基于线性混合效应模型的河北省PM2.5浓度时空变化模型研究

京津冀地区大气PM_2.5污染严重.为揭示区域PM_2.5时空分布规律,使用2013-2014年河北省地面站点PM_2.5监测数据、MODIS AOD（气溶胶光学厚度）遥感数据、地面气象站点数据和土地利用调查数据,基于线性混合效应模型（LME）,建立了ρ（PM_2.5）时空变化与AOD因子、气象因子、土地利用因子之间的关系模型.采用十折交叉验证法对模型精度进行检验,并利用计算得到的校正因子[全部实测的ρ（PM_2.5）年均值除以参与建模的所有实测ρ（PM_2.5）年均值]纠正因AOD非随机性缺值导致的抽样偏差.结果表明:①河北省区域模拟精度R2（决定系数）为0.85,经交叉验证后R2为0.77,RMSE（均方根误差）和RPE（相对预测误差）分别为18.28 μg/m3和28.68%.②ρ（PM_2.5）年均值模拟结果的校正因子范围为1.24~2.05,校正后的研究区ρ（PM_2.5）年均值为89.84 μg/m3,与实际监测数据相近.③ρ（PM_2.5）空间分布呈平原高、山区低,平原地区西南高、东北低的趋势.④ρ（PM_2.5）与AOD、温度、相对湿度呈正相关,与风速、大气能见度呈负相关.研究显示,线性混合效应模型能有效对ρ（PM_2.5）进行时空变化模拟,并实现对非地面监测地区ρ（PM_2.5）时空变化的预测,恰当的预测因子组合和模型校正有助于模型预测精度的提升.      

基于AOD数据和GWR模型估算京津冀地区PM2.5浓度

利用MODIS气溶胶光学厚度（AOD）数据针对不同土地覆盖类型的适用性,提出了一种基于土地覆盖类型的AOD融合方法,生成了一种新的3km AOD数据集.在此基础上,通过地理加权回归（GWR）模型估算了京津冀地区2016年PM_2.5浓度,并用交叉验证的方法对模型性能进行评价.结果表明：利用融合后的AOD数据建立的模型可解释PM_2.594.85%的浓度变化,交叉验证R²为0.94,RMSE为9.27μg/m³,MPE为6.72μg/m³,明显优于多元线性回归（MLR）模型;基于GWR模型估算的京津冀地区2016年年均PM_2.5浓度为58.57μg/m³,其中冬季PM_2.5浓度最高,春秋季次之,夏季浓度最低,PM_2.5月均浓度变化范围32.78~140.83μg/m³,8月份浓度最低,12月份浓度最高;空间分布南北差异显著,衡水市PM_2.5污染最为严重,张家口市PM_2.5浓度较低.利用此方法成功弥补了PM_2.5空间缺失,为城市尺度的健康效应和环境流行病学研究提供数据支持.     

基于遥感数据估算近地面PM2.5浓度的研究进展

卫星反演的气溶胶光学厚度(AOD)具有广泛的空间覆盖度和相对较高的时空分辨率. 基于AOD与PM_2.5的相关关系来估算PM_2.5浓度已成为监测近地面PM_2.5的有效途径,其估算结果较可靠,能够为治理PM_2.5污染提供数据基础和科学依据. 从反演AOD数据集和PM_2.5浓度估算模型2个方面进行梳理归纳,从卫星轨道运行类型角度分析各类传感器的产品特征,并对缺失AOD的插补方法进行分类评价;对PM_2.5浓度的估算模型进行比较分析,指出不同模型的优缺点和适应性. 结果表明:①各类卫星传感器均具有特定功能及优缺点,其中地球同步轨道(GEO)卫星的快速发展,使其在估算PM_2.5浓度的应用上越来越广泛. ②插补后的AOD比AOD初始产品具有更连续的时空分布和更高的准确性,基于模型的多变量估算不仅可以实现数据的全面覆盖,还可以获得更好的估算精度. ③组合模型成为估算PM_2.5浓度的重要方法,机器学习模型的加入能够有效提高PM_2.5浓度的估算精度. 研究显示,利用AOD估算近地面PM_2.5浓度不仅弥补了地面PM_2.5监测的空间不连续性,更有助于解析PM_2.5浓度的时空分布特征及污染来源.      

基于时间序列分解的京津冀区域PM2.5和O3空间分布特征

京津冀区域大气污染分布呈现明显的空间差异,厘清不同时间尺度下PM_2.5和O₃浓度分布有助于制定科学有效的污染防控措施.采用STL方法分解PM_2.5和O₃浓度,获取长期分量、季节分量和短期分量,研究其变化趋势与空间分布特征.结果表明,2017～2021年京津冀区域PM_2.5浓度下降幅度高于O₃,春、夏季PM_2.5和O₃浓度呈正相关,秋、冬季呈现负相关,短期分量和季节分量分别对PM_2.5和O₃浓度的贡献最大. PM_2.5的季节分量、短期分量以及O₃的长期分量和短期分量均存在2个主成分,对应河北省中南部和京津冀区域北部,在不同时间尺度上京津冀区域PM_2.5和O₃均存在次区域分布.与原始序列相比,长期分量能够更好地反映PM_2.5和O₃浓度的演变趋势...     

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.     

中国城市PM2.5和PM10时空分布特征和影响因素分析

PM_2.5和PM₁₀浓度超标引发的空气质量问题严重影响公众健康,研究PM_2.5和PM₁₀浓度对制定有效的污染防控和治理措施具有重要意义.运用时空分析法,分析2018年季度PM_2.5和PM₁₀浓度时空分布,并用GWR探究浓度差异的原因.结果表明：(1)PM_2.5和PM₁₀的浓度均呈冬春高、夏秋低的季节性规律;四季污染物浓度在胡焕庸线两侧存在显著差异,该线以东地区高浓度聚集在京津冀地区,该线以西地区高浓度聚集在新疆中南部.(2)PM_2.5和PM₁₀浓度的Moran’s I在四季均为正,且均在冬季增至最大值;PM_2.5和PM₁₀的分布格局基本一致,“高-高”类和“低-低”类集中分布现象明显.(3)各因素对PM_2.5和PM₁₀浓度的影响存在较大空间异质性.温度和坡度对PM_2.5     

汾渭平原PM2.5浓度的影响因素及空间溢出效应

基于实时监测和遥感反演数据,利用空间自相关分析和空间回归分析等方法,探讨了汾渭平原2015~2017年PM_2.5浓度时空变化规律和影响因素,揭示了各因素的空间溢出效应.结果表明：（1）2015~2017年汾渭平原PM_2.5浓度逐年上升,主要由采暖期（11月~次年3月）的快速上升引起,非采暖期（4~10月）年际变化不大.（2）PM_2.5月均浓度变化曲线呈底部宽缓的U型,采暖期PM_2.5污染明显高于非采暖期,超标天数占全年总超标天数比例由2015年的75.0%上升到2017年的83.4%.（3）2015~2017年,除铜川和三门峡外,各城市PM_2.5浓度都有不同程度的上升.咸阳至运城间的平原地区和洛阳盆地污染最严重,已形成连片的高污染区域,且区域内城乡差异小.临汾及其上游平原地区其次,但主要分布在城镇,城乡差异较大.（4）空间回归分析表明,汾渭平原PM_2.5浓度有显著的空间溢出效应.年均气温、城镇化率、能源消费指数和年均人口不仅与本地PM_2.5浓度有显著的正相关,而且会加重邻近地区PM_2.5污染.年降水量和地形起伏度则不仅与本地PM_2.5浓度有显著的负相关,而且能降低邻近地区PM_2.5浓度.风的传输作用能加重本地PM_2.5污染,植被覆盖度能消减本地PM_2.5浓度,但其间接效应都不显著.     

基于PM2.5站点监测数据的京津冀AOD补值研究

以京津冀2020年318个地面监测站点的PM_2.5数据为估算因子,构建了时空线性混合效应模型(STLME)和时空嵌套线性混合效应模型(STNLME),为AOD数据的补值研究提供了一种新方法.结果表明:在有AOD-PM_2.5匹配数据的日期,上述两个模型估算精度相近,交叉验证后决定系数R²分别为0.868和0.874,均方根误差RMSE分别为0.112和0.109;在无AOD-PM_2.5匹配数据的日期,嵌套模型估算精度明显高于非嵌套模型,交叉验证后决定系数R²分别为0.63和0.26.经过模型补值后,研究区监测站点所在网格AOD数据空间维有效比率从原始数据的44.35%提高到99.35%,时间维有效比率从87.94%提高到100%;同时,每个站点的年均AOD值都有明显提高,弥补了高PM_2.5浓度条件下缺失的AOD数据,可以减少空气污染和健康研究中暴露评估的偏差.     

集成AEC和时空特征的工业园区PM2.5浓度预测

为实现工业园区企业污染排放精细化管控,捕捉工业园区内企业污染排放与污染物浓度之间的响应关系,提出一种集成大气环境容量(AEC)和时空特征的工业园区PM_2.5浓度预测模型.通过有限体积法获得工业园区日均大气自净能力指数(ASI),结合工业园区日排放数据作为AEC特征;同时利用小波分析和Pearson相关系数法提取时空特征,包括目标监测站PM_2.5浓度的时间变化特征和其与周围监测点PM_2.5的空间相关特征.通过CNN获取训练数据中PM_2.5的关联特征,并利用BILSTM充分反映时间序列训练数据中隐含的关键历史长短期依赖关系,确保快速准确的预测性能,以2018～2020年濮阳市工业园区大气污染物观测数据、气象数据及排放数据进行实验验证.结果表明:本文提出的CNN-BILSTM预测模型相较于传统LSTM模型预测精度提升10%;AEC特征和时空特征有利于提高模型精度和稳定性,集成AEC和时空特征的CNN-BILSTM预测模型在PM_2.5污染天数预测准确率最高,达93%;分季节预测结果表明...     

基于组合模型的PM2.5浓度预测及其不确定性分析

运用GIS软件及克里金（Kriging）插值等方法分析合肥城市圈PM_2.5浓度的时空分布,根据合肥市环境监测历史数据、地面气象站点数据及历史气象数据,采用多元回归分析、相关分析等方法,研究合肥市PM_2.5浓度的影响因素。结果表明:1）PM_2.5 浓度整体变化情况为冬季 > 秋季 > 春季 > 夏季,大部分城市PM_2.5浓度峰值出现在1月,之后浓度开始逐渐下降,7月达到最低值,此后浓度逐渐升高。2）PM_2.5浓度与CO呈高度正相关,相关系数高达0.875;与PM₁₀、SO₂、NO₂的相关性也较高;与O₃呈负相关。PM_2.5浓度与气压、风速、降雨量以及能见度呈负相关,与温度、相对湿度呈强正相关。基于2018—2019年合肥市地面站点PM_2.5浓度监测数据,构建预测PM_2.5浓度的组合模型:对比三次指数平滑模型,确定模拟退火+遗传+三次指数平滑为优组合模型,拟合度达到95%。通过Kappa及MAPE指数对组合模型不确定性进行分析评价,两者分别为0.654和0.072,说明该模型具有高度稳定性。恰当的预测因子组合和模型不确定性研究有助于模型预测精度的提升和改善,从而为大气环境质量监测和评价提供参考。     

基于深度学习的华东地区PM2.5浓度遥感反演

PM_2.5作为大气污染的主要来源,对人类身体健康有着极大的影响.本文提出基于深度学习模型的多要素联合PM_2.5反演方法,以PM_2.5浓度作为真值数据,引入Himawari气溶胶光学厚度（AOD）日数据产品与温度、相对湿度和气压等10个要素作为反演要素.为验证方法的有效性,采用华东地区2016~2018年的数据分季节开展实验,并与传统反演方法进行对比.结果表明,PM_2.5浓度与AOD、降水、风速、高植被覆盖指数呈正相关关系,与矮植被覆盖指数呈负相关关系,与温度、湿度、气压以及DEM的相关性随季节的变化而改变;基于深层神经网络（DNN）反演的PM_2.5精度高于传统的线性和非线性模型,各个季节R²均在0.5以上并且误差较小,其中秋季的反演效果最好R²为0.86,夏季为0.75,冬季为0.613,春季为0.566;模型的可视化结果显示,DNN模型的反演结果更接近地面监测站点插值的PM_2.5浓度分布,分辨率更高且更精确.     

Influence of urban spatial and socioeconomic parameters on PM2.5 at subdistrict level: A land use regression study in Shenzhen, China

The intraurban distribution of PM_2.5 concentration is influenced by various spatial, socioeconomic, and meteorological parameters. This study investigated the influence of 37 parameters on monthly average PM_2.5 concentration at the subdistrict level with Pearson correlation analysis and land-use regression (LUR) using data from a subdistrict-level air pollution monitoring network in Shenzhen, China. Performance of LUR models is evaluated with leave-one-out-cross-validation (LOOCV) and holdout cross-validation (holdout CV). Pearson correlation analysis revealed that Normalized Difference Built-up Index, artificial land fraction, land surface temperature, and point-of-interest (POI) numbers of factories and industrial parks are significantly positively correlated with monthly average PM_2.5 concentrations, while Normalized Difference Vegetation Index and Green View Factor show significant negative correlations. For the sparse national stations, robust LUR modelling may rely on a priori assumptions in direction of influence during the predictor selection process. The month-by-month spatial regression shows that RF models for both national stations and all stations show significantly inflated mean values of R² compared with cross-validation results. For MLR models, inflation of both R² and R²_CV was detected when using only national stations and may indicate the restricted ability to predict spatial distribution of PM_2.5 levels. Inflated within-sample R² also exist in the spatiotemporal LUR models developed with only national stations, although not as significant as spatial LUR models. Our results suggest that a denser subdistrict level air pollutant monitoring network may improve the accuracy and robustness in intraurban spatial/spatiotemporal prediction of PM_2.5 concentrations.     

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.     

浙江省大气PM2.5时空分布及相关因子分析

该研究以浙江省2014-2019年PM_2.5浓度数据为研究对象,应用多元线性回归和随机森林方法结合气象、植被、地形、经济、人口和基础设施等因子进行分析.研究结果表明PM_2.5浓度时空分布不均匀,时间上季节变化差异显著,总体呈冬季>春季>秋季>夏季分布规律,每年呈下降趋势;空间上呈西北多东南少的分布特征.多元线性回归和随机森林模型显示日最低地表气温（MI-GST）、日最低气压（MI-PRS）、日蒸发量（EVP）、日最小相对湿度（MI-RHU）、月植被覆盖度（FVC）、日降水量（PRE）、日极大风速（MM-WIN）、日平均相对湿度（AV-RHU）、铁路密度（Railway）、日最大风速（MA-WIN）、日照时长（SSD）、海拔（DEM）、日平均风速（AV-WIN）和河流密度（River）等15个因子对PM_2.5浓度影响显著;随机森林模型均方根误差（RMSE）、均方绝对百分比误差（MAPE）和变异解释量（R²）分别为0.133、17.83%和0.834,明显优于多元线性回归（0.278、40.48%和0.575）,表明随机森林更适合浙江省PM_2.5浓度估测,该研究揭示PM_2.5时空分布及相关因子分析,为限制空气污染提供有效策略.     

基于受体和化学传输的综合模型解析重庆PM2.5来源

为进一步提高PM_2.5污染源解析的准确性,研究提出一种基于受体和化学传输的综合源解析模型（CTM-RM）,并以重庆冬季一次典型PM_2.5污染过程为例（2019年1月21～27日）开展模型评估与应用.结果表明,观测期间基于CTM-RM获得的模拟误差平方值较CAMx/PSAT低84.58%,PM_2.5及其化学组分浓度的模拟相对误差值较CAMx/PSAT下降15.69%～92.86%;此外,CTM-RM还可以获取重庆市PM_2.5污染源贡献的时空分布特征.观测期间,主城区PM_2.5农业源、工业源、电力源、民用源、交通源和其他源的调整因子R值分别为1.39±0.38、 1.54±0.48、 1.01±0.13、 1.02±0.58、 0.86±0.59和0.58±0.67,各污染源R值的累积分布函数差异明显.民用源和工业源是主城区PM_2.5的主要污染源（46.23%和28.23%）.与其他源不同,污染日交通源贡献率（8.62%）同比清洁日显著上升（P<0.00...     

基于地统计模型的上海大气污染物多建模方法的比较

地统计模型被广泛应用于环境空气污染物暴露模拟,但不同建模方法及其模拟结果之间的对比研究较少.基于上海2016~2019年55个环境空气监测点位的NO₂和PM_2.5观测数据,以及交通路网、排放源兴趣点和卫星数据等地统计变量,应用偏最小二乘回归（PLS）、监督学习线性回归（SLR）和机器学习随机森林（RF）这3种建模方法创建年暴露模型,并进一步应用普通克里金插值（OK）法分析模型残差,构建复合模型.应用交叉验证对模型的模拟效果进行检验,选取每一种建模方法的最优模型结构（是否应用OK）作为最终模型.结果表明,NO₂模型中表现最好的是RF-OK （R_mse²为0.70~0.82）和PLS-OK模型（R_mse²为0.78~0.84）;PM_2.5模型中PLS模型（R_mse²为0.62~0.71）优于SLR-OK （R_mse²为0.40~0.79）和RF-OK （R_mse²：0.31~0.56）模型.应用3种建模方法对上海1 km网格开展年暴露模拟和对比,NO₂模型间模拟结果的相关性（r为0.82~0.91）高于PM_2.5模拟结果的相关性（r为0.66~0.96）.基于3种模型2019年的模拟结果,评估了上海NO₂和PM_2.5的人群暴露水平.     

2011年春季辽宁一次沙尘天气过程及其对不同粒径颗粒物和空气质量的影响

利用2011年5月11—12日辽宁沙尘天气过程的相关资料,分析了沙尘天气对不同粒径颗粒物及空气质量的影响及此次沙尘过程的天气成因.结果表明:沙尘天气发生前后可吸入颗粒物PM₁₀、PM_2.5和PM₁的浓度变化很大,沈阳、鞍山、本溪和丹东4城市PM₁₀、PM_2.5的小时浓度最大值都增大了1.5~20倍;粗粒子PM_(2.5~10)的数量浓度分别增加了30~41倍,质量浓度分别增加了27~30倍;细粒子PM_(1~2.5)的质量浓度分别增加了30~35倍,数量浓度分别增加了15~30倍;微粒子的数量浓度和质量浓度各城市表现不同,沈阳微粒子的数量浓度和质量浓度最大值增大了3倍和5倍,而鞍山PM₁的数量浓度和质量浓度分别减少了50%和10%.受蒙古气旋的影响内蒙古地区产生大风降温天气,大风将内蒙古地区的沙尘带到高空并随西风带向东移动进入辽宁,由于辽宁地区风速比较小,造成了辽宁大部分地区的浮尘天气,并对辽宁各地空气质量造成了严重影响,除丹东外辽宁其他13个城市空气质量都达到了轻微污染到重度污染的级别,铁岭、阜新、沈阳和抚顺的污染指数分别超过了300,达到了重度污染的级别.     

北京市PM2.5时空分布特征及其与PM10关系的时空变异特征

PM_(2.5)时空分布特征及其与其它污染物的相关关系是PM_(2.5)时空统计分析的主要研究内容.然而,现有的方法直接从监测站点的角度对时空分布特征进行分析,难以有效地揭示PM_(2.5)浓度的聚集分布特征;同时,常用的地理加权回归在对PM_(2.5)与其它污染物间关系进行建模的过程中,缺乏同时考虑时间异质性与空间异质性,从而不能准确地描述依赖关系的时空变异特征.为此,首先借助于空间聚类分析技术,对北京市2014年PM_(2.5)浓度的聚集结构进行探测,在此基础上,通过聚集结构来分析PM_(2.5)季节性时空分布特征.然后,利用地理时空加权回归对北京市PM_(2.5)与PM_(10)季节平均浓度间关系进行建模,依据回归结果分析PM_(2.5)-PM_(10)间关系的时空变异特征.实验结果表明,春夏季节PM_(2.5)污染程度及空间变异程度均低于秋冬季节,各季节PM_(2.5)浓度均表现为北部浓度低、南部浓度高的空间分布特征;地理时空加权回归具有更好的拟合效果,由回归系数进一步可发现,春夏季PM_(2.5)-PM_(10)相关性低于秋冬季PM_(2.5)-PM_(10)相关性;各季节均表现为西北部PM_(2.5)-PM_(10)的相关性高于东南部PM_(2.5)-PM_(10)的相关性.