陳靜

(重慶市勘測院，重慶 401120)

1 引 言

近年來，大氣污染問題日趨嚴重，灰霾天氣頻頻出現(xiàn)[1]。觀測發(fā)現(xiàn)，灰霾天氣常伴隨高濃度的PM2.5[2]。PM2.5指空氣動力學直徑小于、等于 2.5 μm的細顆粒物，其對可見光的消光作用是造成大氣能見度降低的直接原因[3]。進入人體的PM2.5大部分沉積在支氣管和肺泡中，對健康造成直接危害[4，5]，因此，及時有效地監(jiān)測PM2.5具有重要意義。

我國現(xiàn)階段用于大氣污染監(jiān)測的地面監(jiān)測站點數(shù)量不足且分散，但利用MODIS獲取的數(shù)據(jù)反演得到氣溶膠光學厚度(Aerosol Optical Thickness，AOT)，可用于大氣顆粒物濃度的估算，眾多學者對AOT與顆粒物濃度的相關(guān)性開展了有益的研究，并證實了兩者之間的相關(guān)性[6～10]。因此，利用AOT反演顆粒物濃度有科學的前提。

從現(xiàn)有的研究來看，反演方法以回歸分析為主，少數(shù)研究引進了如人工神經(jīng)網(wǎng)絡(luò)模型[11]、貝葉斯最大熵預(yù)測法[12]。從顆粒物濃度形成因素的復(fù)雜性來看，引進這些模型是必要的，其對于提高模型的精度有著重要的意義。

綜上所述，目前衛(wèi)星遙感監(jiān)測大氣顆粒物研究中，MODIS AOT是公認的反映區(qū)域大氣顆粒物污染狀況精度較高的數(shù)據(jù)源，應(yīng)用較為廣泛。MODIS AOT同顆粒物濃度之間有著較高的相關(guān)性，且這一相關(guān)性在對原始AOT進行垂直訂正和濕度訂正之后有明顯上升。因此，本文以2017年4月～12月上海市10個監(jiān)測站點逐日PM2.5濃度均值，結(jié)合NASA官網(wǎng)發(fā)布的MODIS AOT產(chǎn)品數(shù)據(jù)(MOD04)，經(jīng)空間點位配對，獲得AOT和對應(yīng)PM2.5濃度日均值數(shù)據(jù)對。限于數(shù)據(jù)對數(shù)目不多和其他影響因子數(shù)據(jù)來源限制，將各監(jiān)測站點的數(shù)據(jù)結(jié)合在一起，運用回歸分析方法建立AOT和PM2.5濃度值的回歸方程，在檢驗殘差空間分布無顯著空間依賴性的前提下，以此回歸方程求解上海市未建立監(jiān)測站點區(qū)PM2.5濃度，由此獲得上海市PM2.5濃度值的時空分布圖并對其做定量分析，最終給出上海市PM2.5濃度值的時空分布特征，以期為相關(guān)決策部門提供建設(shè)性意見和加強國內(nèi)這一領(lǐng)域的研究。

2 數(shù)據(jù)與方法

2.1 數(shù)據(jù)

研究數(shù)據(jù)包括2017年4月～12月上海市10個監(jiān)測站點PM2.5逐日平均濃度和AOT數(shù)據(jù)。監(jiān)測站點PM2.5濃度數(shù)據(jù)來自上海市環(huán)保局(http：//www.envir.gov.cn/)，圖1展示了10個監(jiān)測站點在上海市的空間分布，其中6個分布在主城區(qū)，3個分布在浦東新區(qū)，1個在青浦郊區(qū)，可見現(xiàn)有地面監(jiān)測站點難以實現(xiàn)對全上海PM2.5濃度的監(jiān)測。AOT數(shù)據(jù)下載自NASA官網(wǎng)(http：//ladsweb.nascom.nasa.gov/data/search.html)，包含Terra衛(wèi)星大氣二級產(chǎn)品MOD04數(shù)據(jù)共計 1 185幅。

圖1 PM2.5監(jiān)測站點空間分布圖

圖2 方法流程圖

2.2 方法概述

研究包括如下步驟(如圖2所示)：數(shù)據(jù)獲取、數(shù)據(jù)預(yù)處理、數(shù)據(jù)對獲取、數(shù)據(jù)對回歸分析、殘差空間依賴性檢驗、未建立監(jiān)測站點區(qū)PM2.5濃度估值、空間插值獲得全上海PM2.5濃度時空分布圖、PM2.5濃度時空分布特征分析。

2.3 數(shù)據(jù)預(yù)處理

在ENVI環(huán)境下，利用MODIS幾何校正模塊完成對 1 185幅影像數(shù)據(jù)的幾何糾正。疊加上海市矢量圖，切割獲得上海地區(qū)AOT影像。添加地面監(jiān)測站點矢量數(shù)據(jù)，生成站點的掩膜數(shù)據(jù)，掩膜和影像數(shù)據(jù)同時導(dǎo)出為TIFF數(shù)據(jù)，作為后期數(shù)據(jù)對獲取的輸入。 1 185幅影像中共獲得了有效影像54幅和對應(yīng)54幅掩膜數(shù)據(jù)。

2.4 獲取數(shù)據(jù)對

MATLAB讀入獲取的54幅影像和對應(yīng)掩膜數(shù)據(jù)，以掩膜數(shù)據(jù)對相應(yīng)影像做掩膜操作，完成地面監(jiān)測站點處AOT數(shù)據(jù)的采集工作，將其和對應(yīng)天數(shù)的PM2.5數(shù)據(jù)形成數(shù)據(jù)對，最終完成數(shù)據(jù)對的獲取工作。受云霧不利條件影響，各監(jiān)測站點形成的數(shù)據(jù)對較少，如表1所示。

各監(jiān)測站點的數(shù)據(jù)對總數(shù) 表1

監(jiān)測站點鄰接矩陣 表2

2.5 數(shù)據(jù)對回歸分析與殘差空間依賴性檢驗

由表1可見，單個監(jiān)測站點的可用數(shù)據(jù)對總數(shù)不高，針對各監(jiān)測站點建立PM2.5濃度和AOT之間的回歸模型不能滿足統(tǒng)計學要求。將各站點的數(shù)據(jù)對進行合并是一個可行的方案，但由于經(jīng)典回歸模型的一個基本假設(shè)是樣本觀測彼此無關(guān)，即樣本的觀測值和觀測的位置應(yīng)不相關(guān)或弱相關(guān)。因此，借鑒現(xiàn)有空間統(tǒng)計學方法，針對所有監(jiān)測站點建立PM2.5濃度和AOT之間的回歸模型，并求解殘差，通過計算殘差的全局空間自相關(guān)系數(shù)(Moran’s I)和假設(shè)檢驗來檢測回歸模型的可信度。在自相關(guān)系數(shù)低的情況下模型是可靠的，反之不可靠，不可靠則進一步建立帶空間滯后因子的回歸模型。

回歸分析采用一元線性回歸模型，其求解原理是最小二乘法，借助MATLAB相關(guān)函數(shù)直接求解，同時會得到回歸方程的顯著性指標和殘差數(shù)據(jù)。數(shù)據(jù)對的回歸分析結(jié)果論述在第三節(jié)。得出的殘差數(shù)據(jù)依據(jù)數(shù)據(jù)對的組織方式可以重新匹配到各個監(jiān)測站點，結(jié)合監(jiān)測站點間距離倒數(shù)構(gòu)成的鄰接矩陣(表2)，利用Moran’s指數(shù)公式(式(1))求得殘差的全局空間自相關(guān)系數(shù)并做假設(shè)檢驗。

(1)

式(1)中I為Moran指數(shù)，W為權(quán)重矩陣，x為屬性數(shù)據(jù)，在本文中即為殘差。

2.6 未建立監(jiān)測站點區(qū)PM2.5濃度值估算和空間分布制圖

建立的回歸模型可用于估算未建立監(jiān)測站點區(qū)的PM2.5濃度值，模型的輸入即為未建立監(jiān)測站點區(qū)的AOT數(shù)據(jù)。選用4月～12月每月各一天的AOT數(shù)據(jù)進行PM2.5估算，同時由于AOT數(shù)據(jù)受云霧等影響亦不能對上海地區(qū)全覆蓋，需要對未估算地區(qū)進行空間插值，以此獲得全上海區(qū)的PM2.5時空分布圖。PM2.5濃度估值在MATLAB環(huán)境下調(diào)用相關(guān)函數(shù)即可完成，空間插值需借助于ArcGIS完成，因此如何將MATLAB的估值數(shù)據(jù)變成ArcGIS矢量文件是亟待解決的問題。本文根據(jù)幾何糾正原理在MATLAB環(huán)境下通過編程給出未建立監(jiān)測站點區(qū)的PM2.5濃度估值及其對應(yīng)經(jīng)緯度數(shù)據(jù)，利用ArcGIS生成上海地區(qū)的點矢量數(shù)據(jù)，其屬性表中含有PM2.5估算值，繼而進行空間插值，插值方法選擇更加適合地理數(shù)據(jù)的克里金插值，最終獲得上海地區(qū)PM2.5濃度值的空間分布概況。

2.7 PM2.5時空分布特征分析

利用前述步驟生成的空間插值結(jié)果，疊加上海地區(qū)矢量圖層和環(huán)線圖層，分析PM2.5濃度的空間分布特征。對于PM2.5的時間分布特征，則直接利用原始濃度數(shù)據(jù)，通過求月均值的方法，獲得PM2.5濃度的時間分布趨勢。

3 結(jié)果與討論

3.1 PM2.5與AOT的回歸模型及其檢驗

圖3是建立的回歸模型，PM2.5濃度和AOT之間的相關(guān)系數(shù)R2=0.57784，為中等強度相關(guān)，回歸方程為PM2.5=AOT×0.057362+18.5756，回歸方程利用F檢驗統(tǒng)計量計算得F=61.1556，大于0.05顯著性水平下的檢驗值，回歸方程是顯著的。

3.2 殘差分布的空間依賴性檢驗

對3.1中回歸模型可信度的檢查依賴于殘差的空間分布檢測，本文使用全局空間自相關(guān)系數(shù)(Moran’s I)來檢測，同一天中10個監(jiān)測站點均有數(shù)據(jù)對的殘差數(shù)據(jù)用于檢測的數(shù)據(jù)，表3列出了某三天中殘差分布的空間依賴檢驗。

圖3PM2.5和AOT之間的回歸模型

殘差的全局空間自相關(guān)系數(shù)及其檢驗 表3

由表3可知，殘差的全局空間自相關(guān)系數(shù)非常接近0，z檢驗值在0.05顯著性水平下落入保留域[-1.96，1.96]，能在一定程度說明殘差的分布無明顯的空間依賴性，即回歸模型是可靠的。

3.3 上海市PM2.5濃度值時空分布特征

本文選用已獲得AOT數(shù)據(jù)每月各一天的數(shù)據(jù)完成上海地區(qū)PM2.5濃度值時空分布圖的制圖，具體方法已在第二節(jié)有詳細論述。對PM2.5估值數(shù)據(jù)制作直方圖，發(fā)現(xiàn)其并不符合正太分布。進一步地用Epps-Pulley正態(tài)分布檢驗統(tǒng)計量(如式(2))對數(shù)據(jù)進行檢驗，檢驗的結(jié)果亦顯示數(shù)據(jù)不符合正態(tài)分布。因此，對數(shù)據(jù)進行了對數(shù)變化，使之更加貼近正態(tài)分布，然后再進一步插值，這里集中給出插值結(jié)果圖(圖4)和插值結(jié)果精度評估(表4)。

(2)

圖4PM2.5濃度插值結(jié)果圖

插值結(jié)果精度評估 表4

表4顯示插值精度較高，因此圖4的結(jié)果可以在一定程度上代表各個月份的PM2.5濃度值的情況，5月份和7月份濃度值空間分布較為相似，且比其他各個月份要低。其他各個月份PM2.5濃度值空間分布較為相似，取第107天插值結(jié)果，放大顯示如圖5所示。

圖5 第107天(4月)PM2.5濃度插值結(jié)果

從圖5可以看出，PM2.5濃度的高值區(qū)并不是分布于中心城區(qū)，而是中心城區(qū)一定范圍外的帶狀區(qū)域，如圖3中的紅色橢圓區(qū)域，其呈現(xiàn)北西-南東軸向。外環(huán)線以內(nèi)的中心城區(qū)PM2.5濃度值處于中等水平。就行政區(qū)域而言，嘉定區(qū)、閔行區(qū)、南匯區(qū)和青浦區(qū)的北部是PM2.5濃度的高值區(qū)域所在。

為了更進一步地闡述上海地區(qū)PM2.5濃度值的時間分布特征，利用各個監(jiān)測站點的PM2.5濃度日均值數(shù)據(jù)，統(tǒng)計獲得各個月份PM2.5濃度值的均值，并繪制成曲線圖如圖6所示。

圖6 各監(jiān)測站點PM2.5濃度月均值變化曲線圖

圖6反映了PM2.5濃度月均值在各個站點均表現(xiàn)出先降低和升高這一現(xiàn)象，表明了上海地區(qū)PM2.5濃度在時間分布上，具有夏季月份較冬季月份高這一特征。

綜合圖4～圖6反映的信息，上海地區(qū)應(yīng)當重點加強冬季月份、距離市中心一定范圍區(qū)域的PM2.5濃度值的監(jiān)測。

4 結(jié) 論

本文建立了PM2.5與AOT的回歸模型，分析表明了模型的可靠性，并將該模型應(yīng)用于PM2.5濃度估算，經(jīng)插值獲得的PM2.5濃度時空分布圖，揭示了上海地區(qū)PM2.5濃度值在空間分布上的顯著差異，高值區(qū)位于距離中心城區(qū)一定范圍外的帶狀區(qū)域，即嘉定區(qū)、閔行區(qū)、南匯區(qū)和青浦區(qū)的北部，而對PM2.5各站點濃度值取月均值并繪制曲線圖則揭示了上海地區(qū)PM2.5濃度在時間分布上的特性，冬季具有顯著的高值，夏季則具有顯著的低值。因此，就目前而言，上海地區(qū)應(yīng)該重點加強冬季、距離中心城區(qū)一定范圍的帶狀區(qū)域的PM2.5濃度值的監(jiān)測和。本文亦存在一些不足，如在做PM2.5濃度的空間插值時，并未綜合考慮各種插值方法的優(yōu)劣，將在以后的研究中進一步修正。