太原市城区PM2.5浓度时空分布特征研究*

李卓建 赵尚民 郭鹏程

(太原理工大学矿业工程学院，山西 太原 030024)

随着我国城市化进程不断加快，大中型城市大气环境问题日益严峻，以PM2.5为首要污染物的情况逐渐增多[1]。对城市PM2.5时空分布特征进行研究有助于了解城市污染变迁，为城市大气污染防治提供科学依据[2-3]。顾康康等[4]通过对合肥市主城区PM2.5的监测数据进行空间插值分析，认为城市用地开发强度与PM2.5浓度有一定的相关性；聂晨晖等[5]以中分辨率成像光谱仪(MODIS)反演的气溶胶光学厚度(AOD)与PM2.5浓度间的线性关系模型进行杭州地区PM2.5时空变化特征分析，发现PM2.5的空间分布与城镇化格局相似；赵晓亮等[6]采用暗目标法反演了阜新市AOD数据，并与PM2.5浓度进行相关性分析，认为大气AOD对阜新市PM2.5时空分布预测具有良好的指示作用。

目前普遍认为土地利用状况影响着城市PM2.5的时空分布格局，且大气AOD对城市PM2.5的时空分布预测也有较强的适用性，但结合AOD和土地利用数据来分析城市PM2.5时空分布状况的相关研究仍然尚少。因此，本研究以太原市城区为研究对象，利用太原市8个环境监测站点24 h连续监测数据，结合AOD数据和城区土地利用数据，建立PM2.5的随机分析模型和季节线性回归模型，预测太原市城区近地面PM2.5时空分布特征，以期为太原市城区大气改善提供科学依据。

1 研究区概况

太原市为山西省政治、经济和文化交流的中心，涵盖山西省重要的工业基地，在三面环山的地形条件下，大量被排放的空气污染物不易向外扩散输送而逐渐堆积，容易引发严重的空气污染问题[7]。因此，有必要了解太原市城区的PM2.5时空变化特征，改善大气环境质量。

采用保留交叉验证的方式构建随机分析模型，将8个PM2.5浓度监测站的监测数据分为两组，用6个监测站点的数据进行模型训练，以两个监测站点分别代表城市中心以及城郊进行模型验证，研究区位置及PM2.5监测站点空间分布见图1。

图1 研究区位置及PM2.5监测站点空间分布Fig.1 Location of study area and spatial distribution of PM2.5 monitoring stations

2 数据与方法

2.1 研究数据及预处理

研究选取的遥感数据为MODIS02 L1B 1 km数据，下载地址为美国国家航空航天局(NASA)网站(https://ladsweb.modaps.eosdis.nasa.gov/)。采用暗像元方法和6S辐射传输模型对太原市城区的AOD进行遥感反演，并对缺失较少的反演结果进行克里金插值处理，获得完整的250 m×250 m分辨率大气气溶胶分布。

PM2.5数据来自太原市2017年1月1日至12月31日实时采集的小时空气质量数据，季节平均浓度通过PM2.5小时数据平均得到，其中3—5月归为春季，6—8月归为夏季，9—11月归为秋季，12、1—2月归为冬季。

土地利用数据来源于全国生态遥感监测的土地利用覆盖分类数据，可分为耕地、林地、草地、水域、城镇用地、工矿建设用地、未利用土地7大类。

2.2 研究方法

2.2.1 确定最优缓冲区变量

通常不同半径缓冲区的土地利用变量与PM2.5浓度有着不同的相关性[8]，为了找出各个有效AOD时间段内的PM2.5浓度对应土地利用变量的最优缓冲区，本研究采用具有变化半径的缓冲区统计方法，从缓冲区半径100 m开始，以50 m为步长不断递增到5 km，计算各缓冲区半径下各土地利用变量与PM2.5浓度的相关系数。在各个土地利用变量中选取相关性最强的缓冲区为最优缓冲区，其中用显著性水平在p<0.1的最优缓冲区土地利用变量来构建当日的模型。

2.2.2 PM2.5的随机分析模型

随机分析模型是用来针对气溶胶标高、大气相对湿度等随时间变化的影响因子而设计，能够表征AOD和PM2.5浓度随时间变化的情况，提升模型的拟合精度[9-10]。引入土地利用变量，可以加强PM2.5分布预测在空间上的表现力，减小模型的拟合误差[11-12]，随机分析模型见式(1)：

(1)

式中：Pij为第i个站点在第j天卫星过境时间所对应的PM2.5质量浓度，μg/m3；aj为第j天AOD数据对应的斜率；Aij为第i个站点在第j天的AOD；n为可以进入回归模型中的土地利用变量项数；bkj为第j天第k项土地利用变量所对应的站点斜率；Xkij为第i个站点在第j天中第k项土地利用变量在最佳缓冲区内的占比；cj为第j天的回归模型截距项；εij是第i个站点在第j天的误差项。

考虑到模型系数的合理性，工矿建设用地以及城镇用地与PM2.5浓度的关系为正相关，而林地和草地则为负相关[13]。对于符合这种系数条件的土地利用变量可被用来构建当天的模型，反之则取消该变量进入当天模型构建。

2.2.3 PM2.5的季节线性回归模型

由于AOD数据缺失，PM2.5随机分析模型预测结果在时间分布的分析上存在不足，但可在一定程度上反映PM2.5的空间分布状况[14-15]。因此可根据随机分析模型预测的站点季度PM2.5平均值与实际站点季度PM2.5平均值建立线性回归模型(见式(2))，由每个季度回归模型的斜率项和截距项来获取PM2.5的季节分布状况。

Pil-T=el×Pil-P+dl+εil

(2)

式中：Pil-T为第i个站点在第l季度的PM2.5质量浓度实测数据平均值，μg/m3；Pil-P为第i个站点在第l季度的预测数据平均值，μg/m3；el、dl分别为第l季度模型预测的斜率项和截距项；εil为第i个站点在第l季度的误差项。

太原市城区近地面PM2.5时空分布特征研究的整体技术路线见图2。

图2 技术路线Fig.2 Technical route

3 结果与分析

3.1 PM2.5随机分析模型拟合及验证结果

由最优缓冲区统计变量构建模型的PM2.5质量浓度，拟合及验证结果见图3。由图3(a)可知，模型训练集PM2.5质量浓度预测值与实际值间的R2为0.926，模型标准误差(RMSE)为9.39 μg/m3，由图3(b)可知，模型验证集PM2.5质量浓度预测值与实际值间的R2为0.858，RMSE为11.73 μg/m3，预测值与实际值的吻合度均较高，由此可以体现利用土地利用数据以及AOD的分布模式能够较为合理地获取太原市城区PM2.5的空间分布特征，同时也反映了该模型在太原市城区具有较高适用性。

图3 PM2.5质量浓度预测值与实际值间的相关关系Fig.3 Correlation between the predicted PM2.5 mass concentration and the measured value

3.2 PM2.5季节线性回归模型拟合结果

结合图4和表1可见，PM2.5季节线性回归模型拟合结果的R2为0.890，RMSE为7.69 μg/m3，预测值与实际值间呈现显著的相关性。其中，夏季预测结果较好，RMSE仅为4.01 μg/m3，而冬季的RMSE最大，高达10.70 μg/m3，这可能与冬季AOD缺失较多有关，造成该季节对城区PM2.5空间表达能力相对较差。

表1 PM2.5季节线性回归模型拟合结果Table 1 Fitting results of PM2.5 seasonal linear regression model

图4 季节线性回归模型拟合结果Fig.4 Fitting results of the seasonal linear regression model

3.3 模型应用分析

3.3.1 太原市城区PM2.5季节分布

根据季节线性回归模型所得到的季节预测结果(见图5)，太原市城区春、夏、秋、冬季的PM2.5质量浓度平均值分别为45.1、41.3、64.0、93.1 μg/m3，即冬季>秋季>春季>夏季。从整体分布上看，太原市城区中部、南部和东南部PM2.5明显偏高，城区南部污染季节性差异明显。城区中部位于6大区的交界地带，该区域人口集中、道路分布密集、商业活动频繁，大量的人为活动可能造成了其污染水平相对较高；城区东南部位于小店区以北，地势较低，大气污染不易扩散，对PM2.5污染影响也较为显著；城区南部位于晋源区以及小店区以南，在夏季污染相对较低，而在冬季污染相对严重，这可能与季节性的风向差异有关。

图5 2017年太原市城区PM2.5季均值分布Fig.5 Seasonal mean distribution of PM2.5 in urban areas of Taiyuan in 2017

3.3.2 太原市城区PM2.5季节变化

由太原市城区PM2.5季节分布可以得到其季节变化模式，结果如图6所示，春-夏、夏-秋、秋-冬、冬-春的PM2.5季节变化平均值分别为-3.8、22.7、29.1、-48.0 μg/m3。在春-夏季节变换过程中，城市中部大面积区域PM2.5浓度有所下降，而在城区西北以及东侧小片区域有所上升，这可能是由于春季进入夏季，寒冷湿润的气候条件逐渐转向高温燥热，加快了城区中部以及城区南部盆地的大气环境颗粒物向四周的扩散速度，造成局部城郊山区地带有一定的污染上升趋势。夏-秋季变换过程中则是全面PM2.5浓度上升，上升幅度几乎均在20 μg/m3以上，这可能是受到秋季燃煤供暖的影响，同时气温转凉也促进了PM2.5的聚集程度。秋-冬季变换过程中PM2.5浓度升高更为剧烈，冬季整体供暖造成PM2.5浓度明显高于其他季节，这在城区南部最为明显，上升幅度超过40 μg/m3，该地区位于晋源区以及小店区以南，地势较低，耕地覆盖面广，裸露土地所占比例高[16]，受到季风环流的作用效果明显，冬季在西伯利亚冷空气的作用影响下，城区盛行偏北气流，可能造成城区南部整体污染更为显著。冬-春季变换过程中，整体PM2.5污染均呈现大幅度下降趋势，其中城区南部下降最为明显，其他区域PM2.5也有20～60 μg/m3的下降。

图6 2017年太原市城区PM2.5季节分布变化Fig.6 Seasonal distribution of PM2.5 in urban areas of Taiyuan in 2017

3.4 模型预测不确定性分析

研究结合了MODIS AOD数据和最优缓冲区土地利用数据，预测了PM2.5浓度在城区更为精细的季节变化模式，但同时也存在几点不足，AOD数据以及监测站点空间分布的不确定性可能在客观上对模型的预测结果有所影响，主要分为以下两个方面：(1)从AOD数据来看，研究利用遥感反演得到的1 km分辨率AOD数据插值形成完整的250 m×250 m分辨率大气气溶胶分布，可能会给PM2.5浓度的空间预测结果带来不确定性；(2)从地面PM2.5监测站点的空间分布来看，其主要分布于城市中心以及城郊区域，在城区西部以及东北部的大量林地区域却少有分布，这样可能导致随机分析模型在估计PM2.5浓度空间分布时存在估计误差。此外，这些林地区域由于植被季节变化的原因，可能会在不同季节对AOD的信号产生不同影响，因而可能造成季节PM2.5浓度空间分布估算存在着不确定性。

在后续的工作中，可以应用更高分辨率的AOD产品来减小不确定因素的影响，提高PM2.5浓度的反演精度。

4 结 论

建立了PM2.5随机分析模型和季节线性回归模型，并用于太原市城区2017年的PM2.5时空分布预测中，获得如下结论：(1)PM2.5随机分析模型对PM2.5拟合结果R2为0.926，典型区域站点验证结果R2高达0.858，RMSE为11.73 μg/m3，说明该随机分析模型对于太原市城区PM2.5时空分布预测具备较好的适用性；(2)PM2.5季节线性回归模型的整体R2为0.890，RMSE为7.69 μg/m3，太原市城区PM2.5的季节分布特征整体表现为冬季>秋季>春季>夏季，PM2.5高值区域多分布于城区中部、南部和东南部地带；(3)在春-夏季节变换过程中，只有局部山区PM2.5有小幅上升趋势，其他区域均呈现轻微减弱现象，夏-秋、秋-冬季节转换中PM2.5逐级升高，其中城区南部上升趋势最为明显，而在冬-春季节转换中PM2.5明显下降。