论文部分内容阅读
近十多年来,随着我国经济飞速发展,城镇化速度持续加快,雾霾频发也成为了我国一个突出的环境问题,直至近几年我国才逐渐意识到PM2.5危害的严重性,在2013年底才初步建成了全国PM2.5地面监测网络。PM2.5监测作为环境监测的重要内容之一,常规地面监测站点由于其站点分散,且监测时序较短,使得我国PM2.5健康效应和环境污染控制等方面的研究较为薄弱。而大范围长时序的卫星遥感监测能有效弥补地面站点分布的缺点,能为PM2.5监测提供充足的数据。快速城市化是造成我国PM2.5大范围污染的重要因素之一,PM2.5反演主要采用卫星遥感气溶胶产品结合气象数据,但很少有考虑到城市化信息对PM2.5反演的影响。而夜间灯光数据(NTL)作为代表城市化和人类活动的良好指标,理论上可以影响PM2.5浓度。基于以上背景,本研究基于气溶胶光学厚度(AOD)以及气象数据,构建含有夜间灯光数据的PM2.5反演模型,以评估夜间灯光数据在PM2.5预测中的作用,接着反演历史PM2.5浓度并分析其时空变化特征,再进一步对其空间分布的城市化因子进行分析,为中国大陆地区PM2.5污染治理与健康研究提供科学依据。本研究具体工作和结论如下:(1)为了评估夜间灯光数据在PM2.5预测中的作用,针对神经网络模型适合非线性研究的特点,基于神经网络模型分别建立了含有夜间灯光数据的神经网络-NTL模型和不包含夜间灯光数据的神经网络-basic模型两种PM2.5反演模型,反演PM2.5与地面站点监测PM2.5的验证表明,神经网络-NTL模型比神经网络-basic模型反演精度更高,NTL能提高反演模型的性能。夜间灯光数据由于能揭示人类活动的季节性变化而使得PM2.5反演浓度分布更具有季节性特征。(2)基于各年相同月份AOD-PM2.5关系相对稳定的假设,采用2016年模型对2001-2016年历史月份PM2.5浓度进行估算。首先反演2015年各月份PM2.5浓度并与地面监测站点PM2.5进行对比验证,结果表明精度良好,且夜间灯光数据的精度提升效果在历史浓度反演中同样能表现出来。进一步反演2001-2016年历史PM2.5浓度,并对我国2001-2016年PM2.5时空分布与变化特征进行分析。结果表明,我国PM2.5浓度分布与地形和人类活动紧密相关,总体上呈现“五高五低”空间分布格局。季节分布特征显示,我国PM2.5污染最严重的是冬季,最轻的是夏季。月份分布特征显示,12月、1月浓度最高而7、8月最低。年均值浓度变化不同区域不尽相同,但总体来看秋冬季浓度逐渐加重。空间自相关分析表明,PM2.5年均浓度分布呈现出强烈的正空间自相关关系。(3)PM2.5分布的城市化因子地理探测器q值显示,人口密度是影响PM2.5浓度的最大因子,其次分别为外商直接投资、市辖区道路面积和人均GDP。城镇化率的解释力逐渐下降,城区人口和市辖区园林绿地面积的解释力逐渐增加。地理加权回归结果显示,黄河淮河以北地区和西北地区的PM2.5受城市化因素影响明显;PM2.5浓度与城市化因子中的人口密度、城市道路面积呈正相关,其中与人口密度相关性空间分布从南到北逐渐增强,城市道路面积的影响从西部到东部逐渐增强;PM2.5浓度与城市化率、第三产业占比、市辖区园林绿地面积负相关,其中,与城市化率负相关性从东南到西北方向逐渐增强,与第三产业占比的负相关性从西北到东南方向逐渐增强。总体而言,VIIRS NTL数据具有估算PM2.5的潜力,可以成为估算地面PM2.5分布的有用补充数据源。长时序月均PM2.5空间分布变化特征可以为历史节能减排措施效果评估提供参考依据。而揭示PM2.5浓度分布的城市化驱动因素并分析其分布状况,可以为政府实施跨区域污染防治措施提供空间参考,为提高中国人居环境奠定基础。