中国城市PM2.5浓度时空特征及其影响因素(英文)

在科学识别城市建成区的基础上,运用探索性空间分析和空间计量模型,分析了2000–2015年中国城市PM_2.5浓度的时空特征及其影响因素。结果表明：2000–2015年中国城市PM_2.5浓度呈倒“L”型增长,而PM_2.5浓度高的城市具有大规模集聚的特征,城市群即是PM_2.5浓度高的城市聚集区,受自然因素、社会经济因素和城市形态因素共同作用。在2000–2005年,中国城市PM_2.5年平均浓度从31.19μg m^–3增加到46.00μg m^–3,河北、山东、河南交汇地区出现小规模高浓度集聚。在2005–2010年、2010–2015年两个阶段,城市PM_2.5浓度年平均增长率放缓,2010年为47.67μg m^–3,2015年为48.72μg m^–3。高浓度集聚区域不断扩大,在2010年扩张至京津冀、长江中部、长江三角洲、成都平原,研究期末已经扩大至整个华北平原、哈长地区。     

东北地区PM2.5质量浓度遥感估算与时空分布特征

利用2014—2018年近地面观测PM_2.5质量浓度数据、MODIS 10 km气溶胶光学厚度(Aerosol Optical Depth,AOD)数据、ERA5再分析气象数据和DEM(Digital Elevation Model)数据,分别构建估算东北地区PM_2.5质量浓度的多元线性回归模型(Multiple Linear Regression, MLR)、线性混合效应模型(Linear Mixed Effects Model, LME)和随机森林模型(Random Forest, RF),利用十折交叉验证方法对3个模型进行精度评价。根据最优模型估算2009—2018年东北地区逐日PM_2.5质量浓度,结果表明：(1) 3种模型模拟的PM_2.5质量浓度与地面实测值间的相关系数R²排序为RF>LME>MLR,RF模型整体精度最高。(2)不同季节、月份的RF模型模拟PM_2.5质量浓度与地面实测值间的R²均高于0.93,通过R...     

黄河流域PM2.5时空演变特征及其影响因素分析

选取2000—2017年大气PM_2.5遥感反演数据集,综合运用标准差椭圆及地理探测器等方法,揭示了黄河流域PM_2.5的时空演变特征及其影响因素。结果表明：2000—2017年黄河流域PM_2.5年均浓度整体呈现先快速增加后又波动变化的演变趋势,空气污染状况不容乐观;黄河流域PM_2.5空间集聚性明显,低值区稳定分布在内蒙古中部和西南部高原地区,高值区一方面分布在自然条件较差的西北内陆,另一方面集中在人类活动强度较高的地带;黄河流域PM_2.5污染总体呈现出“西北-东南”方向的分布格局,其浓度在地理空间上呈现分散化的趋势,即污染的主要范围有所扩大;人口密度、工业化水平、外商投资以及科技支出等经济社会因素对PM_2.5浓度存在显著影响,但其作用强度及方向存在差异。     

黄河流域五大城市群PM2.5时空演变与影响因素探讨

以黄河流域5大城市群82个城市为研究区域,选取2016—2020年中国环境监测总站发布的环境空气颗粒物(PM_2.5)数据,采用空间自相关、地理探测器和地理加权回归等方法,研究PM_2.5的时空分布特征和空间异质性的主要驱动影响因素。结果表明：(1)PM_2.5年均值的变化大体呈倒“N”型,季均值变化呈先降后升的周期规律性的“U”型。(2)在空间分布上,形成了黄河下游>中游>上游的梯度递减空间差异格局,并有逐渐下降的趋势。(3)PM_2.5演变整体上呈正自相关集聚分布,集聚类型主要为高-高集聚、低-低集聚和低-高集聚类型。(4)2016年和2020年PM_2.5空间分异的自然地理因素比社会经济因素的驱动力更强,交互作用结果为双因子增强或非线性增强2种类型。(5)通过地理加权回归模型对分异探测解释力变化最大的5个因子进行拟合,5 a间各因子对5大城市群PM_2.5污染的负效应不断提高,正效应呈下降趋势,空间作用方向及强度上差异显著。研究结果为黄河流域5大城市...     

2003—2016年中国PM2.5质量浓度时空格局演变及影响因素解析

以中国286个主要地级市为研究区域,基于2003—2016年中国地级市大气PM_2.5质量浓度栅格数据及各地级市社会经济数据,运用空间自相关和空间面板杜宾模型,揭示了中国地级市PM_2.5质量浓度的时空格局与影响因素。研究显示：(1)中国PM_2.5污染在时序演化上呈“M”型波动态势,在空间分布上以胡焕庸线为界呈现出“东高西低”的集聚型格局;(2)中国地级市PM_2.5污染在空间效应上呈现出显著的正相关性,表明区域间大气污染存在交互影响;(3)人口密度与非农产业从业人员占比对PM_2.5质量浓度升高的贡献最大,而液化石油气供气总量与第三产业占GDP的比重对PM_2.5有较为显著的负向消减作用。     

2003-2016年中国PM2.5质量浓度时空格局演变及影响因素解析

以中国286个主要地级市为研究区域,基于2003—2016年中国地级市大气PM_2.5质量浓度栅格数据及各地级市社会经济数据,运用空间自相关和空间面板杜宾模型,揭示了中国地级市PM_2.5质量浓度的时空格局与影响因素。研究显示：(1)中国PM_2.5污染在时序演化上呈“M”型波动态势,在空间分布上以胡焕庸线为界呈现出“东高西低”的集聚型格局;(2)中国地级市PM_2.5污染在空间效应上呈现出显著的正相关性,表明区域间大气污染存在交互影响;(3)人口密度与非农产业从业人员占比对PM_2.5质量浓度升高的贡献最大,而液化石油气供气总量与第三产业占GDP的比重对PM_2.5有较为显著的负向消减作用。     

扬州市空气PM2.5浓度时空分异研究

利用江苏省环保厅数据监测平台发布的扬州市区空气PM2.5浓度数据资料,结合仪器测量所得数据资料,分析扬州市空气PM2.5时空分异及其影响因素。结果表明:扬州市空气PM2.5浓度日均值总体低于75微克/立方米。从时间分布来看,早-中-晚呈现出"高-低-高"的变化趋势,夏收时期则高于规定的标准;从空间分布来看,城乡之间的浓度差异较大。影响扬州市空气PM2.5浓度的主要因素:一是污染源的排放程度(机动车尾气为主);二是气象条件(逆温、风、雨等)。对应对PM2.5污染提出了建议。     

基于灰色关联模型对江苏省PM2.5浓度影响因素的分析

采用克里金插值法分析2014年江苏省PM_2.5浓度空间分布特征,运用灰色关联模型计算PM_2.5浓度与影响因素间关联度,分析主要影响指标因子与PM_2.5浓度空间分布的相互关系。结果显示：① 江苏省PM_2.5浓度具有沿海低、内陆高,南部高、北部低的空间分布特征;② PM_2.5污染来源指标层的权重值最大（w_i = 0.4691）,空气质量与气象要素指标层的权重稍大（w_i = 0.2866）,城市化与产业结构层的权重值最小（w_i = 0.2453）;③ 在27个指标因子中,与PM_2.5浓度关联度为中度的仅有公路客运量、房屋建筑施工面积、园林绿地面积、人口密度等4个指标因子,PM_2.5与其余指标因子均呈强度相关联,其中与PM₁₀、O₃、降雨量、公路货运总量、地区工业总产值和第二产业占地区生产总值比重等指标的关联度较高;④ PM_2.5污染源指标层与PM_2.5浓度关联度值较大的城市分别是南京、无锡、常州、南通、泰州市;城市化与产业结构指标层与PM_2.5浓度关联度值较大的城市分别是徐州、苏州、盐城、常州市;空气质量与气象要素指标层与PM_2.5浓度关联度值较大的城市分别是盐城、扬州、常州、南通市。综合分析可知,影响指标因子关联度值与PM_2.5浓度空间分布有较好相关性。研究表明,灰色关联模型可有效分析影响PM_2.5浓度的主要因素,能对PM_2.5浓度影响指标进行定量分析与评价。     

长三角多维城市化对PM2.5浓度的非线性影响及驱动机制

探索多维城市化对PM_2.5浓度的非线性影响及驱动机制,是城市群高质量发展的重要课题。以2000—2017年长江三角洲地区城市面板遥感影像和统计数据为样本,采用反距离权重空间插值、空间自相关和标准差椭圆等方法探查其PM_2.5浓度的时空演变规律,并运用系统动态面板回归模型研判多维城市化对PM_2.5浓度的非线性影响及驱动机制。结果表明：① 2000—2017年,长三角PM_2.5浓度由低污染等级向高污染等级演替;PM_2.5浓度整体呈现由东南向西北方向递增的空间趋势。② PM_2.5浓度呈现显著空间集聚与关联特征;PM_2.5浓度重心总体由东南向西北方向偏移,在东西方向上趋向分散,在南北方向上逐渐极化。③ 长三角城市化子系统不同发展阶段对PM_2.5浓度的非线性影响存在显著差异。经济城市化与PM_2.5浓度呈倒“N”型曲线关系,二者存在环境库兹涅茨曲线（EKC）关系,当人均GDP大于63709元时,经济城市化对PM_2.5浓度将产生抑制效应,表明城市综合质量提升和发展方式转变是PM_2.5治理的关键;而人口城市化、土地城市化与PM_2.5浓度的关系仅是倒“U”型曲线的左侧部分,二者与空气质量改善的拐点尚有一定距离。人口规模、外商直接投资、工业产业结构均对PM_2.5浓度具有显著的正向效应,而环境规制对PM_2.5浓度具有显著的抑制效应。长三角PM_2.5浓度的时空异质性特征是在经济社会因素和政府调控等诸多因素交互叠加、循环累积作用下形成,其中,经济社会因素扮演着主角。本文为探索多维城市化对PM_2.5浓度的非线性影响提供了新视角,以期为实现长三角环境保护与城市可持续发展的协调提供重要参考。     

中国省区间贸易隐含PM2.5的测算及其空间转移特征

针对不同区域实行“共同而又有区别”的污染治理政策是实现区域联防治理大气污染的有效措施,而随着省际贸易加强,难免导致污染物在不同区域间的转移。本文采用区域间投入产出模型,对中国30省区间省际贸易隐含PM_2.5进行核算。结果表明,省际贸易隐含PM_2.5约占总PM_2.5排放的1/3,经济危机使得省际贸易隐含PM_2.5量变小,但贸易隐含PM_2.5在以生产计算的PM_2.5排放中的作用在增大。东部省区的省际调出贸易隐含PM_2.5主要由最终消费部分导致,而中、西、东北省区则主要为中间投入部分导致,在控制贸易隐含排放时,需对不同调出类型省区采用不同的控制方法。省际调入贸易隐含PM_2.5主要由中间投入过程贸易隐含PM_2.5构成,越来越多的产品在不同省区间共同生产完成,区域联合治污显得尤为必要。东北、西部、中部省区由固定资本形成导致的省际贸易隐含PM_2.5比例要高于东部省区,可见政策导向也是造成贸易隐含排放的原因之一。需重点控制省际贸易隐含PM_2.5排放量较高建筑业、机械设备制造业和其他服务业。除河北、山东外,东部省区均为省际贸易隐含PM_2.5净调入省份,中、西部、东北省区中则多为省际贸易隐含PM_2.5净调出省份。经济危机使得省际间净贸易隐含PM_2.5的转移量变小,但并未改变其转移趋势。净调入省区需相应的补偿净调出省区,或对其进行技术转移。     

基于“一街一站”的深圳市PM2.5时空特征及排名通报作用研究

深圳市于2018年6月建成了全国首个街道空气监测网络“一街一站”,并对全市74个街道进行月均PM_2.5浓度排名,向公众通报空气质量排名倒数十位的街道,以落实基层治理大气污染的责任。本研究基于深圳市街道空气监测网络的数据,分析了深圳市PM_2.5浓度的时空特征,使用双重差分模型检验空气质量排名通报是否能发挥环保部门所期待的效果,进一步促使PM_2.5浓度排名靠后的街道改善其空气质量。结果表明：① 基于街道空气监测的深圳市年均PM_2.5浓度为22.4 μg/m³,月均浓度最低值出现在7月,最高值出现在1月,与国家站监测结果之间无显著性差异。② 深圳市街道的PM_2.5浓度具有较高的空间集聚性,高值主要聚集在西北部,低值主要聚集在中南部,而国家监测站难以准确表征深圳市PM_2.5浓度空间分布特征。③ 考虑了个体和时间固定效应的双重差分模型分析结果表明,对深圳市月均PM_2.5浓度较高、空气质量排名靠后的街道进行通报,其随后1~2个月的PM_2.5浓度仍受该月污染的持续性影响,而通报行为无显著性影响;到随后第3个月,该月污染的持续性影响下降到较小的程度,此时通报行为对PM_2.5浓度呈显著降低作用,且影响程度大于污染的持续性影响。     

上海市PM2.5浓度变化特征及其气象因子分析

对上海市2012-2016年PM_2.5质量浓度、气象因素数据资料进行整理统计,通过定性分析与定量计算相结合的方法,揭示近年来上海市PM_2.5浓度的变化特征及其污染状况;采用相关性分析,从温度、气压、相对湿度、风向、风速和降水量等方面探讨了PM_2.5浓度与气象因素之间的关联性。结果表明：上海市近5 a空气质量主要为优和良,污染天数所占全年比例在减少。PM_2.5浓度呈现出夏季低,冬季高的季节特征,而且8月PM_2.5浓度最低,处于16~36 μg·m^-3;PM_2.5的日变化呈现出双峰双谷结构,浓度峰值出现于8~9时和19~20时,且后者浓度更高。气温、气压、相对湿度的阈值分别出现在9.8℃、1 021.6 hPa、83%,最大PM_2.5在阈值处出现显著变化;最大PM_2.5浓度与累积风速和降水量呈现出对数关系,并且东北风和东南风的累积风速达到350 m·s^-1以上时,PM_2.5浓度基本减少至35 μg·m^-3;降水量越大,PM_2.5浓度越低。     

2001-2010年非洲大气PM2.5污染浓度空间格局演化

基于NASA的全球大气PM2.5年均污染浓度栅格数据,通过对非洲行政边界矢量化、分区统计各国大气PM2.5浓度均值及建立空间数据库,利用重力模型、ESDA模型及GIS空间统计分析方法,对非洲52个主要国家（地区）2001 – 2010年间的大气PM2.5污染浓度时空格局特征演化进行探究,并依据时间序列特征将研究对象划分为8类。研究结果表明：（1）2001-2010年非洲大气PM2.5污染浓度大致呈现“中间高、南北低;西部高、东部低”的空间特征;其中高值区集中分布在非洲西部几内亚湾附近的尼日利亚、刚果与喀麦隆等国家,低值区则广泛地分布在北非、南非以及非洲东南部印度洋沿岸地区或岛屿。（2）基于ESDA模型的空间自相关分析发现PM2.5浓度“高-高”热点区主要集聚在几内亚湾附近主要国家,“低-低”冷点区集中在东南部印度洋沿岸的南非、莫桑比克与马达加斯加岛。（3）时序上2001-2010年非洲PM2.5年平均污染浓度呈现明显下降趋势,其中32个国家（占研究区总数的61.54%）2010年PM2.5污染年均浓度低于2001年。（4）从自然环境条件及社会经济因素两方面浅析其空间格局主要成因：几内亚湾沿岸是非洲PM2.5污染最严重的地区,因其人口稠密且高度依赖石油产业;非洲东南部地区PM2.5污染最轻,得益于其良好的自然环境条件及低污染的支柱产业。     

基于移动监测的城市PM2.5污染时空模式研究——以广州市中心区为例

采用便携式空气污染监测设备对广州市环城高速内的中心城区PM_2.5污染情况进行移动监测,获取225.7万条频率为1 Hz的PM_2.5监测数据,基于此对研究区进行10 m×10 m高时空分辨率的PM_2.5污染模拟,并分析移动采集的可靠性及城市中心区PM_2.5污染时空模式。结果显示：天气状况稳定条件下移动监测的城市PM_2.5数据在时间维度与固定监测站点数据呈现较显著相关性（R ²为0.72~0.86）;广州市中心城区的PM_2.5污染时空分布在短时间内具有显著的时空分异特征：时间上,干、湿季的平均逐时极差分别为27和11 μg/m3,质量浓度最高值和最低值出现的时段与当天的背景质量浓度值有关;空间上,交通枢纽、商业中心、工业园和大型商贸市场附近PM_2.5污染风险高,公园绿地、高校、高级住宅区等风险相对较低,且呈干季西高东低、南高北低,湿季东高西低的空间分异特征。     

Spatiotemporal evolution of PM2.5 concentrations in urban agglomerations of China

As the main form of new urbanization in China,urban agglomerations are an im-portant platform to support national economic growth,promote coordinated regional devel-opment,and participate in international competition and cooperation.However,they have become core areas for air pollution.This study used PM2.5 data from NASA atmospheric re-mote sensing image inversion from 2000 to 2015 and spatial analysis including a spatial Durbin model to reveal the spatio-temporal evolution characteristics and main factors con-trolling PM2.5 in China's urban agglomerations.The main conclusions are as follows:(1)From 2000 to 2015,the PM2.5 concentrations of China's urban agglomerations showed a growing trend with some volatility.In 2007,there was an inflection point.The number of low-concentration cities decreased,while the number of high-concentration cities increased.(2)The concentrations of PM2.5 in urban agglomerations were high in the west and low in the east,with the"Hu Line"as the boundary.The spatial differences were significant and in-creasing.The concentration of PM2.5 grew faster in urban agglomerations in the eastern and northeastern regions.(3)The urban agglomeration of PM2.5 had significant spatial concentra-tions.The hot spots were concentrated to the east of the Hu Line,and the number of hot-spot cities continued to rise.The cold spots were concentrated to the west of the Hu Line,and the number of cold-spot cities continued to decline.(4)There was a significant spatial spillover effect of PM2.5 pollution among cities within urban agglomerations.The main factors control-ling PM2.5 pollution in different urban agglomerations had significant differences.Industriali-zation and energy consumption had a significant positive impact on PM2.5 pollution.Foreign direct investment had a significant negative impact on PM2.5 pollution in the southeast coastal and border urban agglomerations.Population density had a significant positive impact on PM2.5 pollution in a particular region,but this had the opposite effect in neighboring areas.Urbanization rate had a negative impact on PM2.5 pollution in national-level urban agglomer-ations,but this had the opposite effect in regional and local urban agglomerations.A high degree of industrial structure had a significant negative impact on PM2.5 pollution in a region,but this had an opposite effect in neighboring regions.Technical support level had a signifi-cant impact on PM2.5 pollution,but there were lag effects and rebound effects.     

Spatio-temporal evolution and the influencing factors of PM2.5 in China between 2000 and 2015

High concentrations of PM_2.5 are universally considered as a main cause for haze formation. Therefore, it is important to identify the spatial heterogeneity and influencing factors of PM_2.5 concentrations for regional air quality control and management. In this study, PM_2.5 data from 2000 to 2015 was determined from an inversion of NASA atmospheric remote sensing images. Using geo-statistics, geographic detectors, and geo-spatial analysis methods, the spatio-temporal evolution patterns and driving factors of PM_2.5 concentration in China were evaluated. The main results are as follows. (1) In general, the average concentration of PM_2.5 in China increased quickly and reached its peak value in 2006; subsequently, concentrations remained between 21.84 and 35.08 μg/m³. (2) PM_2.5 is strikingly heterogeneous in China, with higher concentrations in the north and east than in the south and west. In particular, areas with relatively high PM_2.5 concentrations are primarily in four regions, the Huang-Huai-Hai Plain, Lower Yangtze River Delta Plain, Sichuan Basin, and Taklimakan Desert. Among them, Beijing-Tianjin-Hebei Region has the highest concentration of PM_2.5. (3) The center of gravity of PM_2.5 has generally moved northeastward, which indicates an increasingly serious haze in eastern China. High-value PM_2.5 concentrations have moved eastward, while low-value PM_2.5 has moved westward. (4) Spatial autocorrelation analysis indicates a significantly positive spatial correlation. The “High-High” PM_2.5 agglomeration areas are distributed in the Huang-Huai-Hai Plain, Fenhe-Weihe River Basin, Sichuan Basin, and Jianghan Plain regions. The “Low-Low” PM_2.5 agglomeration areas include Inner Mongolia and Heilongjiang, north of the Great Wall, Qinghai-Tibet Plateau, and Taiwan, Hainan, and Fujian and other southeast coastal cities and islands. (5) Geographic detection analysis indicates that both natural and anthropogenic factors account for spatial variations in PM_2.5 concentration. Geographical location, population density, automobile quantity, industrial discharge, and straw burning are the main driving forces of PM_2.5 concentration in China.

     

PM2.5污染对中国人口死亡率的影响——基于346个城市面板数据的实证分析

中国生态文明建设和“健康中国”战略强调切实治理影响人口健康的环境问题,建设健康人居环境。论文基于2000年和2010年中国人口普查资料以及2005年和2015年各省级行政单元1%人口抽样调查等数据资料,论文使用探索性空间分析方法刻画中国城市人口死亡率的时空变化特征,并采用空间回归方法,揭示城市PM_2.5的平均浓度对人口死亡率的影响及其空间溢出效应,以及社会经济因素对PM_2.5—人口死亡率关联的调节效应。结果表明：① 中国城市人口死亡率的空间分布特征呈现明显的异质性,高死亡率地区早期集聚分布于西南地区,2005年后在西南地区、华北地区、华东地区和华中地区呈现逐渐集聚分布态势。低死亡率地区长期集中分布于西北地区、东北地区、长三角地区、珠三角地区和京津两市。② 人口死亡率的分布存在空间关联性,高—高类型地区早期集中分布于西南地区,后期向东扩展;低—低类型地区主要分布于北疆、内蒙古西部和广东省及其周边地区。③ 城市PM_2.5浓度对人口死亡率具有显著的正向影响,并且对邻近地区的人口死亡率具有显著的空间溢出效应。④ 中国城市PM_2.5浓度对人口死亡率的影响存在学历差异和城乡差异,地区高学历人群集聚可降低PM_2.5的健康风险,城镇化发展进程缓慢则会加重PM_2.5的健康风险。研究旨在为防范空气污染暴露导致的健康风险、建设健康人居环境提供科学依据。     

基于分布式感知深度神经网络的高分辨率PM2.5值估算

细颗粒物(PM2.5)个体暴露水平是健康效应研究中的关键问题,然而历史数据缺失和地面监测点覆盖范围小阻碍了相关研究.基于美国国家航空航天局遥感数据提供的气溶胶光学厚度(AOD),融合地面监测、气象等多源数据进行建模来估算近地面PM2.5浓度,所得结果的空间覆盖范围广、时间连续性强、方法成本低.本文基于2018年京津冀鲁...     

Vegetation-related dry deposition of global PM2.5 from satellite observations

Journal of Geographical Sciences - Vegetation plays an important role in the dry deposition of particles with significant spatial variability, but the magnitude remains unclear at the global scale....