[能源基金会]：利用基于卫星遥感的高精度PM2.5浓度预测分析济南市空气污染

研究背景与目标

济南市空气污染问题严重，雾霾频发，亟需精细化分析PM2.5时空变化以评估控制措施效果并制定政策。传统地面监测数据存在时间不连续、空间覆盖有限等问题，而卫星遥感数据可弥补这些不足。本研究利用卫星遥感数据、大气化学传输模型模拟数据、土地利用数据、气象数据等，建立基于机器学习算法的PM2.5预测模型，获取2003-2016年济南市1平方公里网格化PM2.5浓度数据集，分析其长期局部尺度空气污染特征。

数据与方法

研究扩展到山东省范围，收集处理了地面PM2.5观测数据、卫星AOD数据（MAIAC算法）、MODIS NDVI数据、OMI NO2柱浓度和气溶胶指数数据、ECMWF气象数据、GDEM海拔数据、GPW人口数据、MERRA-2 PM2.5模拟数据、排放清单数据等。采用随机森林、XGBoost和线性混合模型（LME）进行PM2.5浓度预测，并通过十乘交叉检验和逐年交叉检验筛选模型参数，最终融合随机森林和LME模型预测结果。

模型表现与结果

随机森林模型在空间十乘交叉检验中表现最佳（R2=0.93，RMSE=10.6μg/m3），但逐年交叉检验中表现较差。LME模型在逐年交叉检验中表现最佳（R2=0.76，RMSE=21.2μg/m3）。融合模型在空间十乘交叉检验和逐年交叉检验中均表现良好（R2=0.90，RMSE=12.6μg/m3），与地面观测值趋势一致。与Donkelaaretal.（2016）的CTM+卫星数据融合模型相比，本研究模型的预测精度更高。

PM2.5空间分布与时间趋势

2016年济南市年平均PM2.5浓度为74μg/m3，污染热点位于城市和乡镇中心，市郊工业排放源监测不足。PM2.5浓度呈现明显的季节周期性，冬季最高（198μg/m3），夏季最低（71μg/m3）。2005-2013年PM2.5浓度持续上升，2013年后迅速下降，年平均降低速度为每年6μg/m3。冬季PM2.5浓度变化对年际变化贡献最大（58%上升，41%下降）。