![](images/pdf-icon.jpg)
大气细颗粒物(PM2.5),指空气动力学直径小于等于2.5 μm的颗粒,是大气污染的重要成分之一,也是造成灰霾的主要原因,引起了全世界各国的广泛关注,PM2.5的影响主要体现在对人体健康的危害、环境能见度、气候变化等多个方面(杜德艳等,2015;胡鸣等,2015;杨洪斌等,2012).随着近年来我国大范围灰霾天气的频繁发生,冬季由于气象条件和认为排放等综合因素成为高污染事件易发季节,人们对灰霾的主要因子PM2.5越来越关注,近地面PM2.5浓度信息获取成为环境监测的重要内容(胡鸣等,2015;陶金花,2013).与传统的地面监测手段相比,卫星遥感由于具有区域尺度的优点,能够在大空间范围内连续和不同尺度上反映污染物的宏观分布趋势、源汇分布和传输路径的优势,利用卫星遥感手段进行近地面PM2.5浓度的监测对区域灰霾的监测和治理具有重要意义(张莹等,2013;陶金花等,2013).
目前,国内外利用卫星遥感进行近地面颗粒物遥感监测的方法主要分为两类,第一类主要基于气溶胶的垂直分布和吸湿增长的物理机制,利用卫星遥感反演的不同尺度气溶胶光学厚度(AOD)并结合不同手段获取的气象因子进行近地面颗粒物质量浓度估算,如陈辉等(2014)采用从天气预报模式中提取的边界层高度和相对湿度产品以及MODIS深蓝算法AOD产品,通过垂直订正和分区湿度拟合的方法获取2013年1—3月京津冀地区的近地面PM2.5浓度及其区域分布特征,与地面观测PM2.5的R2达0.51;Wang等(2010)利用激光雷达探测的混合层高度和地面实测的相对湿度对地基遥感观测的AOD进行垂直订正和湿度订正,订正后的AOD与PM10、PM2.5的R2分别为0.65和0.62,最后通过卫星遥感AOD估算了北京地区近地面颗粒物浓度,与地面观测结果的R2达0.47;这一类算法的优点是能充分考虑PM2.5的物化特性,缺点是PM2.5的垂直分布和吸湿增长特征需要进行先验假设,其使用范围有一定的局限性,并且构建模型过程中容易受数据噪声的影响,导致其PM2.5遥感估算结果往往并不十分理想.第二类主要基于卫星遥感AOD和辅助的气象要素采用多元统计方法构建PM2.5遥感估算模型,如贾松林等(2014)对地基监测PM2.5和气象数据、MODIS AOD卫星数据与NCEP FNL数据进行了处理分析,构建了京津冀地区线性和非线性统计模型,综合评估了不同模型及气象因子对北京地区春季PM2.5的时空差异性的解释能力,R2在0.3~0.55之间;Liu等(2009)采用GASP AOD产品和边界层高度、相对湿度、温度、风速等气象要素以及人口密度、土地利用类型等因子综合考虑PM2.5的时间变化和空间变化采用两次回归分析的方法拟合了美国东部地区PM2.5分布情况,R2达0.79.这一类算法的优点是在回归分析的过程中通过统计方法减小数据噪声的影响,其反演结果能在一定程度上优于第一类算法,缺点是没有考虑PM2.5的物化特性,其结果精度往往与数据频次分布特征有关系,反演结果不稳定.
为此,本研究充分发挥两类算法的优势,同时结合物理模型和统计方法构建全国尺度的PM2.5遥感监测方法模型.基于2013年12月—2014年2月的卫星遥感AOD产品结合气象模式资料和地面观测资料,综合考虑PM2.5物化特性的空间差异性,采用地理加权回归方法进行模型参数求解,并分析模型参数的空间分布差异和冬季全国PM2.5区域时空分布变化特征,以便及时掌握PM2.5时空变化情况,为我国环境管理决策提供信息支持.
2 数据与方法(Data and methods) 2.1 数据来源本研究采用数据包括气溶胶光学厚度产品、气象资料以及地面观测的PM2.5质量浓度数据.
2.1.1 气溶胶光学厚度(AOD)数据本次研究采用的气溶胶光学厚度(AOD)资料来自NASA发布的MOD04气溶胶二级产品.MOD04是MODIS二级产品中针对全球海洋和陆地地表的气溶胶产品,提供每日空间分辨率为10 km的气溶胶光学厚度数据,为大气颗粒物的遥感估算提供了丰富的数据源.本研究采用的气溶胶产品是采用第二代算法(V5.1)生产的10 km分辨率的业务监测产品.
V5.1产品是在Kaufman 1997年提出的双通道暗像元算法基础上改进气溶胶光学模型发展起来的新一代三通道气溶胶光学厚度反演算法(Remer,et al.,2005).并且,V5.1的MYD04产品中提供了暗像元和深蓝算法计算的两种气溶胶光学厚度数据集.相关研究表明,暗像元算法和深蓝算法结果与地面观测均有较好的相关性,暗像元算法在浓密植被地区反演AOD具有较高的精度,而利用深蓝算法反演的AOD可以定量化监测到沙漠、城市、工业裸地等重要污染源地区(胡蝶等,2013).因此,有必要将两种算法的产品进行有效融合,以获取高精度、高覆盖率的AOD产品.
综合考虑卫星过境时间和传感器差异的影响,以及与本研究的其他数据(主要是气象数据)匹配问题,本研究选取2013年12月—2014年2月的Aqua卫星的MYD04产品,并从AERONET网站获取中国地区CE318同期观测的AOD产品,分别对MYD04的暗像元和深蓝算法产品进行验证分析.通过对MYD04产品和AERONET的AOD产品进行匹配,分别获取了75组暗像元算法MYD04-CE318和237组深蓝算法MYD04-CE318的有效AOD对比数据,这其中有68组对比数据同时有暗像元和深蓝两种算的AOD反演结果.将匹配后的68组有效数据与地面CE318测量结果进行相关分析(见图 1a、表 1),结果表明暗像元算法结果与地面CE318测量结果相关性较高(R2=0.76),深蓝算法的相关性(R2=0.46)略低.值得注意的是深蓝算法与地面CE318共获取了有效数据组数(N=237)远多于暗像元算法结果与地面CE318的匹配结果(N=75),这说明在冬季深蓝算法AOD产品覆盖率高于暗像元算法的AOD产品.
![]() |
图 1 暗像元、深蓝算法(a)及融合AOD产品(b)与地面测量结果相关性分析 Fig. 1 Correlation analysis results between Dark Dense Vegetation, DeepBlue (a) and Merge products (b) with situ measure AOD |
表 1 MYD04-AOD的不同算法产品与地面CE318测量AOD相关性分析结果 Table 1 Correlation analysis results between Dark Dense Vegetation, Deep Blue and Merge products with situ measure AOD |
![]() |
为充分发挥暗象元算法精度高和深蓝算法覆盖率高的优势,采用优选的融合方法进行两种算法AOD产品合成,即在暗象元算法能有效反演AOD时采用暗象元产品,而暗象元不能进行有效反演的象元采用深蓝算法产品.将AOD融合结果与地面CE318观测结果进行相关性分析(结果见图 1b、表 1),结果表明融合后的AOD产品既提升了与地面CE318测量结果的相关性(R2=0.8,比例系数接近于1),又能获取更高的覆盖率(共获取244组有效数据),这比暗像元算法或者深蓝算法其中单独一种算法效果都有较大的提升.
2.1.2 气象场数据本研究所使用的气象数据来自于全球预报模式(GFS)的0.5度产品.GFS是由美国国家海洋和大气管理局(NOAA)推出的全球数值天气预报计算模式,隶属于国家天气服务中心.该模式每天4次发布长达16 d的预测数据,随着时间的推移其空间和时间精度都会降低.GFS是唯一全部通过互联网对公众免费开放的全球尺度模式数据,其数据分辨率根据模式的每个部分而变化,水平方向上将地球表面分成35 km×35 km或70 km×70 km的网格,垂直方向上将大气层分为64层,时间上,GFS模式在前192 h中每3 h发布1次预报,之后每12 h发布1次.本文采用的资料是美国国家环境预报中心(NCEP)的全球预报系统生产的逐6 h全球范围0.5°再分析资料产品,该气象模式资料能提供0∶00、6∶00、12∶00及18∶00的空气温度、相对湿度、可降水量、位势高度、垂直和水平方向风速、边界层高度等气象环境资料.结合卫星过境时间,利用IDL程序从气象资料中提取UTC6时(北京时间为14点,接近于AQUA卫星过境时间)边界层高度(HPBL)和近地面相对湿度(RH),作为PM2.5遥感估算模型的两个重要参数.
2.1.3 PM2.5地面观测数据2012年2月,国务院同意发布新修订的《环境空气质量标准》增加了PM2.5监测指标.从2013年1月开始中国环境监测总站建立的城市空气质量实时发布平台正式运行,发布京津冀、长三角、珠三角区域及其他地级以上城市在内的74个城市共计511个国家环境空气监测点位空气质量实时监测数据,在此基础上,从2014年1月城市空气质量实时发布平台新增了87个城市的地面站点监测数据.
本研究从全国重点城市空气质量发布平台中获取全国各城市监测点位的PM2.5实时监测质量浓度结果,并将小时平均结果进行分别对应AQUA卫星过境时间进行综合平均,在时间上与卫星遥感影像匹配.研究根据数据情况以2013年重点城市的511个站点作为模型训练样本,以2014年新增的部分站点(共150个模型验证样点)观测结果作为模型验证数据,其点位空间分布如图 2所示.
![]() |
图 2 全国重点城市地面PM2.5自动观测站点及模型验证样点空间分布图 Fig. 2 Spatial distribution of key cities and PM2.5 observation sites in China |
为减少数据误差噪声和空间差异的影响,对研究数据进行时间和空间匹配.地面数据取每天12~15点4 h的PM2.5浓度的有效平均值,卫星遥感AOD以地面站点为中心取周围25个像元(5X5)有效值的平均结果,由于GFS为0.5度数据,取离地面站点经纬度最近的一个有效值.为保证模型的有效性,每天可进行时空匹配的有效数据个数在30个以上时进行区域PM2.5遥感估算.
2.2 研究方法 2.2.1 基于地理加权回归的PM2.5反演模型构建国内外相关研究(陶金花等,2012;WANG et al.,2010)表明近地面PM2.5质量浓度和气溶胶光学厚度(AOD)之间存在如下先验关系:
![]() |
(1) |
式中,ρ、r、Q分别为PM2.5的平均密度、有效半径及消光效率因子,AOD为大气整层气溶胶光学厚度,HPBL为边界层高度,为气溶胶散射吸湿增长因子,一般表示为相对湿度的函数,于是式(1)两边同时取自然对数,可将式(1)推广为PM2.5的一般关系式:
![]() |
(2) |
式(2)即为PM2.5的多元线性回归模型的对数形式,是一种全局空间回归模型,关键系数代表研究区域内的平均值,可通过大量训练样本采用最小二乘法进行拟合计算其最优无偏估计结果,经验关系情况下一般取β1=1,β2=-1,β3=-1.目前,大多基于AOD的区域PM2.5浓度遥感反演都没有考虑到局部参数的变化特征,这会导致反演结果有较大的误差(HU et al.,2013).然而在实际问题中,这3个参数在不同地理环境情况往往表现不同,也就是说回归系数会随空间位置而变化.我国幅员辽阔,其地理环境和气象条件差异较大,因此本研究将式(2)进一步扩展为卫星遥感监测PM2.5质量浓度的空间变化系数回归模型:
![]() |
(3) |
式(3)即为地理加权回归模型,其中βd(μi,νi)表示为第d(d=0,1,2,3)个参数在观测点(μi,νi)处的系数,不同地理位置不同变量的回归系数会有一定差异.
地理加权回归模型的核心在于空间权重矩阵,一般可以采用加权最小二乘法(WLS,Weighted Least Squares)进行计算求解.权重函数需要选取一个连续单调递减函数来表述权重与距离的关系,采用具有普适性而得到广泛应用的Gauss函数,其函数形式如下:
![]() |
(4) |
式中,dij是表示观测点i和观测点j之间的距离,b是描述权重与距离之间函数关系的非负衰减参数,称为带宽(Band Width),一般采用交叉验证(cross-validation,cv)的方法获取最优带宽.
3 结果与讨论(Results and discussion) 3.1 数据特征统计根据卫星遥感、气象模式和地面观测数据匹配结果,对模型采用的相关数据进行统计分析,结果如图 3所示.频率直方图结果显示,PM2.5、AOD、HPBL及RH 4个变量的频率分布情况均类似于单峰对数正态分布,其统计结果见表 2.
![]() |
图 3 PM2.5、AOD、HPBL及RH的频率分布直方图 Fig. 3 Histograms of PM2.5, AOD, HPBL and RH |
表 2 PM2.5、AOD、HPBL及RH 4个变量的统计特征描述 Table 2 Descriptive statistics for PM2.5, AOD, HPBL and RH |
![]() |
根据统计结果可知,2013—2014年的冬季我国PM2.5浓度范围主要分布在25~125 μg·m-3,最大值接近1000 μg·m-3,最小值为1.33 μg·m-3,全国冬季平均质量浓度为101.48 μg·m-3;AOD主要分布在1.05以下,最大值和最小值分别为4.21和0.0025,冬季平均值为0.71;HPBL主要分布在375~1375 m之间,最大值和最小值分别为3290.58 m和22.5 m,冬季平均值为869.5 m;RH主要分布在15%~55%之间,最大值和最小值分别为95.4%和4.5%.
3.2 结果验证为便于比较分析,本研究同时采用普通多元回归(公式(2))和地理加权回归(公式(3))两种模型方法进行近地面PM2.5质量浓度估算,并采用模型验证的样点测量结果对二者估算结果精度进行对比分析,结果见图 4.
![]() |
图 4 2014年1月21日基于多元线性回归(a)和地理加权回归(b)的PM2.5遥感估算结果分布 Fig. 4 Distribution of PM2.5 concentration estimated results based on the multiple linear regression and geographically weighted regression models on Jan.21, 2014 |
从图 4中可以看出,基于多元线性回归和地理加权回归模型的PM2.5浓度遥感估算结果二者整体上空间分布趋势较为一致,2014年1月21日全国PM2.5高值区主要分布在京津冀南部、河南中部、湖北中南部、湖南北部、四川东部及广西和广东省沿海一带地区,整体上北部和东部地区的PM2.5浓度相对较低.值得注意的是,在PM2.5浓度较高的区域,多元回归模型结果存在着较为明显的高值低估的现象,而地理加权回归模型结果有效地改善了这个问题.地理加权模型结果对于全国PM2.5浓度空间分布不同梯度的呈现效果明显优于多元回归模型.
根据150个模型验证样本点的观测结果,分别从普通多元线性回归模型和地理加权回归模型的区域PM2.5分布中提取相应站点的遥感拟合结果,共获取2663对有效数据对,将拟合结果与PM2.5浓度观测值进行线性相关分析,分别计算平均拟合误差、均方根误差及相对精度,结果见图 5和表 3.结果显示:多元回归分析和地理加权回归分析结果有明显的差异,其中多元回归模型拟合结果与地面观测结果线性相关分析结果的斜率为0.66,决定系数为0.56,平均拟合误差为29.16 μg·m-3,均方根误差为37.03 μg·m-3,相对精度为约为47.52%,而地理加权回归模型拟合结果与地面观测结果线性相关分析结果的斜率为0.63,决定系数为0.7,平均拟合误差为25.25 μg·m-3,均方根误差为26.2 μg·m-3,相对精度为约为62.87%.综合各个拟合结果统计指标来看,地理加权回归模型结果较好,且全局上均优于普通多元回归模型分析结果.
![]() |
图 5 多元线性回归(a)和地理加权回归(b)拟合结果(N=2663) Fig. 5 Fitting results of multiple linear regression and geographically weighted regression procedures |
表 3 地理加权和多元线性回归分析结果比较 Table 3 Comparison of multiple linear regression with geographically weighted regression results |
![]() |
统计地理加权和多元线性回归模型的各个系数(常系数Beta0、AOD回归系数Beta_AOD、HPBL回归系数Beta_HPBL、RH回归系数Beta_RH)平均值(见表 4),从表中可以看出,两种模型的回归系数平均值总体上较为接近,PM2.5质量浓度总体上和AOD呈正比,和相对湿度(RH)、边界层高度(HPBL)呈反比,这说明地理加权回归模型保持了和多元线性回归模型的整体一致性.值得注意的是,从各个回归系数的标准差来看,地理加权模型的回归系数标准差均大于多元线性回归模型,这说明地理加权回归模型的局部信息较为丰富,更能体现各参量回归系数的差异特征.
表 4 地理加权和多元线性回归参数结果统计 Table 4 Descriptive statistics for the parameter of multiple linear regression and geographically weighted regression |
![]() |
为进一步分析回归系数的空间差异性,根据地理加权回归结果计算2013年12月—2014年2月地理加权模型回归系数冬季平均结果空间分布情况(见下图),由图 6可以看出,回归参数均呈现较为明显的区域分布特征.其中,Beta0和Beta_RH的空间分布较为相近,均表现为长三角地区相对最高,其次华北和华中一带,南部的广东和广西等地再次之,西部和东北地区的Beta0相对最低,由于Beta0表示PM2.5组分属性参数,而Beta_RH表示吸湿增长系数,也与PM2.5中水溶性组分含量相关,因此Beta0和Beta_RH的不同分布总体上能一定程度上反映出全国PM2.5组分的区域差异特征;而Beta_AOD总体上表现为华北和华中地区相对最高,长三角次之,华南、西部及东北地区相对最低,AOD的回归参数从一定程度上表现了PM2.5污染轻重程度;HPBL的回归参数和其他回归系数略有差异,其空间分布表现为西部和东北地区相对最高,华南地区次之,华北、华中和华东地区相对最低,HPBL的回归参数从一定程度上表现了PM2.5垂直分布结构特征的区域差异性.
![]() |
图 6 2013年12月—2014年2月地理加权回归参数平均结果空间分布 Fig. 6 Spatial distribution of the parameters for geographically weighted regression from December 2013 to February 2014 |
基于上述地理加权回归模型计算2013年12月—2014年2月全国每天的PM2.5空间分布情况,并分别计算2013年12月、2014年1月和2月的PM2.5月均浓度值,并利用ArcMap进行渲染制图,结果见图 7.由于受冬季雪地和云等影响,东北地区、新疆北部、西藏大部、青海南部、四川西部等地无法获取有效的AOD值,因此PM2.5分布出现部分空白区域,但该空白区域对全国PM2.5空间分布情况分析的影响相对较小.从图中可以看出,冬季全国PM2.5空间分布呈现明显的区域分布特征,高值区整体上连成片,PM2.5浓度较高的地方主要分布在华北南部、长三角中部和北部、华中东部及四川东部等地,西部和北部地区PM2.5污染相对较轻;从时间变化来看,冬季12月份PM2.5污染最重,1月份次之,2月份相对最低.
![]() |
图 7 2013年12月(a)、2014年1月(b)和2月(c)全国PM2.5质量浓度遥感监测分布结果 Fig. 7 Spatial distribution for the monthly average results of the retrieved PM2.5 concentration from December 2013 to February 2014 |
本研究基于2013年12月—2014年2月的卫星遥感AOD产品结合气象模式资料和地面观测资料,同时结合物理模型和统计方法的优势构建全国区域的PM2.5遥感监测方法模型,采用地理加权回归方法进行模型参数求解并分析模型回归系数的空间分布特征,最后估算全国范围内区域近地表PM2.5质量浓度,研究全国冬季PM2.5时空分布特征.结果表明:
1) 由于暗像元算法在冬季AOD遥感反演时受到较大限制,可利用深蓝算法结果作为有效补充,将二者有效融合能同时提高AOD产品的精度和空间覆盖度.
2) 在AOD-PM2.5的物理关系上发展的地理加权回归模型,充分融合了目前国内外常用的物理方法和统计方法的优势,结果验证精度和分析解释能力方面明显优于这二者.通过比较分析地理加权和多元线性全局回归模型在全国PM2.5遥感估算中的应用,结果表明该方法既能保持同多元线性回归模型的全局一致性,又能从局部体现全国PM2.5组分、污染程度及垂直分布结构特征的空间差异特性,PM2.5地理加权回归估算模型明显优于多元线性回归模型,可以作为区域范围PM2.5遥感反演的有效参考方法.
3) 分析2013年12月—2014年2月份全国PM2.5时空变化情况,表明PM2.5空间分布呈现明显的区域分布特征,PM2.5浓度较高的地方主要分布在华北南部、长三角中部和北部、华中东部及四川东部等地,西部和北部地区PM2.5污染相对较轻;从时间变化来看,12月份PM2.5污染最重,1月份次之,2月份相对最低.这可为全国PM2.5区域联防联控提供有力的信息支撑.
致谢: 中国环境监测总站全国城市空气质量发布平台为本研究提供了PM2.5小时浓度数据,NASA提供了MODIS AOD产品下载服务,NCEP提供了GFS气象数据下载服务,在此一并致谢.[1] | 陈辉, 厉青, 王中挺, 等.2014.利用MODIS资料监测京津冀地区近地面PM2.5方法研究[J].气象与环境学报, 30 (5):27–37. |
[2] | 杜德艳, 李金娟, 陶芸, 等.2015.贵阳市PM2.5微观特征的季节变化分析[J].环境科学学报, 35 (6):1645–1650. |
[3] | 胡蝶, 张镭, 沙莎, 等.2013.西北地区MODIS气溶胶产品的对比应用分析[J].干旱气象, 31 (4):677–683. |
[4] | 胡鸣, 张懿华, 赵倩彪.2015.上海市冬季PM2.5无机元素污染特征及来源分析[J].环境科学学报, 35 (7):1993–1999. |
[5] | 贾松林, 苏林, 陶金花, 等.2014.卫星遥感监测近地表细颗粒物多元回归方法研究[J].中国环境科学, 34 (3):565–573. |
[6] | Wang Z F, Chen L F, Tao J H, et al.2010.Satellite-based estimation of regional particular matter(PM) in Beijing using Vertical-and-RH correcting method. Remote Sensing Environment,114:50-63 |
[7] | Remer L A, Kaufman Y J, Tanré D, et al. 2005.The MODIS aerosol algorithm, products and validation[J]. JOURNAL OF THE ATMOSPHERIC SCIENCES-SPECIAL SECTION, 62 (4): 947–973. |
[8] | 陶金花, 张美根, 陈良富, 等.2012.一种基于卫星遥感AOT估算近地面颗粒物的方法[J].中国科学:地球科学, 43 (1):143–154. |
[9] | Hu X F, Lance A W, Mohammad Z A, et al. 2013.Estimating ground-level PM2.5 concentrations in the southeastern U.S. using geographically weighted regression[J]. Environment Research, 121 : 1–10. |
[10] | 杨洪斌, 邹旭东, 汪宏宇, 等.2012.大气环境中PM2.5的研究进展与展望[J].气象与环境学报, 28 (3):77–82. |
[11] | Liu Y, Christopher J P, Petros K. 2009.Estimating Regional Spatial and Temporal Variability of PM2.5 Concentrations Using Satellite Data, Meteorology, and Land Use information[J]. Health Perspect, 117 : 886–892. |
[12] | 张莹, 李正强.2013.利用细模态气溶胶光学厚度估计PM2.5[J].遥感学报, 17 (4):929–943. |