摘 要

PM2.5浓度估算对于大气质量监测和污染治理有重要的意义。气溶胶光学深度（AOD）数据和统计模型为区域的PM2.5浓度估算提供了一种有效的方法。本文以武汉城市圈为研究区域，开发了一个地理加权回归模型（GWR），融合卫星AOD作为主要预测指标，气象数据、土地利用类型及NDVI等作为辅助参数，对模型进行拟合并验证。结果表明，气象和NDVI等信息可以提高模型的性能。模型总体交叉验证（CV）R²为0.64，均方根预测误差（RMSE）为32.98μg/ m³。预测年平均PM2.5的误差（MPE）为8.28μg/m³。预测的年度PM2.5浓度显示超过80％的武汉城市圈人口居住在超过中国国家环境空气质量标准（CNAAQS）2级标准的地区。研究结果也证实了AOD、气象、NDVI、和土地利用信息的结合可以成功应用于扩展中国地面PM2.5监测网络。

关键词：地理加权回归模型（GWR）、PM2.5、武汉城市圈、AOD

ABSTRACT

The estimation of PM2.5 concentration has important implications for air quality monitoring and pollution control. Aerosol Optical Depth (AOD) data and statistical models provide an effective method for estimating regional PM2.5 concentrations. This paper takes the Wuhan city circle as the research area, develops a geographically weighted regression model (GWR), fuses satellite AOD as the main forecasting indicator, meteorological data, land use type and NDVI as auxiliary parameters, and fits and validates the model. The results showed that the meteorological and NDVI (RMSE) was 32.98μg/m³. The predicted average PM 2.5 error (MPE) was 8.28μg/m³. The predicted annual PM2.5 concentration shows that more than 80% of the population in the Wuhan metropolitan area live in areas that exceed the China National Ambient Air Quality Standard (CNAAQS) Level 2 standard. The research results also confirmed that the combination of AOD, meteorology, NDVI, and land use information can be successfully applied to the expansion of China's ground PM2.5 monitoring network.

Keywords: Geographic Weighted Regression Model (GWR), PM2.5, Wuhan City Circle, AOD

目录

摘要 1

ABSTRACT 2

第1章 绪论 1

1.1 研究背景及意义 1

1.2 国内外研究现状 2

1.2.1 国外研究现状 2

1.2.2 国内研究现状 3

1.3 研究内容及技术路线 4

1.3.1 研究内容 4

1.3.2 研究技术路线 4

第2章 研究区域与数据 6

2.1 研究区域概述 6

2.2 MODIS数据 6

2.2.1 MODIS 3公里DT和10公里DB AOD 6

2.2.2 MODIS AOD验证 6

2.2.3 MODIS AOD融合 7

2.3 辅助数据介绍 8

2.3.1 地面PM2.5站点数据 8

2.3.2 气象数据 10

2.4 数据集成 12

2.5 自变量选择 12

第3章 模型构建及验证 13

3.1 GWR模型构建 13

3.2 GWR模型拟合及验证 14

第4章 结果与讨论 16

4.1 描述性统计 16

4.1.1 基础数据分析 16

4.1.2 对比分析 16

4.2 PM2.5估算 17

4.3 模型的对比 18

4.4 模型评价 19

4.5 结果讨论对比 19

第5章 结论与展望 21

5.1 研究结论 21

5.2 不足与展望 21

参考文献 23

致谢 27

第1章 绪论

1.1 研究背景及意义

流行病学研究表明，接触细颗粒物质（PM2.5，空气动力学直径小于2.5微米的颗粒）与心血管和呼吸系统疾病和死亡率增加有关^[1][2]。随着经济的快速发展，PM2.5污染正在变得越来越严重这是中国严重的环境问题，并引起了人们的高度关注^[3][4]。一项研究表明，严重的烟雾与北京的住院和住院风险增加有关，尤其是心血管和呼吸系统疾病^[5]。另一项研究表明，心血管死亡与PM2.5暴露显着相关，在中国，PM2.5暴露对健康影响的流行病学研究仍然是一个研究热点^[6]。PM2.5的流行病学研究需要长期且准确的PM2.5暴露数据，这些历史数据由地面监测网络提供。然而，在2013年之前，中国只有少数几个城市（如南京和广州市）有研究监测点^[7][8]。由于缺乏空间和时间连续的地面PM2.5测量数据，使得难以评估PM2.5的历史时空变化。

近年来卫星遥感在空气质量研究中的应用有了很大发展^[9]。由于卫星遥感提供了全面的空间和时间覆盖，利用卫星衍生的气溶胶光学深度（AOD）信息推断地面PM2.5浓度可以补充地面PM2.5监测网络。为了更好地研究空气污染评估和流行病学研究的PM2.5暴露，需要高空间分辨率的卫星反演PM2.5浓度。美国国家航空航天局（NASA）分别于1999年和2002年发射了两颗地球观测系统（EOS）卫星Terra和Aqua^[10]。Terra上的中分辨率成像光谱仪（MODIS）和多角成像光谱仪（MISR）卫星和Aqua卫星上的第二个MODIS测量气溶胶光学深度（AOD），该气溶胶光学深度在可见光和近红外波长下进行检索。AOD的相应粒径范围为0.1至2微米，这与PM2.5的尺寸范围相似^[11]。

然而，由于缺乏高分辨率卫星衍生的AOD产品，对中国的等效研究很少。以高检索精度高空间分辨率推导AOD非常困难。目前，大气改正的多角度实施（MAIAC）算法可以提供1公里分辨率的AOD数据，但这些数据正在准备/验证之中，尚未公开提供。全国范围内的研究仅提出PM2.5变化，分辨率从10到50公里不等，采用广泛使用的AOD产品，例如中等分辨率成像光谱仪（MODIS）2级10km AOD产品和多角度成像光谱仪（多角度成像光谱仪）MISR2级17.6公里AOD产品^[12]。

2014年初，新的MODIS Collection 6（C6）中包含了3公里的气溶胶产品。这是第一个具有较高空间分辨率的全球气溶胶数据集^[13]。精细的气溶胶梯度可以有益于空气质量应用，即改善统计模型的性能并提供精细颗粒物质的空间变化细节^[14]。然而，利用黑暗目标（DT）算法检索MODIS 3km AOD数据，该算法可以推导出黑色表面的AOD，这可能会在日常AOD图像中导致大量缺失值，特别是对于具有复杂陆地表面的大面积区域^[15]。换句话说，仅使用MODIS 3km AOD产品作为主要预测因子，是不可能在全国范围内以高空间分辨率生成日均PM2.5预报^[16]。因此，改善3km MODIS AOD的日覆盖率对于具有多种土地覆盖的大面积地面PM2.5的估算是必不可少的。

本项目在前述研究的基础上，引入气溶胶扩散相关的气象因素（日均温度、气压、降水量、空气湿度）、地形（地表起伏）、植被覆盖度（NDVI）以及土地利用类型等构建多元线性回归模型，用于近地面空气PM2.5浓度的估算，并对其空间分布格局进行分析，以解决PM2.5近地面浓度监测历史数据的缺乏，监测点少且分布不均的问题，对判断大范围雾霾期间大气颗粒物的时空演化和污染治理提供科学参考。

1.2 国内外研究现状

1.2.1 国外研究现状

卫星遥感是基于气溶胶光学深度（AOD）估算PM2.5浓度的一种经济有效的方法^[17]。由于AOD测量大气柱内气溶胶散射和吸收的光消光，它反映了整个垂直柱内整合的颗粒数量。从各种传感器中提取的AOD产品已被广泛用于先前的研究中，以评估PM2.5空气质量。早期研究使用一个简单的线性回归模型估算地面PM2.5浓度，其中来源卫星的AOD被用作唯一的自变量^[18]。近年来，多项研究通过先进的统计模型，如半经验模型探讨了卫星AOD与重合表面PM2.5之间的定量关系。同时还出现线性混合效应（LME）模型，土地利用回归模型和地理加权回归（GWR）模型^[19]。迄今为止，已经使用两种主要的空间和时间回归方法来建立PM2.5-AOD关系。一个是日常GWR模型，它解决了单个日子PM2.5和AOD之间的空间变化，并且达到了合理的结果。然而，这个模型忽略了PM2.5-AOD关系可能随时间变化的事实，并且可能取决于前几天^[20][21]。因此，每日GWR不能利用数据中存在的时间自相关，并且无法为PM2.5-AOD样本较少的日期建立模型^[22]。另一种方法是一个两阶段模型，它可以解释空间和时间的非平稳性。然而，这个模型分别校准空间和时间PM2.5-AOD关系，即使用LME模型来解释第一阶段的时间变化，然后GWR模型在第二阶段的空间变化。因此，这个模型不同时处理PM2.5-AOD关系的时空变化；因此在PM2.5观测不充分或没有观测的日子里预测PM2.5的情况并不好。因此，当PM2.5-AOD配对样本数量有限时，使用这两种方法难以在大面积范围内高精度地生成高分辨率PM2.5。

1.2.2 国内研究现状

近年来，许多研究利用先进的统计模型（如广义线性回归，广义加性，地理加权回归和土地利用回归模型）建立了PM2.5与卫星AOD之间的关系^[23][24]。这些研究包括气象参数（如边界高度、温度、相对湿度和风速）和土地利用信息（如海拔、人口和植被覆盖）作为协变量来改善模型的性能。同时气象和土地利用信息可以显着提高模型的性能^[25][26]。

经验统计方法需要足够的地面PM2.5测量来拟合和验证。该研究领域在中国的发展非常有限，主要原因是缺乏广泛的地面PM2.5测量。迄今为止，在中国的一些城市，包括北京，西安和郑州，仅有少数研究^[27][28]。由于这些研究仅在特定地点或城市进行，其模型不易推广到估计其他地方的PM2.5。此外，这些研究很少考虑土地使用信息的影响^[29][30]。在中国的气象和土地利用信息中，没有关于PM2.5和卫星衍生的AOD的经验模型的国家级研究报告。2012年，中国开始建设全国性的PM2.5监测网络。全省各省会城市和河北，山东，山西，江苏，浙江，广东等主要城市完成了PM2.5监测点建设，并开始在2012年12月发布PM2.5浓度信息，该数据为AOD和PM2.5建模提供数据。

以上是毕业论文大纲或资料介绍，该课题完整毕业论文、开题报告、任务书、程序设计、图纸设计等资料请添加微信获取，微信号：bysjorg。

相关图片展示：