大气环境热点网格遥感筛选方法研究

陈 辉,王 桥,厉 青,王中挺,马鹏飞,周春艳,毛慧琴 (1.环境保护部卫星环境应用中心,北京 100094)

京津冀地区处于环渤海地区和东北亚的核心区域,是中国工业最为发达的地区之一,同时也是空气污染最严重的地区之一,是国家控制空气污染的重点区域.而空气污染物的迁移扩散会影响周边省市的空气质量,因此需对京津冀及其周边地区采取联防联控措施[1].近年来,京津冀及周边地区大气环境呈现出煤烟型与氧化型污染共存、局地污染与区域污染相叠加、污染物之间相互耦合的复合型大气污染特征[2].我国政府提出要建立先进的环境监测体系,全面反映环境质量状况和趋势,准确预警各类环境突发事件.因此,环保部门不断创新环境保护监管方式和手段,而卫星遥感技术由于其监测范围广、光谱信息多、数据客观准确等显著优势,能够在不同尺度上反映多种大气污染物的宏观分布趋势、源汇分布等信息.

近年来,卫星遥感技术被广泛用于我国大气环境遥感监测,关佳欣等[3]采用2000～2009年MODIS遥感气溶胶光学厚度产品分析并对比了我国中东部华北、四川盆地、长江三角洲和珠江三角洲 4个地区的AOD季节分布及其变化情况;Liu等[4]、Hu等[5]、马宗伟等[6]、陈辉等[7]基于卫星遥感AOD结果和相对湿度(RH)、边界层高度及其他地理环境要素数据,利用地理加权回归、广义相加等高级统计模型实现从AOD到PM2.5浓度的转换,通过地面实测数据验证评估分析了高级统计模型与一般统计模型相比在反映 AOD-PM2.5空间变异关系上具有较大的优越性;周春艳等[8-12]采用 OMI数据对京津冀、山东、长江三角洲和珠江三角洲等多个城市群地的对流层 NO2柱浓度时空分布格局变化进行了分析,并从地形、气象条件、经济、农业、生活和国家重大环保措施等多个方面分析了 NO2浓度变化的影响因素;宋国富等[13]、徐晓华等[14]、康重阳等[15]分别采用 OMI和SCIAMACHY的 SO2数据分析了我国长时间序列对流层SO2时空分布规律.综合梳理上述研究主要从单项大气污染物的遥感监测结果进行区域整体时空分布特征的宏观分析,尚缺乏对多项污染物的综合分析和局部重点污染地区的深入探测,这对我国复合型大气环境及重点污染源环境监管支撑力度有限.

本研究在灰霾天数、PM2.5、NO2和 SO2的卫星遥感监测结果基础上,对京津冀及周边地区的四项指标遥感监测结果进行统计分析,构建大气环境遥感综合污染指数,并根据大气环境遥感综合污染指数的空间分布特征筛选出大气环境综合污染相对较重的热点网格单元,为快速捕捉大气环境污染源和精准治理提供科学的信息支撑.

1 研究数据与方法

1.1 遥感数据

考虑到近年来我国大气污染突出特征表现为灰霾天气的频繁发生以及细颗粒物(PM2.5)和污染气体(NO2、SO2)高浓度值,采用灰霾天数和 PM2.5、NO2、SO2浓度的遥感监测结果作为热点网格筛选的基础输入数据,相应资料产品所用的卫星传感器、空间分辨率及过境时间情况见表1.其中,灰霾天数和PM2.5主要利用TERRA和AQUA两颗卫星上搭载的中分辨率光谱成像仪(MODIS)数据进行遥感反演获取灰霾天数和PM2.5浓度结果,而NO2、SO2主要利用AURA卫星上搭载的臭氧监测仪(OMI)数据获取柱浓度信息.

表1 本研究所用遥感产品信息Table 1 Information of remote sensing products in this study

1.1.1 灰霾天数遥感监测 灰霾天数是指一段时间内灰霾天气发生频次的统计结果,灰霾天气就是“气溶胶细粒子在高湿度条件下引发的低能见度事件”,形成灰霾天气的气溶胶组成非常复杂[2,16].参照世界气象组织[17-19]的技术资料,本研究遥感监测到的灰霾天气是指去除雾、降水等现象且水平能见度小于 5千米的情况.

灰霾天气遥感监测是根据灰霾气溶胶在可见光、近红外、中红外和热红外等电磁波段反射与发射特征,首先利用深蓝算法[20-22]从 MODIS数据中遥感反演得到灰霾气溶胶光学厚度,然后结合边界层高度从灰霾气溶胶光学厚度计算得到近地面消光系数,再利用 Koschmieder公式[23]将近地面消光系数转换为水平能见度,最后根据水平能见度和气象资料来综合判定是否为灰霾天气.

为对遥感监测灰霾天数结果进行检验,利用地面能见度仪和气象站(设置在环境保护部卫星环境应用中心大楼楼顶,地理坐标为东经 116.24°,北纬40.08°),参照世界气象组织(WMO)的技术资料计算所在地区 2016年逐月的灰霾天数,并从遥感监测结果中提取相应时间和地理位置的灰霾天数,将二者进行对比分析(图 1),结果表明总体上遥感监测灰霾天数略高于地面仪器测量结果,但二者具有较高的一致性,决定系数超过0.8,这说明基于卫星遥感技术获取的灰霾天数较为可靠,能较好地表征区域灰霾时空变化情况.

1.1.2 PM2.5浓度遥感监测 PM2.5遥感反演主要根据大气颗粒物的垂直分布和吸湿增长的基本原理,在卫星遥感反演气溶胶光学厚度(AOD)的基础上,以相对湿度(RH)、边界层高度(HPBL)等气象资料作为辅助数据,结合地面观测数据建立利用地理加权回归(GWR)模型对空间上的每个点优化选取带宽并进行回归分析,建立PM2.5-AOD在空间上的变异转换关系,最终获取近地面 PM2.5质量浓度.不少研究结果表明,基于 GWR方法的卫星遥感反演结果与地面观测结果具有较高的一致性,决定系数超过0.7[5-7].本研究利用GWR方法从MODIS数据中计算京津冀及周边地区每日 PM2.5浓度,并合成计算 2016年 1～12月的逐月及全年平均浓度.

图1 卫星遥感与地面仪器测量灰霾天数对比情况Fig.1 Comparison of total haze days from satellite and results of ground monitor

1.1.3 NO2柱浓度遥感监测 基于OMI数据的NO2对流层柱总量反演主要是采用差分光学吸收光谱算法(differential optical absorption spectroscopy,DOAS),该方法主要利用可见光(425～450nm)窗口的高光谱辐射探测信号及NO2在该窗口内的强吸收的特征,去除地表反射及气溶胶的散射影响、大气分子拉曼散射所引起 Ring 效应的填充作用及窗口内其他所有气体的吸收影响,获得地面到卫星传感器整个光程的NO2斜柱浓度(SCD);然后基于辐射传输模型计算得到大气质量因子将 NO2斜柱浓度转化为垂直柱浓度(VCD);并实现与平流层 NO2浓度的分离以获取对流层NO2柱浓度[24].本研究所用NO2资料来自于荷兰皇家气象研究所(KNMI)反演并由 TEMIS(Tropospheric Emission Monitoring Internet Service)发布的 OMI NO2对流层垂直柱浓度产品,空间分辨率为 0.125°,Wenig等[25]和 Boersma等[26]将卫星遥感产品与地基产品进行了对比验证分析,决定系数达0.8以上,保证了产品的可靠性.本研究从该产品中提取 2016年每天的NO2对流层垂直柱浓度,并进行2016年1～12月逐月及全年平均浓度合成计算.

1.1.4 SO2柱浓度遥感监测 基于OMI传感器反演边界层 SO2的主要算法采用波段残差法(BRD)[27],即利用SO2在紫外波段(310～330nm)处吸收较明显的4个波长处的辐射值两两做差值形成3个波长对,然后利用275K温度下的SO2的剖面微分数据将每一对残差值分别转换成SO2的倾斜柱量值,再经过大气质量因子校正得到SO2垂直柱浓度值.BRD算法对于近地表SO2浓度变化具有较好的探测能力,能很好的探测人为活动排放引起的SO2浓度变化[15].

本研究所用的 SO2资料为 NASA发布的 OMI SO2边界层柱浓度产品,空间分辨率为0.25°,Lee等[28]利用地面测量结果和卫星遥感反演结果进行对比分析发现二者具有较高的一致性,决定系数达 0.5.本研究从该产品中提取2016年每天的SO2边界层垂直柱浓度数据集,并进行2016年1～12月逐月及全年平均浓度合成计算.

1.2 研究方法

1.2.1 大气环境遥感综合污染指数 目前所采用的空气质量指数(AQI)被定义为一项或者多项空气污染物浓度的线性转换结果,用来描述空气质量的日变化情况,这种空气质量评价方法能体现出空气中的主要污染物,但是不能综合表达大气中其他因子对于空气环境质量的影响[29].橡树岭大气质量指数(the Oak Ridge Air Quality Index,ORAQI)是由美国原子能委员会橡树岭国立实验室于1971年9月提出的.这种指数评价方法认为评价指标对空气质量综合评价效果的影响呈指数关系,可以根据各地区不同的环境状况确定相应的评价模型[30].

设Ci代表任一项实测污染物的日平均浓度,Si代表该污染物的相应标准值, ORAQI可按下式计算:

式中:a 、 b 为常系数.ORAQI方程应用非常广泛,定量描述了每项污染物的重要性.实际评价中,根据ORAQI计算结果,将大气环境质量分为六级,依次为优 (＜20),好 (20～39),尚 可 (40～59),差 (60～79),坏(80～100),危险(＞100);ORAQI 越大,大气环境质量越差[29-31].

采用ORAQI评价大气环境污染状况首先需要确定当地的环境背景值和评价标准,以计算出适用于研究地区的常系数 a 、 b .而系数 a 、 b 的确定方法为:当各种污染物浓度等于该地区背景浓度时,ORAQI= 1 0;当各种污染物浓度均达到相应的标准时,O RAQI= 100;因此,a 、 b 由以下方程组确定:

已有相关学者[31-33]对美国、印度及中国等不同地区采用不同的污染因子计算获取 ORAQI常系数a、b,部分结果如表2.

由此可见,常系数a和b根据不同地区、不同的污染因子以及采用的计算方法的变化而表现出较大差异,其中常系数a的最大值和最小值分别为39.2和2.13,常系数b的最大值和最小值分别为2.49和0.967.因此,将橡树岭大气质量指数应用于京津冀及周边地区的大气环境质量综合评价分析,首先需要根据所选取的四项大气环境遥感污染因子确定标准值和背景值,从而确定系数.但目前尚未发布卫星遥感监测灰霾天数和 PM2.5、NO2、SO2浓度四项大气环境遥感污染指标的相关标准,本研究根据陈辉等[31,33]的研究方法,根据不同指标的分形分布特征统计分析结果,采用分形求和模型来获取四项大气环境遥感污染因子的背景值和标准值.

表2 ORAQI常系数计算结果对比Table 2 the Comparison of constant coefficient for different ORAQI

分形求和模型是在分形统计模型基础上发展起来的,分形统计模型实际上是对物体累积密度分布分形特征的解析和描述,即大于某一尺度的物体的数目与物体大小尺度之间存在着幂函数关系,即具有尺度不变性.Shen[34-35]进一步提出了分形求和模型用来确定地球化学数据分组界限,

式(3)中N( r)表示所有满足xi≥r的总和,为分形维数,C为常数.

因此,本研究根据 2016年京津冀及周边地区每个月的灰霾天数和 PM2.5、NO2、SO2月均浓度四项大气环境遥感污染因子的密度分布特征建立分形求和模型,首先根据不同的指标值来统计大于相应指标值的象元个数,然后将统计结果在双对数坐标系中描绘出来,根据散点分布特征进行拟合分析,从而确定四项遥感监测因子的背景值和标准值,然后根据式(2)求解方程即可获得 ORAQI的常系数 a和常系数 b,建立区域大气环境遥感综合污染指数计算方法.

1.2.2 大气环境热点网格提取及分析 随着我国城市现代化建设进程的加快,城市环境问题也日期凸显,改善城市环境质量不仅是一个管理问题,同时也是科学技术问题,采用网格化分析方法解决城市环境问题势在必行,是城市环境管理发展的必然趋势[36].而大气环境热点网格则是指所有区域网格的大气环境污染相对较重的网格单元,是在大气环境监管中高度重视、重点关注的区域.

针对京津冀及周边地区的大气环境质量精细化管理需求,本研究首先将京津冀及周边地区划分为1km×1km网格约70万个,根据上述计算的每个网格的大气环境遥感综合污染指数长时间序列的分布情况,提取出大气环境遥感综合污染指数相对较高(ORAQI＞60)的网格,即为大气环境热点网格,该网格单元可以作为环保部门进行环境执法和督查的参考区域.然后结合高分辨率卫星数据对热点网格内的土地利用类型进行解译分析,为保证土地利用类型解译精度,收集米级(即空间分辨率不超过 10m)的卫星数据,采用目视解译的方法,将热点网格的土地利用分为工业用地和非工业用地,工业用地主要指用来建设工厂厂房和施工等土地利用类型,包括工厂厂房、露天作业等;其他类型则为非工业用地,包括农田、林地、农村居民点、城镇居民用地、水体、道路等多种类型.最后,根据大气环境质量管理需求,对热点网格内的工业用地占比情况进行统计分析,探讨不同规模类型的企业的生产活动对大气环境质量影响,为大气环境监管提供信息参考.

2 结果与讨论

2.1 基于卫星遥感的大气环境污染时空变化特征分析

利用MODIS、OMI数据和气象资料对京津冀及周边每天的灰霾天气及 PM2.5、NO2、SO2浓度情况进行遥感监测,并统计京津冀及周边地区 2016年全年的灰霾天数和 PM2.5、NO2、SO2年均浓度空间分布情况,结果如图2.

从图中可以看出, 2016年京津冀及周边地区的灰霾天数和PM2.5、NO2、SO2浓度分布情况来看,总体上均表现出北部地区大气环境质量较好而中部和南部地区污染稍重的空间分布态势,但各项污染物的局部分布特征表现出较大差异.如灰霾天数较多地区主要分布在河南的郑州、焦作等地,PM2.5浓度的高值区主要分布在河北的保定、石家庄、邢台和河南的新乡、焦作等地,NO2柱浓度高值区主要分布在北京、天津、河北的唐山、石家庄及邯郸等地,SO2柱浓度高值区主要分布在山西的吕梁、临汾、河北的石家庄、邯郸等地,不同地区的大气环境污染呈现出主要污染物不尽相同并且多项污染物形成复合型污染的复杂情况,因此有必要根据各项大气环境污染物的分布情况发展一个大气环境遥感综合污染指数,对大气环境质量时空变化进行综合分析.

图2 2016年京津冀及周边区域灰霾天数和PM2.5、NO2、SO2年均浓度空间分布Fig.2 Spatial distribution of the total haze days and annual concentions results of the PM2.5、NO2、SO2 in the Beijing-Tianjin-Hebei and surrounding regions in 2016

2.2 大气环境遥感综合污染指数分析

根据分形求和模型统计京津冀及周边地区灰霾月累计天数和 PM2.5、NO2、SO2月均浓度的密度分布情况,并将其绘制在双对数坐标系中,结果见下图.从图中可以看出在双对数坐标系中,四项遥感监测因子的散点基本分布在3条直线上,因此,可根据不同因子的分布情况对3个区间的散点分别进行线性拟合,结果见表3.

图3 2016年京津冀及周边区域灰霾累计天数和PM2.5、NO2、SO2月均浓度分形求和模型结果Fig.3 Results of the fractal summation model of the total haze days and annual concentions results of the PM2.5、NO2、SO2 in the Beijing-Tianjin-Hebei and surrounding regions in 2016

表3 2016年京津冀及周边区域灰霾天数和PM2.5、NO2、SO2月均浓度分形求和模型拟合结果Table 3 The fitting results of the fractal summation model of the total haze days and annual concentions results of the PM2.5、NO2、SO2 in the Beijing-Tianjin-Hebei and surrounding regions in 2016

从表3中可以看出,卫星监测灰霾天数和PM2.5、NO2、SO2浓度四项大气环境遥感因子的3段直线的拟合决定系数R2都在0.88以上,这说明四项因子的分形求和模型拟合效果较好,可以有效表征出不同因子的密度分布特征.根据分形模型拟合的3段直线可确定两个分界点,即为卫星遥感监测京津冀及周边地区四项大气环境质量因子的背景值和标准值,结果如下:

表4 2016年京津冀及周边区域灰霾天数和PM2.5、NO2、SO2月均浓度背景值和标准值Table 4 The background and standard values of the total haze days and annual concentions of PM2.5、NO2、SO2 in the Beijing-Tianjin-Hebei and its surrounding regions in 2016

根据表4结果,可知:京津冀及周边地区的遥感监测灰霾天数、PM2.5、NO2和SO2的背景值分别为10.7天、57.5µg/m3、515.7×1013mole/cm2和 0.29DU,标准值分别为 22.2d、112.2µg/m3、2073.1×1013mole/cm2和0.64DU.

根据上述结果代入(2)式可解方程得到:a=1.3906,b=2.6836.将上述结果代入(1)式可确定京津冀及周边地区卫星遥感监测大气环境遥感综合污染指数公式如下:

根据式(5)计算2016年1～12月京津冀及周边地区每个月的大气环境遥感综合污染指数,其时空分布变化情况见下图.

从上图可以看出,2016年1～12月京津冀及周边地区大气环境遥感综合污染指数空间分布呈现出显著的时空分布特征,每个月的高值区主要分布在区域中部的北京南部、天津南部、河北南部、河南北部、山东的西北部和山西局部等地,这与京津冀及周边地区的工业企业排放源的空间分布情况关系密切;并且1～12月大气环境遥感综合污染指数呈现“U”形变化特征,即 11～12月和 1～2月的值相对较高,3～10月相对较低,这可能和京津冀及周边地区的采暖活动相关.为定位筛选出京津冀及周边地区的大气环境污染相对最高的象元,将 1～12月的大气环境遥感综合污染指数进行年均合成计算,其空间分布情况见下图.

图4 2016年京津冀及周边地区大气环境遥感综合污染指数月均分布Fig.4 Spatial distribution of the monthly average comprehensive pollution index of atmospheric environment remote sensing in the Beijing-Tianjin-Hebei and surrounding regions in 2016

图5 2016年京津冀及周边地区大气环境遥感综合污染指数年均值空间分布情况Fig.5 Spatial distribution of the annual average comprehensive pollution index of atmospheric environment remote sensing in Beijing-Tianjin-Hebei and surrounding regions in 2016

从图 5可以看出,2016年京津冀及周边北部和南部的大部分地区大气环境遥感综合污染指数年均值分布在 0～20之间,这说明该地区的大气环境质量总体相对较好;中部的北京、唐山、天津、廊坊、保定、沧州、石家庄、衡水、邢台、邯郸、东营、滨州、淄博、济南、德州、聊城、济宁、枣庄、安阳、鹤壁、新乡、焦作、郑州等地的 ORAQI年均值超过 20,这说明上述城市的大气环境质量相对略差;其中保定中部、石家庄大部、邢台东部、邯郸东部和安阳北部一带的ORAQI年均值分布在40～60之间,这说明这些地区的大气环境质量总体较差,ORAQI年均值相对较高的地区主要分布在保定中部、石家庄中北部及邢台南部和邯郸北部交界处,其 ORAQI年均值超过 60,这说明这些地区的大气环境质量很差,可以作为大气环境监管和污染治理的重点关注区域.

2.3 大气环境热点网格提取分析

根据 ORAQI对大气环境质量的分级情况[29],将大气环境质量污染较重的(即大气环境遥感综合污染指数年均值大于 60)的网格作为大气环境热点网格提取出来共计1782个.然后结合Google earth对热点网格内的土地利用类型进行目视解译分类(分为工业用地和非工业用地),并估算工业用地占网格面积比例,利用Arcgis软件分别将保定市、石家庄市、邢台和邯郸市的大气环境热点网格根据网格工业用地面积比例进行渲染制图,并对各市的热点网格工业用地占比情况进行统计(图6和表5).

结果表明:保定市的大气环境热点网格主要分布在南市区和清苑县一带,网格工业用地面积比例整体较高,共48个网格,工业用地面积比例在10%以上的网格比例为 75%,其中南市区部分热点网格的工业用地面积超过 50%,这说明该地区的中大规模企业生产对局地的大气环境质量影响相对较大;石家庄市的大气环境热点网格主要分布在藁城县北部、正定县东部、石家庄市辖区、栾城北部及鹿泉县北部局部等地,共1314个网格,其中工业用地面积比例在 10%以内的网格比例约为 65%,工业用地面积比例在 10%～30%之间的网格比例约为 25%,这说明该地区的中小型企业生产对局地的大气环境影响较大;邢台和邯郸的大气环境热点网格主要分布在邢台的沙河市和沙河的武安市交界地区,共420个网格,其中工业用地面积比例在 5%以内的网格比例约为48.6%,非工业用地网格比例为41.4%,这说明该地区的小型企业和农业(非工业用地网格的土地利用类型主要为农田)生产活动对当地大气环境质量影响相对较大.

图6 2016年保定市(a)、石家庄市(b)、邢台市和邯郸市(c)大气环境热点网格及工业用地面积占比情况Fig.6 Spatial distribution of the hotspot grid of atmospheric environment and its industry land proportion in 2016

表5 2016年京津冀及周边地区大气环境热点网格及工业用地面积占比情况统计Table 5 The statistical results of the hotspot grid of atmospheric environment and its industry land proportion in the Beijing-Tianjin-Hebei and surrounding regions in 2016

总体上,工业用地占比较低(低于 10%)的网格占总网格数的比例相对较高,约为61.8%;而工业用地占比较高(高于 30%)的网格占总网格数的比例相对较低,约为 5.1%.这说明小型企业的生产排放对当地的大气环境质量影响较大,这与多家媒体报道的“小散乱污”企业制造业问题突出严重影响大气环境质量的结果较为一致[37-40].

值得注意的是,非工业用地的热点网格占总网格数的比例约为 13.5%,由于非工业用地热点网格的土地利用类型主要为农田,所以农业生产对当地大气环境质量也产生一定影响.

3 结论

3.1 2016年京津冀及周边地区的灰霾天数和PM2.5、NO2、SO2浓度分布总体上均表现出北部地区大气环境质量较好而中部和南部地区污染稍重的空间分布态势,但各项污染物的局部分布特征表现出较大差异,不同地区的大气环境呈现出主要污染物不尽相同并且多项污染物形成复合型污染的情况.

3.2 基于分形求和模型结果确定了京津冀及周边地区灰霾天数、PM2.5、NO2和 SO2浓度的背景值分别为10.7天、57.5µg/m3、515.7×1013mole/cm2和0.29DU,标 准值 分别 为 22.2d、112.2µg/m3、2073.1×1013mole/cm2和0.64DU.在此基础上,结合 ORAQI建立的大气环境遥感综合污染指数对区域大气环境质量时空变化有较好的指示效果,京津冀及周边北部和南部的大部分地区大气环境质量总体相对较好,中部部分城市的大气环境质量相对较差,大气环境污染最重的地区主要分布在保定中部、石家庄中北部及邢台南部和邯郸北部交界处.

3.3 利用ORAQI共筛选出大气环境热点网格1782个,其中工业用地面积占比较低的热点网格数比例相对较大,这表明小型企业生产排放对当地的大气环境质量影响较大.