華北地區PM2.5濃度估算模型建立及相關時空變化分析

李娟　何克?！煶枯x　王春林　楊海波

摘 要：PM2.5濃度對空氣的質量有著重要影響，對PM2.5濃度及其時空變化規律的研究，對由于霧霾引起的空氣污染的治理有著重要意義。本文基于華北地區59個城市2014年10月-2015年3月、2015年10月-2016年3月、2016年10月-2017年3月的實時PM2.5濃度數據與MODIS氣溶膠數據，利用空間插值、相關分析、城郊緩沖差異分析和時間序列分析等方法研究華北地區主要城市PM2.5濃度及時空變化的規律。結果表明：在空間分布上以華北地區的中東部或中西部為中心向四周擴散，空間分布特征明顯。同時小型、中型和大型城市PM2.5濃度城郊差異各不相同，小型城市郊區PM2.5濃度大于市區，中型城市普遍為郊區PM2.5濃度小于市區，大型城市北京市郊區PM2.5濃度遠大于市區。在時間分布上高發與12月和1月，各市的月插值PM2.5濃度與MODIS月融合PM2.5濃度因月份的不同其相關性各異，同時PM2.5站點統計數據以12月份為軸，研究時間段內PM2.5濃度分布近似于正態分布。

關鍵詞：PM2.5濃度；MODIS氣溶膠數據；時空變化；估算模型；正態分布

Abstract：The concentration of PM2.5 has a significant impact on the quality of the air. It has a great significance of the research on the variation of PM2.5 concentration and its temporal， spatial distribution and the control of air pollution caused by smog and haze. This article is based on real-time PM2.5 concentration data and MODIS aerosol data from 59 cities in North of China from 2014 to 2015， 2015 to 2016， 2016 to 2017， from October to December of the previous year and January to March of next year， spatial interpolation， correlation analysis， suburban buffer difference analysis and time series analysis were used to study the variation of PM2.5 concentration and time-space in major cities of North China. The results show： in terms of spatial distribution， the central and eastern parts or the central and western parts of North China as the center and spread to four weeks， spatial distribution is obvious. At the same time， suburban differences in PM2.5 concentrations vary among small， medium and large cities. The concentration of PM2.5 in the suburbs of small cities is greater than that in the urban areas， and the concentration of PM2.5 in the suburbs of the medium-sized cities is generally less than that in the urban areas. The concentrations of PM2.5 in the suburbs of Beijing is much higher than those in the urban areas. In the time distribution， it was high in December and January. The correlation between PM2.5 concentration interpolation data and remote sensing fusion data in different months is different. Meanwhile， PM2.5 station statistics in December as the axis， during the study period， the PM2.5 concentration distribution is similar to the normal distribution.

Key Words： PM2.5 concentration ；MODIS aerosol data ；Time and space changes； Estimate model； Normal distribution

1.引言

在空氣動力學中，將微粒直徑小于2.5μm的粒子，稱為PM2.5氣溶膠粒子，簡稱為PM2.5。PM2.5對太陽的輻射具有很強的散射作用，當其濃度增加時大氣能見度將急劇下降[1]。近年來，隨著中國經濟的快速發展，環境污染問題越來越嚴重，PM2.5污染尤為突出，成為危害人類身體健康的主要因素之一[2]，且PM2.5具有較強的時空性，不同地區不同季節PM2.5的濃度變化各有不同。因此，越來越多的學者研究PM2.5對人體健康的影響及其時空變化。聶晨暉[3]等對杭州市2015年PM2.5濃度進行了時空變化分析，證實PM2.5濃度的空間分布與城鎮化格局相似，PM2.5濃度分布的季節性特征為：冬季>春季>秋季>夏季。張文[4]等對2013年京津冀地面測站PM2.5濃度數據和氣溶膠光學厚度數據（AOT）進行線性擬合后，發現利用AOT數據的線性擬合模型能夠有效地估算出PM2.5濃度。

本文以華北地區為研究對象，華北地區作為北方經濟發展的重要樞紐，集農業和工業于一體，城市人口流動較大，城市化速度較快，特別是京津冀城市群和中原城市群。研究選取的時間段為2014年到2017年，以霧霾特征明顯的月份為研究時間，即第一年10月-12月份，第二年1月-3月份。所得的實時PM2.5濃度數據為環?？傉救掌骄鶖祿髡军c的觀測數據只能表示其周圍一定半徑范圍內的PM2.5濃度的分布情況，不能反映整個區域內PM2.5濃度的分布情況，所以要通過空間插值的方法對連續空間的PM2.5濃度進行模擬[5]。先利用14-15年的實時PM2.5濃度插值數據，選取代表性城市進行多圈緩沖分析，研究其城郊差異變化特征。同時統計各省會的3年實時PM2.5濃度數據的月平均值，分析其時間特征；分析2014年12月份華北地區PM2.5濃度的空間分布特征。最后，以北京市和鄭州市為例，在實時PM2.5濃度數據和MODIS氣溶膠光學厚度數據的基礎上，分月建立線性擬合模型，并進行PM2.5濃度估算和精度分析。

2.數據與方法

2.1研究區域

華北地區一般指秦嶺-淮河線以北，長城以南的中國廣大區域。包括：北京市、天津市、河北省、山西省和內蒙古自治區中部。華北地區是中華民族的發源地之一，中國的政治文化中心。內蒙古區域呈狹長形狀，區域較大，且霧霾特征不明顯，東西區霧霾的數據差異較大。華北平原為中國霧霾高發地，所以我們在研究時去掉了內蒙古自治區，加入了河南省。故本文所研究的華北地區包括北京市、天津市、河南省、河北省、山東省和山西省。

2.2數據來源

本文使用了2014年-2015年、2015年-2016年、2016年-2017年每上一年的10月、11月、12月和下一年1月、2月、3月的實時PM2.5濃度數據及MODIS氣溶膠數據。該研究時間段內霧霾特征明顯，易于挖掘數據的潛在信息。實時PM2.5數據來源于網站（https：//www.aqistudy.cn/historydata）PM2.5歷史數據，該PM2.5濃度數據是根據當天環?？傉久啃r數據計算求平均的結果。選取了華北地區59個市的PM2.5濃度數據。氣溶膠數據來源于美國國家航空航天局（NASA）搭載在Terra和aqua衛星上的MODIS傳感器遙感影像產品MOD04_3K數據，空間分辨率10km，波長550nm。該數據具有分辨率高、多光譜等特點。

2.3數據處理

2.3.1實時PM2.5濃度數據處理

首先利用ArcGIS軟件中ArcToolBox工具箱的普通克里金插值（kriging）方法，對2014年10月至12月和2015年1月至3月華北地區59個市實時PM2.5濃度數據按天進行空間插值。克里金插值方法的結果往往可以更接近真實值，所以，在模擬真實效果的情況下，克里金插值方法是最好的選擇[6]。然后對每張插值后柵格數據按市進行分區統計，最后得出各市的PM2.5濃度平均值。

2.3.2 MODIS氣溶膠數據預處理

首先使用HEG軟件選出MOD04_3K數據的Optical_Depth_Land_And_Ocean波段，并進行數據格式轉換和投影轉換。其二使用MRT軟件進行批量的裁剪處理，剔除灰度值為空的柵格影像。然后在GIS平臺ArcGIS的支持下，將一天內不同時段的MOD04_3K數據進行融合處理，由于收集的實時PM2.5數據為當天環保總站每小時數據的平均值，因此這里的影像融合取平均值。最后對2014年10月至12月和2015年1月至3月融合后的MOD04_3K數據按市進行分區統計，得出各市范圍內柵格像元的平均值。

3.霧霾時空變化

3.1時間趨勢分析

統計華北地區六個省會城市，即北京市、天津市、鄭州市、石家莊市、濟南市、太原市，三年的實時PM2.5濃度數據的月平均值。統計結果如下圖：

2014年10月-12月時間段內，北京市、石家莊市、太原市的月平均PM2.5濃度均呈下降趨勢；天津市、鄭州市、濟南市的月平均PM2.5濃度均先上升后下降；六個城市的月平均PM2.5濃度在次年1月份都出現回升現象。對比分析2015年及2016年1月-3月和10月-12月的數據，可發現，六個城市的月平均PM2.5濃度存在兩個高峰態。高峰期均為1月和12月。這說明全年中霧霾天氣高發期為1月和12月，冬季霧霾現象嚴重。2017年1月-3月時間段內，六個城市的月平均PM2.5濃度均呈下降趨勢。

隨著時間的推移，六個城市的月平均PM2.5濃度的峰值逐漸增大，同時說明了霧霾天氣在逐漸加劇。這與社會的經濟發展需求緊密相關，霧霾天氣的治理迫在眉睫。石家莊市2016年-2017年的月平均PM2.5濃度峰值其他時間段增長劇烈，其他城市則為穩定增長。這一現象是由當時的氣象條件、大氣環流的異常和石家莊市特殊的地貌特征共同作用造成的[7-8]。將石家莊市三個時間段的月平均PM2.5濃度與其他城市對比分析，發現石家莊市的月平均PM2.5濃度普遍高于其他省會城市的。經查閱相關資料得知，這一現象源于石家莊的冬天天氣干燥，降雨量小，導致大氣污染物沉降難；大城市居住部落的進程推動了熱島效應；以煤炭為主要能源；植被面積嚴重減少[8]。

由以上分析可總結得，霧霾天氣的高發期為12月和1月，冬季霧霾現象明顯。各城市的霧霾現象隨時間逐漸加劇，且較其他省會城市，石家莊市月平均PM2.5濃度普遍高。

3.2城郊差異分析

本文從華北地區59個城市中，按地區的面積，選取1個大型城市（北京市）、5個中型城市（鄭州市、唐山市、石家莊市、濟南市、保定市）2個小型城市（新鄉市、衡水市）進行城郊差異分析。時間段選取2014年的12月，屬于霧霾高發期?；贏rcGIS平臺，將12月份的實時PM2.5濃度的插值數據進行融合處理，然后以市中心為原點進行多圈緩沖分析。其中大型城市的緩沖半徑設為10、20、30、40、50，中型城市的緩沖半徑設為8、16、24、32、40，小型城市的緩沖半徑設為6、12、18、24、30，緩沖半徑一個單位為1km。如圖3所示。

各城市不同緩沖半徑內PM2.5濃度平均值統計結果如上圖所示。所選的小型城市中衡水市和新鄉市的PM2.5濃度值均隨緩沖半徑R的增大而增大，即沿市中心向外擴展PM2.5濃度值越來越大，霧霾天氣越來越嚴重。說明衡水市和新鄉市的郊區PM2.5濃度大于市區的PM2.5濃度。新鄉市與鄭州市相鄰，鄭州市的霧霾天氣對新鄉市郊區有一定的影響。衡水市周邊的幾個市的霧霾天氣均較嚴重，這使得衡水市郊區的PM2.5濃度增大。

所選的5個中型城市中，除唐山市以外的四個城市的PM2.5濃度均隨緩沖半徑R的增大而減小，即沿市中心向外擴展PM2.5濃度值越來越小。這表明保定市、石家莊市、唐山市和鄭州市的市區PM2.5濃度大于郊區的PM2.5濃度。這一現象與市區和郊區的經濟發展程度、人口居住情況和廢氣排放量等影響霧霾天氣的因素有著密切的聯系[9]。而唐山市PM2.5濃度隨緩沖半徑的變化規律與小型城市相同。

所選的大型城市北京市的PM2.5濃度值均隨緩沖半徑R的增大而增大，特別是30公里-40公里范圍內的PM2.5濃度顯著增大。造成之一現象的原因是，北京市在政策和經濟的共同作用下產生了郊區化，進而人口和居住郊區化現象明顯，產業結構也發生變化。北京市的第二、第三產業由中心區和遠郊區向近郊區聚集[10]。而天津市PM2.5濃度值均隨緩沖半徑變化的幅度非常小，說明天津市霧霾現象的城郊差異不明顯。

3.3空間分布分析

將華北地區2014年12月份的實時PM2.5插值數據進行融合后，得到PM2.5濃度分布圖如下所示。

從圖中可以看出，2014年和2015年12月霧霾天氣的空間分布大致相同。河北省的保定市、石家莊市、衡水市等、天津市、和山東省的臨沂市、棗莊市、萊蕪市等地的PM2.5濃度明顯高于其余地方。保定市區的PM2.5濃度最高，華北地區邊界處PM2.5濃度普遍低。以華北地區的中東部為中心，向外延伸PM2.5濃度逐漸減小。而2016年2月是以華北地區的中西部為中心，向外延伸PM2.5濃度逐漸減小。

4. PM2.5濃度模型

本文以北京市和鄭州市為例，選取時間段為2014年-2015年，以天為單位對實時PM2.5插值數據和MODIS氣溶膠融合數據分月建立線性模型。回歸方程的形式為：，其中 代表MODIS氣溶膠融合數據值， 代表對應的實時PM2.5插值數據值，線性關系及參數如下表格所示。

相關系數 表示實時PM2.5插值數據和MODIS氣溶膠融合數據的線性相關程度， 越接近1，說明數據的擬合度越大。由擬合結果可得到：北京市2014年-2015年實時PM2.5插值數據和MODIS氣溶膠融合數據的相關系數在0.0122到0.4541之間，則兩者有較強的相關性。其中十月份數據的擬合度最高， =0.4541，十一月份數據為負相關，其余月份的數據均為正相關。

鄭州市2014年-2015年實時PM2.5插值數據和MODIS氣溶膠融合數據的相關系數在0.0025到0.7398之間，則兩者有較強的相關性。其中三月份數據的擬合度最高，擬合度為0.7398。十月份、十一月份和十二月份數據為負相關，一月份、二月份、三月份的數據均為正相關。

5.結論

通過對華北地區不同年份、不同月份以及不同空間的PM2.5濃度進行對比分析，得知華北地區PM2.5濃度具有較強的時空變化規律。

時間分布規律：具有較強的季節性，冬季和春季PM2.5濃度相差較大，每年PM2.5濃度基本以十二月份為軸，呈近似正態分布，以及PM2.5濃度插值數據與融合數據的相關性因月份不同各異，隨月份的變化呈現出漸變性。

空間分布規律：整個華北地區PM2.5濃度的空間分布規律明顯，以中東部為中心向四周擴散，遍及整個華北地區，且不同城市類型PM2.5濃度城郊差異明顯，小型大型城市郊區PM2.5濃度大于市區PM2.5濃度，中型城市郊區PM2.5濃度小于市區PM2.5濃度。

華北地區PM2.5濃度出現以上時空變化規律的原因眾多，隨時間的變化規律與不同年份不同月份氣候條件等的變化有很大的關系，隨空間的變化規律與華北地區不同城市群的形成先后、城市的發展速度、地理位置上差異以及產業結構的演變有著很大的關系。

參考文獻：

[1]于鳳蓮，劉東賢，胡英.有關氣溶膠細粒子對城市能見度影響的研究.氣象科技，2002，30（6）：379-383.

[2]方冬青，魏永杰，黃偉，等.北京市2014年10月中霾污染特征及有機碳來源解析[J].環境科學研究，2016，29（1）：12-19.

[3] 聶晨暉，潘驍駿，金洪芳. 杭州地區2015年PM_（2.5）濃度時空變化特征分析[J]. 測繪通報，2016（11）：75-79.

[4] 張文，潘竟虎. 2013年大范圍霧霾期間京津冀PM_（2.5）質量濃度遙感估算及時空變化的經驗正交函數分析[J]. 蘭州大學學報（自然科學版），2016，52（03）：350-356.

[5]陳強，梅琨，朱慧敏，蔡賢雷，張明華. 鄭州市PM_（2.5）濃度時空分布特征及預測模型研究[J]. 中國環境監測，2015，31（03）：105-112.

[6]翟進乾. 克里金（kriging）插值方法在煤層分布檢測中的應用研究[D].太原理工大學，2008.

[7]袁東敏，馬小會. 2016年12月16～21日重度霾過程及大氣環流異常[J]. 氣候與環境研究，2017，22（06）：757-764.

[8] 孫梓瀅. 霧霾污染結構特征及影響因素研究：以石家莊為例[J]. 產業與科技論壇，2017，16（08）：34-36.

[9]秦昊洋. 淺談霧霾成因的有效分析方法與應用[J]. 陜西廣播電視大學學報，2014，16（01）：92-96.

[10]劉志軍. 郊區化背景下的北京市產業結構演變的研究[D].首都經濟貿易大學，2008.

鄭州大學創新創業項目（2017cxcy258）