利用LUR模型模拟杭州市PM2.5质量浓度空间分布

模拟城市大气污染物浓度空间分布对研究城市空气质量及人体健康至关重要.本研究利用土地利用回归模型(Land Use Regression,LUR),提取包括污染点源因子、交通因子、人口因子、土地利用因子和气象因子等60个预测因子,基于地理加权算法(GWR)建立春、夏、秋、冬四个季节的模型,实现对杭州地区近地表PM_(2.5)质量浓度空间分布的预测.结果表明:基于地理加权回归算法时,检验模型的R2值分别达到0.76(春季)、0.70(夏季)、0.73(秋季)、0.76(冬季),模型能够解释PM_(2.5)浓度值80%以上的变异.每个季度杭州地区PM_(2.5)浓度变化不尽相同,但总体以杭州中部最高,西南部偏低.研究说明基于LUR模型模拟大尺度地区PM_(2.5)质量浓度空间分布是可行的.     

基于地理加权模型的我国冬季PM2.5遥感估算方法研究

为了分析冬季我国区域范围内近地面PM_(2.5)质量浓度时空分布特征,根据卫星遥感反演PM_(2.5)质量浓度的基本原理,综合考虑我国不同地区的PM_(2.5)污染特征的空间差异性,基于卫星遥感、气象模式资料及同期地面观测的PM_(2.5)质量浓度数据采用地理加权模型进行回归分析,研究构建了我国区域范围内近地面PM_(2.5)遥感反演模型.结果表明:在冬季暗像元反演AOD算法受限制的情况下,深蓝算法产品可以一定程度上弥补暗像元算法的不足,将二者有效融合能同时提高AOD产品的精度和空间覆盖度;利用地理加权回归模型进行全国区域PM_(2.5)遥感估算,既能体现全国PM_(2.5)时空分布的全局变化特性,又能从局部体现全国PM_(2.5)组分、污染程度及垂直分布结构特征的空间差异特性,基于地理加权回归模型的PM_(2.5)遥感反演结果(R2=0.7)明显优于多元线性回归模型(R2=0.56);2013年12月—2014年2月份全国PM_(2.5)空间分布呈现明显的区域特征,PM_(2.5)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PM_(2.5)污染相对较轻;从时间变化来看,全国冬季12月份PM_(2.5)污染最重,1月份次之,2月份相对最低.这可为全国PM_(2.5)区域联防联控提供有力的信息支撑.     

北京市PM2.5时空分布特征及其与PM10关系的时空变异特征

PM_(2.5)时空分布特征及其与其它污染物的相关关系是PM_(2.5)时空统计分析的主要研究内容.然而,现有的方法直接从监测站点的角度对时空分布特征进行分析,难以有效地揭示PM_(2.5)浓度的聚集分布特征;同时,常用的地理加权回归在对PM_(2.5)与其它污染物间关系进行建模的过程中,缺乏同时考虑时间异质性与空间异质性,从而不能准确地描述依赖关系的时空变异特征.为此,首先借助于空间聚类分析技术,对北京市2014年PM_(2.5)浓度的聚集结构进行探测,在此基础上,通过聚集结构来分析PM_(2.5)季节性时空分布特征.然后,利用地理时空加权回归对北京市PM_(2.5)与PM_(10)季节平均浓度间关系进行建模,依据回归结果分析PM_(2.5)-PM_(10)间关系的时空变异特征.实验结果表明,春夏季节PM_(2.5)污染程度及空间变异程度均低于秋冬季节,各季节PM_(2.5)浓度均表现为北部浓度低、南部浓度高的空间分布特征;地理时空加权回归具有更好的拟合效果,由回归系数进一步可发现,春夏季PM_(2.5)-PM_(10)相关性低于秋冬季PM_(2.5)-PM_(10)相关性;各季节均表现为西北部PM_(2.5)-PM_(10)的相关性高于东南部PM_(2.5)-PM_(10)的相关性.     

近20年来中国典型区域PM2.5时空演变过程

近20年来PM_(2.5)污染严重制约了中国可持续发展.长时间序列历史监测数据的缺失阻碍了相关研究.为此,本文以四大典型区域2013~2016年的PM_(2.5)浓度监测值和2000~2016年MODIS AOD数据、边界层高度、温度等气象数据作为基础数据,将反向人工神经网络和支持向量回归机两种算法相结合,构建组合模拟模型,并利用地理空间分析技术实现近20年来PM_(2.5)浓度历史变化过程的情景再现.研究结果表明,组合模型具有较低的误差和更高的泛化能力;时空分析结果表明,2000~2010年京津冀和东三省PM_(2.5)浓度持续增长,珠三角PM_(2.5)浓度缓慢下降,3个研究区PM_(2.5)污染范围呈扩大趋势,长三角PM_(2.5)浓度值及污染范围基本保持稳定.2012年4个研究区PM_(2.5)浓度值降低且污染范围缩小,但2013~2016年PM_(2.5)浓度略微上升后又下降,高污染范围缩小,这与国家采取PM_(2.5)区域联防等治理措施有关.     

基于LUR模型的中国PM2.5时空变化分析

土地利用回归(LUR)模型是模拟大气污染物浓度时空分异最主要、最体系化的方法之一,为了探索LUR模型在中国国家尺度空气污染物模拟的适应性,挖掘中国2015年空气细颗粒物(PM_(2.5))的时空变化特征及其与不同地理要素相关关系,以2015年国家控制监测站点PM_(2.5)数据为因变量,土地利用类型、地形地貌、人口、道路交通与气象要素等影响因素为自变量,构建基于地理加权的LUR模型,通过模型回归制图得到2015年全国月均与年均PM_(2.5)浓度分布图,以胡焕庸线为参考线分析中国2015年PM_(2.5)浓度的时空变化特征.结果表明,引入地理加权算法的LUR模型残差Moran'sⅠ显著降低,残差空间自相关性明显减弱,判别系数R2明显提高,更好地揭示出PM_(2.5)空间分布和各影响因子间的复杂关系;耕地、林地、草地和城镇居民工矿用地以及气象要素、主干道路对PM_(2.5)浓度的影响比较显著.不同地理要素的不同空间分布对PM_(2.5)影响作用不同;胡焕庸线两侧PM_(2.5)表现出明显的时空差异,人口规模大、工业化水平高的发达城市PM_(2.5)浓度较高; PM_(2.5)浓度在冬季月份较高,秋季、春季、夏季月份污染情况逐渐减弱.     

基于MODIS气溶胶光学厚度与气象要素的苏锡常地区PM2.5地面浓度分布研究

基于GIS技术和岭回归分析方法,采用苏锡常地区的MODIS高分辨率气溶胶光学厚度资料、PM_(2.5)浓度观测资料和苏锡常及周边地区的气象观测资料,构建了基于气溶胶光学厚度和气象要素的PM_(2.5)地面浓度分布估算模型,模拟了2013年春季苏锡常地区PM_(2.5)的空间分布状况,并将此模型与气象要素多元回归模型、气溶胶光学厚度直接回归模型进行比较.结果表明:该模型将遥感观测资料与地面气象观测资料相结合,能够有效地模拟PM_(2.5)的空间分布状况;2013年春季苏锡常地区PM_(2.5)的空间分布具有整体上西北高、东南低,中心城区高、城郊区低的趋势,局部高浓度区域可能与工业生产、交通等人为因素有关;该模型能够在保持较高精度的前提下,有效地突出局部地区的变化特征,体现出更强的空间分异性,对于研究PM_(2.5)的空间分布规律具有一定的实际应用价值.     

基于多源数据的PM2.5浓度时空分布预测与制图

随着我国经济、工业化、城市化进程迅速发展,PM_(2.5)污染在中国已经成为一个极端的环境和社会问题,并引起广泛关注.采用新技术估算的地表PM_(2.5)质量浓度,收集并处理了遥感反演的气溶胶光学厚度(AOD),气象数据,其他地理数据和污染物排放数据,采用贝叶斯最大熵(BME)结合地理加权回归(GWR)来分析2015年冬季的PM_(2.5)暴露在我国东部大范围区域的时空变异特征.结果表明,BME模型的十折交叉验证结果的决定系数R~2为0.92,均方根误差(RMSE)为8.32μg·m~(-3),平均拟合误差(MPE)为-0.042μg·m~(-3),平均绝对拟合误差(MAE)为4.60μg·m~(-3),与地理加权回归模型的结果相比(R~2=0.71,RMSE=15.68μg·m~(-3),MPE=-0.095μg·m~(-3),MAE=11.14μg·m~(-3)),BME的预测结果有极大的提高.空间上,PM_(2.5)高浓度地区主要集中在华北、长江三角洲、四川盆地,低浓度地区主要集中在中国的最南部如珠江三角洲和云南的西南部;时间上,不同月份的研究区域PM_(2.5)空间分布所有差别,2015年的12月、2016年1月PM_(2.5)污染最为严重,2015年的11月,2016年的2月污染相对较低.     

苏锡常地区PM2.5污染特征及其潜在源区分析

利用2014年12月—2015年11月苏锡常地区国控大气环境质量监测站发布的逐时数据,分析了研究区PM_(2.5)浓度的季节变化和空间分布特征,并利用HYSPLIT模型分析了大气污染物的输送路径及苏锡常地区PM_(2.5)的潜在源区.结果表明,苏锡常地区PM_(2.5)浓度日均值变化趋势基本一致,均呈现冬季高、夏季低的规律.PM_(2.5)浓度四季空间差异显著,不同监测站之间的差异较小.四季PM_(2.5)浓度与其它污染物之间相关性显著.单位面积污染物排放量与空气质量分布的空间错位,表明该地区PM_(2.5)污染与区域性污染物迁移有较大关系.苏锡常地区气流后向轨迹季节变化特征明显,冬、春、秋季的气流主要来自西北内陆地区,夏季气流以东南和西南方向输入居多.聚类分析表明,来自内陆的污染气流和来自海洋的清洁气流是苏锡常地区两种主要输送类型,外源污染气流不仅直接输送颗粒物,还贡献了大量的气态污染物.山东南部、江苏西部、安徽东部、浙江北部及江西西北地区对苏锡常冬季PM_(2.5)浓度贡献较大,春、夏、秋季的潜在源区主要分布在苏锡常本地和周边城市.     

多尺度PM_(2.5)分布特征的空间插值与遥感反演对比

精确识别污染物浓度的空间分布是进行区域大气污染防治的重要基础。利用MODIS卫星数据,采用基于地面气象和环境空气质量监测站点观测数据为基础的反演模型,反演获取2013年12月珠三角地区典型大气污染过程1 km分辨率的PM_(2.5)浓度数据,对比分析遥感反演及基于环境空气质量监测站点观测数据的空间插值方法对区域、城市和乡镇尺度PM_(2.5)浓度空间分布特征的再现效果差异。结果表明,珠三角地区PM_(2.5)遥感反演结果与地面观测数据的相关性达到0.74,相关性水平较好,遥感反演结果可描述区域、城市和乡镇尺度上PM_(2.5)污染浓度的空间分布特征,识别不同空间位置的污染程度差异;基于站点观测数据的空间插值方法对PM_(2.5)浓度空间分布特征的再现能力有限,在区域尺度PM_(2.5)浓度空间分布特征分析时效果尚可,在站点有限的城市和乡镇尺度分析中效果不佳,容易产生对高浓度污染地区的误判;在需要利用站点观测数据分析区域尺度PM_(2.5)浓度空间分布特征时,析取克里金、反距离权重或径向基函数插值方法的效果相对较好。     

基于NPP/VIIRS夜间灯光遥感数据估算上海地区PM2.5浓度

随着工业化和城市化的迅速发展,中国面临着越来越严重的大气污染危机,以细颗粒物(PM_(2.5))为标志的区域性大气复合污染问题已经成为我国大气环境污染治理的核心工作.目前,传统的地面监测站监测PM_(2.5)浓度的方法空间分辨率较差且耗费人力物力,而卫星遥感数据监测PM_(2.5)浓度的方法大部分只能应用于白天.由于PM_(2.5)浓度在时间上存在周期性变化,因此利用卫星遥感数据监测的夜间PM_(2.5)浓度可以作为表征PM_(2.5)日变化规律的重要补充.本研究采用Suomi National Polar-orbiting Partnership(Suomi NPP)卫星搭载的可见红外成像辐射计套件(Visible Infrared Imaging Radiometer Suite, VIIRS)中Day/Night波段(DNB)夜间灯光影像数据,依据大气气溶胶消光原理和站点气象数据,建立PM_(2.5)浓度的预测模型,基于多元线性回归分析对上海地区9个空气质量监测站在2014—2018年冬季无月无云的晴朗夜间的PM_(2.5)浓度值进行估计,并对PM_(2.5)浓度的空间分布进行模拟.结果表明,在研究时段上海地区PM_(2.5)实际浓度与模型估算PM_(2.5)浓度之间R~2=0.767,均方根误差(RMSE)为19.210μg·m~(-3),验证了VIIRS/DNB夜间灯光影像数据在估算PM_(2.5)浓度方面有巨大潜力.     

陕西省PM2.5时空分布规律及其影响因素

PM_2.5是导致中国多省市发生灰霾的罪魁祸首,明确其时空分布规律,厘清其影响因素对灰霾的综合治理意义深远.基于陕西省2015年50个监测站点的PM_2.5浓度数据,采用空间数据统计方法、克里金插值法以及Morlet小波分析法对陕西省PM_2.5浓度的时空分布规律进行研究,并运用灰色关联模型来探讨PM_2.5浓度的影响因素.结果显示:①陕西省PM_2.5浓度整体呈"冬高夏低、春秋居中"的季节性变化规律,"U型"起伏的月变化规律,周期性脉冲波动型的日变化规律以及"W型"起伏的时变化规律;②陕西省PM_2.5浓度呈"北部低,中南部高"的空间分布特征,并且空间集聚性显著.不同季节的高值区均集聚于海拔相对较低的关中盆地内部城市.这与盆地内部空气不易扩散,静稳天气出现频率较高,易出现逆温现象密切相关;③影响陕西省PM_2.5浓度最大的指标层是PM_2.5污染来源（权重值为0.49）,其次是城市化与土地利用（权重值为0.37）,气象与地形因子影响最小（权重值为0.15）.不同城市各指标层的综合关联度差异较大.④各指标因子与PM_2.5浓度均为强度关联.降水量、机动车保有量、二氧化硫排放量、烟粉（尘）排放量、建成区面积、人口密度和人均GDP是影响陕西省PM_2.5浓度的主要因子,影响各城市PM_2.5浓度的主要因子具有一定的空间差异性.研究显示,人类活动对陕西省PM_2.5的影响显著,尤其是城市化的快速推进,相关指标（如人口、机动车、能耗、工业总产值等）持续增长,将进一步加大PM_2.5来源的多样性以及相关污染物的排放量.      

四川盆地PM2.5浓度时空变化特征遥感监测与影响因子分析

四川盆地因其独特的地形地貌、静风和高湿等气象条件,导致盆地内部大气污染物扩散难度大,随着城市化与工业化进程加快,区内PM_2.5污染日益加重,四川盆地已成为国家大气污染防治的重点地区之一.基于PM_2.5浓度遥感反演产品,采用空间自相关分析与灰色关联分析方法,研究了四川盆地PM_2.5浓度的时空分布特征及其影响因素.结果表明,四川盆地PM_2.5浓度具有显著的空间聚集性,高-高聚集类型分布集中,低-低聚集类型分布较为分散;针叶林对PM_2.5的吸收抑制作用明显高于灌丛和草地等其他植被类型.研究认为,影响四川盆地PM_2.5浓度的主要气象因子是风速和气温,人口密度与经济规模则是影响四川盆地PM_2.5浓度的主要人类活动因子,产业结构及其规模变化对四川盆地PM_2.5浓度也产生一定影响.     

2000～2021年成渝城市群PM2.5时空变化及驱动机制多维探测

研究成渝城市群PM_2.5浓度时空变化和驱动机制，对区域大气环境保护和国家经济可持续发展具有重要意义.基于PM_2.5遥感数据、 DEM数据、基于站点的气象数据、 MODIS NDVI数据、人口密度数据、夜间灯光数据、路网数据和土地利用类型数据，采用Theil-Sen Median趋势分析和Mann-Kendall显著性检验等方法，结合地理探测器，在多时空尺度上分析成渝城市群PM_2.5时空变化，并探测影响其变化的驱动机制.结果表明，2000～2021年成渝城市群PM_2.5浓度整体呈波动下降态势，冬季PM_2.5污染最为突出.PM_2.5浓度具有明显的空间异质性，呈现出“中间高，四周低”的空间分布特征，PM_2.5浓度高值区主要集中在自贡、内江、资阳和广安，PM_2.5浓度呈显著下降的区域主要集中在重庆西部等地.因子探测结果表明，成渝城市群PM_2.5浓度空间分异受气候、地形、植被和人文因子共同影响.高程、...     

2001~2019年气象条件对江苏省PM2.5分布的影响

利用区域在线空气质量模式WRF-Chem模拟研究了2001～2019年气象条件对江苏省PM_2.5浓度分布的影响.在排放源不变的情况下,气象条件引起的江苏省PM_2.5年均浓度的最强正、负异常分别出现在2008和2001年,它们的异常值相对于多年平均值分别占比10.5%和-14.3%,表明气象条件对PM_2.5浓度年际变化有明显影响.经验正交函数分解的结果表明,气象条件对江苏省PM_2.5浓度的空间分布的影响具有一致性.边界层高度、温度、相对湿度、风速和降水整体上都与江苏省PM_2.5浓度呈现显著负相关关系.以上气象因子所构建的线性回归方程能较好地描述PM_2.5浓度和气象条件之间的关系,其拟合值与模拟值相关性为0.73,通过了99%的信度水平检验.     

基于地理探测器的广州市大气PM2.5浓度驱动因素分析

PM_2.5变化的驱动因素是大气PM_2.5研究的重要内容.为了揭示PM_2.5污染的特点及其驱动影响因子,以广州市为例,采用地理探测器方法探测自然因素（包括平均降水量、平均温度、平均气压、平均相对湿度、平均风速、植被指数）与社会经济因素（包括人口密度、国内生产总值、工业总产值、人均公园绿地面积、公交车辆数、电力消费量）对2015年广州市ρ（PM_2.5）变化的影响机制与差异.结果表明:①基于因子探测分析发现,对ρ（PM_2.5）变化影响最大的前三位驱动因素分别为植被指数、公交车辆数与电力消费量,对应的因子影响程度指标值分别为0.51、0.46、0.40.②基于生态探测分析发现,植被指数与其他自然因素（如平均温度、平均降水量、平均气压等）对ρ（PM_2.5）空间分布的影响均存在显著差异,与所有社会经济因素对ρ（PM_2.5）空间分布的影响均不存在显著差异;除植被指数外,公交车辆数与其他自然因素及社会经济因素对ρ（PM_2.5）空间分布的影响均存在显著差异.③基于交互探测分析发现,所有影响因素（包括自然因素与社会经济因素）对ρ（PM_2.5）变化的交互作用均大于单一影响因素的独自作用,其中平均降水量与平均气压交互作用后对ρ（PM_2.5）变化的影响最大.研究显示,自然因素（尤其是植被指数、平均降水量）及自然因素与人为活动（如交通出行、电力消费等）交互效应对广州市ρ（PM_2.5）的变化起决定性作用.      

天津市PM2.5浓度时空分布特征及重污染过程来源模拟分析

天津市多发生以PM_2.5为首要污染物的重污染事件,明确ρ（PM_2.5）时空分布特征及重污染过程来源对PM_2.5的综合治理意义深远.利用天津市2014-2017年环境资料和2016年气象资料,结合WRF-Chem模式研究了天津市ρ（PM_2.5）时空分布特征及重污染过程来源.结果表明:①自2014年以来,天津市ρ（PM_2.5）呈逐年下降趋势.②ρ（PM_2.5）月变化曲线呈"U"型分布,呈冬春季高、夏秋季低的季节性特征;ρ（PM_2.5）日变化呈双峰型分布,主峰值出现在08:00-09:00,次峰值出现在21:00-翌日00:00.③各季节天津市ρ（PM_2.5）空间分布不同,春季、夏季、秋季和冬季高值中心分别位于天津市西南部的静海区、中心城区北部的北辰区、西部的武清区及北部的蓟州区.④WRF-Chem模式模拟的天津市秋冬季污染物来源结果表明,本地源贡献率为56%,外来源输送贡献率为44%,其中以河北省和山东省的输送为主.2016年12月16-22日天津市一次重污染过程的模拟结果表明,天津市本地源贡献率为49.6%,河北省、北京市和山东省的外来源输送贡献率分别为32.2%、7.0%和2.2%.污染前期,不利气象条件和外来源输送造成天津市ρ（PM_2.5）聚集并形成重度污染;污染持续过程中,本地源贡献率逐渐增大并占主导地位.研究显示,近年来天津市ρ（PM_2.5）呈下降趋势,并有明显的空间分布特征.      

北京市交通扬尘PM2.5排放清单及空间分布特征

为建立一种自下而上的交通扬尘PM_2.5排放清单方法,对北京市不同区域、不同类型道路的路面积尘负荷进行了采样和实验室分析,对各类路网的道路车流量和车辆类型进行了调查和统计,建立了北京市道路交通扬尘PM_2.5排放清单,并对其空间分布进行了分析. 结果表明:北京市城区快速路、主干道、次干道、支路和胡同的交通扬尘PM_2.5排放因子分别为(0.05±0.03)(0.09±0.05)(0.11±0.05)(0.16±0.14)和(0.27±0.20)g/(km·辆),相应各类型道路的交通扬尘PM_2.5排放强度分别为(7.21±4.66)(5.27±3.03)(3.34±1.49)(2.84±2.49)和(0.54±0.40)kg/(km·d);郊区高速路、国道、省道、县道、乡道和城市道路的交通扬尘PM_2.5排放因子分别为(0.10±0.03)(0.50±0.33)(0.39±0.37)(0.41±0.41)和(0.65±0.31)(0.19±0.08)g/(km·辆),各类型道路交通扬尘的PM_2.5排放强度分别为(3.82±1.31)(10.00±6.58)(3.93±3.74)(1.64±1.63)(0.65±0.31)和(0.74±0.32)kg/(km·d). 北京市道路交通扬尘PM_2.5的年排放量为13 565 t,从空间分布上看,郊区交通扬尘PM_2.5年排放量、单位道路长度排放量以及排放因子均高于市区,而城区单位行政区面积的交通扬尘PM_2.5排放量高于远郊区县. 从交通扬尘PM_2.5排放的空间分布特征看,在继续加强城区交通扬尘控制的同时,应采取措施控制远郊区县公路的扬尘排放. 自下而上的交通扬尘PM_2.5排放清单提高了排放的时空分辨率,能够识别路网中高排放的区域和路段,为交通扬尘总量管理和减排目标考核提供了一种技术手段.      

京津冀城市群冬季二次PM2.5的时空分布特征

二次组分是造成京津冀城市群冬季PM_2.5污染的重要因素.采用CO示踪法,估算2017～2021年冬季京津冀城市群二次PM_2.5浓度,并分析其时空分布特征,探讨区域二次PM_2.5的影响因素.结果表明,2017～2021年冬季京津冀区域PM_2.5浓度下降趋势明显,河北中南部一次PM_2.5下降幅度最大,二次PM_2.5浓度年际波动平稳,北京和天津二次PM_2.5占比明显高于其他城市.随着污染程度加剧,一次PM_2.5和二次PM_2.5质量浓度均有不同程度的增加,二次PM_2.5占比呈显著增大趋势.与直接测量结果相比,CO示踪法获得的结果偏低,与冬季CO浓度较高,一次PM_2.5浓度高估有关,选取合适的一次气溶胶基准值是改进该方法,获取合理估算值的关键.