基于卫星遥感的近地面PM2.5浓度反演进展

细颗粒物PM_2.5(Fine Particulate Matter)是影响空气质量和公共健康的关键因素之一。高时空分辨率的PM_2.5数据是公共健康风险评估和流行病学研究的基本需求。相较于地面站点,卫星遥感技术具有连续观测、宽覆盖和低成本的优势,基于卫星气溶胶光学厚度AOD (Aerosol Optical Depth)反演PM_2.5质量浓度的方法已成为热点。本研究概述了卫星AOD产品反演PM_2.5浓度的原理,介绍了用于PM_2.5反演的主要卫星AOD产品及其反演精度;总结了现有的PM_2.5估算方法及其优缺点,指出目前PM_2.5反演研究存在的问题;提出未来PM_2.5反演方向主要集中在高时空分辨率的PM_2.5浓度重建、基于激光雷达数据的三维PM_2.5浓度反演及PM_2.5化学组分反演等方向。比例因子法、物理机理模型和统计模型这3种方法都能在不同时期不同程度...     

基于深度学习与随机森林的PM2.5浓度预测模型

针对PM_2.5浓度预测中传统机器学习算法无法对数据内部隐藏特征进行深层次挖掘,而深度学习算法在数据较少情况下效果不佳的问题,综合考虑深度学习与随机森林的特点,提出一种基于深度学习与随机森林的PM_2.5浓度预测组合模型。模型以气溶胶光学厚度(AOD)遥感数据、气象再分析数据和PM_2.5地面观测数据构建训练数据集,通过深度学习方法对训练数据内部深层次隐含特征进行提取,将提取得到的隐含特征用于随机森林模型训练,并使用随机森林回归算法得到PM_2.5浓度的预测值。为验证方法的有效性,以河南省区域2018年—2019年的PM_2.5浓度估算为例,将原始特征与利用CNN、LSTM和CNN＿LSTM所提取特征共同构建的新特征分别通过随机森林回归、支持向量回归以及K近邻回归等3种传统机器学习方法进行训练和预测。实验结果表明,在较少数据情况下PMCOM模型无论是在整体预测还是在分季节预测场景下均具有较好的预测精度,其中以LSTM为特征选择器,RF为回归器的组合模型是本实验的最优模型,在即使只有35%...     

利用细模态气溶胶光学厚度估计PM2.5

本文利用2013年1月AERONET北京站的气溶胶光学深度(AOD)、气溶胶细模态比例(η)以及地面监测的细颗粒物质量浓度(PM2.5)数据建立AODf与PM2.5的线性回归关系,并利用2013年2月1-15日验证该方法。结果表明,利用2013年1月建立的回归方法能够有效估算灰霾期间细颗粒物质量浓度,获得PM2.5的均值为85μg/m3,均方根误差为50μg/m3。利用气溶胶细模态订正方法估算的灰霾组分气溶胶光学深度(AODf)与细颗粒物质量浓度的相关系数大于气溶胶总光学深度与PM2.5的相关系数,这表明灰霾期间以PM2.5为代表的细模态颗粒物成为气溶胶消光的主体,且AOD与PM2.5的关系转化为AODf与PM2.5的相关关系时,相关程度提高。垂直分布修正在灰霾时对改善AOD与PM2.5相关关系作用不明显;当相对湿度大于80%时,湿度订正效果受到较大限制。     

基于改进LUR模型的大区域PM2.5浓度空间分布模拟

针对采用传统土地利用回归（land use regression,LUR）模型进行大气污染物浓度模拟时预测变量信息损失的缺陷,将主成分分析（principle component analysis,PCA）与逐步多元线性回归（stepwise multiple line regression,SMLR）相结合,提出了一种改进的LUR（PCA+SMLR）模型模拟大区域PM_2.5浓度空间分布的方法。首先采用相关分析筛选与PM_2.5显著相关的预测变量,然后对筛选出的预测变量进行主成分变换（PCA）,最后保留所有主成分变量进行SMLR建立回归模型模拟PM_2.5浓度。并以京津冀为研究区域进行实验验证,对PCR、SMLR、PCA+SMLR这3种模型的实验结果进行对比分析,结果表明,PCA+SMLR模型可提高预测变量对回归模型的贡献度,调整后R2达0.883,并且其精度检验指标及制图效果皆优于传统的LUR模型,证明了该模型可有效提高PM_2.5浓度的模拟精度,对PM_2.5区域联防联控具有指导意义。     

MODIS卫星遥感估计福州地区近地面PM2.5浓度

卫星遥感反演气溶胶光学厚度已被广泛应用于近地面空气污染遥感监测。为揭示福州地区细颗粒物污染的空间分异趋势,利用2014年—2015年的地基监测细颗粒物(PM_(2.5))浓度数据、MODIS 3 km气溶胶光学厚度(AOD)卫星数据以及GEOS-FP气象数据,分别构建了估计福州地区近地面PM2.5浓度的日校正模型和站点一日校正模型,并利用十折交叉验证方法对2个模型进行评价验证。结果表明:(1)日校正模型和站点一日校正模型分别能够解释福州地区PM2.5浓度76.2%和81.4%的变异,反演的2014年—2015年福州地区近地面PM2.5浓度和地面实测站点数据之间的相关性R~2分别为0.724(RMSE=10.993μg·m~(-3))和0.781(RMSE=9.687μg.m~(-3));(2)分别针对不同下垫面环境的城市站点和县郊站点数据进行模型拟合验证,两个模型反演的PM2.5浓度值与地面实测值之间皆具有良好的相关性,R~2最高可达0.808;(3)将模型反演的PM2.5浓度季均值与地面实测季均值进行对比分析,结果也显示二者高度相关,据此反演的2015年福州地区年平均PM2.5浓度分布图可清晰地揭示福州地区PM_(2.5)浓度分布的空间变化情况。由此可见,基于MODIS 3 km AOD产品和气象数据建立的近地面PM_(2.5)浓度遥感估算模型能够很好地反演出福州地区近地面PM2.5浓度分布情况。     

2016—2018年中国PM2.5时空分布特征分析

采用地统计分析、聚类和异常值分析方法,对2016—2018年全国367个城市的PM_2.5浓度监测数据进行分析。结果表明：全国及重点区域的PM_2.5浓度月际变化趋势具有一致性和周期性,呈“U”形分布;PM_2.5浓度存在明显的季节变化特征,2016—2018年我国的PM_2.5浓度年均值逐年递减。从整体空间分布来看,我国PM_2.5浓度在东西、南北2个方向上的变化情况不同,东西方向的差异比南北方向更大,表现出了各向异性。我国PM_2.5高-高聚类模式主要集中在北京、天津、河南、河北、山西、山东西部、安徽北部,低-低聚类模式主要分布在云南、福建、广东沿海地区。     

耦合注意力机制DNN的PM2.5估算及时空特征分析

PM_2.5作为指示环境质量的重要因子之一,不仅影响着灰霾天气的发生,还与公众健康息息相关,近年来受到广泛的关注。尽管PM_2.5地面观测站点在不断地扩张,其覆盖范围依旧有限,难以反映全域PM_2.5浓度的时空异质性。本研究运用卫星遥感气溶胶光学厚度数据,辅助因子除常规的气象因子等以外,还加入了针对中国人民生产生活习惯的农历日因子,提出一种耦合注意力机制的深度神经网络模型,对长三角区域2015年—2020年PM_2.5浓度进行了逐日的高精度估算。模型交叉验证结果显示决定系数R²高达0.85,斜率0.86,与地面站点观测值有较高的一致性,优于多元线性回归和随机森林模型。长三角区域PM_2.5浓度时空特征分析结果表明,PM_2.5浓度在空间上呈现北高南低的趋势;季节特征以冬季浓度最高,夏季浓度最低,春秋过渡。此外,长三角区域2015年—2020年整体PM_2.5浓度呈下降趋势,其中以上海市最为明显,下降速率为3.30μg/(m     

中国重点区域PM2.5时空变化分析与预测

在我国工业化和城市化迅速发展的背景下,细小颗粒物PM_2.5污染已经成为当前主要空气污染物。本文使用基于Python编程语言的网络爬虫技术获取了中国京津冀、长三角、珠三角3个重点区域的PM_2.5日均值数据,分别基于Excel软件和ArcGIS软件进行PM_2.5时空变化特征分析。最后,通过建立分数阶累加灰色预测模型对北京市2018年PM_2.5月均值浓度进行预测。结果显示:1)时间上,我国PM_2.5浓度表现为“冬高夏低”的“U”形变化趋势;2)空间上,我国PM_2.5浓度整体表现为由南北地区向中部地区PM_2.5浓度逐渐增加;3)分数阶GM(1,1)模型对PM_2.5月均值浓度数据的预测精确度较高,结合预测结果可从长期或短期提出PM_2.5污染治理的措施建议。     

2000年—2018年中国和印度的长期PM2.5污染暴露的疾病负担研究

PM_2.5作为空气污染物,对人体健康构成了潜在威胁。中国和印度是全球人口最多的两个发展中国家,PM_2.5污染造成的疾病负担问题尤为严重。因此,本文基于长时间序列高分辨率(0.01°×0.01°)卫星反演的PM_2.5浓度数据,分析了中国和印度19年(2000年—2018年)的PM_2.5时空格局变化和人口暴露情况;基于综合暴露响应模型全面评估了两个国家因PM_2.5长期暴露导致的6种疾病(急性下呼吸道感染、慢性阻塞性肺病、二型糖尿病、缺血性心脏病、肺癌和中风)的过早死亡人数。结果表明,中国PM_2.5浓度的高值区集中在新疆、四川盆地、华北平原以及长江经济带等地区,年人口加权浓度总体呈减少趋势(2000年为50μg·m^-3,2018年为40.8μg·m^-3);印度PM_2.5浓度的高值区集中在北部地区,年人口加权浓度一直呈上升趋势(2000年为51.5μg·m^-3,2018年为76...     

MERSI和MODIS卫星监测京津冀及周边地区PM2.5浓度

京津冀及周边地区是中国PM_(2.5)污染最重的区域之一,利用卫星遥感技术监测大范围的PM_(2.5)时空分布变化是一种先进的重要手段。本研究首先基于暗像元算法利用FY-3B/MERSI与AQUA/MODIS对京津冀及周边区域进行了遥感AOT反演和验证分析;然后,引入气象资料和地面观测资料利用GWR模型反演了区域PM_(2.5)浓度,并对遥感反演结果进行了交叉验证评估,综合对比分析了MERSI和MODIS的气溶胶及PM_(2.5)遥感监测能力;最后,利用MERSI数据对2017年第一季度京津冀及周边区域的PM_(2.5)月均浓度时空分布变化情况进行了初步探索分析。结果表明:FY-3B/MERSI在气溶胶及PM_(2.5)遥感监测能力方面略优于AQUA/MODIS,MERSI反演的1 km分辨率AOT和PM_(2.5)与地面站点实测结果的决定系数R2分别为0.76μg/m~3和0.79μg/m~3,均方根误差分别为0.26μg/m~3和28μg/m~3,平均绝对误差分别为0.16μg/m~3和15μg/m~3,能基本满足对京津冀及周边区域PM_(2.5)的精细化监测需要。2017年第一季度京津冀及周边区域PM_(2.5)月均浓度遥感监测结果表明该区域的PM_(2.5)空间分布格局与地形地貌关系密切,高值区整体上沿太行山脉成带成片;从时间变化来看,1—3月呈逐月下降的趋势,其中3月份PM_(2.5)区域浓度较1月和2月有大幅下降。这说明FY-3\MERSI遥感反演产品能为环境质量监测和环境管理工作效果评估提供有效参考,本研究对国产卫星在大气环境遥感业务中的大力发展应用有重要参考意义。     

地球静止卫星和网格化站点支持下的PM2.5精细制图

许多城市建立的相对稠密的网格化监测站点,为精细化监管城市空气质量奠定了基础。本文选用徐州市网格化监测数据、地球静止卫星Himawari-8/AHI及COMS/GOCI的表观反射率和气溶胶光学厚度数据、气象和其他辅助数据,开展了徐州地区0.005°空间分辨率网格的PM_2.5浓度精细化制图研究。本文使用了极端梯度提升（XGBoost）、随机森林（RF）及时空加权回归（GTWR）等3种方法,并选用多种特征参数组合进行对比分析。综合分析模型精度和过拟合程度,结果表明XGBoost模型表现最好,其R²为0.90,RMSE为11.65 μg/m³。进一步将本文结果与国控站点、清华大学的TAP数据集和马里兰大学的CHAP数据集的对比分析,结果表明基于网格化站点的PM_2.5制图结果能更好地反映城市内部不同区域的PM_2.5浓度分布差异性,弥补因国控站点稀疏带来的缺陷,更好地服务于城市空气质量精准管控。     

北京地区气溶胶粒径尺度谱与PM2.5浓度转换模型研究

大气细颗粒物（PM_2.5）质量浓度是重要的空气质量指标之一。为了促进区域PM_2.5浓度监测的研究,同时拓展利用CE318太阳光度计等光学传感器反演的大气气溶胶产品的应用领域,本文首先基于北京地区2014年—2017年大气气溶胶反演的粒径尺度谱分布产品,计算表征PM_2.5的粒子体积,并结合同一时间北京地区35个空气质量站点提供的PM_2.5质量浓度参考值计算转换系数,对样本区间进行划分以构建转换模型。其次,利用各CE318站点数据所得转换系数及其相对精度,对研究区PM_2.5质量浓度估算误差空间分布,以及转换系数偏差对估值误差贡献情况进行评价。研究结果表明,由CE318站PM_2.5粒子体积与其临近空气质量站PM_2.5质量浓度联合建立的转换系数是一种与气溶胶理化属性密切相关的参数指标,可将时间和空间维度上PM_2.5体积与PM_2.5质量浓度之间的关系映射到由理化属性主导的维度上,可用于对估值模型进行细化和分类,构建分段转换函数模型,使得各分段区间内具有较高的模型拟合精度。基于转换系数的北京地区PM_2.5浓度估值的相对误差多年均值介于12.8 %—28.7 %,而转换系数相对偏差对PM_2.5质量浓度估值相对误差的影响显著,二者之间具有“r”型结构。当转换系数相对偏差介于-16.3 %至24.5 %时,该偏差的出现概率约为66.5 %,使得PM_2.5质量浓度估值误差在20 %以内,表明采用此种方法对相应站点的PM_2.5质量浓度进行估值具有相当的精度和稳定性。以上研究结果可为地面观测站稀少区域利用卫星光学遥感开展空气质量大范围监测应用提供理论前提和技术支持。     

NPP卫星VIIRS微光资料反演夜间PM2.5质量浓度

为研究城市夜间PM_(2.5)质量浓度,利用NPP卫星上可见光红外成像辐射套件(VIIRS)DNB通道的微光辐射数据,以辐射传输理论为基础,建立了夜间城市灯光辐射强度与地面表层PM_(2.5)质量浓度的关系,并基于支持向量机方法建立了夜间城市PM_(2.5)质量浓度反演模型。以北京市作为研究对象,选取2015-03—2015-05期间无月、无云且晴朗夜空条件下4个PM_(2.5)监测站点的微光辐射数据与时空匹配的PM_(2.5)质量浓度数据对模型进行验证。研究结果表明:夜间城市灯光辐射强度与地面表层PM_(2.5)质量浓度呈现负相关性,相关系数最高的定陵站点达到–0.83。基于支持向量机方法建立的PM_(2.5)反演模型获得的PM_(2.5)质量浓度与实际PM_(2.5)质量浓度的相关系数达到0.95,反演结果较优,为进一步大范围监测PM_(2.5)质量浓度空间分布以及改善城市夜间空气质量状况评估方法提供了可行性参考。     

融合星地多源数据资料的长三角地区高分辨率时空无缝PM2.5浓度数据

大气污染物浓度全方位动态监测是进行区域大气污染精细化防控的重要前提。为开展长三角地区小时分辨率PM_2.5浓度无缝制图,本研究通过耦合AOD缺失信息重建与多模数据融合技术,建立了一套能够有效集成卫星遥感、地面观测、数值模拟等多源异构数据资料的近地面PM_2.5浓度无缝制图方案,并据此生产了2015年—2020年长三角地区小时分辨率无缝PM_2.5浓度格点数据产品。结果表明：本研究生产的PM_2.5浓度无缝格点产品与国控站点观测数据的交叉验证相关系数达0.9,平均偏差不超过10 μg·m^-3。较于空间分布不均且相对稀疏的站点观测PM_2.5浓度资料,面域无缝PM_2.5浓度格点数据更能有效揭示长三角地区PM_2.5污染的时空变化特征;在2015年—2020年研究期内,其平均下降速率超过3 μg·m^-3·a^-1。本研究发展的PM_2.5浓度无缝制图方法和生产的相关数据产品有望为区域灰霾污染防控和PM_2.5暴露健康风险评估研究提供方法参考和基础数据支撑。     

Impact of land-cover layout on particulate matter 2.5 in urban areas of China

ABSTRACT

Urbanization in China is closely connected with ambient particulate matter 2.5 (PM_2.5). However, the potential for altering PM_2.5 through the urban landscape characteristics is uncertain. In this study, we analyzed the urban PM_2.5 pollution situation for 2014–2016 and investigated the impact of landscape factors on urban PM_2.5 in China at the city level. All the prefecture-level cities were stratified by urban population size into small (<500,000), medium (500,000–1,000,000), and large (>1,000,000), and the other second-level administrative cities were assigned as ‘other’ cities. The multivariate regression model including both urban landscape factors and social-economic variables explained 70.0%, 32.8%, 19.2%, and 12.4% of the arithmetic mean PM_2.5 concentration (AMC-PM_2.5) for the other, small, medium, and large cities, respectively. With regard to the configuration of land cover, agricultural activity is a major contributor of PM_2.5 pollution, for which the explanatory power ranged from 7.6% (for the large cities) to 64% (for the other cities). In addition, grassland aggregation also has a limited but negative effect on urban PM_2.5 pollution, despite the negligible effect on dry deposition. Overall, these findings likely reflect the interaction between urban air quality and urbanization, and will have implications for air quality control strategies.