卫星多光谱观测在京津地区雾霾识别中的应用

2022-01-24 06:32张登科吕伟才
北京测绘 2021年11期
关键词:反射率波段雾霾

张登科 吕伟才 刘 欢 仲 臣

(1. 安徽理工大学 空间信息与测绘工程学院, 安徽 淮南 232001; 2. 河南理工大学 测绘与国土信息工程学院, 河南 焦作 454002)

0 引言

雾霾污染较为严重,所以关于雾霾的大量研究层出不穷,在这些研究中涉及雾霾识别的研究也比较多。一些学者认为气溶胶是表征雾霾污染的一个重要特征,因此,他们从气溶胶与雾霾天气的内部联系出发,以中分辨率成像光谱仪(Moderate Resolution Imaging Spectroradio meter,MODIS)遥感图像为数据源,利用当前在气溶胶厚度反演方面最成熟的美国国家航空航天局(National Aeronautics and Space Administration,NASA)的V5.2算法对严重雾霾污染地区进行识别[1-2];一些学者利用地面气象观测雾和霾,并在已有综合识别算法基础上,提出利用测云激光雷达的后向散射信号信息,并设置合理的阈值,结合综合识别算法来识别雾霾[3];一些学者提出了一种基于K均值聚类算法的雾霾天气识别方法,该方法在传统K均值聚类算法的基础上,提取图像饱和度分量作为识别雾霾天气的特征,采用马氏距离作为图像间的相似性度量,将相邻迭代次数内聚类中心的变化距离作为聚类准则函数,对图像进行聚类,实现雾霾天气的识别[4-5]。而本文进行重雾霾区域识别算法的研究是着重分析京津冀等雾霾比较严重的区域的雾霾天气特性,并通过分析地物光谱反射率借助于算法计算出一个能有效识别雾霾区域的新的雾霾指标。

本文中雾霾识别的原理主要是对2007年法国小卫星PARASOL (Polarization and Anisotropy of Reflectances for Atmospheric Sciences Coupled with Observations from a LiDAR)获取的数据进行处理和提取,为了研究重雾霾区域下的天气特征,从数据中提取了与研究相关的光谱反射率,通过研究区域内的地物光谱反射率的值[6],并对该值作相应的处理计算,最后得出一个能够识别非雾霾天气与雾霾天气的指标,即修正归一化差异霾指数(Modify the Normalized Differential Haze Index,M-NDHI)。

1 数据与方法

1.1 研究区域

本次研究选取的区域位于华北中部平原,是中国雾霾影响最严重的四个地区之一——北京。由于在数据读取以及提取过程中只需要研究北京区域,因此,需要在程序中设置北京区域的经纬度,北京市界的地理坐标为:39°26′~41°03′N,115°25′~117°30′E。在中国的这些城市中,北京市是最容易形成雾霾的城市。造成这一状况的原因主要有两个:其特殊的地理位置;近年来其工业化和城市化的快速发展。从地理位置上看,北京三面环山,污染物难以及时扩散,又毗邻东海,容易形成雾,造成污染物积累[7]。这就为雾霾的长期繁荣创造了一个最佳地理条件。其次,汽车尾气和工业废气的迅速增加使得这个城市的雾霾状况更加严重,大量污染物集聚到空中,促进了雾霾的形成,破坏了城市的环境质量[8]。因此,监测空气污染状况的新方法的性能极为重要。

1.2 数据来源与处理方法

1.2.1数据选取

本次研究使用的数据来源于iCare数据和服务中心,主要分析了大量2007年以后的云、气溶胶等的辐射交互作用数据,通过提取数据得到各种植被对雾霾的光谱反射特性和光谱反射率数据,将所得到的数据代入雾霾指数求算公式,从而将所得到数值与非雾霾天气下所得到的数值阈值做比较,能够作为评判一个地区是否有雾霾的依据。本文选取了2007年5、6月以及少量其他月份的数据进行分析,在地球观测系统数据和信息系统世界观(Earth Observing System Data and Information System,EOSDIS Worldview)网站上查找研究了这几个月的雾霾天气信息,并将雾霾天、非雾霾天分别记录下来,然后对其进行数据提取和数据处理,从而得到计算公式所需要的反射率的值。

在数据提取和处理的过程中,主要提取计算了490、670、865 nm三个波段在不同天气下的光谱反射率,并计算出了日光谱反射率的平均值。光谱反射率=I(非偏振光强)/cos(太阳天顶角),在程序中的计算公式为[9]

R1=I1/cosθ
R2=I2/cosθ
R3=I3/cosθ

(1)

式中,R1、R2、R3分别为490、670、875 nm波段光谱反射率;I1、I2、I3分别为490、670、875 nm波段非偏振光强;θ为太阳天顶角。

1.2.2数据处理

在建立表征地表类型特征的指标时,从光谱波段提取的元素值要高于得到的图像中的其他特征值。比如,在归一化植被指数(Normalized Difference Vegetation Index,NDVI)中,植被的值高于裸地、建筑物和水。同样地,在M-NDHI指数中,雾霾的值比其他元素要高[10]。但值得注意的是,M-NDHI指数不同于归一化水指数(Norma-lized Difference Water Index,NDWI)、归一化建筑物指数(Normalized Difference Build-up Index,NDBI)、NDVI等其他指数,因为雾霾是在地表形成的物质,所以卫星图像上的光谱值是雾霾加上地面元素的和。因此,为了有效地识别雾霾,必须抑制研究区域的下垫面因素。本文主要技术流程如图1所示。

通过比较在三种天气下三个波段的光谱反射率,可以得到以下三个结论:(1)在同一种天气条件下,865波段(865 nm;近红外波段)的光谱反射率值最大,670波段(670 nm;可见光红光波段)的光谱反射率值最小,而490波段(490 nm;可见光青光区域)的光谱反射率值介于两者之间;(2)同一波段在雾霾和非雾霾天气下的光谱反射率大小也有较大的区别,在非雾霾天气下光谱反射率的值较小,而有雾霾天气下的光谱反射率的值较大;(3)在表1中除了统计不同天气下、不同波段的光谱反射率大小,还计算出一组差异分析数据,该数据是由雾霾天气下的光谱反射率值与非雾霾天气下的光谱反射率值求差值所得到的,在所求的三个数值中,490 nm波段的数值差异较大,865 nm波段的数值差异较小,670 nm波段的数值差异则介于两者之间。

通过比较非雾霾天和雾霾天的数据处理结果,发现490 nm波段(可见光青光区域)对雾霾最为敏感。在三个波段间490 nm波段和865 nm波段(近红外波段)之间的光谱变化最大(表1),但是由于865 nm波段无论是在雾霾天还是非雾霾天,光谱反射率的值相差不大,而且经过计算670 nm波段对于有云的天气下,光谱反射率的值较大,具有很好的效果。因此,选择490 nm波段和670 nm波段来构建M-NDHI,即(490 nm波段-670 nm波段)/(490 nm波段+670 nm波段),则分子(490 nm波段-670 nm波段)在云层和云层附近较其他位置大得多;分母同样是(490 nm波段+670 nm波段),如式(2)。因此,这种推导的M-NDHI对于较厚的雾霾具有更大的值。

(2)

式中,M为修正归一化差异霾指数(M-NDHI)值;R1、R2分别为490、670 nm波段光谱反射率。

从图2中很容易看出两种不同天气下的北京市,在M-NDHI计算公式中涉及的数据主要是雾霾天和非雾霾天的数据,不考虑有云天气下的北京市光谱反射率,因为在有云的天气下,光谱反射率的值呈现不规律的变化,容易对研究造成误导,因此,在数据的提取、分析以及计算的过程中都是无云天气下的数据,而无云天气又分为雾霾天和非雾霾天。

图2 分别为雾霾天和非霾天的北京云图[审图号为GS(2019)3266号]

1.2.3阈值的取定

为了确定阈值的取值范围,本文对提取的几个月内北京市雾霾天与非雾霾天的数据进行分析和计算,借助修正归一化霾指数分别计算出来各天所对应的指数值,为了能够更好地看出雾霾天与非雾霾天M-NDHI值的变化情况,以便于更好地确定阈值的范围,将雾霾天与非雾霾天求取的M-NDHI值按照时间的顺序做成折线图,如图3所示。

图3 北京区域雾霾天气下和非雾霾天气下M-NDHI值的变化折线图

图3分别为非雾霾和雾霾天气下北京市光谱反射率的值,通过分析、统计和计算2007年北京市的雾霾天和非雾霾天,选取了天气较为明显的一些时间作为参考,根据推导得出的修正归一化霾指数(M-NDHI)计算得出了某些天的指数值,并将这些指数进行排序,最终得出了修正归一化霾指数在雾霾天和非雾霾天的指数范围。根据计算出的指数范围,最初确定了雾霾天气下修正归一化霾指数的取值范围为0.082~0.220,非雾霾天气下的修正归一化霾指数的取值范围为0.020~0.082(不包含0.082)。因为研究数据的局限性没有准确地得到指数的阈值,只是通过计算得出的数值推测的一个指数范围,因此,具有一定的模糊性。

1.2.4M-NDHI阈值的验证

为了使推导得到的指数公式更有说服性,也为了验证指数阈值是否能够作为评判雾霾天与非雾霾天的标准,于是又对天津市做了相似的研究,北京市与天津市都是位于京津冀雾霾区的两个城市,因此对于天津市的研究可以作为验证北京区域得到的霾指数和阈值的依据。

表1 三个波段在雾霾天和非雾霾天的光谱反射率变化

同样的将提取并计算出的雾霾天与非雾霾天的光谱反射率数据分别代入M-NDHI计算公式中,为了能够更好地看出雾霾天与非雾霾天M-NDHI值的变化情况,以便于确定取定的阈值是否合理,遂将天津区域雾霾天与非雾霾天求取的M-NDHI值按照时间的顺序做成了折线图如图4所示。

通过图4可以发现,天津市雾霾天与非雾霾天所得到的修正归一化霾指数也在所得到的阈值之内。由此可以得到,在与北京市地貌和地类相差不大的区域可以利用推导得到的M-NDHI来判断该区域在相应的时间是雾霾天还是非雾霾天。

2 实验结果与分析

本文提出了一个识别北京和天津雾霾区域的修正归一化差异霾指数,该指数能够有效识别京津冀雾霾区的雾霾状况。为了使研究成果更加真实可靠,选取了2007年6月4日的北京,并截取了当天的雾霾图。从图5中可以看出,当天的北京市有一半处于雾霾区,而另一半区域并没有发生雾霾。

图5 6月4日北京市雾霾云图[审图号为GS(2019)3266号]

本次研究提取了北京当天的490波段数据、670波段数据以及该区域经纬度的数据,并将提取的数据代入式(2)中,求出了雾霾区域内相应位置的M-NDHI离散值,如表2所示, 其中M-NDHI为0时,表示该点数据为空。

通过对照图5和表2中的数据,能够从两方面区分雾霾区与非雾霾区。首先在图上能够直观地看出雾霾区与非雾霾区的分界线,从而判断出一个区域是否发生雾霾,其次,可以通过观测表中的数据发现,在M-NDHI阈值的附近有明显的数据差,通过与阈值的比较也能容易地区分雾霾区域。

在表2中可以看到左下角的数据略微偏大,因为这是有云的情况下,当既有云又有霾的情况下,光谱反射率的变化比较大,因此忽略了有云的天气。

表2 北京区域内离散M-NDHI值

3 结束语

本文主要统计分析了北京与天津区域的雾霾状况,因为这两个城市是以京津冀为主的重大霾区的两个重要城市,通过分析2007年北京市与天津市雾霾天与非雾霾天的地物光谱反射率的变化情况,从提取的三个波段中选取两个波段来构建雾霾指数公式,并分别计算了数月的雾霾天与非雾霾天的M-NDHI值,从而选取了修正归一化雾霾指数的阈值。提出的M-NDHI可为京津冀主要雾霾区域的识别提供一种新的算法和理论依据。

因为本次雾霾研究是在京津冀雾霾区域进行的研究,而该区域是一个地势较为平坦并且地物类型相对较少的区域,而在一些高原、裸土、荒漠以及雪地等区域该指标与阈值可能不具有适应性。在后续的雾霾研究工作中,需要寻找一个适应范围广,能够完美表征水域、平原、高山、裸土、雪地以及荒漠等各种地类的雾霾指数,寻找更加精简的雾霾识别算法。

猜你喜欢
反射率波段雾霾
中红外波段超广角抗反射微纳结构的研究
商品条码印制质量检测参数
——缺陷度的算法研究
Ku波段高隔离度双极化微带阵列天线的设计
车灯反射腔真空镀铝反射率研究
最佳波段组合的典型地物信息提取
新型X波段多功能EPR谱仪的设计与性能
最佳波段选择的迁西县土地利用信息提取研究
新德里雾霾
有些日子没被某编毒舌插刀了,雾霾都散了!
分步催化制备纳米SiO2减反射膜的性质与结构研究