四川盆地PM2.5與PM10高分辨率時空分布及關聯分析

湯宇磊,楊復沫,2,詹 宇,2*

四川盆地PM2.5與PM10高分辨率時空分布及關聯分析

湯宇磊1,楊復沫1,2,詹 宇1,2*

(1.四川大學建筑與環境學院,四川 成都 610065；2.國家煙氣脫硫工程技術研究中心,四川 成都 610065)

為深入了解四川盆地PM2.5與PM10污染情況,通過機器學習的方法,基于衛星遙感氣溶膠產品(MAIAC)與國家環境空氣質量監測網數據以及氣象、地理、社會經濟變量等,構建2個隨機森林機器學習模型(2均為0.86),反演四川盆地2013~2017年間1km網格逐日PM2.5與PM10濃度時空分布,并分析兩者的時空關聯性.結果表明:2013~2017年四川盆地地面PM2.5與PM10平均濃度分別為47.8,75.2μg/m3.PM2.5與PM10濃度空間上均整體呈現“倒月牙”狀分布,西部與南部區域濃度值較高.5a間,區域顆粒物濃度逐年遞減,總降幅均達到27%,季節上則均具有“冬高夏低”的特點;PM2.5與PM10濃度空間相關性顯著(相關系數0.96),呈現“內強外弱”的格局,春夏季相關系數(0.91、0.90)低于秋冬季(0.96、0.96).盆地西南部PM2.5與PM10比值較高,比值高低的季節性排序為冬季>秋季>夏季>春季.

顆粒物；氣溶膠光學厚度；機器學習；衛星遙感；四川盆地；時空分布

細顆粒物(PM2.5)與可吸入顆粒物(PM10)濃度是衡量空氣質量的重要指標.由于其空氣動力學當量直徑較小,易被人體吸入肺部,長期和短期暴露均具有健康風險,特別是對于兒童、老人等敏感人群[1],易誘發如心血管病、呼吸系統疾病等多種病患[2-3].

利用衛星遙感反演的氣溶膠光學厚度(AOD)估算近地面空氣污染濃度,開始于20世紀下半葉,是目前國際上環境暴露研究的熱門領域之一.與傳統環境監測方法相比,遙感反演估算具有覆蓋范圍廣、成本較低等優點,可以獲得全球大部分區域的污染物分布情況,有效彌補地面監測站點數量有限、分布不均的不足,是目前顆粒物濃度時空分布研究的重要手段.利用衛星遙感反演我國地表顆粒物濃度已經取得諸多研究成果,陸續開發出線性回歸[4]、混合效應[5]、地質統計[6]、逆方差加權[7]、地理加權回歸[8]等多種預測模型,模型交叉驗證2多在0.6~0.7,空間精度一般在3~10km,且研究多集中在華北平原、長江三角洲、珠江三角洲以及主要大中型城市.針對我國4大霧霾重點污染區域之一的四川盆地,目前高精度顆粒物時空分布的研究仍較少且有待深入.

機器學習預測模型,是以大數據為基礎的算法模擬分析方法,在模擬變量間非線性交互等方面具有優勢,可以得到更精準的預測結果[9].本研究基于MAIAC AOD產品數據(Multi-Angle Implementation of Atmospheric Correction,1km分辨率)、地面站點監測數據,綜合氣象、地形、人類活動等多要素,分別構建AOD隨機森林填補模型、PM2.5與PM10隨機森林預測模型,反演四川盆地2013~2017年1km網格逐日PM2.5與PM10濃度數據,分析PM2.5與PM10污染的時空分布以及兩者的關聯特征,以期為區域空氣質量精準評估、人體暴露風險評價及成渝城市群大氣聯防聯控提供科學參考.

1 材料與方法

1.1 研究區概況

四川盆地位于中國西南部,覆蓋面積超過16萬km2(102°20′~111°05′E,北緯28°~32°40′N),橫跨四川省中東部和重慶市大部分地區,海拔250~750m,是中國第三大盆地.盆地四面環山,使盆底形成獨特的大氣環流,具有相對特殊的“類封閉性”氣候與自然條件,日均日照時長3.2h,年均降水量為850mm,相對濕度較大(77%),風速較低(1.35m/s)[10],促進顆粒物的生成和累積,導致區域空氣質量惡化[11].盆地內的成渝城市群擁有1.1億人口,工業化進程較高,是中國現階段及未來城市圈高速發展和經濟發達的核心地區之一,但同時也是中國霧霾污染最嚴重區域之一.

圖1 四川盆地國家環境空氣質量監測網絡站點分布

1.2 數據收集

1.2.1 地面監測數據 本研究的地面監測數據,來自盆地內101個國控空氣質量地面監測站點[12]2013~2017年的PM2.5與PM10實時監測濃度,其中有8個背景點位于城郊或山區,分布較均勻(圖1).每個站點的24h濃度平均值為每日濃度,少于20h觀測值的天數被排除在外[13].經數據篩選后,獲得PM2.5日均濃度有效數據123318份(含11118份背景點數據)、PM10日均濃度有效數據123299份(含11106份背景點數據),用于模型構建與驗證.

1.2.2 MAIAC衛星AOD數據產品 AOD是用于測量懸浮顆粒通過吸收或散射方式影響光傳輸程度的遙感參數,也是空氣柱中顆粒物含量的重要量度,通常用于估計近地面環境中PM2.5和PM10濃度[14].本研究使用2018年美國航天局(NASA)正式公布的MAIAC產品,其空間分辨率為1km,較目前世界主流的AOD遙感產品(空間分辨率多在3~ 10km)精度更高,并通過新算法糾正黑暗植被表面和明亮沙漠目標的大氣影響,進一步提高了AOD的準確性[15].選用產品中的Terra和Aqua兩顆衛星上的AOD數據.

1.2.3 環境協變量 用于構建模型的環境協變量主要包括氣象、行星邊界層高度(PBLH)、歸一化植被指數(NDVI)、海拔、國內生產總值(GDP)、排放清單、道路密度、人口密度、土地利用等.氣象數據來自中國氣象數據網的四川盆地及其周邊151個氣象站,涵蓋每日的蒸發量、降水量、空氣溫度、大氣壓力、相對濕度、日照時間、地面溫度、風速等,采用克里金插值法對日常天氣條件進行插值;PBLH數據來自氣象同化數據產品(MERRA-2);NDVI數據取自NASA的Terra衛星MOD13Q1數據集和Aqua衛星MYD13Q1數據集;海拔數據來自NASA的30m SRTM地形產品;GDP數據引用中科院地理所出版的《中國GDP空間分布公里網格數據集》[16];排放清單數據來自清華大學開發的中國多尺度排放清單模型(MEIC);道路密度數據下載自Open Street Map (https://trac.openstreetmap.org);人口密度數據來自世界網格人口社會經濟數據和應用中心,數據年份為2005,2010,2015,2020年,中間年份沒有公布的具體人口數據,通過簡單的線性插值進行估值;土地利用年度數據來自歐洲航天局,四川盆地的土地利用類型主要包括農田、草地、森林、灌木林地、城市和水體6大類14種.

1.3 數據處理方法

1.3.1 數據預處理 將研究區域劃分為198277個網格單元,空間分辨率為1km×1km,時間分辨率為天.將收集到的各類數據,進行空間重采樣分配到各個網格中,建立了一個顆粒物污染模型開發和預測的環境數據庫,每年的數據記錄為7237.11萬條(2016年為閏年,有7256.94萬條).

預先對AOD產品數據進行融合.一些研究學者證實了將Terra(MOD)和Aqua(MYD)兩顆衛星數據結合起來可提高AOD覆蓋率的可行性[17].為獲得更多的衛星遙感觀測數據,本研究建立線性回歸模型(2= 0.85和斜率為0.86),將MYD融合至MOD以形成復合AOD,覆蓋率從各自的(12.2±2.3)% (MOD)、(10.5±2.1)%(MYD)提升至(16.0±2.7)%.

此外,季節性指標變量(以天為單位,取值范圍: 1~366)也被添加到模型中.主要運用PostgreSQL、R、Python及ArcGIS 10.2等工具軟件,完成各類數據的儲存、處理與分析.

1.3.2 隨機森林模型構建 隨機森林(RF)是精細空間和時間分辨率下預測地面空氣污染物濃度的有效工具[18-19].本研究在模型訓練過程中,導入訓練數據集構建回歸樹,隨機選擇三分之一的預測變量用于構建每棵樹[18].首先,使用單個節點構建一個樹,然后重復引導步驟,直到每個終端節點中只有一個數據條,從大量訓練樣本中提取特征,在回歸樹的每個節點處選擇最佳分割,構建自變量與各協變量之間的相互關系,分別建立了AOD填補子模型、PM2.5和PM10預測子模型,通過相應的預測變量對未監測區域及時段進行模型預測.AOD子模型訓練樣本為全年AOD真實值數據,PM2.5和PM10子模型訓練樣本為全部站點實測數據.其中,填補后的AOD值(AOD子模型的輸出變量)作為下一階段PM2.5和PM10子模型的一個輸入變量.各子模型均添加了季節性變量,對變量取值空間進行有效分隔.

根據模型超參數(hyperparameter)調整實驗的結果,3個子模型的樹數均設置為500,最終預測結果是所有回歸樹的平均值,3個子模型的模擬結果均達到近似最優的計算效率和預測性能.模型能夠量化當某變量的數據被置換而其他所有變量保持不變時的預測誤差量,從而提供每個自變量的相對重要性[20].

2 結果與討論

2.1 模型評估

交叉驗證法用于模型評估驗證,可以有效避免模型可能存在的過度擬合現象[21],已有研究常采用基于站點的10折交叉驗證評估時空分布模型的預測準確性[5,22].本研究亦采用此方法分別評估PM2.5和PM10子模型,即將訓練數據根據站點不同隨機分類為10組,每次用其中9組數據訓練模型,預測余下1組的濃度,根據決定系數(-2)、均方根誤差(RMSE)、平均相對偏差(MFB)、平均相對誤差(MFE)、標準平均偏差(MNB)、平均標準誤差(MNE)等指標衡量模型的預測準確性[23].由于AOD數據沒有站點之分,采用完全隨機分組的10折交叉驗證.如圖2所示,10折交叉驗證2分別為0.96、0.86和0.86,3個子模型均表現較好,可實現高精度的時空分布重構.同時針對8個背景點進行評估,PM2.5與PM10子模型基于站點交叉驗證的2分別為0.76和0.73,證明模型在山區等人類活動較少的區域預測準確性依然較好.

圖2 AOD、PM2.5、PM10子模型交叉驗證結果

虛線為1:1線

變量重要性是RF模型的變量選擇的重要評判依據[24].本研究收集了與大氣顆粒物時空分布可能相關的各類數據,作為模型的備選變量,再進行變量篩選,剔除相關性弱、重要性低的冗余變量.精簡模型的“變量相對重要性”,體現了各變量對于模型預測的重要性.AOD子模型共選擇了19個輸入變量(氣象類8個、地理空間類3個、人類活動1個、土地功能性質類6個、季節性時間變量1個).最重要的5個自變量分別是季節性、日照時間、氣溫、風速和降水量.在暖季,日照時間長,空氣對流強烈,污染物擴散較快,AOD數值較低[25].PM2.5與PM10子模型分別各有23個輸入變量(AOD衛星數據1個、氣象類8個、地理空間類3個、社會經濟類4個、土地功能性質類6個、季節性時間變量1個).其中,排放清單變量分別輸入了細顆粒物與粗顆粒物數據,其余變量保持一致(表1).AOD是PM2.5與PM10子模型中最重要的自變量,相對重要性值均超過23%.在去除AOD后,PM2.5與PM10子模型在基于站點的10折交叉驗證2均從0.86降為0.85.由于各地級市所屬站點空間分布較集中,基于站點的交叉驗證可能會高估模型對于整個區域的預測準確性,因此,又進行了基于站點聚落的20折交叉驗證[26],即根據監測站點的空間聚類將訓練數據分為20組進行交叉驗證,在去除AOD后,PM2.5與PM10子模型的2分別從0.67、0.70降為0.62、0.68,表明AOD能明顯提升模型預測的準確性.同時季節性(分別為15.62%和13.79%)和氣象條件(總重要值分別為39.00%和41.37%)也起著重要作用,體現了顆粒物生成的強烈季節性[9],反映了氣象條件對于顆粒物濃度預測的重要性[27].

表1 AOD、PM2.5、PM10子模型各變量相對重要性(%)

注:“-“表示該變量未納入AOD子模型計算.

2.2 預測結果簡述

通過兩階段模型預測,建立了2013~2017年四川盆地PM2.5、PM10日均濃度1km網格數據集(各有3.62億組數據).數據結果顯示,四川盆地5a間地面PM2.5與PM10平均濃度分別為47.8,75.2μg/m3,均超過國家環境空氣質量標準年均值II級標準(35,70μg/m3)[13],區域顆粒物污染整體較為嚴重.成都市、自貢市市轄區、重慶市主城區PM2.5與PM10濃度相對較高;宜賓市轄區PM2.5污染較突出;而德陽市轄區PM10污染較突出(圖3).

圖3 模型預測四川盆地及部分城市PM2.5與PM10年均濃度分布

2.3 PM2.5與PM10濃度空間分布及相關性分析

如圖3所示,PM2.5與PM10年均濃度空間分布整體呈現“倒月牙”狀,具有一定的相似性.PM2.5高濃度區域主要位于盆地西北部和南部地區,而PM10高濃度主要位于盆地西北部.顆粒物高濃度區大多位于盆地底部(海拔200~300m的低洼地帶),相對封閉的環境使盆地內邊界層大氣層結穩定度高于同緯度其他地區,且風速較小、靜風頻率高,不利于污染物的輸送擴散[28],顆粒物易積累形成高濃度污染.顆粒物低濃度區主要位于山地和丘陵區,人口相對稀疏,工業不發達,人類活動不頻繁,污染物排放少,且山地丘陵植被覆蓋度高,對污染物的清潔作用強[29].

人為源排放是造成盆地顆粒物污染嚴重的重要原因之一[30].PM2.5、PM10人口加權平均濃度分別為54.1,84.2μg/m3,分別高于其算術平均濃度13.1%和11.9%,表明盆地內人類活動與顆粒物濃度密切相關.盆地內有97.3%的人口生活在PM2.5年均濃度大于35μg/m3(中國現階段年均達標值[13])的區域,有81.2%的人口生活在PM10年均濃度大于70μg/m3(中國現階段年均達標值[13])的區域,存在較大的健康風險.

利用Spearman秩相關系數研究兩種顆粒物之間的相關性.預測結果中PM2.5和PM10空間相關系數為0.96,與站點觀測數據的空間相關系數0.92(8個背景點空間相關系數也為0.92)基本一致,表明兩者存在顯著相關性(<0.01).PM2.5在PM10的含量中占主導地位,其質量濃度平均比值為64.0%.盆地西南部的樂山、自貢、宜賓、瀘州等市轄區該比值較大,表明二次顆粒物污染突出.盆地北部該比值較小,表明粗顆粒物含量相對較高.由于盆地底部及周邊復雜的地形地勢,來自中國西北、能夠越過秦嶺的沙塵對該區域的影響往往要大于盆地其他區域[31].

2.4 PM2.5與PM10濃度季節性分布及相關性分析

如圖4、表2所示,四川盆地各季節顆粒物濃度分布不均,PM2.5與PM10濃度呈現明顯的“冬高夏低”的季節性變化.其濃度的季節排序均為:冬季>春季>秋季>夏季.冬季PM2.5與PM10濃度值分別為夏季的2.3倍與2.0倍.大量的人為排放、特殊的地形和獨特的大氣環流共同導致盆地上冬季顆粒物高濃度污染[32].夏季時盆地邊界層高度明顯高于冬季,且雨水豐沛,利于顆粒物擴散或沉降[33].

表2 模型模擬四川盆地PM2.5與PM10各季節濃度(μg/m3)

圖4 模型模擬四川盆地PM2.5、PM10濃度季節性空間分布

圖5 模型模擬四川盆地PM2.5與PM10相關系數及比值季節性分布

如圖5所示,PM2.5與PM10的相關性存在季節性差異,春夏季PM2.5與PM10相關系數(0.91,0.90)低于秋冬季(0.96,0.96).春季盆地北部區域PM2.5與PM10的相關性明顯較小,再次表明來自西北方向的沙塵影響較大[31];夏季盆地東部區域相關性較弱,可能與粗、細顆粒物在邊界層較高、降雨較多的背景下擴散、沉降能力差異較大有關;秋冬季盆地內PM2.5與PM10相關性則較高.兩者的比值也存在季節性差異,各季節兩者比值排序為,冬季>秋季>夏季>春季.5a間,兩者相關系數一直維持在0.95以上的高水平,區域PM2.5和PM10濃度時空分布上具有相對一致性,PM2.5在PM10中所占比例保持在60%以上(分別為0.64,0.65,0.64,0.63,0.63),變化不明顯,表明現階段盆地內PM2.5是PM10濃度的主要占比,未來需加強對PM2.5的治理.

2.5 PM2.5與PM10濃度時間序列趨勢

PM2.5與PM10濃度整體呈現逐步下降的趨勢.相較于2013年,2017年盆地內顆粒物污染明顯減輕,PM2.5與PM10濃度降幅均達到27%,分別以年均3.9,6.2μg/m3的速率下降,表明“十二五”、“十三五”期間成渝地區污染減排工作取得顯著成效.成都市顆粒物濃度下降幅度最大.PM2.5濃度降幅較大的還有資陽、遂寧、廣安等,PM10濃度降幅較大的有遂寧、南充等;在盆地邊坡山區,顆粒物則保持相對較低但穩定的水平(圖6).如圖7所示,2016年后盆地內顆粒物下降幅度整體趨于平緩(年均下降幅度3%); 2016年成都市PM10濃度下降的主要原因是PM2.5濃度的降低,同時存在一定程度PM2.5~10比例相對上升的現象;2017年南充市顆粒物、成都市PM10下降較為明顯.

圖6 模型模擬四川盆地PM2.5與PM10濃度下降比例空間分布

3 結論

3.1 通過構建隨機森林模型,獲得2013~2017年四川盆地PM2.5、PM10日均濃度時空分布數據集,模型交叉驗證2=0.86,空間分辨率達到1km-.

3.2 四川盆地2013~2017年PM2.5與PM10平均濃度分別為47.8,75.2μg/m3,其中成都、自貢、重慶主城區的PM2.5與PM10濃度較高,宜賓PM2.5污染較突出,德陽PM10污染較突出.

3.3 四川盆地PM2.5與PM10濃度空間分布整體呈現“倒月牙”狀,二者空間相關性顯著,具有“內部較強,外圍較弱”的特點,其濃度季節性分布均呈現“冬高夏低”態勢,春夏季相關系數低于秋冬季.

3.4 四川盆地PM2.5與PM10污染總體上逐年好轉,5a間濃度降幅均達到27%,PM2.5在PM10中的占比沒有明顯變化(維持在60%以上),2016年以后顆粒物降幅均趨緩(年均下降幅度3%),未來治理難度大.

[1] Naghavi M, Wang H, Lozano R, et al. Global, regional, and national age-sex specific all-cause and cause-specific mortality for 240 causes of death, 1990~2013: a systematic analysis for the global burden of disease study 2013 [J]. Lancet, 2015,385(9963):117-171.

[2] Miri M, Alahabadi A, Ehrampush M H, et al. Mortality and morbidity due to exposure to ambient particulate matter [J]. Ecotoxicology And Environmental Safety, 2018,165(12):307-313.

[3] Liu Z, Wang F, Li W, et al. Does utilizing WHO's interim targets further reduce the risk - meta-analysis on ambient particulate matter pollution and mortality of cardiovascular diseases?[J]. Environmental Pollution, 2018,242(11):1299-1307.

[4] 徐建輝,江 洪.長江三角洲PM2.5質量濃度遙感估算與時空分布特征 [J]. 環境科學, 2015,36(9):3119-3127. Xu J H, Jiang H. Remote sensing estimation and spatiotemporal distribution characteristics of PM2.5mass concentration in the Yangtze River Delta [J]. Environmental Science, 2015,36(9):3119-3127.

[5] 景 悅,孫艷玲,徐 昊,等.基于混合效應模型的京津冀地區PM2.5日濃度估算 [J]. 中國環境科學, 2018,38(8):2890-2897. Jing Y, Sun Y L, Xu H, et al. Estimation of PM2.5daily concentration in Beijing-Tianjin-Hebei region based on mixed effect model [J]. China Environmental Science, 2018,38(8):2890-2897.

[6] 熊秋林,趙文吉,宮兆寧,等.北京城區2007~2012年細顆粒物數濃度時空演化 [J]. 中國環境科學, 2013,33(12):2123-2130. Xiong Q L, Zhao W J, Gong Z N, et al. Spatiotemporal evolution of fine particle number concentration in Beijing urban area from 2007 to 2012 [J]. China Environmental Science, 2013,33(12):2123-2130.

[7] Ma Z, Hu X, Sayer A M, et al. Satellite-based spatiotemporal trends in PM2.5concentrations: China, 2004~2013 [J]. Environmental Health Perspectives, 2016,124(2):184-192.

[8] Song W, Jia H, Huang J, et al. A satellite-based geographically weighted regression model for regional PM2.5estimation over the Pearl River Delta region in China [J]. Remote Sensing of Environment, 2014,154(11):1-7.

[9] Zhan Y, Luo Y, Deng X, et al. Spatiotemporal prediction of continuous daily PM2.5concentrations across China using a spatially explicit machine learning algorithm [J]. Atmospheric Environment, 2017, 155(4):129-139.

[10] Huang Q, Cai X, Song Y, et al. Air stagnation in China (1985~2014): climatological mean features and trends [J]. Atmospheric Chemistry and Physics, 2017,17(12):7793-7805.

[11] Zhang X Y, Wang Y Q, Niu T, et al. Atmospheric aerosol compositions in China: spatial/temporal variability, chemical signature, regional haze distribution and comparisons with global aerosols [J]. Atmospheric Chemistry and Physics, 2012,12(2):779-799.

[12] 中華人民共和國生態環境部.2017年中國生態環境狀況公報 [EB/OL]. 北京,生態環境部, 2018. http://www.mee.gov.cn/hjzl/ zghjzkgb/lnzghjzkgb/201805/P020180531534645032372.pdf.Ministry of Ecology and Environment of the People's Republic of China. Bulletin on the State of China's Ecological Environment in 2017 [EB/OL]. BeiJing, Ministry of Ecology and Environment, 2018. http://www.mee. gov.cn/hjzl/zghjzkgb/lnzghjzkgb/201805/P020180531534645032372.pdf.

[13] GB3095—2012 環境空氣質量標準 [S]. GB3095-2012 Ambient air quality standards [S].

[14] 陳良富,李莘莘,陶金花,等.氣溶膠遙感定量反演研究與應用 [M]. 北京:科學出版社, 2011:34-49. Chen L F, Li X X, Tao J H, et al. Quantitative inversion and application of aerosol remote sensing [M]. Beijing: Science Press, 2011:34-49.

[15] Lyapustin A, Wang Y, Korkin S, et al. MODIS Collection 6MAIAC algorithm [J]. Atmospheric Measurement Techniques, 2018,11(10): 5741-5765.

[16] 徐新良.中國GDP空間分布公里網格數據集 [DB/OL]. 中國科學院資源環境科學數據中心 (http://www.resdc.cn/DOI),2017.DOI: 10.12078/2017121102. Xu X L. Spatial distribution of national GDP in 1km grid [DB/OL]. Data Center for Resources and Environmental Sciences, Chinese Academy of Sciences (http://www.resdc.cn/DOI),2017.DOI: 10.12078/ 2017121102.

[17] You W, Zang Z, Zhang L, et al. National-scale estimates of ground-Level PM2.5concentration in China using geographically weighted regression based on 3km resolution MODIS AOD [J]. Remote Sensing, 2016,8(3):184-197.

[18] Ho T K. The random subspace method for constructing decision forests [J]. Ieee Transactions on Pattern Analysis And Machine Intelligence, 1998,20(8):832-844.

[19] Prasad A M, Iverson L R, Liaw A. Newer classification and regression tree techniques: Bagging and random forests for ecological prediction [J]. Ecosystems, 2006,9(2):181-199.

[20] Svetnik V, Liaw A, Tong C, et al. Random forest: A classification and regression tool for compound classification and QSAR modeling [J]. Journal of Chemical Information and Computer Sciences, 2003, 43(6):1947-1958.

[21] Diego Rodriguez J, Perez A, Antonio Lozano J. Sensitivity analysis of k-fold cross validation in prediction error estimation [J]. Ieee Transactions on Pattern Analysis and Machine Intelligence, 2010, 32(3):569-575.

[22] 莊 欣,黃曉鋒,陳多宏,等.基于日變化特征的珠江三角洲大氣污染空間分布研究 [J]. 中國環境科學, 2017,37(6):2001-2006. Zhuang X, Huang X F, Chen D H, et al. Spatial distribution of air pollution in the Pearl River Delta based on diurnal variation characteristics [J]. China Environmental Science, 2017,37(6):2001- 2006.

[23] Bergmeir C, Hyndman R J, Koo B. A note on the validity of cross-validation for evaluating autoregressive time series prediction [J]. Computational Statistics & Data Analysis, 2018,120(4):70-83.

[24] Strobl C, Boulesteix A-L, Kneib T, et al. Conditional variable importance for random forests [J]. Bmc Bioinformatics, 2008,9(1): 307-315.

[25] Zhang Z, Zhang X, Gong D, et al. Evolution of surface O3and PM2.5concentrations and their relationships with meteorological conditions over the last decade in Beijing [J]. Atmospheric Environment, 2015, 108(5):67-75.

[26] Di Q, Amini H, Shi L, et al. An ensemble-based model of PM2.5concentration across the contiguous United States with high spatiotemporal resolution [J]. Environment International, 2019,130(9): 104909.

[27] 賀克斌,楊復沫,段鳳魁,等.大氣顆粒物與區域復合污染 [M]. 北京:科學出版社, 2011:37-39. He K B, Yang F M, Duan F K, et al. Atmospheric particulate matter and regional composite pollution [M]. Beijing: Science Press, 2011: 37-39.

[28] 郭曉梅,陳 娟,趙天良,等.1961~2010年四川盆地霾氣候特征及其影響因子 [J]. 氣象與環境學報, 2014,30(6):100-107. Guo X M, Chen J, Zhao T L, et al. Climatic characteristics and its influencing factors in the Sichuan Basin from 1961 to 2010 [J]. Journal of Meteorology and Environment, 2014,30(6):100-107.

[29] 呂鈴鑰,李洪遠,楊佳楠.植物吸附大氣顆粒物的時空變化規律及其影響因素的研究進展 [J]. 生態學雜志, 2016,35(2):524-533. Lv L Y, Li H Y, Yang J N. Advances in research on temporal and spatial variation of plant adsorption of atmospheric particulate matter and its influencing factors [J]. Chinese Journal of Ecology, 2016,35(2): 524-533.

[30] 曹軍驥. PM2.5與環境 [M]. 北京:科技出版社, 2014:11-17. Cao J J. PM2.5and environment [M]. Beijing: Science Press, 2014: 11-17.

[31] 廖乾邑,羅 彬,杜云松,等.北方沙塵對四川盆地環境空氣質量影響和特征分析 [J]. 中國環境監測, 2016,32(5):51-55. Liao Q Y, Luo B, Du Y S, et al. Influence of northern dust on environmental air quality in Sichuan Basin and its characteristics [J]. Environmental Monitoring in China, 2016,32(5):51-55.

[32] Ning G, Wang S, Ma M, et al. Characteristics of air pollution in different zones of Sichuan Basin, China [J]. Science of the Total Environment, 2018,612(1):975-984.

[33] Tian M, Liu Y, Yang F, et al. Increasing importance of nitrate formation for heavy aerosol pollution in two megacities in Sichuan Basin, southwest China [J]. Environmental Pollution, 2019,250(7): 898-905.

High resolution spatiotemporal distributionand correlation analysis of PM2.5and PM10concentrations in the Sichuan Basin.

TANG Yu-lei1, YANG Fu-mo1,2, ZHAN Yu1,2*

(1.College of Architecture and Environment, Sichuan University, Chengdu 610065, China；2.National Engineering Research Center for Flus Gas Desulfurization, Chengdu 610065, China)., 2019,39(12)：4950~4958

In order to advance the understandings of the regional air pollution in the Sichuan Basin, two machine learning based models, random forests (RF), were developed to estimate the daily PM2.5and PM10concentrations on the 1km grid from 2013 to 2017. The datasets used for the model training included the satellite-retrieved aerosol optical depth (AOD) from the Multi-Angle Implementation of Atmospheric Correction (MAIAC) product, the ground-based observations from the state-managed air quality monitoring network, as well as the meteorological, geographical, and socioeconomic variables. The RF models showed superior performance in predicting PM2.5and PM10(2=0.86 for both). The multiyear regional average PM2.5and PM10concentrations were 47.8 and 75.2μg/m3, respectively. The PM2.5and PM10levels were predicted to be higher in the western and southern basin than the other areas, exhibiting a shape of crescent. During these five years, the PM2.5and PM10concentrations both decreased by 27%. The particulate matter concentrations exhibited obvious seasonality with the highest in winter and the lowest in summer. The spatial distributions of PM2.5and PM10showed high correlation (=0.96), with stronger correlation in the lowland areas and slightly weaker correlation in the surrounding mountainous area. The correlations in spring (=0.91) and summer (=0.90) were relatively lower than those in fall (=0.96) and winter (=0.96). Ratio of PM2.5to PM10was higher in the southwestern basin and showed adescending order of winter > fall > summer > spring.

particulate matter；aerosol optical depth；machine learning；satellite remote sensing；Sichuan basin；spatiotemporal distribution

X513

A

1000-6923(2019)12-4950-09

湯宇磊(1990-),男,安徽合肥人,四川大學碩士研究生,主要從事環境遙感與建模研究.發表論文1篇.

2019-05-13

國家自然科學基金項目(41875162);四川省科技計劃資助(2018SZDZX0023,2018SZ0316)

* 責任作者, 副研究員, yzhan@scu.edu.cn