基于AOD数据和GWR模型估算京津冀地区PM2.5浓度

付宏臣,孙艳玲*,王 斌,陈 莉,张 辉,高 爽,毛 健,景 悦,邵丝露

基于AOD数据和GWR模型估算京津冀地区PM2.5浓度

付宏臣1,孙艳玲1*,王 斌2,陈 莉1,张 辉1,高 爽1,毛 健1,景 悦1,邵丝露1

(1.天津师范大学地理与环境科学学院,天津 300387；2.天津市生态环境监测中心,天津 300191)

利用MODIS气溶胶光学厚度(AOD)数据针对不同土地覆盖类型的适用性,提出了一种基于土地覆盖类型的AOD融合方法,生成了一种新的3km AOD数据集.在此基础上,通过地理加权回归(GWR)模型估算了京津冀地区2016年PM2.5浓度,并用交叉验证的方法对模型性能进行评价.结果表明:利用融合后的AOD数据建立的模型可解释PM2.594.85%的浓度变化,交叉验证2为0.94,RMSE为9.27μg/m3,MPE为6.72μg/m3,明显优于多元线性回归(MLR)模型;基于GWR模型估算的京津冀地区2016年年均PM2.5浓度为58.57μg/m3,其中冬季PM2.5浓度最高,春秋季次之,夏季浓度最低,PM2.5月均浓度变化范围32.78~140.83μg/m3,8月份浓度最低,12月份浓度最高;空间分布南北差异显著,衡水市PM2.5污染最为严重,张家口市PM2.5浓度较低.利用此方法成功弥补了PM2.5空间缺失,为城市尺度的健康效应和环境流行病学研究提供数据支持.

气溶胶光学原度(AOD)；GWR模型；PM2.5；京津冀

通过地面监测可以获得高精度的PM2.5浓度,但由于监测站点有限,不能获得连续的PM2.5浓度空间分布.而卫星遥感具有空间连续的优点,恰能弥补地面监测空间不连续的缺陷.卫星遥感中的气溶胶光学厚度(AOD)数据是表征大气柱状气溶胶积累的基本参数.有研究表明AOD与PM2.5浓度之间具有较强的相关性[1-4].因此国内外学者多利用AOD数据估算PM2.5浓度[5-7].其中MODIS AOD数据具有覆盖范围广,重访周期短等优势,成为目前最常用的AOD数据产品[8-9].2017年NASA发布了最新的MODIS C6.1版本的3km暗像元算法(DT)和10km深蓝算法(DB)AOD产品[10-11].

有学者利用暗像元算法反演的3km AOD数据估算PM2.5浓度, 其估算精度有所提高,但空间覆盖率改善效果不明显[12-15].研究表明深蓝算法反演AOD数据相比暗像元算法反演AOD数据具有较高的空间覆盖率[16].因此He等[16]提出了利用深蓝算法10km AOD数据空间覆盖率大的优势,弥补暗像元算法3km AOD缺失数据,用此融合后数据估算了PM2.5浓度,最终得到了空间分辨率高且覆盖范围广的PM2.5浓度空间分布图.但以往研究并未考虑到不同算法反演的AOD数据的适用性,即暗像元算法反演的AOD在类似浓密植被这种暗地表区域反演效果较好[17-18],而深蓝算法在类似沙漠等亮地表区域具有较高精度[19-20].因此,考虑不同的土地覆盖类型选择不同的反演算法,并充分发挥暗像元算法空间分辨率高和深蓝算法空间覆盖率高的优势,对估算高精度的PM2.5浓度空间分布十分重要.

目前利用AOD估算PM2.5浓度的模型多种多样[21-23].其中,GWR模型克服了由于位置变化而造成的变量之间关系变化的空间非平稳性现象,而得到了广泛运用[24-25].京津冀地区是我国PM2.5污染最严重的地区之一[26].为此,本文以京津冀地区为研究区域,提出了一种基于不同土地覆盖类型的AOD融合方法,并利用此融合后数据集结合其它辅助数据,通过GWR模型构建了AOD与PM2.5之间关系的模型,估算了2016年年平均、季节和月尺度PM2.5浓度,分析了京津冀地区PM2.5空间分布趋势,为城市尺度的健康影响研究提供依据.

1 数据与方法

1.1 AOD数据来源与处理

1.1.1 AOD数据来源 从美国宇航局戈达德航天飞行中心(LAADS: https://ladsweb.modaps.eosdis. nasa.gov/)网站下载了2016年1月1日~12月31日MODIS C6.1版本AOD数据,包括当地时间10:30过境的Terra卫星的MOD04_L2 (Terra 10km DB AOD)、MOD04_3K(Terra 3km DT AOD)和当地时间13:30过境的Aqua卫星的MYD04_L2(Aqua 10km DB AOD)、MYD04_3K (Aqua 3km DT AOD)数据.其中,3km的AOD数据是由暗像元算法反演得到,而深蓝算法只提供10km分辨率的AOD产品.

1.1.2 AOD数据融合 本文主要是对MOD04_ L2、MOD04_3K、MYD04_L2、MYD04_3K这4种数据进行融合.首先建立3km Terra星和Aqua星数据之间的线性关系填补缺失值,并进行平均,最终得到上午星和下午星融合后的3km DT AOD数据.

然后利用3次卷积法将10km DB AOD数据重采样为3km DB AOD数据,建立3km DB Terra和Aqua数据之间的线性关系填补缺失值,并进行平均,得到上午星和下午星融合后的3km DB AOD数据.

表1 IGBP土地覆盖分类方案与对应AOD算法

在此基础上,考虑到不同反演算法的适用性,本文提出了一种基于土地覆盖类型的深蓝算法反演和暗像元算法反演的AOD产品融合方法.其中,土地覆盖数据来源于陆地过程分布式主动档案中心(LP DAAC: https://lpdaac.usgs.gov/)网站提供的2016年V006版本的MCD12Q1数据.利用土地覆盖类型对不同反演算法的AOD数据进行选择,如表1所示,最终得到3km DB/DT AOD数据.

1.2 PM2.5监测数据与处理

图1 京津冀地区PM2.5监测站空间分布

PM2.5监测数据来自中国环境监测总站(CNEMC:http://www.cnemc.cn/),该网站提供了2016年1月1日~12月31日京津冀地区监测站点的PM2.5浓度小时值和24h平均值.这些监测数据主要通过微量振荡天平法和β射线法测量得到,其小时浓度不准确度仅为0.75%[27].PM2.5月均浓度通过日均浓度加和平均得到.京津冀地区80个环境监测站PM2.5年均浓度及其空间分布如图1所示.

1.3 辅助数据来源与处理

2016年1月1日~12月31日的气压(PRE)、降水量(RAIN)、相对湿度(RH)、气温(TEM)和风速(WS)5个气象要素日均值来自中国气象数据网(NMIC: https://data.cma.cn/),日边界层高度(PBLH)数据通过WRF模式模拟得到.月降水量为该月日降水量累积之和,其他辅助数据则采用与PM2.5月均浓度相同的处理方式将其转化为月数据.

1.4 数据匹配

用于构建模型的样本数据必须保持时间和空间上的一致性,因此将辅助数据利用Kriging法进行插值,与此同时需要保证所有数据均处于相同的投影坐标系中,最终得到与AOD空间分辨率相同并处于相同投影坐标系的多种数据.在此基础上,将PM2.5监测站点每个月的月均浓度数据与对应月的AOD数据和插值后的辅助数据进行匹配,得到2016年1~12月共计895组数据集,作为构建模型的样本数据.

1.5 模型构建与验证

GWR模型不同于全局回归,它生成一种局部回归结果,用来探索不同空间位置造成的自变量与因变量之间不同的关系.由于PM2.5监测站点空间分布不均,因此本次研究使用自适应带宽,并用通过最小化校正的Akaike信息准则值来获得带宽.方差膨胀因子(VIF)是回归分析中衡量多个变量多重共线性程度的重要指标.有研究将VIF限值设置为10,改善了共线性问题[16].本文将VIF设置为5,即当VIF<5时认为加入模型的因子不存在多重共线性问题, VIF³5时认为具有较高共线性.在加入辅助数据的时候,最重要的是确保加入的辅助数据确实能改善模型的性能,因此采用MLR的方法来快速检验模型性能.综上所述,本文添加辅助数据的原则,即控制各变量之间VIF<5的情况下,选择MLR决定系数2较大者,在2相同的情况下选择较少的辅助数据作为构建模型的数据集.

不同月份PM2.5浓度空间分布特征不同,为此本文建立了不同月份的GWR模型,共计12个模型,并且每个模型中使用的变量可以随月份变化,具体自变量选择情况如表2所示.

表2 不同月份GWR模型所需自变量

GWR模型结构如下:

式中:表示监测站站点编号;Y表示因变量,即PM2.5浓度;X表示第个自变量,其中包括AOD、PBLH、PRE、RAIN、RH、TEM和WS中的部分变量;(u,v)表示监测站点的坐标;β(u,v)表示第个自变量的回归参数;0(u,v)表示回归常数;ε监测站点的随机误差.

本文计算了决定系数(2)、均方根误差(RMSE)和平均预测误差(MPE)来评估模型的拟合效果,但对模型的拟合都是基于相同的数据集进行的,不能反映模型是否存在着过度拟合现象.因此,利用10折交叉验证(CV)的方法[28]来测试模型是否存在着过度拟合.此方法将数据集随机分为10组,9组用来模型拟合,剩余1组用来验证,该过程重复10次,直到每组数据均被验证一次,并计算CV后的2、RMSE和MPE来评估模型的精度.

2 结果与分析

2.1 描述性统计

模型所用辅助变量描述统计如表3所示,PM2.5平均浓度为70.08μg/m3,主要分布在17.99~ 293.49μg/m3的范围内,标准差为39.77μg/m3.融合后AOD可匹配样本数达895个,高于未融合前3和10km数据集,空间覆盖范围明显扩大,平均值为0.12,标准差为0.08.边界层高度可以影响PM2.5的垂直分布,其最小值173.50m,最大值912.31m,标准差为177.29m.气压主要影响大气的稳定性,其平均值为1025.56hPa,标准差为86.94hPa.降水量0~313.44mm,平均值为50.85mm.相对湿度平均值为59.57%,标准差为12.71%,意味着2016年基本处于较为湿润的大气环境.气温从-13.96~26.85℃,平均值为11.45℃.风速1.62~3.20m/s,标准差0.39m/s,相对于其他变量,变化范围较小.

表3 模型所用变量描述统计

2.2 模型拟合与交叉验证

为了对比融合后AOD数据拟合效果,在保证其它自变量不变的情况下,本文还构建了MLR模型估算PM2.5浓度,2个模型拟合散点图如图2所示.

Fig 2 MLR model and GWR model fit scatter plot

从图2可以看出,MLR模型拟合2为0.8759,比GWR模型低0.0726,2种模型RMSE分别为13.8397和8.9641μg/m3,MPE分别为9.7864和6.5327μg/m3,说明GWR模型估算PM2.5浓度较为接近真实值,更适合估算PM2.5浓度.GWR模型交叉验证2仅减少0.01,并且RMSE增加0.31μg/m3,MPE增加0.19μg/m3,这两者均大于模型拟合结果,表明该模型基本上不存在过度拟合的情况.

2.3 京津冀地区PM2.5浓度的空间分布

通过利用GWR对2016年12个月分别建立模型,模拟了每个月京津冀地区PM2.5浓度空间分布,结果表明整个京津冀地区8月PM2.5月均浓度最低为32.78μg/m3,12月浓度最高为140.83μg/m3. 1~8月PM2.5月均浓度总体呈现下降趋势,其中3和7月有小幅上升,8~12月浓度呈现上升趋势.

在此基础上,对京津冀地区PM2.5的年均浓度和季节浓度空间分布进行分析,如图3所示,年均浓度变化范围为16.62~98.16μg/m3,京津冀地区年均浓度58.57μg/m3,超过国家环境空气质量二级标准(GB 3095-2012)[29]PM2.5浓度限值35μg/m3.PM2.5浓度高值区主要分布在华北平原区,并形成一条明显的沿东北-西南走向的弧形PM2.5高值带,而低浓度PM2.5主要位于西部的太行山区和北部的燕山山区. 这与杨兴川等[30]利用空间插值的方法,对2016年京津冀地区PM2.5时空分布特征的研究结果相一致.李珊珊等[31]指出山区地带受山谷风的影响,利于PM2.5扩散,且山地地形不利于外来输送,导致PM2.5浓度较低,而京津冀北部地区受到燕山山脉阻挡,西部地区受太行山脉影响导致PM2.5的输送受到阻碍,易在山前堆积,形成明显的PM2.5高值带.

图3 2016年年均PM2.5浓度空间分布(μg/m3)

京津冀地区2016年PM2.5浓度季节性变化显著,空间分布如图4所示.春季(3~5月)PM2.5浓度最小值15.60μg/m3,最大值76.73μg/m3,平均值为52.68μg/ m3.夏季(6~8 月)PM2.5浓度变化范围为13.68~ 71.18μg/m3,平均值42.73μg/m3.秋季(9~11 月)PM2.5浓度变化范围19.18~134.23μg/m3,平均值58.95μg/ m3.冬季(1、2、12月)PM2.5浓度变化范围17.17~ 181.43μg/m3,平均值85.81μg/m3.各季节PM2.5浓度均未达到国家二级标准[29],但各季节PM2.5浓度还是有所差异,主要表现为夏季PM2.5浓度较低,春秋次之,冬季PM2.5浓度最高.郝静等[22]采用混合效应模型模拟的京津冀内陆平原地区PM2.5浓度特征也表明冬半年PM2.5浓度明显比夏半年高.冬季受采暖影响,化石燃料的燃烧对PM2.5浓度的升高具有较大贡献,且冬季逆温现象频发,不利于PM2.5的扩散[32].夏季降水量较多,PM2.5作为云凝结核或直接被降水粒子捕获,起到一定的清除作用.春秋季处于天气系统转换的季节,与冬季相比扩散条件较好[31].各季节PM2.5浓度空间分布情况基本保持一致,冬季PM2.5高值中心向南移动,南北差异显著.且冬季融合后的AOD在河北北部区域依然存在着部分缺值情况,导致估算的PM2.5浓度在河北北部存在缺失,但较融合前的AOD已经有所改善.总体而言京津冀中南部区域始终为PM2.5高污染区,北部区域始终保持良好的空气质量.

PM2.5浓度空间分布趋势呈现出由北向南逐渐递增的趋势,表现出很强的空间异质性,因此本文对不同城市各季节和年均PM2.5浓度进行统计,如表4所示.从表中可以看出,各城市PM2.5年均浓度均未达到国家空气质量二级标准,但位于河北最北部的2个城市张家口和承德PM2.5年均浓度略高于二级标准,分别高出0.14和0.34μg/m3.天津、石家庄、保定、廊坊、沧州、衡水和邢台这7个市PM2.5年均浓度均大于70μg/m3,其中河北衡水PM2.5浓度最高,可达到83.08μg/m3.

春季各城市PM2.5浓度变化范围为32.65~ 70.91μg/m3,最高浓度依然位于河北衡水市,最低浓度则出现在承德市.夏季PM2.5浓度变化范围为28.81~60.60μg/m3,张家口市空气质量最好,达到了国家二级标准,其余各城市均未达标.秋季最高浓度位于石家庄市,最高可达92.33μg/m3,张家口市依然处于达标状态.冬季是4个季节中污染最严重的一个季节,有7个城市PM2.5浓度超过100μg/m3,分别为石家庄市、保定市、邯郸市、廊坊市、沧州市、衡水市和邢台市,其最高浓度位于邢台市142.21μg/m3.

为了揭示更加精细的PM2.5浓度空间分布特征,对北京市和天津市各区PM2.5年均浓度进行统计.北京市大兴区PM2.5年均浓度最高,为83.03μg/m3,超国家一级标准4.54倍,是二级标准的2.37倍,最低浓度位于延庆区,虽然也处于超标水平,但超标倍数远低于大兴区,是国家二级标准的1.49倍.天津市PM2.5年均浓度变化范围不大,为64.51~78.15μg/m3,其中红桥区年均浓度最高,超国家二级标准1.23倍,滨海新区最低,超国家一级标准3.3倍.

表4 京津冀地区各城市不同时期PM2.5浓度(μg/m3)

综合各城市不同时段PM2.5污染水平,污染重灾区依然位于京津冀中南部区域,位于京津冀北部的张家口市和承德市空气质量普遍较好.

3 讨论

本文充分利用了3km数据空间分辨率高,10km数据空间覆盖率大的优点,并考虑到不同算法适用于不同的地表覆盖类型,提出了新的AOD数据融合方法,尽管已经取得了较好的反演效果,但把上午10:30过境的Terra卫星和下午1:30过境的Aqua卫星AOD数据的融合值作为每日AOD,可能会给PM2.5的估算引入偏差,因此,更高时间和空间分辨率的AOD产品应该有利于提高模型的精度.

在地面PM2.5监测站空间分布方面来看,其主要分布在城市中心,农村地区少有分布,这样就造成了可匹配的PM2.5监测站空间分布不均,可能导致GWR模型在估计PM2.5浓度时存在着估计误差.此外,本文建模采用的融合AOD数据,其空间分辨率也就达到3km,即AOD值代表的是3km网格内的平均值,而用来匹配的PM2.5值是监测站点值,这种PM2.5数据与AOD数据之间存在的空间不匹配,可能导致估算的PM2.5浓度存在着不确定性.

最后,由于PM2.5浓度是多种因素共同作用的结果,因此未来可以考虑加入譬如人口密度、道路长度等多种评估指标,并且在选取建模因子时将更多考虑因子的物理意义.理论联系实际,为了更加有效地推动PM2.5的防治工作,促进空气质量改善,未来会针对某次污染过程或清洁过程进行研究,进一步探索影响PM2.5浓度的因素.

4 结论

4.1 本文提出基于土地覆盖类型的AOD数据融合方法,使得2016年建模可匹配数据集达895组,对比融合前数据,可匹配数据集增多,并且利用融合后AOD数据构建的GWR模型决定系数2为0.9485,RMSE为8.9641μg/m3,MPE为6.5327μg/m3,其中CV交叉验证2为0.94, RMSE为9.27μg/m3, MPE为6.72μg/m3,充分证明了利用此方法融合的AOD数据建立的模型具有较好的模拟效果,估算的PM2.5浓度更接近真实值.

4.2 利用融合后AOD与PM2.5构建的关系模型估算的2016年年均PM2.5浓度为58.57μg/m3,夏季PM2.5浓度为42.73μg/m3,春秋季PM2.5浓度分别为52.68和58.95μg/m3,冬季PM2.5浓度为85.81μg/m3,总体而言夏季PM2.5浓度最低,春秋季次之,冬季PM2.5污染最为严重.12个月PM2.5浓度呈现先下降后上升的趋势,中间有微小起伏,其中8月份月均浓度最低,12月份浓度最高.

4.3 从空间分布来看,京津冀地区PM2.5浓度呈现出由北向南逐渐递增的趋势,南北差异显著,表现出很强的空间异质性.2016年不同城市的PM2.5污染水平不同,衡水市的PM2.5污染情况最为严重,浓度为83.08μg/m3,张家口市PM2.5污染最轻,超过国家空气质量二级标准限值0.14μg/m3.

[1] 郭建平,吴业荣,张小曳,等.BP网络框架下MODIS气溶胶光学厚度产品估算中国东部PM2.5[J]. 环境科学, 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,张文煜,等.北京市近地层颗粒物浓度与气溶胶光学厚度相关性分析研究[J]. 环境科学, 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.京津冀地区AOD和PM2.5质量浓度的特征及相关性分析 [J]. 环境工程学报, 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 悦,孙艳玲,徐 昊,等.基于混合效应模型的京津冀地区PM2.5日浓度估算[J]. 中国环境科学, 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 静,孙 成,郭兴宇,等.京津冀内陆平原区PM2.5浓度时空变化定量模拟 [J]. 环境科学, 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 环境空气质量标准[S]. GB 3095-2012 Ambient Air Quality Standards [S].

[30] 杨兴川,赵文吉,熊秋林,等.2016年京津冀地区PM2.5时空分布特征及其与气象因素的关系 [J]. 生态环境学报, 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年京津冀地区PM2.5浓度时空分布及来源模拟 [J]. 中国环境科学, 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] 贾 佳,韩力慧,程水源,等.京津冀区域PM2.5及二次无机组分污染特征研究 [J]. 中国环境科学, 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,天津师范大学硕士研究生,主要从事大气环境遥感研究.发表论文2篇.

2019-04-16

国家重点研发计划(2016YFC0201700);天津市科技计划项目(16YFXTSF00330);天津市自然科学基金资助项目(17JCYBJC42900)

* 责任作者, 副教授, flyling99@163.com