賈宏亮,羅俊,肖東升

(西南石油大學(xué)土木工程與測繪學(xué)院,四川 成都 610500)

0 引 言

隨著社會經(jīng)濟的快速發(fā)展,大氣環(huán)境問題愈發(fā)嚴(yán)重,受到社會各界越來越多的關(guān)注,大氣污染的準(zhǔn)確監(jiān)測也成為社會關(guān)注的熱點,其中對PM2.5的監(jiān)測尤為重視。PM2.5又名細(xì)顆粒物,是指大氣環(huán)境中顆粒物直徑在2.5μm之下的固態(tài)或液態(tài)污染物[1]。和大氣中體積較大的污染物相比,PM2.5具有更小的粒徑、更大的表面積以及更高的活性,導(dǎo)致其更容易攜帶有毒有害物質(zhì)。另外,它在大氣中能夠存在的時間更長,因此對人體健康和空氣質(zhì)量的影響更為顯著[2]。國內(nèi)外大量研究表明,作為霧霾重要組成部分的PM2.5可誘發(fā)或加重各個系統(tǒng)的疾病[3],還會嚴(yán)重地污染空氣和生態(tài)環(huán)境。因此對于PM2.5的時空分布研究對生態(tài)環(huán)境和人體健康有著重要的意義。目前對PM2.5質(zhì)量濃度的監(jiān)測主要有地面監(jiān)測和遙感反演兩種方式[4]。地面監(jiān)測數(shù)據(jù)雖然精度和時間分辨率高,但是存在監(jiān)測站點少、空間不連續(xù)等缺點而不能完全反應(yīng)特定區(qū)域內(nèi)的PM2.5時空分布特征[5];相較于地面監(jiān)測而言,利用衛(wèi)星遙感數(shù)據(jù)反演PM2.5質(zhì)量濃度能夠快速地獲得大面積連續(xù)的PM2.5數(shù)據(jù),因此利用遙感技術(shù)估算近地面PM2.5質(zhì)量濃度逐漸成為一種主流的技術(shù)手段[6]。

大氣氣溶膠是懸浮在大氣中的各種液態(tài)和固態(tài)顆粒物的總稱,其粒徑可達(dá)100μm,PM2.5是大氣氣溶膠的重要組成部分。氣溶膠光學(xué)厚度(AOD)是指氣溶膠的消光系數(shù)在垂直方向上的積分,大量的研究表明地面監(jiān)測的PM2.5與AOD具有較高的相關(guān)性[7?10]。因此,利用遙感數(shù)據(jù)監(jiān)測PM2.5主要是通過建立PM2.5與AOD兩者間的聯(lián)系來完成。目前基于AOD的PM2.5質(zhì)量濃度反演的關(guān)鍵在于如何構(gòu)建衛(wèi)星遙感數(shù)據(jù)與PM2.5質(zhì)量濃度數(shù)據(jù)之間的關(guān)系模型。近年來,不少學(xué)者利用簡單線性回歸模型、多元線性回歸模型、混合效應(yīng)模型、土地利用回歸模型、人工神經(jīng)網(wǎng)絡(luò)和地理加權(quán)回歸模型等多種數(shù)學(xué)模型[11?17]對PM2.5質(zhì)量濃度進行反演。其中,地理加權(quán)回歸(Geographically weighted regression,GWR)模型的主要思想是將空間位置引入回歸模型,考慮自變量在不同空間位置上的變化特征,有利于提高反演精度。利用該模型反演PM2.5質(zhì)量濃度已有大量的研究成果,付宏臣等[18]利用AOD與GWR模型反演出京津冀地區(qū)2016年的PM2.5濃度,發(fā)現(xiàn)PM2.5污染情況最嚴(yán)重的是衡水市,最輕的是張家口市。陳輝等[19]利用衛(wèi)星遙感數(shù)據(jù)和地面監(jiān)測數(shù)據(jù)建立的GWR模型對我國冬季的PM2.5進行反演,結(jié)果表明我國冬季12月污染最嚴(yán)重,2月相對最低。易唯等[20]利用GWR模型反演出天山北坡經(jīng)濟帶2018年3–11月PM2.5濃度,其結(jié)果表明天山北坡經(jīng)濟帶PM2.5濃度11最高,9月最低。這些研究表明GWR模型能有效地估算近地面PM2.5濃度。

成都市作為國家重要的高新技術(shù)產(chǎn)業(yè)基地、商貿(mào)物流中心,是西部地區(qū)重要的中心城市,近年來在城市快速發(fā)展的同時也產(chǎn)生了空氣污染問題[21],引發(fā)了社會各界的關(guān)注。本文以成都市作為研究區(qū)域,基于MODIS的L1B021KM數(shù)據(jù),結(jié)合氣象數(shù)據(jù)和PM2.5地面站點監(jiān)測數(shù)據(jù),利用地理加權(quán)回歸模型反演了成都市2018年1–12月PM2.5質(zhì)量濃度逐月的時空分布數(shù)據(jù),以期為成都市PM2.5的監(jiān)測與防治提供科學(xué)參考。

1 研究區(qū)域概況

成都市位于中國四川省中東部,為四川省省會,國家中心城市,是四川的政治、經(jīng)濟、文化中心,擁有悠久的歷史文化。從地理位置上來看,成都市位于北緯 30°05′N～31°26′N,東經(jīng) 102°54′E～104°53′E 之間,南北跨度超過160 km、東西跨度超過190 km,總面積為3639.81 km2。北至德陽市,西連阿壩藏族羌族自治州、雅安市,南通眉山市,東與資陽樂至縣。從地形地貌來看,成都市平均海拔約500 m,從西向東逐漸降低,最低點位于簡陽市,海拔為359 m;最高點位于大邑縣,海拔為5353 m。其地貌由西部的高原、中部的平原以及東部的丘陵組成。西部高原主要與橫段山脈邊緣接壤,以西南-東北走向途經(jīng)邛崍市、崇州市、大邑縣、都江堰市和彭州市,在成都境內(nèi)形成邛崍山脈;中部的平原主要由沱江和岷江形成的沖積扇平原構(gòu)成;東部由龍泉山脈構(gòu)成。由于地理差異明顯,導(dǎo)致成都市PM2.5時空分布差異明顯[22?24]。成都市地理位置及PM2.5監(jiān)測站點分布情況如圖1所示。

圖1 成都市PM2.5監(jiān)測站點Fig.1 PM2.5monitoring sites of Chengdu City

2 數(shù)據(jù)來源與方法

2.1 數(shù)據(jù)來源及處理

2.1.1 MODIS遙感數(shù)據(jù)

美國NASA的MODIS傳感器搭載在Terra和Aqua兩顆衛(wèi)星上,擁有多個通道,具有多光譜、寬覆蓋和時間分辨率高等特點,能夠在上午和下午分別提供一次全球的影像資料,通過該影像資料能夠反演出具有較高精度的AOD空間分布數(shù)據(jù)。本工作采用美國宇航局戈達(dá)德宇宙飛行中心官網(wǎng)(https://ladsweb.modaps.eosdis.nasa.gov/)發(fā)布的2018年1–12月的MODIS MOD021KM數(shù)據(jù),其空間分辨率為1 km,觀測衛(wèi)星為北京時間上午10:00左右過境的Terra星。

2.1.2 PM2.5站點監(jiān)測數(shù)據(jù)

PM2.5質(zhì)量濃度地面監(jiān)測數(shù)據(jù)從全國城市空氣質(zhì)量實時發(fā)布平臺(http://106.37.208.233:20035/)下載得到,對比數(shù)據(jù)的成像時間,選擇將每日10:00–13:00的PM2.5質(zhì)量濃度的平均值作為當(dāng)日數(shù)據(jù)。

2.1.3 氣象數(shù)據(jù)

使用的氣象數(shù)據(jù)主要包括:邊界層高度(PBLH)、相對濕度(RH)、氣溫(TEM)、表面氣壓(SP)、風(fēng)速(WIN)、總降雨量(RF)。氣象數(shù)據(jù)來源于歐洲中期天氣預(yù)報中心官網(wǎng)(https://www.ecmwf.int/)的ERA5數(shù)據(jù),按照AOD數(shù)據(jù)反演的時間,選擇每天上午10:00–13:00的數(shù)據(jù),該數(shù)據(jù)的空間分辨率為0.25°×0.25°,為了能和AOD數(shù)據(jù)的空間分辨率匹配需要利用ArcGIS對氣象數(shù)據(jù)進行投影柵格、重采樣以及裁剪等操作。

2.2 模型構(gòu)建與精度評價

2.2.1 地理加權(quán)回歸模型(GWR)

成都市PM2.5監(jiān)測站點有10個,2018年只有8個站點有記錄數(shù)據(jù),由于站點在空間上分布不均,因此采用GWR模型對PM2.5質(zhì)量濃度進行反演。GWR模型與全局回歸的區(qū)別在于,GWR模型反演得到的結(jié)果是用來分析研究對象在不同的空間位置下因變量與解釋變量之間的不同關(guān)系,屬于局部的回歸結(jié)果。其本質(zhì)是通過對距離加權(quán)得到空間上連續(xù)變化的回歸系數(shù),從而來建立空間位置上因變量與自變量的回歸模型[25?27],建立的GWR模型具體為

式中yi表示因變量,即監(jiān)測站點i在空間位置(ui,ki)處PM2.5濃度值,(ui,ki)為第i個監(jiān)測站點的坐標(biāo);β0(ui,ki)為模型的不變因子;βj(ui,ki)為第j個自變量因子的系數(shù);Xij為第i個站點的自變量;φi(ui,ki)為第i個監(jiān)測站點的隨機誤差。

GWR模型的核心在于空間權(quán)重矩陣的選擇,其選取是否合適對模型的精度有著很大的影響。采用高斯函數(shù)作為權(quán)重函數(shù),其表現(xiàn)形式為

式中dij表示觀測點i和j之間的距離;b為帶寬,用來描述距離和權(quán)重之間的關(guān)系,一般用一個連續(xù)單調(diào)遞減的函數(shù)來表示。從圖1可以看出,成都市PM2.5地面監(jiān)測站點主要分布在成都中部地區(qū),因此選擇自適應(yīng)帶寬,并用通過最小化校正的Akaike信息準(zhǔn)則值來獲得最優(yōu)帶寬。

為避免模型多個自變量間的多重共線性影響,計算了各變量的方差膨脹因子(VIF)FVI,其計算公式為

式中表示第i個自變量與其他自變量做回歸分析時的相關(guān)系數(shù)的平方。VIF越大說明模型間存在多重共線性的可能性越大,因此選擇VIF限值為6,即當(dāng)VIF小于6時認(rèn)為構(gòu)建模型的自變量不存在多重共線性;當(dāng)VIF大于等于6時認(rèn)為自變量存在多重共線性問題。由于成都市降雨主要集中在3–9月份,10–2月份降雨量少,對3–9月份和10–2月份分別建立GWR模型,模型的自變量選擇及各變量方差膨脹因子如表1所示。

表1 不同模型所需的自變量Table 1 Independent variables required for different models

2.2.2 模型精度評價

為了檢驗?zāi)Ｐ偷木?通過決定系數(shù)R2、均方根誤差ERMS以及平均絕對誤差EMA來對模型反演結(jié)果的精度進行評價。其中R2表示的是預(yù)測值與實測值之間的符合程度,其大小在0～1之間,R2越大證明模型預(yù)測的結(jié)果越接近真實值;ERMS和EMA表達(dá)的是模型預(yù)測值偏離實測值的程度,它們的值越小說明模型精度越高,其計算公式分別為

式中n表示樣本總數(shù),Xi表示第i個實測值,ti表示第i個預(yù)測值。

3 結(jié)果與分析

3.1 描述性統(tǒng)計

描述性統(tǒng)計能夠?qū)λ米兞繑?shù)據(jù)的聚集和離散程度有很好的體現(xiàn),利用SPSS軟件對研究所用的AOD以及氣象數(shù)據(jù)進行了描述性統(tǒng)計,其結(jié)果如表2所示。

表2 變量描述性統(tǒng)計結(jié)果Table 2 Descriptive statistics of variables

從描述性統(tǒng)計結(jié)果看出,PM2.5的平均(AVG)質(zhì)量濃度為52.07μg·m?3,最大值(MAX)為90.13μg·m?3,最小值 (MIN)為 16.02 μg·m?3,標(biāo)準(zhǔn)偏差 (SD)為 20.21 μg·m?3;AOD 的范圍為 0.08～1.48,平均值為 0.6,標(biāo)準(zhǔn)偏差為0.32;邊界層高度(PBLH)的最大值為1218.00 m,最小值為341.69 m,標(biāo)準(zhǔn)偏差為215.55 m,PBLH主要影響PM2.5在大氣垂直方向上的分布;WIN主要影響PM2.5在大氣中水平方向上的分布,使用的風(fēng)速在1.48～2.22 m·s?1范圍內(nèi)變化,標(biāo)準(zhǔn)差為0.19 m·s?1,和其他氣象因素相比,風(fēng)速的變化幅度是最小的;TEM的最小值為1.88°C,最大值為30.16°C,標(biāo)準(zhǔn)偏差為7.85°C;SP主要是對PM2.5在大氣中的平穩(wěn)性產(chǎn)生影響,其標(biāo)準(zhǔn)偏差為30.73 hPa,平均值為941.05 hPa;RH的最小值為67.75%,最大值為89.28%,均值為77.77%,說明成都市2018年處于比較濕潤的環(huán)境中;總降雨量在5.72～310.25 mm,平均值為136.95 mm。

3.2 GWR模型模擬結(jié)果對比驗證

為了對比模型預(yù)測結(jié)果的精度,在保證自變量(AOD與氣象數(shù)據(jù))和因變量(PM2.5站點實測值)不變的情況下,構(gòu)建了成都市2018年的多元線性回歸(MLR)模型,GWR模型和MLR模型反演的PM2.5質(zhì)量濃度與地面監(jiān)測站點實測的PM2.5質(zhì)量濃度散點擬合圖如2所示。

從GWR模型和MLR模型散點擬合圖可以看出,GWR模型的決定系數(shù)R2為0.884,MLR模型的R2為0.808,兩者均大于0.8,表明兩個模型的預(yù)測結(jié)果與地面實測PM2.5有較高的吻合度。MLR模型的ERMS、EMA分別為 7.8704 μg·m?3、9.7098 μg·m?3;GWR 模型的ERMS、EMA分別為 6.1566 μg·m?3、7.6081 μg·m?3,二者的ERMS均小于8μg·m?3、EMA均小于10μg·m?3,說明GWR模型和MLR模型都可以用于成都市的PM2.5質(zhì)量濃度反演。從兩種模型反演結(jié)果對比可以看出,GWR模型反演PM2.5值的R2比MLR模型反演的R2高0.076;GWR 模型的ERMS和EMA分別比 MLR模型的小 1.8394μg·m?3、1.4515μg·m?3,表明 GWR模型反演的PM2.5濃度更能夠反應(yīng)出地面PM2.5濃度的真實值,誤差也小于MLR模型反演的結(jié)果。

圖2 GWR模型(a)與MLR模型(b)散點擬合圖Fig.2 Scatter and fitting diagram of GWR model(a)and MLR model(b)

3.3 成都市PM2.5質(zhì)量濃度時空分布特征

3.3.1 空間分布特征

利用地理加權(quán)回歸模型得到了2018年成都市PM2.5濃度空間分布情況,如圖3所示。

圖3 成都市2018年年均PM2.5濃度空間分布Fig.3 Spatial distribution of average annual concentration of PM2.5in Chengdu City in 2018

從圖上可以看出,成都市2018年P(guān)M2.5濃度分布總體上呈現(xiàn)“兩邊低、中間高”的空間分布特征,年平均濃度在0～80μg·m?3之間,成都市的年平均濃度為46.14μg·m?3,超過了國家環(huán)境空氣質(zhì)量二級標(biāo)準(zhǔn)(GB3095-2012)PM2.5濃度限值35μg·m?3。成都市的PM2.5濃度高值區(qū)主要分布在成都平原中部地區(qū),并且形成了一條明顯的新都區(qū)―浦江縣的高值帶;PM2.5濃度低值區(qū)主要分布在成都平原西部的邛崍市、大邑縣、崇州市、都江堰市以及彭州市,這些地方海拔較高,植被覆蓋度高,降雨充足,是PM2.5濃度低值的主要原因;PM2.5濃度次低值區(qū)域主要分布在成都平原東部的金堂縣、簡陽市以及龍泉驛區(qū)和雙流區(qū)的部分地區(qū),這些地方龍泉山山脈的存在阻礙了成都平原PM2.5向這些地方的擴散,形成了PM2.5濃度次低值區(qū)。

3.3.2 時間分布特征

根據(jù)兩種地理加權(quán)回歸模型分別得到了成都市2018年1–12月的PM2.5月均濃度(圖4)以及每個月的空間分布結(jié)果(圖5)。

圖4 成都市PM2.5月均濃度變化Fig.4 Changes in the monthly average concentration of PM2.5in Chengdu City

圖5 成都市PM2.5月濃度空間分布Fig.5 Spatial distribution of monthly concentration of PM2.5in Chengdu City

從圖4可以看出,成都市的PM2.5濃度在月尺度上的總體變化趨勢呈現(xiàn)“凹字型”,且只有6、7、8、9四個月的月均濃度在國家二級標(biāo)準(zhǔn)之內(nèi),其他月份均超過了這個標(biāo)準(zhǔn)。其中,2月份的月均濃度最大,達(dá)到了69.88μg·m?3,超出國家二級標(biāo)準(zhǔn)限值99%,1月份的濃度為第二高,達(dá)到68.94μg·m?3;其次為3、4、11、12月,月均濃度在48.54～60.19μg·m?3之間,超出了國家二級標(biāo)準(zhǔn)39%～72%;6、8、9月的PM2.5濃度相對較低,分別為33.84、34.51、32.28μg·m?3,均低于國家二級標(biāo)準(zhǔn)35μg·m?3,但高于國家一級標(biāo)準(zhǔn)限值15μg·m?3;7月的PM2.5濃度最低,為27.42μg·m?3,超出了國家一級標(biāo)準(zhǔn)限值82%,但低于國家二級標(biāo)準(zhǔn)。

利用地理加權(quán)回歸模型反演得到的成都市PM2.5月濃度結(jié)果如圖5所示。由圖可知,成都市PM2.5月濃度分布在空間上整體呈現(xiàn)出“兩邊低、中間高”的特點,與前面分析的年均分布得到的結(jié)果一致。1月成都市PM2.5濃度總體處于中高值,最大值為89.11μg·m?3;2月成都市的PM2.5濃度分布的空間特征與1月基本一致,但不同的是中部地區(qū)的PM2.5濃度有所上升,最高值達(dá)到了125.37μg·m?3,主要分布在新都區(qū)、新津縣以及蒲江縣;3月與2月相比,高值范圍沒有變化,但是高值覆蓋的區(qū)域明顯降低,且中值(45～65μg·m?3)覆蓋區(qū)域顯著擴大;4月與3月相比總體上變化不大,主要變化的是PM2.5濃度高值區(qū)向東北方向轉(zhuǎn)移;5月PM2.5濃度顯著降低,最大值范圍降到了 45～50 μg·m?3;6–7 月份 PM2.5濃度降到 35～40 μg·m?3,成都市整體上處于低濃度水平且整體差異不大;8月PM2.5濃度有所上升,最高值范圍為55～60μg·m?3,集中分布在崇州市東北部、溫江區(qū)西部、彭州市東南部、簡陽市和金堂縣東南部;9月中部地區(qū)PM2.5濃度最高值增加到60～65μg·m?3,簡陽市、金堂縣東南部PM2.5濃度比8月有所降低;10月與9月相比,中部地區(qū)濃度增加主要集中在蒲江縣和新都區(qū)附近,西北和東南地區(qū)濃度有輕微的回落;10月份PM2.5濃度不但迅速增高,而且高值 (65～75μg·m?3)覆蓋的區(qū)域也大幅的增加;12月成都市的 PM2.5濃度和高值(65～85μg·m?3)覆蓋的區(qū)域進一步的擴大,大部分區(qū)域的PM2.5濃度都超過了40μg·m?3,且低值區(qū)覆蓋區(qū)域進一步縮小。從圖5還可以看出都江堰市、大邑縣和崇州市西北部等地區(qū)長年處于PM2.5濃度低值覆蓋區(qū)。

在季節(jié)尺度上對2018年成都市PM2.5濃度分布進行了反演,得到的空間分布結(jié)果如圖6所示。由圖可知,成都市2018年P(guān)M2.5濃度季節(jié)性變化顯著。春季3–5月的PM2.5濃度最低值為5.45μg·m?3,最高值為 83.42 μg·m?3,平均濃度為 55.23 μg·m?3;夏季 6–8 為 PM2.5濃度最小的季節(jié),最小濃度為 5.36 μg·m?3,最大濃度為 66.76 μg·m?3,平均值為 31.95 μg·m?3,低于國家二級標(biāo)準(zhǔn);秋季 9–11 月 PM2.5濃度在 1.44～73.48μg·m?3之間變化,平均值為 41.4 μg·m?3;冬季 12–2 月 PM2.5濃度明顯上升,最小值為 10.86 μg·m?3,最大值為123.37μg·m?3,平均值為61.38μg·m?3。通過對成都市各季節(jié)PM2.5濃度分布進行分析,可以知道夏季成都市的PM2.5濃度最低,達(dá)到了國家二級標(biāo)準(zhǔn),其次是春秋兩季,冬季濃度最高。從空間上看春季高值區(qū)主要集中在新都區(qū)、郫都區(qū)、溫江區(qū)、青羊區(qū)、崇州市東南部、新津縣北部和青白江區(qū)及其附近區(qū)域;夏季彭州市東南部和溫江區(qū)較其他區(qū)縣PM2.5濃度明顯偏高;秋季高值區(qū)主要包括彭州市東南部以及蒲江縣;冬季彭州市和崇州市東南部、新都區(qū)、郫都區(qū)以及溫江區(qū)PM2.5濃度顯著增加。為了能更準(zhǔn)確的表達(dá)出成都市PM2.5濃度的空間分布特征,對成都市各區(qū)縣的PM2.5濃度進行了統(tǒng)計,結(jié)果如表3所示。從表3可以看出2018年P(guān)M2.5年均濃度最高的區(qū)域為新都區(qū)的55.14μg·m?3,超出了國家二級標(biāo)準(zhǔn)60%;年均濃度最低的地區(qū)為都江堰市的 26.36 μg·m?3。

圖6 成都市2018年各季節(jié)PM2.5濃度空間分布。(a)春季;(b)夏季;(c)秋季;(d)冬季Fig.6 Spatial distribution of concentration of PM2.5in each season in Chengdu City in 2018.(a)Spring,(b)summer,(c)autumn,(d)winter

表3 成都市各區(qū)縣不同季節(jié)PM2.5平均濃度Table 3 Average concentration of PM2.5in different seasons in various districts and counties of Chengdu City

4 討 論

基于MODIS遙感數(shù)據(jù),結(jié)合地面監(jiān)測站點的PM2.5數(shù)據(jù)以及氣象數(shù)據(jù),同時建立了成都市PM2.5濃度反演的地理加權(quán)回歸模型和多元線性回歸模型,通過對比可以發(fā)現(xiàn),地理加權(quán)回歸模型預(yù)測結(jié)果的決定系數(shù)R2、ERMS和EMA等三個精度評價指標(biāo)都明顯好于多元線性回歸模型,表明GWR模型在成都市PM2.5濃度反演精度更高,更符合實際情況。

在進行AOD反演時,由于云層的存在會導(dǎo)致部分反演結(jié)果出現(xiàn)空值。此外,由于成都市PM2.5監(jiān)測站點分布不均勻且大都分布在城區(qū),而在一些鄉(xiāng)鎮(zhèn)及農(nóng)村地區(qū)并沒有監(jiān)測站點,這使得在利用地理加權(quán)回歸模型進行PM2.5濃度反演時離監(jiān)測站點越遠(yuǎn)的地區(qū)誤差可能就越大。PM2.5濃度是由多種因素共同影響的,在以后的研究中可以加入更多的建模因子,不僅僅是氣象因素,譬如流動人口、GDP、工廠密度、綠化覆蓋率等各種評估指標(biāo),建立更加精確的模型。

5 結(jié) 論

利用MODIS L1B021KM數(shù)據(jù)反演了成都市1 km的AOD數(shù)據(jù),結(jié)合PM2.5地面監(jiān)測站點和氣象數(shù)據(jù)分別建立用于反演成都市2018年P(guān)M2.5濃度的地理加權(quán)回歸模型和多元線性回歸模型,分析了成都市PM2.5濃度的時空分布特征,獲得以下結(jié)論：

1)和多元線性回歸模型相比,地理加權(quán)回歸模型在成都市PM2.5濃度反演上具有更高的可信度,其反演 PM2.5濃度的R2、ERMS和EMA分別為 0.884、7.8704 μg·m?3和 6.1566 μg·m?3,都優(yōu)于多元線性回歸的0.808、9.7098 μg·m?3和 7.6081 μg·m?3。

2)成都市PM2.5濃度在月尺度上呈現(xiàn)出先降低、后升高的變化特征,其中2月份的平均濃度最高,其次為1月份,6–9月份的平均濃度都低于國家二級標(biāo)準(zhǔn),7月份濃度達(dá)到最低。在季節(jié)尺度上夏季的濃度最低為31.95μg·m?3,低于國家二級標(biāo)準(zhǔn),其次為秋季;冬季PM2.5濃度最高,達(dá)到61.38μg·m?3;PM2.5濃度季節(jié)變化特征從低到高依次為夏季、秋季、春季、冬季。

3)成都市PM2.5濃度空間分布總體上呈現(xiàn)“中間高、兩邊低”的特征。西邊及西北部的邛崍市、大邑縣、崇州市、都江堰市和彭州市為PM2.5濃度低值區(qū);中部地區(qū)為PM2.5濃度高值區(qū),主要包括新都區(qū)、郫都區(qū)、溫江區(qū)、新津縣以及彭州市和崇州市的東南部;東部的簡陽市和金堂縣為PM2.5濃度次高值區(qū)。