论文笔记：The impacts of road traffic on urban air quality in Jinan based GWR and remote sensing

（基于GWR和遥感的济南市道路交通对城市空气质量的影响）

话题点：交通拥堵、雾霾

模型：气溶胶光学厚度（AOD）和地理加权回归（GWR）模型

影响因素：路网密度、道路面积占用率、交叉口数量、公交网络密度

GWR作用：细化了AOD和道路参数的局部空间变化

1.研究范围：济南

研究选择2017年12月26日的数据进行研究，原因如下:(1)交通状况:2017年12月26日，济南市交通拥堵严重，经石路、北苑路等主要交通干线和济南市主要道路均出现较长时间的严重拥堵;(2)天气:晴天，东北风< 3 m/s，有利于遥感数据;(3)空气质量:济南市空气轻度污染，PM2.5均值为85 μg/m3。2017年12月26日研究区域的交通、天气、空气质量均符合研究要求。

2.数据描述：采用MCD19A2 AOD产品和landsat8 OLI影像两类遥感数据

（MCD19A2是MODIS官方的1公里分辨率AOD产品，使用MAIAC(多角度大气校正算法)中的气溶胶算法生成。与10 km和3 km分辨率的MOD04气溶胶产品相比，MCD19A2具有更高的分辨率(研究区域位于h27v05)。济南Landsat8 OLI图像列数为12235。这两个数据集都是在2017年12月26日收集的。）

宽度小于3米的道路被排除在研究区域的道路网络之外。研究区域的公共交通路线网络如图所示。

高峰拥堵延迟指数(Peak congestion Delay index, PCDI)是城市居民平均实际出行时间与自由出行时间之比，是城市交通运行状况的表征，是城市拥堵程度的一种评价指标，一般为早上7:00-9:00和晚上17:00-19:00。PCDI越大，交通越拥堵，行驶速度越慢，尾气排放越多。PCDI来自高德地图发布的《中国主要城市交通报告》

3.方法

基于MCD19A2的空气质量分布。将不同轨道(日AOD数据中有4个轨道)的MCD19A2AOD产品合并为日AOD，得到研究区AOD如下图所示。

研究区AOD分布。AOD反映空气质量。一般情况下，图像越亮，AOD值越高，空气污染越严重。

3.1网格化

利用网格化工具将研究区划分为1 km × 1 km的网格，将研究区北部和东部小于1 km的区域排除在网格化范围之外。计算每个网格的AOD、路网密度、道路面积比和交叉口数量。

3.2基于GWR的路网交通特征对城市空气质量影响分析。

地理加权回归(GWR)是一种广泛应用于地理学及相关学科空间格局分析的空间分析技术，可用于空间定量分析非均质性。由于考虑了空间对象的局部效应(即空间异质性)，它比回归模型具有更高的精度。

GWR分析基于研究区AOD分布的空间相关检验。使用ArcGIS中的空间自相关分析工具(Moran’s Index I)进行分析。Moran指数I主要用来衡量整个区域内数据的空间分布特征。

研究区AOD的Moran’s指数I分布为0.49,AOD分布密切相关，具有明显的空间聚类特征，具有异质性，适合GWR分析

3.3相关分析

分析近5年(2016年至2020年第一季度)各季度PCDI与PM2.5(济南市各季度平均值)的相关性，拟合图如图所示。

通过线性回归分析了AOD与路网网格密度、道路占用面积、交叉口数量、公交线网密度的相关关系。

4.结果

交通与空气质量

如图，PCDI与PM2.5的相关系数R2值高达0.4962 (R 0.70)。数据单独配对，当p < 0.05即样本方差相等时，对两组数据进行F检验。然后采用两样本等方差假设进行t检验。当a = 0.05时，p均< 0.05，即拟合的线性方程通过显著性检验。结果表明，PM2.5与PCDI呈正相关。根据北京、济南、杭州PM2.5的来源分析，废气超过燃煤成为城市PM2.5污染的主要来源，即交通(尾气)对城市空气质量的影响较大，尤其是在交通拥堵时。但AOD与栅格密度路网、道路面积占用、交叉口数量、公交线路网络密度的相关性(线性回归)均较低，故采用考虑空间异质性的GWR模型。

单参数影响分析

由表可以看出，基于GWR模型分析的AOD与路网密度、道路面积占用、交叉口数量密切相关。即AOD具有较强的异质性，因此采用GWR模型对研究区道路网络AOD分布特征和局部空间变异进行细化。从各变量回归系数的中位数可以看出，路网密度、道路面积占用和交叉口数量对区域AOD有显著影响，且三者呈正相关。

道路占用面积与AOD的相关性最高，即交通拥堵期间，道路占用面积对区域空气质量的影响最大。交叉口数量和公交线路网络对废气排放(即区域空气质量)有显著影响。

参数自相关分析

在本研究中，路网密度、道路面积占用、交叉口数量和公交线路网络密度对相应区域的空气质量有显著影响。为了避免变量之间的多重共线性，在构建多参数GWR模型之前，对四个参数之间的相关性进行了分析。

由表可以看出，路网密度、道路面积占用、交叉口数量这三个参数之间存在显著的相关关系。

计算VIF = 1.33，即自变量之间共线性较小，但满足回归分析的要求，因此基于GWR模型的结果是可信的。

5.讨论

基于GWR模型的误差分析。

从上图可以看出，标准差大于2.5或小于-2.5的网格较少。基于GWR构建的AOD模型有三个标准差较大的网格，如下图所示。

由图6可以看出，三个易出错网格内的地被类型较为复杂，即在复杂地表条件下基于GWR构建的模型存在较大误差。原因如下。复杂的地表条件容易降低遥感反演AOD精度，导致估算误差较大。其次，对于复杂的路面条件，路网特征参数的计算精度较低。

遥感数据的时空演绎。

由于AOD和交通尾气排放是不断变化的，因此遥感反演的AOD存在时间尺度扣除的问题。为了保证时间尺度的对应性，一般采用与卫星过境时间响应时间相对应的观测数据进行研究。为了减小时间尺度误差，本研究中，PCDI与空气质量的相关性分析基于平均值。因此，利用AOD与路网密度、道路面积占用率、交叉口数量、公交网络密度的日平均值进行GWR分析。

规模的问题。

为了减少不同尺度对分析的影响，本研究选择网格化的研究区域(即1 km网格)来匹配AOD产品的1 km分辨率。Haiying等基于Landsat8 OLI数据构建了差分指数(DI)(红光波段和近红外波段)监测DI浓度(30 m分辨率)(Feng et al. 2018)。2017年12月26日研究的AOD (1000 m)、DI (30 m)和路网如图所示。

30m分辨率差分指数可以较好地检索道路、路网和空气质量之间的关系，但30m分辨率差分指数缺乏严格的理论依据，即对遥感产品进行更高的分类是未来研究的方向。

模型的适用性。

使用相同的方法分析了2016年11月5日的数据，结果相似，因此本研究具有更好的适应性。