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.     

多种气象要素及其变化对AOD与PM2.5关联模型的影响研究

利用卫星遥感反演气溶胶光学厚度(AOD)已成为获取宏观、连续空气污染信息的一种有效手段.通过构建AOD-PM_(2.5)的关联模型是实现空间范围内PM_(2.5)监测的主要方法,而气象要素是该模型中的重要输入参数,直接影响到模型模拟的精度.当前诸多模型多采用地面气象要素,缺乏对于不同高度气象要素及其变化对构建AOD-PM_(2.5)关联模型的影响研究.本文以淮河流域五省为例,在实测地面气象资料的基础上,利用再分析气象资料,考虑了从地面至高空不同高度处的气象要素及其垂直变化,运用多元逐步回归方法,对比了地面与不同高度气象要素及其变化量对AOD-PM_(2.5)关联模型的贡献程度.结果表明:①AOD-PM_(2.5)关联模型在不同站点、不同季节的差异仍较为明显,不同高度及随高度变化的气象要素对提高春季AOD-PM_(2.5)关联模型的精度有较显著影响;②考虑了不同高度气象要素及垂直变化的多元逐步回归线性模型的表现优于仅考虑地面气象要素的模型,尤其是春季的改善较明显,RMSE降幅达到近43%;③基于地理加权回归方法的AOD-PM_(2.5)关联模型的估算结果略优于多元逐步回归线性模型.     

基于MODIS气溶胶产品的安徽省颗粒物浓度反演研究

基于MODIS level2的气溶胶产品,分别利用地面气象观测和ECMWF再分析资料进行垂直订正和地面水汽订正,建立MODIS气溶胶光学厚度与地面颗粒物浓度间的关系模型,并分析了颗粒物浓度的时间变化特征。结果表明:(1)MODIS光学厚度与地面PM_(2.5)和PM_(10)浓度相关性较差,经过垂直订正得到的地面消光系数与PM_(2.5)和PM_(10)浓度的相关性增强,水汽订正后的干消光系数与PM_(2.5)和PM_(10)浓度的相关性进一步提高。(2)ECMWF再分析格点数据中边界层厚度和相对湿度产品适用于MODIS光学厚度的垂直订正和水汽订正。(3)利用MODIS光学厚度历史数据反演的合肥市月平均PM_(2.5)浓度自2000年以来呈震荡增长趋势,PM_(2.5)浓度冬季较高,春秋次之,夏季最低。     

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.     

基于距离相关系数和支持向量机回归的PM2.5浓度滚动统计预报方案

针对目前空气质量统计预报方法存在的主要缺陷,本文提出了距离相关系数和支持向量机回归相结合的统计预报方案DC-SVR.利用淮安市2013年1—12月PM_(2.5)观测资料和常规气象观测资料,首先在选入预报当日气象要素的基础上,增加选取前期污染物和气象要素作为预报因子,再采用距离相关系数分季节从预报因子中筛选出重要预报因子,最后采用支持向量机回归对PM_(2.5)浓度值进行逐日滚动统计预报.研究发现,淮安地区气温和气压对PM_(2.5)的距离相关性要高于其他气象要素,夏秋季PM_(2.5)与气象要素的距离相关性较春冬季好.基于距离相关系数和支持向量机回归建立DC-SVR模型,PM_(2.5)的试预报值和实测值的全年相关系数高达0.76,平均偏差仅为1.13μg·m~(-3),平均绝对误差为23.47μg·m~(-3).通过与支持向量机回归、人工神经网络的统计预报效果对比,DC-SVR模型有效降低预报因子维数且能自适应选取最佳参数,预报精度显著优于其他3种统计预报方案,可为业务化预报提供参考.     

基于LUR模型的中国PM2.5时空变化分析

土地利用回归(LUR)模型是模拟大气污染物浓度时空分异最主要、最体系化的方法之一,为了探索LUR模型在中国国家尺度空气污染物模拟的适应性,挖掘中国2015年空气细颗粒物(PM_(2.5))的时空变化特征及其与不同地理要素相关关系,以2015年国家控制监测站点PM_(2.5)数据为因变量,土地利用类型、地形地貌、人口、道路交通与气象要素等影响因素为自变量,构建基于地理加权的LUR模型,通过模型回归制图得到2015年全国月均与年均PM_(2.5)浓度分布图,以胡焕庸线为参考线分析中国2015年PM_(2.5)浓度的时空变化特征.结果表明,引入地理加权算法的LUR模型残差Moran'sⅠ显著降低,残差空间自相关性明显减弱,判别系数R2明显提高,更好地揭示出PM_(2.5)空间分布和各影响因子间的复杂关系;耕地、林地、草地和城镇居民工矿用地以及气象要素、主干道路对PM_(2.5)浓度的影响比较显著.不同地理要素的不同空间分布对PM_(2.5)影响作用不同;胡焕庸线两侧PM_(2.5)表现出明显的时空差异,人口规模大、工业化水平高的发达城市PM_(2.5)浓度较高; PM_(2.5)浓度在冬季月份较高,秋季、春季、夏季月份污染情况逐渐减弱.     

基于随机森林模型的中国PM2.5浓度影响因素分析

选取气溶胶光学厚度、海拔、年降水量、年均气温、年均风速、人口密度、GDP密度和NDVI作为影响因子,基于随机森林模型、特征重要性排序和偏依赖图技术,研究中国PM_(2.5)浓度空间分布的影响因素及其区域差异.结果表明:①与多元回归、广义可加模型和BP神经网络相比,随机森林模型估算的PM_(2.5)浓度精度最高,可用于PM_(2.5)污染的影响因素研究.②PM_(2.5)浓度随气溶胶光学厚度、人口密度和GDP密度的增加呈先上升后平稳的趋势,随降水、风速和NDVI的增加呈先下降后平稳的趋势,随海拔和气温的增加呈下降→上升→下降的趋势.③气溶胶光学厚度对PM_(2.5)浓度空间分布的影响最大,可解释37.96%的PM_(2.5)浓度空间分异;年降水量对PM_(2.5)浓度空间分布的影响最小,解释率仅为5.75%.④影响因子与PM_(2.5)浓度的关系存在空间异质性,同一影响因子对不同地理分区的PM_(2.5)浓度的影响程度有所不同.气溶胶光学厚度对华南地区PM_(2.5)浓度的空间分布影响最大,对东北地区影响最小.     

苏锡常地区PM2.5污染特征及其潜在源区分析

利用2014年12月—2015年11月苏锡常地区国控大气环境质量监测站发布的逐时数据,分析了研究区PM_(2.5)浓度的季节变化和空间分布特征,并利用HYSPLIT模型分析了大气污染物的输送路径及苏锡常地区PM_(2.5)的潜在源区.结果表明,苏锡常地区PM_(2.5)浓度日均值变化趋势基本一致,均呈现冬季高、夏季低的规律.PM_(2.5)浓度四季空间差异显著,不同监测站之间的差异较小.四季PM_(2.5)浓度与其它污染物之间相关性显著.单位面积污染物排放量与空气质量分布的空间错位,表明该地区PM_(2.5)污染与区域性污染物迁移有较大关系.苏锡常地区气流后向轨迹季节变化特征明显,冬、春、秋季的气流主要来自西北内陆地区,夏季气流以东南和西南方向输入居多.聚类分析表明,来自内陆的污染气流和来自海洋的清洁气流是苏锡常地区两种主要输送类型,外源污染气流不仅直接输送颗粒物,还贡献了大量的气态污染物.山东南部、江苏西部、安徽东部、浙江北部及江西西北地区对苏锡常冬季PM_(2.5)浓度贡献较大,春、夏、秋季的潜在源区主要分布在苏锡常本地和周边城市.     

泰州地区激光雷达大气气溶胶观测

对激光雷达产品的消光系数、退偏振比、边界层高度和气溶胶光学厚度进行统计分析,并与环境监测数据和地面气象观测数据进行对比,验证产品的可靠性。总的来说,大气消光系数垂直变化趋势是接近的,从近地面开始增大,在1km左右高度达到峰值,这就是边界层的所在。4月、11月和12月大气消光系数较高,大气气溶胶浓度较高,8月、9月和10月较低,气溶胶浓度较低,与环境监测数据相吻合。地面能见度和消光系数具有较好的指数相关;近地面处PM_(2.5)、PM_(10)的浓度和消光系数均具有较好的幂相关性;气溶胶光学厚度与PM_(2.5)、PM_(10)浓度有线性正相关;边界层高度与PM_(2.5)、PM_(10)存在显著的负相关,但是相比其他相关性不高;气溶胶光学厚度与能见度有负相关。     

北京地区不同时段平均PM2.5浓度与MODIS气溶胶光学厚度相关性分析

利用2014年北京市12个空气质量监测站的逐小时PM_(2.5)地面观测资料,以及Terra和Aqua卫星的MODIS气溶胶光学厚度(AOD)产品,在时间和空间数据匹配的基础上,研究了PM_(2.5)的5 h(10:00—14:00)和24 h(0:00—23:00)两种时段平均浓度及两颗卫星平均AOD的时空分布特征,并建立了AOD与不同时段平均PM_(2.5)浓度之间的回归模型.结果表明:PM_(2.5)的5 h平均浓度和24 h平均浓度值均在城区高、郊区低,最低值位于定陵站;匹配后逐时PM_(2.5)浓度的日变化呈"双峰型",最低值出现在下午,但北京西北部郊区的定陵和昌平镇站因局地山谷风环流和外部排放源的影响,其"双峰型"波动趋势较城区站偏弱,最低值出现在上午;AOD的空间分布特征与PM_(2.5)浓度分布一致,但在郊区由于污染水平分布不均,卫星采集的样本可能来自于周围的清洁大气,导致AOD的最小值在郊区站点明显低于城区站点;两颗卫星平均的AOD与5h PM_(2.5)平均浓度的决定系数高于AOD与24 h PM_(2.5)平均浓度的决定系数;AOD与PM_(2.5)的相关系数在城区高于郊区,郊区排放源分布不均和强的局地系统性环流是造成其相关系数低的重要原因.     

基于时空混合效应模型的京津冀PM2.5浓度变化模拟

为揭示京津冀地区高精度PM_2.5的时空分布特征,以空间分辨率为1 km的MAIAC AOD数据为主要预测因子,以气象数据、植被指数、夜间灯光数、人口密度和海拔数据作为辅助因子,构建了一种新的时空混合效应模型（STLME）,在拟合最优次区域划分方案基础上对京津冀地区PM_2.5浓度进行预测分析.结果表明,基于STLME模型的ρ(PM_2.5)预测精度高于传统的线性混合效应模型（LME）,其十折交叉验证（CV）R²为0.91,明显高于LME模型的0.87,说明STLME模型在同时校正PM_2.5-AOD关系的时空异质性方面具有优势.最优次区域划分方案识别出PM_2.5-AOD关系的空间差异,并结合缓冲区平滑方法,提高了STLME模型预测精度.京津冀PM_2.5浓度时空变化差异显著,高值区主要分布在以石家庄、邢台和邯郸为中心的河北南部,低值区则位于燕山-太行山区;冬季PM_2.5污染最严重,其次是秋季和春季,夏季污染最轻.STLM...     

陕西省PM2.5时空分布规律及其影响因素

PM_2.5是导致中国多省市发生灰霾的罪魁祸首,明确其时空分布规律,厘清其影响因素对灰霾的综合治理意义深远.基于陕西省2015年50个监测站点的PM_2.5浓度数据,采用空间数据统计方法、克里金插值法以及Morlet小波分析法对陕西省PM_2.5浓度的时空分布规律进行研究,并运用灰色关联模型来探讨PM_2.5浓度的影响因素.结果显示:①陕西省PM_2.5浓度整体呈"冬高夏低、春秋居中"的季节性变化规律,"U型"起伏的月变化规律,周期性脉冲波动型的日变化规律以及"W型"起伏的时变化规律;②陕西省PM_2.5浓度呈"北部低,中南部高"的空间分布特征,并且空间集聚性显著.不同季节的高值区均集聚于海拔相对较低的关中盆地内部城市.这与盆地内部空气不易扩散,静稳天气出现频率较高,易出现逆温现象密切相关;③影响陕西省PM_2.5浓度最大的指标层是PM_2.5污染来源（权重值为0.49）,其次是城市化与土地利用（权重值为0.37）,气象与地形因子影响最小（权重值为0.15）.不同城市各指标层的综合关联度差异较大.④各指标因子与PM_2.5浓度均为强度关联.降水量、机动车保有量、二氧化硫排放量、烟粉（尘）排放量、建成区面积、人口密度和人均GDP是影响陕西省PM_2.5浓度的主要因子,影响各城市PM_2.5浓度的主要因子具有一定的空间差异性.研究显示,人类活动对陕西省PM_2.5的影响显著,尤其是城市化的快速推进,相关指标（如人口、机动车、能耗、工业总产值等）持续增长,将进一步加大PM_2.5来源的多样性以及相关污染物的排放量.      

天津市PM2.5浓度时空分布特征及重污染过程来源模拟分析

天津市多发生以PM_2.5为首要污染物的重污染事件,明确ρ（PM_2.5）时空分布特征及重污染过程来源对PM_2.5的综合治理意义深远.利用天津市2014-2017年环境资料和2016年气象资料,结合WRF-Chem模式研究了天津市ρ（PM_2.5）时空分布特征及重污染过程来源.结果表明:①自2014年以来,天津市ρ（PM_2.5）呈逐年下降趋势.②ρ（PM_2.5）月变化曲线呈"U"型分布,呈冬春季高、夏秋季低的季节性特征;ρ（PM_2.5）日变化呈双峰型分布,主峰值出现在08:00-09:00,次峰值出现在21:00-翌日00:00.③各季节天津市ρ（PM_2.5）空间分布不同,春季、夏季、秋季和冬季高值中心分别位于天津市西南部的静海区、中心城区北部的北辰区、西部的武清区及北部的蓟州区.④WRF-Chem模式模拟的天津市秋冬季污染物来源结果表明,本地源贡献率为56%,外来源输送贡献率为44%,其中以河北省和山东省的输送为主.2016年12月16-22日天津市一次重污染过程的模拟结果表明,天津市本地源贡献率为49.6%,河北省、北京市和山东省的外来源输送贡献率分别为32.2%、7.0%和2.2%.污染前期,不利气象条件和外来源输送造成天津市ρ（PM_2.5）聚集并形成重度污染;污染持续过程中,本地源贡献率逐渐增大并占主导地位.研究显示,近年来天津市ρ（PM_2.5）呈下降趋势,并有明显的空间分布特征.      

京津冀PM2.5时空分布特征及其污染风险因素

为分析京津冀及其周边区域2013年典型污染事件中PM_2.5的时空分布特征及污染风险因素,根据国家城市环境空气质量实时发布数据和京津冀地区地理国情信息监测成果,采用空间数据挖掘方法对PM_2.5污染的热点区域进行了划分;并采用地理探测器定量分析了PM_2.5污染风险因子及其影响程度. 结果表明:在选取的京津冀6个城市中,在PM_2.5污染事件统计上存在保定—廊坊—北京—天津—承德—张家口的污染顺序. PM_2.5污染在空间上呈河南省(山东省)—河北省—北京市(天津市)一线的带状分布特征,在单次污染事件中,城市间的PM_2.5污染存在空间运移关系. 空间热点探测表明,京津冀及其周边区域主要分为5个热点聚集区,其中3个高值区分布在北京市、天津市、河北省和山东省的中部,面积分别为5.31×104、10.26×104、5.04×104 km2. 在8个污染风险因子中,污染企业总数(影响力为0.97,下同)、降水量(0.93)、地形坡度(0.89)对PM_2.5污染的影响显著高于其他风险因子;其他风险因子影响力排序依次为人口数量(0.60)、降水量大于0.1 mm的降水日数(0.57)、地表覆盖类型(0.52)、年均相对湿度(0.51)、年均风速(0.33),但风险因子间相比没有显著性差异. 研究显示,京津冀地区PM_2.5污染的主要因素是污染物排放,其次,气象要素中的年降水量和自然地理环境中的地形坡度也是影响PM_2.5污染特征的重要风险因子.      

徐州市气溶胶光学厚度与PM2.5相关性及年周期特征

基于徐州市2014～2017年气溶胶光学厚度(AOD)、地面监测站PM_(2.5)浓度及气象数据,构建经标高订正的AOD(AOD/H)与经湿度订正的PM_(2.5)(PM_(2.5)×f_((RH)))之间的5种不同类型的拟合模型,分析两者在不同季节的相关性;同时利用经验模态分解对AOD/H与PM_(2.5)×f_((RH))进行周期变化分析。结果表明:AOD与PM_(2.5)浓度直接相关程度较低,经过订正后两者的相关程度显著提高;选取乘幂模型为最优拟合模型,利用乘幂模型估计得到的PM_(2.5)浓度与地面监测的经湿度订正的PM_(2.5)浓度呈显著正相关,相关系数在四季分别达到0.752、0.650、0.808和0.942;利用经验模态分解分析得到AOD/H与PM_(2.5)×f_((RH))具有显著的年周期变化特征,均在冬季出现高值,后逐渐降低,在6月前后出现极小值,到秋季又逐渐增大;AOD/H与PM_(2.5)×f_((RH))年变化特征表现出很高的一致性(r=0.888),表明在徐州地区AOD/H对PM_(2.5)×f_((RH))在年周期尺度变化特征研究中能起到良好的指示作用。     

福州市区冬春季PM2.5污染特征与来源差异性分析

基于福州市区2015年2月—2016年1月间的大气PM_(2.5)监测数据,综合运用HYSPLIT后向轨迹模式、潜在源贡献因子法(WPSCF)与浓度权重轨迹分析(WCWT)等方法,探讨了福州市区冬、春季PM_(2.5)污染特征和典型污染过程成因,总结了气象因子和污染来源的季节性差异.研究期间,冬、春季是福州市区PM_(2.5)污染的主要季节,福州市区不同类型站点的PM_(2.5)浓度在冬、春季污染发生时均呈现出整体升高的特点,但浓度日变化却存在季节性差异,冬季无显著日变化,春季则表现为单峰单谷特征.福州市区春季主要受锋前暖区和高压后部等天气系统影响,大气扩散条件差,PM_(2.5)极易在不利的气象条件下累积,福建沿海地区是其PM_(2.5)污染的主要潜在源区;冬季污染易受高压天气系统作用,盛行偏北风,长江三角洲地区的污染物输入会对福州市区空气质量产生较大影响,长江三角洲、浙江东南沿海、福建北部是其PM_(2.5)污染的主要潜在源区.     

乌鲁木齐市MODIS气溶胶光学厚度与PM10浓度关系模型研究

为了建立乌鲁木齐市近地面PM10浓度监测的关系模型,利用乌鲁木齐市2013年3—11月、2014年3—11月MODIS AOD产品与同期地面观测的PM10质量浓度进行相关分析,结果表明二者直接相关程度较低(r=0.433,p0.01);然后以WRF模式模拟的大气边界层高度及地面观测的相对湿度数据对AOD进行垂直、湿度订正后,二者相关性得到较大程度提高(r=0.630,p0.01);按照季节分类统计和订正春、夏、秋季的相关系数r分别为0.779、0.393、0.523,均大于统计学上99%的置信度要求,其中春季的订正最为有效,可用性更高;最后,建立全年和各季AOD-PM10最优拟合模型并反演乌鲁木齐市地面PM10质量浓度,全年和三季的反演结果与实测数据的相关系数分别为0.757、0.748、0.652、0.715(p0.01);同时基于卫星遥感AOD反演得到的PM10质量浓度的空间分布与AOD呈现出整体的一致性,并且3个季节AOD平均值表现为:春季秋季夏季.证实了卫星遥感AOD经过垂直和湿度订正后,可以作为辅助监测乌鲁木齐市PM10地面浓度分布的一个有效手段.     

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.