论文部分内容阅读
近年来,大气污染问题已经成为影响居民身体健康和区域可持续发展的重要因素,细颗粒物(Particalate Matter 2.5,PM2.5)是衡量大气环境质量的重要指标,获取PM2.5浓度的连续空间数据,是实现精细化空气质量分析应用的数据基础。卫星遥感技术具有覆盖空间范围广、获取成本低等优势,将气溶胶光学厚度（Aerosol Optical Depth,AOD）的遥感观测数据辅助用于大范围的PM2.5浓度监测逐渐成为研究热点。但是,目前的气溶胶产品往往针对中低分辨率影像,难以满足高异质城市环境中空气质量精细化监测的需求。本研究以北京地区为主要研究区,基于Landsat8遥感影像数据,开展高空间分辨率的AOD反演与PM2.5估算及空间特征分析,具体的研究内容如下:（1）基于Landsat数据的高分辨率AOD反演算法针对目前的气溶胶产品空间分辨率不足的问题,将简化的气溶胶反演算法（Simplified Aerosol Retrieval Algorithm,SARA）应用于Landsat数据开展AOD反演研究,并解决了有效像元缺失和地表反射率数据集构建两个关键问题,提高了反演结果的空间覆盖度。为了减少分辨率过高带来的数据冗余,通过局部方差法确定北京地区AOD空间异质性最大的空间分辨率为60m,并对数据进行重采样。反演结果与地面测站数据相比,相关系数R达到0.9682;与同期的MODIS气溶胶产品相比,两者在空间分布上较为一致,本文反演结果具有更高的空间分辨率,显示出更多的变化细节,且精度指标更优。（2）结合物理机制和机器学习算法的PM2.5估算模型考虑到目前广泛使用的多元线性回归模型不能很好拟合PM2.5与AOD存在的亚线性关系,将基于物理机制的高度、湿度订正与以随机森林、极端梯度提升算法为代表的机器学习算法结合,构建PM2.5估算模型,并采用交叉验证与多项指标进行模型评估,结果表明基于高湿订正的随机森林模型,具有最优的拟合和预测能力,可作为合理的PM2.5估算模型。（3）北京PM2.5浓度的分布特征研究与影响因子分析针对高空间分辨率的PM2.5浓度数据开展应用研究,基于高湿订正的随机森林模型计算得到北京市多个时相的PM2.5浓度数据,分析北京市的PM2.5浓度的空间分异和自相关特征,并对PM2.5污染热点进行识别与分析;利用密度分析、空间统计、缓冲区等方法,研究土地覆盖、道路密度与工厂分布对PM2.5浓度的影响。本研究提高了PM2.5浓度估算的精度、空间分辨率和覆盖率,探究了北京地区的PM2.5浓度的空间分布特征和影响因子,对于小尺度的PM2.5监测与治理具有重要意义,对于土地利用规划、交通规划、工业选址规划等相关领域具有重要的应用价值。