湯宇磊,楊復(fù)沫,2,詹 宇,2*

四川盆地PM2.5與PM10高分辨率時(shí)空分布及關(guān)聯(lián)分析

湯宇磊1,楊復(fù)沫1,2,詹 宇1,2*

(1.四川大學(xué)建筑與環(huán)境學(xué)院,四川 成都 610065；2.國家煙氣脫硫工程技術(shù)研究中心,四川 成都 610065)

為深入了解四川盆地PM2.5與PM10污染情況,通過機(jī)器學(xué)習(xí)的方法,基于衛(wèi)星遙感氣溶膠產(chǎn)品(MAIAC)與國家環(huán)境空氣質(zhì)量監(jiān)測網(wǎng)數(shù)據(jù)以及氣象、地理、社會(huì)經(jīng)濟(jì)變量等,構(gòu)建2個(gè)隨機(jī)森林機(jī)器學(xué)習(xí)模型(2均為0.86),反演四川盆地2013~2017年間1km網(wǎng)格逐日PM2.5與PM10濃度時(shí)空分布,并分析兩者的時(shí)空關(guān)聯(lián)性.結(jié)果表明:2013~2017年四川盆地地面PM2.5與PM10平均濃度分別為47.8,75.2μg/m3.PM2.5與PM10濃度空間上均整體呈現(xiàn)“倒月牙”狀分布,西部與南部區(qū)域濃度值較高.5a間,區(qū)域顆粒物濃度逐年遞減,總降幅均達(dá)到27%,季節(jié)上則均具有“冬高夏低”的特點(diǎn);PM2.5與PM10濃度空間相關(guān)性顯著(相關(guān)系數(shù)0.96),呈現(xiàn)“內(nèi)強(qiáng)外弱”的格局,春夏季相關(guān)系數(shù)(0.91、0.90)低于秋冬季(0.96、0.96).盆地西南部PM2.5與PM10比值較高,比值高低的季節(jié)性排序?yàn)槎?秋季>夏季>春季.

顆粒物；氣溶膠光學(xué)厚度；機(jī)器學(xué)習(xí)；衛(wèi)星遙感；四川盆地；時(shí)空分布

細(xì)顆粒物(PM2.5)與可吸入顆粒物(PM10)濃度是衡量空氣質(zhì)量的重要指標(biāo).由于其空氣動(dòng)力學(xué)當(dāng)量直徑較小,易被人體吸入肺部,長期和短期暴露均具有健康風(fēng)險(xiǎn),特別是對于兒童、老人等敏感人群[1],易誘發(fā)如心血管病、呼吸系統(tǒng)疾病等多種病患[2-3].

利用衛(wèi)星遙感反演的氣溶膠光學(xué)厚度(AOD)估算近地面空氣污染濃度,開始于20世紀(jì)下半葉,是目前國際上環(huán)境暴露研究的熱門領(lǐng)域之一.與傳統(tǒng)環(huán)境監(jiān)測方法相比,遙感反演估算具有覆蓋范圍廣、成本較低等優(yōu)點(diǎn),可以獲得全球大部分區(qū)域的污染物分布情況,有效彌補(bǔ)地面監(jiān)測站點(diǎn)數(shù)量有限、分布不均的不足,是目前顆粒物濃度時(shí)空分布研究的重要手段.利用衛(wèi)星遙感反演我國地表顆粒物濃度已經(jīng)取得諸多研究成果,陸續(xù)開發(fā)出線性回歸[4]、混合效應(yīng)[5]、地質(zhì)統(tǒng)計(jì)[6]、逆方差加權(quán)[7]、地理加權(quán)回歸[8]等多種預(yù)測模型,模型交叉驗(yàn)證2多在0.6~0.7,空間精度一般在3~10km,且研究多集中在華北平原、長江三角洲、珠江三角洲以及主要大中型城市.針對我國4大霧霾重點(diǎn)污染區(qū)域之一的四川盆地,目前高精度顆粒物時(shí)空分布的研究仍較少且有待深入.

機(jī)器學(xué)習(xí)預(yù)測模型,是以大數(shù)據(jù)為基礎(chǔ)的算法模擬分析方法,在模擬變量間非線性交互等方面具有優(yōu)勢,可以得到更精準(zhǔn)的預(yù)測結(jié)果[9].本研究基于MAIAC AOD產(chǎn)品數(shù)據(jù)(Multi-Angle Implementation of Atmospheric Correction,1km分辨率)、地面站點(diǎn)監(jiān)測數(shù)據(jù),綜合氣象、地形、人類活動(dòng)等多要素,分別構(gòu)建AOD隨機(jī)森林填補(bǔ)模型、PM2.5與PM10隨機(jī)森林預(yù)測模型,反演四川盆地2013~2017年1km網(wǎng)格逐日PM2.5與PM10濃度數(shù)據(jù),分析PM2.5與PM10污染的時(shí)空分布以及兩者的關(guān)聯(lián)特征,以期為區(qū)域空氣質(zhì)量精準(zhǔn)評估、人體暴露風(fēng)險(xiǎn)評價(jià)及成渝城市群大氣聯(lián)防聯(lián)控提供科學(xué)參考.

1 材料與方法

1.1 研究區(qū)概況

四川盆地位于中國西南部,覆蓋面積超過16萬km2(102°20′~111°05′E,北緯28°~32°40′N),橫跨四川省中東部和重慶市大部分地區(qū),海拔250~750m,是中國第三大盆地.盆地四面環(huán)山,使盆底形成獨(dú)特的大氣環(huán)流,具有相對特殊的“類封閉性”氣候與自然條件,日均日照時(shí)長3.2h,年均降水量為850mm,相對濕度較大(77%),風(fēng)速較低(1.35m/s)[10],促進(jìn)顆粒物的生成和累積,導(dǎo)致區(qū)域空氣質(zhì)量惡化[11].盆地內(nèi)的成渝城市群擁有1.1億人口,工業(yè)化進(jìn)程較高,是中國現(xiàn)階段及未來城市圈高速發(fā)展和經(jīng)濟(jì)發(fā)達(dá)的核心地區(qū)之一,但同時(shí)也是中國霧霾污染最嚴(yán)重區(qū)域之一.

圖1 四川盆地國家環(huán)境空氣質(zhì)量監(jiān)測網(wǎng)絡(luò)站點(diǎn)分布

1.2 數(shù)據(jù)收集

1.2.1 地面監(jiān)測數(shù)據(jù) 本研究的地面監(jiān)測數(shù)據(jù),來自盆地內(nèi)101個(gè)國控空氣質(zhì)量地面監(jiān)測站點(diǎn)[12]2013~2017年的PM2.5與PM10實(shí)時(shí)監(jiān)測濃度,其中有8個(gè)背景點(diǎn)位于城郊或山區(qū),分布較均勻(圖1).每個(gè)站點(diǎn)的24h濃度平均值為每日濃度,少于20h觀測值的天數(shù)被排除在外[13].經(jīng)數(shù)據(jù)篩選后,獲得PM2.5日均濃度有效數(shù)據(jù)123318份(含11118份背景點(diǎn)數(shù)據(jù))、PM10日均濃度有效數(shù)據(jù)123299份(含11106份背景點(diǎn)數(shù)據(jù)),用于模型構(gòu)建與驗(yàn)證.

1.2.2 MAIAC衛(wèi)星AOD數(shù)據(jù)產(chǎn)品 AOD是用于測量懸浮顆粒通過吸收或散射方式影響光傳輸程度的遙感參數(shù),也是空氣柱中顆粒物含量的重要量度,通常用于估計(jì)近地面環(huán)境中PM2.5和PM10濃度[14].本研究使用2018年美國航天局(NASA)正式公布的MAIAC產(chǎn)品,其空間分辨率為1km,較目前世界主流的AOD遙感產(chǎn)品(空間分辨率多在3~ 10km)精度更高,并通過新算法糾正黑暗植被表面和明亮沙漠目標(biāo)的大氣影響,進(jìn)一步提高了AOD的準(zhǔn)確性[15].選用產(chǎn)品中的Terra和Aqua兩顆衛(wèi)星上的AOD數(shù)據(jù).

1.2.3 環(huán)境協(xié)變量 用于構(gòu)建模型的環(huán)境協(xié)變量主要包括氣象、行星邊界層高度(PBLH)、歸一化植被指數(shù)(NDVI)、海拔、國內(nèi)生產(chǎn)總值(GDP)、排放清單、道路密度、人口密度、土地利用等.氣象數(shù)據(jù)來自中國氣象數(shù)據(jù)網(wǎng)的四川盆地及其周邊151個(gè)氣象站,涵蓋每日的蒸發(fā)量、降水量、空氣溫度、大氣壓力、相對濕度、日照時(shí)間、地面溫度、風(fēng)速等,采用克里金插值法對日常天氣條件進(jìn)行插值;PBLH數(shù)據(jù)來自氣象同化數(shù)據(jù)產(chǎn)品(MERRA-2);NDVI數(shù)據(jù)取自NASA的Terra衛(wèi)星MOD13Q1數(shù)據(jù)集和Aqua衛(wèi)星MYD13Q1數(shù)據(jù)集;海拔數(shù)據(jù)來自NASA的30m SRTM地形產(chǎn)品;GDP數(shù)據(jù)引用中科院地理所出版的《中國GDP空間分布公里網(wǎng)格數(shù)據(jù)集》[16];排放清單數(shù)據(jù)來自清華大學(xué)開發(fā)的中國多尺度排放清單模型(MEIC);道路密度數(shù)據(jù)下載自O(shè)pen Street Map (https://trac.openstreetmap.org);人口密度數(shù)據(jù)來自世界網(wǎng)格人口社會(huì)經(jīng)濟(jì)數(shù)據(jù)和應(yīng)用中心,數(shù)據(jù)年份為2005,2010,2015,2020年,中間年份沒有公布的具體人口數(shù)據(jù),通過簡單的線性插值進(jìn)行估值;土地利用年度數(shù)據(jù)來自歐洲航天局,四川盆地的土地利用類型主要包括農(nóng)田、草地、森林、灌木林地、城市和水體6大類14種.

1.3 數(shù)據(jù)處理方法

1.3.1 數(shù)據(jù)預(yù)處理 將研究區(qū)域劃分為198277個(gè)網(wǎng)格單元,空間分辨率為1km×1km,時(shí)間分辨率為天.將收集到的各類數(shù)據(jù),進(jìn)行空間重采樣分配到各個(gè)網(wǎng)格中,建立了一個(gè)顆粒物污染模型開發(fā)和預(yù)測的環(huán)境數(shù)據(jù)庫,每年的數(shù)據(jù)記錄為7237.11萬條(2016年為閏年,有7256.94萬條).

預(yù)先對AOD產(chǎn)品數(shù)據(jù)進(jìn)行融合.一些研究學(xué)者證實(shí)了將Terra(MOD)和Aqua(MYD)兩顆衛(wèi)星數(shù)據(jù)結(jié)合起來可提高AOD覆蓋率的可行性[17].為獲得更多的衛(wèi)星遙感觀測數(shù)據(jù),本研究建立線性回歸模型(2= 0.85和斜率為0.86),將MYD融合至MOD以形成復(fù)合AOD,覆蓋率從各自的(12.2±2.3)% (MOD)、(10.5±2.1)%(MYD)提升至(16.0±2.7)%.

此外,季節(jié)性指標(biāo)變量(以天為單位,取值范圍: 1~366)也被添加到模型中.主要運(yùn)用PostgreSQL、R、Python及ArcGIS 10.2等工具軟件,完成各類數(shù)據(jù)的儲(chǔ)存、處理與分析.

1.3.2 隨機(jī)森林模型構(gòu)建 隨機(jī)森林(RF)是精細(xì)空間和時(shí)間分辨率下預(yù)測地面空氣污染物濃度的有效工具[18-19].本研究在模型訓(xùn)練過程中,導(dǎo)入訓(xùn)練數(shù)據(jù)集構(gòu)建回歸樹,隨機(jī)選擇三分之一的預(yù)測變量用于構(gòu)建每棵樹[18].首先,使用單個(gè)節(jié)點(diǎn)構(gòu)建一個(gè)樹,然后重復(fù)引導(dǎo)步驟,直到每個(gè)終端節(jié)點(diǎn)中只有一個(gè)數(shù)據(jù)條,從大量訓(xùn)練樣本中提取特征,在回歸樹的每個(gè)節(jié)點(diǎn)處選擇最佳分割,構(gòu)建自變量與各協(xié)變量之間的相互關(guān)系,分別建立了AOD填補(bǔ)子模型、PM2.5和PM10預(yù)測子模型,通過相應(yīng)的預(yù)測變量對未監(jiān)測區(qū)域及時(shí)段進(jìn)行模型預(yù)測.AOD子模型訓(xùn)練樣本為全年AOD真實(shí)值數(shù)據(jù),PM2.5和PM10子模型訓(xùn)練樣本為全部站點(diǎn)實(shí)測數(shù)據(jù).其中,填補(bǔ)后的AOD值(AOD子模型的輸出變量)作為下一階段PM2.5和PM10子模型的一個(gè)輸入變量.各子模型均添加了季節(jié)性變量,對變量取值空間進(jìn)行有效分隔.

根據(jù)模型超參數(shù)(hyperparameter)調(diào)整實(shí)驗(yàn)的結(jié)果,3個(gè)子模型的樹數(shù)均設(shè)置為500,最終預(yù)測結(jié)果是所有回歸樹的平均值,3個(gè)子模型的模擬結(jié)果均達(dá)到近似最優(yōu)的計(jì)算效率和預(yù)測性能.模型能夠量化當(dāng)某變量的數(shù)據(jù)被置換而其他所有變量保持不變時(shí)的預(yù)測誤差量,從而提供每個(gè)自變量的相對重要性[20].

2 結(jié)果與討論

2.1 模型評估

交叉驗(yàn)證法用于模型評估驗(yàn)證,可以有效避免模型可能存在的過度擬合現(xiàn)象[21],已有研究常采用基于站點(diǎn)的10折交叉驗(yàn)證評估時(shí)空分布模型的預(yù)測準(zhǔn)確性[5,22].本研究亦采用此方法分別評估PM2.5和PM10子模型,即將訓(xùn)練數(shù)據(jù)根據(jù)站點(diǎn)不同隨機(jī)分類為10組,每次用其中9組數(shù)據(jù)訓(xùn)練模型,預(yù)測余下1組的濃度,根據(jù)決定系數(shù)(-2)、均方根誤差(RMSE)、平均相對偏差(MFB)、平均相對誤差(MFE)、標(biāo)準(zhǔn)平均偏差(MNB)、平均標(biāo)準(zhǔn)誤差(MNE)等指標(biāo)衡量模型的預(yù)測準(zhǔn)確性[23].由于AOD數(shù)據(jù)沒有站點(diǎn)之分,采用完全隨機(jī)分組的10折交叉驗(yàn)證.如圖2所示,10折交叉驗(yàn)證2分別為0.96、0.86和0.86,3個(gè)子模型均表現(xiàn)較好,可實(shí)現(xiàn)高精度的時(shí)空分布重構(gòu).同時(shí)針對8個(gè)背景點(diǎn)進(jìn)行評估,PM2.5與PM10子模型基于站點(diǎn)交叉驗(yàn)證的2分別為0.76和0.73,證明模型在山區(qū)等人類活動(dòng)較少的區(qū)域預(yù)測準(zhǔn)確性依然較好.

圖2 AOD、PM2.5、PM10子模型交叉驗(yàn)證結(jié)果

虛線為1:1線

變量重要性是RF模型的變量選擇的重要評判依據(jù)[24].本研究收集了與大氣顆粒物時(shí)空分布可能相關(guān)的各類數(shù)據(jù),作為模型的備選變量,再進(jìn)行變量篩選,剔除相關(guān)性弱、重要性低的冗余變量.精簡模型的“變量相對重要性”,體現(xiàn)了各變量對于模型預(yù)測的重要性.AOD子模型共選擇了19個(gè)輸入變量(氣象類8個(gè)、地理空間類3個(gè)、人類活動(dòng)1個(gè)、土地功能性質(zhì)類6個(gè)、季節(jié)性時(shí)間變量1個(gè)).最重要的5個(gè)自變量分別是季節(jié)性、日照時(shí)間、氣溫、風(fēng)速和降水量.在暖季,日照時(shí)間長,空氣對流強(qiáng)烈,污染物擴(kuò)散較快,AOD數(shù)值較低[25].PM2.5與PM10子模型分別各有23個(gè)輸入變量(AOD衛(wèi)星數(shù)據(jù)1個(gè)、氣象類8個(gè)、地理空間類3個(gè)、社會(huì)經(jīng)濟(jì)類4個(gè)、土地功能性質(zhì)類6個(gè)、季節(jié)性時(shí)間變量1個(gè)).其中,排放清單變量分別輸入了細(xì)顆粒物與粗顆粒物數(shù)據(jù),其余變量保持一致(表1).AOD是PM2.5與PM10子模型中最重要的自變量,相對重要性值均超過23%.在去除AOD后,PM2.5與PM10子模型在基于站點(diǎn)的10折交叉驗(yàn)證2均從0.86降為0.85.由于各地級(jí)市所屬站點(diǎn)空間分布較集中,基于站點(diǎn)的交叉驗(yàn)證可能會(huì)高估模型對于整個(gè)區(qū)域的預(yù)測準(zhǔn)確性,因此,又進(jìn)行了基于站點(diǎn)聚落的20折交叉驗(yàn)證[26],即根據(jù)監(jiān)測站點(diǎn)的空間聚類將訓(xùn)練數(shù)據(jù)分為20組進(jìn)行交叉驗(yàn)證,在去除AOD后,PM2.5與PM10子模型的2分別從0.67、0.70降為0.62、0.68,表明AOD能明顯提升模型預(yù)測的準(zhǔn)確性.同時(shí)季節(jié)性(分別為15.62%和13.79%)和氣象條件(總重要值分別為39.00%和41.37%)也起著重要作用,體現(xiàn)了顆粒物生成的強(qiáng)烈季節(jié)性[9],反映了氣象條件對于顆粒物濃度預(yù)測的重要性[27].

表1 AOD、PM2.5、PM10子模型各變量相對重要性(%)

注:“-“表示該變量未納入AOD子模型計(jì)算.

2.2 預(yù)測結(jié)果簡述

通過兩階段模型預(yù)測,建立了2013~2017年四川盆地PM2.5、PM10日均濃度1km網(wǎng)格數(shù)據(jù)集(各有3.62億組數(shù)據(jù)).數(shù)據(jù)結(jié)果顯示,四川盆地5a間地面PM2.5與PM10平均濃度分別為47.8,75.2μg/m3,均超過國家環(huán)境空氣質(zhì)量標(biāo)準(zhǔn)年均值II級(jí)標(biāo)準(zhǔn)(35,70μg/m3)[13],區(qū)域顆粒物污染整體較為嚴(yán)重.成都市、自貢市市轄區(qū)、重慶市主城區(qū)PM2.5與PM10濃度相對較高;宜賓市轄區(qū)PM2.5污染較突出;而德陽市轄區(qū)PM10污染較突出(圖3).

圖3 模型預(yù)測四川盆地及部分城市PM2.5與PM10年均濃度分布

2.3 PM2.5與PM10濃度空間分布及相關(guān)性分析

如圖3所示,PM2.5與PM10年均濃度空間分布整體呈現(xiàn)“倒月牙”狀,具有一定的相似性.PM2.5高濃度區(qū)域主要位于盆地西北部和南部地區(qū),而PM10高濃度主要位于盆地西北部.顆粒物高濃度區(qū)大多位于盆地底部(海拔200~300m的低洼地帶),相對封閉的環(huán)境使盆地內(nèi)邊界層大氣層結(jié)穩(wěn)定度高于同緯度其他地區(qū),且風(fēng)速較小、靜風(fēng)頻率高,不利于污染物的輸送擴(kuò)散[28],顆粒物易積累形成高濃度污染.顆粒物低濃度區(qū)主要位于山地和丘陵區(qū),人口相對稀疏,工業(yè)不發(fā)達(dá),人類活動(dòng)不頻繁,污染物排放少,且山地丘陵植被覆蓋度高,對污染物的清潔作用強(qiáng)[29].

人為源排放是造成盆地顆粒物污染嚴(yán)重的重要原因之一[30].PM2.5、PM10人口加權(quán)平均濃度分別為54.1,84.2μg/m3,分別高于其算術(shù)平均濃度13.1%和11.9%,表明盆地內(nèi)人類活動(dòng)與顆粒物濃度密切相關(guān).盆地內(nèi)有97.3%的人口生活在PM2.5年均濃度大于35μg/m3(中國現(xiàn)階段年均達(dá)標(biāo)值[13])的區(qū)域,有81.2%的人口生活在PM10年均濃度大于70μg/m3(中國現(xiàn)階段年均達(dá)標(biāo)值[13])的區(qū)域,存在較大的健康風(fēng)險(xiǎn).

利用Spearman秩相關(guān)系數(shù)研究兩種顆粒物之間的相關(guān)性.預(yù)測結(jié)果中PM2.5和PM10空間相關(guān)系數(shù)為0.96,與站點(diǎn)觀測數(shù)據(jù)的空間相關(guān)系數(shù)0.92(8個(gè)背景點(diǎn)空間相關(guān)系數(shù)也為0.92)基本一致,表明兩者存在顯著相關(guān)性(<0.01).PM2.5在PM10的含量中占主導(dǎo)地位,其質(zhì)量濃度平均比值為64.0%.盆地西南部的樂山、自貢、宜賓、瀘州等市轄區(qū)該比值較大,表明二次顆粒物污染突出.盆地北部該比值較小,表明粗顆粒物含量相對較高.由于盆地底部及周邊復(fù)雜的地形地勢,來自中國西北、能夠越過秦嶺的沙塵對該區(qū)域的影響往往要大于盆地其他區(qū)域[31].

2.4 PM2.5與PM10濃度季節(jié)性分布及相關(guān)性分析

如圖4、表2所示,四川盆地各季節(jié)顆粒物濃度分布不均,PM2.5與PM10濃度呈現(xiàn)明顯的“冬高夏低”的季節(jié)性變化.其濃度的季節(jié)排序均為:冬季>春季>秋季>夏季.冬季PM2.5與PM10濃度值分別為夏季的2.3倍與2.0倍.大量的人為排放、特殊的地形和獨(dú)特的大氣環(huán)流共同導(dǎo)致盆地上冬季顆粒物高濃度污染[32].夏季時(shí)盆地邊界層高度明顯高于冬季,且雨水豐沛,利于顆粒物擴(kuò)散或沉降[33].

表2 模型模擬四川盆地PM2.5與PM10各季節(jié)濃度(μg/m3)

圖4 模型模擬四川盆地PM2.5、PM10濃度季節(jié)性空間分布

圖5 模型模擬四川盆地PM2.5與PM10相關(guān)系數(shù)及比值季節(jié)性分布

如圖5所示,PM2.5與PM10的相關(guān)性存在季節(jié)性差異,春夏季PM2.5與PM10相關(guān)系數(shù)(0.91,0.90)低于秋冬季(0.96,0.96).春季盆地北部區(qū)域PM2.5與PM10的相關(guān)性明顯較小,再次表明來自西北方向的沙塵影響較大[31];夏季盆地東部區(qū)域相關(guān)性較弱,可能與粗、細(xì)顆粒物在邊界層較高、降雨較多的背景下擴(kuò)散、沉降能力差異較大有關(guān);秋冬季盆地內(nèi)PM2.5與PM10相關(guān)性則較高.兩者的比值也存在季節(jié)性差異,各季節(jié)兩者比值排序?yàn)?冬季>秋季>夏季>春季.5a間,兩者相關(guān)系數(shù)一直維持在0.95以上的高水平,區(qū)域PM2.5和PM10濃度時(shí)空分布上具有相對一致性,PM2.5在PM10中所占比例保持在60%以上(分別為0.64,0.65,0.64,0.63,0.63),變化不明顯,表明現(xiàn)階段盆地內(nèi)PM2.5是PM10濃度的主要占比,未來需加強(qiáng)對PM2.5的治理.

2.5 PM2.5與PM10濃度時(shí)間序列趨勢

PM2.5與PM10濃度整體呈現(xiàn)逐步下降的趨勢.相較于2013年,2017年盆地內(nèi)顆粒物污染明顯減輕,PM2.5與PM10濃度降幅均達(dá)到27%,分別以年均3.9,6.2μg/m3的速率下降,表明“十二五”、“十三五”期間成渝地區(qū)污染減排工作取得顯著成效.成都市顆粒物濃度下降幅度最大.PM2.5濃度降幅較大的還有資陽、遂寧、廣安等,PM10濃度降幅較大的有遂寧、南充等;在盆地邊坡山區(qū),顆粒物則保持相對較低但穩(wěn)定的水平(圖6).如圖7所示,2016年后盆地內(nèi)顆粒物下降幅度整體趨于平緩(年均下降幅度3%); 2016年成都市PM10濃度下降的主要原因是PM2.5濃度的降低,同時(shí)存在一定程度PM2.5~10比例相對上升的現(xiàn)象;2017年南充市顆粒物、成都市PM10下降較為明顯.

圖6 模型模擬四川盆地PM2.5與PM10濃度下降比例空間分布

3 結(jié)論

3.1 通過構(gòu)建隨機(jī)森林模型,獲得2013~2017年四川盆地PM2.5、PM10日均濃度時(shí)空分布數(shù)據(jù)集,模型交叉驗(yàn)證2=0.86,空間分辨率達(dá)到1km-.

3.2 四川盆地2013~2017年P(guān)M2.5與PM10平均濃度分別為47.8,75.2μg/m3,其中成都、自貢、重慶主城區(qū)的PM2.5與PM10濃度較高,宜賓PM2.5污染較突出,德陽PM10污染較突出.

3.3 四川盆地PM2.5與PM10濃度空間分布整體呈現(xiàn)“倒月牙”狀,二者空間相關(guān)性顯著,具有“內(nèi)部較強(qiáng),外圍較弱”的特點(diǎn),其濃度季節(jié)性分布均呈現(xiàn)“冬高夏低”態(tài)勢,春夏季相關(guān)系數(shù)低于秋冬季.

3.4 四川盆地PM2.5與PM10污染總體上逐年好轉(zhuǎn),5a間濃度降幅均達(dá)到27%,PM2.5在PM10中的占比沒有明顯變化(維持在60%以上),2016年以后顆粒物降幅均趨緩(年均下降幅度3%),未來治理難度大.

[1] Naghavi M, Wang H, Lozano R, et al. Global, regional, and national age-sex specific all-cause and cause-specific mortality for 240 causes of death, 1990~2013: a systematic analysis for the global burden of disease study 2013 [J]. Lancet, 2015,385(9963):117-171.

[2] Miri M, Alahabadi A, Ehrampush M H, et al. Mortality and morbidity due to exposure to ambient particulate matter [J]. Ecotoxicology And Environmental Safety, 2018,165(12):307-313.

[3] Liu Z, Wang F, Li W, et al. Does utilizing WHO's interim targets further reduce the risk - meta-analysis on ambient particulate matter pollution and mortality of cardiovascular diseases?[J]. Environmental Pollution, 2018,242(11):1299-1307.

[4] 徐建輝,江 洪.長江三角洲PM2.5質(zhì)量濃度遙感估算與時(shí)空分布特征 [J]. 環(huán)境科學(xué), 2015,36(9):3119-3127. Xu J H, Jiang H. Remote sensing estimation and spatiotemporal distribution characteristics of PM2.5mass concentration in the Yangtze River Delta [J]. Environmental Science, 2015,36(9):3119-3127.

[5] 景 悅,孫艷玲,徐 昊,等.基于混合效應(yīng)模型的京津冀地區(qū)PM2.5日濃度估算 [J]. 中國環(huán)境科學(xué), 2018,38(8):2890-2897. Jing Y, Sun Y L, Xu H, et al. Estimation of PM2.5daily concentration in Beijing-Tianjin-Hebei region based on mixed effect model [J]. China Environmental Science, 2018,38(8):2890-2897.

[6] 熊秋林,趙文吉,宮兆寧,等.北京城區(qū)2007~2012年細(xì)顆粒物數(shù)濃度時(shí)空演化 [J]. 中國環(huán)境科學(xué), 2013,33(12):2123-2130. Xiong Q L, Zhao W J, Gong Z N, et al. Spatiotemporal evolution of fine particle number concentration in Beijing urban area from 2007 to 2012 [J]. China Environmental Science, 2013,33(12):2123-2130.

[7] Ma Z, Hu X, Sayer A M, et al. Satellite-based spatiotemporal trends in PM2.5concentrations: China, 2004~2013 [J]. Environmental Health Perspectives, 2016,124(2):184-192.

[8] Song W, Jia H, Huang J, et al. A satellite-based geographically weighted regression model for regional PM2.5estimation over the Pearl River Delta region in China [J]. Remote Sensing of Environment, 2014,154(11):1-7.

[9] Zhan Y, Luo Y, Deng X, et al. Spatiotemporal prediction of continuous daily PM2.5concentrations across China using a spatially explicit machine learning algorithm [J]. Atmospheric Environment, 2017, 155(4):129-139.

[10] Huang Q, Cai X, Song Y, et al. Air stagnation in China (1985~2014): climatological mean features and trends [J]. Atmospheric Chemistry and Physics, 2017,17(12):7793-7805.

[11] Zhang X Y, Wang Y Q, Niu T, et al. Atmospheric aerosol compositions in China: spatial/temporal variability, chemical signature, regional haze distribution and comparisons with global aerosols [J]. Atmospheric Chemistry and Physics, 2012,12(2):779-799.

[12] 中華人民共和國生態(tài)環(huán)境部.2017年中國生態(tài)環(huán)境狀況公報(bào) [EB/OL]. 北京,生態(tài)環(huán)境部, 2018. http://www.mee.gov.cn/hjzl/ zghjzkgb/lnzghjzkgb/201805/P020180531534645032372.pdf.Ministry of Ecology and Environment of the People's Republic of China. Bulletin on the State of China's Ecological Environment in 2017 [EB/OL]. BeiJing, Ministry of Ecology and Environment, 2018. http://www.mee. gov.cn/hjzl/zghjzkgb/lnzghjzkgb/201805/P020180531534645032372.pdf.

[13] GB3095—2012 環(huán)境空氣質(zhì)量標(biāo)準(zhǔn) [S]. GB3095-2012 Ambient air quality standards [S].

[14] 陳良富,李莘莘,陶金花,等.氣溶膠遙感定量反演研究與應(yīng)用 [M]. 北京:科學(xué)出版社, 2011:34-49. Chen L F, Li X X, Tao J H, et al. Quantitative inversion and application of aerosol remote sensing [M]. Beijing: Science Press, 2011:34-49.

[15] Lyapustin A, Wang Y, Korkin S, et al. MODIS Collection 6MAIAC algorithm [J]. Atmospheric Measurement Techniques, 2018,11(10): 5741-5765.

[16] 徐新良.中國GDP空間分布公里網(wǎng)格數(shù)據(jù)集 [DB/OL]. 中國科學(xué)院資源環(huán)境科學(xué)數(shù)據(jù)中心 (http://www.resdc.cn/DOI),2017.DOI: 10.12078/2017121102. Xu X L. Spatial distribution of national GDP in 1km grid [DB/OL]. Data Center for Resources and Environmental Sciences, Chinese Academy of Sciences (http://www.resdc.cn/DOI),2017.DOI: 10.12078/ 2017121102.

[17] You W, Zang Z, Zhang L, et al. National-scale estimates of ground-Level PM2.5concentration in China using geographically weighted regression based on 3km resolution MODIS AOD [J]. Remote Sensing, 2016,8(3):184-197.

[18] Ho T K. The random subspace method for constructing decision forests [J]. Ieee Transactions on Pattern Analysis And Machine Intelligence, 1998,20(8):832-844.

[19] Prasad A M, Iverson L R, Liaw A. Newer classification and regression tree techniques: Bagging and random forests for ecological prediction [J]. Ecosystems, 2006,9(2):181-199.

[20] Svetnik V, Liaw A, Tong C, et al. Random forest: A classification and regression tool for compound classification and QSAR modeling [J]. Journal of Chemical Information and Computer Sciences, 2003, 43(6):1947-1958.

[21] Diego Rodriguez J, Perez A, Antonio Lozano J. Sensitivity analysis of k-fold cross validation in prediction error estimation [J]. Ieee Transactions on Pattern Analysis and Machine Intelligence, 2010, 32(3):569-575.

[22] 莊 欣,黃曉鋒,陳多宏,等.基于日變化特征的珠江三角洲大氣污染空間分布研究 [J]. 中國環(huán)境科學(xué), 2017,37(6):2001-2006. Zhuang X, Huang X F, Chen D H, et al. Spatial distribution of air pollution in the Pearl River Delta based on diurnal variation characteristics [J]. China Environmental Science, 2017,37(6):2001- 2006.

[23] Bergmeir C, Hyndman R J, Koo B. A note on the validity of cross-validation for evaluating autoregressive time series prediction [J]. Computational Statistics & Data Analysis, 2018,120(4):70-83.

[24] Strobl C, Boulesteix A-L, Kneib T, et al. Conditional variable importance for random forests [J]. Bmc Bioinformatics, 2008,9(1): 307-315.

[25] Zhang Z, Zhang X, Gong D, et al. Evolution of surface O3and PM2.5concentrations and their relationships with meteorological conditions over the last decade in Beijing [J]. Atmospheric Environment, 2015, 108(5):67-75.

[26] Di Q, Amini H, Shi L, et al. An ensemble-based model of PM2.5concentration across the contiguous United States with high spatiotemporal resolution [J]. Environment International, 2019,130(9): 104909.

[27] 賀克斌,楊復(fù)沫,段鳳魁,等.大氣顆粒物與區(qū)域復(fù)合污染 [M]. 北京:科學(xué)出版社, 2011:37-39. He K B, Yang F M, Duan F K, et al. Atmospheric particulate matter and regional composite pollution [M]. Beijing: Science Press, 2011: 37-39.

[28] 郭曉梅,陳 娟,趙天良,等.1961~2010年四川盆地霾氣候特征及其影響因子 [J]. 氣象與環(huán)境學(xué)報(bào), 2014,30(6):100-107. Guo X M, Chen J, Zhao T L, et al. Climatic characteristics and its influencing factors in the Sichuan Basin from 1961 to 2010 [J]. Journal of Meteorology and Environment, 2014,30(6):100-107.

[29] 呂鈴鑰,李洪遠(yuǎn),楊佳楠.植物吸附大氣顆粒物的時(shí)空變化規(guī)律及其影響因素的研究進(jìn)展 [J]. 生態(tài)學(xué)雜志, 2016,35(2):524-533. Lv L Y, Li H Y, Yang J N. Advances in research on temporal and spatial variation of plant adsorption of atmospheric particulate matter and its influencing factors [J]. Chinese Journal of Ecology, 2016,35(2): 524-533.

[30] 曹軍驥. PM2.5與環(huán)境 [M]. 北京:科技出版社, 2014:11-17. Cao J J. PM2.5and environment [M]. Beijing: Science Press, 2014: 11-17.

[31] 廖乾邑,羅 彬,杜云松,等.北方沙塵對四川盆地環(huán)境空氣質(zhì)量影響和特征分析 [J]. 中國環(huán)境監(jiān)測, 2016,32(5):51-55. Liao Q Y, Luo B, Du Y S, et al. Influence of northern dust on environmental air quality in Sichuan Basin and its characteristics [J]. Environmental Monitoring in China, 2016,32(5):51-55.

[32] Ning G, Wang S, Ma M, et al. Characteristics of air pollution in different zones of Sichuan Basin, China [J]. Science of the Total Environment, 2018,612(1):975-984.

[33] Tian M, Liu Y, Yang F, et al. Increasing importance of nitrate formation for heavy aerosol pollution in two megacities in Sichuan Basin, southwest China [J]. Environmental Pollution, 2019,250(7): 898-905.

High resolution spatiotemporal distributionand correlation analysis of PM2.5and PM10concentrations in the Sichuan Basin.

TANG Yu-lei1, YANG Fu-mo1,2, ZHAN Yu1,2*

(1.College of Architecture and Environment, Sichuan University, Chengdu 610065, China；2.National Engineering Research Center for Flus Gas Desulfurization, Chengdu 610065, China)., 2019,39(12)：4950~4958

In order to advance the understandings of the regional air pollution in the Sichuan Basin, two machine learning based models, random forests (RF), were developed to estimate the daily PM2.5and PM10concentrations on the 1km grid from 2013 to 2017. The datasets used for the model training included the satellite-retrieved aerosol optical depth (AOD) from the Multi-Angle Implementation of Atmospheric Correction (MAIAC) product, the ground-based observations from the state-managed air quality monitoring network, as well as the meteorological, geographical, and socioeconomic variables. The RF models showed superior performance in predicting PM2.5and PM10(2=0.86 for both). The multiyear regional average PM2.5and PM10concentrations were 47.8 and 75.2μg/m3, respectively. The PM2.5and PM10levels were predicted to be higher in the western and southern basin than the other areas, exhibiting a shape of crescent. During these five years, the PM2.5and PM10concentrations both decreased by 27%. The particulate matter concentrations exhibited obvious seasonality with the highest in winter and the lowest in summer. The spatial distributions of PM2.5and PM10showed high correlation (=0.96), with stronger correlation in the lowland areas and slightly weaker correlation in the surrounding mountainous area. The correlations in spring (=0.91) and summer (=0.90) were relatively lower than those in fall (=0.96) and winter (=0.96). Ratio of PM2.5to PM10was higher in the southwestern basin and showed adescending order of winter > fall > summer > spring.

particulate matter；aerosol optical depth；machine learning；satellite remote sensing；Sichuan basin；spatiotemporal distribution

X513

A

1000-6923(2019)12-4950-09

湯宇磊(1990-),男,安徽合肥人,四川大學(xué)碩士研究生,主要從事環(huán)境遙感與建模研究.發(fā)表論文1篇.

2019-05-13

國家自然科學(xué)基金項(xiàng)目(41875162);四川省科技計(jì)劃資助(2018SZDZX0023,2018SZ0316)

* 責(zé)任作者, 副研究員, yzhan@scu.edu.cn