南京市空气质量分布规律研究

2016-05-03王玉呈王凯谈世豪杨立君

安徽农学通报 2016年7期

王玉呈王凯谈世豪杨立君

摘要：该文首先分析了大气的光谱特征，利用遥感技术（RS）监测南京地区空气质量，然后利用地理信息技术（GIS）生成空气质量时、空分布图，分析时、空分布规律及影响因素，最后根据规划理论对未来南京城市建设提出了对策建议。

关键词：空气质量；分布规律；遥感技术；南京市

中图分类号 P468.0 文献标识码 A 文章编号 1007-7731（2016）07-72-05

Abstract：The paper analyzed the spectral characteristics of the atmosphere and monitored air quality of Nanjingby remote sensing（RS）.Then， using geographic information technologies （GIS）to generate distribution map of time and spatial of air quality and analyze distribution law of time and spatial and influencing factors.Finally， according to the planning theory，put forward scientific advice for the future urban planning and construction in Nanjing City.

Key words：Air quality；Distribution law；Remote sensing technology；Nanjing City

2013年南京市雾霾天数为242d，是历史上雾霾天数最多的1a，当年12月份南京正式出台了应急处置方案，规定当空气质量污染达到红色预警时，中小学必须停课。在接下来的很多天内许多有关雾霾天气的报道频繁地在各大媒体上报道，空气质量问题顿时成了人们关注的焦点。近几年来，随着工业的迅猛发展，国民经济快速提高，南京市空气质量却越来越差。随着科技水平的进步，卫星遥感可以提供广阔背景上的有关气溶胶污染物的区域分布，在污染监测上具有广阔的前景[1]。本文通过MODIS遥感影像数据对南京市空气质量的分布规律进行研究分析，找出南京市空气质量的分布规律，以期为南京市解决空气环境问题，改善人民生活的环境水平，提高生活质量，并在城市规划的相关方面提供可行性的建议。

1 研究现状

目前很多国内学者都利用美国宇航局（NASA）提供的MODIS影像数据进行对气溶胶的相关研究，普遍应用的算法大都为Kaufman等所建立的暗像元算法。算法利用密集植被在红波段（0.6～0.68mm）和蓝波段（0.40～0.48mm）低反射率的性质，以植被指数（NDVI）或近红外波段通道（21mm）反射率将其判别为暗像元来达到最终反演气溶胶的目的[2]。刘佳雨等利用经典的暗像元算法，对北京地区的MODIS卫星遥感影像数据进行了气溶胶光学厚度（AOD）反演，并对其空间分布进行了分析，为环境监测部门提供了大气污染治理依据[3]。宋挺等将MODIS数据反演得出的气溶胶光学厚度与无锡市区实测得到的PM2.5质量浓度进行相关性分析，经过气溶胶光学厚度经垂直分布和湿度修正后，两者相关性显著提高，得出气溶胶光学厚度可作为PM2.5监测的有效补充[4]。李成才等总结了自己利用MODIS资料进行的研究工作，证实了MODIS遥感手段可获取气溶胶分布，其可为区域环境大气污染研究提供数据依据[5]。王静等利用MODIS气溶胶光学厚度产品AOT与北京市清华园PM2.5质量浓度进行比较分析，得出MODIS AOT可以作为监测PM2.5分布及传输的补充手段[6]。

在大数据背景下，很多环保部门实时对外提供空气质量与预测，对遥感技术监测空气质量提出新要求。目前最为普遍的监测空气质量问题的方法是通过仪器测出近地面大气中所含污染物（CO、SO2、NO2、PM10、PM2.5、O3等）的浓度，再通过某种算法计算出空气质量指数，然后分出不同的污染指数等级。这种监控方法在近地面时呈点状分布的，对于大范围的空气质量检测的误差比较大，而通过MODIS遥感影像可以分析出一定区域范围内的空气质量污染的严重程度。本次研究是采用MODIS遥感影像数据反演出的气溶胶厚度和地面监测点的数据相结合来探索南京市空气质量分布规律。

2 研究数据和方法

2.1 研究区概况南京市位于长江下游中部地区，江苏省西南部，长江穿城而过，沿江岸线总长近200km。地理坐标为北纬31°14′～32°37′，东经118°22′～119°14′[7]。南京市平面位置南北长、东西窄，成正南北向；南北直线距离150km，中部东西宽50～70km，南北两端东西宽约30km。南京属亚热带季风气候，雨量充沛。

2.2 研究数据空气质量的好坏是依据空气中污染物的浓度的高低来判断的，在近地面大气所含的污染物中（CO、SO2、NO2、PM10、PM2.5、O3等），大家所熟知的PM2.5（直径小于2.5μm的颗粒物）是形成雾霾的主要污染物。PM2.5能较长时间悬浮于空气中，它在空气中含量浓度越高，意味着空气质量污染程度越严重。PM2.5容易富集空气中的有毒重金属、酸性氧化物、有机污染物、细菌和病毒，且颗粒物的半径越小，其化学成分越复杂，毒性越大[8]。PM2.5的浓度与空气质量有着很大的关系，因此本次研究利用PM2.5数据作为空气质量的评价指标。PM2.5的数据为2013年全年南京市各监测点的数据，同时该数据是南京环境监测中心站公开监测数据。其中的监测点包括草场门、中华门、瑞金路、玄武湖、山西路、迈皋桥、仙林大学城、奥体中心、浦口，共计9个监测点。在整个数据中有些监测点相应数据空缺，是由于监测点仪器损坏引起的，不影响整个研究。

MODIS的全称为中分辨率成像光谱仪，该仪器每天覆盖全球一次，具有36个光谱通道，波谱范围为0.4～14mm，MODIS仪器的地面分辨率分别为250m、500m和1 000m，扫描宽度为2 330km，每1d或每2d可获得一次全球观测数据 [9]。MODIS数据选取的是类型为MOD02KM的2013年南京市地区的MODIS数据，其分辨率为1km，MODIS数据利用HDF的格式存储，过境时间为每日地方时上午10：30，跨度范围为北纬31°14′～32°37′，东经118°22′～119°14′。对MODIS数据的处理过程中需要南京市的矢量数据，更方便地求取南京市各区的气溶胶反演均值。在矢量数据中包含南京市六合区、浦口区、市辖区、栖霞区、雨花台区、江宁区、高淳县和溧水县8个地区。

2.3 研究方法

2.3.1 先验模型法构建气溶胶厚度遥感反演模 Kaufman等的暗像元算法采用的为MODIS数据的波段1、3的经验性关系和波段7基本不受气溶胶影响的性质来建立的气溶胶反演模型。郭广猛等通过实地观测数据和MODIS影像数据并结合暗像元算法给出了气溶胶光学厚度计算公式：

f=4.4376×b7+50.5579×b3-24.3317×b1-3.5575 （1）

其中：b7、b3、b1分别为MODIS第7、3、1波段反射率，f为气溶胶光学厚度[10]。该模型与暗像元法相比，对城市地区遥感图像气溶胶反演误差较小，因此本次研究采用先验模型法对南京市MODIS遥感影像数据进行气溶胶反演，并提取出南京市各区的气溶胶反演数据。

2.3.2 统计分析法构建气溶胶厚度与空气质量关系利用SPSS19.0软件对收集到的地面监测点PM2.5数据进行相关预处理，同时对MODIS遥感影像反演后提取出的数据进行判别筛选，将筛选好后的MODIS反演数据和PM2.5数据用SPSS软件进行相关性分析。

2.3.3 地学分析法构建空气质量分布的空间映射关系将MODIS影像经过大气辐射校正、几何校正和气溶胶反演后，与相同投影坐标系的南京市矢量边界进行掩膜处理，利用ENVI软件对南京市气溶胶反演后的数据图像进行密度分割。使用MODIS气溶胶数据和PM2.5的相关性构建出空间映射关系。

2.3.4 遥感技术构建南京市空气质量分析模型利用ArcGIS软件，将南京地区的地形、PM2.5数据、南京市的风向、南京地区建筑物高度和南京各企业的位置进行叠加分析。

3 研究内容

3.1 PM2.5数据预处理 PM2.5数据为草场门、中华门、瑞金路、玄武湖、山西路、迈皋桥、仙林大学城、奥体中心、浦口9个监测点的数据。将同一个区内的监测点数据取平均值，有一些数据由于监测点仪器的异常，并未有数据，直接当做异常处理。数据处理完后，有4个区：浦口区、栖霞区、市辖区、雨花台区。

3.2 MODIS影像预处理由于MODIS影像已经经过大气辐射校正，因此直接运用遥感影像处理软件ENVI中自带的针对MODIS影像几何校正的功能（Georeference MODIS功能）对MODIS遥感影像进行几何校正。为了方便控制图像处理区域，采用掩膜的方法对图像进行影像裁剪。

3.3 气溶胶厚度反演在ENVI软件中运用波段运算功能（Band Math），应用了适合于城市区域使用的气溶胶光学厚度的反演模型公式（1），将反演出来的气溶胶厚度数值做相关记录，最后将气溶胶厚度数据与收集的南京市PM2.5数据进行相关性分析。

3.4 气溶胶厚度与空气质量分析将PM2.5数据空缺的所对应的气溶胶数据排除，将部分预处理筛选好的数据导入SPSS进行相关性分析，相关结果如图2。由图2可知：在理想状态下，PM2.5数据与MODIS反演的气溶胶数据是有相关性的，并且相关性比较大，PM2.5数值越大所对应的气溶胶的值越大。从所做的MODIS数据反演气溶胶数据和PM2.5数据的相关性分析可以看出，气溶胶的反演结果和地面监测的PM2.5数据有一定的相关性。在之后的根据气溶胶的厚度值计算出南京市空气质量分布图应用了相关性最好的计算模型：y=24.495x-0.7227，原因是数据点较多，与其他模型相比更优越。但受到MODIS遥感影像数据中云层厚度、近地面风向和南京地区地形等因素的影响，所做出的处理结果有一定的误差。

3.5 南京市空气质量分布通过将MODIS反演后的图像先掩膜裁剪然后经过波段运算将气溶胶厚度转变为PM2.5浓度。通过ENVI自带的密度分割（Density Slice）功能操作后可得到南京市某一天的PM2.5浓度空间分布图，如图3。从图3可以看出：当天南京市空气质量相当严重区域为市辖区、浦口区、六合区南片区、栖霞区西片区。该图为南京市2013年当中的某一天，当天南京市上空无云时拍摄的。图中最下方为高淳区，此时的图中高淳区是被云覆盖，云对反演的结果影响较大。

将遥感数据反演后的图与南京市的地形图进行对比，影响南京市PM2.5浓度分布的因素主要有以下几个方面：

3.5.1 工业区从图3可以很明显的看出，南京市内有2块地区的PM2.5的浓度远远高于其他地区，一块位于南京城区的北方，另一块位于南京城区的东北方。而这2块地区则分别是六合浦口的工业区，栖霞工业区的所在地。工业区的生产生活产生的废气远远高于其他地区，所以当地的PM2.5的浓度也比其他地区高，空气质量也相对较差。

3.5.2 水体在南京市PM2.5浓度分布图中，在南京的中间部分，有一条带状区域，PM2.5的浓度明显小于周围两侧区域。而这带状区域，就是长江。长江区域的PM2.5浓度之所以小于周围地区，一方面是由于长江及长江两侧一定范围内没有大型的工厂，污染物的排放相对较小；另一方面是因为水体的蒸腾作用在一定程度上降低了PM2.5的浓度，使得长江及长江两岸区的空气质量优于其他地区。

3.5.3 山体山体对于南京市PM2.5浓度分布的影响，主要通过与风向结合，共同影响。南京地区山体对空气质量影响明显的主要有2个地区，钟山和将军山。本次研究所选择的是1月份的某天，风向为西北分。虽然将军山的西北侧空气质量并不好，但是在将军山的东南方向的空气质量好于其附近区域，而钟山相对于将军山的占地面积更大，山体更高，因此，对于南京市PM2.5浓度的分布状况的影响更加明显。

3.5.4 城区在空气质量差的市辖区内，由于交通工具的使用量大，排放出的污染气体导致空气质量相当严重，同时市辖区内高楼耸立可以分析出空气的流通不畅通，导致气体污染物不易流通从而长期停留在城区内。

3.6 提高南京市空气质量建议为了保护空气质量良好，在空气质量治理过程中相关部门要加强合作，严格遵守环境保护的相关法律法规，加强工作和执法力度，整治超标污染企业，为改善空气质量作出贡献。在城市规划中，要注意研究城区上升气流到郊区下沉的距离，将污染严重的工业企业布局在下沉距离之外，避免这些工厂排出的污染物从近地面流向城区，引起相互污染[11]。在城区中严格限制大楼高度，合理规划布局城市整体建筑风格，以加快城区内空气的流通。城市中合理布局绿化用地和水域，快速降低城市污染物含量。加快产业结构调整，全面实施布局调整，引导大型企业相对集中，促进生产要素集聚，促进资源的高效配置和污染的集中处理[12]。随着经济的快速发展，城市化也加快了进程，私家车的增多，尾气的排放也成为了导致空气质量差的一个重要的原因。因此，需加强对机动车数量的控制，适时出台机动车限购限行相关措施。

4 结论与讨论

遥感技术和GIS手段在城乡规划中可以相结合，分析城市发展空间、用地类型和人口分布特点等，合理布局城市的各功能分区，规划出适合城市发展的方向。利用遥感技术分析空气质量在城乡规划中将得到重要体现，对适合居民居住的用地和工业用地的选址有着引导性作用。

本次研究通过先验模型反演出MODIS影像数据的气溶胶，反演精度不高。在气溶胶数据反演PM2.5浓度数据时采用的是统计数据所得的模型，存在较大误差。模型的误差和MODIS影像中大量厚云的遮挡导致反演结果不够准确。遥感的手段为研究空气质量的分布规律提供了可能，空气质量的不定向性和人为性使得研究手段还不够成熟，还没有达到预期的程度，但从宏观的角度来研究分析空气质量可以弥补地面监测点密度上的不足。

参考文献

[1]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）.

[2]郭广猛，马龙.基于MODIS数据的城市气溶胶光学厚度反演方法[J].遥感技术与应用，2005，20（5）.

[3]刘佳雨，杨武年.基于MODIS数据的气溶胶光学厚度反演[J]，地理信息世界，2014，21（3）.

[4]宋挺，黄君，严飞，等.无锡市MODIS气溶胶光学厚度与PM2.5质量浓度的相关性分析[J].环境监测管理与技术，2015，27（1）.

[5]李成才，毛节泰，刘启汉.利用MODIS遥感大气气溶胶及气溶胶产品的应用[J].北京大学学报（自然科学版），2003，12.

[6]王静，杨复沫，王鼎益，等.北京市MODIS气溶胶光学厚度和PM2.5质量浓度的特征及其相关性[J].中国科学院研究生院学报，2010，27.

[7]中国国家建设部.全国城镇体系规划（2010-2020年）[M].北京：人民出版社，2011.

[8]黄辉军，刘红年，蒋维楣，等.南京市PM2.5物理化学特性及来源解析[J].气候与环境研究，2006，11（6）.

[9]蔡稳，蒋跃林.基于MODIS数据的江浙沪地区大气气溶胶光学厚度研究[J].安徽农学通报， 2014，20（09）.

[10]郭广猛，马龙.基于MODIS数据的城市气溶胶光学厚度反演方法[J].遥感技术与应用，2005，20（5）.

[11]丁亮.南京雾霾天气原因分析及应对措施研究[J].环境科学与管理，2014，39（5）.