2013年南京市PM2.5时空分布规律

陈俊良，李文梅，杨 柳，练彤天

(南京邮电大学地理与生物信息学院，江苏南京 210023)



2013年南京市PM2.5时空分布规律

陈俊良，李文梅*，杨 柳，练彤天

(南京邮电大学地理与生物信息学院，江苏南京 210023)

[目的] 探讨利用站点实测PM2.5数据与NASA MODIS气溶胶光学厚度(AOD)研究南京PM2.5时空分布规律的可行性。[方法]将2013年南京市实测PM2.5数据进行空间插值，基于MODIS数据利用暗像元法反演得到的气溶胶光学厚度与2013年南京市PM2.5质量浓度进行相关性分析。光学厚度引入季节变化的气溶胶标高，并用湿度因子订正。[结果]订正后的二者相关系数均有明显提高。站点实测PM2.5通过空间插值可以在一定程度上反映南京市PM2.5的空间分布规律，PM2.5主要集中于鼓楼、建邺等经济发达区域，栖霞区域相对最低。PM2.5夏季较低，冬季较高。校正后的AOD与站点实测PM2.5的相关性达0.426，远高于未进行校正的0.214。[结论]在中小尺度下反演的AOD能够在一定程度上表征PM2.5的浓度变化，通过更为精确的AOD反演方法能够在时空两方面反映PM2.5的时空变化规律，使城市PM2.5污染治理更加科学合理。

气溶胶光学厚度；PM2.5；空间插值；时空分布

PM2.5是指空气中直径小于等于2.5 μm的颗粒物。研究表明，PM2.5日平均浓度每增加10 μg/m3，呼吸系统疾病的死亡风险增加0.97%，心血管疾病的死亡风险增加概率更高，为1.22%，心肺疾病和癌症死亡率分别升高6%和8%。PM2.5浓度每增加10 μg/m3，会对发育期的儿童肺功能有明显影响[1]。PM2.5颗粒物直接影响人类的健康，已成为我国大中型城市的首要污染物。大气气溶胶是指大气中悬浮的半径小于几十微米的固态或液态微粒，对气候系统存在直接和间接辐射强迫，也是直接影响城市空气质量的主要污染物[2]。近年来，PM2.5污染形势越来越严峻，制约着社会经济文明的发展，预防和治理PM2.5污染迫在眉睫。目前，关于PM2.5的研究已成为国内乃至国际上的研究热点[3]。研究发现，在大尺度上空气质量与PM2.5具有明显的相关性，而PM2.5可以在一定程度上反映空气质量的好坏。2013年全国增加了很多监测站点，但地面监测站较少且分散。目前普遍采用的PM2.5浓度都是以监测站点的数据来公布的，但以点代面是否可行未知。李成才等[4]利用MODIS气溶胶产品数据(10 km空间分辨率)反演出香港地区气溶胶光学厚度，并与香港地区的地面污染物PM10质量浓度的变化进行比较，结果表明，利用MODIS 数据反演高分辨率的气溶胶光学厚度研究城市空气污染的时空动态具有可行性。何秀等[5]利用MODIS 2年的气溶胶光学厚度和地面PM2.5质量浓度对比发现，通过对气溶胶光学厚度垂直和湿度影响的订正后，可用于对污染物PM10的监测。李成才等[6]利用MODIS 1B资料反演高分辨率(1 km)的气溶胶光学厚度与北京市空气污染指数相比有很强的相关性。前人仅研究了气溶胶光学厚度与PM10质量浓度或空气污染指数的相关性，但对于气溶胶光学厚度与PM2.5质量浓度的相关性，PM2.5的时间变化规律研究较少，尤其是月变化和年变化。笔者应用2013年南京市9个站点全年PM2.5监测浓度数据研究2013年南京市PM2.5时空变化规律；气溶胶光学厚度经过湿度和季节垂直分布的订正后，再与实测PM2.5质量浓度做相关性分析来研究气溶胶光学厚度能否表征PM2.5的时空分布规律。

1　研究区概况与数据来源

1.1研究区概况南京位于长江下游中部地区，118°22′～119°14′ E，31°14′～32°37′ N，属于亚热带季风气候，雨量充沛，四季分明。全市下辖11个区，总面积6 597 km2，2013年建成区面积752.83 km2，常住人口818.78万，其中，城镇人口659.1万人。PM2.5是影响南京城市空气质量的首要污染物。2014年4月29日，南京市环保局公布的2103年南京PM2.5源解析数据，以2013年南京市空气质量的相关数值为基准：南京市空气质量优良202 d，优良率为55.3%。空气污染163 d，其中，首要污染物为PM2.5的天数累计达133 d，占污染总天数的81.2%。PM2.5年均质量浓度为77 μg/m3，超出国家空气质量二级标准1.20倍。

1.2数据来源

1.2.1实测数据。PM2.5作为2013年南京主要的污染物，能够简单直观地反映南京的空气质量状况。该研究2013年PM2.5数据来自南京市环保局，除去空气污染指数等级为优和首要污染物不是PM2.5的天数。日平均湿度数据来自于南京气象局提供的资料。

1.2.2MODIS数据。从NASA官网中免费下载气溶胶光学厚度产品数据。选取2013年一整年作为研究的时间尺度，研究区范围为118°～120° E，31°～33°N。因为下载的气溶胶光学厚度产品是分辨率为10 km的像元表面的空间统计平均值，但研究区南京面积仅占极少数像元，空间分辨率较低，无法满足中小尺度应用需求。故下载了MODIS L1B级数据，采用暗像元方法估测气溶胶光学厚度，并将其用于与实测PM2.5的相关性分析。

2　结果与分析

2.1时空变化规律

2.1.1时间变化规律。2013年9个检测站点的PM2.5浓度具有相同的变化趋势，质量浓度最高值在12月，高值集中在1、2、11、12月，且期间浓度变化较大。每个站点变化趋势均相同，如图1鼓楼、图2仙林检测站点的变化趋势。3～10月PM2.5浓度变化幅度较小，且无高浓度值出现，但在7月明显降低，达到谷底。PM2.5浓度存在明显的季节性变化，冬季达到最大值，春季开始出现下降趋势，夏季末出现最低值。

2.1.2PM2.5空间变化规律。通过空间插值得到的南京PM2.5区域分布见图3，与其实测PM2.5的时间变化规律类似，在空间上南京各区域PM2.5浓度也具有明显的季节性变化。3～8月各区域的PM2.5浓度相差较小，最低值出现在仙林大学城附近，8月全南京的浓度基本相等。从9月开始，各区域浓度变化较大，且最高值与最低值在区域间出现了转移。在9和10月，鼓楼区和秦淮区以西出现高值，浓度明显高于东玄武区、栖霞区等区域。11月，浓度最高值开始从西向东转移，最高值出现在建邺区和雨花台区，最低值出现在浦口区、下关区和秦淮区等。而12、1月，建邺区至玄武区和栖霞区浓度一直处于高值。

图1　2013年南京市草场门站点日均PM2.5浓度变化Fig.1　The daily variation of PM2.5 concentration of Caochangmen in Nanjing in 2013

图2　2013年南京市仙林大学城日均PM2.5浓度变化Fig.2　The daily variation of PM2.5 concentration of Xianlin Campus in Nanjing in 2013

2.1.3PM2.5时空变化规律。2013年南京PM2.5平均浓度77 μg/m3，全年浓度冬春高、夏秋低，呈显著的“U”型逐月变化规律；南京PM2.5浓度呈明显的空间集散和转移规律，夏秋季整体浓度变化不大，处于低值，冬春季浓度逐渐升高且最高值开始转移至建邺区附近。

直接用站点实测数据进行空间插值得出的分布规律存在较大误差，实测站点少且仅覆盖至城区。气溶胶光学厚度与PM2.5如果具有相关性，则可以通过气溶胶光学厚度的时空分布规律来反映PM2.5的分布规律。

图3　2013年南京地区1～12月PM2.5分布Fig.3　PM2.5 distribution of Nanjing from January to December in 2013

2.2实测PM2.5与反演的气溶胶相关性分析

2.2.1气溶胶反演。NASA的10 km 星下点分辨率的气溶胶光学厚度产品为气候研究和区域尺度的大气污染研究提供了丰富的信息，然而对于城市尺度的颗粒物污染研究而言，分辨率远远不够。按照暗像元算法，得到南京地区1 km 分辨率的气溶胶光学厚度分布。该算法在冬季反演效果较差，需剔除掉阴雨、有云等影响南京市气溶胶光学厚度的图像。

2.2.2相关性分析。在2013年一整年时间内，剔除空气指数小于50的优良天数，共获得178组关于南京市气溶胶光学厚度和PM2.5的对比数据。两者的直接对比结果见图4。由图4可知，相关系数为0.214，大于统计学上99%置信度的要求，却远低于期望值。为了分析二者相关性及气溶胶光学厚度反演过程中的“过计算”(把不符合气溶胶光学厚度计算要求的影像进行了计算，如阴雨)，主要考虑地面消光系数(SEC)和湿度因子两个方面。

在一般情况下，气溶胶的消光系数在垂直方向上按指数分布[2]：

(1)

气溶胶光学厚度(AOD)表示垂直方向上消光系数的总积分：

(2)

式中,(1)和(2)的H为气溶胶标高，李成才等[7]的研究中，将AOD数据除以当地气溶胶季节变化的标高得到地面消光系数(SEC)。由于缺少南京的相关数据，参照蒋民等[2]的方法，考虑地区的相似性，采用孙娟[8]关于上海地区气溶胶季节变化标高：春季1 251m、夏季1 957m、秋季791.7m、冬季776.4m，得到的消光系数与PM2.5质量浓度相关系数提高到0.426，结果发现无法达到要求(图5)。

图4　AOD与PM2.5相关关系Fig.4　The correlation between AOD and PM2.5

图5　SEC与PM2.5相关关系Fig.5　The correlation between SEC and PM2.5

PM2.5质量浓度的测定一般先通过一个干燥的过程，其结果代表较低相对湿度、比较固定的质量浓度情况，而AOD是在相对湿度环境下进行的。相对湿度会对气溶胶粒子产生很大影响，从而影响其SEC。李成才等[6]利用湿度因子ψ(RH)校正，乘以PM2.5质量浓度再与SEC进行相关性分析，发现可以提升其相关系数。

图6和图7分别为利用湿度因子校正后的PM2.5质量浓度与AOD、SEC的相关性分析，其相关性与原来相比均下降，分别是0.211、0.423(表1)。

图6　经过湿度因子校正后的PM2.5与AOD相关关系Fig.6　The correlation between AOD and humidity factor revised PM2.5

图7　经过湿度因子校正的PM2.5与SEC的相关关系Fig.7　The correlation between SEC and humidity factor revised PM2.5

表1AOD与PM2.5及经过校正后的AOD与PM2.5的相关系数、R2及回归模型

Table 1The coefficient，R2and regression model for correlation between AOD and PM2.5and between PM2.5and revised AOD

指标IndicatorRR2回归模型RegressionmodelAOD-PM2.50.2140.0457y=2.2553x+0.5177AOD-PM2.5ψ(RH)0.2110.0446y=2.2142x+0.5212SEC-PM2.50.4260.1811y=4.4906x+0.2964SEC-PM2.5ψ(RH)0.4230.1789y=4.4318x+0.3004

注：在AOD- PM2.5中，y为PM2.5，x为AOD

Note：In AOD-PM2.5，yis PM2.5，andxis AOD.

3　结论与讨论

该研究根据实测的PM2.5数据通过空间插值比较，得出南京PM2.5的时空变化规律，2013年南京PM2.5平均浓度77 μg/m3，全年浓度冬春高、夏秋低，呈显著“U”型逐月变化规律；南京PM2.5浓度呈明显的空间集散和转移规律，夏秋季整体PM2.5浓度变化较小，处于低值，冬春季浓度逐渐升高且最高值开始转移至建邺区附近。

在基于气溶胶光学厚度(AOD)与PM2.5质量浓度的直接比较发现，二者的直接相关性很差。在考虑季节性的垂直分

布影响后，其相关系数可达0.426(178组数据)。用相对湿度校正后，相关系数不升反降，未得到预期的结果。但考虑到如果采用南京地区每日的垂直分布数据进一步订正，其相关系数应能进一步上升。该研究结果表明，在中小尺度下反演的AOD能够在一定程度上表征PM2.5的浓度，弥补地面PM2.5监测站点密度不足的缺点，作为监测城市PM2.5污染有效的补充手段。在充分考虑各种因素后，MODISAOD作为监测PM2.5分布的手段具有一定的应用价值。

[1] 李慧翔.PM2.5对人体的健康风险[J].教师博览，2013(05)：61-62.

[2] 蒋民，马贞立.南京市MODIS气溶胶光学厚度与PM10质量浓度的相关性分析[J].科学技术与工程，2012(31)：8327-8331.

[3] 程念亮,李云婷,孟凡,等.我国PM2.5污染现状及来源解析研究[J].安徽农业科学,2014(15):4721-4724.

[4] 李成才，毛节泰，刘启汉.利用MODIS资料遥感香港地区高分辨率气溶胶光学厚度[J].大气科学，2005(3)：335-342.

[5] 何秀，邓兆泽，李成才，等.MODIS气溶胶光学厚度产品在地面PM10监测方面的应用研究[J].北京大学学报(自然科学版)，2010(2)：178-184.

[6] 李成才，毛节泰，刘启汉，等.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(S1)：177-186.

[7] 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(5)：869-880.

[8] 孙娟.气溶胶光学厚度的高光谱遥感反演及其环境效应[D].上海：华东师范大学，2006.

Spatio-temporal Distribution of PM2.5in Nanjing in 2013

CHEN Jun-liang, LI Wen-mei*, YANG Liu et al

(School of Geography and Biological Information, Nanjing University of Posts and Telecommunications, Nanjing, Jiangsu 210023)

[Objective] To explore the feasibility of study on the spatio-temporal distribution of PM2.5in Nanjing by PM2.5data collected in station and NASA MODIS aerosol optical depth (AOD). [Methods] Thein-sitePM2.5data of Nanjing in 2013 was interpolated into spatial interpolation. AOD was extracted by the dark like element method (DDV) algorithm based on MODIS data. Finally the correlation of PM2.5mass concentration was analyzed and AOD seasonal variation of aerosol elevation was introduced into AOD. Besides, the humidity factor was applied to correct the AOD, and the correlation coefficient of two revised values has been improved obviously. [Results] The results indicated that the spatial interpolation PM2.5can reflect the spatial distribution of PM2.5in Nanjing. PM2.5is mainly concentrated in Gulou and Jianye districts, and the concentration of PM2.5is lowest in Qixia District. The temporal distribution of PM2.5is higher in winter and lower in summer. The correlation between revised AOD and in-situ PM2.5is up to 0.426, higher than that without correction. [Conclusions] AOD can characterize the concentration change in PM2.5to a certain extent in the small and middle scale. The more accurate urban PM2.5pollution distribution monitoring system based on AOD will make the spatio-temporal distribution of PM2.5more accurate, so as to make the PM2.5pollution control more scientific and reasonable.

Aerosol optical depth (AOD); PM2.5; Spatial interpolation; Spatio-temporal distribution

2015年度南京邮电大学创新训练计划项目(XYB2015315)；国家自然科学基金青年项目(41401480)；南京邮电大学引进人才项目(NY213105)。

陈俊良(1993- )，男，广西玉林人，本科生，专业：地理信息科学。*通讯作者，讲师，硕士生导师，从事遥感技术与应用研究。

2016-05-27

S 181.3

A

0517-6611(2016)21-053-04