高時空分辨率PM2.5濃度土地利用回歸模擬與制圖

郭宇，鄒濱，2，鄭忠，王敏，許珊，方新

(1.地球科學與信息物理學院，長沙 410083；2.上海市大氣顆粒物污染防治重點實驗室，上海 200433)

高時空分辨率PM2.5濃度土地利用回歸模擬與制圖

郭宇1，鄒濱1，2，鄭忠1，王敏1，許珊1，方新1

(1.地球科學與信息物理學院，長沙 410083；2.上海市大氣顆粒物污染防治重點實驗室，上海 200433)

針對傳統地面監測手段稀疏獲取PM2.5濃度的缺陷，該研究在利用中分辨率成像光譜儀(MODIS)遙感影像反演500m空間分辨率氣溶膠光學厚度(AOD)的基礎上，輔以人口密度、植被葉面積指數等地理特征要素，構建了研究區時均尺度PM2.5濃度土地利用回歸(LUR)模型，并與經典克里格插值方法(OK)對比進行精度評價。結果表明：(1)研究區內部AOD存在明顯空間分異，中心城區AOD值高于周邊地區；(2)融合AOD要素的最優LUR模型相關系數可達0.51；(3)相比OK方法，LUR模型生成的PM2.5濃度圖可客觀反映研究區空氣污染的空間變化。研究表明，融合遙感氣溶膠數據的LUR模型可在短時間尺度準確模擬地面高空間分辨率PM2.5濃度。

PM2.5；空氣污染；GIS；MODIS；土地利用

0 引 言

PM2.5是指懸浮在空氣中粒徑小于等于2.5μm的細小顆粒物，常吸附大量有毒化合物，通過呼吸道進入人體、滯留于支氣管和肺泡，危害人體健康[1-3]。針對公眾PM2.5污染暴露面臨的潛在健康危害，世界各國正在陸續開展PM2.5濃度空間分布制圖。然而，受儀器設備、資金、人力等因素的限制，各國PM2.5濃度空間分布制圖均存在因觀測站點稀疏所造成的數據不足問題，此問題在中小城市更為突出。研究同時表明，城市內部PM2.5濃度分布存在較大空間差異[4-5]，任意固定監測站點獲取的PM2.5濃度空間代表性有限。因此，傳統地面稀疏監測手段無法滿足當前決策部門及公眾詳細、準確了解一定地理空間范圍內PM2.5濃度時空分布及其變化規律的需求，更無法指導依賴高時空分辨率PM2.5濃度圖的空氣污染暴露危害規避服務開發[6]。

國內外學者截止目前基于地面稀疏監測數據開展PM2.5濃度制圖的方法主要集中在傳統的空間插值和神經網絡，以及新興出現的土地利用回歸(LUR)建模[7-9]。自Briggs等[10]首次將LUR建模用于空氣污染空間格局精細模擬以來，受模型輸入特征變量時間尺度局限性影響，已報道的LUR建模研究多關注長時間尺度下的PM2.5濃度模擬，短時間尺度PM2.5濃度模擬研究卻鮮見報道，基于LUR模型的區域實時高空間分辨率PM2.5濃度制圖應用受到極大限制。MODIS(中分辨率成像光譜儀)影像等高時間分辨率遙感衛星數據的出現，覆蓋范圍廣、時間分辨率高、可表征大氣顆粒物含量的氣溶膠光學厚度(Aerosol Optical Depth，AOD)數據生產成為可能。在此背景下，將具有高時空分辨率的遙感AOD數據融入LUR模型，在短時間尺度開展地面PM2.5濃度模擬，對于指導開展稀疏監測條件下區域高時空分辨率PM2.5濃度制圖具有重要價值。

1 研究區概況

研究區位于美國加利福尼亞州南部大Los Angeles地區，地勢平坦，屬地中海型氣候帶，包括Los Angeles、San Bernardino、Orange、Riverside四縣，總面積11，723 km2，常住人口1280萬。受發達工業與道路交通系統影響，大洛杉磯地區PM2.5污染來源主要包括工廠廢氣排放、機動車尾氣和道路路面揚塵、生物質燃燒、以及外來飄塵等[11-12]。據報道[13]，上述污染排放是大氣有機氣溶膠增加的主要原因，而有機氣溶膠在空氣污染嚴重的城市地區一般可占到PM2.5質量的20%～60%，因此大洛杉磯地區是融合遙感AOD數據開展PM2.5濃度LUR模擬研究的理想研究區。研究區及監測站點見圖1。

圖1 美國大Los Angeles 地區及其PM2.5監測站點

2 數據與方法

2.1 數據搜集與預處理

綜合已報道的LUR建模研究成果[14-16]、研究區PM2.5污染來源及研究問題設計，本研究擬針對氣溶膠、人口、道路、葉面積指數(Leaf Area Index，LAI)、土地覆蓋/利用類型、PM2.5濃度5類要素開展時均尺度PM2.5濃度LUR模擬與制圖研究，所需數據包括MODIS影像圖及其LAI產品、人口調查數據、道路網分布矢量圖、TM影像圖和各監測站點PM2.5時均濃度。其中，MODIS影像圖及其LAI產品來源于美國航空航天局(NASA)[17]；人口調查數據來源于美國Census[18]；道路網分布矢量圖來源于Wiki世界地圖(Open Street Map，OSM)[19]；PM2.5時均濃度數據來源于美國環境保護署(EPA)[20]。在此基礎上，對MODIS影像LAI產品MYD15A2進行裁剪提取了研究區LAI柵格圖；對人口調查數據進行單位面積人口數量估算與插值生成了研究區人口密度柵格圖；按道路等級屬性提取了研究區高速公路和城市主次干道路網矢量圖；采取監督分類方法對TM影像進行分類得到了研究區土地覆蓋/利用類型柵格圖；對個別監測站點PM2.5時均異常數據進行了“峰值平滑”處理。數據預處理結果見圖2。

圖2 數據預處理結果

2.2 研究方法

圍繞融合高時空分辨率遙感AOD數據開展研究區PM2.5濃度LUR模擬與制圖的基本思路，本研究將整個研究過程劃分為：AOD反演、LUR模型構建、LUR模型評價檢驗與制圖3個階段，如圖3所示。

圖3 研究框架

(1)氣溶膠光學厚度反演

AOD反演指通過假設陸地表面是均勻朗伯面及合理假定氣溶膠模型，以提供單次散射反照率值和氣溶膠散射相函數P確定地表反射率，依據公式(1)從表觀反射率反演得到氣溶膠光學厚度的過程[21]。

(1)

取決于單次散射反照率ω0、氣溶膠光學厚度τ和氣溶膠散射相函數P。

本研究運用Kaufman等提出的暗像元算法[22]進行陸地上空AOD反演，反演流程包括：①MODIS影像預處理：即Bow-tie效應去除、幾何糾正、影像裁剪等處理；②地表及表觀反射率確定：即利用MODIS02 HKM 2.1μm波段低表觀反射率(小于0.06)暗像元確定紅藍波段暗像元處地表及表觀反射率；③紅藍波段AOD查找：結合研究區實際情況，借助6S大氣輻射傳輸模型構建紅藍波段兩套查找表，實現紅藍波段暗像元處AOD查找；④研究區AOD柵格圖繪制：取紅藍波段AOD均值最終作為550nm波段暗像元處AOD反演結果，通過空間插值生成整個研究區500m空間分辨率AOD柵格圖。

(2)LUR建模特征變量提取與線性回歸

為最終構建LUR模型，本研究針對上述預處理及AOD反演生成的AOD柵格圖、人口密度柵格圖、高速公路和城市主次干道路網矢量圖、土地覆蓋/利用類型柵格圖數據，以研究區內PM2.5監測站點為中心，在500m緩沖半徑范圍內依次提取了“AOD值(x1)”“平均人口密度(x2)(人/km2)”“道路總長度(x3)(m)”“水體占有量(x4)(%)”“草林地占有量(x5)(%)”“裸地占有量(x6)(%)”“建設用地占有量(x7)(%)”和“其他土地類型占有量(x8)(%)”共8個特征變量；并按PM2.5監測站點周圍LAI值不為零和監測站點緩沖區半徑盡量小于站點之間最短距離(7151.6m)的原則，在6000m緩沖半徑范圍針對研究區1km空間分辨率LAI柵格圖提取了“LAI總量(x9)(m2/m2)”第9個特征變量。

基于最小二乘的多變量線性回歸建模手段是國內外當前構建城市空氣污染LUR模型的一種主流方法。一個LUR模型通常包含一個因變量和兩個或者兩個以上自變量，模型基本公式可表示為：

y=β0+β1x1+β1x2+…+βpxp+ε

(2)

(3)LUR模型檢驗與制圖

(3)

(4)

(5)

(6)

基于稀疏監測的PM2.5濃度數據實現區域高時空分辨率PM2.濃度制圖是本研究的最終目標。在LUR模型可靠性檢驗基礎上，本研究首先對整個研究區進行了500 m×500 m的網格化處理和確定網格中心點位置；然后針對上述最優LUR模型所包含的特征變量，計算各特征變量相應緩沖半徑范圍內的“測量值”；最后運用最優LUR模型，在特征變量“測量值”輸入下，估算各網格中心點位置的PM2.5濃度，生成研究區PM2.5濃度空間分布圖，并與僅基于監測站點PM2.5濃度觀測值借助OK插值方法生成的PM2.5濃度分布圖進行對比分析。

3 結果與分析

3.1 氣溶膠光學厚度空間格局

圖4是由MODIS影像反演得到衛星過境時刻13：00～14：00(2010-06-18)研究區AOD值空間分布格局，清晰表明了區內AOD值的空間差異。AOD高值區(大于0.36)主要位于Los Angeles縣南部近城市中心地區、Orange縣內靠近Los Angeles縣的西部地區、San Bernardino縣的西南地區，以及Riverside縣內靠近San Bernardino縣的北部區域。相反，研究區大多數地區AOD值相對偏低(在0.01至0.16之間)。總體而言，整個研究區AOD值的分布呈現出高值集聚在中心城區，低值分布在城市遠郊地區(如山區、林地區等)的空間格局。

圖4 大Los Angeles地區13：00～14：00(2010-06-18)時刻氣溶膠光學厚度值反演結果

3.2 特征變量測量值空間差異

研究區PM2.5監測站點相應緩沖半徑范圍內各特征變量“測量值”見表1。表1表明，AOD(x1)與平均人口密度(x2)、道路總長度(x3)、建設用地占有量(x7)3個特征變量正相關(相關性系數R2分別為0.77、0.55、0.84)，與草林地占有量(x5)、LAI總量(x9)變量間負相關(相關性系數R2分別為-0.38、-0.54)。在人口密集及交通相對發達的1#和4#監測站點位置，AOD值相對較高；在草地、林地為主綠化程度高的13#監測站點位置，AOD值相對較低。然而這一規律并非在所有監測點位均保持一致，如在10#和11#兩個監測站點位置，裸地(x6：21.29%和28.37%)和荒地(x8：37.89%和5.44%)占有量相他其它監測站點高，但其AOD值(x1：0.014和0.016)卻相對較低。因為10#和11#監測站點位于城市郊區，多屬自然裸地與荒地，且交通流量小，通常不易造成地面揚塵，對AOD貢獻較小。

3.3 PM2.5濃度LUR模擬精度分析

表1 LUR建模特征變量“測量值”

表2 LUR模型擬合度

表3中各監測站點位置PM2.5濃度最優LUR模擬值(模型1)、普通克里格(OK)插值方法估算值、實際觀測值三者間的比較表明，OK插值和LUR最優模型兩種方法模擬與估算的監測站點PM2.5濃度值與相應觀測值的相對誤差絕對均值分別為24.36%和11.19%。OK插值方法在14個監測站點的相對誤差絕對最小、最大值分別是0.68%和89.73%，相差89.05%；LUR最優模型方法相應相對誤差絕對最小、最大值分別是1.00%和38.99%，相差37.99%。在以建設用地和交通道路為主，區內地理特征大體相同的Los Angeles縣5#和6#監測站點，OK插值和LUR最優模型兩種方法模擬與估算的監測站點PM2.5濃度值與相應觀測值間的誤差相對整體較小。相反，1#和10# 監測站點因位于研究區邊緣，站點周邊地理特征與研究區中心城區內的地理特征存在明顯差異，因而所在位置PM2.5濃度擬合效果相對較差。這一現象與已有的OK插值方法研究報道相一致，即在稀疏監測“屬性”數據輸入條件下，OK插值方法在空間內插與外推估算非監測點位“屬性”數據過程中，容易在站點稀疏邊緣地區產生較大誤差，甚至錯誤[25]。表3中RSS和RMSE兩個評價指標同樣證實，相對于OK插值，融合遙感AOD數據的LUR最優模型在研究區監測站點PM2.5濃度模擬中整體偏離實際觀測值較小，模擬精度較高。

表3 不同監測站點基于OK與LUR方法的PM2.5模擬濃度值和觀測值比較

3.4 PM2.5濃度制圖效果分析

圖5是采用OK插值和最優LUR模型兩種方法生成的研究區13：00～14：00(2010-06-18)時刻PM2.5濃度空間分布圖，兩者之間存在顯著空間差異。從空間維度可知：OK插值方法估算的研究區PM2.5濃度(圖5(a))，在西南沿海城區偏低，在遠離城市的Los Angeles 縣東北部偏高；LUR模型模擬的研究區PM2.5濃度(圖5(b))，在Los Angeles 縣中部及Riverside縣地區偏低，在Los Angeles縣西南沿海及北部、Orange縣和San Bernardino縣中部偏高。從濃度統計特征維度可知：OK方法估算的研究區PM2.5濃度值(圖5(a))在13.89μg/m3到51.70μg/m3之間變化，均值為26.93μg/m3，標準差為6.89；LUR模型模擬的研究區PM2.5濃度值(圖5(b))在18.19μg/m3到53.14μg/m3之間，均值為24.63μg/m3，標準差為3.02。綜合考慮“3.3 PM2.5濃度LUR模擬精度分析”結果可知，相對于OK插值方法，LUR模型生成的研究區13：00～14：00 (2010-06-18)時刻PM2.5濃度空間分布整體上更加連續與真實，與本研究中的AOD反演結果存在較好的空間一致性，這也再次證實了國內外學者關于AOD與PM2.5濃度具有較好相關性的研究報道[26-27]。

4 結束語

以Los Angeles地區時均PM2.5濃度模擬與制圖為例，本研究提出了一種融合遙感AOD數據的短時間尺度LUR模擬與制圖方法，對于在國內外當前城市空氣污染稀疏監測條件下，突破傳統LUR模型無法開展區域實時高空間分辨率PM2.5濃度制圖應用的限制具有重要意義。

研究結果證實：在AOD數據的輔助下，LUR制圖模型具有跨越時間尺度的遷移能力，可以在較短時間尺度下同樣取得較理想的模擬精度。

圖5 研究區13：00～14：00(2010-06-18)時刻PM2.5濃度空間分布

但不可置否，某一地區PM2.5濃度空間分布格局的形成除受本研究所考慮因素的影響外，氣象因素的作用也至關重要[28-29]。盡管本研究中的AOD值可以在一定程度上綜合反映PM2.5排放源與氣象因素間的交互作用，但在短時間尺度PM2.5濃度模擬中如何融合相應時間尺度與空間分辨率氣象因子(如風速、風向、溫度、濕度等)提升LUR模型的精度是此類研究的一個重要發展方向。在特征變量提取過程中，深入分析不同特征變量對PM2.5濃度形成的作用范圍差異，構建面向特征變量的自適應作用范圍認識機制，也是當前國內外LUR建模亟待解決的一個難題。

[1] BO O.Mounting evidence indicts fine-particle pollution[J].Science，2005，25(307)：1858-1861.

[2] LIN H H，MURRAY M，COHEN T，et al.Effects of smoking and solid-fuel use on COPD，lung cancer，and tuberculosis in China：A time-based，multiple risk factor，modeling study[J].The Lancet，2008，372(9648)：1473-1483.

[3] ARNETH A，UNGER N，KULMALA M，et al.Clean the air，heat the planet?[J].Science，2009，326(5953)：672.

[4] WILSON J G，KINGHAM S，PEARCE J，et al.A review of interurban variations in particulate air pollution：implications for epidemiological research[J].Atmospheric Environment，2005，39(34)：6444-6462.

[5] HU X F，WALLER L A.Estimating ground-level PM2.5concentrations in the southeastern U.S.using geographically weighted regression[J].Environmental Research，2013，121：1-10.

[6] SHARKER M H，KARIMI H A.Computing least air pollution exposure routes[J].International Journal of Geographical Information Science，2014，28(2)：343-362.

[7] MERCER L D，SZPIRO A A，SHEPPARD L，et al.Comparing universal kriging and land-use regression for predicting concentrations of gaseous oxides of nitrogen (NOx) for the Multi-Ethnic study of Atherosclerosis and Air Pollution(MESA Air)[J].Atmospheric Environment，2011，45：4412-4420.

[8] 陳莉，白志鵬，蘇笛，等.利用LUR模型模擬天津市大氣污染物濃度的空間分布[J].中國環境科學，2009，29(7)：685-691.

[9] BECKERMAN B S，JERRETT M，SERRE M，et al.A hybrid approach to estimating national scale spatiotemporal variability of PM2.5 in the Contiguous United States[J].Environmental Science & Technology，2013，47：7233-7241.

[10] BRIGGS D J，COLLINS S，ELLIOTT P，et al.Mapping urban air pollution using GIS：a regression-based approach[J].International Journal of Geographical Information Science，1997，11(7)：699-718.

[11] GERTLER A W，GILLIES J A，PIERSON W R.An assessment of the mobile source contribution to PM10and PM2.5in the United States[J].Water，Air，and Soil Pollution，2000，123(1-4)：203-214.

[12] CHOW J C，WATSON J G，LOWENTHAL D H，et al.PM10and PM2.5compositions in california's San Joaquin valley[J].Aerosol Science and Technology，1993，18(2)：105-128.

[13] 王玲，田慶久，李姍姍.利用MODIS資料反演杭州市500米分辨率氣溶膠光學厚度[J].遙感信息，2010，25(3)：50-58.

[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] RYAN P H，LEMASTERS G K.A Review of land-use regression models for characterizing intraurban air pollution exposure[J].Inhalation Toxicology，2007，19(S1)：127-133.

[16] HENDERSON S B，BECKERMAN B，JERRETT M，et al.Application of land use regression to estimate long-term concentrations of traffic-Related nitrogen oxides and fine particulate matter[J].Environmental Science & Technology，2007，41(7)：2422-2428.

[17] NASA.MODIS Data[DB/OL].http：//ladsweb.nascom.nasa.gov/data/search.html，2013-06-02.

[18] United States Census.2010 census data[DB/OL].http：//www.census.gov/2010census/data，2013-06-10.

[19] Open Street Map.Road Data[DB/OL].http：//downloads.cloudmade.com/americas/northern_america/united_states，2013-07-05.

[20] US EPA.Air Data[DB/OL].https：//ofmext.epa.gov/AQDMRS/aqdmrs.html，2013-06-07.

[21] 李曉靜.MODIS氣溶膠光學厚度反演算法技術報告[EB/OL].http：//www.doc88.com/p-960196384528.html，2006.

[22] KAUFMAN Y J，WALD A E，REMER L A，et al.The MODIS 2.1mm channel-correlation with visible reflectance for use in remote sensing of aerosol[J].Geoscience and Remote Sensing，IEEE Transactions on，1997，35(5)：1286-1298.

[23] ROSS Z，JERRETT M，ITO K，et al.A land use regression for predicting fine particulate matter concentrations in the New York city region[J].Atmospheric Environment，2007，41(11)：2255-2269.

[24] EEFTENS M，BEELEN R，DE HOOGH K，et al.Development of land use regression models for PM2.5，absorbance，PM10and PMcoarsein 20 European study areas；results of the ESCAPE Project[J].Environmental Science & Technology，2012，46(20)：11195-11205.

[25] ZOU B，ZHAN F B，WILSON G J，et al.Air pollution exposure assessment methods utilized in epidemiological studies[J].Journal of Environmental Monitoring，2009，11(3)：475-490.

[26] BECKERMAN B S，JERRETT M，SERRE M L，et al.A hybrid approach to estimating national scale spatiotemporal variability of PM2.5in the contiguous United States[J].Environmental Science & Technology，2013，47：7233-7241.

[27] OLVERA H A，GARCIA M，LI W W，et al.Principal component analysis optimization of a PM2.5land use regression model with small monitoring network[J].Science of the Total Environmental，2012，425：27-34.

[28] ARAIN M A，BLAIR R，FINKELSTEIN N，et al.The use of wind fields in a land use regression model to predict air pollution concentrations for health exposure studies[J].Atmospheric Environment，2007，41(16)：3453-3464.

[29] SU J G，BRAUER M，AINSLIE B，et al.An innovative land use regression model incorporating meteorology for exposure analysis[J].Science of the Total Environment，2008，390(2)：520-529.

High Spatio-temporal Resolution Simulation and Mapping of PM2.5Concentration Using Land Use Regression Model

GUO Yu1，ZOU Bin1，2，ZHENG Zhong1，WANG Min1，XU Shan1，FANG Xin1

(1.SchoolofGeosciencesandInfo-Physics，CentralSouthUniversity，Changsha410083；2.ShanghaiKeyLaboratoryofAtmosphericParticlePollutionandPrevention(LAP3)，Shanghai200433)

Relative to the defect of traditional monitoring method of PM2.5concentrations with sparse field campaigns，remote sensing has advantages of wide coverage and continuous observation in space.In this study，aerosol optical depth with 500m resolution was generated with the Moderate Resolution Imaging Spectroradionmeter (MODIS) image data，and the AOD was then used to build a land use regression (LUR) model for simulating the PM2.5concentrations in an hourly span，and the accuracy of the optimal modeling method was evaluated by comparing with the result of Ordinary Kriging (OK) interpolation.Then the optimal LUR modeling method was used to simulating and mapping PM2.5concentration in the study area.The results show that：(1) the AOD has obvious spatial differentiation of the study area and the values are higher in the downtown area than the surrounding area；(2) among of LUR models，the correlation coefficient of optimum LUR model can reach 0.51 by incorporating AOD data；(3) the optimum LUR model can well reveal the spatial variation of PM2.5with smaller relative errors than OK interpolation method.It is suggested that the LUR model by incorporating AOD data can accurately simulate PM2.5concentrations at high spatial resolution in the short time scale，and the proposed LUR model is an effective method of mapping PM2.5concentration with high spatio-temporal resolution under sparse ground conditions.

PM2.5；Air pollution；GIS；MODIS；Land use

2014-09-01

2014-10-19

國家自然科學基金(41201384)；國家測繪地理信息局地理空間信息工程重點實驗室基金(201238、2014J07)。

郭宇(1988—)，男，碩士研究生，主要從事RS/GIS環境建模研究。

E-mail：guoyu@csu.edu.cn

鄒濱(1981—)，男，副教授，博士生導師，主要從事遙感污染制圖、GIS時空建模和地理國情統計分析與決策研究。

E-mail：210010@csu.edu.cn

10.3969/j.issn.1000-3177.2015.05.015

P237

A

1000-3177(2015)141-0094-08