自然资源遥感, 2024, 36(3): 163-173 doi: 10.6046/zrzyyg.2024074

技术应用

基于气象和遥感的空气清新度监测技术研究

张春桂,1,2, 彭继达1,2

1.福建省气象科学研究所,福州 350008

2.福建省灾害天气重点实验室,福州 350008

Air freshness monitoring technology based on meteorology and remote sensing

ZHANG Chungui,1,2, PENG Jida1,2

1. Fujian Institute of Meteorological Science, Fuzhou 350008, China

2. Fujian Key Laboratory of Severe Weather, Fuzhou 350008, China

责任编辑: 张仙

收稿日期: 2024-02-1   修回日期: 2024-06-6  

基金资助: 福建省科技计划社会发展引导性(重点)项目“基于遥感和气象的福建空气清新度技术研究”(2020Y0072)

Received: 2024-02-1   Revised: 2024-06-6  

作者简介 About authors

张春桂(1966-),男,正高级工程师(二级),主要从事气象卫星遥感资料应用研究。Email: fjygwork@163.com。

摘要

负氧离子浓度和PM2.5质量浓度是衡量空气新鲜和清洁程度的重要指标。文章利用2018—2022年福建气象部门50个负氧离子观测站资料,以及基于卫星遥感反演的气溶胶、植被指数、地表亮温等生态环境参数,并融合Cubist机器学习方法建立负氧离子浓度和PM2.5质量浓度估算模型,在此基础上提出综合考量负氧离子浓度和PM2.5质量浓度来建立空气清新指数,并采用统计学上数据序列频率的四分位数结合负氧离子的时空变化特征对空气清新指数进行分级,最后实现对区域空气清新度的精细化网格监测。结果表明: 负氧离子浓度估算训练模型拟合优度为0.838,测试模型拟合优度为0.526; PM2.5质量浓度估算训练模型拟合优度为0.968,测试模型拟合优度为0.867。基于气象、遥感和机器学习算法的空气清新指数监测结果与实际情况相符。

关键词： 负氧离子; PM2.5; 空气清新指数; 卫星遥感; 机器学习

Abstract

The concentrations of negative oxygen ions and particulate matter 2.5 (PM2.5) serve as important indicators in the assessment of the degrees of air freshness and cleanliness. Based on 2018-2022 data from 50 negative oxygen ion observation stations affiliated with the Fujian meteorological departments, along with the ecological parameters such as aerosol, vegetation index, and surface brightness temperature obtained by satellite-based remote sensing inversion, this study built estimation models for the concentrations of negative oxygen ions and PM2.5 using the Cubist machine learning method. Accordingly, it developed an air freshness index (AFI), and the fine-scale mesh-based monitoring of regional air freshness was achieved. The results show that the estimation model for the negative oxygen ion concentration yielded goodness of fit of 0.838 and 0.526 for the training and test sets, respectively. In comparison, the estimation model for the PM2.5 concentration exhibited goodness of fit of 0.968 and 0.867 for the training and test sets, respectively. Then, this study developed the AFI by comprehensively considering negative oxygen ions and PM2.5. Then, this study graded the AFI using the frequency quartiles of the statistical data series combined with the spatiotemporal changes in negative oxygen ions. The results indicate that the AFI monitoring results based on meteorology, remote sensing, and machine learning algorithms are consistent with the actual conditions.

Keywords： negative oxygen ion; PM2.5; air freshness index; satellite remote sensing; machine learning

PDF (3992KB) 元数据 多维度评价 相关文章 导出 EndNote| Ris| Bibtex  收藏本文

本文引用格式

张春桂, 彭继达. 基于气象和遥感的空气清新度监测技术研究[J]. 自然资源遥感, 2024, 36(3): 163-173 doi:10.6046/zrzyyg.2024074

ZHANG Chungui, PENG Jida. Air freshness monitoring technology based on meteorology and remote sensing[J]. Remote Sensing for Land & Resources, 2024, 36(3): 163-173 doi:10.6046/zrzyyg.2024074

0 引言

空气负氧离子(negative oxygen ion,NOI)能促进人体新陈代谢、缓解疲劳、提高免疫力,被称为空气维生素[1⇓⇓⇓-5]。而空气中的可吸入细颗粒物(particulate matter 2.5,PM2.5)随呼吸抵达人体细支气管时会引起呼吸困难甚至心肺疾病,对人体健康危害不可忽视[6⇓-8],由此可见NOI浓度和PM2.5质量浓度是衡量空气清新与否、质量好坏的2个重要指标。

在过去人们主要研究NOI在医疗保健领域中的作用机理[9⇓⇓-12],后来才陆续对NOI时空分布、影响因素、评价指标及浓度监测预测等方面展开较为深入研究[13⇓-15]。研究表明NOI浓度分布存在显著的时空变化特征,且受到天气、植被、地形、水体以及大气环境等各种因素的影响[16⇓-18],湿度和温度是影响NOI浓度变化的主要气象因子,降水和雷电有利于NOI浓度的增加,气压、风速等其他气象因子的影响则较为复杂[19⇓⇓⇓-23]。一些学者运用逐步回归方法构建了基于气象因子的NOI浓度预报方程[20,24⇓⇓-27]; 也有研究利用空气质量指数(air quality index,AQI)及气象因子,基于插值逼近、线性、对数、二次多项式等多种函数进行曲线拟合建立NOI浓度预测模型[19,28-29]。以往研究因为受到客观条件和技术方法的制约,NOI数据观测站点少、观测时间短,影响因子考虑气象多、考虑生态环境少,此外建模手段较为单一,基本以多元线性回归为主,从而存在所建模型稳定性不够、代表性不强、监测预测误差偏大等不足。

关于PM2.5质量浓度的估算研究传统上主要采用具有机制过程的空气质量模型,但其预测精度受模型参数不确定性影响也比较大[30⇓-32],1988年Kahn等发现在可见光和近红外波段反演气溶胶光学厚度(aerosol optical depth,AOD)所对应的颗粒物粒径与PM2.5粒径十分接近,为建立PM2.5与AOD的相关关系奠定了理论基础[33-34],此后得益于高时空分辨率卫星遥感技术的不断提高,基于遥感AOD的PM2.5质量浓度反演技术取得较大进展[35⇓-37]。

近几年来,随着人工智能技术的快速发展,机器学习算法已经被应用在PM2.5质量浓度反演中并取得较好效果[38-39]。本研究将针对前人研究中的不足,以福建省为研究区,充分利用连续多年多个站点的NOI和PM2.5观测资料,同时充分发挥新型卫星遥感高时空分辨率的观测优势,将生态环境参数与气象参数一起纳入影响变量,并以先进的机器学习算法为分析手段,以期更好地揭示NOI浓度和PM2.5质量浓度的空间异质性和与影响因子之间复杂的非线性关系。目前我国对空气清新度并没有统一的分级标准,本研究尝试采用NOI浓度和PM2.5质量浓度这2个指标进行综合考量,从实用出发结合本研究成果给出空气清新度等级划分指标,为相关部门生态价值评估、生态旅游规划、生态保护与可持续发展提供科学依据。

1 研究区概况及数据源

1.1 研究区概况

福建省地处中国东部丘陵山区,北部、西部和南部分别与浙江省、江西省和广东省接壤,东与台湾省仅一水之隔,陆地面积12.14万km2,属亚热带海洋性季风气候,夏季炎热、冬少严寒、雨水充沛、气候温和。2022年福建省森林覆盖率为65.12%,连续近30 a位居全国第一[40],是全国“最绿”省份,加上山水形成的清新环境,成为人们向往的旅游目的地,2021年福建省发布首批“清新福建-气候康养福地”就达24个。

1.2 数据来源及其预处理

本研究涉及的数据主要包括NOI数据、PM2.5观测数据、气象观测数据和生态环境指数数据。福建省气象局2018—2022年间先后在全省主要旅游区、森林公园、海滨、高山乡镇等布设50个NOI浓度监测站点,大部分站点同时选配有微气象观测仪、微空气质量观测仪和紫外辐射表等仪器,观测数据采样间隔为5 min,初步形成全省NOI浓度监测网(图1),本研究使用的NOI数据、PM2.5数据和温度、湿度、气压、风速、能见度等气象观测数据主要来源于此。而本研究使用的生态环境指数主要利用MODIS,Suomi-NPP极轨卫星资料和Himawari-8静止卫星资料遥感反演得到。

图1

新窗口打开| 下载原图ZIP| 生成PPT

图1   福建省主要NOI观测站点分布

Fig.1   Map of main NOI stations in Fujian


经过对研究区NOI站点大量观测数据的统计分析,制定针对NOI观测数据质量控制的几条检验规则,具体包括根据NOI浓度观测仪器的主要型号及测量范围指标将NOI浓度值大于50 000个/cm3,以及连续12个观测数据保持不变、前后2个观测时次NOI浓度差值的突增或突减3倍以上等的值均认为是无效值。除此之外,对气象和生态环境因子观测数据也进行相应的界限值检查和异常值检查,以及异常值的剔除等。

2 研究方法

2.1 技术总流程

本研究基于气象和遥感的空气清新度监测的主要技术流程图见图2。首先,筛选可能影响NOI浓度和PM2.5质量浓度变化的特征变量,并分别对这些特征变量与NOI浓度和PM2.5质量浓度的相关性进行分析,选取与之相关性较大的变量建立数据集; 其次,普查2018—2022年期间研究区50个观测站所在地的晴空状况,并选择所有晴空站点的NOI浓度、PM2.5质量浓度、气象要素和生态环境指数来建立数据集,其中生态环境指数包括归一化植被指数(normalized differential vegetation index,NDVI)、归一化湿度指数(normalized differential moisture index,NDMI)、归一化土壤亮度指数(normalized differential soil brightness index,NDSBI,通常简写为NDSI)、植被供水指数(vegetation supply water index,VSWI)、地表温度(land surface temperature,LST)和AOD; 第三,将NOI浓度和PM2.5质量浓度作为因变量、气象要素和生态环境指数作为自变量,采用Cubist机器学习模型进行训练、测试和建模,并分别计算决定系数(R2)和均方根误差(root mean squared error,RMSE); 最后,对模型进行空间推广(形成栅格化图像产品)并验证监测精度。

图2

新窗口打开| 下载原图ZIP| 生成PPT

图2   基于气象和遥感的空气清新度监测主要技术流程

Fig.2   Main technical flow chart of air freshness monitoring based on meteorological and remote sensing


2.2 气象与遥感数据处理方法

本研究在建模时主要利用的是研究区2018—2022年50个观测站点的NOI浓度、PM2.5质量浓度和气象要素的小时平均值,以及对应地理位置的基于卫星遥感资料反演得到生态环境指数值; 对由50个观测站点建立的NOI浓度、PM2.5质量浓度估算模型进行空间推广(形成栅格化数据集)时,与研究区地理范围相一致、空间分辨率为1 km。经过前期分析,本研究从卫星遥感数据中选择反演6种遥感指数,其中,NDVI反映研究区植被的覆盖程度,NDMI反映研究区湿度的丰富程度,NDSI反映研究区下垫面的裸化程度,VSWI能有效反映研究区植被受水分胁迫的程度,LST即地表温度,AOD可表征大气的浑浊程度。AOD采用由6S辐射传输模式和暗像元联合反演算法得到,其他5个遥感指数具体计算公式分别为:

NDVI=R0.86-R0.64R0.86+R0.64
NDMI=R0.55-R1.64R0.55+R1.64
NDSI=R0.64-R0.55R0.64+R0.55
VSWI=NDVILST×100
LST=A0+A1×Tb10-11-A2×Tb11-12

式中: R0.86为中心波长为0.86 μm探测波段的反射率,其余探测波段类推; Tb10-11和Tb11-12为波长为10~11 μm和11~12 μm探测波段的亮温; A0,A1,A2为经验系数。式(5)采用将Planck函数代入辐射传输方程,对方程进行了Taylor展开并取其前2项作为近似计算公式。

2.3 Cubist机器学习算法

近年来人工智能中的决策树机器学习算法发展很快,如增强回归树(boosted regression tree,BRT)、轻量梯度提升机(light gradient boosting machine,LightGBM)和Cubist等模型。不过像BRT和LightGBM等算法,对样本的预测都仅采用最终叶子节点处所有训练集训练结果的均值,由此导致对新的样本集预测偏差较大,难以达到理想预测效果,而Cubist算法的特点在于模型树的最终叶子节点上是一个线性回归方程,表示一种分段式多元线性函数通过一系列的独立变量来预测一个变量的值,因此Cubist算法能够更好地解决非线性问题[41-42]。本研究采用Cubist算法并在最新版本的R语言环境中进行设计与建模。

3 结果与分析

3.1 机器学习模型的训练与拟合

3.1.1 影响因子选择

众多研究成果表明[16⇓⇓⇓⇓⇓⇓-23],NOI浓度不仅与温度、湿度等气象因子相关,还与植被、大气污染等生态环境因子相关,并且NOI浓度与上述2类影响因子的相关性还相当复杂。为此首先分析NOI浓度与可以获取的常用8个气象因子和7个生态环境因子的相关关系,在充分考虑各因子与NOI浓度的线性相关系数以及该因子本身网格化获取的便利性的同时,最后选择温度、湿度、风速、气压和能见度等5个气象因子,以及NDVI,NDMI,NDSI,VSWI,LST和AOD等6个生态环境因子作为本研究NOI浓度机器学习模型的主要影响因子输入算法中,NOI浓度的影响因子如表1所示。研究成果表明[43-44],PM2.5质量浓度在年尺度上与气压、气温、相对湿度、风向、风速、能见度显著相关,在低温、高湿和相对静风的气象条件下,空气中颗粒物难以扩散和输送。除了很多研究成果已经表明PM2.5与AOD的相关关系外,近年来的研究成果还表明[45⇓-47],植被指数是影响PM2.5变化的重要驱动因素,PM2.5质量浓度在夏季最低,冬季最高,并且植被面积的增加对PM2.5质量浓度下降具有积极影响,因此,在PM2.5质量浓度建模中除了以AOD产品数据作为主要影响因子外,本研究试将植被指数(NDVI)也作为主要的生态环境因子进入机器学习建模,以期能更加全面地表达PM2.5质量浓度的预测模型。PM2.5质量浓度与5个气象因子和2个生态环境因子的相关关系如表2所示。

表1   NOI浓度与气象因子和生态环境因子线性相关系数

Tab.1  Linear correlation coefficients between NOI concentration and meteorological factors and ecological environment factors

类型影响因子相关系数样本数/个
气象因子温度-0.060**①156 201
湿度0.125**156 201
风速0.016**85 841
气压-0.008*90 644
能见度0.036**81 821
生态环境因子NDVI0.115**5 867
NDMI-0.112**5 867
NDSI-0.105**5 867
VSWI0.117**5 867
LST-0.021*5 867
AOD-0.062**5 867

①**表示通过0.01显著性水平检验; *表示通过0.05显著性水平检验。

新窗口打开| 下载CSV


表2   PM2.5质量浓度与气象因子和生态环境因子线性相关系数表

Tab.2  Linear phase relationship between PM2.5 concentration and meteorological factors and ecological environmental factors

类型影响因子相关系数样本数/个
气象因子温度-0.065**①117 798
湿度0.013**117 798
风速-0.055**117 798
气压0.055*117 798
能见度-0.137**117 798
生态环境因子NDVI-0.233**117 798
AOD0.110**117 798

①**表示通过0.01显著性水平检验; *表示通过0.05显著性水平检验。

新窗口打开| 下载CSV


3.1.2 Cubist机器学习算法的参数调节

Cubist在建模时需要进行参数调优的主要有2个参数,分别是训练模型中规则数(Committees)和实例数(Instances)。本研究采用常用于参数调优的经典方法十折交叉验证法,该方法最大的优势在于能重复运用随机产生的子样本进行训练和验证,采用均方根误差(root mean squared error,RMSE)衡量优化结果。Cubist模型参数调优结果见图3。

图3

新窗口打开| 下载原图ZIP| 生成PPT

图3   Cubist算法规则数与实例数优化结果

Fig.3   Optimization results of Cubist algorithm committees and instances


Cubist算法的Committees是指在树算法中需要使用的算法数量或算法迭代的次数,取值范围为0~100,Instances表示在预测时需要参考来修正结果的样本数量,取值范围为0~9。然而,Committees越高不一定就代表算法的精度越高,也可能出现过拟合的情况。为避免这类情况发生,提高算法的稳定性和准确性,在算法训练前需要先进行参数优化,以达到最精简模型的同时,有较高的模拟预测精度。本次算法Committees取值在1~8,步长为1,Instances取值在0~5,步长为1,共48组不同参数组合,基于十折交叉验证的RMSE作为确定最优模型的评价指标,选取RMSE最小的参数组合作为最优参数组合,最终得到的最优参数组合是: NOI浓度预测模型,Committees=8,Instances=5; PM2.5质量浓度预测模型,Committees=8,Instances=2。

3.1.3 样本划分与精度检验

本研究采用的Cubist算法在R语言环境中进行编程和建模,对于测试集和训练集的划分采用默认值,即以输入数据集总样本数的80%作为训练集,20%作为测试集,训练集和测试集均为随机取样获取。算法拟合(验证)的精度采用由计算训练集(测试集)中观测值和预测值的决定系数R2和RMSE来衡量,其计算公式分别为:

${{R}^{2}}=1-\frac{\overset{N}{\mathop{\underset{i=1}{\mathop \sum }\,}}\,{{({{y}_{i}}-{{Y}_{i}})}^{2}}}{\overset{N}{\mathop{\underset{i=1}{\mathop \sum }\,}}\,{{({{y}_{i}}-\bar{y})}^{2}}}$,
$RMSE=\sqrt{\frac{1}{N}\overset{N}{\mathop{\underset{i=1}{\mathop \sum }\,}}\,{{({{y}_{i}}-{{Y}_{i}})}^{2}}}$,

式中: N为数据样本总数; yi为观测值; Yi为模型预测值; y¯为观测值的平均值。R2表示模型的拟合优度,RMSE可衡量模型预测值和观测值的偏差程度,R2值越接近于1且RMSE值越接近于0,表示模型性能越好。

3.2 NOI浓度和PM2.5质量浓度估算模型及验证

Cubist算法对于NOI浓度和PM2.5质量浓度的训练、测试结果见图4和图5。从结果来看,Cubist算法对PM2.5质量浓度的训练、测试结果都很理想,其R2值和RMSE值分别为0.968和2.174 μg/m3,0.867和4.423 μg/m3; 虽然Cubist算法对NOI浓度的训练结果也很理想,其R2值和RMSE值分别为0.838和499个/cm3,但测试结果只是达到比较理想,不过因为NOI浓度的时空变化比较剧烈,虽然测试集RMSE增大为886个/cm3,但样本数N=818时,R2=0.526,显著性水平p仍远小于0.01。

图4

新窗口打开| 下载原图ZIP| 生成PPT

图4   NOI浓度预测的Cubist机器学习模型训练与测试结果

Fig.4   Training and testing results of Cubist machine learning model for NOI concentration prediction


图5

新窗口打开| 下载原图ZIP| 生成PPT

图5   PM2.5质量浓度预测的Cubist机器学习模型训练与测试结果

Fig.5   Training and testing results of Cubist machine learning model for PM2.5 concentration prediction


从图4的对比散点图可以看出,在NOI浓度为2 000个/cm3以下,NOI浓度均被高估,NOI浓度越小,被高估越多; 而在NOI浓度为2 000个/cm3以上,NOI浓度均被低估,NOI浓度越大,被低估越多。福建省NOI资源十分丰富,利用近几年的NOI观测数据统计表明,中海拔地区(350~550 m)NOI浓度年平均值为3 388个/cm3,低海拔地区为2 210个/cm3,高海拔地区为1 468个/cm3。由此可见,基于Cubist算法的NOI浓度预测模型的残差在福建中低海拔地区的波动范围最小,且不存在残差突变值,福建省属于丘陵山区,全省平均海拔仅500 m,说明该模型预测效果较稳定。从图5可以看出,训练集在PM2.5质量浓度为60 μg/m3以下、验证集在PM2.5质量浓度为30 μg/m3以下,PM2.5质量浓度预测模型的残差变化很小,而福建省空气质量本来就相当好,以福州为例,2019—2021年12个月平均PM2.5质量浓度均不超过30 μg/m3,因此基于Cubist机器学习算法的PM2.5质量浓度预测模型是可靠的。

3.3 区域空气清新度精细化网格监测模型及验证

3.3.1 基于NOI和PM2.5质量浓度的空气清新度及其等级划分

空气清新程度主要取决于NOI浓度,NOI除前文中所述的诸多功效外,由于其易吸附细颗粒物并以干湿尘沉降到地面,也有利于提高空气质量,而PM2.5刚好与NOI相反,其浓度越高代表空气质量越差。研究表明,当NOI浓度达到20 000个/cm3时,空气中的飘尘量会减少98%以上[48],说明在一定的空间尺度上,PM2.5分布格局显著受NOI浓度的调控,如果采用有明显正反向影响的NOI(正向)和PM2.5(反向)来综合考量空气清新程度将更加客观和科学,为此将空气清新度(air fresh index,AFI)指标定义为:

AFI=CNOI/CPM2.5

式中CNOI和CPM2.5分别为NOI浓度和PM2.5质量浓度。

本研究采用统计学上概率分布的方法来对AFI指标进行等级划分,即对于符合正态分布的数据序列,可以按照几乎相等步长的频率进行分级,如百分位数法、四分位数法等。首先利用2018—2022年研究区逐5 min的NOI浓度和PM2.5质量浓度数据计算各小时平均值并统计分析其频次分布见图6,由于AFI频率分布图的偏度为4.8、峰度为32.1,并不遵从正态分布(图6(a)),为此对AFI进行自然对数变化,变化后频率分布图的偏度为0.3、峰度为-0.3,符合正态分布(图6(b))。

图6

新窗口打开| 下载原图ZIP| 生成PPT

图6   空气清新度AFI及其对数的频次分布图

Fig.6   Frequency distribution of AFI and its logarithm


其次,考虑到等级划分太细或者太粗都不实用,同时也不宜客观反映空气清新程度分布特征,因此本研究选择将空气清新度分为不清新、较不清新、清新、很清新、非常清新共5个等级,并采用四分位数法进行分级。第三,在确定界限值时综合参考研究区长序列的NOI浓度实测资料,以及国内外以往基于NOI浓度的空气清新度分级研究等相关文献。目前,国内外对空气清新程度还没有统一的划分标准,世界卫生组织(World Health Organization,WHO)认为空气中NOI浓度达到1 000~1 500个/cm3就是新鲜空气,而相关研究表明一般情况下NOI浓度低于20个/cm3时人就会出现倦怠、头昏等空气不清新的感觉,当NOI浓度在1 000个/cm3以上时人就会感到精神安定、心平气和等空气清新的感觉。表3是研究区2018—2022年10个典型景观的年平均NOI浓度,因为研究区观测站点有相当部分主要布设在旅游景区,有85%以上NOI观测站点的年平均NOI浓度超出WHO认定的清新空气的指标,因此除了布设在沿海地区的站点外,其他站点植被覆盖都很高,空气清新度也都比较高,从以往已有的认知基本可以大概评估其清新程度,因此本研究将10个典型景观整合成非常清新(森林公园、生态保护区、国家公园,平均NOI浓度4 001个/cm3)、很清新(郊野公园、名胜景区、山区乡镇,平均NOI浓度2 464个/cm3)、清新(其他景观,平均NOI浓度1 610个/cm3)作为确定清新度界限值时参考。

表3   研究区10个典型景观不同海拔的年平均NOI浓度

Tab.3  Annual average NOI concentration at different elevations of 10 typical landscapes in study area (个/cm3)

空气清新等级景观类型低海拔地区中海拔地区高海拔地区平均值
1国家公园—7 637—4 001
生态保护区2 3365 4102 054
森林公园4 7202 224~3 626—
2山区乡镇4 4702 6172 231~3 7012 464
郊野公园2 7312 048—
名胜景区—1 566712~2 097
3县气象站1 9301 586—1 610
县城郊区1 861—956
海滨景区1 725——
海滨乡镇772~883——

新窗口打开| 下载CSV


最后,以表4中的20%,40%,65%,85%的百分位数,结合表3中平均NOI浓度数值作为确定清新度的界限值,至于不清新、较不清新的界限值,则参考WHO认定的清新空气指标的下限值。由于NOI浓度波动范围较大,因此对应界限值采取取整或者近似原则,如平均NOI浓度为2 464个/cm3的“非常清新”,对应于85%百分位数的NOI浓度2 800个/cm3。综上所述,基于气象和遥感因子的AFI等级的界限值如表5所示。

表4   AFI及其对数的百分位数

Tab.4  Normal distribution percentiles of AFI and its logarithm

百分位数
(部分)		ln(AFI)AFINOI浓度/
(个·cm-3)		PM2.5质量浓
度/(μg·m-3)
15%3.63799326.8
20%3.8451 19826.6
25%4.0541 34724.9
30%4.2651 42221.9
35%4.3771 49119.4
40%4.5931 59517.2
45%4.71111 62814.7
50%4.91311 65612.6
55%5.01561 74111.2
60%5.21871 7809.5
65%5.42261 9258.5
70%5.62752 1717.9
75%5.83392 2216.3
80%6.14262 5115.9
85%6.35612 8025.0
90%6.87913 6444.6
91%6.88564 0404.5
95%7.213434 9353.7

新窗口打开| 下载CSV


表5   基于气象和遥感因子的AFI等级

Tab.5  AFI based on meteorological and remote sensing factors

等级等级说明NOI浓度界限值/
(个·cm-3)		AFI界限值/
(μg·m-3)
1非常清新≥2 800≥561
2很清新[2 000,2 800)[226,561)
3清新[1 600,2 000)[93,226)
4较不清新[1 200,1 600)[45,93)
5不清新<1200<45

新窗口打开| 下载CSV


3.3.2 AFI精细化网格监测模型及验证

由于现有的NOI地面观测站点少且分布不均,因此基于地面观测的NOI资料是难以获得AFI的精细化时空变化特征,在建立了NOI浓度和PM2.5质量浓度与气象因子和生态环境因子的机器学习估算模型之后,就可以通过对估算模型进行空间推广,从而获得一定区域内的精细化网格AFI分布图(即建立一张AFI的虚拟观测网)。

建立精细化网格,就必须对研究区气象因子和生态环境因子进行网格化处理和时空匹配,并作为AFI估算模型的输入数据集。本研究网格化处理气象因子主要是采用福建气象部门已投入业务化的“地面气象要素融合实况产品”,它包括气温、降水、气压、相对湿度、风速、能见度等7个要素,空间分辨率最高可达0.5 km,时间分辨率最快可达6 min,而通过遥感技术获得的生态环境因子本身就是格点化资料或产品,目前空间分辨率最高可达1 km,时间分辨率最快时效可达10 min。将网格点上无NOI观测站位置的气象因子和生态环境因子输入到AFI估算模型,从而实现区域AFI精细化网格监测结果,图7为2022年12月18日12时福建省AFI精细化网格监测结果,从图中可以看出,经济发达、人口密集、植被相对较稀疏的福建沿海中部基本呈现“不清新”,而内陆山区大部分为“清新”,这种分布格局与实际情况相符。

图7

新窗口打开| 下载原图ZIP| 生成PPT

图7   福建省空气清新度精细化网格监测

Fig.7   Fine grid monitoring map of air fresh in Fujian


2021年福建省发布首批24个“清新福建-气候康养福地”,康养福地是指空气NOI浓度高质量好、气候舒适,适宜康养、休闲、度假的地区,是权威部门采用统一的评估技术指标认定发布的。本研究从2022年每月选择1~2 d共20 d晴空日期,通过模型反演估算得到20个时次的福建省AFI精细化网格监测结果,根据24个地理位置统计20个时次AFI指标和NOI浓度的平均值,具体结果见表6,结果表明,24个康养福地中1级有13个、2级有10个、3级有1个,证明24个康养福地有23个是非常清新或很清新,平均NOI浓度有23个在2 000个/cm3以上,只有1个地方稍低于2 000个/cm3,表明本研究建立的AFI指标是可用的,对于区域空气清新程度的评估具体较好的参考价值。

表6   福建省24个“气候康养福地”空气清新度等级和NOI浓度估算值

Tab.6  Estimated values of air fresh index and NOI concentration in 24 “climate healthy good places” in Fujian

气候康养福地空气清新度监测模型气候康养福地空气清新度监测模型
AFI等级NOI浓度估算值/
(个·cm-3)		AFI等级NOI浓度估算值/
(个·cm-3)
福州市闽清县七叠温泉1级3 165龙岩市新罗区培斜村1级3 007
福州市福清市大山村2级2 298三明市漳平市永福镇2级2 115
厦门市同安区顶村村1级3 525三明市大田县屏山乡2级2 064
厦门市海沧区森林公园2级2 284三明市明溪县夏阳乡1级2 937
莆田市仙游县西苑乡1级3 092三明市尤溪县度假区2级2 525
泉州市德化县国宝乡1级3 410南平市政和县杨源乡3级1 867
泉州市永春县牛姆林区1级3 134南平市建阳区黄坑镇2级2 530
泉州市永春县苏坑镇1级3 021南平市延平区上洋村2级2 088
泉州市南安市向阳乡1级3 159宁德市福安市白云山1级2 834
漳州市南靖县土楼景区1级2 904宁德市屏南县寿山乡2级2 567
漳州市龙海区鹭凯庄园2级2 163宁德市屏南县龙潭村1级2 812
龙岩市武平县城厢镇2级2 567宁德市古田县泮洋乡1级3 167

新窗口打开| 下载CSV


4 结论与讨论

1)基于气象和遥感观测数据,并融合机器学习算法模型将成为有效获取NOI浓度和PM2.5质量浓度的新途径,同时基于“星-地-人工智能”融合技术的定量反演技术,将在很大程度上弥补传统地面观测站点空间覆盖有限的不足,使区域AFI的精细化网格监测成为可能,并且大大降低监测调查成本,本研究实现了可投入业务应用、空间分辨率为1 km、时间分辨率为10 min的区域空气清新度监测产品。

2)NOI浓度和PM2.5质量浓度的时空波动相对比较剧烈,其影响因子也十分复杂,在经前期多种机器学习算法对比后,本研究选择Cubist机器学习算法进行模型训练和拟合,结果表明: Cubist算法对PM2.5质量浓度的训练、测试结果均十分理想,其模型拟合优度R2分别为0.968和0.867,而对NOI浓度的训练结果也很理想,其模型拟合优度R2为0.838,不过其测试模型拟合优度R2为0.526,因为NOI浓度的时空变化比PM2.5更为剧烈,对于R2大于0.5的结果也是可以接受的。

3)本研究提出采用NOI浓度结合PM2.5质量浓度组合的指标AFI来衡量空气清新程度,并提出利用统计学上的数据序列频率的四分位数来对空气清新指标进行划分,从而客观科学地得到适用于研究区的空气清新度分级指标,该指标将空气清新度分为5个等级: AFI>561,空气非常清新; 561>AFI>226,空气很清新; 226>AFI>93,空气清新; 93>AFI>45,空气较不清新; AFI<54,空气不清新。AFI精细化网格监测结果表明,基于气象和遥感及机器学习算法的空气清新度指标监测结果与实际情况相符。利用该分级指标对2022年福建首批24个“气候康养福地”的认定进行初步验证,结果24个“气候康养福地”有23个是非常清新或很清新,其平均NOI浓度均在2 000个/cm3以上,充分说明AFI指标对于区域空气清新程度的评估具体较好的参考价值。

4)本研究虽然在估算NOI浓度和PM2.5质量浓度时已考虑了气象和生态环境因子,但由于NOI浓度的影响因子相当复杂,比如气象因子中的闪电、生态环境中流动水体的面积等对NOI浓度也有较大的影响,而在PM2.5质量浓度估算中大气边界层高度也是重要影响因子; NOI浓度和PM2.5质量浓度估算精度除了与建模反演的影响因子密不可分外,与机器学习算法模型的选择及模型参数的调节也有相当大的关系; 另外由于开展野外NOI浓度定量验证客观条件的限制,本文仅以全省24个“气候康养福地”地理位置的平均NOI浓度值来定性验证模型监测的结果,规范且科学的NOI浓度星地验证工作有待于条件成熟后进一步开展; 以上3个方面在未来的深入研究中需给予考虑,以进一步提高监测模型的精度。

参考文献

刘国庭.

北戴河疗养环境对健康的影响

[J]. 中国疗养医学, 2004, 13(1):7-10.

[本文引用: 1]

Liu G T.

Effect of convalescent and health in environment of Beidaihe

[J]. Chinese Journal of Convalescent Medicine, 2004, 13(1):7-10.

[本文引用: 1]

Jiang S Y, Ma A, Ramachandran S.

Negative air ions and their effects on human health and air quality improvement

[J]. International Journal of Molecular Sciences, 2018, 19(10):2966.

[本文引用: 1]

Chu C H, Chen S R, Wu C H, et al.

The effects of negative air ions on cognitive function:An event-related potential (ERP) study

[J]. International Journal of Biometeorology, 2019, 63(10):1309-1317.

[本文引用: 1]

王忠贵.

森林康养对人体健康促进作用浅析

[J]. 现代园艺, 2020, 43(1):106-109.

[本文引用: 1]

Wang Z G.

Analysis on the promotion of forest health to human health

[J]. Xiandai Horticulture, 2020, 43(1):106-109.

[本文引用: 1]

彭巍, 李明文, 王慧, 等.

空气负离子国内外研究进展及其在森林康养方面的积极作用综述

[J]. 温带林业研究, 2020, 3(3):11-14,54.

[本文引用: 1]

Peng W, Li M W, Wang H, et al.

A review of the research progress of negative air ion at home and abroad and its positive role in forest health

[J]. Journal of Temperate Forestry Research, 2020, 3(3):11-14,54.

[本文引用: 1]

Li T, Hu R, Chen Z, et al.

Fine particulate matter (PM2.5):The culprit for chronic lung diseases in China

[J]. Chronic Diseases and Translational Medicine, 2018, 4(3):176-186.

[本文引用: 1]

孙静, 张勉.

PM2.5对呼吸系统损伤的研究进展

[J]. 中国当代医药, 2020, 27(14):26-29.

[本文引用: 1]

Sun J, Zhang M.

Research progress of PM2.5 on respiratory system injury

[J]. China Modern Medicine, 2020, 27(14):26-29.

[本文引用: 1]

王伟, 车春莉.

大气细颗粒物的暴露对特发性肺间质纤维化发病机制的影响

[J]. 临床肺科杂志, 2021, 26(11):1759-1762.

[本文引用: 1]

Wang W, Che C L.

Effect of exposure of atmospheric fine particles on the pathogenesis of idiopathic pulmonary interstitial fibrosis

[J]. Journal of Clinical Pulmonary Medicine, 2021, 26(11):1759-1762.

[本文引用: 1]

夏廉博.

有益于人体健康的负离子

[J]. 大众医学, 1981,(7):36-37.

[本文引用: 1]

Xia L B.

The negative ions beneficial to human health

[J]. Popular Medicine, 1981,(7):36-37.

[本文引用: 1]

林金明, 宋冠群, 赵利霞, 等. 环境、健康与负氧离子[M]. 北京: 化学工业出版社, 2006.

[本文引用: 1]

Lin J M, Song G Q, Zhao L X. Environment,health and negative oxygen ions[M]. Beijing: Chemical Industry Press, 2006.

[本文引用: 1]

Korublue I H.

The clinical effect of aeroionization

[J]. Medical Biometerology, 2008, 25(3):16-18.

[本文引用: 1]

饶秀俊.

负氧离子研究的现状和现实意义探讨

[J]. 企业科技与发展, 2015(16):27-28,31.

[本文引用: 1]

Rao X J.

Discussion on the present situation and practical significance of negative oxygen ion research

[J]. Sci-Tech & Development of Enterprise, 2015(16):27-28,31.

[本文引用: 1]

李少宁, 韩淑伟, 商天余, 等.

空气负离子监测与评价的国内外研究进展

[J]. 安徽农业科学, 2009, 37(8):3736-3738.

[本文引用: 1]

Li S N, Han S W, Shang T Y, et al.

Research progress on aero-anion’s monitoring and evaluation at home and abroad

[J]. Journal of Anhui Agricultural Sciences, 2009, 37(8):3736-3738.

[本文引用: 1]

叶宏萌, 郑茂钟, 姜嘉祺, 等.

校园空气负氧离子浓度分布与空气质量评价

[J]. 鸡西大学学报, 2015, 15(4):153-156.

[本文引用: 1]

Ye H M, Zheng M Z, Jiang J Q, et al.

Distribution of negative oxygen ions concentration and assessment of air quality in campus

[J]. Journal of Jixi University, 2015, 15(4):153-156.

[本文引用: 1]

孔健健, 林金明, 张江山.

空气负离子属性评价模型的建立及应用

[J]. 环境科学导刊, 2008, 27(5):84-86.

[本文引用: 1]

Kong J J, Lin J M, Zhang J S.

Construction and application of attribute assessment model of air anion

[J]. Environmental Science Survey, 2008, 27(5):84-86.

[本文引用: 1]

王薇, 余庄.

中国城市环境中空气负离子研究进展

[J]. 生态环境学报, 2013, 22(4):705-711.

[本文引用: 2]

Wang W, Yu Z.

Research progress on negative air ions in urban environment in China

[J]. Ecology and Environmental Sciences, 2013, 22(4):705-711.

[本文引用: 2]

蒋翠花, 吴新胜, 王文清, 等.

宿迁市区负氧离子浓度变化与气象要素相关分析

[J]. 环境保护与循环经济, 2011, 31(8):55-58.

[本文引用: 2]

Jiang C H, Wu X S, Wang W Q, et al.

Analysis of related meteorological factors change and negative oxygen ion concentration in Suqian City

[J]. Environmental Protection and Circular Economy, 2011, 31(8):55-58.

[本文引用: 2]

周德平, 佟维华, 温日红, 等.

闾山国家级森林公园负氧离子观测及其空气质量分析

[J]. 干旱区资源与环境, 2015, 29(3):181-187.

[本文引用: 2]

Zhou D P, Tong W H, Wen R H, et al.

Air negative ions distribution and air quality assessment in Dachaoyang scenic of Yiwulushan,Liaoning,China

[J]. Journal of Arid Land Resources and Environment, 2015, 29(3):181-187.

[本文引用: 2]

王宝, 解福燕, 张自祥, 等.

玉溪空气负氧离子预测模型的建立

[J]. 高原气象, 2015, 34(1):251-257.

DOI:10.7522/j.issn.1000-0534.2014.00131      [本文引用: 3]

利用玉溪市九县区14台空气负氧离子自动测报系统实时观测数据和同步气象要素观测资料, 使用相关分析、回归分析等方法, 分析了影响空气中负氧离子浓度的主要气象因子, 以及影响因子与空气负氧离子浓度的关系, 并建立预测模型.结果表明, 玉溪市空气负氧离子浓度年变化、季节变化与各气象因子之间无显著的相关关系.影响玉溪空气负氧离子浓度日变化的主要气象因子为空气相对湿度和空气温度.当空气温度45.6%时, 空气负氧离子浓度与空气湿度呈正相关关系.通过建立负氧离子浓度预测模型, 实现了负氧离子预报的定量化.经检验, 预报方程效果显著, 在预报业务中具有参考价值.

Wang B, Xie F Y, Zhang Z X, et al.

Forecast model establishment of air negative oxygenion in Yuxi

[J]. Plateau Meteorology, 2015, 34(1):251-257.

DOI:10.7522/j.issn.1000-0534.2014.00131      [本文引用: 3]

First, the main meteorological factors imfluencing air negative oxygen ion concentration and the relationship between impact factors and air negative oxygenion concentration was analysed using in-site negative oxygenions concentration observations from 14 automatic measuring system and synchronous meteorological elements observations, and using correlation analysis, regression analysis method. Then oxygen ions concentration forecasting model is established. The results show that: There was no significant correlation between air negative oxygenion concentration changes and seasonal changes of meteorological factors in Yuxi, the main meteorological factors influencing diurnal variations of air negative oxygenion Yuxi are relative humidity and air temperature. When the air temperature is less than 20.4℃, the negative oxygenion concentration diurnal variation with air temperature was negatively correlated. However, when the air humidity is greater than 45.6%, negative oxygenion concentration with air humidity was positively correlated. Based on the research results, the negative oxygenion concentration prediction model was established. The forecast effect is better and through statistics test and it could be useful for the operational service.

丛菁, 孙立娟.

大连市负氧离子浓度分布及预测模型的建立

[J]. 气象与环境学报, 2010, 26(4):44-47.

[本文引用: 3]

Cong J, Sun L J.

Distribution of negative oxygen ion concentration and its forecast model in Dalian,Liaoning Province

[J]. Journal of Meteorology and Environment, 2010, 26(4):44-47.

[本文引用: 3]

金梅. 合肥市不同生态环境空气离子时空分布及其影响因素的研究[D]. 合肥: 安徽农业大学, 2005.

[本文引用: 2]

Jin M. The study on the time-space change of air anion and the influential factors in different ecological environment in Hefei city[D]. Hefei: Anhui Agricultural University, 2005.

[本文引用: 2]

吴际友, 程政红, 龙应忠, 等.

园林树种林分中空气负离子水平的变化

[J]. 南京林业大学学报(自然科学版), 2003, 27(4):78-80.

DOI:10.3969/j.jssn.1000-2006.2003.04.020      [本文引用: 2]

&lt;正&gt;对8种园林树种周围空气中的负离子水平进行研究,结果表明:不同树种周围空气负离子水平差异显著,参试的8种园林树种周围空气中负离子水平排序依次为:沉水樟、罗汉松、乐东拟单性木兰、木莲、南方木莲、金叶含笑、乐昌含笑、中国鹅掌楸;森林环境中空气负离子浓度与环境温度呈极显著负相关关系,与空气相对湿度呈显著正相关关系;同一树种周围环境中空气负离子浓度呈现规律性变化。

Wu J Y, Cheng Z H, Long Y Z, et al.

The variation of aero-anion concentration on landscape forest

[J]. Journal of Nanjing Forestry University, 2003, 27(4):78-80.

[本文引用: 2]

金琪, 严婧, 杨志彪, 等.

湖北春季大气负氧离子浓度分布特征及与环境因子的关系

[J]. 气象科技, 2015, 43(4):728-733.

[本文引用: 2]

Jin Q, Yan J, Yang Z B, et al.

Spatial-temporal characteristics of spring air negative oxygen ions and its relationship with environmental factors in Hubei

[J]. Meteorological Science and Technology, 2015, 43(4):728-733.

[本文引用: 2]

赵蕾, 吴坤悌, 陈明.

海南省主要景区负氧离子浓度分布及预报方程研究

[J]. 安徽农业科学, 2016, 44(29):189-191,208.

[本文引用: 1]

Zhao L, Wu K T, Chen M.

Study on the distribution of negative oxygen ion concentration and forecast equation of main scenic spots in Hainan Province

[J]. Journal of Anhui Agricultural Sciences, 2016, 44(29):189-191,208.

[本文引用: 1]

陈臻皓, 林子伦, 林金标.

德化大气负氧离子浓度分布及预报方程的建立

[J]. 海峡科学, 2021(2):45-48,69.

[本文引用: 1]

Chen Z H, Lin Z L, Lin J B.

Distribution of negative oxygen ion concentration in Dehua atmosphere and establishment of prediction equation

[J]. Straits Science, 2021(2):45-48,69.

[本文引用: 1]

朱冬梅, 曾璐, 刘春盛.

空气负氧离子浓度预报模型在旅游气象中的应用

[J]. 中国资源综合利用, 2021, 39(8):73-75,86.

[本文引用: 1]

Zhu D M, Zeng L, Liu C S.

Application of air negative oxygen ion concentration prediction model in tourism meteorology

[J]. China Resources Comprehensive Utilization, 2021, 39(8):73-75,86.

[本文引用: 1]

顾小丽, 钱燕珍, 鲍岳建, 等.

宁波市负氧离子浓度分布与预测模型及其在旅游气象中的应用

[J]. 气象与环境学报, 2013, 29(6):128-133.

[本文引用: 1]

Gu X L, Qian Y Z, Bao Y J, et al.

The distribution of oxygen anion concentration,forecasting model in Ningbo and its application in tourism meteorology

[J]. Journal of Meteorology and Environment, 2013, 29(6):128-133.

[本文引用: 1]

张勇, 陈兰英, 刘婷, 等.

峨眉山景区负氧离子浓度变化特征及预测模型研究

[J]. 气象与环境学报, 2018, 34(2):61-68.

[本文引用: 1]

Zhang Y, Chen L Y, Liu T, et al.

Change characteristics and prediction model about concentration of anions in the Emei Mountain scenic spot

[J]. Journal of Meteorology and Environment, 2018, 34(2):61-68.

[本文引用: 1]

丁丽华, 顾振海, 吴丹, 等.

开化县负氧离子浓度预测模型的建立

[J]. 浙江农业科学, 2017, 58(11):1957-1960.

DOI:10.16178/j.issn.0528-9017.20171129      [本文引用: 1]

为研究开化县空气负氧离子的日变化及其与环境、气象因子的相关性,利用SPSS统计软件,分析了空气负氧离子浓度日变化及其与气象因子的关系。结果表明,开化负氧离子浓度大致呈正弦波分布,6:00左右达到最高值,13:00和20:00前后达到最低值。影响负氧离子浓度的气象因子主要是露点温度和PM10,且均与负氧离子浓度呈负相关关系但并非单一的负相关关系。负氧离子浓度日变化主要受气温和相对湿度的影响。经检验,所建立的负氧离子浓度预测模型可为开化空气负离子浓度预报提供参考,并为开展旅游气象服务提供理论依据。

Ding L H, Gu Z H, Wu D, et al.

Establishment of prediction model of negative oxygen ion concentration in Kaihua County

[J]. Journal of Zhejiang Agricultural Sciences, 2017, 58(11):1957-1960.

[本文引用: 1]

聂邦胜.

国内外常用的空气质量模式介绍

[J]. 江苏环境科技, 2008, 21(s1):125-128.

[本文引用: 1]

Nie B S.

Introduction of domestic and foreign common air quality model

[J]. Environmental Science and Technology, 2008, 21(s1):125-128.

[本文引用: 1]

郭建秋.

空气质量模式发展与应用现状

[J]. 环境与发展, 2011, 23(7):89-90,185.

[本文引用: 1]

Guo J Q.

Development and application status of air quality model

[J]. Environment & Development, 2011, 23(7):89-90,185.

[本文引用: 1]

高雅, 刘杨, 吕佳佩.

空气质量模型研究进展综述

[J]. 环境污染与防治, 2022, 44(7):939-943.

[本文引用: 1]

Gao Y, Liu Y, Lyu J P.

A review of air quality models research progress

[J]. Environmental Pollution & Control, 2022, 44(7):939-943.

[本文引用: 1]

陈良富, 陶金花, 王子峰, 等.

空气质量卫星遥感监测技术进展

[J]. 大气与环境光学学报, 2015, 10(2):117.

[本文引用: 1]

Chen L F, Tao J H, Wang Z F, et al.

Review of satellite remote sensing of air quality

[J]. Journal of Atmospheric and Environmental Optics, 2015, 10(2):117.

[本文引用: 1]

向娟, 陶明辉, 郭玲, 等.

基于卫星遥感的近地面PM2.5浓度反演进展

[J]. 遥感学报, 2022, 26(9):1757-1776.

[本文引用: 1]

Xiang J, Tao M H, Guo L, et al.

Progress of near-surface PM2.5 concentration retrieve based on satellite remote sensing

[J]. National Remote Sensing Bulletin, 2022, 26(9):1757-1776.

[本文引用: 1]

Lee H J, Chatfield R B, Strawa A W.

Enhancing the applicability of satellite remote sensing for PM2.5 estimation using MODIS deep blue AOD and land use regression in California,United States

[J]. Environmental Science & Technology, 2016, 50(12):6546-6555.

[本文引用: 1]

李永辉, 汪洋, 易清传, 等.

基于卫星遥感MODIS数据反演南昌市2004-2015年空气质量变化研究

[J]. 江西师范大学学报(自然科学版), 2019, 43(2):214-220.

[本文引用: 1]

Li Y H, Wang Y, Yi Q C, et al.

The study on air quality change of Nanchang City from 2004 to 2015 years based on satellite remote sensing MODIS data

[J]. Journal of Jiangxi Normal University (Natural Science Edition), 2019, 43(2):214-220.

[本文引用: 1]

Yang Z, Zdanski C, Farkas D, et al.

Evaluation of aerosol optical depth (AOD) and PM2.5 associations for air quality assessment

[J]. Remote Sensing Applications:Society and Environment, 2020, 20:100396.

[本文引用: 1]

Wei J, Huang W, Li Z, et al.

Estimating 1-km-resolution PM2.5 concentrations across China using the space-time random forest approach

[J]. Remote Sensing of Environment, 2019, 231:111221.

[本文引用: 1]

Zeng Z, Gui K, Wang Z, et al.

Estimating hourly surface PM2.5 concentrations across China from high-density meteorological observations by machine learning

[J]. Atmospheric Research, 2021, 254:105516.

[本文引用: 1]

福建省生态环境厅. 福建省生态环境状况公报(1995—2022年)[EB/OL]. [2024-06-06]. https://sthjt.fujian.gov.cn/zwgk/sjfb/hjsj/qshjzkgb/.

URL     [本文引用: 1]

Fujian Provincial Department of Ecology and Environment. Fujian ecological environment status Bulletin.(1995—2022)[EB/OL]. [2024-06-06]. https://sthjt.fujian.gov.cn/zwgk/sjfb/hjsj/qshjzkgb/.

URL     [本文引用: 1]

潘群, 施海洋, 张文强, 等.

基于Cubist模型的天山北坡草地鼠群密度时空分布特征

[J]. 干旱区地理, 2022, 45(4):1200-1211.

[本文引用: 1]

Pan Q, Shi H Y, Zhang W Q, et al.

Spatiotemporal distribution of rat population density in grassland on the north slope of Tianshan Mountains based on Cubist model

[J]. Arid Land Geography, 2022, 45(4):1200-1211.

[本文引用: 1]

文高峰.

基于Cubist算法的临汾市GPM卫星降水数据降尺度研究

[J]. 水利技术监督, 2023, 31(11):59-61,78.

[本文引用: 1]

Wen G F.

Research on downscaling of GPM satellite precipitation data based on Cubist algorithm in Linfen city

[J]. Technical Supervision in Water Resources, 2023, 31(11):59-61,78.

[本文引用: 1]

全澍, 刘禹函, 刘淼晗, 等.

河南省2014—2020年PM2.5浓度时空分布特征及气象成因分析

[J]. 中国环境监测, 2023, 39(1):69-80.

[本文引用: 1]

Quan S, Liu Y H, Liu M H, et al.

Spatial and temporal characteristics and correlation analysis of meteorological factors on PM2.5 concentration in Henan Province from 2014 to 2020

[J]. Environmental Monitoring in China, 2023, 39(1):69-80.

[本文引用: 1]

卫星君, 赵晓萌, 王琦, 等.

基于特征指标的气象因子对PM2.5浓度的影响分析

[J]. 中国环境监测, 2022, 38(6):90-100.

[本文引用: 1]

Wei X J, Zhao X M, Wang Q, et al.

The analysis of the influence of meteorological factors on PM2.5 concentration based on characteristic index

[J]. Environmental Monitoring in China, 2022, 38(6):90-100.

[本文引用: 1]

周敏丹, 匡耀求, 云国梁.

基于地理探测器的广州市大气PM2.5浓度驱动因素分析

[J]. 环境科学研究, 2020, 33(2):271-279.

[本文引用: 1]

Zhou M D, Kuang Y Q, Yun G L.

Analysis of driving factors of atmospheric PM2.5 concentration in Guangzhou city based on geo-detector

[J]. Research of Environmental Sciences, 2020, 33(2):271-279.

[本文引用: 1]

王嫣然, 张学霞, 赵静瑶, 等.

2013—2014年北京地区PM2.5时空分布规律及其与植被覆盖度关系的研究

[J]. 生态环境学报, 2016, 25(1):103-111.

DOI:10.16258/j.cnki.1674-5906.2016.01.015      [本文引用: 1]

Wang Y R, Zhang X X, Zhao J Y, et al.

Temporal and spatial distribution of PM2.5 and its relationship with vegetation coverage in Beijing during the period of 2013─2014

[J]. Ecology and Environmental Sciences, 2016, 25(1):103-111.

[本文引用: 1]

杨玉莲, 杨昆, 罗毅, 等.

1998—2016中国八大经济区植被覆盖对PM2.5浓度时空分布的影响

[J]. 环境科学, 2021, 42(11):5100-5108.

[本文引用: 1]

Yang Y L, Yang K, Luo Y, et al.

Effect of vegetation coverage on the temporal and spatial distribution of PM2.5 concentration in China’s eight major economic regions from 1998 to 2016

[J]. Environmental Science, 2021, 42(11):5100-5108.

[本文引用: 1]

李杨.

负氧离子、PM2.5分布格局——以西安市林区及城区比较为例

[J]. 科技创新与应用, 2016(22):178.

[本文引用: 1]

Li Y.

Distribution pattern of negative oxygen ions and PM2.5:A case study of comparison between forest areas and urban areas in Xi’an City

[J]. Technology Innovation and Application, 2016(22):178.

[本文引用: 1]

/

〈 〉

京ICP备05055290号-2
版权所有 © 2015 《自然资源遥感》编辑部
地址:北京学院路31号中国国土资源航空物探遥感中心 邮编：100083
电话:010-62060291/62060292 E-mail:zrzyyg@163.com
本系统由北京玛格泰克科技发展有限公司设计开发