[论文解读] Real-time and Seamless Monitoring of Ground-level PM2.5 Using Satellite Remote Sensing

Tongwen Li, Chengyue Zhang+3 more|arXiv (Cornell University)|Mar 9, 2018

Air Quality Monitoring and Forecasting被引用 5

一句话总结

本研究提出了一种实时无缝的地表PM2.5监测框架，通过整合每小时静止轨道的Himawari-8卫星观测数据、深度学习模型以及时空融合方法，填补因云层遮挡造成的观测数据缺失。该方法在PM2.5估算中达到R² = 0.80和RMSE = 17.49 μg/m³的性能，恢复后的数据与地面测量值相比，R² = 0.75。

ABSTRACT

Satellite remote sensing has been reported to be a promising approach for the monitoring of atmospheric PM2.5. However, the satellite-based monitoring of ground-level PM2.5 is still challenging. First, the previously used polar-orbiting satellite observations, which can be usually acquired only once per day, are hard to monitor PM2.5 in real time. Second, many data gaps exist in satellite-derived PM2.5 due to the cloud contamination. In this paper, the hourly geostationary satellite (i.e., Himawari-8) observations were adopted for the real-time monitoring of PM2.5 in a deep learning architecture. On this basis, the satellite-derived PM2.5 in conjunction with ground PM2.5 measurements are incorporated into a spatio-temporal fusion model to fill the data gaps. Using Wuhan Urban Agglomeration as an example, we have successfully derived the real-time and seamless PM2.5 distributions. The results demonstrate that Himawari-8 satellite-based deep learning model achieves a satisfactory performance (out-of-sample cross-validation R2=0.80, RMSE=17.49 ug/m3) for the estimation of PM2.5. The missing data in satellite-derive PM2.5 are accurately recovered, with R2 between recoveries and ground measurements of 0.75. Overall, this study has inherently provided an effective strategy for the real-time and seamless monitoring of ground-level PM2.5.

研究动机与目标

• 解决极轨卫星仅提供每日一次PM2.5观测的局限性，该局限阻碍了实时监测。
• 克服因云层污染导致的卫星反演PM2.5数据持续缺失的问题。
• 利用静止轨道卫星数据与地面观测数据，开发一种无缝、实时的地表PM2.5监测系统。
• 通过以武汉为案例研究，实现高时间分辨率的PM2.5制图，用于城市空气质量评估。

提出的方法

• 利用Himawari-8卫星提供的每小时静止轨道观测数据，捕捉高时间分辨率的大气气溶胶数据。
• 实施基于Himawari-8数据训练的深度学习模型，实现实时地表PM2.5估算。
• 应用时空融合模型，将卫星反演的PM2.5数据与现场地面监测数据相结合，以恢复缺失数据。
• 利用卫星数据与地面数据之间的时空相关性，提升数据的完整性和准确性。
• 通过留样外交叉验证评估模型性能，并将恢复后的PM2.5值与地面测量值进行对比。
• 优化融合模型，以最小化数据恢复过程中的误差，同时保持空间与时间上的模式特征。

实验结果

研究问题

• RQ1 每小时的静止轨道卫星数据是否能够实现高精度的实时地表PM2.5估算？
• RQ2 基于Himawari-8数据训练的深度学习模型在多大程度上能准确预测PM2.5浓度？
• RQ3 时空融合模型在多大程度上能有效恢复因云层污染导致的卫星观测中缺失的PM2.5数据？
• RQ4 该集成框架在生成城市区域无缝连续PM2.5地图方面的表现如何？
• RQ5 与仅使用卫星数据的预测结果相比，该模型在融合卫星与地面数据后的精度有何差异？

主要发现

• 基于Himawari-8数据的深度学习模型在留样外交叉验证中，PM2.5估算的R²为0.80，RMSE为17.49 μg/m³。
• 时空融合模型成功恢复了缺失的卫星反演PM2.5数据，恢复值与地面测量值之间的相关系数（R²）达到0.75。
• 将静止轨道卫星数据与地面观测数据相结合，实现了实时无缝的PM2.5监测，克服了单一极轨卫星过境时间限制的缺陷。
• 该框架在捕捉武汉城市圈PM2.5的空间与时间变化方面表现出色。
• 结果表明，高时间分辨率的卫星数据显著提升了连续空气质量监测的可行性。
• 所提出的方法为城市环境中实现稳健、可扩展的实时PM2.5监测提供了有效策略。