林雨，汪洋,b*

(福建師范大學(xué) a.地理科學(xué)學(xué)院，b.地理研究所，福州 350007)

0 引言

在中國(guó)城市化進(jìn)程中，快速的經(jīng)濟(jì)發(fā)展和日益增加的能源消耗所造成的空氣污染問(wèn)題日趨嚴(yán)重，特別是細(xì)顆粒物污染[1]。對(duì)于福建省來(lái)說(shuō)，細(xì)顆粒污染物的平均濃度相對(duì)較低，但省內(nèi)不同地區(qū)的細(xì)顆粒污染物分布存在明顯的時(shí)空差異。截至2018年，福建省共建設(shè)39個(gè)國(guó)控空氣質(zhì)量監(jiān)測(cè)站，其中有37個(gè)空氣質(zhì)量監(jiān)測(cè)站在使用中。由于監(jiān)測(cè)站數(shù)量十分有限，難以覆蓋整個(gè)城市或全省范圍，且大多數(shù)站點(diǎn)分布在地級(jí)市區(qū)域內(nèi)，其他縣市和農(nóng)村的區(qū)域站點(diǎn)數(shù)量少，因此，難以使用一個(gè)籠統(tǒng)的數(shù)據(jù)來(lái)概括整個(gè)城市或更大范圍的空氣質(zhì)量狀況。

目前在國(guó)際上已開(kāi)發(fā)出許多關(guān)于室外空氣污染物濃度空間分布的預(yù)測(cè)方法，包括指標(biāo)暴露法、空間內(nèi)插法、大氣擴(kuò)散模型、土地利用回歸模型(land use regression model)[2-3]等。相對(duì)于其他預(yù)測(cè)方法來(lái)說(shuō)，土地利用回歸模型綜合考慮了城市的空間結(jié)構(gòu)、土地利用、交通、綠地、氣象條件等多方面因素對(duì)空氣污染物分布的影響[4-5]，通過(guò)結(jié)合空氣質(zhì)量監(jiān)測(cè)站周圍環(huán)境來(lái)模擬研究區(qū)內(nèi)整體的大氣污染狀況，能夠較為真實(shí)地反映大氣污染物的空間分布。

在土地利用回歸模型方法開(kāi)發(fā)初期，該方法主要應(yīng)用在歐美國(guó)家[6]。近些年來(lái)，該方法也廣泛應(yīng)用于中國(guó)空氣污染物的時(shí)空分布研究，如吳健生等[1]利用土地利用回歸模型分析京津冀PM2.5空間分異；LIU等[7]利用土地利用回歸模型，評(píng)估上海市內(nèi)PM2.5和NO2濃度的空間變化；漢瑞英等[8]基于地理加權(quán)算法建立杭州市四季的土地利用回歸模型；彭霞等[9]利用車載移動(dòng)監(jiān)測(cè)設(shè)備獲得污染物濃度數(shù)據(jù)，結(jié)合土地利用回歸模型，模擬上海市近地面黑碳濃度的空間分布，得出上海市黑碳空間分布在一定程度上與上海市交通限行政策有關(guān)的結(jié)論。綜合先前的研究結(jié)論，運(yùn)用土地利用回歸模型模擬污染物空間分布的方法對(duì)大氣污染物監(jiān)測(cè)管理、城市規(guī)劃建設(shè)以及環(huán)境流行病學(xué)研究都具有重要意義。

除此之外，將大氣氣溶膠光學(xué)厚度數(shù)據(jù)加入土地利用回歸模型中用于地面PM2.5質(zhì)量濃度模擬，能夠彌補(bǔ)空氣質(zhì)量監(jiān)測(cè)站分布不足的缺陷，進(jìn)一步提高模型的模擬精度。在近些年的研究中，Suomi NPP衛(wèi)星搭載的VIIRS(Visible Infrared Imaging Radiometer，可見(jiàn)光紅外輻射計(jì)組合儀)所提供的AOD(aerosol optical depth，氣溶膠光學(xué)厚度)數(shù)據(jù)成為PM2.5遙感反演的熱點(diǎn)，相較于傳統(tǒng)的MODIS(Moderate Resolution Imaging Spectroradiometer)AOD數(shù)據(jù)來(lái)說(shuō)，VIIRS AOD有著空間覆蓋度廣、空間分辨率高、條帶間無(wú)間隔等優(yōu)勢(shì)，在模擬地面污染物空間分布的研究中有更大的優(yōu)勢(shì)[1,10-12]。

因此，針對(duì)目前福建省空氣質(zhì)量監(jiān)測(cè)站數(shù)量少和空間分布不均等問(wèn)題，為了實(shí)現(xiàn)PM2.5質(zhì)量濃度分布以高空間分辨率覆蓋全省范圍，本研究基于氣溶膠光學(xué)厚度和PM2.5質(zhì)量濃度之間具有較高的相關(guān)性[13]，利用福建省2018年各空氣質(zhì)量監(jiān)測(cè)站點(diǎn)的PM2.5監(jiān)測(cè)數(shù)據(jù)，結(jié)合VIIRS AOD數(shù)據(jù)、土地利用數(shù)據(jù)、道路分布、氣象數(shù)據(jù)、人口密度、國(guó)家重點(diǎn)監(jiān)控廢氣排放企業(yè)分布、DEM數(shù)據(jù)，分別構(gòu)建包含VIIRS AOD數(shù)據(jù)的土地利用回歸模型和不包含VIIRS AOD數(shù)據(jù)的四季土地利用回歸模型，應(yīng)用統(tǒng)計(jì)學(xué)的方法對(duì)模型進(jìn)行精度評(píng)價(jià)，對(duì)比2個(gè)模型的擬合精度，最后利用精度較高的模型對(duì)福建省2018年的PM2.5質(zhì)量濃度進(jìn)行時(shí)空分布模擬，綜合分析各種因素對(duì)PM2.5質(zhì)量濃度的影響，揭示PM2.5的時(shí)空分布格局及其影響因素，為福建省PM2.5的環(huán)境管理提供支撐。

1 數(shù)據(jù)與方法

1.1 研究區(qū)概況

福建省地處中國(guó)東南沿海，東隔臺(tái)灣海峽，山地、丘陵面積占全省總面積的80%以上，地勢(shì)總體上西北高東南低，地形橫剖面近似馬鞍形[14]。2018年末全省常住人口3 941萬(wàn)人，相較于2010年的第六次全國(guó)普查增加了約252萬(wàn)人，同年福建省的地區(qū)生產(chǎn)總值為35 804.04億元，比上年增長(zhǎng)8.3%，其中工業(yè)增加值14 183.20億元，比上年增長(zhǎng)8.9%[15]。根據(jù)2018年福建省環(huán)境質(zhì)量公報(bào)顯示，相較于其他省份來(lái)說(shuō)，福建省空氣質(zhì)量總體保持良好，全省優(yōu)良率94.9%，相較于2017年下降1.3%。2018年福建省各城市優(yōu)良率由高到低依次為：三明、龍巖、廈門、南平、泉州、寧德、福州、漳州、莆田。從區(qū)域分布看，內(nèi)陸山區(qū)城市環(huán)境質(zhì)量好于沿海城市。與2017年相比，2018年三明優(yōu)良率升高0.3%，其他城市下降0.3%～3.6%，其中福州下降幅度最大,其次為寧德、漳州、泉州等城市，下降幅度較大的城市主要分布在沿海區(qū)域[16]。隨著近年來(lái)經(jīng)濟(jì)增長(zhǎng)，能源生產(chǎn)和消費(fèi)規(guī)模的不斷擴(kuò)大，給環(huán)境帶來(lái)越來(lái)越大的壓力。

1.2 數(shù)據(jù)來(lái)源及預(yù)處理

1.2.1PM2.5數(shù)據(jù)

PM2.5數(shù)據(jù)來(lái)自中國(guó)環(huán)境監(jiān)測(cè)總站的全國(guó)城市空氣質(zhì)量實(shí)時(shí)發(fā)布平臺(tái)(http://106.37.208.233:20035/)公布的2018年1月1日至2018年12月31日的PM2.5小時(shí)監(jiān)測(cè)數(shù)據(jù)。福建省共有39個(gè)國(guó)控空氣質(zhì)量監(jiān)測(cè)站，其中37個(gè)監(jiān)測(cè)站點(diǎn)有數(shù)據(jù)，各站點(diǎn)的空間分布情況如圖1所示。

圖1 福建省空氣質(zhì)量監(jiān)測(cè)站點(diǎn)分布情況示意Figure 1 Distribution of air quality monitoring sites in Fujian Province

1.2.2氣象數(shù)據(jù)

同期所使用的2018年福建省氣象數(shù)據(jù)來(lái)源于國(guó)家氣象數(shù)據(jù)科學(xué)中心提供的中國(guó)地面氣象資料日值數(shù)據(jù)集，該數(shù)據(jù)集包含福建省共27個(gè)氣象站點(diǎn)的每日氣象數(shù)據(jù)，其中用于模型建立的數(shù)據(jù)包含平均氣溫(℃)、平均相對(duì)濕度(%)、平均氣壓(hpa)、平均風(fēng)速(m·s-1)、平均最大風(fēng)速(m·s-1)、日平均降水量(mm)。針對(duì)地面氣象資料數(shù)據(jù)，利用ArcGIS 10.6 建立泰森多邊形，采用最近鄰原則進(jìn)行數(shù)據(jù)匹配，選取距離空氣質(zhì)量監(jiān)測(cè)站點(diǎn)最近的氣象站資料作為該空氣質(zhì)量監(jiān)測(cè)站的氣象要素自變量。

1.2.3VIIRS AOD數(shù)據(jù)

氣溶膠光學(xué)厚度數(shù)據(jù)來(lái)源于美國(guó)國(guó)家海洋和大氣管理局(NOAA)官方網(wǎng)站(https://www.bou.class.noaa.gov/)提供的VIIRS Aerosol Environmental Data Record (EDR)數(shù)據(jù)，分辨率為6 km。本研究以福建省空氣質(zhì)量監(jiān)測(cè)站為基點(diǎn)，對(duì)VIIRS AOD 數(shù)據(jù)進(jìn)行空間匹配，以獲得空氣質(zhì)量監(jiān)測(cè)站所在位置的AOD數(shù)據(jù)。由于Suomi NPP衛(wèi)星的過(guò)境時(shí)間為13：30，因此，當(dāng)模型中使用VIIRS AOD 數(shù)據(jù)作為自變量時(shí)，模型中的因變量選用對(duì)應(yīng)衛(wèi)星過(guò)境時(shí)刻前后1小時(shí)(即13：00和14：00)各空氣質(zhì)量監(jiān)測(cè)站的PM2.5質(zhì)量濃度值。

在篩選出有效數(shù)據(jù)后獲得37個(gè)監(jiān)測(cè)站點(diǎn)6 778條空氣質(zhì)量和AOD的匹配數(shù)據(jù)。為了避免各月份數(shù)據(jù)資料數(shù)量分布不均的情況，在本研究中將獲得的數(shù)據(jù)分季度統(tǒng)計(jì)，最后獲得各空間質(zhì)量監(jiān)測(cè)站PM2.5以及對(duì)應(yīng)的AOD數(shù)據(jù)的季節(jié)平均值，用于后續(xù)的研究。

1.2.4土地利用類型

土地利用類型數(shù)據(jù)(2010)來(lái)源于國(guó)家基礎(chǔ)地理信息中心GlobeLand30網(wǎng)站(http://www.globallandcover.com/GLC30Download/index.aspx)，空間分辨率為30 m。該土地利用類型數(shù)據(jù)共分為耕地、森林、草地、灌木、濕地、水體、冰川、人造表面、裸地、永久性冰雪10類，其中福建省所擁有的土地利用類型為農(nóng)田、森林、草地、灌木、濕地、水體、人造表面、裸地，綜合考慮土地利用類型對(duì)PM2.5的影響，將森林、草地、灌木三類歸并為植被，濕地、水體兩類歸并為水體。最終用于構(gòu)建模型的土地利用類型為農(nóng)田、植被、水體、人造表面、裸地。利用ArcGIS 10.6對(duì)每個(gè)空氣質(zhì)量監(jiān)測(cè)站點(diǎn)分別建立100、200、300、500、1 000、2 000、3 000、5 000 m的緩沖區(qū)，提取每個(gè)緩沖區(qū)內(nèi)的各種土地利用類型的占地總面積。

1.2.5道路交通

交通路網(wǎng)用于表征機(jī)動(dòng)車污染物排放量，路網(wǎng)數(shù)據(jù)來(lái)自于OpenStreetMap (https://www.openstreetmap.org/) 開(kāi)放道路數(shù)據(jù)，并將其分為主干道和次要道路兩類。利用ArcGIS 10.6對(duì)每個(gè)空氣質(zhì)量監(jiān)測(cè)站點(diǎn)分別建立100、200、300、500、750、1 000 m半徑的緩沖區(qū)，并計(jì)算每個(gè)緩沖區(qū)內(nèi)各類型道路的總長(zhǎng)度，得到模型中的道路變量。由于緩沖區(qū)的半徑對(duì)模型的結(jié)果有重要影響，理論上，最小緩沖半徑是根據(jù)地理數(shù)據(jù)的空間精度來(lái)確定，而最大緩沖區(qū)半徑則與污染源和污染物的擴(kuò)散模式有關(guān)[17]，對(duì)于交通數(shù)據(jù)來(lái)說(shuō)，交通相關(guān)的排放物濃度與道路距離呈負(fù)相關(guān)關(guān)系[18]，因此，交通變量的最大緩沖半徑一般為1 000 m，而土地利用類型、人口密度等變量的最大緩沖半徑可達(dá)5 000 m[3]。

1.2.6人口數(shù)據(jù)

人口數(shù)據(jù)來(lái)源于福建省公共信息資源統(tǒng)一開(kāi)放平臺(tái)(https://data.fujian.gov.cn/)的福建省2017年年末戶籍統(tǒng)計(jì)人口數(shù)據(jù)。利用ArcGIS 10.6 將人口數(shù)據(jù)與福建省縣域矢量數(shù)據(jù)相連接，并計(jì)算出每個(gè)縣域范圍內(nèi)的人口密度。對(duì)每個(gè)空氣質(zhì)量監(jiān)測(cè)站點(diǎn)建立1 000、2 000、3 000、5 000 m半徑的緩沖區(qū)，將緩沖區(qū)所在縣域的人口密度賦予各個(gè)緩沖區(qū)，當(dāng)緩沖區(qū)跨越兩個(gè)及以上縣域時(shí)，計(jì)算多個(gè)縣域的平均人口密度，賦予該緩沖區(qū)。

1.2.7地形數(shù)據(jù)

利用DEM數(shù)據(jù)表征研究區(qū)的地形地貌條件。福建省境內(nèi)丘陵連綿，山地、丘陵占全省總面積的80%以上，因此，利用DEM數(shù)據(jù)討論地形對(duì)PM2.5質(zhì)量濃度空間分布的影響。從地理空間數(shù)據(jù)云(www.gscloud.cn/)獲得空間分辨率為30 m的ASTER GDEM V2全球數(shù)字高程數(shù)據(jù)，利用ArcGIS 10.6中的Extract Multi Values to Points功能獲得每個(gè)空氣質(zhì)量監(jiān)測(cè)站點(diǎn)的高程數(shù)據(jù)。

1.2.8污染源數(shù)據(jù)

污染源數(shù)據(jù)來(lái)源于環(huán)境保護(hù)部發(fā)布的2014年國(guó)家重點(diǎn)監(jiān)控廢氣排放企業(yè)名單，廢氣排放企業(yè)分布情況利用經(jīng)緯度地址批量轉(zhuǎn)換工具獲得各企業(yè)的經(jīng)緯度坐標(biāo)，而后通過(guò)ArcGIS 10.6得到福建省內(nèi)106家廢氣排放企業(yè)的分布情況，利用ArcGIS 10.6 軟件計(jì)算空氣質(zhì)量監(jiān)測(cè)站點(diǎn)與最近排放企業(yè)的距離。

1.3 土地利用回歸模型構(gòu)建

大氣污染物濃度的空間分布具有統(tǒng)計(jì)學(xué)規(guī)律，并且與污染源、地形、土地利用類型等地理空間要素存在明顯的相關(guān)性，而土地利用回歸模型的核心就是通過(guò)在空氣質(zhì)量監(jiān)測(cè)站周邊建立不同尺度的緩沖區(qū)，分析不同地理要素對(duì)空氣質(zhì)量的影響[19]。

1.3.1預(yù)測(cè)變量的選取

選取了67個(gè)預(yù)測(cè)變量參與土地利用回歸模型的擬合，預(yù)測(cè)變量分別由土地利用類型、道路分布數(shù)據(jù)、人口密度、氣象數(shù)據(jù)、DEM、污染源數(shù)據(jù)、AOD數(shù)據(jù)七大類衍生出來(lái)，變量的緩沖區(qū)設(shè)置參考了吳健生等[1]和Hoek G等[17]的研究結(jié)果，各個(gè)變量的具體設(shè)置如表1所示。

表1 自變量類別、描述、緩沖區(qū)設(shè)定及系數(shù)符號(hào)規(guī)定Table 1 Classification and description of independent variables, buffer setting, and assumption of coefficient symbol

1.3.2多元線性回歸模型函數(shù)形式

由于PM2.5的濃度往往是由多種因素引起的，當(dāng)進(jìn)行回歸分析時(shí)，單個(gè)因變量所對(duì)應(yīng)的自變量往往大于1個(gè)，因此，在建立土地利用回歸模型時(shí)采用多元線性回歸。

土地利用回歸模型的多元線性回歸公式表示如下：

c=a0+a1x1+a2x2+…+aixi+ε

(1)

式(1)中：c為因變量，表示PM2.5質(zhì)量濃度；a0為回歸常量；a1，……，ai稱為回歸影響系數(shù)；x1,x2,……，xi為進(jìn)入回歸模型的地理要素；ε為隨機(jī)變量。

1.3.3模型構(gòu)建方法

本研究采用由Henderson等提出的向后算法來(lái)建立模型，主要包含以下步驟[2,20-22]：①利用雙變量相關(guān)性分析計(jì)算PM2.5質(zhì)量濃度與選取變量之間的相關(guān)性；②剔除變量與PM2.5質(zhì)量濃度的正負(fù)相關(guān)性與先前假定時(shí)不一致的變量；③將所有變量按其與PM2.5相關(guān)性的絕對(duì)強(qiáng)度進(jìn)行排序；④找出每個(gè)子類別中排序最高的變量；⑤剔除每個(gè)子類別中與最高排序變量相關(guān)的變量(皮爾森檢驗(yàn)r≥0.6)；⑥將所有剩余的變量輸入逐步線性回歸模型中；⑦將不滿足t檢驗(yàn)(α=0.05)的變量從有效變量庫(kù)中剔除；⑧重復(fù)步

驟⑥和⑦，直至剔除一個(gè)變量后模型R2變化小于1%停止。

1.3.4模型檢驗(yàn)

為了避免模型出現(xiàn)過(guò)度擬合的情況，本研究采取了交叉驗(yàn)證的方法。由于研究區(qū)內(nèi)的樣本數(shù)較少，因此，采用了留一交叉驗(yàn)證法(LOOCV)。此前的研究證明，留一交叉驗(yàn)證法能夠有效評(píng)估土地利用回歸模型。此方法是將每個(gè)空氣質(zhì)量監(jiān)測(cè)站的數(shù)據(jù)依次從模型中排除，將剩余的n-1個(gè)站點(diǎn)用于訓(xùn)練模型，并重復(fù)該過(guò)程n次，直至所有的數(shù)據(jù)都被預(yù)測(cè)出來(lái)，之后將n次驗(yàn)證獲得的結(jié)果用于預(yù)測(cè)模型的精度估計(jì)。

在本研究中，利用模型預(yù)測(cè)值和空氣質(zhì)量監(jiān)測(cè)站實(shí)測(cè)值間的均方根誤差(RMSE)、平均絕對(duì)誤差(MAE)、相對(duì)誤差(δ)等統(tǒng)計(jì)指標(biāo)來(lái)估計(jì)模型的精度。其中,RMSE、MAE、δ的計(jì)算公式如下：

(2)

(3)

(4)

式(2～4)中：Yi為地面監(jiān)測(cè)站PM2.5質(zhì)量濃度的實(shí)際監(jiān)測(cè)值；yi為模型中的PM2.5質(zhì)量濃度的預(yù)測(cè)值；n為建模數(shù)據(jù)集中的樣本總數(shù)。

1.3.5回歸映射

回歸映射(regression mapping)是指在得到土地利用回歸方程后，利用方程對(duì)非監(jiān)測(cè)點(diǎn)的位置進(jìn)行空間模擬[17]。針對(duì)福建省的空氣質(zhì)量監(jiān)測(cè)站點(diǎn)數(shù)量少且空間分布不平衡，采用傳統(tǒng)的插值方法難以獲得較為精確的PM2.5空間分布結(jié)果。因此，本研究利用ArcGIS 10.6中的create fishnet 工具在福建省范圍內(nèi)建立尺度為5 km×5 km的網(wǎng)格，并獲取網(wǎng)格的中心點(diǎn)，通過(guò)構(gòu)建的土地利用回歸模型方程，在網(wǎng)格的中心點(diǎn)上提取影響PM2.5質(zhì)量濃度的相關(guān)地理特征要素，通過(guò)屬性計(jì)算獲得模擬值并將值賦予對(duì)應(yīng)柵格點(diǎn)，最后，利用IDW空間插值的方法獲得尺度為1 km×1 km的福建省PM2.5空間分布圖，進(jìn)而提高模型空間模擬的精度。

2 結(jié)果與分析

2.1 AOD與PM2.5時(shí)間分布特征

根據(jù)福建省各空氣質(zhì)量監(jiān)測(cè)站所對(duì)應(yīng)的AOD值顯示，隨著季節(jié)的更替，AOD值存在著明顯的季節(jié)性變化，其中，春季、夏季、秋季、冬季的平均AOD值分別為0.484、0.358、0.366、0.456?？傮w呈現(xiàn)春冬季節(jié)高，夏秋季節(jié)較低的分布情況。根據(jù)PM2.5空氣質(zhì)量監(jiān)測(cè)站點(diǎn)的統(tǒng)計(jì)資料顯示，在衛(wèi)星過(guò)境時(shí)刻，春季、夏季、秋季、冬季PM2.5的平均濃度分別是30.45、18.65、19.38、23.35 μg·m-3。PM2.5質(zhì)量濃度總體分布情況為春季>冬季>秋季>夏季。

總體來(lái)看，福建省四季AOD值與PM2.5的濃度大小在時(shí)間分布上相一致，都是春季和冬季較高，夏季、秋季較低。該結(jié)果與先前針對(duì)福建省空氣質(zhì)量研究的結(jié)論一致[16,23-25]。因此，在本研究中，以季節(jié)為時(shí)間尺度，研究福建省不同季節(jié)的AOD值與PM2.5的相關(guān)性以及PM2.5的時(shí)空分布情況。

2.2 AOD與PM2.5站點(diǎn)相關(guān)性特征

利用SPSS 軟件進(jìn)行雙變量相關(guān)性分析可得福建省不同季節(jié)PM2.5與AOD之間的皮爾森相關(guān)系數(shù)。2018年福建省春季、夏季、秋季、冬季的PM2.5和AOD的相關(guān)系數(shù)分別是：0.608、0.395、0.470、0.548。福建省不同季節(jié)的PM2.5與AOD之間存在一定的空間相關(guān)性，但不同季節(jié)的相關(guān)性有一定的起伏。其中，春季、秋季、冬季是在0.01水平(雙側(cè))上顯著相關(guān)，夏季在0.05水平(雙側(cè))上顯著相關(guān)，夏季的相關(guān)性較春季、秋季、冬季低。

該現(xiàn)象與AOD受季節(jié)性大氣邊界層高度變化、吸濕增長(zhǎng)因子、太陽(yáng)輻射、對(duì)流層熱力環(huán)流和其他因素的影響有關(guān)[19]。因此，在夏季多云雨的氣候條件下，PM2.5與AOD的相關(guān)性較其他季節(jié)低。

2.3 多元回歸模型結(jié)果分析

2.3.1土地利用回歸模型構(gòu)建結(jié)果

分別對(duì)包含VIIRS AOD數(shù)據(jù)和不包含VIIRS AOD數(shù)據(jù)這兩種情況對(duì)2018年福建省PM2.5質(zhì)量濃度進(jìn)行多元線性回歸模型構(gòu)建，結(jié)果如表2所示。其中，當(dāng)模型中包含VIIRS AOD數(shù)據(jù)時(shí)，使用的因變量為衛(wèi)星過(guò)境時(shí)刻的PM2.5平均濃度；當(dāng)模型中不包含VIIRS AOD數(shù)據(jù)時(shí)，模型中使用的因變量為日平均PM2.5質(zhì)量濃度。從建立的模型上看，相對(duì)于其他的氣象要素而言，各季節(jié)的平均風(fēng)速對(duì)PM2.5質(zhì)量濃度的影響較大。冬季福建省主要盛行東北風(fēng)，冷空氣活動(dòng)比較頻繁，容易帶來(lái)一些輸入性的污染物，但風(fēng)的運(yùn)動(dòng)也能夠稀釋污染物，降低污染物的濃度。夏季福建省盛行東南風(fēng)，對(duì)緩解空氣污染有一定作用，從模型的結(jié)果上看，風(fēng)對(duì)空氣污染起到的是負(fù)效應(yīng)。

表2 土地利用回歸模型結(jié)果Table 2 Results of the land use regression

在模型中除氣象要素外，值得注意的有土地利用類型中的耕地，相較于其他土地利用類型來(lái)說(shuō)，較難界定耕地是否會(huì)對(duì)空氣造成污染，因此在自變量研究中，耕地的系數(shù)符號(hào)規(guī)定為不確定。在兩類模型中除包含AOD數(shù)據(jù)的夏季土地利用回歸模型沒(méi)包含耕地要素外，其他模型中均含有不同尺度緩沖區(qū)內(nèi)的耕地面積，緩沖區(qū)半徑分別為200、300、500、3 000、5 000 m，可見(jiàn)耕地對(duì)構(gòu)建土地利用回歸模型的重要性。其中，從模型的系數(shù)上看200 m緩沖區(qū)范圍內(nèi)的耕地面積對(duì)空氣污染的影響最大。耕地對(duì)于空氣質(zhì)量的影響具有兩面性，當(dāng)耕地中有較多農(nóng)作物時(shí)，耕地中的農(nóng)作物會(huì)在一定程度上改善空氣質(zhì)量，降低PM2.5質(zhì)量濃度，但耕地中燃燒農(nóng)作物秸稈，是大氣顆粒物的重要來(lái)源，除此之外，耕地撂荒變成裸地，也會(huì)對(duì)空氣質(zhì)量造成重要影響[2]。從建立的模型中可以很好地證明這一點(diǎn)，在模型中耕地起到的作用都是正效應(yīng)，會(huì)加劇空氣污染，尤其是在包含AOD數(shù)據(jù)的春季土地利用回歸模型中，200 m緩沖區(qū)范圍內(nèi)的耕地面積對(duì)模型的影響系數(shù)最大。

在模型中，經(jīng)緯度坐標(biāo)及DEM海拔數(shù)據(jù)多次進(jìn)入模型，說(shuō)明福建省內(nèi)不同地理位置及海拔對(duì)PM2.5質(zhì)量濃度的影響較大，PM2.5質(zhì)量濃度存在較大的地區(qū)差異。

2.3.2土地利用回歸模型驗(yàn)證結(jié)果

從模型驗(yàn)證結(jié)果來(lái)看，除包含AOD的春季土地利用回歸模型的PM2.5模擬值的誤差率大于不包含AOD的模型外，其他的季節(jié)包含AOD的模型檢驗(yàn)結(jié)果都優(yōu)于不包含AOD的模型。如表2所示，包含AOD數(shù)據(jù)的四季PM2.5模型的均方根誤差在1.33～2.80 μg·m-3之間，平均絕對(duì)誤差在1.09～1.46 μg·m-3，相對(duì)誤差在5.4%～7.4%之間；未包含AOD數(shù)據(jù)的四季PM2.5模型的均方根誤差在1.38～2.40 μg·m-3之間，平均絕對(duì)誤差在1.11～1.91 μg·m-3，相對(duì)誤差在5.9%～6.3%之間。其中，在所有的模擬結(jié)果中夏季的模擬效果較好，模擬誤差最低。

圖2為37個(gè)樣本數(shù)據(jù)包含VIIRS AOD數(shù)據(jù)和不包含VIIRS AOD數(shù)據(jù)的各季節(jié)PM2.5模擬值與實(shí)際監(jiān)測(cè)值的擬合結(jié)果與交叉驗(yàn)證結(jié)果的散點(diǎn)圖。從模型的交叉驗(yàn)證結(jié)果上看，不包含 VIIRS AOD數(shù)據(jù)的春、夏、秋、冬四季模型預(yù)測(cè)結(jié)果與交叉驗(yàn)證結(jié)果的擬合精度分別相差1%、2.6%、0.7%、0.2%；包含VIIRS AOD數(shù)據(jù)的四季模型預(yù)測(cè)結(jié)果與交叉驗(yàn)證結(jié)果的擬合精度分別相差0.4%、0.8%、0.2%、0.1%，從結(jié)果上看，兩組模型的都有較好的穩(wěn)定性，預(yù)測(cè)結(jié)果與交叉驗(yàn)證結(jié)果的擬合精度相差不大，但總體而言包含VIIRS AOD 數(shù)據(jù)模型的預(yù)測(cè)性能更好，能夠獲得更高精度的模擬結(jié)果。

圖2 土地利用回歸模型散點(diǎn)圖Figure 2 Scatter diagrams of the land use regression

從散點(diǎn)圖的離散程度上看，兩組模型中春季的PM2.5質(zhì)量濃度值的離散程度相對(duì)較高。因此，相對(duì)應(yīng)春季的擬合精度也是4個(gè)季節(jié)中最差的，而其他季節(jié)相對(duì)于春季來(lái)說(shuō)，樣本點(diǎn)較為集中分布與擬合線兩側(cè)，其中，冬季的樣本點(diǎn)最為集中的分布在直線的兩側(cè)，體現(xiàn)出冬季的模型的擬合精度最高。

2.4 PM2.5時(shí)空分布模擬結(jié)果

圖3為利用包含AOD數(shù)據(jù)的土地利用回歸模型模擬的2018年福建省四季PM2.5平均濃度空間分布結(jié)果，從結(jié)果上看，全省各季節(jié)的PM2.5平均濃度的預(yù)測(cè)結(jié)果分別為27.45、16.77、18.19、18.98 μg·m-3，而各監(jiān)測(cè)站實(shí)測(cè)四季PM2.5平均濃度分別是30.45、22.08、19.38、26.50 μg·m-3，該結(jié)果相較于各監(jiān)測(cè)站PM2.5質(zhì)量濃度的實(shí)測(cè)值及模擬值的平均濃度低。這是因?yàn)楦＝ㄊ?nèi)的空氣質(zhì)量監(jiān)測(cè)站相對(duì)較少，且多集中分布在城市區(qū)域，而許多山區(qū)或者農(nóng)村地區(qū)沒(méi)有空氣質(zhì)量監(jiān)測(cè)站，而這些區(qū)域?yàn)镻M2.5質(zhì)量濃度相對(duì)較低的區(qū)域，因此，在利用土地利用回歸模型模擬福建省內(nèi)的整體空氣質(zhì)量狀況時(shí)會(huì)呈現(xiàn)PM2.5預(yù)測(cè)結(jié)果相對(duì)較低的情況。從中也體現(xiàn)了土地利用回歸模型能夠較為真實(shí)地反映較大范圍內(nèi)空氣污染物濃度值。

圖3 2018年福建省四季PM2.5質(zhì)量濃度的空間分布Figure 3 Spatial distribution of PM2.5 seasonal concentration in Fujian Province in 2018

從季節(jié)濃度特征上看福建省2018年P(guān)M2.5質(zhì)量濃度呈現(xiàn)春季最高、冬季和秋季次之、夏季最低的預(yù)測(cè)結(jié)果。模型模擬的結(jié)果與地面監(jiān)測(cè)站實(shí)際監(jiān)測(cè)數(shù)據(jù)呈現(xiàn)相同的時(shí)間分布差異，該分布特征與北方地區(qū)冬季PM2.5質(zhì)量濃度最高的認(rèn)識(shí)有所差別。由于福建省內(nèi)總體的污染水平較低，沒(méi)有供暖期和非供暖期之分，且冬季時(shí)受北方污染物影響較小，多為本土污染物，所以冬季的PM2.5質(zhì)量濃度并不是最高的；相對(duì)于春季來(lái)說(shuō)，進(jìn)入了春耕時(shí)期，許多地方都會(huì)燃燒耕地中的秸稈，導(dǎo)致空氣中的顆粒物濃度上升。從PM2.5質(zhì)量濃度空間分布特征上看，福建省內(nèi)的PM2.5質(zhì)量濃度有較強(qiáng)的空間差異性，如經(jīng)度差異、緯度差異、海陸分布差異以及海拔分布差異。從經(jīng)度差異上看，隨著經(jīng)度增加，PM2.5質(zhì)量濃度稍有增加，這一點(diǎn)從海陸分布上也可以看出，越靠近海岸線，PM2.5質(zhì)量濃度越高，沿海地區(qū)的PM2.5質(zhì)量濃度要高于中西部山區(qū)；從緯度差異上看，福建北部的PM2.5質(zhì)量濃度略低于南部地區(qū)；在這些分布差異中，海拔分布差異最為明顯，隨著海拔的升高，PM2.5質(zhì)量濃度明顯降低，從4個(gè)季節(jié)的PM2.5分布特征上看，中部山區(qū)海拔較高處的PM2.5質(zhì)量濃度都相對(duì)較低。相較于全省而言，閩南地區(qū)和閩東地區(qū)的PM2.5質(zhì)量濃度相對(duì)較高，主要包含福州、廈門、泉州、漳州等地區(qū)，其中漳州地區(qū)又相對(duì)較高，由于這些地區(qū)位于沿海地區(qū)，地勢(shì)低平，城市化水平較高，城市用地占比高，生態(tài)用地占比少，工廠數(shù)量較多，交通排放及生產(chǎn)生活排放相對(duì)較多，因此，PM2.5質(zhì)量濃度較高；中西部山區(qū)的PM2.5質(zhì)量濃度較低，主要是因?yàn)榈貏?shì)較高，且植被覆蓋率較高，對(duì)空氣污染有較好的防護(hù)作用。

從PM2.5的平均濃度和對(duì)應(yīng)季節(jié)的AOD數(shù)據(jù)的相關(guān)性特征來(lái)看，春季二者的相關(guān)性在0.01水平(雙側(cè))上顯著相關(guān)，且相關(guān)系數(shù)達(dá)到0.608，為四季中最高。這是因?yàn)楦＝ㄊ〈杭驹谂瘏^(qū)輻合與高壓槽前系統(tǒng)的影響下，空氣的相對(duì)濕度較高，PM2.5附著在水汽中，懸浮在空氣里不易擴(kuò)散，從而造成春季的PM2.5質(zhì)量濃度較高；而夏季受副熱帶高壓、臺(tái)風(fēng)系統(tǒng)的影響，氣溫較高，大氣穩(wěn)定度低，有利于PM2.5的擴(kuò)散，因此，夏季的PM2.5質(zhì)量濃度相對(duì)較低[26]。

3 結(jié)語(yǔ)

通過(guò)利用地面空氣質(zhì)量監(jiān)測(cè)站的PM2.5質(zhì)量濃度數(shù)據(jù)，結(jié)合VIIRS AOD、氣象要素、土地利用類型、交通路網(wǎng)、人口密度、污染源數(shù)據(jù)、經(jīng)緯度坐標(biāo)及DEM數(shù)據(jù)，構(gòu)建土地利用回歸模型，通過(guò)對(duì)比添加VIIRS AOD數(shù)據(jù)的土地利用回歸模型和未添加VIIRS AOD 數(shù)據(jù)的土地利用回歸模型，以探求一種有效的近地面PM2.5模擬方法，進(jìn)一步獲得福建省2018年近地面PM2.5質(zhì)量濃度的分布情況。通過(guò)本研究可以獲得以下結(jié)論：

(1)福建省2018年春季、夏季、秋季、冬季的PM2.5質(zhì)量濃度和AOD數(shù)據(jù)之間存在一定的相關(guān)性，但不同季節(jié)的相關(guān)性有一定的起伏。其中，春季、秋季、冬季是在0.01水平(雙側(cè))上顯著相關(guān)，夏季在0.05水平(雙側(cè))上顯著相關(guān)，夏季的相關(guān)性較春季、秋季、冬季低。結(jié)合VIIRS AOD數(shù)據(jù)的土地利用回歸模型模擬的PM2.5質(zhì)量濃度分布的擬合精度有顯著的提高，由該組模型模擬出的2018年福建省四季的PM2.5質(zhì)量濃度分布能夠有效地反映出福建省土地利用類型、道路交通、海拔等因素對(duì)PM2.5質(zhì)量濃度的影響。PM2.5質(zhì)量濃度分布的格局與福建省的森林、海拔、城市、道路交通等分布格局相一致，從而也證明了衛(wèi)星遙感數(shù)據(jù)對(duì)提高PM2.5時(shí)空分布精度具有較大意義。

(2)利用土地利用回歸模型模擬的全省PM2.5平均濃度的結(jié)果比監(jiān)測(cè)站實(shí)測(cè)的PM2.5平均濃度低。這是因?yàn)楦＝ㄊ】諝赓|(zhì)量監(jiān)測(cè)站相對(duì)較少，且多集中分布在城市區(qū)域，許多山區(qū)或者農(nóng)村地區(qū)沒(méi)有空氣質(zhì)量監(jiān)測(cè)站，而這些區(qū)域?yàn)镻M2.5質(zhì)量濃度相對(duì)較低的區(qū)域，因此，在利用土地利用回歸模型模擬福建省內(nèi)的整體空氣質(zhì)量狀況時(shí)PM2.5的預(yù)測(cè)結(jié)果相對(duì)較低。

(3)從PM2.5質(zhì)量濃度時(shí)間分布上看，2018年福建省PM2.5質(zhì)量濃度季節(jié)變化明顯，其中春季最高、冬季和秋季次之、夏季最低，該結(jié)論與先前的研究者針對(duì)福建省內(nèi)的空氣質(zhì)量研究結(jié)果相一致。在本研究中，通過(guò)利用福建省內(nèi)的37個(gè)空氣質(zhì)量監(jiān)測(cè)站點(diǎn)并結(jié)合VIIRS AOD數(shù)據(jù)，構(gòu)建土地利用回歸模型獲得整個(gè)研究區(qū)1 km×1 km的PM2.5空間分布結(jié)果，更加清晰地揭示了2018年福建省四季PM2.5的空間分布存在經(jīng)度差異、緯度差異、海陸分布差異以及海拔分布差異。其中，海拔差異造成的PM2.5質(zhì)量濃度分布差異最為明顯。

利用VIIRS AOD 數(shù)據(jù)構(gòu)建土地利用回歸模型，分析PM2.5與氣象因子、人口密度、土地利用、污染源分布、海拔等之間的相關(guān)關(guān)系，可以獲得擬合精度較高的PM2.5預(yù)測(cè)模型，但是本研究中還存在一些不足：由于福建省氣候多云雨的情況，導(dǎo)致可以使用AOD非零值數(shù)據(jù)相對(duì)較少，影響模型的模擬精度；其次，本研究只探討了一種模型構(gòu)建方法，沒(méi)有對(duì)比不同的空氣污染物濃度分布模擬的方法，需要進(jìn)一步探討不同模型構(gòu)建方法之間的差異與優(yōu)劣。