基于不透水表面视角的北京市PM2.5污染时空分异研究

冯娟 赵伟娜 蒋义然 冀松 翟伟芳 卢秀丽 刘永立 王艳 杜二玲

引用本文:
Citation:

基于不透水表面视角的北京市PM2.5污染时空分异研究

    作者简介: 冯娟(1982−),女,山西人,硕士,讲师,主要从事图像信息处理方面的研究与教学工作. E-mail:fengjuan_28@126.com;
  • 中图分类号: X513;TP751

Study on the spatio-temporal differentiation of PM2.5 pollution in Beijing based on the impervious surface perspective

  • CLC number: X513;TP751

  • 摘要: 首先基于遥感平台的遥感影像数据,提取北京市4期各年份不透水表面数据并反演AOD值;然后,采用M估计稳健回归的思想,对AOD值与监测站点PM2.5数据进行回归分析,建立回归模型. 根据回归模型和反演的AOD数据,生成空间连续的PM2.5质量浓度数据. 最后,探讨城市扩张对PM2.5污染时空分布及演变的影响机制,定量分析两者关系. 结果显示:北京市2000、2006、2012年和2016年不透水表面面积分别为6 646.37、9 680.52、9 736.31 km2和9 769.20 km2,2000—2016年不透水表面面积增长率为46.99%,相应的PM2.5质量浓度的增长率为56.61%. 北京市2000—2016年的PM2.5污染时间上呈现先加重后在波动中减轻,空间上呈现从西北—东南方向逐渐增高的趋势,严重污染区域为房山区的东部、大兴区、通州区、海淀区、朝阳区、丰台区、石景山区、东城区、西城区、前宣武区及前崇文区. 在此期间,北京市不透水表面空间分布与PM2.5污染空间分布高度一致. 东南方向的通州区、顺义区、平谷区和大兴区不透水表面面积增长率达到90%以上,同时这些区域PM2.5质量浓度增长值也高于西北区域.
  • 图 1  北京市行政区及站点分布图

    Figure 1.  Beijing administrative district and site distribution map

    图 2  AOD与站点PM2.5质量浓度数据回归分析

    Figure 2.  AOD and site PM2.5 data regression analysis

    图 3  北京市PM2.5质量浓度时空变化趋势

    Figure 3.  Spatial and temporal variation trend of PM2.5 concentration in Beijing

    图 4  北京市PM2.5污染水平图

    Figure 4.  PM2.5 pollution level map of Beijing

    图 5  北京市不透水表面变化趋势

    Figure 5.  The change of impervious water area in Beijing

    表 1  北京市主要地类在NDISI影像中的数值特征(波段组合2,4,5,6)

    Table 1.  The numerical characteristics of the main classes in Beijing NDISI images(band combinations 2,4,5,6)

    主要地类最小值最大值平均值标准偏差与不透水面的均值差
    植被−0.359−0.032−0.2230.0640.595
    土壤−0.117−0.012−0.0650.0250.437
    水体−0.819−0.379−0.5680.0680.940
    不透水面 0.187 0.469 0.3720.058
    下载: 导出CSV

    表 2  PM2.5质量浓度等级标准

    Table 2.  PM2.5 quality level standard

    ρ(PM2.5)/(μg·m−3)等级
    0~10
    10~30良好
    30~50轻度污染
    50~70中度污染
    70~90重度污染
    90~115严重污染
    >115污染危险水平
    下载: 导出CSV

    表 3  北京市PM2.5污染等级所占百分比

    Table 3.  Percentage of PM2.5 pollution levels in Beijing %

    时间良好轻度污染中度污染重度污染严重污染污染危险水平
    2000年0.0562.6330.42 6.90 0.000.000.00
    2006年0.0010.6145.8020.1520.492.940.00
    2012年0.0024.6147.3425.02 3.030.000.00
    2016年0.0022.2043.7918.0115.960.030.00
    下载: 导出CSV

    表 4  2000—2016年北京市不透水表面面积与PM2.5质量浓度变化关系

    Table 4.  The changes of impervious surface area and PM2.5 concentrationin Beijing during 2000 to 2016

    县(区)不透水表面面积/km2ρ(PM2.5)/(μg·m−3
    20002006201220162000200620122016
    怀柔区787.29864.46868.62870.3517.3733.2430.1030.82
    密云县1 092.681 103.901 118.251 125.6422.2040.5636.5236.59
    延庆县659.36739.76739.95740.2514.2231.7427.8127.79
    平谷区234.53477.00482.25483.5632.5758.2949.0652.16
    昌平区528.17926.02927.13928.2525.2748.4639.6843.86
    顺义区425.01924.67928.34931.4634.4561.5247.8252.31
    房山区831.871 314.861 319.521 320.4828.7957.1544.0149.36
    通州区338.74795.40805.19816.5742.7880.2259.9371.03
    大兴区433.83833.56835.24836.2444.9584.1361.4773.64
    朝阳区285.93361.97364.25365.3552.6885.8167.2776.45
    门沟头区467.96510.46513.79516.4916.5936.4230.4831.68
    丰台区267.20383.58386.35386.5747.1583.2163.6173.15
    海淀区151.42261.43263.19263.6237.1265.2152.1258.96
    石景山区54.2293.2093.8493.8643.1872.7756.8765.31
    前宣武区19.9320.3020.3220.3354.2689.6768.7579.42
    东城区29.3230.1430.2130.2454.3888.2269.0478.68
    西城区24.5225.3725.3925.4353.5086.5767.6577.62
    前崇文区14.3914.4414.4814.5155.2190.3670.2880.89
    下载: 导出CSV
  • [1] Exum L R, Bird S L, Harrison J, et al. Estimating and projecting impervious cover in the southeastern United States[R]. Washington, DC: AGE Environmental Protection Agency Ecosystems Research Division, EPA Report No. EPA, 2005, 600/R-05/061.
    [2] 马志强, 徐敬, 张小玲. 北京PM2.5背景值定值方法及其变化特征研究[J]. 中国环境科学, 2015, 35(1): 7-12. Ma Z Q, Xu J, Zhang X L. Definition and characteristics of PM2.5 background concentration in Beijing[J]. China Environmental Science, 2015, 35(1): 7-12.
    [3] 杨昆, 杨玉莲, 朱彦辉, 等. 中国PM2.5污染与社会经济的空间关系及成因[J]. 地理研究, 2016, 35(6): 1 051-1 060. Yang K, Yang Y L, Zhu Y H. Social and economic drivers of PM2.5 and their spatial relationship in China[J]. Geogeaphical Research, 2016, 35(6): 1 051-1 060.
    [4] 李建文, 毕丽玫, 韩新宇. 昆明市PM2.5中水溶性无机离子时空变化特征及来源分析[J]. 云南大学学报: 自然科学版, 2017, 39(1): 63-70. DOI:  10.7540/j.ynu.20160456. Li J W, Bi L M, Han X Y. Characteristics and source apportionment of the water soluble inorganic ions in PM2.5 of Kunming[J]. Journal of Yunnan University: Natural Sciences Edition, 2017, 39(1): 63-70.
    [5] Chu Y X, Yang M Y, Zhang S L, et al. Effects of urban construction land spatial form on PM2.5 dispersion[C]. Springer: Proceedings of the 20th International Symposium on Advancement of Construction Management and Real Estate, 2016: 201-214.
    [6] Heald C L, Spracklen D V. Land use change impacts on air quality and climate[J]. Chemical Reviews, 2015, 115(10): 4 476-4 496. DOI:  10.1021/cr500446g.
    [7] Wang H, Gao J. Variation of PM2.5 mass concentration in Beijing Area during 2007—2014[J]. Research of Environmental Sciences, 2016, 5(1): 48-52.
    [8] 张朝能, 王梦华, 胡振丹, 等. 昆明市PM2.5浓度时空变化特征及其与气象条件的关系[J]. 云南大学学报: 自然科学版, 2016, 38(1): 90-98. DOI:  10.7540/j.ynu.20150467. Zhang C N, Wang M H, Hu Z D, et al. Temporal and spatial distribution of PM2.5 concentration and the correlation of PM2.5 and meteorological factors in Kunming City[J]. Journal of Yunnan University: Natural Sciences Edition, 2016, 38(1): 90-98.
    [9] Guo J. 40 cities issue alerts for pollution in China[M]. Beijing: Xinhua Press, 2015.
    [10] Qi Y, Stern N, Wu T. China's post-coal growth[J]. Nature Geoscience, 2016, 9(8): 56-68.
    [11] 王桂林, 杨昆, 杨扬. 京津冀地区不透水表面扩张对PM2.5污染的影响研究[J]. 中国环境科学, 2017, 37(7): 2 470-2 481. DOI:  10.3969/j.issn.1000-6923.2017.07.008. Wang G L, Yang K, Yang Y. The spatio-temporal variation of PM2.5 pollution and the its correlation with the impervious surface expansion[J]. China Environmental Science, 2017, 37(7): 2 470-2 481.
    [12] Liu K, Fang J Y, Zhao D, et al. An assessment of urban surface energy fluxes using a sub-pixel remote sensing analysis: A case study in Suzhou[J]. China Isprs International Journal of Geo-Information, 2016, 5: 11. DOI:  10.3390/ijgi5020011.
    [13] Jibril M, Pdhm L. Land use and land cover change detection in Ilorin, Nigeria, using satellite remote sensing[J]. Journal of Natural Sciences Research, 2014, 3(2): 25-32.
    [14] 李增加, 马友鑫. 利用Landsat影像热红外波段反演西双版纳勐仑地区地表温度的方法初探[J]. 云南大学学报: 自然科学版, 2008, 30(S1): 373-376. Li Z J, Ma Y X. A study on retrieving land surface temperature of Menglun region in Xishuangbanna based on Landsat TM/ETM+ thermal band[J]. Journal of Yunnan University: Natural Sciences Edition, 2008, 30(S1): 373-376.
    [15] Van Donkelaar A, Martin R V, Brauer M, et al. Use of satellite observations for long-term exposure assessment of global concentrations of fine particulate matter[J]. Environmental Health Perspectives, 2015, 123(2): 135-143. DOI:  10.1289/ehp.1408646.
    [16] Zhang Y W, Gu Z L. Air quality by urban design[J]. Nature Geoscience, 2013, 6(7): 506-516. DOI:  10.1038/ngeo1869.
    [17] Han L, Zhou W, Li W. Meteorological and urban landscape factors on severe air pollution in Beijing[J]. Journal of the Air & Waste Management Associat, 2015, 65(7): 782-787.
    [18] 王莉, 胡金妹, 黄久红. 泰州市某区PM2.5污染状况及其对人群健康影响的初步调查[J]. 现代预防医学, 2017, 44(23): 4 244-4 247. Wang L, Hu J M, Huang J H. Pollution status of PM2.5 and its impact on health in the atmosphere, Taizhou[J]. Modern Preventive Medicine, 2017, 44(23): 4 244-4 247.
    [19] 王文朋, 沈惠平, 黄云彪. 大气PM2.5细颗粒物污染状况及对人体健康的影响[J]. 上海预防医学, 2015, 27(5): 290-294. Wang W P, Shen H P, Huang Y B. The pollution status of PM2.5 fine particulate matter and its effect on human health[J]. Shanghai Journal of Preventive Medicine, 2015, 27(5): 290-294.
    [20] Chen Y Y, Ebenstein A, Greenstone M, et al. Evidence on the impact of sustained exposure to air pollution on life expectancy from China's Huai River policy[J]. Roceedings of the National Academy of Science, 2013, 110(32): 12936. DOI:  10.1073/pnas.1616784114.j.
    [21] Chen Z, Wang J N, Ma G X. China tackles the health effects of air pollution[J]. Lancet, 2013, 382(9909): 1 959-1 960. DOI:  10.1016/S0140-6736(13)62064-4.
    [22] 费兵强, 韩炜, 马霄华. 2010—2015年焉耆盆地LUCC特征分析及预测[J]. 云南大学学报: 自然科学版, 2017, 39(3): 395-404. DOI:  10.7540/j.ynu.20160680. Fei B Q, Han W, Ma X H. An analysis of LUCC characteristics during 2010—2015 and its simulation and prediction in Yanqi Basin[J]. Journal of Yunnan University:Natural Sciences Edition, 2017, 39(3): 395-404.
    [23] 查勇, 倪绍祥, 杨山. 一种利用TM图像自动提取城镇用地信息的有效方法[J]. 遥感学报, 2003, 7(1): 37-40. DOI:  10.3321/j.issn:1007-4619.2003.01.007. Zha Y, Ni S X, Yang S. An effective approach to automatically extract urban land-use from TM imagery[J]. Journal of Remote Sensing, 2003, 7(1): 37-40.
    [24] 李霞, 徐涵秋, 李晶. 基于NDSI和NDISI指数的SPOT-5影像裸土信息提取[J]. 地球信息科学学报, 2016, 18(1): 117-123. Li X, Xu H Q, Li J. Extraction of bare soil features from SPOT-5 imagery based on NDSI and NDISI[J]. Geo-information Science, 2016, 18(1): 117-123.
    [25] Han L J, Zhow W Q, Picktt S T A. An optimum city size: The scaling relationship for urban population and fine particulate(PM2.5) concentration[J]. Environmental Pollution, 2016, 208(part A): 96-101. DOI:  10.1016/j.envpol.2015.08.039.
    [26] Han L J, Zhou W Q, Li W F. Increasing impact of urban fine particles (PM2.5) on areas surrounding Chinese cities[J]. Scientific Reports, 2015, 5: 12 467. DOI:  10.1038/srep12467.
    [27] Han L J, Zhou W Q, Li W F. Impact of urbanization level on urban air quality: a case of fine particles (PM2.5) in Chinese cities[J]. Environmental Pollution, 2014, 19(4): 163-170.
    [28] Larkin A, Vandonkelaar A, Geddes J A. Relationships between changes in urban characteristics and air quality in East Asia from 2000 to 2010[J]. Environmental Science & Technology, 2016, 50(17): 9 142-9 147.
    [29] 李同文, 孙越乔, 杨晨雪. 融合卫星遥感与地面测站的区域PM2.5反演[J]. 测绘地理信息, 2005, 40(3): 6-9. Li T W, Sun Y Q, Yang C X. Retrieving PM2.5 using satellite remote sensing and ground station measurements[J]. Journal of Geomatics, 2005, 40(3): 6-9.
    [30] 许继爽.基于MODIS数据的城市地区AOD及PM2.5质量浓度反演[D]. 沈阳: 东北大学, 2014.

    Xu J S. Retrieval of AOD and PM2.5 concentrations over urban areas using MODIS data[D]. Shenyang: Northeastern University, 2014.
    [31] 余健, 刘荣, 聂欣然. 基于MODIS数据的南昌市大气气溶胶光学厚度反演[J]. 测绘与空间地理信息, 2018, 3(6): 58-60. DOI:  10.3969/j.issn.1672-5867.2018.06.018. Yu J, Liu R, Nie X R. Inversion of aerosol optical depth in Nanchang based on MODIS data[J]. Geomatics & Spatial Information Technology, 2018, 3(6): 58-60.
    [32] 薛岩松. 城市气溶胶光学厚度的遥感观测[J]. 城市环境与城市生态, 2013, 25(4): 13-15. Xue Y S. Observation of urban aerosol optical depth based on remote sensing[J]. Urban Environment & Urban Ecology, 2013, 25(4): 13-15.
    [33] 李莘莘, 陈良富. 基于HJ-1-CCD数据的地表反射率反演与验证[J]. 光谱学与光谱分析, 2011, 31(2): 516-520. DOI:  10.3964/j.issn.1000-0593(2011)02-0516-05. Li S S, Chen L F. Retrieval and validation of the surface reflectance using HJ-1-CCD data[J]. Spectroscopy and Spectral Analysis, 2011, 31(2): 516-520.
    [34] 夏志业, 刘志红. MODIS气溶胶光学厚度的PM2.5质量浓度遥感反演研究[J]. 高原气象, 2015, 34(6): 1 765-1 771. DOI:  10.7522/j.issn.1000-0534.2014.00075. Xia Z Y, Liu Z H. Research on ground-level PM2.5 mass concentration retrieval based on MODIS aerosol optical thickness[J]. Plateau Meteorology, 2015, 34(6): 1 765-1 771.
    [35] 王海娜.线性回归模型的若干稳健估计方法与应用实例[D]. 济南: 山东大学, 2013.

    Wang H N. Some robust estimation methods and application examples of linear regression models[D]. Jinan: Shandong University, 2013.
    [36] Huber P J, Ronchetti E M. Robust statistics[M]. Berlin: Springer, 1981.
    [37] 李敏, 何红弟, 郝杨杨. 上海市大气环境中PM2.5/PM10时空分布特征[J]. 云南大学学报: 自然科学版, 2019, 40(2): 323-332. DOI:  10.7540/j.ynu.20180026. Li M, He H D, Hao Y Y. Spatial and temporal variability of PM2.5/PM10 ratio in Shanghai[J]. Journal of Yunnan University: Natural Sciences Edition, 2019, 40(2): 323-332.
    [38] 李梓铭, 孙兆彬, 邵勰. 北京城区PM2.5不同时间尺度周期性研究[J]. 中国环境科学, 2017, 37(2): 407-415. DOI:  10.3969/j.issn.1000-6923.2017.02.002. Li Z M, Sun Z B, Shao X. Using Morlet wavelet analysis to analyze multiple time scale periodically in PM2.5 in Beijing[J]. China Environmental Science, 2017, 37(2): 407-415.
    [39] 谢心庆, 郑薇, 开璇, 等. 基于时间序列和多元方法的乌鲁木齐PM2.5浓度分析[J]. 云南大学学报: 自然科学版, 2016, 38(4): 595-601. DOI:  10.7540/j.ynu.20150789. Xie X Q, Zheng W, Kai X, Xu Y. An analysis of PM2.5 concentration based on time sequence and multivariate methods in Urumqi City[J]. Journal of Yunnan University: Natural Sciences Edition, 2016, 38(4): 595-601.
  • [1] 李建文毕丽玫韩新宇史建武杨健施择宁平 . 昆明市PM2.5中水溶性无机离子时空变化特征及来源分析. 云南大学学报(自然科学版), 2017, 39(1): 63-70. doi: 10.7540/j.ynu.20160456
    [2] 张朝能王梦华胡振丹袁园刘慧邱飞 . 昆明市PM2.5浓度时空变化特征及其与气象条件的关系. 云南大学学报(自然科学版), 2016, 38(1): 90-98. doi: 10.7540/j.ynu.20150467
    [3] 李敏何红弟郝杨杨 . 上海市大气环境中PM2.5/PM10时空分布特征. 云南大学学报(自然科学版), 2019, 41(2): 323-332. doi: 10.7540/j.ynu.20180026
    [4] 黄光球雷哲 . 西安市大气颗粒物PM2.5的输送路径和潜在源分析. 云南大学学报(自然科学版), 2019, 41(6): 1191-1200. doi: 10.7540/j.ynu.20190157
    [5] 谢心庆郑薇开璇许英 . 基于时间序列和多元方法的乌鲁木齐PM2.5浓度分析. 云南大学学报(自然科学版), 2016, 38(4): 595-601. doi: 10.7540/j.ynu.20150789
    [6] 孙座锐吉正元韩新宇史建武张晶张朝能宁平 . 玉溪市城区大气VOCs及其它污染物质量浓度时空特征分析. 云南大学学报(自然科学版), 2018, 40(4): 705-715. doi: 10.7540/j.ynu.20170654
    [7] 李红星黄解军梁友嘉王欢张一驰 . 基于遥感生态指数的武汉市生态环境质量评估. 云南大学学报(自然科学版), 2020, 42(1): 81-90. doi: 10.7540/j.ynu.20190174
    [8] 胡斌周晴段昌群张汉波 . 昆明市盘龙江底泥重金属污染研究初探. 云南大学学报(自然科学版), 2006, 28(2): 166-172.
    [9] 杜挺王旭红梁海艳黄安杨联安 . 湖泊叶绿素a反演的大气校正模型比较研究. 云南大学学报(自然科学版), 2014, 36(2): 241-248. doi: 10.7540/j.ynu.20130361
    [10] 郑明飞张晋赵家云 . 石墨纤维表面与孔隙的结构表征及分形性质分析. 云南大学学报(自然科学版), 2014, 36(1): 88-93. doi: 10.7540/j.ynu.20130321
    [11] 张志明张征凯郭银明陶国庆欧晓昆 . 高原山区遥感植被制图研究综述. 云南大学学报(自然科学版), 2013, 35(3): 416-427. doi: 10.7540/j.ynu.20130188
    [12] 甘淑党承林欧晓昆 . 云南山区NPP遥感监测研究中遥感图像预处理. 云南大学学报(自然科学版), 2002, 24(3): 229-233.
    [13] 王枭轩左小清孟庆岩占玉林刘苗杨泽楠李雨秦 . 基于高分3号和高分2号叶面积指数反演与分析. 云南大学学报(自然科学版), 2019, 41(4): 731-737. doi: 10.7540/j.ynu.20180678
    [14] 甘淑袁希平何大明 . 遥感专家分类系统在滇西北植被信息提取中的应用试验研究. 云南大学学报(自然科学版), 2003, 25(6): 553-557.
    [15] 朱晓晨邱新法曾燕何永健刘皓波 . 中国有效辐射的遥感估算方法研究. 云南大学学报(自然科学版), 2014, 36(5): 674-682. doi: 10.7540/j.ynu.20130773
    [16] 汪金花曹兰杰郭云飞赵礼剑吴兵 . 铁尾矿高−多光谱遥感特征分析与信息识别. 云南大学学报(自然科学版), 2019, 41(5): 974-981. doi: 10.7540/j.ynu.20180656
    [17] 李元平梁爱民张中锋罗娅刘开宇李秀连黄嘉佑 . 北京地区一次冬季平流雾过程数值模拟分析. 云南大学学报(自然科学版), 2007, 29(2): 167-172,182.
    [18] 杨琼李熙萌李征珍石莎冯金朝 . 胡杨异胚发育叶片碳平衡研究. 云南大学学报(自然科学版), 2015, 37(4): 607-615. doi: 10.7540/j.ynu.20150082
    [19] 张熹周永录 . 基于微处理器的无人机遥感云台姿态增稳控制技术研究. 云南大学学报(自然科学版), 2013, 35(S2): 44-. doi: 10.7540/j.ynu.2013b21
    [20] 王海力韩光中谢贤健 . 基于多源遥感数据和DEM的沱江流域人口分布与地形起伏度关系研究. 云南大学学报(自然科学版), 2017, 39(6): 1001-1011. doi: 10.7540/j.ynu.20160599
  • 加载中
图(5)表(4)
计量
  • 文章访问数:  305
  • HTML全文浏览量:  204
  • PDF下载量:  7
  • 被引次数: 0
出版历程
  • 收稿日期:  2019-04-01
  • 录用日期:  2019-11-11
  • 网络出版日期:  2019-12-26
  • 刊出日期:  2020-03-01

基于不透水表面视角的北京市PM2.5污染时空分异研究

    作者简介:冯娟(1982−),女,山西人,硕士,讲师,主要从事图像信息处理方面的研究与教学工作. E-mail:fengjuan_28@126.com
  • 1. 保定理工学院 工程技术学院,河北 保定 071000
  • 2. 河北软件职业技术学院计算机应用工程系,河北 保定 071000

摘要: 首先基于遥感平台的遥感影像数据,提取北京市4期各年份不透水表面数据并反演AOD值;然后,采用M估计稳健回归的思想,对AOD值与监测站点PM2.5数据进行回归分析,建立回归模型. 根据回归模型和反演的AOD数据,生成空间连续的PM2.5质量浓度数据. 最后,探讨城市扩张对PM2.5污染时空分布及演变的影响机制,定量分析两者关系. 结果显示:北京市2000、2006、2012年和2016年不透水表面面积分别为6 646.37、9 680.52、9 736.31 km2和9 769.20 km2,2000—2016年不透水表面面积增长率为46.99%,相应的PM2.5质量浓度的增长率为56.61%. 北京市2000—2016年的PM2.5污染时间上呈现先加重后在波动中减轻,空间上呈现从西北—东南方向逐渐增高的趋势,严重污染区域为房山区的东部、大兴区、通州区、海淀区、朝阳区、丰台区、石景山区、东城区、西城区、前宣武区及前崇文区. 在此期间,北京市不透水表面空间分布与PM2.5污染空间分布高度一致. 东南方向的通州区、顺义区、平谷区和大兴区不透水表面面积增长率达到90%以上,同时这些区域PM2.5质量浓度增长值也高于西北区域.

English Abstract

  • 不透水表面是城市地表覆盖的重要组成部分,具有不透水性的地表面(屋顶、沥青、水泥道路、停车场等)均是不透水表面范畴,是与土壤、植被等透水表面相对的一个概念. 随着城市化的发展,人类对自然地表的不断建设,不透水表面的不断扩张,城市生态系统环境不断地被破坏,导致城市大气污染问题越来越严重[1]. 近年来,北京市持续出现高污染状态,空气污染已经引起中国政府的高度重视,而北京市政府也采取了积极的措施,比如汽车限行、限制工业污染排放、转移污染严重的工厂等,2016年冬季北京空气相较于往年有所好转,但依然未从根本上解决空气污染问题. 雾霾天气之所以产生是因为不利气象条件[2]和污染物排放[3]综合作用的结果,已有研究表明城市气象条件受到城市建筑用地密度、建筑用地高度等控制,城市不透水表面作为城市地表面重要组成,其影响和控制着城市的气象条件,进而影响城市污染物的传播、扩散与汇集[4-17]. 城市污染危害人体健康,给人类带来疾病,PM2.5能够引发心脏病、肺病、呼吸道疾病等多种疾病[18-21]. 因此,该文采用改进的不透水表面信息指数NDISI(Normalized Difference Impervious Surface Index)为城市化指标研究,定量研究不透水表面的扩张对PM2.5质量浓度的影响,是有效治理和控制PM2.5污染的前提,其结果对于控制城市的大气污染具有重要的实践指导意义.

    • 北京市位于华北平原北部,毗邻天津市和河北省,位于115.7°~117.4°E,39.4°~41.6°N之间,总面积16 410.54 km2. 北京的地势西北高,东南低;气候属于北温带半湿润大陆性季风气候,夏季高温多雨,冬季寒冷干燥. 研究区空间范围包括16个区2个县(东城区、西城区、朝阳区、丰台区、石景山区、海淀区、顺义区、通州区、大兴区、房山区、门头沟区、昌平区、平谷区、密云县、怀柔区、延庆县、前崇文区、前宣武区)、147个街道、38个乡和144个镇. 截至2016年年末,北京市常住人口2 170.7万人. 随着城市化的发展,北京市空气污染已经成为全国范围内最严重的区域之一.

    • 城市化发展、不透水表面扩张、空气污染变化等问题是一个中长期问题,为了深入挖掘北京市不透水表面的空间扩张对PM2.5污染时空分布及演变的影响,结合北京市扩张及空气污染实际情况,选择城市扩张和空气污染典型年份进行定量分析研究. 具体的研究区数据包括:①2000年5月24日、2006年6月26日、2012年6月11日及2016年5月19日的遥感影像数据,该数据从中国科学院计算机网络信息国际科学数据镜像网站上下载(http://www.gscloud.cn). ②研究区PM2.5质量浓度数据从中国环境监测总站网上发布平台(http://www.cnemc.cn)和中华人民共和国生态环境部(http://www.zhb.gov.cn/)获取. ③行政区图来源于Wiki世界地图库(http://www.openstreetmag.org),按2010年7月以前的行政区划统计. 以上数据利用GIS软件进行坐标系匹配,本文数据坐标系统用Albers等面积投影.

    • NDBI(Normalized Difference Build Index)指数[22]由杨山先生仿归一化植被指数提出,后查勇等[23]将其改为归一化建筑指数比. 其计算方法为:

      $ {\rm{NDBI}} = \frac{{{\rm{MIR}} - {\rm{NIR}}}}{{{\rm{MIR}} + {\rm{NIR}}}}, $

      式中,MIR、NIR为中红外、近红外波段,Landsat数据中的B5、B4波段. 该指数提出的基础是因为城市建筑用地(多为不透水面)在TM5波段的反射率高于4波段的特点. 但是,建筑用地TM5和TM4波段之间的反差不如水和植被指数波段之间的差异明显,一些其它地类也具有5波段的反射率大于4波段的特点,因此计算NDBI指数,将NDBI>0的像元均归为城镇用地仍不够精确.

    • 该指数由李霞等[24]提出,采用复合波段的方法构建该指数,不仅能够很好地区别不透水面和土壤,而且还排除沙土和水体信息的干扰,较好地提高了信息纯度. 其计算方法为:

      $ {\rm{NDISI}} = \frac{{{\rm{TIR}} - \left[ {\left( {{\rm{VI}}{{\rm{S}}_1} + {\rm{NIR}} + {\rm{MI}}{{\rm{R}}_1}} \right)/3} \right]}}{{{\rm{TIR}} + \left[ {\left( {{\rm{VI}}{{\rm{S}}_1} + {\rm{NIR}} + {\rm{MI}}{{\rm{R}}_1}} \right)/3} \right]}}, $

      式中,NIR、MIR1、TIR为近、中、热红外波段,Landsat影像数据的B4、B5、B6波段;VIS1根据实际效果选取红、蓝、绿波段中的任意一个.

      本文采用改进的不透水表面信息指数(NDISI)提取不透水面信息,经过对研究区数据的反复实验,VIS1采用绿波段,主要地类在不透水表面指数影像上的数值特征见表1.

      主要地类最小值最大值平均值标准偏差与不透水面的均值差
      植被−0.359−0.032−0.2230.0640.595
      土壤−0.117−0.012−0.0650.0250.437
      水体−0.819−0.379−0.5680.0680.940
      不透水面 0.187 0.469 0.3720.058

      表 1  北京市主要地类在NDISI影像中的数值特征(波段组合2,4,5,6)

      Table 1.  The numerical characteristics of the main classes in Beijing NDISI images(band combinations 2,4,5,6)

      NDISI的值介于[−1,1]之间,值越大代表建筑用地密度越大,建筑用地比例越高. 当NDISI>0即为不透水表面,当NDISI<0即为沙土、植被、水体等非不透水表面. 实验过程中,对提取的不透水表面数据随机选取2 000个点,其中不透水表面和透水表面各1 000个点,与谷歌地图进行比对验证,2000、2006、2012年和2016年不透水面提取精度分别为90.12%、89.25%、92.27%、93.32%.

    • 中国从2013年开始在各省市的城市和典型地区部署环境质量自动监测点,监测城市每小时空气质量数据,并在中国环境监测总站网上发布平台和中华人民共和国生态环境部网站实时发布. 本文收集2014年1月开始的北京市35个监测站点PM2.5质量浓度数据,站点分布见图1.

      图  1  北京市行政区及站点分布图

      Figure 1.  Beijing administrative district and site distribution map

    • 地面监测数据虽然实时、准确,但是站点主要分布在城市中心且监测站点稀少,时间跨度又较短,难以满足长时间尺度的空气质量变化研究[25-28].

      (1)反演AOD 大气气溶胶光学厚度AOD(Aerosol Optical Depth)作为衡量气溶胶的一个重要指标,是表征大气浑浊度的一个重要物理量. 利用遥感技术反演PM2.5,需要基于遥感数据反演AOD,其反演过程如下[29-31]. 卫星传感器获得的辐射值由两部分组成,即地表辐射及大气程辐射,计算方法为:

      $ L\left( {{\mu _v}} \right) = {L_0}\left( {{\mu _v}} \right) + \frac{{{\rho _S}}}{{1 - {\rho _S}S}}{\mu _S}{F_0} \times T\left( {{\mu _v}} \right), $

      式中,Lμv)、L0μv)为传感器获取的辐射亮度和观测方向路径辐射项,${\mu _S} = \cos {\theta _s}$${\mu _v} = \cos {\theta _v}$θsθv为太阳天顶角和观测天顶角,ρS为地表二向反射率,s为大气下界半球反射率,$T\left( {{\mu _S}} \right)$$T\left( {{\mu _v}} \right)$ 分别为观测方向与太阳辐射方向的大气透过率[32]μSF0为太阳光垂直方向与大气层顶的辐射通量密度[33]. 将入射太阳辐射项μSF0代入式(3),归一化后可以得到

      $\begin{split} &{\rho _{{\rm{TOA}}}}\left( {{\mu _S},{\mu _v},\varphi } \right) = {\rho _0}\left( {{\mu _S},{\mu _v},\varphi } \right) +\\ &\qquad\frac{{T\left( {{\mu _S}} \right)T\left( {{\mu _v}} \right){\rho _S}\left( {{\mu _S},{\mu _v},\varphi } \right)}}{{1 - {\rho _S}\left( {{\mu _S},{\mu _v},\varphi } \right)S}},\end{split} $

      式中,ρTOAμSμvφ)为大气表观反射率,ρSμSμvφ)是地表反射率,其它的参数ρ0μSμvφ)、TμS)、Tμv)、s都是气溶胶模式的函数[18],也是AOD反演过程中6S模型的重要参数.

      AOD的反演首先基于假定的气溶胶模式,运用6S大气传输模型构建查找表,查找表内容包含有ρ0TS、太阳天顶角、相对方位角、卫星天顶角、550 nm AOD,然后由卫星观测的几何信息,在不同光学厚度值内插出ρ0TS,代入式(4)可以得到ρTOA,最后根据卫星观测真实表观发射率反推大气AOD.

      (2)PM2.5的遥感反演[34] 将北京市35个监测站点作为感兴趣点,在遥感影像上提取相应位置点的AOD数据. 假如提取N个兴趣点的PM2.5质量浓度值和AOD值,分别记为xiyii=1,2,...,n构建两者的回归模型,见式5.

      $ y = a + bx + \varepsilon , $

      式中,y代表PM2.5质量浓度,x为AOD数据,ab为模型未知参数,ε为随机误差.

      为了保证模型的精确性,利用M估计稳健回归的思路确定回归系数,该思路是采用迭代加权最小二乘估算回归系数,依据回归残差的大小确定个点的权重ωi[35]. 可以排除数据中异常值的影响,其优化的目标函数的最小值为:

      $ \mathop \sum \limits_{i = 1}^n {\omega _i}{\left[ {{y_i} - \left( {a + b{x_i}} \right)} \right]^2}, $

      其中,权重ωi由Huber法[36]构造得到

      $ {\omega _i} = \left\{ {\begin{array}{*{20}{c}} {1,\;\;\;\;\;\;\;\;\left| {{u_i}} \right| \leqslant c;}\\ {c\left| {{u_i}} \right|,\;\;\;\;\;\;\left| {{u_i}} \right| \leqslant c;} \end{array}} \right. $

      式中,c一般取值为1.345,ui是标准化残差.

      基于PM2.5站点数据和AOD建立的回归模型,即可根据反演的AOD数据,生成空间上连续的PM2.5质量浓度数据.

      (3)卫星−站点回归分析 将基于MODIS L1B数据反演的AOD数据与PM2.5站点数据进行稳健回归分析,结果见图2所示,相关系数分别为0.878.

      图  2  AOD与站点PM2.5质量浓度数据回归分析

      Figure 2.  AOD and site PM2.5 data regression analysis

    • 根据遥感反演的北京市2000、2006、2012年和2016年PM2.5质量浓度图(图3),利用GIS软件进行统计分析[37],得到各年PM2.5质量浓度的均值分别为58.3、98.6、79.8 µg/m3和73.0 µg/m3,年平均增长率分别为11.52%、−3.18%、−2.32%. 2000—2006年北京市PM2.5质量浓度呈增长趋势;2006—2016年,北京市PM2.5质量浓度值呈波动中逐渐下降的趋势. 然而,即使2016年PM2.5质量浓度73.0 µg/m3的年均值仍超国家标准1.09倍,全年重污染天气39 d,PM2.5的污染问题仍然比较严重[38]. 2000—2016年期间,北京市的PM2.5污染空间上呈现从西北至东南方向逐渐上升的趋势. PM2.5污染较低的是远郊区的怀柔区、延庆区、门沟头区;其次是密云县、昌平区、平谷区、顺义区以及房山区的西部;最严重的是房山区的东部、大兴区、通州区、海淀区、朝阳区、丰台区、石景山区、东城区、西城区、前宣武区和前崇文区.

      图  3  北京市PM2.5质量浓度时空变化趋势

      Figure 3.  Spatial and temporal variation trend of PM2.5 concentration in Beijing

      图  4  北京市PM2.5污染水平图

      Figure 4.  PM2.5 pollution level map of Beijing

      为了反映北京市PM2.5质量浓度污染等级,文中把北京市PM2.5质量浓度数据图3按照表2的等级标准进行了重新分类,划分为7个等级的污染水平区域,得出北京市PM2.5污染水平图(图4). 从图4结果可知,2000年北京市PM2.5污染状况接近半数区域均处于良好水平,东南角平谷区、顺义区、通州区、大兴区和房山区的部分区域处于轻度污染水平;仅市中心的朝阳区、海淀区、丰台区的部分区域以及东城区、西城区、前宣武区、前崇文区处于中度污染水平. 至2006年,北京市PM2.5污染水平整体上均加重,仅位于东北角的怀柔区一部分处于良好水平;密云区、延庆区、昌平区、门沟头区由良好水平恶化为轻度污染水平;平谷区、顺义区则由轻度污染水平恶化为中度污染水平;而大兴区、通州区、房山区急剧恶化,由轻度污染发展为重度污染甚至是严重污染水平;丰台区和朝阳区则出现大面积的严重污染. 2006—2012年北京市PM2.5污染状况得到了有效控制,治理效果最好的区域位于东南角的通州区、大兴区、朝阳区、丰台区、海淀区的东南角、房山区的东部区域以及东城区、西城区、前崇文区和前宣武区,基本上东南角由大面积的严重污染和重度污染降低为中度污染水平. 2012—2016年北京市PM2.5污染水平整体上变化不大,位于东南角的大兴区、通州区、朝阳区、丰台区以及东城区、西城区、前崇文区、前宣武区的PM2.5污染有所加重. 在污染水平图的基础上,对每个污染等级所占面积进行统计分析(表3). 从表3结果可知,2000—2006年,除良好等级区域面积所占百分比由62.63%降至10.61%外;轻度污染、中度污染、重度污染和严重污染区域面积所占百分比均呈上升趋势,充分说明此时段北京市PM2.5污染急剧加重. 2006—2012年,良好区域面积所占百分比由10.61%增至24.61%;轻度污染和中度污染区域面积所占百分比变化不大;特别是严重污染及重度污染区域面积所占百分比均呈下降趋势,充分说明北京市空气质量治理措施有效,PM2.5质量浓度呈降低趋势. 2012—2016年,良好区域面积所占百分比变化不大;特别是轻度污染、中度污染区域面积所占百分比均呈下降趋势;而重度污染区域面积百分比明显增长. 总体来看,2006—2016年北京市PM2.5质量浓度呈现波动中逐渐下降的趋势.

      ρ(PM2.5)/(μg·m−3)等级
      0~10
      10~30良好
      30~50轻度污染
      50~70中度污染
      70~90重度污染
      90~115严重污染
      >115污染危险水平

      表 2  PM2.5质量浓度等级标准

      Table 2.  PM2.5 quality level standard

      时间良好轻度污染中度污染重度污染严重污染污染危险水平
      2000年0.0562.6330.42 6.90 0.000.000.00
      2006年0.0010.6145.8020.1520.492.940.00
      2012年0.0024.6147.3425.02 3.030.000.00
      2016年0.0022.2043.7918.0115.960.030.00

      表 3  北京市PM2.5污染等级所占百分比

      Table 3.  Percentage of PM2.5 pollution levels in Beijing %

    • 采用改进的归一化不透水表面指数法(NDISI)提取北京市2000、2006、2012、2016年的不透水表面数据(图5). 利用ArcGIS软件对不透水表面数据进行重分类,统计NDISI>0的区域面积即不透水表面面积. 北京市的不透水表面面积2000、2006、2012年和2016年分别为6 646.37、9 680.52、9 736.31 km2和9 769.20 km2. 对图35进行比较分析,可知不透水表面的分布与扩张与PM2.5空间分布规律一致. 不透水表面值越大,建筑密度越高的区域,PM2.5质量浓度也高,污染水平也高. 位于北京市东南部的朝阳区、丰台区、通州区、大兴区、东城区、西城区、前宣武区和前崇文区等区域不透水表面覆盖率明显高于其它区域,其PM2.5污染最严重;而位于西北方向的怀柔区、延庆县、密云县、昌平区、门沟头等区域的不透水表面覆盖率低,PM2.5污染也轻. 总体上,高污染区域相对主要集中于人口密集的市中心区域. 2000—2016年,随着北京城市化的发展,不透水表面的不断扩张,东南方向的扩张明显高于西北地区,这与PM2.5污染东南方向加重程度高于西北方向保持吻合. 可见,PM2.5污染的程度与不透水表面分布程度在空间上和时间上均保持高度一致.

      图  5  北京市不透水表面变化趋势

      Figure 5.  The change of impervious water area in Beijing

    • 利用数理统计分析工具[39],依据PM2.5质量浓度图和不透水表面数据(图5),分别计算2000—2016年间北京市各县(区)不透水表面覆盖与PM2.5质量浓度均值,比较分析两者间的变化特征,挖掘两者之间潜在的相关关系(表4). 其中通州区、顺义区、平谷区、大兴区不透水表面面积增长最快,增长率达到90%以上,其次是昌平区、石景山区、海淀区增长率约70%. 相应的PM2.5质量浓度加剧情况如下:通州区增长了28.25 μg/m3、顺义区增长了17.86 μg/m3、平谷区增长了19.59 μg/m3、大兴区增长了28.69 μg/m3. 总之,城市不透水表面的增长与PM2.5污染的加重程度呈正相关关系. 而位于市中心的前宣武区、东城区、西城区及前崇文区其不透水表面增长虽然不高,但是其污染却最严重,原因是因为不透水表面不会直接产生污染物,其和PM2.5是间接关系,污染物排放主要是受不透水表面上的建筑用地用途的影响,例如工业用地污染排放量大于居住用地,居住用地又大于商业用地.

      县(区)不透水表面面积/km2ρ(PM2.5)/(μg·m−3
      20002006201220162000200620122016
      怀柔区787.29864.46868.62870.3517.3733.2430.1030.82
      密云县1 092.681 103.901 118.251 125.6422.2040.5636.5236.59
      延庆县659.36739.76739.95740.2514.2231.7427.8127.79
      平谷区234.53477.00482.25483.5632.5758.2949.0652.16
      昌平区528.17926.02927.13928.2525.2748.4639.6843.86
      顺义区425.01924.67928.34931.4634.4561.5247.8252.31
      房山区831.871 314.861 319.521 320.4828.7957.1544.0149.36
      通州区338.74795.40805.19816.5742.7880.2259.9371.03
      大兴区433.83833.56835.24836.2444.9584.1361.4773.64
      朝阳区285.93361.97364.25365.3552.6885.8167.2776.45
      门沟头区467.96510.46513.79516.4916.5936.4230.4831.68
      丰台区267.20383.58386.35386.5747.1583.2163.6173.15
      海淀区151.42261.43263.19263.6237.1265.2152.1258.96
      石景山区54.2293.2093.8493.8643.1872.7756.8765.31
      前宣武区19.9320.3020.3220.3354.2689.6768.7579.42
      东城区29.3230.1430.2130.2454.3888.2269.0478.68
      西城区24.5225.3725.3925.4353.5086.5767.6577.62
      前崇文区14.3914.4414.4814.5155.2190.3670.2880.89

      表 4  2000—2016年北京市不透水表面面积与PM2.5质量浓度变化关系

      Table 4.  The changes of impervious surface area and PM2.5 concentrationin Beijing during 2000 to 2016

    • (1)本文采用NDISI提取不透水面信息,得出北京市2000、2006、2012年及2016年的不透水表面面积,2000—2016年北京市不透水表面面积东南方向的扩张明显高于西北方向.

      (2)根据北京市35个监测站点在遥感影像上提取相应位置点的AOD数据,采用M估计稳健回归的思想,构建PM2.5质量浓度监测值和AOD值间的回归模型. 根据回归模型,在反演的2000、2006、2012年及2016年AOD数据的基础上,反演生成相应年份PM2.5质量浓度数据. 经统计分析得出各年PM2.5均值分别为58.3、98.6、79.8 µg/m3和73.0 µg/m3,北京市的PM2.5污染空间上呈现出从西北方向至东南方向逐渐增高的趋势.

      (3)在PM2.5质量浓度数据基础上,进行重分类分级得到PM2.5污染水平图. 比较分析各年数据,2016年相对于2000年各区域污染相对加重,特别是朝阳区、丰台区、大兴区、通州区以及东城区、西城区、前宣武区、前崇文区污染水平处于重度甚至是严重污染水平. 总体上,2000—2006年北京市PM2.5污染急剧加重,2006—2016年PM2.5质量浓度呈现出波动中逐渐下降的趋势.

      (4)比较分析各年PM2.5质量浓度与不透水表面数据,结果显示北京市不透水表面面积向东南方向的扩张明显高于西北方向,这与PM2.5污染东南方向加重程度高于西北方向保持高度一致.

      (5)PM2.5污染时空变化规律与不透水表面覆盖率之间时空变化关系研究,采用GIS的空间分析和统计分析工具,制作了PM2.5污染质量浓度、PM2.5污染水平、不透水表面图谱. 通过图谱分析,直观形象地反映两者之间的变化关系. 可见,图谱分析是显示和揭示各要素和现象空间形态结构和时空变化规律的一种高效且直观的手段和方法.

参考文献 (39)

目录

    /

    返回文章
    返回