戴刘新,张莹,李正强,漏嗣佳
(1中国科学院空天信息创新研究院国家环境保护卫星遥感重点实验室,北京 100101;2中国科学院大学资源与环境学院,北京 100049;3南京大学大气科学学院大气与地球系统科学国际合作联合实验室,江苏 南京 210023)
细颗粒物(PM2.5)是指环境空气中空气动力学当量直径小于等于2.5µm的颗粒物[1]。研究表明,大气颗粒物中的吸收性成分可通过吸收太阳辐射加速融雪,导致气候变暖,从而影响降雪、降水和生物化学循环[2]。短期的高浓度PM2.5污染还会直接威胁着人体健康,如2013年1月10–15日由重雾霾事件造成的北京地区全市居民总健康经济损失高达4.89亿元[3]。此外,PM2.5会显著降低近地面大气能见度,威胁公共交通安全[4]。
近年来,许多学者对中国PM2.5的时空演变趋势和规律进行了研究。苏维等[5]基于交通流量的监测数据,并结合气象因子,综合分析了南昌市2013–2015年PM2.5质量浓度的演变。他们发现,PM2.5质量浓度分布呈现城乡空间梯度变化,不同气象因子对PM2.5质量浓度的影响差别不一。Hu等[6]比较了2013年6–8月华北平原地区和长江三角洲地区逐小时PM2.5浓度,结果表明华北地区的污染程度(77.0µg·m-3)明显比长江三角洲地区(42.8µg·m-3)更为严重。张园园[7]通过对中国2014年4月到2015年4月地面监测站点数据的统计分析发现,在190个被监测城市中仅有25个达到《国家环境空气质量标准》。
利用卫星遥感监测近地面细颗粒物浓度可以在客观统一的标准下获得更大时空尺度的分布观测。气溶胶光学厚度(AOD)是气溶胶消光系数在垂直方向上的积分,描述气溶胶对光的消减作用,可以表征大气浑浊程度[8]。Guo等[9]基于中国8个典型区域(塔克拉玛干沙漠、戈壁沙漠、京津冀、长江三角洲、珠江三角洲、大兴安岭、东北地区、四川盆地)500 nm的臭氧总量绘图系统(TOMS)AOD数据(1980–2001年)和550 nm的中分辨率成像光谱仪(MODIS)AOD数据(2000–2008年),分析了中国大气AOD的时空变化,他们发现京津冀、珠三角地区受工业活动影响较大,AOD呈现显著正增长的趋势。Wang和Christopher[10]发现卫星观测的AOD与PM2.5浓度之间有良好的相关关系(线性相关系数R=0.7),有望基于卫星遥感实现对PM2.5浓度的大范围估算。卫星遥感AOD的最新进展为改善全球PM2.5估算提供了有力支撑[11]。van Donkelaar等[12]结合MODIS、多角度成像光谱仪(MISR)和宽视场水色扫描仪(SeaWIFS)等仪器的AOD反演以及GEOS-Chem化学传输模型,估算了北美地面PM2.5质量浓度和化学组分,并利用地理加权回归模型(GWR)对PM2.5及其组成成分进行了区域地面观测,得出了PM2.5化学组成的完整表示[13],建立了2000–2018年间的全球PM2.5数据集。
根据AOD数据以及PM2.5物理特性建立经验模型和物理模型来反演PM2.5质量浓度估计值也是热门的反演方法。Chu等[14]基于PM2.5与AOD间的关系,并考虑了颗粒物的吸湿性、尺寸以及垂直分布特征等,得出了估算PM2.5质量浓度的半经验公式。物理模型可以通过描述不同因素对气溶胶浓度影响的物理过程预测PM2.5的未来趋势[15]。Zhang等[15,16]基于物理方法和归因分析预测了PM2.5在2000–2015年的长期趋势。该方法考虑了气溶胶和气象参数,探索了不同因素对AOD和PM2.5关系的贡献。然而,该模型所需的输入参数(例如:细粒子比)在卫星遥感反演中仍存在一定困难。
许多学者还通过建立统计回归模型,研究了MODIS AOD和与其相应的地面实测PM2.5质量浓度之间的线性相关系数[17]。研究发现,经过AOD标高订正和PM2.5湿度订正后,两者相关系数显著升高[18]。夏加豪[19]利用MODIS第六版(C6)产品提供的暗目标与深蓝两种算法反演了AOD融合产品,结合气象参数(气压、温度、湿度、风速等)和土地利用参数[人口、归一化植被指数(NDVI)、国内生产总值(GDP)等],通过参数回归模型将AOD转换为PM2.5质量浓度。统计回归模型在预测和验证过程中需要大量地面监测数据,但是模型精度较高。
在统计回归模型研究的基础上,机器学习模型(如随机森林、支持向量机等)在颗粒物卫星遥感估算领域也得到了大量应用。崔相辉等[20]以AOD和气象参数为影响因子建立了基于深度置信网络(DBN)的PM2.5预测模型,生成了京津冀地区的PM2.5预测图。陈宁等[21]提出了多基站协同训练长短时记忆网络预测模型,减少了需要训练的网络复杂度,减轻了网络过拟合的风险。Wei等[22]利用时空极端随机化树(STET)模型,整合更新的时空信息和辅助数据,提高了中国PM2.5估算的空间分辨率和整体精度,并生成2014–2019年中国高分辨率(1 km)和高质量的近地表PM2.5数据集(即ChinaHigh PM2.5)。机器学习的方法探索卫星遥感反演PM2.5质量浓度具有精度较高的优势,但该类方法的主要困难在于对地面监测数据的依赖。
以上算法各有特点,反演的PM2.5数据集也存在差异,且尚未得到很好的对比。本工作针对现有两种流行算法(基于模式模拟和基于机器学习)产生的PM2.5科学数据集,通过城市区域代表性验证及空间自相关分析对其精度和空间合理性进行比较,为中国区域的PM2.5数据集的使用提供参考意见,并进一步通过标准差椭圆分析研究了2000–2018年间华北区域(北京、天津、河北、河南、山西、山东)PM2.5的时空演变趋势,为大气细颗粒物污染的防控提供科学支撑。
1.1 数据
为了对比不同算法产生的PM2.5质量浓度的时空分布及精度,选用了van Donkelaar等[13]基于模式模拟算法生成的PM2.5数据集(以下简称vanDonkelaarA数据集)和Wei等[23]基于机器学习算法生成的PM2.5数据集(以下简称CHAP数据集)。两数据集均为中国区域年均PM2.5质量浓度,时间跨度分别为2000–2018年和2014–2019年,二者的空间分辨率均为0.01°×0.01°。为了评估数据集的不确定性,使用经过环保审核后的城市年均PM2.5浓度值作为验证数据,单位是µg·m-3。选取各城市区域内卫星遥感估算的PM2.5均值与地面监测值进行对比,量化两数据集的不确定性。下面介绍两数据集采用的算法。
1.1.1 vanDonkelaarA数据集
模式模拟算法,又称比例因子算法或化学传输模型法,该算法通过提供空间和时间转换因子,来模拟影响AOD和PM2.5之间关系的因素,从而计算卫星遥感得出的近地面PM2.5浓度[24-26]。通过模拟的近地面PM2.5浓度ρSIM(PM2.5)与总柱AODτSIM的比例因子η,来计算卫星遥感AODτSAT反演估计的PM2.5浓度ρSAT(PM2.5),即
式中η是ρSIM(PM2.5)与τSIM的比值,也是ρSAT(PM2.5)和τSAT之间的比例因子,是气溶胶大小、成分、日变化、吸湿和垂直结构等的函数[27]。van Donkelaar等[28]在系列研究中得出了η的表达式,并建立了基于模式模拟算法的vanDonkelaarA数据集系列。该数据集是通过结合MODIS、MISR和SeaWIFS仪器测量的辐射来反演气溶胶光学厚度数据,通过GEOS-Chem化学传输模型,估算地面PM2.5的质量浓度和成分(SO42-、NO3-、NH4+、Cl-等)质量浓度,然后通过GWR对PM2.5质量和成分质量进行区域地面观测订正。该系列数据集在van Donkelaar等学者的研究下,经过了多个历史版本的优化改进,本工作采用的数据集为vanDonkelaarA数据集系列中的V4.CH.03。该数据利用2014年5月至2018年12月在中国区域的PM2.5地面监测网络,对中国上空的PM2.5进行地理加权统计估计,并根据Hammer等[11]给出的地面观测值与卫星估算值之间的年际变化,将PM2.5质量浓度数据集延伸至2000年。其中,中国大陆的地面PM2.5测量数据来自http://beijingair.sinaapp.com/,中国台湾地区的PM2.5测量数据来自https://airtw.epa.gov.tw/CHT/Query/His Data.aspx。
1.1.2 CHAP数据集
统计回归算法就是以PM2.5质量浓度为因变量,研究PM2.5质量浓度和AOD间的数学关系式,辅以气象条件(如温度、湿度等)、地表条件(如海岸、沙漠等)、人口分布、污染物排放等参数,建立统计回归模型[23]。简单的回归模型局限于单个城市等小范围,代表该区域内的AOD与PM2.5的统计关系,高级统计模型常常将辅助参数以独立参数加入模型建模中。
Wei等[23]建立的CHAP数据集是使用多源卫星遥感和机器学习生成的,它通过整合时空信息和其他辅助数据(例如:地基测量、遥感产品、再分析数据等),增强时空极端随机森林(STET)模型,从而提高了中国PM2.5估算值的空间分辨率和整体准确性。STET模型的表达式为
式中τi,j,t为i、j、t处的AOD,HBL,i,j,t为i、j、t处的边界层高度,EDM,i,j,t为i、j、t处的数字高程模型,S和T分别为时空信息。
CHAP数据集(Version 2)选择了空间分辨率更高的MAIAC AOD产品,使用时空匹配的方法对中国18个AERONET监测站的地面监测数据进行AOD反演[29,30]。MAIAC AOD反演精度高,在中国大陆地区的估计误差小。采用的STET模型可以处理复杂的监督回归问题,构建稳定的PM2.5-AOD关系,通过准确的模型计算空间和时间信息,解决PM2.5的时空异质性(即强的空间自相关性和明显的时间变化)这一关键问题。此外,与其他广泛使用的基于树的方法(如决策树)相比,该模型能有效解决方差问题,并挖掘更多有价值的信息[23]。该数据集覆盖中国,分辨率为1 km,交叉验证决定系数(CV-R2)达到0.89,均方根误差(RMSE)为10.33µg·m-3[22]。
1.2 研究区域
由于我国的PM2.5质量浓度分布具有较大区域差异,本工作不仅对全国范围内的PM2.5分布进行了对比,还有针对性地选取北京、天津、河北、河南、山东、山西6省市作为典型研究区进行详细分析。这几个省市的PM2.5污染情况相对严重,且具有代表性,可以反映出华北地区近年来PM2.5的时空演变趋势。
2.1 标准差椭圆分析
标准差椭圆法(SDE)是一种能精确揭示地理要素空间分布整体特征的空间统计方法[31],因此选用该方法对近地面PM2.5质量浓度的空间变化进行分析。SDE根据研究对象的空间位置和空间结构,从空间的全局性定量解释目标地理要素空间分布的方向性、中心性、展布性和空间形态等特征[32]。目前也被广泛应用于社会学、犯罪学、经济学等多领域,通过椭圆中心、面积、长轴、短轴、方位角等参数定量描述研究对象的空间分布特征[33]。
在本研究中,椭圆面积表示PM2.5数据的空间分布范围。椭圆中心表示二维空间中地理要素的相对位置,即所有PM2.5数据的中心位置。一般来说,在数据的变异程度不是异常大的情况下,这个中心点的位置基本与算术平均数的位置是一致的。椭圆中心的计算公式为
方位角表示地理要素分布的主趋势方向,即自正北方向顺时针旋转到长轴方向的角度[34]。方位角的变化可以反映PM2.5分布的主趋势旋转方向(顺时针或逆时针旋转)[35]。方位角α的计算公式为
椭圆的长半轴表示PM2.5数据分布的方向,短半轴表示PM2.5数据分布的范围,短半轴越短,表示数据的向心力越明显;短半轴越长,表示PM2.5数据的离散程度越大。长半轴与短半轴的差距越大(扁率越大),表示PM2.5数据的方向性越明显;反之,如果长半轴与短半轴越接近,表示方向性越不明显[36]。长短半轴的计算公式为
式中σx、σy为沿x轴与y轴的标准差。
2.2 空间自相关分析
地理空间自相关是一个空间对象与其附近其他对象的相似程度的度量,它依据地理信息系统的第一规则—一切事物都与其他事物相关联,但是相近事物比较远事物更相关[37]。虽然此定律违背了对象间相互独立的准则,但这与地学统计中大多数的地理现象及时空过程相一致,也可以用于分析PM2.5分布的空间关联性。由于近地面PM2.5质量浓度分布具有空间连续性,因此利用地理空间自相关方法对vanDonkelaarA和CHAP数据集的空间合理性进行评价。Moran′sI指数通常被用来描述全局或区域尺度上某空间随机变量整体相关的程度[38],计算公式为
其中N是空间对象的个数;ωi j为对象i和j之间的权重矩阵,ωi j通常邻近取1,不邻近取0;W为所有ωi j的和;x为某空间变量;为其平均值。该公式代表的含义就是某对象邻近单元的协方差与总体方差的比值。Moran′sI取值范围为[-1,1]:Moran′sI大于0,表示对象空间上呈正相关,数据倾向于聚类,即“高-高”聚集或“低-低”聚集,其值越大空间相关性越明显;Moran′sI等于0说明数据随机分布,没有明显的空间规律;Moran′sI小于0,代表对象呈空间负相关,即高值排斥高值而趋近低值,即“高-低”聚集或“低-高”聚集,在空间上为离散的。需要注意的是,全局Moran′sI是在假定均质时给出的总体变量自相关程度的统计量,如果区域为非均质时,不存在显著的全局自相关,但局部存在聚集或异常(离散),这便引入了Local Moran′sI(LISA)以此表征局部空间自相关。
3.1 数据集精度对比
为了分析数据集的不确定性及精度,采用2014–2018年间全国有记录的市级行政区年均PM2.5地面监测值,将各个年份、各个城市一一对应的PM2.5遥感观测值和地面监测值(共1519对数据)进行线性回归分析对比,结果如图1所示。
由图1可知,全国范围内以市级行政区为单位,两数据集的年平均PM2.5数据y与其相对应的环保审核数据x有显著的线性关系。CHAP数据集的相关系数(R=0.77,N=1519)略低于vanDonkelaarA数据集(R=0.83,N=1519),但都足以表明遥感数据与地面数据间的良好相关性。由于CHAP数据集采用的STET算法中已引入了地基测量参量,其剩余标准差(RMSE)、标准差(SD)、相对误差(RE)都优于vanDonkelaarA数据集,即前者的数据精度、离散程度以及可信度都更优。此外,通过±10%误差线(EE)量化评估遥感数据相对于地面数据的不确定性,可得出偏大估计、准确估计、偏小估计的占比。分析表明,vanDonkelaarA数据集还存在明显的数据低估问题(76.89%),而且低估的数据基本都小于30µg·m-3,即在低浓度区间(空气质量为优)的数据被低估,这表明了vanDonkelaarA数据集采用的化学传输模型在PM2.5浓度低时反演精度欠佳,偏差较大,这是因为化学传输模型是根据气溶胶组分质量估算PM2.5质量浓度,而在空气质量优时,组分质量浓度低,监测敏感度降低,导致反演不准确。虽然这种以市级行政区为单位的区域平均的验证方法不是通常验证时采用的点对点验证法,其相关性不高,但能反映出不同城市区域卫星反演PM2.5的代表性差异。
图1 两套数据集线性回归对比图。(a)CHAP数据集;(b)vanDonkelaarA数据集Fig.1 Linear regression comparison of the two datasets.(a)CHAP dataset;(b)vanDonkelaarA dataset
3.2 数据集的时空合理性对比
本工作旨在研究华北地区PM2.5污染数据的变化,所以时空合理性验证主要针对研究区(河北、河南、山东、山西、北京、天津)浓度值大于75µg·m-3(即轻度污染、中度污染、重度污染、严重污染)的PM2.5数据。为了方便对比vanDonkelaarA和CHAP两数据集展示的PM2.5时空分布特征,选取它们共有的年份(2014–2018年)综合比较全国范围内PM2.5分布的差别(图2),并对研究区的PM2.5分布进行空间自相关分析与统计比较。
由两数据集的PM2.5时空分布图(图2)可以看出,二者的PM2.5浓度全国分布大致趋势高度一致,但是存在数据层次的差别。CHAP数据集的PM2.5浓度值整体上高于vanDonkelaarA数据集,但是二者的浓度差在逐年减小。CHAP数据集在新疆塔里木盆地地区PM2.5浓度遥感监测值已达重度污染的指标(大于150µg·m-3),而vanDonkelaarA数据集则仅达到中度污染的程度。其原因在于:一是STET算法相较于气候传输模型算法更依赖于站点测量值,STET算法反演在极端气候下引入较高的实测值,造成了遥感值的整体提高;二是由于化学传输模型是在35%相对湿度下使用基于成分的吸湿性模型计算模拟PM2.5和成分质量,这与塔克拉玛干沙漠的气候相差较大,一定程度上造成估算不准。在新疆北部、西藏、云南西部、内蒙古北部、黑龙江北部,CHAP数据集的PM2.5浓度值大多在15～35µg·m-3区间,而vanDonkelaarA数据集的PM2.5浓度值大多在0～5µg·m-3区间,vanDonkelaarA数据集的浓度值层次更丰富。
图2 2014–2018年vanDonkelaarA和CHAP数据集PM2.5空间分布对比Fig.2 Comparison of PM2.5 spatial distribution between vanDonkelaarA and CHAP datasets from 2014 to 2018
为了检验两数据集的时空合理性,采用空间自相关分析法,通过对PM2.5数据的分区统计,分别计算研究区内市级行政区级别的年平均值,并计算Moran′sI指数,比较PM2.5分布LISA集聚图,识别PM2.5污染聚集模式和分布的年际变化。图3和图4分别展示了2014–2018年研究区PM2.5分布的LISA图和PM2.5分布的Moran′sI指数变化。由图可见,vanDonkelaarA数据集在2014–2017年都主要呈现“高-高”聚集模式或“低-低”聚集模式,高值区主要聚集在河北南部(邯郸市、邢台市)、河南北部(安阳市、濮阳市)以及山西东部(晋中市)、山东西部(聊城市、德州市),低值区主要聚集在环渤海地区。Moran′sI分别为0.51、0.48、0.53、0.42,空间自相关性较高(图4),空间集聚模式显著,反映了污染的均质性,2018年聚集效果不显著,空间相关性下降。CHAP数据集从2016年开始PM2.5的聚集效果已不显著,空间上趋于随机性分布;2017年、2018年呈现了异常值集聚(“低-高”和“高-低”模式),同时Moran′sI小于0,即PM2.5在空间上呈现一定程度的离散状态,表现了PM2.5分布的空间异质性和不稳定性。随着污染情况减少,高浓度PM2.5数据量降低,两个数据集的PM2.5分布的空间自相关性都逐渐减低,但相较来看,vanDonkelaarA数据集的空间自相关性比CHAP数据集更好,前者更具空间合理性。
图3 2014–2018年研究区PM2.5分布LISA图Fig.3 LISA diagram of PM2.5 distribution in the study area from 2014 to 2018
图4 2014–2018年研究区PM2.5分布Moran′s I指数Fig.4 Moran′s I index of PM2.5 distribution in the study area from 2014 to 2018
图5显示了两数据集研究区PM2.5年均值及标准差的变化。可以看出,CHAP数据集在2018年污染数据很少的情况下标准差突然增大,表示数据离散程度很大;而且2018年的年均值也出现了异常增大的情况,这与事实相悖。综上,vanDonkelaarA数据集的时空合理性优于CHAP数据集。
图5 两数据集研究区PM2.5年均值及标准差Fig.5 Annual mean and standard deviation of PM2.5 in the study area of the two datasets
3.3 研究区PM2.5时空演变分析
鉴于vanDonkelaarA数据集具有时间跨度更长、空间相关性和空间合理性更优的优势,选取此数据集进行PM2.5时空演变分析。图6显示了2000–2018年的PM2.5时空变化趋势。综合比对2000–2018年的PM2.5数据发现,研究区内轻度及以上污染情况频发,且数据分布适宜进行标准差椭圆分析,故PM2.5时空演变分析利用vanDonkelaarA数据集2000–2018年研究区内浓度值大于75µg·m-3(即轻度污染、中度污染、重度污染、严重污染)的PM2.5数据,采用标准差椭圆法进行分析。标准差椭圆算法的Ellipse-Size参数设置为1倍标准偏差,即生成的椭圆能够包含68%的数据。由于不同污染级别的PM2.5数据对进行标准差椭圆分析的贡献不同,因此以PM2.5浓度值作为权重进行分析。
图6 2000–2018年全国PM2.5分布图Fig.6 The distribution of PM2.5 in China from 2000 to 2018
从全国尺度来看,PM2.5污染严重的地区主要有新疆塔里木盆地、四川盆地及华北平原地区,显著高于全国平均指标,说明我国空气的区域性污染严重,分区治理科学高效。从重点研究区域来看,华北地区PM2.5质量浓度在2000–2013年间呈现波动中逐年增加的趋势,在2006年PM2.5中重度污染等级的范围显著扩大,由之前的河北西南部扩大到河北、河南以及山西等地。之后整体上仍在扩散并且污染程度也在加深,2011年和2013年污染尤其严重。2013年之后PM2.5质量浓度则有明显的降低。
图7显示了椭圆中心点变化轨迹。2000–2018年这十九年间,标准差椭圆中心的位置整体向东北移动,具体变化过程规律不明显:2000–2003年向东北方向快速移动;2003–2004年向西南方向转变后,2004–2007年间持续向东南方向移动;2007–2008年轨迹向东北方向骤移后,2008–2010年间向西南方向快速移动;2010年后呈现螺旋型缓慢向北移动的趋势,其中分别在2012年、2015年和2017年发生东西方向上发生转变。从中心位置来看,仅有一个点(2000年)偏离较远,其余的污染中心基本都在四省交界的区域,这是由于该区域有邢台、邯郸等污染较重的城市,都是全国空气质量排名倒数的城市。其中2000年中心点位于河南省西南部的南阳盆地附近,明显偏离四省交界。
图7 研究区标准差椭圆中心点变化轨迹Fig.7 Variation trajectory of standard deviation ellipse center point in the study area
图8显示了椭圆边长及面积的变化曲线。椭圆面积反映了PM2.5污染覆盖范围,图中显示椭圆的边长与面积变化趋势一致。可以发现PM2.5污染覆盖范围分别在2002年、2006年、和2011年达到19年来的峰值,面积值达到318498.44 km2,极小值拐点分别是2004年、2008年、2012年,重点分析这几个年份造成PM2.5污染覆盖范围趋势变化的原因。在2013年后PM2.5扩散范围显著地逐年变小,污染面积下降速率可达52343.46 km2·a-1,至2018年污染面积降到历年最低的5614.86 km2。
图8 研究区椭圆周长及面积的变化曲线Fig.8 Variation curve of perimeter and area of ellipse in the study area
图9显示了PM2.5浓度最大值及平均值变化曲线。可以看出,研究区内的PM2.5浓度平均值与最大值曲线起伏趋势大致相当,平均值曲线较平缓,波动在70～95µg·m-3之间,其中几个小峰值分别在2006年、2011年和2013年。从图中还可以明显看出在2013–2018年平均值逐年下降,降幅达15.97µg·m-3,平均每年下降3.19µg·m-3;其中2016–2018年的最大值更是迅速下降,这都显示出我国PM2.5治理成果显著。
图9 研究区PM2.5浓度最大值及平均值变化曲线Fig.9 Variations of the maximum and average of PM2.5 concentration in the study area
查找分析上述转变的背景表明,2008年前后,无论PM2.5质量浓度还是污染面积都得到了一定控制,这主要是举办北京奥运会而开展了严格的局地减排措施的成效[39,40]。然而,随后的年份空气质量又发生恶化,在不利气象条件的影响下,2011年冬季发生了影响范围大、污染程度高的重污染事件[41]。2012年,我国发布了第一个综合性大气污染防治规划《重点区域大气污染防治“十二五”规划》(环发〔2012〕130号),规划中严格规定了关于PM2.5及其前体物(二氧化硫、氮氧化物和挥发性有机物等)的排放限制[42]。2013年北京PM2.5污染在浓度和持续时长上都突破了历史记录,严重影响市民生活,国家进一步出台了《大气污染防治行动计划》,之后环保治理工作成效逐年显现。2017年在持续的大气污染减排措施和有利的大气扩散条件作用下,空气质量显著改善[43]。直至2018年污染面积缩减为5614.86 km2,研究区域平均PM2.5质量浓度下降至76.29µg·m-3,污染中心也从(112.57°E,33.16°N)移动至(114.53°E,37.65°N)。
3.4 不确定性分析
此外,图7显示2000年标准差椭圆中心点变化轨迹在很大程度上偏离了其他年份中心点的集中区域(即:四省交界地区)。图10显示,2000年PM2.5污染主要分布在河南省境内,尤其以南阳最为严重。查询南阳市历年气候变化及极端天气事件可知,在河南省南阳市在2000年大雾次数较多、大风日数减少[44],同时南阳市地形条件特殊,形成三面环山、南面开口的南阳盆地,近地面受高压控制,大气活动稳定,气候与地形条件不利于PM2.5扩散[45],因此造成了该地区PM2.5浓度值高于其他地区,以致标准差椭圆的中心点位于南阳盆地附近。
图10 2000年研究区PM2.5分布及其标准差椭圆(vanDonkelaarA)Fig.10 PM2.5 distribution and its standard deviation ellipse in the study area in 2000(vanDonkelaarA)
进一步研究2000年的研究区PM2.5数据(表1),共783条污染数据,其中552条数据大于75µg·m-3且小于等于76µg·m-3,占比约70%,且仅有3条数据大于80µg·m-3,平均值和最大值在历年PM2.5数据中都较低,由此可见,因气象和地形造成的PM2.5污染聚集效果远小于因人为污染造成的。-X w、-Y w、α分别对应标准差椭圆的中心和方位角,中心点位于(112.57°E,33.16°N),长短半轴之差大,数据向心力明显,集聚区域方向性明显,呈西南-东北方向分布,方位角为24.64°。
表1 2000年研究区PM2.5统计量与标准差椭圆参数Table 1 PM2.5 statistics and standard deviation ellipse parameters of the study area in 2000
通过标准差椭圆法研究了2000–2018年间研究区PM2.5时空演变趋势。通过标准差椭圆的系列参数,定量判断PM2.5污染整体迁移趋势、分布范围变化等,并深入分析了造成PM2.5变化的驱动因素。同时通过线性回归验证的方法,针对现行两种流行算法(基于模式模拟和基于机器学习)产生的PM2.5数据集进行比较。得到如下结论:
1)基于机器学习算法产生的数据集(CHAP)适用于小规模地区空气污染研究,其地面验证效果更佳;基于模式模拟算法产生的数据集(vanDonkelaarA)在低PM2.5浓度时,反演值低于实际值。
2)基于模式模拟算法产生的数据集(vanDonkelaarA)的空间相关性和时空合理型都优于基于机器学习算法产生的数据集(CHAP),更适合于大尺度、长时间的污染趋势分析。
3)2000–2018年研究区PM2.5分布的标准差椭圆中心的位置整体向我国东北方向移动,除2000年中心点在南阳盆地附近外,其他年份中心点位于河北、河南、山西、山东四省交界处的污染较重的城市(邯郸、邢台)附近。
4)PM2.5扩散范围及年均值在2013年前都是呈现波动中整体上升的趋势;从2013年开始下降,降幅明显,造成PM2.5时空趋势演变的驱动因素主要是政策管控,从源头上减少PM2.5的排放量,尤其2017年后管控成果显著。
猜你喜欢标准差反演椭圆Heisenberg群上由加权次椭圆p-Laplace不等方程导出的Hardy型不等式及应用数学杂志(2022年5期)2022-12-02反演对称变换在解决平面几何问题中的应用中等数学(2022年5期)2022-08-29基于ADS-B的风场反演与异常值影响研究成都信息工程大学学报(2021年5期)2021-12-30例谈椭圆的定义及其应用中学生数理化(高中版.高二数学)(2021年12期)2021-04-26一类麦比乌斯反演问题及其应用中等数学(2020年2期)2020-08-24一道椭圆试题的别样求法中学数学杂志(2019年1期)2019-04-03浅析标准差及其在工程统计中的运用建筑与装饰(2018年20期)2018-12-13更 正中国神经免疫学和神经病学杂志(2018年6期)2018-01-15椭圆的三类切点弦的包络福建中学数学(2016年4期)2016-10-19拉普拉斯变换反演方法探讨信息记录材料(2016年4期)2016-03-11