城市微環境PM2.5濃度空間分異特征分析

胡晨霞,鄒 濱*,李沈鑫,段小麗,周 翔

?

城市微環境PM2.5濃度空間分異特征分析

胡晨霞1,鄒 濱1*,李沈鑫1,段小麗2,周 翔3

(1.中南大學地球科學與信息物理學院,湖南 長沙 410083；2.北京科技大學能源與環境工程學院,北京 100083；3.湖南省國土資源信息中心,湖南 長沙 410004)

以長沙市主城區為例,在203個地面點通過加密觀測并獲取PM2.5濃度小時觀測值,輔以同步常規稀疏國控點PM2.5濃度觀測數據,在點、面尺度對比分析加密、稀疏兩種觀測模式下城市微環境PM2.5濃度空間分布的特征差異.結果表明:地面加密觀測模式下PM2.5濃度高值區主要集中在道路、地表揚塵、住宅小區、醫院和工業園等人群、車輛活動的微環境場景;低值區主要出現在公園景區等高植被覆蓋度區域.同一空間點位,地面加密觀測PM2.5濃度值均高于常規稀疏國控點PM2.5濃度觀測值,平均高出29.71μg/m3.反距離權重空間插值制圖揭示地面加密觀測模式下的PM2.5濃度呈現明顯的西北部高(>75μg/m3)、中部和南部居中(65~75μg/m3)、東部低(<55μg/m3)的三級階梯式異質特征,剖面分析各向波動較大.相比,稀疏國控觀測模式空間分布圖僅能反映主城區PM2.5濃度整體較低(<55μg/m3)、除北-南向之外各向剖面PM2.5濃度相對無明顯變化的格局.與此同時,稀疏國控觀測模式在地面加密觀測點估算的PM2.5濃度同樣顯著低于實際觀測值,所揭示的研究區高值PM2.5濃度微環境為道路、地表揚塵、汽車站.研究結果證實,出于環境保護目標建立的空氣質量國控監測點難以精確反映同點位近地面PM2.5濃度,所識別的城市高低PM2.5濃度值微環境與真實情景存在偏差,空氣質量越優等級下偏差越大.

PM2.5；土地利用；空間分異；空間插值；微環境

城市PM2.5污染不僅是政府關心的環境事件,更與社會公眾健康危害風險息息相關[1-3].全面精細了解城市PM2.5濃度空間分異特征對于政府與公眾全方位、多層次防控PM2.5暴露風險顯得至關重要.為獲取城市內部PM2.5濃度空間分異特征,目前國內外學者主要采用以國控監測點PM2.5觀測數據為基礎的耦合土地利用與氣象因素的數學建模[4-9]、衛星遙感氣溶膠光學厚度(AOD)估算[10-14]和空間插值[15-18]等方法.現有研究已初步明確PM2.5濃度與土地利用類型之間存在正負向關聯,即PM2.5濃度往往在以建設用地為主的污染排放密集區偏高,在植被、水域用地類型區域偏低.

不可忽略的是,上述基于國控點監測數據的研究報道均存在兩個方面的固有缺陷:一是國控點空氣質量監測取樣高度與人類活動所處的近地面層存在一定的高度差[19];二是國控點布設往往稀疏,且呈現一定的非均勻狀態,多用于反映站點周邊一定距離內PM2.5濃度宏觀背景值.因此在公眾空氣污染暴露風險評估與防控等實際應用中,國控點PM2.5濃度觀測值常難以滿足區分城市內部微環境近地面PM2.5濃度空間分布差異的需求.

相對而言,考慮排放源與擴散特征布設的加密觀測點理論上可以更好捕捉城市內部各微環境場景PM2.5濃度的時空高低熱點值.為此,國外研究人員正逐步嘗試依賴地面加密觀測數據精細分析城市內部PM2.5濃度的空間分異特征,探討大氣污染精準防控措施和研發人群暴露風險規避服務[20-21].國內北京、河北邢臺與保定等城市也在相繼啟動地面加密觀測試點,但截止目前,關于地面加密觀測與常規稀疏國控觀測兩種模式所揭示的城市PM2.5濃度空間分異特征是否存在實質性差異尚未見相關報道,無法為此類加密觀測模式的推廣與布點原則的擬定提供充分的科學依據.

本文選取地勢東西高、中北低,空氣污染擴散條件不利,PM2.5濃度因地面交通與地表揚塵呈現明顯空間異質性的湖南長沙主城區為對象,參照環境監測布點技術規范加密布設203個近地面PM2.5濃度監測點,在點、面尺度分別通過描述性統計分析和反距離權重(IDW)空間插值方法對比評價加密、稀疏觀測兩種模式下城市內部PM2.5濃度空間分布特征的異同,實證在城市內部微環境開展PM2.5濃度加密觀測的必要性和意義,為開展空氣質量時空精細監測、科學制定人群空氣污染暴露風險防控措施提供科學依據.

1 PM2.5濃度地面加密觀測

圖1 研究區PM2.5監測站點空間分布

依據PM2.5污染排放與擴散先驗知識,首先獲取研究區內工業園、揚塵地表、車站、公園景區、醫院、住宅小區、學校和商業中心共8類興趣點數據80632條.然后以環境質量監測布點原則為基礎[19],參照圖1所示的站點布設原則篩選并確認布設地面加密觀測站點203個.在布點過程中,在2000m′2000m格網大小下盡可能保證監測點分布均勻;同時確定每個格網至多包含一個監測點且同類型站點不重復.

國控點PM2.5濃度監測采用β射線法,地面加密監測過程采用激光測量原理的諾方SDL307便攜式PM2.5監測儀,加密監測預備實驗及監測實施中對儀器測量值通過與同期國控點觀測值比較進行校準,保留偏差在10%之內且一致性較好的數據.數據采集時間為2015年12月24日8:00~14:00,該時段平均風速為24.28km/h、平均氣溫為15.78℃、平均氣壓為101.2kPa、平均相對濕度為94.49%.整個采樣過程通過征集84名志愿者手持儀器距地2m左右的高度進行采集.儀器采集的數據及地理坐標通過智能手機APP同步上傳至后臺服務器存儲.儀器讀數時每次等待穩定時間為5min,每個監測點每小時內間隔30min重復觀測2次,整個采樣過程共獲取2209條數據上傳記錄.經地理坐標校正剔除未在預設采樣觀測點的數據及明顯異常數據、并完成正常觀測數據小時均值化處理后,共生成1206條有效時均濃度記錄作為后續加密觀測模式下的污染時空分析.研究區內10個空氣質量國控監測點PM2.5濃度同步觀測值從中國環境監測總站全國城市空氣質量實時發布平臺(http://www.cnemc.cn/)收集,用于后續與地面加密觀測數據的對比分析.

2 IDW空間插值制圖

空間分布連續曲面繪制是面尺度識別城市內部微環境PM2.5濃度空間差異的基礎.制圖過程中,針對隨機選取的90%地面加密觀測PM2.5濃度數據建模樣本,分別采用普通克里金(OK)、IDW和Spline樣條函數方法開展空間插值;選用擬合優度(2)和均方根誤差(RMSE)指標依托剩余10%檢驗樣本評價各插值方法的可靠性.其中,2指示插值估算濃度與實際觀測濃度變化方向的一致性程度,值越接近1表示插值效果越好;RMSE表征插值估算濃度偏離實際觀測濃度的程度,RMSE值越小表示插值精度越高.2、RMSE計算公式如下:

表1中的插值結果表明,2的結果為: IDW> OK>Spline,RMSE的結果為:IDW

表1 IDW/OK/Spline PM2.5濃度空間插值精度對比

3 PM2.5濃度點觀測值分類統計分析

圖2是加密監測模式下203個PM2.5濃度觀測值描述性統計分析結果.結果表明,不同類型監測點間的PM2.5濃度有較大差異,道路、工業園、公園景點、汽車站、學校和住宅小區的PM2.5監測濃度波動范圍較大(48~107μg/m3),但均顯著高于國控點觀測平均值(39.2μg/m3).其中,道路、地表揚塵和住宅小區3類監測點PM2.5濃度最高,各中位數分別為79,87,79μg/m3.究其原因,道路監測點的PM2.5濃度與行駛車輛排放尾氣有關,這一結果與交通排放對PM2.5濃度影響的相關報道一致[22-23];揚塵地表區監測點PM2.5濃度高值可能與地表揚塵有一定關聯[24];住宅小區類監測點PM2.5濃度的升高則主要與密度較大人群的車輛行駛和相對封閉的小區污染擴散條件不利有關.相對而言,受益于植被對PM2.5的吸附凈化作用與相對開闊有利的污染擴散條件,公共廣場、公園景點、商業中心、學校和醫院的PM2.5濃度中位數均低于平均濃度74.3μg/m3,分別為59,71,70, 66和70μg/m3.

圖2 PM2.5濃度站點分類統計箱型圖

如圖3所示,基于國控點位稀疏和地面加密模式下PM2.5濃度觀測值的詳細對比分析結果表明,地面加密觀測模式下的PM2.5濃度值范圍為56.7~85.3μg/m3,明顯高于稀疏國控觀測模式下的27.6~54.6μg/m3.這一結果證實在同一點位,距地面一定高度位置處的國控點PM2.5濃度與相應近地面PM2.5濃度存在差異.其中地處岳麓山景區附近的2號點位差異最大(達48μg/m3),兩者間的差異一定程度上取決于國控點宏觀環境背景與地面復雜環境間的明顯區別.

圖3 國控點位稀疏與加密觀測模式PM2.5濃度比較

4 PM2.5濃度連續曲面空間異質性對比分析

4.1 PM2.5濃度空間分布格局差異分析

地面加密及稀疏國控觀測模式下的PM2.5濃度空間分布如圖4所示.受當日西北風向影響,加之呈西南-東北走向岳麓山脈的阻擋,研究區PM2.5濃度分布在加密與稀疏觀測下整體均呈現西北高東南低的趨勢,與此同時還呈現出市內PM2.5濃度空間異質性強于郊區的特征.4(a)表明,地面加密觀測模式下研究區PM2.5濃度分布呈現明顯的西北高(>75μg/m3)、中部和南部居中(65~75μg/m3)、東部低(<55μg/m3)的三級階梯式異質特征.具體而言,受工業園污染排放、城市建設與汽車尾氣等因素影響,PM2.5濃度高值區主要集中在汽車站、工業園、地表揚塵、交通道路監測點聚集處.低值區主要集中在植被覆蓋面積較大的公園景點區,這與植被面積增加可對PM2.5質量濃度下降產生積極影響的報道一致[25].但是,因周邊地表揚塵點、學校、汽車站等的聚集且地勢低洼,開福區西中部城區公園景點PM2.5濃度異常偏高,一定程度上與機動車尾氣排放是城市內部各街區重要空氣污染來源的相關研究結論一致[26].相對而言,圖4(b)稀疏國控觀測模式下PM2.5濃度值無明顯變化,且空間分布格局單一,無法揭示城市內部各微環境間PM2.5濃度空間差異.

圖4 稀疏與加密觀測模式PM2.5濃度空間分布

圖5 稀疏與加密觀測模式PM2.5濃度剖面變化對比分析

圖5是在圖4基礎上繪制北-南、西北-東南、西-東、西南-東北4方向PM2.5濃度各向異性剖面線(如圖5所示).得出,各方向地面加密觀測模式PM2.5濃度估計值顯著高于稀疏國控觀測模式下的對應值,稀疏國控觀測模式的平緩變化,地面加密觀測模式PM2.5濃度整體波動較大.具體而言,此種差異在西北-東南向最為突出.地面加密觀測模式下西北-東南向PM2.5濃度值波動范圍在59~106μg/m3之間,自西北至東南呈明顯下降趨勢,中間有特征波峰、波谷;但同步稀疏國控觀測模式下的PM2.5濃度值除有微弱波峰、波谷外整體呈現平穩無變化趨勢.

4.2 稀疏國控觀測模式下地面加密點PM2.5濃度估算誤差分析

圖6為加密監測點位基于稀疏國控觀測模式空間插值制圖估算的PM2.5濃度值和同步真實觀測值回歸擬合結果.散點回歸擬合常數項35.27表明,依賴傳統稀疏國控觀測模式估算的PM2.5濃度與地面加密觀測實測值之間存在一個常數差.前者估算的PM2.5濃度值(變化范圍為29~54.5μg/m3,屬于我國環境空氣質量標準界定的優~良等級);相比后者PM2.5濃度實測值(變化范圍為43.2~107.4μg/m3,屬良~中度污染等級)整體明顯偏低.分析回歸擬合線周邊散點偏移程度進一步可知,此種偏差在稀疏國控觀測模式監測數據判定的空氣質量越優等級下明顯.

依據監測點類型分別統計稀疏國控觀測制圖模式下PM2.5濃度估計值和地面加密觀測PM2.5濃度實測值最大值、最小值、平均值和方差4個指標間的差異(表2)可知,前者四指標值均遠小于后者對應指標值.其中,加密觀測PM2.5濃度實測平均值較高的監測點類型是道路、地表揚塵點和住宅小區,而稀疏觀測估算的PM2.5濃度較高平均值出現在道路、地表揚塵和汽車站.同時,加密觀測PM2.5濃度實測值的方差較稀疏國控觀測制圖模式下的方差偏大,表明加密觀測能夠揭示各微環境下同類監測站點PM2.5濃度存在一定差異,但相對稀疏觀測制圖模式難以實現.

圖6 地面加密觀測點PM2.5濃度實測值與稀疏觀測空間插值結果間的比較

表2 PM2.5濃度地面加密觀測實測值與稀疏觀測估計值分站點統計比較(μg/m3)

5 結論

5.1 因空氣質量國控監測站點宏觀環境背景與近地面復雜環境間的差異,同一空間點位地面加密觀測PM2.5濃度值均明顯高于常規稀疏國控點PM2.5濃度觀測值,平均高出29.71μg/m3;

5.2 稀疏國控觀測模式空間制圖PM2.5濃度估計值相對地面加密觀測實測值整體明顯偏低,空氣質量越優等級下偏差越大;

5.3 相比稀疏國控觀測模式空間制圖缺陷,加密觀測模式制圖可有效識別城市微環境PM2.5濃度,揭示城市內部PM2.5濃度空間分異特征.

[1] Kan H, Chen R, Tong S. Ambient air pollution, climate change, and population health in China. [J]. Environment International, 2012,42(1):10-19.

[2] 孫兆彬,陶 燕,崔甍甍,等.北京地區奧運會期間PM2.5對心腦血管疾病的影響[J]. 中國環境科學, 2015,35(11):3481-3488.

[3] 張 瑩,王式功,賈旭偉,等.氣溫與PM2.5協同作用對疾病急診就診人數的影響 [J]. 中國環境科學, 2017,37(8):3175-3182.

[4] 鄒 濱,許 珊,張 靜.土地利用視角空氣污染空間分異的地理分析 [J]. 武漢大學學報×信息科學版, 2017,42(2):216-222.

[5] 焦利民,許 剛,趙素麗,等.基于LUR的武漢市PM2.5濃度空間分布模擬[J]. 武漢大學學報信息科學版, 2015,40(8):1088- 1094.

[6] Hoek G, Beelen R, De Hoogh K,et al. A review of land~use regression models to assess spatial variation of outdoor air pollution [J]. Atmospheric environment, 2008,42(33):7561-7578.

[7] 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.

[8] Lee J H, Wu C F, Hoek G, et al. LUR models for particulate matters in the Taipei metropolis with high densities of roads and strong activities of industry, commerce and construction [J]. Science of the Total Environment, 2015,514:178-184.

[9] 江曲圖,何俊昱,王占山,等.基于LUR/BME的海岸帶地區PM2.5時空特性研究[J]. 中國環境科學, 2017,37(2):424-431.

[10] 于文金,于步云,謝 濤,等.基于MODIS氣溶膠光學厚度與氣象要素的蘇錫常地區PM2.5地面濃度分布研究[J]. 環境科學學報, 2016,36(10):3535-3542.

[11] 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.

[12] 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.

[13] 薛文博,武衛玲,許艷玲,等.基于WRF模型與氣溶膠光學厚度的PM2.5近地面濃度衛星反演[J]. 環境科學研究, 2016,29(12): 1751-1758.

[14] Ma Z, Hu X, Huang L,et al. Estimating ground-level PM2.5in China using satellite remote sensing [J]. Environmental Science & Technology, 2014,48(13):7436-7444.

[15] Gulliver J, de Hoogh K, Fecht D, et al. Comparative assessment of GIS~based methods and metrics for estimating long~term exposures to air pollution [J]. Atmospheric Environment, 2011, 45(39):7072-7080.

[16] 王振波,方創琳,許 光,等.2014年中國城市PM2.5濃度的時空變化規律 [J]. 地理學報, 2015,70(11):1720-1734.

[17] 趙晨曦,王云琦,王玉杰,等.北京地區冬春PM2.5和PM10污染水平時空分布及其與氣象條件的關系[J]. 環境科學, 2014,35(2): 418-427.

[18] 李名升,任曉霞,于 洋,等.中國大陸城市PM2.5污染時空分布規律[J]. 中國環境科學, 2016,36(3):641-650.

[19] HJ664-2013環境空氣質量監測點位布設技術規范(試行) [S].

[20] Wallace J, Corr D, Deluca P, et al. Mobile monitoring of air pollution in cities: the case of Hamilton, Ontario, Canada [J]. Journal of Environmental Monitoring, 2009,11(5):998-1003.

[21] Van den Bossche J, Peters J, Verwaeren J, et al. Mobile monitoring for mapping spatial variation in urban air quality: development and validation of a methodology based on an extensive dataset [J]. Atmospheric Environment, 2015,105:148- 161.

[22] 張云偉,王晴茹,陳 嘉,等.城市街谷內PM2.5濃度時空變化及影響因素分析[J]. 中國環境科學, 2016,36(10):2944-2949.

[23] 王占永,蔡 銘,彭仲仁,等.基于移動觀測的路邊PM2.5和CO濃度的時空分布[J]. 中國環境科學, 2017,37(12):4428-4434.

[24] 王 琴,張大偉,劉保獻,等.基于PMF模型的北京市PM2.5來源的時空分布特征[J]. 中國環境科學, 2015,35(10):2917-2924.

[25] 王嫣然,張學霞,趙靜瑤,姜群鷗.2013~2014年北京地區PM2.5時空分布規律及其與植被覆蓋度關系的研究[J]. 生態環境學報, 2016,25(1):103-111.

[26] Wang Y, Zhuang G, Tang A,et al. The ion chemistry and the source of PM2.5aerosol in Beijing [J]. Atmospheric Environment, 2005,39(21):3771-3784.

Spatial heterogeneity analysis of PM2.5concentrations in intra-urban microenvironments.

HU Chen-xia1, ZOU Bin1*, LI Shen-xin1,DUAN Xiao-li2, ZHOU Xiang3

(1.School of Geosciences and Info-physics, Central South University, Changsha 410083, China；2.School of Energy and Environmental Engineering, University of Science and Technology Beijing, Beijing 100083, China；3.Hunan Land Resources Information Center,Changsha 410004, China)., 2018,38(3)：910~916

Combing the observed hourly PM2.5concentrations from 10 regular sites of national air quality monitoring network (sparse observation mode) and 203 ground portable air quality monitors (dense observation mode), we analyzed the micro-environmental distribution characteristic of PM2.5concentrations from point and area perspectives in the downtown area of Changsha city. Results showed that, under dense observation mode, relatively high PM2.5concentrations appeared in areas with intensive human and vehicles activities, such as road intersections, construction sites, residential districts, hospitals and industrial zones, while relatively low concentrations mainly happened in scenic regions with large vegetation coverage. More rarely differences of PM2.5concentrations at same location did exist under dense and sparse observation modes. Meanwhile, inverse distance weighting based spatial interpolated map of PM2.5concentrations from dense observation mode revealed that obviously heterogeneous characteristics of PM2.5variations were marked with the highest values (>75μg/m3) in northwest part, moderate values (65~75μg/m3) in the central south part, and the lowest ones (<55μg/m3) in the east part of the study area. These characteristics were furtherly demonstrated by the significant spatial anisotropy from directional profile analysis. Inversely, the interpolated PM2.5distribution map under sparse observation mode cannot reflect this inherent heterogeneity, with overall PM2.5concentration lower than 55μg/m3. The PM2.5concentrations at dense observation sites extracted from the sparsely interpolated distribution map were clearly lower than the real values, while the higher PM2.5concentrations only appeared in the road intersections, construction sites and bus stations. Results suggest that the PM2.5concentrations from the nationally regular sites established for protecting environmental was difficult to reflect the ground real PM2.5values at the same locations. The microenvironments in intra-urban area with higher PM2.5concentrations identified under sparse and dense observation modes are different. The greater concentration deviations of these microenvironments generally occurred with relatively good air quality.

PM2.5；land use；spatial heterogeneity；spatial interpolation；microenvironment

X513

A

1000-6923(2018)03-0910-07

胡晨霞(1994-),女,寧夏固原人,碩士研究生,主要研究方向為大氣環境GIS.

2017-08-22

國家重點研發計劃(2016YFC0206205);國家自然科學基金資助項目(41201384);湖南省高校實驗室開放基金資助項目(15K132);地理國情監測(201603)

* 責任作者, 教授, 210010@csu.edu.cn