM2.5或PM10等顆粒物濃度之間的轉換關系，來實現對可吸入顆粒物的遙感監測。AOD定義為介質的消光系數在垂直方向上的積分，用作描述氣溶膠對光的衰減作用。Chu等[1]利用MODIS Level 2產品氣溶膠光學厚度的數據，研究了全球、區域和局地大氣污染狀況，證實了用氣溶膠光學厚度監測大氣污染的可行性。Engel-Cox等[2]利用 MODIS 2002 年3—9月的AOD數據定量分析，發現衛星遙感資料與地面污染物質量濃度在美國東部和中西部地區具有較高的相關性，并且指出衛星數據在區域尺度的空氣質量監測方面有重要的應用潛力。李成才等[3-4]利用暗目標法反演了北京和香港地區1 km氣溶膠光學厚度,證實高分辨率遙感產品在研究城市大氣污染,尤其是在監測污染源的宏觀分布方面具有潛在的應用價值。由于AOD瞬時遙感反演產品，即二級條帶產品，受天氣狀況、反演算法等多種因素影響，存在嚴重的時空不連續性，在實際使用時需要進行復雜的專業處理，影響了數據產品的應用，尤其是在非遙感專業用戶群中的應用。NASA研發的GIOVANNI[5-6](GES-DISC interactive online visualization and analysis infrastructure，GIOVANNI)平臺是一個基于Web服務和工作流的數據可視化與分析在線系統，可以在瀏覽器中通過簡便的操作完成復雜的數據處理工作。Acker等[7]基于GIOVANNI平臺以天氣與流感的聯系為例開展了地域性空間公共衛生領域的研究與應用； Zubko等[8]開展了基于GIOVANNI平臺的MODIS Terra 和Aqua每日氣溶膠數據的融合和插補方法的研究； Prados等[9]介紹了由GIOVANNI平臺取得的遙感數據的入口、可視化和互操作性； 趙潔心等[10]基于GIOVANNI對江浙滬地區的AOD時空格局進行了分析，并同時驗證了利用GIOVANNI數據資源進行分析的可行性。總體來說，GIOVANNI平臺在國外空氣質量等研究中得到了廣泛應用，但在國內尚未普及。

本文利用GIOVANNI平臺，開展了2000—2014年15 a間，北京、上海、廣州3個典型特大城市地區與西部非城市地區的AOD對比分析，探索該平臺長時間序列數據在我國不同地區的應用。

1 研究區概況與數據源

1.1 研究區概況

京津冀、長三角和珠三角地區是我國3個重要的城市群，經濟發達，人口集中，近年來深受霧霾等大氣顆粒物污染的影響。本研究在這3個城市群中選取代表性城市，即北京、上海和廣州作為研究區，結合所采用的遙感數據產品空間分辨率，其經緯度范圍分別設置為： 北京E115°～118°，N39°～42°； 上海E120°～123°，N30°～32°； 廣州E112°～115°，N22°～24°。選取青海省西北部5°×5°的較大范圍(E90°～95°，N35°～40°)為研究區，該區深處西部中心腹地，受城市影響較小。

1.2 數據源

GIOVANNI交互式在線可視化和分析基礎平臺由美國宇航局(NASA)Goddard地球科學數據和信息服務中心設計和開發，為氣象、水文、生態及地質等諸多領域用戶提供了基于網絡服務的衛星遙感數據獲取、處理、分析與可視化工具，以其簡單、快速和良好的人機交互功能吸引了大量用戶。該平臺一方面可以為用戶省去數據傳輸和在本地計算機上進行數據處理的時間，另一方面可以避免不恰當的處理方法而引入的誤差。GIOVANNI平臺網址為giovanni.sci.gsfc.nasa.gov/giovanni。

對于AOD數據，GIOVANNI平臺可以提供多種衛星遙感傳感器的AOD數據產品(表1)。本研究采用時間序列最長的Terra/MODIS AOD月產品，其空間分辨率為1°×1°，采用的反演算法為深藍算法，其科學數據集名稱為deep blue aerosol optical depth at 0.55 microns for land (corrected): mean monthly。

表1 GIOVANNI平臺提供的AOD數據產品列表

2 研究方法

2.1 數據完整性分析

對基于GIOVANNI平臺取得的源數據(圖1)進行完整性分析，發現北京、上海和廣州3地AOD數據都較完整，僅廣州地區的數值存在3個月份的缺失。而西部地區數據缺失情況較為嚴重，尤其在2004—2007年期間，每年缺失5～7個AOD月值，需要進行適當的插補。

(a) 北京 (b) 上海

圖1-14個研究區AOD月值數據的時間序列

Fig.1-1TimeseriesofmonthlyaveragedAODinthe4researchareas

(c) 廣州(d) 西部地區

圖1-24個研究區AOD月值數據的時間序列

Fig.1-2TimeseriesofmonthlyaveragedAODinthe4researchareas

2.2 統計、線性擬合與相關分析

對GIOVANNI平臺提供的研究區2000年3月—2015年2月的AOD月值進行多年平均值、多年最大值、多年最小值及分季節統計分析； 對AOD的年平均值線性擬合,并進行分析； 對北京、上海、廣州和西北地區AOD的月值序列進行相關分析，觀察城市與非城市地區在AOD上體現出的差異性。

3 結果與分析

3.1 缺失值的插補方法

由于利用遙感方法目前只能反演晴空條件下的AOD數據，且反演算法成功與否還受到下墊面因素的影響，導致西部地區因存在連續若干個月的數據缺失情況，無法用相鄰月份插值方法進行直接插補。本文以西部地區為例，根據數據完整年份的時間序列數據，計算得出AOD各個月份間的多年平均變化率(表2)，再根據缺失年份內的已有數據，推算出缺失月份的AOD值。

表2 西部地區AOD平均月變化率

3.2 統計結果與分析

對2000—2014年4個研究區AOD時間序列數據，在年、季、月3個時間周期中進行統計分析(圖2)。

(a) 時間序列(b) 多年季節平均值(c) 月平均值

圖24個研究區AOD年平均值數據

Fig.2TimeseriesofyearlyaveragedAODinthe4researchareas

北京： 多年平均值為0.56，最大年均值差為0.18。多年最大月值為1.379，出現時間在2008年6月。多年最小月值為0.131，出現時間在2014年12月。全年AOD最大值多出現于夏季，夏季平均值在0.82附近，春、冬季次之，秋季最小，秋季平均值在0.43附近，有明顯的季節差異性存在。多年年內最大月值差為1.12。

上海： 多年平均值為0.70，最大年均值差為0.57。多年最大月值為2.155，出現時間在2012年6月。多年最小月值為0.100，出現時間在2000年7月。全年AOD最大值多出現于夏季，夏季平均值在0.81附近，春、冬季次之，秋季最小，秋季平均值在0.56附近，有明顯的季節差異性存在。多年年內最大月值差為1.89。

廣州： 多年平均值為0.55，最大年均值差為0.52。多年最大月值為1.235，出現時間在2014年4月。多年最小月值為0.067，出現時間在2003年7月。全年AOD最大值多出現于春季，春季平均值在0.56附近，夏、冬季次之，秋季最小，秋季平均值在0.54附近。不同于北京和上海，全年AOD值的季節變化較小，四季的值都較接近。多年年內最大月值差為0.99。

西部地區： 多年平均值為0.31，最大年均值差為0.32。多年最大月值為1.172，出現時間在2001年4月。多年最小月值為0.051，出現時間在2005年11月。全年AOD最大值多出現于春季，春季平均值在0.54附近，夏、冬季次之，秋季最小，秋季平均值在0.21附近，有明顯的季節差異性存在。多年年內最大月值差為0.95。

總體來看，相比較于“北上廣”3地，西部地區的AOD多年平均值0.31明顯較低，相差在0.24～0.39之間，體現出城市地區與非城市地區的顯著差異。對比“北上廣”3地，上海的多年平均值最高，北京其次，廣州最低。在此需要指出，雖然AOD在數值上呈現上述特點，但遙感反演的AOD并不能準確反映一個地區的空氣污染程度，還需要進行標高、濕度訂正等修正，才能與近地層可吸入顆粒物建立較為穩定的關系； 同時，“北上廣”的大氣顆粒物來源復雜，使得AOD與大氣顆粒物之間的相關性是不穩定的。在季節尺度上，北京和上海的AOD值都具有明顯的季節差異性且季節差異相似，都是春夏較大，秋冬較小； 而廣州的AOD值的季節分布較平穩。上述特點與關佳欣等[11]對AOD在我國中、東部主要地區的分布和變化研究結論一致。

3.3 城市地區AOD年均值的線性擬合

圖3虛線為“北上廣”3地以2000—2014年為一個周期的AOD年平均值的線性擬合。可以看到，3地擬合線總體呈現上升，其中北京的變化程度最小，擬合線斜率為0.005 57； 廣州次之，擬合線斜率為0.011 28； 上海最大，擬合線斜率為0.016 2。上海和廣州在2004—2007年都出現了較高值。

(a) 北京 (b) 上海 (c) 廣州

圖3北京、上海、廣州AOD年平均值的線性擬合

Fig.3LinearfitofyearlyaveragedAODinBeijing,ShanghaiandGuangzhou

分別以2000—2004年、2005—2009年和2010—2014年35 a對三地AOD進行線性擬合，擬合線如圖3實線所示，擬合線變化率見表3。

表3 北京、上海和廣州3地AOD的5 a線性擬合變化率

北京： 2000—2004年，AOD年平均值擬合線呈緩慢上升； 2005—2009年，呈緩慢下降； 2010—2014年，呈現下降。

上海： 3地中擬合線的變化幅度最為明顯。2000—2004年，AOD年平均值呈明顯上升； 2005—2009年，呈明顯下降； 2010—2014年，呈現上升。

廣州： 2000—2004年，AOD年平均值擬合線呈明顯上升； 2005—2009年，呈明顯下降； 2010—2014年，呈現上升。

綜合3地，可以看出2000—2004年是AOD年平均值擬合線的共同上升段； 2005—2009年是共同的下降段； 2010—2014年，雖然上海和廣州AOD平均值呈現上升，但上升程度明顯低于2000—2004年。

綜上所述，線性擬合的結果一定程度上反映了近15 a來北京、上海和廣州3地AOD年平均值的變化情況，但作為趨勢分析，結果并不顯著。

3.4 AOD時間序列的相關分析

對AOD時間序列數據進行相關分析，結果如表4所示，上海與廣州的AOD序列的相關系數最高，通過α=0.10的顯著性檢驗，而與北京并不相似，這主要因為與北京相比，處于長三角的上海與珠三角的廣州具有相似的海陸位置，受海陸風影響，兩地顆粒物擴散條件具有一定的相似性。但由于影響AOD的因素眾多，4個研究區的時間序列并未出現顯著的高相關，反映出各地AOD的變化呈現較鮮明的本地特征。

表4 4個研究區AOD時間序列的相關系數

4 結論

1)GIOVANNI平臺不僅具有傳統的遙感數據共享功能，其特有的在線數據處理與分析功能可以顯著減小科研人員花費大量時間和精力開展繁雜的數據下載與處理工作，并能確保數據處理的規范性，提高了科學研究的工作效率，使非遙感專業人士也能較為輕松地使用遙感數據與產品。但由于光學遙感受大氣環境的影響，以及遙感反演算法本身的不足，使得該平臺提供的數據在開展研究前仍可能需要進一步的處理。數據完整性分析及缺失值插補是應用GIOVANNI平臺數據源開展時間序列研究與應用的必要預處理之一。

2)本文利用GIOVANNI平臺提供的2000—2014年Terra/MODIS反演的時間序列AOD月值數據開展了北上廣城市地區與西部非城市地區AOD對比分析，一方面證實了該平臺AOD數據在我國遙感空氣質量研究與應用領域的可用性，另一方面也反映出東部主要城市地區與西部非城市地區長時間序列AOD之間的差異。AOD作為大氣光學參數并不能直接反映空氣質量狀況，還需進行標高、濕度等訂正處理和建立與可吸入顆粒物之間的轉換關系。

[1] Chu D A,Kaufman Y J,Zibordi G,et al.Global monitoring of air pollution over land from the earth observing system-terra moderate resolution imaging Spectroradiometer (MODIS)[J].Journal of Geophysical Research,2003,108(D21):4661,doi:10.129/2002JD003179.

[2] 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.

[3] 李成才,劉啟漢,毛節泰,等.利用MODIS衛星和激光雷達遙感資料研究香港地區的一次大氣氣溶膠污染[J].應用氣象學報,2004,15(6):641-650. Li C C,Liu Q H,Mao J T,et al.An aerosol pollution episode in Hong Kong with remote sensing products of MODIS and LIDAR[J].Journal of Applied Meteorological Science,2004,15(6):641-650.

[4] 李成才,毛節泰,劉啟漢,等.MODIS衛星遙感氣溶膠產品在北京市大氣污染研究中的應用[J].中國科學D輯(地球科學),2005,35(S1):177-186. Li C C,Mao J T,Lau A K H,et al.Application of MODIS satellite products to the air pollution research in Beijing[J].Science in China Series D Earth Sciences,2005,48(S2):209-219.

[5] Berrick S W,Leptoukh G,Farley J D,et al.Giovanni:A web service workflow-based data visualization and analysis system[J].IEEE Transactions on Geoscience and Remote Sensing,2009,47(1):106-113.

[6] 王旻燕.地球科學數據分析處理和可視化系統GIOVANNI[J].應用氣象學報,2008,19(1):125-127. Wang M Y.Earth science data analysis and visualization infrastructure GIOVANNI[J].Journal of Applied Meteorological Science,2008,19(1):125-127.

[7] Acker J,Soebiyanto R,Kiang R,et al.Use of the NASA Giovanni data system for geospatial public health research:Example of weather-influenza connection[J].ISPRS International Journal of Geo-Information,2014,3(4):1372-1386.

[8] Zubko V,Leptoukh G G,Gopalan A.Study of data-merging and interpolation methods for use in an interactive online analysis system:MODIS terra and aqua daily aerosol case[J].IEEE Transactions on Geoscience and Remote Sensing,2010,48(12):4219-4235.

[9] Prados A I,Leptoukh G,Lynnes C,et al.Access,visualization,and interoperability of air quality remote sensing data sets via the Giovanni online tool[J].IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing,2010,3(3):359-370.

[10]趙潔心,黃聰聰,馮琴,等.基于GIOVANNI的江浙滬地區AOD時空格局分析[C]//2014中國環境科學學會學術年會.成都:中國環境科學學會,2014. Zhao J X,Huang C C,Feng Q,et al.Spatiotemporal pattern research on AOD in Jiangsu-Zhejiang-Shanghai area based on GIOVANNI[C]//2014 Academic Annual Meeting of Chinese Society for Environmental Sciences.Chengdu:Chinese Society for Environmental Sciences,2014.

[11]關佳欣,李成才.我國中、東部主要地區氣溶膠光學厚度的分布和變化[J].北京大學學報:自然科學版,2010,46(2):185-191. Guan J X,Li C C.Spatial distributions and changes of aerosol optical depth over Eastern and Central China[J].Acta Scientiarum Naturalium Universitatis Pekinensis,2010,46(2):185-191.

(責任編輯：邢宇)

AcomparativeanalysisofAODinmaincitiesandthewesternregionofChinafrom2000to2014basedonGIOVANNI

ZHOU Jiayuan1， SHI Runhe1,2,3

(1.SchoolOfGeographicSciences,EastChinaNormalUniversity,Shanghai200241,China； 2.KeyLaboratoryofGeographicInformationScience,MinistryofEducation,EastChinaNormalUniversity,Shanghai200241,China； 3.JointLaboratoryforEnvironmentalRemoteSensingandDataAssimilation,ECNUandCEODE,Shanghai200241,China)

Retrievals of aerosol optical depth (AOD) is the key data sources to carry out the study of regional air quality. The study of a long-time series of AOD needs the temporal spread and spatial expansion of AOD stripe products, involving a series of complex and professional data processing. In order to help the non-remote sensing professional researchers to correctly use the data, NASA has developed a web service workflow-based data visualization and analysis system- GIOVANNI, but this system has not yet been widely used in China. In this paper, choosing Beijing, Shanghai, Guangzhou and the western region of China as the study areas, the authors interpolated the missing data based on the variation characteristics of multi-year time series. On such a basis, the authors carried out a comparative analysis of the monthly values of AOD in main cities and the western region of China from 2000 to 2014 based on GIOVANNI. The results show that, compared with things in the western region, the averages of multi-year values of AOD in Beijing, Shanghai and Guangzhou were significantly higher, of which Shanghai was the highest, followed by Beijing. AOD in Beijing and Shanghai had significant seasonal differences, and exhibited the high levels in spring and summer and the low levels in autumn and winter. Although the averages of annual values of AOD in Beijing, Shanghai and Guangzhou showed anon significant trend from 2000 to 2014, the time series of AOD in Shanghai and Guangzhou had similarity.

GIOVANNI； AOD； atmospheric particles; remote sensing

10.6046/gtzyyg.2017.03.21

周嘉源,施潤和.基于GIOVANNI的我國主要城市與西部地區2000—2014年氣溶膠光學厚度的對比[J].國土資源遙感,2017,29(3):143-148.(Zhou J Y,Shi R H.A comparative analysis of AOD in main cities and the western region of China from 2000 to 2014 based on GIOVANNI[J].Remote Sensing for Land and Resources,2017,29(3):143-148.)

2015-07-24；

2015-11-20

國家重點研發計劃項目“主要惡性腫瘤發病相關的大數據獲取、挖掘及利用研究”(編號： 2016YFC1302602)、上海市衛計委重點學科建設項目“環境衛生與勞動衛生學”(編號： 15GWZK0201)和上海市科委項目“暴雨災害時空多源數據集成與分析研究”(編號： 15dz1207805)共同資助。

周嘉源(1994-)，女，本科生，主要從事遙感應用研究。Email: znana_99@163.com。

施潤和(1979-)，男，博士，副教授，主要從事定量遙感研究。Email: rhshi@geo.ecnu.edu.cn。

TP 751.1

： A

： 1001-070X(2017)03-0143-06