近日，清华大学地球系统科学研究中心博士研究生吕宝磊为第一作者，白玉琪副教授为通讯作者在环境科学权威杂志《环境科学与技术》（Environmental Science & Technology）在线发表了题为“基于融合卫星数据和地面观测的方法提高地面PM_2.5 浓度估计精度：以中国北方为例”（Improving the Accuracy of Daily PM_2.5 Distributions Derived from the Fusion of Ground-Level Measurements with Aerosol Optical Depth Observations, a Case Study in North China）的研究论文。该研究的合作者包括佐治亚理工学院（Georgia Institute of Technology）的Yongtao Hu和Armistead Russell，以及埃默里大学（Emory University）的Howard Chang。

图 1 ES&T在线发表该论文

中国的空气污染非常严重，尤其是细颗粒物PM_2.5 污染。认识其健康效应，发生过程和污染特征等均需要以可靠地地面观测为基础。但尽管目前中国已经建立起包含1500余个站点的监测网络，由于这些站点更多的集中在城市地区，整体来看空间覆盖还是非常有限。通过地面PM_2.5 浓度与卫星获得的气溶胶光学厚度AOD（Aerosol Optical Depth）关系，尤其是中分辨率成像光谱仪MODIS（Moderate Resolution Imaging Spectroradiometer）数据，可以获得地面大尺度和高分辨率的PM_2.5 浓度分布。但是该方法往往受限于AOD-PM_2.5 关系时空变化，卫星AOD缺失等问题。

本论文从数据融合的角度去解决以上问题，而过去研究应用较多的卫星数据反演的角度。首先我们采用了一种基于贝叶斯方法的时空统计模型，在线性回归框架之下模拟时空连续的AOD-PM_2.5 关系。我们发现卫星AOD的缺失和重污染联系紧密，不处理其缺失问题将导致对地面PM_2.5 浓度的严重低估。对此我们提出了一种新的两阶段AOD空间填充的方法，该方法可以更好的捕捉AOD的空间变化，经过验证发现该方法补充的AOD值可以可靠地计算PM_2.5 浓度。基于数据融合的思想，我们发现PM_2.5 观测之间的空间依赖关系在以往研究中很少被使用。我们提出了一个新的因子，即颗粒物空间插值因子（PMSI_2.5 ，PM_2.5 Spatial Interpolator），来提供更多的空间相关信息。经过验证发现该因子可以进一步提高地面PM_2.5 浓度模拟精度。在模型评价方面，我们利用了基于站点和基于城市的两种评估方法，以弥补基于站点评价方法的缺陷。

图 2 通过数据融合估计得到的2014年年均和四个季节的平均浓度

由此，我们建立起一套基于数据融合的方法体系，用来获得地面逐日空间连续的较为准确的地面PM_2.5 浓度。该方法应用于2014年对华北地区，我们获得了华北地区的逐日地面PM_2.5 浓度。从年平均和季节平均来看，其可以较为可靠的估计地面细颗粒物浓度的空间分布，尤其是对于冬季的高水平的污染，和以往研究对比准确度提升明显。同时由于该方法可以逐日空间连续估计地面细颗粒物浓度，可以做到直观分析区域污染事件的形成过程。该方法和数据集对于评估人口暴露、分析污染过程、评价大气化学模式模拟表现方面均具有重要潜在应用价值。

《环境科学与技术》是环境科学顶级期刊，根据Thomson Reuters的2014年的文献引用报告，其2014年的影响因子为5.33。

论文链接：

Lv, B., Hu, Y., Chang, H.H., Russell, A.G., Bai, Y. (2016) Improving the Accuracy of Daily PM_2.5 Distributions Derived from the Fusion of Ground-Level Measurements with Aerosol Optical Depth Observations, a Case Study in North China. DOI: 10.1021/acs.est.5b05940

http://pubs.acs.org/doi/abs/10.1021/acs.est.5b05940