论文部分内容阅读
摘要利用MODIS_L1B数据，结合AERONET（AErosol RObotic NETwork）地面观测与反演的AOD（Aerosol Optical Depth）数据、北京市自动气象站网的能见度观测数据和北京市道面交通气象监测网的能见度观测数据，选取2012年3月6—11日期间发生在北京市的一次重大霾天气过程作为典型个例，反演了全过程的AOD和能见度变化，分析了两者之间的关系。结果表明：1）由MODIS遥感数据反演的AOD值与地面实测AOD值变化趋势均呈“单峰型”，但由于存在观测时间的偏差，总体上反演值高于实测值；2）利用AOD反演值得到的能见度值与实际能见度观测值基本吻合，两者的时空变化趋势基本一致，两者之间的相关系数大于06（P<001），符合此次霾过程的实际发生特征。
关键词霾；MODIS；气溶胶光学厚度（AOD）；能见度反演；比较分析；高速公路
霾天气的肆虐，导致空气能见度降低，使得视野模糊，对陆路、水路、航空等交通运营造成影响，同时加重城市空气污染，威胁人体健康，严重影响自然环境和人类的生活（Auffhammer et al.，2006；郝天依等，2012；杜轶群，2014；刘端阳等，2014；马小颖等，2014；陶丽等，2016；吴丹等，2016）。近几年霾天气持续在我国东北、华北、华南等地区大范围发生，给国家造成了巨大的经济损失，如2013年仅1月期间就因霾原因发生交通事故近千起，社会经济损失多达亿元，霾天气已经成为我国阻碍交通正常运营的主要灾害性天气。
目前，对于霾的监测，国内多在有限的区域内进行定点监测，较难反映出霾的范围和动态变化趋势，已无法满足实时业务的需求，加强对大范围霾天气的动态监测以及预报霾天气的变化趋势已成为发展共识。而利用霾的光学特性，借助于卫星遥感数据，可以动态监测大范围霾的分布情况及其严重程度（Wu et al.，2009）。国内外研究者在霾的遥感监测方面大多将空气质量与气溶胶含量结合在一起，发展了卫星图像算法，用以对霾和气溶胶进行制图，即SIPHA（Sifakis and Soulakelli，2000），提出了霾优化变换（HOT法），并应用于卫星霾信息的提取；同时MODIS数据被广泛应用于卫星遥感下的霾研究（Li et al.，2009；Guo et al.，2010）。多项研究表明，根据MODIS数据反演AOD数值得到霾过程的变化趋势与范围，其精确度较好，可为霾的有效监测与进一步研究提供可靠的依据，利用AOD反演得到能见度的方法是可行且有效的。
迄今为止，遥感方法多用于地区环境质量的监测，而用于交通气象监测与预警预报方面的研究较少，本文拟通过遥感监测手段对霾个例进行详细系统地研究，利用MODIS遥感数据反演地区大气气溶胶状况及区域能见度变化，结合多种观测资料，验证MODIS反演结果的精度，以实现卫星遥感动态反演霾过程变化，达到实时监测、预报霾天气分布状况及变化趋势；并进一步结合反演的能见度时空变化结果和道路交通监测资料，探讨此次霾引起的低能见度对城郊高速公路交通的影响，并提出了相应的应急响应措施，为道路交通指挥、营运管理和驾乘人员安全出行提供参考依据。
1资料与方法
11研究区与数据
本文选取北京市为研究区，位于115°42′～117°24′E、39°24′～41°36′N之间。近年来，北京市机动车数量快速增长，使得交通建设和管理面临严峻挑战，同时北京市的霾天气也日趋严重。
1）卫星数据：选取由NASA（National Aeronautics and Space Administration）官网免费提供的MODIS_L1B数据（MOD02_1KM），选取数据集6，同时匹配到114～118°E、38～42°N范围内。参考历史天气（http：//lishi.tianqi.com/beijing/201203.html），选取晴天条件下需要反演的数据日期。
2）AERONET（Aerosol Robotic Network）地基數据：选取经过云除后的Level15数据，包括研究区内两个站点：北京站（116°22′E，39°58′N），香河站（116°57′E，39°45′N）。选取霾过程中的地基AOD数据，采用Augstrom公式将440 nm和670 nm两个波段的AOD数据订正至550 nm上，作为实测AOD来检验遥感反演所得AOD变化趋势的准确性。
3）地面能见度观测数据：使用北京市内道面气象监测站及国家地面气象站的实测能见度（文中能见度非特指均指地面能见度）数据，其中，北京市道面监测站采用ROSA（高速路和跑道道面数据采集器）冰层警告系统中的远程传感器，即为能见度仪FD12；基本台站使用CY1C前向散射能见度仪。数据时间为2012年3月6—11日，均提供逐小时能见度数据（北京时间，下同），具体站点分布见图1。
12数据反演
121利用MODIS数据反演气溶胶光学厚度
本文基于ENVI51遥感处理软件，借鉴相关文献（徐萌等，2006；王中挺等，2011；徐言和姜琦刚，2015）给出的反演方法，采用MODIS_L1B_1 km数据，利用6S辐射模型获得气溶胶AOD反演所用的查找表，据此反演一次霾过程的AOD变化。
具体操作如下：
1）原始数据发射率、反射率文件几何校正；
2）角度数据集预处理：包括卫星天顶角、卫星方位角、太阳天顶角、太阳方位角4个角度数据；
3）对遥感图像进行层堆积（Layer Stacking）：合成过程中，反射率文件在上，发射率文件在下（若顺序调换，则信息覆盖无法得到正确结果）；
4）查找表文件的构建：设定相应的参数并利用6S软件进行辐射传输计算，以获取查找表信息。6S软件是将6S模式通过编程实现的大气校正软件，其中几何参数即为输入成像时的几何条件；大气模式参数：北京地区3月应该选择中纬度冬季模式；气溶胶模式参数：北京地区3月应该选择大陆型气溶胶模式；气溶胶浓度参数：输入550 nm处的光学厚度或者当时气象条件下的能见度；地面高程参数：输入目标物的地面高程，北京市即输入北京市的平均海拔高度为432 m；传感器的高度参数：MODIS传感器是-1000；光谱参数：本文选取MODIS数据波段在550 nm，故输入45；地表特征参数：分为均一和非均一两大类；表观反射率参数：可由公式得出，最终得到当天查找表的txt文件； 5）合成后处理：基于ENVI51的扩展工具（modis_aerosol、modis_cloud）对反射率与发射率的合成文件进行云检测（采用的云检测算法是多光谱综合去云法），最后进行气溶胶反演（算法采用经典的暗像元法（DDV））。
122基于遥感AOD数据的能见度反演
气溶胶光学厚度（AOD）描述气溶胶对光的衰减作用，表示为介质的消光系数在垂直方向上的积分（于兴娜等，2013），无量纲量。能见度与地表水平方向的大气消光系数相关，而地表水平方向的大气消光效应主要为气溶胶消光效应，因此地表水平方向上的气溶胶消光可表示为能见度。故本文根据AOD数值，借鉴相关文献资料利用公式推算出能见度（张倩倩，2012）。
大气中气溶胶粒子的数目及消光截面决定了消光系数的大小，因此，近似（假设消光截面不变）有（盛立芳等，2009）
βZβ0=NZN0。 （1）
其中：NZ、N0、βZ、β0分别表示不同高度和地面的气溶胶数目浓度（单位：个/m3）和气溶胶消光系数（单位：km-1）。气溶胶光学厚度与气溶胶数目浓度之间满足如下关系：
2结果与分析
21一次典型霾过程实况
2012年3月6—11日，北京地区出现持续性大范围的霾天气。根据地面气象站监测信息及环保部门发布的空气质量监测报告显示，6日北京地区空气质量优良，能见度均在10 km以上，有小部分地区能见度达到20 km以上，视野清晰；7日北京市东南地区开始出现轻度霾污染现象，空气质量下降，东南地区能见度开始小于10 km；8日霾污染迅速扩散至全市范围，空气质量达到最差，东南地区能见度低至3 km以下，视野模糊不清；9日全市持续霾污染，但空气质量开始好转，能见度较前1日稍有转好；10日西北郊区霾逐渐消散，空气质量变好，但北京市城区仍存在轻度霾污染现象，能见度较低；11日全市各地区霾天气基本消散，空气质量恢复良好，能见度大。图2为一次典型霾过程的能见度空间实况变化（以地面实测能见度为指标，选取与遥感图像相对应的时间段的地面实测能见度数据），可见，一次霾过程中能见度呈现先递减后递增的现象，霾越严重，能见度越小。
22利用MODIS数据反演AOD
221反演AOD的时空变化
基于ENVI51软件使用MODIDS数据反演得到北京地区一次完整的霾天气过程（2012年3月6—11日午间时段）的AOD时空变化（图3；白色区域为当时天气状况对于卫星遥感影像的影响所导致的反演缺值）。从图3中可见，在此次霾过程中AOD值有一个显著的变化过程，6日为霾天气发生的前1日，天气状况晴好，研究区域内大部分地区AOD值仅为0～025（图3a）；7日为霾天气的初始日，严重的地区AOD值已增大到07（图3b）；8日霾范围及程度最为广泛严重，整个研究区均处于霾的影响下，北京市东南部霾最为严重，AOD值达到霾过程的最高值，超过15（图3c），这与地势以及城区人类活动密集等因素有关；9日仍处于较严重的霾过程影响下，AOD值较之8日有所降低至10以下（图3d）；10日霾逐渐消散，仅部分地区AOD值仍处于05～10之间，其空间变化趋势与7日基本一致（图3e）；11日恢复晴好天气，整个霾过程结束，AOD值回到05以下（图3f）。综上，基于MODIS数据反演得到的AOD值时空分布呈现先增后减趋势，与霾天气的发生、发展、消散过程基本保持一致。一些学者（Chu et al.，2002；Engelcos et al.，2004；黄艇等，2006）对MODIS气溶胶光学厚度进行反演，反映气溶胶污染物的区域分布，证实其与实际污染分布保持一定的一致性。
22.2反演AOD的验证
根据全球探测网（AERONET）地面观测站所测AOD数据绘制北京市内北京站以及香河站2012年3月6—11日的AOD日平均值变化（波长为550 nm），作为实测AOD来检验遥感反演所得AOD变化趋势的准确性。图4a为AERONET北京站AOD地面实测值与遥感反演值的趋势对比变化：AOD的地面实测值与遥感反演值的变化趋势基本保持一致，均呈现“单峰型”的变化特征，先递增后递减。在8日达到AOD值的最高值，分别为149、107，且两者差值也达到最大，为042；图4b为香河站，与图4a变化基本一致。综上，一次霾过程中AOD变化呈现“单峰型”变化特征，反演值与实测值变化趋势保持一致，与学者邓学良等（2010）、Deng et al.（2012）利用AERONET地基观测数据对MODIS/TERRA气溶胶光学厚度在华东区域（安徽省等）的适用性进行的验证相同，表明MODIS的AOD与地基观测的AOD具有较好的一致性。
造成上述情况的原因可能是：1）地面观测与遥感反演的时间段有所不同，可能导致地面实测值与遥感反演值存在一定的差距；2）北京站位于北京市区，而香河站位于北京郊外，因此香河站AOD值随时间变化大，导致地面夜间实测值与遥感午间反演值差异较大，且香河站的AOD值较之北京站的AOD值小。
23利用遥感AOD值反演能见度
231能见度与AOD值的相关性拟合
根据公式（6）采用数学拟合的方法对其进行简化：将能见度值从1～15 km范围内按照01 km的间隔分别求出相应的AOD值，对计算所得AOD值与能见度进行拟合，从图5中明显可以看出，能见度与AOD的相关性与幂指数函数最为符合，得到幂指数公式（7）：V=3328 6τ0844。由于不同地区不同时段的气溶胶垂直分布不同，且气象条件较大程度地影响着气溶胶的垂直分布。因此，图5中所推断得到的参数，并不一定适合实际情况，需要利用实测值来调试修改参数。例：由于无法精确选择与遥感图像相应的时间点，故挑选相近时间点的实测数据，如2012年3月9日11时北京市道面监测站监測的实时能见度数据与反演AOD值进行拟合，得到新的幂指数公式（8）：V=3361 3τ-102。 232能見度反演验证
根据反演时间段的实际天气状况、区域气象要素变化特征对上述幂指数函数进行参数的调试得到反演能见度值，与实际能见度进行比较，
验证其精确度。选择霾过程中较为严重的2 d作为验证日（由于无法精确选择与遥感图像相应的时间点，故挑选相近时间点的实测数据，选择2012年3月8日及9日11时），剔除设备故障原因造成的异常数据后得到图7，从图7a和图7b可见，反演能见度值与实际能见度值的线性相关系数较高，分别达到0878、0851，通过了P小于001的显著性检验。说明利用遥感AOD值能较好反演能见度值，精确度较高。
从图8可进一步看出：实际值与反演值的变化趋势基本保持一致，能见度反演值均略低于实际观测值，数值存在一定的差异。图8a中北京密云上甸子站（54421）以及霞云岭站（54597）能见度实际值与反演值差值最大，且两者的能见度也为最大值；图8b中珠宝屯东桥站（A1565）能见度实际值与反演值差值最大，达到315 km；小汤山西桥站（A1420）能见度实际值与反演值差值次大，为241 km；徐庄桥站（A1210）、梨花桥站（A1269）及西关站（A1412）3个站点能见度实际值与反演值差值较大在1～2 km之间。可以发现这些站点均位于北京市郊区，在五环甚至六环以外，反演效果相对较差。
233反演能见度时空变化
研究区一次完整霾天气过程的能见度时空变化如图9所示。在此次霾过程中能见度值变化存在明显的时空差异，与图2的实测能见度变化趋势基本一致（仅存在小部分地区差异，可能是由于地面气象站点较为稀疏，进行插值过程产生误差）。3月6日为霾天气发生的前1 d，大部分地区能见度值保持在10 km以上（图9a）；7日为霾天气的初始日，能见度下降，尤其位于东南部城区的能见度明显下降，达到501 km（图9b）；8日霾程度加重，北京市均处于低能见度下，能见度值达到整个霾过程的最小值为258 km（图9c）；9日能见度开始有所提高，但研究区仍处于中度霾下，能见度值基本保持在3～8 km内（图9d）；10日霾现象逐渐消散，能见度增大，郊区大部分范围能见度为8～10 km，城区能见度为6～8 km，城区仍存在轻度霾（图9e）；11日霾天气基本结束，位于郊区范围的能见度已趋于正常，达到10～15 km，而城区能见度较郊区能见度低，为8～10 km（图9f）。
综上，反演得到的能见度时空分布特征基本符合此次霾过程实际发生、发展和消散的趋势特征，该次典型霾过程的能见度呈现“大→小→大”的变化特征，且城区能见度最小。
基于ARCGIS软件得到该次霾过程中每日能见度实测值与反演值的平均值、标准差、均方根误差及相关系数（表1），同时给出相关系数的空间分布（图10）。表1中该次霾过程中每日反演能见度值与实际能见度值的线性相关系数均较高，3月6日相关系数较小为0636，8日达到最大值0851，霾越严重则相关系数越大。从图10中进一步看出，该次反演过程中研究区内能见度实测值与反演值的相关性均较好，尤以东南部城区相关系数最高，达到08以上。上述相关系数均通过了P小于001信度的显著性检验。
3结论与讨论
本文基于MODIS遥感数据选取霾个例进行反演，得到北京市一次霾过程的大气气溶胶光学厚度的时空变化，并通过AOD值进行区域能见度的时空变化反演，结合地面实测数据，分析遥感反演参数的精度，以验证利用遥感数据监测能见度变化的准确性。主要研究结论如下：
1）根据MODIS数据反演得到北京市2013年3月6—11日期间AOD值的时空分布特征，与由全球探测网（AERONET）地面观测站反演的AOD数据进行对比分析，发现遥感反演霾天气过程与实际霾发生、发展、消散过程基本保持一致的变化趋势。
2）基于反演得到的AOD数据，采用相关公式根据实际天气状况、区域地理特征及反演时间段进行反演参数的调试，最终得到研究区（北京市）能见度的时空变化特征，与实际能见度进行比较后发现反演精度较高。
综上，利用MODIS遥感数据进行反演继而得到较全面的能见度变化信息，可以实现霾动态的实时而全面的监测，以弥补实测时空分辨率偏低的不足，从而提升交通能见度监测水平。但本文仅选取一个完整的霾个例进行了反演和分析，研究结果缺乏普遍性。且遥感数据适用于天气条件良好的情况，能见度反演参数仍不够全面，霾的产生也与季节、一天中的时间、地域、污染程度等有很大的关系，下一步将结合数值模拟对霾的成因、环境因素的作用、霾对交通运营的影响等开展更深入的研究。
致谢：NASA、AERONET等提供了MODIS、AOD等资料的在线下载服务。
参考文献（References）
Auffhammer M，Ramanathan V，Vincent J R，2006.Integrated model shows that atmospheric brown clouds and greenhouse gases have reduced rice harvests in India[J].Proc Natl Acad Sci USA，103：1966819672.
Chu D A，Kaufman Y J，Ichoku C，et al.，2002.Validation of MODIS aerosol optical depth retrieval over land[J].Geophys Res Lett，29（12）：14.
邓学良，邓伟涛，何冬燕，2010.近年来华东地区大气气溶胶的时空特征[J].大气科学学报，33（3）：347354.Deng X L，Deng W T，He D Y，2010.Spatialtemporal features of atmospheric aerosol in East China in recent years[J].Trans Atmos Sci，33（3）：347354.（in Chinese）. Deng X L，Shi C N，Wu B W，et al.，2012.Analysis of aerosol characteristics and their relationships with meteorological parameters over Anhui province in China[J].Atmospheric Research，109：5263.
杜軼群，2014.雾霾对私家车主交通方式选择行为的影响[J].中国公路学报，27（7）：105111.Du Y Q，2014.Impact of haze on travel mode choice behaviors for private car owners[J].China Journal of Highway and Transport，27（7）：105111.（in Chinese）.
Engelcos J A，Hollen C H，Coutant B W，et al.，2004.Qualitative and quantitative evaluation of MODIS satellite sensor data for regional and urban scale air quality[J].Atmospheric Environment，38（16）：24952509.
Guo J P，Zhang X Y，Chun X C，et al.，2010.Monitoring haze episodes over the Yellow Sea by combining multisensory measurements[J].International Journal of Remote Sensing，31（17）：47434755.
郝天依，王式功，尚可政，等，2012.环渤海地区大气低能见度气候特征及影响因子分析[J].气象，38（9）：10871096.Hao T Y，Wang S G，Shang K Z，et al.，2012.Analysis on climate characteristics of poor atmospheric visibility and its influencing factors in Bohai Rim[J].Meteor Mon，38（9）：10871096.（in Chinese）.
黄艇，陈长和，陈勇航，等，2006.利用MODIS卫星资料对比反演兰州地区气溶胶光学厚度[J].高原气象，25（5）：886892.Hang T，Chen C H，Chen Y H，et al.，2006.The aerosol optical depth over Lanzhou area retrieved with a compared method using MODIS data[J].Plateau Meteor，25（5）：886892.（in Chinese）.
Li S S，Chen L F，Zheng F B，et al.，2009.Design and application of haze optic thickness retrieval model for Beijing Olympic Games[C]//Geoscience and Remote Sensing Symposium，IEEE International.
刘端阳，张靖，吴序鹏，等，2014.淮安一次雾霾过程的污染物变化特征及来源分析[J].大气科学学报，37（4）：484492.Liu R Y，Zhang J，Wu X P，et al.，2014.Characteristics and sources of atmospheric pollutants during a fog-haze process in Huaian[J].Trans Atmos Sci，37（4）：484492.（in Chinese）.
马小颖，穆慧娟，唐明，等，2014.持续灰霾天气对大连金州新区居民健康影响评估[J].中国公共卫生，30（2）：162165.Ma X Y，Mu H J，Tang M，et al.，2014.Assessment on effects of continuous heavy hazy episode on health among residents in Jinzhou district of Dalian city[J].Chin J Public Health，30（2）：162165.（in Chinese）.
盛立芳，申莉莉，李秀镇，等，2009.水平能见度经验公式在青岛沿海地区的应用[J].中国海洋大学学报，39（5）：877882.Sheng L F，Shen L L，Li X Z，et al.，2009.Studies on the application of empirical formulae to the calculation of horizontal visibility in Qingdao coastal area[J].Periodical of Ocean University of China，39（5）：877882.（in Chinese）.
Sifakis N I，Soulakellis N A，2000.Satellite image processing for haze and aerosol mapping（SIPHA）：Code description and presentation of results[C]//Geoscience and Remote Sensing Symposium，Proceedings.IGARSS 2000.IEEE International. 陶麗，周宇桐，李瑞芬，2016.我国霾日和API分布特征及典型大城市中它们与气象条件关系[J].大气科学学报，39（1）：110125.Tao L，Zhou Y T，Li R F，2016.Characteristics of haze days and air pollution index（API） and their relationship with weather conditions at four large cities/district of China[J].Trans Atmos Sci，39（1）：110125.（in Chinese）.
王中挺，厉青，陈良富，等，2011.从MODIS数据反演粗细粒子气溶胶[J].光谱学和光谱分析，31（10）：28092814.Wang Z T，Li Q，Chen L F，et al.，2011.The retrieval of fine and coarse aerosol from MODIS[J].Spectroscopy and Spectral Analysis，31（10）：28092814.（in Chinese）.
Wu D，Mao J T，Deng X J，et al.，2009.Black carbon aerosols and their radiative properties in the Pearl River Delta region[J].Sci China（Series D），52（8）：11521163.
吴丹，于亚鑫，夏俊荣，等，2016.南京市灰霾天气的长时间变化特征及其气候原因探讨[J].大气科学学报，39（2）：232242.Wu D，Yu Y X，Xia J R，et al.，2016.Long-term variation in haze days and related climatic factors in Nanjing[J].Trans Atmos Sci，39（2）：232242.（in Chinese）.
徐萌，郁凡，李亚春，等，20066S模式对EOS/MODIS数据进行大气校正的方法[J].南京大学学报（自然科学），42（6）：582590.Xu M，Yu F，Li Y C，et al.，2006.The method of atmospheric correction on the EOS/MODIS data with 6S model[J].Journal of Nanjing University（Natural Sciences），42（6）：582590（in Chinese）.
徐言，姜琦刚，2015.基于6S模型的MODIS影像逐像元大气校正及其应用[J].吉林大学学报：地球科学版，45（5）：15471553.Xu Y，Jiang Q G，2015.A pixel by pixel atmospheric correction algorithm and its application for MODIS data based on 6S model[J].Journal of Jilin University：Earth Science Edition，45（5）：15471553.（in Chinese）.
于兴娜，袁帅，马佳，等，2013.南京北郊2011年春季气溶胶粒子的散射特征[J].大气科学学报，36（3）：354360.Yu X N，Yuan S，Ma J，et al.，2013.Scattering properties of aerosol in north suburb of Nanjing in spring 2011[J].Trans Atmos Sci，36（3）：354360.（in Chinese）.
张倩倩，2012.基于MODIS数据的雾霾检测方法研究—以南京仙林为例[D].南京：南京师范大学.Zhang Q Q，2012.Study on the haze/fog detection methods based on MODIS data—A case study in Xianlin，Nanjing[D].Nanjing：Nanjing Normal University.（in Chinese）.
Visibility inversion of a haze process in Beijing by remote sensing based on MODIS satellite observations
BAO Yunxuan1，2，SHAO Yi1，2，LI Xun3
1Collaborative Innovation Center on Forecast and Evaluation of Meteorological Disasters（CICFEMD），Nanjing University of Information Science & Technology，Nanjing 210044，China；
2Key Laboratory of Transportation Meteorology，China Meteorological Administration，Nanjing 210008，China；
3Meteorological Administrative of Beijing City，Beijing 100089 China
Haze has become one of the major weather disasters to harm social security and human health in the recent years and it reduces visibility and air quality for it contains a large number of pollutants and affects seriously the natural environment，human production and life. Satellite remote sensing data can make up for the shortage of manual field monitoring，which making full use of timeliness，reliability，wide range of satellite remotesensing to monitor dynamically the distribution of a wide range of haze. In this paper，MODIS_L1B data （MOD02_1KMCollections 6） was used to inverse the air aerosol optical thickness （AOD） and the road visibility of a great haze weather event occurred in Beijing from March，6th to March，11th in 2012 combined with the retrieved data of AOD from AERONET （Aerosol Robotic Network） of NASA in USA，the observed data of visibility from the Ground Meteorological Observation Stations Network in Beijing and the observed data of visibility from the Road Automatic Weather Monitoring Stations Network and the relationship between the AOD and the visibility in this event was analyzed. Finally，the reasonable control measures were tried to put forward combined with the local traffic situation against haze. It can be provide reference for haze weather monitoring and early warning and traffic safety operation in the future （Inversion Comparison process time matches the satellite transit time from 10：0012：00）.
The results showed as follows：（1） Both of the retrieved AOD values from MODIS remote sensing and the ground observed values of AOD from AERONET had a change tendency of a single peak type. But the AOD inversion values were higher than the observed values for the deviation of observed times. （2） The visibility values calculated by the retrieved AOD values was basically consistent with the observed values，both the temporal and spatial variation trends were basically consistent and the correlation coefficient between the two was large than 06 （P<001）. All of these inversions and calculation was consistent with the actual occurrence characteristics of this haze event，the errors between the inversion values and actual values of the visibility was small （<05km） in the urban area and the inversion effect was better，but this error was large （>1 km） in the suburban area and the inversion effect was poor. （3） Based on the distribution of expressway，and combined with different degrees of haze in different regions of Beijing，it can be seen that the haze pollution in the southeastern part of Beijing is the most serious. The sections of the expressway in the area are respectively：BeijingHarbin Expressway （G1），BeijingShanghai highspeed （G2），BeijingTaiwan highspeed （G3） and BeijingHong Kong and Macao highspeed （G4）. In addition，it also included the Fifth Ring Road in Beijing.
haze；MODIS（moderateresolution imaging spectrometer）；aerosol optical thickness（AOD）；visibility inversion；comparative analysis；expressway
doi：1013878/j.cnki.dqkxxb.20161222010
（責任编辑：孙宁）
关键词霾；MODIS；气溶胶光学厚度（AOD）；能见度反演；比较分析；高速公路
霾天气的肆虐，导致空气能见度降低，使得视野模糊，对陆路、水路、航空等交通运营造成影响，同时加重城市空气污染，威胁人体健康，严重影响自然环境和人类的生活（Auffhammer et al.，2006；郝天依等，2012；杜轶群，2014；刘端阳等，2014；马小颖等，2014；陶丽等，2016；吴丹等，2016）。近几年霾天气持续在我国东北、华北、华南等地区大范围发生，给国家造成了巨大的经济损失，如2013年仅1月期间就因霾原因发生交通事故近千起，社会经济损失多达亿元，霾天气已经成为我国阻碍交通正常运营的主要灾害性天气。
目前，对于霾的监测，国内多在有限的区域内进行定点监测，较难反映出霾的范围和动态变化趋势，已无法满足实时业务的需求，加强对大范围霾天气的动态监测以及预报霾天气的变化趋势已成为发展共识。而利用霾的光学特性，借助于卫星遥感数据，可以动态监测大范围霾的分布情况及其严重程度（Wu et al.，2009）。国内外研究者在霾的遥感监测方面大多将空气质量与气溶胶含量结合在一起，发展了卫星图像算法，用以对霾和气溶胶进行制图，即SIPHA（Sifakis and Soulakelli，2000），提出了霾优化变换（HOT法），并应用于卫星霾信息的提取；同时MODIS数据被广泛应用于卫星遥感下的霾研究（Li et al.，2009；Guo et al.，2010）。多项研究表明，根据MODIS数据反演AOD数值得到霾过程的变化趋势与范围，其精确度较好，可为霾的有效监测与进一步研究提供可靠的依据，利用AOD反演得到能见度的方法是可行且有效的。
迄今为止，遥感方法多用于地区环境质量的监测，而用于交通气象监测与预警预报方面的研究较少，本文拟通过遥感监测手段对霾个例进行详细系统地研究，利用MODIS遥感数据反演地区大气气溶胶状况及区域能见度变化，结合多种观测资料，验证MODIS反演结果的精度，以实现卫星遥感动态反演霾过程变化，达到实时监测、预报霾天气分布状况及变化趋势；并进一步结合反演的能见度时空变化结果和道路交通监测资料，探讨此次霾引起的低能见度对城郊高速公路交通的影响，并提出了相应的应急响应措施，为道路交通指挥、营运管理和驾乘人员安全出行提供参考依据。
1资料与方法
11研究区与数据
本文选取北京市为研究区，位于115°42′～117°24′E、39°24′～41°36′N之间。近年来，北京市机动车数量快速增长，使得交通建设和管理面临严峻挑战，同时北京市的霾天气也日趋严重。
1）卫星数据：选取由NASA（National Aeronautics and Space Administration）官网免费提供的MODIS_L1B数据（MOD02_1KM），选取数据集6，同时匹配到114～118°E、38～42°N范围内。参考历史天气（http：//lishi.tianqi.com/beijing/201203.html），选取晴天条件下需要反演的数据日期。
2）AERONET（Aerosol Robotic Network）地基數据：选取经过云除后的Level15数据，包括研究区内两个站点：北京站（116°22′E，39°58′N），香河站（116°57′E，39°45′N）。选取霾过程中的地基AOD数据，采用Augstrom公式将440 nm和670 nm两个波段的AOD数据订正至550 nm上，作为实测AOD来检验遥感反演所得AOD变化趋势的准确性。
3）地面能见度观测数据：使用北京市内道面气象监测站及国家地面气象站的实测能见度（文中能见度非特指均指地面能见度）数据，其中，北京市道面监测站采用ROSA（高速路和跑道道面数据采集器）冰层警告系统中的远程传感器，即为能见度仪FD12；基本台站使用CY1C前向散射能见度仪。数据时间为2012年3月6—11日，均提供逐小时能见度数据（北京时间，下同），具体站点分布见图1。
12数据反演
121利用MODIS数据反演气溶胶光学厚度
本文基于ENVI51遥感处理软件，借鉴相关文献（徐萌等，2006；王中挺等，2011；徐言和姜琦刚，2015）给出的反演方法，采用MODIS_L1B_1 km数据，利用6S辐射模型获得气溶胶AOD反演所用的查找表，据此反演一次霾过程的AOD变化。
具体操作如下：
1）原始数据发射率、反射率文件几何校正；
2）角度数据集预处理：包括卫星天顶角、卫星方位角、太阳天顶角、太阳方位角4个角度数据；
3）对遥感图像进行层堆积（Layer Stacking）：合成过程中，反射率文件在上，发射率文件在下（若顺序调换，则信息覆盖无法得到正确结果）；
4）查找表文件的构建：设定相应的参数并利用6S软件进行辐射传输计算，以获取查找表信息。6S软件是将6S模式通过编程实现的大气校正软件，其中几何参数即为输入成像时的几何条件；大气模式参数：北京地区3月应该选择中纬度冬季模式；气溶胶模式参数：北京地区3月应该选择大陆型气溶胶模式；气溶胶浓度参数：输入550 nm处的光学厚度或者当时气象条件下的能见度；地面高程参数：输入目标物的地面高程，北京市即输入北京市的平均海拔高度为432 m；传感器的高度参数：MODIS传感器是-1000；光谱参数：本文选取MODIS数据波段在550 nm，故输入45；地表特征参数：分为均一和非均一两大类；表观反射率参数：可由公式得出，最终得到当天查找表的txt文件； 5）合成后处理：基于ENVI51的扩展工具（modis_aerosol、modis_cloud）对反射率与发射率的合成文件进行云检测（采用的云检测算法是多光谱综合去云法），最后进行气溶胶反演（算法采用经典的暗像元法（DDV））。
122基于遥感AOD数据的能见度反演
气溶胶光学厚度（AOD）描述气溶胶对光的衰减作用，表示为介质的消光系数在垂直方向上的积分（于兴娜等，2013），无量纲量。能见度与地表水平方向的大气消光系数相关，而地表水平方向的大气消光效应主要为气溶胶消光效应，因此地表水平方向上的气溶胶消光可表示为能见度。故本文根据AOD数值，借鉴相关文献资料利用公式推算出能见度（张倩倩，2012）。
大气中气溶胶粒子的数目及消光截面决定了消光系数的大小，因此，近似（假设消光截面不变）有（盛立芳等，2009）
βZβ0=NZN0。 （1）
其中：NZ、N0、βZ、β0分别表示不同高度和地面的气溶胶数目浓度（单位：个/m3）和气溶胶消光系数（单位：km-1）。气溶胶光学厚度与气溶胶数目浓度之间满足如下关系：
2结果与分析
21一次典型霾过程实况
2012年3月6—11日，北京地区出现持续性大范围的霾天气。根据地面气象站监测信息及环保部门发布的空气质量监测报告显示，6日北京地区空气质量优良，能见度均在10 km以上，有小部分地区能见度达到20 km以上，视野清晰；7日北京市东南地区开始出现轻度霾污染现象，空气质量下降，东南地区能见度开始小于10 km；8日霾污染迅速扩散至全市范围，空气质量达到最差，东南地区能见度低至3 km以下，视野模糊不清；9日全市持续霾污染，但空气质量开始好转，能见度较前1日稍有转好；10日西北郊区霾逐渐消散，空气质量变好，但北京市城区仍存在轻度霾污染现象，能见度较低；11日全市各地区霾天气基本消散，空气质量恢复良好，能见度大。图2为一次典型霾过程的能见度空间实况变化（以地面实测能见度为指标，选取与遥感图像相对应的时间段的地面实测能见度数据），可见，一次霾过程中能见度呈现先递减后递增的现象，霾越严重，能见度越小。
22利用MODIS数据反演AOD
221反演AOD的时空变化
基于ENVI51软件使用MODIDS数据反演得到北京地区一次完整的霾天气过程（2012年3月6—11日午间时段）的AOD时空变化（图3；白色区域为当时天气状况对于卫星遥感影像的影响所导致的反演缺值）。从图3中可见，在此次霾过程中AOD值有一个显著的变化过程，6日为霾天气发生的前1日，天气状况晴好，研究区域内大部分地区AOD值仅为0～025（图3a）；7日为霾天气的初始日，严重的地区AOD值已增大到07（图3b）；8日霾范围及程度最为广泛严重，整个研究区均处于霾的影响下，北京市东南部霾最为严重，AOD值达到霾过程的最高值，超过15（图3c），这与地势以及城区人类活动密集等因素有关；9日仍处于较严重的霾过程影响下，AOD值较之8日有所降低至10以下（图3d）；10日霾逐渐消散，仅部分地区AOD值仍处于05～10之间，其空间变化趋势与7日基本一致（图3e）；11日恢复晴好天气，整个霾过程结束，AOD值回到05以下（图3f）。综上，基于MODIS数据反演得到的AOD值时空分布呈现先增后减趋势，与霾天气的发生、发展、消散过程基本保持一致。一些学者（Chu et al.，2002；Engelcos et al.，2004；黄艇等，2006）对MODIS气溶胶光学厚度进行反演，反映气溶胶污染物的区域分布，证实其与实际污染分布保持一定的一致性。
22.2反演AOD的验证
根据全球探测网（AERONET）地面观测站所测AOD数据绘制北京市内北京站以及香河站2012年3月6—11日的AOD日平均值变化（波长为550 nm），作为实测AOD来检验遥感反演所得AOD变化趋势的准确性。图4a为AERONET北京站AOD地面实测值与遥感反演值的趋势对比变化：AOD的地面实测值与遥感反演值的变化趋势基本保持一致，均呈现“单峰型”的变化特征，先递增后递减。在8日达到AOD值的最高值，分别为149、107，且两者差值也达到最大，为042；图4b为香河站，与图4a变化基本一致。综上，一次霾过程中AOD变化呈现“单峰型”变化特征，反演值与实测值变化趋势保持一致，与学者邓学良等（2010）、Deng et al.（2012）利用AERONET地基观测数据对MODIS/TERRA气溶胶光学厚度在华东区域（安徽省等）的适用性进行的验证相同，表明MODIS的AOD与地基观测的AOD具有较好的一致性。
造成上述情况的原因可能是：1）地面观测与遥感反演的时间段有所不同，可能导致地面实测值与遥感反演值存在一定的差距；2）北京站位于北京市区，而香河站位于北京郊外，因此香河站AOD值随时间变化大，导致地面夜间实测值与遥感午间反演值差异较大，且香河站的AOD值较之北京站的AOD值小。
23利用遥感AOD值反演能见度
231能见度与AOD值的相关性拟合
根据公式（6）采用数学拟合的方法对其进行简化：将能见度值从1～15 km范围内按照01 km的间隔分别求出相应的AOD值，对计算所得AOD值与能见度进行拟合，从图5中明显可以看出，能见度与AOD的相关性与幂指数函数最为符合，得到幂指数公式（7）：V=3328 6τ0844。由于不同地区不同时段的气溶胶垂直分布不同，且气象条件较大程度地影响着气溶胶的垂直分布。因此，图5中所推断得到的参数，并不一定适合实际情况，需要利用实测值来调试修改参数。例：由于无法精确选择与遥感图像相应的时间点，故挑选相近时间点的实测数据，如2012年3月9日11时北京市道面监测站监測的实时能见度数据与反演AOD值进行拟合，得到新的幂指数公式（8）：V=3361 3τ-102。 232能見度反演验证
根据反演时间段的实际天气状况、区域气象要素变化特征对上述幂指数函数进行参数的调试得到反演能见度值，与实际能见度进行比较，
验证其精确度。选择霾过程中较为严重的2 d作为验证日（由于无法精确选择与遥感图像相应的时间点，故挑选相近时间点的实测数据，选择2012年3月8日及9日11时），剔除设备故障原因造成的异常数据后得到图7，从图7a和图7b可见，反演能见度值与实际能见度值的线性相关系数较高，分别达到0878、0851，通过了P小于001的显著性检验。说明利用遥感AOD值能较好反演能见度值，精确度较高。
从图8可进一步看出：实际值与反演值的变化趋势基本保持一致，能见度反演值均略低于实际观测值，数值存在一定的差异。图8a中北京密云上甸子站（54421）以及霞云岭站（54597）能见度实际值与反演值差值最大，且两者的能见度也为最大值；图8b中珠宝屯东桥站（A1565）能见度实际值与反演值差值最大，达到315 km；小汤山西桥站（A1420）能见度实际值与反演值差值次大，为241 km；徐庄桥站（A1210）、梨花桥站（A1269）及西关站（A1412）3个站点能见度实际值与反演值差值较大在1～2 km之间。可以发现这些站点均位于北京市郊区，在五环甚至六环以外，反演效果相对较差。
233反演能见度时空变化
研究区一次完整霾天气过程的能见度时空变化如图9所示。在此次霾过程中能见度值变化存在明显的时空差异，与图2的实测能见度变化趋势基本一致（仅存在小部分地区差异，可能是由于地面气象站点较为稀疏，进行插值过程产生误差）。3月6日为霾天气发生的前1 d，大部分地区能见度值保持在10 km以上（图9a）；7日为霾天气的初始日，能见度下降，尤其位于东南部城区的能见度明显下降，达到501 km（图9b）；8日霾程度加重，北京市均处于低能见度下，能见度值达到整个霾过程的最小值为258 km（图9c）；9日能见度开始有所提高，但研究区仍处于中度霾下，能见度值基本保持在3～8 km内（图9d）；10日霾现象逐渐消散，能见度增大，郊区大部分范围能见度为8～10 km，城区能见度为6～8 km，城区仍存在轻度霾（图9e）；11日霾天气基本结束，位于郊区范围的能见度已趋于正常，达到10～15 km，而城区能见度较郊区能见度低，为8～10 km（图9f）。
综上，反演得到的能见度时空分布特征基本符合此次霾过程实际发生、发展和消散的趋势特征，该次典型霾过程的能见度呈现“大→小→大”的变化特征，且城区能见度最小。
基于ARCGIS软件得到该次霾过程中每日能见度实测值与反演值的平均值、标准差、均方根误差及相关系数（表1），同时给出相关系数的空间分布（图10）。表1中该次霾过程中每日反演能见度值与实际能见度值的线性相关系数均较高，3月6日相关系数较小为0636，8日达到最大值0851，霾越严重则相关系数越大。从图10中进一步看出，该次反演过程中研究区内能见度实测值与反演值的相关性均较好，尤以东南部城区相关系数最高，达到08以上。上述相关系数均通过了P小于001信度的显著性检验。
3结论与讨论
本文基于MODIS遥感数据选取霾个例进行反演，得到北京市一次霾过程的大气气溶胶光学厚度的时空变化，并通过AOD值进行区域能见度的时空变化反演，结合地面实测数据，分析遥感反演参数的精度，以验证利用遥感数据监测能见度变化的准确性。主要研究结论如下：
1）根据MODIS数据反演得到北京市2013年3月6—11日期间AOD值的时空分布特征，与由全球探测网（AERONET）地面观测站反演的AOD数据进行对比分析，发现遥感反演霾天气过程与实际霾发生、发展、消散过程基本保持一致的变化趋势。
2）基于反演得到的AOD数据，采用相关公式根据实际天气状况、区域地理特征及反演时间段进行反演参数的调试，最终得到研究区（北京市）能见度的时空变化特征，与实际能见度进行比较后发现反演精度较高。
综上，利用MODIS遥感数据进行反演继而得到较全面的能见度变化信息，可以实现霾动态的实时而全面的监测，以弥补实测时空分辨率偏低的不足，从而提升交通能见度监测水平。但本文仅选取一个完整的霾个例进行了反演和分析，研究结果缺乏普遍性。且遥感数据适用于天气条件良好的情况，能见度反演参数仍不够全面，霾的产生也与季节、一天中的时间、地域、污染程度等有很大的关系，下一步将结合数值模拟对霾的成因、环境因素的作用、霾对交通运营的影响等开展更深入的研究。
致谢：NASA、AERONET等提供了MODIS、AOD等资料的在线下载服务。
参考文献（References）
Auffhammer M，Ramanathan V，Vincent J R，2006.Integrated model shows that atmospheric brown clouds and greenhouse gases have reduced rice harvests in India[J].Proc Natl Acad Sci USA，103：1966819672.
Chu D A，Kaufman Y J，Ichoku C，et al.，2002.Validation of MODIS aerosol optical depth retrieval over land[J].Geophys Res Lett，29（12）：14.
邓学良，邓伟涛，何冬燕，2010.近年来华东地区大气气溶胶的时空特征[J].大气科学学报，33（3）：347354.Deng X L，Deng W T，He D Y，2010.Spatialtemporal features of atmospheric aerosol in East China in recent years[J].Trans Atmos Sci，33（3）：347354.（in Chinese）. Deng X L，Shi C N，Wu B W，et al.，2012.Analysis of aerosol characteristics and their relationships with meteorological parameters over Anhui province in China[J].Atmospheric Research，109：5263.
杜軼群，2014.雾霾对私家车主交通方式选择行为的影响[J].中国公路学报，27（7）：105111.Du Y Q，2014.Impact of haze on travel mode choice behaviors for private car owners[J].China Journal of Highway and Transport，27（7）：105111.（in Chinese）.
Engelcos J A，Hollen C H，Coutant B W，et al.，2004.Qualitative and quantitative evaluation of MODIS satellite sensor data for regional and urban scale air quality[J].Atmospheric Environment，38（16）：24952509.
Guo J P，Zhang X Y，Chun X C，et al.，2010.Monitoring haze episodes over the Yellow Sea by combining multisensory measurements[J].International Journal of Remote Sensing，31（17）：47434755.
郝天依，王式功，尚可政，等，2012.环渤海地区大气低能见度气候特征及影响因子分析[J].气象，38（9）：10871096.Hao T Y，Wang S G，Shang K Z，et al.，2012.Analysis on climate characteristics of poor atmospheric visibility and its influencing factors in Bohai Rim[J].Meteor Mon，38（9）：10871096.（in Chinese）.
黄艇，陈长和，陈勇航，等，2006.利用MODIS卫星资料对比反演兰州地区气溶胶光学厚度[J].高原气象，25（5）：886892.Hang T，Chen C H，Chen Y H，et al.，2006.The aerosol optical depth over Lanzhou area retrieved with a compared method using MODIS data[J].Plateau Meteor，25（5）：886892.（in Chinese）.
Li S S，Chen L F，Zheng F B，et al.，2009.Design and application of haze optic thickness retrieval model for Beijing Olympic Games[C]//Geoscience and Remote Sensing Symposium，IEEE International.
刘端阳，张靖，吴序鹏，等，2014.淮安一次雾霾过程的污染物变化特征及来源分析[J].大气科学学报，37（4）：484492.Liu R Y，Zhang J，Wu X P，et al.，2014.Characteristics and sources of atmospheric pollutants during a fog-haze process in Huaian[J].Trans Atmos Sci，37（4）：484492.（in Chinese）.
马小颖，穆慧娟，唐明，等，2014.持续灰霾天气对大连金州新区居民健康影响评估[J].中国公共卫生，30（2）：162165.Ma X Y，Mu H J，Tang M，et al.，2014.Assessment on effects of continuous heavy hazy episode on health among residents in Jinzhou district of Dalian city[J].Chin J Public Health，30（2）：162165.（in Chinese）.
盛立芳，申莉莉，李秀镇，等，2009.水平能见度经验公式在青岛沿海地区的应用[J].中国海洋大学学报，39（5）：877882.Sheng L F，Shen L L，Li X Z，et al.，2009.Studies on the application of empirical formulae to the calculation of horizontal visibility in Qingdao coastal area[J].Periodical of Ocean University of China，39（5）：877882.（in Chinese）.
Sifakis N I，Soulakellis N A，2000.Satellite image processing for haze and aerosol mapping（SIPHA）：Code description and presentation of results[C]//Geoscience and Remote Sensing Symposium，Proceedings.IGARSS 2000.IEEE International. 陶麗，周宇桐，李瑞芬，2016.我国霾日和API分布特征及典型大城市中它们与气象条件关系[J].大气科学学报，39（1）：110125.Tao L，Zhou Y T，Li R F，2016.Characteristics of haze days and air pollution index（API） and their relationship with weather conditions at four large cities/district of China[J].Trans Atmos Sci，39（1）：110125.（in Chinese）.
王中挺，厉青，陈良富，等，2011.从MODIS数据反演粗细粒子气溶胶[J].光谱学和光谱分析，31（10）：28092814.Wang Z T，Li Q，Chen L F，et al.，2011.The retrieval of fine and coarse aerosol from MODIS[J].Spectroscopy and Spectral Analysis，31（10）：28092814.（in Chinese）.
Wu D，Mao J T，Deng X J，et al.，2009.Black carbon aerosols and their radiative properties in the Pearl River Delta region[J].Sci China（Series D），52（8）：11521163.
吴丹，于亚鑫，夏俊荣，等，2016.南京市灰霾天气的长时间变化特征及其气候原因探讨[J].大气科学学报，39（2）：232242.Wu D，Yu Y X，Xia J R，et al.，2016.Long-term variation in haze days and related climatic factors in Nanjing[J].Trans Atmos Sci，39（2）：232242.（in Chinese）.
徐萌，郁凡，李亚春，等，20066S模式对EOS/MODIS数据进行大气校正的方法[J].南京大学学报（自然科学），42（6）：582590.Xu M，Yu F，Li Y C，et al.，2006.The method of atmospheric correction on the EOS/MODIS data with 6S model[J].Journal of Nanjing University（Natural Sciences），42（6）：582590（in Chinese）.
徐言，姜琦刚，2015.基于6S模型的MODIS影像逐像元大气校正及其应用[J].吉林大学学报：地球科学版，45（5）：15471553.Xu Y，Jiang Q G，2015.A pixel by pixel atmospheric correction algorithm and its application for MODIS data based on 6S model[J].Journal of Jilin University：Earth Science Edition，45（5）：15471553.（in Chinese）.
于兴娜，袁帅，马佳，等，2013.南京北郊2011年春季气溶胶粒子的散射特征[J].大气科学学报，36（3）：354360.Yu X N，Yuan S，Ma J，et al.，2013.Scattering properties of aerosol in north suburb of Nanjing in spring 2011[J].Trans Atmos Sci，36（3）：354360.（in Chinese）.
张倩倩，2012.基于MODIS数据的雾霾检测方法研究—以南京仙林为例[D].南京：南京师范大学.Zhang Q Q，2012.Study on the haze/fog detection methods based on MODIS data—A case study in Xianlin，Nanjing[D].Nanjing：Nanjing Normal University.（in Chinese）.
Visibility inversion of a haze process in Beijing by remote sensing based on MODIS satellite observations
BAO Yunxuan1，2，SHAO Yi1，2，LI Xun3
1Collaborative Innovation Center on Forecast and Evaluation of Meteorological Disasters（CICFEMD），Nanjing University of Information Science & Technology，Nanjing 210044，China；
2Key Laboratory of Transportation Meteorology，China Meteorological Administration，Nanjing 210008，China；
3Meteorological Administrative of Beijing City，Beijing 100089 China
Haze has become one of the major weather disasters to harm social security and human health in the recent years and it reduces visibility and air quality for it contains a large number of pollutants and affects seriously the natural environment，human production and life. Satellite remote sensing data can make up for the shortage of manual field monitoring，which making full use of timeliness，reliability，wide range of satellite remotesensing to monitor dynamically the distribution of a wide range of haze. In this paper，MODIS_L1B data （MOD02_1KMCollections 6） was used to inverse the air aerosol optical thickness （AOD） and the road visibility of a great haze weather event occurred in Beijing from March，6th to March，11th in 2012 combined with the retrieved data of AOD from AERONET （Aerosol Robotic Network） of NASA in USA，the observed data of visibility from the Ground Meteorological Observation Stations Network in Beijing and the observed data of visibility from the Road Automatic Weather Monitoring Stations Network and the relationship between the AOD and the visibility in this event was analyzed. Finally，the reasonable control measures were tried to put forward combined with the local traffic situation against haze. It can be provide reference for haze weather monitoring and early warning and traffic safety operation in the future （Inversion Comparison process time matches the satellite transit time from 10：0012：00）.
The results showed as follows：（1） Both of the retrieved AOD values from MODIS remote sensing and the ground observed values of AOD from AERONET had a change tendency of a single peak type. But the AOD inversion values were higher than the observed values for the deviation of observed times. （2） The visibility values calculated by the retrieved AOD values was basically consistent with the observed values，both the temporal and spatial variation trends were basically consistent and the correlation coefficient between the two was large than 06 （P<001）. All of these inversions and calculation was consistent with the actual occurrence characteristics of this haze event，the errors between the inversion values and actual values of the visibility was small （<05km） in the urban area and the inversion effect was better，but this error was large （>1 km） in the suburban area and the inversion effect was poor. （3） Based on the distribution of expressway，and combined with different degrees of haze in different regions of Beijing，it can be seen that the haze pollution in the southeastern part of Beijing is the most serious. The sections of the expressway in the area are respectively：BeijingHarbin Expressway （G1），BeijingShanghai highspeed （G2），BeijingTaiwan highspeed （G3） and BeijingHong Kong and Macao highspeed （G4）. In addition，it also included the Fifth Ring Road in Beijing.
haze；MODIS（moderateresolution imaging spectrometer）；aerosol optical thickness（AOD）；visibility inversion；comparative analysis；expressway
doi：1013878/j.cnki.dqkxxb.20161222010
（責任编辑：孙宁）