应用贝叶斯最大熵和地理加权回归方法研究我国沿海和内陆PM_(2.5)时空分布

【摘要】：随着我国人口持续增长和经济发展,环境污染问题日趋严重。其中,大气中的PM2.5细颗粒物已成为呼吸系统、心肺疾病和免疫系统等主要致病污染物之一。在我国,PM2.5污染引起了社会各界的关注。近些年来,我国意识到空气污染的严重性,开始建设PM2.5监测网,但是仍面I临缺乏准确的历史数据和有效的污染物预测模型这两大困境。本研究基于遥感气溶胶、气象、地形等多种数据,建立了一种新型统计模型,并预测了 2015年11月至2016年2月间我国沿海与内陆PM2.5时空分布特征。本文的研究区涵盖我国大陆大部分区域,包括整个沿海地区以及除新疆、西藏、内蒙古、青海和黑龙江以外的全部内陆省市区。研究区面积约为452万平方千米,占全国总面积的47.08%;区内人口约为12.72亿,占全国总人口数的93%。由于研究区人口量大而且高度密集,其空气质量状况对于我国环境污染治理以及社会经济健康效益评估具有重要意义。为提高模型精度,本研究融合了 PM2.5、NO2、CO地面监测数据、MODIS V5.2版本的气溶胶数据、数字高程、人口、气象、土地利用和道路等数据,应用贝叶斯最大熵(Bayesian Maximum Entropy,BME)理论和地理加权回归(Geographic Weighted Regression,GWR)方法,分析我国沿海与内陆的PM2.5时空特征,并获得P M2.5时空预测图。GWR建立了监测站点PM2.5浓度值与上述环境因子的局部空间关系,并预测30 X 30 km2空间分辨率的PM2.5浓度值;然后将预测的PM2.5数值作为软数据,监测站点PM2.5数值作为硬数据,放入BME中进行时间和空间上的协方差函数拟合,预测3X3 km2空间分辨率的PM2.5浓度值;最后将预测的PM2.5浓度数据与地面监测数据进行十折交叉验证,得到BME-GWR模型的预测结果。对比以前的研究结果,由于新方法的融合特性,BME-GWR方法对中国PM2.5浓度的时空预测有进一步的提高,且验证结果优于先前的大部分研究。GWR不能用在一个动态变化的时间上,综合BME和GWR方法后,新模型能够从时间和空间上同时预测PM2.5浓度变化,弥补了 GWR模型的缺陷。GWR模型2015年11月至2016年2月的拟合结果R2分别是0.78、0.83、0.80、0.63,气溶胶和压强两种环境自变量的回归系数在时间和空间上都存在明显的地域差异性。空间上,PM2.5污染严重区域呈现聚集的趋势,PM2.5质量浓度较高的地方主要分布在东北部、华北南部、华中东部及四川盆地东部等区域,长江东南和西北部地区的污染程度一直相对较小;时间上,冬季1月份、2月份的PM2.5污染程度相对较低,11、12月份PM2.5污染最为严重。BME-GWR的十折交叉验证结果(R2 = 0.883,RMSE= 11.39 μg/m3)表明模型精度较高。以沿海与内陆对比为例,时间上来看,地面监测点的PM2.5月平均质量浓度水平呈逐月上升然后下降趋势,且PM2.5月均值主要集中在35～100μg·m-3区间;空间上来看,严重污染的区域随着时间由沿海转移到内陆,由东北向西南转移,而且长江以南地区一直是污染较轻的区域。主要由于入冬以来供暖增加,以及不利的气象条件,地势等原因造成。总体而言,BME-GWR模型不论在预测维度和精确度上,都有较好的结果,也能为相关环境部门提供污染治理决策上的支持与帮助。今后,本研究的工作重点应放在收集更高分辨率的AOD数据和完善优化基于卫星遥感数据的预测模型,以便更高效地用于其他空气污染物的时空预测。