通过北京市34个国控监测站点,建立0.5、1、1.5、2、3、4、5km的缓冲区,应用土地利用回归模型(Land Use Regression,LUR)对北京市采暖季与非采暖季PM_(2.5)浓度进行空间分布模拟,并采用留一交叉互验法验证模型精度。结果表明:采暖季LUR...通过北京市34个国控监测站点,建立0.5、1、1.5、2、3、4、5km的缓冲区,应用土地利用回归模型(Land Use Regression,LUR)对北京市采暖季与非采暖季PM_(2.5)浓度进行空间分布模拟,并采用留一交叉互验法验证模型精度。结果表明:采暖季LUR模型调整R^(2)为0.799,模拟精度为0.7992,均方根误差(Root Mean Square Error,RMSE)为6.66μg·m^(-3);非采暖季LUR模型调整R^(2)为0.807,模拟精度为0.8198,均方根误差为5.91μg·m^(-3),模型表现良好。从模拟结果来看,北京市PM_(2.5)主要分布在东南部人口、交通密集的平原区域,整体呈现南高北低的状态。展开更多
构建武汉市NO_2浓度的土地利用回归(Land use regression,LUR)模型,可用于个体NO_2长期暴露水平的估计。收集了武汉市10个空气质量监测站2015年的日均NO_2监测数据作为因变量,以武汉市土地利用、海拔高度、人口密度和道路总长度数据作...构建武汉市NO_2浓度的土地利用回归(Land use regression,LUR)模型,可用于个体NO_2长期暴露水平的估计。收集了武汉市10个空气质量监测站2015年的日均NO_2监测数据作为因变量,以武汉市土地利用、海拔高度、人口密度和道路总长度数据作为预测变量,采用逐步回归方法构建LUR模型,并采用留一交叉验证法对模型的精度进行评价。结果显示,武汉市NO_2浓度主要与所在地半径2千米缓冲区内的植被地面积和半径5千米缓冲区内的农用地面积相关。LUR模型的调整R^2大小为0.85,表明模型能解释大部分的变异;LOOCV检验的调整R^2大小为0.63,表明模型具有较好的拟合精度。展开更多
This article attempts to detail time series characteristics of PM2.5 concentration in Guangzhou(China)from 1 June 2012 to 31 May 2013 based on wavelet analysis tools,and discuss its spatial distribution using geograph...This article attempts to detail time series characteristics of PM2.5 concentration in Guangzhou(China)from 1 June 2012 to 31 May 2013 based on wavelet analysis tools,and discuss its spatial distribution using geographic information system software and a modified land use regression model.In this modified model,an important variable(land use data)is substituted for impervious surface area,which can be obtained conveniently from remote sensing imagery through the linear spectral mixture analysis method.Impervious surface has higher precision than land use data because of its sub-pixel level.Seasonal concentration pattern and day-by-day change feature of PM2.5 in Guangzhou with a micro-perspective are discussed and understood.Results include:(1)the highest concentration of PM2.5 occurs in October and the lowest in July,respectively;(2)average concentration of PM2.5 in winter is higher than in other seasons;and(3)there are two high concentration zones in winter and one zone in spring.展开更多
为有效解决传统监测技术无法获取城市内部高分辨率PM2.5浓度空间分布情况的问题,基于土地利用回归(land use regression,LUR)模型,以关中平原城市群为例模拟其PM2.5空间分布状况,通过获取研究范围内54个监测站点的PM2.5浓度数据,结合土...为有效解决传统监测技术无法获取城市内部高分辨率PM2.5浓度空间分布情况的问题,基于土地利用回归(land use regression,LUR)模型,以关中平原城市群为例模拟其PM2.5空间分布状况,通过获取研究范围内54个监测站点的PM2.5浓度数据,结合土地利用类型、气象、地形、植被指数、人口密度、交通和污染源等因素,分别建立春、夏、秋、冬及年均5个LUR模型。结果表明:LUR模型调整后各季节及年平均值的R2分别达到0.831(春)、0.817(夏)、0.874(秋)、0.857(冬)、0.900(全年平均),5种模型拟合度均较好;采取交叉互验的方法进行了精度检验,显示5种模型的平均精度均达到80.4%,说明LUR模型在模拟关中平原城市群PM2.5浓度空间分布时适用性良好。模拟结果显示,研究区各季节的PM2.5浓度在空间分布上大致相同,呈现出东部高、西部低的明显特征,且空间分布状况受地形因素的影响较大。但在浓度均值的季节变化上则具有夏季低、冬季高的明显差异。本研究结果可为关中平原城市群PM2.5污染防治提供科学依据,亦可为城市内部PM2.5浓度空间分布数据的获取提供新思路。展开更多
文摘通过北京市34个国控监测站点,建立0.5、1、1.5、2、3、4、5km的缓冲区,应用土地利用回归模型(Land Use Regression,LUR)对北京市采暖季与非采暖季PM_(2.5)浓度进行空间分布模拟,并采用留一交叉互验法验证模型精度。结果表明:采暖季LUR模型调整R^(2)为0.799,模拟精度为0.7992,均方根误差(Root Mean Square Error,RMSE)为6.66μg·m^(-3);非采暖季LUR模型调整R^(2)为0.807,模拟精度为0.8198,均方根误差为5.91μg·m^(-3),模型表现良好。从模拟结果来看,北京市PM_(2.5)主要分布在东南部人口、交通密集的平原区域,整体呈现南高北低的状态。
文摘构建武汉市NO_2浓度的土地利用回归(Land use regression,LUR)模型,可用于个体NO_2长期暴露水平的估计。收集了武汉市10个空气质量监测站2015年的日均NO_2监测数据作为因变量,以武汉市土地利用、海拔高度、人口密度和道路总长度数据作为预测变量,采用逐步回归方法构建LUR模型,并采用留一交叉验证法对模型的精度进行评价。结果显示,武汉市NO_2浓度主要与所在地半径2千米缓冲区内的植被地面积和半径5千米缓冲区内的农用地面积相关。LUR模型的调整R^2大小为0.85,表明模型能解释大部分的变异;LOOCV检验的调整R^2大小为0.63,表明模型具有较好的拟合精度。
基金This work is supported by the National Nature Science Foundation of China[grant number:41201432],the National Science Foundation of Tibet[grant number:2016ZR-TU-05]the Foundation for Innovative Research for Young Teachers in Higher Educational Institutions of Tibet[grant number:QCZ2016-07].
文摘This article attempts to detail time series characteristics of PM2.5 concentration in Guangzhou(China)from 1 June 2012 to 31 May 2013 based on wavelet analysis tools,and discuss its spatial distribution using geographic information system software and a modified land use regression model.In this modified model,an important variable(land use data)is substituted for impervious surface area,which can be obtained conveniently from remote sensing imagery through the linear spectral mixture analysis method.Impervious surface has higher precision than land use data because of its sub-pixel level.Seasonal concentration pattern and day-by-day change feature of PM2.5 in Guangzhou with a micro-perspective are discussed and understood.Results include:(1)the highest concentration of PM2.5 occurs in October and the lowest in July,respectively;(2)average concentration of PM2.5 in winter is higher than in other seasons;and(3)there are two high concentration zones in winter and one zone in spring.
文摘为有效解决传统监测技术无法获取城市内部高分辨率PM2.5浓度空间分布情况的问题,基于土地利用回归(land use regression,LUR)模型,以关中平原城市群为例模拟其PM2.5空间分布状况,通过获取研究范围内54个监测站点的PM2.5浓度数据,结合土地利用类型、气象、地形、植被指数、人口密度、交通和污染源等因素,分别建立春、夏、秋、冬及年均5个LUR模型。结果表明:LUR模型调整后各季节及年平均值的R2分别达到0.831(春)、0.817(夏)、0.874(秋)、0.857(冬)、0.900(全年平均),5种模型拟合度均较好;采取交叉互验的方法进行了精度检验,显示5种模型的平均精度均达到80.4%,说明LUR模型在模拟关中平原城市群PM2.5浓度空间分布时适用性良好。模拟结果显示,研究区各季节的PM2.5浓度在空间分布上大致相同,呈现出东部高、西部低的明显特征,且空间分布状况受地形因素的影响较大。但在浓度均值的季节变化上则具有夏季低、冬季高的明显差异。本研究结果可为关中平原城市群PM2.5污染防治提供科学依据,亦可为城市内部PM2.5浓度空间分布数据的获取提供新思路。
