基于LME/BME的珠江三角洲PM2.5星地融合技术研究

周 爽,王春林,孙 睿,汤 静,黄 俊,沈子琦



基于LME/BME的珠江三角洲PM2.5星地融合技术研究

周 爽1,2,王春林2,3*,孙 睿1,汤 静3,黄 俊3,沈子琦3

(1.北京师范大学地理科学学部,遥感科学国家重点实验室,北京 100875；2.中国气象局广州热带海洋气象研究所,广东 广州 510640；3.广州市气候与农业气象中心,广东 广州 511430)

收集并处理了遥感反演的气溶胶光学厚度(AOD)、归一化植被指数(NDVI)和气象数据,采用贝叶斯最大熵(BME)结合线性混合模型(LME)估算了2015年10月~2016年3月珠江三角洲地区近地表旬平均PM2.5质量浓度.结果表明,LME+BME 模型的预测精度比LME 模型有较大提升,LME+BME模型的交叉验证结果2为0.751,RMSE为6.886μg/m3,MAE为4.52μg/m3,而LME模型的交叉验证结果2为0.703, RMSE为7.546μg/m3, MAE为4.927μg/m3.空间分布看,PM2.5高浓度地区主要集中在广州、佛山、东莞等地区,低浓度地区主要集中在肇庆、惠州、江门的南部等地区;时间变化看,PM2.5污染比较严重的时间为2015年10月中旬、2015年11月下旬以及2016年3月下旬,而2015年10月上旬、2015年12月上旬和2016年1月下旬污染则相对较低.

PM2.5；MODIS AOD；线性混合模型；贝叶斯最大熵；珠江三角洲

珠江三角洲是我国经济发展和城市化水平较高区域,也是大气PM2.5污染严重、霾频发的区域[1-2].如何获得空间连续、质量可靠的地表PM2.5分布对于环境气象预报、空气污染减排决策、流行病学中PM2.5人口暴露及健康影响评估等意义重大[3-4].

已有研究表明,卫星遥感的方法可以有效弥补地面监测站监测空间范围较小的不足,而遥感估算PM2.5是基于卫星遥感反演产品-气溶胶光学厚度(AOD)展开的.早期的研究利用AOD反演近地面PM2.5多基于简单线性回归模型[5-6],近年来有学者利用多种更为复杂的方法描述二者之间的关系,如土地利用回归模型[7-9]、地理加权回归模型[10-12]、基于遥感瞬时估算的半经验-物理方法[13-16],这些模型的局限在于没有考虑PM2.5-AOD关系随时间变化的差异性.Lee等[17]首次提出了一种包含固定效应和随机效应的混合效应的线性混合模型(LME)来反映AOD和PM2.5浓度的日差异性关系,该模型在美国东北部PM2.5浓度反演和实测值的相关性高达0.92.将此模型运用到美国其他地区,也得到了很好的验证[18-19].我国已有学者将LME运用到京津冀[20-21]、长江三角洲[22]、珠江三角洲[20]等地区的PM2.5浓度估算研究当中,都取得了比较好的效果.

本文通过引入贝叶斯最大熵(BME)以提升模型模拟精度,现代时空地统计学BME 作为一种时空数据分析方法,其优势在于能综合利用不同来源的不确定性数据,显著提高未采样点的估计精度.近年来,BME统计方法被逐渐用于地面实测数据与遥感数据的融合,Yu等[23]将LUR模型中结合BME,对台北地区PM2.5分布制图, 使得平均误差从2.78μg/m3降低至2.15μg/m3.此外在美国PM2.5时空特性研究[24]中发现,对LUR辅助变量加入遥感数据并引入BME后, RMSE由15.91μg/m3降低至4.63μg/m3.另有学者将LME结合BME,对中国沿海部分省市进行PM2.5估算[25],结果表明LME+BME方法与仅使用LME模型的结果相比R2有所提升且误差有所下降.

本文以珠江三角洲为研究区域,结合高分辨率AOD数据、气象数据以及美国国家环境预报中心(NCEP)再分析资料,基于LME及BME模拟地表逐旬PM2.5浓度分布,为珠江三角洲地区的PM2.5污染监测预报、治理决策及健康影响评估等提供核心数据支撑.

1 研究数据与方法

1.1 研究区域与数据

1.1.1 研究区域与PM2.5实测数据 珠江三角洲包括广州、深圳、佛山、东莞、惠州、中山、珠海、江门、肇庆,共有56个空气质量国控站点(图1).本研究采用2015年10月~2016年3月逐日PM2.5,经过质量控制后合成各站点旬平均PM2.5.

图1 珠江三角洲地面PM2.5 及气象国控监测站

1.1.2 气象数据 地面气象数据包括珠江三角洲29个国家气象站点2015年10月~2016年3月逐日能见度()(将其转换为消光系数=3.912/)、相对湿度(RH)、风速(WS)数据,经过质量控制后合成旬平均数据,利用克里金插值算法形成1km×1km网格数据.

边界层高度(PBLH)采用NCEP GDAS/FNL再分析数据,水平分辨率为0.25°×0.25°,时间分辨率为6h(UTC 00/06/12/18),将一天中4个时段合成为日平均PBLH, 再将10d的PBLH合成为旬平均PBLH,利用克里金插值算法形成1km×1km网格数据.

1.1.3 遥感数据 本文所用遥感数据有MODIS AOD产品以及归一化植被指数(NDVI) 数据,均下载自NASA的LAADS网站(http://ladsweb. nascom.nasa.gov/).AOD数据采用2015年10月~ 2016年3月MODIS 3km AOD产品,空间分辨率为3km,时间分辨率为2次/d.采用10:30过境的Terra MODIS AOD和13:30过境的Aqua MODIS AOD合成逐日AOD,将10d的AOD合成为旬平均AOD,利用克里金插值方法形成1km×1km网格数据; NDVI 采用MODIS NDVI 16d合成产品,空间分辨率为500m,重采样形成1km×1km网格数据. 2015年10月~2016年3月逐旬NDVI按照时间临近原则选取.

1.2 研究方法

本文以旬平均 PM2.5、AOD 及相关气象资料为基础,采用贝叶斯最大熵(BME)结合线性混合模型(LME)构建珠江三角洲1km×1km 分辨率逐旬PM2.5数据集,并对估算结果进行验证评估.

1.2.1 线性混合回归模型(LME) 本文利用AOD及气象因子构建了包含固定效应和随机效应的LME模型,固定效应部分包括固定截距及AOD等6个自变量的固定斜率,随机效应部分为AOD随旬变化的随机斜率.固定效应影响总体均值,随机效应与抽样过程有关,对数据的协方差结构有贡献.

LME模型公式为:

式中:下标、分别表示旬和站点序号,PM2.5为地面实测PM2.5浓度,μg/m3,AOD为气溶胶光学厚度,为地表消光系数,km-1;RH为相对湿度,%;WS为地面10m平均风速,m/s;PBLH为边界层高度,km;NDVI为归一化植被指数;0为固定截距,1~6为各自变量的固定斜率;b为AOD随旬变化的随机斜率.

1.2.2 贝叶斯最大熵(BME) 贝叶斯最大熵(BME)是由George Christakos在1990年提出的一种基于认知学的时空数据分析方法[26],其最大的优势在于能够综合利用各种来源不同的不确定性数据,显著地提高未采样点的估计精度[27].本文BME方法基于Seks-gui时空分析软件包,一般知识为地面实测PM2.5浓度的时空平稳趋势和协方差函数,特定知识包括硬数据和软数据两部分,硬数据为地面实测PM2.5浓度,软数据为以LME模拟值为均值,以RMSE为区间构建的均匀分布,输入BME得到融合软、硬数据的PM2.5格点数据.

BME估计可由式(2)获得:

式中:G()是由一般知识获得的关于的先验概率密度函数,f(x)是软数据的概率密度函数,f(x)是在估计点k的后验概率密度函数,是归一化常数.

根据后验概率密度函数,可以式(3)计算得到估计点处的估计均值.

2.3 模型验证

本文采用十折交叉验证的方法来验证和比较LME和LME+BME的模型精度,并基于可决系数(2)、平均绝对误差(MAE)和均方根误差(RMSE)来评估两种模型的预测精度.

2 结果分析

2.1 PM2.5与AOD、气象数据相关分析

本文在进行数据匹配及预处理后,对2015年10月~2016年3月实测旬平均PM2.5浓度的变化进行了箱形图分析(图2),可以看出,研究期间旬平均PM2.5的变化呈现出一定的周期性波动,并且站点离差在不同旬也有所不同,其中2015年10月中旬PM2.5浓度最高,且站点之间离差也最大(超过40μg/m3).

图2 2015年10月~2016年3月实测PM2.5旬平均值

PM2.5与AOD、、RH、WS、PBLH、NDVI等6个自变量点聚图相关分析如图3,可以看出,逐旬平均AOD、与PM2.5呈显著正相关关系,说明地表PM2.5浓度对地表消光乃至整个大气柱的消光AOD密切相关;WS、PBLH与PM2.5呈现显著负相关关系,表明地表风速越大、边界层越高通风量越大,越有利于污染物扩散而不容易积聚; RH与PM2.5呈负相关关系,可能与RH、PM2.5季节变化反相位特征有关,一般珠江三角洲干季(10~3月)相对湿度较低但PM2.5浓度较高;NDVI与PM2.5呈负相关关系,表明地表植被较好的区域(郊区)、季节(夏季)对应较低的PM2.5浓度,与郊区气溶胶污染源排放较少及植被对气溶胶颗粒物具有吸附清除作用有关.

2.2 模型拟合结果

在进行数据质量控制后,得到990个PM2.5- AOD有效数据,采用旬平均AOD、、RH、WS、PBLH、NDVI等6个要素作为自变量,建立地表PM2.5浓度的LME模型,模型拟合精度较高(图4),2为0.711,RMSE为7.4μg/m3,MAE为4.856μg/m3.由图4可以看出,PM2.5浓度主要集中在10~60μg/m3,而LME模型在PM2.5浓度小于35μg/m3时较多呈现高估,而高于35μg/m3时则较多为低估,但从总体上看高估、低估的现象并不明显,说明LME模型能够比较好的模拟旬平均PM2.5浓度的时空变化.

表1为旬平均LME拟合模型的固定效应参数,模型中的所有自变量都通过了显著性检验(值<0.01),模型中AOD的固定斜率1为26.834、的固定斜率2为3.945,均为正值,表明AOD、与PM2.5呈现正相关关系,RH、WS、PBLH、NDVI等4个因子的固定斜率3~6分别为-0.644、-8.846、-0.018、-4.835,均为负数,表明RH、WS、PBLH、NDVI与PM2.5呈现负相关关系,与前述简单的线性相关分析结果相一致.值得注意的是,与PM2.5线性相关分析中的2较RH、PBLH、NDVI等3个因子的都要大些(2越大相关性强),而LME模型中对应的值较RH、PBLH、NDVI的都要大(越大相关性越弱),这与LME模型中引入逐旬随机参数b有关.

图4 LME 模型拟合结果

表1 LME模型固定效应参数

图5 2015年10月~2016年3月逐旬LME随机参数bi及PM2.5站点平均值

LME模型中AOD的逐旬随机截距b及PM2.5平均值如图5所示,可以看出随机截距b及PM2.5之间有一定的正相关关系,这种共变趋势在2015年10月比较明显,上旬至下旬的随机效应的AOD斜率与逐旬PM2.5站点平均值都呈现先大幅上升后下降的变化趋势;另外AOD的随机斜率的最大值为22.82,最小值为-17.52,从其较大幅度的正负变化表明AOD-PM2.5的关系随时间不同会有明显的变化.

3.3 模型交叉验证结果

图6为LME模型及LME+BME模型交叉验证结果,LME模型的交叉验证2为0.703,RMSE为7.546μg/m3,MAE为4.927μg/m3.LME+BME模型模拟结果(图6b),验证精度较仅使用LME有一定程度的提高,RMSE及MAE有所下降(图6a),2为0.751, RMSE为6.886μg/m3,MAE为4.52μg/m3,交叉验证结果表明LME模型模拟结果结合BME后能够一定程度上减轻低值高估、高值低估的现象,即更好地解释珠江三角洲地区旬平均PM2.5浓度的时空分布.

3.4 2015年10月中旬反演结果分析

前述2015年10月中旬为地面实测PM2.5浓度旬平均最高值,本文以此旬为例,首先通过AOD等6个模型自变量的空间分布情况,分析此旬PM2.5出现高值的原因,并比较地面实测PM2.5克里金结果、LME模型模拟PM2.5分布及LME结合BME模拟得到的PM2.5空间分布的差异,以比较两模型模拟结果的精度.

图7 2015年10月中旬LME模型自变量空间分布

(a) AOD, (b), (c) RH, (d) WS, (e) PBLH, (f) NDVI

图8 2015年10月中旬PM2.5 模型模拟与实测结果分布

(a) 实测 PM2.5站点分布, (b) 经克里金插值的PM2.5分布,(c) LME模拟PM2.5分布, (d) LME+BME模拟PM2.5分布

图9 2015年10月~2016年3月LME+BME模型模拟逐旬PM2.5浓度空间分布

图7为2015年10月中旬AOD及辅助数据的空间分布,可以看出AOD与的分布相同,与NDVI、RH相反,AOD和高值集中于佛山、东莞及中山市等地区,而NDVI、RH在这些地区则为低值,说明与AOD为比较明显的正相关关系而NDVI、RH与AOD为比较明显的负相关关系;而WS和PBLH在此旬整体呈现较低值,说明当二者处于低值时,此种天气状况不利于PM2.5的扩散,是该时间段污染的原因.

2015年10月中旬LME模型公式参数如下:

地面实测PM2.5克里金插值由于PM2.5站点分布不均匀(图8 (a)),肇庆市以及江门市得到的克里金插值结果与邻近站点相类似,但从插值结果(图8(b))可以看出PM2.5浓度较大的区域集中在珠江三角洲中部地区,主要为佛山市和中山市,对比图9 (c)、(d)的模型模拟结果,BME融合结果(图8(d))相较于仅使用LME模型的结果(图8(c))能够更好地体现这一污染分布特点.但两种模拟结果在佛山市的中部地区,浓度较地面实测数据克里金结果偏小,反映了模拟结果对于旬平均PM2.5代表性的不足.

3.5 2015年10月~2016年3月PM2.5浓度空间分布模拟

图9为2015年10月~2016年3月LME+BME模型模拟旬平均PM2.5浓度空间分布图.由图9可以看出:空间尺度上,PM2.5浓度的分布有明显的区域特征,高污染区域主要集中于广州、佛山、东莞、中山等中部地区,说明这些经济发达且高度城市化的城市是珠江三角洲污染源所在地,高浓度PM2.5产生于此并不断向四周扩散至肇庆、惠州、江门等地,使总体PM2.5浓度呈现出由中部地区向周围城市梯度下降的趋势.

时间尺度上,PM2.5浓度比较高的旬为2015年10月中/下旬、2015年12月下旬以及2016年3月下旬.其中2015年10月中旬为空气质量最差的旬,污染较严重的中山、佛山等地PM2.5浓度达到80μg/m3,东莞、深圳以及江门、惠州的部分区PM2.5浓度均超过了60μg/m3;而2015年10月上旬、2015年12月上旬以及2016年1月下旬则为PM2.5浓度较低的旬,当PM2.5浓度较低时,其空间分布没有明显规律,即没有表现出由高浓度区域向四周梯度下降的趋势,其中2016年1月下旬则PM2.5浓度最低,大部分地区低于20μg/m3,仅肇庆和广州、佛山的部分地区在20~30μg/m3.从PM2.5浓度的时空变化上,2015年10月~2016年1月表现出两个比较明显的污染过程:2015年10月上旬空气质量较好,而到10月中旬PM2.5浓度突然上升达到峰值,局部地区超过80μg/m3,而后一直到2015年12月上旬PM2.5浓度处于逐渐下降的趋势,污染区域在不断缩小,之后又慢慢上升至2015年12月下旬达到峰值,在这之后到2016年1月下旬达到谷值.由PM2.5浓度变化速率可以看出,其由较低值上升至下降前的峰值可以非常快,而下降相较于上升的速率是比较缓慢的,表明PM2.5颗粒物的聚集速率远远高于扩散速率.

3 讨论

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,为珠江三角洲地区大气污染防治提供了更详细的空间信息.以往基于AOD的珠江三角洲地区PM2.5估算研究中大多使用MODIS 10km AOD产品[28-29],同时有研究[30]发现,对中国地区而言,使用不同的反演模型或者在模型中加入气象因子等都没有使用高分辨率AOD对反演结果的影响大,充分说明了使用高分辨率AOD进行PM2.5反演的优越性.

以旬为时间单位,对旬平均PM2.5浓度进行遥感反演.而以往研究中往往以日、月、年为时间单位进行PM2.5浓度的估算,因珠江三角洲地区降雨较多,AOD缺失问题较其他地区严重,难以获取连续分布的AOD数据,即以日为时间单位无法反演得到连续的PM2.5空间分布情况;而以月或年为时间单位,则无法反映PM2.5在较短时间内空间上的变化.以旬为单位则可以保证得到时空连续的PM2.5分布情况又不至于损失太多时间上的变化信息,以期为珠江三角洲地区大气污染防治提供更好的参考.

采用双层模型,将LME与BME结合起来,以更好地模拟PM2.5-AOD关系在空间和时间上的变化,并在此基础上引入气象因子作为辅助自变量,以提高模型模拟精度.LME模型包含的随旬变化的随机斜率,可以反映PM2.5-AOD关系在时间上的变化,而BME模型通过结合地面实测PM2.5浓度以及LME预测值,能够有效地捕捉PM2.5空间上的变化.

PM2.5在时间以及空间上受到多种因素的影响,本文仅纳入气象因子而并未纳入污染源、土地利用数据,在后续的研究中考虑加入其它影响因子以提高模型模拟精度.

4 结论

4.1 在旬尺度上分析PM2.5与环境因子的相关关系,结果表明旬平均AOD及与PM2.5呈较明显的正相关关系,而与其他气象因子(RH、WS、PBLH、NDVI)呈负相关关系,说明AOD可以反映PM2.5的空间分布,加入其他环境因子可以提升PM2.5模拟结果.

4.2 基于LME模型的结果以及BME模型,估算了珠江三角洲地区2015年10月~2016年3月的旬平均PM2.5浓度分布.结果显示,空间上,PM2.5高浓度地区主要集中在广州、佛山、东莞等地区;低浓度地区主要集中在肇庆、惠州、江门的南部等地区;时间上,PM2.5浓度在2015年10月中旬及2015年12月下旬两次达到峰值,且由较低值上升至下降前的峰值可以非常快,而下降相较于上升的速率是比较缓慢的,表明PM2.5颗粒物的聚集速率远远高于扩散速率.

[1] Yang Y, Christakos G, Huang W, et al. Uncertainty assessment of PM2.5contamination mapping using spatiotemporal sequential indicator simulations and multi-temporal monitoring data [J]. Science Reports, 2016,6:24-35.

[2] Zou B, Luo Y Q, Wan N, et al. Performance comparison of LUR and OK in PM2.5concentration mapping: a multidimensional perspective [J]. Science Reports, 2015,5:86-98.

[3] Lv B, Hu Y, Chang H H, et al. Improving the accuracy of daily PM2.5distributions derived from the fusion of ground-level measurements with aerosol optical depth observations, a case study in north China [J]. Environment Science & Technology, 2016,50(9): 4752-4759.

[4] Zhang W, Capps S L, Hu Y, et al. Development of the high-order decoupled direct method in three dimensions for particulate matter: enabling advanced sensitivity analysis in air quality models [J]. Geoscientific Model Development Discussions, 2011,4(4):355-368.

[5] Engel-Cox J A., Holloman C H., Coutant B W, et al. Qualitative andquantitative evaluation of MODIS satellite sensor data for regional and urban scaleair quality [J]. Atmospheric Environment, 2004,38: 2495–2509.

[6] Engel-Cox J A., Young G S, Hoff R M. Application of satellite remote-sensingdata for source analysis of fine particulate matter transport events [J]. Journal of the Air &Waste Management Association, 2005,55:1389–1397.

[7] Bucher H U, Baumgartner R, Bucher N, et al. A review of land-use regression models to assess spatial variation of outdoor air pollution [J]. Atmospheric Environment, 2008,42(33):7561-7578.

[8] Kloog I, Chudnovsky A A, Just A C, et al. A new hybrid spatio- temporal model for estimating daily multi-year PM2.5, concentrations across northeastern USA using high resolution aerosol optical depth data [J]. Atmospheric Environment, 2014,95(1):581-590.

[9] Wu J S, Li J C, Peng J, et al. Applying land use regression model to estimate spatial variation of PM2.5in Beijing,China [J].Environmental Science Pollution Research, 2015,22(9):7045-7061.

[10] Hu Z Y. Spatial analysis of MODIS aerosol optical depth, PM2.5, and chronic coronary heart disease [J]. International Journal of Health Geographics, 2009,8(1):27.

[11] Ma Z, Hu X, Huang L, et al. Estimating ground-level PM2.5in China using satellite remote sensing [J]. Environmental Science & Technology, 2014,48(13):7436.

[12] Song W, Jia H, Huang J, et al. A satellite-based geographically weighted regression model for regional PM2.5, estimation over the Pearl River Delta region in China [J]. Remote Sensing of Environment, 2014,154:1-7.

[13] 张 莹,李正强.利用细模态气溶胶光学厚度估计PM2.5[J]. 遥感学报, 2013,17(4):929-943. Zhang Y, Li Z Q. Estimation of PM2.5from fine-mode aerosol optical depth [J]. Journal of Remote Sensing, 2013,17(4):929-943.

[14] Zhang Y, Li Z .Remote sensing of atmospheric fine particulate matter (PM2.5) mass concentration near the ground from satellite observation [J]. Remote Sensing of Environment, 2015,160:252-262.

[15] Lin C, Li Y, Yuan Z, et al. Using satellite remote sensing data to estimate the high-resolution distribution of ground-level PM2.5[J]. Remote Sensing of Environment, 2015,156:117-128.

[16] Li Z Q, Zhang Y, Shao J, et al. Remote sensing of atmospheric particulate mass of dry PM2.5near the ground: Method validation using ground-based measurements [J]. Remote Sensing of Environment, 2016,173:59-68.

[17] 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 and Physics, 2011(11):7991-8002.

[18] Lee H J, Coull B A, Bell M L, et al. Use of satellite-based aerosol optical depth and spatial clustering to predict ambient PM2.5concentrations [J]. Environmental Research, 2012,(118):8-15.

[19] 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.

[20] Zheng Y X, Zhang Q, Liu Y, et al. Estimating ground-level PM2.5concentrations over three megalopolises in China using satellite-derived aerosol optical depth measurements [J]. Atmospheric Environment, 2016,124:232-242.

[21] 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):12280-12288.

[22] Ma Z W, Liu Y, Zhao Q Y, et al. Satellite-derived high resolution PM2.5concentrations in Yangtze River Delta Region of China using improved linear mixed effects model [J]. Atmospheric Environment, 2016,133:156-164.

[23] Yu H L, Wang C H, Liu M C, et al. Estimation of fine particulate matter in Taipei using landuse regression and bayesian maximum entropy methods [J]. International Journal of Environmental Research & Public Health, 2011,8(6):2153-2169.

[24] Beckerman B S, Jerrett M, Serre M, et al. A hybrid approach to estimating national scale spatiotemporal variability of PM2.5in the contiguous united states [J]. Environmental Science & Technology, 2013,47(13):7233-7241.

[25] 江曲图,何俊昱,王占山,等.基于LUR/BME的海岸带地区PM2.5时空特性研究 [J]. 中国环境科学, 2017,37(2):424-431. Jiang Q T, He J Y, Wang Z S, et al. Spatiotemporal analysis of PM2.5in large coastal domains by combining Land Use Regression and Bayesian Maximum Entropy [J]. China Environmental Science, 2017, 37(2):424-431.

[26] Christakos G. A Bayesian maximum-entropy view to the spatial estimation problem [J]. Mathematical Geosciences, 1990,22(7):763- 777.

[27] 杨 勇,张若兮.贝叶斯最大熵地统计方法研究与应用进展[J]. 土壤, 2014,(3):402-406. Yang Y, Zhang R X. Review on bayesian maximum entropy geostatistics method [J]. Soils, 2014,(3):402-406.

[28] Song W, Jia H, Huang J, et al. A satellite-based geographically weighted regression model for regional PM2.5, estimation over the Pearl River Delta region in China [J]. Remote Sensing of Environment, 2014,154:1-7.

[29] Zheng Y, Zhang Q, Liu Y, et al. Estimating ground-level PM2.5concentrations over three megalopolises in China using satellite- derived aerosol optical depth measurements[C]//EGU General Assembly Conference. EGU General Assembly Conference Abstracts, 2016.

[30] 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. Wu J S, Wang X, Li J C, et al. Comparison of models on spatial variation of PM2.5concentration: A case of Beijing-Tianjin-Hebei region [J]. Environmental Science, 2017,38(6):2191-2201.

Fusion of satellite data and ground observed PM2.5in Pearl River Delta region with linear mixed effect and Bayesian maximum entropy method.

ZHOU Shuang1,2, WANG Chun-lin2,3*, SUN Rui1, TANG Jing3, HUANG Jun3, SHEN Zi-qi3

(1.State Key Laboratory of Remote Sensing Science, Faculty of Geographical Science, Beijing Normal University, Beijing 100875, China；2.Guangzhou Institute of Tropical and Marine of Meteorology, Guangzhou 510640, China；3.Guangzhou Climate and Agrometeorology Center, Guangzhou 511430, China)., 2019,39(5)：1869~1878

By combining Linear Mixed Effect (LME) model and Bayesian Maximum Entropy (BME) method, ground-level PM2.5from October 2015 to March 2016 in Pearl River Delta region were estimated in this paper by AOD, NDVI and meteorological data. The results showed that the prediction accuracy of LME+BME method were greatly improved compared with that of the LME method. The cross-validation2of LME+BME model was 0.751, and root mean squared prediction error (RMSE) was 6.886μg/m3, the mean prediction error (MPE) was 4.52μg/m3, while2=0.703, RMSE=7.546μg/m3, and MAE=4.927μg/m3for the LME method. The high PM2.5concentration was mainly located in Guangzhou, Foshan, Dongguan, and the low PM2.5concentration was mainly distributed in Zhaoqing, Huizhou, Jiangmen. In terms of seasonal variation, PM2.5pollution was more serious in mid-October in 2015, late November in 2015 and late March in 2016, while it was relatively low in early October in 2015, early December in 2015 and late January in 2016.

PM2.5；MODIS AOD；linear mixed-effect model；Bayesian maximum entropy；Pearl River Delta region

X513

A

1000-6923(2019)05-1869-10

周 爽(1993-),女,辽宁沈阳人,北京师范大学硕士研究生,主要从事大气环境遥感研究.发表论文1篇.

2018-10-16

国家重点研发计划(2016YFC02033305,2016YFC0201901);广州市科技计划项目(201604020028)

*责任作者, 研究员, 13610213085@qq.com