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。     

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。     

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.

     

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。     

基于移动式监测的道路PM2.5浓度精细化时空模拟

作为主要的大气污染指标,PM_2.5浓度常来源于固定环境监测站点的监测与遥感影像数据,但时空精度普遍不足,难以揭示微尺度下城市内部PM_2.5时空分布情况。本文利用移动式监测方法,选择典型工作日(2017年11月27日),对广州市主城区道路以1 s和1 m为时空粒度进行PM_2.5浓度数据采集,并以早、晚出行高峰时段为对象,通过机器学习方法模拟道路PM_2.5精细化时空分布格局。结果表明,主城区早高峰道路PM_2.5浓度值相近的平均范围为24 m,晚高峰为15 m,PM_2.5浓度存在微尺度的时空异质性。利用多层感知器(MLP)构建的早、晚高峰PM_2.5浓度模型,拟合度分别达到0.70和0.68,明显优于传统的普通最小二乘法(OLS)线性回归模型。模型揭示出早高峰主城区全路网PM_2.5平均浓度为30.19μg/m3,晚高峰达到44.55μg/m3,部分高达94.82μg/m3,且“西高东低”的分布特征显著。本文提出的PM     

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。     

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。     

中国高耗能产品生产与区域PM2.5浓度的动态关联效应——基于省级尺度的分析

面向经济高质量发展及实现“双碳”战略目标,中国传统能源密集型产业发展的资源环境效应备受学界关注。基于2000—2017年中国31个省（直辖市、自治区）的面板数据,通过构建面板向量自回归模型（PVAR）,结合脉冲响应分析和方差分解及动态系统GMM模型,探究中国火电、水泥、钢铁、焦炭等典型高耗能产品的生产规模与区域PM_2.5污染的动态关联效应。结果表明：① 短期内,省域PM_2.5浓度具有明显的时间惯性,火电、水泥、钢铁、焦炭产业规模的短期波动对其冲击影响有限;② 动态影响显示,区域钢铁生产规模对PM_2.5浓度的影响程度最大,火电、焦炭行业次之;③ 长期影响结果显示,钢铁、焦炭产业的扩张加剧了PM_2.5污染,而火电、水泥产品生产规模未与PM_2.5污染表现出同步特征;④ 区域PM_2.5污染成因具有复合性,研究期内控制变量如地区经济规模、工业化程度、城镇化率的提高加剧了PM_2.5污染,地方政府环境污染治理力度越弱则PM_2.5污染程度越重。中国在高耗能产品生产规模逐年增加的情况下,有效地控制了区域PM_2.5污染的加剧。未来应进一步提高行业标准,通过技术创新和产业结构升级控制污染物排放强度;增强地方政府对环境污染的治理力度;研究能源原材料产业的适度产能规模,在满足中国新型基础设施、新型城镇化等重大工程建设对基础原材料产业需求的同时,实现环境质量的优化。     

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.     

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。     

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。     

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。     

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。     

乌鲁木市PM2.5浓度与MODIS气溶胶光学厚度相关性分析

选择西北干旱区城市乌鲁木齐市为研究区,利用MODIS气溶胶产品（AOD）数据和地面监测站PM_2.5浓度数据进行相关性分析,结果表明：二者相关性良好,对AOD数据进行垂直订正和湿度订正后,发现相关性进一步提升（0.49～0.80,p<0.01）。对订正后AOD数据与地面PM_2.5浓度进行建模并选取最优模型,结果均为一元三次模型且模型R²在0.27～0.69之间,其中春秋两季模型R²较高,夏季较低。对模型精度进行验证结果,显示春季与秋季模型精度良好,夏季较差,说明MODIS气溶胶光学厚度数据可以用于反演干旱区地面PM_2.5浓度值,对卫星遥感在干旱区地面空气监测应用提供了新的方法和思路。     

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。     

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。     

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。     

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。     

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。