EN中文

Journal of Geo-information Science >

2019 , Vol. 21 >Issue 7: 1018 - 1028

DOI: https://doi.org/10.12082/dqxxkx.2019.180695

Assessing PM2.5 Exposure Risk by Coupling Land Use Regression Model and Population Weighted Model

  • ZOU Yuxuan , 1, 2 ,
  • WU Zhifeng , 1, 2, * ,
  • CAO Zheng 1, 2
Expand
  • 1. School of Geographical Sciences, Guangzhou University, Guangzhou 510006, China
  • 2. Guangdong Province Engineering Technology Research Center for Geographical Conditions Monitoring and Comprehensive Analysis, Guangzhou, 510006, China
*Corresponding author: WU Zhifeng, E-mail:

Received date: 2018-12-28

  Request revised date: 2019-03-24

  Online published: 2019-07-25

Supported by

National Natural Science Foundation of China, No.41671430

Copyright

《地球信息科学学报》编辑部 所有
Fold

Abstract

With the rapid urbanization in the recent years, the deterioration of urban eco-environment and consequent impacts on human health have raised increasing concern. Air pollution, especially PM2.5, has become one of the most serious problems which threaten public health. As the key of air pollution health assessment, exposure risk assessment needs accurate data of air pollution concentration. However, it is impossible to get intra-urban PM2.5 concentration in random places based on existing monitoring data. Additionally, most PM2.5 risk exposure assessment studies take air pollution concentration as the evaluation index, without considering the spatial distribution of population. Coupling population-weighted assessment method is one of the feasible solutions to solve this problem. To this end, PM2.5 monitoring data, land use data, road data, and meteorological data were applied to developed the PM2.5 Land Use Regression (LUR) model in the Guangzhou-Foshan metropolitan area from December 1, 2013 to February 8, 2014. Then, the population density data were coupled to assess the population-weighted exposure risk of PM2.5. The results reveal that: (1) LUR predicted the spatial distribution of PM2.5 with good performance (R2 of 0.786-0.913). (2) From December 1, 2013 to February 8, 2014, the mean simulated PM2.5 concentration of the Guangzhou-Foshan metropolitan area changed fluctuatingly and the highest concentration was 97.91 μg/m3 (from December 29 to January 11) while the lowest was 53.40 μg/m3 (from January 26 to February 8). PM2.5 exposure in 99.8% of the study area was above the WHO require exposure standard. (3) The spatial distribution of PM2.5 concentration varied from place to place. High-concentration areas were located in Tianhe District, Yuexiu District, north of Panyu District, north of Huadu District, Chancheng District, middle of Nanhai District and middle of Sanshui District, while low-concentration areas included mainly Baiyun District, south-east of Panyu District and south of Shunde District. There were two high-level centers of population-weighted exposure risk located at the Guangzhou and Foshan downtowns. (4) After coupling the population weighted model, the high risk areas of PM2.5 in the Guangzhou-Foshan metropolitan area changed. The old high concentration areas focused on Nanhai District, Tianhe District, Yuexiu District, and Chancheng District, while coupling the population density data resulted in a more concentrated PM2.5 exposure centers, since the high risk areas tended to centralize around the downtowns of Guangzhou and Foshan.

Key words： land use regression model; PM2.5; Guangzhou-Foshan metropolitan area; population weighted model; exposure risk assessment

Cite this article

ZOU Yuxuan , WU Zhifeng , CAO Zheng . Assessing PM2.5 Exposure Risk by Coupling Land Use Regression Model and Population Weighted Model[J]. Journal of Geo-information Science, 2019 , 21(7) : 1018 -1028 . DOI: 10.12082/dqxxkx.2019.180695

1 引言

随着城市化进程的深入,城市生态环境日益恶化,随之产生的城市生态问题已成为经济发展、人群健康的重要因素之一,其中空气污染,特别是PM2.5对健康的影响日益受到关注。WHO于2005年颁布的空气质量准则中24 h PM2.5健康浓度标准为25 μg/m3[1],中国环境空气质量标准中PM2.5浓度二级限值为75 μg/m3是WHO标准的3倍[2],目前,中国大多数城市PM2.5浓度远超过WHO标准[3]。较高的PM2.5暴露直接或间接地提升了呼吸系统疾病、心脑血管疾病的发病率与死亡率[4],因此定量的PM2.5评估成为人群健康风险评估的重要前提。
常用的PM2.5风险评估方法包括：基于站点的邻域评估法、基于遥感与地理信息系统的空间反演方法以及基于机理模型的数值模拟方法等[5,6,7,8]。其中临近模型法应用最早,但该方法不能获取研究区域内PM2.5的连续变化情况,且在非单一污染物环境中可能导致暴露错误分类[7,9-10]。基于观测站点的空间插值方法也是空气污染暴露浓度获取的常用手段之一,常用的插值模型包括克里金插值、反距离权重插值（IDW）等。但此类方法仍然是以监测站点数据作为模型的唯一输入值,站点的稀疏程度及插值方法的选取会对结果产生较大的影响,模型稳定程度有待进一步提升[7,11-12]。随着遥感技术的发展,气象卫星应用数据逐渐应用于空气污染物浓度模拟,但遥感影像的获取受限于其成像的天气状况,往往无法实现长时间序列数据的获取[13,14]。如何将各类方法进行有机的融合,并应用于PM2.5暴露风险评估的研究成为一项科学挑战。
1997年Briggs[15]提出土地利用回归模型（Land Use Regression Model,LUR）,其科学假定是：污染检测站点周边一定范围内的PM2.5浓度与其所处的环境条件有统计线性关系,利用此线性关系可获取PM2.5污染暴露的评估[7,16]。相较于传统的基于站点观测数据的空气污染物暴露风险评估,LUR模型的产生能够在一定程度上突破监测站点稀疏、观测数据受局地环境特征影响等限制[7,11,17],同时其基底数据较易获取且搭建模型方法简单,已成为大气污染物模拟研究的主要应用模型之一[18,19]。模型的局限性主要在于其时空依赖性,不同地区其土地利用、道路交通及气象情况均会有所不同,因此模型变量的选择具有不确定性。模拟结果空间分辨率与输入的土地利用数据相关,参数不确定性,不同时空尺度下模型的输入变量存在差异[7]。
“暴露”的产生来自环境风险和人口分布在时空上的重叠[6],PM2.5风险暴露评估大多以PM2.5的空气污染浓度为评价指标,未充分考虑人口空间分布的非均一性特征[5,20-23]。人口加权评估方法的提出是解决此问题的可行性解决方案之一,通过大气污染物数据与人口分布数据进行叠加,计算格网内部人口加权后的PM2.5浓度,基于此评估PM2.5暴露风险[24]。Hixson在预估未来空气污染排放量研究中构建了 4种城市发展方案,并计算各发展方案人口加权PM2.5浓度[25];Chen等[26]在Community Multiscale Air Quality（CMAQ）模型评估中运用人口加权对模型进行改进。
现有研究表明,国内区域的LUR模型PM2.5反演研究大多以月或年为时间分辨率[21,22,23],且反演结果只表征PM2.5浓度的空间分布特征,无法反映人群的真实暴露风险。因此本研究以广佛都市区为研究区域,耦合LUR模型和人口加权模型,以两周为时间分辨率建立起2013年12月1日-2014年2月8日期间较短时间尺度动态LUR模型,并基于人口加权评估广佛都市区冬季PM2.5暴露风险,为进一步对PM2.5个体暴露风险研究以及监测站点设置提供参考。

2 研究区概况、数据来源与研究方法

2.1 研究区概况

广佛都市区位于广东省核心区域,其包含广州市的白云区、荔湾区、越秀区、海珠区、天河区、番禺区、花都区、黄埔区、萝岗区与佛山市的顺德区、禅城区、南海区、三水区,总面积为6098 km2,截止2010年广州市与佛山市GDP总值达到16 228亿元,人口总数为1989万。经济的快速增长与人口数量的增加促使此区域城市化进程进一步深化,也间接导致了此区域空气污染程度的加剧,截止2013年此区域PM2.5年平均浓度为51 μg/m3,高于广东省平均值。污染浓度的增加也使得此区域呼吸系统、心脑血管疾病死亡人数猛增。因此针对此区域展开PM2.5污染暴露评估已成为人群健康水平提升的重要措施。

2.2 研究方法

2.2.1 土地利用回归模型构建
（1） 模型自变量生成
缓冲区分析被广泛应用于地理要素特征变量的提取,即设置一组有规律递增的半径以监测站点为中心提取缓冲区内地理要素特征变量[16]。结合已有研究,本研究从PM2.5的产生和扩散两方面考虑LUR模型自变量的选取。机动车排放为城市主污染源之一,道路交通情况会影响PM2.5浓度的产生;部分土地利用类型表征污染源分布,且不同土地利用类型对PM2.5的扩散起到阻滞或促进作用[21,22]。因此所选定的地理要素特征变量包括土地利用类型和道路交通2大类,其中土地利用类型包括植被、水体和不透水面,道路交通包括道路总长、主干道道路长度、一级公路长度、二级公路长度和三级公路长度。综合前人研究对自变量缓冲区进行设定,在各站点分别建立100、200、300、500、1000、1200、1500 m缓冲区,计算缓冲区内各土地利用类型面积以及各类道路长度。对缓冲区内变量数据与PM2.5监测数据进行双变量相关分析,识别出的各子类中与PM2.5相关性最强的变量。
回归模型变量由土地利用变量、道路变量和气象要素变量共同组成,气象要素通过插值得到,需进行插值精度检验判断不同像元大小对模型的影响。运用克里金插值生成全时段气象要素面,设置像元大小为30、50、100、200、300、500、1000 m并提取对应点气象数据值,通过线性回归判断模型精度,确定最优像元大小为1000 m。以1000 m为插值精度对5个时段气象要素进行插值,提取各时段对应点的风速、气温、降水量数值。
（2） 回归方程构建与检验
本文运用SPSS多元线性回归方法构建回归方程。首先对自变量进行标准化,其中包括双变量相关分析中识别出的各子类中与PM2.5相关性最强的变量,以及14天平均风速、平均气温、平均日降水,因变量为PM2.5平均浓度。计算公式如下：
Y = ∑ i = 1 n Ai × Xi + B ( i = 1,2 , 3,4 , 5 , … , n ) （1）
式中：Y为PM2.5浓度值;X为自变量;A为自变量待定系数;B为常数。
本研究采用预留站点法进行交叉检验,该方法通过比较样本点模拟结果与观测值的接近程度判断模型精度,相对误差评价指标表征模型模拟结果的可靠程度[16]。其中17个站点作为训练样本进行线性回归方程构建,剩余的1个监测站点形成交叉检验数据,用于判断模型精度。判断公式如下：
E = ( S - O ) O × 100 % （2）
式中：E表示相对误差;S表示PM2.5模拟浓度;O表示PM2.5监测浓度。
利用回归方程对非监测点进行空间模拟,即可得到研究区域内任意点PM2.5浓度值。首先建立1000 m格网,以格网中心（共11 007个）为基准建立缓冲区,计算缓冲区内变量值,经标准化处理后将数值代入回归方程得出每个网点的PM2.5预测值。对数据进行正态分布检验,运用克里金插值生成PM2.5浓度分布图。
2.2.2 暴露风险评估方法
人口数量在空间上的分布与污染物浓度分布并不完全一致,PM2.5浓度空间分布无法反映居民真实暴露风险。基于人口加权进行暴露风险评估,可更为合理地反映研究区内PM2.5暴露风险。人口加权大气污染暴露水平（Population-Weighted Exposure Level, PWEI）公式如下[24]：
PWEL = ∑ ( P i × C i ) ∑ P i （3）
式中：i为网格数;Pi为该网格内人口数;Ci为该网格内大气污染物浓度/(μg/m3)。
基于此,本研究以网格为单位,利用栅格计算器计算单个格网人口加权PM2.5浓度值,公式如下：
PWE L i = P i × C i ∑ P i （4）
将环境风险数据和人口数据叠加分析,人口数据空间分辨率为100 m,为与PM2.5浓度分布空间分辨率保持一致,对其重采样调整为1 km。利用栅格计算器计算格网内PM2.5浓度与人口权重的乘积,采用1/2标准差分类法以全时段为基准将得出的人口加权浓度值分为七级,七级为PM2.5暴露风险最高等级,一级为最低等级。一级、二级判定为低暴露风险,三级、四级判定为中暴露风险,五级、六级、七级判定为高暴露风险。

2.3 数据来源

2.3.1 PM2.5监测数据
PM2.5监测数据来源于广东省环境信息综合发布平台,平台监测因子包括SO2、NO2、O3、PM10、PM2.5、CO。广州市、佛山市监测站点共24个,剔除数据不完整站点,剩余18个监测站点分布情况如图1所示。PM2.5的高时间分辨率数据较难获取,其中2013、2014年的数据较为齐全,因此本研究选取2013年12月1日-2014年2月8日（冬季）PM2.5监测数据,基于各站点监测的逐小时浓度数据求得24 h平均浓度,再以14天为一周期求各时段内平均浓度。
Fig. 1 Distribution of state controlling monitoring sites in Guangzhou and Foshan

图1 广东省广佛地区国控空气质量监测站点分布

2.3.2 建成区环境数据
（1） 土地利用
土地利用数据为2010年FROM-GLC（Finer Resolution Observation and Monitoring of Global Land Cover）数据,由清华大学地球系统科学研究中心依据Landsat TM和ETM+影像制作而成①(http://data.ess.tsinghua.edu.cn。),空间分辨率为30 m。用地类型共分为8类,分别是耕地、林地、草地、灌丛、水域、不透水面、裸地、冰雪覆盖地。综合考虑土地利用类型数量及土地利用回归模型变量设置,本研究将其划分为植被、水体、不透水面和其他,其中林地、草地、灌丛、耕地归为植被。
（2） 道路交通
道路数据为2016年GEOFBRIK依据OpenStreetMap计划中的开放数据制作而成②(http://www.geofabrik.de/index.html。),道路类型包括主干道、一级公路、二级公路、三级公路、人行道等。综合考虑土地利用回归模型变量设置,本研究提取广佛都市区主干道、一级公路、二级公路和三级公路表征道路交通情况。
2.3.3 人口数据
人口数据为2010 World Pop栅格数据③(http://www.worldpop.org.uk。),World Pop项目构建了基于2010年中国人口普查数据的随机森林模型以反演人口数目。人口数据集基于2010年人口普查数据制作,因此2010年人口数据相较其他年份精度更高。数据空间分辨率为100 m,每个像素点数值表示该范围内的人口数。
2.3.4 气象数据
气象数据来自广东省气候中心,广佛都市区可用气象站点共378个。监测要素包括风速、气温、降水量3类,时间分辨率为逐小时。本研究选取2013年12月1日-2014年2月8日（冬季）风速、气温和降水数据,以24 h为单位分别统计各站点日平均风速、日平均气温及日降水量,再以14 d为周期计算各时段内平均风速、平均气温及平均降水,最后运用克里金插值得到每组风速、气温、降水量分布面,提取对应点气象数据值。

3 结果及分析

3.1 LUR建模

3.1.1 模型自变量生成
在18个监测站点分别建立100、200、300、500、1000、1200、1500 m缓冲区,计算缓冲区内各土地利用类型面积以及各类道路长度,共64个地理要素变量。根据监测站点2013年12月1日-2014年2月8日每小时浓度数据,计算出各站点平均浓度。本研究采用SPSS双变量相关分析工具,分别分析监测站点64个地理要素特征变量与PM2.5浓度的相关性（表1）。
Tab.1 Correlations between the geographical variables and PM2.5 concentration in monitoring sites

表1 监测站点地理要素特征变量与PM2.5浓度的相关性

自变量 Pearson相关系数 自变量 Pearson相关系数
植被_50 m(x1) -0.198 主干道长度_50 m(x33) -
植被_100 m(x2) -0.301 主干道长度_100 m(x34) -
植被_200 m(x3) -0.323 主干道长度_200 m(x35) 0.183
植被_300 m(x4) -0.344 主干道长度_300 m(x36) 0.175
植被_500 m(x5) -0.292 主干道长度_500 m(x37) 0.221
植被_1000 m(x6) -0.379 主干道长度_1000 m(x38) 0.247
植被_1200 m(x7) -0.392 主干道长度_1200 m(x39) 0.297
植被_1500 m(x8) -0.416 主干道长度_1500 m(x40) 0.292
水体_50 m(x9) - 一级公路长度_50 m(x41) -0.047
水体_100 m(x10) - 一级公路长度_100 m(x42) -0.047
水体_200 m(x11) -0.123 一级公路长度_200 m(x43) -0.032
水体_300 m(x12) -0.112 一级公路长度_300 m(x44) -0.023
水体_500 m(x13) -0.078 一级公路长度_500 m(x45) -0.054
水体_1000 m(x14) -0.181 一级公路长度_1000 m(x46) -0.033
水体_1200 m(x15) -0.388 一级公路长度_1200 m(x47) -0.036
水体_1500 m(x16) -0.482 一级公路长度_1500 m(x48) -0.002
不透水面_50 m(x17) 0.329 二级公路长度_50 m(x49) 0.164
不透水面_100 m(x18) 0.356 二级公路长度_100 m(x50) 0.164
不透水面_200 m(x19) 0.337 二级公路长度_200 m(x51) 0.644**
不透水面_300 m(x20) 0.366 二级公路长度_300 m(x52) 0.333
不透水面_500 m(x21) 0.410 二级公路长度_500 m(x53) 0.107
不透水面_1000 m(x22) 0.492 二级公路长度_1000 m(x54) -0.053
不透水面_1200 m(x23) 0.510 二级公路长度_1200 m(x55) -0.108
不透水面_1500 m(x24) 0.597* 二级公路长度_1500 m(x56) 0.038
道路总长度_50 m(x25) 0.133 三级公路长度_50 m(x57) -0.132
道路总长度_100 m(x26) -0.127 三级公路长度_100 m(x58) -0.332
道路总长度_200 m(x27) 0.076 三级公路长度_200 m(x59) -0.444
道路总长度_300 m(x28) 0.076 三级公路长度_300 m(x60) -0.300
道路总长度_500 m(x29) 0.278 三级公路长度_500 m(x61) -0.150
道路总长度_1000 m(x30) 0.319 三级公路长度_1000 m(x62) -0.092
道路总长度_1200 m(x31) 0.347 三级公路长度_1200 m(x63) -0.046
道路总长度_1500 m(x32) 0.418 三级公路长度_1500 m(x64) -0.127

注：**相关性在0.01层上显著;*相关性在0.05层上显著;样本量n=18。监测站点缓冲区内x9, x10, x33, x34变量多为零值,因此无相关性分析结果。

通过对比同一地理要素下特征变量与PM2.5浓度之间的相关性,可发现各地理特征变量具有空间尺度效应。如水体面积、植被面积与PM2.5浓度呈负相关关系,均在1500 m处达到最强相关性;不透水面面积与PM2.5呈正相关关系,在1500 m处达到最强相关性。相关性分析结果如表2所示,各子类中相关性最高的变量分别为：1500 m范围内植被面积、1500 m范围内水体面积、1500 m范围内不透水面面积、1500 m范围内道路总长、1200 m范围内主干道长度、500 m范围内一级公路长度、200 m范围内二级公路长度、200 m范围内三级公路长度。
Tab. 2 Buffer radius of geographical variables that associated most strongly with PM2.5 in each subclass

表2 地理要素特征变量各子类中与PM2.5相关性最强的缓冲区范围

子类 植被 水体 不透水面 道路总长 主干道 一级公路 二级公路 三级公路
缓冲区范围/m 1500 1500 1500 1500 1200 500 200 200
R -0.416 -0.482 0.597 0.418 0.297 -0.054 0.644 -0.444
回归模型变量由土地利用变量、道路变量和气象要素变量共同组成,气象要素通过插值得到,需进行插值精度检验判断不同像元大小对模型的影响。运用克里金插值生成全时段气象要素面,设置像元大小为30、50、100、200、300、500、1000 m并提取对应点气象数据值。以全时段监测站点PM2.5浓度为因变量,相关性分析中识别出的变量和气象要素为自变量进行线性回归,线性回归结果显示插值像元为1000 m时回归模型精度最高（R2=0.926）,确定气象要素最优插值像元大小为1000 m（表3）。以1000 m为插值精度对5个时段气象要素进行插值,提取各时段对应点的风速、气温、降水量数值。
Tab. 3 Regression R2 at different Kriging interpolation grain sizes

表3 克里金插值像元大小对应回归模型精度

像元大小/m 30 50 100 200 300 500 1000
R2 0.924 0.924 0.924 0.915 0.920 0.920 0.926
以气象要素作为控制变量,对地理要素变量和PM2.5浓度进行偏相关分析,考察去除气象要素后地理要素变量与PM2.5之间的关系（表4）。结果显示,不同特征变量对PM2.5浓度的影响方向不同,土地利用变量正负相关性与先验假定一致,1500 m缓冲区内植被、水体面积比重与PM2.5浓度呈负相关,1500 m缓冲区内不透水面面积比重与PM2.5浓度呈正相关。表征城市道路交通情况的1500 m缓冲区内道路总长、1200 m缓冲区内主干道长度、500 m缓冲区内一级公路长度、200 m缓冲区内二级公路长度与PM2.5浓度呈正相关,正负相关性与先验假定一致;200 m缓冲区内三级公路长度与PM2.5浓度呈负相关,该结果与三级公路分布有关,在三级公路集中区域,主干道、一级公路和二级公路分布较少,距离主污染源较远。
Tab. 4 Correlations between the geographical variables and PM2.5 concentration based on partial correlation analysis in Guangzhou-Foshan metropolitan area from December 1, 2013 to February 8, 2014

表4 2013年12月1日-2014年2月8日广佛都市区地理要素与PM2.5浓度偏相关分析

变量 植被
(1500 m)		 水体
(1500 m)		 不透水面(1500 m) 道路总长(1500 m) 主干道
(1200 m)		 一级公路(500 m) 二级公路(200 m) 三级公路
(200 m)
R -0.465 -0.297 0.648 0.542 0.345 0.206 0.282 -0.395

注：（）内为缓冲区半径长度,土地利用变量表示各土地利用类型在缓冲区内面积占比,道路交通变量表示各道路类型在缓冲区内道路长度。

3.1.2 多元线性回归与检验
对自变量进行标准化,其中包括相关分析识别出的土地利用和道路交通变量（x8, x16, x24, x32, x39, x45, x51, x59）,以及14 d平均风速、平均气温、平均日降水（x65, x66, x67）。因变量为PM2.5平均浓度,以14 d为周期构建5个时段多元线性回归方程,各模型基本情况如表5所示。从表中可以看出方程拟合情况良好,5个时段方程R2值均大于0.78。
Tab. 5 Multivariable linear regression equations and its R2 from December 1, 2013 to February 8, 2014

表5 2013年12月1日-2014年2月8日多元线性回归方程及模型精度

时段 回归方程 R2
时段一 Y=3.876x8+19.372x16+29.967x24+42.788x26-34.143x37-50.086x44+93.066x53-38.663x59 +27.562x65-11.11x66-42.257x67+89.081 0.825
时段二 Y=15.052x8+48.009x16+9.022x24+22.677x26-17.731x37-26.441x44+104.565x53-31.973x59 +5.38x65-5.463x66-21.818x67+66.51 0.786
时段三 Y=48.153x8+28.691x16+37.224x24+63.619x26-27.226x37+37.04x44+22.141x53-70.281x59 -38.965x65-38.5x66-24.872x67+87.678 0.892
时段四 Y=43.816x8+25.451x16+25.249x24+30.497x26-6.236x37+15.35x44+40.895x53-47.251x59 -7.594x65-47.62x66-52.629x67+82.223 0.813
时段五 Y=20.882x8+3.161x16+17.805x24-33.023x26+7.659x37+45.987x44-33.884x53-42.567x59-15.06x65+0.173x66-74.48x67+85.962 0.913
广雅中学站点与市监测站点距离小于3000 m（图2）,最外环缓冲区有交叉,对模型构建影响较小,因此被选为预留检验站点。将各时段广雅中学PM2.5模拟与实际监测值进行对比,检验点相对误差介于0.7%~6.6%,模型平均误差率为3.1%（表6）。
Fig. 2 Types of the monitoring sites within the Guangzhou-Foshan metropolitan area

图2 广佛都市区内监测站点类别

Tab. 6 Accuracy of the PM2.5 concentration modeling results in checkpoint （Guangdong Guangya high school） from December 1, 2013 to February 8, 2014

表6 2013年12月1日-2014年2月8日检验点广雅中学PM2.5浓度拟合结果

时段一 时段二 时段三 时段四 时段五 平均
PM2.5监测值 117.37 79.19 109.49 84.74 66.71 91.50
PM2.5模拟值 112.68 77.54 111.67 90.37 66.66 91.78
误差率/% 4.00 2.10 2.00 6.60 0.70 3.10
以研究区几何中心20000 m缓冲区内监测站 点为中心站点,缓冲区以外监测站点为外围站点（图2）。将各时段站点PM2.5模拟与实际监测值进行对比,中心站点相对误差介于6.6%~11.9%,平均误差率为9.7%;外围站点相对误差介于7.8%~18.2%,平均误差率为12.2%。外围站点误差率略高于中心站点,与中心站点相比外围站点分布较为稀疏,监测站点的数量在一定程度上会影响模型误差率（表7）。
Tab. 7 PM2.5 concentration modeling error rates at core and periphery monitor sites in Guangzhou-Foshan metropolitan area from December 1, 2013 to February 8, 2014 (%)

表7 2013年12月1日-2014年2月8日广佛都市区中心及外围监测站点PM2.5浓度拟合误差率

时段一 时段二 时段三 时段四 时段五 平均
中心监测点 11.2 9.0 9.6 11.9 6.6 9.7
外围监测点 13.4 18.2 7.8 8.4 13.0 12.2

3.2 PM2.5空间分布制图

参考中国环境空气质量标准[2],冬季广佛都市区PM2.5浓度高于二级浓度限值,5个时段平均PM2.5浓度值为79.67 μg/m3（表8）,属于轻度污染。时段三PM2.5浓度值最高,达到97.91 μg/m3,属于轻度污染,时段五最低,浓度值为53.40 μg/m3,属于良好。时段一、二、三、四广佛都市区全域PM2.5浓度均超过WHO空气质量准则中24 h PM2.5健康浓度标准,全时段PM2.5浓度超标面积占比达99.8%（表8）。
Table 8 Mean modeled PM2.5 concentration of the Guangzhou-Foshan metropolitan area and percentage of areas where PM2.5 concentration exceeded the WHO standard, from December 1, 2013 to February 8, 2014

表8 2013年12月1日-2014年2月8日广佛都市区PM2.5浓度模拟平均值及超WHO标准面积占比

时段一 时段二 时段三 时段四 时段五 平均
PM2.5平均值 95.13 71.19 97.91 80.69 53.40 79.67
面积比/% 100 100 100 100 99.10 99.80
广佛都市区PM2.5浓度分布具有空间异质性,不同时段内呈现不同特征（图3）。时段一、三总体呈现中间区域浓度高,西北部及东南部小范围区域浓度低的分布趋势。时段一最高值达170 μg/m3,时段三最高值达145 μg/m3,低值区浓度介于70~95 μg/m3之间。时段二、四、五PM2.5浓度空间分布较为零散,时段二高值散布于低值区中,时段四北部边缘区以及西部浓度模拟值较高,其浓度介于90~110 μg/m3之间,时段五整体呈现均匀分布,东北部边缘区浓度模拟值较高,浓度介于75~100 μg/m3之间。5个时段广佛都市区PM2.5模拟平均结果显示,禅城区、天河区、南海区及花都区北部为浓度高值区,番禺区、顺德区、黄埔区为浓度低值区。
Fig. 3 Simulation of PM2.5 concentration in the Guangzhou-Foshan metropolitan area from December 1, 2013 to February 8, 2014

图3 2013年12月1日-2014年2月8日广佛都市区PM2.5浓度模拟

3.3 暴露风险评估

结果显示,耦合人口加权模型前后,广佛都市区PM2.5暴露高风险区域的空间分布存在差异,LUR的PM2.5模拟浓度高值区与人口加权后的暴露风险高值区不重合,暴露风险高值区分布较为集中（图4）。
Fig. 4 PM2.5 Exposure risk in the Guangzhou-Foshan metropolitan area from December 1, 2013 to February 8, 2014

图4 2013年12月1日-2014年2月8日广佛都市区PM2.5暴露风险

第一时段高暴露风险占比在5个时段内最高,第五时段高暴露风险占比在5个时段内最低（图5（a））。广州市越秀区全时段高暴露风险区占比均大于95%;荔湾区时段一、三高暴露风险区占比大于80%;海珠区全时段高暴露风险区占比均大于60%;天河区全时段高暴露风险区占比均大于40%;白云区南部暴露风险较高,但高暴露风险区比例低于20%;番禺区、花都区全时段内处于暴露风险中低等级。佛山市禅城区时段一、三高暴露风险区占比大于40%;顺德区、南海区全时段内大部分区域处于暴露风险中低等级;三水区全时段内均处于暴露风险最低等级（图5（b））。因此广佛都市区人口加权暴露风险存在2个高值中心,分别位于广州市和佛山市的主城区。包括广州市越秀区、荔湾区、海珠区、天河区、白云区南部,以及佛山市禅城区和南海区南部。
Fig. 5 Exposure risk statistics in each district of the Guangzhou-Foshan metropolitan area from December 1, 2013 to February 8, 2014

图5 2013年12月1日-2014年2月8日广佛都市区各行政区暴露风险统计

4 结论与讨论

4.1 结论

本研究利用PM2.5监测数据、土地利用数据、道路交通数据、气象数据以及人口数据,建立针对广佛都市区2013年12月1日-2014年2月8日较短时间尺度动态LUR模型,并基于人口加权评估广佛都市区冬季PM2.5暴露风险,得出以下主要结论：
（1） 土地利用回归模型能够较好地反映研究区域内PM2.5的空间分布特征,精度从判定系数（R2 = 0.786~0.913）来看拟合效果良好,检验点平均误差为3.1%。
（2） 2013年12月1日-2014年2月8日,广佛都市区PM2.5浓度平均值呈现波动变化趋势,最高浓度为97.91 μg/m3（12月29日-1月11日）,最低浓度为53.40 μg/m3（1月26日-2月8日）。广佛都市区PM2.5存在空间分布差异性,其高值区分别位于广州市天河区、越秀区、番禺区北部、花都区北部及佛山市禅城区、南海区中部、三水区中部,低值区主要位于广州市白云区、番禺区东南部及佛山市顺德区南部。
（3） 人口加权暴露风险存在2个高值中心,分别位于广州市和佛山市的主城区。相较于单独使用LUR模型,耦合人口加权模型后,广佛都市区PM2.5暴露高风险区空间分布发生变化,由零散分布变为城市核心区集聚。
（4） 使用LUR可模拟大气污染物浓度空间分布,但由于人口数量在空间上的分布与污染物浓度分布具有差异性,模型模拟结果无法反映居民真实暴露风险。耦合人口加权模型后弥补了人口分布与污染物分布组合的不确定性,可更为合理地反映人群暴露情况。

4.2 讨论

本研究通过识别出与PM2.5相关性较高的地理变量,构建广佛都市区LUR模型,得到广佛都市区冬季高空间分辨率的PM2.5浓度分布。LUR模型拟合效果良好（R2 = 0.786-0.913）,模型精度与国内学者研究相近[20,21,22,23],利用LUR反演PM2.5浓度空间分布方法可行。而国内区域的LUR模型PM2.5反演大多为长时间尺度[20,21,22,23],本研究以两周为时间分辨率,可反映PM2.5浓度冬季期间的动态变化。
LUR模拟结果显示广佛都市区2013年12月1日-2014年2月8日期间PM2.5平均浓度为79.67 μg/m3,高于中国环境空气质量标准二级浓度限值[2]。有研究表明,珠江三角洲冬季气象条件不利于扩散,污染物浓度偏高[27],LUR模拟结果符合广佛PM2.5季节分布特征。此外,广佛都市区空气污染物来源多是内在产生,即由广州、佛山本地的生产生活排放,外地输入性污染物所占比重较小,这可能是由于广佛都市区工业较为集中,人口较密集,能源消耗量大且主要消耗能源为煤炭[28],如学者胡晓宇等[29]研究发现,广州市、佛山市等地是珠三角地区空气污染物重要贡献区域。基于前人研究结果,外源性污染物输入并未作为输入变量纳入LUR模型,而是集中于本地排放污染物及影响因素的探讨。
国内学者多运用LUR模型进行污染物空间分布模拟[5,20-23],但污染物浓度与人口在空间分布上存在显著差异,仅依靠污染物浓度模拟难以进行群体暴露风险评估。背景人口值是空间流行病学中的必要考虑因素,不同的空气污染物浓度与人口密度组合产生不同等级的暴露风险。耦合人口加权模型前后,广佛都市区PM2.5暴露高风险区域的空间分布存在差异,LUR的PM2.5模拟浓度高值区与人口加权后的暴露风险高值区不重合,LUR所模拟的PM2.5浓度高值区空间分布较为零散,耦合人口加权后暴露风险高值区则集中于广州市及佛山市的主城区（图3、图4）。基于人口加权进行暴露风险评估,可更为合理地反映研究区内PM2.5暴露风险。耦合人口加权的LUR模型除了为空气污染暴露评估提供支撑数据外,还可为空气污染浓度监测站点的设定提供依据,以世界卫生组织空气质量准则为参考,当24 h PM2.5暴露浓度大于75 μg/m3时,人群空气污染健康风险较高[1],结合LUR模型反演结果,在此区域内可增加污染监测站点数量,并提高风险预警频率,以降低人群空气污染健康风险程度。
本研究的局限性在于监测数据不足以及人口数据缺乏动态性。监测站点数量不足在一定程度上影响模型精度,在研究区边缘容易产生较大误差。居民活动具有不确定性,人口公里网格数据属于静态数据无法表征人群动态变化。进一步提升PM2.5真实人群暴露风险评估及预警能力,需要结合高分辨率人口空间分布数据。手机信令、微博签到等社交媒体数据可反映人群实时移动轨迹,因此可将该类数据引入PM2.5暴露风险模型,结合人口流动和污染物情况进行暴露风险动态监测和评估。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
Organization W H, Unaids. Air quality guidelines: Global update 2005[M]. Geneva: World Health Organization, 2006.

[2]
中国环境科学研究院.环境空气质量标准[M].北京:中国环境科学出版社,2012.

[Technical guideline for population exposure assessment of environmental pollutant[M]. Beijing: China Environmental Science Press, 2012. ]

[3]
Zhang Y-L, Cao F.Fine particulate matter PM2.5 in China at a city level[J]. Scientific Reports, 2015,5:14884.

[4]
Rd P C, Dw D.Health effects of fine particulate air pollution: lines that connect[J]. Air Repair, 2006,56(10):1368-1380.

[5]
符立伟,郭秀锐.国内空气污染暴露水平评价方法研究进展[J].环境科学与技术,2015,38(12Q):226-230.

[ Fu L W, Guo X R.A review of air pollution exposure estimation methods in China[J]. Environmental Science & Technology, 2015,38(12Q):226-230. ]

[6]
Maantay J A, Mclafferty S.Geospatial analysis of environmental health[M]. Dordrecht: Springer Science & Business Media, 2011.

[7]
Jerrett M, Arain A, Kanaroglou P, et al.A review and evaluation of intraurban air pollution exposure models[J]. Journal of Exposure Science and Environmental Epidemiology, 2005,15(2):185-204.

[8]
Im U, Markakis K, Unal A, et al.Study of a winter PM episode in Istanbul using the high resolution WRF/CMAQ modeling system[J]. Atmospheric Environment, 2010,44(26):3085-3094.

DOI

[9]
Van Vliet P, Knape M, De Hartog J, et al.Motor vehicle exhaust and chronic respiratory symptoms in children living near freeways[J]. Environmental Research, 1997,74(2):122-132.

DOI

[10]
Wilkinson P, Elliott P, Grundy C, et al.Case-control study of hospital admission with asthma in children aged 5-14 years: Relation with road traffic in north west London[J]. Thorax, 1999,54(12):1070-1074.

DOI

[11]
Hoek G, Beelen R, Hoogh K D, et al.A review of land-use regression models to assess spatial variation of outdoor air pollution[J]. Atmospheric Environment, 2008,42(33):7561-7578.

DOI

[12]
Meng X, Chen L, Cai J, et al.A land use regression model for estimating the NO2 concentration in shanghai, China[J]. Environmental Research, 2015,137:308-315.

DOI

[13]
Huang K, Xiao Q, Meng X, et al.Predicting monthly high-resolution PM2.5 concentrations with random forest model in the North China Plain[J]. Environmental Pollution, 2018,242(Pt A): 675.

DOI

[14]
李昕. 基于MODIS的AOD反演与PM2.5时空变化分析与监测[D].泰安:山东农业大学,2017.

[Li X.MODIS AOD retrieval and analysis and monitoring for spatial-temporal variation of PM2.5[D]. Tai'an: Shandong agricultural university, 2017.]

[15]
Briggs D J, Collins S, Elliott P, et al.Mapping urban air pollution using GIS: A regression-based approach[J]. International Journal of Geographical Information Systems, 1997,11(7):699-718.

DOI

[16]
罗艳青. PM2.5浓度土地利用回归建模关键问题研究[D].长沙:中南大学,2014.

[ Luo Y Q.Critical issues in Land Use Regression modeling of PM2.5 concentration.[D] Changsha: Central South University, 2014. ]

[17]
Ross Z, English P B, Scalf R, et al.Nitrogen dioxide prediction in Southern California using land use regression modeling: Potential for environmental health analyses[J]. Journal of Exposure Science and Environmental Epidemiology, 2006,16(2):106.

[18]
Brauer M, Hoek G, Van Vliet P, et al.Estimating long-term average particulate air pollution concentrations: Application of traffic indicators and geographic information systems[J]. Epidemiology, 2003,14(2):228-239.

[19]
Henderson S B, Beckerman B, Jerrett M, et al.Application of land use regression to estimate long-term concentrations of traffic-related nitrogen oxides and fine particulate matter[J]. Environmental science & technology, 2007,41(7):2422-2428.

[20]
吴健生,廖星,彭建,等.重庆市PM2.5浓度空间分异模拟及影响因子[J].环境科学,2015,36(3):759-767.

[ Wu J S, Liao X, Peng J, et al.Simulation and influencing factors of spatial distribution of PM2.5 concentrations in Chongqing[J]. Environmental Science, 2015,36(3):759-767. ]

[21]
陈莉,白志鹏,苏笛,等.利用LUR模型模拟天津市大气污染物浓度的空间分布[J].中国环境科学,2009,29(7):685-691.针对传统监测方法无法满足对大气污染物空间分布高分辨率的要求,以Arcgis为平台,利用LUR模型模拟天津市PM10和NO2年均浓度的空间分布.选取的回归变量为1~4km半径缓冲区内的道路总长度、不同土地利用类型的面积、人口密度、风向指数及距海距离,选取3个监测点的监测数据对方程进行了验证.结果表明,对PM10年均浓度影响最大的因素是缓冲区为1km的道路总长度(R2为0.560),而对NO2年均浓度影响最大的因素是人口密度(R2为0.414).多元线性回归方程计算结果显示,PM10和NO2的R2分别达到0.946和0.691;如果考虑风向的影响,R2可分别提高到0.980和0.849.对天津市中心城区建立5km′5km网格嵌套,根据多元线性回归方程计算每个网格交点的污染物浓度模拟值.通过kriging插值得到2种污染物在天津市中心城区的空间模拟分布图.PM10年均浓度分布以研究区中心最高,向四周逐渐降低;NO2的年均浓度以研究区中心最低,向四周逐渐升高.模拟结果与实际情况相符.

[ Chen L, Bai Z P, Su D, et al.Application of land use regression to simulate ambient air PM10 and NO2 concentration in Tianjin City[J]. China Environmental Science, 2009,29(7):685-691. ]

[22]
汉瑞英,陈健,王彬.利用LUR模型模拟杭州市PM2.5质量浓度空间分布[J].环境科学学报,2016,36(9):3379-3385.模拟城市大气污染物浓度空间分布对研究城市空气质量及人体健康至关重要.本研究利用土地利用回归模型（Land Use Regression，LUR），提取包括污染点源因子、交通因子、人口因子、土地利用因子和气象因子等60个预测因子，基于地理加权算法（GWR）建立春、夏、秋、冬四个季节的模型，实现对杭州地区近地表PM<sub>2.5</sub>质量浓度空间分布的预测.结果表明：基于地理加权回归算法时，检验模型的<i>R</i><sup>2</sup>值分别达到0.76（春季）、0.70（夏季）、0.73（秋季）、 0.76（冬季），模型能够解释PM<sub>2.5</sub> 浓度值80%以上的变异.每个季度杭州地区PM<sub>2.5</sub> 浓度变化不尽相同，但总体以杭州中部最高，西南部偏低.研究说明基于LUR模型模拟大尺度地区PM<sub>2.5</sub>质量浓度空间分布是可行的.

[ Han R Y, Chen J, Wang B.Application of LUR models for simulating the spatial distribution of PM2.5 concentration in Hangzhou, China[J]. Acta Science Circumstantiae, 2016,32(8):3379-3385.]

[23]
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.基于稀疏监测点的监测数据无法直接获取城市内部空气污染的高分辨率空间分布。以武汉市为例,研究了基于土地利用回归(landuseregression,LUR)模型的大气PM2.5浓度高分辨率空间分布模拟。采用双变量相关分析识别出与PM2.5浓度相关性最高的4个影响因子,分别是1000m缓冲区内道路长度,500m缓冲区内水域面积,500m缓冲区内建设用地面积以及工业污染影响。采用PM2.5月平均浓度和识别出的影响因子连同气象条件(月平均温度和月降水量)进行多元线性回归分析,相关系数R2达到0.905,调整后的R2为0.885。在研究区建立均匀格网(2km×2km),利用得到的LUR方程计算格点PM2.5浓度值,应用空间插值制成武汉市主城区夏季PM2.5浓度空间分布模拟图。模拟结果显示,主城区有三个PM2.5浓度高值中心,分别为青山工业区、江北工业区和汉口汉西建材市场区域。汉阳南部、武昌南部的大型湖泊和水域面积比例较大的区域表现为两个PM2.5浓度低值中心。

DOI

[ 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. ]

[24]
伏晴艳,阚海东.城市大气污染健康危险度评价的方法第四讲大气污染的暴露评价第二节大气扩散模型及人口加权的大气污染暴露评价(续四)[J].环境与健康杂志,2004,21(6):414-416.

[ Fu Q Y, Kan H D.Methods for health risk assessment of urban air pollution, unit 4: Air pollution exposure assessment, section 2: Dispersion model and population-weighted air pollution exposure assessment[J]. Journal of Environment and Health, 2004,21(6):414-416. ]

[25]
Hixson M, Mahmud A, Hu J, et al.Influence of regional development policies and clean technology adoption on future air pollution exposure[J]. Atmospheric Environment, 2010,44(4):552-562.

DOI

[26]
Chen G, Li J, Ying Q, et al. Evaluation of observation-fused regional air quality model results for population air pollution exposure estimation[J]. Science of the Total Environment, 2014,485-486(1):563-574.

[27]
徐伟嘉,何芳芳,李红霞,等.珠三角区域PM2.5时空变异特征[J].环境科学研究. 2014,27(9):951-957.

[ Xu J W, He F F, Li H X, et al.Spatial and temporal variations of PM2.5 in the Pearl River Delta[J]. Research of Environmental Sciences, 2014,27(9):951-957. ]

[28]
郑君瑜,张礼俊,钟流举,等.珠江三角洲大气面源排放清单及空间分布特征[J].中国环境科学,2009,29(5):455-460.估算了珠江三角洲地区2006年大气面源污染物的排放清单,并利用2006年珠江三角洲人口分布栅格数据作为代用空间分配权重因子,建立了该地区大气面源3km′3km的SO2、NOx、PM10和VOC网格化排放清单.结果表明,2006年珠江三角洲大气面源排放的SO2为1.12′105 t, NOx为5.25′104 t, PM10为1.6′105 t, VOC为3.14′105 t.SO2、NOx和PM10排放量较大的区域集中在广州市区、佛山、东莞和中山,而VOC排放量较大的区域位于广州市区、东莞和深圳.

[ Zheng J Y, Zhang L J, Zhong L J, et al.Area source emission inventory of air pollutant and its spatial distribution characteristics in Pearl River Delta[J]. China Environmental Science, 2009,29(5):455-460. ]

[29]
胡晓宇,李云鹏,李金凤,等.珠江三角洲城市群PM10的相互影响研究[J].北京大学学报:自然科学版,2011,47(3):519-524.

[ Hu X Y, Li Y P, Li J F, et al.Interaction of Ambient PM10 among the Cities over the Pearl River Delta[J]. Acta Scientiarum Naturalium Universitatis Pekinensis, 2011,47(3):519-524. ]

Options
Outlines

/

〈 〉