EN中文

Journal of Geo-information Science >

2015 , Vol. 17 >Issue 10: 1224 - 1233

DOI: https://doi.org/10.3724/SP.J.1047.2015.01224

Orginal Article

Data Fusion of MODIS AOD and OMIAOD over East China Using Universal Kriging

  • LI Long , 1, 2 ,
  • SHI Runhe , 1, 2, 3, * ,
  • ZHANG Lu 1, 2 ,
  • ZHANG Jie 4 ,
  • ZHOU Cong 1, 2 ,
  • XU Yanping 5 ,
  • GAO Wei 1, 2, 3
Expand
  • 1. Key Laboratory of Geographic Information Science, Ministry of Education, East China Normal University, Shanghai 200241, China
  • 2. Joint Laboratory for Environmental Remote Sensing and Data Assimilation, ECNU and CEODE, Shanghai 200241, China
  • 3. Joint Research Institute for New Energy and the Environment, East China Normal University and Colorado State University, Shanghai 200062,China
  • 4. Foshan Bureau of Meteorology, Foshan 528000, China
  • 5. Kai xian Bureau of meterological, kai xian 405499, China
*Corresponding author: SHI Runhe, E-mail:

Received date: 2014-12-24

  Request revised date: 2015-02-26

  Online published: 2015-10-10

Copyright

《地球信息科学学报》编辑部 所有
Fold

Abstract

Aerosol optical thickness (AOD) can represent the attenuation of solar radiation caused by aerosol, and reflect the atmospheric turbidity or air quality conditions as one of the most important parameters. It is an excellent data source for atmosphere and air quality studies as the atomosphere environment is deteriorating in recent years. Nowadays, there are many kinds of AOD satellite products with good spatial coverage which can be employed to atmospheric environmental researches and the related studies. However, the accuracy and certainty of these satellite products can not meet the increasing demands. Fortunately, the AOD retrieved from AErosol RObotic NETwork (AERONET) exhibits better quality, although their spatial representativeness are localized. With the help of quadratic polynomial interpolation and regression analysis methods, we employed the universal kriging method to integrate both types of AOD products (satellite AOD and AERONET AOD) for analyzing Eastern China in November 2008. Results showed that the quadratic polynomial interpolation method is much better than Angstrom on band interpolation in this study. The comparison between AERONET AOD products and satellite AOD products showed that the fused results (integrated with AOD products) retrieved from universal kriging data fusion method presented a better spatial resolution, wider coverage and higher accuracy. For East China, AOD values in the northern part are higher than the southern part in November 2008; for Yangtze River Delta region, the northeastern of Anhui and the eastern part of Shanxi hold higher AOD values, while the AOD values in southern part of Jiangsu are lower. In addition, this paper has confirmed that the universal kriging data fusion method can provide good fused AOD products in the cases that AERONET AOD data is inadequate and the transit time of different sensors is asynchronous. The AOD data fusion system proposed in this paper can provide better AOD products for relevant scientific researches.

Key words： universal kriging; AOD; data fusion; East China

Cite this article

LI Long , SHI Runhe , ZHANG Lu , ZHANG Jie , ZHOU Cong , XU Yanping , GAO Wei . Data Fusion of MODIS AOD and OMIAOD over East China Using Universal Kriging[J]. Journal of Geo-information Science, 2015 , 17(10) : 1224 -1233 . DOI: 10.3724/SP.J.1047.2015.01224

1 引言

大气气溶胶的气候效应早在20世纪70年代已被意识到[1],20世纪80年代末开始受到科学界的普遍关注（IPCC5,2007）。气溶胶光学厚度,简称AOD（Aerosol Optical Depth）,是表征大气混浊度或大气中气溶胶总含量的重要物理量[2]。无云情况下,AOD的大小与空气颗粒物情况有关,运用AOD数据对大气环境和空气质量特别是近年来备受关注的细颗粒物（Fine Particulate Matter,PM2.5）进行研究成为新的热点[3-7]。获取高空间覆盖率、高精度的AOD数据,对开展大气环境领域的研究意义重大。通过数据融合方法结合不同传感器的数据,对地-气系统AOD状况进行研究能有效弥补单一数据的不足[8]。另外,获取空间覆盖率更高的融合产品能减少云等对AOD遥感反演产生的不利影响。
AOD数据融合主要包括最大似然法（Maximum Likelihood,ML）、神经网络法（Neural Network,NN）和克里金法等方法。其中,常见的克里金法有普通克里金法（Ordinary Kriging,OK）、固定秩克里金法（Fixed Rank Kriging,FRK）和泛克里金法（Universal Kriging,UK）等方法[9-13]。大气环境现象的时空估计或预测方法,大都源于克里金法[14]或客观分析法[15]。前者通过拉格朗日乘数实现求解,主要应用于地质和水文,以及环境学科;后者基于高斯-马尔可夫定理,偏重于气象-海洋领域的应用[16]。对比研究表明,这2种方法本质上是一致的[17]。相对于其他方法,克里金法的优势主要体现为：（1）在数据网格化的过程中考虑了描述对象的空间相关性质,使融合结果更科学、更接近于实际情况;（2）能给出融合的误差（克里金方差）,使融合结果的可靠性一目了然[18-21]。
然而,当前运用克里金法进行AOD数据融合的研究较少。传统克里金法的计算复杂性达到 O ( N 3 ) ,不适用于数据量大的情况。作为传统克里金方法的改进版本,UK不仅简单易行,还解决了计算复杂的问题;此外,应用UK方法进行数据融合,在产生融合结果的同时,可给出更精确的不确定性数据。Chatterjee[11]等人曾利用UK方法,对美国大陆地区的中分辨率成像光谱仪（Moderate Resolution Imaging Spectroradiometer,MODIS/Terra）与多角度成像光谱仪（Multi-angle Imaging SpectroRadiometer,MISR/Terra）反演的AOD数据,进行了融合研究,证实了UK方法应用于该领域的可行性与优越性。然而,除了MODIS AOD与MISR AOD等卫星产品外,臭氧监测仪（Ozone Monitoring Instrument,OMI/Aura）反演的AOD也是一种类似的数据源。但是,目前为止采用OMI AOD开展相关领域的研究极少。因此,本文结合二次多项式波段插值与线性回归分析方法,采用UK技术对MODIS/Aqua和OMI/Aura提供的每日AOD产品、气溶胶自动观测网（Aerosol Robotic Network,AERONET）的站点AOD数据开展融合研究。
本文将UK方法应用到华东地区的研究时,主要存在2个需解决的难题或需验证的疑点：（1）华东地区AERONET站点密度显著小于美国大陆地区,并且多数站点的AOD数据时间上存在严重的断续问题,如何在地基数据“不充分”的情况下,运用UK方法融合得到可靠的AOD产品,是本文须解决的一个难题。（2）与Chatterjee[11]等的研究相比,本文所采用的2种AOD数据来自不同卫星平台上的传感器（MODIS/Aqua和OMI/Aura）,其过境时间的不一致,导致AOD特征信号接收的气象条件等不相同;此外,2种传感器的系统误差和AOD产品的反演算法也不尽相同。UK方法能否有效应用于此种情况下的AOD融合研究是本文需验证的疑点。

2 研究区数据分析

本研究的空间范围为华东6省1市（山东、江苏、安徽、浙江、福建、江西、上海）,经纬度范围约为114.80°~122.70°E,23.57°~38.21°N）,如图1所示。该地区的主要地理特征为北部多平原而南部多丘陵和山区,经济发达,人为活动对大气环境的影响较大。近年来,华东地区空气污染日益严重,雾霾天数增加尤为明显。
Fig. 1 Research region and distribution of AERONET sites

图1 研究区域与AERONET站点分布

近极地太阳同步轨道卫星Aura和Aqua是美国地球观测系统（Earth Observation System,EOS）计划中的2颗卫星,过境时间均为当地时间13:30左右,较小的太阳天顶角为气溶胶的反演创造了优越的光照条件。相近的过境时间保证了卫星在相似的照度等条件下采集数据,减少了不同传感器数据之间的差异。卫星轨道相关参数见表1,Aura卫星上搭载的OMI和Aqua平台上的MODIS均提供每日AOD产品。作为基准的AERONET观测网反演的AOD产品、OMI气溶胶产品OMAEROe和MODIS/Aqua气溶胶产品MYD04中的AOD数据,为本研究的数据源。
Tab. 1 Parameters of Aqua and Aura

表1 Aqua和Aura卫星参数

卫星参数 Aqua（MODIS） Aura（OMI）
发射时间 2002-05-04 2004-07-15
轨道类型 太阳同步 太阳同步
轨道高度（km） 705 705
轨道周期（min） 98.8 98.8
过境时间 L.T 13:30 L.T 13:45

2.1 AERONET AOD数据

气溶胶自动观测网（AErosol RObotic NETwork,AERONET）是一个采用CE-318型太阳光度计观测气溶胶特征的全球性大规模气溶胶观测网。至今为止,华东地区有12个观测站点纳入AERONET。观测仪器每15 min采集一次340、380、440、500、675、870和1020 nm通道处的气溶胶光学特性。AERONET反演的AOD因受地表参数和气溶胶前向散射影响较小[22],反演精度可达0.02至0.01[23],因而被较多地应用为AOD基准数据。其数据分为未筛选的Level 1.0产品、经云检测的Level 1.5产品,以及经过云检测和质量控制的Level 2.0产品[24]。本文采用2008年华东地区10个站点（图1）的Level 2.0或Level1.5 AOD产品进行了数据融合参数的估算及结果验证。
本文对AERONET站点AOD历史数据进行了统计：研究区（华东地区）2008年AERONET站点AOD数据时间延续性较为完整。然而,本研究的重要目标之一是在地基数据“不充分”的条件下运用UK方法融合得到可靠的AOD产品。图2是2008年华东地区AERONET AOD数据的时间分布情况。显然,华东地区AERONET AOD数据缺失比较严重,尤其是秋季（9-11月）。因此,本文选取2008年9-11月作为研究的时间范围,且此时段的AOD卫星数据相对较为充足。
Fig.2 The temporal characteristics of AERONET AOD in East China, 2008

图2 2008年华东地区AERONET站点AOD时间分布情况

2.2 MODIS AOD数据

MODIS的工作波段涵盖了0.553~14.235 μm范围内的可见光、近红外和红外的36个波段[25]。目前运行的2个MODIS传感器分别搭载在Terra和Aqua卫星平台上,提供了包括AOD产品MOD04（MODIS/Terra）和MYD04（MODIS/Aqua）2种主要气溶胶数据产品。MODIS AOD在大气环境、气候变化等相关领域的研究已比较成熟,其反演精度与空间分辨率较高,可直接提供550 nm处的AOD值;然而,其数据缺失较OMI AOD产品严重,不同版本（如版本号为collection 5,collection 5.1的版本）的AOD反演均存在一定的缺陷,如沙漠地区、大面积水体下垫面情况下的AOD反演的局限性等。
为减少OMI AOD和MODIS AOD产品时间上的差异,研究采用过境时间与OMI差异较小的MODIS/Aqua AOD二级产品MYD04_L2。MYD04_L2中包含“Corrected_Optical_Depth_Land”数据集,该数据集含有470、550、660 nm通道处的AOD值。产品空间分辨率约为10 km,时间分辨率为1 d。MYD04_L2数据来自戈达德宇宙飞行中心数据分发系统（http://ladsweb.nascom.nasa.gov/data/search.html）。

2.3 OMI AOD数据

OMI通过接收大气层顶（Top Of Atmosphere,TOA）紫外和可见光通道（270~500 nm）的上行辐射以反演大气成分特征,其光谱分辨率为0.5 nm左右[26]。由于330~500 nm波长范围内TOA反射率,对气溶胶浓度、粒径分布、组成和垂直分布敏感,可用该范围内通道进行气溶胶反演[27]。由于OMI AOD的反演通道主要位于紫外波段,其反演精度较容易受瑞利散射的影响,故在AOD低值区反演的不确定性较大;然而,OMI对AOD高值区的反演精度较高,对相对较新的反演方法和研究较少的数据的适用性研究具有较大的现实意义。
本研究所用的OMI AOD产品,是采用多通道技术（OMAERO）方法,利用342.5~483.5 nm间的14个波段反演得到的陆地AOD三级产品OMAEROe中的“AerosolOpticalThicknessMW”数据集。数据集提供342.5、388、442、463、483.5 nm通道处的AOD值,其空间分辨率为0.25°,时间分辨率为1 d。OMAEROe数据来自“戈达德地球科学数据和信息服务中心”（http://disc.sci.gsfc.nasa.gov/Aura/data-holdings/OMI/omler_v003.shtml）。由于MODISAOD数据的空间分辨率约为10 km,本文将OMI AOD和MODIS AOD重采样为10 km以便于研究。

3 AOD数据融合方法

3.1 AOD波段插值

目前,关于AOD的研究基本采用550 nm通道处的值。然而,不同传感器所反演的AOD产品处于不同的波谱通道,为保证不同数据间通道的一致性和不同研究之间的可比性,本文采用二次多项式插值法进行波段插值。相对于Angstrom波长指数插值方法,二次多项式插值法可插值出精度较高、更可靠的550 nm通道处AOD值[28]。这主要是因为Angstrom波长指数依赖于荣格尺度分布[29],而通常情况下的气溶胶粒子尺度不遵循这一分布特征[30],从而导致Angstrom波长指数插值法精度相对较差。二次多项式插值法是通过3个已知通道的AOD,插值出550 nm通道处的值（式（1））。
ln τ α = a 0 + a 1 lnλ + a 2 ( lnλ ) 2 (1)
式中, τ α 表示 λ 通道处的AOD值; a i ( i = 0,1 , 2 ) 是未知系数。
本文采用二次多项式插值法,利用OMI 342.5、442、483.5 nm通道和AERONET 440、500、675 nm通道的AOD,分别插值得到550 nm处的OMI AOD和AERONET AOD。

3.2 UK数据融合方法

泛克里金法是由Matheron于1969年提出的地统计的数据融合方法[31],不同传感器AOD数据的角色类似于多元线性回归中的回归因子。其目的是估计AOD分布 s ,可表示为确定但未知的趋势项 X s β 和均值为0的随机项 ν 之和（式（2））。
s = X s β + ν (2)
式中, X s （ m × p ） 给出趋势模型,m是估计位置或时刻的数目; β p × 1 为 X s 中 p 个变量各自的权重。在地统计学领域,表示空间变异性的趋势可用其他的变量作确定性的表示。UK方法的AOD数据融合中,趋势矩阵 X s 可表示为：
X s = 1 AO D 11 AO D 21 ⋯ 1 AO D 12 AO D 22 ⋯ ⋮ ⋮ ⋮ ⋮ 1 AO D 1 m AO D 2 m ⋯ AO D i 1 AO D i 2 ⋮ AO D im (3)
式中, AO D im 表示来自第 i 个传感器 m 位置（时刻）处的AOD观测值。类似于多元回归模型,第一列的所有“1”乘以 β （即截距）,可反映传感器观测的AOD值与真实值之间的系统误差。本研究的 X s 由一列“1”,一列MODIS/Aqua AOD和一列OMI AOD组成,同时,采用与之对应的同一时间相同位置处的AERONET AOD值,求取包含AOD空间特征的UK融合参数 β 和 ν 值,本文运用该方法对2008年11月的每日MODIS/Aqua AOD和OMI AOD进行了融合研究。由于研究时间范围内华东地区AERONET站点数据缺失较多（图2）,导致地基数据“不充分”,故本文采用了2008年秋季（9月1日-11月31日）10个站点位置处符合要求的数据（共276组）进行参数估计,将估计参数应用于地基数据缺失十分严重的11月并检验融合结果,这有利于充分探究并证实UK方法在地基数据“不充分”的条件下的适用性。本文用于UK参数估计的AOD数据来自一段时间内的匹配数据,因此,融合参数也包含了时间变异特征。UK详细计算过程可参考文献[11]。

4 AOD数据融合结果与分析

4.1 AOD波段插值结果

数据源对融合结果的可靠性至关重要,为验证二次多项式波段插值方法的优越性,本文利用2008年11月10日至11月16日的OMI AOD均值和2008年AERONET太湖站点的AOD数据,分别采用Angstrom波长指数和二次多项式插值法,计算出已有通道的AOD插值结果,并与传感器相应的观测值进行比较分析,误差以平均绝对误差（Mean Absolute Error,MAE）表示,结果如表2所示。
Tab. 2 Comparison between quadratic polynomial method and Angstrom wavelength exponent method

表2 二次多项式法和Angstrom波长指数法AOD波段插值结果比较（波长单位：nm）

传感器 二次多项式法 Angstrom波长指数法
插值波长 结果波长 MAE 插值波长 结果波长 MAE
OMI 342.5, 388, 442 483.5 0.001 342.5, 388 483.5 0.019
342.5, 442, 483.5 388 0.001 342.5, 483.5 388 0.009
AERONET 440, 500, 675 870 0.010 440, 675 870 0.017
440, 500, 870 675 0.007 440, 870 675 0.014
结果表明,二次多项式法在内插和外推情况下,均显著优于Angstrom波长指数法,且在外推插值时效果尤为明显。而本文采用的OMI光谱通道均小于550 nm,获取550 nm通道的OMI AOD值是一个外推的过程。从表2可知,本研究采用的 AOD插值结果比采用Angstrom波长指数插值法的结果更准确。

4.2 AOD数据相关性分析

为探究不同传感器AOD数据之间的相关性,本文以研究区内的10个AERONET站点位置为基准,采用有效值进行平均的方法分别计算站点附近0.5°×0.5°范围内的每日卫星AOD数据均值,并计算卫星过境时间前后30 min内的AERONET AOD均值,以获取两两之间的皮尔森（Pearson）线性相关系数。为保证卫星均值数据的代表性,本文仅计算有效像元比例,不小于40%的0.5°×0.5°窗口的AOD均值。采用该方法研究选取了2008年秋季（9月1日-11月31日）的3种传感器AOD数据进行匹配,得到42组数据,经Pearson相关分析,得到图3所示结果,图（3）中虚线为 y = x 线。
Fig.3 Correlations between different AOD products

图3 不同传感器AOD数据之间的相关性

如图3所示,卫星获取的AOD数据与AERONET AOD数据之间存在显著（显著性水平 p = 0.01 ）的相关性,相关系数详见图3。考虑到与AERONET站点位置对应的卫星数据为0.5°×0.5°窗口内的平均值,卫星反演结果可靠性较高。2种卫星数据之间的相关性显著（ r = 0.7119 , p = 0.01 ）,为UK方法应用于AOD数据融合提供了基础。

4.3 融合结果及其空间特征分析

本文采用上述UK数据融合方法,对2008年11月OMI AOD和MODIS AOD每日数据进行融合,并采用有效值平均的方法对得到的每日融合结果进行月合成。此外,本文同样用有效值平均的方法,对2008年11月的OMI AOD和MODIS AOD每日产品进行了月合成,得到相应的AOD月均值结果及空间特征（图4）。
Fig. 4 Distributions of mean AOD in November 2008

图4 2008年11月AOD平均分布情况

2008年11月OMIAOD与MODIS AOD空间分布具有较好的一致性,在大部分地区差异较小,但其值大小和空间分布仍存在一定差异,这主要由不同传感器系统误差和反演算法不同所致。此外,在月合成算法中,不同传感器在相同格点的有效反演值天数不同也会产生差异。由于MODIS AOD每日数据缺失较为严重,研究区内月均值合成结果仍存在部分数据空缺（空缺或已剔除的异常值在图4（b）中用白色表示）。另外,由于本文应用的MODIS陆地AOD产品的反演算法,在大面积水体下垫面的情况下反演误差较大,MODIS AOD月均值存在一些异常低值分布(已剔除,空缺或异常值在图4（b）用白色表示)。
运用2008年11月的每日AOD卫星产品,结合2008年秋季（9-11月）的AERONET站点AOD数据,采用UK方法进行数据融合,另将有效值平均方法,对每日AOD融合结果及其不确定性进行处理,得到如图5所示的结果。由于融合时采用的地基数据为与2个传感器相对应的AERONET AOD的均值,融合结果为2个传感器过境时刻（MODIS/Aqua L.T. 13:30左右过境,OMI/Aura L.T. 13:45左右过境,时间差为15 min左右）之间的均值。其中,不确定性用标准差表示。
Fig. 5 UK fusion result and its uncertainy

图5 UK融合结果及其不确定性

图5（a）展示的融合结果与图4中原始卫星数据空间分布整体趋势较一致,即融合结果保持了原始数据的空间分布特征。并从三者的高值区和低值区相对位置的空间分布可看出：UK方法的AOD数据融合较好地保留了2种原始数据的共同空间特点。
由于UK融合方法仅在MODIS和OMI 2种原始卫星数据均有有效值的像元进行,其融合结果仍存在与2种原始数据相同的缺失情况。然而,对于本研究,由于OMI空间分辨率较低,其每日AOD产品的空间覆盖数据缺失相对较少,因此,本文运用AOD每日融合结果与相应的每日OMI AOD值建立一元线性回归模型（R2=0.8979）,在MODIS数据缺失和异常值位置（数据缺失位置主要分布在江苏东南部、上海及浙江沿海地区,异常值已剔除,图4（b）用白色表示）,采用OMI AOD数据,运用融合结果与OMI AOD之间的线性模型,对融合结果进行了估计。采用将有效值进行平均的方法,对线性回归处理后的每日AOD融合产品进行月合成,得到AOD融合产品的月均值结果（图6）。
Fig. 6 Final fusion results

图6 线性回归分析后的融合结果

一元线性回归模型能根据OMI AOD较好地估计UK融合结果的缺失位置和异常位置处的AOD值。UK方法给出的AOD融合结果的不确定性（图5（b））的空间分布与AOD融合结果分布,具有较好的一致性。2008年11月,华东地区AOD总体呈现南低北高的空间分布特征。高值区主要分布在长江三角洲部分（苏东南、上海、浙东北）地区、安徽东北部、苏鲁交界处,以及山东西部地区;低值区主要分布在江苏以南的大部分地区。

4.4 融合结果的评价

本文通过对比分析AERONET站点处的OMI AOD月均值、MODIS AOD月均值、AOD融合结果与相应的AERONET AOD数据,以对融合结果进行评价。由于AERONET站点处卫星传感器的AOD月均值数据,是运用11月30天内的有效值进行平均得到的,所以,相应的AERONET AOD站点均值仅考虑存在有效卫星数据的天数。然而,由于研究时间范围内AERONET站点处MODIS数据缺失严重,站点处MODIS月均值数目极少,符合验证条件的站点仅有合肥、寿县、太湖3个站点。鉴此,本文计算过境时间前后30 min内的AERONET AOD月均值、AERONET站点周围0.25°×0.25°范围内的卫星数据月均值及UK融合结果均值,结果如表3所示。
Tab.3 Monthly averages of AOD source data, UK fusion results and their differences at each AERONET site

表3 AERONET站点处AOD数据源月均值、UK融合结果月均值及相应的月均值差

站点 MODIS OMI UK AERONET MODIS-AERONET OMI-AERONET UK-AERONET
合肥 0.590 0.688 0.493 0.536 0.054 0.152 -0.043
寿县 0.435 0.366 0.534 0.504 -0.069 -0.138 0.030
太湖 0.453 0.487 0.474 0.467 -0.014 0.020 0.010
有研究表明,OMI AOD数据的不确定性值约为30%[32],MODIS AOD数据的不确定性用标准差表示,非亮像元约为0.05+0.15 τ [33-34],因此,本文所用的UK融合方法在提高AOD数据精度的同时,降低了融合结果的不确定性（图5（b））。这表明,结合线性回归模型的UK方法的华东地区AOD数据融合是可行的,通过这一方法进行MODIS AOD和OMI AOD数据融合,能得到覆盖更全、精度更高的气溶胶光学厚度产品,更利于有效充分地将多源海量卫星数据应用于空气质量和大气环境等研究。
然而,尽管UK方法一定程度上能考虑到不同来源的AOD数据之间的时空自相关性[11],但与Chatterjee [11]等人的研究相比,OMI AOD和MODIS/AquaAOD的特征信号获取的气象条件存在一定的差异,这可能会给融合结果带来一定的误差。

5 结论

本文通过2008年华东地区OMI AOD、MODIS AOD及AERONETAOD站点数据,结合二次多项式波段插值方法和线性回归分析模型,采用泛克里金融合方法对研究区内不同来源的AOD数据进行了融合;并对2008年11月华东地区AOD的融合结果及其空间分布特征进行了简要分析;最后对融合结果进行了评价,结果表明：
（1）与常用的Angstrom波长指数插值方法相比,二次多项式的AOD波段插值方法能提供更为精准的AOD插值结果。
（2）UK方法与线性回归方法相结合开展华东地区AOD数据融合,在考虑了空间数据自相关性的同时,发挥了不同原始数据的优势,AOD融合结果在空间分辨率、覆盖度、结果的精度上,都优于MODIS AOD或OMI AOD单一数据产品。此外,从UK数据融合方法的误差图可见,本文的融合结果可靠性较好。
（3）空间分布上,融合前后AOD数据的空间分布没有明显差异。2008年11月华东地区AOD呈现出南低北高的总体趋势：高值区主要分布在长江三角洲部分地区、安徽东北部、苏鲁交界处,及山东西部;低值区主要在江苏以南的大部分地区。
综上,本文证实了UK方法在华东地区的MODIS AOD与OMI AOD融合研究中的适用性,尤其对AERONET实测数据缺失较严重的情况下,仍能保证较高的精度。在今后的研究中,将进一步考虑气象因子对AOD观测与反演的影响,对多源、非同步探测的遥感数据反演AOD产品进行修正和融合。

The authors have declared that no competing interests exist.

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
Andreae M O.Climatic effects of changing atmospheric aerosol levels[J]. World survey of climatology, 1995,16:347-398.

[2]
罗宇翔,陈娟,郑小波.近10年中国大陆MODIS遥感气溶胶光学厚度特征[J].生态环境学报,2012,21(5):876-883.

[3]
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.

[4]
Hutchison K D, Smith S, Faruqui S J.Correlating MODIS aerosol optical thickness data with ground-based PM2.5 observations across Texas for use in a real-time air quality prediction system[J]. Atmospheric Environment, 2005,39(37):7190-7203.

[5]
Schaap M, Apituley A, Timmermans R M A, et al. Exploring the relation between aerosol optical depth and PM2.5 at Cabauw, the Netherlands[J]. Atmospheric Chemistry and Physics, 2009,9(3):909-925.

[6]
Yao L, Lu N, Jiang S.Artificial neural network (ANN) for multi-source PM2.5 Estimation using surface, MODIS, and meteorological data[C]. 2012 IEEE International Conference on Biomedical Engineering and Biotechnology, 2012:1228-1231.

[7]
Zhao Q, Gao W, Xiang W, et al.Analysis of air quality variability in Shanghai using AOD and API data in the recent decade[J]. Frontiers of Earth Science, 2013,7(2):1-10.

[8]
Gupta P, Patadia F, Christopher S A.Multisensor data product fusion for aerosol research[J]. IEEE Transactions on Geoscience and Remote Sensing, 2008,46(5):1407-1415.

[9]
Nirala M.Technical Note: Multi-sensor data fusion of aerosol optical thickness[J]. International Journal of Remote Sensing, 2008,29(7):2127-2136.

[10]
Xu Q, Obradovic Z, Han B, et al.Improving aerosol retrieval accuracy by integrating AERONET, MISR and MODIS data[C]. 8th IEEE International Conference on Information Fusion, 2005:1-7.

[11]
Chatterjee A, Michalak A M, Kahn R A, et al.A geostatistical data fusion technique for merging remote sensing and ground-based observations of aerosol optical thickness[J]. Journal of Geophysical Research: Atmospheres (1984-2012), 2010,115(D20):898-907.

[12]
Nguyen H, Cressie N, Braverman A.Spatial statistical data fusion for remote sensing applications[J]. Journal of the American Statistical Association, 2012,107(499):1004-1018.

[13]
Jinnagara Puttaswamy S, Nguyen H M, Braverman A, et al.Statistical data fusion of multi-sensor AOD over the Continental United States[J]. Geocarto International, 2014,29(1):1-17.

[14]
Agterberg F P.Autocorrelation functions in geology[A]. In Merriam D F(ed.). Geostatistics[M]. Springer, 1970:113-141.

[15]
Bretherton F P, Davis R E, Fandry C B.A technique for objective analysis and design of oceanographic experiments applied to MODE-73[J]. Deep Sea Research and Oceanographic Abstracts, 1976,23(7):559-582.

[16]
Guzzi R, Ballista G, Nicolantonio W D, et al.Aerosol maps from GOME data[J]. Atmospheric environment, 2001,35(30):5079-5091.

[17]
Bergamasco A, Teatini P, Carbognin L.Confronto critico trakriging e analisi oggettiva[J]. Il Nuovo Cimento C, 1993,16(3):289-302.

[18]
林忠辉,莫兴国,李宏轩.中国陆地区域气象要素空间插值[J].地理学报,2002,57(1):47-56.

[19]
李军龙,张剑,张丛,等.气象要素空间插值方法的比较分析[J].草业科学,2006,23(8):6-11.

[20]
Wang J F, Li L F, Christakos G.Sampling and Kriging spatial means: Efficiency and conditions[J]. Sensors, 2009,9(7):5224-5240.

[21]
Hao W, Chang X.Comparison of Spatial Interpolation Methods for Precipitation in Ningxia, China[J]. International Journal of Science and Research,2013,2(8):181-184.

[22]
Ge J M, Su J, Fu Q, et al.Dust aerosol forward scattering effects on ground-based aerosol optical depth retrievals[J]. Journal of Quantitative Spectroscopy and Radiative Transfer, 2011,112(2):310-319.

[23]
Xia X A, Chen H B, Wang P C.Validation of MODIS aerosol retrievals and evaluation of potential cloud contamination in East Asia[J]. Journal of Environmental Sciences, 2004,16(5):832-837.

[24]
Dubovik O, Smirnov A, Holben B N, et al.Accuracy assessments of aerosol optical properties retrieved from Aerosol Robotic Network (AERONET) Sun and sky radiance measurements[J]. Journal of Geophysical Research: Atmospheres (1984-2012), 2000,105(D8):9791-9806.

[25]
King M D, Kaufman Y J, Menzel W P, et al.Remote sensing of cloud, aerosol, and water vapor properties from the Moderate Resolution Imaging Spectrometer (MODIS)[J]. IEEE Transactions on Geoscience and Remote Sensing, 1992,30(1):2-27.

[26]
Levelt P F, Hilsenrath E, Leppelmeier G W, et al.Science objectives of the ozone monitoring instrument[J]. IEEE Transactions on Geoscience and Remote Sensing, 2006,44(5):1199-1208.

[27]
Livingston J M, Redemann J, Russell P B, et al.Comparison of aerosol optical depths from the Ozone Monitoring Instrument (OMI) on Aura with results from airborne sunphotometry, other space and ground measurements during MILAGRO/INTEX-B[J]. Atmospheric Chemistry and Physics, 2009,9(18):6743-6765.

[28]
Eck T F, Holben B N, Reid J S, et al.Wavelength dependence of the optical depth of biomass burning, urban, and desert dust aerosols[J]. Journal of Geophysical Research: Atmospheres (1984-2012), 1999,104(D24):31333-31349.

[29]
Junge C.The size distribution and aging of natural aerosols as determined from electrical and optical data on the atmosphere[J]. Journal of Meteorology, 1955,12(1):13-25.

[30]
King M D, Byrne D M.A method for inferring total ozone content from the spectral variation of total optical depth obtained with a solar radiometer[J]. Journal of the Atmospheric Sciences, 1976,33(11):2242-2251.

[31]
Armstrong M.Problems with universal kriging[J]. Mathematical Geology, 1984,16(1):101-108.

[32]
Christopher S A, Johnson B, Jones T A, et al.Vertical and spatial distribution of dust from aircraft and satellite measurements during the GERBILS field campaign[J]. Geophysical Research Letters, 2009,36(6):150-164.

[33]
Remer L A, Kaufman Y J, Tanré D, et al.The MODIS aerosol algorithm, products, and validation[J]. Journal of the atmospheric sciences, 2005,62(4):947-973.

[34]
Remer L A, Kleidman R G, Levy R C, et al.Global aerosol climatology from the MODIS satellite sensors[J]. Journal of Geophysical Research: Atmospheres (1984-2012), 2008,113(D14):762-770.

Options
Outlines

/

〈 〉