昌吉市MODIS氣溶膠光學厚度與AQI的關系模型研究

周琪　苗運玲　林琳　柴巖紅

摘要：為了建立昌吉市近地面AQI監測的關系模型，利用昌吉市2015—2016年MODIS AOD產品與同期地面觀測的AQI進行相關分析，結果表明二者直接相關程度較低（R2=0.2921，p<0.01）;按照季節分類統計（春、夏、秋）的相關系數R2分別為0.4629、0.4192、0.3487，均大于統計學上99%的置信度要求;加入氣象因子風速，建立含氣象因子的AQI和AOD的多元回歸模型，結果表明全年及各季的相關系數R2分別為0.3648、0.4528、0.4247、0.5089;對氣象因子風速進行分級，在綜合考慮R2檢驗值和F檢驗值的基礎上，平均風速>2m·s-1時的模型為線性模型R2為0.47，預測平均相對誤差為10.8%，結果較好。文章為監測空氣污染提供了一定的參考價值。

關鍵詞：氣溶膠光學厚度（AOD）;空氣質量指數AQI;PM2.5;擬合模型

中圖分類號：S-3

文獻標識碼：A

作者簡介：周琪（1988-），女，碩士，工程師。研究方向：衛星遙感與環境氣象應用。

隨著我國經濟的快速增長，大氣污染問題日益嚴重[1，2]。可吸入顆粒PM2.5（空氣動力學直徑小于或等于2.5μm的粒子）已成為影響環境空氣質量的首要污染物[3]，影響人類正常的生產生活。目前監測PM2.5的站點分布不均勻且數量有限，缺乏空間上的連續監測[5]。大氣氣溶膠的光學厚度AOD可以在一定程度上反應區域大氣的污染程度[4]。衛星遙感具有獲取信息快、覆蓋面積廣的特點，在污染監測上有廣泛應用前景[2，6]。Chu D A etal[7]展示了MODIS產品在監測全球、區域和局部空氣污染狀況方面的能力，表明可以用MODIS AOD產品進行大氣污染監測。焦利民等[8]以京津冀為研究區，研究AOD與PM2.5濃度相關關系的空間差異和時間變化。黃觀等[9]利用多分辨率的MODIS氣溶膠產品，得出北疆區域近14a平均AOD大體呈現中心高、邊緣低的分布格局。范辰乾[10]進行了濟南市基于MODIS數據的氣溶膠光學厚度與PM2.5濃度的關系研究，得出MODIS數據反演氣溶膠光學厚度對建立PM2.5觀測和預測體系具有一定的科學性和可行性的結論。

近年來隨著昌吉市經濟的迅速發展，伴隨著嚴重的環境問題。目前對昌吉地區MODIS氣溶膠光學厚度AOD與空氣質量指數AQI的相關研究較少。本文利用MODIS數據和空氣污染監測數據，建立空氣質量指數AQI與AOD之間的關系模型，并分季節建立最佳模型，同時考慮加入氣象因子進行分析，以實現利用遙感技術監測地面空氣污染狀況，為監測空氣污染提供一定的參考價值。

1研究區概況與數據方法

1.1數據來源與處理

1.1.1氣溶膠光學厚度AOD

本文采用的是美國宇航局（NASA）的地球觀測系統（EOS）衛星Aqua的中分辨率成像光譜儀（MODIS）的氣溶膠Level2光學厚度產品AOD，由暗像元業務算法生成，分辨率為10km，用灰度值來表示光學厚度的大小。

1.1.2空氣質量指數AQI

研究所用的AQI數據，采用昌吉市環境監測站獲得的監測數據，每日提供2個站點的數據信息，站點的相關信息如表1所示。

1.2數據匹配

研究中涉及到的變量有MODIS AOD、近地面PM2.5濃度、空氣質量指數AQI。數據匹配原則是空間上以2個監測站點為準，時間上以衛星過境時間為準，選取數據對中晴無云天氣，剔除有降水天氣的數據。經匹配處理后共得到2015—2016年的數據86對。冬季衛星遙感產品在“亮背景”下反演效果較差，基本無有效數據，考慮到這點沒有進行冬季的建模與檢驗。將AQI按照升序排列后，每隔3個樣本選取1個樣本作為模型驗證數據，得到建模數據58對，驗證數據28對。

1.3方法與思路

主導氣象因子分析，選取氣壓、氣溫、相對濕度、風速和日照5個氣象因子，進行AQI、AOD與5個氣象因子的相關分析，選取主導氣象因子，并將主導氣象因子進行分組。

直接相關，直接進行全年及各季節衛星遙感AOD和近地面AQI之間的相關性分析，并進行模型對比。

加入主導氣象因子參與的全年及各季節AOD與AQI之間的多元回歸模型，將主導氣象因子進行分級，分別建立相應的回歸模型;將之前建立的所有最佳模型的擬合精度和預測精度進行對比分析。

2結果與分析

2.1主導氣象因子分析

2.1.1主導氣象因子的選取

本課題研究的空氣質量指數AQI與AOD關系時考慮的是每日平均狀況，因此只討論氣壓、氣溫、相對濕度、風速和日照5個氣象因子。AQI、AOD與5個氣象因子的相關系數見表2，從表2中可以看出AQI、AOD與平均風速均成正相關，且相關性較其它4個因子的相關性顯著。因為風速對空氣污染物的擴散和傳輸起主導作用，當風速達到一定量時，會有助于空氣污染物的擴散和傳輸，而當風速較小時，則不利于空氣污染物的擴散和傳輸，會在一地形成堆積。因此選取平均風速為主導氣象因子。

2.1.2氣象因子分級

當風速≤2m·s-1時，風力較為微弱，不利于空氣污染細顆粒物擴散，容易造成堆積;當風速>2m·s-1時，空氣污染細顆粒物質被風驅散，污染狀況得到改善。因此，以風速2m·s-1為界分級，將86d數據按照平均風速大小進行排序分成2個部分，即平均風速≤2m·s-1共33個樣本和平均風速>2m·s-1共53個樣本。

2.2AOD與AQI的直接關系模型分析

2.2.1全年AQI與AOD關系模型

將86d數據按照AQI值得大小進行重新排序，根據AQI值從低到高每隔2個樣本選取1個樣本作為檢驗模型所用。這樣原始數據分為2部分，一部分用來建模，共58個;一部分用來驗證模型，共28個。

將建模樣本中的AOD值作為自變量，AQI作為因變量，進行回歸分析，模型類型包括指數函數、對數函數、冪函數、線性和一元二次方程，分析結果見表3。從表3中可以看出，幾個模型中，冪函數好于對數函數，指數函數好于冪函數，如果僅考慮R2檢驗值，則一元二次模型好于線性模型，但再從F檢驗值分析，Y=34.61x+45.44應為最佳選擇，如圖1所示。

2.2.2分季節AQI與AOD關系模型

通過分季節來研究AOD與AQI之間的關系，將58個建模樣本數據和28個檢驗樣本數據按照季節分類。本研究的季節劃分按照3—5月為春季、6—8月為夏季、9—11月為秋季、12月—次年2月為冬季來劃分。對于不同的季節分別進行模型分析，在指數函數、對數函數、冪函數、線性和一元二次方程5種模型中，綜合考慮R2檢驗值和F檢驗值的基礎上，相應地選擇各季節最佳模型，分析結果見表4。春季對數函數為最佳模型，夏季和秋季線性模型為最佳選擇。3個季節相應的散點圖和擬合模型如圖2。

從表5中可以看出，全年建模樣本和季節建模樣本建立的擬合精度較高的4個模型中，夏季線性模型，AQI與AOD相關系數最高，秋季次之。

通過利用各自建模樣本數據對模型進行誤差分析，全年樣本線性模型的平均相對誤差為15.56%，春季對數函數模型的平均相對誤差為7.57%，夏季線性模型的平均相對誤差為19.45%，秋季線性模型的平均相對誤差為14.61%。

進一步利用各自檢驗樣本數據對模型進行預測評價，全年樣本線性模型的平均相對誤差為18.77%，春季對數函數模型的平均相對誤差為10.89%，夏季線性模型的平均相對誤差為25.76%，秋季線性模型的平均相對誤差為12.59%。將相應的檢驗樣本數據帶入各模型，估算出的AQI值與實際值進行分析可以看出，全年、夏季模型預測值和實際值吻合度很低（見圖3），春季除1個點外，其余點的預測值和實際值可以達到較好逼近，秋季各點預測值和實際值逼近效果也較好。由此可見，春季AQI與AOD之間存在簡單的對數函數關系，秋季AQI與AOD之間存在簡單的線性關系。

2.3含氣象因子的AQI與AOD多元關系模型

2.3.1含氣象因子的全年及各季節AQI與AOD關系模型

將建模樣本中AOD值、平均風速作為自變量，AQI值作為因變量，進行多元回歸分析，分析結果見表6。

2.3.2氣象因子分級的關系模型

通過前面選定的主導氣象因子平均風速對58個樣本數據和28個檢驗數據進行分級，將數據重新分類到2個類別中，依次是平均風速≤2m·s-1和平均風速>2m·s-1，然后建立相應的回歸模型，分析結果見表7。

綜合考慮R2檢驗值和F檢驗值的基礎上，平均風速≤2m·s-1時的最佳模型為指數函數，平均風速>2m·s-1時的最佳模型，為線性模型。

2.3.3氣象因子分級模型的對比分析

利用各自建模樣本數據對模型進行誤差分析，平均風速≤2m·s-1時的平均相對誤差為15.76%，平均風速>2m·s-1時的平均相對誤差為16.01%。進一步利用各自檢驗樣本數據對模型進行預測評價，平均風速≤2m·s-1時的平均相對誤差為13.14%，平均風速>2m·s-1時的平均相對誤差為10.8%。將相應的檢驗樣本數據帶入各模型，估算出的AQI值與實際值進行分析可以看出，2組模型預測值和實際值吻合度較低（見圖4），只有個別點的預測值和實際值可以達到較好逼近。

2.4所有模型對比分析

將之前建立的所有最佳模型的擬合精度和預測精度進行對比分析，結果見表8。綜合考慮R2、F值、擬合平均相對誤差和預測平均相對誤差，可以看出季節模型里春季模型有較好的實用價值，而當有氣象因子參與建模時，除春季外各模型的相關系數普遍提高，模型質量有所提高。

在使用氣象因子分組討論AOD與AQI相關性時，平均風速>2m·s-1時，模型相關系數R2為0.47，比平均風速≤2m·s-1時的擬合程度要好。

3討論

雖然MODIS氣溶膠光學厚度和AQI指數的相關分析，從一定程度上可以反映地面污染狀況。但由于MODIS衛星數據只有在晴好天氣才能獲得數據，如果遇上陰雨天氣，則不能利用AOD監測空氣污染情況，對本研究有一定限制;冬季在“亮背景”下反演效果差，基本無數據，因此本文中沒有冬季相關內容的研究。

本文考慮的氣象因子只有平均風速，而且沒有分季節討論不同的氣象因子的作用，雖然污染監測的準確度有了一定提高，但沒有達到最理想的效果。在今后的研究中有必要考慮更多的氣象因子，并且著重考慮不同季節不同氣象因子的作用，應該會得到更好的結果。

4結論

全年和季節空氣質量指數和氣溶膠光學厚度建立回歸模型，比較各模型精度，得出春季對數函數模型和夏季線性模型較為理想，春季相關系數為0.4629，夏季相關系數為0.4192。

討論常規的氣象觀測數據，選取主導氣象因子為風速，對全年和季節模型進行重建，發現有主導氣象因子參與的多元回歸模型相關系數普遍比沒有氣象因子參與的一元回歸模型高。

依據主導氣象因子風速將樣本數據分組，各組空氣質量指數和氣溶膠光學厚度建立回歸模型，討論其精度，發現當平均風速>2m/s時，模型相關系數R2為0.47，預測平均相對誤差為10.8%，結果較好。

參考文獻

[1]張暉，王伯鐸，陳良富，等.西安市及周邊地區MODIS氣溶膠光學厚度與PM10濃度關系模型研究[J].環境工程學報，2014，8（02）：665-671.

[2]黃觀，劉偉，劉志紅，等.烏魯木齊市MODIS氣溶膠光學厚度與PM10濃度關系模型研究[J].環境科學學報，2016，36（02）：649-657.

[3]陳飛龍，王召海，王其新.濟南市MODIS氣溶膠光學厚度和PM2.5濃度的特征及相關性分析[J].魯東大學學報（自然科學版），2016，32（01）：86-91.

[4]劉勇.MODIS氣溶膠光學厚度與南京主城區空氣污染指數的關系研究[D].南京：南京師范大學，2007.

[5]王賀銳，吳彩保.MODIS氣溶膠產品在北京監測PM2.5質量濃度中的應用[J].環境科學，2016，13（20）：76-78.

[6]李成才，毛節泰，劉啟漢.利用MODIS資料遙感香港地區高分辨率氣溶膠光學厚度[J].大氣科學，2005，29（03）：335-342.

[7]Chu D A ， Kaufman Y J ， Zibordi G ， et al. Global monitoring of air pollution over land from the Earth Observing System-Terra Moderate Resolution Imaging Spectroradiometer （MODIS）[J]. Journal of Geophysical Research Atmospheres， 2003，108（D21）：466-467.

[8]焦利民，張博恩，許剛，等.氣溶膠光學厚度與PM2.5濃度相關關系的時空變異[J].干旱區資源與環境，2016，30（12）：34-39.

[9]黃觀，劉志紅，劉偉，等. 北疆地區氣溶膠光學厚度的時空特征[J]. 生態與農村環境學報，2015，31（03）：286-292.

[10]范辰乾. 基于MODIS數據的氣溶膠光學厚度與PM2.5濃度關系研究——以濟南市為例[D].濟南：山東師范大學，2015.

（責任編輯 李媛媛）