基于空间插值技术的深圳市PM_(2.5)时空分布特征分析

为研究深圳市PM_(2.5)的时空分布特征,获取了全市11个空气质量国控监测站点2015—2019年的PM_(2.5)逐时数据,利用计算机语言Python对数据进行预处理,在此基础上综合采用时序数据统计分析、空间插值技术和相关性分析揭示PM_(2.5)的时、空间变化规律。结果显示:深圳市2015—2019年PM_(2.5)浓度总体呈现出“西高东低,北高南低”的空间分布格局,PM_(2.5)高浓度天数和高浓度区域面积逐年减少,空气质量呈现出明显的好转趋势;各监测站点的PM_(2.5)年浓度均值在18-38μg/m^(3)之间波动,主要表现为先下降后小幅回升然后又下降;季浓度均值在10-54μg/m^(3)之间波动,呈现出明显的“冬季>秋季>春季>夏季”的季节性变化规律;月浓度均值多以6月份为中心,呈现出“V”字型分布规律;日浓度均值超标天数占比最多不超过8%,且超标天数占比逐年下降;各监测站点的PM_(2.5)日浓度均值变化的一致性与各站点之间的空间距离关系不强。

基于遥感技术和机器学习的城市街区PM_(2.5)空间分布特征研究——以合肥市滨湖新区为例

为获取合肥市滨湖新区地面PM_(2.5)浓度,利用地面风速对2022年7月31日-2023年7月31日MODIS传感器MCD19A2数据进行风速订正,并与同期气象数据和合肥市10个国控监测站点的PM_(2.5)数据建立AOD-PM_(2.5)反演模型。结果表明:BP网络训练到第10代时训练结果最为理想,均方误差MSE值约为0.027。训练集、验证集、测试集和总体结果回归值r均在0.88以上,总体结果高达0.93。通过BP预测工具箱建立模型,拟合优度达到0.807。选择滨湖新区7个典型测点,测量2023年7月12-16日每日平均PM_(2.5)浓度、地面风速和温湿度,结合气象数据代入反演模型对比发现,估算值和实测值曲线高度吻合,证明该模型可用于反演滨湖新区地面PM_(2.5)浓度。对PM_(2.5)浓度进行估算和分析,结果表明:1)滨湖新区西南侧PM_(2.5)浓度最高,东南侧最低;2)功能区PM_(2.5)浓度呈现为工业区>商业区>居住区>生态园区;3)工业园区废弃物的排放会导致PM_(2.5)浓度升高,对工厂设备的优化使用以及合理处理生产过程中的废弃物可降低PM_(2.5)浓度;4)商业区和居住区中的尾气排放、扬尘、工业排风等均会导致PM_(2.5)浓度升高,优化交通组织,推动新能源汽车的发展可降低PM_(2.5)浓度;5)产业园区的发展模式对城市PM_(2.5)浓度有显著影响,加快产业结构调整,推动产业绿色技术创新可降低PM_(2.5)浓度;6)城市绿地空间对PM_(2.5)有显著调节作用,增加绿地空间连通度、聚集度,加强大型绿地建设可发挥较强的PM_(2.5)消减作用。该研究所建立的AOD-PM_(2.5)反演模型旨在为城市街区PM_(2.5)空间分布特征研究提供可靠方法,具有重要的实践意义。

重庆市绿色空间景观格局与PM_(2.5)浓度时空相关性

空气中的细颗粒物对人民群众身体健康产生严重威胁,探究绿色空间景观格局对PM_(2.5)浓度的影响,有助于通过调整绿色空间格局降低PM_(2.5)浓度。以重庆市1980~2020年土地利用遥感监测数据和PM_(2.5)浓度数据作为基础数据,通过景观格局指数法、空间自相关分析研究绿色空间景观格局及PM_(2.5)浓度变化特征,再通过时空地理加权回归(GTWR)模型研究绿色空间景观格局指数变化对PM_(2.5)浓度的影响及其时空异质性。结果表明:①重庆市PM_(2.5)浓度从1980年至2010年逐渐上升,2010年至今逐渐降低;同时,其空间分布具有显著聚集特征,主要显示为东部低-低聚集、西部高-高聚集的特征。②林地、草地和耕地的面积指数(TA)、斑块密度指数(PD)和斑块连接度指数(COHESION)与PM_(2.5)浓度具有显著的相关性。其中,林地面积指数呈负影响,耕地、草地面积指数呈正影响;林地、草地斑块密度指数呈正影响,耕地斑块密度指数呈负影响;林地、草地和耕地斑块连接度指数均呈负影响。③主城都市区内,草地面积指数和耕地斑块密度指数对PM_(2.5)浓度的负影响较强。渝东北三峡库区城镇群和渝东南武陵山区城镇群内,林地聚合度指数(AI)、斑块密度指数和斑块连接度指数以及耕地面积指数对PM_(2.5)浓度的影响较强。

顾及溢出效应的城市生态空间对PM_(2.5)污染的影响

大城市是中国空气污染的重点治理区域,但现有研究聚焦于如何从源头上减少人为污染排放,鲜少关注如何通过优化城市生态结构以提升存量生态空间的环境效益,进而削减既定人为排放造成的空气污染。鉴于此,文章以空气污染较为严重且生态用地较为紧张的武汉市为例,利用高分辨率、高精度PM_(2.5)数据,结合土地利用转移矩阵与多元回归模型,探析了2000—2020年武汉市不同结构的城市生态空间对PM_(2.5)污染的削减作用及其空间溢出效应。研究结果表明:武汉市城市生态空间可以显著地削减PM_(2.5)污染,3期直接削减量分别为7.62μg/m^(3)、16.52μg/m^(3)和3.64μg/m^(3),直接削减作用是城市生态空间削减PM_(2.5)污染的主要渠道;武汉市城市生态空间在削减PM_(2.5)污染时具有显著的空间溢出效应,通过溢出效应产生的间接削减量分别为2.13μg/m^(3)、2.77μg/m^(3)和0.93μg/m^(3),远小于直接削减量,但也不容忽视;当生态空间规模一定时,不同结构的城市生态空间对PM_(2.5)污染的直接削减作用一致,而间接削减作用存在显著差异,相比于面状结构,线状生态空间对PM_(2.5)污染的间接削减作用更为明显,且随着规模的增加,差异越显著。该研究结果既可以丰富城市生态空间的环境效应研究视角,又可以为兼具经济发展和生态保护双重压力的大城市空气污染治理提供新思维。

基于空间杜宾模型的中国274市PM_(2.5)浓度时空特征及影响因素研究

PM_(2.5)是雾霾污染的重要成分之一,研究其时空演变特征及影响因素对控制PM_(2.5)浓度升高有重要意义。采用2003—2020年274个地级以上城市PM_(2.5)浓度及相关指标数据,结合GIS空间分析以及面板空间杜宾模型对PM_(2.5)浓度的时空演变特征和影响因素进行全面解析。结果表明:1)PM_(2.5)浓度呈波动下降趋势且其分布存在明显的地区差异,重污染区域主要分布在华北、华中和华东地区。2)PM_(2.5)浓度呈现出显著的空间关联特征,大多数城市都是高-高集聚或低-低集聚。3)在社会经济因素中,政府环境治理、科技支出和外商直接投资对PM_(2.5)浓度是负向影响,工业化水平和人口密度对PM_(2.5)浓度是正向影响;在自然因素中,年均风速、年均日照时数和地形起伏度等对PM_(2.5)浓度是负向影响。基于实证研究分析,从顶层设计出发,提出大气污染防治的可行性建议。

城市公园绿地区域PM_(2.5)-O_(3)复合污染空间分异特征研究——以北京奥林匹克森林公园为例

城市绿地能够改善城市区域环境污染进而提高人居环境质量。以北京奥林匹克森林公园绿地为例,选定典型植物群落结构、群落类型及景观环境样点,基于多年连续动态持续测定并选取典型年度数据(2020年),分析和阐释该公园绿地区域PM_(2.5)、O_(3)及PM_(2.5)-O_(3)复合污染空间分异特征。结果表明,公园绿地不同群落结构区域的PM_(2.5)浓度,乔灌草/乔灌/乔草结构低于灌草/草本地被结构;不同群落类型区域的PM_(2.5)浓度,常绿针叶型/针阔叶混交型/落叶阔叶型低于草本地被/灌丛;不同典型景观环境中,复层群落结构/双层群落结构/滨水植物群落/滨水广场区域的PM_(2.5)浓度要低于单层群落结构。试验中,不同群落结构、类型以及景观环境区域的O_(3)浓度均高于100μg·m^(-3)且样点间未呈现显著差异;以PM_(2.5)-O_(3)复合污染值为主要参数的空气质量评价值(AQI)达到“中度污染”等级,此结果值得进一步关注。以期为基于循证设计的功能型城市绿地规划设计及更新优化提供基础科学依据。

基于地理加权随机森林的长三角PM_(2.5)建模

采用随机森林(RF)和地理加权随机森林(GWRF)对长三角地区2003~2019年的PM_(2.5)浓度及其驱动因素数据进行训练、校验与测试,并探讨它们之间的关系.结果表明:(1)相比RF模型,GWRF模型对PM_(2.5)浓度的训练和预测更优,其各项模型评估指标均优于RF模型,且GWRF模型残差的空间自相关性更低.(2)GWRF模型预测2019年PM_(2.5)浓度分布优于RF模型,与实际观测浓度分布基本一致,但两个模型均存在北部高估南部低估的情况,且高估区域大于低估区域.(3)RF模型在研究PM_(2.5)浓度分布最重要且显著的驱动因子方面是全局性的,而GWRF模型得到干旱、气温、温差、风速以及人类干扰对PM_(2.5)分布的影响是局部性的.在大尺度下,这种局部性的效应对于PM_(2.5)精细化防控更具实际性的指导意义.此外,在全球气候暖干化和区域气候空间异质性的背景下,把干旱融入PM_(2.5)预测并建立具有局部效应的模型有助于环境监管机构及决策者制定防控措施.

长三角地区PM_(2.5)时空分布及环境驱动因素分析

本研究分析了2015—2020年长三角地区地面PM_(2.5)浓度的时空变化特征,并利用随机森林回归法分析环境驱动因素。结果发现:2015—2020年长三角地区PM_(2.5)浓度整体呈下降趋势,2020年初受疫情影响PM_(2.5)浓度降至趋势线最低点,之后浓度呈回升趋势。长三角地区的西部和北部多为高高聚集区,是污染防治的重点和难点;南部和东部多为低低聚集区,空气质量较好。随机森林分析发现7个环境变量对PM_(2.5)季节平均浓度的解释率均超过98%。其中,降水和温度是PM_(2.5)重要的驱动因素,秋季和冬季野火密度是冬季PM_(2.5)浓度最重要的驱动因素。火灾信息的纳入有助于提高PM_(2.5)浓度预测的准确性,并为政府制定空气污染防控措施提供可靠依据。

中国农业氨排放和PM_(2.5)空间分布特征分析

依据《大气氨源排放清单编制技术指南》,利用排放因子法测算了2010—2019年中国农业源的NH_(3)排放量,探究了NH_(3)和PM_(2.5)的时空分布特征,并利用SPASS软件对PM_(2.5)和NH_(3)的相关性进行分析。结果表明:2010—2019年NH_(3)排放量表现为先增后减的趋势,主要源于氮肥施用的增减;NH_(3)排放强度的空间分布具有差异性:东部地区NH_(3)单位面积排放强度较高,而西部地区NH_(3)单位GDP排放强度较高。PM_(2.5)时间分布上具有差异性,自2013年以来,PM_(2.5)年均浓度逐年下降,但下降趋势在减缓,同时季节上PM_(2.5)总体污染情况为冬季>秋季>春季>夏季,这与不利的气象条件、较强的大气氧化性以及区域传输有着密切的联系;空间分布上呈现明显的聚集特征,PM_(2.5)年均浓度未达到国家空气质量二级标准的省份基本均聚集在胡焕庸线以东地区。通过Pearson相关性分析,发现PM_(2.5)年均浓度和NH_(3)单位GDP排放强度两者间具有很强的正相关性,即中国PM_(2.5)污染的治理需要协同NH_(3)减排。

基于支持向量机改进的克里金插值法——以汾渭平原PM_(2.5)数据为例

克里金插值法根据待测点与已知点的空间位置关系以及研究区域内变量的空间相关性为已知点赋予不同权重,再通过加权求和的方式得到待测点的估计值,为待测点提供最佳的线性无偏估计。变异函数描述了区域化变量的空间变化信息,常用的理论变异函数包括球状模型、指数模型和高斯模型,然而以上模型形式较为固定且选择较为主观,可能无法准确反映数据波动趋势。基于此,提出引入支持向量机作为新的变异函数对克里金方法进行改进。使用汾渭平原PM_(2.5)浓度数据对改进前后的克里金插值法进行效果对比。结果表明:支持向量机能够拟合出变异函数的变化趋势,改进后的克里金插值精度优于改进前的克里金插值精度,因此支持向量机改进的克里金插值法是一种可选的克里金方法。

黄河流域PM_(2.5)的时空演进及影响因素分析

文章基于2000—2020年黄河流域90个城市的面板数据,运用空间变差函数分析PM_(2.5)污染的空间演进特征,运用空间计量模型对PM_(2.5)的影响因素及空间溢出效应进行实证分析。结果表明:研究期间黄河流域PM_(2.5)年均浓度呈现“M”型变化趋势;东南-西北向是PM_(2.5)空间演进的主要方向;在控制其他变量不变的情况下,黄河流域内邻近地区PM_(2.5)的浓度每升高1%将导致本地PM_(2.5)浓度升高0.6%以上;年均气温、工业化水平、城镇化率、能源消费水平存在显著的空间溢出效应;人口密度、城市建设用地面积对本地PM_(2.5)浓度产生正向影响,年降水量、植被覆盖度对本地PM_(2.5)浓度产生负向影响。

典型人类活动对关中平原城市群PM_(2.5)浓度的影响

为应对突发公共卫生事件而采取的流动限制性措施,为研究人类活动对PM_(2.5)浓度的影响提供了一个独特的自然实验环境,但该期间关中平原城市群PM_(2.5)浓度分布及驱动力有何变化尚缺乏关注。基于2018~2020年PM_(2.5)遥感反演数据,采用空间自相关分析、地理探测器和多尺度地理加权回归(MGWR)模型,分析2020年2月至3月实施流动限制性措施期间关中平原城市群PM_(2.5)浓度及驱动因子的时空演变特征。结果表明:①2020年2月至3月PM_(2.5)浓度显著下降,2020年2月热点减少,3月冷点减少。②相比历年同期,所有人为因素单因子在2020年2月对关中平原城市群PM_(2.5)浓度的解释力最低,自然因素解释力较高。其中,工厂兴趣点分布(POI_D)及路网分布(RD)解释力相比历年同期平均解释力降幅最大,分别为20.3%和38.6%。所有人为因素双因子交互影响解释力在2020年2月最低。③所有人为因素在2020年2月对关中平原城市群PM_(2.5)浓度的作用尺度最小,当不同时期人为因素强度处于平均水平时,实施流动限制性措施期间的PM_(2.5)浓度更易降低,但东部地区的PM_(2.5)浓度防治强度还需增大。

基于最优城市匹配神经网络模型的PM_(2.5)插值方法

为解决部分城市PM_(2.5)浓度数据缺值严重,无法通过训练自身数据得到预报模型的问题,提出用相似城市的预报模型实现目标城市历史数据的填补。依据23个城市的气象数据、城市发展数据和PM_(2.5)浓度数据,建立基于自组织映射(SOM)和门控循环单元(GRU)神经网络的PM_(2.5)日均浓度数据插值模型,并分别利用该插值模型和传统插值方法(线性插值和样条插值)对不同类型的缺值数据进行填补,对比两者的填补效果。实验结果表明,基于SOM神经网络的城市匹配模型可以准确地匹配出目标城市的相似城市;当缺值数据少于5天时,利用传统插值方法的填补效果优于GRU插值模型;当缺值数据多于5天时,GRU插值模型更胜任长时间缺测数据的填补工作。

京津冀地区PM_(2.5)空间分布特征及其影响因素分析

文章选取2016—2020年京津冀地区的PM_(2.5)监测站点数据为研究对象,分析京津冀地区PM_(2.5)浓度的时空分布特征,并构建地理加权回归模型(GWR)分析PM_(2.5)浓度受各因素影响的空间变化特征。结果表明:(1)2016—2020年京津冀地区的PM_(2.5)浓度基本呈下降趋势,2018与2020年的PM_(2.5)浓度最低且污染区域最少;PM_(2.5)浓度表现出明显的季节变化特征,春夏季节较低,冬季最高。(2)京津冀北部的张家口、承德和秦皇岛为PM_(2.5)浓度低值区,南部的石家庄、邢台、邯郸、保定和衡水为PM_(2.5)浓度高值区。(3)京津冀地区PM_(2.5)浓度空间分布存在明显的聚集特征,北部保持“低-低”聚集,南部保持“高-高”聚集,非显著区域在中间位置,呈现倒“U”型分布。(4)不同的影响因素对于PM_(2.5)浓度的影响程度有着较为明显的空间差异性。

长三角城市群城市空间形态对PM_(2.5)与O_(3)污染空间异质性特征的影响研究

城市空间形态作为城市建设用地扩张及社会经济空间结构聚合体反映了城市化进程,探究城市空间形态及PM_(2.5)与O_(3)污染对区域大气环境治理具有重要意义。基于“十三五”规划期间长三角城市群空气质量监测站及气象站观测数据、中国土地覆盖数据(China Land Cover dataset)、人口密度及夜间灯光遥感影像从城市空间格局指数(城市建设用地紧凑度、城市建设用地边缘密度、城市建设用地斑块密度等)及城市空间结构指数(城市夜间平均夜光遥感指数、城市人口密度、城市通勤度等)角度计算城市空间形态指数,并运用地理探测器解析PM_(2.5)与O_(3)污染空间异质性特征。结果表明,1)2020年长三角城市群城市PM_(2.5)年均质量浓度值较2016年下降15.9%,而MDA8 O_(3)年均质量浓度值增长9.94%;PM_(2.5)与O_(3)季节质量浓度时空分异特征显著,其相关性系数体现出“自东南沿海向西北内陆递减”的特征。2)长三角城市群的城市空间形态指数时空分异特征强于气象要素。除2019-2020年交通通勤度和城市建设用地紧凑度分别出现短暂44.8%和5.86%下降外,其余指数均逐年上升;长三角城市群城市空间形态指数受空间异质性影响整体呈“北高、中部次之、南低”的特征。3)城市建设用地紧凑度是长三角城市群城市PM_(2.5)与O_(3)污染的最主要城市空间格局影响因子,对PM_(2.5)质量浓度值、MDA8 O_(3)质量浓度值及PM_(2.5)与O_(3)浓度相关性解释率分别为0.259、0.419和0.258。研究结果揭示长三角城市群城市的主要空间形态指数将增强城市PM_(2.5)与O_(3)污染空间异质性特征,为探明城市化扩张背景下大气污染物的空间演化规律提供了新思路。

黑龙江省PM_(2.5)浓度与土地利用的相关性分析

基于2010-2020年黑龙江省PM_(2.5)浓度数据及土地利用/覆被变化(LUCC)数据,对该省PM_(2.5)及LUCC进行了时空分布特征分析,并利用Arc GIS空间分析、地理加权回归等手段探讨PM_(2.5)变化与LUCC的相关性。结果表明,(1)黑龙江省11年来PM_(2.5)年均浓度的空间格局均为西南高、东北低。时间格局呈先上升、后下降的趋势;(2)2010-2020年黑龙江省土地利用类型/覆被以耕地、林地为主。土地利用类型面积变化主要为林地、草地转为人造地表;(3)通过GWR进行响应分析发现,PM_(2.5)变化对土地利用/覆被变化有显著的响应作用。当林地草地转化为人造地表时PM_(2.5)浓度上升,而耕地及人造地表转为林地草地时PM_(2.5)浓度降低。因此,增加绿地面积对于防止PM_(2.5)浓度上升具有重要作用。

基于EBK-GWR方法的区域PM_(2.5)浓度估算

针对我国现有的空气监测站点数量有限且分布不均、获取连续的区域PM_(2.5)数据困难的问题,依据由两广地区气象站获取的气压(PRS)、温度(TEM)、相对湿度(RHU)以及所属和相邻探空站获取的大气可降水量(PWV)数据,通过反距离加权插值得到2019年两广地区不同季节的TEM、 PRS、 RHU和PWV数据,综合分析其与PM_(2.5)的相关性,进一步构建地理加权回归模型(GWR)和经验贝叶斯克里金-地理加权回归模型(EBK-GWR),对2019年两广地区PM_(2.5)浓度空间分布进行估算。结果表明:EBK-GWR模型在不同季节的PM_(2.5)浓度估算效果明显优于GWR模型,其中春、秋两季均方根误差RMSE和平均绝对误差MAE提升最为显著;相比于GWR模型,春季分别提升了16.67%和13.88%,秋季提升了14.13%和13.04%;夏、冬两季提升效果较春、秋两季有所降低,但较于GWR提升均保持在10%左右,且不同季节估算的RMSE和MAE均小于4μg/m3。

基于不同城市规模的长三角地区PM_(2.5)质量浓度变化及其影响因素

长三角地区是中国经济发展最活跃、创新能力最强的区域之一,但随工业化和城市化迅速推进,PM_(2.5)污染问题受到了广泛关注。本文以长三角地区为研究对象,基于2000—2018年遥感反演的PM_(2.5)数据,利用空间聚集分析、空间面板计量模型等方法,揭示不同人口规模城市PM_(2.5)质量浓度的时空演变特征,及其关键影响因素。研究表明:①2000—2018年长三角地区PM_(2.5)平均质量浓度约(40.5~59.1)μg/m^(3),整体呈现先上升后下降的趋势。②其中,特大城市与中等城市的PM_(2.5)质量浓度持续走高,而其他规模城市的PM_(2.5)质量浓度则呈现下降趋势,出现显著的“两极分化”现象。③长三角地区PM_(2.5)质量浓度空间聚集性特征明显,PM_(2.5)质量浓度“高–高”聚集区分布在长三角地区东北部,且聚集范围持续缩小,“低–低”聚集区从江苏中部转移至浙江中南部。④长三角地区PM_(2.5)质量浓度存在空间溢出效应,影响PM_(2.5)质量浓度变化的最重要因素是第二产业占比,其次是第三产业占比,城镇化率、地区生产总值和建成区占比的影响较小。

行道树种植对街谷PM_(2.5)浓度扩散的影响研究

该文构建了国槐(Sophora japonica)的生长参数方程,并通过ENVI-met软件构建三维植物模型和理想街谷模型,模拟了斜交风向下(α=45°)不同街谷场景的PM_(2.5)浓度扩散情况,分析不同行道树种植场景下街谷PM_(2.5)浓度水平和垂直分布特征,探究行道树种植参数对行人呼吸高度处PM_(2.5)浓度的影响。结果表明行道树种植会导致街谷PM_(2.5)浓度上升;随着街谷高度递增,PM_(2.5)浓度呈降低趋势;此外,研究发现随着树高、LAD的增加,慢行道行人高度处PM_(2.5)浓度显著增加;随着株距的递增,PM_(2.5)浓度呈下降趋势。树高6 m、株距8 m和LAD 1.5 m^(2)/m^(3)可作为北方地区街谷空气质量改善的行道树种植参数的建议组合。

2001—2020年云南省PM_(2.5)时空格局及演变分析

基于重心模型和空间自相关等分析方法,利用卫星遥感、人工智能和大数据生成的2001—2020年近地表大气污染物数据集中的PM_(2.5)浓度数据集,综合分析云南省2001—2020年PM_(2.5)浓度时空演变特征,并探讨其空间异质性成因.结果表明:①以2013年为拐点,前13年PM_(2.5)浓度缓慢增长,后7年则急剧下降.主导区间近地面层大气中PM_(2.5)浓度于2015年发生明显变化,由25~35μg/m^(3)和35~50μg/m^(3)变为15~25μg/m^(3)和25~35μg/m^(3).②后7年年均PM_(2.5)浓度较前13年大幅减弱,滇西北和滇中地区减弱程度较滇西南和滇南地区明显,使得研究时段PM_(2.5)浓度重心南移19.8 km.③乡镇PM_(2.5)浓度存在显著的空间正相关性,但相关强度随时间减弱;2015年和2020年PM_(2.5)浓度高—高集聚的热点区域较前面年份扩张明显,基本覆盖滇西南和滇南区域;低—低集聚冷点区域成片分布于滇西北至滇中北部.④气象要素、地理位置、地形因子和上风方生物质燃烧释放的污染物影响差异,是造成云南省大气中PM_(2.5)浓度时空格局及演变的主要驱动力.