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。     

长三角PM2.5时空格局演变与特征——基于2013-2016年实时监测数据

长三角是中国空气污染较为严重的区域。基于地统计、探索性空间数据分析等方法,使用实时监测数据,探讨该区域41个地级以上城市PM_2.5在2013-2016年的时空格局演变与污染特征。结果显示：① PM_2.5表现出不同的年度、月度以及逐日特征。年均值逐年下降,月均值则体现出鲜明季节性,呈现冬高、夏低的“U型”特征,日均值有“脉冲型”波动特点。② 2013-2016年,长三角PM_2.5污染情况已经得到显著改善,但超过三分之二的地区仍存在不同程度超标现象,呈现“西北高、东南低”的污染格局。③ PM_2.5高值区从以合肥、扬州为中心向江苏、安徽北部边界地区转移,低值区逐步扩展形成东至舟山、西至黄山、北至上海、南至温州的低值集聚带。④ 趋势分析来看,PM_2.5年均值东西差异和南北差异均逐步减小,但东西向差异略大于南北向。同时,两个方向中部隆起现象得到改善,城市投影点趋于线性拟合。     

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。     

中国PM2.5污染与社会经济的空间关系及成因

中国高能耗的经济增长模式和不生态的城镇化模式是PM_2.5污染的主要诱因,为了弄清PM_2.5的本质,着重研究PM_2.5污染的产出机理与模型。首先用逐步回归分析法,确定对PM_2.5影响较大的变量,再对PM_2.5及其相关变量进行空间相关分析,在GIS技术与空间统计学的支持下,建立中国区域性细颗粒物空气污染评估模型。结果表明：中国PM_2.5污染具有东高西低的区域差异特点,这与中国人口分布密度特征曲线（胡焕庸线）所划分出的人口空间分布特点相一致。考虑了空间效应影响的模型拟合度（R²=0.71）优于传统统计模型（R²=0.62）。PM_2.5与总人口、人均汽车保有量的平方、第二产值比例的平方成正比,与森林覆盖率的平方成反比,其中对PM_2.5贡献率最大的是人均汽车保有量。     

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...     

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。     

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。     

中国城市群地区PM2.5时空演变格局及其影响因素

城市群作为中国新型城镇化主体形态,是支撑全国经济增长、促进区域协调发展、参与国际分工合作的重要平台,也是空气污染的核心区域。本文选取2000-2015年NASA大气遥感影像反演PM_2.5数据,运用GIS空间分析和空间面板杜宾模型,揭示了中国城市群PM_2.5的时空演变特征与主控因素。结果显示：① 2000-2015年中国城市群PM_2.5浓度呈现波动增长趋势,2007年出现拐点,低浓度城市减少,高浓度城市增多。② 城市群PM_2.5浓度以胡焕庸线为界呈现东高西低的格局,城市群间空间差异性显著且不断扩大,东部、东北地区浓度提升更快。③ 城市群PM_2.5年均浓度空间集聚性显著,以胡焕庸线为界,热点区域集中东部,范围持续增加,冷点集中在西部,范围持续缩小。④ 城市群内各城市间PM_2.5浓度存在空间溢出效应。不同城市群影响要素差异显著,工业化和能源消耗对PM_2.5污染有正向影响;外商投资在东南沿海和边境城市群对PM_2.5污染具有负向影响;人口密度对本地区PM_2.5污染主要具有正向影响,对邻近地区则相反;城市化水平在国家级城市群对PM_2.5污染有负向影响,在区域性和地方性城市群则相反;产业结构高级度对本地区PM_2.5污染有负向影响,对邻近地区则相反;技术扶持度对PM_2.5污染的影响显著,但存在滞后性和回弹效应。     

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。     

银川市PM2.5重金属元素的环境污染特征分析

分析了银川市PM2.5中9种重金属元素在春季风沙期、夏秋季非采暖期、冬季采暖期的浓度分布特征和富集因子。结果表明：银川市PM2.5中重金属元素的质量浓度在风沙期、非采暖期、采暖期表现不同,Cu,Ni,Mn,Cr,Fe,Cd元素在风沙期浓度最高,Zn,Pb,Co在采暖期浓度最高,说明风沙期和采暖期是银川市一年中的强污染期;重金属元素在不同粒径颗粒物中的浓度水平有明显差别,有害的重金属元素主要吸附在PM2.5中,应引起重视;Zn,Cd元素在各时段都有明显富集,主要来自人为源贡献;Pb元素在采暖期明显富集,说明银川市冬季采暖燃煤的排放对空气中污染元素Pb的贡献很大。     

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。     

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.