基于LUR模型的北京市PM25濃度的空間分布模擬

杜寶強(qiáng) 楊明亮 張金潤

【摘要】通過北京市34個(gè)國控監(jiān)測(cè)站點(diǎn)，建立0.5、1、1.5、2、3、4、5km的緩沖區(qū)，應(yīng)用土地利用回歸模型（Land UseRegression，LUR）對(duì)北京市采暖季與非采暖季PM2.5濃度進(jìn)行空間分布模擬，并采用留一交叉互驗(yàn)法驗(yàn)證模型精度。結(jié)果表明：采暖季LUR模型調(diào)整R2為0.799，模擬精度為0.7992，均方根誤差（Root Mean Square Error，RMSE）為6.66μg·m-3;非采暖季LUR模型調(diào)整R2為0.807，模擬精度為0.8198，均方根誤差為5.91μg·m-3，模型表現(xiàn)良好。從模擬結(jié)果來看，北京市PM2.5主要分布在東南部人口、交通密集的平原區(qū)域，整體呈現(xiàn)南高北低的狀態(tài)。

【關(guān)鍵詞】PM2.5;空間分布;土地利用回歸模型;北京市

〔中圖分類號(hào)]X513 〔文獻(xiàn)標(biāo)識(shí)碼〕A 〔文章編號(hào)〕1674-3229（2021）04-0051-05

0 引言

隨著經(jīng)濟(jì)的快速發(fā)展，環(huán)境污染問題也隨之而來?？諝鈩?dòng)力學(xué)直徑小于等于2.5微米的顆粒物PM2.5是造成霧霾天氣的主要原因[1]。對(duì)PM2.5濃度進(jìn)行空間分布模擬有助于推進(jìn)我國大氣污染治理。

目前國內(nèi)外對(duì)大氣污染物濃度模擬的方法主要有空間插值、氣溶膠反演、土地利用回歸模型等[2]。其中土地利用回歸模型（Land Use Regres-sion，LUR）的特點(diǎn)是基于多種可能對(duì)大氣污染物產(chǎn)生影響的變量進(jìn)行回歸訓(xùn)練，可以用來確定大氣污染物與影響變量之間的關(guān)系，從而模擬城市地區(qū)大氣污染物的空間分布，并在一定程度上識(shí)別大氣污染物的成因，而且還具有模擬精度高、考慮因素廣、數(shù)據(jù)易獲取等優(yōu)點(diǎn)，已在歐美、日本等國家得到了廣泛應(yīng)用[3-4]。國內(nèi)對(duì)PM2.5濃度的研究主要集中在來源分析、化學(xué)特征、環(huán)境危害及健康影響等方面[2，5]，對(duì)LUR模型應(yīng)用處于起步階段，國內(nèi)吳健生等[6]、許剛等[7]、漢瑞英等[8]運(yùn)用LUR模型模擬了研究區(qū)內(nèi)年均PM2.5濃度，但卻少有學(xué)者對(duì)不同時(shí)間段PM2.5濃度以及影響因素進(jìn)行研究。

本研究基于采暖季與非采暖季兩個(gè)時(shí)間段建立回歸預(yù)測(cè)模型，分析PM2.5濃度在采暖季與非采暖季的空間分布，進(jìn)一步驗(yàn)證了LUR模型的適用性，揭示了PM2.5濃度相關(guān)影響因素。為大氣污染防治、城市土地及道路規(guī)劃、公共衛(wèi)生管理提供了科學(xué)依據(jù)。

1 材料與方法

1.1 數(shù)據(jù)來源及預(yù)處理

1.1.1 PM2.5濃度與氣象數(shù)據(jù)

PM2.5數(shù)據(jù)來自北京市范圍內(nèi)34個(gè)國控站點(diǎn)2018年11月-2019年10月空氣質(zhì)量日值數(shù)據(jù)（數(shù)據(jù)來源中國環(huán)境監(jiān)測(cè)總站http：//www.cnemc.cn/）。對(duì)數(shù)據(jù)進(jìn)行統(tǒng)計(jì)計(jì)算，得到34個(gè)監(jiān)測(cè)站點(diǎn)的采暖季（11月-3月）與非采暖季（4月-10月）PM2.5濃度。氣象數(shù)據(jù)來自于國家氣象科學(xué)數(shù)據(jù)中心的中國地面氣候資料日值數(shù)據(jù)（http：//data.cma.cn/），采集了北京市20個(gè)氣象站點(diǎn)2018年11月-2019年10月觀測(cè)數(shù)據(jù)，包括氣壓、風(fēng)速、氣溫、相對(duì)濕度、降水量5類，對(duì)數(shù)據(jù)進(jìn)行計(jì)算統(tǒng)計(jì)得到采暖季與非采暖季的氣象數(shù)據(jù)，并通過Kriging插值法對(duì)采暖季與非采暖季的氣象數(shù)據(jù)進(jìn)行插值模擬，提取監(jiān)測(cè)站點(diǎn)所在位置的氣象數(shù)據(jù)作為氣象因子。

1.1.2 高程與人口數(shù)據(jù)

高程數(shù)據(jù)來自Earth Data的中國區(qū)域30m分辨率的數(shù)字高程模型（Digital Elevation Model，DEM）數(shù)據(jù)，人口數(shù)據(jù)來自WorldPop全球高分辨率人口計(jì)劃項(xiàng)目（www.worldpop.org），提取監(jiān)測(cè)站點(diǎn)所在位置的高程及人口數(shù)量作為高程因子和人口因子。

1.1.3 土地利用與路網(wǎng)數(shù)據(jù)

土地利用數(shù)據(jù)來自清華大學(xué)宮鵬等2017全球10m分辨率土地利用數(shù)據(jù)，將北京市土地利用類型分成農(nóng)田、森林、草地、灌木、濕地、水域、不透水面、裸地8類，路網(wǎng)數(shù)據(jù)來自于OpenStreetMap，提取數(shù)據(jù)中的高速公路、干道、一級(jí)公路、二級(jí)公路4類作為北京市的路網(wǎng)數(shù)據(jù)。本研究參考已有的LUR模型緩沖半徑設(shè)置[9-10]，以監(jiān)測(cè)站點(diǎn)為中心，設(shè)置0.5、1、1.5、2、3、4、5km為緩沖半徑，以緩沖區(qū)內(nèi)各類土地的面積及各類道路長度作為土地因子和路網(wǎng)因子。北京市土地利用及路網(wǎng)分布如圖1所示。

1.2 研究方法

1.2.1 LUR模型構(gòu)建

本研究采用的LUR模型是基于監(jiān)測(cè)站的大氣污染物濃度對(duì)周圍多種可能對(duì)大氣污染物產(chǎn)生影響的變量，進(jìn)行多元線性回歸的模型。LUR模型的基本形式如式（1）：

y=α0+α1x1+α2x2+…+αnxn+β（1）

式中y為因變量，即本研究中采暖季與非采暖季PM2.5濃度值，x1，x2，…，xn為自變量，即本研究各類影響因子，α1，α2，…，αn為待定系數(shù)，β為隨機(jī)變量。構(gòu)建模型分為以下3步：（1）在SPSS中將PM2.5濃度與各影響因子進(jìn)行雙變量相關(guān)性分析，去除與PM2.5濃度相關(guān)性不顯著（p>0.05）的變量。（2）在剩余變量中去除與同類相關(guān)性最高影響因子相關(guān)（皮爾森系數(shù)r>0.6）的變量。（3）以PM2.5濃度為因變量，剩余的變量為自變量進(jìn)行逐步線性回歸，得到的回歸方程就是LUR模型。

1.2.2 模型驗(yàn)證

模型的驗(yàn)證采用留一交叉互驗(yàn)（leave-one-outcross validation）[11]，將34個(gè)監(jiān)測(cè)站點(diǎn)劃分為訓(xùn)練集（33個(gè)）和驗(yàn)證集（1個(gè)），通過對(duì)訓(xùn)練集（33個(gè)）站點(diǎn)進(jìn)行多元線性回歸，得到驗(yàn)證集（1個(gè)）站點(diǎn)的預(yù)測(cè)值，對(duì)比預(yù)測(cè)值和實(shí)測(cè)值，重復(fù)34次。這種方法雖然繁瑣，但可以有效驗(yàn)證模型精度。最后通過調(diào)整R2、均方根誤差（Root Mean Square Error，RMSE）、模擬精度3項(xiàng)指標(biāo)來驗(yàn)證模型。

1.2.3 PM2.5濃度模擬

在ArcGIS中通過創(chuàng)建漁網(wǎng)把北京市劃分成1km×1km規(guī)則格網(wǎng)點(diǎn)，通過LUR模型計(jì)算出各格網(wǎng)點(diǎn)PM2.5濃度預(yù)測(cè)值，再利用Kriging插值法就可以得到北京市的PM2.5濃度空間分布。

2 結(jié)果與討論

2.1 PM2.5濃度統(tǒng)計(jì)

根據(jù)圖2可以看出北京市2018年11月-2019年10月PM2.5濃度變化趨勢(shì)，采暖季（11月-3月）PM2.5整體濃度偏高，計(jì)算可得采暖季PM2.5濃度為58pμg·m-3，嚴(yán)重超出國家二級(jí)標(biāo)準(zhǔn)。非采暖季（4月-10月）PM2.5濃度為37μg·m-3，相對(duì)采暖季有所下降，但也只有8月份滿足了國家二級(jí)標(biāo)準(zhǔn)，遠(yuǎn)達(dá)不到世衛(wèi)組織標(biāo)準(zhǔn)。

2.2 雙變量相關(guān)性分析

在SPSS中將PM2.5濃度與各影響因子進(jìn)行雙變量相關(guān)性分析，去除與PM2.5濃度相關(guān)性不顯著（p>0.05）的變量（如不透水面、溫度、三級(jí)公路等），剩余變量中去除與同類相關(guān)性最高影響因子相關(guān)（皮爾森系數(shù)r>0.6）的變量（如森林_1000m，灌木_1500m等），最后滿足多元線性回歸的變量如表1所示。從表1可以看出影響因子在采暖季與非采暖季下呈現(xiàn)的相關(guān)性不同，采暖季PM2.5濃度與農(nóng)田、氣壓、高速公路、二級(jí)公路呈正相關(guān);與濕地、水體、森林、灌木、風(fēng)速、降水量、相對(duì)濕度呈負(fù)相關(guān)。非采暖季PM2.5濃度與氣壓、人口、干道、高速公路呈正相關(guān);與水體、森林、灌木、風(fēng)速、降水量、相對(duì)濕度、DEM呈負(fù)相關(guān)。其中水體、森林、灌木、風(fēng)速、降水量、氣壓、相對(duì)濕度、高速公路與采暖季和非采暖季PM2.5都呈現(xiàn)很高的相關(guān)性，說明北京市PM2.5濃度受這些因素影響很大。

2.3 LUR模型構(gòu)建及精度驗(yàn)證

將滿足多元線性回歸的變量與PM2.5濃度進(jìn)行逐步線性回歸，逐步線性回歸可以有效避免自變量共線性的可能。由于PM2.5濃度在采暖季出現(xiàn)較高的情況，為了分析其原因，本文建立了采暖季與非采暖季LUR模型。從表2可以看出，進(jìn)入采暖季LUR模型的變量有風(fēng)速、相對(duì)濕度、森林、濕地;進(jìn)人非采暖季LUR模型的變量有風(fēng)速、降水量、氣壓、干道、一級(jí)公路。其中風(fēng)速均參與了兩個(gè)模型的建立，且與PM2.5濃度呈負(fù)相關(guān)性，原因是大風(fēng)可以使空氣中的細(xì)顆粒物稀釋和擴(kuò)散，顆粒物不容易堆積，從而降低了濃度[12]。相對(duì)濕度、森林、濕地參與了采暖季LUR模型的建立，且均呈現(xiàn)負(fù)相關(guān)性，原因是相對(duì)濕度高使得PM2.5顆粒物吸濕變大，加速顆粒物沉降，森林、濕地的植物具有凈化和吸附PM2.5的功能[13-14]。降水量、氣壓、干道、一級(jí)公路參與了非采暖季LUR模型的建立，其中降水呈現(xiàn)負(fù)相關(guān)性，原因是降水對(duì)PM2.5顆粒具有清除作用[15];氣壓、干道、一級(jí)公路呈現(xiàn)正相關(guān)性，原因是高氣壓時(shí)，天氣系統(tǒng)穩(wěn)定，PM2.5顆粒物擴(kuò)散條件不好，以及機(jī)動(dòng)車駕駛排放的尾氣以及揚(yáng)塵[16-17]。

為了進(jìn)一步驗(yàn)證模型精度，本研究采用留一交叉互驗(yàn)法，從圖3可知采暖季LUR模型的模擬精度為0.7992，非采暖季LUR模型的模擬精度為0.8198，模型的模擬精度整體表現(xiàn)良好。經(jīng)過對(duì)PM2.5的監(jiān)測(cè)值和預(yù)測(cè)值進(jìn)行計(jì)算，得到采暖季均方根誤差為6.66μg·m-3，非采暖季均方根誤差為5.91μg·m-3。

表2 PM2.5多元線性回歸結(jié)果吳健生等[6]利用LUR模型模擬重慶市PM2.5濃度的調(diào)整R2為0.800;Wu等[18]利用LUR模擬北京市PM2.5濃度的精度的調(diào)整Rz為0.58，均方根誤差為9.31μg·m-3。與文獻(xiàn)[6]、[18]相比，本研究的LUR模型誤差更小、解釋度更高。

2.4 采暖與非采暖季PM2.5模擬

通過ArcGIS創(chuàng)建漁網(wǎng)把北京市劃分成1km×1km規(guī)格網(wǎng)點(diǎn)，利用LUR模型計(jì)算出各格網(wǎng)點(diǎn)PM2.5濃度預(yù)測(cè)值，再用Kriging插值法就可以得到北京市的PM2.5濃度空間分布。北京市的采暖季與非采暖季PM2.5濃度模擬如圖4所示，可以看出北京市的PM2.5污染主要集中在東南部人口、交通密集的平原區(qū)域。通過對(duì)比采暖季與非采暖季PM2.5濃度，發(fā)現(xiàn)采暖季的PM2.5污染尤其嚴(yán)重。

3 討論

（1）采暖季的逆溫天氣以及人口密集區(qū)污染物排放對(duì)PM2.5濃度的影響很大，但本研究沒有加入研究區(qū)內(nèi)重點(diǎn)廢氣排污企業(yè)，未來可以考慮加入研究區(qū)重點(diǎn)廢氣排污企業(yè)等因素，進(jìn)一步探索PM2.5的相關(guān)影響因素。

（2）本研究是基于國控監(jiān)測(cè)站點(diǎn)，通過LUR模型進(jìn)行北京市的PM2.5濃度空間分布模擬，但由于國控監(jiān)測(cè)站點(diǎn)主要分布在城市區(qū)，在一定程度上限制了模型精度，未來可以考慮加入分布在偏遠(yuǎn)地區(qū)的省控、縣控監(jiān)測(cè)站點(diǎn)進(jìn)行模擬。同時(shí)本研究采用的LUR模型是通過線性回歸的方法，對(duì)于復(fù)雜的大氣污染物，模型解釋力度還遠(yuǎn)遠(yuǎn)不夠，未來可以考慮使用非線性回歸的方法，或者加入深度學(xué)習(xí)算法改進(jìn)LUR模型來進(jìn)一步提升模型的解釋性。

4 結(jié)論

（1）2018年11月-2019年10月北京市PM2.5濃度整體偏高，采暖季（11月-3月）PM2.5濃度為58μg·m-3，非采暖季（4月-10月）PM2.5濃度為37μg·m-3，嚴(yán)重超出國家二級(jí)標(biāo)準(zhǔn)和世衛(wèi)組織標(biāo)準(zhǔn)。PM2.5濃度整體呈現(xiàn)采暖季高、非采暖季低的現(xiàn)象，這與采暖季處于逆溫天氣多發(fā)季節(jié)有很大關(guān)系。

（2）采暖季PM2.5濃度與農(nóng)田、氣壓、高速公路、二級(jí)公路呈正相關(guān);與濕地、水體、森林、灌木、風(fēng)速、降水量、相對(duì)濕度呈負(fù)相關(guān)。非采暖季PM2.5濃度與氣壓、人口、干道、高速公路呈正相關(guān);與水體、森林、灌木、風(fēng)速、降水量、相對(duì)濕度、DEM呈負(fù)相關(guān)。采暖季LUR模型的變量有風(fēng)速、相對(duì)濕度、森林、濕地;非采暖季LUR模型的變量有風(fēng)速、降水量、氣壓、干道、一級(jí)公路。

（3）采暖季LUR模型調(diào)整R2為0.799，模擬精度為0.7992，均方根誤差為6.66μg·m-3：非采暖季LUR模型調(diào)整R2為0.807，模擬精度為0.8198，均方根誤差為5.91μg·m-3，模型表現(xiàn)良好。

（4）北京市PM2.5濃度主要分布在東南部人口、交通密集的平原區(qū)域，整體呈現(xiàn)南高北低的狀態(tài)，PM2.5濃度受地形地貌、人口活動(dòng)、機(jī)動(dòng)車駕駛、污染物排放的影響很大。

[參考文獻(xiàn)]

[1]常彥君，王進(jìn)，許明，等.河北地區(qū)霧霾天氣下大學(xué)生健康路徑研究lJ].廊坊師范學(xué)院學(xué)報(bào)（自然科學(xué)版），2019，19（4）：87-90.

[2]劉炳杰，彭曉敏，李繼紅.基于LUR模型的中國PM2.5時(shí)空變化分析[J].環(huán)境科學(xué)，2018，39（12）：5296-5307.

[3]HOEK G，BEELEN R，HOOGH K D，et al.A Review ofLand-Use Regression Models to Assess Spatial Variation ofOutdoor Air Pollution[J].Atmospheric Environment，2008，42（33）：7561-7578.

[4]TANG R，BLANGIARDO M，GULLIVER J.Using BuildingHeights and Street Configuration to Enhance Intra UrbanPM10，NOx，and N02 Land Use Regression Models[J].En-vironmental Science&Technology，2013，47（20）：11643-11650.

[5]江笑薇，任志遠(yuǎn)，孫藝杰.基于LUR和GIS的西安市PM2.5的空間分布模擬及影響因素[J].陜西師范大學(xué)學(xué)報(bào)（自然科學(xué)版），2017，45（3）：80-87+106

[6]吳健生，廖星，彭建，等.重慶市PM2.5濃度空間分異模擬及影響因子[J].環(huán)境科學(xué)，2015，36（3）：759-767

[7]許剛，焦利民，肖豐濤，等.土地利用回歸模型模擬京津冀PM2.5濃度空間分布[J].干旱區(qū)資源與環(huán)境，2016，30（10）：116-120.

[8]漢瑞英，陳健，王彬.利用LUR模型模擬杭州市PM2.5質(zhì)量濃度空間分布[J].環(huán)境科學(xué)學(xué)報(bào)2016，36 （9）：3379-3385.

[9]陽海鷗，陳文波，梁照鳳.LUR模型模擬的南昌市PM2.5濃度與土地利用類型的關(guān)系[J].農(nóng)業(yè)工程學(xué)報(bào)，2017，33（6）：232-239.

[10]彭霞，佘倩楠，龍凌波，等.基于移動(dòng)監(jiān)測(cè)和土地利用回歸模型的上海市近地面黑碳濃度空間模擬[J].環(huán)境科學(xué)，2017，38（11）：4454-4462.

[11]王睿哲，胡榮明，李朋飛，等.基于 LUR模型的PM2.5度空間分布監(jiān)測(cè)及分析[J].環(huán)境工程學(xué)報(bào)，2020，14（10）：2843-2852.

[12]張南，熊黑鋼，葛秀秀，等.北京市冬季霧霾天人體呼吸高度PM2.5變化特征對(duì)氣象因素的響應(yīng)[J].環(huán)境科學(xué)，2016，37（7）：2419-2427.

[13]高振翔，葉劍，周紅根，等.江蘇省PM2.5和PM10時(shí)空變化特征及其與氣象因子的關(guān)系[J].環(huán)境科學(xué)與技術(shù)，2020，43（7）：51-58.

[14]康曉明，崔麗娟，趙欣勝，等.北京市濕地削減大氣細(xì)顆粒物PM2.5功能[J].生態(tài)學(xué)雜志，2015，34 （10）：2807-2813.

[15]欒天，郭學(xué)良，張?zhí)旌?，?不同降水強(qiáng)度對(duì)PM2.5的清除作用及影響因素[J].應(yīng)用氣象學(xué)報(bào)，2019，30（3）：279-291.

[16]王嫣然，張學(xué)霞，趙靜瑤，等.北京地區(qū)不同季節(jié)PM2.5和PM10濃度對(duì)地面氣象因素的響應(yīng)[J].中國環(huán)境監(jiān)測(cè)，2017，33（2）：34-41，

[17]袁小燕，葉芝祥，楊懷金，等.成都市道路細(xì)顆粒物污染特征[J].環(huán)境工程學(xué)報(bào)，2015，9（9）：4598-4602.

[18]Wu J，Li J，Peng J，et al.Applying Land Use RegressionModel to Estimate Spatial Variation of PM2.5 in Beijing，China[J].Environmental science and pollution researchinternational，2015，22（9）：7045-7061.

[收稿日期]2021-06-02

[基金項(xiàng)目]空間天氣學(xué)國家重點(diǎn)實(shí)驗(yàn)室開發(fā)課題（201909）;安徽省高校自然科學(xué)基金重點(diǎn)項(xiàng)目（KJ2019A0103）

[作者簡介]杜寶強(qiáng)（1972-），男，中國電子技術(shù)標(biāo)準(zhǔn)研究院高級(jí)工程師，研究方向：能源與環(huán)境污染防治。

[通訊作者]楊明亮（1995-），男，安徽理工大學(xué)電氣與信息工程學(xué)院碩士研究生，研究方向：能源與環(huán)境污染防治。