地气解耦的Himawari-8卫星PM_(2.5)浓度估算深度神经网络方法

现阶段大气PM_(2.5)遥感反演方法大多数都基于卫星气溶胶光学厚度(aerosol optical depth,AOD)产品,这些产品通常是从表观反射率(top-of-atmosphere reflectance,TOA)中反演而来.直接建立TOA产品和地面站点监测的PM_(2.5)浓度间的反演模型能够有效降低由AOD反演所带来的误差传递,但是现阶段反演PM_(2.5)所用到的TOA同时耦合了地表反射率和大气贡献值,想要进一步提升反演精度则需要设法将二者分离.基于此,本文利用Himawari-8(H8)卫星数据,由6S模型进行大气校正,继而统计得到H8前6个波段之间的地表反射率关系式,再运用卫星第六波段表观反射率与地表反射率接近的特性,估算得到前5个波段的地表反射率,并扣除地表反射率得到大气贡献值,以此来达到地气解耦的目的.随后,本文基于深度神经网络构建了PM_(2.5)、大气贡献值、卫星亮温数据、观测角等之间的关系.以安徽省为例,反演结果表明,与不考虑地气解耦的TOA-PM_(2.5)方法相比,本文提出的ATM-PM_(2.5)方法精度更高,在未参与训练的验证站点上,ATM-PM_(2.5)的R2和RMSE值为0.87和13.77μg·m^(-3),相对于未经过地气解耦的TOA-PM_(2.5),R2提高了20%,RMSE值降低了5.24μg·m^(-3).另外,利用H8卫星时间分辨率较高的特点,本文对安徽省域范围内进行了逐小时的PM_(2.5)监测,显示本文方法有潜力为PM_(2.5)实时监测提供数据支撑.