錢 韻,吳健生,譚 羲,羅宇航,陸天華

長三角對流層甲醛柱濃度時空變化及驅動因素

錢 韻1,吳健生2*,譚 羲1,羅宇航1,陸天華3

(1.北京大學城市規(guī)劃與設計學院,城市人居環(huán)境科學與技術重點實驗室,廣東 深圳 518055；2.北京大學城市與環(huán)境學院,地表過程分析與模擬教育部重點實驗室,北京 100871；3.北京大學深圳研究生院,廣東 深圳 518055)

通過OMI衛(wèi)星數(shù)據(jù)分析了2005～2016年長江三角洲對流層甲醛柱濃度的時空變化規(guī)律.同時結合2008年和2010年各部門VOCs人為源排放量,利用BP神經網絡和RBFN神經網絡模型對對流層甲醛柱濃度進行了縣域尺度上的回歸模擬和各部門排放量貢獻度分析.結果表明:長三角城市群對流層甲醛柱濃度在2005～2010年存在著增加趨勢,2011～2016年甲醛濃度有下降的趨勢.高值區(qū)域分布在皖北蘇北、上海及其附近,低值區(qū)域分布在浙西南一帶.人為源排放使得經濟發(fā)達地區(qū)的甲醛柱濃度顯著增高.工業(yè)源在長三角的分布較為廣泛,電力源分布稀疏且VOC排放量遠小于工業(yè)源排放量,居民源的VOC排放量介于工業(yè)源和電力源之間,有明顯的南北差異.交通源主要集中在蘇南、浙北和上海附近,少部分沿交通線條狀分布.機器學習算法可以較好地利用人為源排放數(shù)據(jù)對甲醛柱濃度進行模擬.神經網絡的擬合精度可以達到0.6～0.8,比線性回歸的擬合精度超出0.3～0.4.模型變量重要性計算顯示各部門中居民源對甲醛柱濃度的貢獻程度最高.研究對流層甲醛柱濃度的長期時空變化及其影響因素有利于深入研究臭氧污染,同時也為大氣治理和政策制定提供了科學依據(jù).

甲醛柱濃度；時空變化；BP神經網絡；RBFN神經網絡；長三角城市群

甲醛是光化學污染的重要污染物成分之一,作為一種活性氣體,容易光解形成羥基自由基.甲醛的存在可促進一氧化氮轉化為二氧化氮從而促進臭氧的形成,因而甲醛也是臭氧污染的重要前體物之一.目前,中國的空氣質量網絡監(jiān)測主要包括SO2、NO2、PM10、O3、CO和PM2.5等氣體,缺少對大氣污染中如甲醛等前驅氣體的垂直分布的研究.隨著遙感衛(wèi)星的空間分辨率不斷提高,通過衛(wèi)星數(shù)據(jù)進行大氣污染物濃度監(jiān)測為大氣污染治理提供了更多可供選擇的途徑.

目前已有不少學者利用衛(wèi)星遙感監(jiān)測數(shù)據(jù)來研究對流層甲醛柱濃度.國外學者主要在國家[1, 2]、大洲[3]、全球[4]等范圍內研究甲醛的濃度變化及主要污染來源[5].國內學者也利用遙感數(shù)據(jù)從市域[6]、省域[7]等不同尺度探討了甲醛濃度的時空分異特征,同時也借助散點圖擬合[8]、皮爾遜相關分析[9]等方法來分析不同區(qū)域甲醛柱濃度的影響因素[10].

甲醛濃度受到諸多因素的綜合影響[11-13],而現(xiàn)有方法大多探究影響因素和甲醛濃度之間的線性關系,難以體現(xiàn)出各種因素的綜合作用.隨著計算機科學的發(fā)展,不少學者將機器學習引入大氣污染研究,如反向傳播神經網絡算法[14],結合K近鄰算法的支持向量機模型[15],隨機森林[16]等.通過綜合利用線性模型和非線性模型進行空氣污染物的模型構建和對比分析,可以對污染物濃度的影響機制有著更加深刻和準確的認識.

長江三角洲城市群作為中國最大的城市群之一,大量人口和產業(yè)在此聚集的同時,也伴隨著較為嚴重的大氣污染等各種污染問題的產生[17].利用衛(wèi)星遙感技術進行大氣甲醛濃度的監(jiān)測,研究其時空變化規(guī)律,分析相關影響因素,這些都對甲醛和臭氧污染的控制具有非常重要的意義,可為有關專家制定相應環(huán)保政策提供參考建議,為政府部門應對大氣環(huán)境治理建言獻策.

因此,本文利用OMI HCHO衛(wèi)星數(shù)據(jù)產品,對2005～2016年間長三角城市群甲醛柱濃度的時空變化規(guī)律進行研究,同時利用2008年和2010年的人為源污染排放清單數(shù)據(jù),利用傳統(tǒng)的多元線性回歸方法和反向傳播網絡(Back-Propagation Network,簡稱BP)神經網絡、徑向基函數(shù)(Radial Basis Function,簡稱RBF)神經網絡對VOC人為源和甲醛柱濃度進行擬合,分析了不同人為源對甲醛柱濃度的貢獻程度,彌補了線性模型對于擬合精度的不足,從而可以進一步的了解甲醛濃度的時間變化和形成機制,對于針對性控制人為源排放,實施相關大氣污染物控制排放措施有著重要意義.

1 數(shù)據(jù)與方法

1.1 研究區(qū)概況

長江三角洲城市群處于長江下游,瀕臨黃海和東海,在2019年頒布的《長江三角洲區(qū)域一體化發(fā)展規(guī)劃綱要》中規(guī)定范圍為江蘇省、浙江省、安徽省、上海市三省一市全部區(qū)域,面積共35.8萬km2.受大氣傳輸擴散的影響,集中的排放源對甲醛柱濃度的影響在大尺度上不是很顯著,因此本文從縣域尺度利用2008年和2010年的排放清單對甲醛柱濃度進行模擬.由于面積和邊界的限制,最終參與到回歸模型運算中的縣市共有196個,如圖1所示.

圖1 長三角縣域分布

長江三角洲地勢低平,河網密布,大部分地區(qū)屬于亞熱帶季風氣候,全年降水充沛.長三角擁有較多的全國森林城市和生態(tài)城市,但城市之間空氣質量相差較大.由于能源消耗和空氣污染物排放,大氣污染一直是長三角面臨的重要問題之一.從2017年開始,臭氧成為長三角地區(qū)最重要的空氣污染物[18].

長三角地區(qū)經濟發(fā)展水平位于全國前列,基礎設施相對完善,交通干線密度較高,主要城市之間高速公路、高速鐵路網基本連通.

1.2 數(shù)據(jù)來源

1.2.1 甲醛數(shù)據(jù) 利用歐空局對流層排放監(jiān)測互聯(lián)網服務(Tropospheric Emission Monitoring Internet Service, TEMIS)網站上發(fā)布的三級產品,該數(shù)據(jù)產品為全球空間分辨率為0.25°×0.25°格點上的每月平均對流層甲醛垂直柱總含量數(shù)據(jù),3級數(shù)據(jù)產品中選擇云量低于40%的像素.OMI傳感器搭載于極地太陽同步軌道的Aura衛(wèi)星上[19].OMI HCHO數(shù)據(jù)采用差分光吸收光譜(DOAS)算法,結合輻射傳輸計算,并將全球物種和年度物種演化的中間模型(IMAGES)[20]作為先驗信息,其不確定性在于傾斜柱檢索產生的誤差、參考扇區(qū)校正的誤差、空氣質量因子(AMF)估算時的不確定性[21-23],數(shù)據(jù)的相對不確定性大約為25%.

采用2005年至2016年間144個月的甲醛濃度月均值數(shù)據(jù),坐標系統(tǒng)一采用GCS_WGS_1984坐標系,通過克里金插值處理No data的數(shù)據(jù)區(qū)域,利用柵格計算器計算出月均值、年均值、多年平均濃度等數(shù)值信息,并利用分區(qū)統(tǒng)計得到每個縣市區(qū)域范圍內的濃度平均值.

1.2.2 有機物排放數(shù)據(jù) MIX排放清單耦合同化包括中國MEIC、中國氨排放清單PKU-NH3等本地化排放清單,由清華大學主持開發(fā),提供了2008、2010年亞洲地區(qū)的溫室氣體排放和人為源污染數(shù)據(jù),包括NMVOC(揮發(fā)性有機物)等十種主要大氣化學成分[24].

MIX v1.1 網格化排放數(shù)據(jù)NMVOC的空間分辨率為0.25°×0.25°,單位為t/(month×grid),涵蓋電力(POWER),工業(yè)(INDUSTRY),民用(RESIDENTIAL),交通(TRANSPORT)四個部門的排放數(shù)據(jù).原始排放數(shù)據(jù)格式為NetCDF,利用ArcGIS將2008年和2010年每個部門的排放數(shù)據(jù)分別轉換成柵格格式以供后續(xù)分析.

1.3 研究方法

1.3.1 多元線性回歸 多元線性回歸是研究一個因變量與多個自變量之間線性相關關系的統(tǒng)計學分析方法.本文將各縣市范圍內電力、工業(yè)、民用、交通各個部門的平均揮發(fā)性有機物排放量作為自變量,各縣市平均對流層甲醛垂直柱濃度值作為因變量,利用IBM SPSS Statistics 25進行多元線性回歸分析.

1.3.2 BP神經網絡 BP神經網絡(Back- Propagation Network,即反向傳播網絡)是基于誤差反向傳播的單隱層前饋網絡拓撲結構[25],具有輸入層、中間層(也稱隱藏層)和輸出層三層結構.輸入層神經元負責接收輸入信息并傳遞給中間層,輸出層輸出處理結果.本文在MATLAB R2020b中將隱藏層設置為兩層,第一層的轉移函數(shù)為對數(shù)轉移函數(shù)[26],第二層為線性轉移函數(shù),訓練函數(shù)采用trainlm,訓練樣本比例70%,測試樣本為30%.

1.3.3 RBF神經網絡 徑向基函數(shù)神經網絡(Radial Basis Function Network)模型精度較高、操作簡便、實用性強[27].RBFN隱藏層神經元的轉化函數(shù)即徑向基函數(shù)是局部響應的高斯函數(shù).本文在MATLAB R2020b中采用廣義的回歸神經網絡newgrnn,其訓練速度快、非線性映射能力強[28],基部寬度設為0.5,訓練樣本比例70%,測試樣本為30%.

1.3.4 MIV變量重要性 平均影響值(MIV)可以用來計算各個自變量對因變量的重要性.其計算方法是在神經網絡訓練完成后,將原本的訓練樣本中的每一自變量在原來數(shù)值的基礎上加10%或減10%,從而形成兩個新的訓練樣本.利用兩個新訓練樣本和已經建立的神經網絡進行模擬,得到兩種模擬結果,將兩個結果之差作為自變量產生的影響變化值(IV),通過訓練樣本容量計算 IV 的平均值得到MIV,MIV的絕對值即為各個自變量對因變量的重要性[29].

2 結果

2.1 對流層甲醛柱濃度時空變化特征

在2005～2016年,長三角城市群對流層甲醛柱的平均濃度大體上北部大于南部,如圖2所示.對流層甲醛柱濃度的高值主要出現(xiàn)在靠近上海的浙江北部和江蘇南部以及江蘇北部和安徽北部的四個區(qū)域,城市與城市之間的平均甲醛濃度值相差較大.

長江三角洲2005～2016年12年間的年平均對流層甲醛柱濃度和年增長率如圖3所示,年平均對流層甲醛柱濃度呈波動變化,但整體變化較小,年增長率在±15%之間.整個長三角區(qū)域的平均值都處于(8～10)′1015molec/cm2的濃度區(qū)間.長江三角洲的對流層甲醛柱濃度平均值的最低值出現(xiàn)在2015年,最高值出現(xiàn)在2011年.2007年的年增長率達5.95%, 2007～2014年間長三角對流層甲醛柱濃度平均值維持在9′1015molec/cm2以上,2014年后有所下降,2015年甲醛柱濃度的下降速度最大,年增長率達-13.43%,體現(xiàn)出自2011年12月國務院印發(fā)《國家環(huán)境保護“十二五”規(guī)劃》以及2015年滬蘇浙皖三省一市強化污染治理聯(lián)合行動以來,長三角地區(qū)大氣環(huán)境正逐漸有所改善.

圖2 2005～2016年平均甲醛柱濃度()

圖3 2005～2016年年平均甲醛柱濃度及年增長率

2005～2016年間江蘇省和上海市的甲醛柱濃度平均值都處于四者中的較高水平,如圖4所示.浙江省的甲醛柱濃度平均值12年間都處于三省一市的最低水平,南部的丘陵山地地區(qū)如麗水市甲醛柱濃度遠低于長三角平均水平.從2005年到2007年,濃度為12′1015molec/cm2級別以上的地區(qū)迅速擴大,從最初的蘇錫常等蘇南一帶擴大到蘇北一帶以及上海市、嘉興市等浙北一帶,如圖5所示.2008年到2010年間浙江北部的高值區(qū)域有所擴大,安徽省和江蘇省的甲醛柱濃度逐漸趨向于平均.2012年至2014年間安徽北部的高值區(qū)域范圍有所縮小,而浙江北部的高值區(qū)域有所擴大,到了2015年和2016年整個長三角區(qū)域形成了明顯的西南濃度小于東北濃度的格局,安徽北部、江蘇南部、上海及浙江東北部均形成了一定的高值區(qū),而浙江西部和江蘇北部沿海地區(qū)形成了一定的低值區(qū).

圖4 2005～2016年三省一市年平均甲醛柱濃度

2.2 人為源VOCs對甲醛濃度的影響

MIX清單列出了2008年和2010年各部門的人為源排放數(shù)據(jù),本文利用NMVOC人為源排放數(shù)據(jù)來分析模擬各行業(yè)對于甲醛柱濃度的影響.2008年工業(yè)源在長三角的分布較為廣泛,如圖6所示.江蘇省、浙江省和上海市的排放量較大,尤其是上海市,排放量達到15204.9t/(month·grid),而江蘇省和浙江省的大部分地區(qū)都在1000t/(month·grid)以下,安徽省的排放量最低,大部分地區(qū)的工業(yè)源排放量都在100t/(month·grid)以下.

2008年到2010年間,長三角的大部分地區(qū)工業(yè)源變化不大,安徽省和浙江省大部分地區(qū)保持平穩(wěn)狀態(tài),局部地區(qū)有下降的趨勢.蘇北、蘇南、上海市、皖南、浙東北一帶工業(yè)源排放量都有增加的趨勢,其中上海附近的增加量最大,達到1000t/(month·grid)以上.工業(yè)源排放量的大幅度增加對于這些地區(qū)在2008～2010年間甲醛柱濃度的上升起到重要的作用.

圖6 2008年工業(yè)源排放量與2010年相較2008年的排放變化量

左圖:2008年排放量右圖:2010年相較2008年的排放變化量t/(month×grid)

電力源分布稀疏且在長三角的VOC排放量遠小于工業(yè)源排放量,如圖7所示,2008年長三角電力源排放量最高值僅264.62t/(month·grid),幾乎是工業(yè)源(15204.9t/(month·grid))的1/60.安徽省大部分地區(qū)電力源排放量為0t/(month·grid),浙江省和江蘇省大部分地區(qū)的電力源排放量也在50t/ (month·grid)以下,相對高值的區(qū)域在徐州市、上海市和靠近上海市的蘇南地區(qū).2008年到2010年的電力源VOC排放量波動較小.電力源對于長三角地區(qū)對流層甲醛柱濃度的影響遠小于工業(yè)源VOC排放量的影響.

圖7 2008年電力源排放量與2010年相較2008年的排放變化量

左圖:2008年排放量右圖:2010年相較2008年的排放變化量t/(month×grid)

居民源的VOC排放量介于工業(yè)源和電力源之間,2008年的分布有明顯的南北差異,如圖8所示.浙西南地區(qū)丘陵密度大,人類活動較少,因此居民源的VOC排放量也較低.2008～2010年間排放量有所增加,但是增加幅度較小.安徽省的居民源VOC在2008～2010年呈現(xiàn)出大面積下降的趨勢而江蘇省和上海市則呈現(xiàn)出大面積上升的趨勢.兩省一市中甲醛柱濃度均有上升的趨勢,由此可以看出居民源在江蘇省和上海市對甲醛柱的貢獻比在安徽省對VOC排放量的貢獻程度要大.

圖8 2008年居民源排放量與2010年相較2008年的排放變化量

左圖:2008年排放量右圖:2010年相較2008年的排放變化量t/(month×grid)

圖9 2008年交通源排放量與2010年相較2008年的排放變化量

左圖:2008年排放量右圖:2010年相較2008年的排放變化量t/(month×grid)

交通源的排放量和居民源的排放量數(shù)量級相同,主要集中在蘇南、浙北和上海附近,少部分沿交通線條狀分布,如圖9所示.上海市的交通源排放量在整個長三角處于較高水平,達到897.924t/ (month·grid).2008～2010年間上海市的交通源VOC排放量顯著下降,2010年世博會的召開對于汽車排放的甲醛有良好的削弱作用.長三角整體兩年間交通源排放量均有所下降,一定程度上對甲醛柱濃度起到了減輕的作用.但是,交通源VOC排放量遠小于工業(yè)源VOC排放量,所以長三角甲醛柱濃度在2008～2010年間仍然呈現(xiàn)上升趨勢.

2.3 人為源VOC排放與甲醛柱濃度的回歸分析

人為源VOC排放量采用自下而上的估算,VOC的分布可以大致解釋甲醛的分布和濃度.不同人為源對于甲醛柱濃度的貢獻程度不一致,2008年和2010年的皮爾遜相關結果如表1所示.2008年各個部門的人為源VOC排放量和甲醛柱濃度均呈現(xiàn)正相關.居民源和甲醛柱濃度的相關性最大,電力源和甲醛柱濃度的相關性最小,工業(yè)源雖然排放量在四個部門中處于最高水平,但是工業(yè)源區(qū)域之間的分異和甲醛柱濃度之間聯(lián)系并不是很緊密.2010年的皮爾遜相關系數(shù)和2008年具有相似性,居民源和交通源的相關性較大,工業(yè)源和電力源的相關性較小.

表1 2008年人為源VOC與甲醛皮爾遜相關結果

注: **在0.01級別(雙尾),相關性顯著; *在0.05級別(雙尾),相關性顯著.

線性回歸可以利用各個部門的人為源VOC排放量來擬合甲醛柱濃度,將四個變量與甲醛柱濃度進行線性回歸,變量之間不存在共線性,得到2008年的擬合精度2為0.323,標準估算的錯誤為0.785. 2010年的擬合結果2為0.447,標準估算的錯誤為0.952,精度比2008年有所提高.線性回歸的擬合精度不高,采用機器學習的方法進一步擬合.兩種神經網絡的擬合結果如表2所示.2008年和2010年間利用MIX排放清單四個部門的人為源VOC排放量對縣一級的甲醛柱濃度進行回歸擬合的2在0.6～0.8之間,均比線性回歸的擬合結果高出30%～40%,其中RBFN神經網絡在2008年和2010年的精度均為三種方法中最高,比同期的BP神經網絡要高出10%左右.同時,2010年三種方法的擬合精度都要比2008年對應方法的擬合精度要高,樣本之間人為源對甲醛柱濃度的影響機制更加趨同.

重要性度量結果和皮爾遜相關系數(shù)類似,如表3所示.2008年三種模型的變量重要性規(guī)律趨同,都是居民源占主要地位,交通源、工業(yè)源次之,電力源的影響最低.多元線性回歸體現(xiàn)出的居民源和交通源的重要性差異并不大,而在BP神經網絡中兩者的差異則比較明顯,RBFN神經網絡中這種差異進一步加大,和其他變量重要性的關系也是如此.RBF神經網絡的變量重要性對比強度大于BP神經網絡,多元線性回歸模型的對比強度最低.2010年三個模型變量重要性規(guī)律以及對比強度規(guī)律除在BP神經網絡中工業(yè)源的重要性低于電力源外,其余與2008年大體相同.而在RBF神經網絡中電力源的重要性則進一步減少直至0.

表2 BP神經網絡和RBF神經網絡回歸結果

注:MSE為均方誤差.

表3 變量重要性結果

變量正負相關性方面,2008年工業(yè)源對于甲醛柱濃度的影響在多元線性回歸模型和BP神經網絡中呈現(xiàn)出負相關,2010年工業(yè)源對于甲醛柱濃度的影響則在多元線性回歸模型和RBFN神經網絡中呈現(xiàn)出負相關.結果和皮爾遜相關系數(shù)有所差異,指標的正負性在不同模型中體現(xiàn)出來的并不穩(wěn)定.

總的來說,機器學習的方法與線性回歸的方法相比擬合精度大大提高,起到了較好的擬合效果.盡管不同年份人為源對于甲醛柱濃度的貢獻程度不同,但是根據(jù)機器學習的重要性分析得出的結論與以往研究結論相符,長三角地區(qū)居民源和交通源對不同縣市間甲醛柱濃度差異的貢獻更大.所有方法中,RBFN神經網絡的擬合精度最好.不同年份的擬合精度有所差別,2010年的擬合精度比2008年的高,不同縣市間人為源對甲醛柱濃度的貢獻機制更加趨同.神經網絡模型中變量重要性的計算方法MIV對于重要變量的度量比較可靠,對于重要程度較小的變量度量結果并不穩(wěn)定.

3 討論

本文對長三角地區(qū)對流層甲醛柱濃度的時空變化及其驅動因素進行分析,同時利用機器學習的方法定量化回歸擬合人為源VOCs與甲醛濃度之間的關系.

對流層甲醛柱濃度的時空變化特征方面,長三角城市群對流層甲醛柱的平均濃度大體上北部大于南部,12年間江蘇省和上海市的甲醛柱濃度平均值都處于三省一市中的較高水平.某些年份如2007、2009、2013年,上海市的甲醛柱濃度平均值明顯高于江蘇省的平均值,而某些年份如2006,2010,2011年,則正好相反,這可能與特定年份這兩個省市的人類經濟活動程度有關,例如2010年上海世博會的召開為改善當?shù)乜諝赓|量提供了誘因,而世博會過后空氣污染有所反彈[30].但總體來說,兩省市的甲醛柱濃度較高,經濟和人為因素可能起到重要作用.浙江省的甲醛柱濃度平均值12年間都處于三省一市的最低水平,考慮到山地往往不利于人群聚集,人為源排放降低導致人為污染較少[31].OMI HCHO數(shù)據(jù)產品分布遵循人類活動清單的排放趨勢,在大城市中出現(xiàn)高值[32],體現(xiàn)出產業(yè)分工和經濟發(fā)展格局的影響.此外,考慮到化石燃料的燃燒是甲醛柱濃度的重要來源之一,冬季安徽省和江蘇省的北部氣溫較低進行集中供暖,燃料消耗比較大,對空氣質量的負面影響不可輕易忽視[33].

不同原因對于甲醛柱濃度的貢獻程度不一致,但是長三角地區(qū)具有共性特征.在受污染的大城市中,人為VOC的排放量遠大于生物源VOC的排放量[34].中國揮發(fā)性有機化合物VOCs的組成比較復雜,生物VOCs(BVOC)排放量占到中國非甲烷揮發(fā)性有機物NMVOC的48%,人為源VOCs排放量占到40%以上.石化工業(yè)、電力廠、居民生活排放和交通工具排放都是人為排放源的重要組成部分[35-36].

本文從人為源VOC排放量進行研究,研究結果表明四個部門中工業(yè)源的排放量最大.通過甲醛濃度回歸模型構建和重要性度量方法,量化了各部門排放量對甲醛濃度的貢獻,得出居民源和交通源影響較大的結論.電力源的排放量較小,在模型中的貢獻度也較小.本文將兩種神經網絡方法引入人為源VOCs排放對甲醛濃度的影響研究中,兩種神經網絡比常用的多元線性回歸模型具有明顯的精度優(yōu)勢,同時RBFN神經網絡的精度相較于BP神經網絡也有一定的優(yōu)勢.但是相較于線性模型,縱使引入了MIV變量重要性計算方法,神經網絡模型的解釋力度有有所欠缺.

盡管有許多研究對于OMI HCHO數(shù)據(jù)產品的精度進行了有關驗證,但是不可避免存在一定誤差,本文缺乏對于衛(wèi)星數(shù)據(jù)的驗證處理,未來研究中可以采用某些地區(qū)的地面監(jiān)測數(shù)據(jù)進行輔助等,采用更加精細化的人為源VOCs排放清單,如更加長的觀測時間,更加細化的觀測頻率等進一步探討不同人為源對甲醛柱濃度的復合影響機制.同時可以從甲醛生成機制考慮,綜合分析生物源、天然源、人為源對于甲醛濃度的影響,例如分析植物排放的異戊二烯和利用MODIS過火面積來研究生物質燃燒對甲醛柱濃度的影響;從大氣環(huán)境角度進一步考慮多種氣象條件和大氣中其他化學成分如氮氧化合物的濃度對于對流層甲醛柱濃度的影響.

4 結論

4.1 長江三角洲城市群對流層甲醛柱濃度具有明顯的時空分異規(guī)律.十二年觀測數(shù)據(jù)顯示,年平均對流層甲醛柱濃度呈波動變化,年增長率在±15%之間.區(qū)域間甲醛柱濃度具有不平衡性,甲醛柱濃度從中間向兩側逐漸遞減,高值區(qū)域分布在皖北蘇北、上海及其周邊一帶,低值區(qū)域分布在浙西南一帶.

4.2 人為源排放使得經濟發(fā)達地區(qū)的甲醛柱濃度顯著增高.2008年工業(yè)源在長三角的分布較為廣泛,2008年到2010年間,上海附近城市工業(yè)源的增加量最大.電力源分布稀疏且在長三角的VOC排放量遠小于工業(yè)源排放量,居民源的VOC排放量介于工業(yè)源和電力源之間,2008年的分布有明顯的南北差異,對于江蘇省和上海市甲醛柱的影響比在安徽省的影響程度要大.交通源的排放量和居民源的排放量數(shù)量級相同,主要集中在蘇南、浙北和上海附近,少部分條狀沿交通線分布.

4.3 機器學習算法可以較好地利用人為源VOCs排放數(shù)據(jù)對甲醛柱濃度進行模擬.擬合精度可以達到0.6～0.8,高出線性回歸分析0.3～0.4.RBFN神經網絡的回歸精度高于BP神經網絡,變量重要性對比強度也高出BP神經網絡,多元線性回歸模型的對比強度最低.通過重要性分析可以看出各個部門中居民源對甲醛柱濃度的貢獻程度最高,在實施控制VOCs排放措施時應該對有關部門的控制力度.

[1] Zhu L, Jacob D J, Keutsch F N, et al. Formaldehyde (HCHO) As a Hazardous Air Pollutant: Mapping Surface Air Concentrations from Satellite and Inferring Cancer Risks in the United States [J]. Environ. Sci. Technol., 2017,51(10):5650-7.

[2] Barkley M P, De Smedt I, Van Roozendael M, et al. Top-down isoprene emissions over tropical South America inferred from SCIAMACHY and OMI formaldehyde columns [J]. J. Geophys. Res.-Atmos., 2013,118(12):6849-68.

[3] Baek K H, Kim J H, Park R J, et al. Validation of OMI HCHO data and its analysis over Asia [J]. Sci. Total. Environ., 2014,490:93-105.

[4] Hong H, Yang J, Kang H, et al. Estimation of HCHO Column Using a Multiple Regression Method with OMI and MODIS Data [J]. ?????????, 2019,35(4):503-16.

[5] Boeke N L, Marshall J D, Alvarez S, et al. Formaldehyde columns from the Ozone Monitoring Instrument: Urban versus background levels and evaluation using aircraft data and a global model [J]. J. Geophys. Res.-Atmos., 2011,116(D5):1-11.

[6] Liu R, Feng T, Wang S S, et al. OMI satellite observed formaldehyde column from 2006 to 2015 over Xishuangbanna, southwest China, and validation using ground based zenith-sky DOAS [J]. Sci. Total. Environ., 2018,613:168-75.

[7] Fan J C, Ju T Z, Wang Q H, et al. Spatiotemporal variations and potential sources of tropospheric formaldehyde over eastern China based on OMI satellite data [J]. Atmos. Pollut. Res., 2021,12(1):272-85.

[8] 謝順濤,巨天珍,張惠娥.基于OMI數(shù)據(jù)的蘭州地區(qū)對流層甲醛時空變化研究 [J]. 環(huán)境科學學報, 2017,37(11):4253-4261.

Xie S T, Ju T Z, Zhang H E. 2017. Temporal and spatial variations of tropospheric formaldehyde in Lanzhou aera based on remote sensing data. Acta Scientiae Circumstantiae, 37(11):4253-4261.

[9] Zhu S Y, Li X Y, Yu C, et al. Spatiotemporal Variations in Satellite-Based Formaldehyde (HCHO) in the Beijing-Tianjin-Hebei Region in China from 2005 to 2015 [J]. Atmosphere-Basel, 2018, 9(1).10.3390/atmos9010005.

[10] 劉宏慶,巨天珍,裴 潔,等.黑龍江省近12年甲醛柱濃度時空變化及其影響因素 [J]. 中國環(huán)境科學, 2018,38(6):2001-11.

Liu H Q, Ju T Z, Pei J, et al. Spatial-temporal changes of tropospheric HCHO column density and its impact factors over Heilongjiang Province during 2005～2016 [J]. China Environmental Sciencece, 2018, 38(6):2001-2011.

[11] 劉旻霞,宋佳穎,孫瑞弟,等.近14年西北地區(qū)甲醛柱濃度的時空變化研究 [J]. 中國環(huán)境科學, 2020,40(6):2321-34.

Liu M X, Song J Y, Sun R D, et al. Spatio-temporal variation of formaldehyde column concentration in Northwest China in the past 14 years [J]. China Environmental Sciencece, 2020,40(6):2321-2334.

[12] 李 璐,巨天珍,高海燕,等.陜西省甲醛柱濃度時空變化及影響因子分析 [J]. 中國環(huán)境科學, 2020,40(7):2802-10.

Li L, Ju T Z, Gao H Y, et al. Temporal and spatial variation of formaldehyde column concentration and analysis of its influencing factors in Shaanxi Province [J]. China Environmental Sciencece, 2020, 40(7):2802-2810.

[13] 咸 龍,葛建團,徐 敏,等.珠江三角洲對流層HCHO柱濃度遙感監(jiān)測及影響因子 [J]. 中國環(huán)境科學, 2018,38(9):3221-31.

Xian L, Ge J T, Xu M, et al. Remote sensing monitoring of tropospheric HCHO column concentration and influential factors over pearl river delta, China [J]. China Environmental Sciencece, 2018, 38(9):3221-3231.

[14] Karaca F, Nikov A, Alagha O. NN-AirPol: a neural-networks-based method for air pollution evaluation and control [J]. Int. J. Environ. Pollut., 2006,28(3/4):310-25.

[15] 尹曉梅,李梓銘,熊亞軍,等.2014～2017北京市氣象條件和人為排放變化對空氣質量改善的貢獻評估.環(huán)境科學, 2019,40(3):1011-1023.

Yin X M, Li Z M, Xiong Y J, et al. Contribution assessment of meteorology conditions and emission change for air quality improvement in Beijing during 2014～2017 [J]. Environmental Science, 2019,40(3):1011-1023.

[16] Yazdi M D, Kuang Z, Dimakopoulou K, et al. Predicting fine particulate matter (PM2.5) in the Greater London Area: An ensemble approach using machine learning methods [J]. Remote Sens-Basel, 2020,12(6):914.

[17] 李 陽,巨天珍,馬 成,等.長江三角洲近10年甲醛柱濃度變化及影響因素 [J]. 中國環(huán)境科學, 2019,39(3):897-907.

Li Y, Ju T Z, Ma C, et al. The temporal, spatial variation and influencing factor of formaldehyde column concentration in the Yangtze River Delta in the past 10years [J]. China Environmental Sciencece, 2019,39(3):897-907.

[18] Wang M, Chen W T, Zhang L, et al. Ozone pollution characteristics and sensitivity analysis using an observation-based model in Nanjing, Yangtze River Delta Region of China [J]. J. Environ. Sci., 2020,93:13-22.

[19] Jin X M, Holloway T. Spatial and temporal variability of ozone sensitivity over China observed from the Ozone Monitoring Instrument [J]. J. Geophys. Res.-Atmos., 2015,120(14):7229-46.

[20] Muller J F, Stavrakou T. Inversion of CO and NOemissions using the adjoint of the IMAGES model [J]. Atmos Chem Phys, 2005,5:1157-86.

[21] De Smedt I, Muller J F, Stavrakou T, et al. Twelve years of global observations of formaldehyde in the troposphere using GOME and SCIAMACHY sensors [J]. Atmos. Chem. Phys., 2008,8(16):4947-63.

[22] De Smedt I, Van Roozendael M, Stavrakou T, et al. Improved retrieval of global tropospheric formaldehyde columns from GOME-2/ MetOp-A addressing noise reduction and instrumental degradation issues [J]. Atmos. Meas. Tech., 2012,5(11):2933-49.

[23] De Smedt I, Stavrakou T, Hendrick F, et al. Diurnal, seasonal and long-term variations of global formaldehyde columns inferred from combined OMI and GOME-2observations [J]. Atmos. Chem. Phys., 2015,15(21):12519-45.

[24] Li M, Zhang Q, Kurokawa J, et al. MIX: a mosaic Asian anthropogenic emission inventory under the international collaboration framework of the MICS-Asia and HTAP [J]. Atmos. Chem. Phys., 2017,17(2):935-63.

[25] 倪深海,白玉慧.BP神經網絡模型在地下水水質評價中的應用 [J]. 系統(tǒng)工程理論與實踐, 2000,(8):124-127.

Ni S H, Bai Y H. Application of BP neural network model in groundwater quality evaluation [J]. Systems Engineering-Theory & Practice, 2000,(8):124-127.

[26] 魏加華,李 宇,張建立,等.人工神經網絡在水源地影響評價中的應用 [J]. 地球學報, 2001,(3):283-288.

Wei J H, Li Y, Zheng J L, et al. The application of BP neural network to the evaluation of wellhead field influence [J]. Acta Geoscientica Sinica, 2001,(3):283-288.

[27] Li X M, Xiao R B, Yuan S H, et al. Urban total ecological footprint forecasting by using radial basis function neural network: A case study of Wuhan city, China [J]. Ecological Indicators, 2010,10(2):241-8.

[28] 劉金龍,馬 程,王 陽,等.基于徑向基函數(shù)網絡的京津冀地區(qū)生態(tài)系統(tǒng)服務脆弱性評估 [J]. 北京大學學報(自然科學版), 2013,49(6): 1040-1046.

Liu J L, Ma C, Wang Y, et al. Assessing the vulnerability of ecosystem services of Beijing-Tianjin-Hebei Area based on radial basis function network [J]. Acta Scientiarum Naturalium Universitatis Pekinensis, 2013,49(6):1040-1046.

[29] 徐富強,劉相國.基于優(yōu)化的RBF神經網絡的變量篩選方法 [J]. 計算機系統(tǒng)應用, 2012,21(3):206-8.

Xu F Q, Liu X G. Variables screening methods based on the optimization of RBF neural network [J]. Computer Systems & Applications, 2012,21(3):206-8.

[30] 黃嫣旻,魏海萍,段玉森,等.上海世博會環(huán)境空氣質量狀況和原因分析 [J]. 中國環(huán)境監(jiān)測, 2013,29(5):58-63.

Huang Y M, Wei H P, Duan Y S, et al. Ambient air quality status and reason analysis of Shanghai World Expo [J]. Environmental Monitoring in China, 2013,29(5):58-63.

[31] 古 珊,楊顯玉,呂世華,等.基于OMI數(shù)據(jù)的四川盆地對流層甲醛時空分布特征.環(huán)境科學學報, 2019,39(9):2860-2872.

Gu S, Yang X Y, Lü S H, et al. Spatiotemporal variations in OMI satellite-based tropospheric formaldehyde in Sichuan Basin. Acta Scientiae Circumstantiae, 2019,39(9):2860-2872.

[32] Shen L, Jacob D J, Zhu L, et al. The 2005～2016 Trends of formaldehyde columns over China observed by satellites: Increasing anthropogenic emissions of volatile organic compounds and decreasing agricultural fire emissions [J]. Geophys. Res. Lett., 2019, 46(8):4468-75.

[33] 李金珂,曹 靜.集中供暖對中國空氣污染影響的實證研究 [J]. 經濟學報, 2017,4(4):138-150.

Li J K, Cao J. Empirical analysis of the effect of central heating on air pollution in Chian [J]. China Journal of Economics, 2017,4(4): 138-150.

[34] 陳智海,楊顯玉,古 珊,等.基于OMI數(shù)據(jù)研究中國對流層甲醛時空分布特征及變化趨勢.環(huán)境科學學報, 2019,39(9):2852-2859.

Chen Z H, Yang X Y, Gu S, et al. Spatiotemporal variations and trend analysis of OMI satellite-based tropospheric formaldehyde over China. Acta Scientiae Circumstantiae, 2019,39(9):2852-2859.

[35] Hao J M, He D Q, Wu Y, et al. A study of the emission and concentration distribution of vehicular pollutants in the urban area of Beijing [J]. Atmos. Environ., 2000,34(3):453-65.

[36] 高文康,唐貴謙,辛金元,等.京津冀地區(qū)嚴重光化學污染時段O3的時空分布特征 [J]. 環(huán)境科學研究, 2016,29(5):654-663.

Gao W K, Tang G Q, Xin J Y, et al. Spatial-Temporal Variations of Ozone during Severe Photochemical Pollution over the Beijing- Tianjin-Hebei Region [J]. Research of Environmental Sciences, 2016, 29(5):654-663.

Spatiotemporal variation of tropospheric formaldehyde concentration and its driving factors in Yangtze River.

QIAN Yun1, WU Jian-sheng2*, TAN Xi1, LUO Yu-hang1, LU Tian-hua3

(1.Key Laboratory for Urban Habitat Environmental Science and Technology, Shenzhen Graduate School, Peking University, Shenzhen 518055, China；2.Key Laboratory for Earth Surface Processes, Ministry of Education, College of Urban and Environmental Sciences, Peking University, Beijing 100871, China；3.Shenzhen Graduate School, Peking University, Shenzhen 518055, China)., 2021,41(11)：4973～4981

This study uses OMI satellite data to analyse the temporal and spatial changes of the tropospheric formaldehyde column concentration in the Yangtze River Delta from 2005 to 2016. The BP and RBFN neural network models are used to perform regression simulation on the tropospheric formaldehyde column concentration at the county scale and analysis of the proportion of emissions from various departments using non-methane volatile organic compounds (NMVOC) data in 2008 and 2010. The results show that the tropospheric formaldehyde column concentration in the Yangtze River Delta urban agglomeration has an increasing trend from 2005 to 2010 and a downward trend from 2011 to 2016. The concentrations are higher in northern Anhui, northern Jiangsu, Shanghai and nearby areas, while those in southwestern Zhejiang are lower. In addition, NMVOC have significantly increased the concentration of formaldehyde in economically developed areas. The industrial sector’s emissions are widely distributed in the Yangtze River Delta, and the VOC emissions from the power sector are much smaller than those from the industrial sector, and the distribution is also very sparse. The amount of VOC emissions generated by residents' lives is between the above two, with a clear North-South differentiation. Those from the transportation sector are mainly concentrated in southern Jiangsu, northern Zhejiang and Shanghai, and are distributed in strips along the transportation lines. What’s more, the fitting accuracy of the neural network can reach 0.6～0.8, which is 0.3～0.4 higher than that of the linear regression, which proves that machine learning algorithms can better simulate the concentration of the formaldehyde column with NMVOC. The VOC emissions generated by residents' lives contribute most to the tropospheric formaldehyde column concentration. Studying the long-term temporal and spatial changes of the tropospheric formaldehyde column concentration and its influencing factors is conducive to in-depth study of ozone pollution, and it also provides a scientific basis for atmospheric governance and policy making.

formaldehyde (HCHO)；spatio-temporal variation；BP neutral network；RBF neural network；Yangtze River Delta area

X515

A

1000-6923(2021)11-4973-09

錢 韻(1998-),女,江蘇無錫人,北京大學碩士研究生,主要從事地理空間數(shù)據(jù)、城市發(fā)展及其生態(tài)環(huán)境研究.

2021-03-12

國家重點研發(fā)計劃(2019YFB2102000)

* 責任作者, 教授, wujs@pkusz.edu.cn