城市微环境PM2.5浓度空间分异特征分析

胡晨霞,邹 滨*,李沈鑫,段小丽,周 翔



城市微环境PM2.5浓度空间分异特征分析

胡晨霞1,邹 滨1*,李沈鑫1,段小丽2,周 翔3

(1.中南大学地球科学与信息物理学院,湖南 长沙 410083；2.北京科技大学能源与环境工程学院,北京 100083；3.湖南省国土资源信息中心,湖南 长沙 410004)

以长沙市主城区为例,在203个地面点通过加密观测并获取PM2.5浓度小时观测值,辅以同步常规稀疏国控点PM2.5浓度观测数据,在点、面尺度对比分析加密、稀疏两种观测模式下城市微环境PM2.5浓度空间分布的特征差异.结果表明:地面加密观测模式下PM2.5浓度高值区主要集中在道路、地表扬尘、住宅小区、医院和工业园等人群、车辆活动的微环境场景;低值区主要出现在公园景区等高植被覆盖度区域.同一空间点位,地面加密观测PM2.5浓度值均高于常规稀疏国控点PM2.5浓度观测值,平均高出29.71μg/m3.反距离权重空间插值制图揭示地面加密观测模式下的PM2.5浓度呈现明显的西北部高(>75μg/m3)、中部和南部居中(65~75μg/m3)、东部低(<55μg/m3)的三级阶梯式异质特征,剖面分析各向波动较大.相比,稀疏国控观测模式空间分布图仅能反映主城区PM2.5浓度整体较低(<55μg/m3)、除北-南向之外各向剖面PM2.5浓度相对无明显变化的格局.与此同时,稀疏国控观测模式在地面加密观测点估算的PM2.5浓度同样显著低于实际观测值,所揭示的研究区高值PM2.5浓度微环境为道路、地表扬尘、汽车站.研究结果证实,出于环境保护目标建立的空气质量国控监测点难以精确反映同点位近地面PM2.5浓度,所识别的城市高低PM2.5浓度值微环境与真实情景存在偏差,空气质量越优等级下偏差越大.

PM2.5；土地利用；空间分异；空间插值；微环境

城市PM2.5污染不仅是政府关心的环境事件,更与社会公众健康危害风险息息相关[1-3].全面精细了解城市PM2.5浓度空间分异特征对于政府与公众全方位、多层次防控PM2.5暴露风险显得至关重要.为获取城市内部PM2.5浓度空间分异特征,目前国内外学者主要采用以国控监测点PM2.5观测数据为基础的耦合土地利用与气象因素的数学建模[4-9]、卫星遥感气溶胶光学厚度(AOD)估算[10-14]和空间插值[15-18]等方法.现有研究已初步明确PM2.5浓度与土地利用类型之间存在正负向关联,即PM2.5浓度往往在以建设用地为主的污染排放密集区偏高,在植被、水域用地类型区域偏低.

不可忽略的是,上述基于国控点监测数据的研究报道均存在两个方面的固有缺陷:一是国控点空气质量监测取样高度与人类活动所处的近地面层存在一定的高度差[19];二是国控点布设往往稀疏,且呈现一定的非均匀状态,多用于反映站点周边一定距离内PM2.5浓度宏观背景值.因此在公众空气污染暴露风险评估与防控等实际应用中,国控点PM2.5浓度观测值常难以满足区分城市内部微环境近地面PM2.5浓度空间分布差异的需求.

相对而言,考虑排放源与扩散特征布设的加密观测点理论上可以更好捕捉城市内部各微环境场景PM2.5浓度的时空高低热点值.为此,国外研究人员正逐步尝试依赖地面加密观测数据精细分析城市内部PM2.5浓度的空间分异特征,探讨大气污染精准防控措施和研发人群暴露风险规避服务[20-21].国内北京、河北邢台与保定等城市也在相继启动地面加密观测试点,但截止目前,关于地面加密观测与常规稀疏国控观测两种模式所揭示的城市PM2.5浓度空间分异特征是否存在实质性差异尚未见相关报道,无法为此类加密观测模式的推广与布点原则的拟定提供充分的科学依据.

本文选取地势东西高、中北低,空气污染扩散条件不利,PM2.5浓度因地面交通与地表扬尘呈现明显空间异质性的湖南长沙主城区为对象,参照环境监测布点技术规范加密布设203个近地面PM2.5浓度监测点,在点、面尺度分别通过描述性统计分析和反距离权重(IDW)空间插值方法对比评价加密、稀疏观测两种模式下城市内部PM2.5浓度空间分布特征的异同,实证在城市内部微环境开展PM2.5浓度加密观测的必要性和意义,为开展空气质量时空精细监测、科学制定人群空气污染暴露风险防控措施提供科学依据.

1 PM2.5浓度地面加密观测

图1 研究区PM2.5监测站点空间分布

依据PM2.5污染排放与扩散先验知识,首先获取研究区内工业园、扬尘地表、车站、公园景区、医院、住宅小区、学校和商业中心共8类兴趣点数据80632条.然后以环境质量监测布点原则为基础[19],参照图1所示的站点布设原则筛选并确认布设地面加密观测站点203个.在布点过程中,在2000m´2000m格网大小下尽可能保证监测点分布均匀;同时确定每个格网至多包含一个监测点且同类型站点不重复.

国控点PM2.5浓度监测采用β射线法,地面加密监测过程采用激光测量原理的诺方SDL307便携式PM2.5监测仪,加密监测预备实验及监测实施中对仪器测量值通过与同期国控点观测值比较进行校准,保留偏差在10%之内且一致性较好的数据.数据采集时间为2015年12月24日8:00~14:00,该时段平均风速为24.28km/h、平均气温为15.78℃、平均气压为101.2kPa、平均相对湿度为94.49%.整个采样过程通过征集84名志愿者手持仪器距地2m左右的高度进行采集.仪器采集的数据及地理坐标通过智能手机APP同步上传至后台服务器存储.仪器读数时每次等待稳定时间为5min,每个监测点每小时内间隔30min重复观测2次,整个采样过程共获取2209条数据上传记录.经地理坐标校正剔除未在预设采样观测点的数据及明显异常数据、并完成正常观测数据小时均值化处理后,共生成1206条有效时均浓度记录作为后续加密观测模式下的污染时空分析.研究区内10个空气质量国控监测点PM2.5浓度同步观测值从中国环境监测总站全国城市空气质量实时发布平台(http://www.cnemc.cn/)收集,用于后续与地面加密观测数据的对比分析.

2 IDW空间插值制图

空间分布连续曲面绘制是面尺度识别城市内部微环境PM2.5浓度空间差异的基础.制图过程中,针对随机选取的90%地面加密观测PM2.5浓度数据建模样本,分别采用普通克里金(OK)、IDW和Spline样条函数方法开展空间插值;选用拟合优度(2)和均方根误差(RMSE)指标依托剩余10%检验样本评价各插值方法的可靠性.其中,2指示插值估算浓度与实际观测浓度变化方向的一致性程度,值越接近1表示插值效果越好;RMSE表征插值估算浓度偏离实际观测浓度的程度,RMSE值越小表示插值精度越高.2、RMSE计算公式如下:

表1中的插值结果表明,2的结果为: IDW> OK>Spline,RMSE的结果为:IDW

表1 IDW/OK/Spline PM2.5浓度空间插值精度对比

3 PM2.5浓度点观测值分类统计分析

图2是加密监测模式下203个PM2.5浓度观测值描述性统计分析结果.结果表明,不同类型监测点间的PM2.5浓度有较大差异,道路、工业园、公园景点、汽车站、学校和住宅小区的PM2.5监测浓度波动范围较大(48~107μg/m3),但均显著高于国控点观测平均值(39.2μg/m3).其中,道路、地表扬尘和住宅小区3类监测点PM2.5浓度最高,各中位数分别为79,87,79μg/m3.究其原因,道路监测点的PM2.5浓度与行驶车辆排放尾气有关,这一结果与交通排放对PM2.5浓度影响的相关报道一致[22-23];扬尘地表区监测点PM2.5浓度高值可能与地表扬尘有一定关联[24];住宅小区类监测点PM2.5浓度的升高则主要与密度较大人群的车辆行驶和相对封闭的小区污染扩散条件不利有关.相对而言,受益于植被对PM2.5的吸附净化作用与相对开阔有利的污染扩散条件,公共广场、公园景点、商业中心、学校和医院的PM2.5浓度中位数均低于平均浓度74.3μg/m3,分别为59,71,70, 66和70μg/m3.

图2 PM2.5浓度站点分类统计箱型图

如图3所示,基于国控点位稀疏和地面加密模式下PM2.5浓度观测值的详细对比分析结果表明,地面加密观测模式下的PM2.5浓度值范围为56.7~85.3μg/m3,明显高于稀疏国控观测模式下的27.6~54.6μg/m3.这一结果证实在同一点位,距地面一定高度位置处的国控点PM2.5浓度与相应近地面PM2.5浓度存在差异.其中地处岳麓山景区附近的2号点位差异最大(达48μg/m3),两者间的差异一定程度上取决于国控点宏观环境背景与地面复杂环境间的明显区别.

图3 国控点位稀疏与加密观测模式PM2.5浓度比较

4 PM2.5浓度连续曲面空间异质性对比分析

4.1 PM2.5浓度空间分布格局差异分析

地面加密及稀疏国控观测模式下的PM2.5浓度空间分布如图4所示.受当日西北风向影响,加之呈西南-东北走向岳麓山脉的阻挡,研究区PM2.5浓度分布在加密与稀疏观测下整体均呈现西北高东南低的趋势,与此同时还呈现出市内PM2.5浓度空间异质性强于郊区的特征.4(a)表明,地面加密观测模式下研究区PM2.5浓度分布呈现明显的西北高(>75μg/m3)、中部和南部居中(65~75μg/m3)、东部低(<55μg/m3)的三级阶梯式异质特征.具体而言,受工业园污染排放、城市建设与汽车尾气等因素影响,PM2.5浓度高值区主要集中在汽车站、工业园、地表扬尘、交通道路监测点聚集处.低值区主要集中在植被覆盖面积较大的公园景点区,这与植被面积增加可对PM2.5质量浓度下降产生积极影响的报道一致[25].但是,因周边地表扬尘点、学校、汽车站等的聚集且地势低洼,开福区西中部城区公园景点PM2.5浓度异常偏高,一定程度上与机动车尾气排放是城市内部各街区重要空气污染来源的相关研究结论一致[26].相对而言,图4(b)稀疏国控观测模式下PM2.5浓度值无明显变化,且空间分布格局单一,无法揭示城市内部各微环境间PM2.5浓度空间差异.

图4 稀疏与加密观测模式PM2.5浓度空间分布

图5 稀疏与加密观测模式PM2.5浓度剖面变化对比分析

图5是在图4基础上绘制北-南、西北-东南、西-东、西南-东北4方向PM2.5浓度各向异性剖面线(如图5所示).得出,各方向地面加密观测模式PM2.5浓度估计值显著高于稀疏国控观测模式下的对应值,稀疏国控观测模式的平缓变化,地面加密观测模式PM2.5浓度整体波动较大.具体而言,此种差异在西北-东南向最为突出.地面加密观测模式下西北-东南向PM2.5浓度值波动范围在59~106μg/m3之间,自西北至东南呈明显下降趋势,中间有特征波峰、波谷;但同步稀疏国控观测模式下的PM2.5浓度值除有微弱波峰、波谷外整体呈现平稳无变化趋势.

4.2 稀疏国控观测模式下地面加密点PM2.5浓度估算误差分析

图6为加密监测点位基于稀疏国控观测模式空间插值制图估算的PM2.5浓度值和同步真实观测值回归拟合结果.散点回归拟合常数项35.27表明,依赖传统稀疏国控观测模式估算的PM2.5浓度与地面加密观测实测值之间存在一个常数差.前者估算的PM2.5浓度值(变化范围为29~54.5μg/m3,属于我国环境空气质量标准界定的优~良等级);相比后者PM2.5浓度实测值(变化范围为43.2~107.4μg/m3,属良~中度污染等级)整体明显偏低.分析回归拟合线周边散点偏移程度进一步可知,此种偏差在稀疏国控观测模式监测数据判定的空气质量越优等级下明显.

依据监测点类型分别统计稀疏国控观测制图模式下PM2.5浓度估计值和地面加密观测PM2.5浓度实测值最大值、最小值、平均值和方差4个指标间的差异(表2)可知,前者四指标值均远小于后者对应指标值.其中,加密观测PM2.5浓度实测平均值较高的监测点类型是道路、地表扬尘点和住宅小区,而稀疏观测估算的PM2.5浓度较高平均值出现在道路、地表扬尘和汽车站.同时,加密观测PM2.5浓度实测值的方差较稀疏国控观测制图模式下的方差偏大,表明加密观测能够揭示各微环境下同类监测站点PM2.5浓度存在一定差异,但相对稀疏观测制图模式难以实现.

图6 地面加密观测点PM2.5浓度实测值与稀疏观测空间插值结果间的比较

表2 PM2.5浓度地面加密观测实测值与稀疏观测估计值分站点统计比较(μg/m3)

5 结论

5.1 因空气质量国控监测站点宏观环境背景与近地面复杂环境间的差异,同一空间点位地面加密观测PM2.5浓度值均明显高于常规稀疏国控点PM2.5浓度观测值,平均高出29.71μg/m3;

5.2 稀疏国控观测模式空间制图PM2.5浓度估计值相对地面加密观测实测值整体明显偏低,空气质量越优等级下偏差越大;

5.3 相比稀疏国控观测模式空间制图缺陷,加密观测模式制图可有效识别城市微环境PM2.5浓度,揭示城市内部PM2.5浓度空间分异特征.

[1] Kan H, Chen R, Tong S. Ambient air pollution, climate change, and population health in China. [J]. Environment International, 2012,42(1):10-19.

[2] 孙兆彬,陶 燕,崔甍甍,等.北京地区奥运会期间PM2.5对心脑血管疾病的影响[J]. 中国环境科学, 2015,35(11):3481-3488.

[3] 张 莹,王式功,贾旭伟,等.气温与PM2.5协同作用对疾病急诊就诊人数的影响 [J]. 中国环境科学, 2017,37(8):3175-3182.

[4] 邹 滨,许 珊,张 静.土地利用视角空气污染空间分异的地理分析 [J]. 武汉大学学报×信息科学版, 2017,42(2):216-222.

[5] 焦利民,许 刚,赵素丽,等.基于LUR的武汉市PM2.5浓度空间分布模拟[J]. 武汉大学学报信息科学版, 2015,40(8):1088- 1094.

[6] Hoek G, Beelen R, De Hoogh K,et al. A review of land~use regression models to assess spatial variation of outdoor air pollution [J]. Atmospheric environment, 2008,42(33):7561-7578.

[7] Johnson M, Isakov V, Touma J S, et al. Evaluation of land-use regression models used to predict air quality concentrations in an urban area [J]. Atmospheric Environment, 2010,44(30):3660- 3668.

[8] Lee J H, Wu C F, Hoek G, et al. LUR models for particulate matters in the Taipei metropolis with high densities of roads and strong activities of industry, commerce and construction [J]. Science of the Total Environment, 2015,514:178-184.

[9] 江曲图,何俊昱,王占山,等.基于LUR/BME的海岸带地区PM2.5时空特性研究[J]. 中国环境科学, 2017,37(2):424-431.

[10] 于文金,于步云,谢 涛,等.基于MODIS气溶胶光学厚度与气象要素的苏锡常地区PM2.5地面浓度分布研究[J]. 环境科学学报, 2016,36(10):3535-3542.

[11] Fang X, Zou B, Liu X, et al. Satellite-based ground PM2.5estimation using timely structure adaptive modeling [J]. Remote Sensing of Environment, 2016,186:152-163.

[12] Zou B, Pu Q, Bilal M,et al. High-resolution satellite mapping of fine particulates based on geographically weighted regression [J]. IEEE Geoscience and Remote Sensing Letters, 2016,13(4):495- 499.

[13] 薛文博,武卫玲,许艳玲,等.基于WRF模型与气溶胶光学厚度的PM2.5近地面浓度卫星反演[J]. 环境科学研究, 2016,29(12): 1751-1758.

[14] Ma Z, Hu X, Huang L,et al. Estimating ground-level PM2.5in China using satellite remote sensing [J]. Environmental Science & Technology, 2014,48(13):7436-7444.

[15] Gulliver J, de Hoogh K, Fecht D, et al. Comparative assessment of GIS~based methods and metrics for estimating long~term exposures to air pollution [J]. Atmospheric Environment, 2011, 45(39):7072-7080.

[16] 王振波,方创琳,许 光,等.2014年中国城市PM2.5浓度的时空变化规律 [J]. 地理学报, 2015,70(11):1720-1734.

[17] 赵晨曦,王云琦,王玉杰,等.北京地区冬春PM2.5和PM10污染水平时空分布及其与气象条件的关系[J]. 环境科学, 2014,35(2): 418-427.

[18] 李名升,任晓霞,于 洋,等.中国大陆城市PM2.5污染时空分布规律[J]. 中国环境科学, 2016,36(3):641-650.

[19] HJ664-2013环境空气质量监测点位布设技术规范(试行) [S].

[20] Wallace J, Corr D, Deluca P, et al. Mobile monitoring of air pollution in cities: the case of Hamilton, Ontario, Canada [J]. Journal of Environmental Monitoring, 2009,11(5):998-1003.

[21] Van den Bossche J, Peters J, Verwaeren J, et al. Mobile monitoring for mapping spatial variation in urban air quality: development and validation of a methodology based on an extensive dataset [J]. Atmospheric Environment, 2015,105:148- 161.

[22] 张云伟,王晴茹,陈 嘉,等.城市街谷内PM2.5浓度时空变化及影响因素分析[J]. 中国环境科学, 2016,36(10):2944-2949.

[23] 王占永,蔡 铭,彭仲仁,等.基于移动观测的路边PM2.5和CO浓度的时空分布[J]. 中国环境科学, 2017,37(12):4428-4434.

[24] 王 琴,张大伟,刘保献,等.基于PMF模型的北京市PM2.5来源的时空分布特征[J]. 中国环境科学, 2015,35(10):2917-2924.

[25] 王嫣然,张学霞,赵静瑶,姜群鸥.2013~2014年北京地区PM2.5时空分布规律及其与植被覆盖度关系的研究[J]. 生态环境学报, 2016,25(1):103-111.

[26] Wang Y, Zhuang G, Tang A,et al. The ion chemistry and the source of PM2.5aerosol in Beijing [J]. Atmospheric Environment, 2005,39(21):3771-3784.

Spatial heterogeneity analysis of PM2.5concentrations in intra-urban microenvironments.

HU Chen-xia1, ZOU Bin1*, LI Shen-xin1,DUAN Xiao-li2, ZHOU Xiang3

(1.School of Geosciences and Info-physics, Central South University, Changsha 410083, China；2.School of Energy and Environmental Engineering, University of Science and Technology Beijing, Beijing 100083, China；3.Hunan Land Resources Information Center,Changsha 410004, China)., 2018,38(3)：910~916

Combing the observed hourly PM2.5concentrations from 10 regular sites of national air quality monitoring network (sparse observation mode) and 203 ground portable air quality monitors (dense observation mode), we analyzed the micro-environmental distribution characteristic of PM2.5concentrations from point and area perspectives in the downtown area of Changsha city. Results showed that, under dense observation mode, relatively high PM2.5concentrations appeared in areas with intensive human and vehicles activities, such as road intersections, construction sites, residential districts, hospitals and industrial zones, while relatively low concentrations mainly happened in scenic regions with large vegetation coverage. More rarely differences of PM2.5concentrations at same location did exist under dense and sparse observation modes. Meanwhile, inverse distance weighting based spatial interpolated map of PM2.5concentrations from dense observation mode revealed that obviously heterogeneous characteristics of PM2.5variations were marked with the highest values (>75μg/m3) in northwest part, moderate values (65~75μg/m3) in the central south part, and the lowest ones (<55μg/m3) in the east part of the study area. These characteristics were furtherly demonstrated by the significant spatial anisotropy from directional profile analysis. Inversely, the interpolated PM2.5distribution map under sparse observation mode cannot reflect this inherent heterogeneity, with overall PM2.5concentration lower than 55μg/m3. The PM2.5concentrations at dense observation sites extracted from the sparsely interpolated distribution map were clearly lower than the real values, while the higher PM2.5concentrations only appeared in the road intersections, construction sites and bus stations. Results suggest that the PM2.5concentrations from the nationally regular sites established for protecting environmental was difficult to reflect the ground real PM2.5values at the same locations. The microenvironments in intra-urban area with higher PM2.5concentrations identified under sparse and dense observation modes are different. The greater concentration deviations of these microenvironments generally occurred with relatively good air quality.

PM2.5；land use；spatial heterogeneity；spatial interpolation；microenvironment

X513

A

1000-6923(2018)03-0910-07

胡晨霞(1994-),女,宁夏固原人,硕士研究生,主要研究方向为大气环境GIS.

2017-08-22

国家重点研发计划(2016YFC0206205);国家自然科学基金资助项目(41201384);湖南省高校实验室开放基金资助项目(15K132);地理国情监测(201603)

* 责任作者, 教授, 210010@csu.edu.cn