结合地基PM_(2.5)观测资料构建京津冀MODIS AOD完整数据集

针对遥感气溶胶光学厚度(AOD)产品普遍存在的非随机性缺失问题,本文选取2020年京津冀地区10km×10km的MODIS_MYDMOD04_L2日值数据和地基PM_(2.5)浓度观测日值数据,经过MODIS AOD单星两种算法产品的逆方差加权及双星算术平均融合、PM_(2.5)浓度数据的嵌套式时空混合效应模型转换融合和基于上述两种融合产品的时空克里金插值融合等方法集成,建立了研究区完整的AOD日值数据集.结果显示:经AERONET AOD数据验证,双星MODIS AOD融合结果R^(2)为0.87,RMSE为0.27;混合效应模型转换融合结果R^(2)为0.82,RMSE为0.31;时空克里金插值融合结果R^(2)为0.83,RMSE为0.28.AOD数据年平均每日空间覆盖率从MODIS原始数据的58.36%提高到时空克里金插值融合后的98.00%.MODIS AOD多算法多星数据融合的作用是增强与PM_(2.5)浓度日均值数据在时间尺度上的匹配度.地基PM_(2.5)浓度转换融合的作用一是补充区域内分布较均匀的局域AOD相对高值数据,保障了后续时空克里金插值的整体精度;二是能改善大片区域原始AOD数据缺失问题,可明显提高插值的时空覆盖率.所设计的数据融合方法体系,具有方法较简便、精度较高、数据集完整性好的特点.

基于时空混合效应模型的京津冀PM_(2.5)浓度变化模拟

为揭示京津冀地区高精度PM_(2.5)的时空分布特征,以空间分辨率为1 km的MAIAC AOD数据为主要预测因子,以气象数据、植被指数、夜间灯光数、人口密度和海拔数据作为辅助因子,构建了一种新的时空混合效应模型(STLME),在拟合最优次区域划分方案基础上对京津冀地区PM_(2.5)浓度进行预测分析.结果表明,基于STLME模型的ρ(PM_(2.5))预测精度高于传统的线性混合效应模型(LME),其十折交叉验证(CV)R^(2)为0.91,明显高于LME模型的0.87,说明STLME模型在同时校正PM_(2.5)-AOD关系的时空异质性方面具有优势.最优次区域划分方案识别出PM_(2.5)-AOD关系的空间差异,并结合缓冲区平滑方法,提高了STLME模型预测精度.京津冀PM_(2.5)浓度时空变化差异显著,高值区主要分布在以石家庄、邢台和邯郸为中心的河北南部,低值区则位于燕山-太行山区;冬季PM_(2.5)污染最严重,其次是秋季和春季,夏季污染最轻.STLME模型提供的高精度PM_(2.5)浓度时空分布预测结果,为京津冀地区与PM_(2.5)污染相关的健康风险评估提供了科学依据,也为大气污染源识别提供了科学参考.