付宏臣，孫艷玲，景 悅

（天津師范大學(xué)地理與環(huán)境科學(xué)學(xué)院，天津 300387）

PM2.5是指環(huán)境中空氣動(dòng)力學(xué)直徑小于等于2.5 μm的細(xì)顆粒物[1].隨著城市化和工業(yè)化進(jìn)程的加快，PM2.5成為空氣污染的主要污染物之一[2].PM2.5中含有大量有毒有害物質(zhì)，這些物質(zhì)通過(guò)呼吸道進(jìn)入人體，并對(duì)人體造成嚴(yán)重影響，因此獲取地面PM2.5濃度的空間分布具有重要意義[3].通過(guò)地面環(huán)境監(jiān)測(cè)可以獲取站點(diǎn)位置處連續(xù)的高精度PM2.5濃度，但由于監(jiān)測(cè)站點(diǎn)分布不均，無(wú)法覆蓋整個(gè)區(qū)域，故難以掌握大尺度區(qū)域內(nèi)PM2.5的空間分布情況.衛(wèi)星遙感具有監(jiān)測(cè)范圍廣且空間連續(xù)的優(yōu)點(diǎn)，彌補(bǔ)了地面監(jiān)測(cè)站點(diǎn)離散分布的缺點(diǎn).利用衛(wèi)星遙感反演氣溶膠光學(xué)厚度數(shù)據(jù)（aerosol optical depth，AOD）成為估算地面PM2.5濃度的一種有效方法[4-6].AOD是大氣氣溶膠最基本的光學(xué)特性之一，是表征大氣渾濁度和推算大氣中氣溶膠含量的重要物理量[7-8].AOD數(shù)據(jù)產(chǎn)品多種多樣，MODIS AOD是目前應(yīng)用最多的氣溶膠光學(xué)厚度數(shù)據(jù)[9].該數(shù)據(jù)產(chǎn)品中包含深藍(lán)算法和暗像元算法兩類(lèi)算法[10]，其中深藍(lán)算法適用于沙漠和工業(yè)裸地等地表反射率較高的地區(qū)[9，11].

近年來(lái)，基于AOD數(shù)據(jù)進(jìn)行PM2.5濃度估算已有大量研究，先后出現(xiàn)了多元線(xiàn)性回歸模型[12]、人工神經(jīng)網(wǎng)絡(luò)模型[13]、混合效應(yīng)模型[14]、地理加權(quán)回歸模型[10]和土地利用回歸模型[1]等多種模型.1996年，F(xiàn)otheringham等[15]基于前人局部回歸的思想提出了地理加權(quán)回歸（geographically weighted regression，GWR）模型.該模型在處理數(shù)據(jù)時(shí)充分考慮到空間中不同變量間具有各自的局部特征、不同空間位置和不同性質(zhì)的特點(diǎn)，將數(shù)據(jù)的空間特性納入模型中，可以有效處理回歸關(guān)系的空間非平穩(wěn)性[16].Hu[17]最先利用此方法建立了美國(guó)地區(qū)AOD與PM2.5的關(guān)系模型，相關(guān)系數(shù)R2達(dá)到0.6.此后，相關(guān)研究對(duì)此模型加以改進(jìn)，加入了相對(duì)濕度和邊界層高度等影響因子，進(jìn)一步提高了模型精度[18].2016年，陳輝等[19]將此模型應(yīng)用于冬季PM2.5研究，取得了良好的反演效果.此后，張?zhí)扃鱗10]應(yīng)用該模型反演了2015年中國(guó)區(qū)域PM2.5濃度，相關(guān)系數(shù)達(dá)到0.76.

新疆位于亞歐大陸中部，因具有干旱多風(fēng)的氣候特征，使其成為沙塵的高發(fā)區(qū)[20].2016年國(guó)際環(huán)保組織聯(lián)合發(fā)布的全國(guó)366個(gè)城市PM2.5濃度排行榜中，濃度最高的5座城市有3個(gè)位于新疆地區(qū).由2015—2017年新疆維吾爾自治區(qū)環(huán)境狀況公報(bào)[21]中公布的PM2.5數(shù)據(jù)可以看出，2016年新疆地區(qū)PM2.5濃度處于較高水平.現(xiàn)階段新疆地區(qū)利用AOD數(shù)據(jù)估算近地面PM2.5濃度的研究較少，且多僅針對(duì)烏魯木齊市進(jìn)行研究[22].本研究基于2016年深藍(lán)算法的MODIS/Terra衛(wèi)星10 km AOD數(shù)據(jù)，結(jié)合氣象數(shù)據(jù)和地面PM2.5觀測(cè)數(shù)據(jù)，利用地理加權(quán)回歸模型反演得到2016年新疆區(qū)域PM2.5濃度時(shí)空分布情況，為該地區(qū)大氣環(huán)境治理提供科學(xué)依據(jù).

1 數(shù)據(jù)與方法

1.1 數(shù)據(jù)來(lái)源與處理

1.1.1 氣溶膠光學(xué)厚度數(shù)據(jù)

氣溶膠光學(xué)厚度數(shù)據(jù)來(lái)源于美國(guó)國(guó)家航空航天局（national aeronautics and space administration，NASA）官網(wǎng)（https：//ladsweb.nascom.nasa.gov/），搭載在 Terra衛(wèi)星上的MODIS傳感器獲取所得C6版本MOD04氣溶膠二級(jí)產(chǎn)品的空間分辨率為10 km，時(shí)間序列為2016年1月1日—2016年12月31日，時(shí)間分辨率為1 d，去除缺失的15 d數(shù)據(jù)，共獲取有效AOD數(shù)據(jù)351 d.國(guó)內(nèi)外學(xué)者通過(guò)大量實(shí)驗(yàn)驗(yàn)證了MODIS AOD數(shù)據(jù)與地面太陽(yáng)光度計(jì)測(cè)量所得AOD數(shù)據(jù)具有一致性[23-24].Hsu等[25]發(fā)現(xiàn)利用深藍(lán)波段可以實(shí)現(xiàn)沙漠和城市等地表反射率較高地區(qū)的AOD反演，并將此算法加入到C6版本的AOD產(chǎn)品中.Sayer等[26]對(duì)此產(chǎn)品進(jìn)行了全球性驗(yàn)證，證明其反演效果顯著.因此，本研究采用深藍(lán)算法反演的MODIS AOD產(chǎn)品.

首先，采用IDL語(yǔ)言進(jìn)行幾何校正，利用ENVI 5.3無(wú)縫拼接工具“seamless Mosaic”對(duì)2016年351 d的AOD數(shù)據(jù)進(jìn)行無(wú)縫拼接，并將每日AOD數(shù)據(jù)加和平均得到月AOD數(shù)據(jù)，投影方式統(tǒng)一采用WGS 84（World Geodetic System 1984）坐標(biāo)系統(tǒng).為了消除變量間的量綱關(guān)系，便于不同單位和量級(jí)的數(shù)據(jù)能夠進(jìn)行比較和計(jì)算，本研究利用z-score標(biāo)準(zhǔn)化法對(duì)AOD數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化：

式（1）中：μ為所有樣本數(shù)據(jù)的算術(shù)平均值；σ為所有樣本數(shù)據(jù)的標(biāo)準(zhǔn)差；z-score為標(biāo)準(zhǔn)化后變量值；x為實(shí)際變量值.

1.1.2 氣象數(shù)據(jù)

新疆氣象數(shù)據(jù)來(lái)源于國(guó)家氣象科學(xué)數(shù)據(jù)共享服務(wù)平臺(tái)（http：//data.cma.cn/），包括2016年66個(gè)氣象站點(diǎn)的每日平均氣溫T、氣壓P、相對(duì)濕度U、降水量R和風(fēng)速W，通過(guò)計(jì)算得出2016年每月各氣象要素?cái)?shù)據(jù).2016年每日邊界層高度H數(shù)據(jù)由WRF模型模擬得到，通過(guò)加和平均得到每月邊界層高度.以上所有數(shù)據(jù)均通過(guò)克里格插值的方法生成與MODIS AOD投影和空間分辨率均一致的空間連續(xù)分布的柵格圖層，并對(duì)圖層進(jìn)行裁剪和z-score標(biāo)準(zhǔn)化.

1.1.3 PM2.5地面監(jiān)測(cè)數(shù)據(jù)

2016年新疆PM2.5濃度地面監(jiān)測(cè)站和氣象站的空間分布情況如圖1所示.

圖1 2016年新疆PM2.5監(jiān)測(cè)站和氣象站空間分布圖Fig.1 Distribution of PM2.5concentration monitoring stations and meteorological stations in 2016

圖1中42個(gè)環(huán)境監(jiān)測(cè)站點(diǎn)PM2.5濃度的小時(shí)數(shù)據(jù)來(lái)源于中國(guó)環(huán)境監(jiān)測(cè)總站（http：//113.108.142.147：20035/emcpublish/）.由于MODIS/Terra衛(wèi)星在每日地方時(shí)10∶30 am左右過(guò)境，因此取各環(huán)境監(jiān)測(cè)站點(diǎn)10∶00 am和11∶00 am監(jiān)測(cè)的PM2.5濃度數(shù)據(jù)平均值作為該站點(diǎn)衛(wèi)星過(guò)境時(shí)PM2.5濃度監(jiān)測(cè)數(shù)據(jù)，并通過(guò)加和平均得到PM2.5月濃度數(shù)據(jù).

1.2 研究方法

1.2.1 模型構(gòu)建

本研究基于中國(guó)新疆區(qū)域月尺度數(shù)據(jù)進(jìn)行建模，并將經(jīng)過(guò)上述處理的PM2.5月濃度數(shù)據(jù)與對(duì)應(yīng)月份消除量綱后的AOD和各氣象要素?cái)?shù)據(jù)進(jìn)行匹配，分別構(gòu)建了2016年12個(gè)月的AOD-PM2.5模型

式（2）中：PM2.5K為監(jiān)測(cè) K 點(diǎn)在位置（μK，νK）處 PM2.5濃度；β0為特定位置（μK，νK）處的截距；AODK、PK、RK、UK、WK、TK和 HK為位置（μK，νK）處的建模變量值；β1～β7分別為特定位置（μK，νK）處氣溶膠光學(xué)厚度AOD、氣壓P、降水量R、相對(duì)濕度U、風(fēng)速W、氣溫T和邊界層高度H的斜率.

在模型構(gòu)建過(guò)程中利用自適應(yīng)型（ADAPTIVE）Gauss函數(shù)按照相關(guān)要素分布的疏密創(chuàng)建核表面，并采用1979年Cleveland[27]提出的交叉驗(yàn)證法（cross validation，CV）確定最佳帶寬，當(dāng)CV值達(dá)到最小時(shí)，對(duì)應(yīng)的b即為最佳帶寬.

1.2.2 回歸映射

利用所構(gòu)建的模型對(duì)新疆地區(qū)PM2.5濃度時(shí)空分布進(jìn)行模擬的過(guò)程稱(chēng)為回歸映射[28].通過(guò)回歸方程估算PM2.5濃度通常存在異常值，即回歸映射所得PM2.5濃度存在著負(fù)值或過(guò)高的情況.基于已有研究[29-30]，本研究對(duì)回歸映射所得PM2.5濃度進(jìn)行如下處理：當(dāng)回歸映射所得PM2.5濃度高于所有監(jiān)測(cè)站點(diǎn)所得PM2.5濃度最大值的20%時(shí)，將回歸映射所得PM2.5濃度賦值為監(jiān)測(cè)站點(diǎn)PM2.5濃度最大值的120%；當(dāng)回歸映射所得PM2.5濃度低于所有監(jiān)測(cè)站點(diǎn)所得PM2.5濃度最小值的60%時(shí)，將回歸映射所得PM2.5濃度賦值為監(jiān)測(cè)站點(diǎn)PM2.5濃度最小值的60%.

2 結(jié)果與分析

2.1 數(shù)據(jù)描述性統(tǒng)計(jì)分析

為判斷自變量是否符合建模要求，本研究對(duì)模型中的自變量進(jìn)行描述性統(tǒng)計(jì)分析，各變量基本服從正態(tài)分布規(guī)律，滿(mǎn)足地理加權(quán)回歸模型的建模要求，各變量的統(tǒng)計(jì)特征如表1所示，各變量頻率分布直方圖如圖2所示.

表1 建模變量描述性統(tǒng)計(jì)結(jié)果Tab.1 Descriptive statistical results of modeling variables

由表1和圖2統(tǒng)計(jì)結(jié)果可知，2016年中國(guó)新疆區(qū)域 PM2.5濃度 CPM2.5范圍主要集中在 3.90～200.00 μg/m3，最大值達(dá)到617.86μg/m3，平均質(zhì)量濃度為53.38μg/m3；AOD平均值為0.09，最大值為0.60，主要分布在0～0.20范圍內(nèi)；氣壓P平均值為920.21 hPa，最大值和最小值分別為1 242.31 hPa和809.45 hPa；降水量R主要集中在0～40mm，平均值為21.64mm，最大值為73.94mm，最小值為0 mm；相對(duì)濕度U平均值為52.87%，最大值為80.77%，最小值為22.58%，主要集中在40～60%的范圍內(nèi)；氣溫T平均值為12.01℃，最高氣溫為28.10℃，最低氣溫為-12.68℃；風(fēng)速W平均值為2.21 m/s，最大值和最小值分別為3.40 m/s和1.23 m/s；邊界層高度H主要分布在100～300 m，最大邊界層高度為538.38 m，最小為47.92 m，平均值為184.37 m.

2.2 模型擬合與結(jié)果驗(yàn)證

將研究區(qū)內(nèi)42個(gè)站點(diǎn)PM2.5濃度監(jiān)測(cè)數(shù)據(jù)與對(duì)應(yīng)站點(diǎn)處模型反演值進(jìn)行匹配，共獲取2016年12個(gè)月有效數(shù)據(jù)410對(duì)，將地面監(jiān)測(cè)站點(diǎn)PM2.5濃度值與地理加權(quán)回歸模型反演所得PM2.5濃度值進(jìn)行線(xiàn)性相關(guān)分析，分別計(jì)算相關(guān)系數(shù)R2、均方根誤差RMSE和平均相對(duì)誤差絕對(duì)值MAPE，其中相關(guān)系數(shù)R2為0.87，均方根誤差為22.42 μg/m3，平均相對(duì)誤差絕對(duì)值為0.35.為了對(duì)比預(yù)測(cè)模型精度，本研究同時(shí)選取多元線(xiàn)性回歸（multiple linear regression， MLR）模型[18-19]，對(duì)近地面 PM2.5濃度進(jìn)行估算，該模型通過(guò)全局回歸的方法探究自變量與因變量之間的關(guān)系，是地理學(xué)中常用的擬合估算方法.地面監(jiān)測(cè)站點(diǎn)PM2.5濃度值與模型反演所得PM2.5濃度值的相關(guān)系數(shù)R2為0.78，均方根誤差為29.14 μg/m3，平均相對(duì)誤差絕對(duì)值為0.49.圖3為2種模型PM2.5濃度擬合散點(diǎn)圖，由圖3可以看出，地理加權(quán)回歸模型所得匹配點(diǎn)分布更集中，說(shuō)明地理加權(quán)回歸模型預(yù)測(cè)值更接近真實(shí)值，優(yōu)于多元線(xiàn)性回歸模型.

圖2 變量分布直方圖Fig.2 Histogram variable distribution

圖3 GWR和MLR模型反演所得PM2.5濃度與地面監(jiān)測(cè)PM2.5濃度擬合散點(diǎn)圖Fig.3 Fitling scatler plot of PM2.5concentration inverting by GWR and MLR model and observed PM2.5concentration

為了更加詳細(xì)地驗(yàn)證預(yù)測(cè)模型的精度，分別計(jì)算12個(gè)月的相關(guān)系數(shù)、均方根誤差和平均相對(duì)誤差絕對(duì)值，結(jié)果如表2所示.

表2 地理加權(quán)回歸和多元線(xiàn)性回歸擬合統(tǒng)計(jì)指標(biāo)Tab.2 Fitting statistical index of geographical weighted regression and multivariate linear regression

由表2可以看出，基于地理加權(quán)回歸模型和多元線(xiàn)性回歸模型反演所得PM2.5濃度值整體保持一致，具有相同的變化趨勢(shì).地理加權(quán)模型和多元線(xiàn)性回歸模型12個(gè)月的模型擬合度分別為0.46～0.89和0.20～0.82，地理加權(quán)模型相關(guān)系數(shù)R2明顯高于對(duì)應(yīng)月份多元線(xiàn)性回歸模型相關(guān)系數(shù)，其中5月份地理加權(quán)模型相關(guān)系數(shù)最高，可達(dá)0.89，最低為1月份的0.46；多元線(xiàn)性回歸模型相關(guān)系數(shù)在5月份和7月份均達(dá)到最高值0.82，最低出現(xiàn)在12月，相關(guān)系數(shù)R2為0.20.對(duì)比2個(gè)模型的均方根誤差可以明顯看出，地理加權(quán)模型均方根誤差為9.51～45.95 μg/m3，普遍低于多元線(xiàn)性回歸模型的11.12～61.30 μg/m3，地理加權(quán)模型均方根誤差最低出現(xiàn)在8月，值為9.51 μg/m3，多元線(xiàn)性回歸模型均方根誤差最低出現(xiàn)在9月，值為11.12 μg/m3，最高值均出現(xiàn)在 3 月，前者為 45.95 μg/m3，后者為 61.30 μg/m3.多元線(xiàn)性回歸的平均相對(duì)誤差絕對(duì)值為0.27～0.87，誤差明顯高于地理加權(quán)回歸模型的0.20～0.49，2種模型所得平均相對(duì)誤差絕對(duì)值均在2月份最低，5月份最高，即地理加權(quán)最低為0.20，最高為0.49；多元線(xiàn)性回歸最低為0.27，最高為0.87.

2.3 新疆地區(qū)PM2.5濃度估算及時(shí)空分布特征

基于上述地理加權(quán)回歸模型分別計(jì)算2016年12個(gè)月的PM2.5空間分布情況及月均濃度值，所得結(jié)果如圖4所示.

圖4 新疆地區(qū)PM2.5月均濃度變化情況Fig.4 Change of monthly PM2.5concentration of Xinjiang

由圖4可知，一年內(nèi)PM2.5月濃度變化呈現(xiàn)多峰多谷結(jié)構(gòu)，春季（3—5月）和冬季（12—2月）PM2.5濃度較高，1月份達(dá)到132.07μg/m3的峰值，3月份次之，值為113.22μg/m3.春季多大風(fēng)，沙塵天氣頻發(fā)，是造成空氣中PM2.5濃度驟增的主要因素.冬季多出現(xiàn)逆溫現(xiàn)象，空氣的垂直對(duì)流運(yùn)動(dòng)減少，不利于近地面PM2.5的擴(kuò)散，采暖原因造成污染物排放量增加，卻不能及時(shí)得到擴(kuò)散，導(dǎo)致近地面PM2.5濃度增加.夏季（6—8月）和秋季（9—11月）PM2.5濃度較低，其中9月份PM2.5月濃度最低，為28.55 μg/m3，夏季的氣象條件有利于PM2.5的遷移和擴(kuò)散，因此PM2.5濃度較低.而農(nóng)業(yè)活動(dòng)對(duì)地表的擾動(dòng)所造成的揚(yáng)塵現(xiàn)象是秋季PM2.5濃度升高的主要因素.

新疆地區(qū)一般把1月、2月、3月、11月和12月劃分為采暖季，6月、7月和8月為非采暖季，3月、4月、5月、9月、10月和11月為風(fēng)沙季.風(fēng)沙源是造成PM2.5濃度升高的主要原因[31].新疆位于中國(guó)西北部，沙漠總面積為4.29×104km2，占其總面積的26.12%[32].因此受風(fēng)沙季影響3月、4月、5月、10月和11月南疆區(qū)域PM2.5濃度較高，受采暖季影響1月、2月和12月北疆區(qū)域?yàn)豸斈君R市附近PM2.5濃度較其他時(shí)間明顯升高.

基于地理加權(quán)回歸模型反演所得PM2.5月濃度空間分布如圖5所示.由圖5可以看出，1月份北疆區(qū)域AOD缺值嚴(yán)重，南疆區(qū)域PM2.5濃度分布呈現(xiàn)出東高西低的現(xiàn)象，東南部由于受到昆侖山脈和阿爾金山阻隔，污染物無(wú)法擴(kuò)散，導(dǎo)致污染物邊界與阿爾金山北側(cè)一致，吐魯番和哈密地區(qū)氣候相對(duì)干燥，易受沙塵影響.2月份PM2.5向西擴(kuò)散，高值區(qū)主要集中在塔里木盆地邊緣區(qū)域，新疆東部區(qū)域PM2.5濃度較1月份呈現(xiàn)明顯下降趨勢(shì)，南部延阿爾金山走向呈現(xiàn)AOD缺值帶，阿爾金山南側(cè)呈現(xiàn)條狀性高值區(qū).3月份受風(fēng)沙季影響PM2.5主要集中在南疆區(qū)域，以塔里木盆地西側(cè)最為集中，出現(xiàn)西部高值區(qū)，塔里木盆地中心反而略低于四周區(qū)域，新疆北部AOD覆蓋范圍明顯擴(kuò)大，北疆較南疆相對(duì)濕潤(rùn)，PM2.5濃度相對(duì)較低.4月份較前3個(gè)月PM2.5污染范圍明顯縮小，以塔里木盆地為高值中心區(qū)域，并向四周輻射，北疆區(qū)域PM2.5呈現(xiàn)低污染水平.5月份PM2.5污染范圍有擴(kuò)大趨勢(shì)，但基本保持在天山山脈南側(cè)，以天山山脈為分界線(xiàn)，南北兩側(cè)PM2.5濃度差異顯著.3—5月為沙塵高發(fā)期，為此南疆和田和喀什地區(qū)PM2.5濃度較高.6月份PM2.5濃度明顯下降，南疆區(qū)域呈現(xiàn)中度污染水平，以塔里木盆地為高值中心，四周輻射狀分布.7月份PM2.5濃度較6月份呈現(xiàn)微弱上升趨勢(shì)，高值區(qū)域向東擴(kuò)散，這可能與新疆7月強(qiáng)對(duì)流天氣頻發(fā)有關(guān).8月份和9月份的PM2.5濃度是一年中相對(duì)較低的2個(gè)月，低值覆蓋范圍明顯擴(kuò)大，PM2.5高值分布范圍也較為集中，且分布區(qū)域較小，主要在塔里木盆地東側(cè)的羅布泊附近.10月份PM2.5濃度總體而言也不是很高，呈現(xiàn)中等污染水平，PM2.5分布界限基本與昆侖山脈走向一致，主要集中在天山山脈與昆侖山脈間.11月份PM2.5濃度呈現(xiàn)上升趨勢(shì)，高值區(qū)亦主要集中在塔里木盆地區(qū)域.12月份PM2.5濃度明顯升高，高值區(qū)出現(xiàn)在羅布泊和吐魯番盆地附近，即塔里木盆地東北部，新疆東南部區(qū)域延阿爾金山呈現(xiàn)條狀低值區(qū).對(duì)比2016年12個(gè)月PM2.5空間分布明顯看出，冬季AOD覆蓋較少，導(dǎo)致反演所得PM2.5缺值嚴(yán)重，缺值區(qū)主要集中在北疆區(qū)域.

圖5 GWR模型反演所得新疆2016年P(guān)M2.5月濃度分布圖Fig.5 Distribution of monthly PM2.5concentration of Xinjiang inverting by GWR model in 2016

為了進(jìn)一步分析2016年新疆地區(qū)PM2.5空間分布情況，利用地理加權(quán)回歸模型構(gòu)建了2016年地面PM2.5濃度反演模型，結(jié)果如圖6所示.

圖6 2016年新疆區(qū)域PM2.5年均濃度空間分布情況Fig.6 Distribution of PM2.5annual average concentration of Xinjiang in 2016

由圖6可以看出，PM2.5高值區(qū)主要位于新疆南部區(qū)域和烏魯木齊市附近，其中喀什市、和田市和庫(kù)爾勒市PM2.5濃度較高，新疆北部和南部邊緣區(qū)域PM2.5濃度相對(duì)較低.PM2.5較高的3個(gè)地區(qū)屬于典型的暖溫帶荒漠干旱氣候特征，降水稀少，蒸發(fā)量大，土質(zhì)疏松，地表缺少植被覆蓋，為揚(yáng)塵天氣的形成提供了客觀條件.有研究表明，在沙塵高發(fā)期，大風(fēng)將地面的沙塵吹起，使其懸浮在空中，由于降水稀少，揚(yáng)塵過(guò)后會(huì)持續(xù)幾天浮塵天氣，導(dǎo)致PM2.5濃度升高[31].喀什位于天山南脈與昆侖山交界處，且地形西高東低，形成三面環(huán)山的半封閉地形，不利于PM2.5擴(kuò)散，造成PM2.5污染嚴(yán)重.特殊的地形和冬季大面積采暖是導(dǎo)致庫(kù)爾勒市PM2.5濃度較高的客觀因素，市政建設(shè)的快速發(fā)展也是導(dǎo)致PM2.5濃度升高的原因之一[33].有研究表明，沙塵天氣是造成和田PM2.5污染的主要原因[34].烏魯木齊市PM2.5濃度較高可能與冬季燃煤消耗，污染物排放增多，逆溫層厚導(dǎo)致PM2.5難以擴(kuò)散，濃度增加[35].新疆北部以及南部邊緣區(qū)域多為山地，植被覆蓋良好且人類(lèi)活動(dòng)較少，表現(xiàn)為PM2.5濃度低值區(qū)域.

總體而言，研究區(qū)PM2.5濃度呈現(xiàn)出南高北低的現(xiàn)象，PM2.5高值區(qū)域以塔里木盆地為高值中心區(qū)向四周輻射狀，其中塔里木盆地?fù)碛兄袊?guó)最大的沙漠塔克拉瑪干沙漠，加之新疆特殊的地理環(huán)境，盆地相對(duì)閉塞，塔里木盆地北側(cè)橫亙天山山脈，南側(cè)橫亙昆侖山脈，導(dǎo)致PM2.5擴(kuò)散受到阻隔，造成PM2.5污染物粒子聚集，使得天山山脈南側(cè)以塔里木盆地為中心的區(qū)域成為PM2.5濃度高值中心區(qū).

3 討論

本研究利用站點(diǎn)匹配的AOD、氣象要素和地面站點(diǎn)監(jiān)測(cè)數(shù)據(jù)對(duì)2016年逐月AOD-PM2.5進(jìn)行建模，得到新疆區(qū)域每月PM2.5質(zhì)量濃度的估算值.通過(guò)對(duì)比地理加權(quán)回歸模型和多元線(xiàn)性回歸模型擬合結(jié)果，明顯看出地理加權(quán)回歸模型較多元線(xiàn)性回歸模型更能體現(xiàn)出PM2.5濃度空間分異的特征，充分體現(xiàn)了地理加權(quán)回歸模型的優(yōu)勢(shì).但新疆區(qū)域環(huán)境監(jiān)測(cè)站點(diǎn)數(shù)據(jù)較少，且主要集中在北疆區(qū)域，對(duì)于南疆塔克拉瑪干沙漠區(qū)域基本沒(méi)有環(huán)境監(jiān)測(cè)站點(diǎn)，導(dǎo)致可匹配的有效數(shù)據(jù)對(duì)較少，影響模型精度.回歸映射所得PM2.5濃度在新疆邊緣區(qū)域，尤其是東南部存在著較多的異常值，本研究利用監(jiān)測(cè)站點(diǎn)最小值將這些異常值進(jìn)行修正，因此新疆東南部區(qū)域PM2.5濃度每月的估算值差異較小.

本次研究選用MODIS/Terra 10 km AOD數(shù)據(jù)，未考慮分辨率較高的MODIS/Terra 3 km AOD數(shù)據(jù)，原因在于目前MODIS 3 km AOD數(shù)據(jù)尚未發(fā)布深藍(lán)算法（DB）產(chǎn)品，考慮到新疆區(qū)域多沙漠覆蓋，屬于亮地表類(lèi)型，深藍(lán)算法反演效果更好[9-11]，故選擇此算法.此外，本研究選用MODIS上午過(guò)境Terra衛(wèi)星AOD數(shù)據(jù)，未用下午過(guò)境Aqua衛(wèi)星AOD數(shù)據(jù)，導(dǎo)致研究可能存在局限性.因此未來(lái)在提高反演精度方面，還可以考慮雙星協(xié)同數(shù)據(jù)、地表覆蓋類(lèi)型和人口密度等影響因素.

4 結(jié)論

針對(duì)新疆地區(qū)沙漠面積覆蓋廣泛的特殊地理環(huán)境，本研究采用深藍(lán)算法的氣溶膠光學(xué)厚度數(shù)據(jù)、氣象要素?cái)?shù)據(jù)和地面監(jiān)測(cè)站點(diǎn)數(shù)據(jù)，利用地理加權(quán)回歸模型和多元線(xiàn)性回歸模型分別構(gòu)建2016年12個(gè)月的PM2.5遙感反演模型，得到以下結(jié)果：

（1）基于地理加權(quán)回歸模型反演的地面PM2.5濃度相關(guān)系數(shù)R2=0.87，均方根誤差為22.42 μg/m3，平均相對(duì)誤差絕對(duì)值為0.35，基于多元線(xiàn)性回歸模型反演的地面PM2.5濃度相關(guān)系數(shù)R2=0.78，均方根誤差為29.14 μg/m3，平均相對(duì)誤差絕對(duì)值為0.49，綜合各種擬合指標(biāo)來(lái)看，地理加權(quán)回歸模型均優(yōu)于多元線(xiàn)性回歸模型.

（2）基于地理加權(quán)回歸模型反演所得2016年新疆地區(qū)一年12個(gè)月地面PM2.5濃度呈現(xiàn)波浪狀多峰多谷型變化趨勢(shì)，其中峰值主要出現(xiàn)在1月、3月、5月、7月和12月，其中1月PM2.5濃度最高，為132.07μg/m3，谷值出現(xiàn)在2月、4月、6月和9月，其中9月PM2.5濃度最低，為 28.55 μg/m3.

（3）2016年全年新疆地區(qū)PM2.5濃度空間分布呈現(xiàn)出南高北低的現(xiàn)象，高值主要集中在塔克拉瑪干沙漠區(qū)域.喀什、和田和庫(kù)爾勒的北部區(qū)域濃度最高，冬季烏魯木齊市附近PM2.5濃度較其他月份表現(xiàn)出較高水平.