中国东部典型城市群AOD时空演变及预测

唐燕,许睿,孟繁玥

(天津理工大学管理学院,天津 300384)

0 引言

大气气溶胶是大气中悬浮的液态或固态微粒的总称[1],其浓度的增加使大气能见度下降,破坏地球辐射平衡,影响着人类在空中与地面的交通通行,还会对人体健康造成威胁。作为表征气溶胶气候效应的重要参数之一,气溶胶光学厚度(AOD)已逐渐成为研究热点。探究中国典型城市群AOD时空演变规律与精准预测模型,能在一定程度上反应大气污染状况与生态环境效应,为大气污染物的估算提供参考,对相关部门深化大气污染治理和生态环境保护工作具有重要意义。

AOD探测主要包括地面监测与卫星遥感两种方式,地面监测虽能得到近地面污染物浓度的变化特征,但其只能进行有限的地面观测,并不能反映大范围的时空变化特征,卫星遥感刚好可弥补这种不足。其中MODIS数据光谱及空间分辨率较高,适用性强,因此被广泛使用于区域大气污染、大范围AOD时空变化研究等。王银牌等[2]对全国的AOD分布进行分析,得出胡焕庸线东南地区的AOD呈增加趋势,人类活动对AOD的影响显著。此外,相关学者运用MODIS产品对京津冀、长三角洲、珠三角洲等经济高度发达地区的AOD也进行了研究,结果表明聚类分析的MODIS数据可避免AOD时序变化混杂,AVHRR反演的AOD与MODIS变化规律十分一致[3,4]。由此可知,MODIS AOD数据精度较好,研究城市区域AOD分布变化是必要和可行的。

在AOD预测研究方面,Arif等[5]利用BP神经网络,调整了中分辨率成像光谱仪业务反演算法中的AOD偏差与系统误差。Nabavi等[6]利用机器学习算法,预测地表测量稀疏区的AOD变化并验证了其方法的有效性。Das等[7]利用神经网络预测AOD来描述和量化气溶胶对气候的影响,研究了一种基于主动学习的数据采集方法。由上可得,对于AOD的预测不仅可以估量气候变化、修正偏差、剔除异常值,也能够深入分析以数据为驱动的机器学习方法。在机器学习方面,Falamarzi等[8]根据温度数据模拟蒸散量,将ANN和WNN神经网络模型对比分析,得出分解时间序列和利用小波作为激活函数效果最优。Samadianfard等[9]将混合WNN神经网络模型用于土壤温度预测方面,WNN神经网络的表现优于人工神经网络和GEP。小波变换作为一种数据预处理技术,由于其在时间和频率上分析信号的能力,克服了传统傅立叶变换的基本缺点[10]。这些研究表明WNN模型具备收敛速度快、对时间序列适应性极佳的特点。

尽管已有研究从不同的数据产品、影响因子、特征分布等方面分析了AOD的时空演变,不同地区间的AOD分布特征以及AOD预测模型的研究仍相对较少。鉴于此,本文开展了以下三方面的研究:1)对比分析胡焕庸线东南地区人类活动密集的三大典型城市群的AOD时空分布特征;2)构建小波变换与BP神经网络结合的AOD预测模型;3)将预测结果与实际数据进行对比,验证预测精度与稳定程度。

1 资料与方法

1.1 研究区域及数据来源

采用Collection 6.1 MODIS/Terra收集的MOD04-3K产品进行AOD反演。目前已有很多学者采用MOD04-3K数据进行AOD时空分布分析,并验证了该产品在大气污染研究领域具备实质性作用[11-13]。同时还可基于这种城市地区暗目标与深蓝反演算法,提高影像精度,其官网为https://ladsweb.modaps.eosdis.nasa.gov/。该传感器空间分辨率为3 km,时间分辨率为1天。

研究区域的经纬度分别为京津冀地区 (35.7°N–42.8°N、113.2°E–120°E)、长三角地区 (25°N–37°N、113.5°E–124.5°E)、珠三角地区 (21.2°N–24°N、111.5°E–115.5°E)。运用 ENVI的 MCTK 工具箱对研究区域2010–2019年MODIS产品,进行经纬度批量几何校正。处理好的影像进行拼接、掩膜提取研究区域,生成季节平均、年均AOD数据层。选择2016–2019年6–8月三个城市群夏季AOD日值总共1104笔数据,以2016–2018年AOD数据为训练集,19年AOD数据为测试集进行预测实验。各城市群缺失数据分别为4天、28天、30天。由于各城市群2016–2019年AOD数值趋于平稳,且缺失数据量不足总体的6%,因此,利用缺失数据相邻多个时空维度历史均值进行数值修复。

1.2 AOD预测模型构建

1.2.1 小波理论

小波分析在傅里叶变换基础上增添了时域的分辨能力,构成多分辨率的分析理论。通过改变伸缩因子与平移因子得到信号近似细节部分,在不同分辨率下显示信号的特征,实现对信号不同时间和空间的局部特征分析[14]。基于傅立叶变换的小波分析的计算公式为

式中:a、τ分别为伸缩因子与平移因子,ψ[(t-π)/a]为小波函数,W(t)为待分析信号,把基本的Morlet小波函数ψ(t)平移τ后,再通过不同尺度的a与待分析的信号W(t)做内积进行小波变换。WNN网络以BP神经网络拓扑结构为基础,以小波基函数为激活函数,信号向前传播的同时误差反向传播。如图1所示,X1,X2,···,XN为网络输入参数即AOD训练数集,ωij为隐含层,Yk为神经网络输出参数即AOD预测值。

图1 WNN神经网络拓扑结构Fig.1 Topological structure of wavelet neural network

为提高模型的收敛速度与精度,将收集的数据进行归一化得到标准化数据,使数据映射在(0,1)区间。将AOD训练数据X1,X2,···,XN归一化输入网络,得到隐含层输出。其归一化、隐含层输出、网络输出公式分别为

式中:X′为标准化数据,X为输入数据,Xmax、Xmin分别为输入数据的极值,μ(j)为隐含层第j个节点输出值,f(x)为小波基函数,ωij为权值,βj为平移因子,αj为伸缩因子,ωio为隐含层到输出层的权值,μ(i)为第i个隐含层节点的输出值,k为输出层的节点数即预测数集。

1.2.2 AOD预测模型

AOD的拟合预测是对时间序列不断逼近的过程,将处理好的数据输入到神经网络中,对AOD数据进行实验预测,Wavelet-BP预测模型的流程如图2所示。

图2 AOD预测模型流程图Fig.2 Flow chart of AOD prediction model

具体步骤如下：

1)样本分类。将AOD分为测试样本和训练样本,训练样本归一标准化输入到初始网络。

2)预测输出。训练样本经过小波基函数、小波基函数的偏导函数得到AOD期望输出误差e。

3)判断满足指标。若误差e满足预测条件则进行解码,否则反向传播到预测网络模型,不断修正,将网络的初始化参数进行调试。

4)将解码的训练样本归一化后,输入到经测试样本调试的精确网络,获得的预测数据经过反归一化映射得到最终预测结果。

1.2.3 模型参数与评价指标

采用小波变换与BP神经网络相结合的AOD预测模型在Matlabr2014b系统环境下运行,经过反复的实验测试,其网络参数选取隐含层节点数为6、权重值0.01、学习概率0.001、迭代次数400。为评价模型的预测效果,常用评价指标均方根误差ERMS、平均绝对误差EMA、确定系数R2对AOD预测模型进行评价。各指标计算公式分别为

式中:yi为真实值,ˆyi为预测值,m为总样本数。

2 结果与分析

2.1 城市群的AOD分布特征

2.1.1 AOD时序分布特征

2010–2019年各城市群的AOD月际变化如图3所示,图中倾斜直线为城市群AOD线性回归拟合趋势线。各城市群的AOD值由高到低排序大致为:京津冀、长三角、珠三角,京津冀与长三角AOD减弱程度相近,珠三角AOD值最小,在地理分布上,体现了由北至南逐渐降低的阶梯式格局。从AOD年度高值分布看,京津冀和长三角的最大值出现在6月或7月的次数占样本年数的80%,珠三角最大值出现在3月或4月、6月或7月的占比分别为40%和50%。京津冀和长三角地区的AOD高值普遍出现在夏季,珠三角出现在春季或夏季,且AOD值由北至南减小,说明地理和季节因素是造成AOD值增高的重要因素。一方面,夏季高温高湿环境下,气溶胶空间垂直和水平的输送速度变快,AOD高值范围扩大;另一方面,春夏季降水量由北至南逐渐增多,南风盛行,利于颗粒物清除,也可以抑制AOD增长;此外,春夏季由工农业生产和人类频繁活动产生的废气、废水和废弃物等也会使AOD增高[15]。

图3 典型城市群2010–2019年AOD时间序列Fig.3 AOD time series of the three urban agglomerations from 2010 to 2019

2.1.2 年均AOD对比

2010–2019年各城市群AOD年均分布如图4所示。各地区的AOD分布差异分析:

图4 2010–2019年典型城市群AOD分布。(a)京津冀城市群;(b)长三角城市群;(c)珠三角城市群Fig.4 AOD distribution of the three typical urban agglomerations from 2010 to 2019.(a)Beijing-Tianjin-Hebei city group,(b)Yangtze River Delta city group,(c)Pearl River Delta city group

1)跨区间AOD分布特征。京津冀位于华北地区,处于温带季风气候,其AOD年均值分布如图4(a)所示,呈现“南高北低”的趋势。长三角城市群依傍黄海、东海,主要为亚热带季风气候,河网密度是中国最高的地区,其AOD年均值分布如图4(b)所示,与京津冀地区AOD分布相反,呈现出“北高南低”的趋势。珠三角地区的AOD分布如图4(c)所示,其AOD高值主要分布在中部地区。处于亚热带季风气候的珠三角地区,其气候更适宜植被生长,丰富的植被覆盖将AOD控制在一个稳定的较低水平。天津、佛山及河北省南部城市工业发达、人口密度大,致使AOD偏高,空气污染严重。上海及江苏省一带的AOD高值城市除了具备上述特点外,还受到沙尘远距离输送以及黄海、东海、渤海的海盐气溶胶的影响[16,17]。中山、江门虽工业产值不高,但这些地区受近海的海盐气溶胶影响,河流污染经一系列变化产生的硫化氢、氨气等飘散到空气中,带来更多水汽污染[18],气溶胶组成复杂化,进而AOD偏高。

2)城市群内部AOD差异。京津冀地区在北京、保定、石家庄地区AOD污染呈现出明显分界线。以市级行政区划分来看,高浓度地区出现在天津、河北省的廊坊、沧州、保定、衡水、邢台、邯郸。其中邯郸AOD最高,张家口和承德的AOD最低。从省级行政区划分来看,长三角地区AOD值由大到小排序为:江苏省、安徽省、上海市、浙江省,AOD分布呈阶梯状向南扩散,高值出现在镇江、嘉兴地区,低值出现在杭州、宣城、台州。珠三角AOD高值在中部、中西部地区的佛山、江门、中山一带及惠州局部地区,呈现小范围集中的趋势。这些城市毗邻南海,且内陆地区有山脉阻隔的地理特征,是珠三角工业发展、人口密度十分集中、产业丰富的地区[19]。

2.1.3 季节AOD对比

三个地区的AOD季节空间分布如图5所示,各城市群AOD季节变化的空间特征与年均分布相似。京津冀地区前三季度AOD高值主要分布在天津,以及河北省南部的衡水、保定、石家庄、邢台、邯郸。AOD分布呈春季到夏季快速蔓延、到秋季小幅减弱趋势,最终在冬季达到较低的水平。长三角春季南北地区AOD分布差异显著,分界区途径太湖、芜湖、铜陵、安庆一带;夏季出现重心“南移”的趋势,以盐城、嘉兴为中心存在两个AOD高值区域;在秋季,AOD高值主要分布在上海、江苏、安徽部分地区,浙江地区AOD显著降低;冬季总体AOD又降到全年最低水平。珠三角四季AOD高值均出现在珠三角中部的佛山、中山等。在秋季AOD高值向西偏移,惠州的局部地区也存在AOD高值,全年AOD变化在三个城市群中最为平稳。

图5 2010–2019年典型城市群AOD季节空间分布。(a)京津冀城市群;(b)长三角城市群;(c)珠三角城市群Fig.5 AOD seasonal spatial distribution of the three typical urban agglomerations from 2010 to 2019.(a)Beijing-Tianjin-Hebei city group,(b)Yangtze River Delta city group,(c)Pearl River Delta city group

2.1.4 AOD影响因素分析

为探究各地区AOD的影响因素,挑选了生产总值指数、人口密度、植被覆盖指数(NDVI)、温度、降水量、风速六个指标,其中两个人文要素,四个自然要素。利用SPSS软件,对2010–2019年各地区AOD与影响因子进行Pearson相关性分析,各因素对AOD的影响程度如图6所示。生产总值指数、人口密度和温度等因素可显著促进AOD增强,而NDVI、降水量和风速等对AOD有抑制作用。对于京津冀地区而言,AOD削弱最明显的因素为NDVI,相关系数为-0.82。长三角地区除生产总值指数与人口密度外,温度对AOD贡献占较大比例,相关系数为0.77。相对于其它两个地区,珠三角风速对AOD削弱也起显著作用。

图6 典型城市群AOD与影响因子的相关性分析Fig.6 Correlation analysis of AOD and influencing factors in the three typical urban agglomerations

2.2 实验拟合预测

2.2.1 实验数据

考虑到遥感反演AOD的效果受有无云层影响,且各城市群夏季的AOD数据相对全面,此外,受气象条件及人为活动等因素影响,实验期限的延长会导致预测网络的精度下降和收敛速度降低,因此,选取近四年夏季AOD日值的短期预测模式,这样结果会更加贴近预测年份的实际情况。如图7所示,以2016–2019年的6–8月份夏季AOD日值进行实验预测,抽取2016–2018年夏季AOD日值276笔共3组作为训练样本,2019年夏季AOD日值为测试样本,以前3年夏季AOD数据预测后1年夏季AOD数据。经实验发现,增加隐含层节点数、迭代次数,都对最终预测结果有一定程度的影响,同时增加上述两种网络参数会使得程序运行时间呈几何增长,经大量试验测试最终得到前文1.2.3节的网络参数。

图7 各地区2016–2019年夏季AOD数据集。(a)京津冀地区;(b)长三角地区;(c)珠三角地区Fig.7 AOD data sets of the three regions in summer from 2016 to 2019.(a)Beijing-Tianjin-Hebei region,(b)Yangtze River Delta region,(c)Pearl River Delta region

2.2.2 预测结果

各地区的AOD预测结果如图8所示。京津冀地区8月的AOD变化波动仍十分明显,差值达到了±1.83,高峰期出现在夏季的第七十天。长三角、珠三角地区的AOD波动差值均在1以内,说明不同地区由于气候差异与绿色植被的生长时期等影响空气污染。根据预测值与观测值的描述性统计结果,可发现使用小波变换与BP神经网络相结合的方法预测不同地区的AOD,预测精度高,稳定性表现良好。以数据为驱动,结合小波变换下神经网络的非线性特性,经反复训练,可以不断提高预测模型的逼近能力,具体结果如表1所示。

表1 描述性统计结果Table 1 Descriptive statistics

由ERMS、EMA、R2评价指标对三个城市群的AOD预测值与实际值做误差分析以及拟合程度分析,结果如表2所示。京津冀、长三角、珠三角WNN预测结果的R2均高于75%,WNN的ERMS均低于BP,说明WNN模型在不同地区进行AOD短期拟合预测效果较好,该模型可用于AOD非线性时间序列预测。

表2 AOD预测模型评价分析Table 2 Evaluation and analysis of AOD prediction model

3 结论

1)从各城市群AOD时间序列的趋势可知,三个城市群的AOD均呈逐年下降的趋势。京津冀地区的AOD呈反复性和周期性波动,峰值为1.11,出现在2011年7月;长三角城市群的AOD峰值为1.42,出现在2012年6月,AOD四季变化较为平稳;位于南部的珠三角地区其AOD相对较低,其峰值为1.12,出现在2016年7月,通过分析近十年的时序变化可得知AOD出现高值均在夏季。

2)根据行政区内部的AOD差异可得知,京津冀地区的AOD高污染分布在天津,以及河北省石家庄、廊坊、沧州、衡水、保定等地,具有“南高北低”的特征;长三角城市群的AOD高浓度集中在以镇江为中心的“人字形”区域,该地区的AOD不仅受沙尘的远距离输送,海洋海盐气溶胶也构成了成分丰富的气溶胶,聚集在长三角以北的区域;珠三角城市群AOD高污染集中在广州、佛山、江门等地区,且AOD四季变化最为平稳。

3)利用WNN模型对各地区AOD进行预测,R2均高于0.75,说明该模型可以起到较好的拟合效果。精度较高,收敛速度较快,说明在非线性的时间序列问题上,该预测模型有一定的可行性。此外,该模型无需输入气象条件因素等数据,依赖变量少,可通过训练样本不断优化预测网络。其预测效果可通过增添相关气象因素等变量数据,进一步提高模型的性能和精确度。预测模型在某些方面也存在欠缺,在数据训练测试阶段,需要针对不同的非线性数据设定相匹配的网络初始化参数,并且无法选取自适应的小波基函数等,有待进一步研究与改进。