基于GWR模型的天山北坡经济带PM2.5浓度反演及时空特征分析

2024年2月21日发(作者：)

2021年第49卷第1期

地球与环境

Vol.49. No. 1,2021EARTH AND ENVIRONMENT51基于GWR模型的天山北坡经济带PM2

5浓度反演及时空特征分析易唯，杨东#，李茜荣(西北师范大学地理与环境科学学院，兰州730070)摘要：构建PM2.5浓度与相关因子的关系模型已成为获取干旱区经济带连续变化PM2.5浓度数据的有效手段之一。本文以

天山北坡经济带为研究对象，基于PM2.5浓度监测数据、中分辨率成像光谱仪（moderate-resolution

imaging

spectroradiometer,

MODIS)的气溶胶光学厚度数据（aerosol

optical

depth，AOD)和气象数据，利用地理加权回归模型（geographically

weighted

re-

gression,GWR)反演了研究区2018年3~1丨月PM2.5浓度，进而分析其时空变化特征。结果表明：（1)相比多元回归模型（>11111-

liple

linear

) ,GWR模型在天山北坡经济带的PM2.5浓度反演效果更优，决定系数、平均绝对误差和均

方根误差 /M/Sf 分别为 0.897、4.569 叫/m3 和 5.627 (xg/m'明显优于

MLR 模型的 0.8丨9、5.825 (jLg/n^ 和 7.731 叫/11^;(2)

天山北坡经济带PM2.5浓度在月尺度上呈“凹字型”变化特征，其中丨丨月最高，达到59.50 (xg/m3,3月和10月次之，9月最低，

仅为17.92

jjig/m5;在季节尺度上表现出秋季（9~ 11月）> 春季（3~5月）>夏季（6-8月）的变化特征，其中春季呈波动下降趋

势，夏季总体维持在较低水平，秋季呈急剧上升趋势；（3)在空间分布上，研究区PM2.5浓度呈现出“东高西低”的特征，峰值出

现在乌鲁木齐附近，说明经济带东部地区PM2.5污染相对严重，尤其是乌鲁木齐。关键词：地理加权回归模型；天山北坡经济带；PM2.5浓度反演；时空特征中图分类号：X51 文献标识码：A

文章编号：1672-9250(2021)01-0051-08

doi:

10. 14050/. 1672-9250.2020.48.092随着我国城市化和工业化的快速发展，以 度反演中具有重要应用价值(7_8]。基于M0DIS

PM2.5为首的大气颗粒物污染问题已严重威胁区域

A0D的PM2 5浓度反演的重点和难点在于如何构建

生态环境安全〜2]。PM25，即近地表空气中粒径矣

卫星遥感数据与PM2 5浓度数据间的关系模型[91，

2.5

pm的颗粒物，会严重污染区域生态环境和危害

近年来已先后出现了多元线性回归模型[1°]、人工神

人类健康+4]，是表征空气质量的重要指标之_。

建立地面环境监测站和遥感估算是当前获取2 5

经网络模型[11]、混合效应模型、地理加权回归模

pm型[13]和土地利用回归模型[141等多种模型。其中，

浓度的两种主要方式。地面环境监测站可以获取

地理加权回归模型特定位置连续时间上的高精度PM2.5浓度数据，但

（geographically

weighted

regres­无法获取PM25浓度在空间覆盖上的连续变化信

sion ，GWR) 基于局部回 归思想 ，充分考虑变量在空

息。遥感估算可有效弥补环境监测站空间分布不

间位置上的局部特征，有效解决了传统回归模型存

连续的缺陷，逐渐成为获取PM25浓度的主流手段，

在的空间非平稳性问题[+16]，已被广泛应用于

但其估算精度受到估算方法的严重制约，因此探索

PM2 5浓度反演研究。1^[17]最早利用GWK模型进

有效可靠的估算方法已成为当前PM25浓度反演研

行PMZ 5浓度反演，验证ft2达到0. 6,之后有研究通

究面临的重要课题之一。中分辨率成像光谱仪过增加影响因子的方式进一步提升了反演效果h81 ;

(moderat-e-resolution

imaging

spectroradiometer,

M0-

在我国，陈辉等1191利用GWR模型反演了我国冬季

I)IS)的气溶胶光学厚度数据（aerosol

optical

depth，

PM25浓度；此后，张天琪12(11和付宏臣等[131先后应

A()D)与PM2 5质量浓度关系密切+6]，在PM2 5浓用该模型反演了中国和新疆地区的PM25浓度，均收稿日期：2020-03-丨5;改回日期：2020-05-21

基金项目：国家自然科学基金项目（41262001)。第一作者简介：易唯（

1995-)，女，硕i•研究生，主要研究方向为大气遥感与应用。E-mail: ****************.

*通讯作者：杨东（丨969-)，男，博t，教授，研究方向为环境资源与宵理、E-mail:yangd〇ng@

nwnu. e(iu. cn.

52地球与环境2021 年取得了良好效果。突出，已严重威胁其生态环境安全和经济可持续发

作为我国“西部大开发”战略和“ 一带一路”建

展28，因此加强天山北坡经济带PM2 5污染监测研

设的重要环节和节点21 ,天山北坡经济带近年来在

究已迫在眉睫。城市化水平快速提升的同时[&231，也产生了严重的

1.2数据获取及处理城市与区域空气污染问题，已引发各方关注124。然

_)【S

A0D数据来源于NASA官网（

而，涉及该地区的浓度反演研究多针对整个

ladsweb.

modaps.

eosdis.

nasa.

gov/)发布的

MOD04_

新疆地区或个别城市的研究，缺少针对城市经济带

L2和MOD〇4_3

K产品，观测卫星为Terra。利用

PM25浓度研究。因此，本研究以天山北坡经济带

ENV1 / 1DL语言编程对其进行批量重投影、镶嵌、

为研究区，基于PM2.5浓度监测数据，结合Moms

裁剪、按月算术求均等处理，采用三次卷积法对

A0D数据和气象数据，利用GWR模型反演了天山

MOI)()4_L2进行重采样，将其结果与MOD04_3

K进

北坡经济带2018年3~11月的PM2 5浓度在空间覆

行融合，同时考虑到M0DIS_3

K在研究区冬季反演

盖上的连续变化信息，以期为天山北坡经济带大气

效果较差，有效数据少，为避免A01)数据对模型反

污染监测与治理提供科学依据。演效果造成的不确定性，因此本文暂不对研究区冬

1材料与方法季进行建模与验证；PM2 5浓度数据来源于全国城

市空气质量实时发布平台（106. 37. 208.233

1.1 研究区概况:20035/)，根据Terra卫星过境时间（地方时11 :

天山北坡经济带（79。52'~9丨。32'£，43。01'~46。

30)，将每日13:00、14:00的PM2 5浓度平均值作为

13'N)地处新疆维吾尔自治区北部，天山北麓，准噶

当H数据；大气相对湿度RH、气温TEM、降水丨>RE、

尔盆地南缘（图1);年均气温6.9丈，年均降水量

风速WIN、气压PRS来源于中国气象数据网（ht­220

m

m，蒸发强烈，多大风、沙尘天气，属典型的干

tps://(lata.

cma.

i‘n/) 的中国地面气候资料日 值数据

旱与半十旱气候区[25 261，地势南高北低，由东南向

集（V3. 0)，利用Kriging法对其进行插值处理；边界

西北略倾斜。该区总面积约9. 54X104

km2,仅占全

层高度PBLH数据为通过WRF模拟得到的日数据。疆的5. 7%,却集中了全疆25. 6%的人口、83%的重

为解决PM2 5浓度数据与MODIS

A0D数据和

工业和62%的轻工业，城市化水平高达61. 2%,是

气象数据的空间不匹配问题，利用ArcGIS软件将

全疆人U最集中、经济最发达、城市分布最密集的

A0D数据和气象数据统一为相同投影坐标系统，并

地区27]。近年来，天山北坡经济带在经济快速发展

以PM2.5浓度监测站点为空间基准对A0丨〕数据和

的同时，以PM2 5为首的大气颗粒物污染问题口益气象数据进行空间匹配，并对其进行按月算术求均83°E 84°E 85°E

86°E 87°E

88°E 89°E图1研究区域位置

Fig. 1

Location

of

the

study

area

第丨期易唯等：基于GWR模型的天山北坡经济带PM2.5浓度反演及时空特征分析53或求和处理，最终得到天山北坡经济带2018年3~

11月216对样本数据集。最后对PM2 5浓度数据、

MAE

=

—

Y

I

(X,

n

frijiixRMSE

=

^

1 "- Xl) (2)MODIS

AOD数据和气象数据进行标准化处理，以消

除不同数据量纲对分析建模的影响。1.3地理加权回归模型, -x,y(3)—---------------------------------------

n地理加权回归模型是为解决全局回归模型中

存在的空间非平稳性问题而提出的一种局部回归

模型，其最大特征是参数的可变性[29]。该模型可依

据样本数据的空间位置信息生成随空间位置变化

而变化的局部回归系数，本质是利用距离加权的方

式得到区域连续变化的回归系数。1.3. 1 模型构建为消除模型自变量多重共线性的影响，本文首

先计算方差膨胀因子（VIF)，并参考相关文献[3°],

以VIF<7为前提，选取各个月份尺2值最大的变量

组合作为建模样本数据。在此基础上，本文以月为

时间尺度，分别构建天山北坡经济带2018年3~ 11

月PM2 5浓度反演的GWR模型，具体如下：式中，n为样本数,；f,为第i个估算值为第t'个监

测值。2结果与分析为有效把握建模数据分布情况，进而判断各变

2.1数据描述统计量数据是否符合建模要求，本文对各建模变量进行

描述性统计，结果见表1。2.2模拟结果对比验证本文基于PM2 5浓度地面监测数据，利用Arc-

GIS软件提取各监测站点对应的GWR模型反演结

果值，分别计算决定系数/?2、平均绝对误差五和

均方根误差KMS£：，同时为更加详细的对比模型反

演精度，在保证自变量和因变量相同的前提下，本

文还构建了研究区2018年3~ 11月的多元回归模

型（multiple

linear

regression，MLR )，两种模型反演

的PM2 5浓度与地面监测PM2 5浓度拟合散点图见

图2。由图2可知，GWR模型和MLR模型反演所得

PM2.5t

=

Pl(^lc,Vk)PBLHk

pA(fik,vk)TEMk

+ !3^tik,vk)AODk +k,Vk)RHk +

PREt +PRSk+

Pii^+/35(tik,vk)+

P-,(iJ.k,vk)式中，PM2.5t为监测站点&在位置处的

PM2.5浓度;队为特定位置处的截距；40A、

PBLHhRHhTEMhPREhWII^

和 PRSk

为位置（fit,

处的建模变量值;成~/87为斜率。由于研究区

PM2 5浓度与地面监测结果吻合程度相对较高，决

定系数ft2均大于〇. 8 ,平均绝对误差和均方根

误差分别小于6 |xg/ms和8 |xg/m3,说明两

种模型均可应用于天山北坡经济带的PM2 5浓度反

演。同时对比GWR模型与MLR模型的反演精度

发现，GWR模型估算的地面PM25浓度/?2为

0. 897，M/l£ 为 4. 569

pg/m3，0. 078,編£ 和

■为 5. 627 (xg/

PM2 5监测站点空间分布不均，本文选用自适应型

高斯函数作为权重核函数，并利用Akaike信息准则

法来确定最佳带宽。1.3.2模型精度评价指标本文采用决定系数fi2、平均绝对误差/W/l£和

均方根误差对模型估算精度进行评价。其中

m3，MLR模型的fi2为0. 819,比GWR模型低

分别为 5. 825

jjug/m3 和 7. 731叫/m3,相比GWR模型分别高出1.256

jjLg/m3和

2. 104

pg/m3,说明GWR模型反演PM25浓度与地

面监测PM2.5浓度符合程度更高，误差更小。V是相关系数的平方，指示了模型估算值与观测值

的符合程度，其值在〇到1之间，V越高说明模拟

效果越好;和/?MS£反映了模型估算值与观测

值的偏差程度，其值越小越好，计算公式如下：表1Table 1

变量平均值最小值最大值标准差PM2 5/( ^g/m3)27.

667.6496.0617. 57AOD0. 130.

00建模变量描述性统计结果

Descriptive statistical results of the model variablesRH/%53. 2333. 5772. 508. 59PBLH/km22.

206. 60TEM/丈11.09-6.4125.

668. 51PRE/mm30. 572. 1593. 1821.

20WIN/(m/s)2. 852. 175. 380.43PRS/hPa878.53831.43950.7235. 190. 420.

1134. 999. 52

54地球与环境2021 年o8^42o2.3天山北坡经济带PM2S质量浓度时空分布2.3.1

时间特征基于上述地理加权回归模型分别计算了天山

北坡经济带2018年3~11月PM2 5月均浓度（图3)

和空间分布结果（图4)。由图3知，研究区除11月

外PM2 5月均浓度均在国家一级标准和二级标准之

间，变化趋势总体呈现“凹字型”特征。其中，11月

达到59. 50问/m3的峰值，超出国家二级标准70% ,

其次为3月和10月，分别达到了 33. 18

pg/m3和27. 17 |xg/m3,超出国家一级标准的121%和81%，

低于国家二级标准的5%和22%;4~8月相对偏低,

在丨9.70- 26. 03 |xg/m3之间，9月最低，为17. 92

|xg/m3,超出国家一级标准仅19%，低于国家二级标

准的49%。在季节尺度上，呈现出秋季（9~ 11月）>

春季（3〜5月）>夏季（6~8月）的特征，依次为

34. 86、27.71 和 20.23

ixg/m3,其中春季（3~5 月）

总体呈波动下降趋势，夏季（6〜8月）总体较低且变60

袅

8o

^<54o

2

辇辇

32o00 20 40 60 80 100地面监测PM2

5浓度/(00 20 40 60 80 100Jig/m3)地面监测PM2

5浓度/(Mg/m3)1*1 2

GWI{和MLR模型拟合散点图

Fig. 2

Scatter

plot

of

GWR

and

ML.K

model

fitting化不大，秋季（9〜II月）呈现急剧t升趋势。基于地理加权回归模型反演所得PM2 5月浓度

空间分布如图4所示。由图4可以看出，3月研究

区PM2 5浓度总体呈现“东高西低”的空间分布特

征，高值（35~70 (ig/m1)覆盖了东部大部分区域；4

月份PM2 5浓度总体空间分布特征与3月份基本保

持一致，但污染水平明显下降，土要表现在峰值由

65 ~ 70 (jLg/m3 降低为 45 ~ 50

ng/m3,低值（0 ~ 30

pg/m3)覆盖范围显著扩大；5月份PM2 5浓度水平

相比4月份变化不大，但其空间分布状况发生显著

变化，高值区（35~50

pg/m3)开始呈东西条带状向

经济带中部收缩；6〜7月份PM2.5浓度水平出现显

著下降，基本在0~25

pg/m3之间，空间上呈东南高

西北低的分布特征且整体差别较小；8月份PM25

浓度水平及分布特征总体变化不大，但在乌鲁木齐

局部地区有所抬升；9月份，东南部局部抬升趋势继

续加强，主要表现在PM25浓度峰值上升到40~45

(xg/m3且高值（30 ~ 40

jjig/m3 )覆盖范围也明显扩

大；10月份不仅PM2 5污染水平大幅提高，高值（35

~65

pg/ni3)分布范围也进一步扩大，尤其是东部地

区；到11月份，PM2.5浓度水平和高值分布范围进一

步提升，峰值提高到了 70~

120

pg/m1,经济带大部

分地区均在35 (xg/m3以上，低值区大幅度缩小。2.3.2 空间特征

o5

(l_—月均值

国家一级标准

4o

…•…国家二级标准005s%i*d

3o

2o

1o天山北坡经济带2018年34567月份3~11月平均卩12

5浓

89 10 11度在丨〇~49 pg/m3之间，整体呈现出“东高西低”的

空间分布特征（图5)。依据PM2 5S染程度，大体

可将研究区划分为乌鲁木齐、东部地区和西部地

区。乌鲁木齐是研究区内PM25污染最严重的区图3

PM2 5月均浓度变化情况

Fig. 3

Change

of

monthly

PM2

s

concentration

第1期易唯等：基于GWR模型的天山北坡经济带PM2 5浓度反演及时空特征分析55图4

PM2 5H浓度空间分布

Fig. 4

Spatial

distribution

of

monthly

PM2 5

concentration3讨论本文基于PM2

5地面监测数据、MODIS

A0D数据和气象数据，同时构建了天山北坡经济带月尺度

PM2 5浓度反演的GWR模型和MLR模型，通过对

比两种模型模拟精度评价指标发现：GWR模型在研

究区的决定系数/?2、平均绝对误差和均方根

误差均优于MLR模型，充分说明了

GWR模

型较MLR模型在天山北坡经济带PM2 5浓度反演

中的优越性，但也应认识到尽管GWR模型能够反

图5

PM2.5年均浓度空间分布映出颗粒物浓度随地理位置的变化特征，但该方法

Fig. 5

Spatial

distribution

of

annual

PM2 5

concentration忽略了各变量随时间的变化特征[3°],因此未来可考

域，其PM25浓度达到了

40〜49 (jug/m3,高出国家二

虑构建时空地理加权回归模型以提高反演精度。

级标准的14%~40%;东部区域包括五家渠、阜康、

建模数据方面，本文融合了

MOD04_L2和MOD04_3

昌吉、呼图壁、玛纳斯和石河子，是天山北坡经济带

K的A0D数据，相比以往研究单一使用深蓝算法或

PM25高污染区，其PM2

5浓度值在25~40

pg/m3

暗像元法反演所得A0D数据[3142]，不仅弥补了

之间；西部地区PM25浓度最低（10~25

pg/m3)，低

MODIS

A0D的数据缺失问题，而且有效提高了

M0-

于国家二级标准的29%-71%，主要包括沙湾、奎

DIS

A0D在“亮地表”地区的精度和可靠性，但同时

屯、乌苏和克拉玛依。也可能引人新的融合误差，进而为模型带来不确定

56地球与环境2021 年性，未来应着重改进MOD04_L2和MOD04_3

K数

据的融合算法，以进一步提升MODIS

AOD数据质

量。对比前人研究成果，本文在天山北坡经济带

PM2.5浓度的反演结果与刘琳等[25]关于天山北坡经

济带PM2

5浓度时空分布的研究结果保持一致，与

谢运兴等[33]在新疆大气颗粒物时空研究中得出新

疆细颗粒物在10月迅速上升的结论基本吻合，这进

一步证明了本文研究结果的可靠性。天山北坡经济带的PM2 5浓度时空分布特征的

形成是由自然因素和人类活动的双重作用所造成。

自然因素方面，沙尘天气会导致PM25浓度升

高[34];大气环流特征是影响区域PM2 5污染物积累

和扩散的重要外部条件之一[35_36]，大气稳定度越高

越不利于PM25颗粒物的垂向稀释[25]。人类活动

方面，采暖期化石燃料的大量燃烧和低温时期机动

车尾气排放的增加会直接导致PM25浓度的升

高[25];区域人口密度和工矿企业数量、规模也与

染物的扩散，且其人口密度、交通尾气排放，污染企

业数量及规模远高于其他区域，因此其污染程度远

高于其他区域。在研究区东部区域尽管地势比乌

鲁木齐更加开阔，但因其植被覆盖度低[39],在大风

天气频发季节极易导致沙尘天气的发生，同时对比

西部区域，其人口密度、工矿企业规模和数量更高，

因此其PM2.5浓度相对较高；在西部地区，受北冰洋

和大西洋影响，其降水量高于东部区域:4°],且植被

覆盖度高、人口密度小、工矿企业数量少，因此

PM2 5浓度最低。4结论本文以天山北坡经济带为研究对象，利用

pm2.5地面监测数据、Moms

AOD数据和气象数据，

同时构建了天山北坡经济带2018年3~ 11月PM25

浓度反演的GWR模型和MLR模型，并分析了研究

区PM25浓度的时空分布特征，最终得到以下结论：1) 相比于MLR模型，GWR模型在反演天山北坡经济带PM2 5浓度中更具优势。基于GWR模型

反演地面PM25浓度决定系数/?2、平均绝对误差

PM2.5浓度息息相关。在天山北坡经济带，不同月

份影响PM25浓度变化的因素各不相同。在3月

份，研究区仍处于采暖期[13]，且大风天气多，降水偏

少，蒸发强烈，植被覆盖度低，土质疏松[37 ]，客观上

提高了扬尘天气和沙尘暴现象的发生频率，进而导

致这一时期PM2 5浓度相对较高；4~5月由于采暖

期结束，其PM2 5浓度明显下降；6~9月，气温上升，

大气稳定度下降，利于PM2.5颗粒物的扩散，同时降

水增多，大气湿度相对变大，降低了沙尘天气的发

生频率[38]，因此其PM25浓度最低。10~11月，重

新进人采暖期，化石燃料的燃烧量和机动车尾气排

放量迅速升高，且由于气温和风速急剧下降，使得

逆温现象的频率和强度日渐变大，大气稳定度迅速

提高，进而导致PM25颗粒物垂向稀释难度加

大[25]，因此在这一时期PM2 5污染迅速恶化。乌鲁

木齐是经济带内污染最严重的地区，主要是因为乌

鲁木齐特殊的“喇叭口”地形[37]极大限制了大气污AM£；、均方根误差 分别为 0. 897、4. 569 (xg/m3和 5. 627

jjug/m3,均优于

MLR 模型的 0. 819、5. 825

|xg/m.' 和 7.731 (jig/m3。2) 天山北坡经济带PM25浓度呈现“凹”字型

的月变化特征，其中11月最高，其次为3月和10

月，9月最低，6~ 8月整体较低且变化幅度较小；在

季节尺度上，春夏秋3季依次为34.86、27.71和

20. 23 |jLg/m3,表现出秋季 > 春季 >夏季的季节变化

特征。3) 空间分布上，研究区PM25浓度总体上呈现

“东高西低”的空间分布特征。乌鲁木齐是PM25污

染峰值区；东部地区是高污染区，包括五家渠、阜

康、昌吉、呼图壁、玛纳斯和石河子；西部地区是低

污染区，包括沙湾、奎屯、乌苏和克拉玛依。参 考文献[1 ] Chafe Z A, Brauer M, Klimont Z, et al. Household cooking with solid fuels contributes to ambient PM2

5 air pollution and the burden of disease

[J]. Environment Health Perspectives, 2014，122( 12): 1314-1320.[2] Lelieveld J, Evans J S, Fnais M , et al. The contribution of outdoor air pollution sources to premature mortality on a global scale [ J]. Nature,

2015, 525(7569) ： 367-371.[3] Pope C, Dockey D. Health effects of fine particulate air pollution

： Lines that connect [ J ] . Journal of the Air & Waste Management Association,

2006, 56(6)

： 709-742.[4] Lim S, Vos T, Flaxman A D, et al. A comparative risk assessment of burden of disease and injury attributable to 67 risk factors and risk factor

第1期易唯等：基于GWR模型的天山北坡经济带PM2 5浓度反演及时空特征分析57clusters in 21 regions, 1990-2010： A systematic analysis for the Global Burden of Disease Study 2010[J]. The Lancet, 2012, 380(9859)：

2224-2260.[5] Wang J, Christopher S A. Intercomparison between satellite-derived aerosol optical thickness and PM,

5 mass： Implications for air quality studies

[J]. Geophysical Research Letters, 2003, 30(21)

： 267-283.[6] Lin C, Li Y, Yuan Z, et al. Using satellite remote sensing data to estimate the high-resolution distribution of ground-level PM2

5 [ J ] • Remote

Sensing of Environment, 2015, 156： 117-128.[7] 李成才，毛节泰，刘启汉，等.利用MODIS光学厚度遥感产品研究北京及周边地区的大气污染[J].大气科学，2003, 29(5): 869-880

+ 951-953.[8]

李成才，毛节泰，刘启汉，等.M0DIS卫星遥感气溶胶产品在北京市大气污染研究中的应用[J].中国科学（D辑：地球科学），2005,

35(S1)

： 177-186.[9]

张晖，王伯铎，陈良富，等.西安市及周边地区M0DIS气溶胶光学厚度与PMI()浓度关系模型研究[J].环境工程学报，2014, 8(2):

665-671.[10]侯爱华，高伟，王中挺，等.利用高分一号卫星监测开封地区PM2 5[J].国土资源遥感，2017, 29(4) : 16卜165.[H]石灵芝，邓启红，路婵，等.基于BP人T神经网络的大气颗粒物PM,。质量浓度预测[J].中南大学学报（自然科学版），2012, 43

(5)

： 1969-1974.[12] Ma Z, Liu Y , Zhao Q, et al. Satellite-derived high resolution PM2

5 concentrations in Yangtze River Delta Region of China using improved linear

mixed effects model[J]. Atmospheric Environment, 2016, 133： 156-164.[13] 付宏臣，孙艳玲，景悦•基于地理加权回归模型的新疆地区PM2 5遥感估算[J].天津师范大学学报（自然科学版），2019, 39( 1 ) : 63-

70+80.[14]

[15]

吴健生，王茜，李嘉诚，等• PM25浓度空间分异模拟模型对比：以京津冀地区为例[J].环境科学，2017, 38(6) : 219卜en D P. Geographically weighted regression： The analysis of spatially varying relationships[ J ] . American Journal of Agricultural Econom­ics, 2004, 86(2)

：554-556.[16] Fotheringham A S, Charlton M E, Brunsdon C. Geographically weighted regression

： A natural evolution of the expansion method for spatial data

analysis[J]. Environment and Planning A, 1998, 30( 11

)： 1905-1927.[17] Hu Z. Spatial analysis of MODIS aerosol optical depth, PM2

5 , and chronic coronary heart disease[ J] . International Journal of Health Geograph­ies, 2009,

8( 1)： 27.[18] Hu X F, Waller L A , Al-Hamdan M Z, et ai. Estimating groundlevel PM2

5 concentrations in the southeastern U. S. using geographically weigh­ted regression[ J] . Environmental Research, 2013, 121(2)： 1-10.[19]

陈辉，厉青，张玉环，等.基于地理加权模型的我国冬季PM2

5遥感估算方法研究[J].环境科学学报，2016, 36(6) : 2142-2151.[20]

张天棋.基于M0DIS影像的中国地区气溶胶产品验证与PM25反演[D].成都：西南交通大学，2017.[21]

[22]

李宁，白璐，乔琦，等.天山北坡经济带经济发展与污染减排潜力以及工业绿色发展策略[J/0L].环境科学研究： X, Shi P, Liu Y. Realizing China^s urban dream[J]. Nature, 2014, 509(7499)

： 158-160.[23]

韩立建•城市化与PM25时空格局演变及其影响因素的研究进展[J].地理科学进展，2018, 37(8): 1011-1021.[24] Han L J, Zhou W Q, Li W F, et al. Impact of urbanization level on urban air quality： A case of fine particles( PM2

5 ) in Chinese cities[ J] . En­vironmental Pollution, 2014, 194： 163-170.[25]

刘琳，张正勇，刘芬，等.天山北坡经济带城市PM25质量浓度时空分布及模拟分析[J].环境科学研究，2018, 31( 11): 1849-1857.[26] 熊元康，张清凌.基于NDVI时间序列影像的天山北坡经济带农业种植结构提取[J].干旱区地理，20丨9, 42(5): 1105-1114.[27]

薛岩松，俞乐，徐鹏炜.利用M0DIS气溶胶产品反演质量浓度：以杭州为例[J].遥感信息，2014, 29( 1): 74-77.[28]

[29]

高宇潇，刘志辉，王敬哲.乌鲁木市PM2

5浓度与M0DIS气溶胶光学厚度相关性分析[J].干旱区地理，2018, 41(2) : on C, Fotheringham A S, Charlton M E. Geographically weighted regression

： A method for exploring spatial nonstationarity [ J ] . Geo­graphical Analysis, 1996, 28(4)

：281-298.[30]

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PM25和PM,。时空分布特征[J].环境科学学报，2020,

40(1)： 27-35.[31]

[32]

[33]

[34]

[35]

陈美娟，刘静，刘利民，等.基于MOD丨S数据的沈阳市PM2

5反演研究[J].环境科学与技术，2016, 39( 12): 87-93.沈扬，张连蓬，方星，等.徐州市气溶胶光学厚度与PM2.5相关性及年周期特征[J].地球与环境，2019, 47( 1): 34-42.谢运兴，唐晓，郭宇宏，等•新疆大气颗粒物的时空分布特征[J].中国环境监测，2019, 35( 1): 26-36.谷超.新疆环境空气中PM25/PMI()比值特征分析[J]•干旱环境监测，2017, 31(2): W L, Pagano T S, Salomonson V V. Prelaunch characteristics of the Moderate Resolution Imaging Spectroradiometer (MODIS) on EOS-

AM1[J]. IEEE Transactions on Geoence and Remote Sensing, 1998, 36(4)

： 1088-1100.[36]

李璇，聂滕，齐裙，等.2013年1月北京市PM2

5区域来源解析[J].环境科学，2015, 36(4): 1148-1153.[37] 黄观，刘伟，刘志红，等.乌鲁木齐市MODIS气溶胶光学厚度与PM,。浓度关系模型研究[J].环境科学学报，2016, 36(2): 649-657.[38]

朱少钧，董雯，许嘉钰.乌鲁木齐市区PM2

5污染特征及其溯源与追踪分析[J].新疆环境保护，2012, 34(3): 6-11.

58地球与环境2021 年[39] 郭鹏，徐丽萍.基于G丨MMS-NDV丨的新骝植被覆盖时空变化[J].水土保持研究，2014, 2丨（4) : 97-100+106+2.[40] 张音，古丽贤•吐尔逊拜，苏里坦，等.近60a来新骢不同海拔气候变化的时空特征分析[厂.干旱区地理，2019, 42(4): ion of PM2

5 Concentration in the Economic Zone of Northern

Tianshan Mountain Slope Based on the GWR Model and the Temporaland Spatial CharacteristicsYI Wei, YANG Dong, LI Xirong(College

of

Geography

and

Environmental

Science,

Northwest

Normal

University,

Lanzhou 730070,

China)Abstract ：

Constructing

a

model

for

the

relationship

between

PM-, 5

concentration

and

related

factors

has

been

regarded

as

one

effective

means

to

obtain

the

continuously

PM2 5

concentration

data

in

the

economic

zone

of

arid

regions.

In

this

study,

the

Economic

Zone

in

Northern

Tianshan

Mountain

Slope

was

taken

as

the

research

object.

Based

on

the

data

of

monitored

PM2 5

concentration,

aerosol

opti­cal

depth(

AOD)

acquired

by

the

moderate-resolution

imaging

spectroradiometer(

MODIS)

and

the

meteorological

data,

the

geographi­cally

weighted

regression

model (GWR)

was

used

to

invert

the

PM2 5

concentration

in

the

study

area

from

March

to

November

in 2018,

furthermore,

the

spatioteinporal

variation

characteristics

was

analyzed.

The

results

showed

that： ( 1 )

compared

with

the

multiple

linear

regression

model(

MLR)，the

inversion

effect

of

PM2 5

concentration

by

using

the

GWR

model

in

the

Economic

Zone

of

Northern

Tians­han

Mountain

Slope

illustrated

a

better

result,

and

the

coefficient

of

determination

R~ ^

mean

absolute

error

(MAE)

and

the

root

mean

square

error

(RMSE)

were 0. 897, 4. 569

jxg/m?

and 5. 627 (xg/m3 ,

respectively,

which

were

remarkably

better

than 0. 819, 5. 825

jxg/m'

and 7. 731

fxg/m3

of

MLR

model； (2)

the

PM-, 5

concentration

in

the

Economic

Zone

of

Northern

Tianshan

Mountain

Slope

in­dicated

a

concave

type

for

the

monthly

time-scale,

with

the

highest

in

November (59. 50 (jLg/m?) ,

then

followed

by

March

and

Octo­ber,

and

the

lowest

in

September ( 17. 92

ixg/m3).

For

different

seasons,

it

decreases

in

the

order

of

autumn (September-Novemher)

>spring(

March-May) >summer(

June-August) ,

and

a

characteristic

of

fluctuation

with

downward

trend

in

spring,

stable

at

a

low

level

in

summer,

sharply

increase

in

autumn,

was

observed ； (3)

in

terms

of

spatial

distribution,

the

PM, 5

concentration

in

the

study

area

displayed

the

characteristics

of **

higher

in

the

east

and

lower

in

the

westM ,

and

the

peak

value

appeared

near

Uruniqi,

indicating

that

the

PM2 5

pollution

in

the

eastern

part

of

the

economic

bell

was

relatively

serious,

especially

in

words：

geographically

weighted

regression

model；

the

Economic

Zone

of

Northern

Tianshan

Mountain

Slope ；

inversion

of

PM: 5

concentration ；

temporal

and

spatial

characteristics