2013年北京市PM_(2.5)的时空分布

对2013年北京市35个自动空气质量监测子站的PM2.5数据进行分析,探讨PM2.5的时间分布特征、空间分布特征以及与前体物和大气氧化性的相关性关系。结果表明,PM2.5浓度由高到低的季节依次是冬季、春季、秋季和夏季,平均浓度分别为122.8μg·m-3、85.1μg·m-3、84.9μg·m-3和79.1μg·m-3;各类监测站中浓度由高到低的依次是交通站、城区站、郊区站和区域站,平均浓度分别为102.2μg·m-3、91.8μg·m-3、89.1μg·m-3和88.7μg·m-3。PM2.5月均浓度呈波浪型分布,在1月份、3月份、6月份和10月份各出现一个峰值。全年来看,交通站PM2.5的日变化规律呈单峰型分布,其他站点呈双峰型分布。分地区来看,年均PM2.5浓度由高到低的依次是东南部、西南部、城六区、东北部和西北部。PM2.5浓度与NO2、SO2和OX浓度均为显著正相关,表明前体物和大气氧化性对PM2.5浓度有显著影响。     

2014年中国城市PM_(2.5)浓度的时空变化规律

大气霾污染因其对人体健康、生态环境和气候变化的影响而成为全球关注的严重环境问题,PM2.5是中国霾污染频繁的主要原因。过去对国家尺度上PM2.5时空分布的认识主要基于卫星观测,因其反演方法的局限性,卫星资料难以真实反映近地面PM2.5浓度的时空变化规律。本文基于中国2014年190个城市中的945个监测站的PM2.5浓度观测数据,采用空间数据统计模型,揭示了中国PM2.5的时空格局。结果显示,2014年中国城市PM2.5平均浓度61μg/m3,具有显著的冬秋高、春夏低的"U"型逐月变化规律和周期性U-脉冲型逐日变化规律;中国城市PM2.5浓度呈现显著的空间分异与集聚规律,以及两次南北进退的空间循环周期;胡焕庸线和长江是中国PM2.5浓度高值区和低值区的东西和南北分界线,胡焕庸线以东和长江以北的环渤海城市群、中原城市群、长三角城市群、长江中游城市群和哈长城市群等地区是2014年PM2.5的高污染城市聚集地,京津冀城市群是全年污染核心区;以珠三角为核心的东南沿海地区是稳定的空气质量优良区。     

基于ESDA的西北地区公路网分布空间差异分析

利用探索式空间数据分析（ESDA）方法分析了2004-2010年西北地区市域尺度的公路网空间分布差异及其变化特征,并结合定性分析和空间计量模型探讨了公路分布差异的驱动机制。结果表明:（1）西北地区公路网空间分布具有显著的全局正相关关系,存在明显的集聚特征,公路网空间差异趋势愈加明显,公路网集聚模式发生明显变化的区域集中在陕甘宁交界地带,“陕南-关中-陇东-青东”地区形成公路网“高-高”集聚类型分布的连绵区域,“低-低”集聚类型区域分布在河西走廊、新疆、青海地区;（2）公路网密度水平高于全国平均水平的区域规模数量呈增长态势,其中“西安-兰州-西宁”地区的公路网密度水平高于全国平均水平,该地区已形成具备向外扩张能力的交通带;（3）自然环境状况是约束公路交通基础设施建设运营的基本条件,而区域经济的非均衡发展格局及其空间溢出效应是形成公路网分布差异的重要驱动力。     

多变量驱动的江苏县域经济空间格局演化

针对现有区域空间格局演化对影响要素及其作用关系研究缺失的问题,本文通过分位数回归建立江苏省2000-2010 年县域经济的变量关系模型,并在结合ESDA空间关联模型的基础上对其空间演化格局进行研究,得出以下结论:① 变量揭示的区域格局演化的空间关联特征有强化的表现,但不同变量在不同时段分异特征不同。② ESDA探测发现经济发展与变量演化过程可能的潜在关系不同而出现不同类型区空间对应程度的差异,分位数回归给出了不同变量对不同分位地区边际效应影响程度不同的细致信息,从而证实了上述关系的存在。③分位数回归最优拟合值揭示区域经济演化格局与实际吻合度较高,即形成“苏锡”核心热点区和“淮宿”核心冷点区的“圈层结构”,且低值簇内部的演化分异趋势大于高值簇而表现出核心冷点区显著的“内陆化”与次核心冷点区的“沿海化”特征,“高值簇”与“低值簇”分界线一直稳定于苏中地区。     

河西走廊村民关联的空间格局及影响因素分析

为深入研究村民关联的空间格局及影响因素,利用河西走廊15个县（市、区）的调查数据,采用模糊综合评判法测算村民关联的水平,运用探索性空间数据分析（ESDA）法测评村民关联的空间格局与区域差异,并运用地理加权回归（GWR）模型分析村民关联的影响因素。研究表明：（1）河西走廊地区村民关联水平普遍较低,空间格局差异明显,存在显著的正的空间自相关性。（2）河西走廊村民关联具有“点-带-团”状结构特征。村民关联水平较高的县级单元主要处于石羊河流域,形成了分值较高的聚集“点”;村民关联较低的疏勒河流域的敦煌市、玉门市、瓜州县形成了低值分布“带”;张掖市、酒泉市所辖县形成了村民关联低值“团”。（3）村内因子和村间因子与村民关联都呈显著的正相关关系,空间分异特征明显。村内影响因子的回归系数在空间上从西北向东南方向呈现逐渐递增的趋势,而村间因子形成了河西走廊东部和西部的高值聚集中心,呈现出空间地域上“两头高中间低”的“哑铃”结构。剖析村民关联空间格局及影响因素的内在机理,为促进农地制度有效合理变革进而提高农地利用效率,提出保护农地权益的合理化建议提供理论依据和方法参考。     

中国重要旅游城市雾霾时空特征

依托中国15个重要旅游城市,基于雾霾主导因素PM2.5观测数据、遥感气溶胶数据,运用土地利用回归方法模拟绘制PM2.5时空分布图,分析中国重要旅游城市PM2.5质量浓度的时空分异特征。结果表明：1）2013―2015年中国重要旅游城市PM2.5年均质量浓度总体呈逐年下降趋势,且明显呈现夏季低、冬季高、春秋季居中的季节变化特征;2）重要旅游城市PM2.5质量浓度在不同等级城市中存在明显差异,其PM2.5质量浓度整体规律为副省级市＞直辖市＞地级市;3）月均尺度上各重要旅游城市的宜游时间主要集中在4―9月,且2015年春冬季月份宜游城市明显增多;宜游时间较长的城市主要分布在空气质量优良的东南部沿海和森林覆盖率较高地区的地级市和部分副省级市,中西部地区和长三角地区的城市宜游时间则相对较短。     

2000-2011年中国PM_(2.5)时空演化特征及驱动因素解析

高浓度PM_(2.5)是形成雾霾的主要原因之一,科学识别PM_(2.5)浓度的空间异质性与驱动因素对区域大气联动治理意义重大。研究采用2000-2011年NASA大气遥感影像反演的PM_(2.5)数据,结合地统计、地理探测器及GIS空间分析等方法,系统分析了中国2000-2011年PM_(2.5)浓度时空演化格局特征与其驱动因素。结果表明:(1)2000-2011年中国PM_(2.5)污染平均浓度一直保持在22.47~28.26μg/m3区间,总体呈现先快速增加后趋于稳定的演化态势,2006年是PM_(2.5)浓度值变化的拐点(峰值)。(2)空间上PM_(2.5)浓度整体呈现北方高于南方,东部高于西部趋势,污染浓度高值区集中分布在黄淮海平原、长三角下游平原、四川盆地与塔克拉玛干沙漠四大区域,其中京津冀地区污染最为严重。(3)污染浓度重心研究表明PM_(2.5)重心总体呈现快速东移趋势,污染高值区持续向东移动,低值区向西移动,两者重心背向而行,表明东部雾霾污染程度在进一步加剧。(4)空间自相关分析表明PM_(2.5)年均浓度呈现强烈的局部空间正自相关特性,PM_(2.5)"高—高"集聚区连片分布在黄淮海平原、汾渭盆地、四川盆地及江汉平原地区,PM_(2.5)"低—低"集聚区分布在长城以北的内蒙古、黑龙江、青藏高原、以及台湾、海南与福建等东南沿海及岛屿地区。(5)地理探测分析表明气候等自然因素与人类活动共同对PM_(2.5)浓度空间变化产生巨大影响,其中自然地理区位、人口密度、汽车数量、工业烟尘、秸秆燃烧等因子是中国PM_(2.5)浓度空间变化的主要驱动因素。     

2000―2010年中国地区人才优势度与经济发展的空间特征及耦合协调度分析

基于第五（2000年）、六次（2010年）全国人口普查数据和社会经济统计数据,利用综合空间评价方法和耦合协调度模型,探讨中国341个地级及以上行政单元的人才优势度与经济发展的空间差异特征,并系统分析两者间的耦合协调关系。结果表明：1）中国经济发展的地区差异明显,2000―2010年大部分地区的经济发展水平处于上升的趋势并呈现出“大范围扩散、小范围集聚”的趋势。2）中国人才优势度存在明显的空间差异,呈现以北上广深为绝对高地,以其余直辖市、省会城市和计划单列市为相对高地,其余地区为低地的空间结构。2000―2010年人才优势度的空间差异日益突出,表现为东部地区与中西部地区之间的差距以及同一省份内省会城市与非省会城市之间的差距进一步拉大。3）基于耦合协调度系统评价,把所有地区划分为以下3种类型：高耦合度-高协调度地区、高耦合度-低协调度地区、低耦合度-中协调度地区。2000―2010年东部地区“高耦合度-高协调度”趋势加剧,中西部地区“高耦合度-低协调度”趋势加剧。     

基于TOPSIS法的非洲区域经济社会综合发展水平评价

通过构建区域经济社会综合发展水平指标体系,结合TOPSIS方法与变异系数法确定权重,从经济生产、人口与健康、基础教育和产业结构水平4个方面出发,对2012年非洲52个主要国家的区域经济社会综合发展水平进行定量评价与比较,研究表明：非洲地区区域经济社会发展水平呈现出“南北发达,中部落后”的空间分布格局,区域经济社会综合发展水平北非＞南非＞东非＞中非＞西非;中非、西非地区人口与健康水平与南非、北非和东非地区差距较大,发展滞后;基础教育水平呈现“阶梯式”空间格局,南非与北非地区基础教育水平较高,中非与东非地区其次,西非地区相对落后;产业结构的地域差异较大,西非和东非地区产业结构水平较低,中非、南非和北非地区相对较高。在此基础上,提出了针对非洲区域经济社会发展特点,展开对非援助与合作的建议。     

提升气候专题复习有效性的策略

一、气候成因的归类与比较 形成气候的因素通常要涉及到太阳辐射、大气环流、地形（海拔）、海陆分布（洋流）、人类活动等（图1）。在气候形成的诸多要素中,太阳辐射与大气区即使是同一种气候,在特征相似的基础上,成因还是相差甚远。以非洲的几内亚湾沿岸、东南亚、马达加斯加岛东部三个地区的热带雨林气候为例,从成因上来看虽有一定的相似性表现,但差异性更是相当显著。     

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.     

可吸入颗粒物(PM10)浓度时空变异性及影响因素分析

本文以厦门市为例,首先对PM10平均浓度数据进行趋势性、周期性和空间变异性进行分析,然后分析了气温、降水强度、降水日数、风向等气候因子对PM10浓度变化在时间上的影响,同时使用了交叉相关分析的方法对月平均降水日数和PM10大气污染指数(API)为优(PM10浓度<0.05mg/m3)的月内天数百分比的相关性进行分析,最后利用从遥感影像获取的地表覆盖数据,分析了土地利用类型与局部PM10年平均浓度的关系。分析结果表明：厦门市PM10浓度年内变化无明显的上升和下降的趋势,但有显著的周期性,分别为3、7和29天,气候因素对PM10浓度的变化有显著的影响,其中月平均降水日数对API为优的月内天数百分比的影响有明显的滞后性,滞后周期大约为3个月,局部PM10年均浓度与该地区的土地覆盖类型有明显的相关性,并且植被覆盖的比例越大,该地区的PM10年平均浓度就越小。     

基于制度背景与经济活动交互效应的广东省PM2.5污染驱动因素分析

为探讨社会经济活动与制度背景的交互效应对PM_2.5污染的影响,文章选取经济转型的前沿阵地——广东进行了实证分析。基于遥感影像获取的PM_2.5质量浓度数据,运用空间马尔科夫链和空间计量模型,定量刻画了广东省1998—2015年PM_2.5质量浓度的时空演变特征,并对不同制度背景下社会经济活动对PM_2.5的影响进行了量化分析。结果表明：广东省地级市PM_2.5质量浓度呈现先上升后缓慢下降的过程,PM_2.5质量浓度形成“以珠江口为核心”的圈层空间结构,呈现“以佛山、广州和东莞为核心,先扩散、后集中”的空间演变特征。空间马尔科夫链结果表明：PM_2.5质量浓度演变存在显著的空间交互性。若与PM_2.5质量浓度高的区域为邻,则该区域PM_2.5质量浓度增大的概率将会变大;而与PM_2.5质量浓度低的区域为邻,该区域的PM_2.5质量浓度的变化则不会受到明显的影响。社会经济因素和制度背景的交互项表明：高市场化水平能够削弱工业生产对PM_2.5的正效应。分权化过程促进了工业生产对PM_2.5污染的正效应;同时,显著降低了污染密集型工业生产的排放。全球化进程通过引进清洁技术促进技术进步从而降低PM_2.5的污染。此外,环境规制通过降低工业生产排放和倒逼技术进步达到降霾效果。     

乌鲁木齐大气污染物的空间分布及地面风场效应

通过对1999—2001年乌鲁木齐市监测站3种污染物浓度的分析,比较深入地掌握了乌鲁木齐市区不同季节污染物的空间分布状况,得出城市首要污染物是PM10,污染物主要在乌鲁木齐市天山区堆积;利用乌鲁木齐城郊地面风场资料、海拔1 000 m高度探空风场资料分析了地面风场常年特征、季节变化特点,得出冬季城中偏南和偏北有辐合性流场,夏季整个城市为辐散性流场;近地层冬季静风频率高;结合污染物的空间分布和高空风场特征,从一个方面解释了乌鲁木齐冬季、夏季污染物浓度变化的原因。     

乌鲁木齐大气颗粒物的时空分布规律

依据峡口城市乌鲁木齐市2013-2016年6个环境监测站逐时的6类污染物数据,分析大气污染物的时空分布规律。总体来看,乌鲁木齐市以颗粒物污染为主,即PM₁₀、PM_2.5污染严重。从季节上来看,乌鲁木齐污染物浓度大多冬季高、夏季低,春秋季次之。春、夏、秋、冬PM_2.5的浓度依次为59.8、40.5、67.8、139.6 μg·m^-3,而PM₁₀则是148.6、119.7、146.4、209.4 μg·m^-3,粗细粒子浓度在春秋季的细微变化凸显在春季沙尘天气的影响。从日变化方面来看,污染物多呈现为双峰型结构。PM₁₀、PM_2.5春夏秋3个季节都是在子夜1：00时浓度最高,9：00～10：00时次之,但是冬季日最高值则出现在17：00时左右,次峰值出现在21：00～22：00时。从空间分布来看,颗粒物浓度总体上是中心城区低、四周高的分布格局;从PM_2.5浓度占PM₁₀浓度比重分析来看,冬季比重最高,达70%,以城区及城北最为明显,达73%,日变化分布则主要集中在下午至夜间,且冬季比重达71%。     

2007年春季沙尘暴对辽宁中部城市群空气质量的影响

根据大气降尘量和可吸入颗粒物PM10 、PM2.5、 PM1的观测资料,分析了2007年春季发生于我国北方的两次沙尘暴天气过程对辽宁中部城市群空气质量的影响。结果显示,沙尘天气使各城市大气降尘量与可吸入颗粒物PM10和PM2.5的质量浓度明显增高,空气质量明显下降。在3月31日和5月7日的两次沙尘暴过程中,城市群的大气降尘量比当月日平均值分别增加了1.5倍和2.5倍,各城市PM10的日均质量浓度比沙尘出现前一日分别增加了0.2～2.6倍和1.5～3.8倍。3月31日除铁岭和鞍山空气质量状况为良外,均达到轻微污染程度;5月7日鞍山达严重污染程度;沈阳、辽阳、本溪、铁岭和抚顺的空气质量均为中度污染或中度重污染。沙尘暴期间1.0～10.0 μm的粗粒子为影响辽宁中部城市空气质量的主要成分,其小时平均质量浓度最大时是沙尘出现前的10～30倍。     

汾渭平原典型城乡PM2.5中多环芳烃特征与健康风险

为查明汾渭平原典型城乡地区重度污染天气PM_2.5中多环芳烃（PAHs）污染特征及其人群健康效应,本文于2018—2019年冬季分别选取西安和陇县作为城乡对比参照点,采集了重度污染天气PM_2.5颗粒态气溶胶样品。利用气相色谱—质谱联用仪（GC-MS）检测样品中具有“三致效应”的15种PAHs含量及组分特征,使用特征比值法及主成分法进行PAHs源解析,并分析了气象因素对PAHs质量浓度的可能影响,通过对苯并芘（BaP）等效毒性浓度和终生超额致癌风险度（ILCR）的计算,对人群健康风险进行评估。结果表明：西安与陇县在重度污染天气条件下PM_2.5中15种PAHs总平均质量浓度分别为243.78 ng/m³、609.39 ng/m³,其中4~6环PAHs占比最高;且PAHs浓度与气温、气压及风速呈显著负相关,与相对湿度则无明显相关性。西安PAHs污染主要来自燃烧源与交通排放源,而煤炭及生物质燃烧是造成陇县PAHs质量浓度偏高的主要原因。健康风险评估结果显示,重污染天气下陇县人群通过呼吸引发的致癌风险要高于西安,女性致癌风险高于男性,成人致癌风险高于儿童,且两地区成人ILCR值均超过风险阈值,存在潜在致癌风险,儿童则无明显致癌风险。     

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。     

全球粮食安全格局的时空演化

Food security is the primary prerequisite for achieving other Millennium Development Goals(MDGs).Given that the MDG of“halving the proportion of hungers by 2015”was not realized as scheduled,it will be more pressing and challenging to reach the goal of zero hunger by 2030.So there is high urgency to find the pattern and mechanism of global food security from the perspective of spatio-temporal evolution.In this paper,based on the analysis of database by using a multi-index evaluation method and radar map area model,the global food security level for 172 countries from 2000 to 2014 were assessed;and then spatial autocorrelation analysis was conducted to depict the spatial patterns and changing characteristics of global food security;then,multi-nonlinear regression methods were employed to identify the factors affecting the food security patterns.The results show:1)The global food security pattern can be summarized as“high-high aggregation,low-low aggregation”.The most secure countries are mainly distributed in Western Europe,North America,Oceania and parts of East Asia.The least secure countries are mainly distributed in sub-Saharan Africa,South Asia and West Asia,and parts of Southeast Asia.2)Europe and sub-Saharan Africa are hot and cold spots of the global food security pattern respectively,while in non-aggregation areas,Haiti,North Korea,Tajikistan and Afghanistan have long-historical food insecurity problems.3)The pattern of global food security is generally stable,but the internal fluctuations in the extremely insecure groups were significant.The countries with the highest food insecurity are also the countries with the most fluctuated levels of food security.4)The annual average temperature,per capita GDP,proportion of people accessible to clean water,political stability and non-violence levels are the main factors influencing the global food security pattern.Research shows that the status of global food security has improved since the year 2000,yet there are still many challenges such as unstable global food security and acute regional food security issues.It will be difficult to understand these differences from a single factor,especially the annual average temperature and annual precipitation.The abnormal performance of the above factors indicates that appropriate natural conditions alone do not absolutely guarantee food security,while the levels of agricultural development,the purchasing power of residents,regional accessibility,as well as political and economic stability have more direct influence.