劉 爽,張 笑,趙文吉*,李珊珊,江 磊

基于DEM的山區(qū)冬季燃煤污染物排放遙感測算——以北京市門頭溝區(qū)為例

劉 爽1,張 笑1,趙文吉1*,李珊珊2**,江 磊2

(1.首都師范大學(xué)資源環(huán)境與旅游學(xué)院,北京 100048；2.北京市環(huán)境保護科學(xué)研究院,北京 100037)

選擇山地面積占98.5%的北京市門頭溝區(qū)作為研究區(qū),利用資源三號(ZY-3)三線陣前、后視影像構(gòu)建立體模型,提取數(shù)字高程模型(Digital Elevation Model, DEM).由高分二號影像,基于CART(Classification and Regression Tree)決策樹的面向?qū)ο蠓椒▽幼》课葸M行提取,獲取空間分布與面積,并結(jié)合采暖面積、采暖季燃煤量等抽樣調(diào)研數(shù)據(jù)確定的深、淺山區(qū)(海拔>300m為深山區(qū),海拔<300m為淺山區(qū))燃煤系數(shù),建立燃煤量估算模型.進一步,基于文獻調(diào)研法獲取型煤排放因子,測算燃煤產(chǎn)生的PM10、PM2.5、NO、SO2、CO的排放量.結(jié)果表明:借助遙感技術(shù),基于DEM可對山區(qū)燃煤污染物排放量進行快速有效測算.地形對冬季燃煤量有顯著影響,深山區(qū)燃煤系數(shù)分別為12.5kg/m2,淺山區(qū)為9.375kg/m2.2017年門頭溝使用型煤取暖的房屋面積為5.68km2,冬季燃煤總量為6.52萬t,山區(qū)各鎮(zhèn)大氣污染物排放量差別較大.

數(shù)字高程模型(DEM)；遙感測算；山區(qū)；燃煤量；污染物排放量

近年來,我國北方地區(qū)霧霾頻發(fā),給人們的生活和健康造成了諸多困擾[1-4].我國霧霾天氣有著明顯的季節(jié)性變化,隨著北方城市進入冬季采暖期,霧霾現(xiàn)象頻發(fā)且較為嚴(yán)重[5].傳統(tǒng)的散煤燃燒由于其燃燒效率低、未安裝末端煙氣處理裝置[6],且冬季擴散條件變差等原因[7-8],成為主要的污染貢獻源[9-10].因此,減少煤的燃燒,實施煤改清潔能源是治理霧霾問題的有效手段[11-14],而摸清散煤燃燒的分布與用量是實施煤改清潔能源政策亟須解決的首要問題.

鑒于民用燃煤對于環(huán)境的影響日益嚴(yán)重,越來越多的學(xué)者對于冬季燃煤量及污染物排放量展開了研究. Cheng等[15]采用自下而上的排放因子法,利用統(tǒng)計數(shù)據(jù)與調(diào)研數(shù)據(jù)估算了京津冀地區(qū)2013年民用燃煤污染物的排放量.支國瑞等[16]對河北保定農(nóng)村地區(qū)家庭能源使用情況的調(diào)查顯示散煤使用率達到97%, 2013年采暖季燃煤用量超過500萬t.謝臥龍等[17]采用隨機分層抽樣對山西省農(nóng)村地區(qū)2015年燃煤采暖情況進行調(diào)查,結(jié)果顯示氣溫對戶均采暖燃煤量有顯著影響,并基于抽樣調(diào)查數(shù)據(jù)對全省采暖季燃煤量及污染物排放量進行了估算.牛宏宏等[18]基于統(tǒng)計數(shù)據(jù)與抽樣調(diào)查建立2015年烏魯木齊市散煤燃燒PM2.5、SO2和NO的排放清單以研究散煤燃燒對大氣污染物的貢獻情況.傳統(tǒng)研究方法一般基于人口密度、排放因子并通過典型源調(diào)查來估算污染物的排放量,信息更新周期較長,精度受多方面因素影響[19].隨著遙感與GIS技術(shù)的發(fā)展,基于遙感與GIS技術(shù)的測算方法逐漸得到應(yīng)用[20-21].趙文慧等[22]通過遙感監(jiān)測數(shù)據(jù)結(jié)合現(xiàn)場調(diào)研數(shù)據(jù)計算得到北京平原區(qū)平房冬季燃煤量,基于計算得到的燃煤量估算污染物排放量.劉茜等[23]以趙文慧等的研究方法為基礎(chǔ),以朝陽區(qū)城鄉(xiāng)過渡帶為研究區(qū),估算其冬季采暖燃煤量及污染物排放量.

目前,散煤污染物的研究主要針對平原且研究覆蓋范圍較大,缺乏對山區(qū)的精細研究.地形因素是影響山區(qū)燃煤量及污染物排放量的主導(dǎo)因素,已有燃煤污染物測算方法并未考慮地形因素.故本文選取門頭溝山區(qū)為研究區(qū),利用ZY-3前后視立體像對提取山區(qū)DEM數(shù)據(jù)獲取其地形信息,結(jié)合遙感解譯的居住房屋信息與現(xiàn)場調(diào)研數(shù)據(jù),建立山區(qū)燃煤量估算模型,獲取其冬季燃煤量及空間分布特征,據(jù)此估算燃煤產(chǎn)生的PM10、PM2.5、NO、SO2、CO的排放量,以期為快速有效獲取山區(qū)燃煤數(shù)據(jù)提供參考.

1 數(shù)據(jù)收集與處理

1.1 研究區(qū)域

門頭溝(115°25￠002E~116°10￠07″E,39°48￠342N~ 40°10￠372N)位于北京城區(qū)正西偏南,東西長約62km,南北寬約34km,總面積約1455km2.山地面積占98.5%,是北京市唯一的純山區(qū),門頭溝區(qū)地處華北平原向蒙古高原過渡地帶,地勢西北高,東南低.散煤燃燒主要集中在農(nóng)村地區(qū),因此本文的研究范圍包括清水鎮(zhèn)、齋堂鎮(zhèn)、雁翅鎮(zhèn)、妙峰山鎮(zhèn)、軍莊鎮(zhèn)、王平鎮(zhèn)、潭柘寺鎮(zhèn)、大臺街道8個鄉(xiāng)鎮(zhèn)街道,不包括采用清潔能源進行集中供暖的新城地區(qū)(永定鎮(zhèn)、龍泉鎮(zhèn)、大峪街道辦事處、城子街道、東辛房街道).

圖1 研究區(qū)域

1.2 高分影像處理

1.2.1 高分影像預(yù)處理 選取2017年5~9月多景高分二號遙感影像,圖像質(zhì)量良好,無云覆蓋.高分二號衛(wèi)星相關(guān)參數(shù)如表1所示.影像的預(yù)處理包括正射校正、輻射校正、圖像融合、鑲嵌與裁剪.圖2為影像預(yù)處理后的局部區(qū)域.

表1 GF-2衛(wèi)星參數(shù)信息

1.2.2 房屋信息提取 采用CART決策樹面向?qū)ο蠓诸惙椒ㄌ崛》课菪畔24-26].該分類方法結(jié)合了面向?qū)ο笤谟跋窆庾V、紋理、空間信息利用方面的優(yōu)勢與CART決策樹在分類規(guī)則挖掘方面的優(yōu)勢,可快速實現(xiàn)房屋信息的高精度提取.決策樹分類規(guī)則的提取是建立在樣本訓(xùn)練的基礎(chǔ)上,選取的特征樣本將直接影響分類規(guī)則的準(zhǔn)確性.訓(xùn)練樣本應(yīng)具有典型性與代表性,能很好的代表對應(yīng)類別.同時,訓(xùn)練樣本的選擇應(yīng)保證完整性,即應(yīng)使訓(xùn)練區(qū)的統(tǒng)計結(jié)果可以充分反應(yīng)相應(yīng)類別中特征信息的所有組成.輸出的訓(xùn)練樣本的特征值,將作為CART決策樹的輸入對象,最終生成CART決策樹.研究區(qū)中的地物類型分為房屋、植被、水體、道路、耕地、建設(shè)用地和其他用地六大類別.為保證分類規(guī)則的準(zhǔn)確性,針對每一類別,分別選取特征樣本,最終選取的各類地物樣本總量為1413.在獲取訓(xùn)練樣本的特征值后,以此作為CART決策樹的輸入,建立決策樹,實現(xiàn)特征和規(guī)則的自動化提取.根據(jù)生成的決策樹,房屋的分類規(guī)則如下:

(1) NDVI(歸一化植被指數(shù))￡0.31;

(2) Standard_Red(紅波段標(biāo)準(zhǔn)差)>123.51;

(3) NDWI(歸一化水體指數(shù))￡-0.11.

圖2 研究區(qū)GF-2影像融合后的局部區(qū)域

其中,NDVI是一種應(yīng)用較為廣泛的植被指數(shù),閾值范圍為[-1,1].利用其對綠色植被敏感的特性,可通過這一指數(shù)有效將植被與非植被進行區(qū)分.計算方法見式(1).

NDVI=(NIR-R)/(NIR+R) (1)

式中:NIR為近紅外波段;R為紅光波段.

NDWI常用于水體信息的提取,其計算方法如下:

NDWI=(Green-NIR)/(Green+NIR) (2)

式中:Green為綠光波.

在初步提取的基礎(chǔ)上,結(jié)合Google Earth對提取結(jié)果進行優(yōu)化,得到更為精細的房屋提取結(jié)果(圖3).通過與現(xiàn)場抽樣調(diào)研結(jié)果對比,房屋的提取精度達到95%,符合研究需求.

圖3 局部區(qū)域房屋提取結(jié)果

1.3 ZY-3線陣影像提取DEM及精度分析

1.3.1 ZY-3線陣影像數(shù)據(jù) 選取2018年2月和4月獲取的覆蓋研究區(qū)域的ZY-3三線陣全色前、后視影像,均為經(jīng)過輻射校正和幾何校正的傳感器校正產(chǎn)品[27],空間分辨率3.6m.影像重疊度大于90%,質(zhì)量良好.

1.3.2 基于ZY-3線陣影像的DEM提取方法 通過ZY-3三線陣CCD影像提取DEM的核心內(nèi)容為影像特征提取與匹配,基于有理函數(shù)模型(RFM)解算地面點三維坐標(biāo),最終生成DEM.

點特征是一幅二維影像中最基本的特征之一.提取足夠數(shù)量的特征點是保證后續(xù)影像匹配獲取較高精度的關(guān)鍵.Harris特征點檢測算法是圖像特征檢測識別算法中廣泛適用的一個算法,該算法通過微分計算和計算自相關(guān)矩陣來提取特征點[28].Harris算法的原理:計算圖像、方向上的與局部自相關(guān)函數(shù)相關(guān)的矩陣的梯度值和曲率,而的一階曲率為其特征值,比較特征值與經(jīng)驗閾值,若超出閾值,則判定為特征點[29].針對特征點匹配,本文采用密集影像匹配方法中的SGM(Semi-Global Matching)算法.SGM算法利用視差代價函數(shù)和多路徑聚合,分析確定全局最優(yōu)值,完成影像匹配[30].本文最終有效匹配同名點664對.

完成連接點的提取與匹配后,通過構(gòu)建有理函數(shù)模型,利用間接平差的方法可計算地面點三維坐標(biāo),生成DEM.RFM將地面點三維坐標(biāo)與相應(yīng)像方坐標(biāo)通過比值的形式關(guān)聯(lián)起來[31].RFM形式簡單,其與衛(wèi)星和傳感器無關(guān),是目前影像區(qū)域網(wǎng)平差處理中最有效的模型之一[32-33].生成的DEM如圖4,基于DEM可為進一步研究中不同海拔地區(qū)調(diào)查樣本的選取,及各村落燃煤系數(shù)的確定提供依據(jù).

圖4 數(shù)字高程模型

1.3.3 DEM精度分析 目前精度評價方法主要采用檢查點法、總體誤差計算法、等高線套合法等,分析內(nèi)容包含水平定位精度和高程精度[34-35].本文采用檢查點法,以外業(yè)通過GPS測量的25個檢查點計算其與提取的DEM的均方根誤差(RMSE)分析DEM的水平定位精度和高程精度.均方根誤差的計算公式如(3)所示.計算結(jié)果顯示,基于ZY-3全色前后視影像提取DEM的平面均方根誤差RMSE()為0.6m、RMSE()為0.75m,高程均方根誤差RMSE()為1.54m.

式中:CP為檢查點;DEM為基于ZY-3影像提取的DEM中的相應(yīng)點;為檢查點數(shù)量.

1.4 燃煤數(shù)據(jù)調(diào)查方法

在充分了解門頭溝農(nóng)村地區(qū)2013~2017年煤改清潔能源的整體改造情況后,結(jié)合DEM數(shù)據(jù)提供的地形信息,挑選各鄉(xiāng)鎮(zhèn)的典型村落進行實地調(diào)研,共調(diào)查了54個村,樣本量滿足各鄉(xiāng)鎮(zhèn)調(diào)研村莊數(shù)大于各鄉(xiāng)鎮(zhèn)總村數(shù)的30%,深、淺山調(diào)研村莊數(shù)大于深、淺山村莊總數(shù)的30%.實地調(diào)查采取入戶填寫調(diào)查問卷的方式進行,調(diào)查信息主要包括樣本的建筑面積、采暖面積、常住人口、采暖方式、自采暖設(shè)備、采暖期、燃煤來源、燃煤類型、耗煤總量等指標(biāo).

1.5 山區(qū)燃煤量估算模型構(gòu)建方法

民用煤污染源一般按面源考慮,燃煤量采用由點到面的方式進行估算.以遙感解譯的門頭溝農(nóng)村地區(qū)居住房屋空間分布數(shù)據(jù)為基礎(chǔ),通過抽樣調(diào)查獲取采暖面積,燃煤量及采暖季時長等各項指標(biāo),結(jié)合DEM數(shù)據(jù)分析確定相關(guān)系數(shù),在已有平原區(qū)燃煤模型[36]基礎(chǔ)上進行優(yōu)化,修正燃煤系數(shù),建立山區(qū)燃煤量估算模型,估算山區(qū)冬季燃煤量,其具體計算方法如下所示

式中:為居住房屋燃煤量,t;為基于高分二號遙感影像解譯的居住房屋面積,m2;CC為燃煤系數(shù),kg/m2.

式中:為入戶調(diào)查獲取的房屋層數(shù).

代表家庭采暖季的燃煤總量.

1.6 污染物排放量估算方法

1.6.1 污染物排放因子的確定 民用燃煤排放系數(shù)的獲取方法包括實驗檢測法和文獻調(diào)研法[37],本文采用文獻調(diào)研法.據(jù)調(diào)研,門頭溝農(nóng)村地區(qū)2012年開始普及清潔型煤,經(jīng)過逐年推進清潔型煤進村工作,目前農(nóng)村地區(qū)冬季取暖均使用政府統(tǒng)一采購的清潔型煤.各種污染物排放因子確定方法如表2.

表2 污染物排放因子

1.6.2 污染物排放量的估算 污染物的排放量采用基于活動水平的排放因子進行估算[38],公式如下:

式中:E為燃煤污染物的排放量,t;C為污染物對應(yīng)的燃煤量,kg;EF為污染物的排放因子,g/kg.

2 結(jié)果與分析

2.1 門頭溝山區(qū)居住房屋空間分布特征

通過對高分二號遙感數(shù)據(jù)的解譯,得到門頭溝農(nóng)村地區(qū)2017年居住房屋的面積與空間分布(圖5、圖6).由于門頭溝農(nóng)村地區(qū)自2013年開始實施“煤改電,煤改氣”工程,對于已完成煤改清潔能源的村落,農(nóng)戶不可再使用型煤,因此本文最終計算的面積不包含已經(jīng)實施煤改清潔能源村落的面積.遙感監(jiān)測結(jié)果顯示,門頭溝農(nóng)村地區(qū)冬季通過燃煤取暖的居住房屋總面積為5.68km2.齋堂鎮(zhèn)燃煤取暖的房屋面積最大,為1.61km2;清水鎮(zhèn)的房屋面積僅次于齋堂鎮(zhèn),為1.59km2;其次是潭柘寺鎮(zhèn)和雁翅鎮(zhèn),面積均在0.7km2以上;軍莊鎮(zhèn)的房屋面積為0.51km2;王平鎮(zhèn)和大臺街道的居住房屋面積相對較小,分別為0.25km2和0.24km2.

圖5 各鎮(zhèn)燃煤房屋面積

從房屋的空間分布來看,整個研究區(qū)的房屋分布呈現(xiàn)東密西疏的情況.將房屋解譯結(jié)果與DEM數(shù)據(jù)進行疊加分析,西部的清水鎮(zhèn)和齋堂鎮(zhèn)兩鎮(zhèn)全鎮(zhèn)的海拔高度均在300m以上,房屋連片大面積密集分布的區(qū)域多出現(xiàn)在國道G109附近.清水鎮(zhèn)由中部向南部和北部海拔逐漸升高,房屋在南部和北部分布相對分散.研究區(qū)內(nèi)采用型煤取暖的村落海拔最高達到1400~2264m,位于清水鎮(zhèn)北部.齋堂鎮(zhèn)北部房屋分布稀疏,其中海拔最高的地區(qū)高程范圍達到830~1089m.大臺街道內(nèi)房屋由西北向東南呈現(xiàn)間斷性的線狀分布,西北地區(qū)地勢在300m以下,東南部地勢相對較高.軍莊鎮(zhèn)、潭柘寺鎮(zhèn)、王平地區(qū)和雁翅鎮(zhèn)房屋主要沿國道分布在海拔300m以下的地區(qū).在地理信息系統(tǒng)軟件中統(tǒng)計得到深、淺山區(qū)房屋面積,通過入戶調(diào)研分析獲取的采暖面積折算系數(shù)可得到采暖面積,結(jié)果如表3所示.

圖6 門頭溝散燒煤村莊房屋空間分布

表3 深、淺山區(qū)房屋面積及采暖面積(km2)

2.2 門頭溝山區(qū)冬季燃煤量

2.2.1 山區(qū)燃煤系數(shù)測算 燃煤量估算模型中的燃煤系數(shù)主要通過入戶調(diào)研獲取的燃煤數(shù)據(jù)統(tǒng)計分析確定.通過對調(diào)研數(shù)據(jù)進行分析,確定深淺山區(qū)的分界線同時也是山區(qū)燃煤強度的分界線.通過入戶走訪,門頭溝山區(qū)每戶冬季采暖面積為60~120m2不等,平均為80m2.調(diào)研統(tǒng)計,位于海拔較低的淺山區(qū)的家庭冬季用煤量在2~4t不等,平均為3t,由此可得淺山區(qū)單位采暖面積燃煤量系數(shù)為37.5kg/m2;位于海拔較高的深山區(qū)冬季室外溫度較低,燃煤量在2~6t不等,平均為4t,由此可得深山區(qū)單位采暖面積燃煤量系數(shù)為50kg/m2.

高分二號遙感影像解譯的房屋面積包含存放雜物的倉庫或其他用途的設(shè)施的面積,不屬于燃煤取暖的范疇,故該部分應(yīng)排除在實際采暖面積內(nèi);調(diào)研中發(fā)現(xiàn),農(nóng)戶只是在主要的居住范圍內(nèi)通過采暖設(shè)備取暖,并不是家中所有的房屋都會使用采暖設(shè)備;此外,山區(qū)老齡化嚴(yán)重,到了冬季,很多住戶會搬到門頭溝新城地區(qū)或跟隨兒女到其他地方居住,不在山區(qū)的房屋中過冬,故該部分也不應(yīng)計算在實際采暖面積中.淺山區(qū)約有1/3的村民,深山區(qū)約有1/2村民冬季家中房屋空置,不使用采暖設(shè)施,一些房屋更是常年無人居住.鑒于以上原因,燃煤系數(shù)的計算中引入采暖面積折算系數(shù),統(tǒng)計分析確定式(5)中的采暖面積折算系數(shù)為1/4.按文中1.5中建立的燃煤系數(shù)計算公式,計算獲取深、淺山區(qū)的燃煤系數(shù).深、淺山區(qū)的燃煤系數(shù)分別為12.5kg/m2和 9.375kg/m2.為確定采用型煤取暖的各個村落的燃煤系數(shù),將DEM數(shù)據(jù)與房屋分類結(jié)果進行疊加,確定其海拔高度,進而確定燃煤系數(shù).

2.2.2 山區(qū)燃煤量測算 基于遙感解譯的門頭溝農(nóng)村地區(qū)居住房屋面積,結(jié)合DEM數(shù)據(jù)與實地調(diào)研獲取的采暖面積、采暖季燃煤量等數(shù)據(jù),根據(jù)本文建立的山區(qū)燃煤量估算模型,估算2017年北京市門頭溝山區(qū)冬季燃煤總量為6.52萬t.統(tǒng)計顯示,齋堂鎮(zhèn)燃煤量最大,達到2.01萬t;其次是清水鎮(zhèn)1.98萬t.齋堂鎮(zhèn)和清水鎮(zhèn)全鎮(zhèn)基本均為深山區(qū),冬季取暖的燃煤系數(shù)較高.由于地形因素的影響,煤改清潔能源工程的實施較淺山區(qū)相對困難,完成煤改清潔能源的村落相對較少,同時由于兩鎮(zhèn)鎮(zhèn)域面積較大,鎮(zhèn)內(nèi)居住房屋總面積也較大.兩鎮(zhèn)燃煤量總和占門頭溝山區(qū)冬季燃煤量的62.2%,超過山區(qū)燃煤量的1/2,屬于燃煤大鎮(zhèn).雁翅鎮(zhèn)和潭柘寺鎮(zhèn)均在0.7萬t以上;軍莊鎮(zhèn)、大臺街道和王平鎮(zhèn)均在0.5萬t以下,此三鎮(zhèn)為燃煤小鎮(zhèn).

將燃煤量按照深、淺山區(qū)進行統(tǒng)計,深山區(qū)燃煤量為4.82萬t,淺山區(qū)為1.7萬t,淺山區(qū)燃煤量僅占深山區(qū)的35%.主要原因是深、淺山區(qū)由于高度形成的溫差,使深山區(qū)燃煤系數(shù)高于淺山區(qū).門頭溝山區(qū)以深山區(qū)為主,深山區(qū)內(nèi)農(nóng)戶較多,因此深淺山區(qū)的總采暖面積相差也較大.深山區(qū)的燃煤系數(shù)、總采暖面積均高于淺山區(qū),最終冬季取暖燃煤量也高于淺山區(qū).

圖7 2017年門頭溝農(nóng)村地區(qū)各鎮(zhèn)冬季燃煤量

根據(jù)北京市統(tǒng)計年鑒[42],2017年鄉(xiāng)村生活消費用煤120.14萬t;2017年農(nóng)村地區(qū)設(shè)有鎮(zhèn)政府143個.本文研究區(qū)域包含8個鎮(zhèn),由于妙峰山鎮(zhèn)全鎮(zhèn)實現(xiàn)了無煤化,因此最終燃煤量的測算包含7個鎮(zhèn).由此依據(jù)年鑒數(shù)據(jù)可估算出2017年門頭溝山區(qū)燃煤總量為5.88萬t,與本文估算結(jié)果相當(dāng),因此基于遙感技術(shù)測算山區(qū)燃煤量的方法有效可行.本文燃煤量測算結(jié)果略高于依據(jù)年鑒數(shù)據(jù)的估算結(jié)果,其主要原因有兩點:第一,年鑒中的數(shù)據(jù)來源于統(tǒng)計數(shù)據(jù),存在一定的統(tǒng)計誤差;第二,年鑒中的數(shù)據(jù)一般基于戶籍人口數(shù)利用人口密度進行統(tǒng)計,未考慮流動人口數(shù),導(dǎo)致統(tǒng)計數(shù)據(jù)略低于本文測算結(jié)果.

2.2.3 燃煤量空間分布特征從燃煤量空間分布來看,燃煤散燒量由西部深山區(qū)向東部淺山區(qū)遞減,主要原因為西部深山區(qū)海拔較高,燃煤系數(shù)較高,因此西部地區(qū)應(yīng)作為散煤控制的重點區(qū)域.

圖8 2017年門頭溝農(nóng)村地區(qū)燃煤量空間分布

2.3 大氣污染物排放量

通過基于活動水平的排放因子法估算北京市門頭溝農(nóng)村地區(qū)2017年冬季燃煤取暖產(chǎn)生的大氣污染物PM10、PM2.5、NO、SO2、CO的排放量,其排放量分別為71.69t、193.57t、110.80t、406.69t、256.76t.各鎮(zhèn)燃煤產(chǎn)生的大氣污染物與燃煤量正相關(guān).齋堂鎮(zhèn)和清水鎮(zhèn)各類污染物的排放量相比于其他各鎮(zhèn)均處于較高水平.

將門頭溝山區(qū)與城區(qū)平房[36]采暖季燃煤污染物PM2.5,NO的排放量進行對比,城區(qū)平房NO排放量占山區(qū)的1/2左右,PM2.5排放量僅為山區(qū)的1/3,主要原因為城區(qū)依賴散煤取暖的平房面積較小,冬季采暖方式主要為熱力公司集中供暖;然而散煤燃燒依然是山區(qū)冬季取暖的主要途徑.

3 結(jié)論

3.1 2017年門頭溝農(nóng)村地區(qū)冬季通過燃煤取暖的居住房屋總面積為5.68km2,冬季燃煤總量為6.52萬t.齋堂鎮(zhèn)和清水鎮(zhèn)由于全鎮(zhèn)基本均為深山區(qū),燃煤系數(shù)較高,燃煤量也較高,分別為2.01萬t、1.98萬t.由于深山區(qū)地理條件的限制,煤改清潔能源工程的實施難度增大,因此齋堂鎮(zhèn)和清水鎮(zhèn)應(yīng)作為散煤控制的重點區(qū)域.

3.2 門頭溝山區(qū)因燃煤產(chǎn)生的PM10、PM2.5、NO、SO2、CO的排放量因各污染物排放因子的不同,差別較大,分別為71.69t、193.57t、110.80t、406.69t、6256.76t.其中齋堂鎮(zhèn)的污染物排放量最高.

3.3 利用遙感、GIS技術(shù)提取DEM及房屋信息,并結(jié)合抽樣調(diào)查數(shù)據(jù),分析確定山區(qū)燃煤系數(shù),建立山區(qū)燃煤量估算模型,該模型已被門頭溝區(qū)環(huán)保局采用.

[1] Zhang J F, Smith K R. Household air pollution from coal and biomass fuels in China: Measurements, health Impacts, and interventions [J]. Environmental Health Perspectives, 2007,115(6):848-855.

[2] 劉 丹,解 強,張 鑫,等.北京冬季霧霾頻發(fā)期VOCs源解析及健康風(fēng)險評價[J]. 環(huán)境科學(xué), 2016,37(10):3693-3701. Liu D, Xie Q, Zhang X, et al. Source apportionment and health risk assessment of VOCs during the haze period in the winter in Beijing [J]. Environmental Science, 2016,37(10):3693-3701.

[3] 張恒德,張庭玉,李 濤,等.基于BP神經(jīng)網(wǎng)絡(luò)的污染物濃度多模式集成預(yù)報[J]. 中國環(huán)境科學(xué), 2018,38(4):1243-1256. Zhang H D, Zhang T Y, Li T, et al. Forecast of air quality pollutants’ concentrations based on BP neural network multi-model ensemble method [J]. China Environmental Science, 2018,38(4):1243-1256.

[4] Wang Y, Yao L, Wang L, et al. Mechanism for the formation of the January 2013heavy haze pollution episode over central and eastern China [J]. Science China Earth Sciences, 2014,57(1):14-25.

[5] 張銀曉,盧春穎,張 劍,等.民用燃煤排放細顆粒中金屬元素排放特征及單顆粒分析[J]. 中國環(huán)境科學(xué), 2018,38(9):3273-3279. Zhang Y X, Lu C Y, Zhang J, et al. Emission characteristics and individual particle analysis of metals in fine particles emitted from residential coal burning [J]. China Environmental Science, 2018,38(9): 3273-3279.

[6] 韓美麗,劉世杰,劉 敏,等.京津冀民用燃煤減排對大氣中BaP污染影響評估[J]. 中國環(huán)境科學(xué), 2018,38(9):3262-3272. Han M L, Liu S J, Liu M, et al. Assessment of the effect of the reduction of the residential coal combustion on the atmospheric BaP pollution in Beijing-Tianjin-Hebei region [J]. China Environmental Science, 2018,38(9):3262-3272.

[7] 何緒文.民用燃煤大氣污染物控排技術(shù)對策[J]. 潔凈煤技術(shù), 2017,23(4):12-17. He X W. Countermeasure of air pollutant controlled pollutation for civilian coal [J]. Clean Coal Technology, 2017,23(4):12-17.

[8] Wang L, Zhang N, Liu Z, et al. The influence of climate factors, meteorological conditions, and boundary-layer structure on severe haze pollution in the Beijing-Tianjin-Hebei Region during January 2013 [J]. Advances in Meteorology, 2014,2014:1-14.

[9] Sun Y, Jiang Q, Wang Z, et al. Investigation of the sources and evolution processes of severe haze pollution in Beijing in January 2013 [J]. Journal of Geophysical Research: Atmospheres, 2014,119(7): 4380-4398.

[10] Yang L, Cheng S, Wang X, et al. Source identification and health impact of PM2.5in a heavily polluted urban atmosphere in China [J]. Atmospheric Environment, 2013,75(2013):265-269.

[11] Wang H B, Tian M, Chen Y, et al. Seasonal characteristics, formation mechanisms and source origins of PM2[J]. Atmopheric Chemistry and Physics, 2018,18:865-881.

[12] 王彥超,蔣春來,賀晉瑜,等.京津冀大氣污染傳輸通道城市燃煤大氣污染減排潛力[J]. 中國環(huán)境科學(xué), 2018,38(7):2401-2405. Wang Y C, Jiang C L, He J Y, et al. Air pollutant emissions reduction potential from burning coal in cities of air pollution transmission channel in Beijing-Tianjin-Hebei area [J]. China Environmental Science, 2018,38(7):2401-2405.

[13] 王春蘭,許 誠,徐 鋼,等.京津冀地區(qū)天然氣和熱泵替代燃煤供暖研究[J]. 中國環(huán)境科學(xué), 2017,37(11):4363-4370. Wang C L, Xu C, Xu G, et al. Studies on replacing coal with natural gas and heat pump for heating in Jing-Jin-Ji region [J]. China Environmental Science, 2017,37(11):4363-4370.

[14] 武娟妮,程 亮,逯元堂,等.散煤采暖清潔化替代方式的生命周期清單分析[J]. 中國環(huán)境科學(xué), 2018,38(4):1570-1578. Wu J N, Cheng L, Lu Y T, et al. Life cycle inventory analysis of clean alternatives to scattered coal heating [J]. China Environmental Science, 2018,38(4):1570-1578.

[15] Cheng M, Zhi G, Tang W, et al. Air pollutant emission from the underestimated households' coal consumption source in China [J]. Science of The Total Environment, 2017,580:641-650.

[16] 支國瑞,楊俊超,張 濤,等.我國北方農(nóng)村生活燃煤情況調(diào)查、排放估算及政策啟示[J]. 環(huán)境科學(xué)研究, 2015,28(8):1179-1185. Zhi G R, Yang J C, Zhang T, et al. Rural Household Coal Use Survey, Emission Estimation and Policy Implications [J]. Research of Environmental Sciences, 2015,28(8):1179-1185.

[17] 謝臥龍,張懷德,劉 鑫,等.山西省農(nóng)村地區(qū)燃煤采暖情況入戶調(diào)查及排污量估算[J]. 環(huán)境科學(xué)研究, 2018,31(4):642-647. Xie W L, Zhang H D, Liu X, et al. Sampling survey and air pollutants emission estimation of coal combustion for heating in rural areas of Shanxi Province [J]. Research of Environmental Sciences, 2018,31(4): 642-647.

[18] 牛宏宏,王寶慶,劉博薇,等.烏魯木齊市散煤燃燒大氣污染物排放清單及時空分布特征[J]. 環(huán)境科學(xué)研究, 2019,32(1):135-141. Niu H H, Wang B Q, Liu B W, et al. Emission inventory and temporal-spatial distribution of air pollutants from residential coal combustion in Urumqi City [J]. Research of Environmental Sciences, 2019,32(1):135-141.

[19] 嚴(yán)茹莎,侯 勇,陸建宇,等.長三角區(qū)域燃煤排放污染物現(xiàn)狀及其環(huán)境影響[J]. 環(huán)境影響評價, 2016,38(6):66-72. Yan R S, Hou Y, Lu J Y, et al. Current situation of coal-fired emissions and its environmental impacts within Yangtze River Delta [J]. Environmental Impact Assessment, 2016,38(6):66-72.

[20] 趙文慧,徐 謙,李令軍,等.北京平原區(qū)城鄉(xiāng)結(jié)合部燃煤散燒及污染物排放量估算[J]. 環(huán)境科學(xué)研究, 2015,28(6):869-876. Zhao W H, Xu Q, Li L J, et al. Estimation of air pollutant emissions from coal burning in the semi-rural areas of Beijing Plain [J]. Research of Environmental Sciences, 2015,28(6):869-876.

[21] 張立坤,李令軍,姜 磊,等.北京市農(nóng)業(yè)大棚冬季燃煤散燒污染排放估算[J]. 環(huán)境科學(xué)研究, 2017,30(5):654-662. Zhang L K, Li L J, Jiang L, et al. Estimation of air pollutant emissions from coal burning for agricultural greenhouses in winter in Beijing [J]. Research of Environmental Sciences, 2017,30(5):654- 662.

[22] 趙文慧,姜 磊,張立坤,等.北京平原區(qū)平房冬季燃煤量及污染物排放估算[J]. 中國環(huán)境科學(xué), 2017,37(3):859-867. Zhao W H, Jiang L, Zhang L K, et al. Estimation of coal consumption and related contamination emission in the plain area around Beijing during winter season [J]. China Environmental Science, 2017,37(3): 859-867.

[23] 劉 茜,李 泓,曹 磊,等.北京市朝陽區(qū)城鄉(xiāng)過渡帶冬季采暖燃煤及大氣污染物排放量估算[J]. 科技創(chuàng)新與應(yīng)用, 2018,31(4):1-4. Liu Q, Li H, Cao L, et al. Estimation of coal-fired and atmospheric pollutant emissions from Urban-Rural Transition Zone in Chaoyang District of Beijing in winter [J]. Technology Innovation and Application, 2018,31(4):1-4.

[24] 孫建偉,王 超,王 娜,等.基于CART決策樹的ZY-3衛(wèi)星遙感數(shù)據(jù)土地利用分類監(jiān)測[J]. 華中師范大學(xué)學(xué)報(自然科學(xué)版), 2016, 50(6):937-943. Sun J W, Wang C, Wang N, et al. Research on land use classfication monitoring through the Remote Sensing data of ZY-3sate; ite based on CART decision tree [J]. Journal of Central China Normal University (Nat.Sci.), 2016,50(6):937-943.

[25] 李 強,張景發(fā).基于CART決策樹提取高分辨率遙感影像建筑物信息[J]. 地震, 2013,33(2):96-102. Li Q, Zhang J F. Extraction of Building Information from High Resolution Images Based on CART Decision Tree [J]. Earthquake, 2013,33(2):96-102.

[26] 張 森,陳健飛,龔建周.面向?qū)ο蠓诸惖臎Q策樹方法探討_以Landsat-8OLI為例[J]. 測繪科學(xué), 2016,41(6):117-121. Zhang S, Chen J F, Gong J Z. Object-oriented classification based on C5.0algorithm [J]. Science of Surveying and Mapping, 2016,41(6): 117-121.

[27] 胡 芬,金淑英,李 明. ZY-3衛(wèi)星異軌立體影像DSM提取精度分析[J]. 測繪與空間地理信息, 2016,39(11):17-21. Hu F, Jin S Y, Li M. Accuracy analysis of DSM extracted from ZY-3 Cross-track Stereo-imageries [J]. Geomatics & Spatial Information Technology, 2016,39(11):17-21.

[28] 李鵬程,曾毓敏,張 夢.一種改進的Harris角點檢測算法[J]. 南京師大學(xué)報(自然科學(xué)版), 2014,37(2):49-54. Li P C, Zeng Y M, Zhang M. An improved Harris corner detection [J]. Journal of Nanjing Normal University (Natural Science Edition), 2014, 37(2):49-54.

[29] 葛盼盼,陳 強,顧一禾,等.基于Harris角點和SURF特征的遙感圖像匹配算法 [J]. 計算機應(yīng)用研究, 2014,31(7):2205-2208. Ge P P, Chen Q, Gu Y H, et al. Algorithm of remote sensing image matching based on Harris corner and SURF feature [J]. Application Research of Computers, 2014,31(7):2205-2208.

[30] 黃 艷,張 麗,紀(jì) 松,等.基于SGM的多分辨率影像匹配方法 [J]. 測繪科學(xué)技術(shù)學(xué)報, 2016,33(6):588-592. Huang Y, Zhang L, Ji S, et al. Multi-resolution image matching method based on SGM [J]. Journal of Geomatics Science and Technology, 2016,33(6):588-592.

[31] 吳亞文,魯鐵定.利用有理函數(shù)模型的幾何定位仿射變換方法 [J]. 測繪科學(xué), 2015,40(4):48-52. Wu Y W, Lu T D. A affine transformation method of geometric positionong based on RFM [J]. Science of Surveying and Mapping, 2015,40(4):48-52.

[32] 高旭娜,劉瑞軍,葛海軍,等.基于PCI2012系統(tǒng)的WorldView-2立體影像DEM自動提取方法研究 [J]. 測繪與空間地理信息, 2014, 37(1):138-140+144. Gao X N, Liu R J, Ge H J, et al. The method of DEM automatic extraction from world view-2 stereo images based on PCI-2012 [J]. Geomatics & Spatial Information Technology, 2014,37(1):138-140+ 144.

[33] 李慶鵬,王志剛,等.基于RPC模型區(qū)域網(wǎng)平差技術(shù)的立體影像DSM提取 [J]. 航天器工程, 2011,20(3):126-130. Li Q P, Wang Z G, et al. Extraction of DSM from syreo images using block-adjustment technology based on RPC Model [J]. Spacecraft Engineering, 2011,20(3):126-130.

[34] 周啟鳴,劉學(xué)軍,等.空間數(shù)據(jù)的增值——以數(shù)字地形分析為例 [J]. 地理信息世界, 2006,12(3):4-13. Zhou M Q, Liu X J, et al. Adding Valueto Spatial Data -Taking digital terrain analysisasan example [J]. Geomatcs World, 2006,12(3):4-13.

[35] 汪思妤,艾 明,吳傳勇,等.高分辨率衛(wèi)星影像提取DEM技術(shù)在活動構(gòu)造定量研究中的應(yīng)用——以庫米什盆地南緣斷裂陡坎為例 [J]. 地震地質(zhì), 2018,40(5):1000-1017. Wang S Y, Ai M, Wu C Y, et al. Application of DEM generation technology from high resolution satellite image in quantiative active tectonics study:A case study of fault scarps in the southern margin of KUMISHI basin [J]. Seismology and Geology, 2018,40(5):1000-1017.

[36] 趙文慧,李令軍,鹿海峰,等.2015~2017年北京及近周邊平房燃煤散燒及其污染排放遙感測算 [J]. 環(huán)境科學(xué), 2019,(4):1-15. Zhao W H, Li L J, Lu H F, et al. Estimation of coal consumption and the emission of related contaminants in the plain area around beijing during 2015~2017 [J]. Environmental Science, 2019,(4):1-15.

[37] 潘 濤,薛亦峰,鐘連紅,等.民用燃煤大氣污染物排放清單的建立方法及應(yīng)用 [J]. 環(huán)境保護, 2016,144(6):20-24. Pan T, Xue Y F, Zhong L H, et al. The methodology for air pollutants emission inventory from residential coal combustion and its application [J]. Environmental Protection, 2016,144(6):20-24.

[38] 中華人民共和國環(huán)境保護部.民用煤大氣污染物排放清單編制技術(shù)指南(試行) [S]. 2016:14-34. Ministry of Ecology and Environment of the People's Republic of China. Technical guidelines for the compilation of air pollutant emission inventory from civil coal (trial implementation) [S]. 2016: 14-34.

[39] 國務(wù)院第一次全國污染源普查領(lǐng)導(dǎo)小組,第一次全國污染源普查城鎮(zhèn)生活源產(chǎn)排污系數(shù)手冊 [EB/OL]. 2008:2-23. http://www.topsage. com. The State Council Leading Group for the First National Pollution Source Census. Handbook for the first national pollution source census on urban domestic source production and discharge coefficient [EB/OL]. 2008:2-23. http://www.topsage.com.

[40] 葉建東,章永潔,蔣建云,等.農(nóng)村型煤替代散煤采暖對比分析 [J]. 建筑節(jié)能, 2016,44(11):102-103. Ye J D, Zhang Y J, Jiang J Y, et al. Comparison and analysis about mould coal and raw coal for rural heating [J]. Building Energy Conservation, 2016,44(11):102-103.

[41] Li Q, Li X, Jiang J, et al. Semi-coke briquettes: towards reducing emissions of primary PM2.5, particulate carbon and carbon monoxide from household coal combustion in China [J]. Scientific Reports, 2016,6(1):19306.

[42] 北京市統(tǒng)計局,國家統(tǒng)計局北京調(diào)查總隊.北京統(tǒng)計年鑒: [M].北京:中國統(tǒng)計出版社, 2018. Beijing Municipal Bureau of Statistics, Survey Office of the National Bureau of Statistics in Beijing. Beijing statistical yearbook [M]. Beijing: China Statistical Publishing House, 2018.

Estimation of coal-burning contamination emissions in mountain areas during winter season based on DEM: A case study of Mentougou, Beijing.

LIU Shuang1, ZHANG Xiao1, ZHAO Wen-ji1*, LI Shan-shan2**, JIANG Lei2

(1.College of Resource Environment and Tourism, Capital Normal University, Beijing 100048,China；2.Beijing Municipal Research Institute of Environmental Protection, Beijing 100037,China)., 2019,39(10)：4270~4278

At present, the research on coal pollution emissions has focused on plain areas and has largely ignored mountainous areas.In this paper the mountainous region of Mentougou in Beijing was selected as the research study area as it has 98.5% of its area covered by mountains. A stereo model was constructed to extract a DEM (Digital Elevation Model) using forward-looking and backward-looking ZY-3 images. Classification and a regression tree model (CART) combined with an object-oriented method were used to extract residential areas from GF-2 remote sensing images. Imagery interpretation along with statistical records of the residential areas were used to derive a coefficient of burning coal in a mountainous area. A statistical model was then developed to estimate coal consumption in a mountain area. A literature search helped us to determine emission factors and to estimate the specific emissions of PM10, PM2.5, NO, SO2, and CO. With the help of remote sensing and a DEM this study demonstrates that the emission of coal-fired pollutants in mountainous areas can be measured efficiently and effectively. Terrain had a significant effect on coal combustion in winter. The derived coefficient of burning in a deep mountainous area was 12.5kg/m2while the shallow mountain area exhibited a value of 9.375kg/m2. In the mountain region of Mentougou in 2017 the area of coal-fired residential buildings was 5.68km2. The derived coefficient of burning in a deep mountainous area was 12.5kg/m2while the Shallow mountain area exhibited a value of 9.375kg/m2. The coal consumption was 0.0652 million tons in the winter, but the emission of air pollutants varied greatly among the towns in the mountainous areas.

digital elevation model (DEM)；remote sensing estimation；mountain areas；coal combustion；pollutant emission

X87

A

1000-6923(2019)10-4270-09

劉 爽(1995-),女,天津武清人,首都師范大學(xué)碩士研究生,主要從事遙感數(shù)據(jù)處理與應(yīng)用方面研究.

2019-03-18

國家重點研發(fā)計劃項目(2018YFC0706004,2018YFC0706000); National Key R&D Program of China(2016YFC0207903, 2016YFC0207904)

*責(zé)任作者, 教授, zhwenji1215@163.com;**高級工程師, lisss0502@ 163.com