摘 要

气溶胶光学厚度(AOT)与PM2.5浓度之间有很高程度的相关性，因此，卫星遥感数据反演的气溶胶光学厚度数据常被用来模拟地面的PM2.5浓度。但是气溶胶光学厚度与PM2.5浓度之间的相关性具有时间和空间上的差异，但是这种差异通常都被忽略了。

本文以武汉市为例，获取武汉市2016年MODIS气溶胶光学厚度日均值产品数据和武汉市21个空气质量监测站点PM2.5浓度日均值数据，研究气溶胶光学厚度与PM2.5浓度的相关性的时空变化特征。

研究结果表明：研究区2016年气溶胶光学厚度与PM2.5浓度之间相关性不高，但相关性有明显的时空差异。时间差异变现为气溶胶光学厚度与PM2.5浓度的相关性在秋季明显高于其他季节，空间差异变现为在污染程度高的中部地区气溶胶光学厚度与PM2.5浓度的相关性要明显低于污染程度低的其他地区。因此，在精细尺度上的PM2.5浓度的监测、估算和预测需要考虑到气溶胶光学厚度(AOT)与PM2.5浓度之间相关性的时空变化。

关键词:气溶胶光学厚度；PM2.5浓度；相关性；时空变化

Abstract

Since there is a high correlation between aerosol optical thickness(AOT) and PM2.5 concentrations. Aerosol optical thickness data retrieved from satellite remote sensing data are often used to simulate ground PM2.5 concentrations. While the spatiotemporal difference of the correlation between aerosol optical thickness(AOT) and PM2.5 concentrations has always been ignored.

This paper takes WuHan as a case study, based on MODIS aerosol optical thickness daily average product data and PM2.5 concentrations daily average data of WuHan in 2016, Study on the spatiotemporal differences of the Correlation between AOT and PM2.5 Concentration.

The research indicates: There is an obvious spatiotemporal difference in correlation between AOT and PM2.5 concentration, even though the correlation between AOT and PM2.5 concentration of WuHan in 2016 is not high enough. It turns out that the correlation between AOT and PM2.5 concentration in autumn is much higher than it in the other seasons, and the correlation between AOT and PM2.5 concentration in central region with a high-level of pollution is much higher than it in the other regions.

Therefore, we need to take the spatiotemporal difference of the correlation between aerosol optical thickness(AOT) and PM2.5 concentrations into account while monitoring and estimating the ground PM2.5 concentration on the fine-scale.

Keywords: Aerosol optical thickness; PM2.5 concentration; correlation; spatiotemporal differences

目录

第1章 绪论 1

1.1研究背景 1

1.2研究目的及意义 2

1.3国内外研究现状 2

1.4研究内容 4

第2章 数据与方法 5

2.1 2016-2017年武汉市PM2.5浓度时空特征 5

2.1.1 PM2.5浓度数据 5

2.1.2 数据收集 5

2.1.3 研究方法 5

2.2 气溶胶光学厚度与PM2.5浓度相关性分析 6

2.2.1 气溶胶光学厚度数据 6

2.2.2 相关性分析 7

2.3 气溶胶光学厚度与PM2.5浓度相关性的时空变化 7

2.3.1 相关性的空间变化 7

2.3.2 相关性的时间变化 7

第3章 结果与分析 9

3.1 2016-2017年武汉市PM2.5浓度时空特征 9

3.1.1 PM2.5浓度空间特征 9

3.1.2 PM2.5浓度时间特征 11

3.2 2016年武汉市气溶胶光学厚度与PM2.5浓度相关性分析 13

3.3 气溶胶光学厚度与PM2.5浓度相关性的时空变化 14

3.3.1 相关性的时间变化 14

3.3.2 相关性的空间变化 16

第4章 讨论 24

第5章 结论与展望 25

5.1 主要结论 25

5.2 创新点与局限性 26

5.3 展望 27

5.3.1 提高数据的精度与数据量 27

5.3.2 本研究应用前景 27

参考文献 29

致谢 31

第1章 绪论

1.1研究背景

近年来，我国的经济在飞速地发展，综合国力明显增强，城市化的进程不断加快，人民的生活水平逐渐提高。然而随着经济发展的同时，一系列的环境污染问题也随之而来，其中日益显著的空气污染问题越来越受到人们的广泛关注，空气污染不仅会影响城市的美观，还会对人体产生一定的危害。自从美国发布了全球PM2.5分布图，北京等城市的PM2.5含量开始受到关注，尤其是持续的雾霾天气使得市民感到恐慌。PM2.5作为一种直接影响人类生活和健康的大气污染物已经严重影响到了人们的正常生活，随着可持续发展观以及绿色发展理念等发展战略的提出，人们更加开始意识到环境问题的严重性。

PM2.5(particulate matter)又称细颗粒物，是指环境空气中空气动力学当量直径小于等于2.5微米的颗粒物，与一些比较粗的大气污染物相比，PM2.5具有颗粒直径小、表面积大、活性强、易吸附有毒有害物质等特点。其在空气中的含量浓度越高，就代表空气污染越严重。细颗粒物的来源可以是自然的或人为的。有些颗粒天然存在，他们起源于沙尘暴，火山，生物植被，森林与草原火灾和海水喷雾。而有些人类活动，例如化学燃料的燃烧，汽车尾气的排放，发电厂和各种工业过程等也会产生大量的颗粒^[1] 。对于发展中国家来说，煤炭燃烧是人类供能以及供暖的主要方式。近几年来中国的细颗粒物浓度一直处于一个极高的水平，几年前在中国北部以及亚洲南部的一些城市的PM2.5浓度甚至达到了200µg/m³ (微克/立方米)，在2013年1月12日北京的PM2.5浓度值达到了历史最高的993µg/m^3[2]。

细颗粒物只是地球大气中含量很少的一部分，但是它能够散射和吸收可见光，导致大气能见度严重下降，因此细颗粒物是大多数雾霾天气形成的主要原因。雾霾天气的产生使得大气能见度降低，平均车速也跟着下降，给城市交通、人们的日常出行和工作带来非常大的不便，同时，雾霾天气对铁路、公路、航空、航运、供电系统以及农作物的生长也有着许多不利的影响。另外，PM2.5能够黏附很多有毒物质，随着人们的呼吸进入他们的身体，严重危害其身体健康。大量研究表明人体如果吸入过量有毒的PM2.5颗粒，会引起呼吸系统、心血管系统、血液系统、生殖系统等疾病，长期暴露在这种环境中还会诱发肺癌、心肌缺血及损伤^[3]。因此，了解和分析PM2.5的时空分布特征对于大气污染的整治、预防以及对人类健康的保护十分重要。

研究区武汉市位于中国中部，介于东经113°41′-115°05′、北纬29°58′-31°22′之间。是长江中游第一大城市，同时也是全国重要的工业基地、科教基地和综合交通枢纽。近几年来，武汉市人口增长迅速，其中主要来源是外来人口的增长。2009年武汉市城区的净流入人口数为74.45万人,到2014年，净流入人口已急剧增长至206.94万人，而到2015年则已突破230万人。2016年武汉市环境空气质量优良天数为237天，较2010年少了47天，空气质量优良率为64.8%，较2010年少了13个百分点，其中优53天、良184天、轻度污染94天、中度污染29天、重度污染6天，全年164个污染日中，主要污染物为细颗粒物的天数为87天，占67.4%。可以看出随着流动人口而不断增加以及车辆交通的日渐密集，武汉市空气质量面临的压力也越来越大。因此，武汉大气污染防治变得越来越重要。

对于PM2.5浓度的监测是大气污染防治的基础，2012年开始全国增加了很多PM2.5的地面监测站点，但是由于地面监测站点受到检测面积以及站点数量的限制，因此其对于PM2.5的监测缺少空间连续性，空间分辨率较低。如果想要获得一定范围内的PM2.5空间分布特征，通常的方法是使用反距离加权插值法(Inverse Distance Weighted ，IDW)对地面站点获得的监测浓度值进行空间插值，但是这种做法对于大范围的研究区域来说误差较大。

同传统的地面监测方法相比，卫星遥感手段具有时效性高、覆盖面广、分辨率高等优势，因此许多学者开始利用卫星遥感数据来研究PM2.5污染，来弥补地面监测站点的不足。已有研究表明，通过卫星遥感获取的气溶胶光学厚度(Aerosol Optical Thickness ,AOT)与地面细颗粒物浓度之间具有一定的相关性，可以用于地面颗粒物浓度的估算^[4]。但是气溶胶光学厚度与PM2.5浓度之间的相关性具有时空不确定性，而这种不确定性会影响利用卫星遥感数据对PM2.5浓度的模拟。因此，研究气溶胶光学厚度与PM2.5浓度之间相关关系的时空变化，对于PM2.5的防治有着重要的意义。

1.2研究目的及意义

本文的研究目的在于分析武汉市气溶胶光学厚度与PM2.5浓度相关性的时空变化，

探索这些变化的原因以及规律。本文将从时间和空间两个维度分析光学厚度与PM2.5浓度相关性的时空变化，并分析PM2.5与AOT相关关系的时空不确定性对于利用卫星遥感AOT数据反演PM2.5浓度的影响。此研究可以为不同时空尺度的PM2.5浓度的模拟提供参考，对于更精细的PM2.5浓度的监测、估算和预测有着十分重要的意义。

1.3国内外研究现状

气溶胶是指在空气或其他气体中的固态或液态的细小的悬浮颗粒形成的胶体分散体系，其中固态或者液态悬浮颗粒物的直径大多小于1µg/m³。气溶胶的产生可以是天然的也可以是人为的，天然气溶胶包括雾、灰尘、森林根系分泌物和间歇泉蒸汽，人为气溶胶包括雾霾、颗粒空气污染物和烟雾(Hinds，1999，P.3)。

在物理学中，光学厚度(Optical Thickness or Optical Depth)指的是透过材料的入射与透射辐射率的比率的自然对数。气溶胶光学厚度(Aerosol Optical Thickness, AOT)是指介质的消光系数在垂直方向上的积分，描述的是气溶胶对光的削弱作用，是气溶胶的最重要的参数之一，气溶胶光学厚度是无量纲化的，越高的AOT值表示气溶胶在纵向上的积累越高，对光的削弱作用也就越强，大气能见度也就越低。(Kumar et al., 2007; 黄明祥等, 2015)

有研究发现，通过卫星遥感获取的AOT与地面细颗粒物浓度之间具有一定的相关性。Neda Boyouk等以法国北部城市里尔为研究区，分析气溶胶光学厚度与地面质量浓度之间的关系。研究发现，当考虑总的气溶胶光学厚度时，在假定MBL(Mixing Boundary Layer)高度已知的情况下，获得了相当好的地面PM2.5估计值^[5]。Wang等人对美国阿拉巴马州的气溶胶光学厚度与PM2.5浓度进行了研究，发现二者具有非常好的相关性，无论是小时均值还是月均值二者的相关性都很高，因此，得出了气溶胶光学厚度可以用来对PM2.5浓度进行监测^[6]。Engel-Cox等人，在利用气溶胶光学厚度数据与PM2.5浓度数据分析完相关性后，利用分析结果模拟了美国全国的PM2.5浓度值，发现与地面监测站点监测的值相差不大，验证了利用卫星遥感气溶胶光学厚度数据与PM2.5浓度之间具有很高的相关性，可以利用气溶胶光学厚度模拟地面PM2.5浓度^[7]。

在鄂南地区也有一些关于AOT与PM2.5浓度之间的研究，刘彦文等利用2016年3月份3日、5日、15日的鄂南地区MODIS影像反演了AOT数据，并与PM2.5浓度数据建立了一个三次关系模型，其模型拟合度相对较高。利用该模型对3月11日、19日的PM2.5浓度值进行预测，得到的预测值与实际值相差不大^[8]。王泽斌等发现气溶胶光学厚度与PM2.5浓度在全国范围内都有较好的相关性，他还发现这种相关性具有地理学的分异特点，在海拔、气候分区等地理要素不同的地区，相关性具有明显差异^[9]。

另外，PM2.5与AOT的相关关系具有明显的时间差异和空间差异。时间差异即不同时间同一研究区内二者相关关系存在差异，空间差异即同一时间不同研究区域二者相关关系存在差异。焦利民等研究发现京津冀地区的年均PM2.5浓度与AOT的相关关系比较高，相关系数大约为0.6，但是在污染程度不同的研究区南部和北部，二者相关性相差很大，相关系数分别是0.2和0.7。同样，二者的相关性在时间上也有差异，在秋冬两季AOT和PM2.5浓度的相关性明显小于春夏两季^[4]。Paciorek等以美国东部为研究区域，发现气溶胶光学厚度与PM2.5浓度的相关性具有明显的空间差异，同一时间不同监测站点的相关性很低，而且差异十分明显，但是相同站点在不同时间的气溶胶光学厚度与PM2.5浓度的相关性就差别不大^[10]。

1.4研究内容

本研究的主要内容主要包括以下几个方面：

1)2016年武汉市PM2.5浓度时空分布特征

利用从武汉市环保局官网通过网络爬虫爬取到的武汉市地面监测站点的PM2.5日浓度数据，分析武汉市2016年PM2.5浓度随时间的变化情况。利用反距离空间插值法(Inverse Distance Weighted，IDW)对武汉市PM2.5浓度进行空间插值得到的2016年武汉市PM2.5浓度空间分布图，结合武汉市土地利用图分析其空间特征。

2)气溶胶光学厚度与PM2.5浓度相关性

结合2016年武汉市PM2.5浓度的时空变化特征以及2016年武汉市气溶胶光学厚度的时空变化特征的结果，研究气溶胶光学厚度与PM2.5之间的相关关系。

3)气溶胶光学厚度与PM2.5浓度相关性的时空变异

从时间和空间两个角度研究气溶胶光学厚度与PM2.5浓度的相关性的时间不确定性和空间不确定性。对不同季节武汉市气溶胶光学厚度与PM2.5浓度进行研究分析二者相关性的时间变异，对空间分布不同的站点的气溶胶光学厚度与PM2.5浓度进行研究分析二者相关性的空间变异。

第2章 数据与方法

2.1 2016-2017年武汉市PM2.5浓度时空特征

2.1.1 PM2.5浓度数据

武汉市空气自动监测始于 1983 年，是国内最早开展空气质量自动在线监测的城市之一，经过 30 多年的发展，初步形成了包括地面监测网络、复合污染监测实验室、遥感监测和加强监测、预警预报体 系等构成的大气复合污染监测体系。现有的地面监测网络包括 26个、4类自动监测站点，涵盖所有行政区域，能客观评价武汉地区环境空气质量状况和变化趋势。

武汉市空气质量自动监测评价点共21个，包括9个国控自动监测点位、1个清洁对照点位和 11个市控自动监测点位。所有监测站点均开展 PM10、SO2、NOX、PM2.5、CO 和O3六项指标的监测。

由于武汉市各个空气质量监测站点2016年之前的数据不可得，因此本文只选取了武汉市21个空气质量监测站点2016-2017年每日的PM2.5浓度数据，每日的数据完整度可以达到99%。站点的坐标由谷歌地图Google Earth定为获取，定位误差不超过1km。

2.1.2 数据收集

网络爬虫(web crawler)，是一种按照一定的规则，自动地抓取万维网上的信息或脚本的程序或者脚本，它为搜索引擎从万维网上下载网页，是搜索引擎的重要组成。

Python是一种面型对象的解释性计算机程序设计语言，它具有非常丰富强大的库，本文所使用的Beautiful Soup就是它众多库中的一种。Beautiful Soup是一个可以从HTML或者XML文件中提取数据的python库，它能够通过你喜欢的转换器实现惯用的文档导航,查找,修改文档的方式。

本文利用Beautiful Soup编写爬虫代码，对武汉市环境保护局网站(http://hbj.wuhan.gov.cn/airInfoView.jspx ) 进行爬取，获得武汉市2016-2017年21个空气质量自动监测评价点的每日PM2.5浓度数据。

2.1.3 研究方法

对于研究区PM2.5浓度时空分布特征的研究可以比较直观的反映PM2.5浓度在时间和空间上的差异，还可以反映研究区的污染程度在时间和空间上的差异，为之后对于气溶胶光学厚度与PM2.5浓度之间相关性的时空差异以及造成这些差异的原因的分析奠定基础。具体的方法是利用武汉市2016-2017年21个监测站点每日的PM2.5浓度数据分析研究区PM2.5浓度随时间的变化情况。主要包括以下几方面：1)PM2.5浓度月均值变化；2)PM2.5浓度随季节的变化；3)2016年与2017年武汉市PM2.5浓度的比较。

另外，本文还利用ArcGIS10.1中反距离权重法(Inverse Distance Weighted, IDW)对武汉市2016年和2107年PM2.5浓度年均值进行空间插值来反映其空间上的变化情况，结合武汉市土地利用类型图分析PM2.5浓度在空间变化上的规律。

以上是毕业论文大纲或资料介绍，该课题完整毕业论文、开题报告、任务书、程序设计、图纸设计等资料请添加微信获取，微信号：bysjorg。

相关图片展示：