CN107491566B - 一种定量化研究城市森林对pm2.5净化作用的方法 - Google Patents
一种定量化研究城市森林对pm2.5净化作用的方法 Download PDFInfo
- Publication number
- CN107491566B CN107491566B CN201610406174.7A CN201610406174A CN107491566B CN 107491566 B CN107491566 B CN 107491566B CN 201610406174 A CN201610406174 A CN 201610406174A CN 107491566 B CN107491566 B CN 107491566B
- Authority
- CN
- China
- Prior art keywords
- data
- forest
- urban
- ground
- spatial distribution
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/30—Circuit design
- G06F30/36—Circuit design at the analogue level
- G06F30/367—Design verification, e.g. using simulation, simulation program with integrated circuit emphasis [SPICE], direct methods or relaxation methods
Landscapes
- Engineering & Computer Science (AREA)
- Computer Hardware Design (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Image Processing (AREA)
Abstract
本发明属于森林管理技术领域,涉及一种基于遥感影像数据和气象站点及森林调查资料数据相融合的森林生态功能定量化研究方法。从城市区域尺度出发,依据MODIS遥感影像反演得到PM2.5平均浓度空间分布图,使用空间统计分析方法,定量分析各影响因子间的直接和交互作用大小。该方法主要由生成PM2.5平均浓度空间分布图、PM2.5平均浓度数据和各生态因子数据的空间匹配融合、选择合适分析阈值识别冷热点区域、锁定主要影响因子并改造4大阶段组成。本方法数据获取途径较简单且成本较低,反演操作简单具有推广性,而且对各影响因子影响力的定量化结果为城市森林管理者改善城市森林布局提供了指导思想和科学基础。
Description
技术领域:
本发明属于森林管理技术领域,尤其涉及一种基于遥感影像对地观测数据和气象站点及森林调查资料的地面观测数据相融合的森林生态功能定量化研究方法。
背景技术:
PM2.5颗粒物在地球大气中含量虽然很少,但富含大量有毒、有害物质或成为病毒和细菌的载体,在大气中的停留时间长、输送距离远,人体本身无法过滤和防护,对慢性疾病的发病率和死亡率影响很大,会引发包括哮喘、支气管炎、肺癌和心血管病等疾病。
近年来,国内外对近地面颗粒物浓度的时空分布进行了广泛的监测、预测和反演等研究,主要可以分为2种,一种是依据机制过程模型对区域大气质量进行预测预报,另一种是基于遥感技术反演与PM2.5有物理机制联系的气溶胶光学厚度,然后建立其统计关系的方法。第一类方法可用于预测预报,但由于输入参数要求高,且较为复杂,如若简化则精准度受影响较大。第二种方法由于其成本较低,且具有时空连续性,可有助于研究PM2.5的治理工作。该方法主要有仅考虑AOD和PM2.5浓度之间关系的简单的线性模型、考虑多种环境气象因子的多元线性回归模型、人工智能模型和广义加法模型。简单线性模型对数据要求量小,易于操作,而多元线性回归模型则能大幅提高拟合精度,人工智能模型虽然对提高精度有一定作用,但其结构复杂构造困难,广义加法模型是线性模型非参数化的扩展,可用于预测模拟。
对PM2.5的进行防治,除了控制源头污染,还要需要利用现有资源对其进行控制。而现有研究已表明城市森林对PM2.5及其他大气颗粒物有明显的调控作用,表现在不仅能覆盖地表减少大气颗粒物的来源,而且能通过叶面吸附和移除大气颗粒物,加速其沉降过程,通常有停留、附着和黏附3种方式。但是,目前开展的许多针对PM2.5的研究,主要是从样地或植株的小尺度,而且,对城市森林生态系统减少大气颗粒物的研究主要集中在总悬浮颗粒物(TSP)和PM10等大粒径粉尘上,对净化PM2.5的定量化研究成果还很少。
发明内容:
针对现有的技术问题和研究领域的空白,本发明的目的在于提供一种可以从区域尺度、快速稳定地定量化分析一定时间段内城市森林对PM2.5的滞尘调节作用方法,并探明各影响因子贡献力大小,为城市森林优化布局提供理论支持和指导方针。
为了实现上述目的,本发明采用如下技术方案:
1.根据MODIS数据生成当天500m高分辨率气溶胶光学厚度空间分布图。
2.通过高度订正和湿度订正后,得到干燥后气溶胶的消光系数(kex,dry)空间分布图。
3.建立kex,dry与卫星过境时间地面PM2.5小时观测值的线性函数关系,从而得该城市PM2.5浓度平均值空间分布图。
4.计算森林资源调查数据图形库中每块森林小班斑块上的平均PM2.5浓度。
5.使用局部Gi*统计方法,在合适的分析阈值下,识别整个城市和森林斑块的冷点区和热点区。
6.使用地理探测器模型分别对森林斑块冷点和热点区进行影响因子贡献度分析。
7.通过各影响因子间的直接作用和交互作用,确定主要影响因素,并结合城市规划蓝图,在城市热点区对相应影响因子进行改造。
进一步,所述步骤1)包括以下步骤:
a)收集包含研究区的MODIS遥感影像数据、地面监测站点小时整点的PM2.5浓度、相对湿度、能见度、风速和风向数据。
b)进行AOD浓度空间反演计算,空间辨别率达到500米。
进一步,所述步骤2)包括以下步骤:
a)使用地面气象站点为中心周围5公里范围内的非零AOD均值和气象站点卫星过境时间观测的能见度(VIS)数据,通过公式(1)和(2)估计当天的标高(H),并且在研究区域内取同样的标高值,进而将MODIS反演的AOD空间分布订正为地面消光系数(kex,0)的空间分布。高度订正依据公式如下:
AOD=kex,0×H (1)
b)假设研究区域内取一样的相对湿度值,利用气象站点卫星过境时间观测的相对湿度对地面消光系数空间分布进行订正。当观测相对湿度小于40%时不进行订正,大于40%时进行订正,依据的公式如下:
kex,dry是干气溶胶消光系数,RH为观测的相对湿度。
进一步,所述步骤3)包括以下步骤:
a)选择气象站点上空属于无云遮盖状态时的地面观测PM2.5数据与其所在像元的遥感反演所得的AOD数据建立线性函数关系方程式。
b)建立函数关系使用的数据根据卫星过境时的定时风向和风速进行分类后生成多个函数关系式,风向的分类包括北风NW、NNW、N、NNE;东风NE、ENE、E、ESE;南风SE、SSE、S、SSW和西风SW、WSW、W、WNW,风速的分类包括小于1.5米/秒、1.5-7.0米/秒、大于7.0米/秒。
c)利用所得的不同函数关系式,根据分类结果,对每日干气溶胶消光系数空间分布图进行修订,得到若干张PM2.5浓度空间分布图。
d)将步骤c)所得分布图中每个相同空间位置的栅格值进行平均,得到研究区研究时间段PM2.5浓度平均值空间分布图。
进一步,所述步骤4)具体为:将步骤3)中所获取的数据与森林资源调查数据图像库进行空间匹配,匹配的原则是以相同投影坐标系为准,然后依据森林资源调查数据库中已经划定的城市森林小班斑块,计算每个斑块PM2.5平均浓度。
进一步,所述步骤6)包括以下步骤:
a)收集各影响因子空间分布数据与森林资源调查数据图像库进行空间匹配,匹配的原则仍是以相同投影坐标系为准。
b)依据森林资源调查数据库中已经划定的城市森林小班斑块,计算每个斑块各因子的平均值。
c)将各斑块的连续变量数值按照行业标准进行划分,对于无行业标准连续变量,可采用自然间断点分类法(Natural Breaks(Jenks)method)或等量分类法(Quantilemethod)将数据分成5-7类,对于已有的类型变量和PM2.5浓度数据则保持不变。
d)将各个斑块分类后的各影响因子和PM2.5浓度数据导入地理探测器模型进行分析。
附图说明:
图1示出了示范例1中干气溶胶消光系数和PM2.5浓度观测值回归分析结果。
图2示出了范例1中不同阈值距离下冷热点区面积和显著斑块周围最小斑块数量变化趋势。
具体实施方式:
(一)以福建省泉州地区的晋江市为例。晋江市属于南亚热带季风气候,兼具海洋性气候特征,四季较为不明显,5-10月为夏季,年均气温在18.3–21.3℃。城市森林呈现减少和破碎化趋势,2014年斑块数约为6 000个,森林总面积为9 566公顷。其具体实施方式如下:
1.收集2014年空间分辨率为250米包含晋江市的AQUA-MODIS数据,泉州市(清源山、万安、涂山街和津头埔)和厦门市(鼓浪屿、湖里、洪文、溪东)各4个地面监测站点逐小时的PM2.5浓度和晋江市南北2个气象站点数据,包含相对湿度、能见度、风速和风向。
2.利用MODIS数据进行AOD反演计算,得到分辨率为500米的AOD空间分布图。
3.高度订正和湿度订正后,通过AOD空间分布图得到干燥后气溶胶的消光系数(kex,dry)空间分布图。
4.由于晋江属于沿海城市有云天气较多,且气象站点较少,达到可建立关系原则的数据量较少,所以没有对风速和风向进行分类,而是将所有达到无云遮盖气象站点要求的当天数据与kex,dry进行函数关系式的建立,得到简单线性方程y=46.75x+19.34,式中x为kex,dry,单位为km-1,x为PM2.5浓度,单位为μg/m3。样本量为95,拟合R平方为0.50。依据该方程,得到晋江市2014年PM2.5浓度平均值空间分布图。
5.将步骤4)所得空间分布图与森林资源调查数据图形库进行投影坐标系和空间校正,保证不同数据源的图层空间匹配,再计算每块森林小班斑块上的平均PM2.5浓度。
6.使用局部Gi*统计方法,以500米为间隔,探索不同阈值距离下冷热点区面积变化和显著斑块周围最小斑块数量(图2),发现在2 500米阈值距离下,冷热点面积变化趋于稳定,仅为3.3%,远小于之前的6.7%和随后的5.4%,且最小邻居斑块数为10,大于Ord和Getis(1995)提出的自相关正态分布假设——周围邻居个数最少为8,所以认为2 500米为合适的分析阈值,在此阈值下识别森林斑块的冷点区和热点区。热点区主要集中在晋江市北部的工业园区,西南部的滨海新区附近;冷点区主要集中在东南沿海和中北部山区。
7.利用Arcgis软件生成基于500米像元的PM2.5浓度空间权重矩阵,根据其权重矩阵识别晋江市的城市冷热点区。其热点分布与森林热点区分布类似,并增加了东北部无城市森林的工业区,而冷点区也与森林冷岛区分布类似。
8.使用地理探测器模型分别对森林斑块冷点和热点区进行影响因子贡献度分析,基本的思路是比较PM2.5浓度分布与地域地层特征(如:森林属性、土壤、地形、人口活动等因素)分布的一致性,各因子包括:斑块面积、优势树种、郁闭度、林龄、斑块形状、土地质量等级、土层厚度、海拔、坡度、坡向、坡位、人口密度和斑块周围不透水面面积比例。
9.从表1看冷热点区的人口密度和优势树种是影响力最大的两个因子,而对热点区影响力较大的还有立地质量等级、斑块形状和面积,对冷点区影响力较大的还有海拔因子。
表1地理探测器模型给出的表明晋江市森林热点和冷点区各影响因子对PM2.5的影响力大小(q值)。
10.结合晋江市域总规(2010-2030年),建议在城市热点与森林热点相重合的地区进行人口密度、优势树种、立地质量等级、斑块形状和面积的相应规划设计。在城市热点独有区域,多为不透水面为主的建成区,选择叶片表明微形态结构越密集、深浅差别越大的树种进行植被增植,例如叶片具有绒毛、沟槽的乡土阔叶树树或叶断面面积大、叶片扁平的针叶树种。
实际应用结果表明:该方法数据获取途径简单且获取的数据连续,融合简单线性模型和多元线性回归模型方法的优点,对数据进行分类建立统计关系,精准度达到需求,操作简单更具有推广性,而且对各影响因子影响力的定量化结果为城市森林管理者改善城市森林布局提供了指导思想和科学基础。
在以上对本发明的详细介绍中,应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想。同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (6)
1.一种定量化研究城市森林对PM2.5净化作用的方法,该方法利用地面观测和对地观测数据,针对改善PM2.5浓度的城市森林生态功能进行定量化研究,其特征在于,该方法包括以下步骤:
1)使用MODIS遥感数据对城市区域研究时间段内每天的气溶胶光学厚度进行反演后,再分类建立其与卫星过境时间观测的地面PM2.5小时观测值的线性函数关系,从而得到该城市PM2.5浓度平均值空间分布图,空间分辨率为500m;
2)将遥感反演所得空间分布数据和地面调查数据进行空间匹配,计算森林资源调查数据图形库中每块森林斑块上的平均PM2.5浓度;
3)依据步骤2)的结果,使用局部Gi*统计方法,在合适的分析阈值下,识别整个城市和森林斑块的冷点区和热点区;
4)使用地理探测器模型分别对森林斑块冷点和热点区进行影响因子贡献度分析;
5)通过各影响因子间的直接作用和交互作用,确定主要影响因子,并结合城市规划蓝图,在城市热点区对相应影响因子进行改造;
上述步骤1)包括以下步骤:
1.1)根据MODIS数据生成当天500m高分辨率气溶胶光学厚度空间分布图;
a)收集包含研究区的MODIS遥感影像数据、地面监测站点小时整点的PM2.5浓度、相对湿度、能见度、风速和风向数据;
b)进行气溶胶光学厚度空间反演计算,空间辨别率达到500米;
1.2)通过高度订正和湿度订正后,得到干燥后气溶胶的消光系数Kex,dry的空间分布图;
a)使用地面气象站点为中心周围5公里范围内的非零气溶胶光学厚度AOD均值和气象站点卫星过境时间观测的能见度数据VIS,通过公式(1)和(2)计算当天的标高H,并且在研究区域内取同样的标高值,进而将MODIS反演的气溶胶光学厚度AOD空间分布订正为地面消光系数Kex,0的空间分布;高度订正依据公式如下:
AOD=kex,0×H (1)
b)假设研究区域内取一样的相对湿度值,利用气象站点卫星过境时间观测的相对湿度对地面消光系数空间分布进行订正;当观测相对湿度小于40%时不进行订正,大于40%时进行订正,依据的公式(3)如下:
其中,Kex,dry是干燥后气溶胶的消光系数,RH为观测的相对湿度;
1.3)建立Kex,dry与卫星过境时间地面PM2.5小时观测值的线性函数关系,从而得该城市PM2.5浓度平均值空间分布图;
步骤3)中的合适的分析阈值是建立在以500米为间隔不断增加的阈值基础上,通过判断该阈值距离下冷热点区面积和冷热点显著斑块在该距离范围内周围斑块个数变化趋势进行选择的;选择的标准为冷热点区面积变化趋于稳定,且冷热点显著斑块周围斑块的最小个数大于8。
2.根据权利要求1所述的方法,其特征在于:步骤1)使用的线性函数关系是选择气象站点上空属于无云遮盖状态时的地面观测PM2.5数据与其所在像元的遥感反演所得的AOD数据来建立的线性函数关系方程式。
3.根据权利要求1所述的方法,其特征在于:步骤1)建立函数关系使用的数据为卫星过境时气象站点观测的定时风向和风速,将其分类后生成多个函数关系式。
4.根据权利要求3所述的方法,其特征在于:风向的分类包括北风NW、NNW、N、NNE;东风NE、ENE、E、ESE;南风SE、SSE、S、SSW和西风SW、WSW、W、WNW,风速的分类包括小于1.5米/秒、1.5-7.0米/秒、大于7.0米/秒。
5.根据权利要求1所述的方法,其特征在于:步骤2)遥感反演所得空间分布数据和地面调查数据进行空间匹配的原则是:以相同投影坐标系为准。
6.根据权利要求1所述的方法,其特征在于:步骤4)使用地理探测器模型将各斑块的连续变量数值按照行业标准进行划分,对于无行业标准连续变量,采用自然间断点分类法或等量分类法将数据分成5-7类中的其中一类,对于已有的类型变量和PM2.5浓度数据则保持不变。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610406174.7A CN107491566B (zh) | 2016-06-12 | 2016-06-12 | 一种定量化研究城市森林对pm2.5净化作用的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610406174.7A CN107491566B (zh) | 2016-06-12 | 2016-06-12 | 一种定量化研究城市森林对pm2.5净化作用的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107491566A CN107491566A (zh) | 2017-12-19 |
CN107491566B true CN107491566B (zh) | 2020-08-07 |
Family
ID=60641887
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610406174.7A Active CN107491566B (zh) | 2016-06-12 | 2016-06-12 | 一种定量化研究城市森林对pm2.5净化作用的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107491566B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110261272B (zh) * | 2019-07-05 | 2020-08-18 | 西南交通大学 | 基于地理探测和pca对pm2.5浓度分布的关键影响因子筛选方法 |
CN110907319B (zh) * | 2019-11-07 | 2021-02-09 | 中国科学院遥感与数字地球研究所 | 一种近地面细颗粒物的归因分析方法 |
CN111858700A (zh) * | 2020-06-16 | 2020-10-30 | 南京国准数据有限责任公司 | 一种基于地理探测器的黄土沟壑发育影响机理分析方法 |
CN111738600A (zh) * | 2020-06-23 | 2020-10-02 | 南通大学 | 一种基于高精度pm2.5反演结果的城市道路空气质量评价方法 |
CN112035799A (zh) * | 2020-09-02 | 2020-12-04 | 西安建筑科技大学 | 一种过滤器选型用室外pm2.5设计浓度确定方法及其应用 |
CN112214877B (zh) * | 2020-09-15 | 2024-02-13 | 南通大学 | 一种基于量化指标的pm2.5反演方法 |
CN115859026B (zh) * | 2022-11-18 | 2023-12-05 | 二十一世纪空间技术应用股份有限公司 | 一种高分辨率近地面pm2.5浓度遥感反演方法及装置 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104303746A (zh) * | 2014-09-26 | 2015-01-28 | 安徽农业大学 | 一种城市森林配置方法 |
CN105405148A (zh) * | 2015-11-17 | 2016-03-16 | 中国科学院遥感与数字地球研究所 | 一种结合树木阴影特征的遥感影像毛白杨识别方法 |
-
2016
- 2016-06-12 CN CN201610406174.7A patent/CN107491566B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104303746A (zh) * | 2014-09-26 | 2015-01-28 | 安徽农业大学 | 一种城市森林配置方法 |
CN105405148A (zh) * | 2015-11-17 | 2016-03-16 | 中国科学院遥感与数字地球研究所 | 一种结合树木阴影特征的遥感影像毛白杨识别方法 |
Non-Patent Citations (2)
Title |
---|
《Daily Estimation of Ground-Level PM2.5 Concentrations over Beijing Using 3 km Resolution MODIS AOD》;Yuanyu Xie;《Environmental science&technology》;20151231;第49卷(第20期);第12280-12288页 * |
《北京典型配置城市森林对PM2.5影响研究》;李素莉;《中国优秀硕士学位论文全文数据库-农业科技辑》;20151015;第6-11,42-45,51-52页 * |
Also Published As
Publication number | Publication date |
---|---|
CN107491566A (zh) | 2017-12-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107491566B (zh) | 一种定量化研究城市森林对pm2.5净化作用的方法 | |
Han et al. | Spatial distribution characteristics of PM2. 5 and PM10 in Xi’an City predicted by land use regression models | |
Wu et al. | Land use dynamics, built-up land expansion patterns, and driving forces analysis of the fast-growing Hangzhou metropolitan area, eastern China (1978–2008) | |
Ma et al. | Quantifying spatiotemporal patterns of urban impervious surfaces in China: An improved assessment using nighttime light data | |
Soegaard et al. | Towards a spatial CO2 budget of a metropolitan region based on textural image classification and flux measurements | |
Cao et al. | Using a distributed air sensor network to investigate the spatiotemporal patterns of PM2. 5 concentrations | |
Timsic et al. | Spatial variability in stable isotope values of surface waters of Eastern Canada and New England | |
Guo et al. | Estimating socio-economic parameters via machine learning methods using Luojia1-01 Nighttime Light remotely sensed images at multiple scales of China in 2018 | |
Munir et al. | Spatiotemporal analysis of fine particulate matter (PM2. 5) in Saudi Arabia using remote sensing data | |
CN108171375A (zh) | 基于最大熵模型的地址灾害生态安全评价模型的构建方法 | |
Achmad et al. | A study of urban heat island of Banda Aceh City, Indonesia based on land use/cover changes and land surface temperature | |
Zhang et al. | Spatiotemporal estimation of the PM2. 5 concentration and human health risks combining the three-dimensional landscape pattern index and machine learning methods to optimize land use regression modeling in Shaanxi, China | |
Zeng et al. | Influence of urban spatial and socioeconomic parameters on PM2. 5 at subdistrict level: A land use regression study in Shenzhen, China | |
Li et al. | Evaluating the influencing factors of urbanization in the Xinjiang Uygur Autonomous Region over the past 27 years based on VIIRS-DNB and DMSP/OLS nightlight imageries | |
Cho et al. | Cold-season atmospheric conditions associated with sudden changes in PM10 concentration over Seoul, Korea | |
Li et al. | Estimation of high spatial resolution ground-level ozone concentrations based on Landsat 8 TIR bands with deep forest model | |
Choi et al. | Retrieval of hourly PM2. 5 using top-of-atmosphere reflectance from geostationary ocean color imagers I and II | |
Zhang et al. | Aerosols characteristics, sources, and drive factors analysis in typical megacities, NW China | |
Liu et al. | Spatial-temporal evolution of vegetation coverage and its relationship with terrain and human factors in the upper reaches of Ganjiang River Basin, China | |
Sono et al. | Spatiotemporal evolution of West Africa’s urban landscape characteristics applying harmonized DMSP-OLS and NPP-VIIRS nighttime light (NTL) data | |
Yang et al. | Spatiotemporal characteristics of human activity on coastal landscape of Laizhou Bay | |
Bhardwaj et al. | Interstate transport of carbon monoxide and black carbon over India | |
Song et al. | Exploring the Characteristics and Drivers of Expansion in the Shandong Peninsula Urban Agglomeration Based on Nighttime Light (NTL) Data | |
Akbary et al. | Simulation and analysis of polluted days in Tehran | |
CN113191670B (zh) | 一种精细化雷电灾害风险评价与区划方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |