面向場景的城市PM2.5濃度空間分布精細模擬

許 珊,鄒 濱,胡晨霞

面向場景的城市PM2.5濃度空間分布精細模擬

許 珊,鄒 濱*,胡晨霞

(中南大學地球科學與信息物理學院,湖南 長沙 410083)

針對傳統PM2.5濃度空間分布模擬方法忽略了城市內部如道路、工廠、居民區、景區等不同微環境整體對PM2.5濃度影響機制的缺陷,本研究提出一種微環境PM2.5濃度場景分異的理論假設,并以湖南長沙主城區為例,結合基于污染先驗知識劃分的城市微環境場景空間分布與自主設計加密觀測場獲取的203個監測點小時PM2.5濃度加密數據,分析城市微環境PM2.5濃度場景時空分異特征.在此基礎上,耦合地理加權回歸 (GWR) 與人工神經網絡 (ANN) 方法,構建微環境場景增強下的PM2.5濃度空間分布精細模擬GWR-ANN模型,開展城市內部高空間分辨率PM2.5污染制圖.結果表明:不同微環境場景間PM2.5濃度存在顯著時空差異,地表覆蓋類型相同但分別位于2個不同場景的監測點間PM2.5濃度差會隨時間發生變化;耦合微環境場景變量的GWR-ANN模型能夠有效精細模擬PM2.5濃度的空間分布,模型擬合效果與交叉檢驗精度指標整體優于無場景變量參與的GWR-ANN模型(除部分時相較為接近外,檢驗R: 0.76~0.84vs. 0.57~0.81);場景增強下的PM2.5濃度空間分布100m級分辨率模擬估算結果可以較好揭示研究區PM2.5濃度高低值局地變化特征.

PM2.5；污染制圖；場景假設；地理加權回歸；人工神經網絡

PM2.5會影響大氣能見度,危害人體健康[1-3].中國作為超七成城市空氣質量不達標的PM2.5污染“重災區”[4-5],已經出臺了一系列空氣污染管控防治政策據.了解PM2.5濃度時空分布特征是合理制定及實行相關防控措施的必要前提與先決條件.實踐證明,同樣的污染治理政策在不同城市效果有所差異[6],而城市內部PM2.5濃度在不同的微環境場景(如居民小區、建筑工地、交通路口、校園、公園等)也存在差異[7-8],為推動精準“網格化”的防控治理決策,“因地制宜”地開展污染防控,需要掌握高分辨率、街區尺度、小時級的精細PM2.5分布.

目前,我國大氣環境質量監測與評估主要依賴于地面固定監測點,但常規地面監測站點較為稀疏,且分布不均,僅能反映站點周圍有限范圍內污染狀況,難以揭示沒有監測站點區域的PM2.5濃度變化特征[9].空間插值、大氣模式模擬、遙感估算、高級統計建模等PM2.5濃度的空間分布模擬技術在一定程度上彌補了這一缺陷,能夠在宏觀尺度上揭示PM2.5濃度的時空分異規律,為區域聯防聯控與治理決策提供科學支持[10-13].其中,高級統計建模耦合污染源排放與擴散的相關要素,通過建立PM2.5濃度與相關因子的經驗統計模型估算未布設監測點區域PM2.5濃度值,其數據獲取容易、建模方法靈活、適用性較廣,已成為模擬揭示大氣污染時空分異的常用手段[14].

按建模原理差異,現已報道的經驗統計模型主要包括線性回歸和非線性回歸兩類.線性回歸模型的典型代表是土地利用回歸(LUR)和地理加權回歸 (GWR),相較于LUR假定全局系數一致,GWR考慮了空間關系的非平穩性特征,可以有效提高PM2.5濃度模擬精度[15-16].此后提出的時空地理加權回歸[17]和結構時間自適應回歸[18]等模型也都是以GWR為基礎.而非線性回歸中,傳統方法有廣義可加模型和貝葉斯最大熵估計等[19-20].隨著人工智能技術的成熟發展,人工神經網絡(ANN)和隨機森林(RF)等智能機器學習模型因其擅長通過學習解決復雜問題,具有較強的泛化能力,逐漸成為研究的熱點[21-22].其中,ANN具有較強的非線性擬合和并行分布處理能力,克服了傳統機器學習模型在處理非結構化信息方面的缺陷,在PM2.5濃度模擬領域已經有廣泛應用[21,23-24].但ANN模型收斂緩慢,受學習網絡初始權值和閾值選擇影響,較易陷入局部最優(過度擬合),因此,有研究嘗試結合遺傳算法(GA)全局尋優的特性優化ANN模型[25].

盡管國內外學者圍繞PM2.5濃度精細模擬的研究已經取得了豐碩的研究成果,時空分辨率也由年月際、公里尺度逐步向日變化和百米尺度發展.但目前研究往往忽略了地表覆蓋及其空間配置作為一個微環境場景整體對PM2.5濃度的影響機制,使得PM2.5濃度模擬難以突破分辨率與精度的同步提升.針對上述不足,本研究提出一種城市PM2.5濃度微環境場景理論假設,并以湖南長沙主城區為例,在基于先驗知識獲取微環境場景空間分布的基礎上,通過布設加密觀測點分析城市微環境PM2.5濃度場景時空分異特征,進而耦合GWR與ANN構建場景增強下的城市PM2.5濃度精細模擬模型,開展城市超高分辨率PM2.5濃度模擬,為我國大氣污染防控新形勢下城市內部空氣質量濃度的精細監測與暴露風險規避提供科學依據.

1 數據與方法

1.1 研究區概況

湖南省長沙市主城區地處112°49′~113°14′E, 27°58′~28°24′N,總面積約920km2,因地勢東西高、中北低,冬季空氣污染顆粒物難以擴散.研究區包含有山地(岳麓山)、河谷(湘江)等多種地貌,因城鎮化建設引起的建筑工地、揚塵地表增多,且城市結構復雜多樣等多種因素,造成PM2.5濃度空間異質性較為明顯.

1.2 場景理論假設與劃分

PM2.5濃度的場景分異理論,指在社會功能、人群活動及污染擴散條件等地理環境配置皆相似的微環境場景內PM2.5濃度差異較小,地理環境配置不相同的場景間PM2.5濃度差異較大;所處地表覆蓋類型相同但在不同場景時產生的PM2.5濃度貢獻也有所差異.

表1 場景劃分類型說明

結合已有研究的污染先驗知識[8],基于土地利用、興趣點數據與谷歌地圖在線服務,兼顧污染源及人類活動造成的PM2.5濃度潛在空間分異規律,結合地形及擴散條件等因素,開展城市微環境PM2.5場景人工判讀勾繪,最終將研究區劃分為9種場景類型,分別是道路、工廠、建筑區、教育醫療單位、景區、商業區、文體公共服務、住宅區和其他區域.具體定義及說明見表1,研究區場景劃分結果如圖1所示.

圖1 研究區場景空間分布

1.3 PM2.5濃度加密觀測

1.3.1 觀測儀器 研究采用諾方SDL307激光監測儀,其分辨率為0.1μg/m3,大小僅7.3cm×7.3cm×2cm,具有響應快速、數據一致性較好的優點.為保證獲取數據質量,分別對儀器在4個季節內進行室內與室外為期一周的PM2.5濃度持續觀測,通過剔除觀測值超過其他儀器平均值5%的儀器,從115臺儀器中挑選出86臺用于后續研究中的PM2.5濃度加密觀測.同時,為檢驗SDL307監測數據與國控點數據的一致性,從選出的86臺儀器中隨機選擇30臺分成3組并保持同等高度安置于3個國控點附近,在2015年12月20~22日、29~31日的08:00~20:00時段進行PM2.5濃度同步觀測.結果表明SDL307與國控點PM2.5小時濃度的決定系數在2個時段分別是0.89和0.90, 均方根誤差分別為5.63,5.94μg/m3, SDL307監測結果基本可靠[26].

1.3.2 觀測點布設 首先基于劃分的場景空間分布,保證每個場景內有一個加密觀測點.然后,參考PM2.5監測點布設原則[27],基于包含工礦企業、車站、醫院、學校等多種類型的8萬多條興趣點,綜合考慮研究區自然地理、氣象條件及空氣污染排放源特征,利用空間疊置、緩沖區分析等方法,對潛在污染嚴重區域適當增加觀測點,適當剔除污染源較少地區觀測點,同時保證不同梯度污染區及對照觀測點的數量,最終選取代表性較好、對照性較強的203個加密觀測點,具體分布如圖2所示.

圖2 研究區PM2.5加密觀測站點分布

1.3.3 PM2.5濃度采集與數據預處理 PM2.5濃度數據采集時間為2015年12月24日08:00~13:00、25日13:00~19:00.通過征集86名志愿者手持儀器在離地約2m的高度采集PM2.5濃度數據;每個監測點每小時內重復觀測3~4次,每次持續3min.觀測數據結果通過手機APP,與地理坐標同步上傳至數據庫進行實時存儲.通過異常數據剔除、地理坐標校正以及均值化處理得到最終各站點PM2.5小時濃度.根據數據采集時段的國控點污染情景,將PM2.5濃度數據分為輕度(24日)、重度(25日)2種污染情景進行分析.輕度污染情景下,08:00~13:00的PM2.5小時濃度整體均值依次為69.7, 73.0, 73.1, 74.1, 76.4,和77.7μg/m3,重度污染情景下,13:00~19:00的PM2.5小時濃度整體均值依次為174.4, 167.9, 165.9, 165.8, 162.7, 167.7, 171.9, 176.4μg/m3.

1.4 場景增強下的GWR-ANN模型構建

綜合考慮影響因子對PM2.5濃度變化的空間異質性和非線性關系,本研究首先基于污染源相關變量構建GWR模型;然后,以GWR模型殘差為輸出層,以污染擴散相關與場景因子為輸入層,構建ANN模型,實現GWR與ANN耦合,其基本框架如圖3所示.

圖3 GWR-ANN模型框架

1.4.1 建模變量提取與篩選 研究用于構建模型的因變量是PM2.5濃度加密觀測數據,自變量包括與污染源相關的土地利用/覆蓋、交通道路、揚塵地表和工礦企業數據,以及與污染擴散相關的氣象要素、污染源風向指數和微環境場景類型.土地利用/覆蓋與揚塵地表數據來自湖南省國土資源信息中心.其中,土地利用/覆蓋按研究需求重分類為耕地、高密度林區、低密度林區、高密度住宅區、低密度住宅區、水域、城市綠地和其他建筑區8類.道路矢量數據來自國家基礎地理信息中心(http://ngcc.sbsm.gov.cn),包含高速公路、國道、省道及其它道路.工礦企業數據來自地理國情監測云平臺(http://www.dsac.cn/ ServiceCase/Detail/10502)提供的興趣點數據.通過計算PM2.5監測站點50、100、200、500、1000、1500、2000、2500和3000m緩沖區內的各土地利用/覆蓋類型、揚塵地表面積占比,道路長度以及工礦企業數量提取污染源相關變量.氣象數據來源于中國氣象局氣象數據中心(http://data.cma.cn/).選取了研究區2015年12月24~25日平均氣壓、平均相對濕度、平均氣溫、平均風速、1h最大風速和風向的小時值數據.落在研究區內的氣象站點僅5個,參考相關研究[18],采取反距離加權插值獲取各要素空間分布并利用ArcGIS的提取值到點工具提取PM2.5監測站點對應氣壓、相對濕度、氣溫、平均風速以及1h最大風速值.微環境場景類型變量采用啞元變量表示.污染源風向系數參考文獻[28],按照式(1)計算:

Wind index = (1-cos()) / 2 (1)

式中:表示交通、揚塵地表和工礦企業3種污染源到PM2.5濃度監測站點的歐氏方向;取距離PM2.5濃度監測站點最近的氣象站盛行風方向為該監測點盛行風方向.風向指數取值范圍為0~1,0代表PM2.5濃度監測點在最近污染源的上風向,1代表PM2.5濃度監測點在最近污染源的下風向.

采用向前引入法對提取的變量進行篩選,其基本思想是:將候選自變量逐個引入回歸方程,進行回歸系數的顯著性檢驗,決定取舍,依次類推,直至在排除了已選入變量對因變量的影響之后,未選入自變量對因變量的回歸系數的顯著性檢驗結果都不顯著為止.本研究篩選GWR變量的過程分為3步:第一步,基于相關性分析,剔除顯著性-value>0.01的變量;第二步,進行共線性檢驗,剔除VIF>10的變量;第三步,將經過以上2步剔除后的剩余變量利用向前引入法逐個引入,選擇AIC值最小、調整R最高的變量組合,參與最終的模型構建.

1.4.2 GWR模型構建 GWR模型是傳統多元線性回歸的拓展,通過結合樣本點地理位置,局部線性回歸得到每個樣本點的回歸系數,具有可解釋PM2.5濃度及影響因子的空間變異關系的能力[16].在監測點處的GWR模型可用式(2)表示:

y=0(u,v) + ∑=1β(u,v)x+ε(2)

式中:y表示因變量,本研究中指監測點的PM2.5濃度;(u,v)指監測點的地理坐標;0(u,v)與β(u, v)分別表示監測點的截距與第個回歸系數;ε是隨機誤差.

根據加權最小二乘法原理,在監測點的回歸系數a可通過式(3)得到:

a=min∑=1w(y?β0?∑=1βx)2(3)

式中:w為權函數,是監測點與其相鄰的某個觀測點之間距離的單調遞減函數.本研究采用高斯權函數:

w=exp [?(d/)2] (4)

式中:d為監測點與其相鄰的某個觀測點之間的歐式距離;為帶寬,是空間權重與距離之間的一種函數關系.本研究采用自適應權函數帶寬優化方法和Akaike信息量準則(AIC)確定最優帶寬.

1.4.3 ANN模型構建 ANN模型是一種仿生物神經網絡特點進行信息處理的模型,依據學習算法的不同可分為多種類型.其中,BP神經網絡是一種按誤差逆傳播算法訓練的前饋神經網絡,因其算法簡單、無需提前揭示描述映射關系的數學模型及較好的訓練效果,而成為目前使用較多的一種神經網絡模型[24].因此,本研究采取BP神經網絡模型參與場景增強下的PM2.5濃度時空精細模型構建.BP神經網絡包含輸入層、隱含層和輸出層,層間神經元通過權連接,同一層內神經元之間無數據信息交流.輸入數據通過輸入層神經元,經傳遞函數轉換后傳遞到隱含層,再由隱含層通過激活函數放大后傳遞到輸出層并輸出.當實際誤差超出期望誤差時,誤差值沿網絡反向傳播修改各神經元之間的連接權值和閾值,重復訓練網絡直到滿足期望誤差,以此確定輸入數據與輸出數據之間的映射關系.

本研究BP神經網絡隱含層神經元傳遞函數采用S型tansig正切函數(式(5)),輸出層神經元傳遞函數采用S型logsig變換函數(式(6)).

()2/(1+e2x) ?1 (5)

()1/(1+e) (6)

式中:表示對該神經元的輸入.

輸入與輸出層神經元個數分別是自變量與因變量個數.隱含層神經元個數根據式(7)確定:

= 2+(7)

式中:表示隱含層神經元個數;、分別表示輸入層、輸出層神經元個數.

訓練函數采用L-M(Levenberg-Marquardt)法, L-M算法是擬牛頓法的改進算法,其效率高且計算量小.為克服BP神經網絡收斂性較差、極易受初始權值和閾值選擇的影響、容易陷入局部最優的局限性,本文利用GA的全局尋優特性,找出可以使BP神經網絡得到最優解的初始權值和閾值,應用到BP神經網絡學習訓練中,最終得到最優的模擬結果[25]. GA優化BP神經網絡的要素包括:種群初始化、適應度函數、選擇算子、交叉算子和變異算子.本文的GA優化BP神經網絡的運行參數如表2所示:

表2 GA優化BP神經網絡運行參數設定

1.4.4 模型精度評價 采用十折交叉驗證檢驗模型穩定性及泛化能力.交叉驗證的精度評價指標包括PM2.5濃度的模型估算值與實測值的擬合優度2、調整2、相對誤差()、均相對誤差(MRE:檢驗樣本相對誤差的均值)和均方根誤差(RMSE).其中,2和調整2取值范圍為0~1,其值越接近1表示模型擬合效果越好;MRE和RMSE代表模型預測濃度偏離實際觀測濃度的程度,、MRE和RMSE值越小表示模型檢驗精度越高.

2 結果與討論

2.1 城市PM2.5濃度的場景特異性

2.1.1 整體特征 城市不同類型微環境場景下PM2.5濃度統計情況如表3所示.各場景間PM2.5濃度具有明顯差異,輕度污染情景下場景間濃度差異較小,而重度污染情景下差異較大.輕度污染情景下,商業區場景的PM2.5濃度均值最高而其他區域場景類型最低,分別為78.8,65.0μg/m3.但后者標準差最大,為19.5μg/m3,教育醫療單位場景標準差則最小,為11.6μg/m3.重度污染情景下, PM2.5濃度均值最高和最低的場景類型分別為建筑區與景區,其值分別為176.3與157.3μg/m3.建筑區場景的PM2.5濃度標準差值最大,為25.9μg/m3,其他區域場景類型最小,為8.7μg/m3.

2.1.2 時間變化規律 各微環境場景內PM2.5濃度均值的逐小時變化情況如圖4所示.總體而言,在輕度污染情景下, 08:00~13:00,道路、工廠、建筑區、文體公共服務和住宅區內PM2.5濃度隨時間的變化大致呈現遞增趨勢;教育醫療單位、景區、商業區和其他區域場景則不同,前三類場景12:00時的PM2.5濃度小時均值均高于13:00,其他區域場景08:00的PM2.5濃度高于09:00.重度污染情景下,道路、景區和文體公共服務的PM2.5濃度逐小時變化呈現U型, PM2.5濃度高峰值主要出現在交通午高峰和晚高峰;工廠場景在14:00時的PM2.5濃度高于13:00;建筑區場景的PM2.5濃度低谷值出現在15:00;教育醫療單位場景的PM2.5濃度晚高峰出現在18:00;商業區場景內,PM2.5濃度自14:00緩慢上升至16:00后略有下降,17:00再次上升;其他區域場景在18:00時濃度最大,住宅區場景濃度谷值出現在16:00.

表3 各場景PM2.5濃度均值(μg/m3)和標準差統計結果

進一步分析可知,每個小時PM2.5濃度場景特異性存在顯著差異.在輕度污染情景下,08:00時PM2.5濃度高值出現在道路場景內,其他類型場景內濃度均值較為接近; 09:00~10:00,商業區場景濃度最高; 11:00與12:00時教育醫療單位和商業區場景PM2.5濃度最高;13:00時,道路場景內PM2.5濃度均值大幅升高,其他區域場景在時段內污染濃度始終最低. 分析原因,該時段研究區污染源以本地機動車尾氣為主,早午高峰時期道路易擁堵,污染容易加劇,而商業與教育醫療場景均為人、車流量較大區域,且觀測時段內以陰雨天氣為主,濕度較大,污染不易擴散.其他區域場景地表覆蓋以污染源較少的水域、耕地等為主,其PM2.5濃度因而相對較低.在重度污染情景下,13:00~15:00時,PM2.5濃度始終在住宅區場景最高;16:00時商業區場景最高;至17:00,住宅區與建筑區場景PM2.5濃度顯著升高,成為最高值場景,18:00~ 19:00,建筑區場景PM2.5濃度遠高于其他類型;景區與工廠場景在時段內污染濃度始終較低. 這可能是因為景區植被覆蓋率高、一定范圍內污染源少,而研究區以輕工業和高新技術產業為主,污染排放相對重工業城市較少,且工業園附近通常地勢開闊,高層建筑較少,對污染擴散的阻擋作用較小.傍晚建筑區污染濃度的顯著升高可能是由于逆溫層的出現阻礙了建筑揚塵的擴散.

2.1.3 同地表異場景PM2.5濃度差異 選取地表覆蓋類型同為道路但分別屬于建筑區和景區場景的2個監測點,統計分析2個點處PM2.5濃度差,結果如表4所示.地表覆蓋類型相同但所屬場景不同的2個監測點處PM2.5濃度可能存在較大差異且差異大小隨時間變化.在輕度污染情景下,08:00~09:00時, 2個監測點PM2.5濃度差最大,分別為42,44μg/m3, 09:00~13:00時,2個監測點PM2.5濃度差持續減小至18μg/m3,尤其在09:00~11:00,濃度差下降急劇,11:00~13:00開始趨于平緩.重度污染情景下,兩監測點處PM2.5濃度差的變化趨勢與輕度污染情景正好相反. 13:00~14:00時2個監測點處的PM2.5濃度差稍有下降,分別為34, 23μg/m3; 14:00~19:00呈增長趨勢,14:00~17:00緩慢增長至42μg/m3,17:00~19:00急劇升高達到110μg/m3.綜合以上結果可知,基于先驗知識劃分的場景分布能夠在一定程度上體現污染的場景差異,但此種差異隨著污染情景和時間的不同而變化,要掌握城市PM2.5濃度場景特異性的分異規律仍需要更長時序與更高密度的污染觀測.

表4 同地表覆蓋不同場景監測點PM2.5濃度差

2.2 場景增強下的GWR-ANN模型

2.2.1 GWR模型結果 輕度和重度污染情景下, PM2.5濃度小時GWR模型構建結果如表5所示.可知每小時PM2.5濃度GWR模型的預測變量在類型和尺度上均有所差異,但高密住宅區面積占比和道路密度變量對于PM2.5濃度預測有重要作用.

輕度污染情景下,除09:00外,其他5h的GWR最優模型的預測變量均含有住宅區面積占比.08:00時PM2.5濃度GWR最優模型的預測變量是緩沖區半徑2500m內的低密度住宅區面積占比和3000m范圍內其他建筑區面積占比. 09:00時為揚塵地表面積占比.10:00~13:00時GWR最優模型的預測變量皆含高密住宅區面積占比,但10:00和11:00的緩沖區半徑為200m,12:00時為100m,13:00時為500m,且13:00的變量還有緩沖區半徑為3000m的低密度住宅區面積占比.輕度污染情景下的GWR最優模型調整2介于0.54~0.82,12:00時模型調整2最低而09:00時最高.

重度污染情景下,除18:00時外,其他6h的GWR最優模型預測變量均含有道路密度,其中13:00~ 17:00緩沖區半徑均為500m,16:00的模型預測變量還包含低密度林地面積占比.18:00的GWR最優模型預測變量僅有低密度林地面積占比.19:00的GWR最優模型預測變量較多,包含高密度林地面積占比、低密度住宅區面積占比和緩沖區半徑為300m的道路密度3個預測變量.重度污染情景下的GWR最優模型調整R范圍為0.42~0.77,18:00時最低, 14:00和15:00時最高.

2.2.2 GWR-ANN模型結果 表6為每小時GWR-ANN模型擬合效果2、MRE和RMSE結果.總體而言,有場景參與模型構建的逐小時GWR- ANN模型擬合效果優于無場景參與模型,其擬合2更高,MRE與RMSE更低.其中,前者擬合2介于0.89~0.99,MRE介于0.67%~6.49%之間,平均為2.39%,RMSE介于1.63~5.55μg/m3之間,平均為3.28μg/m3,后者擬合2范圍為0.83~0.98,MRE則介于0.76%~7.65%之間,平均為3.26%, RMSE介于2.16~7.94μg/m3之間,平均為4.46μg/m3.

表5 GWR最優模型構建結果

注:LR_2500、Oth_3000分別代表監測站點2500m、3000m緩沖區內低密度住宅區、其他建筑區面積占比;Yca_1500代表監測站點1500m緩沖區內揚塵地表面積占比;HR_200、HR_100、HR_500分別代表監測站點200、100、500m緩沖區內的高密度住宅區面積占比;LR_3000代表監測站點3000m緩沖區內低密度住宅區面積占比;Roa_500、Roa_300分別代表監測站點500、300m緩沖區內道路密度;LF_3000代表監測站點3000m緩沖區內低密度林地面積占比;HF_1000代表監測站點1000m緩沖區內高密度林地面積占比.

從不同污染情景來看,重度污染情景下的有場景模型擬合效果整體優于輕度污染情景.輕度污染情景下,PM2.5濃度有場景GWR~ANN模型擬合2介于0.89~0.98之間,平均為0.95,MRE介于2.07%~ 6.49%之間,平均為3.75%,RMSE介于2.11~5.55μg/ m3之間,平均為3.51μg/m3.重度污染情景下,擬合2介于0.95~0.99之間,平均為0.97,MRE介于0.67%~ 1.99%之間,平均為1.22%,RMSE介于1.63~ 5.02μg/m3之間,平均為3.08μg/m3.

表6 有無場景參與建模時的GWR-ANN模型擬合效果

圖5為每小時GWR-ANN模型十折交叉檢驗PM2.5濃度預測值與實測值散點圖.有場景參與模型的檢驗2、MRE、RMSE結果整體上優于無場景模型.有場景模型檢驗2范圍為0.59~0.84,MRE介于2.78%~9.10%,平均為5.79%, RMSE介于6.03~12.97μg/m3,平均為8.19μg/m3,無場景模型檢驗2則介于0.57~0.81, MRE介于3.15%~10.47%,平均為6.21%, RMSE介于6.41~14.08μg/m3,平均為8.81μg/m3.除輕度污染情景下09:00和12:00、重度污染情景下13:00和19:00外,其他9個小時的有場景參與模型構建的檢驗2均高于無場景模型(0.76~0.84vs.0.57~0.81),MRE(2.78%~9.10% vs.3.15%~10.47%)與RMSE(6.03~9.31μg/m3vs. 6.41~14.08μg/m3)則更低.

圖5 交叉驗證有/無場景參與GWR-ANN模型PM2.5濃度預測值與實測值散點

從不同污染情景來看,重度污染情景下的有場景模型檢驗效果優于輕度污染情景.輕度污染情景下,PM2.5濃度有場景GWR-ANN模型檢驗2介于0.59~0.82之間,平均為0.75,MRE介于6.98%~9.10%之間,平均為8.32%,RMSE介于6.87~9.33μg/m3之間,平均為7.74μg/m3.重度污染情景下,檢驗2介于0.67~0.84之間,平均為0.79,MRE介于2.78%~5.08%之間,平均為3.62%,RMSE介于6.03~12.97μg/m3之間,平均為8.58μg/m3.這與重度污染情景下城市PM2.5濃度的場景間差異更為顯著的結論一致,進一步表明城市微環境場景的污染特征會隨著污染情景的不同而發生改變.但通過對比模型擬合與檢驗2可知,GWR-ANN模型存在一定過擬合現象,通過加入更符合實際狀況的動態變化的場景變量以及時間變量、污染情景變量等,或引入其他方法改進優化模型,提高模型的泛化能力仍有待進一步的研究.

2.3 PM2.5濃度空間分異特征

圖6為輕度和重度污染情景下利用場景增強的GWR-ANN模型對長沙市主城區100m×100m格網點PM2.5濃度進行估算,得到的超高空間分辨率PM2.5濃度逐時空間分布圖.可以看到PM2.5濃度空間分布特征隨著時間發生差異較大的變化.

圖6 場景增強下的GWR-ANN模型預測PM2.5濃度空間分布

輕度污染情景下,PM2.5濃度在08:00~13:00整體呈現西北高-東部低的階梯變化趨勢.此外,各小時PM2.5濃度高低值格局也隨著時間發生演變,表現為高值區域范圍大小及PM2.5濃度值的變化.具體來說,相較于08:00,09:00時PM2.5濃度高值區由西北角擴散到研究區北部,并且在西北高值區域出現了小范圍PM2.5濃度低值區域;10:00與11:00研究區整體呈現差異較為緩和的西北高-東部低的三級階梯變化特征;在交通午高峰時期的12:00,PM2.5濃度低值區幾乎消失,直至13:00,在東部和南部出現了PM2.5濃度低值區.西北地區PM2.5濃度整體偏高的主要原因可能是該區域城市建設活動頻繁,建筑揚塵較多,加之監測時段以陰雨天氣為主相對濕度較大使得地表濃度升高.

相對于輕度污染情景下的PM2.5濃度高低值區域較為固定無明顯差異,重度污染情景下的PM2.5濃度空間分布格局隨時間的變化較為明顯.13:00~ 19:00,在研究區西南角均有一個呈狹窄長條狀的PM2.5濃度高值區域,其他PM2.5濃度高值區則主要在研究區東北部-東南部-中部發生變化.相較于13:00時PM2.5濃度東北高-西南低的整體特征,14:00研究區整體PM2.5濃度較低,東北部高值區消失,研究區南部出現了低值區;直至17:00,區域PM2.5濃度趨勢整體一致,除16:00在北部與東北邊緣處出現較低值;18:00,受交通晚高峰影響,除在研究區北部、東北部和西部出現小范圍低值區外,研究區整體PM2.5濃度較高;至19:00,PM2.5濃度高值區轉移到研究區中部.西南角的窄長條狀的PM2.5濃度高值區域可能是由于該區域為西二環、南二環以及猴子石大橋連接處,交通狀況較差,常出現擁堵現象.

以上結果表明場景增強下的GWR-ANN模型能夠較好地揭示城市內部小時PM2.5濃度的空間差異,然而,由于加密觀測成本高、數據傳輸技術難度大等困難,本研究僅在長沙市主城區,針對主要污染物PM2.5開展了2個污染情景下時間較短的小時尺度加密觀測與場景增強下的GWR-ANN建模.但值得注意的是,不同時間分辨率下大氣污染的場景特異性可能存在差別,場景對于污染濃度空間模擬精度的提升作用也會有所差異,隨著低成本傳感器與無線傳輸技術的進一步發展,未來在基于長時間序列高密觀測的基礎上掌握城市大氣污染濃度場景特異性的時間分異規律,進而實現面向場景理解的多尺度城市大氣濃度空間分布高精度模擬仍有待更為深入的研究.

3 結論

3.1 不同場景PM2.5濃度存在顯著時空差異,地表覆蓋類型相同但分別位于2個不同場景的監測點間PM2.5濃度差隨時間發生變化,各時相濃度差范圍為18~110μg/m3.

3.2 微環境場景增強下的GWR-ANN模型能夠有效精細模擬PM2.5濃度的空間分布,模型擬合效果與交叉檢驗精度指標整體優于無場景變量參與的GWR-ANN模型.各時相模型擬合2范圍分別為0.89~0.99與0.83~0.98,檢驗2除部分時相較為接近外, 范圍分別為0.76~0.84和0.57~0.81.

3.3 場景增強下的PM2.5濃度空間分布100m級分辨率模擬估算結果可以較好揭示研究區PM2.5濃度高低值局地變化特征,輕度污染情景整體西北高,東部低,重度污染情景空間格局隨時間變化特征顯著.

[1] 楊復沫,馬永亮.細微大氣顆粒物PM2.5及其研究概況[J]. 世界環境, 2000,4:32-34. Yang F M, Ma Y L. A brief introduction to PM2.5and related research [J]. World Environment, 2000,4:32-34.

[2] Zou B, You J, Lin Y, et al. Air pollution intervention and life-saving effect in China [J]. Environment International, 2019,125:529-541.

[3] Cohen A J, Brauer M, Burnett R, et al. Estimates and 25-year trends of the global burden of disease attributable to ambient air pollution: an analysis of data from the Global Burden of Diseases Study 2015 [J]. The Lancet, 2017,389(10082):1907-1918.

[4] 中華人民共和國生態環境部.2017中國生態環境狀況公報[EB/OL]. http://www.mee.gov.cn/hjzl/zghjzkgb/lnzghjzkgb/201805/ P020180531534645032372.pdf, 2018-05-31/2018-11-12. Ministry of Ecology and Environment of the People’s Republic of China, Communique of the People's Republic of China on the 2017national ecological and environmental state [EB/OL]. http://www. mee.gov.cn/hjzl/zghjzkgb/lnzghjzkgb/201805/P020180531534645032372.pdf, 2018-05-31/2018-11-12.

[5] World Health Organization, World Health Statistics 2018: Monitoring health for the SDGs, sustainable development goals [EB/OL]. https: //apps.who.int/iris/bitstream/handle/10665/272596/9789241565585-eng.pdf?ua=1, 2018-06-06/2018-11-12.

[6] 易 蘭,周憶南,李朝鵬,等.城市機動車限行政策對霧霾污染治理的成效分析[J]. 中國人口·資源與環境, 2018,28(10):84-90. Yi L, Zhou Y N, Li C P, et al. Analysis of the effects of driving restriction policies in controlling haze pollution [J]. China Population Resources and Environment, 2018,28(10):84-90.

[7] Apte J S, Messier K P, Gani S, et al. High-resolution air pollution mapping with Google street view cars: exploiting big data [J]. Environmental Science & Technology, 2017,51(12):6999-7008.

[8] 胡晨霞,鄒 濱,李沈鑫,等.城市微環境PM2.5濃度空間分異特征分析 [J]. 中國環境科學, 2018,38(3):910-916. Hu C X, Zou B, Li S X, et al. Spatial heterogeneity analysis of PM2.5concentrations in intra-urban microenvironments [J]. China Environmental Science, 2018,38(3):910-916.

[9] 劉永紅,余 志,黃艷玲,等.城市空氣污染分布不均勻特征分析[J]. 中國環境監測, 2011,27(3):93-96. Liu Y H, Yu Z, Huang Y L, et al. Characteristic analysis on uneven distribution of air pollution in cities [J]. Environmental Monitoring in China, 2011,27(3):93-96.

[10] Liao D, Peuquet D J, Duan Y, et al. GIS approaches for the estimation of residential-level ambient PM concentrations [J]. Environmental Health Perspectives, 2006,114(9):1374-1380.

[11] El-Harbawi M. Air quality modelling, simulation, and computational methods: a review [J]. Environmental Reviews, 2013,21(3):149-179.

[12] Liu Y, Park R J, Jacob D J, et al. Mapping annual mean ground-level PM2.5concentrations using Multiangle Imaging Spectroradiometer aerosol optical thickness over the contiguous United States [J]. Journal of Geophysical Research: Atmospheres, 2004,109(D22206):1-10.

[13] Liu Y, Paciorek C J, Koutrakis P. Estimating regional spatial and temporal variability of PM2.5concentrations using satellite data, meteorology, and land use information [J]. Environmental Health Perspectives, 2009,117(6):886-892.

[14] Johnson M, Isakov V, Touma J S, et al. Evaluation of land-use regression models used to predict air quality concentrations in an urban area [J]. Atmospheric Environment, 2010,44(30):3660-3668.

[15] Hankey S, Marshall J D. Land use regression models of on-road particulate air pollution (particle number, black carbon, PM2.5, particle size) using mobile monitoring [J]. Environmental Science & Technology, 2015,49(15):9194-9202.

[16] Zou B, Pu Q, Bilal M, et al. High-resolution satellite mapping of fine particulates based on geographically weighted regression [J]. IEEE Geoscience and Remote Sensing Letters, 2016,13(4):495-499.

[17] Guo Y, Tang Q, Gong D Y, et al. Estimating ground-level PM2.5concentrations in Beijing using a satellite-based geographically and temporally weighted regression model [J]. Remote Sensing of Environment, 2017,198:140-149.

[18] Fang X, Zou B, Liu X, et al. Satellite-based ground PM2.5estimation using timely structure adaptive modeling [J]. Remote Sensing of Environment, 2016,186:152-163.

[19] Zou B, Chen J, Zhai L, et al. Satellite based mapping of ground PM2.5concentration using generalized additive modeling [J]. Remote Sensing, 2016,9(1):1-16.

[20] Xiao L, Lang Y, Christakos G. High-resolution spatiotemporal mapping of PM2.5concentrations at Mainland China using a combined BME-GWR technique [J]. Atmospheric Environment, 2018,173:295-305.

[21] Gupta P, Christopher S A. Particulate matter air quality assessment using integrated surface, satellite, and meteorological products: 2. A neural network approach [J]. Journal of Geophysical Research: Atmospheres, 2009,114(D20205):1-14.

[22] Liu Y, Cao G, Zhao N, et al. Improve ground-level PM2.5concentration mapping using a random forests-based geostatistical approach [J]. Environmental Pollution, 2018,235:272-282.

[23] Zou B, Wang M, Wan N, et al. Spatial modeling of PM2.5concentrations with a multifactoral radial basis function neural network [J]. Environmental science and pollution research, 2015, 22(14):10395-10404.

[24] 郭建平,吳業榮,張小曳,等.BP網絡框架下MODIS氣溶膠光學厚度產品估算中國東部PM2.5[J]. 環境科學, 2013,34(3):817-825. Guo J P, Wu Y R, Zhang X Y, et al. Estimation of PM2.5over eastern China from MODIS aerosol optical depth using the back propagation neural network [J]. Environmental Science, 2013,34(3):817-825.

[25] 武 妍,萬 偉.基于遺傳算法設計和訓練人工神經網絡的方法[J]. 紅外與毫米波學報, 2007,26(1):65-68. Wu Y, Wan W. Method on designing and training of artificial neural network based on genetic algorithm [J]. Journal of Infrared and Millimeter Waves, 2007,26(1):65-68.

[26] Xu S, Zou B, Lin, Y, et al. Strategies of method selection for fine-scale PM2.5mapping in an intra-urban area using crowdsourced monitoring [J]. Atmospheric Measurement Techniques, 2019,12:2933-2948.

[27] HJ644-2013 環境空氣質量監測點位布設技術規范(試行) [S]. HJ644-2013 Technical regulation for selection of ambient air quality monitoring stations (on trial) [S].

[28] Ryan P, LeMastersa G, Levin L, et al. A land-use regression model for estimating microenvironmental diesel exposure given multiple addresses from birth through childhood [J]. Science of the Total Environment, 2008,404(1):139-147.

Urban scene-oriented simulation of the spatial distribution of PM2.5concentration in an intra-urban area at fine scale.

XU Shan, ZOU Bin*, HU Chen-xia

(School of Geosciences and Info-Physics, Central South University, Changsha 410083, China)., 2019,39(11)：4570~4579

The traditional spatial simulation technologies of PM2.5concentration usually ignored the mechanism behind the PM2.5-urban scenes (e.g. roads, factory, residential area, scenic area) correlation. This study proposed an urban scene assumption of PM2.5concentration, namely the PM2.5concentration is rather homogeneous within an urban scene while heterogeneous between different urban scenes. Taking the intra-urban area of Changsha, Hunan as an example, the spatial distribution of urban scenes was manually interpreted using a priori knowledge and a high-density monitoring sampling campaign was conducted for two periods in December 24~25, 2015. Based on the hourly PM2.5concentration observations from 203 sampling sites and the urban scene map, the urban scene difference of PM2.5concentration was explored and an urban scene enhanced two-stage modelling strategy of geographically weighted regression and artificial neural networks (GWR-ANN) was developed. The spatial patterns of PM2.5concentrations were simulated based on GWR-ANN at the 100×100m resolution. Results show that the spatiotemporal variations of PM2.5concentration between urban scenes do exist and the difference of PM2.5concentration for sampling sites with the same land use/cover in two different types of urban scenes varied with time. The urban scene enhanced GWR-ANN could be effective in spatial simulation of PM2.5concentrations at fine scale. The GWR-ANN model with urban scene variable performed better than the GWR-ANN model without urban scene variable. Except for five sampling hours with rather close statistics, the cross-validation2between estimated PM2.5concentration and observed PM2.5concentration for GWR-ANN with urban scene were higher than GWR-ANN without urban scene (0.76~0.84vs. 0.57~0.81). The spatial patterns of PM2.5concentrations based on urban scene enhanced GWR-ANN could be effective in disclosing detail hot-spots and cold-spots of PM2.5pollution.

PM2.5；pollution mapping；urban scene assumption；GWR；ANN

X511

A

1000-6923(2019)11-4570-10

許 珊(1990-),女,湖南衡陽人,中南大學博士研究生,主要從事城市大氣污染模擬與制圖研究.發表論文6篇.

2019-04-22

國家重點研發計劃(2016YFC0206201,2016YFC0206205);國家自然科學基金資助項目(41871317);中南大學創新驅動計劃項目(2018CX016)

* 責任作者, 教授, 210010@csu.edu.cn