1. 引言

大气气溶胶是指由粒径、形状各异的固态或液态微粒组成，悬浮在大气中的复杂混合体 [1]。当大气气溶胶浓度超过环境可接纳的范围，就会造成一定程度的空气污染。近年来，长三角地区各工业中心城市发展迅速，由于燃料结构不合理，污染物排放处理不到位，使得气溶胶颗粒物的污染最为突出，严重影响着人类的生存环境 [1]。气溶胶分布在时间、空间上有明显的无规律变化。在地面环境观测网络中由于观测站点空间分布不均，不能很好地得到三维空间信息，难以说明颗粒物的变化趋势和分布特征 [2] [3]。

地球观测系统计划(EOS)是美国国家宇航局(NASA)建立的一个旨在对全球变化进行观测研究的综合计划，包括发射一系列先进的卫星系统，对太阳辐射、大气、海洋和陆地进行全面综合的整体观测。Terra和Aqua卫星上搭载的中分辨率成像光谱仪MODIS (moderate-resolution imaging spectroradiometer)覆盖空间非常地广阔，为反演气溶胶和地表特征在空间上提供了有效的信息 [4] [5]。

气溶胶光学厚度(Aerosol Optical Depth, AOD)是利用MODIS得到的数据产品，主要是在垂直方向上描述气溶胶浓度 [6]，反映了大气颗粒物的吸收和散射特性。在卫星遥感监测中，大气污染可利用卫星遥感数据AOD反演颗粒物浓度，从侧面体现空气污染的严重程度 [5] [7]。

本文利用MODIS遥感数据产品提供的卫星资料去计算地面颗粒物浓度，考虑到相对湿度和边界层厚度两方面对气溶胶光学厚度(AOD)的影响，逐步对气溶胶光学厚度进行相对湿度和边界层厚度订正后，与空气污染指数PM_2.5的浓度做对比分析，从而证实MODIS气溶胶遥感产品在城市大气污染PM_2.5质量浓度监测方面有重要应用价值，得出经过订正后气溶胶厚度和PM_2.5之间的拟合关系，分析长三角地区颗粒物浓度时空分布特征。

2. 研究方法

2.1. 数据来源

本文利用2016年12月至2017年12月美国EOS/MODIS反演的气溶胶光学厚度(AOD)数据资料，研究区域为长三角地区的南京、杭州、上海、合肥、武汉、南昌等6个地面气象观测点(北纬26˚~36˚，东经114˚~124˚)。边界层高度和相对湿度的数据资料来源于Merra2数据网站，地面监测PM_2.5数据资料为环保部数据中心获取的长三角地区PM_2.5污染物的每日监测数据通过计算后得出的月平均值。

2.2. PM_2.5转化方法

利用卫星观测获得的气溶胶光学厚度(AOD)推算PM_2.5遥感方法：首先利用细粒子比例(FMF)计算来自AOD的精细模式气溶胶光学厚度、根据细颗粒的柱状消光体积比( ${\text{VE}}_f$)计算细颗粒体积；再利用行星边界层高度(PBLH)和相对湿度(RH)来对AOD进行订正；最后，利用细颗粒的密度 ${\rho }_{f,\text{dry}}$，由颗粒体积来计算地面的干燥PM_2.5。具体反演算法参照Ying Zhang等 [2]。通过利用已有的数据资料，PM_2.5的最终计算公式为：

${\text{PM}}_{2.5}=\text{AOD}\frac{\text{FMF}\cdot {\text{VE}}_f\cdot {\rho }_{f,\text{dry}}}{\text{PBLH}\cdot f_0\left(\text{RH}\right)}$(1)

其中， ${\rho }_{f,\text{dry}}$的值取1，由于气溶胶颗粒的光学性质取决于颗粒大小和颗粒组成，由于公式(1)是针对美国地区取的各个参数，因此针对长三角地区，故从FMF中提取 ${\text{VE}}_f$有：

${\text{VE}}_f=0.2021{\text{FMF}}^2-0.4663\text{FMF}+0.356\left(0.1\le \text{FMF}\le 1.0\right)$(2)

$f_0\left(\text{RH}\right)={\left[a{\left(1-\frac{\text{RH}}{100}\right)}^{-b}\right]}^3$(3)

在公式(1)中，PM_2.5是空气动力学直径小于2.5的地面附近的干燥颗粒的质量浓度；气溶胶光学厚度(AOD)定义为介质的消光系数在垂直方向上的总积分，与之相关的是气溶胶消光系数的垂直分布和气溶胶总浓度，AOD没有单位；细粒子比例(FMF)是细粒气溶胶光学厚度与总柱气溶胶消光(AOD)的比率；柱状体积消光比( ${\text{VE}}_f$)是柱状颗粒物体积与细粒气溶胶光学厚度的比值，单位为μm³/μm²；边界层高度(PBLH)是指行星边界层的高度，以km为单位； $f_0\left(\text{RH}\right)$为光学吸水增长函数，a和b是吸湿增长函数的参数；相对湿度(RH)是指空气中水汽压与相同温度下饱和水汽压的百分比，是接近地面大气的相对湿度。另外，需要注意的是，在计算过程中，大气柱的颗粒物质量浓度(CMC)的单位要进行除以1000的处理，才能得到统一的单位(μg/m³)以便与监测数据进行对比。

3. 结果与分析

3.1. 气溶胶光学厚度(AOD)时空分布

3.1.1. 气溶胶光学厚度(AOD)的整体分布及月变化

图1为2017年长三角地区AOD分布图，部分地区由于降雨天气较多、有效数据较少而表现为空白。从图中可以明显看出其分布：长三角地区AOD的值处于0.9以下，平均为0.5，表现出南低北高的分布特征。在北纬34˚~36˚及北纬30˚附近，局部地区AOD存在高值。在长三角南部地区，存在一个明显高于周围地区的倒型区域，在这个区域，武汉、南昌、合肥的AOD极大值分别为1.4、1.1、1.4。江苏省与上海市其AOD均在0.7以上，尤其在江苏省北部的连云港出现AOD最大值1.5，上海东部AOD最大值1.3。浙江以南绝大部分地区AOD的值低于0.5，AOD最小值0.1。因此可得出，AOD的最大值一般分布在经济发展迅速的城市地区，其工业发展造成污染导致AOD的值变大，而对于经济稍微落后的郊区及农村其AOD的值相对较小。长三角地区AOD的年变化很大，差值为1.4。

图2为AOD在最大月和最小月的分布，可以得出，在2017年长三角地区AOD的月平均变化非常明显，最大值出现在6月，均在0.8以上，最小值为12月，均在0.6以下，主要表现为浅蓝色和深蓝色。总体来看，AOD在月变化中具有明显的周期性，呈双峰型分布。1月AOD为低值，自2月至6月AOD逐渐增加，6月达到最大值，7~9月AOD逐渐降低，在10月出现AOD较9、11月的高值，11~12月AOD越来越小。夏半年的AOD明显高于冬半年，可以推断观测对直径较小的细颗粒物敏感性较高，夏半年的高温高湿的天气条件有利于AOD产生高值。

3.1.2. 气溶胶光学厚度(AOD)的季节变化

将MODIS卫星遥感空间分辨率为10 km的AOD资料数据按季节进行划分和比较。四个季节的划分方式为：春季为3~5月；夏季为6~8月；秋季为9~11月；冬季为2016年12月~2017年2月。

由图3可看出：AOD具有明显的季节变化，整体变化为“南低北高”的分布特征。春季，长三角以北大部地区AOD的值在0.7以上，其以南地区AOD为低值0.4；夏季，长三角以北地区AOD有最大值1.5且分布较广，其以南地区仍为AOD低值；秋、冬季出现大幅度的下降，长三角地区AOD均低于0.6，最小值为0.1，秋季较冬季的值较小。春季多阴雨天气，夏季天气干燥，少部分地区受来自北方沙尘暴、扬尘等天气现象影响会造成一次PM_2.5污染，同时受季风及副热带高压影响，导致AOD较高。秋、冬两季的AOD较低是因为这段期间天气变化主要受冷空气控制，冷空气由北向南移动，冷空气中的污染浓度较低，形成稳静状态后会造成细颗粒堆积，不易扩散，使得AOD小。可得出春、夏的AOD较秋、冬两季的高。而夏季的AOD比春季的较高，可能因为在长三角地区夏季高温高湿，受到强烈光照影响及梅雨等降水天气影响，使得气溶胶在地面生成二次PM_2.5，进行“气–粒”转化等光化学反应，最终表现为AOD存在高值。

3.2. 细粒子比例(FMF)的时空分布

3.2.1. 细粒子比例(FMF)的整体分布及月变化

从图4中看出，长三角地区中部(北纬28˚~32˚范围内)有突出的FMF高值区，平均为0.6。长三角地区的主要城市上海、南京、杭州、合肥、武汉及南昌，其FMF就周边城市而言很低，可能因为城市交通、汽车尾气排放产生的颗粒物大部分是粒径较大的粗颗粒物，而细颗粒相对较少，故其FMF为小值。就细粒子比例的年变化来说，其取值范围为0.1~1，由图可得到的结果是最大值与最小值的差距很大，有0.9。

细粒子比例(FMF)是研究颗粒物浓度的重要参量，因此对其月变化的研究非常有必要，图5是FMF在最大月和最小月的分布。细粒子比例最大值分布在1~3月、10~12月，均达到0.9以上，其中2月为最大月，最高可达到1。细粒子比例最小值主要在4~5月，最小月是5月，均在0.3以下，长江中下游有零星高值区域。1月呈“北低南高”，2~3月高低值相间分布，4~5月基本为FMF低值，6~9月FMF呈“北高南低”，10月较11~12月FMF大，11~12月呈高值区分布，但趋势逐渐减弱。可以推断出，由于4、5月阴雨天气比较多，使悬浮在地面的细粒子得以沉积下来，再加上季风影响，空气得以流通，故其细颗粒物浓度比较小，细粒子比例就小。

3.2.2. 细粒子比例(FMF)的季节变化

由图6可以看出，在春季，细粒子比例(FMF)高值主要集中在北纬28˚~32˚，在长江中下游有零星地区呈高值，低值的分布呈“T”字型。夏季，从长三角中部至北部地区有成片FMF高值，江苏沿海城市及长三角南部地区为低值分布，整个长三角地区高低值相间。其中，春季到夏季整体上有非常明显的变化，即从“北低南高”转变为“北高南低”。秋季，整体上与夏季类似，但长江中部及北部地区高值区的FMF值明显变大，低值区FMF值明显变小，蚌埠、淮南、阜阳地区高低值变化最大有0.9。冬季，长三角地区整体FMF高，浙江、安徽南部、湖北东部及江西四周地区细颗粒为主要的高值区。而自江苏至安徽走向的地区，FMF的值低。

春季与夏、秋、冬季在分布趋势上有明显的区别。春季的FMF是“北低南高”，而夏、秋、冬季是“北高南低”。夏、秋、冬三季在FMF分布上呈高值FMF逐渐加强、低值FMF先加强后减弱的趋势。整体上来看，长三角地区的FMF在四季分布不均，局部地区存在零星分布的FMF极大值，则有春季低，冬季高。

3.3. 柱质量浓度(CMC)的时空分布

3.3.1. 柱质量浓度(CMC)的整体分布及月变化

柱质量浓度(CMC)是指单位空间里的质量浓度，其单位是μg∙m⁻²。由2017年长三角地区CMC的分布图(图7)可以发现，CMC年变化分布与AOD相似。整体来看，CMC呈“北高南低”分布，武汉、南昌、合肥三个地区之间相互连接，存在一个相对高值区。CMC平均值为30，最大值为85，最小值为10。

利用2017年1~12月的MODIS数据产品CMC反演得到的长三角地区月变化分布，可得出，5、6月的CMC最大，5月呈“北高南低”，5、6月高值均在60以上，最大值分别为80、90。CMC最小值上半年有1、2月，下半年有8、9、11、12月，CMC表现为大范围蓝色区域(浅蓝色和深蓝色)，均值为20左右。图8为CMC在最大月和最小月的分布，可以看出，最大月为6月，主要分布在江苏省扬州、泰州、徐州等地区，及安徽省滁州、蚌埠等地区，由于降水天气导致6月观测数据缺失严重，北纬30˚以南地区呈现大片空白。最小月为12月，主要呈深蓝色，表示该月的空气质量较好。

3.3.2. 柱质量浓度(CMC)的季节变化

由图9可以看出柱质量浓度(CMC)季度分布的特征是：整体的CMC变化不大，呈“北高南低”的分布。南边武汉、南昌等地其CMC明显高于周围地区，北边地区CMC由高值向低值的趋势，但该趋势不适用于秋、冬季，秋季比冬季的CMC略低。

春季，CMC高值分布最广，且集中分布在武汉、南昌、合肥、南京、浙江、上海等中心城市，其中南昌CMC最大值为85。夏季，CMC低值向北边扩散，北边高值区范围缩小，在江苏省连云港地区由于其工商业活动较多，其CMC最大值85，长三角地区南边CMC的值均在20以下。秋季，长三角地区CMC都低于45，武汉、南昌、杭州及上海这4个观测城市的CMC存在极大值分别为55、75、60、65。冬季，整体分布特征与秋季类似，长三角北部地区的CMC低值区稍有上升，在长江中下游到南昌有一带状CMC高值区。因此，可以推断出，CMC在长三角地区普遍为低值，高值基本分布在人口非常密集、交通十分便利及工商业活动频繁的主要经济城市，由于人类活动导致。

3.4. PM_2.5浓度的时空分布

3.4.1. PM_2.5浓度的整体分布

PM_2.5是指空气动力学直径小于2.5 μm的颗粒物质，单位为，我们可以通过PM_2.5浓度大小了解空气的污染程度。利用2017年1~12月MODIS数据产品资料，对边界层高度和相对湿度进行订正后，计算得到的颗粒物PM_2.5浓度的分布如图10所示，从图中可以看出：整体上长三角地区PM_2.5浓度由北向南逐渐降低，呈“北高南低”趋势分布，高值最大为90左右，低值最小达到10，故最大值与最小值之间的差值为80。高值主要分布在上海、江苏、安徽北部、武汉、南昌，低值主要分布在六安、长江中下游地区。在东经116˚~119˚、北纬26˚~28˚的研究区域，在计算过程中，由于边界层高度或相对湿度的数据资料缺失，故有一倒“L”型的空白区域。

3.4.2. PM_2.5浓度的季节变化

图11为利用2017年1~12月MODIS数据产品AOD计算得到的长三角地区PM_2.5季节分布，从中可以看出，春、夏、冬季的颗粒物PM_2.5浓度主要呈“北高南低”的分布，秋季的颗粒物PM_2.5浓度均为低值。春季，PM_2.5浓度高值主要分布在北纬32˚以上，均在100以上，最大值可达到180，PM_2.5浓度低值主要分布在长三角以南地区，最小可达到20。夏季，高值区自长三角北部地区向中部地区移动，高值范围有所降低，最大值主要分布在北纬32˚和35˚附近，局地PM_2.5可达180，PM_2.5浓度低值分布在长江中下游，均在50以下。秋季，整个长三角北部地区的PM_2.5浓度为低值，表现为颗粒物浓度较小，空气污染为全年最好。冬季，长三角北部地区明显比南部地区的PM_2.5高，表现为大范围红色区域。此外，整个长三角北部地区其PM_2.5浓度的值均在90以上，显示为高值，在北纬32˚~36˚研究范围内，其PM_2.5浓度的值甚至均达到120以上，最大值为200左右，长三角南部地区其PM_2.5浓度相对较低，其值均在50以下，最小为10左右。

由图11可得到，春、夏、冬季的PM_2.5浓度明显大于秋季，其中冬季的颗粒物浓度最大，即冬季的污染程度最严重。可以推断冬季相对湿度小，风速相对较低，大气相对处于稳定状态，这种条件下不利于污染物的稀释与扩散，导致冬季的污染比较严重。根据春季到夏季PM_2.5的变化趋势，可以推出由于夏季受副热带高压、季风等影响，同时受梅雨天气影响使一部分颗粒物沉积下来，故明显地可以看出春季到夏季时颗粒物浓度向南移动，高值也明显减少。

3.5. PM_2.5质量浓度计算方法验证

将2017年1~12月MODIS数据产品AOD进行边界层高度和相对湿度订正后，计算得到的PM_2.5月变化结果与环境监测地面PM_2.5月平均数据进行相关性分析。根据研究区域，我们选取了6个具有代表性且相关性较高的主要城市为地面观测点，即上海、合肥、南昌、南京、武汉、徐州，由于杭州地区的相关系数为0.28，相关性较低，故不取作具体分析的观测点，其中徐州为工业活动较频繁的城市，故将其选为观测点。对其相关性的分析过程中，6月AOD的值比较大，对其相关性的误差影响较大，故没有加入6月份的数据。将所有6个观测站点11个月的观测数据作为可用的站点，可得到图12为针对长三角地区计算的PM_2.5与监测站点的PM_2.5的拟合关系散点图。由图可得到，VE_f的二次项系数取值为0.2021，其相关系数R = 0.69，RMSE = 16.95时，相关系数最高，均方根误差最小，结果为最好。在验证过程中，其相关系数有所提高，同时，其相关性通过显著性检验，证明具有参考价值。

图13为利用计算得到的PM_2.5与地面监测PM_2.5的对比分析，可明显看到，选取的6个站点有5个站点的相关系数均在0.5以上，可见其相关性证明了通过MODIS数据资料AOD反演颗粒物PM_2.5浓度的方法是可行的。具体来看每个观测站点的相关性，上海、合肥、南昌、南京、武汉、徐州的相关系数分别为0.40、0.79、0.52、0.67、0.73、0.80。其中徐州的相关系数最大，利用AOD反演颗粒物PM_2.5浓度的可信度最高。图中选取的6个观测站点在卫星上颗粒物PM_2.5和地面监测颗粒物PM_2.5的取值范围为0~210。从图中可以明显看出，在上海、南昌、合肥、武汉这4个观测站点上，其卫星上的PM_2.5和地面监测的PM_2.5主要分布在25~100的范围内；南京主要分布在50~125之间，徐州主要分布在50~150之间。

4. 结论与分析

1) 长三角地区AOD平均为0.5，表现出南低北高的分布特征，其中，武汉、南昌、合肥、南京、杭州、上海为高值区，杭州以南地区为低值区；AOD表现出明显的季节变化特征，夏半年的AOD明显高于冬半年，其中，6月最大，12月最小。FMF平均为0.6，高低值交叉分布，高值区在长江中下游地区，低值区在上海、江苏省、安徽省中部和江西省中部；FMF春、秋、冬季为“北低南高”，夏季为“北高南低”，其中，最大月为2月，最小月为5月。长三角地区CMC平均为30，表现为北高南低的分布特征，武汉、南昌、合肥三个地区之间相互连接，成为北部柱质量浓度高值区的一部分，其他地区为低值区；CMC的季节变化呈北边为高值、南边为低值的分布，夏半年略高于冬半年，其最大月和最小月分别为6月、12月。

2) 长三角地区PM_2.5平均为40，表现为北高南低的分布特征，其中，高值主要分布在上海、江苏省、安徽省北部、武汉、南昌地区，低值主要分布在六安、长江中下游地区；PM_2.5具有明显季节变化，夏秋两季的PM_2.5低于冬春两季的PM_2.5。

3) 通过对比计算的PM_2.5与地面监测PM_2.5质量浓度，发现其相关系数有所提高，均方根误差有所降低，订正后发现两者的相关性较好，相关系数为0.69。

参考文献