Particulate matter concentration mapping from MODIS satellite data: a Vietnamese case study

Abstract

Particulate Matter (PM) pollution is one of the most important air quality concerns in Vietnam. In this study, we integrate ground-based measurements, meteorological and satellite data to map temporal PM concentrations at a 10×10 km grid for the entire of Vietnam. We specifically used MODIS Aqua and Terra data and developed statistically-significant regression models to map and extend the ground-based PM concentrations. We validated our models over diverse geographic provinces i.e., North East, Red River Delta, North Central Coast and South Central Coast in Vietnam. Validation suggested good results for satellite-derived PM 2.5 data compared to ground-based PM 2.5 (n=285, r 2 =0.411, RMSE=20.299 μg m −3 and RE=39.789%). Further, validation of satellitederived PM 2.5 on two independent datasets for North East and South Central Coast suggested similar results (n=40, r 2 =0.455, RMSE=21.512 μg m −3 , RE=45.236% and n=45, r 2 =0.444, RMSE=8.551 μg m −3 , RE=46.446% respectively). Also, our satellite-derived PM 2.5 maps were able to replicate seasonal and spatial trends of ground-based measurements in four different regions. Our results highlight the potential use of MODIS datasets for PM estimation at a regional scale in Vietnam. However, model limitation in capturing maximal or minimal PM 2.5 peaks needs further investigations on ground data, atmospheric conditions and physical aspects. OPEN ACCESS RECEIVED

Analysis of air pollution over Hanoi, Vietnam using multi-satellite and MERRA reanalysis datasets

“…Hanoi has the highest precipitation during summer (July-Aug) and lowest during winter (Dec-Jan). During many of the drier months, this most polluted city in Vietnam experiences routinely degraded air quality especially from fine particulate matter attributed to a variety of sources such as heavy vehicular traffic in Hanoi, rice residue burning during June and October, as well as regional transport from external sources [ 37 – 41 ].…”

Đánh giá sự phân bố nồng độ bụi PM2.5 tại khu vực TP. HCM bằng công nghệ viễn thám–một số kết quả ban đầu

“…Giám sát nồng độ bụi PM2.5 dựa vào dữ liệu quan trắc cho kết quả chính xác cao, tuy nhiên phương pháp này còn hạn chế về mặt không gian do bị giới hạn bởi số lượng các điểm quan trắc. Các nghiên cứu gần đây đã cho thấy tính hữu dụng của dữ liệu ảnh vệ tinh trong việc thành lập bản đồ phân vùng và giám sát ô nhiễm không khí [9][10][11][12][13][14]. Liên quan đến bụi PM2.5, nghiên cứu [10] ứng dụng viễn thám để xác định hàm lượng bụi PM2.5 ở Trung Quốc dựa trên tương quan với đặc điểm độ dày quang học sol khí (AOD-Aerosol Optical Depth) và kết quả cho thấy mức độ tương quan khá tốt ở dữ liệu tháng và năm.…”

DINAMIKA KONSENTRASI EMISI GAS KARBON MONOKSIDA (CO) SELAMA PERIODE PSBB MENGGUNAKAN KOMPUTASI BERBASIS CLOUD PADA GOOGLE EARTH ENGINE Studi Kasus di Provinsi DKI Jakarta, Indonesia

“…Penginderaan jauh dapat berperan dalam melakukan monitoring emisi CO secara multitemporal, hal ini didukung dengan kemampuan deteksi karakteristik spektral untuk pengamatan atribut atmosfer (Dede et al, 2020;Nguyen et al, 2015). Salah satu atribut atmosfer yang dapat dideteksi dan diestimasi adalah indikator kualitas udara berupa emisi gas rumah kaca (GRK), yang salah satunya adalah kandungan karbon monoksida (Martin, 2008;Wald et al, 1999).…”