基于遥感数据和GWR模型的成都PM2.5浓度时空分布特征研究

贾宏亮,罗俊,肖东升

(西南石油大学土木工程与测绘学院,四川 成都 610500)

0 引 言

随着社会经济的快速发展,大气环境问题愈发严重,受到社会各界越来越多的关注,大气污染的准确监测也成为社会关注的热点,其中对PM2.5的监测尤为重视。PM2.5又名细颗粒物,是指大气环境中颗粒物直径在2.5µm之下的固态或液态污染物[1]。和大气中体积较大的污染物相比,PM2.5具有更小的粒径、更大的表面积以及更高的活性,导致其更容易携带有毒有害物质。另外,它在大气中能够存在的时间更长,因此对人体健康和空气质量的影响更为显著[2]。国内外大量研究表明,作为雾霾重要组成部分的PM2.5可诱发或加重各个系统的疾病[3],还会严重地污染空气和生态环境。因此对于PM2.5的时空分布研究对生态环境和人体健康有着重要的意义。目前对PM2.5质量浓度的监测主要有地面监测和遥感反演两种方式[4]。地面监测数据虽然精度和时间分辨率高,但是存在监测站点少、空间不连续等缺点而不能完全反应特定区域内的PM2.5时空分布特征[5];相较于地面监测而言,利用卫星遥感数据反演PM2.5质量浓度能够快速地获得大面积连续的PM2.5数据,因此利用遥感技术估算近地面PM2.5质量浓度逐渐成为一种主流的技术手段[6]。

大气气溶胶是悬浮在大气中的各种液态和固态颗粒物的总称,其粒径可达100µm,PM2.5是大气气溶胶的重要组成部分。气溶胶光学厚度(AOD)是指气溶胶的消光系数在垂直方向上的积分,大量的研究表明地面监测的PM2.5与AOD具有较高的相关性[7−10]。因此,利用遥感数据监测PM2.5主要是通过建立PM2.5与AOD两者间的联系来完成。目前基于AOD的PM2.5质量浓度反演的关键在于如何构建卫星遥感数据与PM2.5质量浓度数据之间的关系模型。近年来,不少学者利用简单线性回归模型、多元线性回归模型、混合效应模型、土地利用回归模型、人工神经网络和地理加权回归模型等多种数学模型[11−17]对PM2.5质量浓度进行反演。其中,地理加权回归(Geographically weighted regression,GWR)模型的主要思想是将空间位置引入回归模型,考虑自变量在不同空间位置上的变化特征,有利于提高反演精度。利用该模型反演PM2.5质量浓度已有大量的研究成果,付宏臣等[18]利用AOD与GWR模型反演出京津冀地区2016年的PM2.5浓度,发现PM2.5污染情况最严重的是衡水市,最轻的是张家口市。陈辉等[19]利用卫星遥感数据和地面监测数据建立的GWR模型对我国冬季的PM2.5进行反演,结果表明我国冬季12月污染最严重,2月相对最低。易唯等[20]利用GWR模型反演出天山北坡经济带2018年3–11月PM2.5浓度,其结果表明天山北坡经济带PM2.5浓度11最高,9月最低。这些研究表明GWR模型能有效地估算近地面PM2.5浓度。

成都市作为国家重要的高新技术产业基地、商贸物流中心,是西部地区重要的中心城市,近年来在城市快速发展的同时也产生了空气污染问题[21],引发了社会各界的关注。本文以成都市作为研究区域,基于MODIS的L1B021KM数据,结合气象数据和PM2.5地面站点监测数据,利用地理加权回归模型反演了成都市2018年1–12月PM2.5质量浓度逐月的时空分布数据,以期为成都市PM2.5的监测与防治提供科学参考。

1 研究区域概况

成都市位于中国四川省中东部,为四川省省会,国家中心城市,是四川的政治、经济、文化中心,拥有悠久的历史文化。从地理位置上来看,成都市位于北纬 30°05′N～31°26′N,东经 102°54′E～104°53′E 之间,南北跨度超过160 km、东西跨度超过190 km,总面积为3639.81 km2。北至德阳市,西连阿坝藏族羌族自治州、雅安市,南通眉山市,东与资阳乐至县。从地形地貌来看,成都市平均海拔约500 m,从西向东逐渐降低,最低点位于简阳市,海拔为359 m;最高点位于大邑县,海拔为5353 m。其地貌由西部的高原、中部的平原以及东部的丘陵组成。西部高原主要与横段山脉边缘接壤,以西南-东北走向途经邛崃市、崇州市、大邑县、都江堰市和彭州市,在成都境内形成邛崃山脉;中部的平原主要由沱江和岷江形成的冲积扇平原构成;东部由龙泉山脉构成。由于地理差异明显,导致成都市PM2.5时空分布差异明显[22−24]。成都市地理位置及PM2.5监测站点分布情况如图1所示。

图1 成都市PM2.5监测站点Fig.1 PM2.5monitoring sites of Chengdu City

2 数据来源与方法

2.1 数据来源及处理

2.1.1 MODIS遥感数据

美国NASA的MODIS传感器搭载在Terra和Aqua两颗卫星上,拥有多个通道,具有多光谱、宽覆盖和时间分辨率高等特点,能够在上午和下午分别提供一次全球的影像资料,通过该影像资料能够反演出具有较高精度的AOD空间分布数据。本工作采用美国宇航局戈达德宇宙飞行中心官网(https://ladsweb.modaps.eosdis.nasa.gov/)发布的2018年1–12月的MODIS MOD021KM数据,其空间分辨率为1 km,观测卫星为北京时间上午10:00左右过境的Terra星。

2.1.2 PM2.5站点监测数据

PM2.5质量浓度地面监测数据从全国城市空气质量实时发布平台(http://106.37.208.233:20035/)下载得到,对比数据的成像时间,选择将每日10:00–13:00的PM2.5质量浓度的平均值作为当日数据。

2.1.3 气象数据

使用的气象数据主要包括:边界层高度(PBLH)、相对湿度(RH)、气温(TEM)、表面气压(SP)、风速(WIN)、总降雨量(RF)。气象数据来源于欧洲中期天气预报中心官网(https://www.ecmwf.int/)的ERA5数据,按照AOD数据反演的时间,选择每天上午10:00–13:00的数据,该数据的空间分辨率为0.25°×0.25°,为了能和AOD数据的空间分辨率匹配需要利用ArcGIS对气象数据进行投影栅格、重采样以及裁剪等操作。

2.2 模型构建与精度评价

2.2.1 地理加权回归模型(GWR)

成都市PM2.5监测站点有10个,2018年只有8个站点有记录数据,由于站点在空间上分布不均,因此采用GWR模型对PM2.5质量浓度进行反演。GWR模型与全局回归的区别在于,GWR模型反演得到的结果是用来分析研究对象在不同的空间位置下因变量与解释变量之间的不同关系,属于局部的回归结果。其本质是通过对距离加权得到空间上连续变化的回归系数,从而来建立空间位置上因变量与自变量的回归模型[25−27],建立的GWR模型具体为

式中yi表示因变量,即监测站点i在空间位置(ui,ki)处PM2.5浓度值,(ui,ki)为第i个监测站点的坐标;β0(ui,ki)为模型的不变因子;βj(ui,ki)为第j个自变量因子的系数;Xij为第i个站点的自变量;φi(ui,ki)为第i个监测站点的随机误差。

GWR模型的核心在于空间权重矩阵的选择,其选取是否合适对模型的精度有着很大的影响。采用高斯函数作为权重函数,其表现形式为

式中dij表示观测点i和j之间的距离;b为带宽,用来描述距离和权重之间的关系,一般用一个连续单调递减的函数来表示。从图1可以看出,成都市PM2.5地面监测站点主要分布在成都中部地区,因此选择自适应带宽,并用通过最小化校正的Akaike信息准则值来获得最优带宽。

为避免模型多个自变量间的多重共线性影响,计算了各变量的方差膨胀因子(VIF)FVI,其计算公式为

式中表示第i个自变量与其他自变量做回归分析时的相关系数的平方。VIF越大说明模型间存在多重共线性的可能性越大,因此选择VIF限值为6,即当VIF小于6时认为构建模型的自变量不存在多重共线性;当VIF大于等于6时认为自变量存在多重共线性问题。由于成都市降雨主要集中在3–9月份,10–2月份降雨量少,对3–9月份和10–2月份分别建立GWR模型,模型的自变量选择及各变量方差膨胀因子如表1所示。

表1 不同模型所需的自变量Table 1 Independent variables required for different models

2.2.2 模型精度评价

为了检验模型的精度,通过决定系数R2、均方根误差ERMS以及平均绝对误差EMA来对模型反演结果的精度进行评价。其中R2表示的是预测值与实测值之间的符合程度,其大小在0～1之间,R2越大证明模型预测的结果越接近真实值;ERMS和EMA表达的是模型预测值偏离实测值的程度,它们的值越小说明模型精度越高,其计算公式分别为

式中n表示样本总数,Xi表示第i个实测值,ti表示第i个预测值。

3 结果与分析

3.1 描述性统计

描述性统计能够对所用变量数据的聚集和离散程度有很好的体现,利用SPSS软件对研究所用的AOD以及气象数据进行了描述性统计,其结果如表2所示。

表2 变量描述性统计结果Table 2 Descriptive statistics of variables

从描述性统计结果看出,PM2.5的平均(AVG)质量浓度为52.07µg·m−3,最大值(MAX)为90.13µg·m−3,最小值 (MIN)为 16.02 µg·m−3,标准偏差 (SD)为 20.21 µg·m−3;AOD 的范围为 0.08～1.48,平均值为 0.6,标准偏差为0.32;边界层高度(PBLH)的最大值为1218.00 m,最小值为341.69 m,标准偏差为215.55 m,PBLH主要影响PM2.5在大气垂直方向上的分布;WIN主要影响PM2.5在大气中水平方向上的分布,使用的风速在1.48～2.22 m·s−1范围内变化,标准差为0.19 m·s−1,和其他气象因素相比,风速的变化幅度是最小的;TEM的最小值为1.88°C,最大值为30.16°C,标准偏差为7.85°C;SP主要是对PM2.5在大气中的平稳性产生影响,其标准偏差为30.73 hPa,平均值为941.05 hPa;RH的最小值为67.75%,最大值为89.28%,均值为77.77%,说明成都市2018年处于比较湿润的环境中;总降雨量在5.72～310.25 mm,平均值为136.95 mm。

3.2 GWR模型模拟结果对比验证

为了对比模型预测结果的精度,在保证自变量(AOD与气象数据)和因变量(PM2.5站点实测值)不变的情况下,构建了成都市2018年的多元线性回归(MLR)模型,GWR模型和MLR模型反演的PM2.5质量浓度与地面监测站点实测的PM2.5质量浓度散点拟合图如2所示。

从GWR模型和MLR模型散点拟合图可以看出,GWR模型的决定系数R2为0.884,MLR模型的R2为0.808,两者均大于0.8,表明两个模型的预测结果与地面实测PM2.5有较高的吻合度。MLR模型的ERMS、EMA分别为 7.8704 µg·m−3、9.7098 µg·m−3;GWR 模型的ERMS、EMA分别为 6.1566 µg·m−3、7.6081 µg·m−3,二者的ERMS均小于8µg·m−3、EMA均小于10µg·m−3,说明GWR模型和MLR模型都可以用于成都市的PM2.5质量浓度反演。从两种模型反演结果对比可以看出,GWR模型反演PM2.5值的R2比MLR模型反演的R2高0.076;GWR 模型的ERMS和EMA分别比 MLR模型的小 1.8394µg·m−3、1.4515µg·m−3,表明 GWR模型反演的PM2.5浓度更能够反应出地面PM2.5浓度的真实值,误差也小于MLR模型反演的结果。

图2 GWR模型(a)与MLR模型(b)散点拟合图Fig.2 Scatter and fitting diagram of GWR model(a)and MLR model(b)

3.3 成都市PM2.5质量浓度时空分布特征

3.3.1 空间分布特征

利用地理加权回归模型得到了2018年成都市PM2.5浓度空间分布情况,如图3所示。

图3 成都市2018年年均PM2.5浓度空间分布Fig.3 Spatial distribution of average annual concentration of PM2.5in Chengdu City in 2018

从图上可以看出,成都市2018年PM2.5浓度分布总体上呈现“两边低、中间高”的空间分布特征,年平均浓度在0～80µg·m−3之间,成都市的年平均浓度为46.14µg·m−3,超过了国家环境空气质量二级标准(GB3095-2012)PM2.5浓度限值35µg·m−3。成都市的PM2.5浓度高值区主要分布在成都平原中部地区,并且形成了一条明显的新都区―浦江县的高值带;PM2.5浓度低值区主要分布在成都平原西部的邛崃市、大邑县、崇州市、都江堰市以及彭州市,这些地方海拔较高,植被覆盖度高,降雨充足,是PM2.5浓度低值的主要原因;PM2.5浓度次低值区域主要分布在成都平原东部的金堂县、简阳市以及龙泉驿区和双流区的部分地区,这些地方龙泉山山脉的存在阻碍了成都平原PM2.5向这些地方的扩散,形成了PM2.5浓度次低值区。

3.3.2 时间分布特征

根据两种地理加权回归模型分别得到了成都市2018年1–12月的PM2.5月均浓度(图4)以及每个月的空间分布结果(图5)。

图4 成都市PM2.5月均浓度变化Fig.4 Changes in the monthly average concentration of PM2.5in Chengdu City

图5 成都市PM2.5月浓度空间分布Fig.5 Spatial distribution of monthly concentration of PM2.5in Chengdu City

从图4可以看出,成都市的PM2.5浓度在月尺度上的总体变化趋势呈现“凹字型”,且只有6、7、8、9四个月的月均浓度在国家二级标准之内,其他月份均超过了这个标准。其中,2月份的月均浓度最大,达到了69.88µg·m−3,超出国家二级标准限值99%,1月份的浓度为第二高,达到68.94µg·m−3;其次为3、4、11、12月,月均浓度在48.54～60.19µg·m−3之间,超出了国家二级标准39%～72%;6、8、9月的PM2.5浓度相对较低,分别为33.84、34.51、32.28µg·m−3,均低于国家二级标准35µg·m−3,但高于国家一级标准限值15µg·m−3;7月的PM2.5浓度最低,为27.42µg·m−3,超出了国家一级标准限值82%,但低于国家二级标准。

利用地理加权回归模型反演得到的成都市PM2.5月浓度结果如图5所示。由图可知,成都市PM2.5月浓度分布在空间上整体呈现出“两边低、中间高”的特点,与前面分析的年均分布得到的结果一致。1月成都市PM2.5浓度总体处于中高值,最大值为89.11µg·m−3;2月成都市的PM2.5浓度分布的空间特征与1月基本一致,但不同的是中部地区的PM2.5浓度有所上升,最高值达到了125.37µg·m−3,主要分布在新都区、新津县以及蒲江县;3月与2月相比,高值范围没有变化,但是高值覆盖的区域明显降低,且中值(45～65µg·m−3)覆盖区域显著扩大;4月与3月相比总体上变化不大,主要变化的是PM2.5浓度高值区向东北方向转移;5月PM2.5浓度显著降低,最大值范围降到了 45～50 µg·m−3;6–7 月份 PM2.5浓度降到 35～40 µg·m−3,成都市整体上处于低浓度水平且整体差异不大;8月PM2.5浓度有所上升,最高值范围为55～60µg·m−3,集中分布在崇州市东北部、温江区西部、彭州市东南部、简阳市和金堂县东南部;9月中部地区PM2.5浓度最高值增加到60～65µg·m−3,简阳市、金堂县东南部PM2.5浓度比8月有所降低;10月与9月相比,中部地区浓度增加主要集中在蒲江县和新都区附近,西北和东南地区浓度有轻微的回落;10月份PM2.5浓度不但迅速增高,而且高值 (65～75µg·m−3)覆盖的区域也大幅的增加;12月成都市的 PM2.5浓度和高值(65～85µg·m−3)覆盖的区域进一步的扩大,大部分区域的PM2.5浓度都超过了40µg·m−3,且低值区覆盖区域进一步缩小。从图5还可以看出都江堰市、大邑县和崇州市西北部等地区长年处于PM2.5浓度低值覆盖区。

在季节尺度上对2018年成都市PM2.5浓度分布进行了反演,得到的空间分布结果如图6所示。由图可知,成都市2018年PM2.5浓度季节性变化显著。春季3–5月的PM2.5浓度最低值为5.45µg·m−3,最高值为 83.42 µg·m−3,平均浓度为 55.23 µg·m−3;夏季 6–8 为 PM2.5浓度最小的季节,最小浓度为 5.36 µg·m−3,最大浓度为 66.76 µg·m−3,平均值为 31.95 µg·m−3,低于国家二级标准;秋季 9–11 月 PM2.5浓度在 1.44～73.48µg·m−3之间变化,平均值为 41.4 µg·m−3;冬季 12–2 月 PM2.5浓度明显上升,最小值为 10.86 µg·m−3,最大值为123.37µg·m−3,平均值为61.38µg·m−3。通过对成都市各季节PM2.5浓度分布进行分析,可以知道夏季成都市的PM2.5浓度最低,达到了国家二级标准,其次是春秋两季,冬季浓度最高。从空间上看春季高值区主要集中在新都区、郫都区、温江区、青羊区、崇州市东南部、新津县北部和青白江区及其附近区域;夏季彭州市东南部和温江区较其他区县PM2.5浓度明显偏高;秋季高值区主要包括彭州市东南部以及蒲江县;冬季彭州市和崇州市东南部、新都区、郫都区以及温江区PM2.5浓度显著增加。为了能更准确的表达出成都市PM2.5浓度的空间分布特征,对成都市各区县的PM2.5浓度进行了统计,结果如表3所示。从表3可以看出2018年PM2.5年均浓度最高的区域为新都区的55.14µg·m−3,超出了国家二级标准60%;年均浓度最低的地区为都江堰市的 26.36 µg·m−3。

图6 成都市2018年各季节PM2.5浓度空间分布。(a)春季;(b)夏季;(c)秋季;(d)冬季Fig.6 Spatial distribution of concentration of PM2.5in each season in Chengdu City in 2018.(a)Spring,(b)summer,(c)autumn,(d)winter

表3 成都市各区县不同季节PM2.5平均浓度Table 3 Average concentration of PM2.5in different seasons in various districts and counties of Chengdu City

4 讨 论

基于MODIS遥感数据,结合地面监测站点的PM2.5数据以及气象数据,同时建立了成都市PM2.5浓度反演的地理加权回归模型和多元线性回归模型,通过对比可以发现,地理加权回归模型预测结果的决定系数R2、ERMS和EMA等三个精度评价指标都明显好于多元线性回归模型,表明GWR模型在成都市PM2.5浓度反演精度更高,更符合实际情况。

在进行AOD反演时,由于云层的存在会导致部分反演结果出现空值。此外,由于成都市PM2.5监测站点分布不均匀且大都分布在城区,而在一些乡镇及农村地区并没有监测站点,这使得在利用地理加权回归模型进行PM2.5浓度反演时离监测站点越远的地区误差可能就越大。PM2.5浓度是由多种因素共同影响的,在以后的研究中可以加入更多的建模因子,不仅仅是气象因素,譬如流动人口、GDP、工厂密度、绿化覆盖率等各种评估指标,建立更加精确的模型。

5 结 论

利用MODIS L1B021KM数据反演了成都市1 km的AOD数据,结合PM2.5地面监测站点和气象数据分别建立用于反演成都市2018年PM2.5浓度的地理加权回归模型和多元线性回归模型,分析了成都市PM2.5浓度的时空分布特征,获得以下结论：

1)和多元线性回归模型相比,地理加权回归模型在成都市PM2.5浓度反演上具有更高的可信度,其反演 PM2.5浓度的R2、ERMS和EMA分别为 0.884、7.8704 µg·m−3和 6.1566 µg·m−3,都优于多元线性回归的0.808、9.7098 µg·m−3和 7.6081 µg·m−3。

2)成都市PM2.5浓度在月尺度上呈现出先降低、后升高的变化特征,其中2月份的平均浓度最高,其次为1月份,6–9月份的平均浓度都低于国家二级标准,7月份浓度达到最低。在季节尺度上夏季的浓度最低为31.95µg·m−3,低于国家二级标准,其次为秋季;冬季PM2.5浓度最高,达到61.38µg·m−3;PM2.5浓度季节变化特征从低到高依次为夏季、秋季、春季、冬季。

3)成都市PM2.5浓度空间分布总体上呈现“中间高、两边低”的特征。西边及西北部的邛崃市、大邑县、崇州市、都江堰市和彭州市为PM2.5浓度低值区;中部地区为PM2.5浓度高值区,主要包括新都区、郫都区、温江区、新津县以及彭州市和崇州市的东南部;东部的简阳市和金堂县为PM2.5浓度次高值区。