基于混合效应模型的京津冀地区PM2.5日浓度估算
2018-08-23孙艳玲付宏臣
景 悦,孙艳玲*,徐 昊,陈 莉,张 辉,高 爽,付宏臣,毛 健
基于混合效应模型的京津冀地区PM2.5日浓度估算
景 悦1,孙艳玲1*,徐 昊2,陈 莉1,张 辉1,高 爽1,付宏臣1,毛 健1
(1.天津师范大学地理与环境科学学院,天津 300387;2.宁夏大学经济管理学院,宁夏 银川 750021)
利用2016年182d的MODIS 3km AOD数据与地面监测数据,评估了混合效应模型不同参数组合的模拟性能,得出模型在解释AOD-PM2.5关系时,对时间序列变异的解释能力要比空间差异更佳.在此基础上,利用混合效应模型建立京津冀地区每日的AOD-PM2.5关系,模型拟合2为0.92,交叉验证调整2为0.85,均方根误差(RMSE)为12.30µg/m3,平均绝对误差(MAE)为9.73µg/m3,说明模型拟合精度较高.基于此模型估算的2016年京津冀地区年均PM2.5浓度为42.98µg/m3,暖季(4月1日~10月31日)为43.35µg/m3, 冷季(11月1日~3月31日)为38.52µg/m3,与同时期的地面监测数据差值分别为0.59,0.7,5.29µg/m3.空间上,京津冀地区的PM2.5浓度呈现南高北低的特征,有一条明显的西南-东北走向的高值区.研究结果表明,基于每日混合效应模型可以准确评估京津冀地区的地面PM2.5浓度,且模型估算的PM2.5浓度分布状况为区域大气污染防治提供了基础的数据支撑.
MODIS AOD;PM2.5;混合效应模型;京津冀地区
自2013年国家建立环境监测站点以来,分析区域尺度的PM2.5污染状况主要是利用站点获取的数据进行插值得到.由于环境监测站点离散分布,且站点之间空间距离过大,会导致PM2.5浓度的空间分布存在较大的偏差,严重影响PM2.5数据的准确性[1].而卫星遥感覆盖范围广,空间分辨率高,通过反演可以准确获取无站点分布区的PM2.5浓度,弥补了地面监测空间上的不足[2].卫星遥感反演主要使用的是气溶胶光学厚度 (AOD),其定义为介质的消光系数在垂直方向上的积分,是衡量气溶胶的重要因子,可以用来表征大气浑浊度或气溶胶的总含量,有效的反映区域空气污染程度[3].
目前,国内外已有不少学者开展了利用AOD估算地面PM2.5浓度的研究.研究表明AOD-PM2.5之间存在明显的正相关关系[4],在此基础上,有学者通过对AOD进行垂直订正和湿度订正,进一步提高了两者的相关性[5-8].近几年,不同的学者分别采用多元线性回归模型[9]、人工神经网络模型[10-11]、地理加权模型[12-14]、土地利用回归模型[15-17]、贝叶斯统计模型[18]等方法利用AOD估算地面PM2.5浓度,均得到了较好的估算结果,证明了AOD估算PM2.5的可行性.2011年Lee等[19]首次使用混合效应模型对美国东北部地区地面PM2.5浓度进行了估算,模型拟合2高达0.97,充分证明了混合效应模型有较好的模拟能力.后来Lee和其他学者又将此模型运用到其他地区,均得到了很好验证[20-21].以往研究中,AOD数据主要是采用分辨率10km的MODIS产品,很难满足用户高分辨率的需求. 2014年末,美国国家航空航天局 (NASA)发布了MODIS 3km AOD产品,为反演更高精度的地面PM2.5浓度提供了可能. Xie等[22]、Ma等[23]分别利用此数据产品对北京和长江三角洲地区进行了PM2.5浓度估算,都得到了高精度的模拟结果.
自2013年国家大气污染防治计划实施以来,全国空气质量总体好转.从区域分布来看,京津冀地区大气环境质量虽同比有所改善,但仍是我国大气污染最重的区域.其中,2016年统计的空气质量较差的10大城市中,6个就位于该区域,且重污染天气主要发生在冷季.因此,本文以京津冀地区为研究区,选用MODIS 3km AOD产品,采用混合效应模型建立了每日变化的AOD-PM2.5关系,并使用交叉验证检验模型的准确性,在此基础上估算了2016年京津冀地区年均、暖季及冷季的PM2.5浓度,为研究京津冀地区大气污染治理提供数据支撑.
1 数据与方法
1.1 MODIS AOD数据
MODIS AOD数据来自于Terra卫星,该卫星是美国宇航局地球观测系统计划(EOS)中的第一颗卫星,于1999年12月18日发射升空,2000年2月24日开始提供全球遥感监测资料[6],其上搭载的中等分辨率光谱仪(MODIS),每天覆盖全球一次,过境时间为地方时10:30am,扫描宽度2330m,星下点分辨率250m,有36个光谱通道,可反演云属性、气溶胶、温度、臭氧、陆地覆被等一系列产品,该数据产品可供全球用户免费使用.NASA提供的标准level 2级AOD产品空间分辨率为10km,对全球空气污染监测有很大应用价值[24], 2014年发布的3km AOD产品已被证明其2/3的数据都在允许误差范围内,可以被用于全球范围的气溶胶变化研究[25].张西雅等[26]利用AERONET数据对Terra 3km卫星遥感气溶胶产品在京津冀地区的适用性进行了验证,表明该产品满足区域环境空气质量评估的需要.本文使用的Terra MOD04_3k数据产品是从美国国家航空航天局的戈达德宇宙飞行中心(LAADS) (https://ladsweb. nascom.nasa.gov/)网站上下载得到,除去2016年2月19~27日的缺失数据,共得到357d AOD数据.
1.2 地面监测PM2.5数据
PM2.5监测数据由中国环境监测总站(http:// 113.108.142.147:20035/emcpublish)提供.地面PM2.5数据采用的是微量震荡天平法(TEOM)或者β射线法监测得到,自动监测设备实施全面质量控制,保证了数据的准确性.本文利用京津冀地区80个环境监测站点进行研究,各站点分布情况如图1所示.研究收集了2016年1月1日~12月31日每天10:00和11:00的PM2.5监测数据,为匹配Terra卫星过境的时间,将每个站点2个时段的数据平均,最终得到366d PM2.5_10:30数据.
图1 京津冀地区环境监测站点分布
1.3 模型建立与检验
首先建立线性回归模型来模拟AOD-PM2.5的关系.公式如下:
PM2.5=+´AOD (1)
式中:、为固定的截距与斜率,线性回归模型是利用最小二乘法对一个自变量与因变量建立简单的线性拟合关系.而实际上,由于每天的气象条件、卫星反演环境、局部污染情况的不同,AOD-PM2.5关系可能存在时间与空间上的变化.基于此,本文建立了2个独立混合效应模型来更清楚的反映AOD-PM2.5关系在时间序列及空间位置的变化.方程如下:
PM2.5ij=(+U)+(+V)´AOD+(2)
PM2.5ij=(+U)+(+V)´AOD+ (3)
(U,V)~[(00),S1](U,V)~[(00),S2]
式中:公式(2)是AOD随每日变化的混合效应模型,公式(3)是站点影响下的混合效应模型.、为固定的截距与斜率,随机参数U、V是每天变化的随机截距与随机斜率,U、V则是由站点之间差异导致的随机截距与斜率,ε为每日的随机残差,ε是每个站点的随机残差,∑1、∑2分别为每日及站点变化下的随机效应对应的协方差矩阵.通过公式(2)可以得出混合效应模型对时间序列的解释能力,也进一步得出AOD-PM2.5关系有多少是由时间变化(如每天气象条件差异等)所引起的.通过公式(3)则可进一步解释站点差异(地形、土地利用状况、局部污染物排放差异)对AOD-PM2.5关系的贡献度.模型拟合的效果通过计算模拟值与地面监测值的2、平均绝对误差(MAE)、均方根误差(RMSE)来进行比较,并与线性回归模型进行对比验证.
交叉验证(CV)可以用来检验模型的过度拟合,其原理是将样本数据随机均匀的分成组,其中1组留作测试集,1组作为训练集,交叉验证重复次,保证每一组样本都被验证一次,将次交叉验证的结果取平均得到最后的结果.其中,10折交叉验证最为常用.本文也采用10折交叉验证的方法检验线性回归模型与混合效应模型的性能.
2 结果与分析
2.1 描述性统计
将研究区分为3km´3km的网格,用每一个网格去匹配其上的PM2.5站点数据,如果网格内对应多个站点,则取站点间PM2.5浓度的平均值,以保证每一个AOD网格对应唯一的PM2.5值.剔除每日匹配少于2对的数据,最终得到182d 2841对数据.AOD- PM2.5匹配结果的描述性统计见表1,监测PM2.5日均浓度与AOD日均值的相关性为0.53(图2).另外,本文将2016年的4~10月划分为暖季, 11~3月划分为冷季,其中暖季有2505对数据,冷季有336对数据.
2016年京津冀地区地面监测的年均PM2.5浓度为43.57µg/m3(表1),暖季的PM2.5浓度范围为1~ 201.5µg/m3,平均值为44.05µg/m3,冷季PM2.5浓度范围为3~151.5µg/m3,平均值为33.23µg/m3. 京津冀地区2016年AOD总体平均值为0.74(表1),暖季的AOD范围为0~4.74,平均值为0.76,冷季的AOD范围为0~1.31,平均值为0.28.地面监测站点插值的PM2.5空间分布特征(图3)与2016年同时期AOD的空间分布特征类似,整体上呈现东南高西北低的特点.
图2 2016年京津冀地区每日平均AOD-PM2.5匹配
表1 AOD-PM2.5匹配的描述性统计
2.2 模型拟合及交叉验证
利用不同参数组合评估了混合效应模型的拟合效果(表2).首先基于站点(每日)混合效应模型内部对比可知,混合效应模型中仅考虑单因子时,随机斜率的拟合效果比仅考虑随机截距要好,两者都考虑可以更进一步提高精度,其次,对比公式(2)、(3)建立的每日混合效应模型与站点混合效应模型可知,混合效应模型在解释AOD-PM2.5关系时,对时间序列变异解释能力要比空间差异更佳.进一步得出AOD-PM2.5的关系其实更多的是随时间变化,而不是空间上变化,佐证了本文进行日估算的合理性.对比线性回归模型与混合效应模型,可以看出任一种混合效应模型都比线性回归模型拟合效果好,尤其考虑每日的混合效应模型最佳.
图4中,线性回归模型与站点混合效应模型的2分布区间为0.2~1,均出现了2个离群值,中位数2约为0.53左右,说明模型拟合效果一般,且模拟效果极不稳定.相反,基于每日混合效应模型拟合2分布区间为0.73~1,出现了3个小于第一个四分位数的离散值,中位数2高达0.92,尾长较短,证明模型拟合较好.同样在MAE、RMSE分布中,线性回归模型与站点混合效应模型不仅中位值高,而且分布区间跨度较大,每日混合效应模型的MAE与RMSE值均较低且分布集中,表明其误差较小,证明基于每日混合效应模型拟合效果最佳.
表2 模型拟合结果对比
对于不同模型交叉验证的结果可见 (图5),线性回归模型与基于站点混合效应模型的CV2为0.30(±0.03),相比验证前2降低了0.23,说明两模型存在严重的过度拟合.基于每日混合效应模型CV2为0.85,相比验证之前的2降低了0.07,虽然也存在部分过度拟合现象,但交叉验证调整后的相关性依然很高,说明使用3km AOD产品结合每日混合效应模型算法在京津冀地区可以很好的估算地面PM2.5浓度.
在模型验证的基础上,最终利用公式(2)建立一个既考虑AOD对随机斜率也考虑其对随机截距影响的每日混合效应模型,得到2016年京津冀地区2841个模拟值及每天对应的182个AOD-PM2.5关系方程.固定斜率与截距分别为37.71 (<0.0001)和19.17(<0.0001),每日变化的随机斜率与随机截距标准差分别为29.83,17.87,随机残差的标准差为12.94.整个研究区模型拟合2为0.92, RMSE为12.30µg/m3,MAE为9.73µg/m3,交叉验证调整R为0.85.说明模拟的PM2.5浓度可以解释平均85%的地面PM2.5浓度.模型拟合效果以不同城市进行统计(表3),不同城市的2范围为0.86~0.96,RMSE为11.20~13.31µg/m3,MAE为6.05~11.49µg/m3,交叉验证调整后的2集中在0.70~0.91,可以看出各城市的模型拟合都有一个高的相关性和较低的误差,其中保定市模型拟合效果最好,张家口市与承德市效果较差,但CV2依然高达0.70以上.
图4 基于站点统计的不同模型拟合的R2、MAE、RMSE
图5 不同模型交叉验证结果
表3 基于城市统计的每日混合效应模型拟合效果
2.3 京津冀地区PM2.5估算及大气污染分布特征
利用每日混合效应模型建立的AOD-PM2.5关系估算3km分辨率下的地面PM2.5浓度,如图6a所示, 2016年京津冀地区年均PM2.5浓度为42.98µg/m3,值域范围在0~528µg/m3之间,对比同时段的PM2.5监测站点的插值图(图3a),可以看出,两者的平均浓度近似均为(43±0.57)µg/m3,但估算的PM2.5浓度值域范围更大,尤其对无站点地区得出了更为详细的PM2.5空间信息.同时,本文还利用AOD产品对研究区暖季和冷季的地面PM2.5浓度进行估算(图6),进一步探讨模型模拟的季节适应性问题.京津冀地区2016年暖季PM2.5浓度范围为0~528µg/m3,平均浓度为43.35µg/m3.冷季PM2.5浓度范围在0~267µg/m3之间,平均浓度为38.52µg/m3.与暖季、冷季站点平均PM2.5浓度(表1)对比,暖季相差+0.7µg/m3,冷季相差+5.29µg/m3,结果偏差较小,说明对研究区整体上进行暖季、冷季PM2.5浓度估算精度较高.从空间分布上看,研究区2016年PM2.5浓度呈现南高北低的特征,其中暖季呈现高度的空间聚集性,西南-东北走向有大片PM2.5浓度高值区,西北部为低值区,冷季红色高值区向北扩散,说明污染范围进一步扩大.另外,从暖季、冷季PM2.5浓度的空间分布 (图6)可知,暖季的模拟结果空间覆盖效果较好,冷季由于北京市城区,天津市城区及张家口山区等地区AOD数据缺失,导致模型估算的地面PM2.5浓度出现部分缺失.
虽然2016年京津冀地区整体上空气质量整体超出了国家空气质量二级标准,但不同城市的空气污染状况还是有所差异.基于城市统计的模型估算PM2.5浓度状况如表4所示,其中空气质量较好的两大城市为张家口市、承德市,其PM2.5浓度分别为28.01,27.04µg/m3.其余10个城市的年均PM2.5浓度都高于35µg/m3.暖季PM2.5污染状况与全年类似.冷季北京市及天津市郊区的PM2.5浓度分别为31.41,32.01µg/m3,张家口市大部分区域冷季PM2.5浓度为34.21µg/m3.邯郸市、邢台市、衡水市、沧州市、石家庄市、保定市、廊坊市的空气污染较严重,其PM2.5浓度都大于35µg/m3,承德市、唐山市、秦皇岛市冷季的空气质量较好.不同城市空气污染差异很大,表明京津冀地区在大气污染防治中,不同城市应因地制宜,并着重治理空气污染严重地区.PM2.5的年均及暖季、冷季的污染浓度大不相同,说明PM2.5浓度的季节差异很明显,进一步表明了空气污染分季节探讨及治理的必要性与合理性.
表4 基于城市统计的模型估算PM2.5浓度(µg/m3)
3 讨论
3.1 模型构建
本文采用的混合效应模型是在固定效应模拟AOD-PM2.5关系的基础上,进一步用每日的随机斜率与随机截距来代表影响每天AOD-PM2.5关系变化的众多不确定因素(如每日气象条件、卫星反演条件等),并使用每日随机残差项订正系统模拟误差,因此拟合精度较高.本文建立的混合效应模型未考虑站点的随机截距项,主要由于站点数量少,并不能分配到每一个网格,大量网格并没有站点覆盖,而且站点的效应仅可以纠正站点这一点的偏差,并不能纠正3km范围的偏差,对于无站点的地区而言,站点效应并没有起到订正的效果,反而引起了一些不确定性误差.其次,混合效应模型考虑站点与不考虑站点拟合效果近似,这与Xie等[22]的结论一致.本文进一步通过对比不同混合效应模型效果,证明了混合效应模型对时间序列的模拟最好,但对空间差异的解释力较差,因此采用日估计并未考虑站点影响来尽可能减少不必要的误差.
3.2 模型表现对比
本文模型的交叉验证调整2为0.85, 比郝静等[27]利用10km产品对京津冀内陆平原的模拟结果(CV2=0.7)好,说明3km数据产品要比10km数据更加精确.与Xie等[22]利用同样数据对2013年北京地区的反演结果(CV2=0.75)相比,本文结果较好.但是与使用混合效应模型对美国地区的拟合结果[19-21](CV2=0.88,0.92)相比,京津冀地区的模拟结果要差一些,这可能与我国地面监测数据较少有关.与其他学者采用不同的方法[12,14,18]对京津冀地区地面PM2.5浓度的反演结果对比,每日混合效应模型同样得出较好的模拟结果.
本文通过使用最新的MODIS 3km AOD产品估算了高精度的地面PM2.5浓度,为京津冀地区大气污染防治提供了更详细空间信息.尽管之前也有学者使用了1km分辨率的AOD产品数据估计地面PM2.5浓度,但其对MAIAS 1km AOD的反演结果与MODIS AOD结果作对比显示MODIS数据反演结果与地面监测的PM2.5浓度有更高的相关性[28].另一方面,MAIAS 1km AOD产品并未开放,基本很难获取,相比之下,高质量的MODIS 3km AOD产品对全球公开且可在NASA官网免费下载,这为我国学者研究AOD-PM2.5关系提供了巨大便利.
3.3 模型的不确定性
每日混合效应模型不需要辅助多种要素,而是仅用AOD来建立模型,将气象、区域差异都考虑在随机效应中,用更少的数据也可以得到同样高的模拟效果,这是其他模型不可比拟的优势.但也有一定的局限性,随机效应直接模拟不确定因素的结果与在模型中加入辅助因子模拟的结果是否一致,未来需要进一步的验证.
另外,在相关研究中有些学者并没有使用MODIS 3km AOD产品,而依旧使用10km AOD产品[28].这主要原因在于3km AOD目前只发布了暗像元算法(DT)产品,并没有深蓝算法(DB)产品,DT算法对植被覆盖地区反演效果最好,对冬季城市、雪等亮地表及重污染天气反演较差[29],使得冬季AOD数据缺失严重,导致本文冷季的AOD-PM2.5匹配数量少且部分区域估算结果缺失.这也是目前使用3km产品研究的局限[23],但吴健生等[14]发现,对中国地区而言,使用不同模型的反演或者在模型中加入气象等辅助因子都没有改善AOD数据分辨率对反演结果影响大,这也是本文选择高分辨率3km AOD产品的原因.未来需要考虑使用MODIS的双星协同数据,并对3km的暗像元算法与10km的深蓝算法进一步做数据融合,得到更多的匹配数据,也会使得模型得到进一步的提升.
4 结论
4.1 对比混合效应模型不同参数组合的模拟结果发现,混合效应模型对时间变化解释更好,对站点变化解释力较差,其中考虑AOD对随机截距与随机斜率共同影响的每日混合效应模型最佳.本文发展的2016年京津冀地区的每日混合效应模型拟合2为0.92,交叉验证调整2为0.85,RMSE为12.30µg/m3, MAE为9.73µg/m3,均证明模型有很好的模拟能力且估算结果与地面监测PM2.5有很高的相关性.
4.2 利用每日混合效应模型建立的AOD-PM2.5关系估算的2016年京津冀地区年均PM2.5浓度为42.98µg/m3,超出国家空气质量二级标准(35µg/m3)的22%.从空间分布来看,存在明显的空间聚集性,有一条西南-东北走向的PM2.5高值区,西北区为低值区.对比同时段的监测站点PM2.5浓度空间分布状况,可知利用AOD估算的PM2.5空间分布状况可以反映更详细的空间信息,对地面PM2.5浓度的空间异质性解释更佳.暖季,冷季PM2.5平均浓度分别为43.35, 38.52µg/m3.季节PM2.5浓度的空间分布特征与年均基本一致.
4.3 同一个时期不同城市之间的PM2.5浓度差异明显,同一个城市不同季节的PM2.5浓度变化较大,因此,针对京津冀地区PM2.5污染治理,应该因地制宜,因时施宜.
[1] Hu X, Waller L A, Lyapustin A, et al. Estimating ground-level PM2.5, concentrations in the Southeastern United States using MAIAC AOD retrievals and a two-stage model [J]. Remote Sensing of Environment, 2014,140(1):220-232.
[2] 王银牌,喻 鑫,谢广奇.中国近15年气溶胶光学厚度时空分布特征[J]. 中国环境科学, 2018,38(2):426-434.
[3] 刘 浩,高小明,谢志英,等.京津冀晋鲁区域气溶胶光学厚度的时空特征[J]. 环境科学学报, 2015,35(5):1506-1511.
[4] Gupta P, Christopher S A, Wang J, et al. Satellite remote sensing of particulate matter and air quality assessment over global cities [J]. Atmospheric Environment, 2006,40(30):5880-5892.
[5] 王家成,朱成杰,朱 勇,等.北京地区多气溶胶遥感参量与PM2.5相关性研究[J]. 中国环境科学, 2015,35(7):1947-1956.
[6] 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), 2003,39(s1):108-117.
[7] 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.
[8] 陈 辉,厉 青,王中挺,等.利用MODIS资料监测京津冀地区近地面PM2.5方法研究[J]. 气象与环境学报, 2014,30(5):27-37.
[9] 李啸天,吴绍华,徐于月,等.江苏省PM2.5质量浓度的时空变化格局模拟[J]. 环境监测管理与技术, 2017,29(2):16-20.
[10] 王 敏,邹 滨,郭 宇,等.基于BP人工神经网络的城市PM2.5浓度空间预测[J]. 环境污染与防治, 2013,35(9):63-66+70.
[11] 郭建平,吴业荣,张小曳,等. BP网络框架下MODIS气溶胶光学厚度产品估算中国东部PM2.5[J]. 环境科学, 2013,34(3):817-825.
[12] Karimian H, Li Q, Li C C, et al. Daily estimation of fine particulate matter mass concentration through satellite based Aerosol Optical Depth [J]. 2017,IV-4/W2:175-181.
[13] 陈 辉,厉 青,张玉环,等.基于地理加权模型的我国冬季PM2.5遥感估算方法研究[J]. 环境科学学报, 2016,36(6):2142-2151.
[14] 吴健生,王 茜,李嘉诚,等. PM2.5浓度空间分异模拟模型对比:以京津冀地区为例[J]. 环境科学, 2017,38(6):2191-2201.
[15] 许 刚,焦利民,肖丰涛,等.土地利用回归模型模拟京津冀PM2.5浓度空间分布[J]. 干旱区资源与环境, 2016,30(10):116-120.
[16] 吴健生,廖 星,彭 建,等.重庆市PM2.5浓度空间分异模拟及影响因子[J]. 环境科学, 2015,36(3):759-767.
[17] 吴健生,谢舞丹,李嘉诚.土地利用回归模型在大气污染时空分异研究中的应用[J]. 环境科学, 2016,37(2):413-419.
[18] Lv B, Hu Y, Chang H H, et al. Daily estimation of ground-level PM2.5concentrations at 4km resolution over Beijing-Tianjin-Hebei by fusing MODIS AOD and ground observations [J]. Science of the Total Environment, 2017,580:235.
[19] Lee H J, Liu Y, Coull B A, et al. A novel calibration approach of MODIS AOD data to predict PM2.5concentrations [J]. Atmospheric Chemistry & Physics, 2011,11(11):9769-9795.
[20] Lee H J, Chatfield R B, Strawa A W. Enhancing the Applicability of Satellite Remote Sensing for PM2.5Estimation Using MODIS Deep Blue AOD and Land Use Regression in California, United States [J]. Environmental Science & Technology, 2016,50(12):6546.
[21] Kloog I, Chudnovsky A A, Just A C, et al. A New Hybrid Spatio-Temporal Model For Estimating Daily Multi-Year PM2.5Concentrations Across Northeastern USA Using High Resolution Aerosol Optical Depth Data [J]. Atmospheric Environment, 2014,95(1):581-590.
[22] Xie Y, Wang Y, Zhang K, et al. Daily estimation of ground-level PM2.5concentrations over Beijing using 3km resolution MODIS AOD [J]. Environmental Science & Technology, 2015,49(20):12280.
[23] Ma Z, Liu Y, Zhao Q, et al. Satellite-derived high resolution PM2.5, concentrations in Yangtze River Delta Region of China using improved linear mixed effects model [J]. Atmospheric Environment, 2016,133:156-164.
[24] Chu D A, Kaufman Y J, Zibordi G, et al. Global monitoring of air pollution over land from the Earth Observing System-Terra Moderate Resolution Imaging Spectroradiometer (MODIS) [J]. Journal of Geophysical Research Atmospheres, 2003,108(D21):4661.
[25] Munchak L A, Levy R C, Mattoo S, et al. MODIS 3km aerosol product: applications over land in an urban/suburban region [J]. Atmospheric Measurement Techniques, 2013,6(7):1747-1759.
[26] 张西雅,扈海波.京津冀地区气溶胶时空分布及与城市化关系的研究 [J]. 大气科学, 2017,41(4):797-810.
[27] 郝 静,孙 成,郭兴宇,等.京津冀内陆平原区PM2.5浓度时空变化定量模拟[J]. 环境科学, 2018,39(4):1-13.
[28] Zongwei Ma, Xuefei Hu, Andrew M. Sayer, et al. Satellite-Based Spatiotemporal Trends in PM2.5Concentrations: China, 2004~2013 [J]. Environmental Health Perspectives, 2016,124(2):184.
[29] Ma X, Wang J, Yu F, et al. Can MODIS AOD be employed to derive PM2.5in Beijing-Tianjin-Hebei over China? [J]. Atmospheric Research, 2016,181:250-256.
Daily estimation of PM2.5concentrations based on mixed effects model in Beijing-Tianjin-Heibei region.
JING Yue1, SUN Yan-ling1*, XU Hao2, CHEN Li1, ZHANG Hui1, GAO Shuang1, FU Hong-chen1, MAO Jian1
(1.College of Geography and Environment Science, Tianjin Normal University, Tianjin 300387, China;2.College of Economics and Management, Ningxia University, Yinchuan 750021, China)., 2018,38(8):2890~2897
The predictive performance of mixed effects model with different combinations of parameters was evaluated using the data of 182-day MODIS 3km AOD and ground monitoring concentration of PM2.5in 2016 year. The explanation capacity was better for temporal variations when explaining the relationship between AOD and PM2.5than for the spatial variations. Daily AOD-PM2.5relationship in Beijing-Tianjin-Hebei region was established based on the mixed effects model. The model predictions2, cross-validations2, RMSE and MAE were 0.92,0.85,12.30µg/m3, and 9.73µg/m3, respectively, indicated that the model showed good performance. The annual average PM2.5concentration in Beijing-Tianjin-Hebei region was 42.98µg/m3in 2016 based on the proposed model. The values for April-October and November-March were 43.35µg/m3and 38.52µg/m3. The differences were 0.59,0.7,5.29µg/m3, respectively, comparing with the ground monitoring PM2.5data at the corresponding period. PM2.5concentrations were higher in the south area and lower in the north area in Beijing-Tianjin-Hebei region with higher concentrations from southwestern to northeastern direction. PM2.5concentrations in the Beijing-Tianjin-Hebei region could be accurately evaluated based on the daily mixed effects model. The distribution of PM2.5concentrations estimated by the model could provide basic data support for the prevention and control of regional air pollution.
MODIS AOD;PM2.5;mixed effects model;Beijing-Tianjin-Hebei region
X513
A
1000-6923(2018)08-2890-08
景 悦(1994-),女,山西运城人,天津师范大学硕士研究生,主要从事大气环境遥感研究.
2018-01-03
国家重点研发计划青年项目(2016YFC0201700);天津市科技计划项目(16YFXTSF00330);天津市应用基础与前沿技术研究计划青年基金项目(16JCQNJC08600)
* 责任作者, 副教授,flyling99@163.com