盧亞靈，蔣洪強(qiáng)*，黃季夏，徐麗芬

1. 環(huán)境保護(hù)部環(huán)境規(guī)劃院 國家環(huán)境保護(hù)環(huán)境規(guī)劃與政策模擬重點(diǎn)實(shí)驗(yàn)室，北京 100012；2. 中國科學(xué)院地理科學(xué)與資源研究所 資源與環(huán)境信息系統(tǒng)國家重點(diǎn)實(shí)驗(yàn)室，北京 100101；3. 北京大學(xué)城市與環(huán)境學(xué)院 地表過程分析與模擬教育部重點(diǎn)實(shí)驗(yàn)室，北京 100871

基于GWR的中國地級城市SO2年均質(zhì)量濃度模擬

盧亞靈1，蔣洪強(qiáng)1*，黃季夏2，徐麗芬3

1. 環(huán)境保護(hù)部環(huán)境規(guī)劃院 國家環(huán)境保護(hù)環(huán)境規(guī)劃與政策模擬重點(diǎn)實(shí)驗(yàn)室，北京 100012；2. 中國科學(xué)院地理科學(xué)與資源研究所 資源與環(huán)境信息系統(tǒng)國家重點(diǎn)實(shí)驗(yàn)室，北京 100101；3. 北京大學(xué)城市與環(huán)境學(xué)院 地表過程分析與模擬教育部重點(diǎn)實(shí)驗(yàn)室，北京 100871

中國城市空氣污染問題已經(jīng)引起廣泛關(guān)注。目前相關(guān)研究很多，但是以空間位置為擬合參數(shù)，對空氣質(zhì)量進(jìn)行回歸模擬的研究較少。以2010年中國地級以上城市SO2年均質(zhì)量濃度為因變量，分別應(yīng)用普通線性回歸和地理加權(quán)回歸（GWR）模型模擬SO2年均質(zhì)量濃度，其中地理加權(quán)回歸方法考慮了空間位置的影響并以此作為回歸參數(shù)。回歸的自變量指標(biāo)體系包括氣象要素（多年平均溫度、光照、降水）、植被覆蓋（NDVI）、地形要素（坡度、坡向、起伏度）、人為因素（GDP、能源消費(fèi)）幾個(gè)方面。由于各指標(biāo)之間存在較強(qiáng)的相關(guān)性，用主成分分析方法計(jì)算得到溫度、日照、降水、NDVI表征的氣象植被綜合指標(biāo)，高程、坡度、起伏度表征的地形綜合指標(biāo)，和GDP、能源消費(fèi)表征的人為因素綜合指標(biāo)。用3個(gè)綜合指標(biāo)值作為自變量進(jìn)行回歸模擬。普通回歸結(jié)果較差，其r2為0.11，矯正的r2為0.10；GWR模型模擬結(jié)果相對較好，其擬合優(yōu)度顯著提高，r2為0.66，矯正的r2為0.47。因此，地理加權(quán)回歸適合進(jìn)行此類擬合，普通線性回歸不適合。通過對比地理加權(quán)回歸模擬的各個(gè)城市的擬合優(yōu)度，發(fā)現(xiàn)年均質(zhì)量濃度數(shù)值較高的地區(qū)擬合效果較差，這些地區(qū)主要集中在中國華北和南部部分地區(qū)。與基于機(jī)理的模型相比，GWR模型和其各具優(yōu)缺點(diǎn)，GWR的優(yōu)勢主要表現(xiàn)在數(shù)據(jù)及其格式化要求低，計(jì)算機(jī)軟硬件條件要求低，運(yùn)算速度快等。

地級以上城市；地理加權(quán)回歸（GWR）；SO2；年均質(zhì)量濃度

隨著城鎮(zhèn)化、工業(yè)化水平的快速提高，大氣污染已經(jīng)成為中國突出的城市環(huán)境問題(孟曉艷等, 2012)，直接影響居民身體健康、經(jīng)濟(jì)生產(chǎn)和社會活動，甚至影響植物生長和文物古跡的保護(hù)(KAN和CHEN, 2004；JEONG等, 2005)。因此嚴(yán)重的大氣污染可以造成嚴(yán)重的健康損害和經(jīng)濟(jì)損失(ZHANG等, 2007; ZHANG等, 2006)。目前中國大氣工業(yè)污染形勢嚴(yán)峻，城市空氣質(zhì)量總體變差的趨勢尚未得到有效遏制；隨著交通運(yùn)輸現(xiàn)代化的迅速發(fā)展，中國區(qū)域氣態(tài)污染物的排放量較大(WU等, 2007; 柴發(fā)合等, 2013)，導(dǎo)致部分地區(qū)復(fù)合型污染加劇和區(qū)域性大氣霧霾天氣的頻繁發(fā)生(LANG等, 2012)。2013年春季中國華北地區(qū)嚴(yán)重的霧霾天氣已經(jīng)引起社會高度關(guān)注。根據(jù)空氣質(zhì)量標(biāo)準(zhǔn)GB3095-2012的限值，中國目前有超過2/3的城市空氣質(zhì)量不達(dá)標(biāo)(柴發(fā)合等, 2013)。受經(jīng)濟(jì)發(fā)展和城鎮(zhèn)化進(jìn)程的驅(qū)動，未來中國化石能源特別是煤炭消費(fèi)量將持續(xù)增長(LANG等, 2012; 呂連宏和羅宏, 2012)，大氣污染的巨大壓力將持續(xù)較長時(shí)間。研究中國空氣質(zhì)量及其與相關(guān)因素的關(guān)系，可以為有效控制大氣污染、改善空氣質(zhì)量提供必要的科學(xué)依據(jù)(李小飛等, 2012)。

目前，空氣質(zhì)量相關(guān)的時(shí)空特征研究主要集中在以下幾個(gè)方面：基于機(jī)理模型的污染物質(zhì)量濃度模擬(RAINHAM等, 2005)，基于GIS和遙感的空氣質(zhì)量時(shí)空特征分布研究(張寶春等, 2011; 吳兌, 2012)，污染物柱濃度研究(姚凌等, 2012; DING等, 2009)，基于地統(tǒng)計(jì)學(xué)的污染物質(zhì)量濃度時(shí)空變異性研究(趙文慧等, 2010)，基于模糊理論的大氣環(huán)境質(zhì)量預(yù)測與評價(jià)(ONKAK-ENGIN等, 2004; SOWLAT等, 2011)，基于時(shí)間序列理論（如小波變換、濃度譜）的城市空氣質(zhì)量分析(孟曉艷等, 2012; 黃進(jìn)和張金池, 2009; 王海鵬等, 2011; OSOWSKI和GARANTY, 2007)；污染物質(zhì)量濃度與相關(guān)因素的統(tǒng)計(jì)相關(guān)性研究(朱李華等, 2010)，污染物質(zhì)量濃度與氣象因子的回歸擬合(毛敏娟等, 2013; DAVIS和KALKSTEIN, 1990)，空氣污染指數(shù)的神經(jīng)網(wǎng)絡(luò)預(yù)報(bào)(JIANG等, 2004)等?？偨Y(jié)以上可知，應(yīng)用時(shí)間與空間模型分析空氣環(huán)境質(zhì)量的研究越來越多。從中還可以看出，除去應(yīng)用CMAQ等機(jī)理性模型模擬空氣質(zhì)量外，也有學(xué)者關(guān)注基于統(tǒng)計(jì)方法的空氣質(zhì)量預(yù)測與模擬，但是大多數(shù)研究對空間位置的影響考慮不足。地理加權(quán)回歸模型（GWR）以空間位置為擬合參數(shù)，是一種相對簡單而又有效的探測空間非平穩(wěn)性的新方法，屬于局域空間分析范疇(BRUNSDON等, 1996)。本文以2010年全國地級城市SO2年均質(zhì)量濃度為例，研究GWR在大氣污染物質(zhì)量濃度模擬的可能性。

1 GWR模型概述

對于空間現(xiàn)象而言，傳統(tǒng)的統(tǒng)計(jì)分析大多忽視了空間數(shù)據(jù)之間的相互依賴性，因而其結(jié)果說服力不夠(蘇方林, 2005)。某些情況下，空間上的依賴性比時(shí)間上更復(fù)雜，因此在傳統(tǒng)的計(jì)量方法基礎(chǔ)上引入空間因素成為空間計(jì)量方法的熱點(diǎn)。GWR模型源于空間計(jì)量經(jīng)濟(jì)學(xué)，是考慮了距離因素影響的回歸模型，也是研究地理空間異質(zhì)性現(xiàn)象的方法。其特定區(qū)位的回歸系數(shù)不再是利用全局信息獲得，而是在考慮了臨近空間要素影響的情況下利用鄰近觀測值的子樣本信息進(jìn)行局部回歸得到(LESAGE, 2004)。GWR在普通線性回歸模型的基礎(chǔ)上，把位置因素作為回歸參數(shù)（如果回歸樣本存在空間異質(zhì)性）。GWR方法可以看做是普通線性回歸模型的改進(jìn)。

1.1 普通線性回歸

設(shè)隨機(jī)變量y與確定性變量x1，x2，…，xβ的普通線性回歸模型為：

β0，β1，…，βp是p+1個(gè)未知參數(shù)，β0為回歸常數(shù)，β1，…，βp為回歸系數(shù)，y稱為因變量，x1，x2，…，xp稱為自變量，ε是隨機(jī)誤差，滿足以下假定則可求解：

多元線性回歸方程未知參數(shù)的估計(jì)一般采用普通最小二乘法。

1.2 地理加權(quán)回歸

地理加權(quán)回歸模型是對普通線性回歸公式（1）的擴(kuò)展，將數(shù)據(jù)的地理位置嵌入到回歸參數(shù)之中(BRUNSDON等, 1998)，即：

這里(ui,vi)為第 i個(gè)采樣點(diǎn)的坐標(biāo)(如經(jīng)緯度)；是第i個(gè)采樣點(diǎn)上的第k個(gè)回歸參數(shù)，是地理位置的函數(shù)；，為了表述方便，我們將上式簡寫為：

若β1k= β2k=…βnk，則地理加權(quán)回歸模型就退變?yōu)榍笆龅钠胀ň€性回歸模型。

2 指標(biāo)體系構(gòu)建與數(shù)據(jù)來源

本研究的因變量為 2010年全國地級城市 SO2年均質(zhì)量濃度；自變量選取對SO2質(zhì)量濃度分布有影響的氣象、植被、地形、人為因素等9個(gè)指標(biāo)進(jìn)行回歸。指標(biāo)體系如圖1所示，氣象因素包括各個(gè)城市所在點(diǎn)位多年平均溫度、日照、降水3個(gè)指標(biāo)，植被因素用NDVI表示，地形因素包括高程、坡度、起伏度，人為因素選擇各個(gè)城市的 GDP和能源消費(fèi)總量。

圖1 回歸分析指標(biāo)體系Fig. 1 Index system of the regression analysis

全國地級城市 SO2年均質(zhì)量濃度數(shù)據(jù)來自《2006─2010中國環(huán)境質(zhì)量報(bào)告》；溫度、日照、降水等氣象數(shù)據(jù)來自中國氣象臺站，為全國700多個(gè)氣象站點(diǎn)的數(shù)據(jù)平均并插值的結(jié)果；NDVI數(shù)據(jù)來自中科院地理所資源數(shù)據(jù)中心，通過2008年1─7月份的SPOT VGT旬?dāng)?shù)據(jù)平均得到；高程、坡度、起伏度數(shù)據(jù)通過中科院地理所資源數(shù)據(jù)中心全國1：25萬DEM提??；GDP和能源消費(fèi)原始數(shù)據(jù)來自2011年國家和地方統(tǒng)計(jì)年鑒（2010年度數(shù)據(jù)）。

由于各指標(biāo)間可能存在較強(qiáng)的相關(guān)性，所以先進(jìn)行相關(guān)分析，發(fā)現(xiàn)溫度、日照、降水、NDVI之間的相關(guān)系數(shù)比較大，高程、坡度、起伏度之間的相關(guān)系數(shù)較大，GDP和能源消費(fèi)之間的相關(guān)系數(shù)也較大。所以用主成分分析的方法對溫度、日照、降水、NDVI進(jìn)行計(jì)算，得到氣象植被綜合指數(shù)，對高程、坡度、起伏度進(jìn)行主成分計(jì)算得到地形綜合指數(shù)，對GDP、能源消費(fèi)進(jìn)行主成分計(jì)算得到人為因素綜合指數(shù)。用3個(gè)綜合指數(shù)進(jìn)行回歸模擬。

3 結(jié)果與分析

2010年，中國大多數(shù)地級以上城市SO2年均質(zhì)量濃度在0.02～0.06 mg·m-3之間，屬于空氣質(zhì)量標(biāo)準(zhǔn)GB3095—1996的二級標(biāo)準(zhǔn)（2010年全國仍實(shí)施1996年標(biāo)準(zhǔn)）；一級標(biāo)準(zhǔn)的城市數(shù)量也較多；少量城市SO2污染嚴(yán)重，為三級標(biāo)準(zhǔn)。如圖2所示，SO2污染嚴(yán)重的城市主要分布在2個(gè)區(qū)域，一個(gè)區(qū)域?yàn)榫┙蚣?、山西、陜西和?nèi)蒙古一帶，另一個(gè)區(qū)域?yàn)槲髂喜康脑瀑F、四川一帶；SO2污染較輕的城市主要分布東南沿海、東北三省和西藏、新疆部分地區(qū)。

3.1 普通線性回歸

通過普通線性回歸擬合中國 2010年地級城市SO2年均質(zhì)量濃度，擬合結(jié)果如圖 3(a)所示。擬合的 SO2年均質(zhì)量濃度在三級標(biāo)準(zhǔn)以上(＞=0.06 mg·m-3)和質(zhì)量濃度較低(＜=0.01 mg·m-3)的城市數(shù)量較少，質(zhì)量濃度為0.01～0.02 mg·m-3之間的城市數(shù)量也較少，絕大多數(shù)城市的質(zhì)量濃度在0.02～0.06 mg·m-3之間，屬于二級標(biāo)準(zhǔn)。與圖2進(jìn)行對比，發(fā)現(xiàn)普通線性回歸擬合結(jié)果較差。

圖2 2010年中國地級以上城市SO2年均質(zhì)量濃度Fig. 2 Annual average concentration of SO2of prefecture-level cities in 2010

從圖3(b)中可以看出，大部分城市普通線性回歸結(jié)果殘差較大（圖中紫色和紅色部分），這些城市主要在華北及其北部一帶和四川盆地、云貴高原地區(qū)分布；殘差較小的城市主要位于長三角和東南沿海地區(qū)（綠色部分）。通過與圖 2比較發(fā)現(xiàn)，回歸殘差較大的城市與SO2年均質(zhì)量濃度數(shù)值較大的城市分布有一定的重合。

3.2 GWR回歸

應(yīng)用ARCInfo工具的GWR擬合結(jié)果如圖4所示。擬合結(jié)果中有7個(gè)城市SO2年均質(zhì)量濃度超過三級標(biāo)準(zhǔn)（≥0.06 mg·m-3），用紅色表示；質(zhì)量濃度較低的城市有9個(gè)（＜0.01 mg·m-3），用深綠色表示；質(zhì)量濃度在 0.01～0.02 mg·m-3之間的城市個(gè)數(shù)較多，用淺綠色表示；質(zhì)量濃度在 0.02～0.06 mg·m-3之間的城市個(gè)數(shù)最多，用黃色表示。通過與圖2對比發(fā)現(xiàn)，各城市的擬合結(jié)果分布規(guī)律與實(shí)測值較相似，即京津冀地區(qū)和四川盆地、云貴高原地區(qū)部分城市SO2質(zhì)量濃度較高，質(zhì)量濃度較低的城市多分布在東南沿海。

圖3 2010年中國地級以上城市SO2年均質(zhì)量濃度普通線性回歸結(jié)果及其誤差Fig. 3 Ordinary regression results and residuals of annual average concentration of SO2of prefecture-level cities in 2010

圖4 2010年中國地級以上城市SO2年均質(zhì)量濃度GWR回歸結(jié)果及其擬合優(yōu)度Fig. 4 GWR results and residuals of annual average concentration of SO2of prefecture-level cities in 2010

回歸擬合優(yōu)度用于檢驗(yàn)?zāi)Ｐ蛯颖居^測值的擬合程度，擬合優(yōu)度越高，模型模擬效果越好；反之，模擬效果越差。當(dāng)解釋變量為多元時(shí)，要使用調(diào)整的擬合優(yōu)度，以解決變量元素增加對擬合優(yōu)度的影響。圖4(b)表明長三角、湖北湖南到廣東一帶城市的擬合優(yōu)度較高，模型擬合效果較好；京津冀及周邊地區(qū)、東南和西南部分地區(qū)擬合優(yōu)度較低，擬合效果較差。

3.3 普通線性回歸與地理加權(quán)回歸結(jié)果比較

通過圖3和圖4對比，發(fā)現(xiàn)地理加權(quán)回歸擬合效果比普通線性回歸要好很多。定量評估擬合模型性能的參數(shù)有r2、校正的r2等。r2是擬合度的一種度量，其值在0.0到1.0范圍內(nèi)變化，值越大擬合效果越好。此值可解釋為回歸模型所涵蓋的因變量方差的比例。表1為普通線性回歸和GWR的擬合優(yōu)度比較，普通線性回歸的r2為0.1144，校正的r2為0.1070，擬合效果很差；GWR的r2為0.6595，校正的r2為0.4742，比普通線性回歸的精度有很大提高。

表1 普通線性回歸與GWR擬合優(yōu)度Table 1 The superiority of the ordinary regression and GWR

4 討論與結(jié)論

4.1 討論

通過研究發(fā)現(xiàn)，2010年中國地級城市的 SO2年均質(zhì)量濃度存在一定程度的空間聚集特性(盧亞靈等, 2012)，這說明在用統(tǒng)計(jì)方法對其進(jìn)行模擬時(shí)，應(yīng)該考慮地理位置與區(qū)域差異的影響。通過普通線性回歸與GWR擬合結(jié)果對比發(fā)現(xiàn)，對于中國SO2空氣質(zhì)量，GWR的回歸結(jié)果確實(shí)要明顯好于前者。但是就本研究數(shù)據(jù)來看，GWR對質(zhì)量濃度數(shù)值較高城市的擬合效果較差（普通線性回歸亦是）。本研究數(shù)據(jù)表明，中國SO2年均質(zhì)量濃度較高的地區(qū)主要集中在華北和南部偏西地區(qū)，這也是擬合效果較差的城市所在區(qū)域；擬合效果較好的地區(qū)主要集中在長江流域和珠三角地區(qū)，這些地區(qū)SO2質(zhì)量在全國相對較好。普通線性回歸擬合效果很差，不適合進(jìn)行此類擬合。

本研究存在一定的不足，導(dǎo)致GWR擬合優(yōu)度下降。由于數(shù)據(jù)可得性限制，在氣象要素中，缺少風(fēng)速、風(fēng)向等數(shù)據(jù)，雖然通過日照、溫度、降水計(jì)算得出的綜合指數(shù)可以在一定程度上反映不同城市的氣象特征，但是與基于機(jī)理的空氣質(zhì)量模型有出入；在人為因素中，采用 GDP和能源消費(fèi)表征經(jīng)濟(jì)、人口活動的影響，沒有采用污染物排放量（部分城市的數(shù)據(jù)不可得），但是GDP和能源消費(fèi)與污染物排放量具有很大程度的正相關(guān)，因此可以用這2個(gè)指標(biāo)代替污染排放量。

本研究的結(jié)果表明，對于具有空間屬性且相互之間因距離存在相互影響的空氣環(huán)境質(zhì)量，也可以采用GWR進(jìn)行擬合。根據(jù)以往經(jīng)驗(yàn)，相對CMAQ等基于機(jī)理的模擬模型，基于統(tǒng)計(jì)的GWR擬合模型與之各有優(yōu)缺點(diǎn)。前者在對數(shù)據(jù)獲取及其規(guī)范化方面要求很高，軟硬件條件要求也很高，模型運(yùn)行時(shí)間很長；后者對數(shù)據(jù)及其規(guī)范化及軟硬件的要求較低，模擬時(shí)間也非常短。

4.2 結(jié)論

2010年，中國大多數(shù)地級以上城市SO2年均質(zhì)量濃度屬于GB3095—1996空氣質(zhì)量標(biāo)準(zhǔn)的二級。SO2污染嚴(yán)重的城市主要分布在華北平原及其附近和西南部的云貴、四川一帶；空氣質(zhì)量較好的城市在南部沿海分布較為集中。中國地級以上城市空氣質(zhì)量分布具有空間聚集性。以地級以上城市SO2年均質(zhì)量濃度為自變量，以年均溫度、日照、降水、植被、地形、GDP和能源消費(fèi)總量等為因變量，分別采用普通線性回歸和GWR進(jìn)行模擬。普通線性回歸的結(jié)果很差，與現(xiàn)狀數(shù)據(jù)對比，基本反映不出不同城市SO2年均質(zhì)量濃度分布規(guī)律；GWR結(jié)果相比普通線性回歸要好很多，基本能夠反映不同城市SO2年均質(zhì)量濃度的區(qū)域分布特征。通過對比2種模擬方法的 r2，前者為 0.1144（校正的 r2為0.1070），后者為 0.6595（校正的 r2為 0.4742），表明普通線性回歸在此類模擬中不可用，GWR結(jié)果相對較好。通過分析GWR擬合優(yōu)度的空間分布發(fā)現(xiàn)，SO2年均質(zhì)量濃度數(shù)值高的地區(qū)擬合結(jié)果較差，質(zhì)量濃度低的地區(qū)擬合結(jié)果相對較好。通過討論基于GWR和基于機(jī)理的空氣質(zhì)量模擬模型，發(fā)現(xiàn)兩者各有優(yōu)缺點(diǎn)，可根據(jù)具體情況適當(dāng)選擇。

BRUNSDON C, FOTHERINGHAM A S, CHARLTON M E. 1996. Geographically weighted regression: a method for exploring spatial nonstationarity[J]. Geographical analysis, 28(4): 281-298.

BRUNSDON C, FOTHERINGHAM S, CHARLTON M. 1998. Geographically weighted regression[J]. Journal of the Royal Statistical Society: Series D (The Statistician), 47(3): 431-443.

DAVIS R E, KALKSTEIN L S. 1990. Using a spatial synoptic climatological classification to assess changes in atmospheric pollution concentration[J]. Physical Geography, 11(4): 320-342.

DING A, WANG T, XUE L, et al. 2009. Transport of north China air pollution by midlatitude cyclones: Case study of aircraft measurements in summer 2007[J]. Journal of Geophysical Research, 114(D8): D08304.

JEONG S L, YOUNG J K, BONGJAE K, et al. 2005. Simultaneous measurements of atmospheric pollutants and visibility with a long path DOAS system in urban areas [J]. Environmental Monitoring and Assessment, 104(1): 281-293.

JIANG D, ZHANG Y, HU X, et al. 2004. Progress in developing an ANN model for air pollution index forecast [J]. Atmospheric Environment, 38(40): 7055-7064.

KAN H D, CHEN B H. 2004. Particulate air pollution in urban areas of Shanghai China: health-based economic assessment[J]. Science of the Total Environment, 322(1): 71-79.

LANG J L, CHENG S Y, WEI W, et al. 2012. A Study on the Trends of Vehicular Emissions in the Beijing-Tianjin-Hebei (BTH) region, China [J]. Atmospheric Environment, 41(62): 605-614.

LESAGE J P. 2004. A family of geographically weighted regression models[M]//Advances in spatial econometrics. Berlin: Springer Berlin Heidelberg: 241-264.

ONKAL-ENGIN G, DEMIR I, HIZ H. 2004. Assessment of urban air quality in Istanbul using fuzzy synthetic evaluation[J]. Atmospheric Environment, 38(23): 3809-3815.

OSOWSKI S, GARANTY K. 2007. Forecasting of the daily meteorological pollution using wavelets and support vector machine[J]. Engineering Applications of Artificial Intelligence, 20(6): 745-755.

RAINHAM D G C, SMOYER-TOMIC K E, SHERIDAN S C, et al. 2005. Synoptic weather patterns and modification of the association between air pollution and human mortality[J]. International Journal of Environmental Health Research, 15(5): 347-360.

SOWLAT M H, GHARIBI H, YUNESIAN M, et al. 2011. A novel, fuzzy-based air quality index (FAQI) for air quality assessment[J]. Atmospheric Environment, 45(12): 2050-2059.

WU D, BI X Y, DENG X J, et al. 2007. Effect of atmospheric haze on the deterioration of visibility over the Pearl River Delta[J]. Acta Meteorologica Sinica, 21(2): 215-223.

ZHANG M, SONG Y, CAI X. 2007. A health based assessment of particulate air pollution in urban areas of Beijing in 2000-2004[J]. Science of the Total Environment, 376(1-3): 100-108.

ZHANG Y H, CHEN C H, CHEN G H, et al. 2006. Application of DALYs in measuring health effect of ambient air pollution: a case study in Shanghai, China[J]. Biomedical and Environmental Sciences, 19(4): 268-272.

柴發(fā)合, 李艷萍, 喬琦, 等. 2013. 我國大氣污染聯(lián)防聯(lián)控環(huán)境監(jiān)管模式的戰(zhàn)略轉(zhuǎn)型[J]. 環(huán)境保護(hù), 5: 22-24.

黃進(jìn), 張金池. 2009. 蘇州市空氣質(zhì)量的時(shí)間序列變化過程研究[J]. 環(huán)境科學(xué)與技術(shù), 32(6): 49-52.

李小飛, 張明軍, 王圣杰,等. 2012. 中國空氣污染指數(shù)變化特征及影響因素分析[J]. 環(huán)境科學(xué), 33(6): 1936-1943.

盧亞靈, 蔣洪強(qiáng), 張靜. 2012. 中國地級以上城市SO2年均質(zhì)量濃度時(shí)空特征分析[J]. 生態(tài)環(huán)境學(xué)報(bào), 21(12): 1971-1974.

呂連宏, 羅宏. 2012. 中國大氣環(huán)境質(zhì)量概況與污染防治新思路[J]. 中國能源, 34(1): 18-21.

毛敏娟, 劉厚通, 徐宏輝, 等. 2013. 多元觀測資料融合應(yīng)用的灰霾天氣關(guān)鍵成因研究[J]. 環(huán)境科學(xué)學(xué)報(bào), 33(3): 806-813.

孟曉艷, 王瑞斌, 張欣, 等. 2012. 2006-2010年環(huán)保重點(diǎn)城市主要污染物濃度變化特征[J]. 環(huán)境科學(xué)研究, 25(6): 622-627.

蘇方林. 2005. 中國R&D與經(jīng)濟(jì)增長的空間統(tǒng)計(jì)分析[D]. 上海: 華東師范大學(xué): 20-21.

王海鵬, 張斌, 劉祖涵, 等. 2011. 基于小波變換的蘭州市近十年空氣污染指數(shù)變化[J]. 環(huán)境科學(xué)學(xué)報(bào), 31(5): 1070-1076.

吳兌, 廖碧婷, 吳晟, 等. 2012. 2010年廣州亞運(yùn)會期間灰霾天氣分析[J].環(huán)境科學(xué)學(xué)報(bào), 32(3): 521-527.

姚凌, 呂寧, 師華定. 2012. 利用SCIAMACHY遙感資料研究我國NO2柱濃度及其時(shí)空分布[J]. 環(huán)境科學(xué)研究, 25(4): 419-424.

張寶春, 陳彥軍, 李偉鏗, 等. 2011. 基于GIS的珠三角區(qū)域空氣質(zhì)量時(shí)空特征研究[J]. 生態(tài)環(huán)境學(xué)報(bào), 20(4): 600-605.

趙文慧, 宮輝力, 趙文吉, 等. 2010. 基于地統(tǒng)計(jì)學(xué)的北京市可吸入顆粒物時(shí)空變異性及氣象因素分析[J]. 環(huán)境科學(xué)學(xué)報(bào), 30(11): 2154-2163.

朱李華, 陶俊, 張仁健, 等. 2010. 冬夏季廣州城區(qū)碳?xì)馊苣z特征及其與O3和氣象條件的關(guān)聯(lián)[J]. 環(huán)境科學(xué)學(xué)報(bào), 30(10): 1942-1949.

Simulation of Annual Average SO2Concentration of the Prefecture-level Cities in China Based on GWR Mode

LU Yaling1, JIANG Hongqiang1*, HUANG Jixia2, XU Lifen3

1. State Environmental Protection Key Laboratory of Environmental Planning and Policy Simulation, Chinese Academy for Environmental Planning, Beijing 100012, China;
2. State Key Laboratory of Resources and Environmental Information System, Institute of Geographic Sciences and Natural Resources Research, Beijing 100101, China;
3. Key Laboratory of Analysis and Simulation of Earth Surface Processes, Ministry of Education, College of Urban and Environmental Sciences, Peking University, Beijing 100871, China

The problems of city air pollution have attracted worldwide attention. There’re various kinds of researches on air pollution, while very few of them are on the air quality regression considering the space location as the fitting parameter. This research respectively applies ordinary linear regression and geographically weighted regression model (GWR) to simulate the annual average SO2concentration of the prefecture-level cities in 2010 in China, with annual average SO2concentration as the dependent variable. The effect of spatial location is considered and taken as a regression parameter in the GWR. The indicator system of independent variables in the research includes meteorological factors (annual average temperature, sunlight, rainfall), vegetation cover (NDVI), topography (slope, slope aspect e, relief) and human factors (GDP, energy consumption). As there is a strong correlation among the indicators, the principal component analysis method is adopted to calculate these comprehensive indexes: the meteorological & vegetation index represented by temperature, sunlight, precipitation and NDVI; the topographic index represented by the elevation, slope and relief; and the human factors index represented by GDP and energy consumption. The regression simulation is conducted with these three comprehensive indexes as independent variables. Compared with the ordinary regression model, whose r2is 0.11 and corrected r2is 0.10, the simulation result of GWR model is better with much improved fitting. Its r2is 0.66, and corrected r2is 0.47. Therefore, geographically weighted regression is suitable for this kind of fitting, while the ordinary linear regression is not. By comparing the fitting in each city, we found the cities with higher annual average SO2concentration had poor fitting effects, which were mainly concentrated in North China and South China. Compared with the models based on the mechanism, the GWR model has its own advantages, such as lower requirements of data and formatting, low requirements of computer software and hardware conditions, and faster speed of operation, and so on.

prefecture-level city; geographically weighted regression (GWR); SO2; annual average concentration

X51

：A

：1674-5906（2014）08-1305-06

盧亞靈，蔣洪強(qiáng)，黃季夏，徐麗芬. 基于GWR的中國地級城市SO2年均質(zhì)量濃度模擬[J]. 生態(tài)環(huán)境學(xué)報(bào), 2014, 23(8): 1305-1310.

LU Yaling, JIANG Hongqiang, HUANG Jixia, XU Lifen. Simulation of Annual Average SO2Concentration of the Prefecture-level Cities in China Based on GWR Mode [J]. Ecology and Environmental Sciences, 2014, 23(8): 1305-1310.

環(huán)保公益性行業(yè)科研專項(xiàng)經(jīng)費(fèi)(201209037)；環(huán)境規(guī)劃院青年科技創(chuàng)新基金項(xiàng)目“環(huán)境規(guī)劃時(shí)空數(shù)據(jù)挖掘技術(shù)及其應(yīng)用研究”

盧亞靈(1984年生)，女，助理研究員，碩士，主要從事大氣環(huán)境相關(guān)研究。E-mail: luyl@caep.org.cn

*通訊作者：jianghq@caep.org.cn

2013-12-01