基于GIOVANNI的我国主要城市与西部地区2000—2014年气溶胶光学厚度的对比

周嘉源， 施润和,2,3

(1.华东师范大学地理科学学院，上海 200241； 2.华东师范大学地理信息科学教育部重点实验室，上海 200241； 3.华东师范大学、中国科学院遥感与数字地球研究所环境遥感与数据同化联合实验室，上海 200241)

基于GIOVANNI的我国主要城市与西部地区2000—2014年气溶胶光学厚度的对比

周嘉源1， 施润和1,2,3

(1.华东师范大学地理科学学院，上海 200241； 2.华东师范大学地理信息科学教育部重点实验室，上海 200241； 3.华东师范大学、中国科学院遥感与数字地球研究所环境遥感与数据同化联合实验室，上海 200241)

遥感方法反演的气溶胶光学厚度(aerosol optical depth, AOD)是开展区域空气质量研究的关键数据源。研究长时间序列AOD需要对AOD条带产品进行时空尺度拓展，涉及一系列复杂、专业的数据处理。为了便于非遥感专业科研工作者准确使用该数据，美国宇航局(NASA)研发了新一代的遥感数据在线分析平台GIOVANNI(GES-DISC interactive online visualization and analysis infrastructure)，但该平台在国内尚未得到广泛应用。本文以北京、上海、广州与西部地区为研究区，基于多年时间序列变化特征对平台缺失数据进行了插补，进而开展了“北上广”超大城市地区与西部地区2000—2014年的AOD月数据的对比分析。研究表明，北京、上海、广州与西部地区相比，AOD多年平均值显著较高，其中上海最高，北京次之； 北京和上海的AOD值具有春夏高、秋冬低的季节差异性； 虽然“北上广”近15 a来AOD年平均值的变化趋势不显著，但上海与广州的AOD时间序列存在相似性。

GIOVANNI ； AOD； 大气颗粒物； 遥感

0 引言

以可吸入颗粒物为代表的空气污染是当前我国面临的重要环境问题，尤其在以北京、上海、广州为核心的京津冀、长三角和珠三角地区，经济发达，人口密集，对人体健康有严重威胁。可吸入颗粒物的监测是开展空气治理的前提保障，而传统地面监测方式存在站点数量少、分布不均、代表性差、历史数据积累不足等问题，迫切需要发展新的监测方式。

利用卫星遥感技术开展空气污染监测具有空间覆盖能力强、可周期性重复观测、时间序列长等优势，能与地基站点监测形成互补。一般来说，主要通过建立遥感反演的气溶胶光学厚度(aerosol optical depth, AOD)与PM2.5或PM10等颗粒物浓度之间的转换关系，来实现对可吸入颗粒物的遥感监测。AOD定义为介质的消光系数在垂直方向上的积分，用作描述气溶胶对光的衰减作用。Chu等[1]利用MODIS Level 2产品气溶胶光学厚度的数据，研究了全球、区域和局地大气污染状况，证实了用气溶胶光学厚度监测大气污染的可行性。Engel-Cox等[2]利用 MODIS 2002 年3—9月的AOD数据定量分析，发现卫星遥感资料与地面污染物质量浓度在美国东部和中西部地区具有较高的相关性，并且指出卫星数据在区域尺度的空气质量监测方面有重要的应用潜力。李成才等[3-4]利用暗目标法反演了北京和香港地区1 km气溶胶光学厚度,证实高分辨率遥感产品在研究城市大气污染,尤其是在监测污染源的宏观分布方面具有潜在的应用价值。由于AOD瞬时遥感反演产品，即二级条带产品，受天气状况、反演算法等多种因素影响，存在严重的时空不连续性，在实际使用时需要进行复杂的专业处理，影响了数据产品的应用，尤其是在非遥感专业用户群中的应用。NASA研发的GIOVANNI[5-6](GES-DISC interactive online visualization and analysis infrastructure，GIOVANNI)平台是一个基于Web服务和工作流的数据可视化与分析在线系统，可以在浏览器中通过简便的操作完成复杂的数据处理工作。Acker等[7]基于GIOVANNI平台以天气与流感的联系为例开展了地域性空间公共卫生领域的研究与应用； Zubko等[8]开展了基于GIOVANNI平台的MODIS Terra 和Aqua每日气溶胶数据的融合和插补方法的研究； Prados等[9]介绍了由GIOVANNI平台取得的遥感数据的入口、可视化和互操作性； 赵洁心等[10]基于GIOVANNI对江浙沪地区的AOD时空格局进行了分析，并同时验证了利用GIOVANNI数据资源进行分析的可行性。总体来说，GIOVANNI平台在国外空气质量等研究中得到了广泛应用，但在国内尚未普及。

本文利用GIOVANNI平台，开展了2000—2014年15 a间，北京、上海、广州3个典型特大城市地区与西部非城市地区的AOD对比分析，探索该平台长时间序列数据在我国不同地区的应用。

1 研究区概况与数据源

1.1 研究区概况

京津冀、长三角和珠三角地区是我国3个重要的城市群，经济发达，人口集中，近年来深受雾霾等大气颗粒物污染的影响。本研究在这3个城市群中选取代表性城市，即北京、上海和广州作为研究区，结合所采用的遥感数据产品空间分辨率，其经纬度范围分别设置为： 北京E115°～118°，N39°～42°； 上海E120°～123°，N30°～32°； 广州E112°～115°，N22°～24°。选取青海省西北部5°×5°的较大范围(E90°～95°，N35°～40°)为研究区，该区深处西部中心腹地，受城市影响较小。

1.2 数据源

GIOVANNI交互式在线可视化和分析基础平台由美国宇航局(NASA)Goddard地球科学数据和信息服务中心设计和开发，为气象、水文、生态及地质等诸多领域用户提供了基于网络服务的卫星遥感数据获取、处理、分析与可视化工具，以其简单、快速和良好的人机交互功能吸引了大量用户。该平台一方面可以为用户省去数据传输和在本地计算机上进行数据处理的时间，另一方面可以避免不恰当的处理方法而引入的误差。GIOVANNI平台网址为giovanni.sci.gsfc.nasa.gov/giovanni。

对于AOD数据，GIOVANNI平台可以提供多种卫星遥感传感器的AOD数据产品(表1)。本研究采用时间序列最长的Terra/MODIS AOD月产品，其空间分辨率为1°×1°，采用的反演算法为深蓝算法，其科学数据集名称为deep blue aerosol optical depth at 0.55 microns for land (corrected): mean monthly。

表1 GIOVANNI平台提供的AOD数据产品列表

2 研究方法

2.1 数据完整性分析

对基于GIOVANNI平台取得的源数据(图1)进行完整性分析，发现北京、上海和广州3地AOD数据都较完整，仅广州地区的数值存在3个月份的缺失。而西部地区数据缺失情况较为严重，尤其在2004—2007年期间，每年缺失5～7个AOD月值，需要进行适当的插补。

(a) 北京 (b) 上海

图1-14个研究区AOD月值数据的时间序列

Fig.1-1TimeseriesofmonthlyaveragedAODinthe4researchareas

(c) 广州(d) 西部地区

图1-24个研究区AOD月值数据的时间序列

Fig.1-2TimeseriesofmonthlyaveragedAODinthe4researchareas

2.2 统计、线性拟合与相关分析

对GIOVANNI平台提供的研究区2000年3月—2015年2月的AOD月值进行多年平均值、多年最大值、多年最小值及分季节统计分析； 对AOD的年平均值线性拟合,并进行分析； 对北京、上海、广州和西北地区AOD的月值序列进行相关分析，观察城市与非城市地区在AOD上体现出的差异性。

3 结果与分析

3.1 缺失值的插补方法

由于利用遥感方法目前只能反演晴空条件下的AOD数据，且反演算法成功与否还受到下垫面因素的影响，导致西部地区因存在连续若干个月的数据缺失情况，无法用相邻月份插值方法进行直接插补。本文以西部地区为例，根据数据完整年份的时间序列数据，计算得出AOD各个月份间的多年平均变化率(表2)，再根据缺失年份内的已有数据，推算出缺失月份的AOD值。

表2 西部地区AOD平均月变化率

3.2 统计结果与分析

对2000—2014年4个研究区AOD时间序列数据，在年、季、月3个时间周期中进行统计分析(图2)。

(a) 时间序列(b) 多年季节平均值(c) 月平均值

图24个研究区AOD年平均值数据

Fig.2TimeseriesofyearlyaveragedAODinthe4researchareas

北京： 多年平均值为0.56，最大年均值差为0.18。多年最大月值为1.379，出现时间在2008年6月。多年最小月值为0.131，出现时间在2014年12月。全年AOD最大值多出现于夏季，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，有明显的季节差异性存在。多年年内最大月值差为1.12。

上海： 多年平均值为0.70，最大年均值差为0.57。多年最大月值为2.155，出现时间在2012年6月。多年最小月值为0.100，出现时间在2000年7月。全年AOD最大值多出现于夏季，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，有明显的季节差异性存在。多年年内最大月值差为1.89。

广州： 多年平均值为0.55，最大年均值差为0.52。多年最大月值为1.235，出现时间在2014年4月。多年最小月值为0.067，出现时间在2003年7月。全年AOD最大值多出现于春季，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值的季节变化较小，四季的值都较接近。多年年内最大月值差为0.99。

西部地区： 多年平均值为0.31，最大年均值差为0.32。多年最大月值为1.172，出现时间在2001年4月。多年最小月值为0.051，出现时间在2005年11月。全年AOD最大值多出现于春季，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，有明显的季节差异性存在。多年年内最大月值差为0.95。

总体来看，相比较于“北上广”3地，西部地区的AOD多年平均值0.31明显较低，相差在0.24～0.39之间，体现出城市地区与非城市地区的显著差异。对比“北上广”3地，上海的多年平均值最高，北京其次，广州最低。在此需要指出，虽然AOD在数值上呈现上述特点，但遥感反演的AOD并不能准确反映一个地区的空气污染程度，还需要进行标高、湿度订正等修正，才能与近地层可吸入颗粒物建立较为稳定的关系； 同时，“北上广”的大气颗粒物来源复杂，使得AOD与大气颗粒物之间的相关性是不稳定的。在季节尺度上，北京和上海的AOD值都具有明显的季节差异性且季节差异相似，都是春夏较大，秋冬较小； 而广州的AOD值的季节分布较平稳。上述特点与关佳欣等[11]对AOD在我国中、东部主要地区的分布和变化研究结论一致。

3.3 城市地区AOD年均值的线性拟合

图3虚线为“北上广”3地以2000—2014年为一个周期的AOD年平均值的线性拟合。可以看到，3地拟合线总体呈现上升，其中北京的变化程度最小，拟合线斜率为0.005 57； 广州次之，拟合线斜率为0.011 28； 上海最大，拟合线斜率为0.016 2。上海和广州在2004—2007年都出现了较高值。

(a) 北京 (b) 上海 (c) 广州

图3北京、上海、广州AOD年平均值的线性拟合

Fig.3LinearfitofyearlyaveragedAODinBeijing,ShanghaiandGuangzhou

分别以2000—2004年、2005—2009年和2010—2014年35 a对三地AOD进行线性拟合，拟合线如图3实线所示，拟合线变化率见表3。

表3 北京、上海和广州3地AOD的5 a线性拟合变化率

北京： 2000—2004年，AOD年平均值拟合线呈缓慢上升； 2005—2009年，呈缓慢下降； 2010—2014年，呈现下降。

上海： 3地中拟合线的变化幅度最为明显。2000—2004年，AOD年平均值呈明显上升； 2005—2009年，呈明显下降； 2010—2014年，呈现上升。

广州： 2000—2004年，AOD年平均值拟合线呈明显上升； 2005—2009年，呈明显下降； 2010—2014年，呈现上升。

综合3地，可以看出2000—2004年是AOD年平均值拟合线的共同上升段； 2005—2009年是共同的下降段； 2010—2014年，虽然上海和广州AOD平均值呈现上升，但上升程度明显低于2000—2004年。

综上所述，线性拟合的结果一定程度上反映了近15 a来北京、上海和广州3地AOD年平均值的变化情况，但作为趋势分析，结果并不显著。

3.4 AOD时间序列的相关分析

对AOD时间序列数据进行相关分析，结果如表4所示，上海与广州的AOD序列的相关系数最高，通过α=0.10的显著性检验，而与北京并不相似，这主要因为与北京相比，处于长三角的上海与珠三角的广州具有相似的海陆位置，受海陆风影响，两地颗粒物扩散条件具有一定的相似性。但由于影响AOD的因素众多，4个研究区的时间序列并未出现显著的高相关，反映出各地AOD的变化呈现较鲜明的本地特征。

表4 4个研究区AOD时间序列的相关系数

4 结论

1)GIOVANNI平台不仅具有传统的遥感数据共享功能，其特有的在线数据处理与分析功能可以显著减小科研人员花费大量时间和精力开展繁杂的数据下载与处理工作，并能确保数据处理的规范性，提高了科学研究的工作效率，使非遥感专业人士也能较为轻松地使用遥感数据与产品。但由于光学遥感受大气环境的影响，以及遥感反演算法本身的不足，使得该平台提供的数据在开展研究前仍可能需要进一步的处理。数据完整性分析及缺失值插补是应用GIOVANNI平台数据源开展时间序列研究与应用的必要预处理之一。

2)本文利用GIOVANNI平台提供的2000—2014年Terra/MODIS反演的时间序列AOD月值数据开展了北上广城市地区与西部非城市地区AOD对比分析，一方面证实了该平台AOD数据在我国遥感空气质量研究与应用领域的可用性，另一方面也反映出东部主要城市地区与西部非城市地区长时间序列AOD之间的差异。AOD作为大气光学参数并不能直接反映空气质量状况，还需进行标高、湿度等订正处理和建立与可吸入颗粒物之间的转换关系。

[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,刘启汉,毛节泰,等.利用MODIS卫星和激光雷达遥感资料研究香港地区的一次大气气溶胶污染[J].应用气象学报,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(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.地球科学数据分析处理和可视化系统GIOVANNI[J].应用气象学报,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]赵洁心,黄聪聪,冯琴,等.基于GIOVANNI的江浙沪地区AOD时空格局分析[C]//2014中国环境科学学会学术年会.成都:中国环境科学学会,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]关佳欣,李成才.我国中、东部主要地区气溶胶光学厚度的分布和变化[J].北京大学学报:自然科学版,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.

(责任编辑：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,施润和.基于GIOVANNI的我国主要城市与西部地区2000—2014年气溶胶光学厚度的对比[J].国土资源遥感,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

国家重点研发计划项目“主要恶性肿瘤发病相关的大数据获取、挖掘及利用研究”(编号： 2016YFC1302602)、上海市卫计委重点学科建设项目“环境卫生与劳动卫生学”(编号： 15GWZK0201)和上海市科委项目“暴雨灾害时空多源数据集成与分析研究”(编号： 15dz1207805)共同资助。

周嘉源(1994-)，女，本科生，主要从事遥感应用研究。Email: znana_99@163.com。

施润和(1979-)，男，博士，副教授，主要从事定量遥感研究。Email: rhshi@geo.ecnu.edu.cn。

TP 751.1

： A

： 1001-070X(2017)03-0143-06