基于DEM的山区冬季燃煤污染物排放遥感测算——以北京市门头沟区为例

刘 爽,张 笑,赵文吉*,李珊珊,江 磊

基于DEM的山区冬季燃煤污染物排放遥感测算——以北京市门头沟区为例

刘 爽1,张 笑1,赵文吉1*,李珊珊2**,江 磊2

(1.首都师范大学资源环境与旅游学院,北京 100048；2.北京市环境保护科学研究院,北京 100037)

选择山地面积占98.5%的北京市门头沟区作为研究区,利用资源三号(ZY-3)三线阵前、后视影像构建立体模型,提取数字高程模型(Digital Elevation Model, DEM).由高分二号影像,基于CART(Classification and Regression Tree)决策树的面向对象方法对居住房屋进行提取,获取空间分布与面积,并结合采暖面积、采暖季燃煤量等抽样调研数据确定的深、浅山区(海拔>300m为深山区,海拔<300m为浅山区)燃煤系数,建立燃煤量估算模型.进一步,基于文献调研法获取型煤排放因子,测算燃煤产生的PM10、PM2.5、NO、SO2、CO的排放量.结果表明:借助遥感技术,基于DEM可对山区燃煤污染物排放量进行快速有效测算.地形对冬季燃煤量有显著影响,深山区燃煤系数分别为12.5kg/m2,浅山区为9.375kg/m2.2017年门头沟使用型煤取暖的房屋面积为5.68km2,冬季燃煤总量为6.52万t,山区各镇大气污染物排放量差别较大.

数字高程模型(DEM)；遥感测算；山区；燃煤量；污染物排放量

近年来,我国北方地区雾霾频发,给人们的生活和健康造成了诸多困扰[1-4].我国雾霾天气有着明显的季节性变化,随着北方城市进入冬季采暖期,雾霾现象频发且较为严重[5].传统的散煤燃烧由于其燃烧效率低、未安装末端烟气处理装置[6],且冬季扩散条件变差等原因[7-8],成为主要的污染贡献源[9-10].因此,减少煤的燃烧,实施煤改清洁能源是治理雾霾问题的有效手段[11-14],而摸清散煤燃烧的分布与用量是实施煤改清洁能源政策亟须解决的首要问题.

鉴于民用燃煤对于环境的影响日益严重,越来越多的学者对于冬季燃煤量及污染物排放量展开了研究. Cheng等[15]采用自下而上的排放因子法,利用统计数据与调研数据估算了京津冀地区2013年民用燃煤污染物的排放量.支国瑞等[16]对河北保定农村地区家庭能源使用情况的调查显示散煤使用率达到97%, 2013年采暖季燃煤用量超过500万t.谢卧龙等[17]采用随机分层抽样对山西省农村地区2015年燃煤采暖情况进行调查,结果显示气温对户均采暖燃煤量有显著影响,并基于抽样调查数据对全省采暖季燃煤量及污染物排放量进行了估算.牛宏宏等[18]基于统计数据与抽样调查建立2015年乌鲁木齐市散煤燃烧PM2.5、SO2和NO的排放清单以研究散煤燃烧对大气污染物的贡献情况.传统研究方法一般基于人口密度、排放因子并通过典型源调查来估算污染物的排放量,信息更新周期较长,精度受多方面因素影响[19].随着遥感与GIS技术的发展,基于遥感与GIS技术的测算方法逐渐得到应用[20-21].赵文慧等[22]通过遥感监测数据结合现场调研数据计算得到北京平原区平房冬季燃煤量,基于计算得到的燃煤量估算污染物排放量.刘茜等[23]以赵文慧等的研究方法为基础,以朝阳区城乡过渡带为研究区,估算其冬季采暖燃煤量及污染物排放量.

目前,散煤污染物的研究主要针对平原且研究覆盖范围较大,缺乏对山区的精细研究.地形因素是影响山区燃煤量及污染物排放量的主导因素,已有燃煤污染物测算方法并未考虑地形因素.故本文选取门头沟山区为研究区,利用ZY-3前后视立体像对提取山区DEM数据获取其地形信息,结合遥感解译的居住房屋信息与现场调研数据,建立山区燃煤量估算模型,获取其冬季燃煤量及空间分布特征,据此估算燃煤产生的PM10、PM2.5、NO、SO2、CO的排放量,以期为快速有效获取山区燃煤数据提供参考.

1 数据收集与处理

1.1 研究区域

门头沟(115°25¢00²E~116°10¢07″E,39°48¢34²N~ 40°10¢37²N)位于北京城区正西偏南,东西长约62km,南北宽约34km,总面积约1455km2.山地面积占98.5%,是北京市唯一的纯山区,门头沟区地处华北平原向蒙古高原过渡地带,地势西北高,东南低.散煤燃烧主要集中在农村地区,因此本文的研究范围包括清水镇、斋堂镇、雁翅镇、妙峰山镇、军庄镇、王平镇、潭柘寺镇、大台街道8个乡镇街道,不包括采用清洁能源进行集中供暖的新城地区(永定镇、龙泉镇、大峪街道办事处、城子街道、东辛房街道).

图1 研究区域

1.2 高分影像处理

1.2.1 高分影像预处理 选取2017年5~9月多景高分二号遥感影像,图像质量良好,无云覆盖.高分二号卫星相关参数如表1所示.影像的预处理包括正射校正、辐射校正、图像融合、镶嵌与裁剪.图2为影像预处理后的局部区域.

表1 GF-2卫星参数信息

1.2.2 房屋信息提取 采用CART决策树面向对象分类方法提取房屋信息[24-26].该分类方法结合了面向对象在影像光谱、纹理、空间信息利用方面的优势与CART决策树在分类规则挖掘方面的优势,可快速实现房屋信息的高精度提取.决策树分类规则的提取是建立在样本训练的基础上,选取的特征样本将直接影响分类规则的准确性.训练样本应具有典型性与代表性,能很好的代表对应类别.同时,训练样本的选择应保证完整性,即应使训练区的统计结果可以充分反应相应类别中特征信息的所有组成.输出的训练样本的特征值,将作为CART决策树的输入对象,最终生成CART决策树.研究区中的地物类型分为房屋、植被、水体、道路、耕地、建设用地和其他用地六大类别.为保证分类规则的准确性,针对每一类别,分别选取特征样本,最终选取的各类地物样本总量为1413.在获取训练样本的特征值后,以此作为CART决策树的输入,建立决策树,实现特征和规则的自动化提取.根据生成的决策树,房屋的分类规则如下:

(1) NDVI(归一化植被指数)£0.31;

(2) Standard_Red(红波段标准差)>123.51;

(3) NDWI(归一化水体指数)£-0.11.

图2 研究区GF-2影像融合后的局部区域

其中,NDVI是一种应用较为广泛的植被指数,阈值范围为[-1,1].利用其对绿色植被敏感的特性,可通过这一指数有效将植被与非植被进行区分.计算方法见式(1).

NDVI=(NIR-R)/(NIR+R) (1)

式中:NIR为近红外波段;R为红光波段.

NDWI常用于水体信息的提取,其计算方法如下:

NDWI=(Green-NIR)/(Green+NIR) (2)

式中:Green为绿光波.

在初步提取的基础上,结合Google Earth对提取结果进行优化,得到更为精细的房屋提取结果(图3).通过与现场抽样调研结果对比,房屋的提取精度达到95%,符合研究需求.

图3 局部区域房屋提取结果

1.3 ZY-3线阵影像提取DEM及精度分析

1.3.1 ZY-3线阵影像数据 选取2018年2月和4月获取的覆盖研究区域的ZY-3三线阵全色前、后视影像,均为经过辐射校正和几何校正的传感器校正产品[27],空间分辨率3.6m.影像重叠度大于90%,质量良好.

1.3.2 基于ZY-3线阵影像的DEM提取方法 通过ZY-3三线阵CCD影像提取DEM的核心内容为影像特征提取与匹配,基于有理函数模型(RFM)解算地面点三维坐标,最终生成DEM.

点特征是一幅二维影像中最基本的特征之一.提取足够数量的特征点是保证后续影像匹配获取较高精度的关键.Harris特征点检测算法是图像特征检测识别算法中广泛适用的一个算法,该算法通过微分计算和计算自相关矩阵来提取特征点[28].Harris算法的原理:计算图像、方向上的与局部自相关函数相关的矩阵的梯度值和曲率,而的一阶曲率为其特征值,比较特征值与经验阈值,若超出阈值,则判定为特征点[29].针对特征点匹配,本文采用密集影像匹配方法中的SGM(Semi-Global Matching)算法.SGM算法利用视差代价函数和多路径聚合,分析确定全局最优值,完成影像匹配[30].本文最终有效匹配同名点664对.

完成连接点的提取与匹配后,通过构建有理函数模型,利用间接平差的方法可计算地面点三维坐标,生成DEM.RFM将地面点三维坐标与相应像方坐标通过比值的形式关联起来[31].RFM形式简单,其与卫星和传感器无关,是目前影像区域网平差处理中最有效的模型之一[32-33].生成的DEM如图4,基于DEM可为进一步研究中不同海拔地区调查样本的选取,及各村落燃煤系数的确定提供依据.

图4 数字高程模型

1.3.3 DEM精度分析 目前精度评价方法主要采用检查点法、总体误差计算法、等高线套合法等,分析内容包含水平定位精度和高程精度[34-35].本文采用检查点法,以外业通过GPS测量的25个检查点计算其与提取的DEM的均方根误差(RMSE)分析DEM的水平定位精度和高程精度.均方根误差的计算公式如(3)所示.计算结果显示,基于ZY-3全色前后视影像提取DEM的平面均方根误差RMSE()为0.6m、RMSE()为0.75m,高程均方根误差RMSE()为1.54m.

式中:CP为检查点;DEM为基于ZY-3影像提取的DEM中的相应点;为检查点数量.

1.4 燃煤数据调查方法

在充分了解门头沟农村地区2013~2017年煤改清洁能源的整体改造情况后,结合DEM数据提供的地形信息,挑选各乡镇的典型村落进行实地调研,共调查了54个村,样本量满足各乡镇调研村庄数大于各乡镇总村数的30%,深、浅山调研村庄数大于深、浅山村庄总数的30%.实地调查采取入户填写调查问卷的方式进行,调查信息主要包括样本的建筑面积、采暖面积、常住人口、采暖方式、自采暖设备、采暖期、燃煤来源、燃煤类型、耗煤总量等指标.

1.5 山区燃煤量估算模型构建方法

民用煤污染源一般按面源考虑,燃煤量采用由点到面的方式进行估算.以遥感解译的门头沟农村地区居住房屋空间分布数据为基础,通过抽样调查获取采暖面积,燃煤量及采暖季时长等各项指标,结合DEM数据分析确定相关系数,在已有平原区燃煤模型[36]基础上进行优化,修正燃煤系数,建立山区燃煤量估算模型,估算山区冬季燃煤量,其具体计算方法如下所示

式中:为居住房屋燃煤量,t;为基于高分二号遥感影像解译的居住房屋面积,m2;CC为燃煤系数,kg/m2.

式中:为入户调查获取的房屋层数.

代表家庭采暖季的燃煤总量.

1.6 污染物排放量估算方法

1.6.1 污染物排放因子的确定 民用燃煤排放系数的获取方法包括实验检测法和文献调研法[37],本文采用文献调研法.据调研,门头沟农村地区2012年开始普及清洁型煤,经过逐年推进清洁型煤进村工作,目前农村地区冬季取暖均使用政府统一采购的清洁型煤.各种污染物排放因子确定方法如表2.

表2 污染物排放因子

1.6.2 污染物排放量的估算 污染物的排放量采用基于活动水平的排放因子进行估算[38],公式如下:

式中:E为燃煤污染物的排放量,t;C为污染物对应的燃煤量,kg;EF为污染物的排放因子,g/kg.

2 结果与分析

2.1 门头沟山区居住房屋空间分布特征

通过对高分二号遥感数据的解译,得到门头沟农村地区2017年居住房屋的面积与空间分布(图5、图6).由于门头沟农村地区自2013年开始实施“煤改电,煤改气”工程,对于已完成煤改清洁能源的村落,农户不可再使用型煤,因此本文最终计算的面积不包含已经实施煤改清洁能源村落的面积.遥感监测结果显示,门头沟农村地区冬季通过燃煤取暖的居住房屋总面积为5.68km2.斋堂镇燃煤取暖的房屋面积最大,为1.61km2;清水镇的房屋面积仅次于斋堂镇,为1.59km2;其次是潭柘寺镇和雁翅镇,面积均在0.7km2以上;军庄镇的房屋面积为0.51km2;王平镇和大台街道的居住房屋面积相对较小,分别为0.25km2和0.24km2.

图5 各镇燃煤房屋面积

从房屋的空间分布来看,整个研究区的房屋分布呈现东密西疏的情况.将房屋解译结果与DEM数据进行叠加分析,西部的清水镇和斋堂镇两镇全镇的海拔高度均在300m以上,房屋连片大面积密集分布的区域多出现在国道G109附近.清水镇由中部向南部和北部海拔逐渐升高,房屋在南部和北部分布相对分散.研究区内采用型煤取暖的村落海拔最高达到1400~2264m,位于清水镇北部.斋堂镇北部房屋分布稀疏,其中海拔最高的地区高程范围达到830~1089m.大台街道内房屋由西北向东南呈现间断性的线状分布,西北地区地势在300m以下,东南部地势相对较高.军庄镇、潭柘寺镇、王平地区和雁翅镇房屋主要沿国道分布在海拔300m以下的地区.在地理信息系统软件中统计得到深、浅山区房屋面积,通过入户调研分析获取的采暖面积折算系数可得到采暖面积,结果如表3所示.

图6 门头沟散烧煤村庄房屋空间分布

表3 深、浅山区房屋面积及采暖面积(km2)

2.2 门头沟山区冬季燃煤量

2.2.1 山区燃煤系数测算 燃煤量估算模型中的燃煤系数主要通过入户调研获取的燃煤数据统计分析确定.通过对调研数据进行分析,确定深浅山区的分界线同时也是山区燃煤强度的分界线.通过入户走访,门头沟山区每户冬季采暖面积为60~120m2不等,平均为80m2.调研统计,位于海拔较低的浅山区的家庭冬季用煤量在2~4t不等,平均为3t,由此可得浅山区单位采暖面积燃煤量系数为37.5kg/m2;位于海拔较高的深山区冬季室外温度较低,燃煤量在2~6t不等,平均为4t,由此可得深山区单位采暖面积燃煤量系数为50kg/m2.

高分二号遥感影像解译的房屋面积包含存放杂物的仓库或其他用途的设施的面积,不属于燃煤取暖的范畴,故该部分应排除在实际采暖面积内;调研中发现,农户只是在主要的居住范围内通过采暖设备取暖,并不是家中所有的房屋都会使用采暖设备;此外,山区老龄化严重,到了冬季,很多住户会搬到门头沟新城地区或跟随儿女到其他地方居住,不在山区的房屋中过冬,故该部分也不应计算在实际采暖面积中.浅山区约有1/3的村民,深山区约有1/2村民冬季家中房屋空置,不使用采暖设施,一些房屋更是常年无人居住.鉴于以上原因,燃煤系数的计算中引入采暖面积折算系数,统计分析确定式(5)中的采暖面积折算系数为1/4.按文中1.5中建立的燃煤系数计算公式,计算获取深、浅山区的燃煤系数.深、浅山区的燃煤系数分别为12.5kg/m2和 9.375kg/m2.为确定采用型煤取暖的各个村落的燃煤系数,将DEM数据与房屋分类结果进行叠加,确定其海拔高度,进而确定燃煤系数.

2.2.2 山区燃煤量测算 基于遥感解译的门头沟农村地区居住房屋面积,结合DEM数据与实地调研获取的采暖面积、采暖季燃煤量等数据,根据本文建立的山区燃煤量估算模型,估算2017年北京市门头沟山区冬季燃煤总量为6.52万t.统计显示,斋堂镇燃煤量最大,达到2.01万t;其次是清水镇1.98万t.斋堂镇和清水镇全镇基本均为深山区,冬季取暖的燃煤系数较高.由于地形因素的影响,煤改清洁能源工程的实施较浅山区相对困难,完成煤改清洁能源的村落相对较少,同时由于两镇镇域面积较大,镇内居住房屋总面积也较大.两镇燃煤量总和占门头沟山区冬季燃煤量的62.2%,超过山区燃煤量的1/2,属于燃煤大镇.雁翅镇和潭柘寺镇均在0.7万t以上;军庄镇、大台街道和王平镇均在0.5万t以下,此三镇为燃煤小镇.

将燃煤量按照深、浅山区进行统计,深山区燃煤量为4.82万t,浅山区为1.7万t,浅山区燃煤量仅占深山区的35%.主要原因是深、浅山区由于高度形成的温差,使深山区燃煤系数高于浅山区.门头沟山区以深山区为主,深山区内农户较多,因此深浅山区的总采暖面积相差也较大.深山区的燃煤系数、总采暖面积均高于浅山区,最终冬季取暖燃煤量也高于浅山区.

图7 2017年门头沟农村地区各镇冬季燃煤量

根据北京市统计年鉴[42],2017年乡村生活消费用煤120.14万t;2017年农村地区设有镇政府143个.本文研究区域包含8个镇,由于妙峰山镇全镇实现了无煤化,因此最终燃煤量的测算包含7个镇.由此依据年鉴数据可估算出2017年门头沟山区燃煤总量为5.88万t,与本文估算结果相当,因此基于遥感技术测算山区燃煤量的方法有效可行.本文燃煤量测算结果略高于依据年鉴数据的估算结果,其主要原因有两点:第一,年鉴中的数据来源于统计数据,存在一定的统计误差;第二,年鉴中的数据一般基于户籍人口数利用人口密度进行统计,未考虑流动人口数,导致统计数据略低于本文测算结果.

2.2.3 燃煤量空间分布特征从燃煤量空间分布来看,燃煤散烧量由西部深山区向东部浅山区递减,主要原因为西部深山区海拔较高,燃煤系数较高,因此西部地区应作为散煤控制的重点区域.

图8 2017年门头沟农村地区燃煤量空间分布

2.3 大气污染物排放量

通过基于活动水平的排放因子法估算北京市门头沟农村地区2017年冬季燃煤取暖产生的大气污染物PM10、PM2.5、NO、SO2、CO的排放量,其排放量分别为71.69t、193.57t、110.80t、406.69t、256.76t.各镇燃煤产生的大气污染物与燃煤量正相关.斋堂镇和清水镇各类污染物的排放量相比于其他各镇均处于较高水平.

将门头沟山区与城区平房[36]采暖季燃煤污染物PM2.5,NO的排放量进行对比,城区平房NO排放量占山区的1/2左右,PM2.5排放量仅为山区的1/3,主要原因为城区依赖散煤取暖的平房面积较小,冬季采暖方式主要为热力公司集中供暖;然而散煤燃烧依然是山区冬季取暖的主要途径.

3 结论

3.1 2017年门头沟农村地区冬季通过燃煤取暖的居住房屋总面积为5.68km2,冬季燃煤总量为6.52万t.斋堂镇和清水镇由于全镇基本均为深山区,燃煤系数较高,燃煤量也较高,分别为2.01万t、1.98万t.由于深山区地理条件的限制,煤改清洁能源工程的实施难度增大,因此斋堂镇和清水镇应作为散煤控制的重点区域.

3.2 门头沟山区因燃煤产生的PM10、PM2.5、NO、SO2、CO的排放量因各污染物排放因子的不同,差别较大,分别为71.69t、193.57t、110.80t、406.69t、6256.76t.其中斋堂镇的污染物排放量最高.

3.3 利用遥感、GIS技术提取DEM及房屋信息,并结合抽样调查数据,分析确定山区燃煤系数,建立山区燃煤量估算模型,该模型已被门头沟区环保局采用.

[1] Zhang J F, Smith K R. Household air pollution from coal and biomass fuels in China: Measurements, health Impacts, and interventions [J]. Environmental Health Perspectives, 2007,115(6):848-855.

[2] 刘 丹,解 强,张 鑫,等.北京冬季雾霾频发期VOCs源解析及健康风险评价[J]. 环境科学, 2016,37(10):3693-3701. Liu D, Xie Q, Zhang X, et al. Source apportionment and health risk assessment of VOCs during the haze period in the winter in Beijing [J]. Environmental Science, 2016,37(10):3693-3701.

[3] 张恒德,张庭玉,李 涛,等.基于BP神经网络的污染物浓度多模式集成预报[J]. 中国环境科学, 2018,38(4):1243-1256. Zhang H D, Zhang T Y, Li T, et al. Forecast of air quality pollutants’ concentrations based on BP neural network multi-model ensemble method [J]. China Environmental Science, 2018,38(4):1243-1256.

[4] Wang Y, Yao L, Wang L, et al. Mechanism for the formation of the January 2013heavy haze pollution episode over central and eastern China [J]. Science China Earth Sciences, 2014,57(1):14-25.

[5] 张银晓,卢春颖,张 剑,等.民用燃煤排放细颗粒中金属元素排放特征及单颗粒分析[J]. 中国环境科学, 2018,38(9):3273-3279. Zhang Y X, Lu C Y, Zhang J, et al. Emission characteristics and individual particle analysis of metals in fine particles emitted from residential coal burning [J]. China Environmental Science, 2018,38(9): 3273-3279.

[6] 韩美丽,刘世杰,刘 敏,等.京津冀民用燃煤减排对大气中BaP污染影响评估[J]. 中国环境科学, 2018,38(9):3262-3272. Han M L, Liu S J, Liu M, et al. Assessment of the effect of the reduction of the residential coal combustion on the atmospheric BaP pollution in Beijing-Tianjin-Hebei region [J]. China Environmental Science, 2018,38(9):3262-3272.

[7] 何绪文.民用燃煤大气污染物控排技术对策[J]. 洁净煤技术, 2017,23(4):12-17. He X W. Countermeasure of air pollutant controlled pollutation for civilian coal [J]. Clean Coal Technology, 2017,23(4):12-17.

[8] Wang L, Zhang N, Liu Z, et al. The influence of climate factors, meteorological conditions, and boundary-layer structure on severe haze pollution in the Beijing-Tianjin-Hebei Region during January 2013 [J]. Advances in Meteorology, 2014,2014:1-14.

[9] Sun Y, Jiang Q, Wang Z, et al. Investigation of the sources and evolution processes of severe haze pollution in Beijing in January 2013 [J]. Journal of Geophysical Research: Atmospheres, 2014,119(7): 4380-4398.

[10] Yang L, Cheng S, Wang X, et al. Source identification and health impact of PM2.5in a heavily polluted urban atmosphere in China [J]. Atmospheric Environment, 2013,75(2013):265-269.

[11] Wang H B, Tian M, Chen Y, et al. Seasonal characteristics, formation mechanisms and source origins of PM2[J]. Atmopheric Chemistry and Physics, 2018,18:865-881.

[12] 王彦超,蒋春来,贺晋瑜,等.京津冀大气污染传输通道城市燃煤大气污染减排潜力[J]. 中国环境科学, 2018,38(7):2401-2405. Wang Y C, Jiang C L, He J Y, et al. Air pollutant emissions reduction potential from burning coal in cities of air pollution transmission channel in Beijing-Tianjin-Hebei area [J]. China Environmental Science, 2018,38(7):2401-2405.

[13] 王春兰,许 诚,徐 钢,等.京津冀地区天然气和热泵替代燃煤供暖研究[J]. 中国环境科学, 2017,37(11):4363-4370. Wang C L, Xu C, Xu G, et al. Studies on replacing coal with natural gas and heat pump for heating in Jing-Jin-Ji region [J]. China Environmental Science, 2017,37(11):4363-4370.

[14] 武娟妮,程 亮,逯元堂,等.散煤采暖清洁化替代方式的生命周期清单分析[J]. 中国环境科学, 2018,38(4):1570-1578. Wu J N, Cheng L, Lu Y T, et al. Life cycle inventory analysis of clean alternatives to scattered coal heating [J]. China Environmental Science, 2018,38(4):1570-1578.

[15] Cheng M, Zhi G, Tang W, et al. Air pollutant emission from the underestimated households' coal consumption source in China [J]. Science of The Total Environment, 2017,580:641-650.

[16] 支国瑞,杨俊超,张 涛,等.我国北方农村生活燃煤情况调查、排放估算及政策启示[J]. 环境科学研究, 2015,28(8):1179-1185. Zhi G R, Yang J C, Zhang T, et al. Rural Household Coal Use Survey, Emission Estimation and Policy Implications [J]. Research of Environmental Sciences, 2015,28(8):1179-1185.

[17] 谢卧龙,张怀德,刘 鑫,等.山西省农村地区燃煤采暖情况入户调查及排污量估算[J]. 环境科学研究, 2018,31(4):642-647. Xie W L, Zhang H D, Liu X, et al. Sampling survey and air pollutants emission estimation of coal combustion for heating in rural areas of Shanxi Province [J]. Research of Environmental Sciences, 2018,31(4): 642-647.

[18] 牛宏宏,王宝庆,刘博薇,等.乌鲁木齐市散煤燃烧大气污染物排放清单及时空分布特征[J]. 环境科学研究, 2019,32(1):135-141. Niu H H, Wang B Q, Liu B W, et al. Emission inventory and temporal-spatial distribution of air pollutants from residential coal combustion in Urumqi City [J]. Research of Environmental Sciences, 2019,32(1):135-141.

[19] 严茹莎,侯 勇,陆建宇,等.长三角区域燃煤排放污染物现状及其环境影响[J]. 环境影响评价, 2016,38(6):66-72. Yan R S, Hou Y, Lu J Y, et al. Current situation of coal-fired emissions and its environmental impacts within Yangtze River Delta [J]. Environmental Impact Assessment, 2016,38(6):66-72.

[20] 赵文慧,徐 谦,李令军,等.北京平原区城乡结合部燃煤散烧及污染物排放量估算[J]. 环境科学研究, 2015,28(6):869-876. Zhao W H, Xu Q, Li L J, et al. Estimation of air pollutant emissions from coal burning in the semi-rural areas of Beijing Plain [J]. Research of Environmental Sciences, 2015,28(6):869-876.

[21] 张立坤,李令军,姜 磊,等.北京市农业大棚冬季燃煤散烧污染排放估算[J]. 环境科学研究, 2017,30(5):654-662. Zhang L K, Li L J, Jiang L, et al. Estimation of air pollutant emissions from coal burning for agricultural greenhouses in winter in Beijing [J]. Research of Environmental Sciences, 2017,30(5):654- 662.

[22] 赵文慧,姜 磊,张立坤,等.北京平原区平房冬季燃煤量及污染物排放估算[J]. 中国环境科学, 2017,37(3):859-867. Zhao W H, Jiang L, Zhang L K, et al. Estimation of coal consumption and related contamination emission in the plain area around Beijing during winter season [J]. China Environmental Science, 2017,37(3): 859-867.

[23] 刘 茜,李 泓,曹 磊,等.北京市朝阳区城乡过渡带冬季采暖燃煤及大气污染物排放量估算[J]. 科技创新与应用, 2018,31(4):1-4. Liu Q, Li H, Cao L, et al. Estimation of coal-fired and atmospheric pollutant emissions from Urban-Rural Transition Zone in Chaoyang District of Beijing in winter [J]. Technology Innovation and Application, 2018,31(4):1-4.

[24] 孙建伟,王 超,王 娜,等.基于CART决策树的ZY-3卫星遥感数据土地利用分类监测[J]. 华中师范大学学报(自然科学版), 2016, 50(6):937-943. Sun J W, Wang C, Wang N, et al. Research on land use classfication monitoring through the Remote Sensing data of ZY-3sate; ite based on CART decision tree [J]. Journal of Central China Normal University (Nat.Sci.), 2016,50(6):937-943.

[25] 李 强,张景发.基于CART决策树提取高分辨率遥感影像建筑物信息[J]. 地震, 2013,33(2):96-102. Li Q, Zhang J F. Extraction of Building Information from High Resolution Images Based on CART Decision Tree [J]. Earthquake, 2013,33(2):96-102.

[26] 张 森,陈健飞,龚建周.面向对象分类的决策树方法探讨_以Landsat-8OLI为例[J]. 测绘科学, 2016,41(6):117-121. Zhang S, Chen J F, Gong J Z. Object-oriented classification based on C5.0algorithm [J]. Science of Surveying and Mapping, 2016,41(6): 117-121.

[27] 胡 芬,金淑英,李 明. ZY-3卫星异轨立体影像DSM提取精度分析[J]. 测绘与空间地理信息, 2016,39(11):17-21. Hu F, Jin S Y, Li M. Accuracy analysis of DSM extracted from ZY-3 Cross-track Stereo-imageries [J]. Geomatics & Spatial Information Technology, 2016,39(11):17-21.

[28] 李鹏程,曾毓敏,张 梦.一种改进的Harris角点检测算法[J]. 南京师大学报(自然科学版), 2014,37(2):49-54. Li P C, Zeng Y M, Zhang M. An improved Harris corner detection [J]. Journal of Nanjing Normal University (Natural Science Edition), 2014, 37(2):49-54.

[29] 葛盼盼,陈 强,顾一禾,等.基于Harris角点和SURF特征的遥感图像匹配算法 [J]. 计算机应用研究, 2014,31(7):2205-2208. Ge P P, Chen Q, Gu Y H, et al. Algorithm of remote sensing image matching based on Harris corner and SURF feature [J]. Application Research of Computers, 2014,31(7):2205-2208.

[30] 黄 艳,张 丽,纪 松,等.基于SGM的多分辨率影像匹配方法 [J]. 测绘科学技术学报, 2016,33(6):588-592. Huang Y, Zhang L, Ji S, et al. Multi-resolution image matching method based on SGM [J]. Journal of Geomatics Science and Technology, 2016,33(6):588-592.

[31] 吴亚文,鲁铁定.利用有理函数模型的几何定位仿射变换方法 [J]. 测绘科学, 2015,40(4):48-52. Wu Y W, Lu T D. A affine transformation method of geometric positionong based on RFM [J]. Science of Surveying and Mapping, 2015,40(4):48-52.

[32] 高旭娜,刘瑞军,葛海军,等.基于PCI2012系统的WorldView-2立体影像DEM自动提取方法研究 [J]. 测绘与空间地理信息, 2014, 37(1):138-140+144. Gao X N, Liu R J, Ge H J, et al. The method of DEM automatic extraction from world view-2 stereo images based on PCI-2012 [J]. Geomatics & Spatial Information Technology, 2014,37(1):138-140+ 144.

[33] 李庆鹏,王志刚,等.基于RPC模型区域网平差技术的立体影像DSM提取 [J]. 航天器工程, 2011,20(3):126-130. Li Q P, Wang Z G, et al. Extraction of DSM from syreo images using block-adjustment technology based on RPC Model [J]. Spacecraft Engineering, 2011,20(3):126-130.

[34] 周启鸣,刘学军,等.空间数据的增值——以数字地形分析为例 [J]. 地理信息世界, 2006,12(3):4-13. Zhou M Q, Liu X J, et al. Adding Valueto Spatial Data -Taking digital terrain analysisasan example [J]. Geomatcs World, 2006,12(3):4-13.

[35] 汪思妤,艾 明,吴传勇,等.高分辨率卫星影像提取DEM技术在活动构造定量研究中的应用——以库米什盆地南缘断裂陡坎为例 [J]. 地震地质, 2018,40(5):1000-1017. Wang S Y, Ai M, Wu C Y, et al. Application of DEM generation technology from high resolution satellite image in quantiative active tectonics study:A case study of fault scarps in the southern margin of KUMISHI basin [J]. Seismology and Geology, 2018,40(5):1000-1017.

[36] 赵文慧,李令军,鹿海峰,等.2015~2017年北京及近周边平房燃煤散烧及其污染排放遥感测算 [J]. 环境科学, 2019,(4):1-15. Zhao W H, Li L J, Lu H F, et al. Estimation of coal consumption and the emission of related contaminants in the plain area around beijing during 2015~2017 [J]. Environmental Science, 2019,(4):1-15.

[37] 潘 涛,薛亦峰,钟连红,等.民用燃煤大气污染物排放清单的建立方法及应用 [J]. 环境保护, 2016,144(6):20-24. Pan T, Xue Y F, Zhong L H, et al. The methodology for air pollutants emission inventory from residential coal combustion and its application [J]. Environmental Protection, 2016,144(6):20-24.

[38] 中华人民共和国环境保护部.民用煤大气污染物排放清单编制技术指南(试行) [S]. 2016:14-34. Ministry of Ecology and Environment of the People's Republic of China. Technical guidelines for the compilation of air pollutant emission inventory from civil coal (trial implementation) [S]. 2016: 14-34.

[39] 国务院第一次全国污染源普查领导小组,第一次全国污染源普查城镇生活源产排污系数手册 [EB/OL]. 2008:2-23. http://www.topsage. com. The State Council Leading Group for the First National Pollution Source Census. Handbook for the first national pollution source census on urban domestic source production and discharge coefficient [EB/OL]. 2008:2-23. http://www.topsage.com.

[40] 叶建东,章永洁,蒋建云,等.农村型煤替代散煤采暖对比分析 [J]. 建筑节能, 2016,44(11):102-103. Ye J D, Zhang Y J, Jiang J Y, et al. Comparison and analysis about mould coal and raw coal for rural heating [J]. Building Energy Conservation, 2016,44(11):102-103.

[41] Li Q, Li X, Jiang J, et al. Semi-coke briquettes: towards reducing emissions of primary PM2.5, particulate carbon and carbon monoxide from household coal combustion in China [J]. Scientific Reports, 2016,6(1):19306.

[42] 北京市统计局,国家统计局北京调查总队.北京统计年鉴: [M].北京:中国统计出版社, 2018. Beijing Municipal Bureau of Statistics, Survey Office of the National Bureau of Statistics in Beijing. Beijing statistical yearbook [M]. Beijing: China Statistical Publishing House, 2018.

Estimation of coal-burning contamination emissions in mountain areas during winter season based on DEM: A case study of Mentougou, Beijing.

LIU Shuang1, ZHANG Xiao1, ZHAO Wen-ji1*, LI Shan-shan2**, JIANG Lei2

(1.College of Resource Environment and Tourism, Capital Normal University, Beijing 100048,China；2.Beijing Municipal Research Institute of Environmental Protection, Beijing 100037,China)., 2019,39(10)：4270~4278

At present, the research on coal pollution emissions has focused on plain areas and has largely ignored mountainous areas.In this paper the mountainous region of Mentougou in Beijing was selected as the research study area as it has 98.5% of its area covered by mountains. A stereo model was constructed to extract a DEM (Digital Elevation Model) using forward-looking and backward-looking ZY-3 images. Classification and a regression tree model (CART) combined with an object-oriented method were used to extract residential areas from GF-2 remote sensing images. Imagery interpretation along with statistical records of the residential areas were used to derive a coefficient of burning coal in a mountainous area. A statistical model was then developed to estimate coal consumption in a mountain area. A literature search helped us to determine emission factors and to estimate the specific emissions of PM10, PM2.5, NO, SO2, and CO. With the help of remote sensing and a DEM this study demonstrates that the emission of coal-fired pollutants in mountainous areas can be measured efficiently and effectively. Terrain had a significant effect on coal combustion in winter. The derived coefficient of burning in a deep mountainous area was 12.5kg/m2while the shallow mountain area exhibited a value of 9.375kg/m2. In the mountain region of Mentougou in 2017 the area of coal-fired residential buildings was 5.68km2. The derived coefficient of burning in a deep mountainous area was 12.5kg/m2while the Shallow mountain area exhibited a value of 9.375kg/m2. The coal consumption was 0.0652 million tons in the winter, but the emission of air pollutants varied greatly among the towns in the mountainous areas.

digital elevation model (DEM)；remote sensing estimation；mountain areas；coal combustion；pollutant emission

X87

A

1000-6923(2019)10-4270-09

刘 爽(1995-),女,天津武清人,首都师范大学硕士研究生,主要从事遥感数据处理与应用方面研究.

2019-03-18

国家重点研发计划项目(2018YFC0706004,2018YFC0706000); National Key R&D Program of China(2016YFC0207903, 2016YFC0207904)

*责任作者, 教授, zhwenji1215@163.com;**高级工程师, lisss0502@ 163.com