基于移动式监测的道路PM2.5浓度精细化时空模拟.pdfVIP

第78 卷第1期 地 理 学 报 Vol.78, No.1 2023 年1月 ACTA GEOGRAPHICA SINICA January, 2023 基于移动式监测的道路PM2.5 浓度精细化时空模拟 1 1, 2 林荣平 ，周素红 （1. 中山大学地理科学与规划学院，广州510006 ； 2. 广东省公共安全与灾害工程技术研究中心，广州510275） 摘要：作为主要的大气污染指标，PM2.5 浓度常来源于固定环境监测站点的监测与遥感影像数 据，但时空精度普遍不足，难以揭示微尺度下城市内部PM2.5 时空分布情况。本文利用移动式监 测方法，选择典型工作日（2017 年11月27 日），对广州市主城区道路以1 s 和1 m 为时空粒度进行 PM2.5 浓度数据采集，并以早、晚出行高峰时段为对象，通过机器学习方法模拟道路PM2.5 精细化 时空分布格局。结果表明，主城区早高峰道路PM2.5 浓度值相近的平均范围为24 m ，晚高峰为 15 m ，PM2.5 浓度存在微尺度的时空异质性。利用多层感知器（MLP ）构建的早、晚高峰PM2.5 浓 度模型，拟合度分别达到0.70 和0.68 ，明显优于传统的普通最小二乘法（OLS ）线性回归模型。 模型揭示出早高峰主城区全路网PM2.5 平均浓度为30.19 μg/m³ ，晚高峰达到44.55 μg/m³ ，部分高 达94.82 μg/m³ ，且“西高东低”的分布特征显著。本文提出的PM2.5 浓度精细化制图方法，空间精 度可达1 m ，能较好刻画空间异质性。该方法经验证可行，能够为公众健康出行和污染精细化 防治提供参考。 关键词：PM2.5 ；移动式；精细化；环境污染；出行高峰；时空模拟 DOI: 10.11821/dlxb202301010 1 引言 大量的流行病学研究已证实，长期暴露于高PM2.5 浓度的大气环境中容易导致人体生 [1-4] 理功能受到损害，增加心脑血管和呼吸系统等发病率 。鉴于PM2.5 对健康的危害风险， 世界多国开展针对PM2.5 的大气污染监测及其分布制图，为城市污染防控和公共健康风险 预警提供重要信息。 采用环境监测站等定点监测方法获取PM2.5 浓度数据，是目前主要的数据采集方式之 一。这些监测数据用于代表站点周边一定范围内，例如半径500 m~4 km ，甚至是几十公 [5] 里的PM2.5 浓度 。受资金、人力等因素限制，城市环境监测站点的布控数量往往偏少， 导致相应监测结果无法较好揭示整个城市的PM2.5 污染状况，及其内部的空间差异。 利用遥感影像反演的大气气溶胶厚度也常用于表征PM2.5 等空气污染物浓度。在此基 础上，相关研究通过土地利用回归模型 （LUR ）、地理加权回归模型 （GWR）等方法，揭 [6- 11] 示大空间尺度 （如市域、城市群、省域、全国）的主要大气污染物分布和促成因素 ； [12] [13] 或者采用气象研究与预报建模系统 （WRF ） 、HYSPLIT-4 后向轨迹模型 、化学质量 收稿日期：2021-01-08; 修订日期：2022-10-21 基金项目：广东省重点领域研发计划(2020B0202010002); 国家自然科学基金项目 42011530172) [Foundation: Key- Area Resea