论文部分内容阅读
土地利用回归（LUR）模型是目前模拟PM2.5分布的常用方法,但该方法以多元线性回归进行建模,未考虑自变量与PM2.5浓度的非线性的复杂关系,常引起多重共线性。为提高模拟的准确性,本文采用随机森林算法训练模型,进行长江三角洲地区PM2.5浓度的空间分布的模拟。并根据PM2.5浓度空间分布的模拟结果,运用PM2.5人口暴露风险评估方法,对长江三角洲地区PM2.5人口暴露风险进行评估。研究表明:（1）本文采用随机森林方法改进的土地利用回归模型（下文简称随机森林优化模型）来对长江三角洲地区PM2.5浓度空间分布进行模拟。模拟的效果采用相关系数（R）、均方根误差（Root Mean Squared Error,RMSE）、平均绝对误差（Mean Absolute Error,MAE）以及拟合指数（Index of Agreement,IA）来评价。其中R和IA越大,RMSE和MAE越小,模型模拟的效果就相对较好。经检验集检验模型效果,该模型的IA、MAE、RMSE、R分别为0.854、4.757、5.871、0.831。为了说明该模型的高效性及准确性,本文将该模型与传统的土地利用回归（LUR）模型及SVM改进的土地利用回归模型进行比较。使用LUR模型,检验集的IA、MAE、RMSE、R分别为0.702、5.862、7.58、0.647。经计算,使用SVM改进的土地利用回归模型（SVM优化模型）,其检验集的IA、MAE、RMSE、R分别为0.825、5.521、6.871、0.714。相比之下,随机森林在进行PM2.5浓度空间模拟时,检验集的Ia和R较大,而MAE和RMSE较小,因此效果更好。（2）2015年长江三角洲地区PM2.5年平均浓度呈现北高南低,西高东低的总体格局,部分地区高值集聚,具有连片分布的特点;江苏省各市的PM2.5浓度明显比浙江省和上海市更高,尤其是泰州、无锡、扬州、常州等苏南、苏中地区;浙江省内的PM2.5浓度较高的地市为湖州、绍兴、嘉兴,状况最好的则为舟山和台州;杭州和宁波虽然全市的平均值不高,但也存在明显的高值区。（3）基于PM2.5空气质量浓度及人口分布下的人口PM2.5暴露风险,长江三角洲地区人口PM2.5暴露风险从南往北,从东往西呈现梯度递增现象,各城市中心城区是人口PM2.5暴露风险高值区。从市域分析,以杭州市为例,人口PM2.5暴露风险大致具有同心圆结构,中心往外减弱,且西南区域的风险要比东北区域弱;中心城区呈现连片的高风险区,在中心城区外围的副城具有斑块状的高风险区;城市内部具有轴状的相对高风险区,如主要交通路线及钱塘江沿线带。而基于人口加权平均的PM2.5暴露风险可评估单元间空气污染对公众健康的影响强度。泰州、无锡、常州的风险值最大,应加大对泰州、无锡、常州等市的PM2.5暴露风险的防控,此外杭州、宁波、绍兴、上海等地的人口高度集中于PM2.5浓度高值区,需重点关注。（4）利用PM2.5空气质量浓度、人口暴露强度指标,可对长江三角洲地区的PM2.5人口暴露风险进行初步的空间格局分析;人口加权平均的PM2.5人口暴露风险评估可对各行政单元的PM2.5人口暴露风险进行对比,筛选PM2.5人口暴露风险重点防控城市;利用人口暴露强度可进一步监测重点防控城市的重点区域,适合于城市内部的区域PM2.5暴露风险评估。综合以上指标进行PM2.5人口暴露风险评估,对于大气污染的治理以及人居环境的改善具有实际价值。总体而言,本文具有以下研究特色:采用多元数据,将AOD数据与常用的土地利用回归数据结合;在传统的LUR模型中融入了随机森林算法,在方法上具有一定的创新;对于PM2.5人口暴露风险,结合已有的多种评价方式进行多角度分析,更具科学性。