点击蓝字 关注我们
基于遥感技术和机器学习的城市街区 PM2.5空间分布特征研究——以合肥市滨湖新区为例
引用格式：王薇, 夏宇轩, 2024. 基于遥感技术和机器学习的城市街区 PM2.5空间分布特征研究——以合肥市滨湖新区为例[J].生态环境学报, 33(9): 1426-1437.
亮点
1
通过气象监测平台实测风速修正AOD数值，有效提高了反演模型的精度，证明风速订正对PM2.5反演模型的优化起到重要作用，为遥感技术在城市街区空间环境的研究提供有效的优化策略；
2
以合肥市10个地面监测站点PM2.5数据为基础，运用机器学习神经网络算法建立合肥市滨湖新区AOD-PM2.5反演模型，并进行反演估算，为滨湖新区大气污染监测和治理提供了对策。
1
导读
利用地面风速对MODIS传感器MCD19A2数据进行风速订正，并与同期气象数据和合肥市国控监测站点的PM2.5数据建立AOD-PM2.5反演模型，并利用模型对PM2.5浓度进行估算和分析，结果表明：1）滨湖新区西南侧PM2.5浓度最高，东南侧最低；2）功能区PM2.5浓度呈现为工业区>商业区>居住区>生态园区；3）工业园区废弃物的排放会导致PM2.5浓度升高，对工厂设备的优化使用以及合理处理生产过程中的废弃物可降低PM2.5浓度；4）商业区和居住区中的尾气排放、扬尘、工业排风等均会导致PM2.5浓度升高，优化交通组织，推动新能源汽车的发展可降低PM2.5浓度；5）产业园区的发展模式对城市PM2.5浓度有显著影响，加快产业结构调整，推动产业绿色技术创新可降低PM2.5浓度；6）城市绿地空间对PM2.5有显著调节作用，增加绿地空间连通度、聚集度，加强大型绿地建设可发挥较强的PM2.5消减作用。该研究所建立的AOD-PM2.5反演模型旨在为城市街区PM2.5空间分布特征研究提供可靠方法，具有重要的实践意义。
2
数据图表
3
结论
本研究将遥感技术和机器学习算法相结合构建了AOD-PM2.5反演模型，利用模型反演合肥市滨湖新区地面PM2.5浓度，并对PM2.5空间分布特征进行分析。主要有以下结论：
1）本研究构建的AOD-PM2.5反演模型通过反复计算探寻了模型的最优参数组合，且MODIS MCD19A2数据空间分辨率已达到1km，羲和数源V1.0数据源空间分辨率可达到30m，覆盖中国全境，在分辨率上优于目前已公开的其他AOD反演PM2.5运算结果，使最终模型拟合优度达到0.8以上，在城市街区获得了较为满意的反演效果，为城市小尺度范围环境监测和治理提供了更加可靠的方法；
2）由于地面风速对 PM2.5扩散具有重要影响，本研究利用同期地面风速值订正AOD数值，一定程度上提高了AOD-PM2.5反演模型的精度，该订正方法可作为AOD数值的有效订正参考方法；
3）受限于羲和能源大数据平台的欧洲中期天气中心数据源空间分辨率限制（25km网格），气象数据无法与合肥市10个国控监测站点在时间和空间上完全匹配，导致只有4个站点的数据可用，一定程度上减少了AOD-PM2.5反演模型样本量，影响了模型结果，进一步研究需考虑反演模型对时间和空间分辨率的匹配要求，选择合适的监测站点和数据源，扩大模型样本量，提高反演模型精度；
4）合肥市滨湖新区地面PM2.5 浓度反演估算结果表明，滨湖新区由西向东PM2.5 浓度逐渐降低，功能上PM2.5 浓度呈现为工业区>商业区>居住区>生态园区。
4
相关文章
[1] 王薇, 伍君奇. 公共建筑入口形式对室内气溶胶扩散的影响研究[J]. 生态环境学报, 2024, 33(8): 1227-1235.
[2] 欧阳美凤, 尹宇莹, 张金谌, 刘清霖, 谢意南, 方平. 洞庭湖典型水域重金属含量的空间分布与来源解析[J]. 生态环境学报, 2024, 33(8): 1269-1278.
[3] 王聪聪, 张小玲, 雷雨, 黄小娟, 王婧怡, 尹黎昊, 王传扬. 基于WRF-CMAQ模型的四川盆地春季持续臭氧污染过程中PM2.5组分解析[J]. 生态环境学报, 2024, 33(8): 1214-1226.
[4] 杨可明, 彭里顺, 张燕海, 谷新茹, 陈新阳, 江克贵. 淮北矿区多种类型植被地上生物量反演研究[J]. 生态环境学报, 2024, 33(7): 1027-1035.
[5] 卢睿霖, 曹芳, 林煜棋, 吴长流, 章炎麟. 南京大气颗粒物化学组分的粒径分布和来源解析[J]. 生态环境学报, 2024, 33(7): 1079-1088.
[6] 潘光, 苗亚茹, 谷树茂, 唐厚全, 毛书帅, 张桂芹, 闫学军. 济南市不同类型燃煤供暖企业废气组分特征及排放估算[J]. 生态环境学报, 2024, 33(6): 919-926.
[7] 张淼, 王桂霞, 王昌伟, 贺艳云, 许艳芳, 李琪, 许杨, 张俊骁, 张桂芹. 济南市区黑碳污染变化特征及来源解析[J]. 生态环境学报, 2024, 33(4): 560-572.
[8] 梁贝竹, 陈建耀, 杨再智, 张鹏程, 任坤, 梁作兵, 杨晨晨, 吴洁珊. 华南滨海小流域地下水中PPCPs的分布、来源及影响因素——以珠海市唐家湾镇为例[J]. 生态环境学报, 2024, 33(2): 249-260.
[9] 温丽容, 林勃机, 李婷婷, 张子洋, 张正恩, 江明, 周炎, 张涛, 李军, 张干. 基于多同位素的珠三角PM2.5中二次无机气溶胶来源解析[J]. 生态环境学报, 2023, 32(9): 1654-1662.
[10] 王薇, 代萌萌. 基于颗粒物时空分布的街道峡谷空间形态研究——以合肥市同安街道为例[J]. 生态环境学报, 2023, 32(9): 1632-1643.
[11] 闫菊平, 王小萍, 龚平, 高少鹏. 尼泊尔一次源含碳气溶胶的排放特征研究[J]. 生态环境学报, 2023, 32(8): 1449-1456.
[12] 郑秋萍, 李菲, 赵芮, 蒋冬升, 王宏. 福建省PM2.5-O3双高特征与天气形势影响分析[J]. 生态环境学报, 2023, 32(8): 1440-1448.
[13] 王雪梅, 杨雪峰, 赵枫, 安柏耸, 黄晓宇. 基于机器学习算法的干旱区绿洲地上生物量估算[J]. 生态环境学报, 2023, 32(6): 1007-1015.
[14] 董洁芳, 邓椿, 张仲伍. 渭河流域PM2.5时空演化及人口暴露风险[J]. 生态环境学报, 2023, 32(6): 1078-1088.
[15] 董智今, 张呈春, 展秀丽, 张维福. 宁夏河东沙地生物土壤结皮及其下伏土壤养分的空间分布特征[J]. 生态环境学报, 2023, 32(5): 910-919.
下载pdf版请点击文末 “阅读原文”
点击“阅读原文”
