2019, Vol. 40
2. 中国矿业大学地球科学与测绘工程学院, 北京 100083
2. College of Geoscience and Surveying Engineering, China University of Mining and Technology, Beijing 100083, China
大气细颗粒物(PM2.5)指空气动力学直径小于等于2.5 μm的颗粒, 是大气污染的重要成分之一, 也是造成京津冀及周边地区空气重污染的主要污染物之一.近年来, 卫星遥感技术由于监测范围广、动态持续长、数据客观科学等独特优势, 并且获取的气溶胶光学厚度(aerosol optical thickness, AOT)产品与大气颗粒物浓度具有显著的相关性, 被广泛用于我国大气颗粒物遥感监测[1, 2].
国内外许多学者在PM2.5遥感估算方法上进行了大量的尝试研究实验, 其主要思路是在卫星遥感获取AOT产品的基础上, 考虑大气边界层高度、温度、湿度、风速等气象环境的影响, 采用不同的物理机制和数理统计方法来获取区域PM2.5浓度信息, 如文献[3~6]基于区域气候模式(RAMS)、全球预报系统(GFS)、中尺度区域气象模式(WRF)等模拟及地面观测气象资料结合MODIS数据反演的AOT产品通过订正和回归分析的方法获得了我国不同地区10 km分辨率的PM2.5浓度空间分布, 并初步分析了不同地区的PM2.5浓度时空变化; 文献[7~9]在地理加权回归(GWR)方法基础上进一步发展了两层级、贝叶斯最大熵-地理加权等更高级的统计模型, 以MODIS、ⅦRS等卫星遥感AOT资料结合AOT、气象数据、地理数据和污染物排放数据等信息, 实现了我国不同地区3 km、6 km和0.1°等多种分辨率的PM2.5浓度遥感估算产品, 均取得了良好的效果.由此可见, 利用卫星遥感获取高分辨率、高精度、大范围的区域PM2.5浓度数据是一种行之有效的技术手段, 但上述研究主要基于最高分辨率仅为3 km的AOT产品进行PM2.5浓度遥感估算方法研究, 并且更多的是在遥感估算技术方法方面的研究和验证, 而对重点区域PM2.5浓度多时间尺度产品验证和时空变化特征的深入研究分析相对较少, 不能为推广PM2.5遥感产品的应用提供质量保证, 也不能为环境监管部门提供多层次的决策信息支持.
为进一步挖掘卫星遥感技术在重点地区和局地大气环境精细化监测领域的应用潜力, 本研究从MODIS L1B数据中反演1 km分辨率的AOT, 采用地理加权回归模型实现京津冀及周边地区2016~2017年逐日PM2.5浓度的遥感反演, 并在此基础上对多种时间尺度PM2.5浓度合成结果进行验证分析, 最后从不同时间尺度对2016年和2017年京津冀地区的PM2.5时空变化特征进行了对比分析, 同时关注环境监管活动与PM2.5变化的相关性, 以期为大气环境管理部门提供决策信息支持.
1 材料与方法 1.1 研究区域概况京津冀地区处于环渤海地区和东北亚的核心重要区域, 是中国最大的能源工业基地、重要的钢铁基地和棉花基地, 作为中国工业最为发达的地区之一, 同时也是空气污染最严重的地区之一, 是国家控制空气污染的重点区域.而空气污染物的迁移扩散会影响周边省市的空气质量, 石家庄、郑州、济南和太原等城市在全国重点城市环境空气质量排名多次列入空气质量相对较差的前十位, 因此需对京津冀及其周边地区采取联防联控措施[10].
根据文献[11], 到2017年京津冀及周边地区(主要包括北京、天津、河北、山西、山东、河南等省市, 东经：110°~125°, 北纬：30°~45°)将采取一系列措施减少污染的排放, 环境保护部在2017年开展了第一季度空气质量专项督查[12]和多次京津冀及周边地区秋冬季大气污染综合治理攻坚行动巡查[13]等行动, 以督促《大气污染行动防治计划》的落实.为了有效支撑PM2.5污染防控措施的落实和污染物削减评估, 本研究以京津冀及周边地区作为研究区域(见图 1), 利用MODIS卫星数据和WRF资料对2016~2017年PM2.5时空变化情况进行遥感监测, 并与去年同期进行对比分析, 以期为京津冀及周边地区大气污染物联防联控提供科学的决策依据.
|
图中边框即为研究区边界, 京津冀及周边地区的北京、天津、河北、山西、山东、河南等省和市边界分别以黑色线条和蓝色线条标注 图 1 京津冀及周边重点城市地面PM2.5自动观测站地理位置示意 Fig. 1 Geographic location of key city PM2.5 observation sites in Beijing-Tianjin-Hebei and surrounding regions |
卫星遥感监测PM2.5需要高精度的关键技术参量, 主要包括AOT、相对湿度(RH)和边界层高度(HPBL)等参数.本研究结合暗象元和深蓝算法从MODIS数据中提取AOT, 从WRF模拟资料中提取边界层高度和相对湿度.
1.2.1 AOT遥感监测假设大气水平均一的情况下, 卫星传感器接收到的表观反射率可用式(1)表示为大气和地表之间多次散射的结果[14]：
|
(1) |
式中, ρTOA为卫星接收到的表观反射率, θs与θv分别为太阳天顶角与观测天顶角, ρ为太阳入射与卫星观测方向的相对方位角, ρ0为大气程辐射反射率, S为大气整层的半球后向反射率, T(θs)为太阳到地面的散射透过率, T(θv)为地表到卫星传感器的散射透过率, 一般T(θs)和T(θv)总是以乘积形式出现, 因此将T(θs)T(θv)可视为一个参数表示大气整层的散射透过率T, ρs为地表反射率.上述角度单位均为弧度, 反射率、透过率取值为0~1, 无量纲[15].
由式(1)可知, 卫星探测的表观反射率耦合了大气和地表的信息, 要进行AOT反演的关键是进行地气解耦, 去除地表反射率的影响[16].目前用于AOT遥感反演较成熟的算法有暗目标和深蓝算法等[17], 目前这种算法在MODIS传感器上得到了业务应用[18~20].暗目标法就是浓密植被法, 其原理是对于植被密集的地表(即暗目标), 红、蓝波段不仅有较小的反射率, 并且红、蓝和短波红外通道反射率之间具有较好的线性相关, 由此结合式(1)可实现暗目标象元的AOT遥感反演.而深蓝算法[21~23]是利用在蓝波段大气反射相对较强、地表反射相对较弱的特征, 基于地表反射率在一定时期变化较小的原理, 利用清晰天的地表反射率去除地表贡献反演气溶胶.
相关研究表明暗目标算法反演的AOT产品具有较高的精度[4, 18, 24], 而深蓝算法则能针对更广泛的地表类型, 而将两种算法采用优选的融合方法进行结果合成的AOT产品既提升了与地面CE318测量结果的相关性, 又能获取更高的覆盖率, 这比暗目标或者深蓝算法其中单独一种算法效果都有较大的改进.本研究基于该原理从MODIS数据中根据暗象元和深蓝算法原理[18]设计数据处理流程反演1 km分辨率的AOT产品, 作为本研究PM2.5遥感估算的关键参数之一.
1.2.2 边界层高度和相对湿度模拟边界层高度和相对湿度资料目前主要来源于中尺度大气模式的数值模拟结果, 目前主要有ETA、MM5、WRF和RAMS等区域气候模式.其中WRF模式(weather research and forecasting model)是由美国多所科研机构的科学家们共同研发的业务与研究共用的继MM5后新一代高分辨率中尺度预报模式, WRF模式是一种完全可压缩非静力模式, 其内部参数化方案较其他中尺度模式丰富, 物理过程更为细致, 集数值天气预报、大气模拟及数据同化于一体的模式系统, 能更好地改善对中尺度天气的模拟和预报, 目前主要被广泛用于模拟水平分辨率1~30 km的天气现象, 同时也可用于大涡模拟尺度(水平分辨率≤100 m)和全球尺度[25].
相关研究表明WRF在我国不同地区的边界层高度和湿度等参数模拟效果较好, 如石春娥等[26]应用MM5和WRF模式对我国中东部地区边界层气象要素进行了逐日模拟和结果检验, 表明WRF模式对地面温度和湿度的模拟效果较好, 并且能较好地再现近地逆温层; 王丽霞[27]和赵世强[28]等利用WRF模式模拟兰州市和北京市等地区的大气边界层高度, 并将模拟结果与同期探空资料和激光雷达观测计算的大气边界层高度进行了比较分析, 结果表明WRF模式能较好地模拟出不同地区的边界层高度变化特征, 与实测结果基本一致.
本研究中WRF模式采用2013年4月18日发布的WRF-ARW v3.5版本, 模拟范围为东经106.883 5°~146.998 6°和北纬17.845 4°~47.634 1°, 其中X方向设置210个网格, Y方向设置198个网格, 水平网格分辨率为15 km, 垂直方向共设置20个气压层, 层间距自下而上逐渐增大, 各物理过程参数设置如表 1, 参数详细介绍参考文献[29].
|
表 1 WRF物理过程参数化方案设置 Table 1 WRF physical process parameterization scheme settings |
1.2.3 PM2.5浓度遥感监测
近年来, 国内外学者开展了大量利用卫星遥感技术进行近地面PM2.5遥感监测关键技术及业务化方法研究, 但未考虑局部参数差异的PM2.5遥感估算方法会导致反演结果有较大的误差[4, 9, 30].因此, 越来越多的研究考虑PM2.5时空分布变化特征, 引入地理加权回归模型, 利用卫星遥感AOT和RH、HPBL等气象资料, 并结合地面观测数据发展了PM2.5遥感反演方法模型, 都取得了较好的效果.这主要是因为相对于其他统计模型对所有样本作为一个整体进行统计回归分析, 地理加权回归(GWR)模型可以对空间上的每个点都进行回归分析, 即对每个站点选取一定的带宽, 对该带宽内的数据进行回归分析, 从而得到空间连续分布的回归参数, 可以反映出PM2.5-AOT之间关系在空间上的变异[4, 9, 30~31].不少研究结果表明, GWR模型与普通线性回归模型相比, 能有效提升PM2.5空间预测结果精度[4, 9].卫星遥感监测PM2.5浓度的GWR模型(地理加权回归模型)如下[2]：
|
(2) |
式中, βd(ui, vi)表示为第d(d=0, 1, 2, 3)个参数在观测点(ui, vi)处的系数, 不同地理位置不同变量的回归系数会有一定差异.
本研究基于MODIS数据反演1 km分辨率的AOT产品, 从WRF模拟的原始15 km分辨率资料中提取边界层高度和相对湿度数据, 并将空间分辨率重采样为1 km, 然后与AOT产品进行时空匹配, 结合地面观测的每日卫星过境时间PM2.5平均浓度, 实现京津冀及周边地区的2016~2017年PM2.5浓度逐日遥感估算.在此基础上, 分别以月均、季均、年均等多种时间尺度进行PM2.5浓度合成计算, 然后根据地面观测结果对不同时间尺度合成的PM2.5遥感结果进行了验证分析, 同时计算统计特征参数以评估PM2.5遥感反演结果在多种时间尺度下的精度.
2 结果与讨论 2.1 卫星遥感反演结果验证基于上述PM2.5遥感估算模型, 利用MODIS和WRF模拟的气象资料对京津冀及周边地区2016~2017年每天的PM2.5浓度情况进行遥感监测, 并合成计算日均、月均和年均这3种时间尺度PM2.5遥感产品.
为保证京津冀及周边区域的PM2.5遥感反演结果的可靠性, 将2016年和2017年北京(12个)、天津(15个)、山东(100个)、山西(62个)、河北(53个)及河南(75个)等地共317个地面空气质量自动监测站点PM2.5结果按照日均、月均和年均这3种时间尺度进行合成计算, 并根据监测站点的地理位置, 从京津冀及周边地区PM2.5卫星遥感监测分布结果中分别提取与地面站点时空相匹配的PM2.5浓度进行相关分析(见图 2~4), 并统计相关参数评估不同时间尺度下PM2.5遥感反演结果的可靠性(表 2).
|
图 2 2016年和2017年PM2.5日均遥感估算与地面监测结果对比情况 Fig. 2 Comparison of the daily surface PM2.5 concentration between remote sensing data and observations in 2017 and 2016 |
|
图 3 2016年和2017年PM2.5月均遥感估算与地面监测结果对比情况 Fig. 3 Comparison of the monthly surface PM2.5concentration between remote sensing data and observations in 2017 and 2016 |
|
图 4 2016年和2017年PM2.5年均浓度遥感估算与地面监测结果对比情况 Fig. 4 Comparison of annual surface PM2.5 concentrations between remote sensing data and observations in 2017 and 2016 |
|
|
表 2 2017年和2016年PM2.5遥感估算与地面监测相关分析结果 Table 2 Correlation analysis results of the surface PM2.5 concentration between remote sensing data and observations in 2017 and 2016 |
从卫星遥感监测PM2.5结果与地面站点监测结果比对情况来看, 总体上本研究中卫星遥感PM2.5产品与地面测量结果在日均、月均和年均这3种时间尺度上均表现出较高的相关性, 二者决定系数基本都在0.8以上; 卫星遥感结果略低于地面观测结果, 二者比例系数在1.00~1.22之间; 卫星遥感产品精度总体较好, 均方根误差在10~20 μg·m-3之间, 相对精度均在60%以上.总体上, 本研究采用的PM2.5遥感反演模型效果较为理想, 根据该模型计算的1 km分辨率PM2.5产品精度能表现京津冀及周边地区的PM2.5时空变化特征, 基本满足对该地区PM2.5时空分布特征分析需要.
从不同时间尺度对比情况分析, 总体上卫星遥感PM2.5日均浓度产品与地面结果相关性最好(决定系数R2均为0.85), 但与地面观测结果误差相对最大(均方根误差大于11 μg·m-3), 相对精度最低(低于70%); 而卫星遥感PM2.5年均浓度产品虽然与地面结果相关性略低, 但误差最小(均方根误差小于11 μg·m-3), 且相对精度最高(达80%以上).这主要是因为时间尺度越小, PM2.5时空分布特征的不确定性越大, 数据噪声对卫星遥感反演结果影响也越大, 一般情况下卫星遥感反演结果都存在不同程度的“高值低估、低值高估”的问题[2], 卫星遥感反演结果的偏差并不是全部都单一为正偏差或者负偏差, 而是二者兼而有之, 因此随着时间尺度的加大, 越接近平均值则误差会越小, 相对精度则越高.
值得注意的是, 2016年和2017年MODIS遥感估算与地面观测线性相关分析结果表明, 同一时间尺度PM2.5遥感与地面观测结果的决定系数、均方根误差、相对精度、比例系数、相对精度等各项统计指标均较为接近, 这说明本研究反演的京津冀及周边地区的高分辨率PM2.5遥感产品较为稳定, 尽管还存在一定误差, 但可有效反映该地区的PM2.5浓度在日、月、年等3个时间尺度的空间分布变化特征.
2.2 PM2.5时空变化特征分析基于上述PM2.5遥感估算模型, 利用MODIS和WRF模拟的气象资料对京津冀及周边地区2016~2017年每天的PM2.5浓度情况进行遥感监测, 并计算日均、月均、季均和年均等多种时间尺度PM2.5浓度遥感结果, 考虑到卫星遥感产品的相对精度, 采用月均、季均和年均产品揭示京津冀及周边地区PM2.5浓度空间分布和变化情况.
2.2.1 PM2.5年平均浓度分布变化(1) PM2.5年平均浓度空间分布
2017年卫星遥感监测结果表明：京津冀及周边地区PM2.5年平均浓度主要在7~79 μg·m-3之间, 呈现“北低南高”的区域分布特征.河北北部和山东东部地区的PM2.5浓度相对较低, PM2.5年平均浓度主要在22~35 μg·m-3之间; 北京中部和南部、天津大部、河北中部、山西北部、山东东南部、河南西南部等地的PM2.5年平均浓度相对略高, 主要在35~50 μg·m-3之间; 河北南部、山西中部和南部、河南中部和北部、山东西部等地的PM2.5浓度相对较高, PM2.5年平均浓度主要在50~79 μg·m-3之间.PM2.5浓度高值区主要分布在河北南部、河南北部、山西西南部等地, 该地区的PM2.5年平均浓度主要在60~70 μg·m-3之间, 其中山西西南部的临汾中部地区的PM2.5年平均浓度超过70 μg·m-3. 2017年京津冀及周边地区PM2.5年平均浓度分布如图 5所示.
|
图 5 2017年和2016年京津冀及周边区域PM2.5年均浓度空间分布 Fig. 5 Spatial distribution of the annual mean PM2.5 concentrations in Beijing-Tianjin-Hebei and surrounding regions in 2017 and 2016 |
2016年卫星遥感监测结果表明：京津冀及周边地区PM2.5年平均浓度主要在19~89 μg·m-3之间, 呈现“北低南高”的区域分布特征.河北北部、山东东部等地的PM2.5年平均浓度相对较低, 主要在19~35 μg·m-3之间, 北京西部和北部、河北中北部、山西中部和北部、山东东部等地的PM2.5年平均浓度相对略高, 主要在35~50 μg·m-3之间; 北京中部和南部、天津大部、河北中部和南部、山东中部和西部、河南大部、山西南部等地的PM2.5年平均浓度相对较高, 主要在50~89 μg·m-3之间.PM2.5浓度高值区主要分布在北京中南部、天津南部、河北南部、河南中部和北部、山西西南部、山东西部等地, 该地区的PM2.5年平均浓度主要在60~70 μg·m-3之间, 其中保定中部、石家庄中南部、邯郸中北部、安阳中部、鹤壁中部、新乡西部及聊城中部等局部地区的PM2.5年平均浓度超过70 μg·m-3.
(2) PM2.5年平均浓度空间分布变化统计分析
根据卫星遥感监测结果分别统计2017年和2016年京津冀及周边地区PM2.5年平均浓度, 统计结果显示：2017年和2016年京津冀及周边地区PM2.5年平均浓度分别为47.5、52.3 μg·m-3.与2016年相比, 2017年京津冀地区PM2.5年平均浓度总体降低了4.8 μg·m-3, 降低9.2%.
将2017年与2016年的京津冀及周边地区PM2.5年均浓度进行差值计算并渲染制图(如图 6), 结果表明：与2016年相比, 2017年北京中部和南部、天津西部、河北中部及山东中部和西部等地的PM2.5浓度降幅最大, 下降了10 μg·m-3以上; 北京北部和西部、天津东部、河北北部和中南部、山东大部、河南中部等地的PM2.5浓度降幅其次, 下降了5~10 μg·m-3; 河北东南部、山西东部等地PM2.5浓度有所上升, 升幅不超过10 μg·m-3; 其他地区变化幅度较小.
|
图 6 2017年与2016年京津冀及周边地区PM2.5月均浓度差值分布 Fig. 6 Spatial distribution of the difference between annual PM2.5 concentrations in 2017 and 2016 in Beijing-Tianjin-Hebei and surrounding regions |
根据京津冀及周边地区PM2.5年平均浓度卫星遥感监测结果分别统计2017年和2016年不同省市的区域平均浓度值.统计结果显示：2017年京津冀及周边地区中河南地区的PM2.5区域年平均浓度最高, 为53.4 μg·m-3; 山西、山东、天津、河北其次, PM2.5区域年平均浓度分别为49.6、47.1、46.3、41.9 μg·m-3; 北京PM2.5区域年平均浓度最低, 为38.5 μg·m-3.与2016年相比, 2017年各省市的PM2.5区域年平均浓度均有不同幅度的下降, 其中北京地区的降幅最大, 为20.1%;山东、天津等地降幅其次, 分别为16.5%和16.2%;河北、河南等地的PM2.5区域年平均浓度降幅较小, 分别为9.97%和7.35%, 而山西地区的PM2.5区域年平均浓度变化很小, 与去年基本持平.2016~2017年京津冀及周边地区各省市PM2.5区域年平均浓度统计结果见图 7.
|
图 7 2016年和2017年京津冀及周边地区各省市PM2.5年平均浓度统计结果 Fig. 7 Comparison of annual average PM2.5 concentrations in cities and provinces of Beijing-Tianjin-Hebei and surrounding regions in 2016 and 2017 |
(1) PM2.5季平均浓度变化分析
为研究京津冀及周边地区PM2.5浓度季节时空变化特征, 利用卫星遥感反演的PM2.5日浓度产品分别合成计算2016~2017年京津冀及周边地区春季(3~5月)、夏季(6~8月)、秋季(9~11月)和冬季(12月~次年2月)这4个季节的PM2.5浓度结果, 其空间分布如图 8.
|
图 8 2016年和2017年京津冀及周边地区PM2.5季平均浓度分布 Fig. 8 Distribution of the seasonal average PM2.5 concentration in Beijing-Tianjin-Hebei and surrounding regions in 2017 and 2016 |
从图 8中可以看出, 2016~2017年京津冀及周边地区不同季节PM2.5季平均浓度空间分布格局变化不大, 总体上均呈现“南高北低”的空间分布特征, 相对高值区主要分布在燕山以南和太行山以东及山西西南部等地.与2016年相比, 除夏季以外其他三季PM2.5季平均浓度高值区范围均有所缩小, 秋季和冬季北京中南部、天津南部、河北南部、河南北部、山东西部、山西南部等地PM2.5浓度下降较为明显, 这与京津冀及周边地区2017~2018年秋冬季大气污染综合治理攻坚行动巡查[8]区域(“2+26”城市)较为吻合.
(2) PM2.5季平均浓度变化统计分析
统计2016~2017年京津冀及周边地区PM2.5季平均浓度, 总体上PM2.5浓度呈现较为明显的季节变化特征(见图 9).2017年京津冀及周边地区冬季PM2.5平均浓度分别约为68.6 μg·m-3, 显著高于其他3个季节, 这可能是因为冬季气温低, 一方面燃煤采暖加大了污染物排放, 一方面空气层结稳定、混合层高度低, 不利于污染物的扩散和稀释, 容易引起重污染天气; 秋季和春季其次, PM2.5平均浓度分别为43.1 μg·m-3和42.5 μg·m-3, 这可能和秋季秸秆焚烧以及春季沙尘天气影响有关; 夏季PM2.5平均浓度最低, 约为35.7 μg·m-3, 这主要是因为夏季大气温度和湿度较高, 边界层高度较高有利于污染物扩散, 且降雨较多有利于污染物清除.
|
图 9 2016~2017年京津冀及周边地区PM2.5季平均浓度变化 Fig. 9 Change of the seasonal average PM2.5 concentration in Beijing-Tianjin-Hebei and surrounding regions in 2017 and 2016 |
与2016年相比, 2017年秋季和春季的PM2.5平均浓度降幅最高, 分别为16.7%和14.4%;冬季降幅其次, 为7.2%, 这可能和2017年第一季度空气质量专项督查[11]和京津冀及周边地区2017~2018年秋冬季大气污染综合治理攻坚行动巡查[12]有关, 环保督查行动能有效督促大气污染防治行动的落实, 减少了污染排放行为; 夏季PM2.5平均浓度略有上升, 升幅为5.3%.
统计2016~2017年京津冀地区各省市的PM2.5季平均浓度(见图 10), 总体上2017年各省市PM2.5浓度呈现出“冬季>秋季≈春季>夏季”的季节变化特征.与2016年同期相比, 2017年北京、天津和河北等地的秋季PM2.5浓度降幅最大, 分别为42.8%、38.3%和27.8%, 这可能和京津冀及周边地区2017~2018年秋冬季大气污染综合治理攻坚行动巡查主要集中在该区域有关; 2017年河南、山西等地夏季PM2.5浓度升幅最大, 分别为14.4%和11.0%.
|
图 10 2016-2017年京津冀及周边地区各省市PM2.5季平均浓度变化 Fig. 10 Change of the seasonal average PM2.5 concentration in cities and provinces in Beijing-Tianjin-Hebei and surrounding regions in 2017 and 2016 |
(1) PM2.5月平均浓度变化分析
统计2016年1月~2017年12月京津冀及周边地区区域及各省市PM2.5月平均浓度, 总体上呈“波动下降”趋势(见图 11).2016年12月京津冀及周边地区区域PM2.5月平均浓度最高, 2016年8月最低.
|
图 11 2016~2017年京津冀及周边地区各省市PM2.5月平均浓度变化 Fig. 11 Change of the monthly average PM2.5 concentration in cities and provinces in Beijing-Tianjin-Hebei and surrounding regions in 2017 and 2016 |
从各省市PM2.5月平均浓度变化来看, 2016年11月北京地区的PM2.5月平均浓度最高, 2017年8月最低; 2016年12月天津地区的PM2.5月平均浓度最高, 2017年8月最低; 2016年12月山西、山东、河北和河南等地的PM2.5月平均浓度最高, 2016年8月最低.
与2016年同期相比, 2017年11~12月京津冀及周边地区PM2.5月均浓度降幅最大, 降幅超过30%, 这可能与京津冀及周边地区2017~2018年秋冬季大气污染综合治理攻坚行动巡查(2017年9月15日~2018年1月4日)有关; 2017年3~4月降幅其次, 降幅在20%~22%之间.这和2017年第一季度空气质量专项督查(2017年2月15日~3月18日)行动在时间上也有一定吻合.
3 结论(1) 本研究基于地理加权回归算法模型利用MODIS数据反演的京津冀及周边地区PM2.5浓度结果总体上效果较为理想, 与地面测量结果在日均、月均和年均这3种时间尺度上均表现出较高的相关性、一致性和稳定性.不同时间尺度的PM2.5浓度与地面相关分析结果存在一定差异, 总体上时间尺度越大, 遥感估算的PM2.5浓度结果均方根误差越小、相对精度越高, 但同一时间尺度遥感与地面观测的决定系数、均方根误差、比例系数、相对精度等各项统计指标均较为接近.
(2) 利用卫星遥感监测结果可有效揭示大范围区域的PM2.5分布时空分布特征, 2016年与2017年京津冀及周边地区PM2.5空间分布和季节变化特征比较类似, 空间分布呈现“南高北低”的趋势, 即河北北部及山东东部地区PM2.5浓度相对较低, 河北南部、河南北部及山西南部等地相对较高; 季节变化呈现“冬季>秋季≈春季>夏季”的特征.
(3) 结合稳定的PM2.5遥感反演模型和卫星遥感资料能较好地揭示京津冀及周边地区PM2.5时空变化规律, 与2016年相比, 一方面2017年区域PM2.5平均浓度较2016年下降约9.2%, 且PM2.5高值区范围明显减小, 其中北京降幅最大, 山西降幅最小.另一方面, 2017年秋季和春季降幅最大, 其中北京、天津和河北等地的秋季PM2.5浓度降幅较为显著; 夏季略有上升, 其中河南、山西等地夏季PM2.5浓度升幅较为显著.PM2.5浓度高值一般发生在11月和12月, PM2.5浓度低值一般发生在8月.
(4) 通过对比京津冀及周边地区2017年与2016年PM2.5浓度变化情况, 研究发现降幅较大的时段和地区与2017年的大气污染综合治理攻坚行动巡查和空气质量专项督查活动密切相关, 这也初步说明了环保督查行动能有效督促大气污染防治行动的落实, 减少污染排放行为, 从而改善空气质量.
致谢: NASA官网为本研究提供了MODIS数据, 中国环境监测总站提供地面环境空气质量观测数据, 在此一并致谢.| [1] |
肖璐, 郎艺超, 夏浪, 等. 基于多源数据的PM2.5浓度时空分布预测与制图[J]. 环境科学, 2017, 38(12): 4913-4923. Xiao L, Lang Y C, Xia L, et al. Space-time estimations and mapping of PM2.5 fine particulates based on multi-source data[J]. Environmental Science, 2017, 38(12): 4913-4923. |
| [2] |
郝静, 孙成, 郭兴宇, 等. 京津冀内陆平原区PM2.5浓度时空变化定量模拟[J]. 环境科学, 2018, 39(4): 1455-1465. Hao J, Sun C, Guo X Y, et al. Simulation of the spatio-temporally resolved PM2.5 aerosol mass concentration over the inland plain of the Beijing-Tianjin-Hebei region[J]. Environmental Science, 2018, 39(4): 1455-1465. |
| [3] | Wang Z F, Chen L F, Tao J H, et al. Satellite-based estimation of regional particulate matter (PM) in Beijing using Vertical-and-RH correcting method[J]. Remote Sensing of Environment, 2010, 114(1): 50-63. DOI:10.1016/j.rse.2009.08.009 |
| [4] |
陈辉, 厉青, 张玉环, 等. 基于地理加权模型的我国冬季PM2.5遥感估算方法研究[J]. 环境科学学报, 2016, 36(6): 2142-2151. Chen H, Li Q, Zhang Y H, et al. Estimations of PM2.5 concentrations based on the method of geographically weighted regression[J]. Acta Scientiae Circumstantiae, 2016, 36(6): 2142-2151. |
| [5] |
薛文博, 武卫玲, 许艳玲, 等. 基于WRF模型与气溶胶光学厚度的PM2.5近地面浓度卫星反演[J]. 环境科学研究, 2016, 29(12): 1751-1758. Xue W B, Wu W L, Xu Y L, et al. Satellite retrieval of near-surface PM2.5based on WRF model and aerosol optical depth[J]. Research of Environmental Sciences, 2016, 29(12): 1751-1758. |
| [6] |
徐建辉, 江洪. 长江三角洲PM2.5质量浓度遥感估算与时空分布特征[J]. 环境科学, 2015, 36(9): 3119-3127. Xu J H, Jiang H. Estimation of PM2.5 concentration over the Yangtze Delta using remote sensing:analysis of spatial and temporal variations[J]. Environmental Science, 2015, 36(9): 3119-3127. |
| [7] | Xiao L, Lang Y C, Christakos G. High-resolution spatiotemporal mapping of PM2.5 concentrations at Mainland China using a combined BME-GWR technique[J]. Atmospheric Environment, 2018, 173: 295-305. DOI:10.1016/j.atmosenv.2017.10.062 |
| [8] | Wu J S, Yao F, Li W F, et al. ⅦRS-based remote sensing estimation of ground-level PM2.5 concentrations in Beijing-Tianjin-Hebei:a spatiotemporal statistical model[J]. Remote Sensing of Environment, 2016, 184: 316-328. DOI:10.1016/j.rse.2016.07.015 |
| [9] |
马宗伟.基于卫星遥感的我国PM2.5时空分布研究[D].南京: 南京大学, 2015. Ma Z W. Study on spatiotemporal distributions of PM2.5 in China using satellite remote sensing[D]. Nanjing: Nanjing University, 2015. |
| [10] |
谢杨, 戴瀚程, 花岡達也, 等. PM2.5污染对京津冀地区人群健康影响和经济影响[J]. 中国人口·资源与环境, 2016, 26(11): 19-27. Xie Y, Dai H C, Hanaoka T, et al. Health and economic impacts of PM2.5 pollution in Beijing-Tianjin-Hebei area[J]. China Population Resources and Environment, 2016, 26(11): 19-27. DOI:10.3969/j.issn.1002-2104.2016.11.003 |
| [11] | 环境保护部, 国家发展和改革委员会, 工业和信息化部, 等.关于印发《京津冀及周边地区落实大气污染防治行动计划实施细则》的通知[EB/OL]. http://www.zhb.gov.cn/gkml/hbb/bwj/201309/t20130918_260414.htm, 2013-09-17. |
| [12] | 环境保护部.环境保护部组织开展2017年第一季度空气质量专项督查[EB/OL]. http://www.mep.gov.cn/gkml/hbb/qt/201702/t20170214_395837.htm, 2017-02-14. |
| [13] | 环境保护部, 北京市人民政府, 天津市人民政府, 等.关于开展京津冀及周边地区2017-2018年秋冬季大气污染综合治理攻坚行动巡查工作的通知[EB/OL]. http://www.zhb.gov.cn/gkml/hbb/bwj/201708/t20170831_420710.htm, 2017-08-28. |
| [14] | Vermote E F, Tanre D, Deuze J L, et al. Second simulation of the satellite signal in the solar spectrum, 6S:an overview[J]. IEEE Transactions on Geoscience and Remote Sensing, 1997, 35(3): 675-686. DOI:10.1109/36.581987 |
| [15] |
刘佳, 王利民, 杨玲波, 等. 基于6S模型的GF-1卫星影像大气校正及效果[J]. 农业工程学报, 2015, 31(19): 159-168. Liu J, Wang L M, Yang L B, et al. GF-1 satellite image atmospheric correction based on 6S model and its effect[J]. Transactions of the Chinese Society of Agricultural Engineering, 2015, 31(19): 159-168. DOI:10.11975/j.issn.1002-6819.2015.19.022 |
| [16] |
陈健, 周杰, 李雅雯. 基于静止卫星GOCI数据的陆地上空气溶胶光学厚度遥感反演[J]. 遥感技术与应用, 2017, 32(6): 1040-1047. Chen J, Zhou J, Li Y W. Retrieving aerosol optical depth over land based on GOCI data onboard geostationary satellite[J]. Remote Sensing Technology and Application, 2017, 32(6): 1040-1047. |
| [17] |
王中挺, 辛金元, 贾松林, 等. 利用暗目标法从高分一号卫星16 m相机数据反演气溶胶光学厚度[J]. 遥感学报, 2015, 19(3): 530-538. Wang Z T, Xin J Y, Jia S L, et al. Retrieval of AOD from GF-116 m camera via DDV algorithm[J]. Journal of Remote Sensing, 2015, 19(3): 530-538. |
| [18] | Levy R C, Mattoo S, Munchak L A, et al. The Collection 6 MODIS aerosol products over land and ocean[J]. Atmospheric Measurement Techniques, 2013, 6(11): 2989-3034. DOI:10.5194/amt-6-2989-2013 |
| [19] | Levy R C, Remer L A, Mattoo S, et al. Second-generation operational algorithm:retrieval of aerosol properties over land from inversion of moderate resolution imaging spectroradiometer spectral reflectance[J]. Journal of Geophysical Research, 2007, 112(13): D13211. |
| [20] | Kaufman Y J, Tanré D, Remer L A, et al. Operational remote sensing of tropospheric aerosol over land from EOS moderate resolution imaging spectroradiometer[J]. Journal of Geophysical Research, 1997, 102(D14): 17051-17067. DOI:10.1029/96JD03988 |
| [21] | Hus C N, Jeong M J, Bettenhausen C, et al. Enhanced Deep Blue aerosol retrieval algorithm:the second generation[J]. Journal of Geophysical Research, 2013, 118(16): 9296-9315. |
| [22] | Hsu C N, Tsay S C, King M D, et al. Aerosol properties over bright-reflecting source regions[J]. IEEE Transactions on Geoscience and Remote Sensing, 2004, 42(3): 557-569. DOI:10.1109/TGRS.2004.824067 |
| [23] | Hsu C N, Tsay S C, King M D, et al. Deep blue retrievals of Asian aerosol properties during ACE-Asia[J]. IEEE Transactions on Geoscience and Remote Sensing, 2006, 44(11): 3180-3195. DOI:10.1109/TGRS.2006.879540 |
| [24] | Bilal M, Nichol J E, Nazeer M. Validation of Aqua-MODIS C051 and C006 operational aerosol products using AERONET measurements over Pakistan[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2016, 9(5): 2074-2080. DOI:10.1109/JSTARS.2015.2481460 |
| [25] |
王晓君, 马浩. 新一代中尺度预报模式(WRF)国内应用进展[J]. 地球科学进展, 2011, 26(11): 1191-1199. Wang X J, Ma H. Progress of application of the weather research and forecast (WRF) model in China[J]. Advances in Earth Science, 2011, 26(11): 1191-1199. |
| [26] |
石春娥, 李耀孙, 杨军, 等. MM5和WRF对中国东部地区冬季边界层模拟效果比较[J]. 高原气象, 2015, 34(2): 389-400. Shi C E, Li Y S, Yang J, et al. Comparison of simulations on winter sounding profiles in PBL in East China between WRF and MM5[J]. Plateau Meteorology, 2015, 34(2): 389-400. |
| [27] |
王丽霞, 王颖, 赖锡柳, 等. WRF模式不同边界层参数化方案模拟兰州冬季边界层高度的研究[J]. 高原气象, 2017, 36(1): 162-172. Wang L X, Wang Y, Lai X L, et al. Study on the simulation of boundary layer height in Lanzhou in winter using WRF model with different boundary layer parameterization schemes[J]. Plateau Meteorology, 2017, 36(1): 162-172. |
| [28] |
赵世强, 张镭, 王治厅, 等. 利用激光雷达结合数值模式估算兰州远郊榆中地区夏季边界层高度[J]. 气候与环境研究, 2012, 17(5): 523-531. Zhao S Q, Zhang L, Wang Z T, et al. Boundary layer height estimate in summer over the Lanzhou suburb in the Yuzhong area using lidar measurement and numerical model[J]. Climatic and Environmental Research, 2012, 17(5): 523-531. |
| [29] | 汪明军.基于WRF模式的长三角地区风能资源评估[D].杭州: 浙江大学, 2017. |
| [30] | Hu X F, Waller L A, Al-Hamdan M Z, et al. Estimating ground-level PM2.5 concentrations in the southeastern U.S. using geographically weighted regression[J]. Environmental Research, 2013, 121: 1-10. DOI:10.1016/j.envres.2012.11.003 |
| [31] | Ma Z W, Hu X F, Huang L, et al. Estimating ground-level PM2.5 in China using satellite remote sensing[J]. Environmental Science & Technology, 2014, 48(13): 7436-7444. |