基于iLME+Geoi-RF模型的四川省PM2.5浓度估算

作者：吴宇宏; 杜宁^*; 王莉; 蔡宏; 周彬; 吴磊; 敖逍

来源：环境科学, 2021, 42(12): 5602-5615.

DOI：10.13227/j.hjkx.202102048

• PM2.5
• Himawari-8 AOD
• 重采样
• 共线性诊断
• iLME+Geoi-RF模型
• 时空变化

高分辨率PM2.5空间分布数据对动态监测和控制PM2.5污染具有重要意义.选取Himawari-8气溶胶光学厚度(AOD)、 ERA5气象再分析资料、 DEM、土地利用数据、夜光遥感数据、增强型植被指数和人口数据等作为估算变量,使用改进的重采样法进行数据匹配,并提出改进的线性混合模型(iLME)结合地理智能随机森林(Geoi-RF)构建组合模型估算PM2.5浓度.结果表明:(1)在选取的估算变量中,气溶胶光学厚度、气压、温度、相对湿度和边界层高度是影响2016年四川省PM2.5浓度的重要因素,其相关系数分别为0.65、 0.58、 0.55、 0.54和0.35.(2)iLME+Geoi-RF模型精度相较其他模型有较大提升,模型拟合R2、 RMSR和MAE分别为0.98、 3.25μg·m-3和1.98μg·m-3,交叉验证R2、 RMSR和MAE分别为0.89、 7.95μg·m-3和4.81μg·m-3.该模型可获取更高精度的四川省PM2.5时空分布特征,为区域空气质量评估、人体暴露风险评价和环境污染治理提供更加合理地科学参考.(3)2016年四川省PM2.5浓度存在显著的季节性差异,各季节PM2.5浓度大小关系为:冬季>秋季>春季>夏季. 2016年四川省月均PM2.5浓度总体上呈先降后升的"V"型趋势,最小值在6月,最大值在12月,8月和11月有微小起伏.在空间分布上四川省PM2.5浓度总体上呈东高西低和局部污染程度较高的特点,高值区主要分布在城市快速发展和人口密集的东部地区,低值区主要分布在经济发展落后和人口稀疏的西部地区.(4)虽然不同模型估算出的PM2.5浓度整体分布基本一致,但iLME+Geoi-RF模型能更准确有效地估算本研究区污染的空间分布.

• 单位
  贵州大学