基于PM2.5站點監測數據的京津冀AOD補值研究

宋春杰,魏 強,范麗行,王 衛*,韓 芳,李偉妙,李夫星,成賀璽

基于PM2.5站點監測數據的京津冀AOD補值研究

宋春杰1,2,魏 強1,2,范麗行1,2,王 衛1,2*,韓 芳1,2,李偉妙1,2,李夫星1,3**,成賀璽4

(1.河北師范大學地理科學學院,河北 石家莊 050024；2.河北省環境演變與生態建設實驗室,河北 石家莊 050024；3.河北省環境變化遙感技術識別創新中心,河北 石家莊 050024；4.邯鄲市城鄉規劃編制研究中心,河北 邯鄲 056000)

以京津冀2020年318個地面監測站點的PM2.5數據為估算因子,構建了時空線性混合效應模型(STLME)和時空嵌套線性混合效應模型(STNLME),為AOD數據的補值研究提供了一種新方法.結果表明:在有AOD -PM2.5匹配數據的日期,上述兩個模型估算精度相近,交叉驗證后決定系數R分別為0.868和0.874,均方根誤差RMSE分別為0.112和0.109;在無AOD-PM2.5匹配數據的日期,嵌套模型估算精度明顯高于非嵌套模型,交叉驗證后決定系數2分別為0.63和0.26.經過模型補值后,研究區監測站點所在網格AOD數據空間維有效比率從原始數據的44.35%提高到99.35%,時間維有效比率從87.94%提高到100%;同時,每個站點的年均AOD值都有明顯提高,彌補了高PM2.5濃度條件下缺失的AOD數據,可以減少空氣污染和健康研究中暴露評估的偏差.

MAIAC AOD；監測站點AOD補值；時空混合效應模型；時空嵌套混合效應模型；京津冀

PM2.5等氣溶膠顆粒已成為以京津冀地區為代表的華北平原的主要環境空氣污染物.如何準確估算PM2.5的長期和短期暴露量,是當前迫切需要解決的問題[1-5].我國的PM2.5監測網自2013年開始運行,但這些地面監測站仍然受到布局稀疏和分布不均的限制[6].中分辨率成像光譜儀(MODIS)等衛星儀器觀測到的氣溶膠光學厚度(AOD)數據由于其廣泛的空間覆蓋范圍和對地球表面及大氣的重復觀測而被廣泛用于估算地面PM2.5濃度[7-10].但是,由于云/雪/水體的覆蓋、高地面反射率和極高的氣溶膠負荷,衛星數據受到非隨機缺失的挑戰[11-13].研究表明,AOD數據的非隨機性缺失可能會導致PM2.5暴露評估的偏差.如果由于PM2.5濃度過高而導致AOD數據丟失,將會導致PM2.5平均濃度的低估[14-15].因此,有必要探索相應的方法來填補AOD數據的缺失,以提高PM2.5濃度預測的覆蓋率和準確性.

國內外學術界對缺失AOD數據填補問題開展了廣泛研究,大體可以歸納為三個方面.一是多源遙感AOD數據的融合[16-20].常用數據源有MODIS AOD、MISR AOD、SeaWiFs AOD、Caliop AOD、Himavari-8AOD等,上述數據源大多存在同時缺失、互補性差的問題,只有高時間分辨率的Himavari- 8AOD產品能夠一定程度上改善上述問題,因此應用案例逐漸增多[21],但到目前為止單獨使用多源遙感AOD數據融合方法仍然難以達到時空全覆蓋的目標要求.二是基于AOD高相關因子的補值.與AOD高度相關的因子主要有地面站點監測的PM2.5質量濃度數據、地面氣象站點監測的氣象能見度數據、空氣質量模式模擬的PM2.5數據等[22-23].基于PM2.5因子進行線性回歸補值[24]和改進的Elterman經驗模型反演AOD的方法[25-26]存在AOD值被高估的缺點,而衛星遙感AOD數據與源于空氣質量模式的AOD數據相結合能夠獲得時空全覆蓋的AOD數據集,因此近年來這類研究明顯增加[18,21,29-31],其填補缺失值的總體精度主要決定于空氣質量模式AOD的模擬精度,Xiao等[27]的多種插補結果代表了目前的總體精度.三是基于AOD數據的插值.用于插值的AOD數據可以是單一來源的遙感數據,也可以是多源遙感融合數據和基于高相關因子的補值數據,比較常用的地統計插值方法有普通克里金插值[15]和時空克里金插值[32]等,時空克里金同時考慮了時間和空間自相關,與普通克里金法相對比,插值后的精度更高[32].這類研究的總體精度主要取決于原始AOD數據的時空覆蓋狀況能否滿足相關插值方法的最優采樣要求,能滿足最優采樣要求者則插值精度高,反之則相反.

目前相關學者開發的混合效應模型和時空混合效應模型以AOD為主要估測變量,加入氣溫、降水等時間輔助變量以及海拔高度、人口密度等空間輔助變量對近地表PM2.5濃度進行預測,并取得了較好的預測效果[8,33-44].而本研究提供了一種AOD補值的新方法,以2020年京津冀區域多角度大氣校正的氣溶膠光學厚度(MAIAC AOD)數據和地面監測網絡的PM2.5質量濃度監測數據為基礎,首次將PM2.5站點數據為預報因子,建立了時空混合效應模型以及在此基礎上嵌套不同時間尺度后的嵌套模型,填補缺失站點所在網格的AOD數據.旨在提高站點處AOD數據的覆蓋率,為相關PM2.5質量濃度預測模型的建立提供完整的站點AOD數據.

1 材料與方法

1.1 研究區概況

京津冀地區位于渤海西岸,是中國北方經濟中心地帶,面積21.8萬km2,截止到2021年總人口為1.103億.平原主要分布在京津冀東南部,這里人口密度大、工業種類繁多,使空氣污染更加嚴重;此外,冬季以小風為主的偏南風被燕山和太行山阻擋,污染物很難擴散,進一步加劇了該地區的空氣污染.使用ArcMap10.3將整個區域劃分為1×1km2的網格單元,總共生成216,082個柵格單元.圖1顯示了京津冀地區的地理位置、海拔高度、主要城市以及國家級和省級空氣質量監測站的分布情況.

圖1 研究區地理位置及空氣質量監測站分布

1.2 MAIAC AOD

多角度大氣校正算法(MAIAC)是基于MODIS測量開發的算法.它使用時間序列分析和基于圖像的處理技術,在空間分辨率為1km的暗色植被和較亮表面范圍內進行云檢測、氣溶膠檢索和大氣校正[45-46].MAIAC AOD比現有的10km MODIS AOD具有更好的性能,可用于估算地表大氣顆粒物質量濃度[47-48].從LAADS DAAC (https://ladsweb.modaps. eosdis. nasa.gov/)下載2020年1月1日～2020年12月31日覆蓋整個京津冀區域AOD數據.MAIAC提供指示檢索質量的質量保證(QA)標志,包括陸地/水/積雪掩模、鄰接掩模和云掩模(即靠近積雪或云).本文應用基于MAIAC指導的閾值,應用質量保證(QA)標志和不確定性值(UN)來排除具有錯誤AOD值的像素[49].為了提高MAIAC檢索的覆蓋率,本文逐月建立Aqua和Terra MAIAC AOD之間的線性回歸模型,用于估計缺失的Aqua或者Terra AOD,上午星和下午星的相關系數較高,各月平均2為0.85(0.79～ 0.93).總體來看,對應監測站點的AOD數據缺失嚴重,有效數據為51615個,全年大約有56%柵格單元AOD缺失,夏季缺失最為嚴重,并且存在某日站點AOD完全缺失的情況(例如2020年第6、129、322日等).

1.3 AERONET AOD數據

通過全球布站的氣溶膠特性地基觀測網(http://aeronet.gsfc.nasa.gov/)下載AERONET AOD數據,用于驗證MAIAC AOD數據融合后的精度,由于AERONET AOD處理程度不同產生不同水平的AOD數據,分別為1級即沒有經過云過濾和質量檢驗,1.5級即經過云過濾但沒有質量檢驗,2級即有云過濾也有質量檢驗.2020年AERONET AOD只提供了1.5級的數據產品.因此,本文下載2020年1月1日～2020年12月31日期間每日Beijing、Beijing- CAMS和Xianghe3個站點的Version3的1.5級AERONET AOD數據用于驗證.

AERONET站點不包括550nm波段的AOD數據,因此通過AERONET 440nm和675nm2個波段的AOD插出550nm波段的AOD值[50].本文采用融合后的AOD數據與AERONET AOD進行了驗證,決定系數R為0.91,平均偏差為0.07,具有較好的精度.

1.4 PM2.5數據

2020年PM2.5地面濃度基礎數據來源于全國城市空氣質量實時發布平臺(http://106.37.208.233: 20035/),從中獲取時間分辨率為小時的京津冀范圍內318個國家空氣質量監測站和省控空氣質量監測站數據,其中北京市范圍內有34個監測點位,天津市范圍內有27個監測點位.河北省包括石家莊等11個地級市共257個監測點位.本文刪除了至少連續3個小時的重復觀測量,因為這些測量可能是由于儀器故障造成的[51].每小時測量值<1μg/m3的數據也被刪除,因為它低于儀器的檢測極限[36].每日有效小時數小于18的數據也被剔除[37].監測站點PM2.5數據完整度比較好,只有少部分數據缺失,日均值有效數據為115049個,占全部應有數據總量的98.84%.

1.5 異常值處理

庫克距離(Cook's Distance)描述了單個樣本對整個回歸模型的影響程度.庫克距離越大,說明影響越大,在最理想的情況下,每個樣本對模型的影響是相等的.如某個樣本的庫克距離非常大,便可以視為這個樣本是異常值[52].為了降低異常值對模型的影響,本文計算了模型估算AOD值與MAIAC AOD之間的庫克距離.庫克距離計算公式如下:

式中:D表示第個記錄的庫克距離; y表示第個記錄的模型擬合值;y表示去掉第個記錄后重新擬合得到的第個記錄的模型擬合值;為回歸模型系數的個數;MSE為均方誤差.本研究刪除0.75%對模型結果影響較大的記錄(共343條數據記錄)后重新進行建模.

1.6 數據整合

在AOD和PM2.5數據匹配的過程中,剔除了一日中不滿足4個分區中至少有1個AOD-PM2.5匹配數據的情況,并且剔除異常值后最終得到有效日數321d,AOD與PM2.5數據匹配后的有效數據為44902條.缺失數據日數45d,未出現周數據完全缺失的情況.

1.7 模型建立

時空異質性是地表PM2.5濃度的重要特征,早期的線性混合效應模型僅僅考慮了AOD-PM2.5關系的時間隨機效應.而在較大的地理區域內,由于顆粒物組成、邊界層高度、相對濕度、PM2.5濃度垂直廓線等因素的不同, AOD-PM2.5關系也存在空間隨機效應[53].為此,本文在早期的時間混合效應模型基礎上,加入空間隨機效應,構建了時空線性混合效應模型 (STLME) 模擬AOD -PM2.5關系的時空變化.根據研究區地理條件和發展水平綜合差異將其劃分成京津(北京、天津)、河北山地(承德、張家口)、河北內陸(石家莊、保定、衡水、廊坊、邢臺、邯鄲)和河北沿海(秦皇島、唐山、滄州)等4個次區域[33].在模型的時間隨機效應中嵌套了次區域的空間隨機效應,公式如下:

式(2)在AOD數據全部缺失的日期,只能通過固定效應參數估算AOD值,預期精度將會較差.為了提高AOD數據全部缺失情況下模型估算AOD值的精度、進而提高AOD補值的時空覆蓋率,在公式(2)基礎上,本文將月、周、日3種不同時間尺度加入到時空混合效應模型中,構建了時空嵌套線性混合效應模型(STNLME),該模型不僅反映了AOD-PM2.5關系的每日、每周、每月的時間隨機效應,而且反映了相應時間尺度下的空間隨機效應.與公式(2)相比,在AOD數據全部缺失的某日可以通過固定效應參數、周尺度隨機效應參數和對應的空間隨機效應參數估算AOD值;同理,當某周AOD數據全部缺失時,通過月尺度隨機效應等估算每日的AOD值.模型如下:

式中:Month,Week,Day分別為模型月、周、日的隨機截距,包括建模年份中參與數據匹配的每月、每周、每日的隨機截距;Month,Week,Day分別為模型的月、周、日的隨機斜率;Month(reg),Week(reg),Day(reg)分別為各個分區每月、每周、每日的隨機截距;Month(reg),Month(reg),Month(reg)分別為各個分區每月、每周、每日的隨機斜率;1,2,3為日、周、月隨機效應的方差-協方差矩陣,1REG,2REG,3REG分別為嵌套在日、周、月中的空間隨機效應的方差-協方差矩陣.

為了比較模型的估算效果,本文將對時空混合效應模型擬合的結果與時間線性混合效應模型和線性回歸模型相應結果進行比較分析.

1.8 模型合理性驗證

首先使用基于樣本十折交叉驗證(Sample based CV)的方法分別對所建立模型的過擬合程度進行檢測.該方法的原理是將建模數據集整體隨機分成10份,其中每一份數據大約包含整體數據集的1/10.在交叉驗證中,選擇其中的1份作為測試集,而剩余的9份則作為訓練集為測試集提供模型的參數.以上方法重復10以確保每1份數據都參與了模型驗證.

基于樣本的十折交叉驗證方法常常出現參與建模的子集和進行驗證的子集具有相同的日期,這樣難以驗證沒有AOD-PM2.5匹配情況下模型模擬精度.所以本文繼而使用了基于日序的十折交叉驗證方法(Day-of-Year based CV),原理是將建模數據所有日期即321d隨機分為10個子集,建模和驗證子集將不出現相同日期的情況,基于日序的十折交叉驗證的方法可以用于評估那些沒有AOD-PM2.5匹配日期模型的估算性能.

使用驗證得到的估算的AOD值與衛星反演的AOD值之間線性回歸決定系數(R)、均方根誤差(RMSE)和相對預測誤差(RPE)等指標來檢測模型的估算精度.其中,RMSE和RPE計算公式如下:

2 結果分析

2.1 描述性統計

如圖2所示,2020年的PM2.5數據和AOD數據均成正態分布,符合建模要求.表1為2020年參與建模數據PM2.5和AOD的均值、極值、標準差等統計量描述.其中AOD的年均值為0.34,PM2.5的均值為39.73μg/m3,接近國家環境空氣質量(GB 3095-2012)二級標準的限值(35μg/m3).此外,參與建模的數據集的變量表現出顯著的空間差異,如保定、石家莊、邢臺、邯鄲等中南部平原PM2.5濃度較高,張家口、承德等北部山區PM2.5濃度較低,標準差范圍為18.21～ 37.54μg/m3.AOD表現出和PM2.5類似的分布特征,石家莊、邯鄲最高,保定市次之,承德、張家口最低.

圖2 2020年參與建模數據

表1 參與建模數據描述性統計

表2 模型的固定效應

表2總結了時空線性混合效應模型(STLME)和時空嵌套線性混合效應模型(STNLME)的固定效應參數,模型的固定效應包括固定截距和固定斜率,表示自變量PM2.5對AOD的固定影響.其中兩個模型的固定斜率分別為0.007和0.007,表明PM2.5和AOD之間存在正相關關系,這與相關學者的研究相一致[41,43,54-57].兩個模型截距和斜率檢驗的值均<0.0001,具有統計學上的顯著性.

2.2 模型擬合與驗證

2.2.1 模型擬合與驗證結果分析 模型對AOD的估算精度將直接影響建模的合理性,如圖3所示,STLME擬合后的決定系數2為0.884,RMSE為0.105;STNLME擬合后的2為0.887,RMSE為0.103;均表現出良好的估算性能.STLME和STNLME基于樣本的CV2值分別為0.868和0.874,CV RMSE分別為0.112和0.109,STNLME模型比STLME模型的精度略有改善,并且兩模型均無過擬合現象.由于用于驗證樣本的數據和在訓練樣本中數據可能存在相同的日數,所以基于樣本的十折交叉驗證方法只能反映當日存在AOD-PM2.5匹配數據情況下的模型性能.也就是說,與非嵌套模型相比,在存在AOD-PM2.5匹配數據的日期,嵌套模型并沒有改善性能.然而,從基于日的十折交叉驗證的結果看,嵌套模型能顯著提高在沒有AOD-PM2.5匹配數據時模型的性能,STNLME基于日的CV2為0.630,明顯高于非嵌套的STLME(CV2=0.263).可見,嵌套模型通過引入周和月隨機效應,明顯提高了在日AOD數據完全缺失情況下對AOD值的估算精度,并提高了AOD補值的時空覆蓋率.

圖3 2020年STLME和STNLME擬合效果和交叉驗證結果對比

圖4 線性回歸估算AOD擬合結果

圖5 2020年LME和NLME擬合效果和交叉驗證結果對比

2.2.2 與線性回歸模型、時間線性混合效應模型的比較 遵循Lü等[24]提出的方法,用PM2.5監測站點數據在暖季和冷季分別對每個城市進行線性回歸擬合來填補網格單元中的AOD缺失.擬合結果如圖4所示,模型擬合2為0.383,斜率為0.383.并且在十折交叉驗證后,2為0.381.線性回歸模型(LR)具有較高的均方誤差(0.241),模型的估算精度較低.如圖5所示,時空混合效應模型(STLME)與時間混合效應模型(LME)相比、嵌套時空混合效應模型(STNLME)與嵌套時間混合效應模型(NLME)相比,前者的估算精度均高于后者.同時也可以看出,時間隨機效應對模型估算精度的改善明顯高于空間隨機效應.

2.3 AOD補值后數據覆蓋率分析

為了定量描述AOD在補值前后的時間和空間分布特征,引入空間維有效比率(SVVR)和時間維有效比率(TVVR)的概念.SVVR定義為每日監測站點AOD有效柵格數與同日該區域監測站點全部柵格數之比,TVVR定義為監測站點AOD有效天數與全部天數之比.圖6(a)是2020年站點補值前每個日期的空間覆蓋率散點圖,據統計全年有209d站點空間覆蓋率不足50%,夏季數據缺失最為嚴重.圖6(b)為模型補值后的每個日期的空間覆蓋率散點圖,空間覆蓋率除了一月份有部分日期沒有超過90%之外,其余日期的空間覆蓋率全部在90%以上.

表3 2020年站點AOD數據補值前后時空維有效比率

模型補值后的空間有效覆蓋率如表3所示, 2020年原始數據的空間覆蓋率很低,年均SVVR低于45%,經過時空混合效應模型補值后,年均覆蓋率從原始數據的44.35%提升到87.05%,經時空嵌套混合效應模型補值后提高到99.35%,只有極少站點存在數據缺失,這是因站點PM2.5數據缺失造成的.據統計在366d所有站點對應的PM2.5數據有1339條是無效數據,占數據總條數的1.14%.再看AOD補值前后時間維有效比率,2020年存在AOD數值的有效天數為321d,經過時空嵌套混合效應模型補值后均提升到100%.時空混合效應模型并沒有提高時間覆蓋率,而時空嵌套混合效應模型補值顯著提高了時間維度的覆蓋率.

圖6 2020年站點處AOD補值前后空間有效覆蓋率

2.4 京津冀監測站點AOD補值前后年均值分析

如圖7所示,AOD補值前(圖7(a))和AOD補值后(圖7(b))有著類似的空間分布,但補值后的AOD年均值明顯高于補值前AOD年均值.以石家莊的監測站點為例,在補值前AOD均值范圍大約在0.35～ 0.58,填補后AOD值上升到0.58～0.67.由圖8可知,補值每個站點年均AOD的值明顯提高,補值后的數據可以有效彌補AOD估算PM2.5時出現的高值低估問題的不足.2020年年均AOD低值區主要分布在北部燕山山區和西部太行山地區,主要包括承德和張家口地區;年均AOD高值區則分布在京津冀南部內陸平原地區,主要以邢臺、邯鄲、石家莊等監測站點為主,并與京津冀PM2.5濃度的空間分布狀況基本一致.

圖7 AOD補值前后年均值空間分布

圖8 AOD補值前后各站點年均值大小對比

3 討論

3.1 AOD缺失的影響

本文分別求出當AOD缺失時對應站點的PM2.5濃度年均值(圖9短點劃線),沒有AOD數據缺失時對應站點的PM2.5年平均值(圖9短劃線)以及每一個站點的總平均值(圖9實線),對2020年中共318個站點進行編號,以總平均值的升序繪制了每個站點對應的PM2.5均值,顯然當AOD數據缺失時對應的站點處PM2.5濃度整體上高于AOD數據有效時對應的站點處的PM2.5濃度.所以由于缺失的AOD值往往與更高的污染水平相關,不考慮缺失的AOD數據就去估算PM2.5的濃度往往會出現被低估的情況.

圖9 AOD缺失與否與站點PM2.5濃度的關系

3.2 本模型對AOD-PM2.5關系復雜性的處理

氣溶膠的吸濕性增長特性、各類顆粒質譜特征、粒徑分布差異、邊界層的高低等因素會對AOD值的大小產生影響,濕度、溫度、風速等氣象要素也會影響氣溶膠聚集、傳輸和擴散,因此AOD和PM2.5之間存在著復雜的相關關系,而并非簡單的線性關系.有關研究表明在氣溶膠集中、云量稀少、濕度低的情況下, AOD- PM2.5線性相關性較為顯著,而在其他條件下AOD和PM2.5也會呈現出非線性關系[58].本文的模型通過隨機效應項表征AOD-PM2.5關系的復雜性,對兩者的非線性關系起到了校正作用.圖10為時空混合效應模型擬合的每日隨機斜率變化圖,可以看出AOD-PM2.5關系存在著從日到季節不同時間尺度的非線性變化.隨機斜率整體上呈現出先升高后下降的變化趨勢,春季和秋季的斜率變化比較復雜,斜率有正有負.夏季的隨機斜率絕大多數為正數,AOD的估算值要高于總體平均值,這與夏季AOD值較高相對應;而冬季隨機斜率大多數為負值,AOD隨PM2.5濃度的增加而減小,AOD的估算值要低于總體平均值,這與冬季AOD的低值相對應.模型通過每日的隨機效應有效避免了夏季AOD估算值被低估,冬季AOD估算值被高估的問題.

圖10 日隨機斜率的變化

3.3 與其他AOD補值方法的比較

圖11 基于時空混合效應模型估算的AOD與MAIAC AOD月均值擬合

本研究建立了STLME和STNLME模型來估算有監測PM2.5數據但沒有AOD有效數據的網格單元的AOD值,基于AOD值與PM2.5觀測值呈線性關系的假設,即考慮了日、周和月的時間尺度變化效應也考慮了空間變化效應,獲得了較好的AOD估算性能.表4顯示了本文的補值方法與國內外其他補值方法的比較,與Lv等[24]建立的華北地區冷季節和暖季節的線性回歸模型相比,本模型具有更高的模型擬合2和更低的均方根誤差.與Xiao等[27]估算長江三角洲地區缺失的MAIAC AOD使用的多重插補(MI)方法相比,2也有明顯的提高.Zhang等[26]基于氣象能見度應用KM-Elterman模型反演近地面AOD,月反演AOD與MODIS測量AOD擬合的相關系數為0.71、RMSE為0.207.而本模型擬合達到了0.93,RMSE僅有0.054,模型估算精度高(圖11).當然,模型雖然精度和穩健性都較好但也存在局限性,首先,對缺失AOD的估算在很大程度上依賴于PM2.5的測量,當PM2.5測量值稀疏或不存在時,模型的應用將受到限制.另外,本模型可以提高站點AOD數據的覆蓋率,但不能覆蓋整個區域,需要進一步采用空間插值等其他方法,這也是下一步要解決的關鍵問題.

表4 不同補值方法的性能國內外比較

注:“—”表示文章中沒有相關數據.

4 結論

4.1 由于同時考慮了AOD-PM2.5關系的時空異質性,時空混合效應模型(STLME)比早期的時間混合效應模型(LME)估算精度高,也明顯高于相關學者使用的線性回歸模型(LR)和非線性回歸模型,為AOD補值研究提供了一種新方法.通過該模型補值,使研究區監測站點年均AOD數據空間維有效比率從44.35%提高到87.05%.

4.2 在有AOD -PM2.5匹配數據的日期,STLME模型和STNLME模型的估算精度相近;在無AOD -PM2.5匹配數據的日期,STLME模型的AOD估算值精度較低,而STNLME模型通過引入周隨機效應和月隨機效應,大大提高了AOD值的估算精度.通過該模型補值,使得研究區監測站點年均AOD數據空間維有效比率從87.05%提高到99.35%、時間維有效比率從87.94%提高到100%.

4.3 經嵌套模型補值后,每個站點的年均AOD值都得到明顯提高,表明缺失的高值AOD被估算出來.這一結果可以有效糾正AOD估算PM2.5時出現的高值低估問題,對降低其在健康影響評價中的偏差具有重要意義.

[1] Kaufman Y J, Tanre D, Boucher O. A satellite view of aerosols in the climate system [J]. Nature, 2002,419(6903):215-223.

[2] Zhang M, Ma Y, Gong W, et al. Aerosol optical properties and radiative effects: Assessment of urban aerosols in central China using 10-year observations [J]. Atmospheric Environment, 2018,182:275- 285.

[3] Brauer M, Freedman G, Frostad J, et al. Ambient air pollution exposure estimation for the global burden of disease 2013 [J]. Environmental Science & Technology, 2016,50(1):79-88.

[4] Chow J C, Watson J G, Mauderly J L, et al. Health effects of fine particulate air pollution: lines that connect [J]. Journal of the Air & Waste Management Association, 2006,56(10):1368-1380.

[5] Liao Q, Jin W, Tao Y, et al. Health and economic loss assessment of PM2.5pollution during 2015～2017 in Gansu Province, China [J]. International Journal of Environmental Research and Public Health, 2020,17(9):3253.

[6] Chen G, Li S, Knibbs L D, et al. A machine learning method to estimate PM2.5concentrations across China with remote sensing, meteorological and land use information [J]. Science of the Total Environment, 2018,636:52-60.

[7] Kloog I, Nordio F, Coull B A, et al. Incorporating local land use regression and satellite aerosol optical depth in a hybrid model of spatiotemporal PM2.5exposures in the Mid-Atlantic states [J]. Environmental Science & Technology, 2012,46(21):11913-11921.

[8] Ma Z, Liu R, Liu Y, et al. Effects of air pollution control policies on PM2.5pollution improvement in China from 2005 to 2017: a satellite-based perspective [J]. Atmospheric Chemistry and Physics, 2019,19(10):6861-6877.

[9] van Donkelaar A, Martin R V, Levy R C, et al. Satellite-based estimates of ground-level fine particulate matter during extreme events: A case study of the Moscow fires in 2010 [J]. Atmospheric Environment, 2011,45(34):6225-6232.

[10] Zhang Y, Li Z. Remote sensing of atmospheric fine particulate matter PM2.5mass concentration near the ground from satellite observation [J]. Remote Sensing of Environment, 2015,160:252-262.

[11] Levy R C, Remer L A, Kleidman R G, et al. Global evaluation of the Collection 5MODIS dark-target aerosol products over land [J]. Atmospheric Chemistry and Physics, 2010,10(21):10399-10420.

[12] Tao M, Chen L, Su L, et al. Satellite observation of regional haze pollution over the North China Plain [J]. Journal of Geophysical Research: Atmospheres, 2012,117.

[13] Superczynski S D, Kondragunta S, Lyapustin A I. Evaluation of the multi-angle implementation of atmospheric correction (MAIAC) aerosol algorithm through intercomparison with VIIRS aerosol products and AERONET [J]. Journal of Geophysical Research- Atmospheres, 2017,122(5):3005-3022.

[14] Li X, Zhang X. Predicting ground-level PM2.5concentrations in the Beijing-Tianjin-Hebei region: A hybrid remote sensing and machine learning approach [J]. Environmental Pollution, 2019,249:735-749.

[15] Lv B, Hu Y, Chang H H, et al. Improving the accuracy of daily PM2.5distributions derived from the fusion of ground-level measurements with aerosol optical depth observations, a case study in North China [J]. Environmental Science & Technology, 2016,50(9):4752-4759.

[16] Chatterjee A, Michalak A M, Kahn R A, et al. A geostatistical data fusion technique for merging remote sensing and ground-based observations of aerosol optical thickness [J]. Journal of Geophysical Research-Atmospheres, 2010,doi:10.1029/2009JD013765.

[17] Zubko V, Leptoukh G G, Gopalan A. Study of data-merging and interpolation methods for use in an interactive online analysis system: MODIS Terra and Aqua daily aerosol case [J]. Ieee Transactions on Geoscience and Remote Sensing, 2010,48(12):4219-4235.

[18] van Donkelaar A, Martin R V, Brauer M, et al. Global estimates of fine particulate matter using a combined geophysical-statistical method with information from satellites, models, and monitors [J]. Environmental Science & Technology, 2016,50(7):3762-3772.

[19] Xu H, Guang J, Xue Y, et al. A consistent aerosol optical depth (AOD) dataset over mainland China by integration of several AOD products [J]. Atmospheric Environment, 2015,114:48-56.

[20] Wei X, Bai K, Chang N-B, et al. Multi-source hierarchical data fusion for high-resolution AOD mapping in a forest fire event [J]. International Journal of Applied Earth Observation and Geoinformation, 2021,102:102366.

[21] Jiang T, Chen B, Nie Z, et al. Estimation of hourly full-coverage PM2.5concentrations at 1-km resolution in China using a two-stage random forest model [J]. Atmospheric Research, 2021,248.

[22] 董 焱,許 丹,鮑艷松,等.基于AGRI顆粒物濃度遙感反演及季節變化分析 [J]. 中國環境科學, 2021,41(2):633-642.

Dong Y, Xu D, Bao Y S, et al. Remote sensing retrieval and seasonal variation analysis of particulate matter concentration based on AGRI [J]. China Environmental Science, 2021,41(2):633-642.

[23] 楊 旭,唐穎瀟,蔡子穎,等.基于氣溶膠三維變分同化天津PM2.5數值預報研究 [J]. 中國環境科學, 2021,41(12):5476-5484.

Yang X, Tang Y X, Cai Z Y, et al. Study on numerical prediction of Tianjin PM2.5based on three-dimensional variational assimilation of Aerosol [J]. China Environmental Science, 2021,41(12):5476-5484.

[24] Lv B, Hu Y, Chang H H, et al. Daily estimation of ground-level PM2.5concentrations at 4km resolution over Beijing-Tianjin-Hebei by fusing MODIS AOD and ground observations [J]. Science of the Total Environment, 2017,580:235-244.

[25] Wu J, Luo J, Zhang L, et al. Improvement of aerosol optical depth retrieval using visibility data in China during the past 50years [J]. Journal of Geophysical Research: Atmospheres, 2014,119(23):13,370- 313,387.

[26] Zhang Z, Wu W, Wei J, et al. Aerosol optical depth retrieval from visibility in China during 1973～2014 [J]. Atmospheric Environment, 2017,171:38-48.

[27] Xiao Q, Wang Y, Chang H H, et al. Full-coverage high-resolution daily PM2.5estimation using MAIAC AOD in the Yangtze River Delta of China [J]. Remote Sensing of Environment, 2017,199:437-446.

[28] Chameides W L, Luo C, Saylor R, et al. Correlation between model-calculated anthropogenic aerosols and satellite-derived cloud optical depths: Indication of indirect effect? [J]. Journal of Geophysical Research: Atmospheres, 2002,107(D10):AAC 2-1-AAC 2-15.

[29] Li L, Franklin M, Girguis M, et al. Spatiotemporal Imputation of MAIAC AOD Using Deep Learning with Downscaling [J]. Remote Sensing of Environment, 2020,237.

[30] 李建新,劉小生,劉 靜,等.基于MRMR-HK-SVM模型的PM2.5濃度預測 [J]. 中國環境科學, 2019,39(6):2304-2310.

Li J X, Liu X S, Liu J, et al. PM2.5concentration prediction based on MRMR-HK-SVM model [J]. China Environmental Science, 2019, 39(6):2304-2310.

[31] 嚴瑩婷,陸小曼,王嘉佳,等.基于GF-4衛星的長三角城市群PM2.5遙感反演 [J]. 中國環境科學, 2022,42(3):1005-1012.

Yan Y T, Lu X M, Wang J J, et al. Remote sensing retrieval of Yangtze River Delta Economic Zone PM2.5based on GF-4satellite [J]. China Environmental Science, 2022,42(3):1005-1012.

[32] Yang J, Hu M. Filling the missing data gaps of daily MODIS AOD using spatiotemporal interpolation [J]. Science of the Total Environment, 2018,633:677-683.

[33] 郝 靜.京津冀地區PM2.5濃度時空變化定量模擬 [D]. 石家莊:河北師范大學, 2018.

Hao J. Simulation of the spatio-temporally resolved PM2.5aerosol mass concentration of the Beijing-Tianjin-Hebei Region [D]. Shijiazhuang: Hebei Normal University, 2018.

[34] Lee H J, Liu Y, Coull B A, et al. A novel calibration approach of MODIS AOD data to predict PM2.5concentrations [J]. Atmospheric Chemistry and Physics, 2011,11(15):7991-8002.

[35] Hu X, Waller L A, Al-Hamdan M Z, et al. Estimating ground-level PM2.5concentrations in the southeastern U.S. using geographically weighted regression [J]. Environmental Research, 2013,121:1-10.

[36] Hu X, Waller L A, Lyapustin A, et al. Estimating ground-level PM2.5concentrations in the Southeastern United States using MAIAC AOD retrievals and a two-stage model [J]. Remote Sensing of Environment, 2014,140:220-232.

[37] 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.

[38] Ma Z, Liu Y, Zhao Q, et al. Satellite-derived high resolution PM2.5concentrations in Yangtze River Delta Region of China using improved linear mixed effects model [J]. Atmospheric Environment, 2016,133:156-164.

[39] Huang K, Xiao Q, Meng X, et al. Predicting monthly high-resolution PM2.5concentrations with random forest model in the North China Plain [J]. Environmental Pollution, 2018,242(Pt A):675-683.

[40] Liang F, Xiao Q, Wang Y, et al. MAIAC-based long-term spatiotemporal trends of PM2.5in Beijing, China [J]. Science of the Total Environment, 2018,616-617:1589-1598.

[41] Zhang Y, Wang W, Ma Y, et al. Improvement in hourly PM2.5estimations for the Beijing-Tianjin-Hebei region by introducing an aerosol modeling product from MASINGAR [J]. Environmental Pollution, 2020,264:114691.

[42] Wang W, He J, Miao Z, et al. Space–time linear mixed-effects (STLME) model for mapping hourly fine particulate loadings in the Beijing–Tianjin–Hebei region, China [J]. Journal of Cleaner Production, 2021,292.

[43] Xue W, Zhang J, Zhong C, et al. Spatiotemporal PM2.5variations and its response to the industrial structure from 2000 to 2018 in the Beijing-Tianjin-Hebei region [J]. Journal of Cleaner Production, 2021,27.

[44] 周 爽,王春林,孫 睿,等.基于LME/BME的珠江三角洲PM2.5星地融合技術研究 [J]. 中國環境科學, 2019,39(5):1869-1878.

Zhou S, Wang C L, Sun R, et al. PM2.5satellite-earth fusion technology in Pearl River Delta based on LME/BME [J]. China Environmental Science, 2019,39(5):1869-1878.

[45] Lyapustin A, Martonchik J, Wang Y, et al. Multiangle implementation of atmospheric correction (MAIAC): 1. Radiative transfer basis and look-up tables [J]. Journal of Geophysical Research, 2011,116: D03211.

[46] Lyapustin A , Wang Y, Laszlo I, et al. Multi-angle implementation of atmospheric correction for MODIS (MAIAC): 3. Atmospheric correction [J]. Remote Sensing of Environment, 2012,127:385-393.

[47] Zhang Z, Wu W, Fan M, et al. Evaluation of MAIAC aerosol retrievals over China [J]. Atmospheric Environment, 2019,202:8-16.

[48] Superczynski S D, Kondragunta S, Lyapustin A I. Evaluation of the multi-angle implementation of atmospheric correction (MAIAC) aerosol algorithm through intercomparison with VIIRS aerosol products and AERONET [J]. Journal of Geophysical Research: Atmospheres, 2017,122(5):3005-3022.

[49] Kloog I, Sorek-Hamer M, Lyapustin A, et al. Estimating daily PM2.5and PM10across the complex geo-climate region of Israel using MAIAC satellite-based AOD data [J]. Atmospheric Environment, 2015,122:409-416.

[50] Liu Y, Sarnat J A, Coull B A, et al. Validation of multiangle imaging spectroradiometer (MISR) aerosol optical thickness measurements using aerosol robotic network (AERONET) observations over the contiguous United States [J]. Journal of Geophysical Research- Atmospheres, 2004,109:D06205.

[51] Rohde R A, Muller R A. Air pollution in China: mapping of concentrations and sources [J]. PLoS One, 2015,10(8):e0135749.

[52] 馬宗偉.基于衛星遙感的我國PM2.5時空分布研究 [D]. 南京:南京大學, 2015.

Ma Z W. Study on spatial and temporal distribution of PM2.5in China based on satellite remote sensing [D]. Nanjing: Nanjing University, 2015.

[53] Kloog I, Chudnovsky A A, Just A C, et al. A new hybrid spatio- temporal model for estimating daily multi-year PM2.5concentrations across Northeastern USA using high resolution aerosol optical depth data [J]. Atmospheric Environment, 2014,95:581-590.

[54] 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 daily PM2.5concentrations in Beijing-Tianjin-Hebei region based on mixed effect model [J]. China Environmental Science, 2018,38(8):2890-2897.

[55] 孫 成,王 衛,劉方田,等.基于線性混合效應模型的河北省PM2.5濃度時空變化模型研究 [J]. 環境科學研究, 2019,32(9):1500-1509.

Sun C, Wang W, Liu F T,et al. Spatial-temporal simulation of PM2.5concentrations in Hebei Province based on linear mixed effects model [J]. Research of Environmental Sciences, 2019,32(9):1500-1509.

[56] Guo W, Zhang B, Wei Q, et al. Estimating ground-level PM2.5concentrations using two-stage model in Beijing-Tianjin-Hebei, China [J]. Atmospheric Pollution Research, 2021,12(9):101154.

[57] 王家成,朱成杰,朱 勇,等.北京地區多氣溶膠遙感參量與PM2.5相關性研究 [J]. 中國環境科學, 2015,35(7):1947-1956.

Wang J C, Zhu C J, Zhu Y, et al. The correlation between multiple aerosol remote sensing parameters and PM2.5in Beijing area [J]. China Environmental Science, 2015,35(7):1947-1956.

[58] 許悅蕾,劉延安,施潤和,等.氣象要素對氣溶膠光學厚度估算PM2.5的影響 [J]. 環境科學學報, 2018,38(10):3868-3876.

Xu Y L, Liu Y A, Shi R H, et al. Influence of meteorological factors on Aerosol Optical Depth(AOD) estimation of PM2.5[J]. Acta Scientiae Circumstantiae, 2018,38(10):3868-3876.

Filling the missing data of AOD using the situ PM2.5monitoring measurements in the Beijing-Tianjin-Hebei region.

SONG Chun-jie1,2, WEI Qiang1,2, FAN Li-hang1,2, WANG Wei1,2*, HAN Fang1,2, LI Wei-miao1,2, LI Fu-xing1,3**, CHENG He-xi4

(1.School of Geographical Sciences, Hebei Normal University, Shijiazhuang 050024, China；2.Hebei Key Laboratory of Environmental Change and Ecological Construction, Shijiazhuang 050024, China；3.Hebei Technology Innovation Center for Remote Sensing Identification of Environmental Change, Shijiazhuang 050024, China；4.Handan Urban and Rural Planning Research Center, Handan 056000, China)., 2022,42(7)：3000～3012

A spatiotemporal linear mixed effect model (STLME) and a spatiotemporal nested linear mixed effect model (STNLME) were presented using the PM2.5measurements of 318 ground monitoring stations in Beijing-Tianjin-Hebei (BTH) in 2020 to fill the missing data of AOD. The results indicated that the STLME and STNLME models in the days with AOD-PM2.5matchups showed similar performance with the cross-validation (CV)2valued at 0.868 and 0.874, and the root mean square error (RMSE) valued at 0.112 and 0.109, respectively. However, the STNLME model with the CV2valued at 0.63 outperforms STLME with the CV2of 0.26 in the days without PM2.5-AOD matchups. After models filling, the spatial valid value ratio of AOD data in the grid where the monitoring stations are located was increased from 44.35% to 99.35%, and the temporal valid value ratio was increased from 87.94% to 100%. Meanwhile, the annual mean AOD value of each station had increased significantly, and the missing AOD were filled under the condition of high PM2.5level, which could reduce the biases of exposure assessment in air pollution and health studies.

MAIAC AOD；AOD filling of monitoring stations；spatiotemporal linear mixed effects model；spatiotemporal nested linear mixed effect model；Beijing-Tianjin-Hebei

X513

A

1000-6923(2022)07-3000-13

宋春杰(1996-),男,山東濟南人,主要研究方向為大氣污染時空變化模擬.發表論文2篇.

2021-12-27

國家自然科學基金資助項目(41471091);河北省自然科學基金青年基金資助項目(D2019205027);河北省教育廳青年基金資助項目(QN2018035)

* 責任作者, 教授, wangwei@hebtu.edu.cn; ** 講師, lifuxing6042@163.com