耿 冰,孫義博,曾巧林,商豪律,劉霄宇,單菁菁* (.中國社會科學(xué)院生態(tài)文明研究所,北京 0070；.中國環(huán)境科學(xué)研究院生態(tài)研究所,北京 000；.重慶郵電大學(xué)計算機(jī)科學(xué)與技術(shù)學(xué)院,重慶 0006；.中國科學(xué)院空天信息研究院數(shù)字地球重點實驗室,北京 0009；.中國信息通信研究院,北京 009)

為了應(yīng)對日益嚴(yán)重的空氣污染問題,我國大規(guī)模建立地面PM2.5監(jiān)測站點,對重污染天氣進(jìn)行監(jiān)測及預(yù)警[1-3].眾多學(xué)者也在此基礎(chǔ)上開發(fā)了 PM2.5濃度估算模型[4-8].但是,地面 PM2.5監(jiān)測站點僅能提供空間上“點”尺度的觀測,有限的空間范圍不足以代表PM2.5在空間上的異質(zhì)性, 而PM2.5的空間信息對于研究空氣污染與經(jīng)濟(jì)、地理及人口之間的關(guān)系至關(guān)重要.

近年來,隨著衛(wèi)星遙感技術(shù)的發(fā)展,使得區(qū)域尺度的污染信息獲取成為可能,利用衛(wèi)星反演的大氣氣溶膠光學(xué)厚度(AOD)估算大空間尺度的地表PM2.5濃度也已被廣泛采用[9-13].

目前,已有多種衛(wèi)星遙感數(shù)據(jù)反演的AOD產(chǎn)品被用于估算地表PM2.5濃度的時空分布[14-17].

與此同時,多種類型的統(tǒng)計模型被提出并應(yīng)用于PM2.5濃度的估算中[18-22],這些模型均以AOD作為主要指示因子,結(jié)合氣象觀測及其他類型的統(tǒng)計參數(shù)估算地面 PM2.5的時空分布.例如,早期的研究采用一元線性回歸模型僅采用AOD作為指示因子來估算PM2.5濃度[23];或更為復(fù)雜的采用多元或廣義線性回歸模型,考慮更多的地表及氣象參數(shù)用以提高 PM2.5的估算精度[24-25].但是在真實的環(huán)境中,PM2.5濃度的分布是一個與多種因素有關(guān)的非線性過程,在時間和空間上存在著強(qiáng)烈的可變性,因此學(xué)者們開發(fā)了更為復(fù)雜的模型對PM2.5濃度與AOD關(guān)系的時空變異性進(jìn)行描述,例如地理(和時間)加權(quán)回歸模型[10]、混合效應(yīng)模型[26]以及廣義加權(quán)混合模型等[27].然而,本質(zhì)上這些統(tǒng)計模型仍然是線性的,模型內(nèi)部簡化了PM2.5與AOD及其他指示因子之間的復(fù)雜關(guān)系,使PM2.5濃度估算結(jié)果仍然存在較大的不確定性.隨著計算機(jī)技術(shù)的發(fā)展,機(jī)器學(xué)習(xí)(包括深度學(xué)習(xí))方法以其強(qiáng)大的非線性建模能力越來越多地被用于 PM2.5濃度的估算中[28],例如支持向量回歸模型[29]、隨機(jī)森林模型[30]、人工神經(jīng)網(wǎng)絡(luò)模型[24]、貝葉斯方法[31]、廣義回歸神經(jīng)網(wǎng)絡(luò)模型[32]以及深度信念網(wǎng)絡(luò)[33]等,這些模型在對PM2.5濃度的估算方面均表現(xiàn)出比傳統(tǒng)統(tǒng)計模型更好的性能.在指示因子的選擇方面,這些機(jī)器學(xué)習(xí)模型除了采用AOD和常規(guī)的氣象觀測參數(shù)之外,還使用了包括相鄰時間和空間上觀測的 PM2.5信息、土地利用信息、植被指數(shù)信息、NO2濃度信息、人口密度、海拔高程[26,33]以及路網(wǎng)密度信息等,這些信息或多或少與PM2.5濃度分布相關(guān).考慮的影響因子越多,越能夠提高PM2.5估算精度.但是,過多的人工設(shè)計的特征不僅耗時耗力,而且過于復(fù)雜的特征選擇也不利于模型的工程化實施.此外,目前的模型大多僅對日平均 PM2.5濃度進(jìn)行估算,且空間分辨率相對粗糙(大于 3km).盡管此類模型可以有效降低目標(biāo)函數(shù)的復(fù)雜性,但卻忽略了PM2.5濃度每小時的時空變異性.針對以上問題,為了有效地開展 PM2.5濃度精細(xì)化時空尺度(即每小時和1km的時空分辨率)估算,需要一種非線性表達(dá)能力更強(qiáng)并且容易實現(xiàn)工程化的模型.

深度學(xué)習(xí)方法[34]作為當(dāng)前最先進(jìn)的機(jī)器學(xué)習(xí)技術(shù)之一,以其優(yōu)異的非線性表達(dá)能力在許多領(lǐng)域都取得了超過傳統(tǒng)機(jī)器學(xué)習(xí)方法的顯著成果.目前,已有研究人員采用深度學(xué)習(xí)方法來估算 PM2.5濃度的時空分布[33,35-36],但是相關(guān)的模型規(guī)模仍然相對較小,并且很大程度上依舊依賴于人工特征選擇,并沒有充分利用深度學(xué)習(xí)方法通過更深更寬的網(wǎng)絡(luò)結(jié)構(gòu)來表達(dá)高度復(fù)雜目標(biāo)函數(shù)的優(yōu)點.因此,本文以北京市 2017年的 PM2.5觀測數(shù)據(jù)為基礎(chǔ),提出了一種典型的深度學(xué)習(xí)模型(PM2.5-DNN),僅采用衛(wèi)星遙感反演的AOD數(shù)據(jù)以及常規(guī)的氣象觀測要素(例如氣溫、地表溫度、風(fēng)速、風(fēng)向、相對濕度、壓強(qiáng)以及能見度)來估算PM2.5濃度的時空分布.

1 數(shù)據(jù)與模型

1.1 研究區(qū)與數(shù)據(jù)來源

1.1.1 研究區(qū)概況 北京市位于華北平原,中心經(jīng)緯度為 116.41°E,39.92°N,總面積約 16410.54km2,2019年常住人口約2153.6萬人.其地處暖溫帶半濕潤半干旱季風(fēng)區(qū),氣候四季分明,夏季炎熱多雨,冬季寒冷干旱,春秋短促.本文采用了北京市2017年全年觀測的每小時PM2.5濃度數(shù)據(jù)和氣象觀測數(shù)據(jù).研究區(qū)域地理空間范圍以及 PM2.5站點和氣象觀測站點的分布見圖1所示.

圖1 研究區(qū)及PM2.5監(jiān)測站和氣象觀測站點分布Fig.1 Distribution of study area and PM2.5 monitoring stations and meteorological observation stations

1.1.2 衛(wèi)星AOD數(shù)據(jù) 本文衛(wèi)星遙感數(shù)據(jù)采用葵花-8氣象衛(wèi)星數(shù)據(jù).葵花-8屬于第3代地球靜止氣象衛(wèi)星,其觀測范圍為東西 80°E～160°W,南北 60°N～60°S,距離地面高度 35800km,星下點位于 140.7°E[17].衛(wèi)星搭載的主要傳感器為AHI(高像素葵花成像儀),可見光最高分辨率為 0.5km,紅外-近紅外最高空間分辨率為 1km,最高時間分辨率為 10min,是目前全球最先進(jìn)的氣象觀測傳感器之一.

葵花-8號衛(wèi)星 AOD數(shù)據(jù)產(chǎn)品的反演采用了Yang等提出的新暗目標(biāo)算法(New-DT),該算法主要利用葵花-8衛(wèi)星的可見光和近紅外波段數(shù)據(jù)反演空間分辨率為1km的每小時AOD數(shù)據(jù)產(chǎn)品.

1.1.3 環(huán)境及氣象觀測數(shù)據(jù) 2017年P(guān)M2.5監(jiān)測站點數(shù)據(jù)來自國家環(huán)境監(jiān)測中心網(wǎng)站,共采用了北京市12個PM2.5監(jiān)測站點.2017年北京市氣象觀測數(shù)據(jù)來自于中國氣象數(shù)據(jù)中心網(wǎng)站,本文所用到的主要氣象觀測數(shù)據(jù)包括氣溫(A_temp)、地表溫度(S_temp)、風(fēng)速(wing_S)、風(fēng)速方向(wind_D)、相對濕度(RH)、地表壓強(qiáng)(SP)和能見度(VIS).為了獲得與PM2.5濃度相關(guān)性最佳的氣象觀測數(shù)據(jù),本文選用了在 PM2.5監(jiān)測站半徑為 5km區(qū)域內(nèi)的氣象觀測站,最后共選擇了8個氣象觀測站點.PM2.5監(jiān)測站點與氣象觀測站點的分布如圖1所示.

1.1.4 數(shù)據(jù)預(yù)處理 由于模型的構(gòu)建需要將 PM2.5濃度數(shù)據(jù)、AOD數(shù)據(jù)以及氣象觀測數(shù)據(jù)一一對應(yīng),因此需要對所有數(shù)據(jù)進(jìn)行預(yù)處理,使之形成時間和空間上一致的數(shù)據(jù)集,用于對所構(gòu)建的PM2.5濃度估算模型進(jìn)行訓(xùn)練與驗證.其中 AOD數(shù)據(jù)提取 PM2.5監(jiān)測站點位置所在柵格的數(shù)值.對于氣象觀測數(shù)據(jù),由于 PM2.5監(jiān)測站點的分布與氣象觀測站點的分布不同,本文使用了PM2.5周圍5km范圍內(nèi)的氣象觀測站點觀測均值作為與之匹配的氣象觀測數(shù)據(jù).此外,由于較小的太陽高度角會導(dǎo)致大氣路徑變長,使得大氣漫反射的比例變大,從而導(dǎo)致衛(wèi)星遙感反演的AOD數(shù)據(jù)產(chǎn)品的精度變差.因此,為了有效避免太陽高度角對AOD數(shù)據(jù)反演精度的影響,本文僅使用北京時間9:00～16:00之間8h的葵花8號衛(wèi)星影像反演AOD數(shù)據(jù),并同時獲取與AOD數(shù)據(jù)時間上一致的 PM2.5濃度與氣象觀測數(shù)據(jù).最后,去掉數(shù)據(jù)中的缺失值以及由于降雨影響導(dǎo)致的無效數(shù)據(jù),并將數(shù)據(jù)進(jìn)行歸一化處理(零均值,單位方差).經(jīng)過預(yù)處理后,共得到可用數(shù)據(jù)17059條.

1.2 模型構(gòu)建方法

1.2.1 深度網(wǎng)絡(luò)模型(PM2.5-DNN) 深度學(xué)習(xí)屬于機(jī)器學(xué)習(xí)中的一類模型,它通過構(gòu)建非常深的神經(jīng)網(wǎng)絡(luò)來學(xué)習(xí)輸入數(shù)據(jù)的多級表示特征,從而表達(dá)復(fù)雜及抽象的概念或模式[34].與傳統(tǒng)神經(jīng)網(wǎng)絡(luò)模型相比,深度學(xué)習(xí)模型通常由超過三層的隱含層構(gòu)成.并且可以在沒有進(jìn)行預(yù)訓(xùn)練的情況下直接對深度網(wǎng)絡(luò)進(jìn)行端到端的監(jiān)督訓(xùn)練.

本文采用AOD數(shù)據(jù)和常規(guī)的氣象觀測參數(shù)作為輸入變量,通過深度學(xué)習(xí)模型直接構(gòu)建輸入變量與 PM2.5濃度之間的高時空分辨率(每小時,1km)關(guān)系模型.模型的輸入?yún)?shù)為:葵花 8衛(wèi)星反演的AOD、空氣溫度(A_temp)、地表溫度(S_temp)、風(fēng)速(wind_S)、風(fēng)向(wind_D)、相對濕度(RH)、壓強(qiáng)(SP)、可見度(VIS)以及年積日(DOY),模型的輸出為PM2.5濃度的估算值.對模型隱含層神經(jīng)單元數(shù)據(jù)的確認(rèn)采用啟發(fā)式搜索方法,將隱含層的神經(jīng)單元個數(shù)設(shè)為 10,并以 10為步長進(jìn)行迭代的訓(xùn)練和驗證,并統(tǒng)計驗證誤差,直至驗證誤差穩(wěn)定且不再降低,然后以相同的方式來確定多個隱含層的神經(jīng)元個數(shù),直至整個模型的驗證誤差不再降低為止.模型的訓(xùn)練采用 ReLU作為激活函數(shù),輸出層采用線性函數(shù)作為激活函數(shù),最終確定的深度學(xué)習(xí)網(wǎng)絡(luò)模型結(jié)構(gòu)如圖2所示,結(jié)構(gòu)為9-300-300-100-20-1.

圖2 本文所采用的深度網(wǎng)絡(luò)模型結(jié)構(gòu)Fig.2 The structure of the deep network model

模型的訓(xùn)練和應(yīng)用流程如圖 3所示,在訓(xùn)練階段通過采用誤差反向傳播方法對輸入的訓(xùn)練數(shù)據(jù)集進(jìn)行學(xué)習(xí),獲得能夠表征輸入數(shù)據(jù)時空特征的模型內(nèi)部參數(shù),并對模型的訓(xùn)練結(jié)果進(jìn)行驗證,在獲得可靠的驗證精度后即可應(yīng)用訓(xùn)練好的模型,通過輸入 AOD影像及柵格化后的氣象觀測數(shù)據(jù),對 PM2.5濃度的時空分布進(jìn)行估算.

圖3 模型訓(xùn)練和應(yīng)用流程圖Fig.3 Model training and application flow chart

1.2.2 線性混合效應(yīng)模型(LME) 線性混合效應(yīng)模型(LME)是目前估算 PM2.5時空分布的主要方法之一,是既包含了固定效應(yīng)參數(shù)又包含隨機(jī)效應(yīng)的統(tǒng)計回歸模型.其中固定效應(yīng)表示模擬因子對 PM2.5的多年平均影響狀態(tài),而隨機(jī)效應(yīng)則用于解釋 PM2.5與AOD以及其他氣象因子之間的日變化關(guān)系,以隨機(jī)截距或者隨機(jī)系數(shù)的形式表示.線性混合效應(yīng)模型可以表達(dá)為:

式中:PM2.5,it表示第i個監(jiān)測站點在時間t的 PM2.5濃度值;bo和bo,t分別代表模型的固定截距和隨機(jī)截距;b1～b9和b1,t～b8,t分別代表各自變量參數(shù)的固定效應(yīng)斜率和各變量的隨機(jī)效應(yīng)斜率;εit第i個監(jiān)測站點在時間t的隨機(jī)誤差項,b0,t、b1,t和b2,t為其參數(shù);Ψ為隨時間變化的隨機(jī)效應(yīng)方差-協(xié)方差矩陣.

1.2.3 地理加權(quán)回歸模型(GWR) 地理加權(quán)回歸模型(GWR)區(qū)別于傳統(tǒng)回歸方法之處在于不同輔助變量的回歸系數(shù)不再是利用全局信息所獲得的常量進(jìn)行估算,而是用鄰近觀測值進(jìn)行局部加權(quán)回歸從而得到相關(guān)系數(shù),并考慮了數(shù)據(jù)的空間位置.其公式可表達(dá)為:

式中:PM2.5,it表示第i個監(jiān)測站在時間t的PM2.5濃度值,β0,i為模型的固定截距;β1,I～β9,i分別代表各自變量參數(shù)的回歸系數(shù),εi為第i個監(jiān)測站點的回歸殘差.

1.2.4 支持向量回歸模型(SVR) 支持向量回歸(SVR)模型是支持向量機(jī)模型在回歸問題上的應(yīng)用模型,該模型會在盡可能擬合現(xiàn)有數(shù)據(jù)的情況下考慮模型的泛化誤差,從而盡量避免模型的過擬合,使得學(xué)習(xí)到的模型能夠在未知數(shù)據(jù)上具有良好的預(yù)測性能.SVR模型在PM2.5模擬方面已有了較多的應(yīng)用,以下對其原理進(jìn)行簡單敘述.

給定數(shù)據(jù)集{(xi,yi),i,…,m},x為輸入因子,y為輸出因子,SVR模型可以表示為:

式中:w是權(quán)重向量;φ(x)是將輸入數(shù)據(jù)從輸入空間映射到特征空間的核函數(shù);b是常數(shù)項.對模型的訓(xùn)練是使風(fēng)險函數(shù)最小,風(fēng)險函數(shù)可表示為:

式中:等號右側(cè)第一項是對模型復(fù)雜程度的懲罰項;第二項是模型輸出值與真實值之間誤差的懲罰項;常數(shù) C是用來調(diào)整懲罰比例的系數(shù).本文使用徑向基函數(shù)(RBF)為核函數(shù),表示為:

在對SVR模型的訓(xùn)練中,采用了格網(wǎng)搜索方法來確定模型超參數(shù)(σ,C),即設(shè)定σ和C的范圍在4到-4之間,以 0.8為間隔進(jìn)行遍歷計算,找到模型驗證誤差最小的超參數(shù)組合即為最優(yōu)參數(shù).

1.2.5 隨機(jī)森林回歸模型(RFR) 隨機(jī)森林(RF)算法是通過集成學(xué)習(xí)的思想將多顆決策樹集成的一種分類與回歸算法.隨機(jī)森林引入集成學(xué)習(xí)思想和隨機(jī)子空間思想,通過實現(xiàn)樣本選取隨機(jī)性和特征選取隨機(jī)性,對樣本單獨構(gòu)建決策子樹,結(jié)合集成學(xué)習(xí)思路將各決策子樹的結(jié)果按照一定規(guī)則匯總作為最后輸出.對于回歸模型而言,匯總規(guī)則為取平均值.

對一組由決策子樹{h(x,θt),t=1,2,…,T}構(gòu)成的決策組合模型.其中θt為服從獨立同分布的隨機(jī)變量,x為自變量,T為決策子樹的個數(shù).回歸模型的估算結(jié)果為:

2 結(jié)果與討論

2.1 深度網(wǎng)絡(luò)模型PM2.5-DNN的訓(xùn)練和驗證

將數(shù)據(jù)集隨機(jī)分隔為訓(xùn)練數(shù)據(jù)集(80%)和測試數(shù)據(jù)集(20%)分別應(yīng)用于模型的訓(xùn)練階段和測試階段.對模型的訓(xùn)練采用帶動量項的隨機(jī)梯度下降算法,并采用從均勻分布中采樣的方式對 PM2.5-DNN模型的初始權(quán)重進(jìn)行初始化.此外,超參數(shù)的設(shè)置也會顯著的影響模型訓(xùn)練結(jié)果,超參數(shù)主要包括學(xué)習(xí)速率,動量以及為防止過度擬合而引入的dropout和正則化因子[37].本文對超參數(shù)的設(shè)置采用了格網(wǎng)搜索的方法,即設(shè)置各超參數(shù)取值范圍,然后以一定的步長進(jìn)行迭代訓(xùn)練,找出獲得最佳驗證性能的數(shù)值作為后續(xù)模型訓(xùn)練時采用的超參數(shù).本文最終確定的模型訓(xùn)練超參數(shù)設(shè)置情況為:批量大小為 100,學(xué)習(xí)速率為0.04,動量為0.8,dropout為0.1,L2正則化因子為 0.0002,同時采用早停法來避免模型的過度擬合.對模型的訓(xùn)練采用10折交叉驗證方法,即將訓(xùn)練數(shù)據(jù)集隨機(jī)平均分為10等份,輪流將其中9份作為訓(xùn)練數(shù)據(jù),1份作為驗證數(shù)據(jù)進(jìn)行模型訓(xùn)練,最后將10次訓(xùn)練的驗證結(jié)果的均值作為模型的性能[37].

采用相關(guān)性系數(shù)(R2)、均方根誤差(RMSE)、平均預(yù)測誤差(MPE)以及相對預(yù)測誤差(RPF)作為模型性能的評價指標(biāo).

模型訓(xùn)練結(jié)構(gòu)如圖 4所示,在模型的訓(xùn)練階段,模型的總體性能分別為:R2=0.95,RMSE=10.6μg/m3,MPE=1.64μg/m3,RPE=25.47%;在模型的測試階段,模型的總體性為:R2=0.88,RMSE=18.78μg/m3,MPE=0.73μg/m3,RPE=42.98%.通過對比訓(xùn)練階段和測試階段的 R2可以看,出模型在訓(xùn)練階段存在一定的過擬合現(xiàn)象,導(dǎo)致了所構(gòu)建的PM2.5-DNN模型在測試階段對高濃度范圍PM2.5的低估和低濃度范圍PM2.5的高估.但同時測試結(jié)果的相關(guān)性系數(shù)和誤差水平仍然表現(xiàn)的非常穩(wěn)健,表明本文所構(gòu)建的 PM2.5-DNN模型對PM2.5濃度的估算仍然非常有效.

圖4 PM2.5-DNN模型的總體性能評價Fig.4 Performance evaluation of PM2.5-DNN model

2.2 深度網(wǎng)絡(luò)模型與其他模型的對比

從表 1可見,機(jī)器學(xué)習(xí)方法(包括 SVR,RFR和PM2.5-DNN模型)表現(xiàn)出了比傳統(tǒng)方法(LME和GWR)更好的估算性能.PM2.5-DNN與SVR和RFR模型相比表現(xiàn)出了更加優(yōu)異的估算性能,這主要得益于PM2.5-DNN模型的深層結(jié)構(gòu),能夠從大量數(shù)據(jù)中直接學(xué)習(xí)高度復(fù)雜的函數(shù)關(guān)系.同時,本結(jié)果也表明,深度網(wǎng)絡(luò)模型在PM2.5濃度的估算方面具有極高的應(yīng)用潛力,可以直接通過端到端的方式進(jìn)行訓(xùn)練,即直接使用容易獲得的觀測因子進(jìn)行建模便能夠獲得最佳的估算性能.

表1 不同PM2.5估算模型之間的結(jié)果對比Table 1 Results comparison of different PM2.5 estimation models

2.3 北京市PM2.5濃度的精細(xì)化時空分布估算

2.3.1 每小時PM2.5濃度估算分析 為獲得能夠覆蓋整個北京市區(qū)域的氣象觀測插值數(shù)據(jù),本文采用了覆蓋整個京津冀區(qū)域內(nèi)的氣象觀測站點并采用基于反距離加權(quán)方法(IDW)進(jìn)行插值獲得北京市氣象柵格數(shù)據(jù).然后將訓(xùn)練好的PM2.5-DNN模型應(yīng)用于衛(wèi)星AOD柵格數(shù)據(jù)及插值生成的氣象柵格數(shù)據(jù)生成2017年北京市每小時PM2.5濃度柵格圖.圖5中,最大PM2.5濃度分別為:89.92、82.37、91.42、89.89、89.73、83.27、80.6和91.62μg/m3.結(jié)合與地面PM2.5監(jiān)測站點的數(shù)據(jù)相對比, PM2.5-DNN模型估算的PM2.5濃度時空分布與地面實測結(jié)果均吻合較好,表明本文所構(gòu)建的PM2.5-DNN模型具有較好的時空估算性能.

圖5 每小時PM2.5濃度模擬結(jié)果與監(jiān)測站點的對比Fig.5 Hourly PM2.5 concentration estimated by PM2.5-DNN model compared with the monitoring site

2.3.2 各月份PM2.5濃度分布估算分析 從各月份PM2.5濃度分布來看,北京市2017年1～12月份最大PM2.5濃度分別為:51.56、39.05、34.05、34、57.48、29.23、18.49、15.09、32.67、27.41、46.77 和39.47μg/m3.在PM2.5濃度時空分布中可知,冬季節(jié)污染最為嚴(yán)重,夏季空氣質(zhì)量最優(yōu).研究結(jié)果也清晰地展示了2017年5月發(fā)生的北京市PM2.5重度污染過程(圖6).

圖6 PM2.5-DNN模型生成的2017年各月份PM2.5濃度分布Fig.6 PM2.5 concentration distribution per month in 2017 generated by PM2.5-DNN model

2.3.3 各行政區(qū)PM2.5濃度分布分析 北京市共16個行政區(qū),但僅有12個觀測站點,無法實現(xiàn)觀測站點的行政區(qū)全覆蓋,利用PM2.5-DNN模型可生成更加精細(xì)的 PM2.5濃度時空分布數(shù)據(jù).從計算結(jié)果可知(表 2),2017年北京市 PM2.5濃度最大值出現(xiàn)在房山和豐臺,其次為昌平、海淀、石景山,延慶PM2.5濃度最低.城六區(qū)(東城、西城、朝陽、海淀、豐臺、石景山)年平均 PM2.5濃度均高于其他地區(qū),生態(tài)涵養(yǎng)區(qū)(門頭溝、平谷、懷柔、密云、延慶、昌平和房山的山區(qū))PM2.5濃度較低.

表2 PM2.5-DNN模型生成的2017年各行政區(qū)PM2.5濃度分析Table 2 Analysis of PM2.5 concentration in each administrative district in 2017 generated by PM2.5-DNN model

同時,本文將所用12個觀測站點的年度平均值與其所在柵格單元的 PM2.5-DNN模型模擬結(jié)果的年度平均進(jìn)行了對比,其中 R2=0.89,RMSE=20.04μg/m3,與模型的測試結(jié)果一致,進(jìn)一步論證了所構(gòu)建的PM2.5-DNN模型的可靠性(圖7).

圖7 各站點年平均觀測值與估算值對比Fig.7 Comparison of annual average observation values and estimated values of each station

2.4 討論

與 LME、GWR、SVR以及RFR相比,本文提出的基于深度網(wǎng)絡(luò)模型的 PM2.5-DNN模型僅采用容易獲得的觀測因子就可以獲得最佳的估算性能.結(jié)合衛(wèi)星遙感反演的AOD數(shù)據(jù),采用PM2.5-DNN模型實現(xiàn)了PM2.5濃度1km逐時的時空精細(xì)化模擬.

在模型應(yīng)用方面,由于模型的建立主要是基于2017年北京市內(nèi)的12個PM2.5監(jiān)測站點、8個氣象觀測站點以及葵花-8號衛(wèi)星的AOD數(shù)據(jù)產(chǎn)品,考慮到其他年份或區(qū)域會出現(xiàn)不同的PM2.5時空模式,模型應(yīng)用的最佳方式是進(jìn)行內(nèi)插,因此本文僅對 2017年北京市PM2.5濃度的時空分布進(jìn)行了模型估算.對于深度網(wǎng)絡(luò)模型而且,隨著模型的深度(隱含層數(shù))和廣度(每層神經(jīng)單元個數(shù))的增加以及模型構(gòu)建時輸入數(shù)據(jù)量的增大,所訓(xùn)練的深度網(wǎng)絡(luò)模型就越能更好地對復(fù)雜 PM2.5時空變化模式進(jìn)行模擬.因此,采用更多年份及更多觀測站點的數(shù)據(jù)進(jìn)行深度網(wǎng)絡(luò)模型的構(gòu)建,實現(xiàn)全國區(qū)域多年份的PM2.5濃度時空精細(xì)化模擬是本文下一步的研究重點.此外,由于云層覆蓋造成的AOD數(shù)據(jù)在空間上的數(shù)據(jù)缺失,造成了PM2.5濃度時空分布數(shù)據(jù)在部分空間上的不連續(xù),這也是本文存在的不足之一.

3 結(jié)論

3.1 提出一種基于深度學(xué)習(xí)方法的地面PM2.5濃度時空估算模型 PM2.5-DNN,該模型僅需要常規(guī)的氣象觀測數(shù)據(jù)(包括氣溫,地表溫度、風(fēng)速、風(fēng)向、相對濕度、壓強(qiáng)以及能見度)結(jié)合衛(wèi)星遙感反演的AOD數(shù)據(jù),就可以對地表 PM2.5濃度進(jìn)行高時空分辨率的估算.

3.2 深度學(xué)習(xí)模型在構(gòu)建復(fù)雜關(guān)系模型中具有較強(qiáng)的性能,與線性混合效應(yīng)模型、地理加權(quán)回歸模型、支持向量回歸模型、隨機(jī)森林回歸模型相比,PM2.5-DNN模型表現(xiàn)出更高精度的估算性能,其測試結(jié)果R2可以達(dá)到0.88.