基于AOD數(shù)據(jù)和GWR模型估算京津冀地區(qū)PM2.5濃度

付宏臣,孫艷玲*,王 斌,陳 莉,張 輝,高 爽,毛 健,景 悅,邵絲露

基于AOD數(shù)據(jù)和GWR模型估算京津冀地區(qū)PM2.5濃度

付宏臣1,孫艷玲1*,王 斌2,陳 莉1,張 輝1,高 爽1,毛 健1,景 悅1,邵絲露1

(1.天津師范大學地理與環(huán)境科學學院,天津 300387；2.天津市生態(tài)環(huán)境監(jiān)測中心,天津 300191)

利用MODIS氣溶膠光學厚度(AOD)數(shù)據(jù)針對不同土地覆蓋類型的適用性,提出了一種基于土地覆蓋類型的AOD融合方法,生成了一種新的3km AOD數(shù)據(jù)集.在此基礎上,通過地理加權回歸(GWR)模型估算了京津冀地區(qū)2016年PM2.5濃度,并用交叉驗證的方法對模型性能進行評價.結果表明:利用融合后的AOD數(shù)據(jù)建立的模型可解釋PM2.594.85%的濃度變化,交叉驗證2為0.94,RMSE為9.27μg/m3,MPE為6.72μg/m3,明顯優(yōu)于多元線性回歸(MLR)模型;基于GWR模型估算的京津冀地區(qū)2016年年均PM2.5濃度為58.57μg/m3,其中冬季PM2.5濃度最高,春秋季次之,夏季濃度最低,PM2.5月均濃度變化范圍32.78~140.83μg/m3,8月份濃度最低,12月份濃度最高;空間分布南北差異顯著,衡水市PM2.5污染最為嚴重,張家口市PM2.5濃度較低.利用此方法成功彌補了PM2.5空間缺失,為城市尺度的健康效應和環(huán)境流行病學研究提供數(shù)據(jù)支持.

氣溶膠光學原度(AOD)；GWR模型；PM2.5；京津冀

通過地面監(jiān)測可以獲得高精度的PM2.5濃度,但由于監(jiān)測站點有限,不能獲得連續(xù)的PM2.5濃度空間分布.而衛(wèi)星遙感具有空間連續(xù)的優(yōu)點,恰能彌補地面監(jiān)測空間不連續(xù)的缺陷.衛(wèi)星遙感中的氣溶膠光學厚度(AOD)數(shù)據(jù)是表征大氣柱狀氣溶膠積累的基本參數(shù).有研究表明AOD與PM2.5濃度之間具有較強的相關性[1-4].因此國內(nèi)外學者多利用AOD數(shù)據(jù)估算PM2.5濃度[5-7].其中MODIS AOD數(shù)據(jù)具有覆蓋范圍廣,重訪周期短等優(yōu)勢,成為目前最常用的AOD數(shù)據(jù)產(chǎn)品[8-9].2017年NASA發(fā)布了最新的MODIS C6.1版本的3km暗像元算法(DT)和10km深藍算法(DB)AOD產(chǎn)品[10-11].

有學者利用暗像元算法反演的3km AOD數(shù)據(jù)估算PM2.5濃度, 其估算精度有所提高,但空間覆蓋率改善效果不明顯[12-15].研究表明深藍算法反演AOD數(shù)據(jù)相比暗像元算法反演AOD數(shù)據(jù)具有較高的空間覆蓋率[16].因此He等[16]提出了利用深藍算法10km AOD數(shù)據(jù)空間覆蓋率大的優(yōu)勢,彌補暗像元算法3km AOD缺失數(shù)據(jù),用此融合后數(shù)據(jù)估算了PM2.5濃度,最終得到了空間分辨率高且覆蓋范圍廣的PM2.5濃度空間分布圖.但以往研究并未考慮到不同算法反演的AOD數(shù)據(jù)的適用性,即暗像元算法反演的AOD在類似濃密植被這種暗地表區(qū)域反演效果較好[17-18],而深藍算法在類似沙漠等亮地表區(qū)域具有較高精度[19-20].因此,考慮不同的土地覆蓋類型選擇不同的反演算法,并充分發(fā)揮暗像元算法空間分辨率高和深藍算法空間覆蓋率高的優(yōu)勢,對估算高精度的PM2.5濃度空間分布十分重要.

目前利用AOD估算PM2.5濃度的模型多種多樣[21-23].其中,GWR模型克服了由于位置變化而造成的變量之間關系變化的空間非平穩(wěn)性現(xiàn)象,而得到了廣泛運用[24-25].京津冀地區(qū)是我國PM2.5污染最嚴重的地區(qū)之一[26].為此,本文以京津冀地區(qū)為研究區(qū)域,提出了一種基于不同土地覆蓋類型的AOD融合方法,并利用此融合后數(shù)據(jù)集結合其它輔助數(shù)據(jù),通過GWR模型構建了AOD與PM2.5之間關系的模型,估算了2016年年平均、季節(jié)和月尺度PM2.5濃度,分析了京津冀地區(qū)PM2.5空間分布趨勢,為城市尺度的健康影響研究提供依據(jù).

1 數(shù)據(jù)與方法

1.1 AOD數(shù)據(jù)來源與處理

1.1.1 AOD數(shù)據(jù)來源 從美國宇航局戈達德航天飛行中心(LAADS: https://ladsweb.modaps.eosdis. nasa.gov/)網(wǎng)站下載了2016年1月1日~12月31日MODIS C6.1版本AOD數(shù)據(jù),包括當?shù)貢r間10:30過境的Terra衛(wèi)星的MOD04_L2 (Terra 10km DB AOD)、MOD04_3K(Terra 3km DT AOD)和當?shù)貢r間13:30過境的Aqua衛(wèi)星的MYD04_L2(Aqua 10km DB AOD)、MYD04_3K (Aqua 3km DT AOD)數(shù)據(jù).其中,3km的AOD數(shù)據(jù)是由暗像元算法反演得到,而深藍算法只提供10km分辨率的AOD產(chǎn)品.

1.1.2 AOD數(shù)據(jù)融合 本文主要是對MOD04_ L2、MOD04_3K、MYD04_L2、MYD04_3K這4種數(shù)據(jù)進行融合.首先建立3km Terra星和Aqua星數(shù)據(jù)之間的線性關系填補缺失值,并進行平均,最終得到上午星和下午星融合后的3km DT AOD數(shù)據(jù).

然后利用3次卷積法將10km DB AOD數(shù)據(jù)重采樣為3km DB AOD數(shù)據(jù),建立3km DB Terra和Aqua數(shù)據(jù)之間的線性關系填補缺失值,并進行平均,得到上午星和下午星融合后的3km DB AOD數(shù)據(jù).

表1 IGBP土地覆蓋分類方案與對應AOD算法

在此基礎上,考慮到不同反演算法的適用性,本文提出了一種基于土地覆蓋類型的深藍算法反演和暗像元算法反演的AOD產(chǎn)品融合方法.其中,土地覆蓋數(shù)據(jù)來源于陸地過程分布式主動檔案中心(LP DAAC: https://lpdaac.usgs.gov/)網(wǎng)站提供的2016年V006版本的MCD12Q1數(shù)據(jù).利用土地覆蓋類型對不同反演算法的AOD數(shù)據(jù)進行選擇,如表1所示,最終得到3km DB/DT AOD數(shù)據(jù).

1.2 PM2.5監(jiān)測數(shù)據(jù)與處理

圖1 京津冀地區(qū)PM2.5監(jiān)測站空間分布

PM2.5監(jiān)測數(shù)據(jù)來自中國環(huán)境監(jiān)測總站(CNEMC:http://www.cnemc.cn/),該網(wǎng)站提供了2016年1月1日~12月31日京津冀地區(qū)監(jiān)測站點的PM2.5濃度小時值和24h平均值.這些監(jiān)測數(shù)據(jù)主要通過微量振蕩天平法和β射線法測量得到,其小時濃度不準確度僅為0.75%[27].PM2.5月均濃度通過日均濃度加和平均得到.京津冀地區(qū)80個環(huán)境監(jiān)測站PM2.5年均濃度及其空間分布如圖1所示.

1.3 輔助數(shù)據(jù)來源與處理

2016年1月1日~12月31日的氣壓(PRE)、降水量(RAIN)、相對濕度(RH)、氣溫(TEM)和風速(WS)5個氣象要素日均值來自中國氣象數(shù)據(jù)網(wǎng)(NMIC: https://data.cma.cn/),日邊界層高度(PBLH)數(shù)據(jù)通過WRF模式模擬得到.月降水量為該月日降水量累積之和,其他輔助數(shù)據(jù)則采用與PM2.5月均濃度相同的處理方式將其轉(zhuǎn)化為月數(shù)據(jù).

1.4 數(shù)據(jù)匹配

用于構建模型的樣本數(shù)據(jù)必須保持時間和空間上的一致性,因此將輔助數(shù)據(jù)利用Kriging法進行插值,與此同時需要保證所有數(shù)據(jù)均處于相同的投影坐標系中,最終得到與AOD空間分辨率相同并處于相同投影坐標系的多種數(shù)據(jù).在此基礎上,將PM2.5監(jiān)測站點每個月的月均濃度數(shù)據(jù)與對應月的AOD數(shù)據(jù)和插值后的輔助數(shù)據(jù)進行匹配,得到2016年1~12月共計895組數(shù)據(jù)集,作為構建模型的樣本數(shù)據(jù).

1.5 模型構建與驗證

GWR模型不同于全局回歸,它生成一種局部回歸結果,用來探索不同空間位置造成的自變量與因變量之間不同的關系.由于PM2.5監(jiān)測站點空間分布不均,因此本次研究使用自適應帶寬,并用通過最小化校正的Akaike信息準則值來獲得帶寬.方差膨脹因子(VIF)是回歸分析中衡量多個變量多重共線性程度的重要指標.有研究將VIF限值設置為10,改善了共線性問題[16].本文將VIF設置為5,即當VIF<5時認為加入模型的因子不存在多重共線性問題, VIF35時認為具有較高共線性.在加入輔助數(shù)據(jù)的時候,最重要的是確保加入的輔助數(shù)據(jù)確實能改善模型的性能,因此采用MLR的方法來快速檢驗模型性能.綜上所述,本文添加輔助數(shù)據(jù)的原則,即控制各變量之間VIF<5的情況下,選擇MLR決定系數(shù)2較大者,在2相同的情況下選擇較少的輔助數(shù)據(jù)作為構建模型的數(shù)據(jù)集.

不同月份PM2.5濃度空間分布特征不同,為此本文建立了不同月份的GWR模型,共計12個模型,并且每個模型中使用的變量可以隨月份變化,具體自變量選擇情況如表2所示.

表2 不同月份GWR模型所需自變量

GWR模型結構如下:

式中:表示監(jiān)測站站點編號;Y表示因變量,即PM2.5濃度;X表示第個自變量,其中包括AOD、PBLH、PRE、RAIN、RH、TEM和WS中的部分變量;(u,v)表示監(jiān)測站點的坐標;β(u,v)表示第個自變量的回歸參數(shù);0(u,v)表示回歸常數(shù);ε監(jiān)測站點的隨機誤差.

本文計算了決定系數(shù)(2)、均方根誤差(RMSE)和平均預測誤差(MPE)來評估模型的擬合效果,但對模型的擬合都是基于相同的數(shù)據(jù)集進行的,不能反映模型是否存在著過度擬合現(xiàn)象.因此,利用10折交叉驗證(CV)的方法[28]來測試模型是否存在著過度擬合.此方法將數(shù)據(jù)集隨機分為10組,9組用來模型擬合,剩余1組用來驗證,該過程重復10次,直到每組數(shù)據(jù)均被驗證一次,并計算CV后的2、RMSE和MPE來評估模型的精度.

2 結果與分析

2.1 描述性統(tǒng)計

模型所用輔助變量描述統(tǒng)計如表3所示,PM2.5平均濃度為70.08μg/m3,主要分布在17.99~ 293.49μg/m3的范圍內(nèi),標準差為39.77μg/m3.融合后AOD可匹配樣本數(shù)達895個,高于未融合前3和10km數(shù)據(jù)集,空間覆蓋范圍明顯擴大,平均值為0.12,標準差為0.08.邊界層高度可以影響PM2.5的垂直分布,其最小值173.50m,最大值912.31m,標準差為177.29m.氣壓主要影響大氣的穩(wěn)定性,其平均值為1025.56hPa,標準差為86.94hPa.降水量0~313.44mm,平均值為50.85mm.相對濕度平均值為59.57%,標準差為12.71%,意味著2016年基本處于較為濕潤的大氣環(huán)境.氣溫從-13.96~26.85℃,平均值為11.45℃.風速1.62~3.20m/s,標準差0.39m/s,相對于其他變量,變化范圍較小.

表3 模型所用變量描述統(tǒng)計

2.2 模型擬合與交叉驗證

為了對比融合后AOD數(shù)據(jù)擬合效果,在保證其它自變量不變的情況下,本文還構建了MLR模型估算PM2.5濃度,2個模型擬合散點圖如圖2所示.

Fig 2 MLR model and GWR model fit scatter plot

從圖2可以看出,MLR模型擬合2為0.8759,比GWR模型低0.0726,2種模型RMSE分別為13.8397和8.9641μg/m3,MPE分別為9.7864和6.5327μg/m3,說明GWR模型估算PM2.5濃度較為接近真實值,更適合估算PM2.5濃度.GWR模型交叉驗證2僅減少0.01,并且RMSE增加0.31μg/m3,MPE增加0.19μg/m3,這兩者均大于模型擬合結果,表明該模型基本上不存在過度擬合的情況.

2.3 京津冀地區(qū)PM2.5濃度的空間分布

通過利用GWR對2016年12個月分別建立模型,模擬了每個月京津冀地區(qū)PM2.5濃度空間分布,結果表明整個京津冀地區(qū)8月PM2.5月均濃度最低為32.78μg/m3,12月濃度最高為140.83μg/m3. 1~8月PM2.5月均濃度總體呈現(xiàn)下降趨勢,其中3和7月有小幅上升,8~12月濃度呈現(xiàn)上升趨勢.

在此基礎上,對京津冀地區(qū)PM2.5的年均濃度和季節(jié)濃度空間分布進行分析,如圖3所示,年均濃度變化范圍為16.62~98.16μg/m3,京津冀地區(qū)年均濃度58.57μg/m3,超過國家環(huán)境空氣質(zhì)量二級標準(GB 3095-2012)[29]PM2.5濃度限值35μg/m3.PM2.5濃度高值區(qū)主要分布在華北平原區(qū),并形成一條明顯的沿東北-西南走向的弧形PM2.5高值帶,而低濃度PM2.5主要位于西部的太行山區(qū)和北部的燕山山區(qū). 這與楊興川等[30]利用空間插值的方法,對2016年京津冀地區(qū)PM2.5時空分布特征的研究結果相一致.李珊珊等[31]指出山區(qū)地帶受山谷風的影響,利于PM2.5擴散,且山地地形不利于外來輸送,導致PM2.5濃度較低,而京津冀北部地區(qū)受到燕山山脈阻擋,西部地區(qū)受太行山脈影響導致PM2.5的輸送受到阻礙,易在山前堆積,形成明顯的PM2.5高值帶.

圖3 2016年年均PM2.5濃度空間分布(μg/m3)

京津冀地區(qū)2016年PM2.5濃度季節(jié)性變化顯著,空間分布如圖4所示.春季(3~5月)PM2.5濃度最小值15.60μg/m3,最大值76.73μg/m3,平均值為52.68μg/ m3.夏季(6~8 月)PM2.5濃度變化范圍為13.68~ 71.18μg/m3,平均值42.73μg/m3.秋季(9~11 月)PM2.5濃度變化范圍19.18~134.23μg/m3,平均值58.95μg/ m3.冬季(1、2、12月)PM2.5濃度變化范圍17.17~ 181.43μg/m3,平均值85.81μg/m3.各季節(jié)PM2.5濃度均未達到國家二級標準[29],但各季節(jié)PM2.5濃度還是有所差異,主要表現(xiàn)為夏季PM2.5濃度較低,春秋次之,冬季PM2.5濃度最高.郝靜等[22]采用混合效應模型模擬的京津冀內(nèi)陸平原地區(qū)PM2.5濃度特征也表明冬半年PM2.5濃度明顯比夏半年高.冬季受采暖影響,化石燃料的燃燒對PM2.5濃度的升高具有較大貢獻,且冬季逆溫現(xiàn)象頻發(fā),不利于PM2.5的擴散[32].夏季降水量較多,PM2.5作為云凝結核或直接被降水粒子捕獲,起到一定的清除作用.春秋季處于天氣系統(tǒng)轉(zhuǎn)換的季節(jié),與冬季相比擴散條件較好[31].各季節(jié)PM2.5濃度空間分布情況基本保持一致,冬季PM2.5高值中心向南移動,南北差異顯著.且冬季融合后的AOD在河北北部區(qū)域依然存在著部分缺值情況,導致估算的PM2.5濃度在河北北部存在缺失,但較融合前的AOD已經(jīng)有所改善.總體而言京津冀中南部區(qū)域始終為PM2.5高污染區(qū),北部區(qū)域始終保持良好的空氣質(zhì)量.

PM2.5濃度空間分布趨勢呈現(xiàn)出由北向南逐漸遞增的趨勢,表現(xiàn)出很強的空間異質(zhì)性,因此本文對不同城市各季節(jié)和年均PM2.5濃度進行統(tǒng)計,如表4所示.從表中可以看出,各城市PM2.5年均濃度均未達到國家空氣質(zhì)量二級標準,但位于河北最北部的2個城市張家口和承德PM2.5年均濃度略高于二級標準,分別高出0.14和0.34μg/m3.天津、石家莊、保定、廊坊、滄州、衡水和邢臺這7個市PM2.5年均濃度均大于70μg/m3,其中河北衡水PM2.5濃度最高,可達到83.08μg/m3.

春季各城市PM2.5濃度變化范圍為32.65~ 70.91μg/m3,最高濃度依然位于河北衡水市,最低濃度則出現(xiàn)在承德市.夏季PM2.5濃度變化范圍為28.81~60.60μg/m3,張家口市空氣質(zhì)量最好,達到了國家二級標準,其余各城市均未達標.秋季最高濃度位于石家莊市,最高可達92.33μg/m3,張家口市依然處于達標狀態(tài).冬季是4個季節(jié)中污染最嚴重的一個季節(jié),有7個城市PM2.5濃度超過100μg/m3,分別為石家莊市、保定市、邯鄲市、廊坊市、滄州市、衡水市和邢臺市,其最高濃度位于邢臺市142.21μg/m3.

為了揭示更加精細的PM2.5濃度空間分布特征,對北京市和天津市各區(qū)PM2.5年均濃度進行統(tǒng)計.北京市大興區(qū)PM2.5年均濃度最高,為83.03μg/m3,超國家一級標準4.54倍,是二級標準的2.37倍,最低濃度位于延慶區(qū),雖然也處于超標水平,但超標倍數(shù)遠低于大興區(qū),是國家二級標準的1.49倍.天津市PM2.5年均濃度變化范圍不大,為64.51~78.15μg/m3,其中紅橋區(qū)年均濃度最高,超國家二級標準1.23倍,濱海新區(qū)最低,超國家一級標準3.3倍.

表4 京津冀地區(qū)各城市不同時期PM2.5濃度(μg/m3)

綜合各城市不同時段PM2.5污染水平,污染重災區(qū)依然位于京津冀中南部區(qū)域,位于京津冀北部的張家口市和承德市空氣質(zhì)量普遍較好.

3 討論

本文充分利用了3km數(shù)據(jù)空間分辨率高,10km數(shù)據(jù)空間覆蓋率大的優(yōu)點,并考慮到不同算法適用于不同的地表覆蓋類型,提出了新的AOD數(shù)據(jù)融合方法,盡管已經(jīng)取得了較好的反演效果,但把上午10:30過境的Terra衛(wèi)星和下午1:30過境的Aqua衛(wèi)星AOD數(shù)據(jù)的融合值作為每日AOD,可能會給PM2.5的估算引入偏差,因此,更高時間和空間分辨率的AOD產(chǎn)品應該有利于提高模型的精度.

在地面PM2.5監(jiān)測站空間分布方面來看,其主要分布在城市中心,農(nóng)村地區(qū)少有分布,這樣就造成了可匹配的PM2.5監(jiān)測站空間分布不均,可能導致GWR模型在估計PM2.5濃度時存在著估計誤差.此外,本文建模采用的融合AOD數(shù)據(jù),其空間分辨率也就達到3km,即AOD值代表的是3km網(wǎng)格內(nèi)的平均值,而用來匹配的PM2.5值是監(jiān)測站點值,這種PM2.5數(shù)據(jù)與AOD數(shù)據(jù)之間存在的空間不匹配,可能導致估算的PM2.5濃度存在著不確定性.

最后,由于PM2.5濃度是多種因素共同作用的結果,因此未來可以考慮加入譬如人口密度、道路長度等多種評估指標,并且在選取建模因子時將更多考慮因子的物理意義.理論聯(lián)系實際,為了更加有效地推動PM2.5的防治工作,促進空氣質(zhì)量改善,未來會針對某次污染過程或清潔過程進行研究,進一步探索影響PM2.5濃度的因素.

4 結論

4.1 本文提出基于土地覆蓋類型的AOD數(shù)據(jù)融合方法,使得2016年建模可匹配數(shù)據(jù)集達895組,對比融合前數(shù)據(jù),可匹配數(shù)據(jù)集增多,并且利用融合后AOD數(shù)據(jù)構建的GWR模型決定系數(shù)2為0.9485,RMSE為8.9641μg/m3,MPE為6.5327μg/m3,其中CV交叉驗證2為0.94, RMSE為9.27μg/m3, MPE為6.72μg/m3,充分證明了利用此方法融合的AOD數(shù)據(jù)建立的模型具有較好的模擬效果,估算的PM2.5濃度更接近真實值.

4.2 利用融合后AOD與PM2.5構建的關系模型估算的2016年年均PM2.5濃度為58.57μg/m3,夏季PM2.5濃度為42.73μg/m3,春秋季PM2.5濃度分別為52.68和58.95μg/m3,冬季PM2.5濃度為85.81μg/m3,總體而言夏季PM2.5濃度最低,春秋季次之,冬季PM2.5污染最為嚴重.12個月PM2.5濃度呈現(xiàn)先下降后上升的趨勢,中間有微小起伏,其中8月份月均濃度最低,12月份濃度最高.

4.3 從空間分布來看,京津冀地區(qū)PM2.5濃度呈現(xiàn)出由北向南逐漸遞增的趨勢,南北差異顯著,表現(xiàn)出很強的空間異質(zhì)性.2016年不同城市的PM2.5污染水平不同,衡水市的PM2.5污染情況最為嚴重,濃度為83.08μg/m3,張家口市PM2.5污染最輕,超過國家空氣質(zhì)量二級標準限值0.14μg/m3.

[1] 郭建平,吳業(yè)榮,張小曳,等.BP網(wǎng)絡框架下MODIS氣溶膠光學厚度產(chǎn)品估算中國東部PM2.5[J]. 環(huán)境科學, 2013,34(3):817-825. Guo J P, Wu Y R, Zhang X Y, et al. Estimation of PM2.5over Eastern China from MODIS aerosol optical depth using the back propagation neural network [J]. Environmental Science, 2013,34(3): 817-825.

[2] 林海峰,辛金元,張文煜,等.北京市近地層顆粒物濃度與氣溶膠光學厚度相關性分析研究[J]. 環(huán)境科學, 2013,34(3):826-834. Lin H F, Xin J Y, Zhang W Y, et al. Comparison of atmospheric particulate matter and aerosol optical depth in Beijing City [J]. Environmental Science, 2013,34(3):826-834.

[3] 王 旭,胡引翠,田 冰,等.京津冀地區(qū)AOD和PM2.5質(zhì)量濃度的特征及相關性分析 [J]. 環(huán)境工程學報, 2016,10(9):5069-5074. Wang X, Hu Y C, Tian B, et al. Analysis of characteristic and correlation of mass concentration of aerosol optical depth retrievals and ground-level PM2.5in the Beijing-Tianjin-Hebei Region, China [J]. Chinese Journal of Environmental Engineering, 2016,10(9):5069- 5074.

[4] Xin J Y, Zhang Q, Wang L, et al. The empirical relationship between the PM2.5concentration and aerosol optical depth over the background of North China from 2009 to 2011 [J]. Atmospheric Research, 2014,138:179-188.

[5] Hu X F, Waller L A, Al-Hamdan M Z, et al. Estimating ground-level PM2.5concentrations in the southeastern U.S. using geographically weighted regression [J]. Environmental Research, 2013,121:1-10.

[6] 景 悅,孫艷玲,徐 昊,等.基于混合效應模型的京津冀地區(qū)PM2.5日濃度估算[J]. 中國環(huán)境科學, 2018,38(8):2890-2897. Jing Y, Sun Y L, Xu H, et al. Daily estimation of PM2.5concentrations based on mixed effects model in Beijing-Tianjin-Hebei region. [J]. China Environmental Science, 2018,38(8):2890-2897.

[7] Jiao L M, Xu G, Zhao S L, et al. LUR-based Simulation of the Spatial Distribution of PM2.5of Wuhan [J]. Geomatics and Information Science of Wuhan University, 2015,40(8):1088-1094.

[8] Koelemeijer R, 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.

[9] Kloog I, Nordio F, Coull B A, et al. Incorporating local land use regression and satellite aerosol optical depth in a hybrid model of spatiotemporal PM2.5exposures in the Mid-Atlantic States [J]. Environmental Science & Technology, 2012,46(21):11913-11921.

[10] Hsu N C. Changes to MODIS deep blue aerosol products between collection 6and collection 6.1. [EB/OL]. https://modis-atmosphere. gsfc.nasa.gov/sites/default/files/ModAtmo/modis_deep_blue_c61_changes2.pdf.

[11] Mattoo S. Aerosol Dark Target (10km & 3km) Collection 6.1Changes. [EB/OL]. https://modis-atmosphere.gsfc.nasa.gov/sites/default/files/ ModAtmo/C061_Aerosol_Dark_Target_v2.pdf.

[12] 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.

[13] You W, Zang Z L, Zhang L F, et al. Estimating ground-level PM10concentration in northwestern China using geographically weighted regression based on satellite AOD combined with CALIPSO and MODIS fire count [J]. Remote Sensing of Environment, 2015,168: 276-285.

[14] Li T W, Shen H F, Zeng C, et al. Point-surface fusion of station measurements and satellite observations for mapping PM2.5distribution in China: methods and assessment [J]. Atmospheric Environment, 2016,152:477-489.

[15] Guo Y X, Tang Q H, Gong D Y, et al. Estimating ground-level PM2.5concentrations in Beijing using a satellite-based geographically and temporally weighted regression model [J]. Remote Sensing of Environment, 2017,198:140-149.

[16] He Q Q, Huang B. Satellite-based mapping of daily high-resolution ground PM2.5, in China via space-time regression modeling [J]. Remote Sensing of Environment, 2018,206:72-83.

[17] Kaufman Y J, Wald A E, Remer L A, et al. The MODIS 2.1-μm channel-correlation with visible reflectance for use in remote sensing of aerosol [J]. IEEE Transactions on Geoscience and Remote Sensing, 1997,35(5):1286-1298.

[18] Gupta P, Levy R C, Mattoo S, et al. A surface reflectance scheme for retrieving aerosol optical depth over urban surfaces in MODIS Dark Target retrieval algorithm [J]. Atmospheric Measurement Techniques, 2016,9(7):3293-3308.

[19] Hsu N C, Jeong M J, Bettenhausen C, et al. Enhanced Deep Blue aerosol retrieval algorithm: The second generation [J]. Journal of Geophysical Research Atmospheres, 2013,118(16):9296-9315.

[20] Sayer A M, Hsu N C, Bettenhausen C, et al. Validation and uncertainty estimates for MODIS Collection 6 “Deep Blue” aerosol data [J]. Journal of Geophysical Research: Atmospheres, 2013,118(14):7864- 7872.

[21] Dimitriou K, Kassomenos P. A study on the reconstitution of daily PM10and PM2.5levels in Paris with a multivariate linear regression model [J]. Atmospheric Environment, 2014,98:648-654.

[22] 郝 靜,孫 成,郭興宇,等.京津冀內(nèi)陸平原區(qū)PM2.5濃度時空變化定量模擬 [J]. 環(huán)境科學, 2018,39(4):1455-1465. Hao J, Sun C, Guo X Y, et al. Simulation of the Spatio-temporally Resolved PM2.5Aerosol Mass Concentration over the Inland Plain of the Beijing-Tianjin-Hebei Region [J]. Environmental Science, 2018, 39(4):1455-1465.

[23] Xie Y Y, Wang Y X, 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.

[24] Brunsdon C, Fotheringham A S, Charlton M E. Geographically Weighted Regression: A Method for Exploring Spatial Nonstationarity [J]. Geographical Analysis, 1996,28(4):281-298.

[25] Zhang T H, Gong W, Wang W, et al. Ground level PM2.5estimates over China using satellite-based geographically weighted regression (GWR) Models are improved by including NO2and enhanced vegetation index (EVI) [J]. International Journal of Environmental Research and Public Health, 2016,13(12):1215-1227.

[26] Zhai L, Li S, Zou B, et al. An improved geographically weighted regression model for PM2.5concentration estimation in large areas [J]. Atmospheric Environment, 2018,181:145-154.

[27] Engel-Cox J, Kim Oanh N T, Van Donkelaar A, et al. Toward the next generation of air quality monitoring: Particulate Matter [J]. Atmospheric Environment, 2013,80:584-590.

[28] Rodriguez J D, Perez A, Lozano J A. Sensitivity analysis of k-Fold cross validation in prediction error estimation [J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2010,32(3):569-575.

[29] GB 3095-2012 環(huán)境空氣質(zhì)量標準[S]. GB 3095-2012 Ambient Air Quality Standards [S].

[30] 楊興川,趙文吉,熊秋林,等.2016年京津冀地區(qū)PM2.5時空分布特征及其與氣象因素的關系 [J]. 生態(tài)環(huán)境學報, 2017,26(10):1747- 1754.Yang X C, Zhao W J, Xiong Q L, et al. Spatio-temporal distribution of PM2.5in Beijing-Tianjin-Hebei (BTH) Area in 2016 and its relationship with meteorological factors [J]. Ecology and Environmental Sciences, 2017,26(10):1747-1754.

[31] 李珊珊,程念亮,徐 峻,等.2014年京津冀地區(qū)PM2.5濃度時空分布及來源模擬 [J]. 中國環(huán)境科學, 2015,35(10):2908-2916. Li S S, Cheng N L, Xu J, et al. Spatial and temporal distributions and source simulation of PM2.5in Beijing-Tianjin-Hebei region in 2014. [J]. China Environmental Science, 2015,35(10):2908-2916.

[32] 賈 佳,韓力慧,程水源,等.京津冀區(qū)域PM2.5及二次無機組分污染特征研究 [J]. 中國環(huán)境科學, 2018,38(3):801-811. Jia J, Han L H, Cheng S Y, et al. Pollution characteristic of PM2.5and secondary inorganic ions in Beijing-Tianjin-Hebei region. [J]. China Environmental Science, 2018,38(3):801-811.

Estimation of PM2.5concentration in Beijing-Tianjin-Hebei region based on AOD data and GWR model.

FU Hong-chen1, SUN Yan-ling1*, WANG Bin2, CHEN Li1, ZHANG Hui1, GAO Shuang1, MAO Jian1, JING Yue1, SHAO Si-lu1

(1.College of Geography and Environment Science, Tianjin Normal University, Tianjin 300387, China; Tianjin Eco-Environmental Monitoring Center, Tianjin 300191, China)., 2019,39(11)：4530~4537

In this study, a MODIS AOD (Moderate Resolution Imaging Spectroradiometer Aerosol Optical Depth) combination method was proposed based on land cover type, and a new 3km AOD data set was generated. PM2.5concentration in the Beijing-Tianjin-Hebei region for the year of 2016 was estimated by the Geographical Weighted Regression (GWR) model, and was evaluated by the method of cross-validation. The results showed that the model established by AOD data after combination could explain 94.85% of the PM2.5concentration change, with the cross-validation2of 0.94, the RMSE of 9.27μg/m3, and the MPE of 6.72μg/m3. These values were significantly better than that of the multiple linear regression (MLR) model; Based on the GWR model, average annual PM2.5concentration in Beijing-Tianjin-Hebei region was 58.57μg/m3, with the highest concentration of PM2.5in winter, followed by spring and autumn, and the concentration in summer was the lowest. The monthly average concentration of PM2.5varied from 32.78 to 140.83μg/m3, the lowest and the highest concentrations were estimated in August and in December, respectively. The spatial distribution was significant compared with north part from south, the PM2.5pollution in Hengshui City was the most serious, PM2.5concentration was the lowest in Zhangjiakou. This method successfully compensated for the lack of PM2.5space and provided data support for urban-scale health effects and environmental epidemiological studies.

AOD；GWR；PM2.5；Beijing-Tianjin-Hebei

X513

A

1000-6923(2019)11-4530-08

付宏臣(1995-),女,天津人,天津師范大學碩士研究生,主要從事大氣環(huán)境遙感研究.發(fā)表論文2篇.

2019-04-16

國家重點研發(fā)計劃(2016YFC0201700);天津市科技計劃項目(16YFXTSF00330);天津市自然科學基金資助項目(17JCYBJC42900)

* 責任作者, 副教授, flyling99@163.com