为研究京津冀地区PM2.5浓度时空变化趋势,利用多角度大气校正(MAIAC)气溶胶光学厚度(AOD)产品,结合气象和土地利用等数据,构建线性混合效应(LME)和地理加权回归(GWR)组成的两阶段统计回归模型,建立了2013-2020年1 km空间分辨率的PM2.5浓度数据集.结果显示:模型交叉验证后的决定系数(R2)、斜率、均方根预测误差(RMSPE)和相对预测误差(RPE)范围分别为0.85～0.95、0.87～1.05、7.87～29.90μg/m3和19.19％～32.71％,数据质量较高;2013-2020年京津冀地区PM2.5浓度呈现出明显的时间特征(冬季高、夏季低)和空间特征(南部平原高、北部山区低);相对2013年,2020年PM2.5高浓度区域明显缩小,年均浓度下降54.04％,全域降至55μg/m3以下,由于政府对污染物排放的严格控制,2015-2017年冬季PM2.5浓度出现大幅下降;相对2017年,2018-2020年PM2.5浓度下降不明显.研究结果可为京津冀及周边地区空气污染防治提供科学依据.

PM2.5;气溶胶光学厚度(AOD);两阶段统计回归模型;标准差椭圆;时空变化;京津冀地区

河北省科学院地理科学研究所/河北省地理信息开发应用技术创新中心,河北 石家庄050011;河北师范大学地理科学学院,河北 石家庄050024;河北省环境演变与生态建设实验室,河北 石家庄050024

[1]杨晓辉;肖登攀;柏会子;唐建昭;王卫;郭风华;刘剑锋-.2013-2020年京津冀地区PM2.5浓度时空变化模拟及趋势分析)[J].地理与地理信息科学,2022(04):58-67

两阶段统计回归模型

京津冀地区,PM2,时空变化模拟,大气校正,MAIAC,气溶胶光学厚度,AOD,混合效应,LME,地理加权回归,GWR,空间分辨率,交叉验证,决定系数,预测误差,RMSPE,RPE,数据质量,时间特征,空间特征,北部山区,污染物排放,严格控制,京津冀及周边地区,空气污染,污染防治,标准差椭圆

0.290346