论文推荐 | 沈焕锋：大气PM2.5遥感制图研究进展

《测绘学报》

构建与学术的桥梁 拉近与权威的距离

大气PM_2.5遥感制图研究进展

沈焕锋^1,2, 李同文¹

1.武汉大学资源与环境科学学院, 湖北 武汉 430079; 2.地球空间信息技术协同创新中心, 湖北 武汉 430079

收稿日期：2019-11-04；修回日期：2019-12-09

基金项目：湖北省技术创新专项重大项目（2019AAA046）；国家重点研发计划（2016YFC0200900）

第一作者简介：沈焕锋(1980-), 男, 教授, 研究方向为影像质量改善、数据融合与同化, 遥感制图与应用等。E-mail:shenhf@whu.edu.cn

通信作者：李同文, E-mail：litw@whu.edu.cn

摘要：遥感技术具有时空大范围、低成本的独特优势，已经成为定量监测大气PM_2.5污染时空分布的重要手段。本文综述了大气PM_2.5遥感制图的进展：首先，对大气PM_2.5遥感反演方法进行了归纳，以及总结了现有大气PM_2.5遥感反演验证方法的适用条件与局限性；其次，对卫星反演大气PM_2.5合成产品偏差校正和大气PM_2.5无缝制图进行了梳理；最后总结了大气PM_2.5遥感制图的前沿研究方向。

关键词：大气PM_2.5制图 卫星遥感 星-地融合 精度验证 无缝监测

Progress of remote sensing mapping of atmospheric PM_2.5

SHEN Huanfeng^1,2, LI Tongwen¹

1.School of Resource and Environmental Sciences, Wuhan University, Wuhan 430079, China;2. Collaborative Innovation Center of Geospatial Technology, Wuhan 430079, China

Foundation support: The Major Projects of Technological Innovation of Hubei Province (No. 2019AAA046); The National Key Research and Development Program of China (No. 2016YFC0200900)

First author: SHEN Huanfeng (1980—), male, professor, majors in image quality improvement, data fusion and assimilation, remote sensing mapping and application.E-mail: shenhf@whu.edu.cn.

Corresponding author: LI Tongwen, E-mail: litw@whu.edu.cn.

Abstract: Satellite remote sensing has played a critical role in the quantitative retrieval of atmospheric PM_2.5, which can be attributed to its advantages of wide spatiotemporal coverage and low cost. This paper reviews the progress of remote sensing mapping of atmospheric PM_2.5. First, the atmospheric PM_2.5remote sensing retrieval methods are summarized, and the applicable conditions and limitations of the validation approaches for atmospheric PM_2.5remote sensing retrieval are analyzed. Second, this paper summarizes the bias correction of satellite retrieved PM_2.5synthesis product and the missing information reconstruction of satellite retrieved PM_2.5. Finally, the prospective directions of remote sensing mapping of atmospheric PM_2.5are discussed.

Key words: atmospheric PM_2.5mapping satellite remote sensing satellite and ground fusion accuracy validation gapless monitoring

随着经济的快速发展，细颗粒物(fine particulate matter, PM_2.5)污染已成为全球范围内的重大环境问题。2016年世界卫生组织发布的报告显示，全球92%的人口暴露于年均>10μg/m³的大气PM_2.5污染中^[1]，公众健康受到极大的威胁。因此，对大气PM_2.5污染进行动态监测至关重要。地面站点监测是获取大气PM_2.5污染状况最为直接的手段^[2-3]，然而，监测站点建设成本高昂、实施难度较大，空间分布相对较为稀疏，难以实现大范围空间连续监测。

遥感卫星能够提供大范围的观测数据，有效弥补了地面监测站点分布稀疏这一不足^[4-5]。利用卫星遥感技术监测气溶胶的研究始于20世纪七、八十年代^[6]，而大气PM_2.5遥感定量反演则是在近十几年取得了蓬勃的发展。初期，主要利用简单回归方法及大气模式对PM_2.5遥感反演进行探究，文献[7]利用化学传输模型与卫星观测数据绘制了2001—2006年全球大气PM_2.5平均浓度分布图，引发了国际社会的广泛关注；其后，随着地面监测网的发展，基于统计模型的反演方法发展十分迅速，由全局简单回归模型发展到顾及时空异质性的高级统计模型、由线性模型发展到非线性模型，并引入了气象条件、土地利用等诸多影响因素。目前，大气PM_2.5遥感反演技术日趋成熟，在大气环境监测应用中发挥着重要的作用。

本文主要从大气PM_2.5遥感反演与验证、大气PM_2.5偏差校正与无缝制图两方面进行综述，并总结大气PM_2.5遥感制图的前沿研究方向。

1 大气PM_2.5遥感反演与验证1.1 大气PM_2.5遥感反演方法

基于卫星遥感的大气PM_2.5反演研究通常采用卫星气溶胶光学厚度(aerosol optical depth, AOD)产品，其方法主要可归为以下4类(图 1)。①模式比例因子法^[7-10]。利用大气化学传输模型模拟AOD与大气PM_2.5的比例因子，从而由遥感AOD数据估算地面大气PM_2.5浓度。其优势在于不依赖地面站点大气PM_2.5数据，直接由卫星观测值反演大气PM_2.5浓度，然而，其模型结构与模拟过程十分复杂，并且污染物排放清单常常存在较大的不确定性，这往往导致大气PM_2.5反演精度有限。②基于物理机理的半经验法^[11-13]。基于物理机理，建立卫星AOD与地面大气PM_2.5的物理关系方程，其优势在于具备严密的理论推导，然而参数的求解一般需要通过经验统计关系拟合。③统计模型与机器学习方法^[14-19]。构建卫星AOD与站点大气PM_2.5之间的定量关系，并将此关系扩展至面域大气PM_2.5反演。该类方法易于实现，并且精度较高，是目前大气PM_2.5遥感反演最为流行的手段。④混合模型。将上述方法混合使用，较为流行的方式是首先通过大气模式模拟^[20-22]或其与遥感AOD结合^[23](即第1类方法)得到初始大气PM_2.5数据，其次将该初始大气PM_2.5数据作为统计模型与机器学习的建模输入变量。

图 1 大气PM_2.5遥感反演方法示意 Fig. 1 Schematic of atmospheric PM_2.5remote sensing retrieval methods

图选项

在上述4类方法中，基于统计模型与机器学习的方法已经成为大气PM_2.5遥感反演最为重要的技术途径，以下进行详细阐述：

(1) 简单回归模型。2003年，文献[19]首次定量探讨了卫星观测AOD与地面站点大气PM_2.5的相关性，论证了卫星AOD用于地面大气PM_2.5反演的可行性。在此基础上，AOD-PM_2.5关系容易受到气象因子、地形条件等诸多因素影响，多元线性回归模型由此引入到大气PM_2.5遥感反演中^[18]。值得注意的是，利用多元线性回归构建站点观测大气PM_2.5及周边地理要素变量间的关系，即为土地利用回归建模^[24]。其次，通过分析大气PM_2.5与影响变量之间的数值分布规律，引入数值先验(如指数函数关系)，文献[25]发展了半经验统计模型，其一般转换为多元线性回归模型进行求解。此3类简单回归模型的结构分别如式(1)—(3)所示

(1)

(2)

(3)

式中，X指代其他辅助输入变量；β₀、β_AOD与β_X为模型回归系数。

(2) 广义可加模型。广义可加模型(generalized additive model, GAM)是简单线性模型的扩展，表现在引入了非线性函数^[26]，从而能够描述AOD-PM_2.5关系的非线性特征。模型结构如式(4)所示

(4)

式中，S_AOD与S_X表示AOD及其他辅助变量的非线性函数。

例如，文献[27]利用GAM模型，结合卫星AOD、气象、土地利用等辅助数据，对地面大气PM_2.5浓度估算进行建模。该方法对预测变量间的交互作用顾及不足，仅能通过手动添加交互项进行弥补。

(3) 线性混合效应模型。上述回归模型一般建立大气PM_2.5浓度与影响因素间的全局关系，并没有考虑AOD-PM_2.5关系的时空异质性。线性混合效应(linear mixed effects, LME)模型^{[16, 28-30]}通常在时间维度上添加随机效应，用以考虑AOD-PM_2.5关系的时间异质性，如式(5)所示

(5)

式中，β₀与β_AOD为不随时间而变的模型固定效应系数，而β0,t与βAOD,t则为模型随机效应系数，随时间而改变，反映AOD-PM_2.5关系的时间变异性。

需要注意的是，LME模型在时间维度上能够反映AOD-PM_2.5关系的变异性，而在空间维度上是全局的，即：没有考虑空间异质性。有学者尝试在LME建模时添加空间随机效应，但在空间制图过程中，对空间随机效应进行了舍弃处理^[31]。该模型基于线性假设，无法反映AOD与大气PM_2.5间的非线性关系。

(4) (时空)地理加权回归。考虑到AOD-PM_2.5关系的时空异质性，单时间(如天、小时)地理加权回归模型(geographically weighted regression, GWR)^[32-34]利用局部回归技术，构建基于卫星观测AOD的大气PM_2.5局部估算模型，其结构为公式(6)，该模型建立的AOD-PM_2.5关系是空间位置的函数。

(6)

式中，(μ_s, v_s)表示空间位置s处的坐标，即：模型系数随空间位置而改变。

然而，此模型仅利用单个时间数据进行建模，没有考虑时间上的依赖性，难以处理单个时间AOD-PM_2.5匹配样本较少的情况。此外，进一步引入时间依赖性，时空地理加权回归模型(geographically and temporally weighted regression, GTWR)^[35-36]能够更为有效地应对大气PM_2.5卫星反演问题。其建模思路与GWR模型类似，主要改进在于引入时间依赖性，即在式(6)的求解过程中加入时间维度信息，进一步提高模型的稳定性。尽管此类模型考虑了时空异质性，但其是基于线性假设的，对AOD-PM_2.5关系非线性特征的刻画仍然存在局限。

(5) 机器学习模型。鉴于卫星AOD与站点大气PM_2.5间具有很强的非线性关系，AOD-PM_2.5关系的机器学习建模是近年来的研究热点。不同于传统统计模型，机器学习是数据驱动的，其优势在于强大的非线性刻画能力。其中，神经网络被率先应用于大气PM_2.5遥感反演^{[17, 37]}，其模型性能相比传统统计模型取得了较大的提高。此外，随机森林^[38-39]、支持向量机^[40]、梯度提升学习^[41]、深度学习^[42-44]等模型也逐渐得到了学者们的青睐，如文献[44]利用卷积神经网络(convolutional neural network，CNN)估算美国区域的大气PM_2.5浓度，模型结构如图 2所示。同时，多种机器学习模型集成(ensemble learning)方法^[45-47]在大气PM_2.5卫星估算研究中也得到了较为深入的应用。然而，基于机器学习的大气PM_2.5遥感反演方法仍然存在以下局限：①机器学习模型一般仅仅拟合大气PM_2.5与影响因素之间的数值对应关系，对大气PM_2.5本身的地理和物理特征考虑不足；②机器学习模型的可解释性不强，无法理清大气PM_2.5反演的内在机制；③机器学习模型的训练需要大量样本，在地面观测样本不足情况下的建模能力有待提升。针对第一点，文献[43]在深度置信网络(deep belief network, DBN)中引入了大气PM_2.5的时空自相关性，从而发展了地理智能深度学习方法(Geoi-DBN)，模型结构如图 3所示；同时，顾及PM_2.5与影响因子间关系的时空异质性，文献[48]发展了地理加权extreme learning machine(ELM)模型，有效提升模型的整体稳健性。

图 2 基于CNN模型估算大气PM_2.5浓度示意^[44]Fig. 2 Structure of CNN model for the estimation of atmospheric PM_2.5^[44]

图选项

图 3 Geoi-DBN模型结构^[43]Fig. 3 Structure of Geoi-DBN model^[43]

图选项

总结上述模型，其优势与缺陷归纳如表 1所示。总而言之，早期简单回归模型由于结构过于简单，目前应用较少。较为流行的是GWR/GTWR、LME和机器学习模型，尤其是机器学习模型，近年来取得了快速的发展。其中，对于GWR和GTWR模型，在不考虑计算量和调参难度的情况下，应优先选择GTWR模型。同时，与LME模型相比，GTWR模型进一步考虑了空间异质性，往往能够取得更好的反演效果^{[36, 49]}；当研究区域较小时(空间异质性不强)，LME模型或许能够表现出一定优势，并且其计算效率比GTWR高。其次，机器学习模型具备强大的非线性拟合能力，但对地理相关性与时空异质性的考虑尚显不足，能够两者兼顾的机器学习模型^{[43, 48]}是新的发展趋势。

表 1 常用统计模型与机器学习反演方法的优势与缺陷总结Tab. 1 Summary of advantages and limitations of the widely-used statistical and machine learning methods

表选项

此外，目前大气PM_2.5遥感反演方法通常都采用AOD产品，而AOD产品一般是利用大气辐射传输模型由卫星反射率反演得到的^[50-51]。那么，能否直接由卫星反射率反演地面大气PM_2.5浓度是一个非常值得探讨的问题。文献[52]基于深度置信网络模型，利用MODIS红、蓝、2.1μm通道表观反射率与观测角度反演地面大气PM_2.5浓度；同样地，文献[53]基于随机森林模型，利用AHI传感器红、蓝、2.3μm通道表观反射率及相应观测角度进行大气PM_2.5估算建模。此类研究利用机器学习模型挖掘卫星反射率与大气PM_2.5之间蕴含的潜在关系，避免了AOD反演过程，为大气PM_2.5遥感制图提供了新的视角。

1.2 大气PM_2.5遥感反演验证方法

基于站点观测对遥感估算结果进行精度验证是通用的方法，因此，交叉验证^[54]常被用于基于统计模型与机器学习的大气PM_2.5遥感反演模型的精度验证。当前最为流行的两种方式是留一交叉验证和十折交叉验证，前者将样本(站点、区域或时间)逐一用于模型验证，而后者将样本(站点、区域或时间)随机平均分成十份，其中一份用于模型验证，重复以上过程，直至所有样本(站点、区域或时间)都已用于验证。大气PM_2.5遥感反演的验证方法主要可归为5类，其方法特点、适用条件和局限性见表 2。

表 2 大气PM_2.5遥感反演验证方法汇总Tab. 2 Summary of validation approaches for atmospheric PM_2.5remote sensing retrieval

表选项

总的说来，基于样本验证方法适用于反映模型的整体预测能力，基于站点验证和基于区域验证方法适用于空间预测能力的评估，基于时间验证和历史验证方法则适用于评价模型的时间预测能力。对于大气PM_2.5遥感制图而言，最适合的为基于站点的验证方法，因为其与遥感估算的空间扩展目的契合得较好。

以全国为研究案例，选择常用的大气PM_2.5遥感反演方法并重点关注其空间预测能力，验证结果见表 3(表中评价指标R²为决定系数，无单位；RMSE是均方根误差，单位为μg/m³)。对于反距离插值、LME和GWR模型而言，基于样本验证的结果与基于站点验证结果相差不大，表明这些模型的总体预测能力与空间预测能力相似。而对于GTWR和Geoi-DBN模型来说，基于站点验证的性能比基于样本验证的性能有较大下降，原因是这两个模型均利用了站点历史数据进行建模。值得注意的是，对于基于样本、基于站点的验证，反距离空间插值比LME、GWR、GTWR等常用的遥感反演方法取得了更好的结果。究其原因，地面监测站点的空间分布常常是不均匀的，一般集中在城市中心区域，导致站点之间的距离非常近；在验证过程中，验证站点离建模站点很近。此外，相比于基于样本、基于站点的验证结果，各模型基于区域(省份)验证的结果均有显著的下降，一定程度上表明，由于站点分布不均匀，基于样本验证、基于站点验证方法容易高估大气PM_2.5遥感估算的精度。因此，如何在大气PM_2.5遥感反演模型验证过程中考虑站点的不均匀分布，仍需进一步深入研究。

表 3 基于不同验证方法的常用反演模型性能对比Tab. 3 Performance comparison of widely-used retrieval models based on various validation approaches

表选项

2 大气PM_2.5偏差校正与无缝制图2.1 卫星反演大气PM_2.5合成产品偏差校正

卫星反演大气PM_2.5数据的时相合成(如月均、季均或年均)对污染宏观监控具有重要意义，然而，由于卫星数据的缺失，时相合成一般仅利用能够获取的数据进行平均，这给PM_2.5合成数据产品带来了系统偏差，其校正方法主要包括以下两种：

(1) 比例因子校正法^{[49, 60]}。以站点观测大气PM_2.5均值为真值(无采样偏差)，计算其与用于建模的站点大气PM_2.5观测均值(与卫星观测对应，含有采样偏差)之间的比例因子，并进行空间插值，从而对卫星反演大气PM_2.5合成产品偏差进行校正，可表示为

(7)

式中，AvgGPM_{2.5, all}为站点观测大气PM_2.5均值；AvgGPM_{2.5, model}为用于建模的站点大气PM_2.5均值；AvgSPM_{2.5, model}表示卫星反演大气PM_2.5均值；CSPM_2.5表示校正后的卫星反演大气PM_2.5均值。此方法应用较为广泛，但其局限性在于空间插值的不确定性较大。借鉴比例因子校正法的思想，有学者利用大气模型模拟PM_2.5对卫星反演大气PM_2.5合成产品偏差进行校正。文献[10]计算时间连续大气PM_2.5模型模拟均值与卫星有效观测时间的大气PM_2.5模型模拟均值之间的比例关系，并对相对误差进行分析，表明中国北方易出现低估现象而南方相反。

(2) 时空信息融合方法^[37]。将站点观测进行空间插值，得到大气PM_2.5时空无缝浓度初始场；假设不同时相间站点插值结果的差异与卫星反演大气PM_2.5结果的差异相等，从而对缺失信息进行预测。模型可表示为

(8)

式中，Li,p表示时间p空间位置i的站点插值，而Fi,p表示时间p空间位置i的卫星反演值，εi,m,p为随机误差。该方法的优势在于能够有效利用时空互补信息，其缺陷为地面站点插值的精度有限。图 4所示为卫星反演年均大气PM_2.5数据示例图，由于数据的缺失，卫星反演大气PM_2.5直接合成结果与站点插值数据的空间分布趋势存在较大差异，最明显的表现为华南区域浓度值偏高(与文献[10]结论相符)。经过时空信息融合方法校正后，与站点插值结果在空间分布上基本保持一致。

图 4 2014年年均大气PM_2.5浓度示意^[37]Fig. 4 Distribution of annual mean atmospheric PM_2.5concentration in 2014^[37]

图选项

然而，已有研究多针对星-地联合建模时段内的大气PM_2.5制图，基于卫星遥感的大气PM_2.5历史预测结果合成产品的偏差校正仍然是一个挑战。分析上述两种方法，前者可利用建模时段内计算得到的校正因子，扩展至历史预测数据的校正，其基本假设为各站点偏差校正因子随时间变化不大，这个假设本身具有较大的不确定性；而后者无法应用于历史数据的偏差校正。综上，对于大气PM_2.5历史预测结果的偏差校正亟待突破，其可能的解决思路是联合多源卫星观测AOD或大气模型模拟AOD，尽量减少AOD数据的缺失，从而减少或消除历史预测结果合成产品的偏差。

2.2 卫星反演大气PM_2.5缺失信息重建

受云覆盖、高亮地表等因素的影响，卫星AOD数据往往存在空间缝隙，从而导致基于AOD反演的大气PM_2.5空间信息缺失问题。因此，对于卫星反演大气PM_2.5缺失信息重建的研究主要可归纳为两个方面：一是AOD缺失信息重建，从而减少或消除大气PM_2.5数据的空间缝隙(图 5红色线)；二是直接对卫星反演大气PM_2.5进行无缝重建(图 5绿色线)。

图 5 卫星反演大气PM_2.5重建示意 Fig. 5 Schematic of satellite retrieved atmospheric PM_2.5reconstruction

图选项

(1) 卫星AOD数据重建。对大气PM_2.5遥感反演文献中AOD重建方法进行归纳，主要包括空间插值、多源AOD数据融合、大气PM_2.5站点辅助建模、统计回归与机器学习方法等。其中空间插值方法^[34]较早地应用于AOD数据的重建，适用于缺失区域较小的情况。考虑到多源数据的互补性，文献[10]融合多传感器AOD数据，文献[36]对相同传感器的不同算法AOD数据进行融合。对于大气PM_2.5站点辅助建模法，文献[61]首先基于线性假设求解大气PM_2.5站点处的AOD值，其次利用空间插值对AOD进行缺失信息重建。统计回归与机器学习方法近年来逐渐流行，通过构建AOD与其他辅助变量的映射关系，对缺失区域进行预测。文献[55]利用多重填补法，建立AOD与模型模拟AOD、气象参量等的关系，实现AOD数据空间全覆盖；文献[62]构建AOD与云雪信息、气象参量等的随机森林模型，对AOD缺失区域进行重建。

(2) 卫星反演大气PM_2.5数据重建。主要包括两类方法，即：空间平滑方法、星-地时空信息融合方法。其中，空间平滑方法构建卫星有效反演值与区域(或缓冲区)均值、空间位置的半参数回归方程，随后对缺失信息进行预测。该方法由KLOOG团队^[63-66]提出，然而并未得到广泛应用，其缺陷在于仅仅利用了空间信息，适用于小面积缺失区域重建。对于星-地时空信息融合方法^[67]，以卫星反演结果为高分辨率数据，以站点插值结果为低分辨率数据，借鉴时空信息融合模型^[68-70]，对缺失信息进行重建。该类方法引入了其他时相的辅助数据，对大面积缺失区域的重建理论上更具优势。如图 6所示，星-地时空信息融合模型能够对大气PM_2.5缺失区域进行重建，生成小时级无缝大气PM_2.5数据，对提升大气PM_2.5卫星监测能力具有重要意义。

图 6 2016年2月28日小时级大气PM_2.5无缝重建示例，左边为反演数据，右边为重建数据^[67]Fig. 6 Example of hourly and gapless atmospheric PM_2.5concentration on Feb. 28, 2016. Left: satellite retrieved PM_2.5; right: gapless PM_2.5data^[67]

图选项

3 总结与展望

大气PM_2.5遥感制图经过近十几年的蓬勃发展，取得了可喜的成绩，已经得到了较为广泛、深入的应用。本文主要从大气PM_2.5遥感反演与验证、大气PM_2.5无缝制图两方面进行了综述，需要说明的是，影响大气PM_2.5遥感制图精度的因素很多，如卫星数据的时空分辨率、AOD产品自身的质量、输入变量的筛选等^[71]，然而，本文旨在梳理大气PM_2.5遥感反演与制图的模型与方法，上述影响因素并非是本文的重点，有待于将来进一步梳理与总结。当前，大气PM_2.5遥感制图仍是国内外的研究热点，其前沿方向主要包括：

(1) 时空大数据支持的大气PM_2.5遥感制图。大气PM_2.5的时空分布受到气象、地形、土地利用、人为活动等诸多因素的影响，这给大气PM_2.5精确制图带来了挑战。时空大数据技术的发展为大气PM_2.5遥感制图带来了新的机遇，基于时空大数据筛选对大气PM_2.5精确制图具有重要贡献的变量，构成能够深入解释与表征大气PM_2.5时空变化的样本集；引入深度学习技术，自动学习与大气PM_2.5相关的本因特征，深度挖掘时空大数据中蕴含的复杂关系，提高大气PM_2.5遥感制图的精度。

(2) 物理/地理约束的机器学习反演模型。基于机器学习的大气PM_2.5遥感反演是近些年来国内外的研究热点，已经取得了长足的进展，然而，对大气PM_2.5自身物理、地理特性的考虑尚显不足。当前机器学习模型在模拟大气PM_2.5反演物理模型方面有少许尝试，但如何构建物理关系的正则化约束准则需要进一步研究。与此同时，地理相关性、时空异质性与机器学习结合的框架取得了一定的突破，然而，在时空自适应参数选择、优化求解等方面仍有待提升。

(3) 新型卫星与低成本地面监测网的融合。大气PM_2.5遥感制图已取得了快速的发展，但在区域尺度精细监测应用中仍存在诸多限制。随着卫星遥感技术的发展，新型卫星(如中国的风云四号、高分五号，日本的Himawari-8/-9等)传感器设计更为先进，能够提供更高时间、空间、光谱分辨率的观测数据，对大气PM_2.5高时空分辨率动态制图具有天然的优势。此外，地面低成本小传感器监测已成为大气PM_2.5制图的研究热点之一^[72-74]，为精细尺度的星-地联合建模提供了加密观测数据。新型卫星、低成本小传感器监测网的引入，以及两者的融合，将是重要的发展趋势。

(4) 多传感器大气PM_2.5三维立体监测。光学卫星一般仅能提供二维观测数据，无法在垂直方向上对大气PM_2.5进行立体监测，从而限制了大气PM_2.5三维分布与传输特性的研究。随着大气探测技术的发展，星载、机载、地基激光雷达能够获取垂直廓线信息，无人机搭载颗粒物传感器可实现垂直方向的监测^[75-76]，并与区域大气质量模型等手段相结合，探索点-线-面观测数据的跨尺度融合方法，从而构建大气PM_2.5浓度三维时空连续场，是一个十分重要的新挑战。

(5) 多源数据融合的大气PM_2.5组分制图。大气PM_2.5组分信息对污染成因解析、人体健康分析等至关重要，其时空动态制图是一个重要的发展方向。化学传输模型可以模拟大气PM_2.5组分信息，融合卫星观测、地理要素、模型模拟大气PM_2.5组分信息、地面观测等多源数据，是当前大气PM_2.5组分时空分布制图的常用方法^{[22, 77]}，然而，地面成分观测网的建设仍不完善，如何克服对地面观测的依赖，实现大气PM_2.5组分高精度制图亟待进一步的研究。

【引文格式】沈焕锋, 李同文. 大气PM2.5遥感制图研究进展. 测绘学报，2019，48(12)：1624-1635. DOI: 10.11947/j.AGCS.2019.20190456