-
2021年六五环境日中国主题为“人与自然和谐共生”，旨在坚定打好污染防治攻坚战的信心和决心。其中PM2.5是威胁人类健康、降低能见度、影响区域和全球气候的重要污染物。中国作为中等收入国家，居民所承受的室外空气污染负担更重。因此，分析人口基数庞大的中国PM2.5污染分布和发展趋势，探讨影响因素的空间异质性，对个体和政府了解PM2.5污染现状和制定治理措施有一定意义。
国内外对细颗粒污染物（PM2.5）研究时序多选用1年数据进行季节、月度分析[1-3]，或对比连续几年同一时段的PM2.5数值变化[4-5]，分析其中化学成分、对人体健康的影响，解析污染来源[6-8]，进而选取相关因子，探索其影响机理机制[9-10]。除基本时序选择，学者们对特殊时段，如COVID-19期间、农业耕种期、政策计划实施前后、中国北方冬季取暖以及APEC会议期间等也有针对性研究[11-14]。研究对象主要集中在经济区、城市群、城市、农村[15-18]等不同层级。此外，对PM2.5排放量有抑制和提升作用的绿地、湿地、道路等小尺度区域[19-22]，也是学者们研究对象。在不同时段的不同地域，污染物数值的影响特征不尽相同，为促进区域内自然环境和经济社会高质量、良性发展，学者们选取数据从统计年鉴、问卷调查、遥感反演和大数据获取逐渐扩展来源[23-25]，利用小波预测、LUR模型、神经网络、iLME+Geoi-RF模型、GEOS-Chem以及各种模型方法结合研究高污染发生的机理机制、来源特征、治理措施评估等问题[26-31]。
综上，国内外研究中较少对大尺度、长时序的PM2.5浓度数据研究，多以省、城市群或某重点地区为对象，中国地级市整体研究较少，阻碍了对PM2.5浓度时空变化的全面了解。本文通过ArcGIS、GeoDa等软件，根据世界卫生组织规定的标准值，指导性地探索相对严格的中国地级市PM2.5年均浓度的时空分布特征，并采用地理探测器探讨了其形成影响因素的空间异质性，为空气污染治理，建设人与自然和谐共生的宜居城市提供建议。
-
保持研究时序内地级市一致性以及数据的可获取性，确定研究区域为中国283个地级市，区划图基于标准地图服务系统（
http://bzdt.ch.mnr.gov.cn/ ）进行绘制。 -
中国PM2.5监测数据来自于达尔豪斯大学大气成分分析组(Atmospheric Composition Analysis Group(
http://fizz.phys.dal.ca/～atmos/martin/?page_id=140 ))，由NASA MODIS、MISR和SeaWIFS产品的气溶胶光学深度(AOD)反演与GEOS-Chem化学传输模型相结合来估算地表细颗粒物（PM 2.5），利用地表PM2.5与AOD之间的地球物理关系模拟地表PM2.5浓度，最后使用地理加权回归(GWR)进行校准，最后经栅格处理，匹配283地级市矢量地图，利用ArcGIS 10.2中的制图和空间分析工具，对PM2.5浓度变化的时空格局进行可视化显示。 -
影响因子：统计数据源自《中国城市统计年鉴》等（
https://navi.cnki.net/knavi/yearbooks/index ，https://data.stats.gov.cn/ ）；夜间灯光数据（https://www.ngdc.noaa.gov/eog/dmsp.html ）；地理空间数据云（http://www.gscloud.cn/sources/index?pid=302&ptitle=DEM%20%E6%95%B0%E5%AD%97%E9%AB%98%E7%A8%8B%E6%95%B0%E6%8D%AE&rootid=1 ）和国家气象科学数据中心（https://data.cma.cn/data/cdcindex/cid/0b9164954813c573.html ）。 -
全局空间自相关是对地理要素属性值在整个区域的空间特征描述，本文选用GeoDa软件单变量Moran’s I分析测量中国地级市PM2.5年均值的总体空间关联程度指数[32]，见式（1～3）。
式（1～3）中：n为研究区域数量；xi、xj分别代表城市i、城市j的PM2.5年均值；Wij则表示空间权重矩阵W中的元素，
$ {S}^{2} $ 为观测值方差。$ {z}_{score} $ 表示标准差的倍数，见式（4）。式（4）中：
$ E\left(I\right) $ 表示Moran’s I的期望值；$ VAR\left(I\right) $ 为方差；$ z $ 得分反映中国地级市PM2.5数据集的离散程度，见表1。全局Moran’s I值在[-1, 1]之间，如果Moran’s I>0，表明存在正的空间自相关，即高值（或低值）区域在空间内呈显著聚集；如果Moran’s I<0, 则呈离散趋势，且绝对值越大，集聚（离散）效应越强。
-
全局自相关仅对考察对象整体状态进行评估，无法体现各区域与其周边邻近区域内部具体的关联程度，为了直观反应局部研究对象的空间相关性，利用局部自相关方法对中国地级市细颗粒物污染情况进行分析[33]。本文采用ArcGIS聚类和异常值分析(Anselin Local Moran’s I)，根据输出字段分为显著性高-高值聚类(H-H)、低-低值聚类(L-L)、由低值围绕的异常值 (H-L)、被高值围绕的异常值(L-H) 以及不显著(NO)集聚特征5类。
-
产生空间分异性的原因是多样的，地理探测器可以用于检验空间分异性，揭示某一属性值在不同类型之间存在差异[32]。探测地级市间PM2.5数值是否存在空间异质性，据此确定地理探测器的因子影响力（q值），见式（5）。
式（5）中，
$ {N}_{i} $ 为探测的单元数，N为全域单元数，$ {\sigma }_{i}^{2} $ 和$ {\sigma }^{2} $ 是所探测要素和全域Y值的方差。q为因子的影响力值，取值范围为[0,1]，q值越大，解释力越强，PM2.5受该因子影响力越大。其中交互作用探测能够识别不同风险因子之间的交互作用。 -
2005年世界卫生组织（WHO）发布《空气质量准则》，研究得出较理想、健康危险小的高标准浓度设定[34]。本文节选了2003、2006、2009、2012、2015和2018年6年的PM2.5年均值，利用ArcGIS10.2进行空间可视化，参考世界卫生组织设定准则值，见表2，探索中国空气PM2.5标准的空间分布格局，见图1。
2003年中国PM2.5年均浓度空间分布图中，仅云南省丽江市达到规定准则值以下。大部分地级市处于IT-1的年平均浓度状态，占据所有测量对象的59.01%。2006年PM2.5年均值高于35 μg/m3地级市明显增多，达到全国地级市总数的71.02%。云南省PM2.5浓度有所上升，且无AQG状态地级市。虽然北方有燃煤污染，但是与呼伦贝尔市相连的黑龙江省黑河市、伊春市、鹤岗市和双鸭山市，出现小范围年均浓度小于10 μg/m3的地级市集聚现象。2009年齐齐哈尔市取代双鸭山市，达到PM2.5年均浓度最优范围值，污染低的城市数量不变的同时，年均浓度大于35 μg/m3的地级市有所减少，仅占全国的69.25%，2012年与此保持一致，有87个地级市处于IT-1状态，达到空气质量准则值城市仍分布于内蒙古自治区和黑龙江省。
2015年起PM2.5年均浓度空间分布有明显变化，虽然AQG水平城市仅有呼伦贝尔市，但全国呈现出高数值城市大量减少，地级市大部分处在过渡时期目标−2之上状态。2013年中国的雾霾事件引起了大量关注，国家高度重视大气污染防治工作，同年发布《大气污染防治行动计划》并确定了10项具体措施。随着产业升级、政府管制、居民意识等不同污染防治行动实施，使得污染城市大幅度减少。丽江市在2018年恢复至AQG水平，并且此水平城市增至4个。此外，IT-1从2015年的53.35%跌至40.76%，全国仅有不足一半的地级市具有长期暴露增加15%死亡风险，大量地级市年均浓度处于10～35 μg/m³之间。
-
在分析空间分布格局基础之上，为进一步探究我国地级市PM2.5空间分布是否具有相关性特征，采用GeoDa测量中国283个地级市PM2.5年均值的全局集聚程度，见图2。
研究时序范围内p值通过99%置信度检验，全局Moran’s I指数均为正，z得分大于2.58，呈现明显的集聚现象，见表3。
从2003～2018年数值整体从0.597升至0.669，呈现下降-上升-下降-上升的“W”走势，均分布在[-1,1]之间，表明中国PM2.5地级市空间分布并非随机，高污染地区与高污染城市相邻，低污染与低污染城市相邻，且对相邻地区有强关联性。
2009年前，Moran’s I指数在0.600以下，PM2.5存在明显的空间正相关溢出效应。2011年1月1日开始，环保部发布的《环境空气PM10和PM2.5的测定重量法》开始实施。并在2012年环保部公布了《空气质量新标准第一阶段监测实施方案》，自2013年中国74个城市先后完成PM2.5“国控点”监测的试运行[35]。随着《大气污染防治行动计划》的实施和居民意识提高、政府治理力度加大，污染的集聚程度有所下降，2018年PM2.5污染数值整体降低，空间再次呈现强关联性。
-
采用Anselin Local Moran’s I方法绘制研究区域的局部集聚模式，见图3。
高-高型主要分布于四川、河北、天津、山东、河南、安徽、江苏等省的大部分城市，并且长期为细颗粒物污染的高值区域。2003～2006年高-高型城市数量减少，此后不断增多，至2009年有87个城市，为研究时序内分布最多的1年，见表4。
2009～2018年高-高型城市逐渐减少，2018年仅有70个城市。低-低型城市以东北地区、内蒙古-宁夏-甘肃南北一线、云南和福建为主要分布区，除2012年数量最多，其余年份低-低型城市数量较为平均。时序范围内中国唯一被高值围绕的异常值——低-高型城市出现在河北的张家口市。不显著型城市最多，可以占据所有城市的一半左右，以2012年为转折点，城市数量减少至138个后递增，大体呈现出U型。
中国高值集聚区整体分布于四川盆地、华北平原和长江中下游人居活动强、污染严重的地区。四川盆地虽然受静、稳等不利疏散的气象条件影响，但从2015年后PM2.5年均值数值降低，不再有高值城市在此集聚。与云南、福建等地不同，黑龙江长期分布低值集聚区，虽冬季爆竹烟花、燃煤取暖和工业排放产生大量污染物，但是城市化水平低、地势平坦、绿化覆盖率高，成为东北地区低-低型城市分布的主要原因。唯一的低-高型城市，张家口常年风速较大，污染物疏散快，不易集聚。优秀的自然条件加之人文条件，与周围省会城市相比，成为PM2.5年均值较低的城市。
-
根据已有研究，PM2.5浓度值受人口、经济发展、自然条件、政策等多种因素影响，包括污染排放，能源使用，个人特征，城市化水平，技术进步，创新产出等人文因素[36-39]，以及地形，气象因素等自然条件[23,40-41]。
以2018年为例，整理可获取变量，选取建成区绿化覆盖率、年平均气温、年均降水、平均坡度为自然因素；人均地区生产总值、城镇化率、产业结构高级化、第三产业从业人员比重、第二产业占GDP的比重、万人拥有公共汽（电）车营运车辆数、公路客运量、公路货运量影响城市社会经济发展进程中PM2.5的排放和控制；科教支出占公共总预算比重、万人高等教育在校数衡量科技进步、创新对PM2.5的影响；人口自然增长率、居民活动强度为城市居民个体特征的影响因子。PM2.5为因变量（Y），16个自变量，见表5，应用地理探测器测算影响因素空间异质性，探究自然、经济、社会、人口因素4种变量类型对PM2.5的影响。
地理探测器结果q值越大，解释力越强，空间分异性越明显，反之越弱。对数据进行离散化处理，利用自然间断法对数据重新划分为5个等级。由表5可知，引起PM2.5年均浓度空间变化的影响因素由大到小为：城市气温＞平均坡度＞科教投入＞第二产业占GDP的比重＞人口增长情况＞公路客运量＞城市绿化水平＞居民活动强度＞公路货运量＞产业结构高级化＞城镇化水平＞第三产业从业人员比重＞城市降水＞教育水平＞经济实力＞公共服务。
其中，城市气温（0.257736）解释力在25%以上，是影响地级市PM2.5空间变化差异的主导影响因素；其次，平均坡度（0.155005）、科教投入（0.148931）、第二产业占GDP的比重（0.122924）的决定力q值较大，解释力均在10%以上，说明区域内气温、地形起伏程度、第二产业是影响PM2.5空间变化的次要因素。且城市降水、经济实力、产业结构高级化、教育水平、公共服务、公路客运量、公路货运量、居民活动强度均未通过显著性检验（p＞0.05），表明年均降水量、第二产业与第三产业比值的单个因子影响力很小，而PM2.5空间变化基本不受万人拥有公共汽（电）车营运车辆数、人均地区生产总值、夜间居民活动强度、公路货运量和公路客运量的影响。
生态探测器用来对比不同的影响因子在影响城市PM2.5浓度是否有显著的差异、以及哪种因子对PM2.5分布更具有制约力。已知PM2.5影响因素是由多种因素共同作用形成的，因此对两两因素交互作用的分析十分必要。由交互探测结果可知，所有影响因子的两两交互作用的结果均为非线性增强和双因子增强，交互作用中解释力最强的模式前三依次为年平均气温和平均坡度（0.490841）、科教支出占公共总预算比重和平均坡度（0.370895）、第二产业占GDP的比重和平均气温（0.358306），此外，年平均气温与其他影响因子交互作用下产生的最大交互值次数最多，单因子q值在因子探测处于最高水平，因此地级市的年均气温在本研究所有影响因子中是更全面、决定力最大的单影响因子。
-
选取中国地级市PM2.5浓度值数据，结合空间分析方法分析区域内PM2.5的时空分异特征，运用地理探测器测度影响因子，探究不同因素的解释力。
（1）对照世界卫生组织（WHO）发布的《空气质量准则》浓度限值，中国地级市PM2.5年均浓度值达到该准则标准有4个地级市。绝大部分地级市在IT-3目标值以上，但是随着国家政策出台，工业企业治理达标，民间环保宣传，中国地级市PM2.5年均浓度值大于35 μg/m³比重在研究范围内，由71.02%降至40.76%。
（2）中国地级市PM2.5 Moran’s I数值整体从0.597升至0.669，多数分布于第一象限和第三象限。表明PM2.5空间分布并非随机，高污染地区与高污染城市相邻，低污染与低污染城市相邻，而且在我国2013年出台政策，治理力度加大前后，分别呈现强关联性。
（3）地级市PM2.5低-低型集聚模式分布于中国东南、西南、西北和东北地区，中心高值集聚区分布于四川盆地、华北平原和长江中下游地区的人居活动强、污染严重地区。唯一异常值城市（低-高型）出现在河北的张家口市。
（4）地理探测器影响因素分析结果显示，城市气温、地形起伏程度和政府科研、教育支出额是影响PM2.5浓度的重要因子。PM2.5空间分异受到自然因素影响最大，其次为人口因素、社会因素和经济因素。因子交互探测结果说明因子之间的影响具有一定的交叉性，其中平均气温是对PM2.5空间格局演变产生影响的重要因子。
-
中国地级市PM2.5有较强的空间相关性，华北平原以及长江中下游地区的主要地级市依旧为细颗粒物污染排放的重心，政策出台以及民众意识使影响污染物数值变化的重要因素。影响污染浓度的因素除法制管制外，其中自然因素占据首要位置，PM2.5的时空演变会随着各种因素的变化而变化，不仅需要加强城市间的协同发展，还应细化影响因素研究，有针对性强化大气环境质量。
中国地级市PM2.5时空分异及影响因素分析
Spatio-temporal differentiation and influencing factors of PM2.5 of prefecture-level cities in China
-
摘要: 文章选取中国283个地级市，采用ArcGIS、GeoDa软件和地理探测器方法探讨PM2.5的时空分异态势，分析形成分异现象的影响因素。研究表明：以世界卫生组织设定PM2.5的年均浓度值为标准，中国地级市超出规定上限数占比由71.02%降至40.76%；PM2.5整体呈现显著正相关，地级市之间集聚性有增强-降低-增强的过程。局部集聚模式主要呈现出：四川盆地、华北平原和长江中下游地区为H-H型集聚，东北，东南，西南为主要L-L集聚分布区。地理探测结果分析：年均气温、平均坡度、科教投入是解释力前三的影响因子，其中年平均气温与其他影响因子交互作用下产生的最大交互值次数最多，是更全面、决定力最大的单影响因子。Abstract: In this paper, 283 prefecture-level cities in China are selected to study the spatio-temporal differentiation of PM2.5 and analyze the influencing factors by using ArcGIS, GeoDa and other geography detector methods. The results show that, compared to the annual concentration of PM2.5 set by the World Health Organization, the proportion of prefecture-level cities exceeding the prescribed upper limit in China decreases from 71.02% to 40.76%. The PM2.5 spatial distribution shows a significant positive correlation, and the global spatial autocorrelation index among prefecture-level cities shows a process with enhancement-decrease-enhancement. The local spatial autocorrelation mainly presents that the Sichuan Basin, the North China Plain, middle and downstream area of Yangtze River are H-H cluster type, the NE, SE, SW are main L-L aggregated distribution areas. Analysis of geography detector results show that the average annual temperature, average slope, and the investment in science and education are the top three factors of explanatory power. Average annual temperature is the most comprehensive and determinant single influencing factor, which the maximum interaction number is generated under the detection of interaction with other influencing factors.
-
Key words:
- PM2.5 /
- prefecture-level cities in China /
- spatial autocorrelation /
- geography detector
-
-
表 1 不同置信度下的 p 值和 z 得分
$ {z}_{score} $ p 值 置信度/% < −1.65 或 > +1.65 < 0.10 90 < −1.96 或 > +1.96 < 0.05 95 < −2.58 或 > +2.58 < 0.01 99 
下载: 导出CSV
表 2 WHO《空气质量准则》中PM2.5年平均浓度值设定
μg·m−3 过渡时期目标 年平均浓度值 浓度选择依据 过渡时期目标-1（IT-1） 35 相对于AQG水平而言，在此水平长期暴露会增加约15%的死亡风险。 过渡时期目标-2（IT-2） 25 除其他健康利益外，与过渡期目标-1相比，在此水平暴露会降低约6%[2%～
11%]的死亡风险。过渡时期目标-3（IT-3） 15 除其他健康利益外，与过渡期目标-2相比，在此水平暴露会降低约6%[2%～
11%]的死亡风险。空气质量准则值（AQG） 10 为心肺和肺癌死亡率上升的最低水平，对PM2.5的响应有超过95%的置信度。
下载: 导出CSV
表 3 PM2.5年均浓度值 Moran’s I和z得分
t/a Moran’s I 指数 z 得分 p 值（显著性水平） 2003 0.597 31.631 0.001 2006 0.585 30.096 0.001 2009 0.669 34.928 0.001 2012 0.659 33.535 0.001 2015 0.646 33.820 0.001 2018 0.669 34.410 0.001
下载: 导出CSV
表 4 集聚类型结果统计
t/a 集聚城市类型 高-高 高-低 低-高 低-低 不显著 2003 82 0 1 48 152 2006 63 0 1 43 176 2009 87 0 0 48 148 2012 83 0 0 62 138 2015 73 0 1 50 159 2018 70 0 1 48 164
下载: 导出CSV
表 5 驱动因子探测结果
变量类型 特征变量 变量描述 q p 自然因素 城市绿化水平 建成区绿化覆盖率/% 0.074385** 0.019456 气温 年平均气温/℃ 0.257736*** 0.000000 降水 年均降水/mm 0.047579 0.536028 地形起伏度 平均坡度/° 0.155005*** 0.000000 经济因素 经济实力 人均地区生产总值/元 0.018481 0.823137 第二产业发展 第二产业占GDP的比重/% 0.122924*** 0.000001 产业结构高级化 第二产业与第三产业比值/% 0.059616 0.611303 第三产业从业人员 第三产业从业人员比重/% 0.054435* 0.050974 社会因素 科教投入 科学、教育支出占公共总预算比重/% 0.148931*** 0.000000 教育水平 万人高等教育在校数/人 0.035549 0.742922 公共服务 万人拥有公共汽（电）车营运车辆数/辆 0.012094 0.997199 客运总量 公路客运量/万人 0.090196 0.799673 货运总量 公路货运量/万t 0.060845 0.867092 人口因素 城镇化水平 城镇化率/% 0.056683** 0.032203 居民活动强度 夜间灯光数据亮度均值 0.069517 0.863193 人口增长情况 人口自然增长率/% 0.097021*** 0.004609 注：q值为变量的影响力程度，p值代表对应变量显著性水平，***表示变量在1%的显著性水平下显著；**表示变量在5%的显著性水平下显著；*表示变量在10%的显著性水平下显著。
下载: 导出CSV
-
[1] 赵帝, 卞思思, 王帅, 等. 沈阳市分季节环境空气PM2.5组分特征分析与来源解析[J]. 环境保护科学, 2021, 47(2): 128 − 135. [2] 李星谕, 毛瑶, 陈展乐, 等. 华中地区冬季灰霾天气下PM2.5重金属污染特征及健康风险评价: 以湖北黄冈为例[J]. 环境科学, 2021, 42(10): 4593 − 4601. [3] DESHMUKH D K, DEB M K, VERMA D, et al. Seasonal air quality profile of size-segregated aerosols in the ambient air of a central Indian region[J]. Bulletin of Environmental Contamination and Toxicology, 2013, 91(6): 704 − 710. doi: 10.1007/s00128-013-1121-5 [4] 李德山, 张郑秋, 付磊, 等. 中国城市PM2.5减排效率的区域差异及其影响机制[J]. 中国人口·资源与环境, 2021, 31(4): 74 − 85. [5] LI H, TONG H, WU X, et al. Spatial and temporal evolution characteristics of PM2.5 in China from 1998 to 2016[J]. Chinese Geographical Science, 2020, 30(6): 947 − 958. doi: 10.1007/s11769-020-1157-5 [6] 张萌铎, 陈卫卫, 高超, 等. 东北地区大气污染物源排放时空特征: 基于国内外清单的对比分析[J]. 地理科学, 2020, 40(11): 1940 − 1948. [7] 任万辉, 李云丹, 苏枞枞, 等. 沈阳市大气PM2.5中重金属污染特征、来源解析及健康风险评价[J]. 环境化学, 2021, 40(4): 1029 − 1037. doi: 10.7524/j.issn.0254-6108.2020093002 [8] REKEFU S, TALIFU D, GAO B, et al. Polycyclic aromatic hydrocarbons in PM2.5 and PM2.5-10 in Urumqi, China: Temporal variations, health risk, and sources[J]. Atmosphere, 2018, 9(10): 412. doi: 10.3390/atmos9100412 [9] 张运林, 睢晋玲, 吴娴, 等. 粤港澳大湾区PM2.5时空分布特征及其与气象要素的关系[J]. 生态学报, 2021, 41(6): 2272 − 2281. [10] 李衡, 韩燕. 黄河流域PM2.5时空演变特征及其影响因素分析[J/OL]. 世界地理研究: 1-14[2021-12-01]. http://kns.cnki.net/kcms/detail/31.1626.P.20200720.1538.006.html. [11] 吴波, 刘春琼, 张娇, 等. COVID-19期间区域大气高污染发生的非线性动力机制[J]. 中国环境科学, 2021, 41(5): 2028 − 2039. doi: 10.3969/j.issn.1000-6923.2021.05.005 [12] 吴雪伟. 东北农业耕作和收割时期大气颗粒物排放特征研究[D]. 长春: 中国科学院大学(中国科学院东北地理与农业生态研究所), 2019. [13] 曹振红. 《大气污染防治行动计划》对京津冀地区PM2.5浓度的影响研究[J]. 环境科学与管理, 2021, 46(6): 62 − 66. doi: 10.3969/j.issn.1673-1212.2021.06.016 [14] LIANG X, ZOU T, GUO B, et al. Assessing Beijing's PM2.5 pollution: severity, weather impact, APEC and winter heating[J]. Proceedings of The Royal Society A Mathematical Physical and Engineering Sciences, 2015, 471(2182): 20150257. doi: 10.1098/rspa.2015.0257 [15] 陈晖, 卫雅琦, 尚晓娜, 等. 华北农村冬季细颗粒物元素组分的特征及来源[J]. 中国环境科学, 2021, 41(11): 5027 − 5035. [16] OWOADE K O, HOPKE P K, OLISE F S, et al. Source apportionment analyses for fine (PM2.5) and coarse (PM2.5-10) mode particulate matter (PM) measured in an urban area in southwestern Nigeria[J]. Atmospheric Pollution Research, 2016, 7(5): 843 − 857. doi: 10.1016/j.apr.2016.04.006 [17] YOU W, ZANG Z, ZHANG L, et al. National-scale estimates of ground-level PM2.5 concentration in China using geographically weighted regression based on 3 km resolution MODIS AOD[J]. Remote Sensing, 2016, 8(3): 184. doi: 10.3390/rs8030184 [18] 王振波, 梁龙武, 王旭静. 中国城市群地区PM2.5时空演变格局及其影响因素[J]. 地理学报, 2019, 74(12): 2614 − 2630. doi: 10.11821/dlxb201912014 [19] ZHOU W, QIAN Y, LI X, et al. Relationships between land cover and the surface urban heat island: seasonal variability and effects of spatial and thematic resolution of land cover data on predicting land surface temperatures[J]. Landscape Ecology, 2014, 29(1): 153 − 167. doi: 10.1007/s10980-013-9950-5 [20] CAI L, ZHUANG M, REN Y. A landscape scale study in Southeast China investigating the effects of varied green space types on atmospheric PM2.5 in mid-winter[J]. Urban Forestry& Urban Greening, 2020, 49: 126607. [21] 莫丽春, 马蕊, 谢屹, 等. 北京湿地削减大气PM2.5的生态系统服务流研究[J]. 生态学报, 2021(14): 1 − 8. [22] 汪帅, 邹滨, 许珊, 等. 城市道路PM2.5浓度的时空变化及地理因子影响分析[J]. 地理与地理信息科学, 2021, 37(3): 65 − 72. doi: 10.3969/j.issn.1672-0504.2021.03.010 [23] 王少剑, 高爽, 陈静. 基于GWR模型的中国城市雾霾污染影响因素的空间异质性研究[J]. 地理研究, 2020, 39(3): 651 − 668. doi: 10.11821/dlyj020181389 [24] WANG X, SUN W, ZHENG K, et al. Estimating hourly PM2.5 concentrations using MODIS 3 km AOD and an improved spatiotemporal model over Beijing-Tianjin-Hebei, China[J]. Atmospheric Environment, 2020, 222: 117089. doi: 10.1016/j.atmosenv.2019.117089 [25] 宋洁, 周素红, 彭伊侬, 等. 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[J]. 热带地理, 2020, 40(2): 229 − 242. [26] 吴宇宏, 杜宁, 王莉, 等. 基于iLME+Geoi-RF模型的四川省PM2.5浓度估算[J/OL]. 环境科学: 1-15 [2021-12-01].https://doi.org/10.13227/j.hjkx.202102048.
[27] 许艺馨, 任杰, 冯磊, 等. 基于小波分析优化PM2.5浓度预测模型[J]. 环境监测管理与技术, 2021, 33(2): 24 − 28. doi: 10.3969/j.issn.1006-2009.2021.02.006 [28] WENZHI F, KAI Q, YILONG C, et al. Estimation of hourly ground-Level PM2.5 concentration based on Himawari-8 apparent reflectance[J]. IEEE Transactions on Geoscience and Remote Sensing, 2021, 59(1): 76 − 85. [29] JI X, YAO Y, LONG X. What causes PM2.5 pollution? Cross-economy empirical analysis from socioeconomic perspective[J]. Energy Policy, 2018, 119: 458 − 472. doi: 10.1016/j.enpol.2018.04.040 [30] 赵佳楠, 徐建华, 卢德彬, 等. 基于RF-LUR模型的PM2.5空间分布模拟——以长江三角洲地区为例[J]. 地理与地理信息科学, 2018, 34(1): 18 − 23. doi: 10.3969/j.issn.1672-0504.2018.01.004 [31] LI S, CHEN L, HUANG G, et al. Retrieval of surface PM2.5 mass concentrations over North China using visibility measurements and GEOS-Chem simulations[J]. Atmospheric Environment, 2020, 222: 117121. doi: 10.1016/j.atmosenv.2019.117121 [32] 周亮, 周成虎, 杨帆, 等. 2000-2011年中国PM2.5时空演化特征及驱动因素解析[J]. 地理学报, 2017, 72(11): 2079 − 2092. doi: 10.11821/dlxb201711012 [33] 张棋, 许德合, 丁严. 基于SPEI和时空立方体的中国近40年干旱时空模式挖掘[J]. 干旱地区农业研究, 2021, 39(3): 194 − 201. doi: 10.7606/j.issn.1000-7601.2021.03.24 [34] WHO. Air quality guidelines—global update 2005[EB/OL]. (2021-07-06)https://www.euro.who.int/__data/assets/pdf_file/0005/78638/E90038.pdf. [35] 刘和旺, 刘池, 郑世林. 《环境空气质量标准(2012)》的实施能否助推中国企业高质量发展?[J]. 中国软科学, 2020(10): 45 − 55. doi: 10.3969/j.issn.1002-9753.2020.10.005 [36] 符建华, 周方召. 中国省域空气质量测度及影响因素分析[J]. 城市问题, 2020(5): 20 − 27. [37] 程钰, 刘婷婷, 赵云璐, 等. 京津冀及周边地区“2+26”城市空气质量时空演变与经济社会驱动机理[J]. 经济地理, 2019, 39(10): 183 − 192. [38] 罗勇根, 杨金玉, 陈世强. 空气污染、人力资本流动与创新活力——基于个体专利发明的经验证据[J]. 中国工业经济, 2019(10): 99 − 117. [39] 孙传旺, 罗源, 姚昕. 交通基础设施与城市空气污染——来自中国的经验证据[J]. 经济研究, 2019, 54(8): 136 − 151. [40] 刘昕, 辛存林. 陕甘宁地区城市空气质量特征及影响因素分析[J]. 环境科学研究, 2019, 32(12): 2065 − 2074. [41] 柏玲, 姜磊, 周海峰, 等. 长江经济带空气质量指数的时空特征及驱动因素分析——基于贝叶斯空间计量模型的实证[J]. 地理科学, 2018, 38(12): 2100 − 2108. -
点击查看大图
图( 5) 表( 5)
计量
- 文章访问数: 4537
- HTML全文浏览数: 4537
- PDF下载数: 48
- 施引文献: 0
