基于PM2.5站点监测数据的京津冀AOD补值研究

宋春杰,魏 强,范丽行,王 卫*,韩 芳,李伟妙,李夫星,成贺玺

基于PM2.5站点监测数据的京津冀AOD补值研究

宋春杰1,2,魏 强1,2,范丽行1,2,王 卫1,2*,韩 芳1,2,李伟妙1,2,李夫星1,3**,成贺玺4

(1.河北师范大学地理科学学院,河北 石家庄 050024；2.河北省环境演变与生态建设实验室,河北 石家庄 050024；3.河北省环境变化遥感技术识别创新中心,河北 石家庄 050024；4.邯郸市城乡规划编制研究中心,河北 邯郸 056000)

以京津冀2020年318个地面监测站点的PM2.5数据为估算因子,构建了时空线性混合效应模型(STLME)和时空嵌套线性混合效应模型(STNLME),为AOD数据的补值研究提供了一种新方法.结果表明:在有AOD -PM2.5匹配数据的日期,上述两个模型估算精度相近,交叉验证后决定系数R分别为0.868和0.874,均方根误差RMSE分别为0.112和0.109;在无AOD-PM2.5匹配数据的日期,嵌套模型估算精度明显高于非嵌套模型,交叉验证后决定系数2分别为0.63和0.26.经过模型补值后,研究区监测站点所在网格AOD数据空间维有效比率从原始数据的44.35%提高到99.35%,时间维有效比率从87.94%提高到100%;同时,每个站点的年均AOD值都有明显提高,弥补了高PM2.5浓度条件下缺失的AOD数据,可以减少空气污染和健康研究中暴露评估的偏差.

MAIAC AOD；监测站点AOD补值；时空混合效应模型；时空嵌套混合效应模型；京津冀

PM2.5等气溶胶颗粒已成为以京津冀地区为代表的华北平原的主要环境空气污染物.如何准确估算PM2.5的长期和短期暴露量,是当前迫切需要解决的问题[1-5].我国的PM2.5监测网自2013年开始运行,但这些地面监测站仍然受到布局稀疏和分布不均的限制[6].中分辨率成像光谱仪(MODIS)等卫星仪器观测到的气溶胶光学厚度(AOD)数据由于其广泛的空间覆盖范围和对地球表面及大气的重复观测而被广泛用于估算地面PM2.5浓度[7-10].但是,由于云/雪/水体的覆盖、高地面反射率和极高的气溶胶负荷,卫星数据受到非随机缺失的挑战[11-13].研究表明,AOD数据的非随机性缺失可能会导致PM2.5暴露评估的偏差.如果由于PM2.5浓度过高而导致AOD数据丢失,将会导致PM2.5平均浓度的低估[14-15].因此,有必要探索相应的方法来填补AOD数据的缺失,以提高PM2.5浓度预测的覆盖率和准确性.

国内外学术界对缺失AOD数据填补问题开展了广泛研究,大体可以归纳为三个方面.一是多源遥感AOD数据的融合[16-20].常用数据源有MODIS AOD、MISR AOD、SeaWiFs AOD、Caliop AOD、Himavari-8AOD等,上述数据源大多存在同时缺失、互补性差的问题,只有高时间分辨率的Himavari- 8AOD产品能够一定程度上改善上述问题,因此应用案例逐渐增多[21],但到目前为止单独使用多源遥感AOD数据融合方法仍然难以达到时空全覆盖的目标要求.二是基于AOD高相关因子的补值.与AOD高度相关的因子主要有地面站点监测的PM2.5质量浓度数据、地面气象站点监测的气象能见度数据、空气质量模式模拟的PM2.5数据等[22-23].基于PM2.5因子进行线性回归补值[24]和改进的Elterman经验模型反演AOD的方法[25-26]存在AOD值被高估的缺点,而卫星遥感AOD数据与源于空气质量模式的AOD数据相结合能够获得时空全覆盖的AOD数据集,因此近年来这类研究明显增加[18,21,29-31],其填补缺失值的总体精度主要决定于空气质量模式AOD的模拟精度,Xiao等[27]的多种插补结果代表了目前的总体精度.三是基于AOD数据的插值.用于插值的AOD数据可以是单一来源的遥感数据,也可以是多源遥感融合数据和基于高相关因子的补值数据,比较常用的地统计插值方法有普通克里金插值[15]和时空克里金插值[32]等,时空克里金同时考虑了时间和空间自相关,与普通克里金法相对比,插值后的精度更高[32].这类研究的总体精度主要取决于原始AOD数据的时空覆盖状况能否满足相关插值方法的最优采样要求,能满足最优采样要求者则插值精度高,反之则相反.

目前相关学者开发的混合效应模型和时空混合效应模型以AOD为主要估测变量,加入气温、降水等时间辅助变量以及海拔高度、人口密度等空间辅助变量对近地表PM2.5浓度进行预测,并取得了较好的预测效果[8,33-44].而本研究提供了一种AOD补值的新方法,以2020年京津冀区域多角度大气校正的气溶胶光学厚度(MAIAC AOD)数据和地面监测网络的PM2.5质量浓度监测数据为基础,首次将PM2.5站点数据为预报因子,建立了时空混合效应模型以及在此基础上嵌套不同时间尺度后的嵌套模型,填补缺失站点所在网格的AOD数据.旨在提高站点处AOD数据的覆盖率,为相关PM2.5质量浓度预测模型的建立提供完整的站点AOD数据.

1 材料与方法

1.1 研究区概况

京津冀地区位于渤海西岸,是中国北方经济中心地带,面积21.8万km2,截止到2021年总人口为1.103亿.平原主要分布在京津冀东南部,这里人口密度大、工业种类繁多,使空气污染更加严重;此外,冬季以小风为主的偏南风被燕山和太行山阻挡,污染物很难扩散,进一步加剧了该地区的空气污染.使用ArcMap10.3将整个区域划分为1×1km2的网格单元,总共生成216,082个栅格单元.图1显示了京津冀地区的地理位置、海拔高度、主要城市以及国家级和省级空气质量监测站的分布情况.

图1 研究区地理位置及空气质量监测站分布

1.2 MAIAC AOD

多角度大气校正算法(MAIAC)是基于MODIS测量开发的算法.它使用时间序列分析和基于图像的处理技术,在空间分辨率为1km的暗色植被和较亮表面范围内进行云检测、气溶胶检索和大气校正[45-46].MAIAC AOD比现有的10km MODIS AOD具有更好的性能,可用于估算地表大气颗粒物质量浓度[47-48].从LAADS DAAC (https://ladsweb.modaps. eosdis. nasa.gov/)下载2020年1月1日～2020年12月31日覆盖整个京津冀区域AOD数据.MAIAC提供指示检索质量的质量保证(QA)标志,包括陆地/水/积雪掩模、邻接掩模和云掩模(即靠近积雪或云).本文应用基于MAIAC指导的阈值,应用质量保证(QA)标志和不确定性值(UN)来排除具有错误AOD值的像素[49].为了提高MAIAC检索的覆盖率,本文逐月建立Aqua和Terra MAIAC AOD之间的线性回归模型,用于估计缺失的Aqua或者Terra AOD,上午星和下午星的相关系数较高,各月平均2为0.85(0.79～ 0.93).总体来看,对应监测站点的AOD数据缺失严重,有效数据为51615个,全年大约有56%栅格单元AOD缺失,夏季缺失最为严重,并且存在某日站点AOD完全缺失的情况(例如2020年第6、129、322日等).

1.3 AERONET AOD数据

通过全球布站的气溶胶特性地基观测网(http://aeronet.gsfc.nasa.gov/)下载AERONET AOD数据,用于验证MAIAC AOD数据融合后的精度,由于AERONET AOD处理程度不同产生不同水平的AOD数据,分别为1级即没有经过云过滤和质量检验,1.5级即经过云过滤但没有质量检验,2级即有云过滤也有质量检验.2020年AERONET AOD只提供了1.5级的数据产品.因此,本文下载2020年1月1日～2020年12月31日期间每日Beijing、Beijing- CAMS和Xianghe3个站点的Version3的1.5级AERONET AOD数据用于验证.

AERONET站点不包括550nm波段的AOD数据,因此通过AERONET 440nm和675nm2个波段的AOD插出550nm波段的AOD值[50].本文采用融合后的AOD数据与AERONET AOD进行了验证,决定系数R为0.91,平均偏差为0.07,具有较好的精度.

1.4 PM2.5数据

2020年PM2.5地面浓度基础数据来源于全国城市空气质量实时发布平台(http://106.37.208.233: 20035/),从中获取时间分辨率为小时的京津冀范围内318个国家空气质量监测站和省控空气质量监测站数据,其中北京市范围内有34个监测点位,天津市范围内有27个监测点位.河北省包括石家庄等11个地级市共257个监测点位.本文删除了至少连续3个小时的重复观测量,因为这些测量可能是由于仪器故障造成的[51].每小时测量值<1μg/m3的数据也被删除,因为它低于仪器的检测极限[36].每日有效小时数小于18的数据也被剔除[37].监测站点PM2.5数据完整度比较好,只有少部分数据缺失,日均值有效数据为115049个,占全部应有数据总量的98.84%.

1.5 异常值处理

库克距离(Cook's Distance)描述了单个样本对整个回归模型的影响程度.库克距离越大,说明影响越大,在最理想的情况下,每个样本对模型的影响是相等的.如某个样本的库克距离非常大,便可以视为这个样本是异常值[52].为了降低异常值对模型的影响,本文计算了模型估算AOD值与MAIAC AOD之间的库克距离.库克距离计算公式如下:

式中:D表示第个记录的库克距离; y表示第个记录的模型拟合值;y表示去掉第个记录后重新拟合得到的第个记录的模型拟合值;为回归模型系数的个数;MSE为均方误差.本研究删除0.75%对模型结果影响较大的记录(共343条数据记录)后重新进行建模.

1.6 数据整合

在AOD和PM2.5数据匹配的过程中,剔除了一日中不满足4个分区中至少有1个AOD-PM2.5匹配数据的情况,并且剔除异常值后最终得到有效日数321d,AOD与PM2.5数据匹配后的有效数据为44902条.缺失数据日数45d,未出现周数据完全缺失的情况.

1.7 模型建立

时空异质性是地表PM2.5浓度的重要特征,早期的线性混合效应模型仅仅考虑了AOD-PM2.5关系的时间随机效应.而在较大的地理区域内,由于颗粒物组成、边界层高度、相对湿度、PM2.5浓度垂直廓线等因素的不同, AOD-PM2.5关系也存在空间随机效应[53].为此,本文在早期的时间混合效应模型基础上,加入空间随机效应,构建了时空线性混合效应模型 (STLME) 模拟AOD -PM2.5关系的时空变化.根据研究区地理条件和发展水平综合差异将其划分成京津(北京、天津)、河北山地(承德、张家口)、河北内陆(石家庄、保定、衡水、廊坊、邢台、邯郸)和河北沿海(秦皇岛、唐山、沧州)等4个次区域[33].在模型的时间随机效应中嵌套了次区域的空间随机效应,公式如下:

式(2)在AOD数据全部缺失的日期,只能通过固定效应参数估算AOD值,预期精度将会较差.为了提高AOD数据全部缺失情况下模型估算AOD值的精度、进而提高AOD补值的时空覆盖率,在公式(2)基础上,本文将月、周、日3种不同时间尺度加入到时空混合效应模型中,构建了时空嵌套线性混合效应模型(STNLME),该模型不仅反映了AOD-PM2.5关系的每日、每周、每月的时间随机效应,而且反映了相应时间尺度下的空间随机效应.与公式(2)相比,在AOD数据全部缺失的某日可以通过固定效应参数、周尺度随机效应参数和对应的空间随机效应参数估算AOD值;同理,当某周AOD数据全部缺失时,通过月尺度随机效应等估算每日的AOD值.模型如下:

式中:Month,Week,Day分别为模型月、周、日的随机截距,包括建模年份中参与数据匹配的每月、每周、每日的随机截距;Month,Week,Day分别为模型的月、周、日的随机斜率;Month(reg),Week(reg),Day(reg)分别为各个分区每月、每周、每日的随机截距;Month(reg),Month(reg),Month(reg)分别为各个分区每月、每周、每日的随机斜率;1,2,3为日、周、月随机效应的方差-协方差矩阵,1REG,2REG,3REG分别为嵌套在日、周、月中的空间随机效应的方差-协方差矩阵.

为了比较模型的估算效果,本文将对时空混合效应模型拟合的结果与时间线性混合效应模型和线性回归模型相应结果进行比较分析.

1.8 模型合理性验证

首先使用基于样本十折交叉验证(Sample based CV)的方法分别对所建立模型的过拟合程度进行检测.该方法的原理是将建模数据集整体随机分成10份,其中每一份数据大约包含整体数据集的1/10.在交叉验证中,选择其中的1份作为测试集,而剩余的9份则作为训练集为测试集提供模型的参数.以上方法重复10以确保每1份数据都参与了模型验证.

基于样本的十折交叉验证方法常常出现参与建模的子集和进行验证的子集具有相同的日期,这样难以验证没有AOD-PM2.5匹配情况下模型模拟精度.所以本文继而使用了基于日序的十折交叉验证方法(Day-of-Year based CV),原理是将建模数据所有日期即321d随机分为10个子集,建模和验证子集将不出现相同日期的情况,基于日序的十折交叉验证的方法可以用于评估那些没有AOD-PM2.5匹配日期模型的估算性能.

使用验证得到的估算的AOD值与卫星反演的AOD值之间线性回归决定系数(R)、均方根误差(RMSE)和相对预测误差(RPE)等指标来检测模型的估算精度.其中,RMSE和RPE计算公式如下:

2 结果分析

2.1 描述性统计

如图2所示,2020年的PM2.5数据和AOD数据均成正态分布,符合建模要求.表1为2020年参与建模数据PM2.5和AOD的均值、极值、标准差等统计量描述.其中AOD的年均值为0.34,PM2.5的均值为39.73μg/m3,接近国家环境空气质量(GB 3095-2012)二级标准的限值(35μg/m3).此外,参与建模的数据集的变量表现出显著的空间差异,如保定、石家庄、邢台、邯郸等中南部平原PM2.5浓度较高,张家口、承德等北部山区PM2.5浓度较低,标准差范围为18.21～ 37.54μg/m3.AOD表现出和PM2.5类似的分布特征,石家庄、邯郸最高,保定市次之,承德、张家口最低.

图2 2020年参与建模数据

表1 参与建模数据描述性统计

表2 模型的固定效应

表2总结了时空线性混合效应模型(STLME)和时空嵌套线性混合效应模型(STNLME)的固定效应参数,模型的固定效应包括固定截距和固定斜率,表示自变量PM2.5对AOD的固定影响.其中两个模型的固定斜率分别为0.007和0.007,表明PM2.5和AOD之间存在正相关关系,这与相关学者的研究相一致[41,43,54-57].两个模型截距和斜率检验的值均<0.0001,具有统计学上的显著性.

2.2 模型拟合与验证

2.2.1 模型拟合与验证结果分析 模型对AOD的估算精度将直接影响建模的合理性,如图3所示,STLME拟合后的决定系数2为0.884,RMSE为0.105;STNLME拟合后的2为0.887,RMSE为0.103;均表现出良好的估算性能.STLME和STNLME基于样本的CV2值分别为0.868和0.874,CV RMSE分别为0.112和0.109,STNLME模型比STLME模型的精度略有改善,并且两模型均无过拟合现象.由于用于验证样本的数据和在训练样本中数据可能存在相同的日数,所以基于样本的十折交叉验证方法只能反映当日存在AOD-PM2.5匹配数据情况下的模型性能.也就是说,与非嵌套模型相比,在存在AOD-PM2.5匹配数据的日期,嵌套模型并没有改善性能.然而,从基于日的十折交叉验证的结果看,嵌套模型能显著提高在没有AOD-PM2.5匹配数据时模型的性能,STNLME基于日的CV2为0.630,明显高于非嵌套的STLME(CV2=0.263).可见,嵌套模型通过引入周和月随机效应,明显提高了在日AOD数据完全缺失情况下对AOD值的估算精度,并提高了AOD补值的时空覆盖率.

图3 2020年STLME和STNLME拟合效果和交叉验证结果对比

图4 线性回归估算AOD拟合结果

图5 2020年LME和NLME拟合效果和交叉验证结果对比

2.2.2 与线性回归模型、时间线性混合效应模型的比较 遵循Lü等[24]提出的方法,用PM2.5监测站点数据在暖季和冷季分别对每个城市进行线性回归拟合来填补网格单元中的AOD缺失.拟合结果如图4所示,模型拟合2为0.383,斜率为0.383.并且在十折交叉验证后,2为0.381.线性回归模型(LR)具有较高的均方误差(0.241),模型的估算精度较低.如图5所示,时空混合效应模型(STLME)与时间混合效应模型(LME)相比、嵌套时空混合效应模型(STNLME)与嵌套时间混合效应模型(NLME)相比,前者的估算精度均高于后者.同时也可以看出,时间随机效应对模型估算精度的改善明显高于空间随机效应.

2.3 AOD补值后数据覆盖率分析

为了定量描述AOD在补值前后的时间和空间分布特征,引入空间维有效比率(SVVR)和时间维有效比率(TVVR)的概念.SVVR定义为每日监测站点AOD有效栅格数与同日该区域监测站点全部栅格数之比,TVVR定义为监测站点AOD有效天数与全部天数之比.图6(a)是2020年站点补值前每个日期的空间覆盖率散点图,据统计全年有209d站点空间覆盖率不足50%,夏季数据缺失最为严重.图6(b)为模型补值后的每个日期的空间覆盖率散点图,空间覆盖率除了一月份有部分日期没有超过90%之外,其余日期的空间覆盖率全部在90%以上.

表3 2020年站点AOD数据补值前后时空维有效比率

模型补值后的空间有效覆盖率如表3所示, 2020年原始数据的空间覆盖率很低,年均SVVR低于45%,经过时空混合效应模型补值后,年均覆盖率从原始数据的44.35%提升到87.05%,经时空嵌套混合效应模型补值后提高到99.35%,只有极少站点存在数据缺失,这是因站点PM2.5数据缺失造成的.据统计在366d所有站点对应的PM2.5数据有1339条是无效数据,占数据总条数的1.14%.再看AOD补值前后时间维有效比率,2020年存在AOD数值的有效天数为321d,经过时空嵌套混合效应模型补值后均提升到100%.时空混合效应模型并没有提高时间覆盖率,而时空嵌套混合效应模型补值显著提高了时间维度的覆盖率.

图6 2020年站点处AOD补值前后空间有效覆盖率

2.4 京津冀监测站点AOD补值前后年均值分析

如图7所示,AOD补值前(图7(a))和AOD补值后(图7(b))有着类似的空间分布,但补值后的AOD年均值明显高于补值前AOD年均值.以石家庄的监测站点为例,在补值前AOD均值范围大约在0.35～ 0.58,填补后AOD值上升到0.58～0.67.由图8可知,补值每个站点年均AOD的值明显提高,补值后的数据可以有效弥补AOD估算PM2.5时出现的高值低估问题的不足.2020年年均AOD低值区主要分布在北部燕山山区和西部太行山地区,主要包括承德和张家口地区;年均AOD高值区则分布在京津冀南部内陆平原地区,主要以邢台、邯郸、石家庄等监测站点为主,并与京津冀PM2.5浓度的空间分布状况基本一致.

图7 AOD补值前后年均值空间分布

图8 AOD补值前后各站点年均值大小对比

3 讨论

3.1 AOD缺失的影响

本文分别求出当AOD缺失时对应站点的PM2.5浓度年均值(图9短点划线),没有AOD数据缺失时对应站点的PM2.5年平均值(图9短划线)以及每一个站点的总平均值(图9实线),对2020年中共318个站点进行编号,以总平均值的升序绘制了每个站点对应的PM2.5均值,显然当AOD数据缺失时对应的站点处PM2.5浓度整体上高于AOD数据有效时对应的站点处的PM2.5浓度.所以由于缺失的AOD值往往与更高的污染水平相关,不考虑缺失的AOD数据就去估算PM2.5的浓度往往会出现被低估的情况.

图9 AOD缺失与否与站点PM2.5浓度的关系

3.2 本模型对AOD-PM2.5关系复杂性的处理

气溶胶的吸湿性增长特性、各类颗粒质谱特征、粒径分布差异、边界层的高低等因素会对AOD值的大小产生影响,湿度、温度、风速等气象要素也会影响气溶胶聚集、传输和扩散,因此AOD和PM2.5之间存在着复杂的相关关系,而并非简单的线性关系.有关研究表明在气溶胶集中、云量稀少、湿度低的情况下, AOD- PM2.5线性相关性较为显著,而在其他条件下AOD和PM2.5也会呈现出非线性关系[58].本文的模型通过随机效应项表征AOD-PM2.5关系的复杂性,对两者的非线性关系起到了校正作用.图10为时空混合效应模型拟合的每日随机斜率变化图,可以看出AOD-PM2.5关系存在着从日到季节不同时间尺度的非线性变化.随机斜率整体上呈现出先升高后下降的变化趋势,春季和秋季的斜率变化比较复杂,斜率有正有负.夏季的随机斜率绝大多数为正数,AOD的估算值要高于总体平均值,这与夏季AOD值较高相对应;而冬季随机斜率大多数为负值,AOD随PM2.5浓度的增加而减小,AOD的估算值要低于总体平均值,这与冬季AOD的低值相对应.模型通过每日的随机效应有效避免了夏季AOD估算值被低估,冬季AOD估算值被高估的问题.

图10 日随机斜率的变化

3.3 与其他AOD补值方法的比较

图11 基于时空混合效应模型估算的AOD与MAIAC AOD月均值拟合

本研究建立了STLME和STNLME模型来估算有监测PM2.5数据但没有AOD有效数据的网格单元的AOD值,基于AOD值与PM2.5观测值呈线性关系的假设,即考虑了日、周和月的时间尺度变化效应也考虑了空间变化效应,获得了较好的AOD估算性能.表4显示了本文的补值方法与国内外其他补值方法的比较,与Lv等[24]建立的华北地区冷季节和暖季节的线性回归模型相比,本模型具有更高的模型拟合2和更低的均方根误差.与Xiao等[27]估算长江三角洲地区缺失的MAIAC AOD使用的多重插补(MI)方法相比,2也有明显的提高.Zhang等[26]基于气象能见度应用KM-Elterman模型反演近地面AOD,月反演AOD与MODIS测量AOD拟合的相关系数为0.71、RMSE为0.207.而本模型拟合达到了0.93,RMSE仅有0.054,模型估算精度高(图11).当然,模型虽然精度和稳健性都较好但也存在局限性,首先,对缺失AOD的估算在很大程度上依赖于PM2.5的测量,当PM2.5测量值稀疏或不存在时,模型的应用将受到限制.另外,本模型可以提高站点AOD数据的覆盖率,但不能覆盖整个区域,需要进一步采用空间插值等其他方法,这也是下一步要解决的关键问题.

表4 不同补值方法的性能国内外比较

注:“—”表示文章中没有相关数据.

4 结论

4.1 由于同时考虑了AOD-PM2.5关系的时空异质性,时空混合效应模型(STLME)比早期的时间混合效应模型(LME)估算精度高,也明显高于相关学者使用的线性回归模型(LR)和非线性回归模型,为AOD补值研究提供了一种新方法.通过该模型补值,使研究区监测站点年均AOD数据空间维有效比率从44.35%提高到87.05%.

4.2 在有AOD -PM2.5匹配数据的日期,STLME模型和STNLME模型的估算精度相近;在无AOD -PM2.5匹配数据的日期,STLME模型的AOD估算值精度较低,而STNLME模型通过引入周随机效应和月随机效应,大大提高了AOD值的估算精度.通过该模型补值,使得研究区监测站点年均AOD数据空间维有效比率从87.05%提高到99.35%、时间维有效比率从87.94%提高到100%.

4.3 经嵌套模型补值后,每个站点的年均AOD值都得到明显提高,表明缺失的高值AOD被估算出来.这一结果可以有效纠正AOD估算PM2.5时出现的高值低估问题,对降低其在健康影响评价中的偏差具有重要意义.

[1] Kaufman Y J, Tanre D, Boucher O. A satellite view of aerosols in the climate system [J]. Nature, 2002,419(6903):215-223.

[2] Zhang M, Ma Y, Gong W, et al. Aerosol optical properties and radiative effects: Assessment of urban aerosols in central China using 10-year observations [J]. Atmospheric Environment, 2018,182:275- 285.

[3] Brauer M, Freedman G, Frostad J, et al. Ambient air pollution exposure estimation for the global burden of disease 2013 [J]. Environmental Science & Technology, 2016,50(1):79-88.

[4] Chow J C, Watson J G, Mauderly J L, et al. Health effects of fine particulate air pollution: lines that connect [J]. Journal of the Air & Waste Management Association, 2006,56(10):1368-1380.

[5] Liao Q, Jin W, Tao Y, et al. Health and economic loss assessment of PM2.5pollution during 2015～2017 in Gansu Province, China [J]. International Journal of Environmental Research and Public Health, 2020,17(9):3253.

[6] Chen G, Li S, Knibbs L D, et al. A machine learning method to estimate PM2.5concentrations across China with remote sensing, meteorological and land use information [J]. Science of the Total Environment, 2018,636:52-60.

[7] 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.

[8] Ma Z, Liu R, Liu Y, et al. Effects of air pollution control policies on PM2.5pollution improvement in China from 2005 to 2017: a satellite-based perspective [J]. Atmospheric Chemistry and Physics, 2019,19(10):6861-6877.

[9] van Donkelaar A, Martin R V, Levy R C, et al. Satellite-based estimates of ground-level fine particulate matter during extreme events: A case study of the Moscow fires in 2010 [J]. Atmospheric Environment, 2011,45(34):6225-6232.

[10] Zhang Y, Li Z. Remote sensing of atmospheric fine particulate matter PM2.5mass concentration near the ground from satellite observation [J]. Remote Sensing of Environment, 2015,160:252-262.

[11] Levy R C, Remer L A, Kleidman R G, et al. Global evaluation of the Collection 5MODIS dark-target aerosol products over land [J]. Atmospheric Chemistry and Physics, 2010,10(21):10399-10420.

[12] Tao M, Chen L, Su L, et al. Satellite observation of regional haze pollution over the North China Plain [J]. Journal of Geophysical Research: Atmospheres, 2012,117.

[13] Superczynski S D, Kondragunta S, Lyapustin A I. Evaluation of the multi-angle implementation of atmospheric correction (MAIAC) aerosol algorithm through intercomparison with VIIRS aerosol products and AERONET [J]. Journal of Geophysical Research- Atmospheres, 2017,122(5):3005-3022.

[14] Li X, Zhang X. Predicting ground-level PM2.5concentrations in the Beijing-Tianjin-Hebei region: A hybrid remote sensing and machine learning approach [J]. Environmental Pollution, 2019,249:735-749.

[15] Lv B, Hu Y, Chang H H, et al. Improving the accuracy of daily PM2.5distributions derived from the fusion of ground-level measurements with aerosol optical depth observations, a case study in North China [J]. Environmental Science & Technology, 2016,50(9):4752-4759.

[16] Chatterjee A, Michalak A M, Kahn R A, et al. A geostatistical data fusion technique for merging remote sensing and ground-based observations of aerosol optical thickness [J]. Journal of Geophysical Research-Atmospheres, 2010,doi:10.1029/2009JD013765.

[17] Zubko V, Leptoukh G G, Gopalan A. Study of data-merging and interpolation methods for use in an interactive online analysis system: MODIS Terra and Aqua daily aerosol case [J]. Ieee Transactions on Geoscience and Remote Sensing, 2010,48(12):4219-4235.

[18] van Donkelaar A, Martin R V, Brauer M, et al. Global estimates of fine particulate matter using a combined geophysical-statistical method with information from satellites, models, and monitors [J]. Environmental Science & Technology, 2016,50(7):3762-3772.

[19] Xu H, Guang J, Xue Y, et al. A consistent aerosol optical depth (AOD) dataset over mainland China by integration of several AOD products [J]. Atmospheric Environment, 2015,114:48-56.

[20] Wei X, Bai K, Chang N-B, et al. Multi-source hierarchical data fusion for high-resolution AOD mapping in a forest fire event [J]. International Journal of Applied Earth Observation and Geoinformation, 2021,102:102366.

[21] Jiang T, Chen B, Nie Z, et al. Estimation of hourly full-coverage PM2.5concentrations at 1-km resolution in China using a two-stage random forest model [J]. Atmospheric Research, 2021,248.

[22] 董 焱,许 丹,鲍艳松,等.基于AGRI颗粒物浓度遥感反演及季节变化分析 [J]. 中国环境科学, 2021,41(2):633-642.

Dong Y, Xu D, Bao Y S, et al. Remote sensing retrieval and seasonal variation analysis of particulate matter concentration based on AGRI [J]. China Environmental Science, 2021,41(2):633-642.

[23] 杨 旭,唐颖潇,蔡子颖,等.基于气溶胶三维变分同化天津PM2.5数值预报研究 [J]. 中国环境科学, 2021,41(12):5476-5484.

Yang X, Tang Y X, Cai Z Y, et al. Study on numerical prediction of Tianjin PM2.5based on three-dimensional variational assimilation of Aerosol [J]. China Environmental Science, 2021,41(12):5476-5484.

[24] Lv B, Hu Y, Chang H H, et al. Daily estimation of ground-level PM2.5concentrations at 4km resolution over Beijing-Tianjin-Hebei by fusing MODIS AOD and ground observations [J]. Science of the Total Environment, 2017,580:235-244.

[25] Wu J, Luo J, Zhang L, et al. Improvement of aerosol optical depth retrieval using visibility data in China during the past 50years [J]. Journal of Geophysical Research: Atmospheres, 2014,119(23):13,370- 313,387.

[26] Zhang Z, Wu W, Wei J, et al. Aerosol optical depth retrieval from visibility in China during 1973～2014 [J]. Atmospheric Environment, 2017,171:38-48.

[27] Xiao Q, Wang Y, Chang H H, et al. Full-coverage high-resolution daily PM2.5estimation using MAIAC AOD in the Yangtze River Delta of China [J]. Remote Sensing of Environment, 2017,199:437-446.

[28] Chameides W L, Luo C, Saylor R, et al. Correlation between model-calculated anthropogenic aerosols and satellite-derived cloud optical depths: Indication of indirect effect? [J]. Journal of Geophysical Research: Atmospheres, 2002,107(D10):AAC 2-1-AAC 2-15.

[29] Li L, Franklin M, Girguis M, et al. Spatiotemporal Imputation of MAIAC AOD Using Deep Learning with Downscaling [J]. Remote Sensing of Environment, 2020,237.

[30] 李建新,刘小生,刘 静,等.基于MRMR-HK-SVM模型的PM2.5浓度预测 [J]. 中国环境科学, 2019,39(6):2304-2310.

Li J X, Liu X S, Liu J, et al. PM2.5concentration prediction based on MRMR-HK-SVM model [J]. China Environmental Science, 2019, 39(6):2304-2310.

[31] 严莹婷,陆小曼,王嘉佳,等.基于GF-4卫星的长三角城市群PM2.5遥感反演 [J]. 中国环境科学, 2022,42(3):1005-1012.

Yan Y T, Lu X M, Wang J J, et al. Remote sensing retrieval of Yangtze River Delta Economic Zone PM2.5based on GF-4satellite [J]. China Environmental Science, 2022,42(3):1005-1012.

[32] Yang J, Hu M. Filling the missing data gaps of daily MODIS AOD using spatiotemporal interpolation [J]. Science of the Total Environment, 2018,633:677-683.

[33] 郝 静.京津冀地区PM2.5浓度时空变化定量模拟 [D]. 石家庄:河北师范大学, 2018.

Hao J. Simulation of the spatio-temporally resolved PM2.5aerosol mass concentration of the Beijing-Tianjin-Hebei Region [D]. Shijiazhuang: Hebei Normal University, 2018.

[34] Lee H J, Liu Y, Coull B A, et al. A novel calibration approach of MODIS AOD data to predict PM2.5concentrations [J]. Atmospheric Chemistry and Physics, 2011,11(15):7991-8002.

[35] Hu X, 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.

[36] Hu X, Waller L A, Lyapustin A, et al. Estimating ground-level PM2.5concentrations in the Southeastern United States using MAIAC AOD retrievals and a two-stage model [J]. Remote Sensing of Environment, 2014,140:220-232.

[37] 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.

[38] Ma Z, Liu Y, Zhao Q, 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.

[39] Huang K, Xiao Q, Meng X, et al. Predicting monthly high-resolution PM2.5concentrations with random forest model in the North China Plain [J]. Environmental Pollution, 2018,242(Pt A):675-683.

[40] Liang F, Xiao Q, Wang Y, et al. MAIAC-based long-term spatiotemporal trends of PM2.5in Beijing, China [J]. Science of the Total Environment, 2018,616-617:1589-1598.

[41] Zhang Y, Wang W, Ma Y, et al. Improvement in hourly PM2.5estimations for the Beijing-Tianjin-Hebei region by introducing an aerosol modeling product from MASINGAR [J]. Environmental Pollution, 2020,264:114691.

[42] Wang W, He J, Miao Z, et al. Space–time linear mixed-effects (STLME) model for mapping hourly fine particulate loadings in the Beijing–Tianjin–Hebei region, China [J]. Journal of Cleaner Production, 2021,292.

[43] Xue W, Zhang J, Zhong C, et al. Spatiotemporal PM2.5variations and its response to the industrial structure from 2000 to 2018 in the Beijing-Tianjin-Hebei region [J]. Journal of Cleaner Production, 2021,27.

[44] 周 爽,王春林,孙 睿,等.基于LME/BME的珠江三角洲PM2.5星地融合技术研究 [J]. 中国环境科学, 2019,39(5):1869-1878.

Zhou S, Wang C L, Sun R, et al. PM2.5satellite-earth fusion technology in Pearl River Delta based on LME/BME [J]. China Environmental Science, 2019,39(5):1869-1878.

[45] Lyapustin A, Martonchik J, Wang Y, et al. Multiangle implementation of atmospheric correction (MAIAC): 1. Radiative transfer basis and look-up tables [J]. Journal of Geophysical Research, 2011,116: D03211.

[46] Lyapustin A , Wang Y, Laszlo I, et al. Multi-angle implementation of atmospheric correction for MODIS (MAIAC): 3. Atmospheric correction [J]. Remote Sensing of Environment, 2012,127:385-393.

[47] Zhang Z, Wu W, Fan M, et al. Evaluation of MAIAC aerosol retrievals over China [J]. Atmospheric Environment, 2019,202:8-16.

[48] Superczynski S D, Kondragunta S, Lyapustin A I. Evaluation of the multi-angle implementation of atmospheric correction (MAIAC) aerosol algorithm through intercomparison with VIIRS aerosol products and AERONET [J]. Journal of Geophysical Research: Atmospheres, 2017,122(5):3005-3022.

[49] Kloog I, Sorek-Hamer M, Lyapustin A, et al. Estimating daily PM2.5and PM10across the complex geo-climate region of Israel using MAIAC satellite-based AOD data [J]. Atmospheric Environment, 2015,122:409-416.

[50] Liu Y, Sarnat J A, Coull B A, et al. Validation of multiangle imaging spectroradiometer (MISR) aerosol optical thickness measurements using aerosol robotic network (AERONET) observations over the contiguous United States [J]. Journal of Geophysical Research- Atmospheres, 2004,109:D06205.

[51] Rohde R A, Muller R A. Air pollution in China: mapping of concentrations and sources [J]. PLoS One, 2015,10(8):e0135749.

[52] 马宗伟.基于卫星遥感的我国PM2.5时空分布研究 [D]. 南京:南京大学, 2015.

Ma Z W. Study on spatial and temporal distribution of PM2.5in China based on satellite remote sensing [D]. Nanjing: Nanjing University, 2015.

[53] Kloog I, Chudnovsky A A, Just A C, et al. A new hybrid spatio- temporal model for estimating daily multi-year PM2.5concentrations across Northeastern USA using high resolution aerosol optical depth data [J]. Atmospheric Environment, 2014,95:581-590.

[54] 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. Estimation of daily PM2.5concentrations in Beijing-Tianjin-Hebei region based on mixed effect model [J]. China Environmental Science, 2018,38(8):2890-2897.

[55] 孙 成,王 卫,刘方田,等.基于线性混合效应模型的河北省PM2.5浓度时空变化模型研究 [J]. 环境科学研究, 2019,32(9):1500-1509.

Sun C, Wang W, Liu F T,et al. Spatial-temporal simulation of PM2.5concentrations in Hebei Province based on linear mixed effects model [J]. Research of Environmental Sciences, 2019,32(9):1500-1509.

[56] Guo W, Zhang B, Wei Q, et al. Estimating ground-level PM2.5concentrations using two-stage model in Beijing-Tianjin-Hebei, China [J]. Atmospheric Pollution Research, 2021,12(9):101154.

[57] 王家成,朱成杰,朱 勇,等.北京地区多气溶胶遥感参量与PM2.5相关性研究 [J]. 中国环境科学, 2015,35(7):1947-1956.

Wang J C, Zhu C J, Zhu Y, et al. The correlation between multiple aerosol remote sensing parameters and PM2.5in Beijing area [J]. China Environmental Science, 2015,35(7):1947-1956.

[58] 许悦蕾,刘延安,施润和,等.气象要素对气溶胶光学厚度估算PM2.5的影响 [J]. 环境科学学报, 2018,38(10):3868-3876.

Xu Y L, Liu Y A, Shi R H, et al. Influence of meteorological factors on Aerosol Optical Depth(AOD) estimation of PM2.5[J]. Acta Scientiae Circumstantiae, 2018,38(10):3868-3876.

Filling the missing data of AOD using the situ PM2.5monitoring measurements in the Beijing-Tianjin-Hebei region.

SONG Chun-jie1,2, WEI Qiang1,2, FAN Li-hang1,2, WANG Wei1,2*, HAN Fang1,2, LI Wei-miao1,2, LI Fu-xing1,3**, CHENG He-xi4

(1.School of Geographical Sciences, Hebei Normal University, Shijiazhuang 050024, China；2.Hebei Key Laboratory of Environmental Change and Ecological Construction, Shijiazhuang 050024, China；3.Hebei Technology Innovation Center for Remote Sensing Identification of Environmental Change, Shijiazhuang 050024, China；4.Handan Urban and Rural Planning Research Center, Handan 056000, China)., 2022,42(7)：3000～3012

A spatiotemporal linear mixed effect model (STLME) and a spatiotemporal nested linear mixed effect model (STNLME) were presented using the PM2.5measurements of 318 ground monitoring stations in Beijing-Tianjin-Hebei (BTH) in 2020 to fill the missing data of AOD. The results indicated that the STLME and STNLME models in the days with AOD-PM2.5matchups showed similar performance with the cross-validation (CV)2valued at 0.868 and 0.874, and the root mean square error (RMSE) valued at 0.112 and 0.109, respectively. However, the STNLME model with the CV2valued at 0.63 outperforms STLME with the CV2of 0.26 in the days without PM2.5-AOD matchups. After models filling, the spatial valid value ratio of AOD data in the grid where the monitoring stations are located was increased from 44.35% to 99.35%, and the temporal valid value ratio was increased from 87.94% to 100%. Meanwhile, the annual mean AOD value of each station had increased significantly, and the missing AOD were filled under the condition of high PM2.5level, which could reduce the biases of exposure assessment in air pollution and health studies.

MAIAC AOD；AOD filling of monitoring stations；spatiotemporal linear mixed effects model；spatiotemporal nested linear mixed effect model；Beijing-Tianjin-Hebei

X513

A

1000-6923(2022)07-3000-13

宋春杰(1996-),男,山东济南人,主要研究方向为大气污染时空变化模拟.发表论文2篇.

2021-12-27

国家自然科学基金资助项目(41471091);河北省自然科学基金青年基金资助项目(D2019205027);河北省教育厅青年基金资助项目(QN2018035)

* 责任作者, 教授, wangwei@hebtu.edu.cn; ** 讲师, lifuxing6042@163.com