沈煥鋒,李同文

1. 武漢大學(xué)資源與環(huán)境科學(xué)學(xué)院，湖北 武漢 430079； 2. 地球空間信息技術(shù)協(xié)同創(chuàng)新中心，湖北 武漢 430079

隨著經(jīng)濟的快速發(fā)展，細顆粒物(fine particulate matter,PM2.5)污染已成為全球范圍內(nèi)的重大環(huán)境問題。2016年世界衛(wèi)生組織發(fā)布的報告顯示，全球92%的人口暴露于年均>10 μg/m3的大氣PM2.5污染中[1]，公眾健康受到極大的威脅。因此，對大氣PM2.5污染進行動態(tài)監(jiān)測至關(guān)重要。地面站點監(jiān)測是獲取大氣PM2.5污染狀況最為直接的手段[2-3]，然而，監(jiān)測站點建設(shè)成本高昂、實施難度較大，空間分布相對較為稀疏，難以實現(xiàn)大范圍空間連續(xù)監(jiān)測。

遙感衛(wèi)星能夠提供大范圍的觀測數(shù)據(jù)，有效彌補了地面監(jiān)測站點分布稀疏這一不足[4-5]。利用衛(wèi)星遙感技術(shù)監(jiān)測氣溶膠的研究始于20世紀(jì)七、八十年代[6]，而大氣PM2.5遙感定量反演則是在近十幾年取得了蓬勃的發(fā)展。初期，主要利用簡單回歸方法及大氣模式對PM2.5遙感反演進行探究，文獻[7]利用化學(xué)傳輸模型與衛(wèi)星觀測數(shù)據(jù)繪制了2001—2006年全球大氣PM2.5平均濃度分布圖，引發(fā)了國際社會的廣泛關(guān)注；其后，隨著地面監(jiān)測網(wǎng)的發(fā)展，基于統(tǒng)計模型的反演方法發(fā)展十分迅速，由全局簡單回歸模型發(fā)展到顧及時空異質(zhì)性的高級統(tǒng)計模型、由線性模型發(fā)展到非線性模型，并引入了氣象條件、土地利用等諸多影響因素。目前，大氣PM2.5遙感反演技術(shù)日趨成熟，在大氣環(huán)境監(jiān)測應(yīng)用中發(fā)揮著重要的作用。

本文主要從大氣PM2.5遙感反演與驗證、大氣PM2.5偏差校正與無縫制圖兩方面進行綜述，并總結(jié)大氣PM2.5遙感制圖的前沿研究方向。

1 大氣PM2.5遙感反演與驗證

1.1 大氣PM2.5遙感反演方法

基于衛(wèi)星遙感的大氣PM2.5反演研究通常采用衛(wèi)星氣溶膠光學(xué)厚度(aerosol optical depth,AOD)產(chǎn)品，其方法主要可歸為以下4類(圖1)。①模式比例因子法[7-10]。利用大氣化學(xué)傳輸模型模擬AOD與大氣PM2.5的比例因子，從而由遙感AOD數(shù)據(jù)估算地面大氣PM2.5濃度。其優(yōu)勢在于不依賴地面站點大氣PM2.5數(shù)據(jù)，直接由衛(wèi)星觀測值反演大氣PM2.5濃度，然而，其模型結(jié)構(gòu)與模擬過程十分復(fù)雜，并且污染物排放清單常常存在較大的不確定性，這往往導(dǎo)致大氣PM2.5反演精度有限。②基于物理機理的半經(jīng)驗法[11-13]?；谖锢頇C理，建立衛(wèi)星AOD與地面大氣PM2.5的物理關(guān)系方程，其優(yōu)勢在于具備嚴(yán)密的理論推導(dǎo)，然而參數(shù)的求解一般需要通過經(jīng)驗統(tǒng)計關(guān)系擬合。③統(tǒng)計模型與機器學(xué)習(xí)方法[14-19]。構(gòu)建衛(wèi)星AOD與站點大氣PM2.5之間的定量關(guān)系，并將此關(guān)系擴展至面域大氣PM2.5反演。該類方法易于實現(xiàn)，并且精度較高，是目前大氣PM2.5遙感反演最為流行的手段。④混合模型。將上述方法混合使用，較為流行的方式是首先通過大氣模式模擬[20-22]或其與遙感AOD結(jié)合[23](即第1類方法)得到初始大氣PM2.5數(shù)據(jù)，其次將該初始大氣PM2.5數(shù)據(jù)作為統(tǒng)計模型與機器學(xué)習(xí)的建模輸入變量。

圖1 大氣PM2.5遙感反演方法示意Fig.1 Schematic of atmospheric PM2.5 remote sensing retrieval methods

在上述4類方法中，基于統(tǒng)計模型與機器學(xué)習(xí)的方法已經(jīng)成為大氣PM2.5遙感反演最為重要的技術(shù)途徑，以下進行詳細闡述：

(1) 簡單回歸模型。2003年，文獻[19]首次定量探討了衛(wèi)星觀測AOD與地面站點大氣PM2.5的相關(guān)性，論證了衛(wèi)星AOD用于地面大氣PM2.5反演的可行性。在此基礎(chǔ)上，AOD-PM2.5關(guān)系容易受到氣象因子、地形條件等諸多因素影響，多元線性回歸模型由此引入到大氣PM2.5遙感反演中[18]。值得注意的是，利用多元線性回歸構(gòu)建站點觀測大氣PM2.5及周邊地理要素變量間的關(guān)系，即為土地利用回歸建模[24]。其次，通過分析大氣PM2.5與影響變量之間的數(shù)值分布規(guī)律，引入數(shù)值先驗(如指數(shù)函數(shù)關(guān)系)，文獻[25]發(fā)展了半經(jīng)驗統(tǒng)計模型，其一般轉(zhuǎn)換為多元線性回歸模型進行求解。此3類簡單回歸模型的結(jié)構(gòu)分別如式(1)—(3)所示

PM2.5=β0+βAOD·AOD

(1)

PM2.5=β0+βAOD·AOD+βX·X

(2)

PM2.5=eβ0·AODβAOD·eβX·X

(3)

式中，X指代其他輔助輸入變量；β0、βAOD與βX為模型回歸系數(shù)。

(2) 廣義可加模型。廣義可加模型(generalized additive model,GAM)是簡單線性模型的擴展，表現(xiàn)在引入了非線性函數(shù)[26]，從而能夠描述AOD-PM2.5關(guān)系的非線性特征。模型結(jié)構(gòu)如式(4)所示

PM2.5=βo+SAOD(AOD)+SX(X)

(4)

式中，SAOD()與SX()表示AOD及其他輔助變量的非線性函數(shù)。

例如，文獻[27]利用GAM模型，結(jié)合衛(wèi)星AOD、氣象、土地利用等輔助數(shù)據(jù)，對地面大氣PM2.5濃度估算進行建模。該方法對預(yù)測變量間的交互作用顧及不足，僅能通過手動添加交互項進行彌補。

(3) 線性混合效應(yīng)模型。上述回歸模型一般建立大氣PM2.5濃度與影響因素間的全局關(guān)系，并沒有考慮AOD-PM2.5關(guān)系的時空異質(zhì)性。線性混合效應(yīng)(linear mixed effects,LME)模型[16,28-30]通常在時間維度上添加隨機效應(yīng)，用以考慮AOD-PM2.5關(guān)系的時間異質(zhì)性，如式(5)所示

PM2.5=(β0+β0,t)+(βAOD+βAOD,t)·AOD+

βX·X

(5)

式中，β0與βAOD為不隨時間而變的模型固定效應(yīng)系數(shù)，而β0,t與βAOD,t則為模型隨機效應(yīng)系數(shù)，隨時間而改變，反映AOD-PM2.5關(guān)系的時間變異性。

需要注意的是，LME模型在時間維度上能夠反映AOD-PM2.5關(guān)系的變異性，而在空間維度上是全局的，即：沒有考慮空間異質(zhì)性。有學(xué)者嘗試在LME建模時添加空間隨機效應(yīng)，但在空間制圖過程中，對空間隨機效應(yīng)進行了舍棄處理[31]。該模型基于線性假設(shè)，無法反映AOD與大氣PM2.5間的非線性關(guān)系。

(4) (時空)地理加權(quán)回歸。考慮到AOD-PM2.5關(guān)系的時空異質(zhì)性，單時間(如天、小時)地理加權(quán)回歸模型(geographically weighted regression,GWR)[32-34]利用局部回歸技術(shù)，構(gòu)建基于衛(wèi)星觀測AOD的大氣PM2.5局部估算模型，其結(jié)構(gòu)為公式(6)，該模型建立的AOD-PM2.5關(guān)系是空間位置的函數(shù)。

PM2.5,s=β0(μs,vs)+βAOD(μs,vs)·AODs+

βX(μs,vs)·Xs

(6)

式中，(μs,vs)表示空間位置s處的坐標(biāo)，即：模型系數(shù)隨空間位置而改變。

然而，此模型僅利用單個時間數(shù)據(jù)進行建模，沒有考慮時間上的依賴性，難以處理單個時間AOD-PM2.5匹配樣本較少的情況。此外，進一步引入時間依賴性，時空地理加權(quán)回歸模型(geographically and temporally weighted regression,GTWR)[35-36]能夠更為有效地應(yīng)對大氣PM2.5衛(wèi)星反演問題。其建模思路與GWR模型類似，主要改進在于引入時間依賴性，即在式(6)的求解過程中加入時間維度信息，進一步提高模型的穩(wěn)定性。盡管此類模型考慮了時空異質(zhì)性，但其是基于線性假設(shè)的，對AOD-PM2.5關(guān)系非線性特征的刻畫仍然存在局限。

(5) 機器學(xué)習(xí)模型。鑒于衛(wèi)星AOD與站點大氣PM2.5間具有很強的非線性關(guān)系，AOD-PM2.5關(guān)系的機器學(xué)習(xí)建模是近年來的研究熱點。不同于傳統(tǒng)統(tǒng)計模型，機器學(xué)習(xí)是數(shù)據(jù)驅(qū)動的，其優(yōu)勢在于強大的非線性刻畫能力。其中，神經(jīng)網(wǎng)絡(luò)被率先應(yīng)用于大氣PM2.5遙感反演[17,37]，其模型性能相比傳統(tǒng)統(tǒng)計模型取得了較大的提高。此外，隨機森林[38-39]、支持向量機[40]、梯度提升學(xué)習(xí)[41]、深度學(xué)習(xí)[42-44]等模型也逐漸得到了學(xué)者們的青睞，如文獻[44]利用卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural network，CNN)估算美國區(qū)域的大氣PM2.5濃度，模型結(jié)構(gòu)如圖2所示。同時，多種機器學(xué)習(xí)模型集成(ensemble learning)方法[45-47]在大氣PM2.5衛(wèi)星估算研究中也得到了較為深入的應(yīng)用。然而，基于機器學(xué)習(xí)的大氣PM2.5遙感反演方法仍然存在以下局限：①機器學(xué)習(xí)模型一般僅僅擬合大氣PM2.5與影響因素之間的數(shù)值對應(yīng)關(guān)系，對大氣PM2.5本身的地理和物理特征考慮不足；②機器學(xué)習(xí)模型的可解釋性不強，無法理清大氣PM2.5反演的內(nèi)在機制；③機器學(xué)習(xí)模型的訓(xùn)練需要大量樣本，在地面觀測樣本不足情況下的建模能力有待提升。針對第一點，文獻[43]在深度置信網(wǎng)絡(luò)(deep belief network,DBN)中引入了大氣PM2.5的時空自相關(guān)性，從而發(fā)展了地理智能深度學(xué)習(xí)方法(Geoi-DBN)，模型結(jié)構(gòu)如圖3所示；同時，顧及PM2.5與影響因子間關(guān)系的時空異質(zhì)性，文獻[48]發(fā)展了地理加權(quán)extreme learning machine(ELM)模型，有效提升模型的整體穩(wěn)健性。

圖2 基于CNN模型估算大氣PM2.5濃度示意[44]Fig.2 Structure of CNN model for the estimation of atmospheric PM2.5[44]

圖3 Geoi-DBN模型結(jié)構(gòu)[43]Fig.3 Structure of Geoi-DBN model[43]

模型優(yōu)勢缺陷簡單回歸模型結(jié)構(gòu)簡單過于簡單,無法刻畫復(fù)雜關(guān)系廣義可加模型線性模型的非線性擴展對預(yù)測變量間的交互作用顧及不足線性混合效益模型可反映AOD-PM2.5關(guān)系時間異質(zhì)性基于線性假設(shè),無法描述AOD-PM2.5關(guān)系的非線性特征(時空)地理加權(quán)回歸考慮了AOD-PM2.5關(guān)系的時空異質(zhì)性基于線性假設(shè),無法描述AOD-PM2.5關(guān)系的非線性特征機器學(xué)習(xí)模型具備強大的非線性刻畫能力對物理、地理特性顧及不足

總結(jié)上述模型，其優(yōu)勢與缺陷歸納如表1所示?？偠灾?，早期簡單回歸模型由于結(jié)構(gòu)過于簡單，目前應(yīng)用較少。較為流行的是GWR/GTWR、LME和機器學(xué)習(xí)模型，尤其是機器學(xué)習(xí)模型，近年來取得了快速的發(fā)展。其中，對于GWR和GTWR模型，在不考慮計算量和調(diào)參難度的情況下，應(yīng)優(yōu)先選擇GTWR模型。同時，與LME模型相比，GTWR模型進一步考慮了空間異質(zhì)性，往往能夠取得更好的反演效果[36,49]；當(dāng)研究區(qū)域較小時(空間異質(zhì)性不強)，LME模型或許能夠表現(xiàn)出一定優(yōu)勢，并且其計算效率比GTWR高。其次，機器學(xué)習(xí)模型具備強大的非線性擬合能力，但對地理相關(guān)性與時空異質(zhì)性的考慮尚顯不足，能夠兩者兼顧的機器學(xué)習(xí)模型[43,48]是新的發(fā)展趨勢。

此外，目前大氣PM2.5遙感反演方法通常都采用AOD產(chǎn)品，而AOD產(chǎn)品一般是利用大氣輻射傳輸模型由衛(wèi)星反射率反演得到的[50-51]。那么，能否直接由衛(wèi)星反射率反演地面大氣PM2.5濃度是一個非常值得探討的問題。文獻[52]基于深度置信網(wǎng)絡(luò)模型，利用MODIS紅、藍、2.1 μm通道表觀反射率與觀測角度反演地面大氣PM2.5濃度；同樣地，文獻[53]基于隨機森林模型，利用AHI傳感器紅、藍、2.3 μm通道表觀反射率及相應(yīng)觀測角度進行大氣PM2.5估算建模。此類研究利用機器學(xué)習(xí)模型挖掘衛(wèi)星反射率與大氣PM2.5之間蘊含的潛在關(guān)系，避免了AOD反演過程，為大氣PM2.5遙感制圖提供了新的視角。

1.2 大氣PM2.5遙感反演驗證方法

基于站點觀測對遙感估算結(jié)果進行精度驗證是通用的方法，因此，交叉驗證[54]常被用于基于統(tǒng)計模型與機器學(xué)習(xí)的大氣PM2.5遙感反演模型的精度驗證。當(dāng)前最為流行的兩種方式是留一交叉驗證和十折交叉驗證，前者將樣本(站點、區(qū)域或時間)逐一用于模型驗證，而后者將樣本(站點、區(qū)域或時間)隨機平均分成十份，其中一份用于模型驗證，重復(fù)以上過程，直至所有樣本(站點、區(qū)域或時間)都已用于驗證。大氣PM2.5遙感反演的驗證方法主要可歸為5類，其方法特點、適用條件和局限性見表2。

表2 大氣PM2.5遙感反演驗證方法匯總

總的說來，基于樣本驗證方法適用于反映模型的整體預(yù)測能力，基于站點驗證和基于區(qū)域驗證方法適用于空間預(yù)測能力的評估，基于時間驗證和歷史驗證方法則適用于評價模型的時間預(yù)測能力。對于大氣PM2.5遙感制圖而言，最適合的為基于站點的驗證方法，因為其與遙感估算的空間擴展目的契合得較好。

以全國為研究案例，選擇常用的大氣PM2.5遙感反演方法并重點關(guān)注其空間預(yù)測能力，驗證結(jié)果見表3(表中評價指標(biāo)R2為決定系數(shù)，無單位；RMSE是均方根誤差，單位為μg/m3)。對于反距離插值、LME和GWR模型而言，基于樣本驗證的結(jié)果與基于站點驗證結(jié)果相差不大，表明這些模型的總體預(yù)測能力與空間預(yù)測能力相似。而對于GTWR和Geoi-DBN模型來說，基于站點驗證的性能比基于樣本驗證的性能有較大下降，原因是這兩個模型均利用了站點歷史數(shù)據(jù)進行建模。值得注意的是，對于基于樣本、基于站點的驗證，反距離空間插值比LME、GWR、GTWR等常用的遙感反演方法取得了更好的結(jié)果。究其原因，地面監(jiān)測站點的空間分布常常是不均勻的，一般集中在城市中心區(qū)域，導(dǎo)致站點之間的距離非常近；在驗證過程中，驗證站點離建模站點很近。此外，相比于基于樣本、基于站點的驗證結(jié)果，各模型基于區(qū)域(省份)驗證的結(jié)果均有顯著的下降，一定程度上表明，由于站點分布不均勻，基于樣本驗證、基于站點驗證方法容易高估大氣PM2.5遙感估算的精度。因此，如何在大氣PM2.5遙感反演模型驗證過程中考慮站點的不均勻分布，仍需進一步深入研究。

表3 基于不同驗證方法的常用反演模型性能對比

2 大氣PM2.5偏差校正與無縫制圖

2.1 衛(wèi)星反演大氣PM2.5合成產(chǎn)品偏差校正

衛(wèi)星反演大氣PM2.5數(shù)據(jù)的時相合成(如月均、季均或年均)對污染宏觀監(jiān)控具有重要意義，然而，由于衛(wèi)星數(shù)據(jù)的缺失，時相合成一般僅利用能夠獲取的數(shù)據(jù)進行平均，這給PM2.5合成數(shù)據(jù)產(chǎn)品帶來了系統(tǒng)偏差，其校正方法主要包括以下兩種：

(1) 比例因子校正法[49,60]。以站點觀測大氣PM2.5均值為真值(無采樣偏差)，計算其與用于建模的站點大氣PM2.5觀測均值(與衛(wèi)星觀測對應(yīng)，含有采樣偏差)之間的比例因子，并進行空間插值，從而對衛(wèi)星反演大氣PM2.5合成產(chǎn)品偏差進行校正，可表示為

(7)

式中，AvgGPM2.5,all為站點觀測大氣PM2.5均值；AvgGPM2.5,model為用于建模的站點大氣PM2.5均值；AvgSPM2.5,model表示衛(wèi)星反演大氣PM2.5均值；CSPM2.5表示校正后的衛(wèi)星反演大氣PM2.5均值。此方法應(yīng)用較為廣泛，但其局限性在于空間插值的不確定性較大。借鑒比例因子校正法的思想，有學(xué)者利用大氣模型模擬PM2.5對衛(wèi)星反演大氣PM2.5合成產(chǎn)品偏差進行校正。文獻[10]計算時間連續(xù)大氣PM2.5模型模擬均值與衛(wèi)星有效觀測時間的大氣PM2.5模型模擬均值之間的比例關(guān)系，并對相對誤差進行分析，表明中國北方易出現(xiàn)低估現(xiàn)象而南方相反。

(2) 時空信息融合方法[37]。將站點觀測進行空間插值，得到大氣PM2.5時空無縫濃度初始場；假設(shè)不同時相間站點插值結(jié)果的差異與衛(wèi)星反演大氣PM2.5結(jié)果的差異相等，從而對缺失信息進行預(yù)測。模型可表示為

Li,p-Li,m=Fi,p-Fi,m+εi,m,p

(8)

式中，Li,p表示時間p空間位置i的站點插值，而Fi,p表示時間p空間位置i的衛(wèi)星反演值，εi,m,p為隨機誤差。該方法的優(yōu)勢在于能夠有效利用時空互補信息，其缺陷為地面站點插值的精度有限。圖4所示為衛(wèi)星反演年均大氣PM2.5數(shù)據(jù)示例圖，由于數(shù)據(jù)的缺失，衛(wèi)星反演大氣PM2.5直接合成結(jié)果與站點插值數(shù)據(jù)的空間分布趨勢存在較大差異，最明顯的表現(xiàn)為華南區(qū)域濃度值偏高(與文獻[10]結(jié)論相符)。經(jīng)過時空信息融合方法校正后，與站點插值結(jié)果在空間分布上基本保持一致。

然而，已有研究多針對星-地聯(lián)合建模時段內(nèi)的大氣PM2.5制圖，基于衛(wèi)星遙感的大氣PM2.5歷史預(yù)測結(jié)果合成產(chǎn)品的偏差校正仍然是一個挑戰(zhàn)。分析上述兩種方法，前者可利用建模時段內(nèi)計算得到的校正因子，擴展至歷史預(yù)測數(shù)據(jù)的校正，其基本假設(shè)為各站點偏差校正因子隨時間變化不大，這個假設(shè)本身具有較大的不確定性；而后者無法應(yīng)用于歷史數(shù)據(jù)的偏差校正。綜上，對于大氣PM2.5歷史預(yù)測結(jié)果的偏差校正亟待突破，其可能的解決思路是聯(lián)合多源衛(wèi)星觀測AOD或大氣模型模擬AOD，盡量減少AOD數(shù)據(jù)的缺失，從而減少或消除歷史預(yù)測結(jié)果合成產(chǎn)品的偏差。

圖4 2014年年均大氣PM2.5濃度示意[37]Fig.4 Distribution of annual mean atmospheric PM2.5 concentration in 2014[37]

2.2 衛(wèi)星反演大氣PM2.5缺失信息重建

受云覆蓋、高亮地表等因素的影響，衛(wèi)星AOD數(shù)據(jù)往往存在空間縫隙，從而導(dǎo)致基于AOD反演的大氣PM2.5空間信息缺失問題。因此，對于衛(wèi)星反演大氣PM2.5缺失信息重建的研究主要可歸納為兩個方面：一是AOD缺失信息重建，從而減少或消除大氣PM2.5數(shù)據(jù)的空間縫隙(圖5紅色線)；二是直接對衛(wèi)星反演大氣PM2.5進行無縫重建(圖5綠色線)。

圖5 衛(wèi)星反演大氣PM2.5重建示意Fig.5 Schematic of satellite retrieved atmospheric PM2.5 reconstruction

(1) 衛(wèi)星AOD數(shù)據(jù)重建。對大氣PM2.5遙感反演文獻中AOD重建方法進行歸納，主要包括空間插值、多源AOD數(shù)據(jù)融合、大氣PM2.5站點輔助建模、統(tǒng)計回歸與機器學(xué)習(xí)方法等。其中空間插值方法[34]較早地應(yīng)用于AOD數(shù)據(jù)的重建，適用于缺失區(qū)域較小的情況?？紤]到多源數(shù)據(jù)的互補性，文獻[10]融合多傳感器AOD數(shù)據(jù)，文獻[36]對相同傳感器的不同算法AOD數(shù)據(jù)進行融合。對于大氣PM2.5站點輔助建模法，文獻[61]首先基于線性假設(shè)求解大氣PM2.5站點處的AOD值，其次利用空間插值對AOD進行缺失信息重建。統(tǒng)計回歸與機器學(xué)習(xí)方法近年來逐漸流行，通過構(gòu)建AOD與其他輔助變量的映射關(guān)系，對缺失區(qū)域進行預(yù)測。文獻[55]利用多重填補法，建立AOD與模型模擬AOD、氣象參量等的關(guān)系，實現(xiàn)AOD數(shù)據(jù)空間全覆蓋；文獻[62]構(gòu)建AOD與云雪信息、氣象參量等的隨機森林模型，對AOD缺失區(qū)域進行重建。

(2) 衛(wèi)星反演大氣PM2.5數(shù)據(jù)重建。主要包括兩類方法，即：空間平滑方法、星-地時空信息融合方法。其中，空間平滑方法構(gòu)建衛(wèi)星有效反演值與區(qū)域(或緩沖區(qū))均值、空間位置的半?yún)?shù)回歸方程，隨后對缺失信息進行預(yù)測。該方法由KLOOG團隊[63-66]提出，然而并未得到廣泛應(yīng)用，其缺陷在于僅僅利用了空間信息，適用于小面積缺失區(qū)域重建。對于星-地時空信息融合方法[67]，以衛(wèi)星反演結(jié)果為高分辨率數(shù)據(jù)，以站點插值結(jié)果為低分辨率數(shù)據(jù)，借鑒時空信息融合模型[68-70]，對缺失信息進行重建。該類方法引入了其他時相的輔助數(shù)據(jù)，對大面積缺失區(qū)域的重建理論上更具優(yōu)勢。如圖6所示，星-地時空信息融合模型能夠?qū)Υ髿釶M2.5缺失區(qū)域進行重建，生成小時級無縫大氣PM2.5數(shù)據(jù)，對提升大氣PM2.5衛(wèi)星監(jiān)測能力具有重要意義。

圖6 2016年2月28日小時級大氣PM2.5無縫重建示例，左邊為反演數(shù)據(jù)，右邊為重建數(shù)據(jù)[67]Fig.6 Example of hourly and gapless atmospheric PM2.5 concentration on Feb. 28, 2016. Left: satellite retrieved PM2.5; right: gapless PM2.5 data[67]

3 總結(jié)與展望

大氣PM2.5遙感制圖經(jīng)過近十幾年的蓬勃發(fā)展，取得了可喜的成績，已經(jīng)得到了較為廣泛、深入的應(yīng)用。本文主要從大氣PM2.5遙感反演與驗證、大氣PM2.5無縫制圖兩方面進行了綜述，需要說明的是，影響大氣PM2.5遙感制圖精度的因素很多，如衛(wèi)星數(shù)據(jù)的時空分辨率、AOD產(chǎn)品自身的質(zhì)量、輸入變量的篩選等[71]，然而，本文旨在梳理大氣PM2.5遙感反演與制圖的模型與方法，上述影響因素并非是本文的重點，有待于將來進一步梳理與總結(jié)。當(dāng)前，大氣PM2.5遙感制圖仍是國內(nèi)外的研究熱點，其前沿方向主要包括：

(1) 時空大數(shù)據(jù)支持的大氣PM2.5遙感制圖。大氣PM2.5的時空分布受到氣象、地形、土地利用、人為活動等諸多因素的影響，這給大氣PM2.5精確制圖帶來了挑戰(zhàn)。時空大數(shù)據(jù)技術(shù)的發(fā)展為大氣PM2.5遙感制圖帶來了新的機遇，基于時空大數(shù)據(jù)篩選對大氣PM2.5精確制圖具有重要貢獻的變量，構(gòu)成能夠深入解釋與表征大氣PM2.5時空變化的樣本集；引入深度學(xué)習(xí)技術(shù)，自動學(xué)習(xí)與大氣PM2.5相關(guān)的本因特征，深度挖掘時空大數(shù)據(jù)中蘊含的復(fù)雜關(guān)系，提高大氣PM2.5遙感制圖的精度。

(2) 物理/地理約束的機器學(xué)習(xí)反演模型?；跈C器學(xué)習(xí)的大氣PM2.5遙感反演是近些年來國內(nèi)外的研究熱點，已經(jīng)取得了長足的進展，然而，對大氣PM2.5自身物理、地理特性的考慮尚顯不足。當(dāng)前機器學(xué)習(xí)模型在模擬大氣PM2.5反演物理模型方面有少許嘗試，但如何構(gòu)建物理關(guān)系的正則化約束準(zhǔn)則需要進一步研究。與此同時，地理相關(guān)性、時空異質(zhì)性與機器學(xué)習(xí)結(jié)合的框架取得了一定的突破，然而，在時空自適應(yīng)參數(shù)選擇、優(yōu)化求解等方面仍有待提升。

(3) 新型衛(wèi)星與低成本地面監(jiān)測網(wǎng)的融合。大氣PM2.5遙感制圖已取得了快速的發(fā)展，但在區(qū)域尺度精細監(jiān)測應(yīng)用中仍存在諸多限制。隨著衛(wèi)星遙感技術(shù)的發(fā)展，新型衛(wèi)星(如中國的風(fēng)云四號、高分五號，日本的Himawari-8/-9等)傳感器設(shè)計更為先進，能夠提供更高時間、空間、光譜分辨率的觀測數(shù)據(jù)，對大氣PM2.5高時空分辨率動態(tài)制圖具有天然的優(yōu)勢。此外，地面低成本小傳感器監(jiān)測已成為大氣PM2.5制圖的研究熱點之一[72-74]，為精細尺度的星-地聯(lián)合建模提供了加密觀測數(shù)據(jù)。新型衛(wèi)星、低成本小傳感器監(jiān)測網(wǎng)的引入，以及兩者的融合，將是重要的發(fā)展趨勢。

(4) 多傳感器大氣PM2.5三維立體監(jiān)測。光學(xué)衛(wèi)星一般僅能提供二維觀測數(shù)據(jù)，無法在垂直方向上對大氣PM2.5進行立體監(jiān)測，從而限制了大氣PM2.5三維分布與傳輸特性的研究。隨著大氣探測技術(shù)的發(fā)展，星載、機載、地基激光雷達能夠獲取垂直廓線信息，無人機搭載顆粒物傳感器可實現(xiàn)垂直方向的監(jiān)測[75-76]，并與區(qū)域大氣質(zhì)量模型等手段相結(jié)合，探索點-線-面觀測數(shù)據(jù)的跨尺度融合方法，從而構(gòu)建大氣PM2.5濃度三維時空連續(xù)場，是一個十分重要的新挑戰(zhàn)。

(5) 多源數(shù)據(jù)融合的大氣PM2.5組分制圖。大氣PM2.5組分信息對污染成因解析、人體健康分析等至關(guān)重要，其時空動態(tài)制圖是一個重要的發(fā)展方向?；瘜W(xué)傳輸模型可以模擬大氣PM2.5組分信息，融合衛(wèi)星觀測、地理要素、模型模擬大氣PM2.5組分信息、地面觀測等多源數(shù)據(jù)，是當(dāng)前大氣PM2.5組分時空分布制圖的常用方法[22,77]，然而，地面成分觀測網(wǎng)的建設(shè)仍不完善，如何克服對地面觀測的依賴，實現(xiàn)大氣PM2.5組分高精度制圖亟待進一步的研究。