楊 曉 輝，肖 登 攀,*，柏 會(huì) 子，唐 建 昭，王 衛(wèi)，郭 風(fēng) 華，劉 劍 鋒

(1.河北省科學(xué)院地理科學(xué)研究所/河北省地理信息開發(fā)應(yīng)用技術(shù)創(chuàng)新中心，河北 石家莊 050011；2.河北師范大學(xué)地理科學(xué)學(xué)院，河北 石家莊 050024；3.河北省環(huán)境演變與生態(tài)建設(shè)實(shí)驗(yàn)室，河北 石家莊 050024)

0 引言

PM2.5(空氣動(dòng)力學(xué)粒徑<2.5 μm的細(xì)顆粒物)可以攜帶有毒有害物質(zhì)[1]，長(zhǎng)期暴露在PM2.5下會(huì)對(duì)人類健康產(chǎn)生不良影響[2,3]。中國(guó)快速的城市化和工業(yè)化導(dǎo)致PM2.5成為空氣污染的主導(dǎo)因素[4]，全面了解PM2.5的空間分布具有重要意義[5]。然而，由于地面監(jiān)測(cè)站點(diǎn)數(shù)量稀疏，可獲得的監(jiān)測(cè)數(shù)據(jù)有限，嚴(yán)重阻礙PM2.5的相關(guān)研究[6,7]。衛(wèi)星遙感可為地面PM2.5污染監(jiān)測(cè)提供有價(jià)值的信息，特別是對(duì)于無PM2.5監(jiān)測(cè)站點(diǎn)的地區(qū)[8,9],衛(wèi)星反演的氣溶膠光學(xué)厚度(AOD)與PM2.5濃度高度相關(guān)[8,10,11]，高空間分辨率的AOD產(chǎn)品能以更精細(xì)的尺度對(duì)PM2.5濃度進(jìn)行更精確的評(píng)估[12-14]。2018年美國(guó)國(guó)家航空航天局(NASA)基于多角度大氣校正(MAIAC)算法[15]生成1 km高空間分辨率AOD產(chǎn)品(MCD19A2)，在預(yù)測(cè)PM2.5濃度方面顯現(xiàn)出優(yōu)越性能[16-18]。近年來，許多學(xué)者通過比例因子法、半經(jīng)驗(yàn)公式和統(tǒng)計(jì)回歸模型等探索PM2.5濃度和衛(wèi)星AOD數(shù)據(jù)之間的定量關(guān)系，其中，統(tǒng)計(jì)回歸模型以快速、簡(jiǎn)單和準(zhǔn)確等特點(diǎn)得到廣泛應(yīng)用。從早期研究的簡(jiǎn)單線性回歸[10]到先進(jìn)的高級(jí)統(tǒng)計(jì)模型，如線性混合效應(yīng)(LME)模型[19]、廣義加和(GAM)模型[20]、地理加權(quán)回歸(GWR)模型[21]、時(shí)空線性混合效應(yīng)(STLME)模型[22,23]和地理時(shí)間加權(quán)回歸(GTWR)模型[24]等，之后通過組合兩個(gè)模型(如LME+GWR、LME+GAM和TEFR+GWR等)[25-27]或三階段統(tǒng)計(jì)模型(如IPW+GAMM+KED)[28]減少單一模型預(yù)測(cè)帶來的偏差[29]。此外，部分學(xué)者雖然使用隨機(jī)森林(RF)模型[30]、自適應(yīng)深度神經(jīng)網(wǎng)絡(luò)(SADNN)模型[6]和支持向量機(jī)(SVM)[31]等機(jī)器學(xué)習(xí)模型預(yù)測(cè)PM2.5濃度，但不能給出特定的模型參數(shù)以解釋PM2.5-AOD的時(shí)空關(guān)系。

研究表明，在模型中添加交互項(xiàng)(AOD的二次項(xiàng))可以更好地描述非線性效應(yīng)[32]，在PM2.5污染較嚴(yán)重區(qū)域能糾正PM2.5濃度預(yù)測(cè)偏差[32，33]。因此，本研究選擇LME+GWR兩階段統(tǒng)計(jì)回歸模型以精確捕捉PM2.5-AOD的時(shí)空變化，以MAIAC AOD為主要變量，氣象和土地利用因子為輔助變量，預(yù)測(cè)每日地面PM2.5濃度，同時(shí)模型中加入AOD的二次項(xiàng)以及行星邊界層高度(PBLH)和AOD的交互項(xiàng)，以解釋PM2.5-AOD的非線性關(guān)系，并使用十折交叉驗(yàn)證評(píng)估模型預(yù)測(cè)的準(zhǔn)確性，最后利用模型建立長(zhǎng)時(shí)間序列高空間分辨率的PM2.5濃度數(shù)據(jù)集，分析PM2.5地基監(jiān)測(cè)網(wǎng)絡(luò)建立以來京津冀地區(qū)2013―2020年P(guān)M2.5濃度時(shí)空變化趨勢(shì)，以期為京津冀地區(qū)大氣污染防治工作提供參考和建議。

1 研究區(qū)與數(shù)據(jù)

1.1 研究區(qū)概況

京津冀地區(qū)是我國(guó)北方重要的行政、經(jīng)濟(jì)和文化中心，包括北京市、天津市和河北省的11個(gè)地級(jí)市(圖1)，該地區(qū)人口稠密，以煤炭為主要能源的第二產(chǎn)業(yè)排放各種大氣污染物，尤其在內(nèi)陸平原地區(qū)，大氣污染物難以擴(kuò)散，空氣污染嚴(yán)重。2013―2020年《中國(guó)環(huán)境公報(bào)》(http://www.cnemc.cn/jcbg/zghjzkgb/)指出：中國(guó)空氣質(zhì)量較差的10個(gè)城市中，京津冀地區(qū)歷年分別占7、8、7、6、6、5、4和1個(gè)。雖然近年來該地區(qū)空氣質(zhì)量有所改善，但仍需重視PM2.5濃度的時(shí)空分布特征和變化趨勢(shì)研究。

圖1 研究區(qū)PM2.5監(jiān)測(cè)站點(diǎn)分布Fig.1 Study area with PM2.5 monitoring stations

1.2 數(shù)據(jù)來源和處理

基于AOD的PM2.5濃度預(yù)測(cè)模型加入氣象和土地利用等因子，可顯著提高模型預(yù)測(cè)精度[22,34]。本研究采用LME+GWR兩階段統(tǒng)計(jì)回歸模型，除主要預(yù)測(cè)因子AOD外，其他輔助預(yù)測(cè)因子包括行星邊界層高度(PBLH)、近地面溫度(TEMP)、近地面風(fēng)速(WS)、近地面相對(duì)濕度(RH)、近地面氣壓(PRS)、降水量(PRCP)、森林覆蓋率(FC)和建筑用地覆蓋率(UC)，通過預(yù)測(cè)變量選擇和多重共線性分析篩選得以利用。數(shù)據(jù)集涵蓋時(shí)間為2013年1月1日至2020年12月31日，詳細(xì)信息見表1。

表1 數(shù)據(jù)來源與時(shí)空分辨率Table 1 Data source and spatial-temporal resolution

(1)PM2.5監(jiān)測(cè)數(shù)據(jù)。京津冀80個(gè)監(jiān)測(cè)站點(diǎn)PM2.5濃度的小時(shí)尺度數(shù)據(jù)均來自全國(guó)城市空氣質(zhì)量實(shí)時(shí)發(fā)布平臺(tái)。為確保PM2.5數(shù)據(jù)有效性，在日均PM2.5濃度擬合過程中，剔除不在國(guó)家環(huán)境空氣質(zhì)量標(biāo)準(zhǔn)(NAAQS)[35]監(jiān)測(cè)范圍內(nèi)的數(shù)值(即PM2.5濃度<2 μg/m3或PM2.5濃度>500 μg/m3)。

(2)MAIAC AOD數(shù)據(jù)。MAIAC算法在反演過程中利用時(shí)間序列分析和空間分析增強(qiáng)了對(duì)比局部尺度氣溶膠變化的能力，提高了云雪檢測(cè)和氣溶膠反演的質(zhì)量[36]。從NASA獲得MODIS C6 MAIAC Terra/Aqua AOD(0.55 μm)產(chǎn)品，利用氣溶膠地基觀測(cè)網(wǎng)(http://aeronet.gsfc.nasa.gov/)中Beijing、Beijing-CAMS和Xianghe的 AERONET AOD 數(shù)據(jù)(版本 3，級(jí)別 2)的驗(yàn)證結(jié)果(圖2)表明，決定系數(shù)R2為0.81～0.91，均方根預(yù)測(cè)誤差RMSPE為0.10～0.25 μg/m3，73.15%～83.74%的樣本落在期望誤差區(qū)間(±(0.05+20%×AERONET AOD))內(nèi)，滿足驗(yàn)證精度要求。

(3)氣象數(shù)據(jù)。2013-2020年P(guān)BLH數(shù)據(jù)來源于GEOS5-FP的網(wǎng)格化數(shù)據(jù)產(chǎn)品；2013-2018年其余氣象數(shù)據(jù)(TEMP、WS、RH、PRS和PRCP)來源于國(guó)家青藏高原數(shù)據(jù)中心[37]，由于數(shù)據(jù)集只涵蓋1979-2018年，從中國(guó)氣象數(shù)據(jù)網(wǎng)下載分辨率相近的2019-2020年的氣象數(shù)據(jù)。

(4)土地利用數(shù)據(jù)。土地利用數(shù)據(jù)來源于地理國(guó)情監(jiān)測(cè)云平臺(tái)，本研究選取2015年土地利用數(shù)據(jù)代表2013-2020年的土地利用狀況，提取計(jì)算整個(gè)研究區(qū)建筑用地覆蓋率和森林覆蓋率加入模型。

為使各類數(shù)據(jù)的時(shí)空分辨率與每日PM2.5濃度相匹配，日均PBLH數(shù)據(jù)由MODIS衛(wèi)星過境期間兩次觀測(cè)均值獲得；所有日均氣象變量使用雙線性內(nèi)插法重新采樣到與MAIAC AOD相同空間范圍(1 km×1 km)；森林和建筑用地覆蓋率在以每個(gè)PM2.5監(jiān)測(cè)站點(diǎn)為中心的1 km×1 km緩沖區(qū)內(nèi)進(jìn)行平均。將上述MAIAC AOD、氣象和土地利用變量按經(jīng)緯度提取到80個(gè)監(jiān)測(cè)站點(diǎn)，并根據(jù)站點(diǎn)和日期將提取結(jié)果與PM2.5濃度數(shù)據(jù)進(jìn)行匹配，最后，刪除MAIAC AOD和PM2.5的非隨機(jī)缺失數(shù)據(jù)，2013-2020年分別獲得13 272(300 d)、15 413(325 d)、15 657(316 d)、21 882(330 d)、16 961(323 d)、10 942(300 d)、10 987(281 d)和11 698(299 d)條數(shù)據(jù)記錄。

注：紅色虛線是回歸線,黑線是1∶1 線,灰線代表期望誤差區(qū)間。

2 研究方法

2.1 共線性診斷

為提高預(yù)測(cè)模型的穩(wěn)定性，必須考慮自變量的共線性。本研究選擇方差膨脹因子(VIF)(式(1))和容差(TV)(式(2))診斷所選變量之間的共線性[38]。VIF越大，說明自變量之間存在共線性的可能性越大，當(dāng)自變量的TV>0.1且VIF<10時(shí)，表明自變量之間無共線性問題存在。由表2可知，參與模型的所有自變量每年的VIF和TV均滿足VIF< 10和TV> 0.1的條件，表明自變量之間不存在共線性問題，均可考慮用于模型擬合。

表2 變量共線性分析中方差膨脹因子(VIF)和容差(TV)范圍Table 2 Range of variance inflation factor (VIF) and tolerance value (TV) in the analysis of variable collinearity

(1)

(2)

式中：Ri為自變量Xi對(duì)其余自變量作回歸分析的負(fù)相關(guān)系數(shù)。

2.2 標(biāo)準(zhǔn)差橢圓(SDE)

標(biāo)準(zhǔn)差橢圓(SDE)是基于一組離散點(diǎn)的平均中心概括地理要素(本文為PM2.5濃度)空間特征(集中趨勢(shì)、離散度和方向趨勢(shì))[39]的方法，輸出參數(shù)包括標(biāo)準(zhǔn)差橢圓、平均中心、長(zhǎng)短軸和方位角[40]。其中，標(biāo)準(zhǔn)差橢圓表示要素空間分布的主體區(qū)域，其變化可以描述整個(gè)空間動(dòng)態(tài)過程的特征；平均中心的移動(dòng)可揭示要素的整體演化軌跡；橢圓長(zhǎng)軸和短軸的變化表示特定空間方向的擴(kuò)展或收縮；方位角的變化表示整體要素在特定空間方向上的變化[41]。

2.3 模型構(gòu)建與驗(yàn)證

本研究采用由線性混合效應(yīng)(LME)模型和地理加權(quán)回歸(GWR)模型組成的兩階段統(tǒng)計(jì)回歸模型對(duì)PM2.5-AOD關(guān)系的時(shí)空變化進(jìn)行模擬，第一階段LME模型用以校正PM2.5-AOD的時(shí)間變化關(guān)系，模型中添加了AOD的二次項(xiàng)以及AOD和PBLH之間的相互作用，以解釋 AOD和PM2.5之間的非線性關(guān)系。計(jì)算公式為：

(3)

第二階段GWR模型用以校正PM2.5-AOD的空間異質(zhì)性，通過對(duì)LME模型的殘差進(jìn)行建模，每天擬合一次以說明時(shí)間可變性，具體計(jì)算公式為：

PM2.5_resist=β0(us,vs)+β1(us,vs)AODst+εst

(4)

式中：PM2.5_resist為L(zhǎng)ME模型中地面監(jiān)測(cè)站點(diǎn)s第t天的殘差值；AODst為監(jiān)測(cè)站點(diǎn)s第t天的MAIAC AOD值；β0(us,vs)和β1(us,vs)分別為空間坐標(biāo)為(us,vs)監(jiān)測(cè)站點(diǎn)s處的回歸截距和回歸斜率。

本文采用十折交叉驗(yàn)證[29]檢測(cè)模型的過擬合程度，首先，整個(gè)模型擬合數(shù)據(jù)集被隨機(jī)分成10個(gè)子集，每個(gè)子集包含大約10%的數(shù)據(jù)集，在每次交叉驗(yàn)證中選擇一個(gè)子集作為測(cè)試樣本，并使用剩余的9個(gè)子集擬合模型以對(duì)測(cè)試樣本進(jìn)行預(yù)測(cè)，此過程重復(fù)10次以確保所有子集都被預(yù)測(cè)。此外，對(duì)實(shí)測(cè)和預(yù)測(cè)的PM2.5濃度進(jìn)行線性回歸擬合，利用擬合后R2、斜率、RMSPE和相對(duì)預(yù)測(cè)誤差(RPE)評(píng)估模型性能。計(jì)算公式為：

(5)

(6)

3 結(jié)果與分析

3.1 統(tǒng)計(jì)分析

京津冀地區(qū)地面監(jiān)測(cè)站點(diǎn)觀測(cè)PM2.5年均濃度范圍為40.97～91.27 μg/m3，2013年最高，2020年最低，表明過去8年間PM2.5污染程度呈下降趨勢(shì)，但仍超過國(guó)家環(huán)境空氣質(zhì)量二級(jí)標(biāo)準(zhǔn)(GB3095-2012)的限值(35 μg/m3)。同期年平均AOD范圍為0.37～0.69，森林和建筑用地年均覆蓋率分別為3%～5%和55%～78%，2013―2020年各氣象變量的范圍見表3。

表3 建模變量統(tǒng)計(jì)指標(biāo)Table 3 Statistical indicators of modeling variables

3.2 模型擬合與驗(yàn)證

2013-2020年LME+GWR模型擬合和交叉驗(yàn)證結(jié)果對(duì)比(圖3)顯示，在捕捉每日PM2.5濃度方面，模型表現(xiàn)性能優(yōu)異。模型擬合時(shí)，數(shù)據(jù)分布向回歸線集中，模型擬合R2范圍為0.89～0.97，表明兩階段模型可以解釋地面89%～97%的PM2.5濃度變化；斜率為0.89～1.04，表明模型的預(yù)測(cè)偏差較小，能較好地克服高值低估問題；RMSPE和RPE分別為6.85～24.60 μg/m3和16.67%～26.95%。與模型擬合相比，交叉驗(yàn)證后模型R2為0.85～0.95，RMSPE為7.87～29.90 μg/m3，RPE為19.19%～32.72%，可以看出，交叉驗(yàn)證后模型R2減小，而RMSPE和RPE增加，表明模型存在輕微的過度擬合。

圖3 2013-2020年模型擬合和交叉驗(yàn)證結(jié)果對(duì)比Fig.3 Comparison of model fitting and cross-validation results from 2013 to 2020

不同年份中，2020年模型性能最好，交叉驗(yàn)證后模型R2最高，為0.95，RMSPE和RPE值最小，分別為7.87 μg/m3和19.19%，這主要是由于隨著政府對(duì)“大氣污染防治行動(dòng)計(jì)劃”的開展，PM2.5濃度出現(xiàn)下降。2020年大約93.72%的數(shù)據(jù)樣本PM2.5濃度小于100 μg/m3。相比之下，2013年模型性能最差，交叉驗(yàn)證后模型R2最低，預(yù)測(cè)不確定性最大，主要原因是超過32.38%的數(shù)據(jù)樣本PM2.5濃度大于100 μg/m3，相對(duì)離散的數(shù)據(jù)樣本可能增加了模型擬合的難度。綜上，LME+GWR模型穩(wěn)健，使用1 km MAIAC AOD產(chǎn)品結(jié)合LME+GWR模型在京津冀地區(qū)可以很好地模擬每日地面PM2.5濃度。

3.3 京津冀地區(qū)PM2.5濃度時(shí)空分布

基于標(biāo)準(zhǔn)差橢圓分析2013-2020年京津冀地區(qū)PM2.5濃度空間格局的逐年變化(圖4)，可以看出，PM2.5主要集中在京津冀平原區(qū)，說明在整個(gè)研究期內(nèi)，京津冀平原區(qū)是全域PM2.5總量的主要貢獻(xiàn)者。PM2.5濃度重心逐漸向東北方向移動(dòng)，仍處于滄州市內(nèi)。橢圓長(zhǎng)軸從2013年的242.17 km減至2017年的239.03 km，表明該時(shí)段京津冀地區(qū)PM2.5年均濃度在主要方向上呈現(xiàn)空間集聚趨勢(shì)，但集聚程度不大，之后又輕微增至2020年的242.18 km，表明該時(shí)段PM2.5濃度在主要方向上出現(xiàn)分散趨勢(shì)；短軸從2013年的101.40 km增至2020年的105.11 km，表明京津冀地區(qū)PM2.5在地理空間上呈擴(kuò)張分散化趨勢(shì)；從方位角變化范圍看，PM2.5濃度總體呈“西南—東北”方向空間分布格局，該地理空間走向與京津冀地形密切相關(guān)；轉(zhuǎn)角由2013年的40.53°波動(dòng)縮小至2020年的39.56°，表明PM2.5空間分布格局存在沿西北方向微弱偏移趨勢(shì)。

圖4 2013-2020年P(guān)M2.5濃度重心和標(biāo)準(zhǔn)差橢圓的空間變化Fig.4 Spatial changes of PM2.5 concentrations gravity center and standard deviational ellipse from 2013 to 2020

基于兩階段統(tǒng)計(jì)回歸模型預(yù)測(cè)的2013-2020年京津冀地區(qū)PM2.5年均濃度分布狀況(圖5)可知，PM2.5濃度空間分布趨勢(shì)大致相同，南北差異顯著。PM2.5濃度低值區(qū)位于西部和北部山區(qū)，高值區(qū)位于平原，與標(biāo)準(zhǔn)差橢圓分析結(jié)果一致?？傮w而言，PM2.5濃度呈現(xiàn)出“北部山區(qū)低，南部平原高(平原西南高濃度、東北中等濃度)”的空間分布格局。2013-2020年京津冀地區(qū)PM2.5年均濃度分別為69.67、65.31、49.26、51.17、44.96、43.11、34.54和32.02 μg/m3，可以看出，2013-2014年P(guān)M2.5年均濃度波動(dòng)較小，2015年出現(xiàn)大幅下降，2017年P(guān)M2.5年均濃度下降35.47%，達(dá)到“大氣污染防治行動(dòng)計(jì)劃”中“到2017年下降25%”的要求，主要原因在于2017年是《大氣十條》實(shí)施效果的驗(yàn)收年，政府防治力度加大[42]。此外，2019年P(guān)M2.5年均濃度下降更明顯，2020年下降54.04%，相對(duì)2017年下降28.78%，PM2.5污染程度總體下降顯著。從區(qū)域看，高濃度區(qū)明顯縮小，污染城市主要集中在邯鄲、邢臺(tái)、石家莊、保定和衡水。2013年高濃度區(qū)范圍最大，2017-2020年低濃度區(qū)域逐漸擴(kuò)大，2019和2020年京津冀全域PM2.5濃度降至55 μg/m3以下。

圖5 2013-2020年P(guān)M2.5年均濃度空間分布Fig.5 Spatial distribution of annual mean PM2.5 concentrations from 2013 to 2020

京津冀地區(qū)PM2.5污染也表現(xiàn)出較強(qiáng)的季節(jié)性變化。整體看，PM2.5濃度呈現(xiàn)“冬季高，夏季低，春秋過渡”的季節(jié)變化特點(diǎn)(圖6)。2013年和2014年全年P(guān)M2.5濃度較高，冀中南地區(qū)春季PM2.5濃度大于85 μg/m3，冬季大于115 μg/m3；2015-2020年京津冀地區(qū)PM2.5濃度逐漸降低，夏季均小于55 μg/m3，2019-2020年甚至低于30 μg/m3；2013-2018年秋季、冬季和春季污染范圍逐漸縮小，污染嚴(yán)重地區(qū)主要集中在邯鄲、邢臺(tái)、保定和石家莊等市；2019-2020年春夏秋三季均小于55 μg/m3。2013-2020年冬季PM2.5濃度均值依次為117.46 μg/m3、84.24 μg/m3、75.30 μg/m3、72.72 μg/m3、55.97 μg/m3、44.63 μg/m3、51.48 μg/m3和51.42 μg/m3，逐年下降并在2017年后趨于穩(wěn)定，2018-2020年冬季重污染區(qū)范圍顯著減小，輕污染區(qū)范圍擴(kuò)大，導(dǎo)致相對(duì)2017年P(guān)M2.5濃度變化不大；2017年和2020年相比2013年冬季PM2.5濃度分別下降了61 μg/m3(52%)和66 μg/m3(56%)。

圖6 2013-2020年P(guān)M2.5季均濃度空間分布Fig.6 Spatial distribution of seasonal mean PM2.5 concentrations from 2013 to 2020

為了解京津冀地區(qū)各市域之間的差異，利用預(yù)測(cè)結(jié)果計(jì)算各城市PM2.5年均濃度(圖7)。2013-2020年承德和張家口PM2.5濃度較低，8年內(nèi)均低于35 μg/m3；邯鄲、邢臺(tái)和衡水PM2.5濃度居前三位，2013年P(guān)M2.5濃度均超過100 μg/m3，到2020年P(guān)M2.5濃度分別降為47.17 μg/m3、47.28 μg/m3和50.05 μg/m3，與滄州和廊坊接近。此外，2013-2017年北京PM2.5污染在13個(gè)城市中排名第10位，2018年之后降至第11位，屬中低污染水平，可能緣于重污染行業(yè)的搬遷。

圖7 2013-2020年各城市PM2.5年均濃度Fig.7 Annual mean PM2.5 concentrations in each city from 2013 to 2020

4 結(jié)論與討論

本文基于京津冀地區(qū)2013-2020年的日均PM2.5濃度數(shù)據(jù)，結(jié)合MAIAC AOD、氣象和土地利用等因子，利用兩階段統(tǒng)計(jì)回歸模型模擬京津冀地區(qū)每日PM2.5濃度的時(shí)空分布，其中第一階段采用LME模型反映PM2.5-AOD關(guān)系隨時(shí)間變化規(guī)律，第二階段加入GWR模型反映PM2.5-AOD關(guān)系的空間變異，主要研究結(jié)論如下：1)十折交叉驗(yàn)證結(jié)果表明LME+GWR模型穩(wěn)健，使用1 km MAIAC AOD產(chǎn)品結(jié)合LME+GWR模型對(duì)京津冀地區(qū)PM2.5-AOD之間的時(shí)空變化模擬性能優(yōu)異；2)PM2.5濃度總體呈現(xiàn)出“西南—東北”方向空間分布格局，且存在沿西北方向微弱偏移趨勢(shì)；PM2.5濃度的重心向東北輕微移動(dòng)，結(jié)合橢圓的長(zhǎng)、短半軸可知，京津冀PM2.5濃度呈現(xiàn)輕微擴(kuò)張分散化趨勢(shì)；3)由LME+GWR模型模擬得到的京津冀地區(qū)2013-2020年地面PM2.5濃度整體呈現(xiàn)“南部平原高、北部山區(qū)低”和“冬高夏低、春秋過渡”的時(shí)空特征，2018-2020年冬季低污染區(qū)域有擴(kuò)大趨勢(shì)，需格外重視。

與已有研究相比，本研究構(gòu)建的模型(LME+GWR)性能良好。對(duì)于低空間分辨率(3～10 km)的 PM2.5模擬研究[26,43,44]，該模型具有更高的R2和更低的RMSPE；與使用高空間分辨率(1 km)AOD預(yù)測(cè)PM2.5濃度的模型[12,45]性能相似。盡管本研究使用了Terra和Aqua融合后的MAIAC AOD數(shù)據(jù)，但仍沒有達(dá)到區(qū)域內(nèi)全覆蓋。AOD數(shù)據(jù)缺失會(huì)對(duì)模型預(yù)測(cè)精度產(chǎn)生一定影響，主要表現(xiàn)為“高值低估”[37]，這是后續(xù)研究的方向之一。如Chen等[46]開發(fā)了混合效應(yīng)模型和逆距離加權(quán)(IDW)兩步插值技術(shù)填補(bǔ)AOD缺失值，整體上AOD缺失率從87.91%(Auqa)和85.47%(Terra)降低至融合后的13.83%且R2達(dá)0.76。 此外，未來可以在更大的研究區(qū)域內(nèi)考慮更多相關(guān)時(shí)空因素，以擴(kuò)大研究區(qū)域并提高模型模擬精度。