李丁，秦凯，薛勇，饶兰兰，张亦舒，何秦

1.中国矿业大学环境与测绘学院,徐州221116;

2.德国宇航中心遥感技术研究所,韦斯灵82234

1 引言

大气气溶胶在区域灰霾事件和全球气候变化中起着重要作用（张小曳，2007；贾臣等，2020）。表征气溶胶吸收和散射作用比重的单次散射反照率SSA（Single Scattering Albedo）是导致气候效应评估中辐射强迫计算不确定性的最主要因子（IPCC，2014），同时也是海盐、黑碳和沙尘等多种气溶胶类型划分的重要依据（李正强等，2019），因此获取其准确数值和时空分布信息具有重要意义。卫星定量遥感是实现大范围气溶胶监测的有效手段（陈良富等，2011；闫世明等，2020），目前气溶胶光学厚度AOD（Aerosol Optical Depth）反演已较为成熟（Levy 等，2013；Xue 等，2017）。然而由于可见光波段卫星信号解耦问题，SSA等气溶胶参数的卫星反演研究相对滞后。

在近紫外波段，地表信号成为次要信号（即使是半干旱地区地表反射率都降低到5%以下），大气信息主导卫星接收信号（Dave，1978）。同时，由于大气分子散射作用极大地增强了吸收性气溶胶的实际光学路径，卫星接收的大气表观反射率

TOA Reflectance（Top of Atmosphere Reflectance）信号对吸收性气溶胶的SSA 和层高ALH（Aerosol Layer Height）具有较高敏感性（Torres 等，1998），使得SSA反演具有可能性。目前，基于OMI（Ozone Monitoring Instrument）传感器紫外波段OMAERUV算法的全球陆地SSA 产品已广泛用于气候变化研究中（Jethva等，2014；康颖等，2019）。

OMAERUV 算法使用两个宽为2 nm 的紫外窄波段同时反演陆地AOD 和SSA 产品，已有十几年历史（Torres 等，2007）。此后，Torres 等（2013）使用CALIPSO 和AIRS 气溶胶垂直分布数据改进先验假设，提升了OMI SSA 反演精度。Satheesh 等（2009），Eswaran 等（2019）利用联合反演思路，将同过境时刻的MODIS（Moderate resolution Imaging Spectro radiometer）AOD 产品作为输入，提升了SSA反演精度（OMI-MODIS SSA）。此外，Jeong等（2016）对OMI官方算法中查找表（Look-up table）进行改进，使用最优估计模型进行SSA 反演，进一步提升反演精度。紫外波段SSA 卫星反演精度受气溶胶类型假设、ALH、AOD 和反演算法的综合影响，对其中一项或多项进行改进，均有助于提高SSA的反演精度。

然而，OMI 传感器星下点空间分辨率仅为13 km×24 km，自2007年起出现行异常且不断扩大，难以满足全球和区域气溶胶研究需要（Levelt 等，2018）。2017年10月，Sentinel-5P 卫星发射成功，搭载其上的TROPOMI 传感器继承OMI 卫星波段设计，星下点空间分辨率提高到3.5 km×7 km（其中7 km是沿轨道方向）（Veefkind 等，2012），后经过调整在2019年8月后分辨率提高到3.5 km×5.5 km。具有同类卫星中最高分辨率的TROPOMI 极具应用潜力，但目前尚未有官方AOD和SSA产品（KNMI，2018）。Sun 等（2019）初步尝试了将MODIS AOD作为输入的TROPOMI-MODIS SSA反演，对林火附近像元进行了反演，结果与AERONET（Aerosol Robotic Network）站点观测资料基本一致。Torres等（2020）也将OMI 的官方算法移植到TROPOMI 上，实现AOD 和SSA 的同时反演。上述研究提供了TROPOMI SSA 反演思路，但是气溶胶模型等完全基于OMI-OMAERUV 全球模式，未对区域范围的实际情况加以考虑。

中国东部人口稠密，气溶胶具有来源广、组分复杂和总量高的特点，年平均气溶胶光学厚度在0.6—0.8，是全球陆地平均值的4 倍左右（Li 和Wang等，2019）。其中，人类活动如工业燃烧、交通运输排放的气体在大气中进行二次转化和直接排放的气溶胶是首要来源（吴兑，2011；贺泓等，2013；孙忠保等，2021）。在此情况下，来源于高气溶胶背景浓度下地表反射率、气溶胶类型和光学吸收性的误差导致可见光波段卫星反演气溶胶精度也受到影响（Mei 等，2019a，2019b）。针对中国地区气溶胶算法的改进大多依据地基观测资料或已有模型进行（She等，2019；Su等，2021），未更多考虑实时的气溶胶吸收性信息。利用紫外波段反演可以尽可能的避免可见光波长下地表信号的影响，同时对气溶胶类型和吸收性更敏感。

综上所述，本文尝试利用TROPOMI 紫外波段产品在中国东部地区进行气溶胶关键光学参数SSA反演研究，旨在为复杂气溶胶背景下区域乃至城市级卫星反演研究提供新的方法。

2 数据与研究区介绍

2.1 紫外波段气溶胶指数

紫外波段气溶胶吸收指数（UVAI）是OMI 和TROPOMI等团队发布的一个重要产品，广泛用于气溶胶分类等研究（杨东旭等，2012；Hammer 等，2016；李逢帅等，2018）。UVAI最早应用于Nimbus卫星上的TOMS传感器上（Herman等，1997），形如：

式中，下标“meas”和“ray”分别代表卫星传感器观测的实际辐射强度与辐射传输模型在仅考虑大气分子瑞利散射的模拟值。Iλ1，Iλ2为两个气体吸收弱的窄波段下的辐射强度（其中λ1波长较小）。

UVAI 不需要气溶胶假设，故称简单反演参数。云和散射性气溶胶UVAI 接近或小于0，如果大气中存在吸收性气溶胶，则UVAI 大于0，且吸收性强度与UVAI 数值成正比。UVAI 配合其他参数可以用于气溶胶分类等研究（Torres 等，2007）。OMI 使用的是354 &388 nm 组合波段计算UVAI，而TROPOMI 不仅提供340 &380 nm 组合（KNMI，2018），还提供与OMI 一致的波段组合，初步比较结果一致性高（Stein等，2018）。

本文使用的OMI 和TROPOMI UVAI 分别从https：//disc.gsfc.nasa.gov/datasets/OMAERUV_003［2021-03-09］和https：//s5phub.copernicus.eu/［2021-03-09］下载。

2.2 气溶胶光学厚度

考虑到Aqua/MODIS 与S5P/TROPOMI 过境时间相差不超过15 min，且MODIS AOD 产品比较成熟，已广泛用于检验其他卫星传感器气溶胶产品或算法（Li 和Qin 等，2019；Wei 等，2019），本文使用最新的C6.1 版本MODIS AOD 产品。SSA 反演中，需要将MODIS AOD 转换到TROPOMI 相应的波段，需要借助AE（Ångström Index）作为转换因子。MODIS基于深蓝算法（Deep Blue）的陆地数据集包含AOD和AE子集。因此本文选择10 km分辨率的MYD DB AOD产品作为SSA反演算法的输入。

2.3 地基太阳光度计数据

地基观测被普遍认为是相对卫星遥感更为准确的遥感数据来源，AERONET（Aerosol Robotic Network）全球观测网的建立和运行为气溶胶的研究积累了大量的地基遥感数据，已广泛应用于卫星反演的先验模式假设、算法改进和产品验证，其AOD反演精度约0.01—0.02（Dubovik等，2002；Bilal 等，2016；Wang 等，2017）。AERONET 的数据经过十几年的累积和更新，目前最新的Version 3有两个等级的数据Level 1.5 和Level 2.0，Level 2.0数据在Level 1.5 基础上进行了先验校正和后验处理，数据质量高但是数量少（Holben等，2016）。

中国东部地区在运行AERONET 站点较少，因此SONET（Sun-sky radiometer Observation NETwork）观测网的数据也被用于结果验证。SONET 数据处理遵循Smirnov 等（2000）为AERONET 提出的算法和质量控制手段，在站点数据验证中，其精度与AERONET 站点数据相比基本无差别（Xie 等，2015）。

上述地基站点使用的CE318太阳光度计，其有效反演波段集中于0.44 μm、0.675 μm、0.87 μm、1.02 μm 波段，使用时也需要利用AE 进行相应的转换。文中的AERONET 和SONET 数据分别从https：//aeronet.gsfc.nasa.gov/［2021-03-09］和http：//www.sonet.ac.cn/［2021-03-09］下载。

2.4 地基激光雷达数据

UVAI 对吸收性气溶胶层高敏感，然而目前卫星传感器无法提供实时的大面积气溶胶垂直信息，因此需要对气溶胶层高和廓线形状进行预设。OMI中使用了历史CALIPSO 数据集，对不同气溶胶类型的垂直分布进行假设。除此之外，也进行了少量地基Lidar 观测，以确定特定气溶胶类型的数据（Stammes，2002；Torres等，2007）。相比于CALIPSO的固定过境时间（本地时间下午1：30 左右，Atrain系列），Lidar数据具有特定地点长时序、稳定的观测优势（Liu 等，2019）。在中国东部研究区中，共收集了6 个具有连续观测的Lidar 站点的数据资料，4 个站点位于浙江省（嘉兴、金华、杭州、诸暨），两个站点位于江苏省（无锡、徐州）。通过对Lidar 数据进行月均、季均等分析，以及特定污染事件分析，可以为各种气溶胶类型设定较为可靠的垂直分布信息。

2.5 研究区域

本文研究区位于100°E—130°E、20°N—50°N。该区域背景气溶胶含量较高、气溶胶类型复杂（Li和Wang 等，2019）且覆盖较多的地基观测站网（图1，审图号GS（2021）7674 号）红色圆点代表太阳光度计站点，蓝色方块代表激光雷达站点。由于SSA 与气溶胶类型密切相关，选择该研究区便于先验假设和验证工作的进行。

图1 研究区与地基站点分布Fig.1 The study area and the distribution of Sunphotometer and Lidar sites

3 反演方案

3.1 基本原理

在无云天气和平面平行大气基本假设下，基于朗伯地表的大气顶端反照率R(λ)可表示为

式中，Ra(λ)表示大气贡献的程辐射，右边第2 项代表地表经大气作用到达大气顶端的信号。由于UV 波段地表反射率较小，使用朗伯地表假设即可满足精度要求，基于此方程可以有效地构建查找表。

同时，在仅考虑气溶胶时，UVAI 主要与吸收性气溶胶层的3个参数有关：AOD、SSA、ALH。

由于UVAI 由两个相近紫外波段的辐射计算得到，在设定好气溶胶类型和一个参数后，可以同时反演另外两个参数（如OMI-OMAERUV 算法，假设了ALH，同时反演AOD 和SSA）。当限定了两个输入参数后，第3 个参数反演精度会大大提升（Jeong 和Hsu，2008）。本文通过使用MODIS AOD并设定ALH，尝试反演更高精度的SSA。

3.2 反演难题

相比于可见光波段的反演算法，本文基于紫外波段的反演算法中除了有云掩膜、气溶胶模型假设和查找表构建等共性问题，还有部分关于波段转换、大气订正和像元匹配等特性问题。

（1）云掩膜。云的UVAI 指数一般等于或小于零，少量残云对SSA 数值影响不大（Torres 等，2007）。然而云对AOD 反演精度有显著影响，因此AOD 反演算法一般需要进行严格的云掩膜预处理。本文使用TROPOMI 和MODIS 产品作为联合输入，选择云量指数CF（Cloud Flag）小于0.1的TROPOMI像元；在此基础上，由于MODIS AOD 产品已经排除了云污染像元，取QA=2、3（产品质量Good，Very Good）时的MODIS AOD 可以进一步确保最终像元不受残云影响。

（2）时空匹配。由于使用了两个不同的卫星产品，因此需要对其进行空间匹配（两颗卫星过境时间相近，可以不考虑时间尺度的误差）。考虑到两个产品的分辨率，这里将TROPOMI 和MODIS 10 km DB AOD 和AE 数据重采样到0.05°×0.05°等经纬度网格中，选择同时存在UVAI和AOD数据的像元作为反演对象。对于地基和卫星产品的匹配，为了增加匹配的数量样本，选择相差在2 h 的窗口内的数据。

（3）波段一致性。本文用于反演和验证的卫星与地基产品包括：TROPOMI UVAI（340 nm 和380 nm）、MODIS AOD/AE（470 nm 和550 nm）、AERONET AOD/SSA（440 nm 和500 nm）和OMI SSA（500 nm）。考虑到对比验证，TROPOMI 反演的SSA 可通过气溶胶模型如OPAC（Hess 等，1998）等由紫外波段拓展到500 nm，便于与OMI和AERONET 500 nm SSA数据进行对比，其转化方法与OMI-OMAERUV 算法一致，通过构建的气溶胶粒子微物理模型推导不同波段的气溶胶光学性质。考虑到参数输入，MODIS AOD 也需要转换为500 nm，本文利用对应的MODIS AE 数据进行转换。本文将SSA 的主输出波段设为500 nm，可以尽可能地避免参数输入和对比验证中多余的波段转换带来的数据误差。

（4）气体订正。气体成分（水汽、臭氧、二氧化氮等）含量的不确定性会使得卫星接收的信号与模拟结果不匹配，造成一定的反演误差。紫外波段下，臭氧和水汽具有较大的时空变化性。中尺度天气预报中心ECMWF（European Centre for Medium-Range Weather Forecasts）再分析资料提供了较为准确的地球表面气候数据（Molteni 等，1996）。UV 波段反演使用两个2 nm 的窄波段，且已经避开了强吸收气体窗口，气体订正消除周期性特征即可。因此本文下载1°×1°分辨率的第五代ERA 5月均ECMWF 臭氧和水汽数据集（Ozone monthly gridded data from 1970 to present derived from satellite observations，https：//cds.climate.copernicus.eu/cdsapp#!/dataset/satellite-ozone-v1?tab=overview［2021-03-09］），通过辐射传输模型SCIATRAN 进行独立的气体透过率计算。

（5）地表反射率。如前文所述，可见光波段下地表信号占卫星接收信号比重较大，需要考虑精确的地表模型模拟。在紫外波段反演算法中，地表无需作为主体考虑，因此使用对应波段的的月均地表反射率库作为先验输入即可满足不同季节、月份下地表背景反射率变化修正。

（6）气溶胶模型。构建符合大气中真实气溶胶形态的气溶胶模型应包括气溶胶粒子构成、谱分布和垂直廓线结构。现有模型大多由全球AERONET 站网观测资料统计而来，针对可见光波段且少有对垂直结构的考虑。中国地区气溶胶来源较多、时空变化较快，基于全球尺度的气溶胶模型代表性不足导致了气溶胶反演的主要误差来源之一（Wei 等，2019）。如引言所述，相比于可见光波段，紫外波段下气溶胶粒子组成类型和垂直廓线分布同更为敏感，如何根据实际情况，设置合理的气溶胶先验知识至关重要，本文将在3.3 节和3.4节进行详细阐述。

（7）气溶胶类型识别。对气溶胶粒子不加以辨别，将所有类型均使用查找表进行反演从而寻找最小误差类型，不仅拖慢运算效率，而且还可能因为多重解而造成较大误差。除了根据实际经验，对其按季节和地理进行分类（如MODIS 气溶胶算法），还可以根据UVAI 等参数对吸收型气溶胶粒子的敏感性，直接按像元进行预判（如OMI气溶胶算法）。OMI 官方文档中使用了UVAI 和同传感器的可见光波段的AI 指数（Visible Absorbing Index）共同判断，同时也指出：有些情况下难以分清沙尘和煤烟，可能会造成误判（Stammes，2002）。在本文中，由于将MODIS 数据作为输入，因此可以使用MODIS 中的相关参数。已有研究表明，UVAI 和可见光波段AE 指数可以配合用于气溶胶分类，如沙尘、煤烟等，分类准则简单易行，且精度足够（Lee 等，2015）。本文使用的准则将在3.3节和3.7节中进行阐述。

3.3 气溶胶模型

基于研究区的气溶胶模型是改进反演算法的重要环节。以含碳颗粒物为主的人为源气溶胶光学上具有强吸收性，且易发生吸湿性增长，导致同类型下气溶胶的SSA 随相对湿度不同也有明显变化（颜鹏等，2010；陈斌，2012；Zhang 等，2015）。OMI-OMAERUV 算法全球气溶胶模型中考虑了环境相对湿度不同，对城市工业型气溶胶划分了6 个不同的子类型。此外，广泛应用的OPAC气溶胶模型也支持气溶胶基本粒子组分调整和相对湿度选择，构建了包括城市型气溶胶在内的多种气溶胶类型。以城市型气溶胶为例，通过模拟计算SSA 在不同相对湿度下差异可达0.1 以上，与实际霾天和非霾天地基统计结果较为相符（Qin等，2018）。

因此，利用研究区地基观测数据和气象数据调整OPAC模型粒子比例和相对湿度，可以有效的获取符合实际情况的气溶胶模型。其中，相对湿度数据可从国家气象科学数据中心获取（http：//data.cma.cn/data/cdcdetail/dataCode/A.0012.0001.html［2021-03-09］）。本文收集2013年—2016年北京与徐州的AERONET 站点全反演数据，提取相关度高的440 nm、676 nm 和870 nm 波段的AOD、AE、SSA 和ASY（Asymmetry factor）等光学参数作为初始数据，与当地的相对湿度数据匹配。此外考虑到降雨是气溶胶发生沉降最主要的外因，需去除有降雨的日期。

对此数据集进一步划分，按霾天和非霾天的定义（原中国环境保护部2012年发布的《灰霾污染日的判别标准（试行）》）使用当地PM 站点数据进行统计分类，确定2013年—2016年的北京和徐州霾天和非霾天，并按照相对湿度划分为40%以下、40%—60%、60%—80%、80%—100%共计8个子数据集。选取OPAC 中已有城市型（Urban）、沙尘型（Desert）、大陆型（Continental average、Continental polluted）作为本研究的基本类型。通过调整组分和相对湿度构建查找表，并对上述8个子数据集进行查找，出现最多的几个组合类型可作为本研究的气溶胶类型。其中调整组分时，按0.02%的比例在已有类型上进行加减，为了保证OPAC数据类型的可靠性，对粒子比例进行调整时主导粒子变化幅度小于10%（Li，2020）。

考虑中国东部实际情况与气溶胶类型的光学性质，在霾天和非霾天情况下的OPAC测试类型也有所侧重：（1）人为源污染型，选择基于Urban 和Continental polluted 类型查找表，仅对AE＞1.2的霾天和非霾天（非霾天时需满足SSA＜0.9）的AERONET数据进行模拟。（2）普通混合型，选择基于Continental average 的查找表，仅对部分非霾天的数据（SSA＞0.9，0.8＜AE＜1.2）进行模拟。（3）沙尘型，采用OPAC-Desert 类型对AE＜0.8 的霾天和非霾天数据进行模拟。

本研究的气溶胶类型划定如不溶性颗粒表1所示。

表1 气溶胶类型Table 1 The aerosol types in this study

3.4 气溶胶层高

紫外光谱气溶胶反演中，气溶胶层的垂直分布也是影响SSA 精度的重要因素。垂直分布包括定义层高ALH（OMI 官方算法中定义为廓线最大峰值高度）和廓线形状。Lee 等（2015）的研究指出，UVAI 对气溶胶层高的敏感性比气溶胶廓线形状高1000 倍，同时气溶胶吸收性越强，层高对精度影响越大；在以散射气溶胶为主时，层高影响较小。OMI-OMAERUV 算法通过CALIPSO 气候数据集和部分地面Lidar 观测数据预先假设了几种气溶胶类型的ALH（共5 种），并通过地理纬度和季节进行调整以符合实际情况。

中国东部地区受人为源气溶胶污染影响，易发生大规模霾事件。Guo等（2016）利用CALIPSO产品结合OMI 和MODIS 数据对包括京津冀、长三角等重点区域在内的全国地区的气溶胶垂直分布情况做了系统分析，给出了各地区最常见的气溶胶层高。多数情况下中国东部气溶胶靠近地面，浓度随高度线性或指数减小，其峰值在2.5 km 以下。Qin 等（2016）利用CALIPSO 和地基Lidar 发现重霾情况下，人为源气溶胶也可以在自由对流层进行跨区域传输。本研究利用研究区内多个地基Lidar 数据（图1 蓝色方形点）进行季、月均值以及特殊霾事件分析，获取下气溶胶廓线形状以及层高。

图2展示了4个Lidar站点各季节消光系数廓线的分布情况（图2（a）—图2（d）依次是杭州、诸暨、金华和嘉兴）。各站点高值基本集中在2.5 km以下，消光系数在0—1.5 km 有明显的减小并随高度增加趋近于一个稳定的极小值。

图2 气溶胶消光系数季均廓线Fig.2 Seasonal mean profiles of aerosol extinction coefficient

针对霾日和非霾日的不同情况，我们在前期研究中也进行了探讨（Fan 等，2019）。气溶胶仍集中在2.5 km 以下，霾天气溶胶消光系数比非霾天高，廓线形状可以假设为随高程指数减少的分布。同时，夏季霾天气溶胶消光廓线在2.0—3.0 km有一个显著的不平滑凸起。表明少数灰霾会有一个上升趋势，从而对季平均结果造成的差异，与Qin等（2018）的研究结果一致。

图3 展示了2019-12-10 霾事件发生情况下，徐州地区地基Lidar 观测到两个时刻的气溶胶垂直分布情况：由于外来传输气溶胶的影响，气溶胶消光系数表征的层高也会有所变化。因此即使大多气溶胶都在2.5 km 以下，气溶胶廓线形状仍然有多种变化。

图3 气溶胶廓线变化特例Fig.3 A special case of aerosol profile variation

本研究区域经纬度跨度较小，垂直分布信息均一性高，同时考虑到不同气溶胶类型下垂直分布的敏感性，本研究构建了以下垂直分布方案：（1）人为源污染型，建立两种子类型：1）最高高度2 km，随高程的增加呈现指数型递减；2）高度在1.5—3 km，消光系数呈高斯分布。上述两种情况分别对应本地污染和外来传输污染情况。（2）普通混合型，廓线形状和层高由地基Lidar 的季节均值统计数据进行定义：最高高度为2.5 km，随高程增加具有线性递减规律。（3）沙尘型气溶胶，由于地理位置的限制，本研究中Lidar 观测中未发现显著的沙尘气溶胶事件，因此将与OMI 设置一致（一个单层高斯分布的气溶胶层分辨被设定在自由对流层中，其浓度峰值在3 km）。本文算法中仅考虑单层气溶胶分布，因此对于外来传输事件和本地高污染背景情况造成的多层气溶胶分布情况，算法误差较大。

3.5 敏感性分析

基于经验和统计数据建立的气溶胶模型，需要再次进行敏感性分析并相应的调整，以使得最终构建的查找表具有足够的反演精度。SCIATRAN 是由德国不莱梅大学开发的辐射传输模型，适用于紫外—可见—近红外波段的地气系统光谱辐射模拟（Rozanov 等，2005），被用于本文研究中。本研究前期已对UVAI与单个参数AOD、SSA 和ALH 逐一进行了敏感性分析，其变化情况与OMI-OMAERUV算法和之前的研究（Lee 等，2015）基本一致，验证了SCIATRAN模型的可靠性。

进一步应用本文设定的气溶胶模型进行敏感性分析，图4 展示了人为源污染子类型（拓展自OPAC 的Urban 类型，对ALH 最敏感）的UVAI 随AOD 和ALH 的变化情况，其中8—11 与1—4 气溶胶类型相同，但是垂直分布不同。可以发现气溶胶处于近地面气溶胶层时，不同子类型下UVAI最高到2.5 左右，当气溶胶为高空层（3.4 节）时，UVAI 可高达4，且随着AOD 增加，UVAI 增加幅度较近地面时更大。该现象表明紫外波段对高空层吸收性气溶胶更敏感，从辐射传输理论可知，这是由于近地面气溶胶与地表形成的“复合系统”导致光子经过吸收性气溶胶层路径变短，吸收性不显著。本文设定的气溶胶类型下，UVAI 随AOD 和SSA 有序变化（不混乱交叉），表明其精度足以应用于反演算法中查找表的构建。

图4 不同气溶胶子类型下UVAI随AOD变化Fig.4 Variation of UVAI with AOD under different aerosol sub-types

此外也应该认识到，由于本研究区范围较小，由多个Lidar 观测资料构建的气溶胶垂直分布可以有效表征本地实际情况，在更大范围或全球模式中，需要考虑更准确的气溶胶垂直分布信息。

3.6 构建查找表

表2展示了利用SCIATRAN模型构建TROPOMISSA 算法的查找表LUT 中参数的来源和划分区间，按气溶胶类型划分成不同的LUT 子表。当输入实际参数时，在不同气溶胶类型下进行插值和迭代得到最终SSA。

表2 LUT参数总览Table 2 Overview of LUT parameters

其中使用ECMWF 臭氧和水汽数据也需要辐射传输模型参与，本研究中进行单独模拟，获取不同月均值下总透过率，用于反演波段的气体订正。

3.7 反演流程

为提高反演迭代效率和反演精度，OMIOMAERUV 算法基于UVAI 指数和同传感器的可见光VIS-AI 指数来初步判断气溶胶类型（Stammes，2002）。Lee 等（2015）利用OMPS UVAI 和VIIRS AE 区分沙尘和碳质气溶胶，分类效果较好。本研究基于TROPOMI UVAI和MODIS DB AOD产品进行联合反演，利用MODIS AE 科学数据集也可以进行判断。判断准则与Lee J 相同：（1）UVAI＜0.4 时，为普通混合型；（2）UVAI＞0.4 且AE＞0.8，为人为源气溶胶污染型；（3）UVAI＞0.4 且AE＜0.8，为沙尘型，沙尘型具有季节性，发生情况较少。

反演具体流程（图5）概括为：（1）数据匹配，TROPOMI和MODIS数据集经预处理并匹配到0.05°×0.05°网格中，每组数据包括R340nm、R380nm、UVAI、AOD500nm，AE，其他观测几何参数和气象参数等。（2）基于上述方案识别气溶胶类型。（3）为识别的气溶胶类型匹配合适的气溶胶子类集，利用构建的查找表进行反演，获取气溶胶类型和SSA等结果。

图5 流程图Fig.5 The flow chart

4 反演结果

4.1 验证分析

本文选取了2019-01—2019-06 10个SONET长期站点观测数据用于验证。由于地基SSA 反演时段有限，如果严格控制对比时间，数据量过少。本文选取距离站点20 km 内的卫星像元SSA 像元反演均值与卫星过境时刻2 h 内的地面站点SSA 值进行比较，同时也提供了AOD 和OMI 的数据进行对比分析（图6）。

图6 TROPOMI和OMI-OMAERUV的AOD和SSA与地面站点数据对比图Fig.6 Comparison of TROPOMI and OM-OMAERUV AOD and SSA with ground-based observations

图6（a）、图6（c）是本文TROPOMI 算法中使用的MODIS AOD 和OMI算法的AOD 与地基数据比较结果，图6（b）、图6（d）是TROPOMI 反演的SSA 和OMI-OMAERUV SSA 与500 nm 地基站点SSA 比较结果。可以发现，MODIS AOD 与地基AOD 相关系数R2为0.77，斜率在0.95 左右，而OMI 同时反演的AOD 有较大的偏差，相关系数较低。本文算法反演的SSA 与地面值对比相关系数（R2）为0.61，均方根误差（RSME）为0.05。而OMI 反演的结果对比地面SSA，相关系数仅为0.46。这表明将MODIS AOD 作为输入，有效地提高了反演精度。同时，也注意到上述结果中均有部分异常点，这可能与时间匹配窗口有关，气溶胶发生了变化。整体上TROPOMI 共匹配到150 个样本点，OMI 只有84 个，这表明TROPOMI 数据具有更好的空间覆盖性。

进一步对匹配结果进行分站点的时间序列分析，如图7所示，左侧坐标对应SSA（红色点为TROPOMI，蓝色点为OMI，灰色格点为SONET），右侧坐标对应SONET 的AOD（下方灰色柱状图）。可以发现TROPOMI 和OMI 反演结果在不同站点有所差异。雁栖湖站点是数据量较多的SONET站点，仅有一个OMI 值，表明OMI 数据在部分区域有较大的缺失。而在上海站，仅有少数的TROPOMI SSA得以反演，对反演数据进行分析发现，上海地区地表河流水系发达且平日雾气较多，MODIS DB算法反演的AOD数据有较大缺失，后续可以通过更换高分辨率的MODIS 3 km或1 km AOD数据集进行改善。从总体趋势可以发现，OMI算法倾向于高估SSA，而本文反演算法在SSA 较小时倾向于低估，而SSA较大时倾向于高估，这可能与气溶胶模型设置的3个不同气溶胶类型在实际情况下的表现差异有关。此外，北京站点数据量较多，可以发现AOD大小与SSA高低关系不呈现负相关性，当AOD较大时，SSA 反而较高。这是因为SSA 仅表征总体吸收性和散射性比例，在北京地区气溶胶浓度较高时，虽然吸收性增强，气溶胶的散射性也急剧上升，导致SSA偏高（Liu等，2020）。上海站点SSA基本稳定在0.95以上，这表明该站点靠近海面，受海盐影响较大，气溶胶整体表现为散射性。

图7 卫星与地面多站点数据时间序列对比Fig.7 Time-series comparison between ground-based measurements and satellite data at multi-sites

4.2 空间分布对比

本文选取了2019-04-05—2019-04-07 连续3 d作为一次个例，该时间段研究区云覆盖较少，如图8（a）真彩图所示。图8（b）为每日卫星MODIS AOD 分布，图8（c）为每日TROPOMI UVAI 大于0 的空间分布。可以发现4月5日AOD 较大，气溶胶浓度较高，但主要由散射气溶胶主导。4月6日其余地区AOD 恢复低值，山东省河南省腹地出现气溶胶聚集带，且UVAI 大于0。4月7日中国东部AOD数值升高，大部分UVAI小于0，无吸收性。

图8 2019-04-05—2019-04-07研究区真彩色图，MODIS-AOD和大于0的UVAI分布图Fig.8 True color maps，MODIS-AOD，and UVAI distribution maps greater than 0 in the study area from April 5 to 7，2019

图9（a）展示了基于本文算法反演的TROPOMI SSA 的空间分布情况。4月5日，北京地区SSA 数值较低；内蒙古自治区与甘肃省交界处也有大面积SSA 低值区，可能为沙尘气溶胶，与当日的天气预报较为一致（内蒙古自治区中西部、甘肃省北部等地的部分地区有扬沙或浮尘天气）。4月6日，北京地区SSA 持续降低，且河南省地区腹部出现SSA 低值带。4月7日河南省腹部SSA 有所提高，低值带消失，山东省安徽省地区整体AOD 数值较大，然而反演的SSA 较大，气溶胶呈现溶胶散射性为主的现象，与Liu等（2020）发现的规律较为一致。此外，图9（b）展示了对应的OMI-OMAERUV SSA 产品。整体分布趋势上，TROPOMI SSA 与OMI SSA 具有较好的一致性。然而在局部地区，SSA数值有显著差异，这可能是因为OMI空间分辨率和MODIS AOD带来的差异导致的。图9结合图6、图7 的站点对比结果可知，将MODIS AOD 作为输入可以显著提高SSA 反演精度，但AOD 数值将会显著影响SSA的反演大小。

图9 TROPOMI 和OMI SSA空间分布Fig.9 Spatial distribution of SSA derived from TROPOMI and OMI

本文从2019-01—2019-06 的TROPOMI SSA日均反演数据获取月均空间分布图，考虑到统计的有效性，只有某个像元有3个及以上有效SSA 数值时才参与平均，图10（a）和图10（b）展示了2019-01 和2019-03 的TROPOMI 和OMI 的SSA月均值空间分布。其中TROPOMI 和OMI 3月的均值分布较为相似，东北地区和山东省等地具有显著低值现象，相比于OMI 数据，TROPOMI 结果更具有空间差异性。然而，1月对比结果差异性较大，TROPOMI 反演结果表明中国东部大部分地区呈现普遍低值，而OMI 结果不显著，这可能与统计数据差异性有关。由于本文算法只有存在MODIS AOD 有效数值时才能进行反演，再加上OMI 条带损坏带来的空间差异，相同月份相同像元数据来源具有一定的偶然性，这里仅作为参考。

图10 2019年1月和3月TROPOMI 和OMI SSA月均空间分布Fig.10 The monthly spatial distribution of SSA derived from TROPOMI and OMI in January and March 2019

5 结论

本文利用地基太阳光度计和Lidar 观测资料，结合OPAC 软件构建了气溶胶模型，并联合TROPOMI UVAI 和MODIS AOD 卫星数据初步建立了适用于中国东部的高分辨率气溶胶SSA 反演算法。反演结果与地基SONET 站点数据对比相关系数为0.61，总体精度优于OMI-OMAERUV SSA 产品。对比OMI SSA 产品空间分布，TROPOMI SSA空间连续性更好。与地基数据和OMI 卫星产品逐站点时序对比表明，TROPOMI SSA 符合不同地区气溶胶特性变化趋势。

基于本文的多卫星产品联合算法和反演结果表明：（1）相对准确的AOD 作为输入，有助于提升SSA 反演的精度，在接下来的研究中可以尝试利用静止卫星气溶胶产品（如覆盖中国地区的Himawari-8 数据）作为输入，以获取更多匹配像元数目，提高空间连续性。（2）SSA与气溶胶类型息息相关，实际案例中复杂的混合气溶胶为反演带来大量的不确定性，表现为反演结果的不稳定偏差。在后续研究中，需要基于更多的地基观测资料进行区域尺度的气溶胶粒子模型改进优化。（3）本文的地基Lidar 站点虽然数目较多，但是位置相对集中，获取的气溶胶垂直廓线信息代表性可能不足，在后续研究中可以将更多的气溶胶类型（沙尘污染型等）纳入考虑中，以进一步提升SSA反演精度。

志 谢感谢欧洲航天局（ESA）和皇家荷兰气象研究协会（KNMI）提供Sentinel-5P/TRO⁃POMI 卫星数据，美国国家宇航局（NASA）提供的OMI和MODIS气溶胶产品，ECMWF提供的气象再分析资料。同时感谢AERONET 团队提供Beijing、Xianghe、Taihu 地基站点的数据，SON⁃ET 团队提供了雁栖湖，焦作，嵩山，上海，徐州，合肥地基站点的数据，和浙江省生态环境监测中心提供的地基Lidar 数据。同时对运营维护各站点的科学家表示衷心的感谢。