PM2.5浓度空间分异模拟模型对比:以京津冀地区为例

在我国快速的城市化进程中,快速的经济发展和日益增加的能源消耗带来的大气污染不断增加,特别是细颗粒物污染如PM2.5污染越来越严重,PM2.5污染相关研究成为一个热点议题.高浓度的PM2.5是形成我国京津冀、珠三角和长三角地区大气灰霾的主要原因,大气污染已成为制约京津冀地区乃至全国可持续发展的关键问题,长期暴露在PM2.5大气污染中,会对人类健康造成诸多不良影响.土地利用回归模型可以实现大气污染物浓度的时空模拟,明晰PM2.5浓度的空间分布特征对于大气污染的防治和流行病学的研究具有重要意义.本研究利用2014年1月1日至2014年12月31日京津冀地区104个监测站点的大气污染物浓度数据,结合VIIRS(visible infrared imaging radiometer)AOD(aerosol optical depth)、土地覆被、气象因子、道路分布、人口密度、污染源分布等信息,分别利用最小二乘和地理加权回归构建土地利用回归模型,对PM2.5浓度时空分布情况进行模拟,其中包括含VIIRS AOD数据的最小二乘土地利用模型和地理加权土地利用模型,以及不包含VIIRS AOD数据的最小二乘土地利用模型和地理加权土地利用模型,这4个模型的修正R2值分别为82.13%、84.87%、80.45%和81.99%.研究表明,相比最小二乘回归,使用地理加权回归的方法能一定程度上提升土地利用回归模型的结果.     

长江三角洲PM2.5质量浓度遥感估算与时空分布特征

卫星遥感反演气溶胶光学厚度(AOT)已被广泛地应用于地面PM2.5遥感监测.为遥感监测长江三角洲地区PM2.5,利用2013年的MODIS/Terra AOT产品,考虑研究区36个空气质量监测站点的风速、温度、湿度和边界层高度等气象条件,构建了基于MODIS AOD产品估算PM2.5的模型.利用17个空气质量监测站点数据对模型进行散点拟合验证,结果表明模型估算精度较高,春夏秋冬4个季节PM2.5质量浓度的模型估算值与地面监测值的相关系数R2值分别为0.45、0.50、0.58和0.52.利用模型估算的长时间序列PM2.5时空分布数据进行时空变化特征分析,结果表明:1 2000~2013年研究区PM2.5质量浓度呈增长趋势,月均增长量为0.047μg·m-3,最大值出现在2月,为(66.2±19.3)μg·m-3,最小值出现在8月,为(22.6±5.9)μg·m-3.2研究区PM2.5质量浓度空间分布差异显著,南部低,北部高,高值主要出现在由上海、杭州和南京构成的三角形区域的城市群中,而低值主要出现在南部远离城市的森林区域.结果表明基于MODIS/Terra AOT产品和地面观测气象数据估算PM2.5的多元线性回归模型能较好地应用于区域PM2.5监测.     

基于LUR模型的2019年北京地区PM2.5与PM10浓度空间分异模拟

在城市区域内,空气污染物的浓度在小范围内存在显著差异,而离散的地面监测点分布不均匀,且监测范围有限,无法满足污染物暴露评估等研究的需求.本研究基于GIS空间分析和多元逐步回归的模型构建的方法,建立了土地利用回归（LUR）模型,并模拟了北京市2019年PM_2.5和PM₁₀浓度的空间分布特征.选择土地覆盖数据、气象数据（风速、降水、温度）和植被覆盖度数据等预测变量,以研究区34个监测站点为中心建立0.1~5 km共7个系列缓冲区,表征不同尺度下各变量对PM_2.5和PM₁₀浓度的影响.研究结果表明：①进入PM_2.5回归模型中的变量有：年均风速、温度、降水量和周围中等植被覆盖、耕地和不透水面的面积;进入PM₁₀回归模型中的变量有：年均风速和周围中等植被覆盖的面积.两个模型的调整R²分别为0.829和0.677,模型精度较高.②抑制污染物浓度的变量,影响力随着空间范围扩大而增强;使污染物浓度增加的变量,影响力随着空间范围缩小而增强.③浓度模拟结果显示,PM_2.5和PM₁₀在西北部山区浓度较低,南偏东的城区浓度较高,并且向南有逐渐增加趋势.4植被覆盖度这一变量不仅进入了上述两个方程,且影响力都强于其他土地利用类型,故以后的模型改进应该考虑植被覆盖度这一因素.     

基于iLME+Geoi-RF模型的四川省PM2.5浓度估算

高分辨率PM2.5空间分布数据对动态监测和控制PM2.5污染具有重要意义.选取Himawari-8气溶胶光学厚度(AOD)、ERA5气象再分析资料、DEM、土地利用数据、夜光遥感数据、增强型植被指数和人口数据等作为估算变量,使用改进的重采样法进行数据匹配,并提出改进的线性混合模型(iLME)结合地理智能随机森林(Geoi-RF)构建组合模型估算PM2.5浓度.结果表明:①在选取的估算变量中,气溶胶光学厚度、气压、温度、相对湿度和边界层高度是影响2016年四川省PM2.5浓度的重要因素,其相关系数分别为0.65、0.58、0.55、0.54和0.35.②iLME+Geoi-RF模型精度相较其他模型有较大提升,模型拟合Rl2、RMSR 和 MAE 分别为0.98、3.25 μg·m-3和 1.98 μg·m-3,交叉验证 R2、RMSR 和 MAE 分别为0.89、7.95 μg·m-3和4.81μg·m-3.该模型可获取更高精度的四川省PM2.5时空分布特征,为区域空气质量评估、人体暴露风险评价和环境污染治理提供更加合理地科学参考.③2016年四川省PM2.5浓度存在显著的季节性差异,各季节PM2.5浓度大小关系为:冬季＞秋季＞春季＞夏季.2016年四川省月均PM2.5浓度总体上呈先降后升的"V"型趋势,最小值在6月,最大值在12月,8月和11月有微小起伏.在空间分布上四川省PM2.5浓度总体上呈东高西低和局部污染程度较高的特点,高值区主要分布在城市快速发展和人口密集的东部地区,低值区主要分布在经济发展落后和人口稀疏的西部地区.④虽然不同模型估算出的PM2.5浓度整体分布基本一致,但iLME+Geoi-RF模型能更准确有效地估算本研究区污染的空间分布.     

CMAQ模式及其修正技术在上海市PM_(2.5)预报中的应用检验

利用CMAQ空气质量数值预报模式对上海市PM2.5浓度进行预报,选取10个囯控站点监测数据对预报进行验证评估.结果表明,CMAQ模式开展能够较好地模拟出PM2.5的时间变化趋势及浓度水平,但总体处于低估的水平,偏低幅度约25%,尤其在高污染阶段,模式的低估更为突出,达32%,这与污染源清单的不确定性有关.为提高PM2.5预报准确度,采用学习型线性回归方法对PM2.5浓度的数值预报结果进行修正,统计检验结果显示修正预报准确率由原来的76.4%提高到了79.3%,污染预报成功指数由56.4%提高至72.1%,明显提高了PM2.5浓度的预报效果,反映了引入实际监测数据对空气质量数值预报模式进行修正的研究意义和可行性.     

面向场景的城市PM2.5浓度空间分布精细模拟

针对传统PM_2.5浓度空间分布模拟方法忽略了城市内部如道路、工厂、居民区、景区等不同微环境整体对PM_2.5浓度影响机制的缺陷,本研究提出一种微环境PM_2.5浓度场景分异的理论假设,并以湖南长沙主城区为例,结合基于污染先验知识划分的城市微环境场景空间分布与自主设计加密观测场获取的203个监测点小时PM_2.5浓度加密数据,分析城市微环境PM_2.5浓度场景时空分异特征.在此基础上,耦合地理加权回归（GWR）与人工神经网络（ANN）方法,构建微环境场景增强下的PM_2.5浓度空间分布精细模拟GWR-ANN模型,开展城市内部高空间分辨率PM_2.5污染制图.结果表明：不同微环境场景间PM_2.5浓度存在显著时空差异,地表覆盖类型相同但分别位于2个不同场景的监测点间PM_2.5浓度差会随时间发生变化;耦合微环境场景变量的GWR-ANN模型能够有效精细模拟PM_2.5浓度的空间分布,模型拟合效果与交叉检验精度指标整体优于无场景变量参与的GWR-ANN模型（除部分时相较为接近外,检验R²：0.76~0.84vs.0.57~0.81）;场景增强下的PM_2.5浓度空间分布100m级分辨率模拟估算结果可以较好揭示研究区PM_2.5浓度高低值局地变化特征.     

贵阳市空气中PM2.5/PM10时空分布特征研究

利用2013年贵阳市10个国控监测站点PM2.5和PM10全年(2013年1月1日00时-2013年12月31日23时)实时同步质量浓度监测资料,取24小时滑动平均,研究PM2.5和PM10质量浓度比值(PM2.5/PM10)的时间、空间分布特征及二者质量浓度的相关性.结果表明:2013年贵阳市PM2.5/PM10的年均值为0.64,春、夏、秋和冬季的平均值分别为0.64、0.49、0.66和0.77.PM2.5/PM10四季有较大差异,冬季比值最高,夏季最低,春、秋两季相当;由于所代表的功能区及环境位置特点不同,各监测点同时刻的PM2.5和PM10浓度值有较大差异,但PM2.5/PM10的空间分布没有明显差异;对PM2.5和PM10浓度值进行回归分析,当PM10浓度增大时,PM2.5整体呈增大趋势.     

基于机器学习的成渝地区空气质量数值预报PM2.5订正方法研究

空气质量预报对于大气污染防治、打赢蓝天保卫战意义重大.本研究基于重庆市气象局的中尺度天气模式（WRF）和空气质量数值预报模式（CMAQ）的预报产品,采用2018年4个代表月份（1、4、7、10月,分别代表冬、春、夏和秋季）成渝地区22个观测站点的PM_2.5浓度和气象要素观测数据,建立基础特征变量数据集（包括训练数据集和测试数据集）,通过调整模型参数,并利用训练数据集采用机器学习方法（Lasso回归、随机森林回归、深度学习RNN-LSTM）进行模型训练,订正了成渝地区PM_2.5数值预报.其中,通过Lasso回归算法对成渝地区4个区域分别进行变量优选,优化模型,利用测试数据集对模型进行测试并检验评估.结果表明,基于3种机器学习方法订正后的PM_2.5小时浓度相比CMAQ模式模拟预报结果,偏差显著降低,相关系数显著提高.其中,随机森林回归和RNN-LSTM的订正效果优于Lasso回归,区域统计与站点统计结果较为一致;Lasso回归订正后的均方根误差减小50%左右,相关系数达70%,随机森林回归和RNN-LSTM订正后的均方根误差减小70%左右,相关系数达90%,随机森林回归与RNN-LSTM订正后的偏差范围相比Lasso回归集中范围更窄,最大概率分布更集中;3种方法对不同季节的订正效果与全年一致,其中,冬季订正效果更为显著.研究结果可为提高我国重点城市群区域—成渝地区PM_2.5浓度的大气污染预报能力提供有益参考.     

利用LUR模型模拟杭州市PM2.5质量浓度空间分布

模拟城市大气污染物浓度空间分布对研究城市空气质量及人体健康至关重要.本研究利用土地利用回归模型(Land Use Regression,LUR),提取包括污染点源因子、交通因子、人口因子、土地利用因子和气象因子等60个预测因子,基于地理加权算法(GWR)建立春、夏、秋、冬四个季节的模型,实现对杭州地区近地表PM_(2.5)质量浓度空间分布的预测.结果表明:基于地理加权回归算法时,检验模型的R2值分别达到0.76(春季)、0.70(夏季)、0.73(秋季)、0.76(冬季),模型能够解释PM_(2.5)浓度值80%以上的变异.每个季度杭州地区PM_(2.5)浓度变化不尽相同,但总体以杭州中部最高,西南部偏低.研究说明基于LUR模型模拟大尺度地区PM_(2.5)质量浓度空间分布是可行的.     

2013年北京市NO_2的时空分布

对2013年北京市35个自动空气质量监测子站的NO2数据进行分析,探讨NO2的时间分布特征、空间分布特征以及与PM2.5和大气氧化性的相关性关系.结果表明,NO2浓度由高到低的季节依次是冬季、秋季、春季和夏季,平均浓度分别为66.6、58.3、54.7μg·m-3和45.8μg·m-3;NO2浓度由高到低的监测站依次为交通站、城区站、郊区站和区域站,年均浓度分别为78.6、57.9、48.5μg·m-3和40.3μg·m-3.NO2月均浓度呈波浪型分布,在1月份、3月份、5月份和10月份各出现一个峰值.整体来看,区域站NO2日变化曲线呈现单峰型分布,其他站点为双峰型分布.2013年NO2浓度呈现"反周末效应",即周末大部分时段NO2浓度高于工作日.分地区来看,年均NO2浓度由高到低的依次是城六区、西南部、东南部、西北部和东北部.各站点NO2浓度与PM2.5和OX浓度均为显著正相关,表明NO2可以通过增加前体物浓度和增强大气氧化性两方面造成PM2.5浓度升高.     

合肥市O3污染时空变化特征及影响因素分析

为掌握合肥市大气环境中O_3的时空变化特征及其影响因素,对合肥市2013—2015年空气质量监测数据和气象参数进行系统的分析.结果表明,合肥市O_3污染在夏、秋季节有逐渐加重的趋势,尤其是城市中心区域,呈显著的季节特征和日单峰性;O_3易在风速小于3.3 m·s-1、相对湿度介于50%~60%、地面气压低于1020 h Pa和日平均气温介于25~28℃的气象条件下出现浓度峰值;合肥市O_3浓度与NO2和VOCs分别存在显著的负相关和正相关关系,其中,烯烃、烷烃、芳香烃和炔烃对O_3生成潜势(OFP)的贡献值依次增大.O_3浓度可通过前一日O_3浓度、相对湿度、平均气温、PM2.5、当日8:00风速、平均气压及NO2等参数建立良好的统计预报模型,非标准化可决系数R2高达0.559.     

基于地理加权模型的我国冬季PM2.5遥感估算方法研究

为了分析冬季我国区域范围内近地面PM_(2.5)质量浓度时空分布特征,根据卫星遥感反演PM_(2.5)质量浓度的基本原理,综合考虑我国不同地区的PM_(2.5)污染特征的空间差异性,基于卫星遥感、气象模式资料及同期地面观测的PM_(2.5)质量浓度数据采用地理加权模型进行回归分析,研究构建了我国区域范围内近地面PM_(2.5)遥感反演模型.结果表明:在冬季暗像元反演AOD算法受限制的情况下,深蓝算法产品可以一定程度上弥补暗像元算法的不足,将二者有效融合能同时提高AOD产品的精度和空间覆盖度;利用地理加权回归模型进行全国区域PM_(2.5)遥感估算,既能体现全国PM_(2.5)时空分布的全局变化特性,又能从局部体现全国PM_(2.5)组分、污染程度及垂直分布结构特征的空间差异特性,基于地理加权回归模型的PM_(2.5)遥感反演结果(R2=0.7)明显优于多元线性回归模型(R2=0.56);2013年12月—2014年2月份全国PM_(2.5)空间分布呈现明显的区域特征,PM_(2.5)浓度较高的地方主要分布在华北南部、长三角中部和北部、华中东部及四川东部等地,西部和北部地区PM_(2.5)污染相对较轻;从时间变化来看,全国冬季12月份PM_(2.5)污染最重,1月份次之,2月份相对最低.这可为全国PM_(2.5)区域联防联控提供有力的信息支撑.     

冬季采暖期气象条件对PM2.5等空气质量要素的影响——以咸阳市为例

以汾渭平原典型城市——咸阳为研究区域,利用地面空气质量监测数据和欧洲中期天气预报中心（ECMWF）发布的第五代全球气候再分析资料数据集（ERA5）,分析了咸阳市2018—2020年3 a采暖期污染物浓度变化特征和不同污染程度下的气象条件,采用统计学方法分析各项污染物浓度与气象因素间的相关性,使用多元线性回归模型评价各气象因素对PM_2.5浓度的影响程度,使用二元Logistic回归分析气象因素对PM_2.5超标风险的影响。咸阳市采暖期首要污染物以细颗粒物（PM_2.5）和可吸入颗粒物（PM₁₀）为主,采暖期超标最多的污染物为PM_2.5,超标天数逐年递减;PM₁₀的日变化呈“双峰双谷”型,PM_2.5的谷值出现在17∶00且夜晚浓度较高。颗粒物浓度与相对湿度呈正相关,与风速、边界层高度、温度、气压呈负相关。多元线性回归预测模型显示PM_2.5浓度预测值与实测值变化趋势保持一致,预测值的波动频率比实测值大,预测准确率为51.54%;二元Logistic回归模型显示：除相对湿度外,其他气象因素对PM_2.5超标情况都是保护因素,边界层高度每增高1 m,日均浓度超标风险降低0.7%;相对湿度每升高1%,日均浓度超标风险升高5.3%;温度每升高1℃,日均浓度超标风险降低19.8%;气压每升高1 hPa,日均浓度超标风险降低9.7%。以上研究结果揭示了咸阳市采暖期主要气象因素对空气污染的影响程度,为我国北方城市今后的空气污染治理提供科学依据,为相关政策制定提供理论参考。     

基于MODIS气溶胶光学厚度与气象要素的苏锡常地区PM2.5地面浓度分布研究

基于GIS技术和岭回归分析方法,采用苏锡常地区的MODIS高分辨率气溶胶光学厚度资料、PM_(2.5)浓度观测资料和苏锡常及周边地区的气象观测资料,构建了基于气溶胶光学厚度和气象要素的PM_(2.5)地面浓度分布估算模型,模拟了2013年春季苏锡常地区PM_(2.5)的空间分布状况,并将此模型与气象要素多元回归模型、气溶胶光学厚度直接回归模型进行比较.结果表明:该模型将遥感观测资料与地面气象观测资料相结合,能够有效地模拟PM_(2.5)的空间分布状况;2013年春季苏锡常地区PM_(2.5)的空间分布具有整体上西北高、东南低,中心城区高、城郊区低的趋势,局部高浓度区域可能与工业生产、交通等人为因素有关;该模型能够在保持较高精度的前提下,有效地突出局部地区的变化特征,体现出更强的空间分异性,对于研究PM_(2.5)的空间分布规律具有一定的实际应用价值.     

基于AOD数据与GWR模型的2016年新疆地区PM2.5和PM10时空分布特征

PM_2.5与PM₁₀的时空分布特征及其相关性是大气颗粒物研究的主要内容,传统方法是基于监测站点数据进行分析,难以揭示PM_2.5与PM₁₀时空分布的区域特征.为此,本文利用地理加权回归模型估算了2016年新疆地区PM_2.5与PM₁₀的月均浓度,在此基础上对区域尺度的PM_2.5与PM₁₀浓度特征进行分析.结果表明：地理加权回归相较最小二乘回归的拟合精度更高,PM_2.5和PM₁₀的决定系数分别为0.93和0.96,且误差较小;PM_2.5和PM₁₀年均浓度分别为70.88 μg·m^-3和194.53 μg·m^-3,说明大气颗粒物污染严重,且空间分布呈西南高、东北低的特征;PM_2.5和PM₁₀季节浓度均为春季最高,夏季最低;PM_2.5月均浓度2月最高,9月最低,PM₁₀月均浓度3月最高,8月最低;PM_2.5与PM₁₀年均浓度的相关系数r为0.95,相关性较高;PM_2.5/PM₁₀冬季最高为51%,其余季节小于50%,说明冬季PM_2.5对大气颗粒物污染贡献率较高,其余季节则以可吸入颗粒物中的粗颗粒贡献为主.     

中国PM2.5污染空间分布的社会经济影响因素分析

中国的细颗粒物(PM_(2.5))污染具有危害性强、覆盖范围大、空间分布不均匀的特点.本研究以2015年中国PM_(2.5)监测站点数据为基础,尝试结合空间分析的方法,对PM_(2.5)污染空间分布的社会经济影响因素进行分析.首先以省级行政区划为基本单元,选取Moran's I指数和局部自相关指数(LISA)分析PM_(2.5)在国家尺度上的分布特征.然后利用普通最小二乘回归模型(OLS)和地理加权回归模型(GWR)分析PM_(2.5)浓度的空间分布和各项社会经济指标的相关性.结果表明,GWR模型比OLS模型更好地揭示出PM_(2.5)浓度分布和各项因素之间的关系.PM_(2.5)浓度在空间分布上存在以京津冀为中心的高浓度聚集区向四周逐渐递减,在广西、四川等南部省份形成低浓度聚集区的空间分布结构.另外,森林覆盖率和人均电力消费量与PM_(2.5)浓度显著负相关,人均私家车保有量和PM_(2.5)浓度显著正相关,其中人均私家车保有量是对PM_(2.5)浓度影响最大的因素.     

气象要素对气溶胶光学厚度估算PM2.5的影响

地面监测得到的近地面细颗粒物PM_(2.5)浓度较为精确,但数据覆盖范围相对较小,卫星遥感反演的气溶胶光学厚度(AOD)数据可以反映污染物浓度分布,具有范围大且速度快的特点,因此,大多数学者通过建立PM_(2.5)-AOD模型来实现卫星遥感监测PM_(2.5)浓度,并通过引入气象要素来优化模型.然而,气象要素的选择与引入往往对模型的精度有较大的影响,如何有效地选择对PM_(2.5)浓度影响较大的气象要素一直是PM_(2.5)-AOD模型中的关键问题.因此,本文基于华东地区2014—2015年的MODIS AOD和地面监测站的PM_(2.5)浓度数据,结合再分析气象资料,利用多元逐步线性回归方法建立PM_(2.5)-AOD模型,从由特定时刻、高度上的气象要素与随时间、高度变化的气象要素组成的气象要素集中,筛选出对因变量PM_(2.5)浓度有显著影响的关键气象要素.结果表明:在地域与季节双重尺度下的PM_(2.5)-AOD模型精度更高;相较于特定时刻高度的气象要素,随时间和高度变化的气象要素对PM_(2.5)-AOD模型的影响更为显著;在地域与季节双重尺度下,1000～850 hPa经向风速差、世界时0:00—6:00近地面温度差、850～600 hPa温度差、6:00边界层高度、12:00—18:00近地面压强差、1000～850 hPa温度差对模型影响较大,但应依据不同季节和不同地区的具体影响程度作为选择标准.