为有效解决传统监测技术无法获取城市内部高分辨率PM2.5浓度空间分布情况的问题,基于土地利用回归(land use regression,LUR)模型,以关中平原城市群为例模拟其PM2.5空间分布状况,通过获取研究范围内54个监测站点的PM2.5浓度数据,结合土...为有效解决传统监测技术无法获取城市内部高分辨率PM2.5浓度空间分布情况的问题,基于土地利用回归(land use regression,LUR)模型,以关中平原城市群为例模拟其PM2.5空间分布状况,通过获取研究范围内54个监测站点的PM2.5浓度数据,结合土地利用类型、气象、地形、植被指数、人口密度、交通和污染源等因素,分别建立春、夏、秋、冬及年均5个LUR模型。结果表明:LUR模型调整后各季节及年平均值的R2分别达到0.831(春)、0.817(夏)、0.874(秋)、0.857(冬)、0.900(全年平均),5种模型拟合度均较好;采取交叉互验的方法进行了精度检验,显示5种模型的平均精度均达到80.4%,说明LUR模型在模拟关中平原城市群PM2.5浓度空间分布时适用性良好。模拟结果显示,研究区各季节的PM2.5浓度在空间分布上大致相同,呈现出东部高、西部低的明显特征,且空间分布状况受地形因素的影响较大。但在浓度均值的季节变化上则具有夏季低、冬季高的明显差异。本研究结果可为关中平原城市群PM2.5污染防治提供科学依据,亦可为城市内部PM2.5浓度空间分布数据的获取提供新思路。展开更多
通过北京市34个国控监测站点,建立0.5、1、1.5、2、3、4、5km的缓冲区,应用土地利用回归模型(Land Use Regression,LUR)对北京市采暖季与非采暖季PM_(2.5)浓度进行空间分布模拟,并采用留一交叉互验法验证模型精度。结果表明:采暖季LUR...通过北京市34个国控监测站点,建立0.5、1、1.5、2、3、4、5km的缓冲区,应用土地利用回归模型(Land Use Regression,LUR)对北京市采暖季与非采暖季PM_(2.5)浓度进行空间分布模拟,并采用留一交叉互验法验证模型精度。结果表明:采暖季LUR模型调整R^(2)为0.799,模拟精度为0.7992,均方根误差(Root Mean Square Error,RMSE)为6.66μg·m^(-3);非采暖季LUR模型调整R^(2)为0.807,模拟精度为0.8198,均方根误差为5.91μg·m^(-3),模型表现良好。从模拟结果来看,北京市PM_(2.5)主要分布在东南部人口、交通密集的平原区域,整体呈现南高北低的状态。展开更多
文摘为有效解决传统监测技术无法获取城市内部高分辨率PM2.5浓度空间分布情况的问题,基于土地利用回归(land use regression,LUR)模型,以关中平原城市群为例模拟其PM2.5空间分布状况,通过获取研究范围内54个监测站点的PM2.5浓度数据,结合土地利用类型、气象、地形、植被指数、人口密度、交通和污染源等因素,分别建立春、夏、秋、冬及年均5个LUR模型。结果表明:LUR模型调整后各季节及年平均值的R2分别达到0.831(春)、0.817(夏)、0.874(秋)、0.857(冬)、0.900(全年平均),5种模型拟合度均较好;采取交叉互验的方法进行了精度检验,显示5种模型的平均精度均达到80.4%,说明LUR模型在模拟关中平原城市群PM2.5浓度空间分布时适用性良好。模拟结果显示,研究区各季节的PM2.5浓度在空间分布上大致相同,呈现出东部高、西部低的明显特征,且空间分布状况受地形因素的影响较大。但在浓度均值的季节变化上则具有夏季低、冬季高的明显差异。本研究结果可为关中平原城市群PM2.5污染防治提供科学依据,亦可为城市内部PM2.5浓度空间分布数据的获取提供新思路。
文摘通过北京市34个国控监测站点,建立0.5、1、1.5、2、3、4、5km的缓冲区,应用土地利用回归模型(Land Use Regression,LUR)对北京市采暖季与非采暖季PM_(2.5)浓度进行空间分布模拟,并采用留一交叉互验法验证模型精度。结果表明:采暖季LUR模型调整R^(2)为0.799,模拟精度为0.7992,均方根误差(Root Mean Square Error,RMSE)为6.66μg·m^(-3);非采暖季LUR模型调整R^(2)为0.807,模拟精度为0.8198,均方根误差为5.91μg·m^(-3),模型表现良好。从模拟结果来看,北京市PM_(2.5)主要分布在东南部人口、交通密集的平原区域,整体呈现南高北低的状态。
