EN中文

地球信息科学学报 >

2022 , Vol. 24 >Issue 8: 1459 - 1474

DOI: https://doi.org/10.12082/dqxxkx.2022.210824

地球信息科学理论与方法

基于移动监测数据的不同城市场景下PM2.5浓度精细模拟与时空特征解析

  • 谢晓苇 , 1, 2, 3 ,
  • 李代超 , 1, 2, 3, * ,
  • 卢嘉奇 1, 2, 3 ,
  • 吴升 1, 2, 3 ,
  • 许芳年 1, 2, 3
展开
  • 1.福州大学 空间数据挖掘与信息共享教育部重点实验室,福州 350002
  • 2.福州大学 数字中国研究院（福建）,福州 350002
  • 3.福州大学 地理空间信息技术国家地方联合工程技术研究中心,福州 350002
*李代超（1989—）,女,河南郑州人,博士,助理研究员,主要从事地理信息资源环境分析、时空数据分析与可视化 研究。E-mail:

谢晓苇（1997— ）,男,福建永泰人,硕士生,主要从事地理信息资源环境分析研究。E-mail:

收稿日期: 2021-12-23

  修回日期: 2022-02-08

  网络出版日期: 2022-10-25

基金资助

中国科学院战略性先导科技专项（A类）(XDA23100502)

收起

Fine Simulation and Analysis of Temporal and Spatial Characteristics of PM2.5 Concentration Distribution in Different Urban Scenarios based on Mobile Monitoring Data

  • XIE Xiaowei , 1, 2, 3 ,
  • LI Daichao , 1, 2, 3, * ,
  • LU Jiaqi 1, 2, 3 ,
  • WU Sheng 1, 2, 3 ,
  • XU Fangnian 1, 2, 3
Expand
  • 1. Key Laboratory of Spatial Data Mining & Information Sharing of Ministry of Education, Fuzhou University, Fuzhou 350002, China
  • 2. The Academy of Digital China, Fuzhou University, Fuzhou 350002, China
  • 3. National Centre for Local Joint Engineering Research on Geospatial Information Technology, Fuzhou University, Fuzhou 350002, China
*LI Daichao, E-mail:

Received date: 2021-12-23

  Revised date: 2022-02-08

  Online published: 2022-10-25

Supported by

Strategic Priority Research Program of the Chinese Acadamic of Science(XDA23100502)

Fold

摘要

城市内部PM2.5浓度分布具有明显的空间异质性,而传统方法基于遥感数据或监测站点数据进行分析,难以揭示高时空分辨率下城市内部的PM2.5浓度分布特征,缺少不同时刻城市场景（如：道路、工业区、住宅区等）对PM2.5浓度复杂非线性影响的解析。本研究将移动监测传感器安装于快递车上,采集福州市主城区南部不同类型场景的PM2.5浓度,然后融合地理加权回归（Geographical Weighted Regression, GWR）和梯度提升决策树（Gradient Boosting Decision Tree, GBDT）方法,提出一种基于GWR-GBDT的PM2.5模拟与场景解析模型,能够较好地拟合气象、场景因素与PM2.5浓度的非线性关系,提升了城市PM2.5污染精细监测能力;并结合部分依赖图解析不同时段不同场景因素对PM2.5浓度的非线性作用影响。结果表明：① 基于移动PM2.5浓度监测数据,利用GWR-GBDT模型能够较好地模拟城市场景、气象和PM2.5浓度之间的非线性关系,能够有效精细模拟PM2.5浓度的空间分布,十折验证R2结果为0.52~0.94;② 通过部分依赖图分析同一场景在不同时段对PM2.5浓度响应的异质性,发现各类场景对PM2.5浓度提升或抑制作用并不稳定;③ 解析不同时段人类活动与城市场景对PM2.5浓度的交互作用发现,教育医疗单位和住宅区两类场景对PM2.5浓度的提升作用都与人类通勤有密切关系,高污染场景中的建筑工地在采取的洒水降尘措施后能在数小时内有效缓解PM2.5污染,公园文体服务区在多数时段对PM2.5浓度具有抑制作用,工业区和道路多数时段会致使对PM2.5浓度提升;④ 从PM2.5浓度的空间分布来看,福州市主城区南部PM2.5浓度总体呈现东南高-西北低的分布趋势,建筑工地、道路和工业区场景轻度以上污染面积占比明显高于其他场景,公园场景总体PM2.5浓度较低,山体公园傍晚会受到周边工业区的影响而导致PM2.5浓度升高,而城市陆地外围水域对沿岸PM2.5浓度具有抑制作用;⑤ 研究结果可为不同场景下PM2.5污染精细化治理、城市规划以及老人、儿童等高危人群的PM2.5污染暴露风险防范提供支持。

关键词： PM2.5模拟; 移动监测; 城市场景; GWR; GBDT; 部分依赖图; 时空分析; 福州市主城区

本文引用格式

谢晓苇 , 李代超 , 卢嘉奇 , 吴升 , 许芳年 . 基于移动监测数据的不同城市场景下PM2.5浓度精细模拟与时空特征解析[J]. 地球信息科学学报, 2022 , 24(8) : 1459 -1474 . DOI: 10.12082/dqxxkx.2022.210824

Abstract

The distribution of PM2.5 concentration has obvious spatial heterogeneity in the inner city. However, traditional analysis methods based on remote sensing data or monitoring station data are difficult to reveal the distribution characteristics of PM2.5 concentration in the inner city at high spatial-temporal resolution, and there is also a lack of analysis on the complex nonlinear effect of urban scenes (e.g., roads, industrial areas, residential areas, etc.) on PM2.5 concentration. In this study, we installed the mobile monitoring sensor on the express van to collect PM2.5 concentration in different urban scenes in the south of Fuzhou main urban area. The PM2.5 simulation and scene analysis model based GWR-GBDT method was proposed by fusing Geographical Weighted Regression (GWR) and Gradient Boosting Decision Tree (GBDT). The model can fit the nonlinear relationship between meteorological factors, scene factors, and PM2.5 concentration, and enhance the fine-scale monitoring ability of PM2.5 pollution in city. Combined with partial dependency plot, the nonlinear effect of different urban scenes on PM2.5 concentration in different periods was analyzed to provide support for urban PM2.5 pollution control. The results show that: (1) Based on the mobile PM2.5 concentration monitoring data, the GWR-GBDT model can well simulate the nonlinear relationship between urban scene factors, meteorological factors, and PM2.5 concentration, and simulate the fine spatial distribution of PM2.5 concentration. The results of cross-validation R2 was between 0.52 and 0.94; (2) The heterogeneity of the response of the same scene to PM2.5 concentration in different time periods was analyzed by the partial dependence plots, and we found that the effect of various scenes on PM2.5 concentration was different; (3) By analyzing the interaction of human activities and urban scenes on PM2.5 concentration in different periods, we found that the effect of urban scenes on PM2.5 concentration was related to human commuting between schools, hospital, and residential areas. As the high pollution scene, construction site can effectively reduce PM2.5 pollution in several hours after taking watering measures. In the park and sports service area, PM2.5 concentration was low in most periods. For industrial area and roads, PM2.5 concentration was high in most periods; (4) For the spatial distribution of PM2.5 concentration, PM2.5 concentration in the south of Fuzhou main urban area presented a general trend of high pollution in the southeast and low pollution in the northwest. The proportion of slightly polluted areas in construction sites, roads, and industrial areas was significantly higher than that in other scenes. The overall PM2.5 concentration in the park scene was low, however, the park in mountains was affected by the surrounding industrial areas at nightfall, resulting in increased PM2.5 concentration. The urban outer waters have mitigation effect on PM2.5 concentration around them. This study can provide support for fine-scale PM2.5 pollution treatment, urban planning, and PM2.5 pollution exposure risk prevention of high-risk groups such as the elderly and children in different scenarios.

Key words： PM2.5 simulation; mobile monitoring; urban scene; GWR; GBDT; partial dependency plot; spatiotemporal analysis; main urban area of Fuzhou

1 引言

在我国经济社会快速发展和城镇化进程加速的同时,环境污染的治理已经成为城市发展面临的重大问题,PM2.5作为国内大中城市大气的最主要污染物,严重威胁着生态环境和人类健康[1]。明确PM2.5浓度的分布规律和影响因素是制定和实施防控治理决策的前提。2020年6月21日,生态环境部发布的《生态环境监测规划纲要（2020—2035年）》[2]提出要加强环境质量监测为核心环境质量常规监测,总体覆盖全部区县、重点工业园区和产业集群,加速环境问题区域的热点监控网络形成,对新时代城市PM2.5精细化监测提出更高要求。实践证明,城市内部不同场景下PM2.5浓度存在差异,为提升城市PM2.5污染防控和治理水平,需要融合更精细的PM2.5监测数据,掌握高时空分辨率的PM2.5浓度分布规律,定量解析不同时段不同城市场景中PM2.5浓度的时空特征。
现有研究中,PM2.5空间分布模拟主要基于卫星遥感影像数据和地面监测站点数据展开。卫星遥感影像数据存在重访周期长、云雨阻挡导致数据缺失等问题[3],而地面监测站点数据存在分布较为稀疏的问题,不同局部区域空气污染存在较大差异[4],因此基于以上两类数据难以开展城市尺度精细模拟。实践证明,新型移动大气环境监测方法比传统的固定站点和遥感监测手段能更准确地反映城市内部的大气污染情况,并发现城市内部不同场景（如住宅区、工业区、建筑工地、教育医疗单位、公园文体服务、商圈等）的PM2.5浓度存在差异[5⇓-7]。目前基于移动大气污染数据的研究主要针对城市内部大气污染监测浓度和建筑环境、气象等相关影响因素的探索,或是基于简单的插值方法对城市内部PM2.5浓度分布进行分析[8-9]。在PM2.5浓度影响作用探索方面,国内外学者对气象因素、城市景观格局、土地覆盖类型等因素对PM2.5浓度的影响做进行了研究,但缺少对不同时段场景因素对PM2.5浓度复杂非线性影响的探究。
在PM2.5浓度分布模拟模型构建方面,现有研究主要采用空间插值[10]、统计回归模型[11]、机器学习模型[12]、混合模型等方法。空间插值方法只考虑了PM2.5浓度分布的空间相关性,模型较为简单,但精度较低。统计回归模型包括土地利用回归模型（Land Use Regression, LUR）、地理加权回归模型（Geographical Weighted Regression, GWR）以及地理时空加权回归模型（Geographically and Temporally Weighted Regression, GTWR）等能够融合各类影响因素对PM2.5浓度的影响,其中GWR模型兼顾了PM2.5分布的空间异质性,GTWR模型进一步考虑了PM2.5浓度变化在时间上的相关性,但这些模型只能用于拟合影响因素对PM2.5浓度的线性关系。机器学习模型[13⇓-15]能够较好地拟合影响因素和PM2.5浓度的非线性关系,相比于插值和统计回归方法,模拟模型精度有所提高。针对统计回归模型非线性拟合效果较差以及机器学习模型忽略PM2.5浓度空间相关性和异质性的问题,有学者将2类模型融合生成混合模型[16-17],使得模型能够兼顾PM2.5浓度分布的空间异质性以及影响因素对PM2.5浓度的非线性影响,提升了模型的拟合精度,但是相关模型多基于纯定量化的模式,缺乏对变量之间非线性关系的解析。机器学习中的梯度提升决策树（Gradient Boosting Decision Tree, GBDT）模型结合部分依赖图对自变量和因变量关系有较好的解释性[18],能够展示自变量和因变量之间的非线性影响程度。
针对以上问题,本研究以福州市主城区南部为研究区,基于移动大气监测数据,顾及气象因素、场景因素对PM2.5浓度的非线性影响,融合了局域回归和机器学习方法,构建一种基于GWR-GBDT的PM2.5模拟与场景解析模型,可实现城市PM2.5浓度空间分布的精细化模拟,并结合部分依赖图方法解析场景因素对PM2.5浓度非线性影响,提高模型的可解释性,探索PM2.5浓度在不同时段对各场景的响应特征,以期为不同场景下PM2.5污染治理、城市规划以及老人、儿童等高危人群的PM2.5污染暴露风险防范提供支持。

2 研究方法

本研究将移动PM2.5监测传感器安装于快递车上,采集福州市主城区南部不同类型场景的PM2.5浓度数据,基于PM2.5浓度的场景分异理论,综合考虑各场景城市地表结构、功能差异和人类活动时段、强度差异对PM2.5浓度空间分异规律造成的潜在影响,并基于该数据构建基于GWR-GBDT的PM2.5模拟与场景解析模型,探索精细尺度下城市内部PM2.5浓度分布规律及其与场景因素的复杂非线性特征。本研究主要流程（图1）为：① 针对移动PM2.5监测数据监测时间不一致问题,利用城市大气环境站点PM2.5监测数据对其进行时空矫正;② 基于PM2.5浓度分布的空间分异特征,将土地利用/覆盖类型、交通路网、餐饮POI等污染源相关数据作为自变量利用GWR方法构建基于GWR的PM2.5浓度空间分异模拟模型;在此基础上,融合PM2.5浓度对气象因素和场景因素的非线性响应特征,将风速、温度、湿度、风向指数和场景因素作为自变量,PM2.5浓度空间分异模拟模型计算的结果残差作为因变量,利用对非线性作用关系具有较强解释力的GBDT方法,融合GWR模拟结果,构建基于GWR-GBDT的PM2.5模拟与场景解析模型,得到逐小时PM2.5浓度分布图;③ 结合部分依赖图定量解析场景因素和PM2.5浓度的复杂非线性关系,探索PM2.5浓度对场景因素的响应特征。
图1 技术路线

Fig. 1 Technical route

2.1 基于GWR-GBDT的PM2.5模拟与场景解析模型构建

2.1.1 数据预处理

（1）移动PM2.5监测数据校正
针对移动PM2.5监测数据采集时间不一致的问题,基于现有研究中经典气象参数移动测量的基本假设[19]对其进行校正,即假设短时间内一定范围内PM2.5浓度变化总体趋势一致,根据距离移动监测位置最近的固定监测站点的变化趋势对移动监测数据进行时间一致性校正。受到数据条件限制,固定监测站点监测数据的时间分辨率为1 h,固定监测站 点对移动PM2.5浓度监测数据的平均校正距离为2095 m。移动PM2.5监测数据校正方法如式（1）所示。
P M 2.5 m , i , t 3 = P M 2.5 m , i , t 1 + ( P M 2.5 s , l , t 3 - P M 2.5 s , l , t 2 ) × ( t 3 - t 1 ) t 3 - t 2
式中： P M 2.5 m , i , t 3为移动监测数据在i位置校正后的PM2.5浓度值; P M 2.5 m , i , t 1为移动监测数据 t 1时刻在i位置监测的PM2.5浓度观测值; P M 2.5 s , l , t 3为l位置的大气环境监测站 t 3时刻的PM2.5浓度观测值; P M 2.5 s , l , t 2为l位置的大气环境监测站 t 2时刻的PM2.5浓度观测值; t 1为移动PM2.5监测时刻; t 2为 t 1之前的第一个整点时刻, t 3为 t 1未来的第一个整点时刻。
（2）气象条件模拟
气象数据采用经验克里金插值方法获取各要素空间分布结果。现有研究[20]发现,污染源风向指 数对PM2.5有显著影响,其原理如式（2）所示。
W i n d _ i n d e x = ( 1 - c o s ( θ - β ) ) / 2
式中： W i n d _ i n d e x为污染源风向指数,表示受到污染源影响的强度; θ表示距离监测点最近的道路或扬尘地表到PM2.5浓度监测站的欧几里得方向; β为距离监测站点最近的气象站该时刻的2 min平均风向。污染源风向指数取值范围为0~1,当PM2.5浓度监测站在最近污染源的下风向或在污染源内部,则风向指数为1;当PM2.5浓度监测站在最近污染源的上风向时,风向指数为0。
（3）数据网格化
将研究区划分为18 651个100 m×100 m的不重叠网格,对网格内的监测值取平均值作为该网格的PM2.5浓度值,基于网格中心点分别构建100、200、300、500、1000和1500 m缓冲区,计算缓冲区内各类土地利用/覆盖类型面积占比、各级道路长度以及餐饮POI数量,得到网格内PM2.5污染源相关变量数值;将温度、相对湿度、气压、风速的模拟结果和风向指数提取至对应格网,得到网格内气象变量数值;通过计算格网内各类场景的面积占比,得到格网的场景变量数值。对各时段场景的采样频数进行统计,结果如表1所示,不同时段各类场景数据采集频数基本大于20,数据具有一定的代表性。
表1 不同时段各类场景数据采样频数

Tab. 1 Sampling frequency of various scene data in different periods

时刻 教育医疗区域 工业区 建筑工地 住宅区 公园文体服务 商圈 道路
8:00 15 20 39 62 29 20 101
9:00 41 41 66 221 67 51 177
10:00 41 97 56 258 53 57 116
11:00 29 65 94 237 69 47 174
12:00 17 42 55 101 38 12 121
13:00 15 26 61 40 34 6 98
14:00 44 70 50 158 58 29 167
15:00 55 67 77 221 76 37 260
16:00 28 98 101 242 81 38 252
17:00 45 54 31 179 40 49 142
18:00 37 38 35 99 31 21 101

2.1.2 基于GWR的PM2.5浓度空间分异模拟模型构建

本研究基于逐步回归方法对污染源相关的变量进行筛选,其基本思想是：将网格化的土地利用/覆盖类型、道路、餐饮POI结果逐个引入回归模型,当候选变量中最大F值的P值小于或等于0.05时,引入相关变量。当原引入的变量由于后面变量的引入而变得不再显著时,即最小F值的P值大于或等于0.1时,则将其剔除。这个过程反复进行,直到既无显著的变量选入方程,也无不显著自变量从回归方程中剔除为止。并考虑到变量的实际意义,当同一类型不同缓冲区宽度的变量都对PM2.5浓度显著时,将显著性较低的变量删除,得到最优变量组合,参与GWR模型构建。
首先利用全局莫兰指数对移动PM2.5监测数据进行空间自相关检验,检验PM2.5浓度空间分布是否存在地理空间异质性。若存在,则引入地理加权回归模型来细化表征PM2.5浓度的局部空间变化[21]。将格网的PM2.5浓度作为因变量,上一步筛选的最优变量组合作为自变量,采用自适应权函数带宽优化方法和AIC准则确定带宽,构建GWR模型,其原理如式（3）所示。
P M 2.5 i = β i 0 U i , V i + ∑ k = 1 n β i k U i , V i X i k + ε i
式中： P M 2.5 i表示i位置的PM2.5浓度, i = 1,2 , … , n; X i k表示i位置第k个PM2.5污染源相关变量; U i , V i表示i位置的坐标; β i 0 U i , V i表示模型的常数项; β i k U i , V i表示模型第k个自变量对应的系数项; ε i表示模型的随机误差。

2.1.3 基于GWR-GBDT的PM2.5浓度模拟与场景解析模型构建

GBDT是一种基于决策树的改进集成模型,融合了灵活高效的机器学习算法,能够较好地模拟自变量和因变量之间的非线性关系,且相比于神经网络等“黑箱”模型,该模型可借助部分依赖图等方法展示自变量和因变量之间的非线性影响程度,提高模型的可解释性。该算法的核心是利用提升树算法中损失函数的负梯度作为残差逼近,通过逐渐减小残差值来最小化损失函数。GBDT的具体步骤如下：① 从N个数据集中提取M个样本;② 计算每个样本的残差;③ 通过最小化损失函数从m维特征中选择最优划分节点,残差作为训练数据;④ 根据最优划分节点对样本进行重新分割,获得新的叶节点,更新模型;⑤ 迭代步骤②—步骤④,直到均方误差最小。
本研究将气象和场景因素作为自变量,GWR模型计算的PM2.5浓度残差作为因变量,利用贝叶斯优化算法求解GBDT模型[22],将GBDT十折验证平均值作为目标函数,通过不断地添加样本点来更新目标函数的后验分布,最终获得最优的超参数组合,带入GBDT模型中得到最优的模拟结果。
采用十折交叉验证检验模型的稳定性和泛化能力,交叉验证的结果评价包括PM2.5浓度的实测值和估算值的拟合优度R2和均方根误差（RMSE）。其中R2取值范围为0~1,其值越接近1表示模型拟合效果越好;RMSE代表模型预测浓度偏离实际观测浓度的程度,值越小表示模型检验精度越高。

2.2 基于部分依赖图的非线性场景解析

部分依赖图（Partial Dependency Plot）被视为一种对机器学习结果的可解释的方法[23],本研究基于部分依赖图显示了GBDT模型中在控制其他变量不变的情况下改变场景因素的值,计算出场景因素变化对PM2.5浓度结果的综合影响。本研究利用该方法展示GBDT模型中的场景因素和PM2.5浓度之间的非线性影响程度,如式（4）所示。
f ˆ x S ( x S ) = E x C f ˆ x S , x C
式中： x S为场景变量; x C为GBDT模型中除 x S以外的其他变量; f ˆ x S , x C为训练后的GBDT模型; E x C f ˆ x S , x C表示训练后的GBDT模型对 x C变量的期望; f ˆ x S ( x S )表示 x S不同取值下对应的PM2.5浓度变化量。

3 研究区概况与数据来源

3.1 研究区概况

福州市辖区地处119°12′E—119°26′E,25°57′N—26°9′N,福建省中东部的闽江口区域,属于典型的河口盆地地貌,四面环山。本文选取福州市仓山区以及台江区的中部作为研究区域,其中包含多个山体公园,乌龙江和闽江穿过其中,东部正积极建设三江口副中心,建筑工地增多,场景类型复杂多样,造成较为明显的PM2.5浓度空间分异。

3.2 数据来源

3.2.1 场景划分数据

PM2.5浓度的场景分异理论是指在人类活动规律、社会功能和地表覆盖组合等地块功能和地理条件皆相似的城市场景内,PM2.5浓度差异较小,不同的城市场景PM2.5浓度差异较大[24-25]。基于2020年0.8 m×0.8 m空间分辨率的高分二号遥感影像和从百度地图开放平台爬取的2021年学校、医疗单位、公园、商圈、小区等兴趣点数据绘制试验区城市场景数据,将城市划分为道路、工业区、住宅区、教育医疗单位、公园文体服务区、商圈、建筑工地和其他区域8类场景,具体定义如表2所示,研究区场景划分结果如图2所示。
表2 研究区城市场景类型划分说明

Tab. 2 Description of urban scene division type division in the experimental area

场景类型 说明
道路 高速、主干道、城市道路等主要道路;其他支路属于其邻近的场景
工业区 工业园区、工厂等区域
教育医疗单位 小学、中学、大学和医院
住宅区 住宅楼房及周边绿化区域
公园文体服务区 公园、大型山体公园和体育场等文体服务区域
建筑工地 正在施工的楼房和道路区域
商圈 商业广场和写字楼区域
其他区域 除以上7种类型以外的未具体划分类型的区域
图2 研究区场景空间分布

Fig. 2 Spatial patterns of urban scenes

3.2.2 PM2.5监测数据

（1）移动PM2.5浓度监测数据
本研究采用11台移动式微型环境空气质量监测站对2021年11月3日8:00—18:00研究区内PM2.5浓度进行采集,其集成了移动环境监测传感器和车载卫星定位系统,采集PM2.5浓度和车辆轨迹信息,其PM2.5浓度监测分辨率为0.1 μg/m3,实现分钟级定频采集,最后通过4 G模块将采集时间、PM2.5浓度、经度、纬度、设备号等信息上传到环境时空数据库中。
本研究将移动空气质量监测站安装于邮政快递车头上方位置,避免车辆本身的尾气排放干扰数据采集结果。此外,快递车辆具有行驶路线固定,行驶范围深入城市内部等优势,本研究选取靠近各类场景的车辆行驶路线,并按照百米栅格内的场景类型面积占比计算场景变量数值,由于PM2.5浓度会受到附近场景的影响,因此数据样本具有一定的代表性,可以支持研究区内大气环境PM2.5浓度的精细化模拟以及场景因素对PM2.5浓度响应的探索。
（2）大气环境监测站点数据
PM2.5浓度大气环境站点监测数据来源于福州市环境保护局（http://www.fuzhou.gov.cn/zgfzzt/shbj/）,其时间分辨率为1 h,本研究提取了2021年11月3日8:00—18:00研究区内及周边共26个站点的PM2.5监测数据,用于移动PM2.5浓度监测数据时间一致性校正。

3.2.3 PM2.5污染源相关数据

（1）土地利用/覆盖数据
土地利用/覆盖数据来源于GlobeLand30（http://www.globallandcover.com/）[26]发布的2020年30 m空间分辨率全球地表覆盖数据GlobeLand30 V2020数据集,一共包括10个一级类型,根据研究需求结合高分辨率遥感影像将其重分类为耕地、高密度林区、低密度林区、高密度住宅区、低密度住宅区、水域、城市绿地、扬尘地表和其他建筑区9类。
（2）道路数据
道路矢量数据来自于OSM数据开放平台（https://download.geofabrik.de/asia.html）[27],根据数据中的道路等级提取出主要道路和次要道路。
（3）餐饮POI数据
由于餐饮业气体排放对PM2.5浓度具有显著影响,且餐饮在各类场景中均有分布,因此将餐饮POI数据作为变量引入PM2.5浓度分布模拟模型中。餐饮POI数据是2021年从百度地图开放数据平台（https://lbsyun.baidu.com/）爬取,根据现有研究中餐饮源排放对PM2.5浓度影响[28],选取中餐厅、西餐厅和小吃快餐店3类餐饮的POI数据。

3.2.4 PM2.5污染扩散相关数据

PM2.5污染扩散相关数据包括平均风速、温度、湿度和风向指数,其中风向指数基于平均风向 计算得到。数据来源于国家气象科学数据中心（http://data.cma.cn/data/detail/dataCode/A.0012.0001.html）[29],选择2021年11月3日8:00—18:00福州市及周边11个站点的逐小时观测数据,气象站分布如图3所示。
图3 气象站分布

Fig. 3 Distribution of meteorological stations

4 研究结果及分析

4.1 精细尺度下基于GWR-GBDT的PM2.5模拟与场景解析模型

4.1.1 基于GWR的PM2.5浓度空间分异模拟模型结果

利用全局莫兰指数检验PM2.5浓度分布是否存在空间异质性,结果如表3所示。结果显示,所有时段的监测数据都通过了空间自相关检验,且莫兰指数均为正值,说明PM2.5浓度空间分布存在空间聚集性,因此适合采用GWR方法对PM2.5浓度进行模拟。基于GWR方法的PM2.5浓度模拟模型的预测变量包含不同大小缓冲区内的绿地面积、高密度林区面积、低密度林区面积、耕地面积、水域面积、扬尘地表面积、高密度住宅区面积、低密度住宅区面积、其他建筑区面积、一级道路长度、二级道路长度和餐饮数量,由于不同时段车辆移动监测路线不同,引入的预测变量略有差异,2021年11月3日不同时段GWR模型具体采用的预测变量和预测结果如表4所示。变量的选取参考了现有研究中和PM2.5浓度有关的影响因素[30],设置多级缓冲区,并通过逐步回归方法,筛选出与PM2.5浓度具有较强的相关性的变量及其缓冲区大小。基于GWR模型结果可以发现,绿地面积占比、低密度林区面积占比、低密度住宅区面积占比、耕地面积占比和二级道路长度在多个时段中与PM2.5浓度存在较强的相关性,其中绿地、耕地和二级道路在1500 m缓冲区范围与PM2.5浓度相关性较高,低密度林区在1000 m和1500 m缓冲区范围与PM2.5浓度相关性较高,而低密度住宅区在不同时段与PM2.5浓度相关性最强的缓冲区范围不断变化,在未来的研究中可以进行深入探索。单日中GWR最优模型调整R2范围为0.52~0.92,9:00时模型调整R2最低,18:00时模型调整R2最高。
表3 空间自相关检验结果

Tab. 3 Spatial autocorrelation test

时段 Moran I指数 Z得分 P值
8:00 0.55 9.82 0.00
9:00 0.46 30.38 0.00
10:00 0.84 24.45 0.00
11:00 0.57 48.80 0.00
12:00 0.79 23.78 0.00
13:00 0.82 14.51 0.00
14:00 0.69 22.95 0.00
15:00 0.65 21.32 0.00
16:00 0.82 34.66 0.00
17:00 0.76 21.44 0.00
18:00 0.98 21.59 0.00
表4 GWR最优模型构建结果

Tab. 4 Model fitting results for GWR

时段 预测变量 R2 调整R2
8:00 GL_1500、RES_500、HF_1500、CL_1000、WAT_1000、SEC_1500、PRI_200 0.66 0.63
9:00 CL_1000、PRI_1000、BL_1500、LF_1000、RES_1500、GL_1500、OTH_200、WAT_100、SEC_100 0.55 0.52
10:00 CL_1500、WAT_300、GL_300、SEC_1500、HF_1000、HR_500、LF_500、OTH_200、LR_1000、PRI_1500 0.80 0.79
11:00 CL_1500、SEC_1500、BL_1000、HR_500、LR_300、GL_200 0.73 0.71
12:00 CL_1500、HF_1500、GL_1500、PRI_1500、HR_1500、BL_1000、LF_300、SEC_200、LR_1000 0.85 0.84
13:00 BL_200、OTH_300、LF_1000、CL_1500、LR_1500、RES_1000 0.66 0.66
14:00 RES_1500、HF_500、WAT_1500、CL_500、GL_1500、LF_1500、SEC_1000、LR_500 0.68 0.79
15:00 GL_1500、OTH_1500、WAT_500、HR_1000、PRI_1000、LR_1500、HF_1000 0.69 0.67
16:00 RES_1500、OTH_1000、LF_1500、GL_1500、PRI_1000、LR_200、CL_200 0.69 0.67
17:00 LR_1500、GL_1500、RES_1500、LF_1000、SEC_1500、OTH_1500、PRI_500、CL_1000、WAT_500、HF_300 0.85 0.85
18:00 CL_1500、OTH_1500、RES_1500、HF_200、LF_1500、SEC_500、BL_1500 0.92 0.92

注：GL（绿地面积）、HF（高密度林区面积）、LF（低密度林区面积）、CL（耕地面积）、WAT（水域面积）、BL（扬尘地表面积）、HR（高密度住宅区面积）、LR（低密度住宅区面积）、OTH（其他建筑区面积）、PRI（一级道路长度）、SEC（二级道路长度）、RES（餐饮数量）;100、200、300、500、1000、1500分别表示100、200、300、500、1000、1500 m的缓冲区。如GL_1500表示1500 m缓冲区内绿地面积占比。

4.1.2 基于GWR-GBDT的PM2.5模拟与场景解析模型结果

根据现有研究成果气象因素对PM2.5浓度具有显著的非线性关系[31],场景因素与PM2.5存在相关性,利用GBDT模型基于气象因素和场景因素对GWR模型残差进行拟合,模型拟合结果如表5所示。结果表明,GBDT模型对GWR模型残差的拟合效果较好,R2基本大于0.68,说明气象因素和场景因素对PM2.5浓度具有较强相关性,GBDT能够较好地拟合气象因素和场景因素对PM2.5浓度的非线性关系,提升模型整体拟合精度。表6为不同时段基于GWR-GBDT的PM2.5模拟与场景解析模型拟合效果R2、RMSE和MAE结果。总体而言,基于GWR-GBDT的PM2.5模拟与场景解析模型的逐小时PM2.5浓度拟合效果要优于单一的GWR模型,前者拟合R2更高。基于GWR-GBDT的PM2.5模拟与场景解析模型R2介于0.80~0.99之间,平均为0.94;RMSE介于0.73~4.88 μg/m3之间,平均为2.43 μg/m3;MAE介于0.57~3.14之间,平均为1.79 μg/m3。相对于单一的GWR模型,GWR-GBDT混合模型R2平均提高了20%,RMSE平均降低了3.40 μg/m3,MAE平均降低了2.27 μg/m3。
表5 GBDT模型模拟效果

Tab. 5 Model fitting results for GBDT

时段 R2 RMSE/(μg/m3) MAE/(μg/m3)
8:00 0.68 1.45 1.16
9:00 0.80 1.61 1.20
10:00 0.36 4.88 3.14
11:00 0.73 2.38 1.80
12:00 0.80 2.23 1.66
13:00 0.91 1.34 1.12
14:00 0.68 2.74 2.04
15:00 0.88 2.60 1.99
16:00 0.86 4.10 3.05
17:00 0.84 2.61 1.93
18:00 0.99 0.73 0.57
表6 基于GWR-GBDT的PM2.5模拟与场景解析模型模拟效果

Tab. 6 Model fitting results of PM2.5 simulation and scene analysis model based on GWR-GBDT

时段 R2 RMSE/(μg/m3) MAE/(μg/m3)
GWR-GBDT GWR GWR-GBDT GWR GWR-GBDT GWR
8:00 0.89 0.66 1.45 2.55 1.16 2.00
9:00 0.90 0.55 1.61 3.55 1.20 2.48
10:00 0.87 0.80 4.88 6.09 3.14 3.70
11:00 0.92 0.73 2.38 4.54 1.80 3.18
12:00 0.97 0.85 2.23 5.01 1.66 3.62
13:00 0.97 0.66 1.34 4.54 1.12 3.34
14:00 0.90 0.68 2.74 4.87 2.04 3.62
15:00 0.96 0.69 2.60 7.63 1.99 4.95
16:00 0.96 0.69 4.11 11.36 3.05 8.11
17:00 0.98 0.85 2.61 6.52 1.93 4.64
18:00 0.99 0.92 0.73 7.42 0.57 4.98
将融合了机器学习和局部回归方法的PM2.5模拟与场景解析模型模型与基于全局回归方法的普通最小二乘（OLS）模拟模型进行对比,利用十折交叉验证法检验模型的泛化能力,将数据集随机分成10等份,轮流将其中的9份用于确定模型的参数,而剩余的一份作为测试集来评估模型,重复进行10次,然后用10次验证结果的均值对预测模型精度进行估计。各时段十折交叉验证结果对比如表7所示,结果表明GWR-GBDT模型十折检验的R2介于0.52~0.94之间,平均R2为0.76,RMSE介于2.73~8.67 μg/m3之间,优于OLS模型拟合结果,说明在PM2.5浓度分布模拟中融合了机器学习和局域回归的GWR-GBDT模型优于全局线性回归模型,具有一定的泛化能力。
表7 GWR-GBDT模型十折交叉验证结果

Tab. 7 10-fold cross validation results of GWR-GBDT model

时段 R2 RMSE/(μg/m3)
GWR-GBDT OLS GWR-GBDT OLS
8:00 0.62 0.62 2.73 2.73
9:00 0.52 0.45 3.68 3.92
10:00 0.81 0.78 5.98 6.60
11:00 0.71 0.70 4.64 4.79
12:00 0.85 0.72 5.01 7.04
13:00 0.68 0.60 4.41 5.00
14:00 0.81 0.63 3.77 5.31
15:00 0.72 0.62 7.27 8.52
16:00 0.82 0.48 8.67 14.75
17:00 0.92 0.85 4.84 6.85
18:00 0.94 0.92 6.64 7.79
综上所述,GBDT模型结合气象和场景因素对GWR模型的残差具有较好的非线性拟合效果,基于GWR-GBDT的PM2.5模拟与场景解析模型能够有效地提高精细尺度下PM2.5浓度的模拟精度。

4.2 不同时段PM2.5浓度对场景因素的响应特征

本研究利用部分依赖图分析各时段GBDT模型中PM2.5浓度对不同场景因素的非线性响应特征,增强GBDT模型的解释性。本研究提取各场景中对PM2.5浓度影响较为显著的时段进行分析,PM2.5浓度对场景因素的响应特征结果如图4所示,其中横坐标轴表示某类场景因素在100 m×100 m栅格中的面积占比,纵坐标轴表示其他因素不变的情况下,PM2.5浓度受该场景因素影响的变化量。
图4 PM2.5浓度对场景因素的部分依赖

Fig. 4 Partial dependency plots for the urban scene factors in the GBDT model predicting PM2.5 concentration

总体上看,工业区、教育医疗单位、商圈和建筑工地对PM2.5浓度的影响程度差异较大,对PM2.5的浓度改变量分别为-1.12~6.96 μg/m3、-1.35~8.13 μg/m3、-0.01~7.70 μg/m3、-2.00~2.93 μg/m3,其他场景类型对PM2.5浓度影响程度差异较小,影响程度范围在-1.44~1.61 μg/m3。结果中存在部分依赖图折线较为平缓区段,说明场景因素在一定面积占比区间内,对PM2.5浓度的影响程度会保持不变;部分尖峰区段是由于样本中场景面积占比数值分布不均,导致部分依赖图折线变化不够平缓,在未来的研究中将采集更密集的数据以提高部分依赖图折线的平滑程度,并深入研究各类场景面积占比达到何值时会导致对PM2.5浓度的影响突然增大。尖峰右侧的PM2.5浓度变化值的绝对值在小幅下降后维持在一定的水平,尖峰区段能突出场景因素对PM2.5浓度影响的整体趋势。
从不同的时段来看,各场景对PM2.5的影响具有明显的时间特征差异,主要表现为以下特征：
（1）道路场景在11:00和12:00对PM2.5浓度具有明显的提升作用,且PM2.5浓度改变量随着道路面积占比增大而增大,道路场景占比较大的像元多为城市主干道和交叉路口,其车流量较大,因此移动源集中排放导致PM2.5浓度变化量较大[32]。因此,在城市规划中应合理设置道路等级,分散车流避免移动源集中排放PM2.5污染,导致城市局部区域PM2.5浓度升高。
（2）住宅区在8:00和18:00对PM2.5浓度有较强的提升作用,当像元中住宅区面积占比分别大于0.9和0.5时,PM2.5浓度改变量急剧上升,与工作日上下班时间吻合,而16:00时PM2.5浓度随着住宅区面积占比的增大而降低,说明居民上下班通勤会导致住宅区PM2.5浓度升高,而非上下班时段住宅区人群活动较少,PM2.5浓度有所降低,建议老年人在非上下班时段在社区内活动,减少PM2.5暴露风险。
（3）工业区在9:00对PM2.5浓度具有提升作用,其原因是工业区场景内企业生产活动会排放大气污染物,当面积占比超过0.9时,PM2.5浓度改变量急剧上升,说明PM2.5浓度响应特征在工业区内部与工业区外围差异较大,工业区内部污染更为严重。因此,住宅、教育医疗单位等场景配置应尽量远离工业区,并且在工业区周边的场景应适当采取降尘措施。
（4）建筑工地在9:00和10:00对PM2.5浓度具有较强的提升作用,PM2.5浓度改变量峰值分别达到2.11 μg/m3和2.93 μg/m3,但15:00时PM2.5浓度下降显著,最低达到-2.01 μg/m3。该结论与现有研究存在差异,经过调研发现,可能是建筑工地实施洒水降尘措施使得该场景湿度增加,促进PM2.5颗粒沉降,从而降低PM2.5浓度,说明洒水降尘措施能够有效降低局部区域PM2.5浓度,在必要时可在其他场景中采用类似措施。
（5）教育医疗单位在8:00、15:00和18:00对PM2.5浓度有提升作用,且在15:00和18:00对PM2.5浓度改变量的峰值分别达到5.43 μg/m3和8.13 μg/m3,和上学放学时段较为吻合,应该加强学校场景上学放学时段的交通疏导和污染治理,降低儿童的PM2.5污染暴露风险。
（6）公园文体服务区具有出较强的时间分异特征,9:00、10:00和13:00对PM2.5浓度有较强的减少作用,且10:00和13:00 PM2.5浓度改变量随着公园文体服务面积增大而减小,其原因是公园文体服务场景中污染源较少,植被较多,能够较好地减轻PM2.5污染,且公园中心比公园外围对PM2.5浓度的负向作用表现更为强烈,因此在城市中应增加公园文体区域。商圈在10:00对PM2.5浓度改变量的正向作用最高达到7.70 μg/m3,其原因尚不明确,在未来的研究中可加强对商圈PM2.5浓度变化原因的探究。
综上所述,不同时段场景因素对PM2.5浓度的响应存在显著异质性,一天中各场景对PM2.5浓度提升或抑制作用并不稳定,其主要原因是PM2.5浓度在一定程度上还受到人类活动干预。基于部分依赖折线图整体趋势分析场景因素对PM2.5浓度的影响可以发现,住宅区在上下班高峰期（8:00和18:00）时对PM2.5浓度有较大的正向作用,说明该场景中PM2.5浓度受到居民出行影响较大;工业区白天对PM2.5浓度都有提升作用,是造成PM2.5污染较为严重的场景类型;建筑工地并非全天都能致使能致使PM2.5浓度升高,与现有研究有所差异,结合实证调研,侧面验证了在施工过程中洒水降尘等措施对显著降低城市PM2.5污染的有效性,并能够维持较长时间;教育医疗单位对PM2.5浓度有提升作用的时间和学生上学和放学的时段较为吻合,说明相关部门应该加强教育单位上学和放学时段的交通疏导,以减少该场景的PM2.5污染;公园文体服务区对PM2.5浓度抑制作用较为显著,城市公园为福州市空气质量的提高有重大贡献;商圈只有10:00时对PM2.5浓度有较强的提升作用,而其他时段影响较小。因此,为降低儿童的PM2.5污染暴露风险,应加强上下学时学校场景的交通疏导;老年人应避免在上下班高峰期期间在社区内活动,减少额外的PM2.5污染暴露风险,并且可以前往公园进行娱乐活动。在城市规划和管理方面,应合理规划道路等级,分散车流减少车辆集中排放导致的城市局部PM2.5浓度升高,并且应该加强交叉路口和城市主干道的PM2.5浓度污染治理;工业园对PM2.5浓度的提升作用较强,考虑采取洒水降尘等措施降低区域内PM2.5浓度。

4.3 面向场景的PM2.5污染时空格局分析

利用基于GWR-GBDT的PM2.5模拟与场景解析模型对PM2.5浓度进行估算,得到空间分辨率为100 m的逐小时PM2.5浓度精细空间分布模拟结果,如图5所示,可以看出研究区内PM2.5浓度呈现出明显的东南高-西北低的趋势,结合福州市国土空间新一轮总体规划分析,其原因可能是研究区东部作为福州市副中心正在大力积极建设,区域内以建筑工地和工业区为主,更容易造成大气污染。
图5 基于GWR-GBDT模型的PM2.5浓度精细模拟分布

Fig. 5 Fine simulation distribution of PM2.5 concentration based on GWR-GBDT model

从不同时段看,8:00的PM2.5浓度为（35~78） μg/m3,总体PM2.5浓度相差较小,PM2.5浓度高值区域主要分布在闽江南岸与乌龙江北岸。9:00研究区东南部出现明显的PM2.5浓度高值区域,东部和西部PM2.5浓度差异逐渐增大,仓山区中心地区PM2.5浓度也略有上升;10:00的PM2.5浓度高值区域从东部向西部蔓延,研究区东部及闽江和乌龙江水域上方PM2.5浓度较高,而相较于9:00江边区域PM2.5浓度略有下降,城市外围水域对PM2.5颗粒具有聚集效应,其原因可能是湖风环流效应将水体周围区域的PM2.5颗粒物输送到水域上方[33]。11:00—14:00,PM2.5高浓度区域逐渐减少,整体PM2.5浓度呈下降趋势,PM2.5浓度低值区域不断增加。15:00—18:00,东部逐渐出现热点区域,并不断向西部蔓延,且受到北风的影响,PM2.5高浓度区域主要集中在南部。因此,在PM2.5污染治理方面,现阶段应加强仓山区东南部的PM2.5污染治理;在城市规划方面,医院、学校等设施可建设在靠近江边的位置,具有良好的通风环境,减少病患、儿童的PM2.5污染暴露风险。
根据中国《环境空气质量标准》[34]对PM2.5浓度精细模拟结果进行等级划分,PM2.5浓度在0~35 μg/m3为优,35~75 μg/m3为良,75~115 μg/m3为轻度污染,115~150 μg/m3为中度污染,150~250 μg/m3为重度污染。将划分结果叠加研究实验区场景分布图,利用统计分析方法进一步分析场景因素与PM2.5浓度关系。
由图6可知,8:00各类场景空气质量都为良,9:00建筑工地和道路最先出现了轻度污染,说明这2个场景是城市中最直接的污染源;10:00各类场景中轻度污染的比例都有所升高,其中建筑工地、工业区、公园和道路场景中度污染占比较大,均超过了该类场景的20%。公园场景中轻度污染占比较大原因可能是在研究区东部存在有3个面积较大的山体公园与建筑工地和工业区较为邻近,受到其污染扩散影响。11:00—17:00各场景轻度污染面积占比较少,且空气质量优等区域占比不断增加,其中教育医疗单位空气质量优等区域始终保持较高占比,能够较好地避免PM2.5污染对儿童和病人的危害。18:00时工业区和公园文体服务区域高污染占比较大,根据蒋燕等[35]的研究结果,其原因可能是山体公园受到周围工业区产生的大气污染影响,且该时段风速较低,使得PM2.5颗粒物在山体公园内积聚而不易消散。
图6 各类场景PM2.5污染等级百分比堆积柱形图

Fig. 6 Percentage accumulation column chart of PM2.5 pollution level in various scenarios

综上所述,工业区、建筑工地和道路较容易造成PM2.5污染,是PM2.5污染的重点治理场景;教育医疗单位、住宅区、商圈空气质量较好,不易形成热点区域;公园文体服务区域整体空气质量较好,但部分山体公园受到周围空气污染影响,会产生PM2.5颗粒物积聚。因此,在城市规划中应将教育医疗单位、住宅区等场景尽量选择公园等大面积绿地周边区域进行配置,同时远离工业区等污染较为严重的场景,以避免其受到周边场景污染扩散的影响,降低居民PM2.5污染暴露风险。

5 结论与展望

本文利用移动大气监测数据构建了一种基于GWR-GBDT的PM2.5浓度模拟和场景解析模型,并结合部分依赖关系图方法定量解析场景因素对PM2.5浓度的依赖性,利用热力图和时空统计方法分析PM2.5污染的时空格局,结果发现：
（1）基于移动PM2.5浓度监测数据利用基于GWR-GBDT的PM2.5浓度模拟和场景解析模型能够较好地拟合气象因素、场景因素和PM2.5浓度的非线性关系,有效地精细化模拟城市内部PM2.5浓度空间分布,各时段模型拟合R2范围为0.87~0.99。该模型不仅提高了PM2.5浓度空间分布模拟的精度,还对场景因素和PM2.5浓度之间的非线性关系具有较强的可解释性,结合部分依赖图能够直观地展示PM2.5浓度对场景因素的非线性响应特征。
（2）基于部分依赖图结果可以看出,研究区内PM2.5浓度对场景因素的响应具有时间异质性,人类活动时空分异特征和对PM2.5的干预手段在一定程度上对PM2.5浓度分布产生影响。医疗教育单位和住宅区场景在上学和放学、上班和下班时段由于居民密集通勤会导致PM2.5浓度提升;工业区生产活动对PM2.5浓度具有较强的提升作用,在9:00时最为明显,且工业园内部比工业园外围对PM2.5浓度的提升作用更强;道路场景由于车辆尾气的排放,会致使PM2.5浓度升高,特别是上午时段的城市主干道和交叉路口位置;建筑工地施工作业对PM2.5浓度具有提升作用,而在下午时段采取洒水降尘措施能够显著降低PM2.5浓度;公园文体服务区场景普遍可降低PM2.5浓度。因此,老年人应避免在上下班高峰期期间在社区内活动,减少额外的PM2.5污染暴露风险,并且可以前往公园进行娱乐活动。在城市规划和管理中应合理规划道路等级分散车流减少车辆集中排放导致的城市局部PM2.5浓度升高,并加强交通路口和城市主干道的PM2.5浓度污染治理;进一步强化对上下学时段学校区域的交通疏导,以减少这些时段PM2.5污染对儿童的危害;在工业园区内部可规划小型公园等场景,并采取洒水降尘等措施降低该场景的PM2.5浓度。
（3）基于GWR-GBDT模型的PM2.5浓度精细化空间分布模拟结果可以发现,研究区内PM2.5浓度具有较强的区域性,总体呈现东南高-西北低的分布特点,东部建筑工地和工业区PM2.5浓度明显高于其他区域;且不同类型场景PM2.5浓度存在差异,建筑工地、道路和工业区场景内轻度以上污染面积占比明显高于其他场景,建筑工地、道路和工业区是城市PM2.5污染治理的重点场景。城市蓝绿空间对PM2.5浓度分布存在一定的影响,城市外围大面积水域能够降低沿岸陆地的PM2.5浓度,减少人群的暴露风险;公园类场景虽然总体上PM2.5浓度较低,但傍晚时段山体类公园会受到周边工业区PM2.5污染扩散影响导致PM2.5浓度上升。因此,在PM2.5污染治理方面,现阶段应加强仓山区东南部的PM2.5污染治理;在城市规划方面,学校、医院等设施可建设在靠近公园或江边且远离工业区的位置,减少病患、儿童的PM2.5污染暴露风险。
本研究对于移动PM2.5浓度监测数据的校正是基于1 h时间分辨率的固定监测站点时序数据,在未来的研究中可引入更高分辨率的固定站点PM2.5浓度时序监测数据对其进行校正,提高移动PM2.5监测数据校正的精度,为城市大气环境高时空分辨率监测提供支持。研究基于已有研究中的PM2.5浓度场景分异理论,深入探究不同时段场景因素对PM2.5浓度的影响程度,但受到条件限制,只使用了一天中白天的监测数据,后续将基于多日的数据验证模型推广性,探究不同类型场景对PM2.5浓度的响应作用的普适性及不同日期各时段场景对PM2.5浓度的响应规律,并结合信令数据和签到数据定量研究不同人类活动对PM2.5浓度的影响。此外,未来还将积累长时序数据用于高空间分辨率PM2.5浓度预测的研究,以提高城市PM2.5污染的区域精细化预报预警能力。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
Jeffrey D S, Ashkan A, Emmanuela G, et al. Global, regional, and national comparative risk assessment of 84 behavioural, environmental and occupational, and metabolic risks or clusters of risks for 195 countries and territories, 1990-2017: A systematic analysis for the Global Burden of Disease Study 2017[J]. The Lancet, 2018, 392(10159). DOI: 10.1093/EURJPC/ZWAB066

DOI

[2]
生态环境部 生态环境监测规划纲要(2020—2035年)[EB/OL].[2020-06-22]. https://mp.weixin.qq.com/s/NokPfnF3VtT5gSH8693fEA

[Ministry of Ecology and Environment. Outline of ecological environment monitoring planning (2020-2035)[EB/OL] [2020-06-22]. https://mp.weixin.qq.com/s/NokPfnF3VtT5gSH8693fEA

[3]
Zhang T, Zhu Z, Gong W, et al. Estimation of ultrahigh resolution PM2.5 concentrations in urban areas using 160 m Gaofen-1 AOD retrievals[J]. Remote Sensing of Environment, 2018, 216:91-104. DOI: 10.1016/j.rse.2018.06.030

DOI

[4]
刘永红, 余志, 黄艳玲, 等. 城市空气污染分布不均匀特征分析[J]. 中国环境监测, 2011, 27(3):93-96.

[ Liu Y H, Yu Z, Huang Y L, et al. Characteristic analysis on uneven distribution of air pollution in cities[J]. Environmental Monitoring in China, 2011, 27(3):93-96. ] DOI: 10.19316/j.issn.1002-6002.2011.03.024

DOI

[5]
Apte J S, Messier K P, Gani S, et al. High-resolution air pollution mapping with Google street viewcars: Exploiting big data[J]. Environmental Science & Technology, 2017, 51(12):6999-7008. DOI: 10.1021/acs.est.7b00891

DOI

[6]
胡晨霞, 邹滨, 李沈鑫, 等. 城市微环境PM2.5浓度空间分异特征分析[J]. 中国环境科学, 2018, 38(3):910-916.

[ Hu C X, Zou B, Li S X, et al. Spatial heterogeneity analysis of PM2.5 concentrations in intra-urban microenvironments[J]. China Environmental Science, 2018, 38(3):910-916.] DOI: 10.19674/j.cnki.issn1000-6923.2018.0105

DOI

[7]
Adams M D, DeLuca P F, Corr D, et al. Mobile air monitoring: Measuring change in air quality in the city of Hamilton, 2005-2010[J]. Social indicators research, 2012, 108(2):351-364. DOI: 10.1007/s11205-012-0061-5

DOI

[8]
Hart R, Liang L, Dong P. Monitoring, mapping, and Modeling spatial-temporal patterns of PM2.5 for improved understanding of air pollution dynamics using portable sensing technologies[J]. Int J Environ Res Public Health, 2020, 17(14):4914. DOI: 10.3390/ijerph17144914

DOI

[9]
Xu S, Zou B, Lin Y, et al. Strategies of method selection for fine-scale PM2.5 mapping in an intra-urban area using crowdsourced monitoring[J]. Atmospheric Measurement Techniques, 2019, 12(5):2933-2948. DOI: 10.5194/amt-12-2933-2019

DOI

[10]
Huang T, Yu Y, Wei Y, et al. Spatial-seasonal characteristics and critical impact factors of PM2.5 concentration in the Beijing-Tianjin-Hebei urban agglomeration[J]. PLOS ONE, 2018, 13(9):e0201364. DOI: 10.1371/journal.pone.0201364

DOI

[11]
付宏臣, 孙艳玲, 王斌, 等. 基于AOD数据和GWR模型估算京津冀地区PM2.5浓度[J]. 中国环境科学, 2019, 39(11):4530-4537.

[ Fu H C, Sun Y L, Wang B, et al. Estimation of PM2.5 concentration in Beijing-Tianjin-Hebei region based on AOD data and GWR model[J]. China Environmental Science, 2019, 39(11):4530-4537.] DOI: 10.19674/j.cnki.issn1000-6923.2019.0527

DOI

[12]
Dong Y, Wang H, Zhang L, et al. An improved model for PM2.5 inference based on support vector machine[C]// Ieee/acis International Conference on Software Engineering, Artificial Intelligence, NETWORKING and Parallel/distributed Computing. IEEE, 2016:27-31. DOI: 10.1109/SNPD.2016.7515873

DOI

[13]
Ling Y, Ning L, Sheng J. Artificial Neural Network (ANN) for multi-source PM2.5 estimation using surface, MODIS, and meteorological data[J]. International Conference on Biomedical Engineering & Biotechnology, 2012(10):1228-1231. DOI: 10.1109/iCBEB.2012.81

DOI

[14]
He J, Christakos G, Jankowski P. Comparative performance of the LUR, ANN, and BME techniques in the multiscale spatiotemporal mapping of PM2.5 concentrations in North China[J]. Ieee Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2019, 12(6SI):1734-1747. DOI: 10.1109/JSTARS.2019.2913380

DOI

[15]
Zhang T, He W, Zheng H, et al. Satellite-based ground PM2.5 estimation using a gradient boosting decision tree[J]. Chemosphere, 2021, 268:128801. DOI: 10.1016/j.chemosphere.2020.128801

DOI

[16]
杜震洪, 吴森森, 王中一, 等. 基于地理神经网络加权回归的中国PM2.5浓度空间分布估算方法[J]. 地球信息科学学报, 2020, 22(1):122-135.

DOI

[ Du Z H, Wu S S, Wang Z Y, et al. Estimating Ground-Level PM2.5 Concentrations Across China Using Geographically Neural Network Weighted Regression[J]. Journal of Geo-information Science, 2020, 22(1):122-135. ] DOI: 10.12082/dqxxkx.2020.190533

DOI

[17]
许珊, 邹滨, 胡晨霞. 面向场景的城市PM2.5浓度空间分布精细模拟[J]. 中国环境科学, 2019, 39(11):4570-4579.

[ Xu S, Zou B, Hu C X, et al. Urban scene-oriented simulation of the spatial distribution of PM2.5 concentration in an intra-urban area at fine scale[J]. China Environmental Science, 2019, 39(11):4570-4579.] DOI: 10.19674/j.cnki.issn1000-6923.2019.0532

DOI

[18]
Liu M, Chen H, Wei D, et al. Nonlinear relationship between urban form and street-level PM2.5 and CO based on mobile measurements and gradient boosting decision tree models[J]. Building and Environment, 2021, 205:108265. DOI: 10.1016/j.buildenv.2021.108265

DOI

[19]
Zheng Z, Zou B, Wang Y, et al. A temporally-calibrated method for crowdsourcing based mapping of intra-urban PM2.5 concentrations[J]. Journal of Cleaner Production, 2020, 269(10):122347. DOI: 10.1016/j.jclepro.2020.122347

DOI

[20]
Ryan P H, LeMasters G K, Levin L, et al. A land-use regression model for estimating microenvironmental diesel exposure given multiple addresses from birth through childhood[J]. Science of The Total Environment, 2008, 404(1):139-147. DOI: 10.1016/j.scitotenv.2008.05.051

DOI

[21]
Fotheringham A S, Charlton M E, Brunsdon C. Geographically weighted regression: A natural evolution of the expansion method for spatial data analysis[J]. Environment and Planning A: Economy and Space. 1998, 30(11):1905-1927. DOI: 10.1068/a301905

DOI

[22]
Snoek J, Larochelle H, Adams R P. Practical Bayesian optimization of machine learning algorithms[J]. Advances in Neural Information Processing Systems, 2012, 4:2951-2959.

[23]
Guidotti R, Monreale A, Ruggieri S, et al. A survey of methods for explaining black box models[J]. ACM Computing Surveys, 2019, 51(5):1-42. DOI: 10.1145/3236009

DOI

[24]
周岩, 谭洪卫, 胡婷莛, 段玉森. 基于移动监测的城市道路PM2.5和PM10浓度分布研究[J]. 环境工程技术学报, 2017, 7(4):433-441.

[ Zhou Y, Tan H W, Hu T T, Duan Y S. Study on mass concentration distribution of PM2.5 and PM10 on urban roads based on mobile monitoring[J]. Journal of Environmental Engineering Technology, 2017, 7(4):433-441. ] DOI: 10.3969/j.issn.1674-991X.2017.04.059

DOI

[25]
宋洁, 周素红, 彭伊侬, 等. 基于移动监测的城市PM2.5污染时空模式研究——以广州市中心区为例[J]. 热带地理, 2020, 40(2):229-242.

DOI

[ Song J, Zhou S H, Peng Y Y, et al. Analysis of spatio-temporal PM2.5 patterns obtained using mobile monitoring: Case study cnducted in central district of Guangzhou[J]. Tropical Geography, 2020, 40(2):229-242. ] DOI: 10.13284/j.cnki.rddl.003232

DOI

[26]
30米空间分辨率全球地表覆盖数据集[DB/OL]. 2020. http://www.globallandcover.com.

[30m spatial resolution global surface coverage data set[DB/OL]. 2020. http://www.globallandcover.com.

[27]
OpenStreetMap data[DB/OL]. 2021. https://download.geofabrik.de/asia.html

[28]
李勤勤, 吴爱华, 龚道程, 等. 餐饮源排放PM2.5污染特征研究进展[J]. 环境科学与技术, 2018, 41(8):41-50.

[ Li Q Q, Wu A H, Gong D C, et al. Characteristics of PM2.5 emitted from cooking emissions: A review[J]. Environmental Science & Technology, 2018, 41(8):41-50. ] DOI: 10.19672/j.cnki.1003-6504.2018.08.008

DOI

[29]
中国地面气象站逐小时观测资料[DB/OL]. 2021. http://data.cma.cn/data/detail/dataCode/A.0012.0001.html.

[Ho urly observation data of China's surface meteorological stations[DB/OL]. 2021. http://data.cma.cn/data/detail/dataCode/A.0012.0001.html.

[30]
焦利民, 许刚, 赵素丽, 等. 基于LUR的武汉市PM2.5浓度空间分布模拟[J]. 武汉大学学报·信息科学版, 2015, 40(8):1088-1094.

[ Jiao L M, Xu G, Zhao S L, et al. LUR-based Simulation of the Spatial Distribution of PM2.5 of Wuhan[J]. Geomatics and Information Science of Wuhan University, 2015, 40(8):1088-1094. ] DOI: 10.13203/j.whugis20130785

DOI

[31]
夏晓圣, 陈菁菁, 王佳佳, 等. 基于随机森林模型的中国PM2.5浓度影响因素分析[J]. 环境科学, 2020, 41(5):2057-2065.

[ Xia X S, Chen J J, Wang J J, et al. PM2.5 Concentration Influencing Factors in China Based on the Random Forest Model[J]. Environmental Science, 2020, 41(5):2057-2065. ] DOI: 10.13227/j.hjkx.201910126

DOI

[32]
王占永, 蔡铭, 彭仲仁, 等. 基于移动观测的路边PM2.5和CO浓度的时空分布[J]. 中国环境科学, 2017, 37(12):4428-4434.

[ Wang Z Y, Cai M, Peng Z R, et al. Spatiotemporal distributions of roadside PM2.5 and CO concentrations based on mobile observations.[J]. China Environmental Science, 2017, 37(12):4428-4434. ] DOI: 10.3969/j.issn.1000-6923.2017.12.003

DOI

[33]
Zhou X, Zhang S, Zhu D. Impact of urban water networks on microclimate and PM2.5 distribution in downtown areas: A case study of Wuhan[J]. Building and Environment, 2021, 203. DOI: 10.1016/J.BUILDENV.2021.108073

DOI

[34]
环境空气质量标准:GB3095-2012[S]. 2012.

[Ambient air quality standards:GB3095-2012[S]. 2012. ]

[35]
蒋燕, 陈波, 鲁绍伟, 等. 北京城市森林PM2.5质量浓度特征及影响因素分析[J]. 生态环境学报, 2016, 25(3):447-457.

[ Jiang Y, Chen B, Lu S W, et al. Analysis on characteristics and influential factors of PM2.5 mass concentration in Beijing's urban forest[J]. Ecology and Environmental Sciences, 2016, 25(3):447-457. ] DOI: 10.16258/j.cnki.1674-5906.2016.03.012

DOI

Options
文章导航

/

〈 〉