湘江流域2013-2018年PM2.5质量浓度时空变化分析

熊立伟

摘要：目前PM_2.5已成为大气首要污染物，湘江流域是湖南省经济社会发展的核心区域，人口密集，空气污染问题日益严重，本文以湘江流域空气质量监测站点PM_2.5浓度观测值、AOD、降水为主要数据源，通过BP神经网络模型对2013-2018年湘江流域PM_2.5质量浓度进行了时空模拟与分析，研究结果表明：(1)湘江流域2013-2018年多年季均PM_2.5浓度变化规律为冬季>秋季>春季>夏季；(2)2013-2018年PM_2.5年均浓度变化总体上呈降低趋势，由2013的72.89μg/m³下降到2018年的55.06μg/m³，下降幅度达24.46%；(3)湘江流域2013-2018年PM_2.5多年平均浓度高值区主要分布在长株潭主城区、岳阳北部、邵阳东北部、衡阳中部地区，低值区主要分布于邵阳西南部、永州南部、郴州东南部、株洲南部地区。

关键词：气溶胶光学厚度；PM_2.5；BP神经网络；湘江流域

1 引言

随着工业化发展和城市化进程的加快，各种大气污染物排放增加，大气环境问题日益严重，严重影响人们的出行、生活和健康。大气污染的重要组成部分是可吸入颗粒物，根据颗粒物的粒径大小可以分为总悬浮颗粒物（TSP）、粗颗粒物（PM₁₀）和细颗粒物（PM_2.5）。TSP是指空气动力学直径小于 100μm 的颗粒物，PM₁₀为空气动力学直径小于 10μm 的颗粒物，PM_2.5是指空气动力学直径小于2.5μm 的颗粒物，又称为可吸入肺颗粒物。与PM₁₀相比，PM_2.5的粒径更小，能在大气中长时间停留和远距离传输，因而对大气环境质量的影响更大^[1]。国内外学者已经在PM_2.5的元素组成^[2] 、来源分析、健康效应^[3]等方面取得了卓有成效的研究成果；同时也从土地利用^[4]、气象因素^[5]、植被覆盖^[6]等方面，探究了不同因子对PM_2.5浓度值的影响。自2012年底以来，我国已建立覆盖全国338个地级以上城市的1436个国家级空气质量监测站点网络，并定期公布监测数据。然而PM_2.5地面监测网络短时间内不可能做到覆盖中国的全部地区，尤其是广大农村地区，而只能覆盖主要城市区域，其站点布局存在空间分布不均匀的特征。湘江流域作为湖南省经济发展的核心区域，近年来工业化快速发展，人口密集，空气污染问题日益严重，因此，本文以湘江流域作为研究区，把AOD与降水作为影响因子，基于有限的样本数据，利用BP神经网络模型对湘江流域2013 -2018年PM_2.5质量浓度的时空分布进行了模拟，揭示了其时空变化规律。

2 数据来源及处理

（1）MODIS气溶胶光学厚度产品

气溶胶光学厚度（Aerosol Optical Depth，AOD），定义为介质的消光系数在垂直方向上的积分。目前MODIS AOD产品被广泛应用于PM_2.5质量浓度的预测。本文采用的AOD数据为TERRA卫星反演的2013-2018年MODIS气溶胶产品逐日数据，分辨率为1km，其过境时间为上午10:30左右，该数据可从美国航空航天局官网下载，下载地址为：https://ladsweb.modaps.eosdis.nasa.gov/search/。本文通过MATLAB对AOD数据进行处理，得到AOD的季均值及年均值。

（2）PM_2.5数据处理

本文使用中国环境监测总站发布的2013-2018年PM_2.5逐时浓度数据，研究区内共有55个站点，其分布如图1所示，通过C#编程计算出日均浓度，进而求得PM_2.5季均浓度和年均浓度。在整理数据过程中，若出现数据过大或0值均舍弃，若某日内采集有效数据少于8条，则当日数据摒弃；若某月采集有效数据天数少于10天，则当月数据摒弃；若某季节采集有效数据不足两个月，则该季节不参与建模。因2013年及2018年冬季数据不完整，故对2013年及2018年冬季不做分析。

（3）降水数据处理

本文通过国家气象局共享平台获取降水原始数据，研究区内共有20个气象站点，其分布如图1所示，先计算出降水日均值，进而求得季均值和年均值。在数据整理过程中对于过大或0值数据均舍弃，若某日内采集有效数据少于8条，则当日数据摒弃；若某月有效数据天数少于10天，则当月数据摒弃；若某季节采集有效数据不足两个月，则当前季节不参与建模。

图1 湘江流域空气质量监测站点与气象监测站点分布图

3 BP神经网络模型原理

BP神经网络（Back Propagation）由McCelland和Rumelhart为首的研究小组在1986年提出，本质上是一种通过误差逆向传播算法进行训练的多层前馈网络，其强大之处在于不需要事先准备好描述某种映射关系的数学方程函数便可存储和学习大量的映射关系，BP神经网络具有较强的非线性映射能力、自学习和自适应能力、泛华能力以及一定的容错能力，是应用最为广泛的神经网络模型之一，也是重多网络模型的基础。BP神经网络基本结构由三层构成，分别是输入层( input layer) 、隐含层( hidden layer) 和输出层( output layer)，BP神经网络拓扑结构如图2所示。

图2 BP神经网络拓扑结构

图2中 X₁，X₂，…，X_n 为输入量，Y₁，…，Y_m 为输出量，ω_ij、ω_ik分别为输入层与隐含层、隐含层与输出层之间的连接权值。根据图2可以看出 BP 神经网络可以看成一个非线性的函数，X₁，X₂，…，X_n 为函数的 n 个自变量，Y₁，…，Y_m 为因变量，即表达的是 n 个自变量到 m 个因变量之间的映射关系。

本文使用AOD和降水两个影响因子作为BP神经网络模型输入矩阵进行建模，在训练BP神经网络模型时将训练样本按7:3的比例分成两部分，即大部分数据用于训练，小部分数据用于精度测试，以2015年春季PM_2.5浓度预测为例，其精度验证结果为：模型拟合R²值为0.817，模型拟合平均绝对误差为0.719，验证站点平均绝对误差为0.703，验证站点平均相对误差为1.91%，本文在对2013-2018年湘江流域季均与年均PM_2.5质量浓度的预测时均进行了精度检验，其预留站点的观测值与预测值之间的相对误差均在8%以内，具有较高的可信度。

4 湘江流域PM_2.5质量浓度时空变化分析

4.1 PM_2.5质量浓度季节变化分析

图3为湘江流域2013-2018年春季、夏季、秋季和冬季PM_2.5质量浓度多年季均值空间分布图。通过ArcGIS统计可知，湘江流域2013-2018年春季PM_2.5质量浓度多年季均值范围在49.16μg/m³-67.08μg/m³之间，平均浓度为55.72μg/m³；2013-2018年夏季PM_2.5质量浓度多年季均值范围在31.35μg/m³-44.61μg/m³之间，平均浓度为37.87μg/m³；2013-2018年秋季PM_2.5质量浓度多年季均值范围在41.15μg/m³-92.06μg/m³之间，平均浓度为67.32μg/m³；因2014年1月、2月以及2019年1月、2月PM_2.5的监测数据缺失，故无法计算2013年冬季和2018年冬季PM_2.5质量浓度，因此，只对湘江流域2014-2017年冬季PM_2.5质量浓度多年季均值进行空间分布制图，2014-2017年冬季PM_2.5质量浓度多年季均值范围在63.46μg/m³-112.88μg/m³之间，平均浓度为93.64μg/m³。由此可知，湘江流域2013-2018年PM_2.5平均质量浓度的季节变化规律为冬季>秋季>春季>夏季。

4.2 PM_2.5质量浓度年均变化分析

图4为2013-2018年湘江流域PM_2.5质量浓度年均值变化趋势图，由图4可知2013-2018年近6年期间，湘江流域PM_2.5浓度变化总体呈降低趋势，年均值由2013的72.89μg/m³下降到2018年的55.06μg/m³，下降幅度达24.46%，其中2014-2015年下降尤为明显，下降幅度达到24.68%；2015-2016年，下降幅度为8.36%，有所减缓；随后2016-2017年又呈现小幅增加，2017-2018年再次小幅下降。出现这种变化趋势的主要原因是湖南省委、省政府为治理湘江流域环境污染，先后出台了一系列环境保护规划方案，特别是2013年湖南省委、省政府将湘江流域环境保护作为“重点一号工程”，从源头治理，关停违规排放工厂、加快产业结构转型，禁止焚烧秸秆，大力推广清洁能源的使用，淘汰尾气排放超标的公交车，政府大力宣传环境保护意识，经过几年的治理，湘江流域的大气环境逐步好转。

图3 2013-2018年湘江流域多年季均PM_2.5质量浓度（μg/m³）空间分布：

（a）春季，（b）夏季，（c）秋季，（d）冬季

图4 2013-2018年湘江流域PM_2.5浓度年均值变化趋势图

4.3 PM_2.5质量浓度的空间分布特征

图5为湘江流域2013-2018年多年年均PM_2.5浓度分布，由图5可知PM_2.5浓度最高的地区为长株潭主城区、邵阳东北部，衡阳中部地区PM_2.5浓度也较高，郴州东南部PM_2.5浓度最低，其余地区PM_2.5浓度均较低，2013-2018年多年平均PM_2.5浓度范围为50.03-74.73μg/m³之间，平均值为61.82μg/m³。把图5与湘江流域土地利用/覆盖图进行对比也可以看出PM_2.5质量浓度与土地利用类型有着一定的联系，建设用地周围人类活动、汽车尾气排放以及工业排放使得空气中大气颗粒物浓度上升，使得PM_2.5浓度高于其他地区，例如长株潭主城区；林地上空的 PM_2.5 浓度是最低的，是因为林地本身具有调控和吸附空气中污染物质的功能，例如株洲南部、郴州东南部、永州南部；裸地上空的 PM_2.5 浓度大于绿地和林地上空的 PM_2.5；大面积水体上空PM_2.5浓度也相对较高，主要是因为开阔的水域地带增加了空气湿度，湿度的增加有利于大气污染物的附着^[7]，例如岳阳北部。

图5 2013-2018年湘江流域多年年均PM

_2.5质量浓度分布

5 结论

本文基于2013-2018年AOD数据、地面空气质量监测站点PM_2.5浓度观测值、气象站点降水统计值，利用BP神经网络模型对2013-2018年湘江流域PM_2.5质量浓度进行了时空模拟与分析，研究结果表明：湘江流域2013-2018年多年季均PM_2.5浓度变化规律为冬季>秋季>春季>夏季；2013-2018年PM_2.5年均浓度变化总体上呈降低趋势，PM_2.5多年平均浓度高值区主要分布在长株潭主城区、岳阳北部、邵阳东北部、衡阳中部地区，低值区主要分布于邵阳西南部、永州南部、郴州东南部、株洲南部地区。

参考文献

[1] 马宗伟.基于卫星遥感的我国PM_2.5时空分布研究[D].南京: 南京大学, 2015.

[2] Shaltout A A, Boman J, Shehadeh Z F,et al.Spectroscopic investigation of PM_2.5 collected at industrial, residential and traffic sites in Taif, Saudi Arabia [J].Journal of Aerosol Science, 2015, 79:97-108.

[3] Pui D Y H, Chen S C, Zuo Z L. PM_2.5 in China: Measurements, sources, visibility and health effects, and mitigation [J].Particuology, 2014, 13:1-26.

[4] Wang J, Li X,Jiang N, et al. Long term observations of PM_2.5-associated PAHs: Comparisons between normal and episode days [J]. Atmospheric Environment, 2015, 104:228-236.

[5] Aguilera I, Eeftens M, Meier R,et al. Land use regression models for crustal and traffic-related PM_2.5 constituents in four areas of the SAPALDIA study[J].Environmental Research, 2015, 140:78-85.

[6] 程春英, 尹学博.雾霾之PM_2.5的来源、成分、形成及危害[J].大学化学, 2014, 29(5): 3-8.

[7] 吴和俐.安徽省近15年气溶胶时空分布及AOD与PM_2.5之间的关系研究[D].合肥:安徽农

业大学, 2018.

作者简介：熊立伟（1980-），男，汉族，湖南双峰人，硕士，讲师，主要研究方向为环境遥感应用。