北京市气溶胶光学厚度与空气污染指数关系研究

洪 超，麻金继

（安徽师范大学 国土资源与旅游学院，安徽 芜湖 241003）

0 引言

近年来，大气污染成为中国在快速工业化过程中所面临的一个难题.在中国大陆，城市大气中的主要污染物为可吸入气溶胶颗粒物.大气气溶胶是指悬浮在大气当中大小为10-5-10 μm大小的液态或固态粒子,是地-气系统的重要组成部分[1].随着卫星遥感技术的兴起，通过遥感技术有效的检测和预测大气污染成为一项迫切的任务[2].

迄今为止，将卫星遥感资料运用于大气污染的研究领域，国内外学者取得一系列成果.李成才等对2001年在北京地区利用太阳光度计观测的气溶胶光学厚度和NASA发布的MODIS气溶胶产品进行了比较，验证了这一卫星遥感产品的可靠性[3]，并证明了气溶胶光学厚度具有明显的时空变化特征[4].他们还利用香港地区的地面可吸入颗粒物浓度检测数据和MODIS气溶胶光学厚度的比较发现MODIS气溶胶光学厚度产品对于研究城市地区的空气污染具有可行性[5].王皓以南京市为研究区，建立MODIS反演的气溶胶光学厚度AOD与空气污染指数API的关系，试图以气溶胶光学厚度AOD来反映大气污染状况[6].刘勇在此基础上，考虑了气象因子的影响，探讨空气污染指数和气溶胶光学厚度的关系，发现得到更好的效果，更能真实地反映地面空气的污染状况[7].国外Chu等[8]利用NASA的10 km的Level 2气溶胶光学厚度产品研究MODIS资料在监测全球、区域和局地大气污染方面的应用，证实其存在很显著的应用价值；Wang等[9]利用在美国阿拉巴马州的一个城市多个站点的地面和卫星资料研究表明PM2.5质量浓度与AOD相关系数在0.7以上，表明主要污染物分布在混合层内而且AOD可以被定量用于空气质量的评估.Xu等[10]利用卫星资料、地面观测和数值模拟技术分析了造成北京市空气污染的一个重要原因是来自南部周边城市的区域输送.

从以上前人学者所取得的科研成果可以看出通过建立气溶胶光学厚度和空气污染指数的关系模型来反映大气污染状况具有理论依据和研究意义，但必要条件是研究区域的某天首要污染物为可吸入颗粒物，才能对API和AOD进行统计分析.笔者以北京市为研究区域，利用2008-2009年的API数据，结合实测AOD数据建立回归模型，研究两者的相关性，对大气质量进行评价分析.

1 数据的收集与处理

空气污染指数数据来自中国环境监测总站网上公布的北京市空气质量日报资料，并从中选择每日的首要污染物为可吸入颗粒物的情况.气溶胶光学厚度为全球气溶胶监测网AERONET（Aerosol Robotic Network）北京站点（116.38E，39.98N）的观测数据，AERONET是美国和欧洲采用太阳分光光度计在全球布设了400多个用来监测大气气溶胶的地基站点[11].太阳分光光度计（CE-318）是法国CIMEL公司制造的能够自动跟踪扫描的仪器. 该仪器具有 9 个滤波片，中心波长 340，380，440，500，670，870，936，1020，1064 nm，其中 936 nm是水汽的强吸收波段.它可以自动跟踪太阳进行太阳直接辐射测量、太阳等天顶角天空扫描、太阳主平面扫描和极化通道天空扫描.CE-318测得的太阳直接辐射数据可用来反演计算大气透过率、消光光学厚度、气溶胶光学厚度、大气水汽柱总量和臭氧总量.天空扫描数据可以反演大气气溶胶粒子尺度谱分布及气溶胶相函数.目前，利用多波段光度计遥感气溶胶光学厚度是气溶胶遥感手段中最准确的方法.AERONET提供了大量的数据进行气溶胶光学特性参数的研究和卫星反演结果的验证.根据有值的API数据日期相对应选择该天北京气溶胶地基观测站点的气溶胶24 h平均浓度，在把一些无效数据剔除后得到了2008-2009年间的254组数据进行研究，如图1所示，由图中可以看出，两组数据的变化趋势以及出现极值的时间具有较好的一致性，可见AOD和API之间存在着一定的相关性.

为了更好的说明AOD和API之间的相关性，在分析过程中将得到的254组数据按照API的数值进行重新排序，在每4个数据中随机选择一个来进行模型的检验.在分季节进行研究时，季节的划分如下：春季为3-5月、夏季为6-8月、秋季为9-11月、冬季为12-2月，整个研究过程中的用于分析建模和检验的数据如表1所示.

表1 不同时段的建模和检验数据

图1 API与AOD分布对比图

2 API和AOD的回归性分析模型

2.1 全年的回归性分析模型

将建模用的254组数据中的AOD作为自变量，API作为因变量进行回归分析，回归分析的类型包括线性、对数函数、一元二次方程、幂函数和指数函数，具体分析结果如表2所示，从表中可以看出，总的来说，相关系数r的值并不理想，在这几个模型中，幂函数模型的效果最好，最差的为线性函数模型，因此选择最佳的幂函数模型y=107.62x0.2779，图2为拟合的幂函数模型.

表2 API和AOD的全年回归分析模型

图2 全年API与AOD的幂函数模型

2.2 不同季节的回归性分析模型

由于北京市不同季节的气候具有较大的差异，降水的分布和温度的变化具有明显的季节差异，因此使得不同季节间的大气情况各不相同，各个季节之间不同的大气污染状况和气溶胶光学厚度的分布情况使得有必要对不同的季节进行逐个分析.笔者将建模所用的254组数据按前文的季节划分方法分为4个季节，所用的建模数据和检验数据如表1所示，分别对不同季节的建模数据进行回归性分析，分析的类型包括线性、对数函数、一元二次方程、幂函数和指数函数，并根据相关系数r的大小来选择各个时段的最佳模型.

在所得出的4个季节不同回归分析类型的结果中，可以发现不同季节的API和AOD的回归分析模型存在着明显的不同，根据相关系数r的大小来判断模型的优劣，在春季的5个模型中，相关系数最好的为幂函数模型，相关系数为0.599 3，一元二次方程次之，最差的为线性模型，因此选用幂函数模型作为春季的模型；从夏季的回归分析模型中可以看出幂函数模型和对数函数模型明显好于其他3个模型，其中幂函数模型的相关性系数为0.456 6，相对于其它模型较好，选择幂函数模型作为夏季的分析模型，通过对比可以看出夏季模型较之春季模型相关性系数稍差；对于秋季的回归分析模型来说，幂指数模型和指数模型的效果较之另外3种模型较为不理想，在线性模型、对数模型和一元二次方程模型中，对数模型最为理想，相关性系数为0.552 1，相对于夏季模型来说还比较理想，但比春季模型稍差；在冬季的5个模型中幂函数模型的相关系数达到0.626 4，明显优于其他4种模型，最差的为线性模型，相关性系数也达到0.492 0，因此选择幂函数模型作为冬季的最佳模型.图3到图6分别给出了不同季节的最佳拟合模型.

图3 春季API与AOD的幂函数模型

图4 夏季API与AOD的幂函数模型

图5 秋季API与AOD的对数函数模型

图6 冬季API与AOD的幂函数模型

利用相关系数r的大小作为最佳模型的选择标准，分别确定了确定的全年回归分析和不同季节回归分析的最佳模型，如表3所示，从中可以发现春季、夏季和冬季的模型均为幂函数模型，而秋季模型则为对数函数模型，同时也能够清晰的发现在所有模型中冬季的模型效果最好，接下来依次为春季模型、秋季模型、全年模型，效果最不理想的为夏季模型.

在把分季节的回归分析模型和全年的分析模型比较后可以发现，春季模型和冬季模型相对于原来的全年的模型有明显的改善，秋季模型虽然改善不是很明显，但其相关性系数也有一定程度的提高，但夏季模型的相关性系数却有少许的降低，这是由于北京的气候为典型的暖温带半湿润大陆性季风气候，夏季高温多雨，导致收集到的有效数据不多，建模数据相对较少，不确定性较大的原因引起的.

表3 不同时段的AOD和API的拟合模型

3 回归分析模型的检验

大气的污染状况是由多种因素共同作用的结果，因此大气的污染状况是在不停的变化着的，且变化周期较短，这就给监测带来了很大的困难，在现有技术水平下，为了更加直观地反映大气的污染状况，通常将其划分为一定的等级，如大气的优、良、轻微污染等来进行大气环境的监测和预报，这就使得所使用的大气污染指数也具有一定的等级性，中国所使用的空气质量周报是以50为间隔进行分级的.由于本文建模的最终目的是用于对大气质量进行评价的，因此在对前文所建立的模型进行精度检验是应充分考虑大气污染指数的等级性这一特点.

由于API的等级性，在检验模型时对模拟和预测的结果设定一个阈值，所谓阈值也就是模拟结果与实际结果之间的绝对误差，当阈值为1时即绝对误差为 （-1,1），检验的具体过程为：首先把建模数据中的AOD值代入不同时间段内的最佳拟合模型中，将得到的API值与实际的API值进行对比得出模型的拟合精度，然后用同样的方法代入待检验的数据得到预测的精度，在整个检验过程中，阈值选取5，15，25，35，45，55，具体结果如表4所示.

表4 不同时段的模型检验和预测精度

续表4 不同时段的模型检验和预测精度

由表4可以看出，当阈值取5时，无论是全年的回归分析模型还是分季节的模型其拟合精度和预测精度都较低，最高的只有26.67%，而当阈值取55时，全年的回归分析模型和分季节的模型中拟合精度和预测精度都已经很接近100%，其中春季、夏季和秋季的精度均达到100%，考虑到API本身是以50为间隔进行分级来进行大气状况的预报的，再依据表4中的预测精度选取阈值为25时的模拟精度和预测精度，表5给出了全年和分季节的最佳模型和阈值为25时的模拟精度和预测精度，从中可以发现除了春季外，其他时段的预测精度均达到了70%以上，最低的春季也达到66.67%，可见预测精度还是较为理想的.

表5 不同时段的AOD和API的拟合模型及其精度

4 结论

通过利用北京市2008-2009年间总共254组有效API数据和AOD数据，研究了两者之间的回归分析关系，并建立了两者之间的回归关系模型从而实现了利用遥感手段来对城市空气污染状况进行监测的目的.气溶胶光学厚度和城市空气污染指数之间具有一定的相关性，在一定程度上能够反映出大气的污染情况.比较全年和不同季节下的空气污染指数和气溶胶光学厚度的模型可以看出，春季和冬季的模型效果最为理想，相关系数分别为0.599 3和0.626 4，从预测精度上看，当阈值取25时除春季外预测精度都达到了70%以上，春季为66.67%，可见利用气溶胶光学厚度值对于空气污染等级的预报具有较好的效果.

在研究气溶胶光学厚度与空气污染指数之间的关系时，当日的大气首要污染物必须为可吸入颗粒物，当首要污染物为其他气体时气溶胶光学厚度则对其不敏感，另外由于气溶胶地基观测站点相对较少，因此当研究区域没有地基观测站点时，必须通过其他方式获取气溶胶光学厚度，在以后的研究中可以考虑借助卫星遥感影像数据反演气溶胶光学厚度，结合地基观测AOD数据进行统计分析，相信能取得更好的效果.

[1]李成才,毛节泰,刘启汉.MODIS卫星遥感气溶胶产品在北京市大气污染研究中的应用 [J].中国科学 （D辑）：地球科学，2005，35（S1）：177-186.

[2]李成才.MODIS遥感气溶胶光学厚度及应用于区域环境大气污染研究[D].北京：北京大学，2002.

[3]李成才，毛节泰，刘启汉，等.利用MODIS光学厚度遥感产品研究北京及周边地区的大气污染[J].大气科学，2003，27（5）：869-880.

[4]李成才，毛节泰，刘启汉.用MODIS遥感资料分析四川盆地气溶胶光学厚度时空分布特征[J].应用气象学报，2003，14（1）：1-7.

[5]LauKai-HonAlexis，LIChengcai，MAOJietai，etal.ANewWayofUsingMODISDatatoStudyAirPollutionOverthePearRiverDelta[J].ProceedingsoftheSPIE，2003，4891：105-114.

[6]王皓.南京市区空气污染指数与MODIS气溶胶光学厚度的回归分析[D].南京:南京师范大学，2006.

[7]刘勇.MODIS气溶胶光学厚度与南京主城区空气污染指数的关系研究[D].南京:南京师范大学，2007.

[8]CHUDA，KAUFMANYJ，ZIBORDIG，etal.GlobalMonitoringofAirPollutionoverLandfromtheEarthObservingSystem-terraModerateResolutionImagingSpectroradiometer（MODIS）[J].GeophysRes，2003，108（D21）：3179-3205.

[9]WANGJ，CHRISTOPHERSA.IntercomparisonBetweenSatellite-derivedAerosolOpticalThicknessandPM2.5Mass：Implicationsfor AirQualittStudies[J].GeophysicalResearchLetters，2003，30（21）：1605-1614.

[10]徐祥德，周丽，周秀骥.城市环境大气重污染过程周边源影响域[J].中国科学（D辑），2004，34（10）：958-966.

[11]王中挺，陈良富，张莹，等.利用MODIS数据监测北京地区气溶胶[J].遥感技术与应用，2008，23（3）：284-288.