[发明专利]一种定量化研究城市森林对PM2.5净化作用的方法

说明书

本发明属于森林管理技术领域，涉及一种基于遥感影像数据和气象站点及森林调查资料数据相融合的森林生态功能定量化研究方法。从城市区域尺度出发，依据MODIS遥感影像反演得到PM2.5平均浓度空间分布图，使用空间统计分析方法，定量分析各影响因子间的直接和交互作用大小。该方法主要由生成PM2.5平均浓度空间分布图、PM2.5平均浓度数据和各生态因子数据的空间匹配融合、选择合适分析阈值识别冷热点区域、锁定主要影响因子并改造4大阶段组成。本方法数据获取途径较简单且成本较低，反演操作简单具有推广性，而且对各影响因子影响力的定量化结果为城市森林管理者改善城市森林布局提供了指导思想和科学基础。

技术领域：

本发明属于森林管理技术领域，尤其涉及一种基于遥感影像对地观测数据和气象站点及森林调查资料的地面观测数据相融合的森林生态功能定量化研究方法。

背景技术：

PM_2.5颗粒物在地球大气中含量虽然很少，但富含大量有毒、有害物质或成为病毒和细菌的载体，在大气中的停留时间长、输送距离远，人体本身无法过滤和防护，对慢性疾病的发病率和死亡率影响很大，会引发包括哮喘、支气管炎、肺癌和心血管病等疾病。

近年来，国内外对近地面颗粒物浓度的时空分布进行了广泛的监测、预测和反演等研究，主要可以分为2种，一种是依据机制过程模型对区域大气质量进行预测预报，另一种是基于遥感技术反演与PM_2.5有物理机制联系的气溶胶光学厚度，然后建立其统计关系的方法。第一类方法可用于预测预报，但由于输入参数要求高，且较为复杂，如若简化则精准度受影响较大。第二种方法由于其成本较低，且具有时空连续性，可有助于研究PM_2.5的治理工作。该方法主要有仅考虑AOD和PM_2.5浓度之间关系的简单的线性模型、考虑多种环境气象因子的多元线性回归模型、人工智能模型和广义加法模型。简单线性模型对数据要求量小，易于操作，而多元线性回归模型则能大幅提高拟合精度，人工智能模型虽然对提高精度有一定作用，但其结构复杂构造困难，广义加法模型是线性模型非参数化的扩展，可用于预测模拟。

对PM_2.5的进行防治，除了控制源头污染，还要需要利用现有资源对其进行控制。而现有研究已表明城市森林对PM_2.5及其他大气颗粒物有明显的调控作用，表现在不仅能覆盖地表减少大气颗粒物的来源，而且能通过叶面吸附和移除大气颗粒物，加速其沉降过程，通常有停留、附着和黏附3种方式。但是，目前开展的许多针对PM_2.5的研究，主要是从样地或植株的小尺度，而且，对城市森林生态系统减少大气颗粒物的研究主要集中在总悬浮颗粒物(TSP)和PM₁₀等大粒径粉尘上，对净化PM_2.5的定量化研究成果还很少。

发明内容：

针对现有的技术问题和研究领域的空白，本发明的目的在于提供一种可以从区域尺度、快速稳定地定量化分析一定时间段内城市森林对PM_2.5的滞尘调节作用方法，并探明各影响因子贡献力大小，为城市森林优化布局提供理论支持和指导方针。

为了实现上述目的，本发明采用如下技术方案：

1.根据MODIS数据生成当天500m高分辨率气溶胶光学厚度空间分布图。

2.通过高度订正和湿度订正后，得到干燥后气溶胶的消光系数(k_ex，dry)空间分布图。

3.建立k_ex，dry与卫星过境时间地面PM_2.5小时观测值的线性函数关系，从而得该城市PM_2.5浓度平均值空间分布图。

4.计算森林资源调查数据图形库中每块森林小班斑块上的平均PM_2.5浓度。

5.使用局部G_i*统计方法，在合适的分析阈值下，识别整个城市和森林斑块的冷点区和热点区。