英语原文共 18 页，剩余内容已隐藏，支付完成后下载完整资料

多传感器的AOD统计数据融合在美国大陆的应用

作者：Sweta Jinnagara Puttaswamy, Hai M. Nguyen, Amy Braverman, Xuefei Hu amp;Yang Liu

罗林斯公共卫生学院埃默里大学环境卫生系，美国乔治亚州亚特兰大，美国加利福尼亚州帕萨迪纳喷气推进实验室

2012年6月4日收稿，2013年7月18日审稿发表

摘要：本文介绍了两种技术，用于合并来自卫星和地面数据源的每日气溶胶光学厚度（AOD）测量，以实现最佳数据质量和空间覆盖。第一种技术是传统的Universal Kriging（UK）方法，用于从在AERONET作为真值的参考网格上聚合多传感器气溶胶产品来预测AOD。第二种技术是空间统计数据融合（SSDF）;为大规模卫星数据插值而设计的方法。传统克里金法具有计算复杂度O（N3），这使得它对于大型数据集来说是不切实际的。我们的英国版本通过在本地执行克里金来适应大量数据输入，而SSDF通过使用低秩线性模型对其协方差结构进行建模来适应海量数据输入。在这项研究中，我们使用来自两个卫星仪器的气溶胶数据产品：中等分辨率成像光谱仪和地球静止操作环境卫星，覆盖美国大陆。

关键词：气溶胶光学厚度，MODIS，GOES，AERONET，泛克里金，数据融合

1. 引言

自20世纪90年代以来，流行病学研究提供了越来越多的证据，将敏感亚群（如老年人，婴儿和幼儿）的非致命健康结果与环境空气污染联系起来（Metzger等，2004; Pope等，2009）。令人特别感兴趣的是产生精确的PM2.5（空气动力学直径小于或等于2.5mu;m的空气传播颗粒）暴露估计值，以支持与急性暴露相关的健康终点研究，如急诊科就诊（Peel等，2007） ，儿童哮喘（Brauer等，2007）和出生缺陷（Darrow等，2009）。由于地面PM2.5测量在空间和时间上相对稀少，大多数研究依赖于来自中央监测器（时空较密集）的数据。因此，在这种分析中，不考虑人口暴露的空间对比。斯特里克兰等人（2011）认为，尽管与空间异质污染物的各种指标的差异似乎并未改变健康影响研究中的暴露 - 反应估计值，但这些差异对于健康效益分析非常重要，其中污染物对健康影响的流行病学研究结果（每单位浓度变化）用于预测污染物浓度降低对健康的影响。使用时间序列模型评估了估计的PM2.5暴露-响应函数中的误差（Goldman等人，2010）。由地面站覆盖范围有限引起的未检测到的空间变异引起的误差估计会导致检测到的健康影响大幅减弱，即PM2.5硫酸盐，硝酸盐和铵盐为16％，PM2.5 BC为43-68％。 PM10，总PM2.5和PM2.5 OC的中间影响被发现。

由于其全面的空间覆盖，卫星气溶胶数据产品对区域空气质量（Engel-Cox等人2004; Hutchison等人2005; Liu等人2007）和健康影响研究（Hu 2009; Hu＆Rao） 2009）具有潜在价值，其中粒子的空间和时间分布的精确表征是重要的。从卫星观察到的气溶胶光学厚度（AOD）通常用于推导PM2.5。 AOD定义为沿大气层从地面到大气顶部的气溶胶消光系数的积分。当颗粒很好的在边界层中混合，AOD与PM2.5质量浓度密切相关。卫星数据导出的PM2.5估算中的测量精度和不确定性明显决定于传感器技术。尽管如此，卫星仍然是粗糙的，但在太空中它的观测空间是完整的，而地面网络往往是局部化的;卫星在时间上是稀疏的，而地面网络通常会产生时间密集的数据。因此，利用这两种观察策略的优势的综合数据产品可以改善将衍生的PM2.5与全球评估中感兴趣的健康影响联系起来的证据推论。但是，极地轨道卫星仪器，如MODIS，平均在50％的时间内错过了AOD数据。融合来自多个传感器的AOD数据可以潜在地减少数据丢失。但是，直接合并AOD数据产品来自不同传感器的问题由于其不同的错误结构而存在问题。因此，必须使用基础事实进行校准。该领域的研究一直缺乏。我们的主要目标是比较融合以日为单位的AOD产品的两种统计方法。

目前已经有其他几种将卫星传感器气溶胶产品与基于地面的气溶胶自动观测网络（AERONET）相结合的尝试。Gupta等人（2008）利用多角度成像光谱辐射计（MISR）和中等分辨率成像光谱仪（MODIS）的二级气溶胶产品的卫星数据与云和地球辐射能系统（CERES）空间扫描仪足迹（SSF）数据融合并通过案例研究评估了数据融合方案。Nirala（2008）使用最大似然法和空间插值技术对网格化的三级MODIS气溶胶产品与其他产品进行融合。Zubko等人（2010）使用了和Nirala（2008）相同的方法测试模拟数据集，他们验证了填充间隙的最优插值方法的局限性，并建议将插值方法应用于组合数据集以最小化预测误差。 Xu等人（2005）应用源自MISR和MODIS气溶胶产品的整合及其相关的几何和辐射属性的神经网络回归模型，来预测空间和时间上稀疏的AERONET AOD。 Kinne（2009）开发了一个评分概念，利用来自众多传感器的AOD数据的年平均值与AERONET AOD的月度统计数据结合，创建卫星复合数据集来提高预测准确性。 Chatterjee等人（2010）应用使用的地质统计融合方法和Universal Kriging（UK）方法将地基气溶胶数据与卫星数据相结合。在每个两周时间窗口内对来自MISR，MODIS和AERONET的气溶胶数据进行平均，以便从所有三个数据集中得到足够的空间配置数据。这种较粗糙的时间分辨率适用于研究季节和年度尺度的气溶胶空间模式; 然而，它不足以支持这种强调在短时间内（即一天到一周）暴露于细颗粒的空气质量和健康影响研究。此外，传统的克里金法不考虑仪器差异，例如测量是积累到点位置还是表示各种类型的空间平均值，或不同的采样和测量误差特征。以充分利用仪器的个体优势的方式调整这些异质性可以提高融合输出数据的质量。

空间统计数据融合（SSDF; Nguyen等人，2012）是一种相对较新的方法，通过从支持变更问题开始，使用明确解决这些问题的基础统计模型来确定输入数据的异质性。支持变更涉及从另一个分辨率的数据推断一个分辨率的空间过程。Gotway和Young（2002）总结回顾了现有的关于单个数据集中升级和降尺度的方法。Wikle和Berliner（2005）提出使用贝叶斯分辨率变化改变单个数据集的分辨率。Fuentes和Raftery（2005）使用贝叶斯融合在不同分辨率下融合观测和数值模型输出。Berrocal等人（2010）通过贝叶斯回归从面积级和点级数据降维。所有这些方法都具有相对于数据大小为二次或更高的计算复杂性，这使得它们不适用于遥感中获得的那些大规模数据集。大规模数据大小也可能是传统克里金法的计算瓶颈，其具有计算复杂度O（N3），因为需要反转N* N协方差矩阵（N =观测数量）。一些可缩放的空间推理方法包括利用多分辨率小波模型建立不稳定协方差函数模型（Wikle et al.2002），通过一小组空间填充位置进行近似最优预测（Banerjee等人，2008），使用离散傅立叶变换建模不稳定协方差模型（Jun＆Stein 2008） 和固定秩克里金（FRK）（Cressie＆Johannesson 2008）。SSDF利用FRK提供的计算效率来解决数据源庞大时的数据融合问题。

在本文中，我们分别对2005年和2006年在美国大陆的MODIS和GASP AOD数据应用了UK和SSDF技术。我们的目标有两个。首先，我们通过比较估计的AOD值和AERONET测量来评估这两种方法减少卫星数据预测误差的能力。其次，我们比较两种技术的输出，以评估融合两者的最佳数据质量和覆盖范围的是否存在优化。本文的以下部分组织如下：第2节介绍AERONET，MODIS和GASP 的AOD数据。 第3节描述了两种数据融合方法。 第4节分别介绍了UK和SSDF技术的结果，第5节给出了结论性意见。

1. 实验数据

2.1气溶胶观测网（AERONET）二级数据

气溶胶观测网（AERONET）是由美国国家航空航天局地球观测系统和其他国际机构支持的全球光学地面气溶胶监测网络和数据存档系统（Dobuvik等，2000）。 AERONET数据主要用于各种卫星和模型验证研究，作为AOD测量的参考标准，因为它们的准确性很高。我们从网上的AERONET数据档案（http://aeronet.gsfc.nasa.gov/）下载数据。由于没有给出550nm的AERONET AOD数据。我们通常使用AOD在两个最近波长处的光谱依赖性来计算它，一般取675和500nm，然后进行对数插值以求解Angstrom指数。完整的插值程序在别处给出(Liu et al. 2004)。在分析中，我们使用了33个站点，超过6个月的数据，如图一所示。

2.2MODIS二级气溶胶产品

MODIS仪器包括 EOS Terra和Aqua，分别在当地时间大约上午10:30和下午1:30穿过MODIS二级气溶胶数据地球日光照射一面的赤道(Levy et al. 2007) (Levy et al. 2010)。Remer等人（2008）表明MODIS Terra 和MODIS Aqua在陆地的观测精度很高，与地面真值相关（相关系数0.9），只有很小的偏差(Remer et al. 2008)。可得到的MODIS 二级气溶胶产品最低的空间分辨率为10 km。极轨MODIS传感器具有重叠的条带，并且由于云层覆盖而导致大范围随着时间的推移的缺测。美国大陆2005~2006年收集的5.1数据从大气数据存储和发布网络可得到一级数据，(LAADS Web; http://ladsweb.nascom.nasa.gov/)。质量较好的（QA置信指数= 2和3）陆地和海洋（校正）的0.55mu;mAOD数据是由原始数据进行进一步处理得到的。我们使用质量指数为2和3来改善MODIS的空间覆盖率。我们的初步分析表明，包括质量指数为2的数据不会导致任何实质性的数据质量恶化。MODIS的有效数据的变化范围为0.05到3之间。

2.3GOES气溶胶/烟尘产品

图1 AERONET观测站在美国大陆的分布

地球静止卫星（GOES）是由美国国家海洋和大气管理局（NOAA）运营的主要气象卫星。GOES气溶胶/烟雾产品（GASP）AOD基于GOES-12（东）成像仪数据，使用由辐射传递模型生成的查找表和使用晴空复合可见图像计算的表面反射率进行估算，得到大约4公里分辨率的产品（Knapp等人，2005年）。在无云条件下，卫星的地球静止轨道允许在日出和日落之间以30分钟的间隔进行AOD探测。与AERONET相比，GASP AOD探测数据在美国东部夏季具有相当好的相关性（Prados等人，2007）。NOAA国家环境卫星，数据和信息服务（NESDIS）的GASP团队获得了550 nm，4 km空间分辨率的GASP AOD数据。Prados和Kondragunta的研究遵循了异常值和残留云污染的数据筛选标准（Prados等人2007; Kondragunta等人2008）。有效的GOES数据变化范围为0.5~2。GASP AOD中的较差的观测数据是当观察到的AOD非常低时表面反射率的估计误差的结果。我们将它们保留在我们的分析中以表示较小的AOD。因此，我们期望我们的模型能够预测低值（Paciorek等人，2008年）。将当地时间上午10点至下午2点的AOD测量值平均值作为每日AOD数据（Liu等人，2009）。

2.4CMAQ网格的数据处理

我们对网格距超过12 km的MODIS和GASP AOD网格数据进行平均处理，这些数据经常作为社区多尺度空气质量模型系统（CMAQ）使用。与GOES像素不同，MODIS像素始终随空间不断变化。因此，我们通过使用标准型网格（例如CMAQ）来固定网格位置，以计算两个传感器的AOD估计值。通过在共同网格上进行AOD估计，我们能共同使用它们。 CMAQ网格既用作源网格又作为目标网格。

为了在CMAQ上对MODIS和GASPAOD进行空间平均后生成连续的AOD面，我们选择当地时间上午10点到下午2点作为时间窗口，以便在时间上对它们进行组合。基于MODIS传感器的穿越赤道的时间来选择该特定的时间窗口以计算白天平均AOD。为了保持连续，我们使用相同的时间段来平均GASP AOD的值。Paciorek等人指出两次瞬时AOD测量足以代表以30分钟间隔检索的所有可用GASP AOD测量值计算的平均AOD（Paciorek等人，2008）。由于不同的观察条件和不断变化的云层覆盖，我们在CMAQ网格上覆盖两个MODIS产品时观察到两种情况，一种情况是CMAQ网格位置包含其中一种MODIS产品，另一种情况包含两种MODIS产品。在同时包含MODIS Terra和MODIS Aqua数据的位置，平均值表示从当地时间上午10点到下午2点的AOD分布的平均值。在另一种情况下，平均AOD取决于上午或下午的条件。为了避免这个问题，我们使用简单的线性回归来定义MODIS Terra和MODIS Aqua的日平均AOD值之间的时间关系，然后在每个缺失产品数据的CMAQ网格位置应用如表1所示的回归系数和现有数据来预测平均值。这样，每个CMAQ网格单元包含的平均值就更能代表从当地时间上午10点到下午2点的平均AOD分布。我们使用简单的空间平均值将GASP AOD映射到CMAQ网格，因为GOES在一天内的整个选定时间段内能够连续观察AOD值。 AERONET在点位置的所选时间窗口内也能够连续收集AOD数据。

表一 MODIS-AQUA在MODIS-TERRA上回归的斜率和截距值，反之亦然

1. 方法

我们试图通过在两种数据融合方法，结合地面实况数据来提高卫星AOD的质量。泛克里金方法可以解释空间变化的AO

剩余内容已隐藏，支付完成后下载完整资料

资料编号：[18874]，资料为PDF文档或Word文档，PDF文档可免费转换为Word