利用机器学习方法分析地球静止多光谱成像仪数据，追踪大气中烟雾羽流的扩散情况

《Atmospheric Environment》：Tracking smoke plume dispersion in atmosphere using machine learning analysis of geostationary multispectral imagers data

本研究提出利用MTG卫星多光谱数据结合无监督机器学习方法跟踪烟雾时空演变的新方法，有效监测烟雾扩散范围及光学特性，为应急响应提供支持。

　　

罗伯托·英吉利塞（Roberto Inghilesi）| 艾丽丝·佩扎罗萨（Alice Pezzarossa）| 亚历山德罗·梅尔卡蒂尼（Alessandro Mercatini）| 纳扎里奥·塔尔塔格里奥内（Nazario Tartaglione）| 埃米利亚诺·阿格里洛（Emiliano Agrillo）| 费德里科·菲利波尼（Federico Filipponi）

环境保护与研究高等研究院（Istituto Superiore per la Protezione e la Ricerca Ambientale），地址：意大利罗马维塔利亚诺·布兰卡蒂街48号（Via Vitaliano Brancati 48），邮编00144，RM

摘要

本文提出了一种新的方法，用于在相对较短的时间和空间尺度上对意外废物火灾、工业火灾和野火的烟雾羽流进行操作性追踪。该方法利用无监督机器学习技术，处理来自极地卫星和地球同步卫星上的多光谱成像仪的高分辨率观测数据。具体而言，它使用了新一代Meteosat（MTG）地球同步卫星上的成像仪测量的高空间和时间分辨率的太阳反射率和亮度温度场数据。该程序的目的是持续监测烟雾扩散的时空演变过程，特别关注烟雾羽流的位置、范围及其气溶胶成分的光学特性。为了确保最佳的地理定位精度，本文还采用了视差校正技术。该方法应用于四个案例研究，涉及废物火灾、塑料回收厂事故和野火，这些事件分别处于不同的中尺度强迫和地形条件下。研究结果表明，结合使用新的MTG红外通道以及高分辨率的可见光和红外通道，显著提高了烟雾羽流的检测能力、定位精度和特征描述能力，为关键情况下的环境监测、空气质量评估和应急响应提供了宝贵的工具。

引言

塑料储存设施、回收中心、废物处理场所和加工厂中的意外火灾，以及大规模野火，经常会产生含有有害污染物的烟雾羽流。这些事件对环境和公共健康构成重大威胁，尤其是在人口密集地区发生时。野火通常在热浪的加剧下产生大量细颗粒物（PM_2.5，其空气动力学直径约为$<mn>2.5</mn>$ \mu $米），这些颗粒物与呼吸系统和心血管疾病有关，包括哮喘、慢性阻塞性肺病（COPD）、支气管炎和肺炎（Cascio,\; 2018）。最近的研究表明，野火产生的颗粒物可能比环境中的同等浓度具有更高的毒性（Aguilera\; et\; al.,\; 2021）。$

涉及塑料、轮胎和经过处理的木材等合成材料的火灾会产生富含黑碳的浓密烟雾羽流，其中不仅包含PM_2.5，还含有有毒气体和持久性有机污染物（POPs），如二噁英和呋喃（通常称为PCDD/F）。世界卫生组织将这些化合物归类为有害物质，它们可通过吸入、摄入和皮肤接触影响人类健康（Simoneit et al., 2005, Baca et al., 2023）。

这些健康问题凸显了不仅要表征火灾产生的气溶胶的组成，还要研究其在大气中的行为的重要性。由于烟雾羽流会降低空气质量并影响气候，因此其光学和辐射特性至关重要。大规模的颗粒物排放通过反射性有机碳增加地表反照率，同时通过吸收性黑碳增强大气加热（Kaufman et al., 1998, Kaufman et al., 2002, Zhang et al., 2016）。这种双重效应改变了大气和地表温度梯度，可能对水循环产生影响。因此，了解气溶胶的分布和演变已成为基于卫星和现场观测系统的主要研究焦点。气溶胶通过吸收和散射与辐射相互作用，这些相互作用的程度取决于颗粒大小、组成和浓度。从观测到的辐射数据中反推气溶胶的物理性质是大气科学中的经典逆问题（Bohren and Huffman, 1998）。

辐射传输建模已经证明了对于包括尘埃、火山灰、硫酸、冰颗粒和生物质燃烧产生的气溶胶在内的多种颗粒类型，可以推导出其半径、浓度、光学厚度和质量（Clarisse et al., 2010）。野火气溶胶的操作性监测主要依赖于美国国家航空航天局（NASA）Terra卫星上的中分辨率成像光谱辐射计（MODIS，尤其是Dark Target和Deep Blue算法）和多角度成像光谱辐射计（MISR）数据（Kahn and Gaitley, 2015）。

最近，像Himawari-8和Himawari-9这样的地球同步平台通过将机器学习技术应用于高级Himawari成像仪（AHI）图像和地面Aerosol RObotic NETwork（AERONET）观测数据，实现了更精确的连续大气光学厚度（AOD）和细颗粒物分数的检索（Tang et al., 2025, Holben et al., 1998, Giles et al., 2019）。火灾相关烟雾羽流的光学特性取决于燃料类型和燃烧阶段。生物质和废物的燃烧会产生多种不同的碳基气溶胶。在初始燃烧阶段，强吸收性的黑碳占主导地位（Bond and Bergstrom, 2006）；而闷烧则会产生多种状态的复杂有机化合物，如蒸汽、颗粒或油状液滴。这类气溶胶在可见光范围内通常不吸收光线，使得烟雾羽流在可见光下呈现白色或浅灰色。当木材燃烧时，闷烧阶段比燃烧阶段持续更长时间（Kaufman et al., 2002）。Sutherland和Khanna（1991）在受控环境中的实验还强调了植被燃烧产生的气溶胶在3$5$ \mu $米和8$ 14$ \mu 米波段的复杂光学特性，以及在10$ 12$ \mu 米波段缺乏吸收的现象。$$$$$

烟雾羽流检测的一个关键挑战在于确定气溶胶的垂直分布。实际上，厚厚的烟雾层（大气光学厚度AOD大于3.0）可能被被动传感器误判为云层（Lu et al., 2021, King et al., 1998），因此像CALIPSO上的Cloud-Aerosol Lidar with Orthogonal Polarization（CALIOP）这样的激光成像、检测和测距（LIDAR）观测对于准确表征烟雾羽流至关重要（Koffi et al., 2012）。最近对极轨传感器（如MODIS、MISR、Visible Infrared Imaging Radiometer Suite（VIIRS）和Tropospheric Monitoring Instrument（TROPOMI）与机载激光雷达的羽流高度反演结果的比较表明，仅依靠被动图像获取垂直信息非常复杂（Huang et al., 2024）。虽然Witte et al.（2011）、Zhang et al.（2016）或Shi et al.（2019）使用AOD和数值模型对扩散数千公里的重大野火事件进行了广泛研究，但较小规模的烟雾羽流尽管频繁发生，却仍缺乏详细的表征。

烟雾羽流的动态很大程度上取决于大气的稳定性。在白天大部分时间内，燃烧产生的浮力较弱时，烟雾羽流在混合层内表现为大型热柱，污染物通常在抬升区附近积聚（Stull, 1998, 1.6.1; 11.2.4; 11.2.6）。在弱抬升或羽流浮力足够强的情况下，烟雾可能穿透自由对流层，并被天气系统风输送（图1）。在大型火灾中，含水分的烟雾羽流可能达到对流凝结层，其中潜热释放会增强上升气流，并可能触发火积云（PyroCu）甚至火积雨云（PyroCb）的形成（Fromm et al., 2022）。这些系统可以延伸到整个对流层，并将气溶胶注入平流层，羽流的行为受到复杂且不断变化的火-大气相互作用的影响（Banta et al., Tory et al., 2018）。

相比之下，小规模野火（通常仅覆盖几平方公里且缺乏茂密的森林冠层）很少产生超过边界层顶部的烟雾羽流。尽管持续时间较短，但在弱天气系统作用下，这些事件仍可能在下风方向数十公里范围内维持较高的污染物浓度（Oleniacz et al., 2023），这种情况在夏季高压条件下较为常见。有效的缓解策略（如限制户外暴露、调整工业活动或限制空调使用）依赖于对烟雾羽流范围和扩散的准确及时估计。然而，基于卫星的烟雾监测在时间和空间尺度上的应用仍然有限。

早期的烟雾羽流追踪方法依赖于Landsat图像来研究燃煤电厂的排放（Desiato and Ciminelli, 1991）。Chrysoulakis和Cartalis（2003）提出了一种有影响力的方法，将可见光、近红外和热红外数据（来自美国国家海洋和大气管理局（NOAA）/高级非常高分辨率辐射计（AVHRR）的数据结合成光谱指数，以区分烟雾、水体和陆地表面。然而，极轨传感器的低时间分辨率（从几小时到几天）使其不适合监测快速变化的羽流。最近，由欧洲气象卫星组织（EUMETSAT）、美国国家航空航天局（NASA）/美国国家海洋和大气管理局（NOAA）和日本气象厅（JMA）运行的地球同步卫星提供了连续观测所需的数据，从而实现了高频观测羽流扩散。

本研究介绍了一种使用地球同步平台的多光谱数据来追踪2-100公里范围内烟雾羽流的方法。尽管这些传感器的光谱分辨率低于极轨仪器，但它们频繁的观测能够有效监测短期扩散情况。该方法采用了基于阈值的方法论，这种方法常用于土地使用应用中的云检测（Zuo et al., 2022/12/01, Sun et al., 2016, Zhao et al., 2014）。应用专门校准的方法论有助于系统地描述较短时间尺度上的羽流扩散情况。自2025年以来，该方法已在意大利使用Meteosat-12的FCI数据进行了实际应用，并可适应具有类似地球同步覆盖的其他地区。扩展到更高纬度地区需要视差校正和校准/验证程序的帮助。以下部分将介绍数据、方法论、案例研究，随后是讨论和结论。

数据

该方法使用了来自EUMETSAT第二代Meteosat（MSG）Meteosat-10、Meteosat-11、MTG Meteosat-12、NASA/NOAA地球同步环境卫星-R（GOES-R）和JMA Himawari的多光谱成像仪的1公里空间分辨率或更低的太阳反射率（R）数据。同样重要的是来自MTG Flexible Combined Imager（FCI）和部分来自GOES-R Advanced的热红外（Thermal InfraRed (TIR)的亮度温度（B$$ T$）数据，这些数据也具有可比的分辨率。$

结果

分析了四个案例（表2）：两个塑料废物火灾（a、b）和两个野火（c、d）。两个案例（b、d）显示出地形驱动的扩散，而a和c主要由海风循环引起。所有案例都发生在夏季高压条件下。事件b和c发生在2024年，而a和d发生在2025年。需要注意的是，HRFI FCI数据自2025年起才可用。对于案例a，单次Sentinel-2飞越就实现了基于MSI和FCI/SEVIRI产品的校准/验证过程。

讨论与结论

本研究提出了一种新的方法，利用机器学习技术快速追踪野火和工业或废物相关火灾产生的烟雾扩散，该方法基于地球同步卫星的差异反射率数据。该方法能够准确检测短距离扩散范围内的烟雾羽流位置。案例研究（第3节）展示了气象地球同步卫星在监测大气扩散方面的有效性。

CRediT作者贡献声明

罗伯托·英吉利塞（Roberto Inghilesi）：撰写——原始草案、软件开发、方法论设计、调查实施、数据分析、概念化。艾丽丝·佩扎罗萨（Alice Pezzarossa）：撰写——审稿与编辑、可视化制作、软件开发、调查实施、数据分析、概念化。亚历山德罗·梅尔卡蒂尼（Alessandro Mercatini）：撰写——审稿与编辑、验证工作、软件开发、方法论设计、调查实施、概念化。纳扎里奥·塔尔塔格里奥内（Nazario Tartaglione）：撰写——审稿与编辑、软件开发、方法论设计、调查实施、数据管理、概念化。

写作过程中使用生成式AI和AI辅助技术的声明

在准备本工作时，作者使用了word copilot工具来纠正语言错误并提高可读性。使用该工具/服务后，作者根据需要对内容进行了审查和编辑，并对发表文章的内容承担全部责任。

利益冲突声明

作者声明没有已知的财务利益或个人关系可能影响本文的研究结果。

致谢

我们感谢Philippe Goloub、AnnaMaria Iannarelli和Monica Campanelli在建立和维护‘La Sapienza’ AERONET站点方面所做的努力。