基于MCD19-A2数据和GWR模型的2011－2020年中国大气PM2.5质量浓度反演

郭一土，夏 楠,2,3，周子钰，朱沛玥，全伟琳

基于MCD19-A2数据和GWR模型的2011－2020年中国大气PM2.5质量浓度反演

郭一土1，夏 楠1,2,3※，周子钰1，朱沛玥1，全伟琳1

（1. 新疆大学地理与遥感科学学院，乌鲁木齐 830017； 2.自然资源部荒漠-绿洲生态监测与修复工程技术创新中心，乌鲁木齐 830002； 3.新疆大学绿洲生态教育部重点实验室，乌鲁木齐 830017）

为探究MODIS高时空分辨率气溶胶产品数据在长时间序列下对于反演中国陆地PM2.5质量浓度的适用性和准确性。该研究基于MCD19-A2数据研究2011－2020年中国陆地气溶胶光学厚度（aerosol optical depth，AOD）的时空分布特征，以降水、风速等8个气象要素为辅助变量建立反演PM2.5的地理加权回归模型（geographically weighted regression，GWR）并分析中国陆地PM2.5的空间分布。结果表明：1）2011－2020年中国陆地气溶胶时空分布基本符合“西低东高、逐年下降”的规律且10 a间AOD值存在较大季节差异，春季（0.294）>夏季（0.262）>冬季（0.223）>秋季（0.194）。2）利用方差膨胀系数（variance expansion coefficient，VIF）对变量进行多重共线性检验，建立并分析2011－2020年GWR模型，发现建模集决定系数均大于0.760，验证集决定系数均大于0.740，且均方根误差均小于7.070 µg/m3，模型拟合效果良好。3）将GWR模型预测的PM2.5浓度值分别通过样条函数插值法、反距离加权插值法、克里金插值法和自然邻近插值法进行空间插值，发现4种插值方法决定系数均大于0.910，均方根误差均小于7.030 µg/m3，插值结果十分可靠，并与国家地球系统科学数据中心所提供的“1 km高质量中国PM2.5分布”数据一致。该研究表明结合MCD19-A2数据与GWR模型反演PM2.5浓度具有较好的适用性。

模型；反演；气溶胶光学厚度；PM2.5；MCD19-A2；地理加权回归；中国陆地

0 引 言

中国很多城市由PM2.5造成的环境问题日益突出，不仅影响人们的正常生活，还严重威胁公众的身体健康[1]，因此准确获取PM2.5浓度数据及其分布情况是改善空气质量的必要前提。气溶胶是大气中悬浮的多形态微粒[2]，PM2.5是当中直径小于等于2.5 µm的固体形态[3]，其是评价大气环境质量的重要指标，其中，气溶胶光学厚度（aerosol optical depth，AOD），是气溶胶消光系数的垂向积分，常被用于大气环境参数的定量反演[4-5]。

目前PM2.5浓度获取主要包括两种方法：一是通过环境监测站得到各站点的PM2.5质量浓度，但无法获取整个区域的PM2.5浓度的分布情况；二是通过遥感方法得到整个区域的PM2.5浓度空间分布，弥补了环境监测站空间分布不连续的缺陷。近年来，许多国内外学者基于AOD数据建立不同的数学、物理模型，进行PM2.5的反演表达进行了大量研究。例如，郭恒亮等[6]使用优化后BP神经网络模型，按季节对AOD和PM2.5进行分析，发现优化后BP神经网络的模型精度明显提高且冬季提高效果最为明显；王庆鑫[7]基于Himawari-8/AHI的AOD数据使用多元线性回归模型（linear mixed model，LME）反演PM2.5浓度分布，并按照逆方差加权法（inverse-variance weighted，IVW）融合模型反演结果，发现融合后的模型结果能更好地描述PM2.5空间分布的细节信息；ASHA[8]结合MODIS卫星与实测AOD数据建立了混合逻辑模型（mixed logistic regression，MLR）并对其加入残差数据进行优化，来反演印度的PM2.5浓度分布，发现考虑残差后的MLR优化模型反演效果更好。上述研究发现可以使用AOD数据建立不同优化后的数学模型来反演PM2.5的分布，但没有考虑地理空间位置会对模型的效果造成影响，难以揭示大区域尺度PM2.5浓度分布特征，不适用于大范围的研究区域。除此以外，杨晓辉[9]发现用地理加权回归（geographically weighted regression，GWR）模型反演京津冀地区PM2.5的分布要比LME与随机森林模型（random forests，RF）的效果更好、精度更高；并且张喆等[10-11]的研究肯定了MCD19-A2气溶胶产品数据在研究各地区气溶胶的时空分布的可行性和准确性。但大多数现有研究都未将MCD19-A2数据和GWR模型结合来定量分析与空间可视化表达中国陆地大尺度范围下的PM2.5浓度空间分布。

由此可见，对于大区域尺度下的AOD反演PM2.5的研究仍待进一步细化深入。因此，本研究利用MCD19-A2气溶胶产品数据分析2011－2020年中国陆地AOD的时空变化特征；结合GWR模型和中国各城市2011－2020年各年份AOD值、大气边界层高度以及降水、相对湿度、风速、温度等要素建立年尺度与月尺度的PM2.5反演模型并进行精度验证，以期对中国陆地AOD分布进行研究，建立更加准确的PM2.5反演模型，进而得到中国陆地PM2.5的准确分布，为中国大气环境质量监测提供科学方法和数据支撑。

1 研究方法与数据来源

1.1 研究区概况

中国地势西高东低，地形复杂，山地、高原区和丘陵地形约为陆地面积的67%，盆地和平原区约占陆地面积的33%，自西向东呈依次降低的三级阶梯地势特征[12]。中国地域辽阔，气温、降水类型组合丰富，气候复杂多样[13]，气象因素和气候变化对AOD的时空变化规律有一定影响[14]。中国各省份的社会经济发展状况及人口的分布差异影响人类活动进而影响AOD的空间分布[15]，2021年全国总人口为14.46亿人，东部占93.50%，西部仅占6.50%；全国总GDP为101.36万亿元，广东省位居首位，约占10.93%，西藏位居末尾，仅占0.19%；随着社会主义现代化进程不断加快，2010年起全国灯光遥感数据每年的增加速率为106（遥感影像像元亮度值（digital number，DN））[16]，经济增长迅速。中国2007－2016年PM2.5浓度整体呈下降趋势，但2015－2018年空气质量为优的天数仅占总天数的31.31%，且年均空气质量指数为76.68[17]，空气污染问题仍然掣肘美丽中国建设，因此探究近年来中国大气质量变化与气溶胶时空分布十分必要。

1.2 数据来源及预处理

气溶胶数据：从NASA官方网站（https://search.earthdata.nasa.gov）下载气溶胶光学厚度产品数据MCD19-A2（其中MCD19指气溶胶数据由Terra和Aqua两颗卫星所搭载的MODIS传感器共同获取，A2指的是Level-2产品数据，即已经过定标定位后的包含所有波段的产品数据），空间分辨率为1 km×1 km，与之前1°×1°的MODIS C006[18]产品相比更加精确，对于较小的污染热点也能准确表述[11,14]。选取2011－2020年中国陆地区域的MCD19-A2影像数据，共下载79 200景。基于ENVI5.3软件的拓展工具MCTK（Modis conversion toolkit）结合IDL编程对数据进行550 nm波段的批量提取，并将投影转换为WGS84-Albers等面积投影，然后对得到的10 a中每天22景影像进行镶嵌操作，使用ArcGIS10.8软件建立渔网点并通过普通克里金经log三次变换后插值得到完整AOD分布影像，插值数据服从正态分布，结果的决定系数（coefficient of determination,2）均大于0.85，且均方根误差（root mean squared error, RMSE）小于0.5 µg/m3，符合精度要求，最后进行批量掩膜提取及栅格运算，得到月平均、季平均（根据中国气候特征，将3－5月划为春，6－8月为夏，9－11月为秋，12－次年2月为冬）、年平均等栅格影像，经统计分析后得到的全国各城市AOD平均值。

气象数据：2011－2020年全国各气象站点实测气象数据，在中国气象科学数据中心（http://data.cma.cn）下载。

PM2.5浓度数据：该数据来源于国家地球系统科学数据中心（http://nnu.geodata.cn:8008），包括2011－2020年中国逐月PM2.5浓度数据，空间分辨率为1 km×1 km，其原始数据来源于CNEMC、NASA等多个网站，精度可靠，拟合程度高，具备数据完整性[19]。对下载的PM2.5浓度数据文件利用Matlab软件将.nc格式转成.tif格式的栅格影像，利用ArcGIS10.8软件进行年均值提取和掩膜镶嵌获取各年份PM2.5浓度均值以及用统计分析来获取全国各城市PM2.5浓度均值。

大气边界层高度数据：该数据来源于欧洲中期天气预报中心即ECMWF所公布的ERA5数据集。下载数据集中的大气边界高度数据后，用Matlab进行批量处理，再重采样至1 km得到中国各城市平均大气边界高度数据，统计分析获取中国各城市平均大气边界高度数据。

1.3 垂直—湿度订正

考虑到AOD是垂直方向上消光系数的积分，而PM2.5浓度数据只代表地面质量浓度，二者在空间上差异较大，因此要对AOD进行垂直订正[20]，以达到与PM2.5质量浓度数据空间上相匹配的效果，其计算式为

式中AOD为将MODIS所获取的AOD值（AOD）除以相应的大气边界高度(km)得到的近地面一定高度的AOD值。

相对湿度（relative humidity，RH）也会影响AOD值的大小，从而影响PM2.5质量浓度的反演效果[21]，因此对于空间范围较大的研究区域来说，仅对AOD数据进行垂直订正是不够的，还需对其进行湿度订正。依据所获取全国各城市相对湿度建立起一个湿度影响因子，其计算式[21]为

式中RH为各城市RH值。

将垂直订正后的AOD值（AOD）除以湿度影响因子，得到垂直—湿度订正后的AOD值（AOD）。其计算式[21]为

最后对垂直-湿度订正后的近地面AOD与PM2.5浓度数据进行相关性分析，发现两者的相关系数由最初的0.365增大到0.779，提升效果显著。

1.4 多重共线性检验

在建立GWR模型之前，需要对模型的8个变量因子即AOD值、温度、相对湿度、降水、蒸散发、风速、大气边界层高度和归一化植被指数进行多重共线性检验，多重共线性检验是为了避免变量之间由于存在相关关系而导致模型效果失真[22]。本研究选取PM2.5月均浓度数据与对应月份的AOD数据和气象要素等辅助数据进行匹配，利用方差膨胀系数（variance inflation factor，VIF）对变量进行多重共线性检验。VIF用以衡量模型内变量之间线性相关关系，是检验某一自变量能被模型中其余自变量解释程度的重要指标，值越接近于1，多重共线性越轻，值越大，多重共线性越重。采取付宏臣等[23]研究中的判断条件（VIF整体小于7）来判断本研究中所选取变量是否满足建立GWR模型的条件。

1.5 地理加权回归模型的建立及精度评估

GWR模型属于一种局部回归模型[24]，由于中国各城市地理空间差异较大，需要通过构建GWR模型分析中国各城市不同月份的PM2.5浓度数据的影响因素。通过分析各样本点与回归点之间的距离来确定其权重从而求出整个区域内各样本点的回归系数。构建GWR模型的关键是确定权重矩阵的各个数值。本文选用自适应型高斯函数作为权函数，其计算式[25]为

式中表示带宽，d0表示回归点（0,0）和样本点（u,v）之间的距离。本研究采取交叉验证法（cross-validation，CV）[26]来实现自适应带宽的确定。为评价GWR模型的拟合效果, 本研究通过ArcGIS 10.8的Create Random Points模块均匀提取75%的样本作为建模数据和25%的数据作为验证数据，同时选用决定系数2、均方根误差RMSE来进行精度检验；利用已经处理好的2011－2020年中国各城市的PM2.5及各类辅助变量数据通过ArcGIS 10.8 Modeling Spatial Relationships工具中Geographically Weighted Regression功能建立中国陆地的10个年尺度GWR模型，得到各模型的拟合效果，再利用SPSS 26软件对各模型拟合效果进行精度验证，进行整合得到各年份调整后拟合精度2、验证精度2和RMSE。

2 结果分析

2.1 中国陆地AOD年际分布特征

分析经栅格运算后的近10 a均值影像和2020年与2011年差值影像，研究中国陆地AOD空间分布特征与时间变化趋势。由图1可知：2011－2020年中国陆地气溶胶空间分布基本符合“东高西低”的规律；以“胡焕庸线”为界，中国陆地东南地区基本均为AOD高值区域，西北地区大部分为AOD低值区域。京津冀地区、长三角地区、珠三角地区以及中国中部的江淮平原地区由于人口众多、工农业生产发达，所排放各类污染气体会转换成烟尘、扬尘以及粒径较小的气溶胶颗粒物等；山西及其周边地区由于煤炭资源的开采与燃烧，会排放大量气溶胶颗粒物；新疆塔里木盆地及其周边地区由于塔克拉玛干沙漠的广泛分布，含有大量沙尘颗粒物；四川盆地内部空气对流较差且不断接收北方的沙尘，气溶胶扩散困难且不断聚集，这些区域AOD值较高。然而在中国西部地区（新疆塔里木盆地除外）、内蒙古自治区与黑龙江省等地，由于人口较少，工业生产活动有限，污染气体排放较少；云贵高原、青藏高原由于海拔较高，人口密度低，经济发展较缓，这些区域AOD值较低。

对图1进行定量分析发现：2011—2020年，虽然中国陆地AOD空间分布基本不变，但AOD值存在一定波动且不断减小。通过计算得出，中国陆地这10 a平均AOD值为0.246，其中2011年AOD值最高，为0.305，2019年最低，为0.203；10 a中AOD最高值1.652出现在2014年的四川盆地。从2020与2011的差值对比图（图1b）可以看出，中国陆地大部分区域的 AOD 值有较为明显的下降，由于四川盆地受到地形的影响，AOD值常年较高，因此当出现下降时，其减量也最大，为1.3左右；塔里木盆地与中国东南地区和部分华南地区，其减量可达0.3及以上；东北三省与京津冀地区其减量区间为0.1～0.3。增量最大地区出现在云南南部，其增量为0.3及以上；新疆天山以北的城市群、西藏地区、河南与山东南部地区、甘肃与青海部分区域和黑龙江中部等地，其增量基本在0.1～0.3之间。中国大部分地区的AOD值不断减少，这得益于中国近些年不断地推进各项环境保护政策，大气环境污染减少，整体空气质量保持继续改善的趋势。

2.2 中国陆地AOD季节分布特征

中国2011－2020年间不同季节AOD平均值分布如图2所示，在中国高、低AOD地区的季节分布与AOD历年空间布局基本一致，但各地区的强度与范围随季节转变。春季是AOD值最高季，夏季次之，秋季和冬季相对较低。京津冀地区与江淮平原地带各产业发展迅速且人口众多，污染较为严重；四川盆地受地貌条件和沙尘输送途径的影响，大气颗粒物在此汇集且不易扩散，AOD值较高；新疆（塔里木盆地除外）、内蒙古、青藏高原等地由于人口密度低、工业生产发展缓慢，AOD值较低；这些地区AOD值较为稳定。然而，广西及其周边地区在春季易受沙尘污染，同时在地形、气压、气温等自然条件的影响下，气溶胶不易扩散，AOD值较高；但在夏季，由于温带季风气候的影响，降雨增多，大气气溶胶发生湿沉降作用，落至地面，使这些区域AOD值下降；到了秋季，湿沉降作用进一步加强，AOD值继续下降，但随暖湿气流的不断北移，南方地区出现高温高湿天气，空气相对湿度的增加对气溶胶的湿沉降产生了抑制作用，导致江西、广西、广东、湖南等部分地区的AOD值较夏季有一定的升高；冬季北方开始集中供暖，燃料的燃烧等排放大量颗粒物，因此在图中出现点状高值区域。春夏两季，陕西、山西的AOD值较高，这和当地沙尘天气以及煤炭能源的采掘有较大关系。秋冬两季，中国西部地区、北部地区（除京津冀）均为低值区，AOD最高值出现在四川盆地、长三角地区和京津冀地区。多年平均AOD在春、夏、秋、冬四季中分别为0.294、0.262、0.194、0.223，春夏两季明显高于秋冬两季。

图1 2011—2022中国陆地气溶胶光学厚度AOD空间分布

图2 2011－2020年中国陆地AOD均值季节分布

2.3 GWR模型拟合效果分析

经过对各年的VIF值的计算，发现2018年各变量之间的多重共线性最强，因此建立2018年中国各城市的月尺度GWR模型来判断是否满足建立GWR模型的前提。运用SPSS 26软件计算得到2018年PM2.5与各变量之间的VIF。对2018年各个变量因子之间VIF整体分析，发现除月平均温度与月平均蒸发量的VIF变化较大以外，其余各项数据都趋于0，且2018年不同变量之间整体VIF均值为3.04（小于7），说明各变量之间多重共线性较弱，具备GWR模型构建的条件。分别对中国2011－2020年各年份建立GWR模型（表1），可以看出，2011－2020年GWR模型平均2为0.872，平均RMSE为5.788 µg/m3。因此GWR模型能够准确地表达中国各城市PM2.5浓度数据。2013年效果最好，其模型拟合的2与精度验证的2均在0.93以上且RMSE为5.344 µg/m3；2018年拟合效果最差，其模型拟合的2为0.761、模型的验证精度2为0.745，RMSE为7.023 µg/m3。

2.4 PM2.5空间可视化分析

对于GWR模型拟合效果最好的2013年，分别通过样条函数插值法、反距离加权插值法、克里金插值法和自然邻近插值法进行反演成图与精度验证，结果如图3所示。样条函数插值法、反距离加权插值法、克里金插值法和自然邻近插值法拟合的决定系数2分别为0.933、0.934、0.920和0.919，均方根误差RMSE分别为6.399、6.347、6.546和7.028 µg/m3，4种插值方法的结果2均大于0.910且RMSE均小于7.030 µg/m3，插值结果满足精度要求。将本研究所得结果分别与国家地球系统科学数据中心所发布的2013年中国PM2.5浓度均值分布数据（distribution of 2013 mean PM2.5concentrations in China, DMPC）进行对比，该数据十折交叉验证决定系数2=0.92，均方根误差RMSE=10.76 µg/m3，精度可靠，可用于本研究结果的可靠性比较。

表1 中国各年份AOD与PM2.5浓度GWR模型对比表

图3 2013年中国陆地PM2.5预测反演

通过4幅图的对比发现，不同插值方法下的GWR模型方法所反演的PM2.5空间分布结果大体上保持一致，但平滑效果与浓度的取值范围有所不同，在低值区域特别是西藏地区与中国黑龙江与内蒙古北部三者均能较好地表述，但在高值区域特别是新疆塔里木盆地周围有较大程度的不同。除此以外，将4幅图分别与DMPC进行对比，克里金插值法在塔里木盆地周边高值区域的拟合效果最差，高值出现在塔里木盆地的北缘，与实际分布存在较大差异。近10 a中国陆地各区域PM2.5浓度差异明显，整体上呈现出“西低东高”且符合“胡焕庸线”的划分规律，与中国各年份AOD的分布情况基本一致。高值集中出现在京津冀地区、四川盆地、江淮平原、新疆的塔里木盆地等，这些地区年均PM2.5平均浓度高达80 µg/m3及以上。低值区域集中在西北地区、青藏高原以及黑龙江与内蒙古的最北部地区，这些区域年均PM2.5浓度在30 µg/m3及以下。

3 讨 论

MODIS的MCD19-A2气溶胶产品数据最大的优势在于空间分辨率高，能够有效避免反演过程中存在的估算误差，能很好地表征AOD值变化剧烈地区的光学特征，保证大空间范围或复杂地表反演结果的准确性[27]，但是目前的大多数研究多集中于小区域范围[10,28]，未能完全发挥该数据的优势。因此，基于MCD19-A2数据研究2011－2020年的中国陆地AOD分布，时间跨度长、空间范围广，不仅可以较好地发挥该数据的优势，还能解释近10 a中国区域长时间序列的气溶胶光学特性及其时空变化规律，同时保证了利用该数据建立全国尺度下的GWR模型反演PM2.5浓度分布的可行性与准确性。

将本研究建立的GWR模型结果分别与陈桃桃[29]的研究结果（GWR模型交叉验证2=0.75，均方根误差RMSE=6.98 µg/m3）、朱文德[30]的研究结果（GWR模型交叉验证2=0.74）、贾宏亮等[31]的研究结果（GWR模型交叉验证2=0.88，均方根误差RMSE=7.87 µg/m3）和JIANG等[32]的研究结果（GWR模型交叉验证2=0.81）进行对比，发现MCD19-A2气溶胶产品数据建立GWR模型反演PM2.5浓度数据的效果要优于MODIS的04_3KM[29]、02_1KM[31]、C6_10KM[32]产品数据和Himawari-8的AOD数据[30]。主要原因为：MCD19-A2产品数据以其空间分辨率高、波段范围广的特点避免了尺度效应的估算误差，保证了其反演AOD值的精度，进而提高了大范围空间尺度下建立GWR模型反演PM2.5浓度分布的精度。

对4种不同插值方法之间的R和RMSE进行对比以及将插值结果与刘林钰等[33-34]的研究结果进行对比，发现本研究反演结果与中国PM2.5实际分布基本一致，4种方法在低值区域均能较好地表述，而里金插值法在塔里木盆地周围高值分布存在一定偏差且与实际PM2.5的浓度值存在较大差异。原因可能是克里金插值法虽能给出最优线性无偏估计，但由于本研究选取中国各城市AOD进行GWR模型反演，其样本在塔里木盆地周围较少，导致插值效果不理想。

4 结 论

1）2011－2020年中国陆地气溶胶时空分布基本符合“东高西低、逐年下降”的规律，10 a间环境质量整体有所提升，东部更加明显；大气气溶胶光学厚度值季节差异明显，春季最高，为0.294、夏季次之，为0.262，秋冬季则相对较低分别为0.194和0.223。

2）所选取的8个变量因子之间的多重共线性较弱，满足建立地理加权回归模型反演中国PM2.5质量浓度的条件，2011－2020各个年份的地理加权回归模型其整体拟合效果决定系数2（均值）为0.872且均方根误差RMSE（均值）为5.788 µg/m3，可以准确地反映中国各城市PM2.5浓度数据。其中2013年拟合效果最好，2为0.933，RMSE为5.344 µg/m3，2018年拟合效果最差，2为0.761，RMSE为7.023 µg/m3。

3）对于建立的地理加权回归模型，分别用样条函数插值法、反距离加权插值法、克里金插值法和自然邻近插值法进行插值反演，4种插值方法的决定系数分别为0.933、0.934、0.920和0.919，均方根误差分别为：6.399、6.347 、6.546和7.028 µg/m3，插值结果十分可靠。同时将4种结果与国家地球系统科学数据中心所提供的“2013年中国1 km高分辨率高质量PM2.5数据”一致，表明基于MCD19-A2气溶胶产品数据建立地理加权回归模型反演中国大气PM2.5浓度具备可靠性和准确性。

[1] 陈菁，彭金龙，徐彦森. 北京市2014-2020年PM2.5和O3时空分布与健康效应评估[J]. 环境科学，2021，42(9)：4071-4082.

CHEN Jing, PENG Jinlong, XU Yansen. Spatiotemporal distribution and health impacts of PM2.5and O3in Beijing, from 2014 to 2020[J]. Environmental Science, 2021, 42(9): 4071-4082. (in Chinese with English abstract)

[2] HUANG X, DING A, WANG Z, et al. Amplified transboundary transport of haze by aerosol-boundary layer interaction in China[J]. Nature Geoscience, 2020, 13(6): 428-434.

[3] 阳海鸥，陈文波，梁照凤. LUR模型模拟的南昌市PM2.5浓度与土地利用类型的关系[J]. 农业工程学报，2017，33(6)：232-239.

YANG Haiou, CHEN Wenbo, LIANG Zhaofeng. Relationship of PM2.5concentration and land use type in Nanchang City based on LUR simulation[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2017, 33(6): 232-239. (in Chinese with English abstract)

[4] 郭婉臻，夏楠，塔西甫拉提·特依拜，等. 基于AOD数据的新疆大型露天煤炭开采区PM2.5和PM10反演[J]. 农业工程学报，2017，33(19)：216-222.

GUO Wanzhen, XIA Nan, TASHPOLAT Tiyip, et al. Inversion of PM2.5and PM10content based on AOD data in large opencast coal mining area of Xinjiang[J]. Transactions of the Chinese Society of Agriculture Engineering (Transactions of the CSAE), 2017, 33(19): 216-222. (in Chinese with English abstract)

[5] 刘基伟，闵素芹，金梦迪. 基于分布式感知深度神经网络的高分辨率PM2.5值估算[J]. 地理学报，2021，76(1)：191-205.

LIU Jiwei, MIN Suqin, JIN Mengdi. High resolution PM2.5estimation based on the distributed perception deep neural network mode[J]. Acta Geographica Sinica, 2021, 76(1): 191-205. (in Chinese with English abstract)

[6] 郭恒亮，葛岂序，代文浩，等. 基于优化神经网络的AOD与PM2.5关系模型研究[J].环境科学与技术，2021，44(12)：46-53.

GUO Hengliang, GE Qixu, DAI Wenhao, et al. Research on relationship model between AOD and PM2.5Based on Optimized Neural Network[J]. Environmental Science & Technology, 2021, 44(12): 46-53. (in Chinese with English abstract)

[7] 王庆鑫. 基于Himawari-8卫星的AOD反演及PM2.5估算研究[D]. 青岛：山东科技大学，2019.

WANG Qingxin. Study on AOD Retrieval and PM2.5Estimation Based on Himawari-8 Data[D]. Qingdao: Shandong University of Science and Technology, 2019. (in Chinese with English abstract)

[8] ASHA B C. Estimating PM2.5concentration from satellite derived aerosol optical depth and meteorological variables using a combination model[J]. Atmospheric Pollution Research, 2019, 10(3): 847-857.

[9] 杨晓辉. 基于MAIAC AOD数据的京津冀地区PM2.5浓度模拟[D]. 石家庄：河北师范大学，2021.

YANG Xiaohui. Simulation of PM2.5Concentration in Beijing-Tianjin-Hebei Region Based on MAIAC AOD Data[D]. Shijiazhuang: Hebei Normal University, 2021. (in Chinese with English abstract)

[10] 张喆，丁建丽，王瑾杰，等. 天山北坡城市群气溶胶光学特性时空分布特征[J]. 环境科学，2021，42(5)：2202-2212.

ZHANG Zhe, DING Jianli, WANG Jinjie, et al. Temporal and spatial distribution characteristics of aerosol optical properties in urban agglomerations on the north slope of the Tianshan Mountains[J]. Environmental Science, 2021, 42(5): 2202-2212. (in Chinese with English abstract)

[11] 韩阳，康凌，宋宇. 2000－2019年东北三省气溶胶光学厚度的时空分布特征[J]. 北京大学学报（自然科学版）：2021，57(6)：1027-1034.

HAN Yang, KANG Ling, SONG Yu. Spatial-temporal distribution of aerosol optical depth over northeastern China during 2000‒2019[J]. Acta Scientiarum Naturalium Universitatis Pekinensis, 2021, 57(6): 1027-1034. (in Chinese with English abstract)

[12] 程维明，周成虎，李炳元，等. 中国地貌区划理论与分区体系研究[J]. 地理学报，2019，74(5)：839-856.

CHENG Weiming, ZHOU Chenghu, LI Bingyuan, et al. Geomorphological regionalization theory system and division methodology of China[J]. Acta Geographica Sinica, 2019, 74(5): 839-859. (in Chinese with English abstract)

[13] 卫林勇，江善虎，任立良，等. I MERG卫星降水产品在中国的干旱监测效用评估[J]. 农业工程学报，2021，37(2)：161-169.

WEI Linyong, JIANG Shanhu, REN Liliang, et al. Evaluation of drought monitoring in China using IMERG satellite precipitation products[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2021, 37(2): 161-169. (in Chinese with English abstract)

[14] 陆忠奇，李京龙，何清，等. 南疆地区AOD时空分布特征及气象影响因素分析[J]. 环境科学学报，2022，42(3)：309-321.

LU Zhongqi, LI Jinglong, HE Qing, et al. Spatiotemporal distribution of AOD in southern Xinjiang and meteorological influencing factors[J]. Acta Scientiae Circumstantiae, 2022, 42(3): 309-321. (in Chinese with English abstract)

[15] 王银牌，喻鑫，谢广奇. 中国近15年气溶胶光学厚度时空分布特征[J]. 中国环境科学，2018，38(2)：426-434.

WANG Yinpai, YU Xin, XIE Guangqi. Spatial distribution and temporal variation of aerosol optical depth over China in the past 15 years[J]. China Environmental Science, 2018, 38(2): 426-434. (in Chinese with English abstract)

[16] 邹丹，周玉科，林金堂，等. 利用夜间灯光分析胡焕庸线两侧社会经济发展不均衡状况[J]. 遥感技术与应用，2022，37(4)：929-937.

ZOU Dan, ZHOU Yuke, LIN Jintang, et al. Analysis of inequality of socioeconomic development on both sides of Hu Huanyong Line using nighttime light[J]. Remote Sensing Technology and Application, 2022, 37(4): 929-937. (in Chinese with English abstract)

[17] 陈优良，李亚倩. 胡焕庸线两侧空气质量状况及影响因素分析[J]. 安全与环境学报，2020，20(6)：2422-2431.

CHEN Youliang, LI Yaqian. Analysis of air quality and its influential factors on both sides of Hu Huanyong Line [J]. Journal of Safety and Environment, 2020, 20(6): 2422-2431. (in Chinese with English abstract)

[18] 王晨莹，何沐全，陈军辉，等. 2006－2017年四川盆地MODIS气溶胶光学厚度时空变化特征[J]. 环境科学研究，2020，33(1)：54-62.

WANG Chenying, HE Muquan, CHEN Junhui, et al. Temporal and spatial variation characteristics of MODIS aerosol optical depth in Sichuan Basin from 2006 to 2017[J]. Research of Environmental Sciences, 2020, 33(1): 54-62. (in Chinese with English abstract)

[19] WEI J, LI Z, LYAPUSTIN A, et al. Reconstructing 1-km-resolution high-quality PM2.5data records from 2000 to 2018 in China: Spatiotemporal variations and policy implications[J]. Remote Sensing of Environment, 2021, 252: 112-136.

[20] 赵青琳，曾巧林，罗彬，等. 基于垂直订正和湿度订正方法估算川渝地区逐小时PM2.5[J]. 遥感学报，2022，26(10)：1946-1962.

ZHAO Qinglin, ZENG Qiaolin, LUO Bin, et al. Estimation of hourly PM2.5concentration by using vertical and humidity correction methods in Sichuan-Chongqing[J]. National Remote Sensing Bulletin, 2022, 26(10): 1946-1962. (in Chinese with English abstract)

[21] 康新礼，张文豪，刘原萍，等. 基于随机森林的京津冀地区PM2.5遥感反演及变化分析[J]. 遥感技术与应用，2022，37(2)：424-435.

KANG Xinli, ZHANG Wenhao, LIU Yuanping, et al. PM2.5remote sensing retrieval and change analysis in Beijing-Tianjin-Hebei region based on random forest model[J]. Remote Sensing Technology and Application, 2022, 37(2): 424-435. (in Chinese with English abstract)

[22] 徐勇，郑志威，戴强玉，等. 顾及时滞效应的西南地区植被NPP变化归因分析[J]. 农业工程学报，2022，38(9)：297-305.

XU Yong, ZHENG Zhiwei, DAI Qiangyu, et al. Attribution analysis of vegetation NPP variation in Southwest China considering time-lag effects[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2022, 38(9): 297-305. (in Chinese with English abstract)

[23] 付宏臣，孙艳玲，陈莉，等. 基于AOD数据与GWR模型的2016年新疆地区PM2.5和PM10时空分布特征[J]. 环境科学学报，2020，40(1)：27-35.

FU Hongchen, SUN Yanling, CHEN Li, et al. Temporal and spatial distribution characteristics of PM2.5and PM10in Xinjiang region in 2016 based on AOD data and GWR model[J]. Acta Scientiae Circumstantiae, 2020, 40(1): 27-35. (in Chinese with English abstract)

[24] 蒙莉娜，丁建丽，王敬哲，等. 基于环境变量的渭干河—库车河绿洲土壤盐分空间分布[J]. 农业工程学报，2020，36(1)：175-181.

MENG Lina, DING Jianli, WANG Jingzhe, et al. Spatial distribution of soil salinity in Ugan-Kuqa River delta oasis based on environmental variables[J]. Transactions of the Chinese Society of Agriculture Engineering (Transactions of the CSAE), 2020, 36(1): 175-181. (in Chinese with English abstract)

[25] 范田亿，张翔，黄兵，等. TRMM卫星降水产品降尺度及其在湘江流域水文模拟中的应用[J]. 农业工程学报，2021，37(15)：179-188.

FAN Tianyi, ZHANG Xiang, HUANG Bing, et al. Downscaling of TRMM satellite precipitation products and its application in hydrological simulation of Xiangjiang River Basin[J]. Transactions of the Chinese Society of Agriculture Engineering (Transactions of the CSAE), 2021, 37(15): 179-188. (in Chinese with English abstract)

[26] QIN Y, REN G, HUANG Y, et al. Application of geographically weighted regression model in the estimation of surface air temperature lapse rate[J]. Journal of Geographical Sciences, 2021, 31(3): 389-402.

[27] VITOR M, ALEXEI L, WANG Y, et al. Global validation of columnar water vapor derived from EOS MODIS-MAIAC algorithm against the ground-based AERONET observations[J]. Atmospheric Research, 2019, 225: 181-192.

[28] JIA C, SUN L, ZHANG X, et al. Verification of MCD19A2 data and study of aerosol characteristics in Beijing-Tianjin-Hebei region[J]. JSPRS Annals of the Photogrammetry, Remote Sensing and Spatial Information Sciences, 2020, 3: 675-679.

[29] 陈桃桃. 基于GWR模型的成渝经济区PM2.5估算及时空特征分析[D]. 兰州：西北师范大学，2021.

CHEN Taotao. PM2.5Estimation and Temporal and Spatiotemporal Characteristics Analysis in Chengdu- Chongqing Economic Zone Based on GWR Model[D]. Lanzhou: Northwest Normal University, 2021. (in Chinese with English abstract)

[30] 朱文德. 面向Himawari-8的PM2.5质量浓度估算方法研究与应用[D]. 开封：河南大学，2019.

ZHU Wende. Research and Application of PM2.5Concentrations Estimation Method for Himawari-8[D]. Kaifeng: Henan University, 2019. (in Chinese with English abstract)

[31] 贾宏亮，罗俊，肖东升. 基于遥感数据和GWR模型的成都PM2.5浓度时空分布特征研究[J]. 大气与环境光学学报，2021，16(6)：529-540.

JIA Hongliang, LUO Jun, XIAO Dongsheng. Temporal and spatial distribution characteristics of PM2.5in Chengdu area based on remote sensing data and GWR model[J]. Journal of Atmospheric and Environmental Optics, 2021, 16(6): 529-540. (in Chinese with English abstract)

[32] JIANG M, SUN W, YANG G, et al. Modelling seasonal GWR of daily PM2.5with proper auxiliary variables for the Yangtze River delta[J]. Remote Sensing, 2017, 9(4): 346-346.

[33] 刘林钰. 中国华东城市群PM2.5浓度遥感反演与时空分布特征研究[D]. 武汉：武汉大学，2020.

LIU Linyu. PM2.5Concentration Inversion and Spatiotemporal Distribution Characteristics in Eastern China[D]. Wuhan: Wuhan University, 2020. (in Chinese with English abstract)

[34] LI T, SHEN H, ZENG C, et al. Point-surface fusion of station measurements and satellite observations for mapping PM2.5distribution in China: Methods and assessment[J]. Atmospheric Environment, 2017, 152: 477-489.

Inversion of atmospheric PM2.5mass concentration in China from 2011 to 2020 using MCD19-A2 data and GWR model

GUO Yitu1, XIA Nan1,2,3※, ZHOU Ziyu1, ZHU Peiyue1, QUAN Weilin1

(1. College of Geographical and Remote Sensing Science, Xinjiang University, Urumqi 830017, China; 2. Technology Innovation Center for Ecological Monitoring and Restoration of Desert-Oasis, MNR, Urumqi 830002,China; 3. Key Laboratory of Oasis Ecology, Ministry of Education, Xinjiang University, Urumqi 830017, China)

Temporal and spatial transformation characteristics of China’s land-based atmospheric aerosol were obtained from the high spatial resolution MODIS MCD19-A2 data from 2011 to 2020 using remote sensing and geographically weighted regression model (GWR). This article was adopted: 1) Vertical-humidity revision: The vertical revision of aerosol optical depth (AOD) was carried out under the different spatial distributions of satellite and PM2.5concentration data. The AOD value was obtained from the MODIS, and then divided by the atmospheric boundary layer height data, in order to obtain the AOD value close to the ground level. The humidity was revised to remove the influence of relative humidity on the AOD value. The vertically revised “dry” AOD value was divided to obtain a vertical-humidity revised “wet” AOD by the humidity impact factor, according to the calculated humidity impact factor in each city. There was an increase from 0.365 to 0.779 in the correlation coefficient between the “wet” AOD value and PM2.5concentration data. 2) Multiple colinear tests: multiple colinear tests were carried out to verify the GWR fitting using the eight variables of the model. Variance inflation factor (VIF) was selected to test the multiple colinear all over the eight variables for the better fitting of the GWR model. 3) GWR model was established to inspect the accuracy: The processed PM2.5and auxiliary variables data of Chinese cities were selected to establish 10 annual GWR models and the fitting of each model using the Geographically Weighted Regression function in Modeling Spatial Relationships tool of ArcGIS. SPSS software was used to verify the accuracy of the fitting in each model, with the adjusted coefficient of determination (R) and root mean square error (RMSE). Conclusions were drawn as follows: 1) The spatial and temporal distribution of aerosol was basically conformed to the “low in the west and high in the east, decreasing year by year”. There was an outstanding seasonal difference in the AOD value, where the highest value was 0.294 in spring, followed by 0.262 in summer, and the lower values were 0.194 and 0.223 in autumn and winter, respectively. 2) The VIF demonstrated that the strongest multicollinearity was observed in 2018, indicating the monthly scale GWR model of each city. The VIF variables were close to 1, which fully met the requirements of the GWR model. 3) The better fitting of the model was achieved, where the best year was 2013 (2=0.933), and the worst year was 2018 (2=0.761). There was a basically consistent trend in the spatiotemporal distribution of PM2.5concentration and AOD in each year, indicating the high applicability of MCD19-A2 data in the GWR model. 4) In terms of PM2.5visualization, the distribution of PM2.5was inverted by the Spline, Inverse Distance Weighted, Kriging and Natural Neighbor interpolation in 2013. The spatial distribution and concentration range were basically consistent, compared with the “Distribution of 2013 mean PM2.5concentrations in China” data provided by National Earth System Science Data Center. IDW and Natural Neighbor more accurately described the high-value areas of PM2.5concentration around the Tarim Basin in Xinjiang and the Beijing-Tianjin-Hebei region.

model; inversion; aerosol optical thickness; PM2.5; MCD19-A2; geographically weighted regression; China land

10.11975/j.issn.1002-6819.202209024

X513

A

1002-6819(2023)-05-0184-08

郭一土，夏楠，周子钰，等. 基于MCD19-A2数据和GWR模型的2011-2020年中国大气PM2.5质量浓度反演[J]. 农业工程学报，2023，39(5)：184-191.doi：10.11975/j.issn.1002-6819.202209024 http://www.tcsae.org

GUO Yitu, XIA Nan, ZHOU Ziyu, et al. Inversion of atmospheric PM2.5mass concentration in China from 2011 to 2020 using MCD19-A2 data and GWR model[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2023, 39(5): 184-191. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.202209024 http://www.tcsae.org

2022-09-03

2022-12-22

大学生创新训练计划项目（202110755128）；新疆维吾尔自治区高校科研计划项目（XJEDU2021Y011）

郭一土，研究方向为干旱区资源环境与GIS应用。Email：16603794739@163.com

夏楠，博士，副教授，硕士生导师，研究方向为干旱区生态环境遥感监测。Email：xn_gis@xju.edu.cn