每小时一次的Himawari-8卫星对气溶胶细颗粒物的反演数据有助于提高北京-天津-河北地区PM2.5的分布图绘制精度

《Atmospheric Pollution Research》：Hourly 2-km Himawari-8 aerosol fine-mode fraction retrieval improves PM 2.5 mapping in the Beijing–Tianjin–Hebei region

　　摘要
高频、高分辨率的细颗粒物（fine-mode aerosols）监测对于捕捉PM2.5污染的快速演变至关重要，然而目前陆地地区的卫星细颗粒物比例（FMF）产品仍存在较大不确定性，无法支持可靠的每小时PM2.5制图。本文针对京津冀（BTH）地区开发了一个两阶段框架，将静止卫星观测与机器学习相结合，用于获取每小时2公里的细颗粒物场并估算近地表PM2.5浓度。首先，利用Himawari-8卫星的大气顶层表观反射率（波段1-6）、观测/照明几何信息和NDVI数据，以及每日1公里的长期无缝高分辨率空气污染物（LGHAP）AOD和FMF数据，训练了一个极端梯度提升（XGBoost）模型，从而在2018-2020年期间生成每小时2公里的AOD和FMF数据。结果表明，该模型的预测结果与AERONET数据高度一致（AOD：R = 0.88，RMSE = 0.19；FMF：R = 0.84，RMSE = 0.11），并显著优于官方的Himawari-8 L2 V3.0和MODIS C6.1细颗粒物产品。在第二阶段，EntityDenseNet模型将反演得到的细颗粒物AOD数据与ERA5气象数据、卫星反射率及嵌入式时空变量相结合，从102个站点估算每小时PM2.5浓度，取得了较高的准确度（R2 ≥ 0.85；RMSE < 18 μg m?3）。这些 maps 能够清晰反映雾霾期间的PM2.5动态变化，有助于优化京津冀地区的雾霾暴露评估和监测。

引言
大气 aerosols 是由悬浮在空气中的液体和固体颗粒组成的多相系统，其大小范围从约0.001微米到100微米不等。它们对全球和地区生态系统、大气环境、气候以及人类健康有着显著影响（Kodros等人，2015；Zhang等人，2017；Yan等人，2021；Zou等人，2025）。直径小于2.5微米的细颗粒物（PM2.5）对人类健康有害，已成为全球重要的公共卫生问题（Anderson等人，2012；Zhang等人，2016；Zuo等人，2023）。PM2.5暴露与死亡率增加、呼吸系统疾病和肺癌风险升高有关（Pope等人，2002；Brook等人，2010；Kloog等人，2013）。因此，准确表征PM2.5浓度的空间分布和暴露模式对于制定缓解不良健康影响的控制策略至关重要（Luo等人，2014；Yan等人，2023）。尽管由于严格的排放控制，京津冀地区近年空气质量有所改善（Niu等人，2024），但该地区仍存在高浓度PM2.5、混合尘雾事件和昼夜波动等复杂污染现象，这对公共卫生和环境管理构成挑战（Xu等人，2025）。因此，实现京津冀地区的高精度、实时动态PM2.5监测对于改进空气污染管理仍然十分关键。由于地面PM2.5监测站点主要集中在城市地区，郊区及广大农村地区的站点数量有限，这限制了对PM2.5时空动态及其健康影响的深入理解（Lee等人，2016）。卫星遥感技术现已被广泛用于获取近地表PM2.5浓度的空间连续估计（Chudnovsky等人，2014；Kloog等人，2015；Van Donkelaar等人，2016；Yan等人，2025；Chen等人，2025）。气溶胶光学厚度（AOD）是卫星产品中的关键参数，常用于估算近地表PM2.5浓度。然而，在雾霾期间，气溶胶主要以细颗粒物形式存在，因此基于卫星遥感数据的细颗粒物光学厚度（fAOD）与近地表PM2.5浓度的相关性更强（Yan等人，2017；Zang等人，2021），这有助于更准确地估算近地表PM2.5浓度。尽管如此，卫星遥感中用于区分粗颗粒物和细颗粒物比例的细颗粒物比例（FMF）参数的准确性和可靠性较低，从而限制了对近地表PM2.5质量浓度的精确估计（Levy等人，2007；Zhang和Li，2015；Choi等人，2016；Yan等人，2019；Bréon等人，2011）。最近在细颗粒物比例反演方面的进展表明，通过更好地表征气溶胶尺寸分布，可以显著提高PM2.5制图的准确性（Tian等人，2023；Li等人，2024）。

静止卫星能够实现高时间分辨率的 aerosol 特性观测，这促使了过去十年内算法的蓬勃发展。早期的研究主要集中在物理反演方法上。Ge等人（2018）将Dark Target算法应用于Himawari-8/AHI卫星，相对于地面观测数据的AOD反演准确率为0.81。Yan等人（2018）提出了最小反照率反演方法（MAARM），该方法改进了AOD和FMF的估算精度，但指出FMF反演方法仍有待进一步优化。Su等人（2021）利用AERONET的月度光谱反射率库和气溶胶类型统计数据开发了HiPARA算法，而Gao等人（2021）通过结合土地覆盖、NDVI和散射角增强了Dark Target框架中的地表反射率估算。尽管这些研究提高了AOD反演的准确性，但它们要么将FMF视为次要输出，要么承认其精度有限，使得细颗粒物比例在PM2.5应用中的可靠性不足。最近，机器学习成为静止卫星 aerosol 反演的强大替代方法，提供了更高的准确性和计算效率。She等人（2020）利用AERONET观测数据训练深度神经网络反演Himawari-8六波段反射率，其性能优于JAXA的官方产品。Chen等人（2022）将该框架扩展到同时反演AOD和FMF（NNAeroG）。后续研究逐步提高了准确性和时间稳定性：Bao等人（2024）开发了一种适用于静止卫星几何结构的灵活随机森林方法；Tan等人（2024）使用深度神经网络改进了官方AHI AOD产品的反演；She等人（2024）提出了一种基于Transformer的架构（TMAT），用于多波长AOD反演（RMSE = 0.101，R = 0.949 @ 550 nm）；Luo等人（2024）结合了广泛学习法和深度学习以提高可解释性；Tang等人（2025）开发了一种混合辐射传输和学习算法（AIRTrans），显著减少了官方产品中FMF的严重低估。

尽管取得了这些进展，仍存在两个关键问题。首先，大多数机器学习研究侧重于AOD精度，而用于分离主导PM2.5的细颗粒物的高时间分辨率FMF反演尚未得到充分发展。其次，无论是基于物理方法还是机器学习算法的现有FMF产品，在陆地地区的不确定性仍然较大，这是由于地表反射率的模糊性和细颗粒物与粗颗粒物之间的光谱对比度较低。因此，迫切需要改进的高时空分辨率细颗粒物反演算法，以提供可靠的FMF约束，支持每小时PM2.5制图。在这些细颗粒物反演进展的基础上，机器学习也被广泛用于估算近地表PM2.5浓度。该领域的最新进展主要体现在三个方面：首先，通过整合辅助地理空间数据，空间分辨率得到了逐步提升（Liang等人，2023利用基于LiDAR的3D城市结构和低成本传感器实现了30米分辨率的城内预测；Porcheddu等人（2025）通过3D U-Net架构将深度学习数据融合应用于每小时100米的制图）；其次，模型复杂度从传统集成方法发展到混合深度学习框架（Karimian等人，2023表明集成学习在估算精度和空间泛化能力上优于单一机器学习模型；Wei等人（2025）显示，基于混合注意力的模型（WOA-CNN-LSTM-AM）相比单独的CNN和LSTM架构可将预测误差减少34%-39%）。第三，输入特征从仅基于AOD扩展到结合气象、地理和卫星反演的多源融合。尽管如此，两个关键限制仍然存在：大多数研究仅依赖总AOD作为光学代理，未能充分利用高分辨率FMF数据在深度学习框架中的协同潜力；此外，传统神经网络无法直接编码分类时空变量（如行政区域），限制了它们捕捉空间异质性的能力。EntityDenseNet模型通过实体嵌入解决了这一问题，实现了分类和连续地球物理特征的联合处理（Yan等人，2020，2024）。此外，Zang等人（2021）证明，结合Himawari-8细颗粒物数据可以显著提高深度和传统机器学习模型的PM2.5估算精度，强调了FMF作为物理约束的关键作用。因此，本研究做出了三项具体贡献：

（1）我们开发了一种基于XGBoost的方法，利用Himawari-8/AHI卫星数据获取京津冀地区的每小时2公里FMF，其准确性和空间覆盖范围远优于官方的JMA Himawari-8 L2 V3.0和MODIS C6.1细颗粒物产品，从而提高了PM2.5估算的精细度。
（2）我们提出了一个新颖的两阶段机器学习框架，将FMF与PM2.5估算统计集成，证明结合细颗粒物信息显著提高了PM2.5制图的准确性。
（3）我们采用EntityDenseNet作为PM2.5估算的空间映射模块，利用其实体嵌入能力直接处理分类时空变量和连续地球物理特征，有效捕捉PM2.5分布的空间异质性和非线性关系。利用这些反演得到的AOD和FMF数据，我们估算了2018-2020年间京津冀地区的每小时PM2.5浓度，从而深入研究了雾霾污染动态。

AERONET aerosol 产品
全球AERONET网络是由NASA和LOA-PHOTONS（法国国家科学研究中心的一部分）共同建立的地面气溶胶遥感网络。该网络已运行超过25年，为卫星气溶胶产品的验证和气溶胶研究提供了可靠的地面观测数据（Holben等人，1998）。AERONET的气溶胶数据处理算法已从版本1.0升级到版本3.0（Giles等人，2019）。

卫星细颗粒物产品的准确性评估
为确保卫星数据与AERONET地面观测数据的一致性，需要进行波长插值和时空匹配。Himawari-8的500纳米气溶胶产品可直接与AERONET测量数据比较，但由于AERONET未报告550纳米的AOD数据，因此需要进行波长匹配。本研究采用?ngstr?m波长指数来插值AERONET观测数据，并推导出AOD值。

模型准确性评估
2018-2019年和2020年的匹配数据分别用作训练集和测试集。采用十折交叉验证来评估模型准确性。图S4展示了XGBoost模型与LGHAP AOD数据对比的散点图，以及随机森林（RF）模型的相应结果。此外，还构建了用于FMF预测的XGBoost和RF模型。图4展示了散点图。

结论
鉴于现有地面FMF数据的准确性和时空分辨率不足，本研究采用机器学习方法构建了一个极端梯度提升模型。该模型利用Himawari-8表观反射率、观测几何数据（角度数据）、NDVI和LGHAP数据，以2公里的空间分辨率反演每小时AOD和FMF。在此基础上，通过结合Himawari-8CRedi数据，开发了EntityDenseNet深度学习模型。

作者贡献声明
Jiannan Jin：概念化、数据整理、方法论、软件开发、验证、初稿撰写。
Xingchuan Yang：写作、审阅与编辑。
Wenhui Zhao：写作、审阅与编辑。
Wenji Zhao：写作、审阅与编辑。

利益冲突声明
作者声明没有已知的利益冲突或个人关系可能影响本文的研究结果。

致谢
本研究得到了中国国家自然科学基金（项目编号42471374）的支持。

Jiannan Jin | Xingchuan Yang | Wenhui Zhao | Wenji Zhao
中国兰州资源与环境职业学院测绘与地理信息学院，兰州