基于POI兴趣点的排放清单空间分配方法

王 堃,高佳佳*,田贺忠,淡 默,岳 涛,薛亦峰,3,左朋莱,王晨龙(.北京市劳动保护科学研究所,大气污染控制研究室,北京 00054；.北京师范大学环境学院,环境模拟与污染控制国家重点联合实验室,北京00875；3.北京市环境保护科学研究院,国家城市环境污染控制工程技术研究中心,北京 00037)

基于POI兴趣点的排放清单空间分配方法

王 堃1,高佳佳1*,田贺忠2,淡 默1,岳 涛1,薛亦峰2,3,左朋莱1,王晨龙1(1.北京市劳动保护科学研究所,大气污染控制研究室,北京 100054；2.北京师范大学环境学院,环境模拟与污染控制国家重点联合实验室,北京100875；3.北京市环境保护科学研究院,国家城市环境污染控制工程技术研究中心,北京 100037)

基于商业住宅、农林牧渔企业、交通设施等类型的城市设施兴趣点(POI)数据建立了针对居民生活源、农业源、交通源等非点源的排放清单分配方法.以北京市为例,基于2015年高德地图的POI数据对清华大学MEIC排放清单进行了3km×3km及1km×1km的高空间分辨率分配,并基于分配后的排放清单,采用CMAQ空气质量模式对2015年1月5个市内监测站点PM2.5的模拟值及监测数据进行对比,以检验该分配方法的准确性.结果表明,利用POI数据进行空间分配可以更加有效地反映出排放源的空间分布特征;CMAQ空气质量模式模拟结果中,采用该方法分配后的排放清单较直接面积插值的排放清单标准化平均偏差(NMB)降低 40%左右,标准化平均误差(NME)降低 10%左右.

排放清单；POI；CMAQ；空间分配

大气污染物排放清单是污染源在一定时间跨度和空间区域内排放到大气中的各种污染物的数量列表,而制作具有高时空分辨率的大气污染物排放清单可以为空气质量管理及数值模拟提供基础数据[1-2].

对于固定燃烧源、工艺过程源等点源污染可直接根据经纬度坐标信息在设定的空间网格内进行排放量的空间分配.而对于采用“自上而下”计算方法得到的非点源污染需要通过一些地理空间指标将排放量分配到空间网格中.现阶段,多基于 GIS技术利用土地利用类型、路网以及人口密度等数据对非点源污染源的排放量进行空间分配[3-4].

POI(城市设施兴趣点)可以是对一个停车场、一栋商业住宅、一个工厂企业等信息的描述,它的主要内容包括：名称、类别、经纬度、地址名称,其在导航等诸多生活领域都有着广泛的应用.此外,获取POI数据的手段多样,如高德地图、百度地图的POI数据均可以开源获得;POI数据分类较细,且根据实际情况定时更新,具有较高的准确性,因此其在空间规划分析中有很大的利用空间.如利用POI数据分析城市热点、进行城市规划的研究,对城市的地标进行分层提取,对城市的可达性进行计算等[5-8].

CMAQ空气质量模型是由美国环保署推广使用的第三代空气质量模型,该模型基于“一个大气”的核心思想,能够模拟大气中多物种、多相态污染物及其相互影响,如大气污染物的排放、传输、烟羽处理、干湿沉降等.CMAQ模型兼顾了区域与城市尺度之间的大气污染物的相互影响,并被广泛的应用于区域污染物来源分析及特定行业污染物减排环境效益等研究中.例如基于CMAQ评价不同时刻减排对北京 PM2.5浓度的影响[9],利用CMAQ-DDM模型对微细颗粒物的来源进行分析等[10].

POI数据的准确性、时效性、易获取性以及信息的丰富性,使得利用其对大气污染物排放清单进行空间分配成为可能.本文以北京市为例,通过分析研究 POI数据与污染源空间分布特征的相关性,提出了利用POI数据对清华大学MEIC排放清单中居民、农业及交通源等非点源的精细化分配方法,并利用CMAQ空气质量模式验证该方法的有效性.

1 研究方法

1.1 研究数据的获取

通过北京市统计局(http：//www.bjstats. gov.cn/)获取北京市2015年各区县人口及农业产值数据;通过调研,获取北京市 2015年部分道路交通流量数据;通过开源获取北京市2015年高德地图POI数据.通过中国多尺度排放清单MEIC模型网站(http：//www.meicmodel.org)获取清华大学MEIC大气污染物排放清单.通过中国科学院地理科学与资源研究所(http：//www.resdc.cn)获取2010年全国人口空间分布公里网格数据.

1.2 基于POI数据的非点源排放清单空间分配方法

通过对高德地图POI数据进行梳理,得出POI数据大致可分为以下 20个大类,每个大类中又包含多个小类,共约234个小类,POI数据类型分类如表1.由于POI数据主要由名称、类别、经纬度、地址名称4个字段组成,且数据分类较细、具有较高的准确性和实效性;一定空间区域内某类型的POI数据个数可以一定程度上反映该类型排放源的活动水平.因此,本研究根据不同排放源的特点选用不同类型的POI数据及统计方法.

对于居民和农业源,由于该类非点源与人类活动及农业生产活动密切相关.因此,利用研究区内各空间网格的商务住宅 POI数据点的个数及农林牧渔POI数据点个数作为空间分配指标,构建人口格局分配方法及畜禽活动分配方法.设定每个网格内的空间分配权重为 Fi,分配得到的排放量Ei如下式,

式中：i表示网格编号;Fi代表第i个网格的空间分配权重;Ei代表网格 i中分配的污染物排放量,t;Ni表示网格i中商务住宅或农林牧渔业POI数据点的个数;Nsum表示研究区域内所有网格中商务住宅或农林牧渔业POI数据点的个数;Esum表示研究区域内的所有网格中污染物的排放总量,t.

对于以机动车为主的交通源,郑君瑜等提出了基于交通流量和路网“标准道路长度”的区域机动车污染物排放空间分配方法,考虑了不同级别道路之间交通流量的差别[4].为了进一步区分相同级别道路中不同道路的交通流量差别,本研究在其方法基础上,进一步提出,通过统计每条道路周边停车场等交通设施的 POI数据个数为指标,设定交通流量调整系数,以考虑同级别道路之间的交通流量差别.设定每条道路交通流量调整系数为 Ra,b,每个网格内的空间分配权重为 Fi,分配得到的排放量Ei如下式,

式中：i为网格编号;a为道路编号;b为道路类型;m为道路类型数;nb为b道路类型中道路的个数,一般道路类型可分为6类或4类即国家级高速路、普通国道、普通省道、省级高速、县道、乡道或城市快速路、主干路、次干路及支路;Ra,b表示b型道路的a道路的交通流量调整系数;Na表示b型道路的a道路周边停车场等交通设施类型POI数据点的个数;Navg,b表示在研究区域内所有b型道路的周边停车场等交通设施类型 POI数据点的平均个数;Li为网格 i中所有类型道路的标准长度,km;La,b为属于 b型道路的 a路的长度,km;Qb为不同道路的标准长度换算因子,km/km;Lsum表示研究区域内所有网格中所有类型道路的标准长度总和,km.

表1 POI数据类别一览表

1.3 基于CMAQ模型对该空间分配方法的验证

1.3.1 模拟相关参数的设定 CMAQ空气质量模式选用CMAQv5.0.2,采用CB05化学机制以及AERO6气溶胶机制.采用 WRF气象模型为CMAQ模型提供气象场,并选用如下参数化方案：WSM3微物理方案、CAM长波辐射方案、RRTMG短波辐射方案、Noah Land Surface Model陆面方案、Monin-Obukhov近地面层方案、MYJ边界层方案和Grell 3D积云参数化方案.

CMAQ采用 4层嵌套模拟,如图1,图中D01,D02,D03,D04分别为27km×27km,9km×9km, 3km×3km,1km×1km空间分辨率的模拟区域,采用 Lambert投影,坐标原点为北纬 36.4°,东经101.9°.模拟区域分别包括了全国大部分区域,京津冀地区,北京地区及北京城六区.模拟时段选取2015年1月.

1.3.2 模型模拟结果验证 模式模拟选用2015年 1月的模拟值与实测值进行对比.并使用标准化平均偏差(NMB)、标准化平均误差(NME)对模式模拟结果进行评价.如果NMB和NME值均小于50%,表征模式模拟结果较好[11].

式中：N表示对比样本数;pi代表模拟数据;oi代表监测数据.

图1 CMAQ模型划定的模拟区域Fig.1 Domains of CMAQ model

2 结果与讨论

2.1 POI数据与污染源的空间特征相关性验证

以北京市城六区为例,通过对比利用POI数据所获得的污染源空间分布特征与统计数据及其他研究成果,探讨POI数据是否能够对现实情况有更好的反映.

图2及图3分别为基于商务住宅POI个数获得的北京市城六区1km×1km人口分布图以及中国科学院资源环境科学数据中心全国 1km× 1km人口分布北京城六区人口分布图,从图中可以看出,本方法得到的人口分布图更精细,也更符合实际情况.

图4为北京市各区县 2015年人口与 2015年商务住宅类POI数据点的个数的相关性分析,从图中可以看到人口数与商务住宅 POI数据点的个数相关性较高,R2可以达到0.9左右.此外,北京市各区县2015年农林牧渔产值与农林牧渔类型POI数据点个数的相关性分析结果显示,农林牧渔产值与农林牧渔 POI数据点个数相关性较高,R2可以达到0.5左右.因此,利用POI数据点的个数可以对地区内的人口及农业生产活动的分布有较好的反映.

图2 基于商务住宅类POI获得的北京城六区1km×1km人口分布Fig.2 1km×1km population distribution in Beijing urban area based on residential POI data

图3 中国科学院地理科学与资源研究所提供的北京城六区1km×1km人口分布Fig.3 1km×1km population distribution in Beijing urban area provided by RESDC

通过调研获得北京市部分省级道路的年均车流量.为了验证本研究方法的准确性,将其交通流量数据及通过 POI数据计算得到的“标准长度”进行z-score标准化,检验其相关性如图5所示.从图中可以看出,计算得到的“标准化长度”可对逐条道路实际的交通流量有较好的反映 R2可达50%左右.

图4 北京市各区县人口与商务住宅类POI个数的关系Fig.4 correlation analysis between population and residential POI data in various districts and counties of Beijing

图5 北京市部分省道标准化实际交通流量与本研究得到的标准长度的相关关系Fig.5 correlation analysis between traffic flow and the actual length of the part of Beijing highway

综上,利用 POI数据可以较好地对人类活动、农林牧渔生产活动及各道路的交通流量有很好的反映.

2.2 选用 CMAQ空气质量模式对于该方法分配后的MEIC排放清单进行校验

通过使用本方法,将北京地区 0.25°×0.25°空间分辨率的 MEIC大气污染物排放清单分配为更加精细的3km×3km高空间分辨率的排放清单,并输入CMAQ空气质量模型,与直接通过面积插值输入CMAQ空气质量模型的排放清单进行对比,并采用标准化平均偏差(NMB)及标准化平均误差(NME)评价清单的改进结果,如表2.

表2 采用该方法前后的模拟效果评估(PM2.5)(%)Table 2 Simulation results before and after using the method (PM2.5)(%)

表2中可以看出,使用本方法对排放清单进行空间分配,并用于空气质量模拟,可以显著提高空气质量模拟的效果.从对比结果可以看到,使用该方法后,NMB平均可以降低40%左右,NME平均可以降低10%左右,效果较为显著.

模型模拟的空间分辨率越高,对模型及基础数据要求越高.本研究进一步利用POI数据,将空间分辨率为 0.25°×0.25°的 MEIC清单分配至1km×1km,并采用 CMAQ模型对北京市城六区进行数值模拟,以检验本方法的有效性,并对模拟结果进行评估.模拟时间为2015年1月13日～2015年1月28日,结果如表3.

表3 1km×1km高空间分辨率模拟效果评估(PM2.5)(%)Table 3 Simulation results of 1km×1km emission inventory (PM2.5)(%)

从表3及图6中可以看出,使用该方法对排放清单进行 1km×1km高时空分辨率空间分配,并用于空气质量模拟,仍可以获得良好的空气质量模拟效果.且POI方法较普通面积插值法NMB降低2%左右,NME降低20%左右,模拟结果更接近真实情况.

图6 1km×1km高空间分辨率模拟效果评估Fig.6 Simulation results of 1km×1km emission inventory

3 结论

基于POI数据可以有效地对非点源污染进行空间分配.在本文3km×3km的CMAQ空气质量模拟实验中,POI分配方法较面积插值法可使NMB降低40%左右,NME 10%左右.此外,POI数据在基于与生活密切相关的地理实体的空间分配方面具有广泛的应用潜力,如餐饮油烟可以考虑使用餐饮服务类 POI数据进行空间分配,建筑内外墙涂料、汽车喷漆等溶剂使用过程可以考虑商务住宅、汽车服务类POI数据进行空间分配,并可以进一步研究基于土地利用、环保及相关部门的统计数据的基础上,利用 POI数据对扬尘等非点源污染排放进行更加准确地空间分配.

[1]郑君瑜.区域高分辨率大气排放源清单建立的技术方法与应用[M]. 北京：科学出版社, 2014：6.

[2]王 堃,滑申冰,田贺忠,等.2011年中国钢铁行业典型有害重金属大气排放清单 [J]. 中国环境科学, 2015,35(10)：2934-2938.

[3]杨柳林,曾武涛,张永波,等.珠江三角洲大气排放源清单与时空分配模型建立 [J]. 中国环境科学, 2015,35(12)：3521-3534.

[4]郑君瑜,车汶蔚,王兆礼.基于交通流量和路网的区域机动车污染物排放量空间分配方法 [J]. 环境科学学报, 2009,29(4)：815-821.

[5]索 超,丁志刚. POI在城市规划研究中的应用探索 [A]//中国城市规划学会、贵阳市人民政府.新常态：传承与变革——2015中国城市规划年会论文集(04城市规划新技术应用) [C]. 贵阳：中国城市规划学会、贵阳市人民政府, 2015：10.

[6]禹文豪,艾廷华,刘鹏程,等.设施 POI分布热点分析的网络核密度估计方法 [J]. 测绘学报, 2015,44(12)：1378-1383.

[7]赵卫锋,李清泉,李必军.利用城市 POI数据提取分层地标 [J].遥感学报, 2011,15(5)：973-988.

[8]郑松潘,陈羽中,於志勇,等.基于兴趣点的城市阻抗计算模型[J]. 浙江大学学报(工学版), 2016,50(6)：1189-1195.

[9]翟世贤,安兴琴,刘 俊,等.不同时刻污染减排对北京市PM2.5浓度的影响 [J]. 中国环境科学, 2014,34(6)：1369-1379.

[10]王丽涛,张 普,杨 晶,等. CMAQ-DDM-3D在细微颗粒物PM2.5来源计算中的应用 [J]. 环境科学学报, 2013,33(5)：1355-1361.

[11]Kanaria A, Tonookab Y, Baba T, et al. Development of multiple-species 1km×1km resolution hourly basis emissions inventory for Japan [J]. Atmospheric Environment, 2007,41：3428-3439.

An emission inventory spatial allocatemethod based on POI data.

WANG Kun1, GAO Jia-jia1*, TIAN He-zhong2,DAN Mo1, YUE Tao1, XUE Yi-feng2,3, ZOU Pen-lai1, WANG Chen-long1(1.Department of Air Pollution Control, Beijing Municipal Institute of Labour Protection, Beijing 100054, China；2.State Key Joint Laboratory of Environmental Simulation & Pollution Control, School of Environment, Beijing Normal University, Beijing 100875, China；3.National Engineering Research Center of Urban Environmental Pollution Control, Beijing Municipal Research Institute of Environmental Protection, Beijing 100037, China). China Environmental Science, 2017,37(6)：2377～2382

POI (Points of interest) describes the type, location and other information of engineering and servicing facilities. POI data has the characteristics of easy access, strong timeliness and high accuracy. It is an important part of navigation electronic maps, and has a widely application prospects in urban planning. This study established a method to allocate area emissions (residential, agriculture and transportation source, etc.) basing on POI data (such as residential and commercial enterprises, animal husbandry and fishery enterprises, parking lot and other transportation facilities). Using the method, Beijing’s MEIC inventory was allocated to 3km×3km and 1km×1km spatial resolution, and CMAQ model was applied to test accuracy of allocated inventory. The result show that, using POI data to spatial allocate emission inventory can more effectively reflect the spatial distribution characteristics of the emission source. The simulation results of CMAQ model show that after using POI data to allocate Beijing’s MEIC inventory, the NMB and NME between monitoring data and simulated data are reduced about 30% and 10%, respectively.

emission inventory；POI；CMAQ；spatial allocation

X513

A

1000-6923(2017)06-2377-06

王 堃(1991-),男,山西吕梁人,研究实习员,主要从事大气污染控制研究.

2016-10-31

国家重点研发计划(2016YFC0208103);国家自然科学基金资助项目(21607008)

* 责任作者, 博士, jiajia11757@126.com