乌鲁木市PM2.5浓度与MODIS气溶胶光学厚度相关性分析

选择西北干旱区城市乌鲁木齐市为研究区,利用MODIS气溶胶产品（AOD）数据和地面监测站PM_2.5浓度数据进行相关性分析,结果表明：二者相关性良好,对AOD数据进行垂直订正和湿度订正后,发现相关性进一步提升（0.49～0.80,p<0.01）。对订正后AOD数据与地面PM_2.5浓度进行建模并选取最优模型,结果均为一元三次模型且模型R²在0.27～0.69之间,其中春秋两季模型R²较高,夏季较低。对模型精度进行验证结果,显示春季与秋季模型精度良好,夏季较差,说明MODIS气溶胶光学厚度数据可以用于反演干旱区地面PM_2.5浓度值,对卫星遥感在干旱区地面空气监测应用提供了新的方法和思路。     

基于移动监测的城市PM2.5污染时空模式研究——以广州市中心区为例

采用便携式空气污染监测设备对广州市环城高速内的中心城区PM_2.5污染情况进行移动监测,获取225.7万条频率为1 Hz的PM_2.5监测数据,基于此对研究区进行10 m×10 m高时空分辨率的PM_2.5污染模拟,并分析移动采集的可靠性及城市中心区PM_2.5污染时空模式。结果显示：天气状况稳定条件下移动监测的城市PM_2.5数据在时间维度与固定监测站点数据呈现较显著相关性（R ²为0.72~0.86）;广州市中心城区的PM_2.5污染时空分布在短时间内具有显著的时空分异特征：时间上,干、湿季的平均逐时极差分别为27和11 μg/m3,质量浓度最高值和最低值出现的时段与当天的背景质量浓度值有关;空间上,交通枢纽、商业中心、工业园和大型商贸市场附近PM_2.5污染风险高,公园绿地、高校、高级住宅区等风险相对较低,且呈干季西高东低、南高北低,湿季东高西低的空间分异特征。     

基于“一街一站”的深圳市PM2.5时空特征及排名通报作用研究

深圳市于2018年6月建成了全国首个街道空气监测网络“一街一站”,并对全市74个街道进行月均PM_2.5浓度排名,向公众通报空气质量排名倒数十位的街道,以落实基层治理大气污染的责任。本研究基于深圳市街道空气监测网络的数据,分析了深圳市PM_2.5浓度的时空特征,使用双重差分模型检验空气质量排名通报是否能发挥环保部门所期待的效果,进一步促使PM_2.5浓度排名靠后的街道改善其空气质量。结果表明：① 基于街道空气监测的深圳市年均PM_2.5浓度为22.4 μg/m³,月均浓度最低值出现在7月,最高值出现在1月,与国家站监测结果之间无显著性差异。② 深圳市街道的PM_2.5浓度具有较高的空间集聚性,高值主要聚集在西北部,低值主要聚集在中南部,而国家监测站难以准确表征深圳市PM_2.5浓度空间分布特征。③ 考虑了个体和时间固定效应的双重差分模型分析结果表明,对深圳市月均PM_2.5浓度较高、空气质量排名靠后的街道进行通报,其随后1~2个月的PM_2.5浓度仍受该月污染的持续性影响,而通报行为无显著性影响;到随后第3个月,该月污染的持续性影响下降到较小的程度,此时通报行为对PM_2.5浓度呈显著降低作用,且影响程度大于污染的持续性影响。     

Spatio-temporal modeling of PM2.5 concentrations with missing data problem: a case study in Beijing,China

ABSTRACT

One of the major challenges in conducting epidemiological studies of air pollution and health is the difficulty of estimating the degree of exposure accurately. Fine particulate matter (PM_2.5) concentrations vary in space and time, which are difficult to estimate in rural, suburban and smaller urban areas due to the sparsity of the ground monitoring network. Satellite retrieved aerosol optical depth (AOD) has been increasingly used as a proxy of ground PM_2.5 observations, although it suffers from non-trivial missing data problems. To address these issues, we developed a multi-stage statistical model in which daily PM_2.5 concentrations can be obtained with complete spatial coverage. The model consists of three stages – an inverse probability weighting scheme to correct non-random missing patterns of AOD values, a spatio-temporal linear mixed effect model to account for the spatially and temporally varying PM_2.5-AOD relationships, and a gap-filling model based on the integrated nested Laplace approximation-stochastic partial differential equations (INLA-SPDE). Good model performance was achieved from out-of-sample validation as shown in R² of 0.93 and root mean square error of 9.64 μg/m³. The results indicated that the multi-stage PM_2.5 prediction model proposed in the present study yielded highly accurate predictions, while gaining computational efficiency from the INLA-SPDE.     

基于灰色关联模型对江苏省PM2.5浓度影响因素的分析

采用克里金插值法分析2014年江苏省PM_2.5浓度空间分布特征,运用灰色关联模型计算PM_2.5浓度与影响因素间关联度,分析主要影响指标因子与PM_2.5浓度空间分布的相互关系。结果显示：① 江苏省PM_2.5浓度具有沿海低、内陆高,南部高、北部低的空间分布特征;② PM_2.5污染来源指标层的权重值最大（w_i = 0.4691）,空气质量与气象要素指标层的权重稍大（w_i = 0.2866）,城市化与产业结构层的权重值最小（w_i = 0.2453）;③ 在27个指标因子中,与PM_2.5浓度关联度为中度的仅有公路客运量、房屋建筑施工面积、园林绿地面积、人口密度等4个指标因子,PM_2.5与其余指标因子均呈强度相关联,其中与PM₁₀、O₃、降雨量、公路货运总量、地区工业总产值和第二产业占地区生产总值比重等指标的关联度较高;④ PM_2.5污染源指标层与PM_2.5浓度关联度值较大的城市分别是南京、无锡、常州、南通、泰州市;城市化与产业结构指标层与PM_2.5浓度关联度值较大的城市分别是徐州、苏州、盐城、常州市;空气质量与气象要素指标层与PM_2.5浓度关联度值较大的城市分别是盐城、扬州、常州、南通市。综合分析可知,影响指标因子关联度值与PM_2.5浓度空间分布有较好相关性。研究表明,灰色关联模型可有效分析影响PM_2.5浓度的主要因素,能对PM_2.5浓度影响指标进行定量分析与评价。     

基于MODIS数据的城市光化学污染预警系统及预警等级研究

通过分析MODIS遥感数据反演的大气气溶胶光学厚度(AOD)与大气环境污染的关系,结果表明当空气清洁没有污染时,AOD小于0.3,当空气轻度污染时,AOD在0.3~1.0之间,当空气污染严重时,AOD大于1.0。在分析AOD与地面大气污染的关系的基础上,结合地面空气污染监测数据的空气污染指数,将城市光化学污染的预警等级分为无、微弱、较弱、较强和强五级,并对城市光化学污染预警系统进行了框架分析,为进一步建设城市光化学污染预警系统提供基础。