許 珊,鄒 濱,胡晨霞

面向場(chǎng)景的城市PM2.5濃度空間分布精細(xì)模擬

許 珊,鄒 濱*,胡晨霞

(中南大學(xué)地球科學(xué)與信息物理學(xué)院,湖南 長(zhǎng)沙 410083)

針對(duì)傳統(tǒng)PM2.5濃度空間分布模擬方法忽略了城市內(nèi)部如道路、工廠、居民區(qū)、景區(qū)等不同微環(huán)境整體對(duì)PM2.5濃度影響機(jī)制的缺陷,本研究提出一種微環(huán)境PM2.5濃度場(chǎng)景分異的理論假設(shè),并以湖南長(zhǎng)沙主城區(qū)為例,結(jié)合基于污染先驗(yàn)知識(shí)劃分的城市微環(huán)境場(chǎng)景空間分布與自主設(shè)計(jì)加密觀測(cè)場(chǎng)獲取的203個(gè)監(jiān)測(cè)點(diǎn)小時(shí)PM2.5濃度加密數(shù)據(jù),分析城市微環(huán)境PM2.5濃度場(chǎng)景時(shí)空分異特征.在此基礎(chǔ)上,耦合地理加權(quán)回歸 (GWR) 與人工神經(jīng)網(wǎng)絡(luò) (ANN) 方法,構(gòu)建微環(huán)境場(chǎng)景增強(qiáng)下的PM2.5濃度空間分布精細(xì)模擬GWR-ANN模型,開(kāi)展城市內(nèi)部高空間分辨率PM2.5污染制圖.結(jié)果表明:不同微環(huán)境場(chǎng)景間PM2.5濃度存在顯著時(shí)空差異,地表覆蓋類型相同但分別位于2個(gè)不同場(chǎng)景的監(jiān)測(cè)點(diǎn)間PM2.5濃度差會(huì)隨時(shí)間發(fā)生變化;耦合微環(huán)境場(chǎng)景變量的GWR-ANN模型能夠有效精細(xì)模擬PM2.5濃度的空間分布,模型擬合效果與交叉檢驗(yàn)精度指標(biāo)整體優(yōu)于無(wú)場(chǎng)景變量參與的GWR-ANN模型(除部分時(shí)相較為接近外,檢驗(yàn)R: 0.76~0.84vs. 0.57~0.81);場(chǎng)景增強(qiáng)下的PM2.5濃度空間分布100m級(jí)分辨率模擬估算結(jié)果可以較好揭示研究區(qū)PM2.5濃度高低值局地變化特征.

PM2.5；污染制圖；場(chǎng)景假設(shè)；地理加權(quán)回歸；人工神經(jīng)網(wǎng)絡(luò)

PM2.5會(huì)影響大氣能見(jiàn)度,危害人體健康[1-3].中國(guó)作為超七成城市空氣質(zhì)量不達(dá)標(biāo)的PM2.5污染“重災(zāi)區(qū)”[4-5],已經(jīng)出臺(tái)了一系列空氣污染管控防治政策據(jù).了解PM2.5濃度時(shí)空分布特征是合理制定及實(shí)行相關(guān)防控措施的必要前提與先決條件.實(shí)踐證明,同樣的污染治理政策在不同城市效果有所差異[6],而城市內(nèi)部PM2.5濃度在不同的微環(huán)境場(chǎng)景(如居民小區(qū)、建筑工地、交通路口、校園、公園等)也存在差異[7-8],為推動(dòng)精準(zhǔn)“網(wǎng)格化”的防控治理決策,“因地制宜”地開(kāi)展污染防控,需要掌握高分辨率、街區(qū)尺度、小時(shí)級(jí)的精細(xì)PM2.5分布.

目前,我國(guó)大氣環(huán)境質(zhì)量監(jiān)測(cè)與評(píng)估主要依賴于地面固定監(jiān)測(cè)點(diǎn),但常規(guī)地面監(jiān)測(cè)站點(diǎn)較為稀疏,且分布不均,僅能反映站點(diǎn)周圍有限范圍內(nèi)污染狀況,難以揭示沒(méi)有監(jiān)測(cè)站點(diǎn)區(qū)域的PM2.5濃度變化特征[9].空間插值、大氣模式模擬、遙感估算、高級(jí)統(tǒng)計(jì)建模等PM2.5濃度的空間分布模擬技術(shù)在一定程度上彌補(bǔ)了這一缺陷,能夠在宏觀尺度上揭示PM2.5濃度的時(shí)空分異規(guī)律,為區(qū)域聯(lián)防聯(lián)控與治理決策提供科學(xué)支持[10-13].其中,高級(jí)統(tǒng)計(jì)建模耦合污染源排放與擴(kuò)散的相關(guān)要素,通過(guò)建立PM2.5濃度與相關(guān)因子的經(jīng)驗(yàn)統(tǒng)計(jì)模型估算未布設(shè)監(jiān)測(cè)點(diǎn)區(qū)域PM2.5濃度值,其數(shù)據(jù)獲取容易、建模方法靈活、適用性較廣,已成為模擬揭示大氣污染時(shí)空分異的常用手段[14].

按建模原理差異,現(xiàn)已報(bào)道的經(jīng)驗(yàn)統(tǒng)計(jì)模型主要包括線性回歸和非線性回歸兩類.線性回歸模型的典型代表是土地利用回歸(LUR)和地理加權(quán)回歸 (GWR),相較于LUR假定全局系數(shù)一致,GWR考慮了空間關(guān)系的非平穩(wěn)性特征,可以有效提高PM2.5濃度模擬精度[15-16].此后提出的時(shí)空地理加權(quán)回歸[17]和結(jié)構(gòu)時(shí)間自適應(yīng)回歸[18]等模型也都是以GWR為基礎(chǔ).而非線性回歸中,傳統(tǒng)方法有廣義可加模型和貝葉斯最大熵估計(jì)等[19-20].隨著人工智能技術(shù)的成熟發(fā)展,人工神經(jīng)網(wǎng)絡(luò)(ANN)和隨機(jī)森林(RF)等智能機(jī)器學(xué)習(xí)模型因其擅長(zhǎng)通過(guò)學(xué)習(xí)解決復(fù)雜問(wèn)題,具有較強(qiáng)的泛化能力,逐漸成為研究的熱點(diǎn)[21-22].其中,ANN具有較強(qiáng)的非線性擬合和并行分布處理能力,克服了傳統(tǒng)機(jī)器學(xué)習(xí)模型在處理非結(jié)構(gòu)化信息方面的缺陷,在PM2.5濃度模擬領(lǐng)域已經(jīng)有廣泛應(yīng)用[21,23-24].但ANN模型收斂緩慢,受學(xué)習(xí)網(wǎng)絡(luò)初始權(quán)值和閾值選擇影響,較易陷入局部最優(yōu)(過(guò)度擬合),因此,有研究嘗試結(jié)合遺傳算法(GA)全局尋優(yōu)的特性優(yōu)化ANN模型[25].

盡管國(guó)內(nèi)外學(xué)者圍繞PM2.5濃度精細(xì)模擬的研究已經(jīng)取得了豐碩的研究成果,時(shí)空分辨率也由年月際、公里尺度逐步向日變化和百米尺度發(fā)展.但目前研究往往忽略了地表覆蓋及其空間配置作為一個(gè)微環(huán)境場(chǎng)景整體對(duì)PM2.5濃度的影響機(jī)制,使得PM2.5濃度模擬難以突破分辨率與精度的同步提升.針對(duì)上述不足,本研究提出一種城市PM2.5濃度微環(huán)境場(chǎng)景理論假設(shè),并以湖南長(zhǎng)沙主城區(qū)為例,在基于先驗(yàn)知識(shí)獲取微環(huán)境場(chǎng)景空間分布的基礎(chǔ)上,通過(guò)布設(shè)加密觀測(cè)點(diǎn)分析城市微環(huán)境PM2.5濃度場(chǎng)景時(shí)空分異特征,進(jìn)而耦合GWR與ANN構(gòu)建場(chǎng)景增強(qiáng)下的城市PM2.5濃度精細(xì)模擬模型,開(kāi)展城市超高分辨率PM2.5濃度模擬,為我國(guó)大氣污染防控新形勢(shì)下城市內(nèi)部空氣質(zhì)量濃度的精細(xì)監(jiān)測(cè)與暴露風(fēng)險(xiǎn)規(guī)避提供科學(xué)依據(jù).

1 數(shù)據(jù)與方法

1.1 研究區(qū)概況

湖南省長(zhǎng)沙市主城區(qū)地處112°49′~113°14′E, 27°58′~28°24′N,總面積約920km2,因地勢(shì)東西高、中北低,冬季空氣污染顆粒物難以擴(kuò)散.研究區(qū)包含有山地(岳麓山)、河谷(湘江)等多種地貌,因城鎮(zhèn)化建設(shè)引起的建筑工地、揚(yáng)塵地表增多,且城市結(jié)構(gòu)復(fù)雜多樣等多種因素,造成PM2.5濃度空間異質(zhì)性較為明顯.

1.2 場(chǎng)景理論假設(shè)與劃分

PM2.5濃度的場(chǎng)景分異理論,指在社會(huì)功能、人群活動(dòng)及污染擴(kuò)散條件等地理環(huán)境配置皆相似的微環(huán)境場(chǎng)景內(nèi)PM2.5濃度差異較小,地理環(huán)境配置不相同的場(chǎng)景間PM2.5濃度差異較大;所處地表覆蓋類型相同但在不同場(chǎng)景時(shí)產(chǎn)生的PM2.5濃度貢獻(xiàn)也有所差異.

表1 場(chǎng)景劃分類型說(shuō)明

結(jié)合已有研究的污染先驗(yàn)知識(shí)[8],基于土地利用、興趣點(diǎn)數(shù)據(jù)與谷歌地圖在線服務(wù),兼顧污染源及人類活動(dòng)造成的PM2.5濃度潛在空間分異規(guī)律,結(jié)合地形及擴(kuò)散條件等因素,開(kāi)展城市微環(huán)境PM2.5場(chǎng)景人工判讀勾繪,最終將研究區(qū)劃分為9種場(chǎng)景類型,分別是道路、工廠、建筑區(qū)、教育醫(yī)療單位、景區(qū)、商業(yè)區(qū)、文體公共服務(wù)、住宅區(qū)和其他區(qū)域.具體定義及說(shuō)明見(jiàn)表1,研究區(qū)場(chǎng)景劃分結(jié)果如圖1所示.

圖1 研究區(qū)場(chǎng)景空間分布

1.3 PM2.5濃度加密觀測(cè)

1.3.1 觀測(cè)儀器 研究采用諾方SDL307激光監(jiān)測(cè)儀,其分辨率為0.1μg/m3,大小僅7.3cm×7.3cm×2cm,具有響應(yīng)快速、數(shù)據(jù)一致性較好的優(yōu)點(diǎn).為保證獲取數(shù)據(jù)質(zhì)量,分別對(duì)儀器在4個(gè)季節(jié)內(nèi)進(jìn)行室內(nèi)與室外為期一周的PM2.5濃度持續(xù)觀測(cè),通過(guò)剔除觀測(cè)值超過(guò)其他儀器平均值5%的儀器,從115臺(tái)儀器中挑選出86臺(tái)用于后續(xù)研究中的PM2.5濃度加密觀測(cè).同時(shí),為檢驗(yàn)SDL307監(jiān)測(cè)數(shù)據(jù)與國(guó)控點(diǎn)數(shù)據(jù)的一致性,從選出的86臺(tái)儀器中隨機(jī)選擇30臺(tái)分成3組并保持同等高度安置于3個(gè)國(guó)控點(diǎn)附近,在2015年12月20~22日、29~31日的08:00~20:00時(shí)段進(jìn)行PM2.5濃度同步觀測(cè).結(jié)果表明SDL307與國(guó)控點(diǎn)PM2.5小時(shí)濃度的決定系數(shù)在2個(gè)時(shí)段分別是0.89和0.90, 均方根誤差分別為5.63,5.94μg/m3, SDL307監(jiān)測(cè)結(jié)果基本可靠[26].

1.3.2 觀測(cè)點(diǎn)布設(shè) 首先基于劃分的場(chǎng)景空間分布,保證每個(gè)場(chǎng)景內(nèi)有一個(gè)加密觀測(cè)點(diǎn).然后,參考PM2.5監(jiān)測(cè)點(diǎn)布設(shè)原則[27],基于包含工礦企業(yè)、車站、醫(yī)院、學(xué)校等多種類型的8萬(wàn)多條興趣點(diǎn),綜合考慮研究區(qū)自然地理、氣象條件及空氣污染排放源特征,利用空間疊置、緩沖區(qū)分析等方法,對(duì)潛在污染嚴(yán)重區(qū)域適當(dāng)增加觀測(cè)點(diǎn),適當(dāng)剔除污染源較少地區(qū)觀測(cè)點(diǎn),同時(shí)保證不同梯度污染區(qū)及對(duì)照觀測(cè)點(diǎn)的數(shù)量,最終選取代表性較好、對(duì)照性較強(qiáng)的203個(gè)加密觀測(cè)點(diǎn),具體分布如圖2所示.

圖2 研究區(qū)PM2.5加密觀測(cè)站點(diǎn)分布

1.3.3 PM2.5濃度采集與數(shù)據(jù)預(yù)處理 PM2.5濃度數(shù)據(jù)采集時(shí)間為2015年12月24日08:00~13:00、25日13:00~19:00.通過(guò)征集86名志愿者手持儀器在離地約2m的高度采集PM2.5濃度數(shù)據(jù);每個(gè)監(jiān)測(cè)點(diǎn)每小時(shí)內(nèi)重復(fù)觀測(cè)3~4次,每次持續(xù)3min.觀測(cè)數(shù)據(jù)結(jié)果通過(guò)手機(jī)APP,與地理坐標(biāo)同步上傳至數(shù)據(jù)庫(kù)進(jìn)行實(shí)時(shí)存儲(chǔ).通過(guò)異常數(shù)據(jù)剔除、地理坐標(biāo)校正以及均值化處理得到最終各站點(diǎn)PM2.5小時(shí)濃度.根據(jù)數(shù)據(jù)采集時(shí)段的國(guó)控點(diǎn)污染情景,將PM2.5濃度數(shù)據(jù)分為輕度(24日)、重度(25日)2種污染情景進(jìn)行分析.輕度污染情景下,08:00~13:00的PM2.5小時(shí)濃度整體均值依次為69.7, 73.0, 73.1, 74.1, 76.4,和77.7μg/m3,重度污染情景下,13:00~19:00的PM2.5小時(shí)濃度整體均值依次為174.4, 167.9, 165.9, 165.8, 162.7, 167.7, 171.9, 176.4μg/m3.

1.4 場(chǎng)景增強(qiáng)下的GWR-ANN模型構(gòu)建

綜合考慮影響因子對(duì)PM2.5濃度變化的空間異質(zhì)性和非線性關(guān)系,本研究首先基于污染源相關(guān)變量構(gòu)建GWR模型;然后,以GWR模型殘差為輸出層,以污染擴(kuò)散相關(guān)與場(chǎng)景因子為輸入層,構(gòu)建ANN模型,實(shí)現(xiàn)GWR與ANN耦合,其基本框架如圖3所示.

圖3 GWR-ANN模型框架

1.4.1 建模變量提取與篩選 研究用于構(gòu)建模型的因變量是PM2.5濃度加密觀測(cè)數(shù)據(jù),自變量包括與污染源相關(guān)的土地利用/覆蓋、交通道路、揚(yáng)塵地表和工礦企業(yè)數(shù)據(jù),以及與污染擴(kuò)散相關(guān)的氣象要素、污染源風(fēng)向指數(shù)和微環(huán)境場(chǎng)景類型.土地利用/覆蓋與揚(yáng)塵地表數(shù)據(jù)來(lái)自湖南省國(guó)土資源信息中心.其中,土地利用/覆蓋按研究需求重分類為耕地、高密度林區(qū)、低密度林區(qū)、高密度住宅區(qū)、低密度住宅區(qū)、水域、城市綠地和其他建筑區(qū)8類.道路矢量數(shù)據(jù)來(lái)自國(guó)家基礎(chǔ)地理信息中心(http://ngcc.sbsm.gov.cn),包含高速公路、國(guó)道、省道及其它道路.工礦企業(yè)數(shù)據(jù)來(lái)自地理國(guó)情監(jiān)測(cè)云平臺(tái)(http://www.dsac.cn/ ServiceCase/Detail/10502)提供的興趣點(diǎn)數(shù)據(jù).通過(guò)計(jì)算PM2.5監(jiān)測(cè)站點(diǎn)50、100、200、500、1000、1500、2000、2500和3000m緩沖區(qū)內(nèi)的各土地利用/覆蓋類型、揚(yáng)塵地表面積占比,道路長(zhǎng)度以及工礦企業(yè)數(shù)量提取污染源相關(guān)變量.氣象數(shù)據(jù)來(lái)源于中國(guó)氣象局氣象數(shù)據(jù)中心(http://data.cma.cn/).選取了研究區(qū)2015年12月24~25日平均氣壓、平均相對(duì)濕度、平均氣溫、平均風(fēng)速、1h最大風(fēng)速和風(fēng)向的小時(shí)值數(shù)據(jù).落在研究區(qū)內(nèi)的氣象站點(diǎn)僅5個(gè),參考相關(guān)研究[18],采取反距離加權(quán)插值獲取各要素空間分布并利用ArcGIS的提取值到點(diǎn)工具提取PM2.5監(jiān)測(cè)站點(diǎn)對(duì)應(yīng)氣壓、相對(duì)濕度、氣溫、平均風(fēng)速以及1h最大風(fēng)速值.微環(huán)境場(chǎng)景類型變量采用啞元變量表示.污染源風(fēng)向系數(shù)參考文獻(xiàn)[28],按照式(1)計(jì)算:

Wind index = (1-cos()) / 2 (1)

式中:表示交通、揚(yáng)塵地表和工礦企業(yè)3種污染源到PM2.5濃度監(jiān)測(cè)站點(diǎn)的歐氏方向;取距離PM2.5濃度監(jiān)測(cè)站點(diǎn)最近的氣象站盛行風(fēng)方向?yàn)樵摫O(jiān)測(cè)點(diǎn)盛行風(fēng)方向.風(fēng)向指數(shù)取值范圍為0~1,0代表PM2.5濃度監(jiān)測(cè)點(diǎn)在最近污染源的上風(fēng)向,1代表PM2.5濃度監(jiān)測(cè)點(diǎn)在最近污染源的下風(fēng)向.

采用向前引入法對(duì)提取的變量進(jìn)行篩選,其基本思想是:將候選自變量逐個(gè)引入回歸方程,進(jìn)行回歸系數(shù)的顯著性檢驗(yàn),決定取舍,依次類推,直至在排除了已選入變量對(duì)因變量的影響之后,未選入自變量對(duì)因變量的回歸系數(shù)的顯著性檢驗(yàn)結(jié)果都不顯著為止.本研究篩選GWR變量的過(guò)程分為3步:第一步,基于相關(guān)性分析,剔除顯著性-value>0.01的變量;第二步,進(jìn)行共線性檢驗(yàn),剔除VIF>10的變量;第三步,將經(jīng)過(guò)以上2步剔除后的剩余變量利用向前引入法逐個(gè)引入,選擇AIC值最小、調(diào)整R最高的變量組合,參與最終的模型構(gòu)建.

1.4.2 GWR模型構(gòu)建 GWR模型是傳統(tǒng)多元線性回歸的拓展,通過(guò)結(jié)合樣本點(diǎn)地理位置,局部線性回歸得到每個(gè)樣本點(diǎn)的回歸系數(shù),具有可解釋PM2.5濃度及影響因子的空間變異關(guān)系的能力[16].在監(jiān)測(cè)點(diǎn)處的GWR模型可用式(2)表示:

y=0(u,v) + ∑=1β(u,v)x+ε(2)

式中:y表示因變量,本研究中指監(jiān)測(cè)點(diǎn)的PM2.5濃度;(u,v)指監(jiān)測(cè)點(diǎn)的地理坐標(biāo);0(u,v)與β(u, v)分別表示監(jiān)測(cè)點(diǎn)的截距與第個(gè)回歸系數(shù);ε是隨機(jī)誤差.

根據(jù)加權(quán)最小二乘法原理,在監(jiān)測(cè)點(diǎn)的回歸系數(shù)a可通過(guò)式(3)得到:

a=min∑=1w(y?β0?∑=1βx)2(3)

式中:w為權(quán)函數(shù),是監(jiān)測(cè)點(diǎn)與其相鄰的某個(gè)觀測(cè)點(diǎn)之間距離的單調(diào)遞減函數(shù).本研究采用高斯權(quán)函數(shù):

w=exp [?(d/)2] (4)

式中:d為監(jiān)測(cè)點(diǎn)與其相鄰的某個(gè)觀測(cè)點(diǎn)之間的歐式距離;為帶寬,是空間權(quán)重與距離之間的一種函數(shù)關(guān)系.本研究采用自適應(yīng)權(quán)函數(shù)帶寬優(yōu)化方法和Akaike信息量準(zhǔn)則(AIC)確定最優(yōu)帶寬.

1.4.3 ANN模型構(gòu)建 ANN模型是一種仿生物神經(jīng)網(wǎng)絡(luò)特點(diǎn)進(jìn)行信息處理的模型,依據(jù)學(xué)習(xí)算法的不同可分為多種類型.其中,BP神經(jīng)網(wǎng)絡(luò)是一種按誤差逆?zhèn)鞑ニ惴ㄓ?xùn)練的前饋神經(jīng)網(wǎng)絡(luò),因其算法簡(jiǎn)單、無(wú)需提前揭示描述映射關(guān)系的數(shù)學(xué)模型及較好的訓(xùn)練效果,而成為目前使用較多的一種神經(jīng)網(wǎng)絡(luò)模型[24].因此,本研究采取BP神經(jīng)網(wǎng)絡(luò)模型參與場(chǎng)景增強(qiáng)下的PM2.5濃度時(shí)空精細(xì)模型構(gòu)建.BP神經(jīng)網(wǎng)絡(luò)包含輸入層、隱含層和輸出層,層間神經(jīng)元通過(guò)權(quán)連接,同一層內(nèi)神經(jīng)元之間無(wú)數(shù)據(jù)信息交流.輸入數(shù)據(jù)通過(guò)輸入層神經(jīng)元,經(jīng)傳遞函數(shù)轉(zhuǎn)換后傳遞到隱含層,再由隱含層通過(guò)激活函數(shù)放大后傳遞到輸出層并輸出.當(dāng)實(shí)際誤差超出期望誤差時(shí),誤差值沿網(wǎng)絡(luò)反向傳播修改各神經(jīng)元之間的連接權(quán)值和閾值,重復(fù)訓(xùn)練網(wǎng)絡(luò)直到滿足期望誤差,以此確定輸入數(shù)據(jù)與輸出數(shù)據(jù)之間的映射關(guān)系.

本研究BP神經(jīng)網(wǎng)絡(luò)隱含層神經(jīng)元傳遞函數(shù)采用S型tansig正切函數(shù)(式(5)),輸出層神經(jīng)元傳遞函數(shù)采用S型logsig變換函數(shù)(式(6)).

()2/(1+e2x) ?1 (5)

()1/(1+e) (6)

式中:表示對(duì)該神經(jīng)元的輸入.

輸入與輸出層神經(jīng)元個(gè)數(shù)分別是自變量與因變量個(gè)數(shù).隱含層神經(jīng)元個(gè)數(shù)根據(jù)式(7)確定:

= 2+(7)

式中:表示隱含層神經(jīng)元個(gè)數(shù);、分別表示輸入層、輸出層神經(jīng)元個(gè)數(shù).

訓(xùn)練函數(shù)采用L-M(Levenberg-Marquardt)法, L-M算法是擬牛頓法的改進(jìn)算法,其效率高且計(jì)算量小.為克服BP神經(jīng)網(wǎng)絡(luò)收斂性較差、極易受初始權(quán)值和閾值選擇的影響、容易陷入局部最優(yōu)的局限性,本文利用GA的全局尋優(yōu)特性,找出可以使BP神經(jīng)網(wǎng)絡(luò)得到最優(yōu)解的初始權(quán)值和閾值,應(yīng)用到BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)訓(xùn)練中,最終得到最優(yōu)的模擬結(jié)果[25]. GA優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的要素包括:種群初始化、適應(yīng)度函數(shù)、選擇算子、交叉算子和變異算子.本文的GA優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的運(yùn)行參數(shù)如表2所示:

表2 GA優(yōu)化BP神經(jīng)網(wǎng)絡(luò)運(yùn)行參數(shù)設(shè)定

1.4.4 模型精度評(píng)價(jià) 采用十折交叉驗(yàn)證檢驗(yàn)?zāi)Ｐ头€(wěn)定性及泛化能力.交叉驗(yàn)證的精度評(píng)價(jià)指標(biāo)包括PM2.5濃度的模型估算值與實(shí)測(cè)值的擬合優(yōu)度2、調(diào)整2、相對(duì)誤差()、均相對(duì)誤差(MRE:檢驗(yàn)樣本相對(duì)誤差的均值)和均方根誤差(RMSE).其中,2和調(diào)整2取值范圍為0~1,其值越接近1表示模型擬合效果越好;MRE和RMSE代表模型預(yù)測(cè)濃度偏離實(shí)際觀測(cè)濃度的程度,、MRE和RMSE值越小表示模型檢驗(yàn)精度越高.

2 結(jié)果與討論

2.1 城市PM2.5濃度的場(chǎng)景特異性

2.1.1 整體特征 城市不同類型微環(huán)境場(chǎng)景下PM2.5濃度統(tǒng)計(jì)情況如表3所示.各場(chǎng)景間PM2.5濃度具有明顯差異,輕度污染情景下場(chǎng)景間濃度差異較小,而重度污染情景下差異較大.輕度污染情景下,商業(yè)區(qū)場(chǎng)景的PM2.5濃度均值最高而其他區(qū)域場(chǎng)景類型最低,分別為78.8,65.0μg/m3.但后者標(biāo)準(zhǔn)差最大,為19.5μg/m3,教育醫(yī)療單位場(chǎng)景標(biāo)準(zhǔn)差則最小,為11.6μg/m3.重度污染情景下, PM2.5濃度均值最高和最低的場(chǎng)景類型分別為建筑區(qū)與景區(qū),其值分別為176.3與157.3μg/m3.建筑區(qū)場(chǎng)景的PM2.5濃度標(biāo)準(zhǔn)差值最大,為25.9μg/m3,其他區(qū)域場(chǎng)景類型最小,為8.7μg/m3.

2.1.2 時(shí)間變化規(guī)律 各微環(huán)境場(chǎng)景內(nèi)PM2.5濃度均值的逐小時(shí)變化情況如圖4所示.總體而言,在輕度污染情景下, 08:00~13:00,道路、工廠、建筑區(qū)、文體公共服務(wù)和住宅區(qū)內(nèi)PM2.5濃度隨時(shí)間的變化大致呈現(xiàn)遞增趨勢(shì);教育醫(yī)療單位、景區(qū)、商業(yè)區(qū)和其他區(qū)域場(chǎng)景則不同,前三類場(chǎng)景12:00時(shí)的PM2.5濃度小時(shí)均值均高于13:00,其他區(qū)域場(chǎng)景08:00的PM2.5濃度高于09:00.重度污染情景下,道路、景區(qū)和文體公共服務(wù)的PM2.5濃度逐小時(shí)變化呈現(xiàn)U型, PM2.5濃度高峰值主要出現(xiàn)在交通午高峰和晚高峰;工廠場(chǎng)景在14:00時(shí)的PM2.5濃度高于13:00;建筑區(qū)場(chǎng)景的PM2.5濃度低谷值出現(xiàn)在15:00;教育醫(yī)療單位場(chǎng)景的PM2.5濃度晚高峰出現(xiàn)在18:00;商業(yè)區(qū)場(chǎng)景內(nèi),PM2.5濃度自14:00緩慢上升至16:00后略有下降,17:00再次上升;其他區(qū)域場(chǎng)景在18:00時(shí)濃度最大,住宅區(qū)場(chǎng)景濃度谷值出現(xiàn)在16:00.

表3 各場(chǎng)景PM2.5濃度均值(μg/m3)和標(biāo)準(zhǔn)差統(tǒng)計(jì)結(jié)果

進(jìn)一步分析可知,每個(gè)小時(shí)PM2.5濃度場(chǎng)景特異性存在顯著差異.在輕度污染情景下,08:00時(shí)PM2.5濃度高值出現(xiàn)在道路場(chǎng)景內(nèi),其他類型場(chǎng)景內(nèi)濃度均值較為接近; 09:00~10:00,商業(yè)區(qū)場(chǎng)景濃度最高; 11:00與12:00時(shí)教育醫(yī)療單位和商業(yè)區(qū)場(chǎng)景PM2.5濃度最高;13:00時(shí),道路場(chǎng)景內(nèi)PM2.5濃度均值大幅升高,其他區(qū)域場(chǎng)景在時(shí)段內(nèi)污染濃度始終最低. 分析原因,該時(shí)段研究區(qū)污染源以本地機(jī)動(dòng)車尾氣為主,早午高峰時(shí)期道路易擁堵,污染容易加劇,而商業(yè)與教育醫(yī)療場(chǎng)景均為人、車流量較大區(qū)域,且觀測(cè)時(shí)段內(nèi)以陰雨天氣為主,濕度較大,污染不易擴(kuò)散.其他區(qū)域場(chǎng)景地表覆蓋以污染源較少的水域、耕地等為主,其PM2.5濃度因而相對(duì)較低.在重度污染情景下,13:00~15:00時(shí),PM2.5濃度始終在住宅區(qū)場(chǎng)景最高;16:00時(shí)商業(yè)區(qū)場(chǎng)景最高;至17:00,住宅區(qū)與建筑區(qū)場(chǎng)景PM2.5濃度顯著升高,成為最高值場(chǎng)景,18:00~ 19:00,建筑區(qū)場(chǎng)景PM2.5濃度遠(yuǎn)高于其他類型;景區(qū)與工廠場(chǎng)景在時(shí)段內(nèi)污染濃度始終較低. 這可能是因?yàn)榫皡^(qū)植被覆蓋率高、一定范圍內(nèi)污染源少,而研究區(qū)以輕工業(yè)和高新技術(shù)產(chǎn)業(yè)為主,污染排放相對(duì)重工業(yè)城市較少,且工業(yè)園附近通常地勢(shì)開(kāi)闊,高層建筑較少,對(duì)污染擴(kuò)散的阻擋作用較小.傍晚建筑區(qū)污染濃度的顯著升高可能是由于逆溫層的出現(xiàn)阻礙了建筑揚(yáng)塵的擴(kuò)散.

2.1.3 同地表異場(chǎng)景PM2.5濃度差異 選取地表覆蓋類型同為道路但分別屬于建筑區(qū)和景區(qū)場(chǎng)景的2個(gè)監(jiān)測(cè)點(diǎn),統(tǒng)計(jì)分析2個(gè)點(diǎn)處PM2.5濃度差,結(jié)果如表4所示.地表覆蓋類型相同但所屬場(chǎng)景不同的2個(gè)監(jiān)測(cè)點(diǎn)處PM2.5濃度可能存在較大差異且差異大小隨時(shí)間變化.在輕度污染情景下,08:00~09:00時(shí), 2個(gè)監(jiān)測(cè)點(diǎn)PM2.5濃度差最大,分別為42,44μg/m3, 09:00~13:00時(shí),2個(gè)監(jiān)測(cè)點(diǎn)PM2.5濃度差持續(xù)減小至18μg/m3,尤其在09:00~11:00,濃度差下降急劇,11:00~13:00開(kāi)始趨于平緩.重度污染情景下,兩監(jiān)測(cè)點(diǎn)處PM2.5濃度差的變化趨勢(shì)與輕度污染情景正好相反. 13:00~14:00時(shí)2個(gè)監(jiān)測(cè)點(diǎn)處的PM2.5濃度差稍有下降,分別為34, 23μg/m3; 14:00~19:00呈增長(zhǎng)趨勢(shì),14:00~17:00緩慢增長(zhǎng)至42μg/m3,17:00~19:00急劇升高達(dá)到110μg/m3.綜合以上結(jié)果可知,基于先驗(yàn)知識(shí)劃分的場(chǎng)景分布能夠在一定程度上體現(xiàn)污染的場(chǎng)景差異,但此種差異隨著污染情景和時(shí)間的不同而變化,要掌握城市PM2.5濃度場(chǎng)景特異性的分異規(guī)律仍需要更長(zhǎng)時(shí)序與更高密度的污染觀測(cè).

表4 同地表覆蓋不同場(chǎng)景監(jiān)測(cè)點(diǎn)PM2.5濃度差

2.2 場(chǎng)景增強(qiáng)下的GWR-ANN模型

2.2.1 GWR模型結(jié)果 輕度和重度污染情景下, PM2.5濃度小時(shí)GWR模型構(gòu)建結(jié)果如表5所示.可知每小時(shí)PM2.5濃度GWR模型的預(yù)測(cè)變量在類型和尺度上均有所差異,但高密住宅區(qū)面積占比和道路密度變量對(duì)于PM2.5濃度預(yù)測(cè)有重要作用.

輕度污染情景下,除09:00外,其他5h的GWR最優(yōu)模型的預(yù)測(cè)變量均含有住宅區(qū)面積占比.08:00時(shí)PM2.5濃度GWR最優(yōu)模型的預(yù)測(cè)變量是緩沖區(qū)半徑2500m內(nèi)的低密度住宅區(qū)面積占比和3000m范圍內(nèi)其他建筑區(qū)面積占比. 09:00時(shí)為揚(yáng)塵地表面積占比.10:00~13:00時(shí)GWR最優(yōu)模型的預(yù)測(cè)變量皆含高密住宅區(qū)面積占比,但10:00和11:00的緩沖區(qū)半徑為200m,12:00時(shí)為100m,13:00時(shí)為500m,且13:00的變量還有緩沖區(qū)半徑為3000m的低密度住宅區(qū)面積占比.輕度污染情景下的GWR最優(yōu)模型調(diào)整2介于0.54~0.82,12:00時(shí)模型調(diào)整2最低而09:00時(shí)最高.

重度污染情景下,除18:00時(shí)外,其他6h的GWR最優(yōu)模型預(yù)測(cè)變量均含有道路密度,其中13:00~ 17:00緩沖區(qū)半徑均為500m,16:00的模型預(yù)測(cè)變量還包含低密度林地面積占比.18:00的GWR最優(yōu)模型預(yù)測(cè)變量?jī)H有低密度林地面積占比.19:00的GWR最優(yōu)模型預(yù)測(cè)變量較多,包含高密度林地面積占比、低密度住宅區(qū)面積占比和緩沖區(qū)半徑為300m的道路密度3個(gè)預(yù)測(cè)變量.重度污染情景下的GWR最優(yōu)模型調(diào)整R范圍為0.42~0.77,18:00時(shí)最低, 14:00和15:00時(shí)最高.

2.2.2 GWR-ANN模型結(jié)果 表6為每小時(shí)GWR-ANN模型擬合效果2、MRE和RMSE結(jié)果.總體而言,有場(chǎng)景參與模型構(gòu)建的逐小時(shí)GWR- ANN模型擬合效果優(yōu)于無(wú)場(chǎng)景參與模型,其擬合2更高,MRE與RMSE更低.其中,前者擬合2介于0.89~0.99,MRE介于0.67%~6.49%之間,平均為2.39%,RMSE介于1.63~5.55μg/m3之間,平均為3.28μg/m3,后者擬合2范圍為0.83~0.98,MRE則介于0.76%~7.65%之間,平均為3.26%, RMSE介于2.16~7.94μg/m3之間,平均為4.46μg/m3.

表5 GWR最優(yōu)模型構(gòu)建結(jié)果

注:LR_2500、Oth_3000分別代表監(jiān)測(cè)站點(diǎn)2500m、3000m緩沖區(qū)內(nèi)低密度住宅區(qū)、其他建筑區(qū)面積占比;Yca_1500代表監(jiān)測(cè)站點(diǎn)1500m緩沖區(qū)內(nèi)揚(yáng)塵地表面積占比;HR_200、HR_100、HR_500分別代表監(jiān)測(cè)站點(diǎn)200、100、500m緩沖區(qū)內(nèi)的高密度住宅區(qū)面積占比;LR_3000代表監(jiān)測(cè)站點(diǎn)3000m緩沖區(qū)內(nèi)低密度住宅區(qū)面積占比;Roa_500、Roa_300分別代表監(jiān)測(cè)站點(diǎn)500、300m緩沖區(qū)內(nèi)道路密度;LF_3000代表監(jiān)測(cè)站點(diǎn)3000m緩沖區(qū)內(nèi)低密度林地面積占比;HF_1000代表監(jiān)測(cè)站點(diǎn)1000m緩沖區(qū)內(nèi)高密度林地面積占比.

從不同污染情景來(lái)看,重度污染情景下的有場(chǎng)景模型擬合效果整體優(yōu)于輕度污染情景.輕度污染情景下,PM2.5濃度有場(chǎng)景GWR~ANN模型擬合2介于0.89~0.98之間,平均為0.95,MRE介于2.07%~ 6.49%之間,平均為3.75%,RMSE介于2.11~5.55μg/ m3之間,平均為3.51μg/m3.重度污染情景下,擬合2介于0.95~0.99之間,平均為0.97,MRE介于0.67%~ 1.99%之間,平均為1.22%,RMSE介于1.63~ 5.02μg/m3之間,平均為3.08μg/m3.

表6 有無(wú)場(chǎng)景參與建模時(shí)的GWR-ANN模型擬合效果

圖5為每小時(shí)GWR-ANN模型十折交叉檢驗(yàn)PM2.5濃度預(yù)測(cè)值與實(shí)測(cè)值散點(diǎn)圖.有場(chǎng)景參與模型的檢驗(yàn)2、MRE、RMSE結(jié)果整體上優(yōu)于無(wú)場(chǎng)景模型.有場(chǎng)景模型檢驗(yàn)2范圍為0.59~0.84,MRE介于2.78%~9.10%,平均為5.79%, RMSE介于6.03~12.97μg/m3,平均為8.19μg/m3,無(wú)場(chǎng)景模型檢驗(yàn)2則介于0.57~0.81, MRE介于3.15%~10.47%,平均為6.21%, RMSE介于6.41~14.08μg/m3,平均為8.81μg/m3.除輕度污染情景下09:00和12:00、重度污染情景下13:00和19:00外,其他9個(gè)小時(shí)的有場(chǎng)景參與模型構(gòu)建的檢驗(yàn)2均高于無(wú)場(chǎng)景模型(0.76~0.84vs.0.57~0.81),MRE(2.78%~9.10% vs.3.15%~10.47%)與RMSE(6.03~9.31μg/m3vs. 6.41~14.08μg/m3)則更低.

圖5 交叉驗(yàn)證有/無(wú)場(chǎng)景參與GWR-ANN模型PM2.5濃度預(yù)測(cè)值與實(shí)測(cè)值散點(diǎn)

從不同污染情景來(lái)看,重度污染情景下的有場(chǎng)景模型檢驗(yàn)效果優(yōu)于輕度污染情景.輕度污染情景下,PM2.5濃度有場(chǎng)景GWR-ANN模型檢驗(yàn)2介于0.59~0.82之間,平均為0.75,MRE介于6.98%~9.10%之間,平均為8.32%,RMSE介于6.87~9.33μg/m3之間,平均為7.74μg/m3.重度污染情景下,檢驗(yàn)2介于0.67~0.84之間,平均為0.79,MRE介于2.78%~5.08%之間,平均為3.62%,RMSE介于6.03~12.97μg/m3之間,平均為8.58μg/m3.這與重度污染情景下城市PM2.5濃度的場(chǎng)景間差異更為顯著的結(jié)論一致,進(jìn)一步表明城市微環(huán)境場(chǎng)景的污染特征會(huì)隨著污染情景的不同而發(fā)生改變.但通過(guò)對(duì)比模型擬合與檢驗(yàn)2可知,GWR-ANN模型存在一定過(guò)擬合現(xiàn)象,通過(guò)加入更符合實(shí)際狀況的動(dòng)態(tài)變化的場(chǎng)景變量以及時(shí)間變量、污染情景變量等,或引入其他方法改進(jìn)優(yōu)化模型,提高模型的泛化能力仍有待進(jìn)一步的研究.

2.3 PM2.5濃度空間分異特征

圖6為輕度和重度污染情景下利用場(chǎng)景增強(qiáng)的GWR-ANN模型對(duì)長(zhǎng)沙市主城區(qū)100m×100m格網(wǎng)點(diǎn)PM2.5濃度進(jìn)行估算,得到的超高空間分辨率PM2.5濃度逐時(shí)空間分布圖.可以看到PM2.5濃度空間分布特征隨著時(shí)間發(fā)生差異較大的變化.

圖6 場(chǎng)景增強(qiáng)下的GWR-ANN模型預(yù)測(cè)PM2.5濃度空間分布

輕度污染情景下,PM2.5濃度在08:00~13:00整體呈現(xiàn)西北高-東部低的階梯變化趨勢(shì).此外,各小時(shí)PM2.5濃度高低值格局也隨著時(shí)間發(fā)生演變,表現(xiàn)為高值區(qū)域范圍大小及PM2.5濃度值的變化.具體來(lái)說(shuō),相較于08:00,09:00時(shí)PM2.5濃度高值區(qū)由西北角擴(kuò)散到研究區(qū)北部,并且在西北高值區(qū)域出現(xiàn)了小范圍PM2.5濃度低值區(qū)域;10:00與11:00研究區(qū)整體呈現(xiàn)差異較為緩和的西北高-東部低的三級(jí)階梯變化特征;在交通午高峰時(shí)期的12:00,PM2.5濃度低值區(qū)幾乎消失,直至13:00,在東部和南部出現(xiàn)了PM2.5濃度低值區(qū).西北地區(qū)PM2.5濃度整體偏高的主要原因可能是該區(qū)域城市建設(shè)活動(dòng)頻繁,建筑揚(yáng)塵較多,加之監(jiān)測(cè)時(shí)段以陰雨天氣為主相對(duì)濕度較大使得地表濃度升高.

相對(duì)于輕度污染情景下的PM2.5濃度高低值區(qū)域較為固定無(wú)明顯差異,重度污染情景下的PM2.5濃度空間分布格局隨時(shí)間的變化較為明顯.13:00~ 19:00,在研究區(qū)西南角均有一個(gè)呈狹窄長(zhǎng)條狀的PM2.5濃度高值區(qū)域,其他PM2.5濃度高值區(qū)則主要在研究區(qū)東北部-東南部-中部發(fā)生變化.相較于13:00時(shí)PM2.5濃度東北高-西南低的整體特征,14:00研究區(qū)整體PM2.5濃度較低,東北部高值區(qū)消失,研究區(qū)南部出現(xiàn)了低值區(qū);直至17:00,區(qū)域PM2.5濃度趨勢(shì)整體一致,除16:00在北部與東北邊緣處出現(xiàn)較低值;18:00,受交通晚高峰影響,除在研究區(qū)北部、東北部和西部出現(xiàn)小范圍低值區(qū)外,研究區(qū)整體PM2.5濃度較高;至19:00,PM2.5濃度高值區(qū)轉(zhuǎn)移到研究區(qū)中部.西南角的窄長(zhǎng)條狀的PM2.5濃度高值區(qū)域可能是由于該區(qū)域?yàn)槲鞫h(huán)、南二環(huán)以及猴子石大橋連接處,交通狀況較差,常出現(xiàn)擁堵現(xiàn)象.

以上結(jié)果表明場(chǎng)景增強(qiáng)下的GWR-ANN模型能夠較好地揭示城市內(nèi)部小時(shí)PM2.5濃度的空間差異,然而,由于加密觀測(cè)成本高、數(shù)據(jù)傳輸技術(shù)難度大等困難,本研究?jī)H在長(zhǎng)沙市主城區(qū),針對(duì)主要污染物PM2.5開(kāi)展了2個(gè)污染情景下時(shí)間較短的小時(shí)尺度加密觀測(cè)與場(chǎng)景增強(qiáng)下的GWR-ANN建模.但值得注意的是,不同時(shí)間分辨率下大氣污染的場(chǎng)景特異性可能存在差別,場(chǎng)景對(duì)于污染濃度空間模擬精度的提升作用也會(huì)有所差異,隨著低成本傳感器與無(wú)線傳輸技術(shù)的進(jìn)一步發(fā)展,未來(lái)在基于長(zhǎng)時(shí)間序列高密觀測(cè)的基礎(chǔ)上掌握城市大氣污染濃度場(chǎng)景特異性的時(shí)間分異規(guī)律,進(jìn)而實(shí)現(xiàn)面向場(chǎng)景理解的多尺度城市大氣濃度空間分布高精度模擬仍有待更為深入的研究.

3 結(jié)論

3.1 不同場(chǎng)景PM2.5濃度存在顯著時(shí)空差異,地表覆蓋類型相同但分別位于2個(gè)不同場(chǎng)景的監(jiān)測(cè)點(diǎn)間PM2.5濃度差隨時(shí)間發(fā)生變化,各時(shí)相濃度差范圍為18~110μg/m3.

3.2 微環(huán)境場(chǎng)景增強(qiáng)下的GWR-ANN模型能夠有效精細(xì)模擬PM2.5濃度的空間分布,模型擬合效果與交叉檢驗(yàn)精度指標(biāo)整體優(yōu)于無(wú)場(chǎng)景變量參與的GWR-ANN模型.各時(shí)相模型擬合2范圍分別為0.89~0.99與0.83~0.98,檢驗(yàn)2除部分時(shí)相較為接近外, 范圍分別為0.76~0.84和0.57~0.81.

3.3 場(chǎng)景增強(qiáng)下的PM2.5濃度空間分布100m級(jí)分辨率模擬估算結(jié)果可以較好揭示研究區(qū)PM2.5濃度高低值局地變化特征,輕度污染情景整體西北高,東部低,重度污染情景空間格局隨時(shí)間變化特征顯著.

[1] 楊復(fù)沫,馬永亮.細(xì)微大氣顆粒物PM2.5及其研究概況[J]. 世界環(huán)境, 2000,4:32-34. Yang F M, Ma Y L. A brief introduction to PM2.5and related research [J]. World Environment, 2000,4:32-34.

[2] Zou B, You J, Lin Y, et al. Air pollution intervention and life-saving effect in China [J]. Environment International, 2019,125:529-541.

[3] Cohen A J, Brauer M, Burnett R, et al. Estimates and 25-year trends of the global burden of disease attributable to ambient air pollution: an analysis of data from the Global Burden of Diseases Study 2015 [J]. The Lancet, 2017,389(10082):1907-1918.

[4] 中華人民共和國(guó)生態(tài)環(huán)境部.2017中國(guó)生態(tài)環(huán)境狀況公報(bào)[EB/OL]. http://www.mee.gov.cn/hjzl/zghjzkgb/lnzghjzkgb/201805/ P020180531534645032372.pdf, 2018-05-31/2018-11-12. Ministry of Ecology and Environment of the People’s Republic of China, Communique of the People's Republic of China on the 2017national ecological and environmental state [EB/OL]. http://www. mee.gov.cn/hjzl/zghjzkgb/lnzghjzkgb/201805/P020180531534645032372.pdf, 2018-05-31/2018-11-12.

[5] World Health Organization, World Health Statistics 2018: Monitoring health for the SDGs, sustainable development goals [EB/OL]. https: //apps.who.int/iris/bitstream/handle/10665/272596/9789241565585-eng.pdf?ua=1, 2018-06-06/2018-11-12.

[6] 易 蘭,周憶南,李朝鵬,等.城市機(jī)動(dòng)車限行政策對(duì)霧霾污染治理的成效分析[J]. 中國(guó)人口·資源與環(huán)境, 2018,28(10):84-90. Yi L, Zhou Y N, Li C P, et al. Analysis of the effects of driving restriction policies in controlling haze pollution [J]. China Population Resources and Environment, 2018,28(10):84-90.

[7] Apte J S, Messier K P, Gani S, et al. High-resolution air pollution mapping with Google street view cars: exploiting big data [J]. Environmental Science & Technology, 2017,51(12):6999-7008.

[8] 胡晨霞,鄒 濱,李沈鑫,等.城市微環(huán)境PM2.5濃度空間分異特征分析 [J]. 中國(guó)環(huán)境科學(xué), 2018,38(3):910-916. Hu C X, Zou B, Li S X, et al. Spatial heterogeneity analysis of PM2.5concentrations in intra-urban microenvironments [J]. China Environmental Science, 2018,38(3):910-916.

[9] 劉永紅,余 志,黃艷玲,等.城市空氣污染分布不均勻特征分析[J]. 中國(guó)環(huán)境監(jiān)測(cè), 2011,27(3):93-96. Liu Y H, Yu Z, Huang Y L, et al. Characteristic analysis on uneven distribution of air pollution in cities [J]. Environmental Monitoring in China, 2011,27(3):93-96.

[10] Liao D, Peuquet D J, Duan Y, et al. GIS approaches for the estimation of residential-level ambient PM concentrations [J]. Environmental Health Perspectives, 2006,114(9):1374-1380.

[11] El-Harbawi M. Air quality modelling, simulation, and computational methods: a review [J]. Environmental Reviews, 2013,21(3):149-179.

[12] Liu Y, Park R J, Jacob D J, et al. Mapping annual mean ground-level PM2.5concentrations using Multiangle Imaging Spectroradiometer aerosol optical thickness over the contiguous United States [J]. Journal of Geophysical Research: Atmospheres, 2004,109(D22206):1-10.

[13] Liu Y, Paciorek C J, Koutrakis P. Estimating regional spatial and temporal variability of PM2.5concentrations using satellite data, meteorology, and land use information [J]. Environmental Health Perspectives, 2009,117(6):886-892.

[14] Johnson M, Isakov V, Touma J S, et al. Evaluation of land-use regression models used to predict air quality concentrations in an urban area [J]. Atmospheric Environment, 2010,44(30):3660-3668.

[15] Hankey S, Marshall J D. Land use regression models of on-road particulate air pollution (particle number, black carbon, PM2.5, particle size) using mobile monitoring [J]. Environmental Science & Technology, 2015,49(15):9194-9202.

[16] Zou B, Pu Q, Bilal M, et al. High-resolution satellite mapping of fine particulates based on geographically weighted regression [J]. IEEE Geoscience and Remote Sensing Letters, 2016,13(4):495-499.

[17] Guo Y, Tang Q, Gong D Y, et al. Estimating ground-level PM2.5concentrations in Beijing using a satellite-based geographically and temporally weighted regression model [J]. Remote Sensing of Environment, 2017,198:140-149.

[18] Fang X, Zou B, Liu X, et al. Satellite-based ground PM2.5estimation using timely structure adaptive modeling [J]. Remote Sensing of Environment, 2016,186:152-163.

[19] Zou B, Chen J, Zhai L, et al. Satellite based mapping of ground PM2.5concentration using generalized additive modeling [J]. Remote Sensing, 2016,9(1):1-16.

[20] Xiao L, Lang Y, Christakos G. High-resolution spatiotemporal mapping of PM2.5concentrations at Mainland China using a combined BME-GWR technique [J]. Atmospheric Environment, 2018,173:295-305.

[21] Gupta P, Christopher S A. Particulate matter air quality assessment using integrated surface, satellite, and meteorological products: 2. A neural network approach [J]. Journal of Geophysical Research: Atmospheres, 2009,114(D20205):1-14.

[22] Liu Y, Cao G, Zhao N, et al. Improve ground-level PM2.5concentration mapping using a random forests-based geostatistical approach [J]. Environmental Pollution, 2018,235:272-282.

[23] Zou B, Wang M, Wan N, et al. Spatial modeling of PM2.5concentrations with a multifactoral radial basis function neural network [J]. Environmental science and pollution research, 2015, 22(14):10395-10404.

[24] 郭建平,吳業(yè)榮,張小曳,等.BP網(wǎng)絡(luò)框架下MODIS氣溶膠光學(xué)厚度產(chǎn)品估算中國(guó)東部PM2.5[J]. 環(huán)境科學(xué), 2013,34(3):817-825. Guo J P, Wu Y R, Zhang X Y, et al. Estimation of PM2.5over eastern China from MODIS aerosol optical depth using the back propagation neural network [J]. Environmental Science, 2013,34(3):817-825.

[25] 武 妍,萬(wàn) 偉.基于遺傳算法設(shè)計(jì)和訓(xùn)練人工神經(jīng)網(wǎng)絡(luò)的方法[J]. 紅外與毫米波學(xué)報(bào), 2007,26(1):65-68. Wu Y, Wan W. Method on designing and training of artificial neural network based on genetic algorithm [J]. Journal of Infrared and Millimeter Waves, 2007,26(1):65-68.

[26] Xu S, Zou B, Lin, Y, et al. Strategies of method selection for fine-scale PM2.5mapping in an intra-urban area using crowdsourced monitoring [J]. Atmospheric Measurement Techniques, 2019,12:2933-2948.

[27] HJ644-2013 環(huán)境空氣質(zhì)量監(jiān)測(cè)點(diǎn)位布設(shè)技術(shù)規(guī)范(試行) [S]. HJ644-2013 Technical regulation for selection of ambient air quality monitoring stations (on trial) [S].

[28] Ryan P, LeMastersa G, Levin L, et al. A land-use regression model for estimating microenvironmental diesel exposure given multiple addresses from birth through childhood [J]. Science of the Total Environment, 2008,404(1):139-147.

Urban scene-oriented simulation of the spatial distribution of PM2.5concentration in an intra-urban area at fine scale.

XU Shan, ZOU Bin*, HU Chen-xia

(School of Geosciences and Info-Physics, Central South University, Changsha 410083, China)., 2019,39(11)：4570~4579

The traditional spatial simulation technologies of PM2.5concentration usually ignored the mechanism behind the PM2.5-urban scenes (e.g. roads, factory, residential area, scenic area) correlation. This study proposed an urban scene assumption of PM2.5concentration, namely the PM2.5concentration is rather homogeneous within an urban scene while heterogeneous between different urban scenes. Taking the intra-urban area of Changsha, Hunan as an example, the spatial distribution of urban scenes was manually interpreted using a priori knowledge and a high-density monitoring sampling campaign was conducted for two periods in December 24~25, 2015. Based on the hourly PM2.5concentration observations from 203 sampling sites and the urban scene map, the urban scene difference of PM2.5concentration was explored and an urban scene enhanced two-stage modelling strategy of geographically weighted regression and artificial neural networks (GWR-ANN) was developed. The spatial patterns of PM2.5concentrations were simulated based on GWR-ANN at the 100×100m resolution. Results show that the spatiotemporal variations of PM2.5concentration between urban scenes do exist and the difference of PM2.5concentration for sampling sites with the same land use/cover in two different types of urban scenes varied with time. The urban scene enhanced GWR-ANN could be effective in spatial simulation of PM2.5concentrations at fine scale. The GWR-ANN model with urban scene variable performed better than the GWR-ANN model without urban scene variable. Except for five sampling hours with rather close statistics, the cross-validation2between estimated PM2.5concentration and observed PM2.5concentration for GWR-ANN with urban scene were higher than GWR-ANN without urban scene (0.76~0.84vs. 0.57~0.81). The spatial patterns of PM2.5concentrations based on urban scene enhanced GWR-ANN could be effective in disclosing detail hot-spots and cold-spots of PM2.5pollution.

PM2.5；pollution mapping；urban scene assumption；GWR；ANN

X511

A

1000-6923(2019)11-4570-10

許 珊(1990-),女,湖南衡陽(yáng)人,中南大學(xué)博士研究生,主要從事城市大氣污染模擬與制圖研究.發(fā)表論文6篇.

2019-04-22

國(guó)家重點(diǎn)研發(fā)計(jì)劃(2016YFC0206201,2016YFC0206205);國(guó)家自然科學(xué)基金資助項(xiàng)目(41871317);中南大學(xué)創(chuàng)新驅(qū)動(dòng)計(jì)劃項(xiàng)目(2018CX016)

* 責(zé)任作者, 教授, 210010@csu.edu.cn