郭一土，夏 楠,2,3，周子鈺，朱沛玥，全偉琳

基于MCD19-A2數(shù)據(jù)和GWR模型的2011－2020年中國大氣PM2.5質(zhì)量濃度反演

郭一土1，夏 楠1,2,3※，周子鈺1，朱沛玥1，全偉琳1

（1. 新疆大學(xué)地理與遙感科學(xué)學(xué)院，烏魯木齊 830017； 2.自然資源部荒漠-綠洲生態(tài)監(jiān)測與修復(fù)工程技術(shù)創(chuàng)新中心，烏魯木齊 830002； 3.新疆大學(xué)綠洲生態(tài)教育部重點實驗室，烏魯木齊 830017）

為探究MODIS高時空分辨率氣溶膠產(chǎn)品數(shù)據(jù)在長時間序列下對于反演中國陸地PM2.5質(zhì)量濃度的適用性和準(zhǔn)確性。該研究基于MCD19-A2數(shù)據(jù)研究2011－2020年中國陸地氣溶膠光學(xué)厚度（aerosol optical depth，AOD）的時空分布特征，以降水、風(fēng)速等8個氣象要素為輔助變量建立反演PM2.5的地理加權(quán)回歸模型（geographically weighted regression，GWR）并分析中國陸地PM2.5的空間分布。結(jié)果表明：1）2011－2020年中國陸地氣溶膠時空分布基本符合“西低東高、逐年下降”的規(guī)律且10 a間AOD值存在較大季節(jié)差異，春季（0.294）>夏季（0.262）>冬季（0.223）>秋季（0.194）。2）利用方差膨脹系數(shù)（variance expansion coefficient，VIF）對變量進行多重共線性檢驗，建立并分析2011－2020年GWR模型，發(fā)現(xiàn)建模集決定系數(shù)均大于0.760，驗證集決定系數(shù)均大于0.740，且均方根誤差均小于7.070 μg/m3，模型擬合效果良好。3）將GWR模型預(yù)測的PM2.5濃度值分別通過樣條函數(shù)插值法、反距離加權(quán)插值法、克里金插值法和自然鄰近插值法進行空間插值，發(fā)現(xiàn)4種插值方法決定系數(shù)均大于0.910，均方根誤差均小于7.030 μg/m3，插值結(jié)果十分可靠，并與國家地球系統(tǒng)科學(xué)數(shù)據(jù)中心所提供的“1 km高質(zhì)量中國PM2.5分布”數(shù)據(jù)一致。該研究表明結(jié)合MCD19-A2數(shù)據(jù)與GWR模型反演PM2.5濃度具有較好的適用性。

模型；反演；氣溶膠光學(xué)厚度；PM2.5；MCD19-A2；地理加權(quán)回歸；中國陸地

0 引 言

中國很多城市由PM2.5造成的環(huán)境問題日益突出，不僅影響人們的正常生活，還嚴(yán)重威脅公眾的身體健康[1]，因此準(zhǔn)確獲取PM2.5濃度數(shù)據(jù)及其分布情況是改善空氣質(zhì)量的必要前提。氣溶膠是大氣中懸浮的多形態(tài)微粒[2]，PM2.5是當(dāng)中直徑小于等于2.5 μm的固體形態(tài)[3]，其是評價大氣環(huán)境質(zhì)量的重要指標(biāo)，其中，氣溶膠光學(xué)厚度（aerosol optical depth，AOD），是氣溶膠消光系數(shù)的垂向積分，常被用于大氣環(huán)境參數(shù)的定量反演[4-5]。

目前PM2.5濃度獲取主要包括兩種方法：一是通過環(huán)境監(jiān)測站得到各站點的PM2.5質(zhì)量濃度，但無法獲取整個區(qū)域的PM2.5濃度的分布情況；二是通過遙感方法得到整個區(qū)域的PM2.5濃度空間分布，彌補了環(huán)境監(jiān)測站空間分布不連續(xù)的缺陷。近年來，許多國內(nèi)外學(xué)者基于AOD數(shù)據(jù)建立不同的數(shù)學(xué)、物理模型，進行PM2.5的反演表達(dá)進行了大量研究。例如，郭恒亮等[6]使用優(yōu)化后BP神經(jīng)網(wǎng)絡(luò)模型，按季節(jié)對AOD和PM2.5進行分析，發(fā)現(xiàn)優(yōu)化后BP神經(jīng)網(wǎng)絡(luò)的模型精度明顯提高且冬季提高效果最為明顯；王慶鑫[7]基于Himawari-8/AHI的AOD數(shù)據(jù)使用多元線性回歸模型（linear mixed model，LME）反演PM2.5濃度分布，并按照逆方差加權(quán)法（inverse-variance weighted，IVW）融合模型反演結(jié)果，發(fā)現(xiàn)融合后的模型結(jié)果能更好地描述PM2.5空間分布的細(xì)節(jié)信息；ASHA[8]結(jié)合MODIS衛(wèi)星與實測AOD數(shù)據(jù)建立了混合邏輯模型（mixed logistic regression，MLR）并對其加入殘差數(shù)據(jù)進行優(yōu)化，來反演印度的PM2.5濃度分布，發(fā)現(xiàn)考慮殘差后的MLR優(yōu)化模型反演效果更好。上述研究發(fā)現(xiàn)可以使用AOD數(shù)據(jù)建立不同優(yōu)化后的數(shù)學(xué)模型來反演PM2.5的分布，但沒有考慮地理空間位置會對模型的效果造成影響，難以揭示大區(qū)域尺度PM2.5濃度分布特征，不適用于大范圍的研究區(qū)域。除此以外，楊曉輝[9]發(fā)現(xiàn)用地理加權(quán)回歸（geographically weighted regression，GWR）模型反演京津冀地區(qū)PM2.5的分布要比LME與隨機森林模型（random forests，RF）的效果更好、精度更高；并且張喆等[10-11]的研究肯定了MCD19-A2氣溶膠產(chǎn)品數(shù)據(jù)在研究各地區(qū)氣溶膠的時空分布的可行性和準(zhǔn)確性。但大多數(shù)現(xiàn)有研究都未將MCD19-A2數(shù)據(jù)和GWR模型結(jié)合來定量分析與空間可視化表達(dá)中國陸地大尺度范圍下的PM2.5濃度空間分布。

由此可見，對于大區(qū)域尺度下的AOD反演PM2.5的研究仍待進一步細(xì)化深入。因此，本研究利用MCD19-A2氣溶膠產(chǎn)品數(shù)據(jù)分析2011－2020年中國陸地AOD的時空變化特征；結(jié)合GWR模型和中國各城市2011－2020年各年份AOD值、大氣邊界層高度以及降水、相對濕度、風(fēng)速、溫度等要素建立年尺度與月尺度的PM2.5反演模型并進行精度驗證，以期對中國陸地AOD分布進行研究，建立更加準(zhǔn)確的PM2.5反演模型，進而得到中國陸地PM2.5的準(zhǔn)確分布，為中國大氣環(huán)境質(zhì)量監(jiān)測提供科學(xué)方法和數(shù)據(jù)支撐。

1 研究方法與數(shù)據(jù)來源

1.1 研究區(qū)概況

中國地勢西高東低，地形復(fù)雜，山地、高原區(qū)和丘陵地形約為陸地面積的67%，盆地和平原區(qū)約占陸地面積的33%，自西向東呈依次降低的三級階梯地勢特征[12]。中國地域遼闊，氣溫、降水類型組合豐富，氣候復(fù)雜多樣[13]，氣象因素和氣候變化對AOD的時空變化規(guī)律有一定影響[14]。中國各省份的社會經(jīng)濟發(fā)展?fàn)顩r及人口的分布差異影響人類活動進而影響AOD的空間分布[15]，2021年全國總?cè)丝跒?4.46億人，東部占93.50%，西部僅占6.50%；全國總GDP為101.36萬億元，廣東省位居首位，約占10.93%，西藏位居末尾，僅占0.19%；隨著社會主義現(xiàn)代化進程不斷加快，2010年起全國燈光遙感數(shù)據(jù)每年的增加速率為106（遙感影像像元亮度值（digital number，DN））[16]，經(jīng)濟增長迅速。中國2007－2016年P(guān)M2.5濃度整體呈下降趨勢，但2015－2018年空氣質(zhì)量為優(yōu)的天數(shù)僅占總天數(shù)的31.31%，且年均空氣質(zhì)量指數(shù)為76.68[17]，空氣污染問題仍然掣肘美麗中國建設(shè)，因此探究近年來中國大氣質(zhì)量變化與氣溶膠時空分布十分必要。

1.2 數(shù)據(jù)來源及預(yù)處理

氣溶膠數(shù)據(jù)：從NASA官方網(wǎng)站（https://search.earthdata.nasa.gov）下載氣溶膠光學(xué)厚度產(chǎn)品數(shù)據(jù)MCD19-A2（其中MCD19指氣溶膠數(shù)據(jù)由Terra和Aqua兩顆衛(wèi)星所搭載的MODIS傳感器共同獲取，A2指的是Level-2產(chǎn)品數(shù)據(jù)，即已經(jīng)過定標(biāo)定位后的包含所有波段的產(chǎn)品數(shù)據(jù)），空間分辨率為1 km×1 km，與之前1°×1°的MODIS C006[18]產(chǎn)品相比更加精確，對于較小的污染熱點也能準(zhǔn)確表述[11,14]。選取2011－2020年中國陸地區(qū)域的MCD19-A2影像數(shù)據(jù)，共下載79 200景?；贓NVI5.3軟件的拓展工具MCTK（Modis conversion toolkit）結(jié)合IDL編程對數(shù)據(jù)進行550 nm波段的批量提取，并將投影轉(zhuǎn)換為WGS84-Albers等面積投影，然后對得到的10 a中每天22景影像進行鑲嵌操作，使用ArcGIS10.8軟件建立漁網(wǎng)點并通過普通克里金經(jīng)log三次變換后插值得到完整AOD分布影像，插值數(shù)據(jù)服從正態(tài)分布，結(jié)果的決定系數(shù)（coefficient of determination,2）均大于0.85，且均方根誤差（root mean squared error, RMSE）小于0.5 μg/m3，符合精度要求，最后進行批量掩膜提取及柵格運算，得到月平均、季平均（根據(jù)中國氣候特征，將3－5月劃為春，6－8月為夏，9－11月為秋，12－次年2月為冬）、年平均等柵格影像，經(jīng)統(tǒng)計分析后得到的全國各城市AOD平均值。

氣象數(shù)據(jù)：2011－2020年全國各氣象站點實測氣象數(shù)據(jù)，在中國氣象科學(xué)數(shù)據(jù)中心（http://data.cma.cn）下載。

PM2.5濃度數(shù)據(jù)：該數(shù)據(jù)來源于國家地球系統(tǒng)科學(xué)數(shù)據(jù)中心（http://nnu.geodata.cn:8008），包括2011－2020年中國逐月PM2.5濃度數(shù)據(jù)，空間分辨率為1 km×1 km，其原始數(shù)據(jù)來源于CNEMC、NASA等多個網(wǎng)站，精度可靠，擬合程度高，具備數(shù)據(jù)完整性[19]。對下載的PM2.5濃度數(shù)據(jù)文件利用Matlab軟件將.nc格式轉(zhuǎn)成.tif格式的柵格影像，利用ArcGIS10.8軟件進行年均值提取和掩膜鑲嵌獲取各年份PM2.5濃度均值以及用統(tǒng)計分析來獲取全國各城市PM2.5濃度均值。

大氣邊界層高度數(shù)據(jù)：該數(shù)據(jù)來源于歐洲中期天氣預(yù)報中心即ECMWF所公布的ERA5數(shù)據(jù)集。下載數(shù)據(jù)集中的大氣邊界高度數(shù)據(jù)后，用Matlab進行批量處理，再重采樣至1 km得到中國各城市平均大氣邊界高度數(shù)據(jù)，統(tǒng)計分析獲取中國各城市平均大氣邊界高度數(shù)據(jù)。

1.3 垂直—濕度訂正

考慮到AOD是垂直方向上消光系數(shù)的積分，而PM2.5濃度數(shù)據(jù)只代表地面質(zhì)量濃度，二者在空間上差異較大，因此要對AOD進行垂直訂正[20]，以達(dá)到與PM2.5質(zhì)量濃度數(shù)據(jù)空間上相匹配的效果，其計算式為

式中AOD為將MODIS所獲取的AOD值（AOD）除以相應(yīng)的大氣邊界高度(km)得到的近地面一定高度的AOD值。

相對濕度（relative humidity，RH）也會影響AOD值的大小，從而影響PM2.5質(zhì)量濃度的反演效果[21]，因此對于空間范圍較大的研究區(qū)域來說，僅對AOD數(shù)據(jù)進行垂直訂正是不夠的，還需對其進行濕度訂正。依據(jù)所獲取全國各城市相對濕度建立起一個濕度影響因子，其計算式[21]為

式中RH為各城市RH值。

將垂直訂正后的AOD值（AOD）除以濕度影響因子，得到垂直—濕度訂正后的AOD值（AOD）。其計算式[21]為

最后對垂直-濕度訂正后的近地面AOD與PM2.5濃度數(shù)據(jù)進行相關(guān)性分析，發(fā)現(xiàn)兩者的相關(guān)系數(shù)由最初的0.365增大到0.779，提升效果顯著。

1.4 多重共線性檢驗

在建立GWR模型之前，需要對模型的8個變量因子即AOD值、溫度、相對濕度、降水、蒸散發(fā)、風(fēng)速、大氣邊界層高度和歸一化植被指數(shù)進行多重共線性檢驗，多重共線性檢驗是為了避免變量之間由于存在相關(guān)關(guān)系而導(dǎo)致模型效果失真[22]。本研究選取PM2.5月均濃度數(shù)據(jù)與對應(yīng)月份的AOD數(shù)據(jù)和氣象要素等輔助數(shù)據(jù)進行匹配，利用方差膨脹系數(shù)（variance inflation factor，VIF）對變量進行多重共線性檢驗。VIF用以衡量模型內(nèi)變量之間線性相關(guān)關(guān)系，是檢驗?zāi)骋蛔宰兞磕鼙荒Ｐ椭衅溆嘧宰兞拷忉尦潭鹊闹匾笜?biāo)，值越接近于1，多重共線性越輕，值越大，多重共線性越重。采取付宏臣等[23]研究中的判斷條件（VIF整體小于7）來判斷本研究中所選取變量是否滿足建立GWR模型的條件。

1.5 地理加權(quán)回歸模型的建立及精度評估

GWR模型屬于一種局部回歸模型[24]，由于中國各城市地理空間差異較大，需要通過構(gòu)建GWR模型分析中國各城市不同月份的PM2.5濃度數(shù)據(jù)的影響因素。通過分析各樣本點與回歸點之間的距離來確定其權(quán)重從而求出整個區(qū)域內(nèi)各樣本點的回歸系數(shù)。構(gòu)建GWR模型的關(guān)鍵是確定權(quán)重矩陣的各個數(shù)值。本文選用自適應(yīng)型高斯函數(shù)作為權(quán)函數(shù)，其計算式[25]為

式中表示帶寬，d0表示回歸點（0,0）和樣本點（u,v）之間的距離。本研究采取交叉驗證法（cross-validation，CV）[26]來實現(xiàn)自適應(yīng)帶寬的確定。為評價GWR模型的擬合效果, 本研究通過ArcGIS 10.8的Create Random Points模塊均勻提取75%的樣本作為建模數(shù)據(jù)和25%的數(shù)據(jù)作為驗證數(shù)據(jù)，同時選用決定系數(shù)2、均方根誤差RMSE來進行精度檢驗；利用已經(jīng)處理好的2011－2020年中國各城市的PM2.5及各類輔助變量數(shù)據(jù)通過ArcGIS 10.8 Modeling Spatial Relationships工具中Geographically Weighted Regression功能建立中國陸地的10個年尺度GWR模型，得到各模型的擬合效果，再利用SPSS 26軟件對各模型擬合效果進行精度驗證，進行整合得到各年份調(diào)整后擬合精度2、驗證精度2和RMSE。

2 結(jié)果分析

2.1 中國陸地AOD年際分布特征

分析經(jīng)柵格運算后的近10 a均值影像和2020年與2011年差值影像，研究中國陸地AOD空間分布特征與時間變化趨勢。由圖1可知：2011－2020年中國陸地氣溶膠空間分布基本符合“東高西低”的規(guī)律；以“胡煥庸線”為界，中國陸地東南地區(qū)基本均為AOD高值區(qū)域，西北地區(qū)大部分為AOD低值區(qū)域。京津冀地區(qū)、長三角地區(qū)、珠三角地區(qū)以及中國中部的江淮平原地區(qū)由于人口眾多、工農(nóng)業(yè)生產(chǎn)發(fā)達(dá)，所排放各類污染氣體會轉(zhuǎn)換成煙塵、揚塵以及粒徑較小的氣溶膠顆粒物等；山西及其周邊地區(qū)由于煤炭資源的開采與燃燒，會排放大量氣溶膠顆粒物；新疆塔里木盆地及其周邊地區(qū)由于塔克拉瑪干沙漠的廣泛分布，含有大量沙塵顆粒物；四川盆地內(nèi)部空氣對流較差且不斷接收北方的沙塵，氣溶膠擴散困難且不斷聚集，這些區(qū)域AOD值較高。然而在中國西部地區(qū)（新疆塔里木盆地除外）、內(nèi)蒙古自治區(qū)與黑龍江省等地，由于人口較少，工業(yè)生產(chǎn)活動有限，污染氣體排放較少；云貴高原、青藏高原由于海拔較高，人口密度低，經(jīng)濟發(fā)展較緩，這些區(qū)域AOD值較低。

對圖1進行定量分析發(fā)現(xiàn)：2011—2020年，雖然中國陸地AOD空間分布基本不變，但AOD值存在一定波動且不斷減小。通過計算得出，中國陸地這10 a平均AOD值為0.246，其中2011年AOD值最高，為0.305，2019年最低，為0.203；10 a中AOD最高值1.652出現(xiàn)在2014年的四川盆地。從2020與2011的差值對比圖（圖1b）可以看出，中國陸地大部分區(qū)域的 AOD 值有較為明顯的下降，由于四川盆地受到地形的影響，AOD值常年較高，因此當(dāng)出現(xiàn)下降時，其減量也最大，為1.3左右；塔里木盆地與中國東南地區(qū)和部分華南地區(qū)，其減量可達(dá)0.3及以上；東北三省與京津冀地區(qū)其減量區(qū)間為0.1～0.3。增量最大地區(qū)出現(xiàn)在云南南部，其增量為0.3及以上；新疆天山以北的城市群、西藏地區(qū)、河南與山東南部地區(qū)、甘肅與青海部分區(qū)域和黑龍江中部等地，其增量基本在0.1～0.3之間。中國大部分地區(qū)的AOD值不斷減少，這得益于中國近些年不斷地推進各項環(huán)境保護政策，大氣環(huán)境污染減少，整體空氣質(zhì)量保持繼續(xù)改善的趨勢。

2.2 中國陸地AOD季節(jié)分布特征

中國2011－2020年間不同季節(jié)AOD平均值分布如圖2所示，在中國高、低AOD地區(qū)的季節(jié)分布與AOD歷年空間布局基本一致，但各地區(qū)的強度與范圍隨季節(jié)轉(zhuǎn)變。春季是AOD值最高季，夏季次之，秋季和冬季相對較低。京津冀地區(qū)與江淮平原地帶各產(chǎn)業(yè)發(fā)展迅速且人口眾多，污染較為嚴(yán)重；四川盆地受地貌條件和沙塵輸送途徑的影響，大氣顆粒物在此匯集且不易擴散，AOD值較高；新疆（塔里木盆地除外）、內(nèi)蒙古、青藏高原等地由于人口密度低、工業(yè)生產(chǎn)發(fā)展緩慢，AOD值較低；這些地區(qū)AOD值較為穩(wěn)定。然而，廣西及其周邊地區(qū)在春季易受沙塵污染，同時在地形、氣壓、氣溫等自然條件的影響下，氣溶膠不易擴散，AOD值較高；但在夏季，由于溫帶季風(fēng)氣候的影響，降雨增多，大氣氣溶膠發(fā)生濕沉降作用，落至地面，使這些區(qū)域AOD值下降；到了秋季，濕沉降作用進一步加強，AOD值繼續(xù)下降，但隨暖濕氣流的不斷北移，南方地區(qū)出現(xiàn)高溫高濕天氣，空氣相對濕度的增加對氣溶膠的濕沉降產(chǎn)生了抑制作用，導(dǎo)致江西、廣西、廣東、湖南等部分地區(qū)的AOD值較夏季有一定的升高；冬季北方開始集中供暖，燃料的燃燒等排放大量顆粒物，因此在圖中出現(xiàn)點狀高值區(qū)域。春夏兩季，陜西、山西的AOD值較高，這和當(dāng)?shù)厣硥m天氣以及煤炭能源的采掘有較大關(guān)系。秋冬兩季，中國西部地區(qū)、北部地區(qū)（除京津冀）均為低值區(qū)，AOD最高值出現(xiàn)在四川盆地、長三角地區(qū)和京津冀地區(qū)。多年平均AOD在春、夏、秋、冬四季中分別為0.294、0.262、0.194、0.223，春夏兩季明顯高于秋冬兩季。

圖1 2011—2022中國陸地氣溶膠光學(xué)厚度AOD空間分布

圖2 2011－2020年中國陸地AOD均值季節(jié)分布

2.3 GWR模型擬合效果分析

經(jīng)過對各年的VIF值的計算，發(fā)現(xiàn)2018年各變量之間的多重共線性最強，因此建立2018年中國各城市的月尺度GWR模型來判斷是否滿足建立GWR模型的前提。運用SPSS 26軟件計算得到2018年P(guān)M2.5與各變量之間的VIF。對2018年各個變量因子之間VIF整體分析，發(fā)現(xiàn)除月平均溫度與月平均蒸發(fā)量的VIF變化較大以外，其余各項數(shù)據(jù)都趨于0，且2018年不同變量之間整體VIF均值為3.04（小于7），說明各變量之間多重共線性較弱，具備GWR模型構(gòu)建的條件。分別對中國2011－2020年各年份建立GWR模型（表1），可以看出，2011－2020年GWR模型平均2為0.872，平均RMSE為5.788 μg/m3。因此GWR模型能夠準(zhǔn)確地表達(dá)中國各城市PM2.5濃度數(shù)據(jù)。2013年效果最好，其模型擬合的2與精度驗證的2均在0.93以上且RMSE為5.344 μg/m3；2018年擬合效果最差，其模型擬合的2為0.761、模型的驗證精度2為0.745，RMSE為7.023 μg/m3。

2.4 PM2.5空間可視化分析

對于GWR模型擬合效果最好的2013年，分別通過樣條函數(shù)插值法、反距離加權(quán)插值法、克里金插值法和自然鄰近插值法進行反演成圖與精度驗證，結(jié)果如圖3所示。樣條函數(shù)插值法、反距離加權(quán)插值法、克里金插值法和自然鄰近插值法擬合的決定系數(shù)2分別為0.933、0.934、0.920和0.919，均方根誤差RMSE分別為6.399、6.347、6.546和7.028 μg/m3，4種插值方法的結(jié)果2均大于0.910且RMSE均小于7.030 μg/m3，插值結(jié)果滿足精度要求。將本研究所得結(jié)果分別與國家地球系統(tǒng)科學(xué)數(shù)據(jù)中心所發(fā)布的2013年中國PM2.5濃度均值分布數(shù)據(jù)（distribution of 2013 mean PM2.5concentrations in China, DMPC）進行對比，該數(shù)據(jù)十折交叉驗證決定系數(shù)2=0.92，均方根誤差RMSE=10.76 μg/m3，精度可靠，可用于本研究結(jié)果的可靠性比較。

表1 中國各年份AOD與PM2.5濃度GWR模型對比表

圖3 2013年中國陸地PM2.5預(yù)測反演

通過4幅圖的對比發(fā)現(xiàn)，不同插值方法下的GWR模型方法所反演的PM2.5空間分布結(jié)果大體上保持一致，但平滑效果與濃度的取值范圍有所不同，在低值區(qū)域特別是西藏地區(qū)與中國黑龍江與內(nèi)蒙古北部三者均能較好地表述，但在高值區(qū)域特別是新疆塔里木盆地周圍有較大程度的不同。除此以外，將4幅圖分別與DMPC進行對比，克里金插值法在塔里木盆地周邊高值區(qū)域的擬合效果最差，高值出現(xiàn)在塔里木盆地的北緣，與實際分布存在較大差異。近10 a中國陸地各區(qū)域PM2.5濃度差異明顯，整體上呈現(xiàn)出“西低東高”且符合“胡煥庸線”的劃分規(guī)律，與中國各年份AOD的分布情況基本一致。高值集中出現(xiàn)在京津冀地區(qū)、四川盆地、江淮平原、新疆的塔里木盆地等，這些地區(qū)年均PM2.5平均濃度高達(dá)80 μg/m3及以上。低值區(qū)域集中在西北地區(qū)、青藏高原以及黑龍江與內(nèi)蒙古的最北部地區(qū)，這些區(qū)域年均PM2.5濃度在30 μg/m3及以下。

3 討 論

MODIS的MCD19-A2氣溶膠產(chǎn)品數(shù)據(jù)最大的優(yōu)勢在于空間分辨率高，能夠有效避免反演過程中存在的估算誤差，能很好地表征AOD值變化劇烈地區(qū)的光學(xué)特征，保證大空間范圍或復(fù)雜地表反演結(jié)果的準(zhǔn)確性[27]，但是目前的大多數(shù)研究多集中于小區(qū)域范圍[10,28]，未能完全發(fā)揮該數(shù)據(jù)的優(yōu)勢。因此，基于MCD19-A2數(shù)據(jù)研究2011－2020年的中國陸地AOD分布，時間跨度長、空間范圍廣，不僅可以較好地發(fā)揮該數(shù)據(jù)的優(yōu)勢，還能解釋近10 a中國區(qū)域長時間序列的氣溶膠光學(xué)特性及其時空變化規(guī)律，同時保證了利用該數(shù)據(jù)建立全國尺度下的GWR模型反演PM2.5濃度分布的可行性與準(zhǔn)確性。

將本研究建立的GWR模型結(jié)果分別與陳桃桃[29]的研究結(jié)果（GWR模型交叉驗證2=0.75，均方根誤差RMSE=6.98 μg/m3）、朱文德[30]的研究結(jié)果（GWR模型交叉驗證2=0.74）、賈宏亮等[31]的研究結(jié)果（GWR模型交叉驗證2=0.88，均方根誤差RMSE=7.87 μg/m3）和JIANG等[32]的研究結(jié)果（GWR模型交叉驗證2=0.81）進行對比，發(fā)現(xiàn)MCD19-A2氣溶膠產(chǎn)品數(shù)據(jù)建立GWR模型反演PM2.5濃度數(shù)據(jù)的效果要優(yōu)于MODIS的04_3KM[29]、02_1KM[31]、C6_10KM[32]產(chǎn)品數(shù)據(jù)和Himawari-8的AOD數(shù)據(jù)[30]。主要原因為：MCD19-A2產(chǎn)品數(shù)據(jù)以其空間分辨率高、波段范圍廣的特點避免了尺度效應(yīng)的估算誤差，保證了其反演AOD值的精度，進而提高了大范圍空間尺度下建立GWR模型反演PM2.5濃度分布的精度。

對4種不同插值方法之間的R和RMSE進行對比以及將插值結(jié)果與劉林鈺等[33-34]的研究結(jié)果進行對比，發(fā)現(xiàn)本研究反演結(jié)果與中國PM2.5實際分布基本一致，4種方法在低值區(qū)域均能較好地表述，而里金插值法在塔里木盆地周圍高值分布存在一定偏差且與實際PM2.5的濃度值存在較大差異。原因可能是克里金插值法雖能給出最優(yōu)線性無偏估計，但由于本研究選取中國各城市AOD進行GWR模型反演，其樣本在塔里木盆地周圍較少，導(dǎo)致插值效果不理想。

4 結(jié) 論

1）2011－2020年中國陸地氣溶膠時空分布基本符合“東高西低、逐年下降”的規(guī)律，10 a間環(huán)境質(zhì)量整體有所提升，東部更加明顯；大氣氣溶膠光學(xué)厚度值季節(jié)差異明顯，春季最高，為0.294、夏季次之，為0.262，秋冬季則相對較低分別為0.194和0.223。

2）所選取的8個變量因子之間的多重共線性較弱，滿足建立地理加權(quán)回歸模型反演中國PM2.5質(zhì)量濃度的條件，2011－2020各個年份的地理加權(quán)回歸模型其整體擬合效果決定系數(shù)2（均值）為0.872且均方根誤差RMSE（均值）為5.788 μg/m3，可以準(zhǔn)確地反映中國各城市PM2.5濃度數(shù)據(jù)。其中2013年擬合效果最好，2為0.933，RMSE為5.344 μg/m3，2018年擬合效果最差，2為0.761，RMSE為7.023 μg/m3。

3）對于建立的地理加權(quán)回歸模型，分別用樣條函數(shù)插值法、反距離加權(quán)插值法、克里金插值法和自然鄰近插值法進行插值反演，4種插值方法的決定系數(shù)分別為0.933、0.934、0.920和0.919，均方根誤差分別為：6.399、6.347 、6.546和7.028 μg/m3，插值結(jié)果十分可靠。同時將4種結(jié)果與國家地球系統(tǒng)科學(xué)數(shù)據(jù)中心所提供的“2013年中國1 km高分辨率高質(zhì)量PM2.5數(shù)據(jù)”一致，表明基于MCD19-A2氣溶膠產(chǎn)品數(shù)據(jù)建立地理加權(quán)回歸模型反演中國大氣PM2.5濃度具備可靠性和準(zhǔn)確性。

[1] 陳菁，彭金龍，徐彥森. 北京市2014-2020年P(guān)M2.5和O3時空分布與健康效應(yīng)評估[J]. 環(huán)境科學(xué)，2021，42(9)：4071-4082.

CHEN Jing, PENG Jinlong, XU Yansen. Spatiotemporal distribution and health impacts of PM2.5and O3in Beijing, from 2014 to 2020[J]. Environmental Science, 2021, 42(9): 4071-4082. (in Chinese with English abstract)

[2] HUANG X, DING A, WANG Z, et al. Amplified transboundary transport of haze by aerosol-boundary layer interaction in China[J]. Nature Geoscience, 2020, 13(6): 428-434.

[3] 陽海鷗，陳文波，梁照鳳. LUR模型模擬的南昌市PM2.5濃度與土地利用類型的關(guān)系[J]. 農(nóng)業(yè)工程學(xué)報，2017，33(6)：232-239.

YANG Haiou, CHEN Wenbo, LIANG Zhaofeng. Relationship of PM2.5concentration and land use type in Nanchang City based on LUR simulation[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2017, 33(6): 232-239. (in Chinese with English abstract)

[4] 郭婉臻，夏楠，塔西甫拉提·特依拜，等. 基于AOD數(shù)據(jù)的新疆大型露天煤炭開采區(qū)PM2.5和PM10反演[J]. 農(nóng)業(yè)工程學(xué)報，2017，33(19)：216-222.

GUO Wanzhen, XIA Nan, TASHPOLAT Tiyip, et al. Inversion of PM2.5and PM10content based on AOD data in large opencast coal mining area of Xinjiang[J]. Transactions of the Chinese Society of Agriculture Engineering (Transactions of the CSAE), 2017, 33(19): 216-222. (in Chinese with English abstract)

[5] 劉基偉，閔素芹，金夢迪. 基于分布式感知深度神經(jīng)網(wǎng)絡(luò)的高分辨率PM2.5值估算[J]. 地理學(xué)報，2021，76(1)：191-205.

LIU Jiwei, MIN Suqin, JIN Mengdi. High resolution PM2.5estimation based on the distributed perception deep neural network mode[J]. Acta Geographica Sinica, 2021, 76(1): 191-205. (in Chinese with English abstract)

[6] 郭恒亮，葛豈序，代文浩，等. 基于優(yōu)化神經(jīng)網(wǎng)絡(luò)的AOD與PM2.5關(guān)系模型研究[J].環(huán)境科學(xué)與技術(shù)，2021，44(12)：46-53.

GUO Hengliang, GE Qixu, DAI Wenhao, et al. Research on relationship model between AOD and PM2.5Based on Optimized Neural Network[J]. Environmental Science & Technology, 2021, 44(12): 46-53. (in Chinese with English abstract)

[7] 王慶鑫. 基于Himawari-8衛(wèi)星的AOD反演及PM2.5估算研究[D]. 青島：山東科技大學(xué)，2019.

WANG Qingxin. Study on AOD Retrieval and PM2.5Estimation Based on Himawari-8 Data[D]. Qingdao: Shandong University of Science and Technology, 2019. (in Chinese with English abstract)

[8] ASHA B C. Estimating PM2.5concentration from satellite derived aerosol optical depth and meteorological variables using a combination model[J]. Atmospheric Pollution Research, 2019, 10(3): 847-857.

[9] 楊曉輝. 基于MAIAC AOD數(shù)據(jù)的京津冀地區(qū)PM2.5濃度模擬[D]. 石家莊：河北師范大學(xué)，2021.

YANG Xiaohui. Simulation of PM2.5Concentration in Beijing-Tianjin-Hebei Region Based on MAIAC AOD Data[D]. Shijiazhuang: Hebei Normal University, 2021. (in Chinese with English abstract)

[10] 張喆，丁建麗，王瑾杰，等. 天山北坡城市群氣溶膠光學(xué)特性時空分布特征[J]. 環(huán)境科學(xué)，2021，42(5)：2202-2212.

ZHANG Zhe, DING Jianli, WANG Jinjie, et al. Temporal and spatial distribution characteristics of aerosol optical properties in urban agglomerations on the north slope of the Tianshan Mountains[J]. Environmental Science, 2021, 42(5): 2202-2212. (in Chinese with English abstract)

[11] 韓陽，康凌，宋宇. 2000－2019年東北三省氣溶膠光學(xué)厚度的時空分布特征[J]. 北京大學(xué)學(xué)報（自然科學(xué)版）：2021，57(6)：1027-1034.

HAN Yang, KANG Ling, SONG Yu. Spatial-temporal distribution of aerosol optical depth over northeastern China during 2000?2019[J]. Acta Scientiarum Naturalium Universitatis Pekinensis, 2021, 57(6): 1027-1034. (in Chinese with English abstract)

[12] 程維明，周成虎，李炳元，等. 中國地貌區(qū)劃理論與分區(qū)體系研究[J]. 地理學(xué)報，2019，74(5)：839-856.

CHENG Weiming, ZHOU Chenghu, LI Bingyuan, et al. Geomorphological regionalization theory system and division methodology of China[J]. Acta Geographica Sinica, 2019, 74(5): 839-859. (in Chinese with English abstract)

[13] 衛(wèi)林勇，江善虎，任立良，等. I MERG衛(wèi)星降水產(chǎn)品在中國的干旱監(jiān)測效用評估[J]. 農(nóng)業(yè)工程學(xué)報，2021，37(2)：161-169.

WEI Linyong, JIANG Shanhu, REN Liliang, et al. Evaluation of drought monitoring in China using IMERG satellite precipitation products[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2021, 37(2): 161-169. (in Chinese with English abstract)

[14] 陸忠奇，李京龍，何清，等. 南疆地區(qū)AOD時空分布特征及氣象影響因素分析[J]. 環(huán)境科學(xué)學(xué)報，2022，42(3)：309-321.

LU Zhongqi, LI Jinglong, HE Qing, et al. Spatiotemporal distribution of AOD in southern Xinjiang and meteorological influencing factors[J]. Acta Scientiae Circumstantiae, 2022, 42(3): 309-321. (in Chinese with English abstract)

[15] 王銀牌，喻鑫，謝廣奇. 中國近15年氣溶膠光學(xué)厚度時空分布特征[J]. 中國環(huán)境科學(xué)，2018，38(2)：426-434.

WANG Yinpai, YU Xin, XIE Guangqi. Spatial distribution and temporal variation of aerosol optical depth over China in the past 15 years[J]. China Environmental Science, 2018, 38(2): 426-434. (in Chinese with English abstract)

[16] 鄒丹，周玉科，林金堂，等. 利用夜間燈光分析胡煥庸線兩側(cè)社會經(jīng)濟發(fā)展不均衡狀況[J]. 遙感技術(shù)與應(yīng)用，2022，37(4)：929-937.

ZOU Dan, ZHOU Yuke, LIN Jintang, et al. Analysis of inequality of socioeconomic development on both sides of Hu Huanyong Line using nighttime light[J]. Remote Sensing Technology and Application, 2022, 37(4): 929-937. (in Chinese with English abstract)

[17] 陳優(yōu)良，李亞倩. 胡煥庸線兩側(cè)空氣質(zhì)量狀況及影響因素分析[J]. 安全與環(huán)境學(xué)報，2020，20(6)：2422-2431.

CHEN Youliang, LI Yaqian. Analysis of air quality and its influential factors on both sides of Hu Huanyong Line [J]. Journal of Safety and Environment, 2020, 20(6): 2422-2431. (in Chinese with English abstract)

[18] 王晨瑩，何沐全，陳軍輝，等. 2006－2017年四川盆地MODIS氣溶膠光學(xué)厚度時空變化特征[J]. 環(huán)境科學(xué)研究，2020，33(1)：54-62.

WANG Chenying, HE Muquan, CHEN Junhui, et al. Temporal and spatial variation characteristics of MODIS aerosol optical depth in Sichuan Basin from 2006 to 2017[J]. Research of Environmental Sciences, 2020, 33(1): 54-62. (in Chinese with English abstract)

[19] WEI J, LI Z, LYAPUSTIN A, et al. Reconstructing 1-km-resolution high-quality PM2.5data records from 2000 to 2018 in China: Spatiotemporal variations and policy implications[J]. Remote Sensing of Environment, 2021, 252: 112-136.

[20] 趙青琳，曾巧林，羅彬，等. 基于垂直訂正和濕度訂正方法估算川渝地區(qū)逐小時PM2.5[J]. 遙感學(xué)報，2022，26(10)：1946-1962.

ZHAO Qinglin, ZENG Qiaolin, LUO Bin, et al. Estimation of hourly PM2.5concentration by using vertical and humidity correction methods in Sichuan-Chongqing[J]. National Remote Sensing Bulletin, 2022, 26(10): 1946-1962. (in Chinese with English abstract)

[21] 康新禮，張文豪，劉原萍，等. 基于隨機森林的京津冀地區(qū)PM2.5遙感反演及變化分析[J]. 遙感技術(shù)與應(yīng)用，2022，37(2)：424-435.

KANG Xinli, ZHANG Wenhao, LIU Yuanping, et al. PM2.5remote sensing retrieval and change analysis in Beijing-Tianjin-Hebei region based on random forest model[J]. Remote Sensing Technology and Application, 2022, 37(2): 424-435. (in Chinese with English abstract)

[22] 徐勇，鄭志威，戴強玉，等. 顧及時滯效應(yīng)的西南地區(qū)植被NPP變化歸因分析[J]. 農(nóng)業(yè)工程學(xué)報，2022，38(9)：297-305.

XU Yong, ZHENG Zhiwei, DAI Qiangyu, et al. Attribution analysis of vegetation NPP variation in Southwest China considering time-lag effects[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2022, 38(9): 297-305. (in Chinese with English abstract)

[23] 付宏臣，孫艷玲，陳莉，等. 基于AOD數(shù)據(jù)與GWR模型的2016年新疆地區(qū)PM2.5和PM10時空分布特征[J]. 環(huán)境科學(xué)學(xué)報，2020，40(1)：27-35.

FU Hongchen, SUN Yanling, CHEN Li, et al. Temporal and spatial distribution characteristics of PM2.5and PM10in Xinjiang region in 2016 based on AOD data and GWR model[J]. Acta Scientiae Circumstantiae, 2020, 40(1): 27-35. (in Chinese with English abstract)

[24] 蒙莉娜，丁建麗，王敬哲，等. 基于環(huán)境變量的渭干河—庫車河綠洲土壤鹽分空間分布[J]. 農(nóng)業(yè)工程學(xué)報，2020，36(1)：175-181.

MENG Lina, DING Jianli, WANG Jingzhe, et al. Spatial distribution of soil salinity in Ugan-Kuqa River delta oasis based on environmental variables[J]. Transactions of the Chinese Society of Agriculture Engineering (Transactions of the CSAE), 2020, 36(1): 175-181. (in Chinese with English abstract)

[25] 范田億，張翔，黃兵，等. TRMM衛(wèi)星降水產(chǎn)品降尺度及其在湘江流域水文模擬中的應(yīng)用[J]. 農(nóng)業(yè)工程學(xué)報，2021，37(15)：179-188.

FAN Tianyi, ZHANG Xiang, HUANG Bing, et al. Downscaling of TRMM satellite precipitation products and its application in hydrological simulation of Xiangjiang River Basin[J]. Transactions of the Chinese Society of Agriculture Engineering (Transactions of the CSAE), 2021, 37(15): 179-188. (in Chinese with English abstract)

[26] QIN Y, REN G, HUANG Y, et al. Application of geographically weighted regression model in the estimation of surface air temperature lapse rate[J]. Journal of Geographical Sciences, 2021, 31(3): 389-402.

[27] VITOR M, ALEXEI L, WANG Y, et al. Global validation of columnar water vapor derived from EOS MODIS-MAIAC algorithm against the ground-based AERONET observations[J]. Atmospheric Research, 2019, 225: 181-192.

[28] JIA C, SUN L, ZHANG X, et al. Verification of MCD19A2 data and study of aerosol characteristics in Beijing-Tianjin-Hebei region[J]. JSPRS Annals of the Photogrammetry, Remote Sensing and Spatial Information Sciences, 2020, 3: 675-679.

[29] 陳桃桃. 基于GWR模型的成渝經(jīng)濟區(qū)PM2.5估算及時空特征分析[D]. 蘭州：西北師范大學(xué)，2021.

CHEN Taotao. PM2.5Estimation and Temporal and Spatiotemporal Characteristics Analysis in Chengdu- Chongqing Economic Zone Based on GWR Model[D]. Lanzhou: Northwest Normal University, 2021. (in Chinese with English abstract)

[30] 朱文德. 面向Himawari-8的PM2.5質(zhì)量濃度估算方法研究與應(yīng)用[D]. 開封：河南大學(xué)，2019.

ZHU Wende. Research and Application of PM2.5Concentrations Estimation Method for Himawari-8[D]. Kaifeng: Henan University, 2019. (in Chinese with English abstract)

[31] 賈宏亮，羅俊，肖東升. 基于遙感數(shù)據(jù)和GWR模型的成都PM2.5濃度時空分布特征研究[J]. 大氣與環(huán)境光學(xué)學(xué)報，2021，16(6)：529-540.

JIA Hongliang, LUO Jun, XIAO Dongsheng. Temporal and spatial distribution characteristics of PM2.5in Chengdu area based on remote sensing data and GWR model[J]. Journal of Atmospheric and Environmental Optics, 2021, 16(6): 529-540. (in Chinese with English abstract)

[32] JIANG M, SUN W, YANG G, et al. Modelling seasonal GWR of daily PM2.5with proper auxiliary variables for the Yangtze River delta[J]. Remote Sensing, 2017, 9(4): 346-346.

[33] 劉林鈺. 中國華東城市群PM2.5濃度遙感反演與時空分布特征研究[D]. 武漢：武漢大學(xué)，2020.

LIU Linyu. PM2.5Concentration Inversion and Spatiotemporal Distribution Characteristics in Eastern China[D]. Wuhan: Wuhan University, 2020. (in Chinese with English abstract)

[34] LI T, SHEN H, ZENG C, et al. Point-surface fusion of station measurements and satellite observations for mapping PM2.5distribution in China: Methods and assessment[J]. Atmospheric Environment, 2017, 152: 477-489.

Inversion of atmospheric PM2.5mass concentration in China from 2011 to 2020 using MCD19-A2 data and GWR model

GUO Yitu1, XIA Nan1,2,3※, ZHOU Ziyu1, ZHU Peiyue1, QUAN Weilin1

(1. College of Geographical and Remote Sensing Science, Xinjiang University, Urumqi 830017, China; 2. Technology Innovation Center for Ecological Monitoring and Restoration of Desert-Oasis, MNR, Urumqi 830002,China; 3. Key Laboratory of Oasis Ecology, Ministry of Education, Xinjiang University, Urumqi 830017, China)

Temporal and spatial transformation characteristics of China’s land-based atmospheric aerosol were obtained from the high spatial resolution MODIS MCD19-A2 data from 2011 to 2020 using remote sensing and geographically weighted regression model (GWR). This article was adopted: 1) Vertical-humidity revision: The vertical revision of aerosol optical depth (AOD) was carried out under the different spatial distributions of satellite and PM2.5concentration data. The AOD value was obtained from the MODIS, and then divided by the atmospheric boundary layer height data, in order to obtain the AOD value close to the ground level. The humidity was revised to remove the influence of relative humidity on the AOD value. The vertically revised “dry” AOD value was divided to obtain a vertical-humidity revised “wet” AOD by the humidity impact factor, according to the calculated humidity impact factor in each city. There was an increase from 0.365 to 0.779 in the correlation coefficient between the “wet” AOD value and PM2.5concentration data. 2) Multiple colinear tests: multiple colinear tests were carried out to verify the GWR fitting using the eight variables of the model. Variance inflation factor (VIF) was selected to test the multiple colinear all over the eight variables for the better fitting of the GWR model. 3) GWR model was established to inspect the accuracy: The processed PM2.5and auxiliary variables data of Chinese cities were selected to establish 10 annual GWR models and the fitting of each model using the Geographically Weighted Regression function in Modeling Spatial Relationships tool of ArcGIS. SPSS software was used to verify the accuracy of the fitting in each model, with the adjusted coefficient of determination (R) and root mean square error (RMSE). Conclusions were drawn as follows: 1) The spatial and temporal distribution of aerosol was basically conformed to the “l(fā)ow in the west and high in the east, decreasing year by year”. There was an outstanding seasonal difference in the AOD value, where the highest value was 0.294 in spring, followed by 0.262 in summer, and the lower values were 0.194 and 0.223 in autumn and winter, respectively. 2) The VIF demonstrated that the strongest multicollinearity was observed in 2018, indicating the monthly scale GWR model of each city. The VIF variables were close to 1, which fully met the requirements of the GWR model. 3) The better fitting of the model was achieved, where the best year was 2013 (2=0.933), and the worst year was 2018 (2=0.761). There was a basically consistent trend in the spatiotemporal distribution of PM2.5concentration and AOD in each year, indicating the high applicability of MCD19-A2 data in the GWR model. 4) In terms of PM2.5visualization, the distribution of PM2.5was inverted by the Spline, Inverse Distance Weighted, Kriging and Natural Neighbor interpolation in 2013. The spatial distribution and concentration range were basically consistent, compared with the “Distribution of 2013 mean PM2.5concentrations in China” data provided by National Earth System Science Data Center. IDW and Natural Neighbor more accurately described the high-value areas of PM2.5concentration around the Tarim Basin in Xinjiang and the Beijing-Tianjin-Hebei region.

model; inversion; aerosol optical thickness; PM2.5; MCD19-A2; geographically weighted regression; China land

10.11975/j.issn.1002-6819.202209024

X513

A

1002-6819(2023)-05-0184-08

郭一土，夏楠，周子鈺，等. 基于MCD19-A2數(shù)據(jù)和GWR模型的2011-2020年中國大氣PM2.5質(zhì)量濃度反演[J]. 農(nóng)業(yè)工程學(xué)報，2023，39(5)：184-191.doi：10.11975/j.issn.1002-6819.202209024 http://www.tcsae.org

GUO Yitu, XIA Nan, ZHOU Ziyu, et al. Inversion of atmospheric PM2.5mass concentration in China from 2011 to 2020 using MCD19-A2 data and GWR model[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2023, 39(5): 184-191. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.202209024 http://www.tcsae.org

2022-09-03

2022-12-22

大學(xué)生創(chuàng)新訓(xùn)練計劃項目（202110755128）；新疆維吾爾自治區(qū)高校科研計劃項目（XJEDU2021Y011）

郭一土，研究方向為干旱區(qū)資源環(huán)境與GIS應(yīng)用。Email：16603794739@163.com

夏楠，博士，副教授，碩士生導(dǎo)師，研究方向為干旱區(qū)生態(tài)環(huán)境遙感監(jiān)測。Email：xn_gis@xju.edu.cn