太原市城區PM2.5濃度時空分布特征研究*

李卓建 趙尚民 郭鵬程

(太原理工大學礦業工程學院，山西 太原 030024)

隨著我國城市化進程不斷加快，大中型城市大氣環境問題日益嚴峻，以PM2.5為首要污染物的情況逐漸增多[1]。對城市PM2.5時空分布特征進行研究有助于了解城市污染變遷，為城市大氣污染防治提供科學依據[2-3]。顧康康等[4]通過對合肥市主城區PM2.5的監測數據進行空間插值分析，認為城市用地開發強度與PM2.5濃度有一定的相關性；聶晨暉等[5]以中分辨率成像光譜儀(MODIS)反演的氣溶膠光學厚度(AOD)與PM2.5濃度間的線性關系模型進行杭州地區PM2.5時空變化特征分析，發現PM2.5的空間分布與城鎮化格局相似；趙曉亮等[6]采用暗目標法反演了阜新市AOD數據，并與PM2.5濃度進行相關性分析，認為大氣AOD對阜新市PM2.5時空分布預測具有良好的指示作用。

目前普遍認為土地利用狀況影響著城市PM2.5的時空分布格局，且大氣AOD對城市PM2.5的時空分布預測也有較強的適用性，但結合AOD和土地利用數據來分析城市PM2.5時空分布狀況的相關研究仍然尚少。因此，本研究以太原市城區為研究對象，利用太原市8個環境監測站點24 h連續監測數據，結合AOD數據和城區土地利用數據，建立PM2.5的隨機分析模型和季節線性回歸模型，預測太原市城區近地面PM2.5時空分布特征，以期為太原市城區大氣改善提供科學依據。

1 研究區概況

太原市為山西省政治、經濟和文化交流的中心，涵蓋山西省重要的工業基地，在三面環山的地形條件下，大量被排放的空氣污染物不易向外擴散輸送而逐漸堆積，容易引發嚴重的空氣污染問題[7]。因此，有必要了解太原市城區的PM2.5時空變化特征，改善大氣環境質量。

采用保留交叉驗證的方式構建隨機分析模型，將8個PM2.5濃度監測站的監測數據分為兩組，用6個監測站點的數據進行模型訓練，以兩個監測站點分別代表城市中心以及城郊進行模型驗證，研究區位置及PM2.5監測站點空間分布見圖1。

圖1 研究區位置及PM2.5監測站點空間分布Fig.1 Location of study area and spatial distribution of PM2.5 monitoring stations

2 數據與方法

2.1 研究數據及預處理

研究選取的遙感數據為MODIS02 L1B 1 km數據，下載地址為美國國家航空航天局(NASA)網站(https://ladsweb.modaps.eosdis.nasa.gov/)。采用暗像元方法和6S輻射傳輸模型對太原市城區的AOD進行遙感反演，并對缺失較少的反演結果進行克里金插值處理，獲得完整的250 m×250 m分辨率大氣氣溶膠分布。

PM2.5數據來自太原市2017年1月1日至12月31日實時采集的小時空氣質量數據，季節平均濃度通過PM2.5小時數據平均得到，其中3—5月歸為春季，6—8月歸為夏季，9—11月歸為秋季，12、1—2月歸為冬季。

土地利用數據來源于全國生態遙感監測的土地利用覆蓋分類數據，可分為耕地、林地、草地、水域、城鎮用地、工礦建設用地、未利用土地7大類。

2.2 研究方法

2.2.1 確定最優緩沖區變量

通常不同半徑緩沖區的土地利用變量與PM2.5濃度有著不同的相關性[8]，為了找出各個有效AOD時間段內的PM2.5濃度對應土地利用變量的最優緩沖區，本研究采用具有變化半徑的緩沖區統計方法，從緩沖區半徑100 m開始，以50 m為步長不斷遞增到5 km，計算各緩沖區半徑下各土地利用變量與PM2.5濃度的相關系數。在各個土地利用變量中選取相關性最強的緩沖區為最優緩沖區，其中用顯著性水平在p<0.1的最優緩沖區土地利用變量來構建當日的模型。

2.2.2 PM2.5的隨機分析模型

隨機分析模型是用來針對氣溶膠標高、大氣相對濕度等隨時間變化的影響因子而設計，能夠表征AOD和PM2.5濃度隨時間變化的情況，提升模型的擬合精度[9-10]。引入土地利用變量，可以加強PM2.5分布預測在空間上的表現力，減小模型的擬合誤差[11-12]，隨機分析模型見式(1)：

(1)

式中：Pij為第i個站點在第j天衛星過境時間所對應的PM2.5質量濃度，μg/m3；aj為第j天AOD數據對應的斜率；Aij為第i個站點在第j天的AOD；n為可以進入回歸模型中的土地利用變量項數；bkj為第j天第k項土地利用變量所對應的站點斜率；Xkij為第i個站點在第j天中第k項土地利用變量在最佳緩沖區內的占比；cj為第j天的回歸模型截距項；εij是第i個站點在第j天的誤差項。

考慮到模型系數的合理性，工礦建設用地以及城鎮用地與PM2.5濃度的關系為正相關，而林地和草地則為負相關[13]。對于符合這種系數條件的土地利用變量可被用來構建當天的模型，反之則取消該變量進入當天模型構建。

2.2.3 PM2.5的季節線性回歸模型

由于AOD數據缺失，PM2.5隨機分析模型預測結果在時間分布的分析上存在不足，但可在一定程度上反映PM2.5的空間分布狀況[14-15]。因此可根據隨機分析模型預測的站點季度PM2.5平均值與實際站點季度PM2.5平均值建立線性回歸模型(見式(2))，由每個季度回歸模型的斜率項和截距項來獲取PM2.5的季節分布狀況。

Pil-T=el×Pil-P+dl+εil

(2)

式中：Pil-T為第i個站點在第l季度的PM2.5質量濃度實測數據平均值，μg/m3；Pil-P為第i個站點在第l季度的預測數據平均值，μg/m3；el、dl分別為第l季度模型預測的斜率項和截距項；εil為第i個站點在第l季度的誤差項。

太原市城區近地面PM2.5時空分布特征研究的整體技術路線見圖2。

圖2 技術路線Fig.2 Technical route

3 結果與分析

3.1 PM2.5隨機分析模型擬合及驗證結果

由最優緩沖區統計變量構建模型的PM2.5質量濃度，擬合及驗證結果見圖3。由圖3(a)可知，模型訓練集PM2.5質量濃度預測值與實際值間的R2為0.926，模型標準誤差(RMSE)為9.39 μg/m3，由圖3(b)可知，模型驗證集PM2.5質量濃度預測值與實際值間的R2為0.858，RMSE為11.73 μg/m3，預測值與實際值的吻合度均較高，由此可以體現利用土地利用數據以及AOD的分布模式能夠較為合理地獲取太原市城區PM2.5的空間分布特征，同時也反映了該模型在太原市城區具有較高適用性。

圖3 PM2.5質量濃度預測值與實際值間的相關關系Fig.3 Correlation between the predicted PM2.5 mass concentration and the measured value

3.2 PM2.5季節線性回歸模型擬合結果

結合圖4和表1可見，PM2.5季節線性回歸模型擬合結果的R2為0.890，RMSE為7.69 μg/m3，預測值與實際值間呈現顯著的相關性。其中，夏季預測結果較好，RMSE僅為4.01 μg/m3，而冬季的RMSE最大，高達10.70 μg/m3，這可能與冬季AOD缺失較多有關，造成該季節對城區PM2.5空間表達能力相對較差。

表1 PM2.5季節線性回歸模型擬合結果Table 1 Fitting results of PM2.5 seasonal linear regression model

圖4 季節線性回歸模型擬合結果Fig.4 Fitting results of the seasonal linear regression model

3.3 模型應用分析

3.3.1 太原市城區PM2.5季節分布

根據季節線性回歸模型所得到的季節預測結果(見圖5)，太原市城區春、夏、秋、冬季的PM2.5質量濃度平均值分別為45.1、41.3、64.0、93.1 μg/m3，即冬季>秋季>春季>夏季。從整體分布上看，太原市城區中部、南部和東南部PM2.5明顯偏高，城區南部污染季節性差異明顯。城區中部位于6大區的交界地帶，該區域人口集中、道路分布密集、商業活動頻繁，大量的人為活動可能造成了其污染水平相對較高；城區東南部位于小店區以北，地勢較低，大氣污染不易擴散，對PM2.5污染影響也較為顯著；城區南部位于晉源區以及小店區以南，在夏季污染相對較低，而在冬季污染相對嚴重，這可能與季節性的風向差異有關。

圖5 2017年太原市城區PM2.5季均值分布Fig.5 Seasonal mean distribution of PM2.5 in urban areas of Taiyuan in 2017

3.3.2 太原市城區PM2.5季節變化

由太原市城區PM2.5季節分布可以得到其季節變化模式，結果如圖6所示，春-夏、夏-秋、秋-冬、冬-春的PM2.5季節變化平均值分別為-3.8、22.7、29.1、-48.0 μg/m3。在春-夏季節變換過程中，城市中部大面積區域PM2.5濃度有所下降，而在城區西北以及東側小片區域有所上升，這可能是由于春季進入夏季，寒冷濕潤的氣候條件逐漸轉向高溫燥熱，加快了城區中部以及城區南部盆地的大氣環境顆粒物向四周的擴散速度，造成局部城郊山區地帶有一定的污染上升趨勢。夏-秋季變換過程中則是全面PM2.5濃度上升，上升幅度幾乎均在20 μg/m3以上，這可能是受到秋季燃煤供暖的影響，同時氣溫轉涼也促進了PM2.5的聚集程度。秋-冬季變換過程中PM2.5濃度升高更為劇烈，冬季整體供暖造成PM2.5濃度明顯高于其他季節，這在城區南部最為明顯，上升幅度超過40 μg/m3，該地區位于晉源區以及小店區以南，地勢較低，耕地覆蓋面廣，裸露土地所占比例高[16]，受到季風環流的作用效果明顯，冬季在西伯利亞冷空氣的作用影響下，城區盛行偏北氣流，可能造成城區南部整體污染更為顯著。冬-春季變換過程中，整體PM2.5污染均呈現大幅度下降趨勢，其中城區南部下降最為明顯，其他區域PM2.5也有20～60 μg/m3的下降。

圖6 2017年太原市城區PM2.5季節分布變化Fig.6 Seasonal distribution of PM2.5 in urban areas of Taiyuan in 2017

3.4 模型預測不確定性分析

研究結合了MODIS AOD數據和最優緩沖區土地利用數據，預測了PM2.5濃度在城區更為精細的季節變化模式，但同時也存在幾點不足，AOD數據以及監測站點空間分布的不確定性可能在客觀上對模型的預測結果有所影響，主要分為以下兩個方面：(1)從AOD數據來看，研究利用遙感反演得到的1 km分辨率AOD數據插值形成完整的250 m×250 m分辨率大氣氣溶膠分布，可能會給PM2.5濃度的空間預測結果帶來不確定性；(2)從地面PM2.5監測站點的空間分布來看，其主要分布于城市中心以及城郊區域，在城區西部以及東北部的大量林地區域卻少有分布，這樣可能導致隨機分析模型在估計PM2.5濃度空間分布時存在估計誤差。此外，這些林地區域由于植被季節變化的原因，可能會在不同季節對AOD的信號產生不同影響，因而可能造成季節PM2.5濃度空間分布估算存在著不確定性。

在后續的工作中，可以應用更高分辨率的AOD產品來減小不確定因素的影響，提高PM2.5濃度的反演精度。

4 結 論

建立了PM2.5隨機分析模型和季節線性回歸模型，并用于太原市城區2017年的PM2.5時空分布預測中，獲得如下結論：(1)PM2.5隨機分析模型對PM2.5擬合結果R2為0.926，典型區域站點驗證結果R2高達0.858，RMSE為11.73 μg/m3，說明該隨機分析模型對于太原市城區PM2.5時空分布預測具備較好的適用性；(2)PM2.5季節線性回歸模型的整體R2為0.890，RMSE為7.69 μg/m3，太原市城區PM2.5的季節分布特征整體表現為冬季>秋季>春季>夏季，PM2.5高值區域多分布于城區中部、南部和東南部地帶；(3)在春-夏季節變換過程中，只有局部山區PM2.5有小幅上升趨勢，其他區域均呈現輕微減弱現象，夏-秋、秋-冬季節轉換中PM2.5逐級升高，其中城區南部上升趨勢最為明顯，而在冬-春季節轉換中PM2.5明顯下降。