基于卫星遥感监测的石家庄市近地面PM2.5浓度时空动态分析

王玮，王建国

摘要：為了掌握石家庄市区域PM2.5浓度的空间分布情况及其时间变化规律，更好地向大气污染治理及环境行政执法部门提供技术支持，利用卫星遥感数据开展了区域颗粒物浓度时空动态分析研究。基于Himawari-8卫星遥感数据，通过建立时空回归模型反演PM2.5浓度，并对所得到的石家庄市2019年近地面PM2.5的浓度，进行了时间和空间的动态分析。结果表明：1）从时间上来看，2019年PM2.5月度变化基本呈两边高中间低的态势，取暖季月均浓度明显高于其他月份，且相对于2018年监测浓度有所上升;2）从空间来看，2019 年PM2.5平均浓度呈现西低东高的形势，且东部各个县区高浓度“热点”聚集程度明显高于西部县区，但热点聚集性从第一季度到第四季度呈现出逐渐转弱的现象;3）遥感监测与地面监测的PM2.5浓度相关性系数在0.7以上，验证了基于遥感反演进行PM2.5浓度监测的可行性。因此，采用遥感手段对大气环境进行监测，可以全面获取区域大气环境的时空分布特征，并能够协助环保人员有针对性地核查与防范污染事件，具有较大的应用潜力。

关键词：大气环境学;Himawari-8;石家庄市;PM2.5浓度;遥感监测;变化分析

中图分类号：X610文献标识码：ADOI： 10.7535/hbgykj.2021yx06009

Spatial-temporal dynamic analysis of PM2.5 concentration near ground

in Shijiazhuang based on satellite remote sensing monitoring

WANG Wei1，WANG Jianguo2

（1.Shijiazhuang Environmental Prediction Center，Shijiazhuang，Hebei 050022，China;2.Shijiazhuang Ecological Environment Monitoring Center of Hebei Province，Shijiazhuang，Hebei 050041，China）

Abstract：In order to master the spatial distribution and temporal variation of PM2.5 concentration in Shijiazhuang and provide technical support for air pollution control and environmental administrative law enforcement departments，the spatial and temporal dynamic analysis of regional particulate concentration was carried out by using satellite remote sensing data.Based on Himawari-8 satellite remote sensing data，a spatial-temporal regression model was established to retrieve PM2.5 concentration，and the spatial-temporal dynamic analysis of the obtained PM2.5 concentration near the ground in Shijiazhuang City in 2019 was carried out.The results show that：1） from the perspective of time，the monthly variation of PM2.5 in 2019 shows a trend of high on both sides and low in the middle.The monthly average concentration of PM2.5 in heating season is significantly higher than that in other months，and the monitored concentration has increased compared with that in 2018;2） from the perspective of space，the average PM2.5 concentration in 2019 is low in the west and high in the east，and the aggregation level of concentrated "hot spots" in the eastern counties is significantly higher than that in the western counties，but the aggregation of hot spots gradually weakens from the first quarter to the fourth quarter;3） the correlation coefficient of PM2.5 concentration between remote sensing monitoring and ground monitoring is above 0.7，which verifies the feasibility of PM2.5 concentration monitoring based on remote sensing inversion.Therefore，using remote sensing to monitor the atmospheric environment can comprehensively obtain the spatial and temporal distribution characteristics of regional atmospheric environment and assist environmental protection personnel to check and prevent pollution events in a targeted manner，which has strong application potential.

Keywords：atmospheric environmental science;Himawari-8;Shijiazhuang City;PM2.5 concentration;remote sensing monito-ring;change analysis

大气污染程度直接影响空气质量，并且对生态环境和人类健康均构成严重威胁。减少大气污染已经成为全世界普遍存在而亟待解决的课题。目前，中国北方地区，特别是太行山以东区域，在重污染过程中存在污染程度重、涉及范围广、历时时间长等特点，这种现象在世界范围内较少见。

大气气溶胶中的可吸入颗粒物（PM10，PM2.5）作为大气主要污染物之一，具有粒径小、有毒物质含量高、传播路径远、能在大气中长时间停留等特点，对大气环境质量及人体健康均有严重危害[1-2]。近年来，虽然在城市地区建立了监测站来实时监测PM10与PM2.5的浓度，但由于站点数量有限、大多分布在市区且只能探测近地面浓度，很难全面反映区域范围内PM10与PM2.5的空间分布情况。

随着卫星遥感技术和激光雷达技术的发展，在大范围空间尺度和近地面垂直分布上有效估算PM10与PM2.5浓度成为可能。通过地基观测气溶胶光学厚度（AOD）与近地面颗粒物浓度的相关性分析，验证了AOD估算近地面颗粒物浓度的可行性，从而开辟了卫星反演近地面PM10与PM2.5的研究之路[3-4]。将卫星遥感AOD直接与近地面颗粒物浓度进行相关分析，较好地表征了近地面PM10浓度的分布特征[5-7]。利用大气湿度等影响因素对AOD与PM10浓度间的相关性进行订正，一度成为卫星反演PM10浓度的研究热点[8-14]。在PM2.5反演估算方面，Engel-Cox利用卫星气溶胶光学厚度与近地面PM2.5的相关性估算了整个美国地区的PM2.5分布[15]。卫星观测的气溶胶光学厚度为整层大气粒子消光特性，其与近地面颗粒物浓度的关系受气溶胶的垂直分布、化学组分、吸湿特性等影响。后续研究通过考虑气象参数、气溶胶的垂直分布和湿度等条件对两者的关系进行了改进[11，16]。PM2.5的卫星反演方法受反演区域的空间尺度、气溶胶理化特性影响较大，目前常用的主要有多元回归统计方法和基于垂直和湿度订正的反演算法。本文借鉴成熟的反演计算模型，以石家庄市为研究区域，2019年度为时间区间，对石家庄市区域PM2.5浓度的空间分布情况及时间变化规律进行研究与剖析。

1研究区域

石家庄市地处河北省中南部，环渤海经济区，地理位置为37°27′～38°N，113°30′～115°20′E，现辖8个区、13个县，总面积为13 504 km2，如图1所示;其位于太行山地和华北平原两大地貌的交接位置，地貌由西向东依次排列为中山、低山、丘陵、盆地、平原。属温带季风气候，四季分明，干湿期明显，夏冬季长，春秋季短。石家庄市工业发展迅速，能源结构以煤炭为主，高耗能的第二产业比例偏高，且工业布局不甚合理。这些特定的自然因素和社会因素，使其大气污染防治工作形势日益严峻。石家庄市在全国重点城市中大气污染排名稳居后十位，具有很强的代表性。

2数据与监测方法

2.1数据

1）卫星数据

Himawari-8（简称H-8）卫星是日本气象厅于2014年10月发射成功的新一代静止气象卫星，星上搭载了世界上最先进的可见光和红外扫描辐射计AHI （advanced himawari imager），可实现全区域空间分辨率为2 km，时间分辨率为10 min/次的高频次对地观测。H-8静止卫星搭载的AHI传感器具有16个波段，见表1，相关研究发现AOD反演采取选择0.46，0.64，2.3 μm波段的情况下，传感器定标精度较高[13]。本文利用2019 01 01至2019 12 31数据，进行石家庄市PM2.5浓度监测与分析，选用2017年6月数据进行模型训练，选用2017年7—8月数据进行结果精度验证。

2）地面数据

下载石家庄市2019年1—12月以及2017年6—8月2个时间段的国控站点（见表2）的PM2.5浓度监测数据，剔除无效值与空值后，计算有效时间内的均值作为当日地面PM2.5浓度值。

3）模型的数据匹配

地面数据与卫星数据进行地理匹配时，如果一个像元中涉及一个站点，则将此站点的浓度值作为像元的对应值;若一个像元对应多个站点，则将所有站点的浓度平均值作为此像元对应值;若像元中未涉及到站点，则赋值为NaN。对于卫星像元值缺失情况，选择将该像元进行剔除，不参与模型运算。

2.2监测方法

基于卫星遥感反演PM2.5浓度，首先进行AOD的遥感反演，然后利用时空回归模型估计近地面颗粒物的浓度。

2.2.1AOD反演方法

目前基于卫星数据反演气溶胶光学厚度的主要方法有暗像元法和深蓝算法。暗像元法反演气溶胶光学厚度的原理，是通过统计波段间的经验关系作为先验知识，利用受大气影响小的短波红外波段（2.3 μm）估计红（0.64 μm）、蓝（0.47 μm） 波段的地表反射率，结合假设的气溶胶类型利用辐射传输模型建立査找表LUT，利用辐射传输模型模拟卫星观测的表观反射率TOA（top of atmosphere），将模拟值与卫星真实观测的表观反射率进行匹配，按照一定的價值函数约束反演AOD[13-14]。深蓝算法是利用在蓝波段大气反射较强，地表反射较弱的特点，假定同期的地表反射率不变，基于晴好天气的地表反射率反演气溶胶。深蓝算法与暗像元算法的不同在于其利用的是MOD09的地表反射率产品作为实际地表反射率，其他反演过程类似。

具体算法流程如下。

1）确定地表反射率本文利用植被波谱库与仪器的波谱响应函数建立红蓝波段与短波红外波段之间的关系，将精确大气校正后的短波红外表观反射率视为真实地表反射率，从而可获得红蓝波段中地表的贡献。

2）确定暗像元短波红外受气溶胶的影响较小且反射率较低，可以利用其阈值（表观反射率大于0.01，小于0.15）来确定。

3）去云、水像元采用云检测算法得到云像元，利用归一化水体指数识别水体像元并去除。

4）构建查找表利用6S辐射传输模型，设置不同的AOD、太阳天顶角、观测天顶角、相对方位角的组合，建立查找表。

5）利用暗像元算法完成气溶胶反演。

2.2.2PM2.5反演方法

大量研究表明卫星遥感获取的AOD与PM2.5浓度之间存在很大的相关性，并可经过订正获取区域PM2.5的空间分布。针对区域尺度上AOD-PM2.5之间的关系存在较大的时间和空间变化特性，建立基于气溶胶光学厚度的PM2.5时空回归模型有利于保证PM2.5反演的精准度[17-20]。

具体算法流程如下。

1）数据收集与处理下载2017年6—8月石家庄市PM2.5地面监测数据，收集对应时间葵花AHI气溶胶光学厚度数据。

2）建立混合效应模型利用混合效应模型对AOD-PM2.5每天的关系进行建模，通过不同的斜率与截距项来考虑时间变化特征，见式（1）。

PMs，t=（b0+b0，t）+（b1+b1，t）×AODs，t+St，（1）

式中：PMs，t表示在第s个站点第t天的PM2.5浓度观测值;AODs，t表示格网中对应第s个观测站点在第t天的AOD值;b0和b0，t分别表示固定截距和随机的截距;b1和b1，t分别表示AOD的固定斜率和随机斜率;St表示站点的随机效应的影响。

3）建立地理加权回归模型地理加权回归在时间尺度上是单一的，也就是说每次地理加权回归只能针对一个时间截面。建立模型方程见式（2）。

PM_resis，t=β0，s+β1，tAODst+εst，（2）

式中：PM_resis，t表示利用混合效应模型得到的第t天，站点s的残差部分;AODst表示第t天站点s的AOD值;β0，s和β1，t表示特定地理位置的截距与斜率。

4）构建时空回归模型利用混合效应模型对AOD-PM2.5关系建模，通过随机效应来解决时间差异，利用地理加权回归模型对残差与AOD的关系建模，解决空间差异性，最后将混合效应模型与地理加权回归模型结合起来组成时空回归模型。使用时空回归模型，利用AOD进行区域尺度的PM2.5估算研究。

3监测结果与分析

3.1反演结果验证

1）模型精度验证

针对石家庄市8个国控点的2017年7—8月的部分地面监测PM2.5质量浓度（以下简称浓度）数据和时空回归模型反演PM2.5浓度数据进行比较（见图2），并对上述数据进行相关性分析，以达到对本模型的有效性验证的目的。

根据图2可以发现，8个国控点地面监测数据的PM2.5浓度与模型反演PM2.5浓度数据相近，变化趋势一致，数值差距较小，验证了时空回归模型反演PM2.5浓度的可行性。

2）模型时空适用性验证

通过对石家庄市区域2019年全部國控点PM2.5浓度监测数据日均值与时空回归模型反演对应时间的PM2.5浓度均值的相关性分析，实现了时空回归模型的反演结果在一定时空范围内的适用性和可靠性的验证分析证明。具体分析结果如图3所示。

图3显示时空回归模型反演大气PM2.5浓度和石家庄市全部国控点地面监测PM2.5浓度的各点位浓度值的相关性分析结果，相关系数近似为0.75，结果显示反演数据结果与地面监测数据相关性很高，完全符合反演要求。结果表明，时空回归模型反演大气PM2.5浓度结果在石家庄市整个区域具有高时空适用性和可靠性。

3.22019年PM2.5浓度时间动态分析

1）2019年PM2.5平均浓度分析

如图4所示，2019 01 01至2019 12 31，基于H-8遥感卫星每天10：00～14：00遥感数据，获取PM2.5浓度（质量浓度，下同）。进一步筛选无云覆盖情况下的有效数据，共得到205 d卫星数据，基于此进行2019年度的PM2.5浓度反演、计算、分析。2019年石家庄市PM2.5平均质量浓度为73.6 μg/m3，其中东部地区PM2.5平均浓度高于西部地区，尤其以高新区、裕华区、桥西区浓度最高，灵寿县、井陉县、平山县浓度最低，各县区PM2.5浓度大小具体见图5。

由图6可知，2019年石家庄市PM2.5浓度月变化基本呈现两边高中间低的形势，尤其是取暖季（12月、1月、2月）月均浓度明显高于其他月份，其中8月份处于整年低谷期，另外PM2.5浓度在取暖期前后（3月、11月）出现小低谷。不同月份的PM2.5浓度排序为12月>2月>1月>6月>4月>5月>3月>10月>9月>7月>11月>8月。

卫星监测数据反演结果显示，2019年PM2.5平均浓度高于2018年均值，年均值增加40%。从具体月份来看，PM2.5浓度在7月份降低2.14%，8月份降低8.97%，11月份降低51.91%，其他月份浓度均有不同程度增加。

3.32019年PM2.5浓度空间分布动态分析

将每天的PM2.5浓度的栅格数值排序后，提取前50个高质量浓度像元，作为“热点”，然后将每个季度的所有热点提取出来，进行密度分析，见图7。结果显示，2019年各个季度的PM2.5高浓度“热点”均在市区呈现聚集分布，尤其第一季度、第四季度热点在市区聚集分布最明显;另外，第一季度、第四季度热点分布聚集性均呈现东部地区高于西部地区的现象;各个县区热点聚集性从第一季度到第四季度呈现出逐渐转弱的现象。

3.4结果讨论

综合利用卫星遥感技术对区域进行大气环境监测，可以全面获取区域环境状况本底信息，有效协助环保部门掌控辖区环境舆情处置的主动权。

根据研究结果，石家庄市PM2.5浓度空间分布呈现东高西低的形势，是因为一方面石家庄市西北部为山区，污染传输受西部山脉阻挡容易在中东部累积，另一方面污染企业多分布于中东部平原地区，且中部市区的机动车流量较大，本地排放源明显多于西部地区。从时间动态来看，石家庄市PM2.5浓度呈现两头高中间低的“凹”形变化，这与付桂琴等[21]的研究结果相同，主要是由于石家庄市10—12月以及1—3月逆温频率较高，而逆温是影响污染物垂直扩散的主要原因。

4结语

为了解石家庄市区域PM2.5浓度的空间分布情况及时间变化规律，从而为空气污染治理措施及环境行政执法提供数据参考和技术支持。本文利用H-8卫星数据对石家庄市2019年PM2.5浓度进行了时空动态分析，得到以下结论。

1）从时间动态分析来看，2019 年月度变化基本呈两边高中间低的态势，取暖季月均浓度明显高于其他月份;相對于2018年PM2.5浓度有所增加，但8月与11月平均浓度有所下降。

2）从空间动态分析来看，2019 年PM2.5平均浓度呈现西低东高的形势，其中市区平均浓度最高;2019年各个季度的PM2.5高浓度“热点”在市区呈现聚集分布，并且东部各个县区热点聚集程度明显高于西部县区，但各个县区热点聚集性从第一季度到第四季度呈现出逐渐转弱的现象。

3）从PM2.5浓度遥感监测有效性来看，遥感监测与地面监测的浓度相关性系数大于0.7，验证了区域尺度卫星遥感反演监测PM2.5的可行性。证明采用遥感手段对石家庄市的大气环境进行监测，可以全面获取区域环境状况本底信息，协助环保人员有针对性的核查，具有较大的应用潜力。但本模型未考虑到PM2.5与AOD之间的关系在不同季节可能有不同的表现，因此在后续研究中，将进行分季节模型训练，进一步提高反演精度，为区域大气监测提供更高精度的数据支撑。

参考文献/References：

[1]GENT J F，KOUTRAKIS P，BELANGE K，et al.Symptoms and medication use in children with asthma and traffic-related sources of fine particle pollution[J].Environmental Health Perspectives，2009，117（7）：1168-1174.

[2]ARDEN POPE III C，BURNETT R T，THUN M J，et al.Lung cancer，cardiopulmonary mortality，and long-term exposure to fine particulate air pollution[J].JAMA，2002，287（9）：1132-1141.

[3]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，2003，108（D21）：4661.

[4]SLATER J F，DIBB J E，CAMPBELL J W，et al.Physical and chemical properties of surface and column aerosols at a rural New England site during MODIS overpass[J].Remote Sensing Environment，2004，92（2）：173-180.

[5]WANG Jun，CHRISTOPHER S A.Intercomparison between satellite derived aerosol optical thickness and PM2.5 mass：Implications for air quality studies[J].Geophysics Research Letters，2003，30（21）：2095.

[6]KOELEMEIJER R B A，HOMAN C D，MATTHIJSEN J.Comparison of spatial and temporal variations of aerosol optical thickness and particulate matter over Europe[J].Atmospheric Environment，2006，40（27）：5304-5315.

[7]GUO Jianping，ZHANG Xiaoye，CHE Huizheng，et al.Correlation between PM concentrations and aerosol optical depth in eastern China[J].Atmospheric Environment，2009，43（37）：5876-5886.

[8]ENGEL-COX J A，HOFF R M，ROGERS R，et al.Integrating lidar and satellite optical depth with ambient monitoring for 3-dimensional particulate characterization[J].Atmospheric Environment，2006，40（40）：8056-8067.

[9]HUTCHISON K D，FARUQUI S J，SMITH S.Improving correlations between MODIS aerosol optical thickness and ground-based PM2.5 observations through 3D spatial analyses[J].Atmospheric Environment，2008，42（3）：530-543.

[10]VAN DONKELAAR A，MARTIN R V，BRAUER M，et al.Global estimates of ambient fine particulate matter concentrations from satellite-based aerosol optical depth：Development and application[J].Environmental Health Perspectives，2010，118（6）：847-855.

[11]WANG Zifeng，CHEN Liangfeng，TAO Jinhua，et al.Satellite-based estimation of regional particulate matter（PM）in Beijing using vertical-and-RH correcting method[J].Remote Sensing of Environment，2010，114（1）：50-63.

[12]陶金花，张美根，陈良富，等.一种基于卫星遥感AOT估算近地面颗粒物的方法[J].中国科学（地球科学），2013，43（1）：143-154.

TAO Jinhua，ZHANG Meigen，CHEN Liangfu，et al.Method to estimate concentration of surface-level particulate matter from satellite-based aerosol optical thickness[J].Science China（Earth Sciences），2013，43（1）：143-154.

[13]葛邦宇，杨磊库，陈兴峰，等.暗目标法的Himawari-8静止卫星数据气溶胶反演[J].遥感学报，2018，22（1）：38-50.

GE Bangyu，YANG Leiku，CHEN Xingfeng，et al.Study on aerosol optical depth retrieval over land from Himawari-8 data based on dark target method[J].Journal of Remote Sensing，2018，22（1）：38-50.

[14]YU Fangfang，WU Xiangqian.Radiometric inter-calibration between Himawari-8 AHI and S-NPP VIIRS for the solar reflective bands[J].Remote Sensing，2016，8（3）：165.

[15]ENGEL-COX J A，HOLLOMAN C H，COUTANT B W，et al.Qualitative and quantitative evaluation of MODIS satellite sensor data for regional and urban scale air quality[J].Atmospheric Environment，2004，38（16）：2495-2509.

[16]GUPTA P，CHRISTOPHER S A.Particulate matter air quality assessment using integrated surface，satellite，and meteorological products：Multiple regression approach[J].Journal of Geophysical Research Atmospheres，2009.DOI：10.1029/2008JD011496.

[17]付宏臣，孫艳玲，王斌，等.基于AOD数据和GWR模型估算京津冀地区PM2.5浓度[J].中国环境科学，2019，39（11）：4530-4537.

FU Hongchen，SUN Yanling，WANG Bin，et al.Estimation of PM2.5 concentration in Beijing-Tianjin-Hebei region based on AOD data and GWR model[J].China Environmental Science，2019，39（11）：4530-4537.

[18]张永宏，朱灵龙，阚希，等.基于卫星遥感和气象数据的2015年徐州市PM2.5时空特征[J].科学技术与工程，2017，17（36）：124-129.

ZHANG Yonghong，ZHU Linglong，KAN Xi，et al.Temporal and spatial variations of PM2.5 in Xuzhou 2015 based on satellite remote sensing and meteorological data[J].Science Technology and Engineering，2017，17（36）：124-129.

[19]KING M D，KAUFMAN Y J，TANR D.Remote sensing of tropospheric aerosols from space：Past，present，and future[J].American Meteorological Society，1999，80（11）：2229-2259.

[20]娄拴柱，刘乙淼，任春雷，等.基于卫星遥感及SPAMS的石家庄市2017年秋冬季首次污染过程研究[J].河北工业科技，2018，35（5）：354-362.

LOU Shuanzhu，LIU Yimiao，REN Chunlei，et al.Study on the first pollution process in autumn-winter of 2017 in Shijiazhuang City based on satellite remote sensing and SPAMS[J].Hebei Journal of Industrial Science and Technology，2018，35（5）：354-362.

[21]付桂琴，张杏敏，尤凤春，等.气象条件对石家庄PM2.5浓度的影响分析[J].干旱气象，2016，34（2）：349-355.

FU Guiqin，ZHANG Xingmin，YOU Fengchun，et al.Effect of meteorological conditions on PM2.5 concentration in Shijiazhuang of Hebei[J].Journal of Arid Meteorology，2016，34（2）：349-355.