周琪 苗運玲 林琳 柴巖紅
摘要:為了建立昌吉市近地面AQI監(jiān)測的關系模型,利用昌吉市2015—2016年MODIS AOD產品與同期地面觀測的AQI進行相關分析,結果表明二者直接相關程度較低(R2=0.2921,p<0.01);按照季節(jié)分類統(tǒng)計(春、夏、秋)的相關系數(shù)R2分別為0.4629、0.4192、0.3487,均大于統(tǒng)計學上99%的置信度要求;加入氣象因子風速,建立含氣象因子的AQI和AOD的多元回歸模型,結果表明全年及各季的相關系數(shù)R2分別為0.3648、0.4528、0.4247、0.5089;對氣象因子風速進行分級,在綜合考慮R2檢驗值和F檢驗值的基礎上,平均風速>2m·s-1時的模型為線性模型R2為0.47,預測平均相對誤差為10.8%,結果較好。文章為監(jiān)測空氣污染提供了一定的參考價值。
關鍵詞:氣溶膠光學厚度(AOD);空氣質量指數(shù)AQI;PM2.5;擬合模型
中圖分類號:S-3
文獻標識碼:A
作者簡介:周琪(1988-),女,碩士,工程師。研究方向:衛(wèi)星遙感與環(huán)境氣象應用。
隨著我國經濟的快速增長,大氣污染問題日益嚴重[1,2]??晌腩w粒PM2.5(空氣動力學直徑小于或等于2.5μm的粒子)已成為影響環(huán)境空氣質量的首要污染物[3],影響人類正常的生產生活。目前監(jiān)測PM2.5的站點分布不均勻且數(shù)量有限,缺乏空間上的連續(xù)監(jiān)測[5]。大氣氣溶膠的光學厚度AOD可以在一定程度上反應區(qū)域大氣的污染程度[4]。衛(wèi)星遙感具有獲取信息快、覆蓋面積廣的特點,在污染監(jiān)測上有廣泛應用前景[2,6]。Chu D A etal[7]展示了MODIS產品在監(jiān)測全球、區(qū)域和局部空氣污染狀況方面的能力,表明可以用MODIS AOD產品進行大氣污染監(jiān)測。焦利民等[8]以京津冀為研究區(qū),研究AOD與PM2.5濃度相關關系的空間差異和時間變化。黃觀等[9]利用多分辨率的MODIS氣溶膠產品,得出北疆區(qū)域近14a平均AOD大體呈現(xiàn)中心高、邊緣低的分布格局。范辰乾[10]進行了濟南市基于MODIS數(shù)據(jù)的氣溶膠光學厚度與PM2.5濃度的關系研究,得出MODIS數(shù)據(jù)反演氣溶膠光學厚度對建立PM2.5觀測和預測體系具有一定的科學性和可行性的結論。
近年來隨著昌吉市經濟的迅速發(fā)展,伴隨著嚴重的環(huán)境問題。目前對昌吉地區(qū)MODIS氣溶膠光學厚度AOD與空氣質量指數(shù)AQI的相關研究較少。本文利用MODIS數(shù)據(jù)和空氣污染監(jiān)測數(shù)據(jù),建立空氣質量指數(shù)AQI與AOD之間的關系模型,并分季節(jié)建立最佳模型,同時考慮加入氣象因子進行分析,以實現(xiàn)利用遙感技術監(jiān)測地面空氣污染狀況,為監(jiān)測空氣污染提供一定的參考價值。
1研究區(qū)概況與數(shù)據(jù)方法
1.1數(shù)據(jù)來源與處理
1.1.1氣溶膠光學厚度AOD
本文采用的是美國宇航局(NASA)的地球觀測系統(tǒng)(EOS)衛(wèi)星Aqua的中分辨率成像光譜儀(MODIS)的氣溶膠Level2光學厚度產品AOD,由暗像元業(yè)務算法生成,分辨率為10km,用灰度值來表示光學厚度的大小。
1.1.2空氣質量指數(shù)AQI
研究所用的AQI數(shù)據(jù),采用昌吉市環(huán)境監(jiān)測站獲得的監(jiān)測數(shù)據(jù),每日提供2個站點的數(shù)據(jù)信息,站點的相關信息如表1所示。
1.2數(shù)據(jù)匹配
研究中涉及到的變量有MODIS AOD、近地面PM2.5濃度、空氣質量指數(shù)AQI。數(shù)據(jù)匹配原則是空間上以2個監(jiān)測站點為準,時間上以衛(wèi)星過境時間為準,選取數(shù)據(jù)對中晴無云天氣,剔除有降水天氣的數(shù)據(jù)。經匹配處理后共得到2015—2016年的數(shù)據(jù)86對。冬季衛(wèi)星遙感產品在“亮背景”下反演效果較差,基本無有效數(shù)據(jù),考慮到這點沒有進行冬季的建模與檢驗。將AQI按照升序排列后,每隔3個樣本選取1個樣本作為模型驗證數(shù)據(jù),得到建模數(shù)據(jù)58對,驗證數(shù)據(jù)28對。
1.3方法與思路
主導氣象因子分析,選取氣壓、氣溫、相對濕度、風速和日照5個氣象因子,進行AQI、AOD與5個氣象因子的相關分析,選取主導氣象因子,并將主導氣象因子進行分組。
直接相關,直接進行全年及各季節(jié)衛(wèi)星遙感AOD和近地面AQI之間的相關性分析,并進行模型對比。
加入主導氣象因子參與的全年及各季節(jié)AOD與AQI之間的多元回歸模型,將主導氣象因子進行分級,分別建立相應的回歸模型;將之前建立的所有最佳模型的擬合精度和預測精度進行對比分析。
2結果與分析
2.1主導氣象因子分析
2.1.1主導氣象因子的選取
本課題研究的空氣質量指數(shù)AQI與AOD關系時考慮的是每日平均狀況,因此只討論氣壓、氣溫、相對濕度、風速和日照5個氣象因子。AQI、AOD與5個氣象因子的相關系數(shù)見表2,從表2中可以看出AQI、AOD與平均風速均成正相關,且相關性較其它4個因子的相關性顯著。因為風速對空氣污染物的擴散和傳輸起主導作用,當風速達到一定量時,會有助于空氣污染物的擴散和傳輸,而當風速較小時,則不利于空氣污染物的擴散和傳輸,會在一地形成堆積。因此選取平均風速為主導氣象因子。
2.1.2氣象因子分級
當風速≤2m·s-1時,風力較為微弱,不利于空氣污染細顆粒物擴散,容易造成堆積;當風速>2m·s-1時,空氣污染細顆粒物質被風驅散,污染狀況得到改善。因此,以風速2m·s-1為界分級,將86d數(shù)據(jù)按照平均風速大小進行排序分成2個部分,即平均風速≤2m·s-1共33個樣本和平均風速>2m·s-1共53個樣本。
2.2AOD與AQI的直接關系模型分析
2.2.1全年AQI與AOD關系模型
將86d數(shù)據(jù)按照AQI值得大小進行重新排序,根據(jù)AQI值從低到高每隔2個樣本選取1個樣本作為檢驗模型所用。這樣原始數(shù)據(jù)分為2部分,一部分用來建模,共58個;一部分用來驗證模型,共28個。
將建模樣本中的AOD值作為自變量,AQI作為因變量,進行回歸分析,模型類型包括指數(shù)函數(shù)、對數(shù)函數(shù)、冪函數(shù)、線性和一元二次方程,分析結果見表3。從表3中可以看出,幾個模型中,冪函數(shù)好于對數(shù)函數(shù),指數(shù)函數(shù)好于冪函數(shù),如果僅考慮R2檢驗值,則一元二次模型好于線性模型,但再從F檢驗值分析,Y=34.61x+45.44應為最佳選擇,如圖1所示。
2.2.2分季節(jié)AQI與AOD關系模型
通過分季節(jié)來研究AOD與AQI之間的關系,將58個建模樣本數(shù)據(jù)和28個檢驗樣本數(shù)據(jù)按照季節(jié)分類。本研究的季節(jié)劃分按照3—5月為春季、6—8月為夏季、9—11月為秋季、12月—次年2月為冬季來劃分。對于不同的季節(jié)分別進行模型分析,在指數(shù)函數(shù)、對數(shù)函數(shù)、冪函數(shù)、線性和一元二次方程5種模型中,綜合考慮R2檢驗值和F檢驗值的基礎上,相應地選擇各季節(jié)最佳模型,分析結果見表4。春季對數(shù)函數(shù)為最佳模型,夏季和秋季線性模型為最佳選擇。3個季節(jié)相應的散點圖和擬合模型如圖2。
從表5中可以看出,全年建模樣本和季節(jié)建模樣本建立的擬合精度較高的4個模型中,夏季線性模型,AQI與AOD相關系數(shù)最高,秋季次之。
通過利用各自建模樣本數(shù)據(jù)對模型進行誤差分析,全年樣本線性模型的平均相對誤差為15.56%,春季對數(shù)函數(shù)模型的平均相對誤差為7.57%,夏季線性模型的平均相對誤差為19.45%,秋季線性模型的平均相對誤差為14.61%。
進一步利用各自檢驗樣本數(shù)據(jù)對模型進行預測評價,全年樣本線性模型的平均相對誤差為18.77%,春季對數(shù)函數(shù)模型的平均相對誤差為10.89%,夏季線性模型的平均相對誤差為25.76%,秋季線性模型的平均相對誤差為12.59%。將相應的檢驗樣本數(shù)據(jù)帶入各模型,估算出的AQI值與實際值進行分析可以看出,全年、夏季模型預測值和實際值吻合度很低(見圖3),春季除1個點外,其余點的預測值和實際值可以達到較好逼近,秋季各點預測值和實際值逼近效果也較好。由此可見,春季AQI與AOD之間存在簡單的對數(shù)函數(shù)關系,秋季AQI與AOD之間存在簡單的線性關系。
2.3含氣象因子的AQI與AOD多元關系模型
2.3.1含氣象因子的全年及各季節(jié)AQI與AOD關系模型
將建模樣本中AOD值、平均風速作為自變量,AQI值作為因變量,進行多元回歸分析,分析結果見表6。
2.3.2氣象因子分級的關系模型
通過前面選定的主導氣象因子平均風速對58個樣本數(shù)據(jù)和28個檢驗數(shù)據(jù)進行分級,將數(shù)據(jù)重新分類到2個類別中,依次是平均風速≤2m·s-1和平均風速>2m·s-1,然后建立相應的回歸模型,分析結果見表7。
綜合考慮R2檢驗值和F檢驗值的基礎上,平均風速≤2m·s-1時的最佳模型為指數(shù)函數(shù),平均風速>2m·s-1時的最佳模型,為線性模型。
2.3.3氣象因子分級模型的對比分析
利用各自建模樣本數(shù)據(jù)對模型進行誤差分析,平均風速≤2m·s-1時的平均相對誤差為15.76%,平均風速>2m·s-1時的平均相對誤差為16.01%。進一步利用各自檢驗樣本數(shù)據(jù)對模型進行預測評價,平均風速≤2m·s-1時的平均相對誤差為13.14%,平均風速>2m·s-1時的平均相對誤差為10.8%。將相應的檢驗樣本數(shù)據(jù)帶入各模型,估算出的AQI值與實際值進行分析可以看出,2組模型預測值和實際值吻合度較低(見圖4),只有個別點的預測值和實際值可以達到較好逼近。
2.4所有模型對比分析
將之前建立的所有最佳模型的擬合精度和預測精度進行對比分析,結果見表8。綜合考慮R2、F值、擬合平均相對誤差和預測平均相對誤差,可以看出季節(jié)模型里春季模型有較好的實用價值,而當有氣象因子參與建模時,除春季外各模型的相關系數(shù)普遍提高,模型質量有所提高。
在使用氣象因子分組討論AOD與AQI相關性時,平均風速>2m·s-1時,模型相關系數(shù)R2為0.47,比平均風速≤2m·s-1時的擬合程度要好。
3討論
雖然MODIS氣溶膠光學厚度和AQI指數(shù)的相關分析,從一定程度上可以反映地面污染狀況。但由于MODIS衛(wèi)星數(shù)據(jù)只有在晴好天氣才能獲得數(shù)據(jù),如果遇上陰雨天氣,則不能利用AOD監(jiān)測空氣污染情況,對本研究有一定限制;冬季在“亮背景”下反演效果差,基本無數(shù)據(jù),因此本文中沒有冬季相關內容的研究。
本文考慮的氣象因子只有平均風速,而且沒有分季節(jié)討論不同的氣象因子的作用,雖然污染監(jiān)測的準確度有了一定提高,但沒有達到最理想的效果。在今后的研究中有必要考慮更多的氣象因子,并且著重考慮不同季節(jié)不同氣象因子的作用,應該會得到更好的結果。
4結論
全年和季節(jié)空氣質量指數(shù)和氣溶膠光學厚度建立回歸模型,比較各模型精度,得出春季對數(shù)函數(shù)模型和夏季線性模型較為理想,春季相關系數(shù)為0.4629,夏季相關系數(shù)為0.4192。
討論常規(guī)的氣象觀測數(shù)據(jù),選取主導氣象因子為風速,對全年和季節(jié)模型進行重建,發(fā)現(xiàn)有主導氣象因子參與的多元回歸模型相關系數(shù)普遍比沒有氣象因子參與的一元回歸模型高。
依據(jù)主導氣象因子風速將樣本數(shù)據(jù)分組,各組空氣質量指數(shù)和氣溶膠光學厚度建立回歸模型,討論其精度,發(fā)現(xiàn)當平均風速>2m/s時,模型相關系數(shù)R2為0.47,預測平均相對誤差為10.8%,結果較好。
參考文獻
[1]張暉,王伯鐸,陳良富,等.西安市及周邊地區(qū)MODIS氣溶膠光學厚度與PM10濃度關系模型研究[J].環(huán)境工程學報,2014,8(02):665-671.
[2]黃觀,劉偉,劉志紅,等.烏魯木齊市MODIS氣溶膠光學厚度與PM10濃度關系模型研究[J].環(huán)境科學學報,2016,36(02):649-657.
[3]陳飛龍,王召海,王其新.濟南市MODIS氣溶膠光學厚度和PM2.5濃度的特征及相關性分析[J].魯東大學學報(自然科學版),2016,32(01):86-91.
[4]劉勇.MODIS氣溶膠光學厚度與南京主城區(qū)空氣污染指數(shù)的關系研究[D].南京:南京師范大學,2007.
[5]王賀銳,吳彩保.MODIS氣溶膠產品在北京監(jiān)測PM2.5質量濃度中的應用[J].環(huán)境科學,2016,13(20):76-78.
[6]李成才,毛節(jié)泰,劉啟漢.利用MODIS資料遙感香港地區(qū)高分辨率氣溶膠光學厚度[J].大氣科學,2005,29(03):335-342.
[7]Chu D A , Kaufman Y J , Zibordi G , et al. Global monitoring of air pollution over land from the Earth Observing System-Terra Moderate Resolution Imaging Spectroradiometer (MODIS)[J]. Journal of Geophysical Research Atmospheres, 2003,108(D21):466-467.
[8]焦利民,張博恩,許剛,等.氣溶膠光學厚度與PM2.5濃度相關關系的時空變異[J].干旱區(qū)資源與環(huán)境,2016,30(12):34-39.
[9]黃觀,劉志紅,劉偉,等. 北疆地區(qū)氣溶膠光學厚度的時空特征[J]. 生態(tài)與農村環(huán)境學報,2015,31(03):286-292.
[10]范辰乾. 基于MODIS數(shù)據(jù)的氣溶膠光學厚度與PM2.5濃度關系研究——以濟南市為例[D].濟南:山東師范大學,2015.
(責任編輯 李媛媛)