英语原文共 10 页，剩余内容已隐藏，支付完成后下载完整资料
使用卫星遥感估计美国东部地表PM2.5
一个基于回归模型的经验模型，利用每日PM2.5（空气动力学直径小于2.5微米的颗粒）浓度和气溶胶光学厚度（AOT）。测量数据来自多角度成像光谱辐射度计（MISR）在美国东部的开发和测试在2001年。总的来说，经验模型解释了48％PM2.5浓度的变化。模型的均方根误差为6.2mu;g/ m3，相应的误差平均PM2.5浓度为13.8mu;g/ m3。当PM2.5浓度大于40微克/立方米的部分被消除，结果显示为无偏估计量观察结果。 几个因素，如行星边界层高，相对湿度，季节和其他被发现的监测点的地理属性都影响PM2.5与AOT之间的关联。这项研究的结果说明了卫星遥感监测区域环境空气质量作为地面网络的延伸的巨大潜力。 随着持续遥感技术和全球数据的发展同化系统的发展，AOT测量来源于卫星遥感器可能会提供一种经济有效的方法作为确定信息的补充来源地面颗粒浓度。
引言
世界各地的流行病学研究发现很强大的一致关联性在不利健康影响和在中央监控站监测的微粒（PM2.5，空气动力学颗粒直径小于2.5mu;m）的水平之间，这些站点是实际人口的主要替代者暴露水平（1-3）。此外，健康影响相关在粒子暴露下没有显示出明显的阈值在较低的浓度下（4）。迄今为止，由于大范围地理区域的慢性人群暴露评估通常需要来自美国环境保护署（EPA）合规网络等综合网络的长期监测数据，因此对其进行评估的范围有限。运营和维护这样的网络非常昂贵，特别是对于许多发展中国家来说。在不存在监测网络的情况下，空气质量模型可用于估算PM2.5浓度。然而，由这些模型预测的每日PM2.5浓度可能由于各种原因而存在偏差，例如缺乏某些颗粒物种的背景信息和简化的模型假设。空气质量建模的另一个主要障碍是它们严重依赖于详细的排放清单，而这些排放清单往往难以准确估计和维护。极地轨道卫星可提供气溶胶光学性质的信息，以多年的空间分辨率进行近乎完全的全球覆盖，已成为估算地面空气质量的另一种潜在方法。 1999年12月，美国国家航空航天局（NASA）发射了它的Terra地球观测卫星（5）。 Terra上的多角成像分光辐射计（MISR）采用九台指向不同固定角度的摄像机，可同时观测四个波段的反射和散射太阳光。这种独特的设计使MISR能够在海洋和大多数陆地表面（6-8）以17.6公里的分辨率检索柱状气溶胶光学厚度（AOT）。在之前的研究中，我们发现MISR AOT值与气溶胶机器人网络（AERONET）的地面标准AOT测量结果非常吻合（9）。也已经表明，MISR AOT测量对直径范围从0.05至2.0mu;m的颗粒（10）敏感，其大致对应于PM2.5的定义。
早些时候的研究表明，地球观测卫星可以检测和跟踪颗粒的运输以及区域尺度上的严重污染事件（11-14）。 在此分析中，我们使用广义线性回归模型来检验美国东部地面PM2.5测量值与MISR AOT测量值之间的关系。 为了解释颗粒垂直剖面、成分和光学特性的变化，模型中包括了来自戈达德地球观测系统（GEOS-3）的行星边界层高度和相对湿度数据（15,16）。 还介绍了使用独立数据集的模型验证和模型结果的图形显示。本研究的目的是探索卫星遥感数据作为预测地面PM2.5的成本效益方法的有效性和准确性， 从而为实地监测和计算建模提供独立和补充的数据来源。
方法
（a）数据收集和处理。
（1）PM2.5测量收集和处理。从2001年起，美国东部环境保护局合规网络内的346个地点共收集了2505个基于重量分析的日平均PM2.5测量值（图1）。随后将研究区划分为三个分区域，以检查观察结果之间的地理差异。 “新英格兰”地区包括缅因州，新罕布什尔州，马萨诸塞州，康涅狄格州，佛蒙特州和罗得岛州。 “大西洋地区”地区包括纽约，新泽西，宾夕法尼亚州，特拉华州，哥伦比亚特区，马里兰州，西弗吉尼亚州和弗吉尼亚州。 “南大西洋”地区包括北卡罗来纳州，南卡罗来纳州，乔治亚州和佛罗里达州。除了PM2.5质量浓度（以微克/立方米报告），现场地理位置（经度和纬度），土地利用和其他场地属性信息也被获得。这些地点还根据它们与海岸的距离（即距离100公里或100公里以外）进行了分类，因为之前的一项研究表明，混合高度增长受到大陆内陆地区大气陆地 - 海洋相互作用的严重影响距离海岸100公里（17）。
图1.研究区域的MISR空间覆盖。 MISR路径的地面轨迹在地图中以虚线条显示。 为了地图清晰起见，仅显示MISR路径11,14,17和20的地面轨迹。 这三个分区域（新英格兰，大西洋中部和南大西洋）标有不同的灰色。 研究区域也分为1°times;1°的网格。 如果网格的中心坐标落入该区域，则网格被计入。
（2）MISR 2级气溶胶数据采集和处理。对于目前的分析，覆盖东海岸的MISR AOT数据是从NASA兰利研究中心的大气科学数据中心下载的（http://edg.larc.nasa.gov/ ）。将来自每个3times;3 MISR区域（17.6times;17.6平方毫米的MISR像素称为MISR区域）的AOT测量结果的平均值和标准偏差集中在给定的计算EPA地点并与同一天在该地点进行的PM2.5测量相匹配。研究表明空间同质性相对较高的PM2.5浓度在24小时内（18）。 3times;3 MISR区域内AOT值的极端变异性可能表明，在某些MISR区域AOT检索之前的云层筛选不充分，或者MISR检索算法无法识别某些区域的颗粒组成。为了限制AOT测量结果中错误空间变化的影响，我们要求每个3times;3区域至少有三次AOT测量。另外，从有效的3times;3区域计算出的变异系数（标准偏差除以平均AOT）的上限被设定为小于0.5，以进一步降低数据污染的可能性。
（3）GEOS-3同化气象场处理。GEOS-3气象场以1°times;1°经度分辨率（由于数据存储限制，本研究中积分为2°times;2.5°。）和30个西格玛垂直层 。最下面的10层集中在地面以上约10,50,100,200,400,600,900,1200,1700和2300m。对流层下层（大致为平均相对湿度（称为RH，％）（低于3公里的大气层）和行星边界层高度（称为PBL，km）用于本分析。 这些参数首先被内插到10-11 a.m.的值，并随后与EPA MISR测量结果相匹配。
（4）模型开发和测试的数据整合和随机化。为了保留统计模型验证监控数据的一个子集，监控根据由EPA随机分配的站点ID号将数据集分成两个子集。来自具有奇数ID号（N）1315的站点的观测结果）被用于拟合PM2.5和MISR AOT和其他因素（称为“模型数据集”）之间的经验模型，而具有偶数ID号（N）1190的那些）被用于模型验证（称为“验证数据集”）。如图1所示，网站ID号码没有显示任何关于其地理位置的显着模式。此外，由于观测间隔时间平均相隔30天，所以在每个地点连续的MISR EPA观测之间没有发现自相关。最后，由于MISR AOT测量的重复在2到9天之间变化，所以MISR区域和地面PM2.5监测点也具有不同的测量时间表（每天，每三天，每六天一次）用作地面上给定区域PM2.5浓度的随机采样。因此，所有的数据点无论其时间和空间分布可能被视为独立的观察。因此，我们认为最终收集的数据点是随机分为模型数据集和验证数据集。为了证实这一点，我们还在数据分割中使用了完全随机化的方法，这种方法得到了很高的评价可比的结果。因此，不作进一步讨论。
（5）模型结果可视化。 在地理信息系统（GIS）中显示模型结果，所有可用的MISR数据（~40000个测量值），EPA数据（~10000次测量），GEOS气象场以1°times;1°的网格覆盖了整个研究区域（图1）。 将当前分析中开发的经验模型应用于该网格数据集，并将预测的表面PM2.5浓度的地理模式与EPA的季节性平均观测值进行比较。
表1.用MISR AOT和混合高度估算PM2.5浓度的所有分类变量的定义
（b）模型开发。作为垂直空气柱中颗粒丰度的一个指标，AOT被定义为气溶胶消光系数（sigma;ext）沿从地面到大气顶部的垂直大气柱：AOT = int;sigma;ext(z) dz (1)
其中sigma;ext可以使用消光截面积Cext（其是粒度和复数折射率m的函数）以及粒度分布来计算，
sigma;ext(z) )=int;2.5 micro;m Cext(r,m) n(r) dr (2)
公式1和2表明，颗粒成分、粒度分布和垂直剖面是将MISR AOT测量值与地面PM2.5浓度联系起来的关键因素。这些因素通过在回归模型中使用多个变量建模。 空中和地面测量表明，大部分质量负荷存在于对流层低层，由于有效混合（19-22），行星边界层以下的颗粒质量分布趋于更均匀。 因此，回归模型中包含GEOS-3 PBL数据作为表示粒子垂直分布的连续变量。 气溶胶组成和粒度分布对地面PM2.5浓度与MISR AOT之间关系的影响由地理位置，季节等一系列分类变量表示。本次分析中使用的经验回归模型可以是 表示为：
[PM2.5] = (eacirc;0 acirc;1(variable1) acirc;2(variable2) ... acirc;n(variablen) ) times; (eacirc;RH(RH))(AOT)acirc;AOT(PBL)acirc;PBL (3) 左侧的因变量[PM2.5]是2001年各监测点测得的24小时平均地面PM2.5浓度。右侧的自变量包括RH，AOT， 和PBL，它们在地理上与每个PM2.5测量结果相匹配，以及表1中列出的各种分类变量（变量1到变量n）。参数acirc;0到acirc;n是变量1到变量n的回归系数。 同样，RH，AOT和PBBL分别是RH，AOT和PBL的回归系数。 RH的指数函数被用来解释随着相对湿度增加颗粒尺寸的超线性增长（23,24）。 应该注意的是，对于方程3是有效的，我们假定粒子垂直剖面是平滑的，并且不同高度处的粒子浓度与表面浓度相关。
方程式3通过对数转换双方来线性化，这导致了以下模型形式：
ln([PM2.5]) = acirc;0 acirc;1(variable1) ... acirc;n(variable n) acirc;RH(RH) acirc;AOT ln(AOT) acirc;PBL ln(PBL) (4)
与之前的研究相比，这种模型形式提供了更强的物理背景和更多的灵活性和预测能力，在这项研究中，AOT和PM2.5浓度之间拟合了一个简单的线性回归模型（14）。 所有统计分析均使用SAS系统（SAS Institute Inc.，Cary，NC）进行。 模型参数估计值以小数点后三位或至少一位有效数字表示， 参数估计的统计学显著性在R=0.05水平被报道。
结果与讨论
（a）描述性统计。 各种参数分布的直方图显示，对于模型和验证数据集，AOT，PM2.5，PBL和RH数据都是单峰和对数正态分布的（图2）。 因此，汇总统计中也报告了几何平均数和标准偏差。 由于建模和验证数据集的汇总统计数据具有高度可比性，因此仅提供了建模数据集的动态范围和季节模式（表2）。 所有场地的年均PM2.5浓度为14.0mu;g/ m3，略低于美国环境年空气质量标准15mu;g/ m3。 总体平均AOT为0.12。
图2.建模中的主要变量（左图，N = 1315）和验证（右图，N = 1190）数据集的直方图
所有变量的季节变化都很强。春季平均AOT值为50-100％（0.16plusmn;0.10）和夏季（0.19plusmn;0.12），与秋季相比（0.10plusmn;0.07）和冬季（0.08plusmn;0.04），同样AOT值在夏季和秋季的动态范围比其他两个季节都要宽，PM2.5质量浓度在冬季（14.19plusmn; 9.53）和夏季（15.72plusmn;9.25）相比，春季（11.89plusmn;5.94）和秋天（13.84plusmn;8.36）最大和变化最大的混合高度值出现在夏季，变量值最低且变量最小 在冬季，由于太阳辐射水平的季节性变化。除春季相对湿度值稍低外，所有季节的平均相对湿度值都相当，春季除外，其余相对湿度值低于其他季节。
（b）回归分析。 使用模型数据集对等式4中描述的经验模型进行拟合。 总体而言，模型结果非常显着（p lt;0.0001），解释了相应地面PM2.5浓度变化的43％.MISR AOT，PBL，RH和表1中列出的所有分类变量均为 高度显着的预测PM2.5（p lt;0.0001）（表3）。 计算分类变量的浓度影响因子（CI因子）作为参数估计的指数。 一个CI因子可以被解释为一个分类变量在某个水平上对MISR AOT和PM2.5之间的关联的影响，与该因子的参考水平相比。
AOT的估计功率（0.447plusmn;0.022）为正值且小于1，表明表面PM2.5浓度与MISR AOT测量值呈次线性变化，观测到的MISR AOT值变化较大的原因可能是AOT测量了颗粒丰度 主要发生在边界层内的光化学反应和自由对流层中发生的长程粒子输运都会对AOT值产生重大影响。因此，MISR AOT测量结果表现出更大的 与地面水平的PM2.5浓度相比，这种变化更少，而PM2.5浓度受颗粒长程运输的影响较小。
PBL在预测表面PM2.5浓度中的重要性反映了边界层内和上方颗粒垂直剖面的差异。 与自由对流层中的颗粒相比，由于对流混合，细颗粒在边界层内倾向于更均匀。 随
剩余内容已隐藏，支付完成后下载完整资料
资料编号：[24763]，资料为PDF文档或Word文档，PDF文档可免费转换为Word
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。
