EN中文

地理科学 >

2023 , Vol. 43 >Issue 10: 1869 - 1878

DOI: https://doi.org/10.13249/j.cnki.sgs.2023.10.018

跨区域重大基础设施与空间治理

东北地区PM2.5质量浓度遥感估算与时空分布特征

  • 吴迪 , 1, 2, 3 ,
  • 高枞亭 , 1, 2, 3 ,
  • 李建平 1, 2, 3 ,
  • 马艳敏 1, 2, 3 ,
  • 穆佳 1, 2, 3 ,
  • 吴玉洁 1, 2, 3
展开
  • 1.吉林省气象科学研究所，吉林 长春 130062
  • 2.长白山气象与气候变化吉林省重点实验室，吉林 长春 130062
  • 3.吉林省农业气象灾害风险评估与防控科技创新中心，吉林 长春 130062
高枞亭。E-mail:

吴迪（1993—），女，黑龙江哈尔滨人，硕士，工程师，主要从事生态气象遥感应用研究。E-mail:

收稿日期: 2022-06-12

  修回日期: 2023-01-01

  网络出版日期: 2023-10-20

基金资助

国家重点研发计划项目(2017YFC0212302)

国家重点研发计划项目(2017YFC0212304)

版权

版权所有©《地理科学》编辑部 2023
收起

Remote sensing estimation and spatial-temporal distribution of PM2.5 concentration in Northeast China

  • Wu Di , 1, 2, 3 ,
  • Gao Zongting , 1, 2, 3 ,
  • Li Jianping 1, 2, 3 ,
  • Ma Yanmin 1, 2, 3 ,
  • Mu Jia 1, 2, 3 ,
  • Wu Yujie 1, 2, 3
Expand
  • 1. Institute of Meteorological Sciences of Jilin Province, Changchun 130062, Jilin, China
  • 2. Jilin Provincial Key Laboratory of Changbai Mountain Meteorology Climate Change, Changchun 130062, Jilin, China
  • 3. Jilin Province Science and Technology Innovation Center of Agro-meteorological Disaster Risk Assessment and Prevention, Changchun 130062, Jilin, China

Received date: 2022-06-12

  Revised date: 2023-01-01

  Online published: 2023-10-20

Supported by

National Key R&D Program of China(2017YFC0212302)

National Key R&D Program of China(2017YFC0212304)

Copyright

Copyright ©2023 Scientia Geographica Sinica. All rights reserved.
Fold

摘要

利用2014—2018年近地面观测PM2.5质量浓度数据、MODIS 10 km气溶胶光学厚度（Aerosol Optical Depth, AOD）数据、ERA5再分析气象数据和DEM（Digital Elevation Model）数据，分别构建估算东北地区PM2.5质量浓度的多元线性回归模型（Multiple Linear Regression, MLR）、线性混合效应模型（Linear Mixed Effects Model, LME）和随机森林模型（Random Forest, RF），利用十折交叉验证方法对3个模型进行精度评价。根据最优模型估算2009—2018年东北地区逐日PM2.5质量浓度，结果表明：① 3种模型模拟的PM2.5质量浓度与地面实测值间的相关系数R2排序为RF>LME>MLR，RF模型整体精度最高。② 不同季节、月份的RF模型模拟PM2.5质量浓度与地面实测值间的R2均高于0.93，通过RF模型估算东北地区的PM2.5质量浓度是可行的；③ 2009—2018年东北地区PM2.5质量浓度呈先升后降的年际变化趋势，同时表现为冬季>春季>秋季>夏季的季节性变化特征；从空间分布上看，PM2.5质量浓度由西南到东北逐渐降低，总体上辽宁>吉林>黑龙江。

关键词： PM2.5质量浓度; 随机森林模型; 东北地区

本文引用格式

吴迪 , 高枞亭 , 李建平 , 马艳敏 , 穆佳 , 吴玉洁 . 东北地区PM2.5质量浓度遥感估算与时空分布特征[J]. 地理科学, 2023 , 43(10) : 1869 -1878 . DOI: 10.13249/j.cnki.sgs.2023.10.018

Abstract

At present, the regional air environment problem characterized by PM2.5 has become increasingly prominent. The atmosphere particulate pollution occurred frequently in Northeast China over past years which is one of the main regions of air pollution. The spatial distribution of near-surface PM2.5 stations is sparse, and time series of data are short. Therefore, using the near-surface PM2.5 concentration data can not analyse the variation of reginal air pollution. Based on near-surface PM2.5 concentration data, MODIS 10 km aerosol optical depth (AOD), ERA5 reanalysis meteorological data and digital elevation model (DEM), multiple linear regression (MLR), linear mixed effects (LME) model and random forest model (RF) were selected to estimate PM2.5 concentration in Northeast China from 2014 to 2018. The accuracies of three models were evaluated by means of ten-fold cross validation. On that basis, the optimal model was used to simulate daily PM2.5 concentration in Northeast China from 2009 to 2018. The results showed that: 1) Correlation coefficients (R2) between the estimated and observed PM2.5 concentration by three models were ranked as RF>LME>MLR. The RF model had the highest accuracy. 2) TheR2 of the estimated and observed PM2.5 concentration by RF model was higher than 0.93 in different seasons and months. It was feasible to estimate PM2.5 concentration in Northeast China by RF model. 3) The annual average PM2.5 concentration showed interannual trend of first increasing then decreasing in Northeast China from 2009 to 2018. And it had seasonal variation characteristics of winter>spring>autumn> summer. In addition, the average PM2.5 concentration decreased gradually from southwest to northeast, that was shown as Liaoning>Jilin>Heilongjiang. By establishing a long time-series PM2.5 concentration dataset, this study contributes to estimate the spatial-temporal distribution of PM2.5 concentration, and also may be useful to analyse the weather change characteristics and formation mechanism of heavy pollution in Northeast China.

Key words： PM2.5 concentration; random forest model; Northeast China

随着中国经济的快速增长，城镇化进程随之加快，大气污染问题日益严重，且呈现出区域性、复合性和长期性的特点[1-2]。PM2.5是造成中国大气污染最主要的污染物之一，大量研究表明PM2.5在大气中的停留时间长、传输范围广，可直接进入人体的呼吸道和肺泡，不仅对人体健康有不利影响，同时严重损害大气环境，并通过气溶胶辐射效应和微物理效应对云和降水系统产生显著影响[3-5]。因此，对PM2.5质量浓度进行有效监测变得尤为重要。
目前，基于地面站网监测PM2.5质量浓度数据精度高，但站点有限且分布不均，无法监测区域内的PM2.5质量浓度[6]。卫星遥感技术具有监测范围广的特点，可以有效弥补地面站网观测在空间上的不足，更好反映污染物的区域分布情况[7]。当前国内外学者主要通过建立遥感反演的大气气溶胶光学厚度（Aerosol Optical Depth, AOD）与PM2.5的关系模型来估算PM2.5质量浓度，具体的方法大致分为3类[6,8-11]：模式比例因子法、基于物理机理的半经验法和统计模型与机器学习方法。模式比例因子法[12-13]不依赖地面站PM2.5质量浓度数据，但模型结构与模拟过程导致反演精度有限；基于物理机理的半经验法[14-15]对AOD进行垂直订正和湿度订正，虽然能提高AOD与PM2.5间的相关性，然而参数的求解一般需要通过经验统计关系拟合；基于统计模型与机器学习方法[16-18]能够综合考虑PM2.5质量浓度与局地气象条件、地表类型、季节、污染状况等多种因素，且易于实现，精度高，是目前PM2.5遥感反演最为流行的手段。其中，机器学习模型具有综合考虑PM2.5与AOD等因子间非线性特征的优势，弥补了线性统计模型的不足。Mehdipour等[19]比较了3种机器学习算法在伊朗德黑兰地区的PM2.5质量浓度反演能力，结果表明支持向量机（support vector machine, SVM）反演精度最高。夏晓圣等[20]对比4种模型在中国区域PM2.5质量浓度反演能力，并基于随机森林模型（Random Forest, RF）分析PM2.5质量浓度影响因素，其中RF模型估算的PM2.5质量浓度精度最高，AOD因子对PM2.5质量浓度空间分布影响最大、年降水量影响最小。RF模型与其他机器学习算法相比具有运算量小、容纳样本数量大等优点，同时能够提供各变量影响PM2.5质量浓度变异的重要性指标[21]，更好地解释PM2.5质量浓度变化特征。
东北地区的气候条件、产业结构和生活方式导致其大气污染具有独特的分布特征和明显的季节性变化特征。东北地区自2014年才开展PM2.5地面监测，站点布局相对较少且不均匀，缺乏一套该区域较精确、较长时空分辨率的PM2.5监测数据集，难以对东北地区不同时空尺度大气污染的天气背景、形成机理、消散机制及防控措施等进行深入分析。本文利用PM2.5地面监测数据结合空间分辨率10 km的MODIS/AQUA AOD数据、ERA5再分析气象数据和地形数据，通过随机森林模型算法建模反演2009—2018年较长时间序列的东北地区逐日PM2.5质量浓度，分析其时空分布特征，可为进一步研究东北地区重污染天气变化特征、形成机理及气候变化对该地区大气污染的影响提供支撑。

1 研究区概况与数据源

1.1 研究区概况

东北地区在行政区划上是指由黑龙江省、吉林省和辽宁省构成的区域(图1)，总面积为78.73万km2，约占全国总面积的8.3%，是中国的老工业基地、最大的商品粮生产基地，资源丰富，生态环境优越。东北地区属大陆性季风型气候，地域广阔，气候类型多样，自南而北跨暖温带、中温带与寒温带，四季分明，夏季温热多雨，冬季寒冷干燥，其中春季为4—5月，夏季为6—8月，秋季为9—10月，冬季从11月至翌年3月[1]。东北地区三面环山，南接渤海，近40 a气温变暖趋势明显[22]，易出现低层大气增湿和逆温等不利污染扩散的气象条件，加上大量的燃煤排放和秸秆燃烧，使得东北地区沿沈阳-长春-哈尔滨一线的城市群成为中国大气污染主要地区之一。
图1 研究区位置

Fig. 1 Location of study area

1.2 数据源

1.2.1 AOD数据

中分辨率成像光谱（Moderate-resolution Imaging Spectroradiometer, MODIS）是美国国家航空航天局地球观测系统中较为先进的观测仪器，广泛应用于大气气溶胶监测领域。本文所使用的AOD产品为NASA网站（http://ladsweb.modaps.eosdis.nasa.gov/）发布的2009—2018年MYD04_L2 C6逐日产品，数据为hdf格式，空间分辨率为10 km×10 km，卫星过境时间为13:30左右。该产品融合暗像元法（Dark Target）和深蓝算法（Deep Blue）进行AOD反演，利用MRT（MODIS Reprojection Tool）提取0.55 μm处的AOD值并进行拼接、投影转换等预处理工作。云和地面积雪都会影响AOD数据的正常获取。分别统计2009—2018年东北地区逐日AOD数据的空间缺值率，并计算月平均缺值率（表1）。东北地区秋季AOD数据量最高；春季数据量次之，平均缺值率在61%左右；夏季数据量与春季相近；冬季缺值率最高，12月、1月和2月数据缺值率均在90%以上，与地面积雪关系明显。
表1 MODIS AOD数据月平均空间缺值率

Table 1 Monthly averaged spatial vacancy rate of MODIS AOD data

月份 1月 2月 3月 4月 5月 6月 7月 8月 9月 10月 11月 12月
平均缺值率/% 94.6 91.2 77.2 61.0 61.4 66.0 67.7 65.3 51.1 44.5 71.7 93.2

1.2.2 PM2.5质量浓度数据

本文采用的地面PM2.5站点监测数据来源于“全国城市空气质量实时发布平台”（https://air.cnemc.cn:18007/），获取2014年5月13日—2018年8月25日逐时PM2.5质量浓度监测数据。因构建模型数据时间匹配关系可能影响建模精度，为了与MODIS卫星遥感气溶胶产品数据相匹配，选取卫星过境时间相近的14时PM2.5质量浓度数据进行研究。

1.2.3 气象数据

ERA5再分析气象数据是由欧洲中期天气预报中心提供的第五代再分析资料（https://cds.climate.copernicus.eu/#!/home）。本研究中使用逐时数据集，空间分辨率为0.25°×0.25°，要素包括气温（TMP）、风速（WS）、相对湿度（RH）、地表气压（SP）、降水量（PRE）、蒸散量（ET）和边界层高度（BLH）。气象数据同样选取与MODIS卫星过境时间相近的14时数据。

1.2.4 其他辅助数据

DEM（Digital Elevation Model）即数字高程模型，通过有限的地形高程数据实现对地面地形的数字化模拟（即地形表面形态的数字化表达）。本研究采用美国太空总署（NASA）和国防部国家测绘局（NIMA）联合测量的SRTM3（Shuttle Rader Topography Mission）DEM数据，该数据空间分辨率为90 m×90 m，可从http://srtm.csi.cgiar.org网站下载。
由于各类数据空间分辨率不同，首先将ERA5再分析气象资料、DEM数据重采样至10 km，与AOD数据保持一致。根据PM2.5监测站点经纬度，分别提取各类数据，并得到与PM2.5质量浓度数据相匹配的AOD、ERA5再分析气象数据和DEM数据。整理处理后获得的数据，剔除数据缺测等异常值，最终得到2014—2018年共87409组建模样本数据。

2 研究方法

2.1 随机森林模型

RF算法是Leo Breiman和Adele Culter在2001年时提出的一种基于决策树的机器学习算法，既可进行分类又可进行回归，目前被广泛应用于遥感、数据挖掘、生物信息科学等研究领域中[23-25]。RF算法通过为每棵树用自助聚集（Bootstrap aggregating，Bagging）方法生成具有独立同分布的训练样本集，随后根据多个训练样本集生成多个决策树构成随机森林，并将决策树投票分数作为其分类或回归模型结果（图2）。
图2 随机森林模型示意

Fig. 2 Diagram of random forest model

研究证明PM2.5与大气气溶胶光学厚度(AOD)数据之间具有较好且复杂的相关关系，同时PM2.5质量浓度也受气象条件、地形差异等因素影响[9,26]。因此，本文将以2014—2018年数据作为样本，构建包含AOD、高程数据、气温、风速、相对湿度、地面气压、降水量、边界层高度、蒸散量等因子的随机森林模型，并估算2009—2018年东北地区的PM2.5质量浓度，模型构建过程如图2。RF模型输出的IncMSE（increase in mean squared error）和IncNodePurity（increase in node purity）值作为判断模型中自变量重要性的指标，值越大则表明该变量对PM2.5模拟结果越重要。两项重要性指标排序结果略有差异但基本保持一致，其中AOD和气温（TMP）对基于RF模型的东北三省PM2.5质量浓度模拟最重要，降水量（PRE）和高程（DEM）变量重要性则最弱，其余变量的重要性相差不大。

2.2 线性混合效应模型

线性混合效应模型（Linear Mixed Effects Model, LME）最早由Airy于1861年提出的统计模型，是一般线性回归模型的扩展，包含固定效应和随机效应，其中固定效应表明模型变量对PM2.5的平均影响状态，随机效应则解释PM2.5与变量之间随时间的变化关系。利用PM2.5质量浓度与上述9个自变量构建LME模型如下所示：
$ \begin{split} P M_{2.5, s t}=&(\alpha+\omega)+\left(\beta_1+u_1\right) \times A O D_{s t}+\left(\beta_2+u_2\right) \times T M P_{s t}+\\ &\left(\beta_3+u_3\right) \times R H_{s t}+\left(\beta_4+u_4\right) \times E T_{s t}+ \left(\beta_5+u_5\right) \times\\ &W S_{s t}+\left(\beta_6+u_6\right) \times S P_{s t}+\left(\beta_7+u_7\right) \times P R E_{s t}+\\ &\left(\beta_8+u_8\right) \times B L H_{s t}+\left(\beta_9+u_9\right) \times D E M_{s t}+\varepsilon_{s t} \end{split} $
式中，PM2.5,st表示站点像元s在第t天的地面PM2.5质量浓度值，AODst、TMPst、RHst、ETst、WSst、SPst、PREst、BLHst和DEMst分别表示站点s在第t天对应的气溶胶光学厚度、气温、湿度、蒸散量、风速、地面气压、降水量、边界层高度和高程；α、ω、β和u分别是拟合系数；${{ \varepsilon }}_{{st}}$ 表示残差。

2.3 模型验证和评价方法

为避免模型拟合时造成过度拟合，故采用十折交叉验证（10-fold Cross-Validation, CV）方法对模型进行验证。交叉验证原理是随机将数据集分成10个子样本，依次将9个样本组合作为训练数据集，留下1个子集作为保留样本，重复10次建模和验证，并记录10个保留样本的预测值。因保留样本不受模型参数选择的影响，该数据能够获取比新数据更为精确的估计。为更进一步评价模型结果，利用模型预测与地面观测之间的相关系数（coefficient of determination，R2）、均方根误差（Root Mean Squared Error，RMSE）、平均绝对误差（Mean Absolute Error，MAE）进行比较。

3 结果与分析

3.1 数据描述性统计

经过数据匹配共得到87409组建模样本数据，各参数的描述性统计如表2所示。建模样本数据中PM2.5质量浓度为1~968 μg/m3，平均值为29.72 μg/m3，低于《环境空气质量标准》（GB 3095-2012）二类环境空气功能区限值（35 μg/m3），整体空气质量较好；标准差为32.77 μg/m3，表明研究区内大气污染程度差异较大，存在重污染天气现象。气温值为-26.30~32.44℃，平均值为10.27℃，东北地区整体温差非常大。
表2 建模数据描述性统计

Table 2 Descriptive statistical parameters of modeling data

最大值 最小值 平均值 标准差
PM2.5/(μg/m3) 968.00 1.00 29.72 32.77
AOD 3.50 0.01 0.46 0.45
DEM/m 476.00 1.00 121.10 82.03
TMP/℃ 32.44 -26.30 10.27 10.67
ET/mm 0.08 -0.62 -0.01 0.03
BLH/m 2697.81 10.02 229.62 251.58
WS/(m/s) 13.86 0.13 3.18 1.61
SP/hPa 1041.11 917.21 994.89 17.74
RH/% 99.96 2.89 61.43 18.02
PRE/mm 8.85 0.00 0.02 0.19

3.2 随机森林模型的适用性评估

将影响因素作为自变量，PM2.5质量浓度作为因变量，分别构建多元线性回归模型（Multiple Linear Regression, MLR）、LME模型和RF模型，并利用十折交叉验证法比较3种模型的精度。由图3可知，LME模型中模拟与实测PM2.5质量浓度的R2为0.56大于MLR模型的0.34，RF模型的R2最大为0.96；MLR模型和LME模型的RMSE相对较大分别为26.60 μg/m3和21.74 μg/m3，RF模型最小为7.46 μg/m3；3个模型的MAE排序为RF（4.27 μg/m3）<LME（13.08 μg/m3）<MLR（15.78 μg/m3）。因此，3种模型中利用RF模型估算PM2.5质量浓度的精度最高，模拟值比实测值偏低。
图3 3种模型模拟与实测PM2.5质量浓度验证

Fig. 3 Scatter plots of estimated and observed PM2.5 concentration by three models

为进一步验证RF模型精度，分别按照不同季节（春：4—5月、夏：6—8月、秋：9—10月、冬：11—3月）和月份构建模型并进行精度验证（表3、图4）。4个季节模型模拟与实测值的R2均大于0.94，模型拟合效果均较好。其中RMSE总体表现为夏季（5.17 μg/m3）<秋季（6.16 μg/m3）<春季（6.92 μg/m3）<冬季（9.09 μg/m3）；MAE与RMSE排序一致，夏季最小为3.34 μg/m3，冬季最大为5.19 μg/m3。在12个月份中，RF模型拟合的R2均在0.93以上，6—9月份的RMSE和MAE值相对较低，11、12及1月则略高于其他月份。统计2015—2017年冬季的降雪过程发现12月最多，共有5次，这与12月AOD数据缺失率（表1）和反演误差较大（表3）一致，说明降雪对PM2.5反演精度的影响。
表3 分季节模型验证结果

Table 3 Verification results of random forest model in four seasons

R2 RMSE/ MAE 样本数
春季 0.94 6.92 4.09 16688
夏季 0.95 5.17 3.34 21739
秋季 0.97 6.16 3.46 21244
冬季 0.96 9.09 5.19 27741
图4 分月模型验证结果

Fig. 4 Verification results of random forest model in twelve months

总体来说，在东北地区利用RF模型估算PM2.5质量浓度具有较好的效果，不同季节和月份模型的效果相近，所存在的差异主要受自然条件及人类活动的季节性变化影响。夏季云雨天气较多、冬季东北地区受积雪覆盖影响，均会影响遥感数据质量，进而模型样本数量减少影响建模效果。同时，东北地区冬季寒冷，每年供暖期从10月中旬持续到次年4月上旬，煤炭燃烧等人为因素导致污染物增多，且气候条件不利于污染物扩散，容易出现重度大气污染现象，导致相应时间段模型模拟与实测PM2.5质量浓度间误差相对较大。

3.3 东北地区PM2.5质量浓度时空分布特征

本文将基于2014—2018年样本数据构建的随机森林模型应用在东北地区较长时间序列PM2.5质量浓度的遥感估算中。首先将2009—2018年逐日的AOD、气温、风速、相对湿度、地面气压、降水量、蒸散量、边界层高度和DEM数据进行匹配，随后基于构建的随机森林模型估算逐日PM2.5质量浓度，最后将数据进行叠加计算，分析近10 a东北地区PM2.5质量浓度时空变化情况。
2009—2018年东北地区PM2.5质量浓度变化如图5所示，近10 a东北地区PM2.5质量浓度整体呈波动变化，其中2009—2015年呈上升趋势，2015年最高值为27.59 μg/m3，自2015年开始PM2.5年均质量浓度逐渐降低。东北地区3个省份中辽宁省年均PM2.5质量浓度最高，吉林省次之，黑龙江省PM2.5质量浓度最低。
图5 2009—2018年东北地区PM2.5质量浓度变化

Fig. 5 Annual variations of PM2.5 concentration in Northeast China from 2009 to 2018

图6为近10 a东北地区四季和多年平均PM2.5质量浓度，多年平均质量浓度为15.6~41.7 μg/m3，在空间上呈现从西南到东北逐渐减少趋势。其中辽宁省的PM2.5质量浓度整体最高，高值区主要分布在辽宁省中部、大连等城市，其余PM2.5质量浓度高值区域主要分布在吉林省中部、黑龙江省的哈尔滨市及东北部等地。这些城市属于东北地区经济较发达的城市，人口众多、人类活动、汽车尾气排放和工业生产等均是造成PM2.5质量浓度升高的重要因素。同时，PM2.5质量浓度较高的城市普遍地势较为平坦，如辽宁省中部平原处于低洼地带，被东、西两侧山地丘陵环绕，大气污染物受地形影响不易扩散。而黑龙江省大兴安岭地区、吉林省东部等地区海拔较高，森林覆盖率高，人口密度相对较低，因此PM2.5质量浓度也较低。
图6 2009—2018年东北地区PM2.5质量浓度空间分布

Fig. 6 Spatial distribution of annual average PM2.5 concentration in Northeast China from 2009 to 2018

东北地区PM2.5平均质量浓度具有明显的季节性变化特征，总体表现为冬季>春季>秋季>夏季，与陈卫卫等[1]关于东北地区空气污染水平季节性规律的结果一致。东北地区四季的PM2.5质量浓度空间分布格局较为一致，均呈现出省会城市普遍高于其他城市，从西南向东北逐渐减少的格局。本文分析近10 a东北地区PM2.5质量浓度呈现季节性变化特征的原因，主要是东北地区采暖期（10月中旬至次年4月上旬）供暖燃煤、民用散煤等污染物排放显著增加，加之大气边界层高度较低等不利的扩散条件，使得冬季PM2.5质量浓度急剧升高；春季积雪逐渐融化、风速逐渐增大，裸土等在强风驱使下容易形成沙尘天气，同时农田耕作和秸秆焚烧也会进一步加重该时期的大气污染；夏、秋两季东北地区气象条件良好且植被茂盛，整体空气质量较好。

3.4 污染过程分析

2015年10月31—11月4日东北地区出现的一次重度污染天气过程，综合PM2.5监测及遥感反演数据进行对比分析，按照相同浓度等级对两种数据进行划分，其中监测站数据用点表示（图7）。空气质量等级按照PM2.5质量浓度进行划分：0~<35 μg/m3为优，35~<75 μg/m3为良，75~<115 μg/m3为轻度污染，115~<150 μg/m3为中度污染，150~250 μg/m3为重度污染，高于250 μg/m3为严重污染。遥感反演的PM2.5质量浓度能够具体反映空间上的变化情况，但仍存在由于天气等原因导致的数据缺失。根据实测和遥感反演的PM2.5数据发现，2015年10月31日东北地区局部开始出现中、重度污染，随后大气污染以哈尔滨市和黑龙江东北部的双鸭山一带为中心逐渐扩散，11月2—3日时东北地区大面积出现重度污染情况，其中以哈尔滨-长春城市群区域大气污染最为严重，至11月4日大部分站点逐渐转为轻度污染（遥感数据缺失较多）。这次重污染过程发生在对流层中下层显著增温、近地层有深厚逆温层和湿度显著增加的气象条件下，地面风向由西风转为西南风且风速较小，这种环流型的配置不利于大气扩散，导致了此次重度污染天气的发展与维持。NPP卫星监测显示10月31日—11月4日东北地区有36384个秸秆燃烧火点。整体上看，此次重度污染天气过程中遥感反演的PM2.5质量浓度与站点监测值整体上较为一致，能够有效地反映出污染范围的变化情况，弥补了监测站监测范围的不足，其中部分区域遥感PM2.5质量浓度存在低估情况。
图7 2015年10月31—11月4日污染过程

Fig. 7 Pollution process from October 31 to November 4, 2015

4 结论与讨论

4.1 结论

本文以空间分辨率10 km的MODIS AOD、气象数据和DEM共9种因子作为因变量分别构建3种PM2.5质量浓度估算模型，通过精度对比确定最优模型，并利用其估算2009—2018年逐日PM2.5质量浓度，随后根据模拟结果分析东北地区较长时间序列PM2.5质量浓度时空分布特征，最后得到以下结论：
1）利用2014—2018年的样本数据分别构建MLR、LME和RF模型反演PM2.5质量浓度，3种模型模拟的PM2.5质量浓度与地面实测值间的R2排序为RF>LME>MLR，RF模型整体精度最高。同时，不同季节、月份的RF模型模拟PM2.5质量浓度与地面实测值间的R2在0.94~0.97之间，说明通过RF模型估算东北地区PM2.5质量浓度的方法是可行的。
2）通过构建的RF模型估算东北地区近10 a逐日PM2.5质量浓度，可以发现10 a间整体及四季PM2.5质量浓度分布的变化格局与东北地区人口、工业、森林等分布格局较为一致，说明卫星遥感反演手段能有效、准确地分析区域污染的相对程度，从而弥补地面观测站点在空间分布上的不足。
3）东北地区近10 a来PM2.5质量浓度呈波动变化，其中2009—2015年呈上升趋势，自2015年开始PM2.5年均质量浓度逐渐降低；在空间分布上东北地区3个省份PM2.5质量浓度辽宁省最高、吉林省次之，黑龙江省相对最低。同时，PM2.5质量浓度具有明显的季节性变化特征，总体呈现冬季>春季>秋季>夏季的特征。

4.2 讨论

当前，中国大气环境污染形势严峻，以PM2.5为特征污染物的区域性大气环境问题日益突出。东北地区受天气条件、地形地貌、生产方式等多种因素影响，是中国大气污染主要地区之一[27-28]。基于遥感技术估算PM2.5质量浓度为学者们研究区域大气污染特征、成因分析等提供重要的依据。本文利用RF模型估算近地面PM2.5质量浓度，有效弥补了地面观测的缺点，但同时存在几点不足。首先，虽然10 km MODIS C006版本AOD产品改进了反演方法从而提高了东北地区AOD有效值数量[29]，但东北地区冬季低温、多降雪天气致使下垫面影响更加复杂，冬季AOD数据仍存在较大量的缺失情况，进而导致PM2.5遥感估算存在较多缺值。其次，本文反演得到的PM2.5质量浓度数据空间分辨率为10 km，对于更精细化监测PM2.5质量浓度的要求仍不能满足。针对积雪等亮地表情况的深蓝算法仍存在不足，利用星载激光雷达等主动遥感方式反演亮地表AOD可能存在值偏低的情况，但仍能提供部分冬季AOD的观测数据，是对MODIS AOD产品的补充[30-31]。因此，利用激光雷达数据弥补东北地区冬季AOD数据缺失从而提高PM2.5质量浓度反演数据量，以及提升反演精度是今后研究的重点。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
陈卫卫, 刘阳, 吴雪伟, 等. 东北区域空气质量时空分布特征及重度污染成因分析[J]. 环境科学, 2019, 40(11): 4810-4823.

DOI

Chen Weiwei, Liu Yang, Wu Xuewei et al. Spatial and temporal characteristics of air quality and cause analysis of heavy pollution in Northeast China. Environmental Science, 2019, 40(11): 4810-4823.

DOI

[2]
段杰雄, 翟卫欣, 程承旗, 等. 中国PM2.5污染空间分布的社会经济影响因素分析[J]. 环境科学 2018, 39(5): 2498-2504.

Duan Jiexiong, Zhai Weixin, Cheng Chengqi et al. Socio-economic factors influencing the spatial distribution of PM2.5 concentrations in China: An exploratory analysis. Environmental Science 2018, 39(5): 2498-2504.

[3]
王跃思, 张军科, 王莉莉, 等. 京津冀区域大气霾污染研究意义、现状及展望[J]. 地球科学进展, 2014, 29(3): 388-396.

DOI

Wang Yuesi, Zhang Junke, Wang Lili et al. Researching significance, status and expectation of haze in Beijing-Tianjin-Hebei region. Advances in Earth Science, 2014, 29(3): 388-396.

DOI

[4]
郭新彪, 魏红英. 大气PM2.5对健康影响的研究进展[J]. 科学通报 2013, 58(13): 1171-1177.

DOI

Guo Xinbiao, Wei Hongying. Progress on the health effects of ambient PM2.5 pollution. Chinese Scicece Bulletin (Chinese Version) 2013, 58(13): 1171-1177.

DOI

[5]
Yang Y, Luo L W, Song C et al. Spatiotemporal assessment of PM2.5 related economic losses from health impacts during 2014-2016 in China[J]. International Journal of Environmental Research and Public Health 2018, 15(6): 1278

DOI

[6]
王子峰, 曾巧林, 陈良富, 等. 利用卫星遥感数据估算PM2.5浓度的应用研究进展[J]. 环境监控与预警 2019, 11(5): 33-38.

Wang Zifeng, Zeng Qiaolin, Chen Liangfu et al. Research progress of methodology and applications of PM2.5 estimation using satellite remote sensing. Environmental Monitoring and Forewarning 2019, 11(5): 33-38.

[7]
陈良富, 陶金花, 王子峰, 等. 空气质量卫星遥感监测技术进展[J]. 大气与环境光学学报, 2015, 10(2): 117-125.

Chen Liangfu, Tao Jinhua, Wang Zifeng et al. Review of satellite remote sensing of air quality. Journal of Atmospheric and Environmental Optics, 2015, 10(2): 117-125.

[8]
沈焕锋, 李同文. 大气PM2.5遥感制图研究进展[J]. 测绘学报 2019, 48(12): 1624-1635.

DOI

Shen Huanfeng, Li Tongwen. Progress of remote sensing mapping of atmospheric PM2.5. Acta Geodaetica et Cartographica Sinica, 2019, 48(12): 1624-1635.

DOI

[9]
武卫玲, 薛文博, 付飞, 等. 近地面PM2.5浓度卫星反演研究进展[J]. 环境与可持续发展 2014, 39(5): 94-96.

DOI

Wu Weiling, Xue Wenbo, Fu Fei et al. Overview of surface-level PM2.5 concentration retrieval with satellite AOD. Environment and Sustainable Development 2014, 39(5): 94-96.

DOI

[10]
Zou B, Chen J W, Zhai L et al. Satellite based mapping of ground PM2.5 concentration using generalized additive modeling[J]. Remote Sensing 2017, 9(1): 1

[11]
Wang W, Mao F Y, Du L et al. Deriving hourly PM2.5 concentrations from Himawari-8 AODs over Beijing-Tianjin-Hebei in China[J]. Remote Sensing 2017, 9(8): 858

DOI

[12]
Donkelaar A V, Martin R V, Brauer M et al. Global estimates of ambient fine particulate matter concentrations from satellite-based aerosol optical depth: Development and application[J]. Environmental Health Perspectives, 2010, 118(6): 847-855.

DOI PMID

[13]
Geng G N, Zhang Q, Martin R V et al. Estimating long-term PM2.5 concentrations in China using satellite-based aerosol optical depth and a chemical transport model[J]. Remote Sensing of Environment 2015, 166: 262-270.

DOI

[14]
Zhang Y, Li Z Q. Remote sensing of atmospheric fine particulate matter (PM2.5) mass concentration near the ground from satellite observation[J]. Remote Sensing of Environment 2015, 160: 252-262.

DOI

[15]
Lin C Q, Li Y, Yuan Z B et al. Using satellite remote sensing data to estimate the high-resolution distribution of ground-level PM2.5[J]. Remote Sensing of Environment, 2015, 156: 117-128.

DOI

[16]
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 Cheng, Wang Wei, Liu Fangtian et al. Spatial-temporal simulation of PM2.5 concentration in Hebei Province based on mixed effects model. Research of Environmental Sciences 2019, 32(9): 1500-1509.

[17]
Wei J, Li Z Q, Cribb M et al. Improved 1 km resolution PM2.5 estimates across China using enhanced space-time extremely randomized trees[J]. Atmospheric Chemistry and Physics 2020, 20(6): 3273-3289.

DOI

[18]
Hu X F, Waller L A, Lyapustin A et al. Estimating ground-level PM2.5 concentrations in the Southeastern United States using MAIAC AOD retrievals and a two-stage model[J]. Remote Sensing of Environment 2014, 140: 220-232.

DOI

[19]
Mehdipour V, Stevenson D S, Memarianfard M et al. Comparing different methods for statistical modeling of particulate matter in Tehran, Iran[J]. Air Quality, Atmosphere & Health, 2018, 11: 1155-1165.

[20]
夏晓圣, 陈菁菁, 王佳佳, 等. 基于随机森林模型的中国PM2.5浓度影响因素分析[J]. 环境科学 2020, 41(5): 2057-2065.

Xia Xiaosheng, Cheng Jingjing, Wang Jiajia et al. PM2.5 concentration influencing factors in China based on the random forest model. Environmental Science 2020, 41(5): 2057-2065.

[21]
杨立娟. 基于两层随机森林模型估算中国东部沿海地区的PM2.5浓度[J]. 国土资源遥感 2020, 32(4): 137-144.

Yang Lijuan. Estimating PM2.5 concentrations in eastern coastal area of China using a two-stage random forest model. Remote Sensing for Land and Resources 2020, 32(4): 137-144.

[22]
Gao Z T, Hu Z Z, Jha Bhaskar et al. Variability and predictability of Northeast China climate during 1948-2012[J]. Climate Dynamics, 2014, 43(7-8): 787-804.

DOI

[23]
Breiman L. Random forests[J]. Machine Learning, 2001, 45(1): 5-32.

DOI

[24]
Khosravi I, Alavipanah S K. A random forest-based framework for crop mapping using temporal, spectral, textural and polarimetric observations[J]. International Journal of Remote Sensing, 2019, 40(17-18): 1-31.

DOI

[25]
Huang K, Xiao Q Y, Meng X et al. Predicting monthly high-resolution PM2.5 concentrations with random forest model in the North China Plain[J]. Environmental Pollution 2018, 242: 675-683.

DOI

[26]
Meng C, Cheng T H, Gu X F et al. Contribution of meteorological factors to particulate pollution during winters in Beijing[J]. Science of the Total Environment, 2019, 656: 977-985.

DOI

[27]
张萌铎, 陈卫卫, 高超, 等. 东北地区大气污染物源排放时空特征: 基于国内外清单的对比分析[J]. 地理科学, 2020, 40(11): 1940-1948.

DOI

Zhang Mengduo, Chen Weiwei, Gao Chao et al. Spatio-temporality of anthropogenic air pollutants in Northeast China based on current emission inventories. Scientia Geographica Sinica, 2020, 40(11): 1940-1948.

DOI

[28]
崔妍, 赵春雨, 周晓宇, 等. 东北地区近50年来霾天气气候特征[J]. 中国环境科学, 2016, 36(6): 1630-1637.

DOI

Cui Yan, Zhao Chunyu, Zhou Xiaoyu et al. Climatic characteristics of haze days in Northeast of China over the past 50 years. China Environmental Science, 2016, 36(6): 1630-1637.

DOI

[29]
朱于红. MODIS C006气溶胶产品评估及其在省域大气污染研究中的应用[D]. 杭州: 浙江大学, 2015.

Zhu Yuhong. Evaluation of MODIS aerosol product collection 006 and its application to air pollution research in Zhejiang Province. Hangzhou: Zhejiang University, 2015.

[30]
何月欣, 张学磊, 陈卫卫, 等. 基于多卫星遥感的东北地区霾污染时空特征研究[J]. 环境科学学报, 2018, 38(2): 607-617.

He Yuexin, Zhang Xuelei, Chen Weiwei et al. Spatial-temporal characteristics of regional air quality in Northeastern China based on multi-satellites aerosol products. Acta Scientiae Circumstantiae, 2018, 38(2): 607-617.

[31]
李莘莘, 陈良富, 陶金花, 等. 城市与冬季北方亮目标地区气溶胶光学厚度反演[J]. 中国科学: 地球科学, 2012, 42(8): 1253-1263.

Li Shenshen, Chen Liangfu, Tao Jinhua et al. Retrieval of aerosol optical depth over bright targets in the urban areas of North China during winter. Science China: Earth Science, 2012, 42(8): 1253-1263.

Options
文章导航

/

〈 〉