2017, Vol. 38
2. 浙江大学海洋学院, 舟山 316021;
3. 浙江省气象科学研究所, 杭州 310008
2. Ocean College, Zhejiang University, Zhoushan 316021, China;
3. Zhejiang Meteorological Science Instituter, Hangzhou 310008, China
近年来, 霾已成为我国最严重的环境灾害, 受到政府和公众广泛关注[1].高浓度的PM2.5是形成京津冀、珠三角和长三角等地区大气灰霾的主要原因[2], 霾降低了大气能见度, 使得空气环境质量变差, 进而威胁到人体健康[3].根据全球疾病负担报告(Global Burden of Disease Study), 2010年有超过320万人因暴露于PM2.5而导致过早死亡[4].
世界卫生组织(WHO)于2005年提出了PM2.5的指导限值[5], 我国目前采用的是第一过渡期的达标标准35 μg ·m-3.对我国大气PM2.5所进行的一系列的监测和研究结果表明, 我国的空气污染逐步转向以细颗粒物(PM2.5)和污染气体(O3、SO2、NO)等混合的复合型污染[6].我国城市PM2.5污染有加剧的趋势[7, 8], 2014年仅8.1%的城市年评价结果达标, 日均质量浓度超标天数占26.6%[9], 城市PM2.5的人口暴露浓度约为60 μg ·m-3, 是全球平均值的3倍, 仅有9.0%城市人口的生活环境符合我国现有PM2.5质量标准[10].
但我国PM2.5的研究主要集中在北京、天津、广州等大城市[11~13].华东地区是我国经济发展较快、城市化水平较高的区域之一, 随之而来的是排放的大气污染物不断增加, PM2.5已成为影响华东地区城市空气质量和人体健康的重要因素.目前关于华东地区长期PM2.5的跟踪研究仍然较少, 针对区域内上海[14]、南京[15]、杭州[16, 17]等城市的研究虽有一些, 但是大部分地区缺乏观测站或建站时间短, 很难开展大范围长时间序列的PM2.5暴露水平和趋势变化研究.
此外, 我国政府在2006年初首次提出了“节能减排”[18], 为保障2008年奥运会期间良好的空气质量也制定颁发了一系列的空气质量保障措施, 对北京市及周边地区的空气环境污染控制起到了明显的效果[19, 20].但由于受到PM2.5监测数据不足的局限, 想要了解华东地区的空气质量是否也得到了改善, 有待更科学合理的全面评估.
而卫星遥感无疑为生态环境变化监测提供了长时间、连续的面状观测资料.高质量、高精度、长序列的卫星遥感数据是监测大气污染变化的强有力工具[21].王静等[22]和Ma等[23]认为MODIS气溶胶光学厚度产品(AOD)可以用来估计PM2.5浓度, 作为监测PM2.5分布以及传输的有效补充手段, 呈现更精细的空间分布特征.因此本文利用1998~2012年长时间序列的卫星反演数据, 首先精细化地给出华东地区PM2.5污染的分布与变化特征, 然后以浙江省为例评估分析了华东区域PM2.5变化背景下的人口经济暴露水平.对于了解华东地区大气PM2.5污染状况和浙江省人居生活环境质量, 评估政府出台的政策措施取得的成效, 制定或改进大气防治对策都具有重要意义.
1 材料与方法 1.1 卫星遥感PM2.5浓度资料本研究使用的PM2.5数据来自MODIS、MISR和SeaWiFS气溶胶光学厚度(AOD)联合反演得到的全球逐年PM2.5格点产品(1998~2012年, V1版本)[24, 25].本数据集采用NASA基于卫星遥感反演得到的AOD数据集, 并利用GEOS-Chem全球化学传输模式建立大气对流整层气柱AOD与地面PM2.5浓度数据的关系, 通过3年滑动平均来降低卫星反演资料的噪音, 进而推算得到全球1998~2012逐年平均卫星遥感地表PM2.5浓度, 该产品覆盖范围为70°N~55°S, 分辨率为0.1°, 近似为10 km×10 km.该产品的科研团队[25]通过海量文献搜索的方式, 获得了全球210个PM2.5地面观测站的数据, 对卫星遥感反演的地表PM2.5卫星估算结果进行了评估, 发现两者存在显著相关性, 相关系数达到0.81, 证明该PM2.5卫星产品完全可以用来指示全球PM2.5浓度的分布及显著变化特征.
本文便是利用由NASA、哥伦比亚大学和Donkelaar研究小组免费发布提供的全球3 a滑动平均PM2.5数据集, 分析华东地区1998~2012年PM2.5浓度的分布及变化趋势特征.
1.2 浙江省人口和GDP密度资料Yang等[26]利用多元遥感数据, 将DMSP/OLS夜间灯光与EVI融合后构建人居指数, 再进一步融合DEM数据对人居指数进行了海拔修正, 基于修正后的人居指数与统计人口之间很强的线性相关建立人口空间化模型, 获得2010年浙江省1 km×1 km分辨率下的人口密度空间分布. Yue等[27]进一步通过构建的人居指数估算了第二、三产业的国内生产总值(GDP), 并结合土地利用数据估算了第一产业的国内生产总值, 获得2010年浙江省1 km×1 km分辨率下的GDP密度空间分布.
本文基于上述研究得到的2010年浙江省1 km×1 km的人口和GDP密度空间分布数据, 同时考虑到PM2.5在空间上较为连续变化的特点, 利用双线性插值将2009~2011年平均PM2.5数据重采样到1 km×1 km分辨率上, 与人口、GDP数据匹配, 估算了浙江省暴露于各级别PM2.5浓度环境下的人口及GDP百分比.
插值精度的检验采用标准均方根误差(NRMSE), 见式(1)：
|
(1) |
式中, N为样本数, Ẑi为双线性插值得到的PM2.5数据, Zi为PM2.5原始数据, NRMSE越小, 插值准确性越高[28].计算得到标准均方根误差百分比仅为4%, 可见插值得到的PM2.5数据误差很小, 能够满足后续计算要求.
1.3 趋势分析方法PM2.5浓度的年际趋势变化用一次线性方程表示(式2)：
|
(2) |
式中, t=1, 2, …, n, n为年数; a0为常数项; a1称为气候倾向率[29], 单位为：μg ·(m3 ·a)-1.
采用t检验法[30]进行PM2.5浓度趋势变化的显著性检验.
2 结果与讨论 2.1 华东地区PM2.5浓度变化趋势从PM2.5浓度的空间分布来看, 1998~2000年华东南部与山东东部的PM2.5浓度基本保持在50 μg ·m-3以下, 其余地区大多在50~75 μg ·m-3左右[图 1(a)].随后, 华东大部分地区PM2.5浓度有升高的趋势[图 1(b)].到了2007~2009年, 华东大部分地区的PM2.5浓度达到最大值, 江西大部、浙江部分地区PM2.5浓度达到50 μg ·m-3以上, 上海、江苏、安徽、山东大部地区达到了75 μg ·m-3以上[图 1(c)].此后, 大部分地区PM2.5浓度开始出现下降的趋势, 2010~2012年福建省PM2.5浓度在25 μg ·m-3以下的范围扩大, 江西、浙江PM2.5浓度在50 μg ·m-3以上的范围缩小, 其余地区PM2.5浓度在75 μg ·m-3以上的范围明显缩小[图 1(d)].
|
图 1 华东地区PM2.5浓度分布 Fig. 1 Distribution of PM2.5 concentrations over East China |
从PM2.5浓度变化趋势来看, 1998~2012年华东大部分地区总体上呈现增大为主的变化趋势, 其中山东省最为显著, 山东大部可达3.00 μg ·(m3 ·a)-1以上; 其次为江苏、安徽、上海, 大部分地区也可达2.00 μg ·(m3 ·a)-1以上[图 2(a)].除福建和浙江有部分地区PM2.5浓度增大不显著外, 华东其他地区PM2.5浓度基本以显著增大(通过95.0%的显著性检验)为主[图 2(b)].
|
图 2 华东地区1998~2012年PM2.5浓度变化趋势和显著性检验分布 Fig. 2 Change trend of PM2.5 concentrations over East China for 1998-2012 and significance test |
从华东地区及各省市平均值来看(图 3和表 1), 1998~2012年PM2.5浓度整体上均呈上升的变化趋势, 并且均通过了95.0%以上的显著性检验.其中北部的山东省上升趋势最明显, 达到了2.70 μg ·(m3 ·a)-1; 整个华东地区的平均变化趋势为1.68 μg ·(m3 ·a)-1, 浙江省的平均变化趋势为0.81 μg ·(m3 ·a)-1.但其实上升阶段主要在1998~2009年(山东和福建为1998~2008年), 整个华东地区的平均变化趋势为2.58 μg ·(m3 ·a)-1, 浙江省的平均变化趋势为1.43 μg ·(m3 ·a)-1.而PM2.5浓度时间序列在2007~2009年(山东和福建为2006~2008年)左右出现拐点, 此后各地PM2.5浓度均呈现出下降的变化趋势, 除山东省外的其他地区均通过了95%以上的显著性检验, 其中上海和安徽的下降速率超过了3.00 μg ·(m3 ·a)-1.华东地区的平均变化趋势为-1.75 μg ·(m3 ·a)-1, 浙江省的平均变化趋势为-1.58 μg ·(m3 ·a)-1.
|
黑色垂直线为区域内格点25.0%和75.0%百分位值, 红色圆点为区域平均值, 深蓝色实线和浅蓝色虚线为趋势线 图 3 1998~2012年华东地区和浙江省PM2.5浓度时间变化趋势 Fig. 3 PM2.5time series change trend over East China and Zhejiang Province for 1998-2012 |
|
表 1 华东地区PM2.5浓度线性趋势方程系数a0和a1及方程决定系数r21) Table 1 Coefficient a0, a1 and decision coefficientr2 for linear trend equation of PM2.5 concentrations over East China |
针对中国[31, 32]或者东亚地区[33]PM2.5浓度的研究也都得到了类似的结果：PM2.5浓度在2007年以前呈现上升的趋势, 此后出现相反的变化趋势或者基本稳定.可见华东区域的变化趋势与全国及整个东亚相似.前人的研究表明, 政策干预、减排措施对当地及周边地区的环境改善有一定的作用[34, 35], 引言中提到的一系列方针政策的颁布实施可能是华东地区PM2.5浓度时间序列在2007~2009年左右出现拐点的原因之一.
2.2 华东地区PM2.5浓度分级从10~120 μg ·m-3, 每隔5 μg ·m-3分级并计算超过各级限值的地区累积百分比, 华东地区及各省市超过各级限值的地区累计百分比在1998~2009年(山东和福建为1998~2008年)左右有明显增大的变化, 此后累积曲线慢慢向左移动, 说明这段时期年平均PM2.5有所减小(图 4和表 2).
|
图 4 1998~2012年PM2.5浓度超过限值的地区累积分布 Fig. 4 Cumulative distribution of the regions where the PM2.5 concentrations exceed the limit during 1998-2012 |
|
|
表 2 华东地区及各省市PM2.5浓度超过限值的地区累积百分比1)/% Table 2 Cumulative percentage of the regions where the PM2.5 concentrations exceed the limit over East China and each province/% |
1998~2000年, 华东地区PM2.5浓度超过25 μg ·m-3的地区占到74.9%, 浙江低于区域平均水平, 为62.7%. PM2.5浓度超过35 μg ·m-3的地区占到51.8%, 其中江苏达到96.4%, 山东和安徽也达到70.0%以上, 浙江为21.1%. PM2.5浓度超过50 μg ·m-3的地区占到26.4%, 山东、江苏、上海达到50.0%左右, 浙江为4.6%.
到了2007~2009年(山东和福建为2006~2008年), 华东地区PM2.5浓度超过各级限值的百分比达到最大.华东地区PM2.5浓度超过25 μg ·m-3的地区占到了95.9%, 除福建外其他各省市基本达到了95.0%. PM2.5浓度超过35 μg ·m-3的地区占到了82.1%, 浙江省上升到了65.9%. PM2.5浓度超过50 μg ·m-3的地区占到了60.5%, 除江西、浙江和福建以外, 其他各省市均达到了80.0%以上. PM2.5浓度超过75 μg ·m-3的地区也占到了31.9%, 山东、江苏、安徽达到了50.0%以上, 浙江为3.0%.
2010~2012年华东地区PM2.5浓度超过25~50 μg ·m-3的地区都略有减少, 其中浙江、福建减少较明显, 其他地区基本无变化; 江西、上海、浙江PM2.5浓度超过50 μg ·m-3的地区比例减少最多. PM2.5浓度超过75 μg ·m-3的地区也有所减少, 除山东外其他地区减少明显.
2.3 浙江省PM2.5的人口经济暴露水平位于华东东南部的浙江省, 近些年经济增速快、能源消耗多, 并且经常受到北面上游地区污染物输送的影响, 大气环境问题日益显现[36, 37].从上文的分析也可见, 虽然相对位于北部的山东省、江苏省和上海市, 浙江省PM2.5浓度稍低一些, 但PM2.5变化趋势和所处华东这个大背景区域以及北部省份都有着较好的对应关系, 间接说明浙江省的PM2.5也受到整个华东, 特别是上游地区的输入性影响.因此进一步以浙江省为例评估分析了华东区域PM2.5变化背景下的人口经济暴露水平, 以期为浙江省的政府决策服务提供生态环境变化的科学依据.
由图 5可见, 2010年浙江省所有人口生活在PM2.5浓度年平均值为10 μg ·m-3以上的环境中, 有74.0%的浙江人口所生活的环境PM2.5浓度年平均值在35 μg ·m-3以上, 其中在50 μg ·m-3以上的为38.1%, 还有3.1%左右的在70 μg ·m-3以上.
|
图 5 2010年浙江省PM2.5暴露水平超过各级限值的人口和GDP百分比 Fig. 5 Percentage of population and GDP for which PM2.5 exposure levels exceed the limit at each degree over Zhejiang Province in 2010 |
研究人员估计在东亚和南亚地区PM2.5暴露水平超过35 μg ·m-3的人口比例, 从1998年的51.0%上升到了2010年的70.0%[25], 2010年浙江地区PM2.5暴露水平超过35 μg ·m-3的人口比例略高于东亚和南亚地区, 很大一部分浙江人所处的环境质量还达不到我国现有PM2.5质量标准.
根据2010年浙江省GDP分布及PM2.5浓度分布计算得到, GDP的PM2.5暴露水平与人口相似, 有70.8%的GDP产生的环境PM2.5浓度年平均值在35 μg ·m-3以上, 其中在50 μg ·m-3以上的为38.9%, 还有4.1%的在70 μg ·m-3以上.
3 结论(1) 1998~2012年浙江省区域平均PM2.5浓度整体变化呈现出先增加、后下降的特征, 拐点出现在2007~2009年前后, 与华东区域大背景的变化趋势一致. 1998~2009年PM2.5浓度上升趋势非常明显, 华东地区的平均变化趋势为2.58 μg ·(m3 ·a)-1, 浙江省为1.43 μg ·(m3 ·a)-1.此后PM2.5浓度呈现出下降的变化趋势, 华东地区和浙江省的平均变化趋势分别为-1.75 μg ·(m3 ·a)-1和-1.58 μg ·(m3 ·a)-1.
(2) 1998~2000年华东南部与山东东部的年平均PM2.5浓度基本在50 μg ·m-3以下, 其余地区大多在50~75 μg ·m-3左右, 华东地区PM2.5浓度超过35 μg ·m-3的地区占到51.8%, 浙江省为21.1%.随着PM2.5浓度持续升高, 2007~2009年华东大部分地区PM2.5浓度达到最大值, 华东地区和浙江省PM2.5浓度超过35 μg ·m-3的地区分别占到82.1%和65.9%.此后华东大部分地区PM2.5浓度开始出现下降的趋势, 2010~2012年华东地区PM2.5浓度超过35 μg ·m-3的地区比例略有下降, 但山东、安徽、江苏、上海变化不大.
(3) 2010年浙江地区PM2.5暴露水平超过35 μg ·m-3的人口比例和GDP比例分别为74.0%和70.8%, 其中38.1%的人口所生活的环境和38.9%的GDP产生的环境PM2.5浓度年平均值在50 μg ·m-3以上.
致谢: 感谢美国国家航空航天局社会经济数据与应用中心(SEDAC)提供的卫星遥感PM2.5数据.| [1] |
徐晓斌. 我国霾和光化学污染观测研究进展[J]. 应用气象学报, 2016, 27(5): 604-619. Xu X B. Observational study advances of haze and photochemical pollution in China[J]. Journal of Applied Meteorological Science, 2016, 27(5): 604-619. DOI:10.11898/1001-7313.20160509 |
| [2] |
吴健生, 王茜, 李嘉诚, 等. PM2.5浓度空间分异模拟模型对比:以京津冀地区为例[J]. 环境科学, 2017, 38(6): 2191-2201. Wu J S, Wang X, Li J C, et al. Comparison of models on spatial variation of PM2.5 concentration:a case of Beijing-Tianjin-Hebei region[J]. Environmental Science, 2017, 38(6): 2191-2201. |
| [3] |
吴兑, 廖碧婷, 陈慧忠, 等. 珠江三角洲地区的灰霾天气研究进展[J]. 气候与环境研究, 2014, 19(2): 248-264. Wu D, Liao B T, Chen H Z, et al. Advances in studies of haze weather over Pearl River Delta[J]. Climatic and Environmental Research, 2014, 19(2): 248-264. DOI:10.3878/j.issn.1006-9585.2014.13110 |
| [4] | Lim S S, Vos T, Flaxman A D, et al. A comparative risk assessment of burden of disease and injury attributable to 67 risk factors and risk factor clusters in 21 regions, 1990-2010:a systematic analysis for the Global Burden of Disease Study 2010[J]. The Lancet, 2012, 380(9859): 2224-2260. DOI:10.1016/S0140-6736(12)61766-8 |
| [5] | WHO. Air quality guidelines:global update 2005[R]. Bonn:WHO Regional Office for Europe, 2005.9-13. |
| [6] |
曹军骥. PM2.5与环境[M]. 北京: 科学出版社, 2014: 1-2. Cao J J. PM2.5 and the environment in China[M]. Beijing: Science Press, 2014: 1-2. |
| [7] |
王玮, 汤大钢, 刘红杰, 等. 中国PM2.5污染状况和污染特征的研究[J]. 环境科学研究, 2000, 13(1): 1-5. Wang W, Tang D G, Liu H J, et al. Research on current pollution sataus and pollution characteristics of PM2.5 in China[J]. Research of Environmental Sciences, 2000, 13(1): 1-5. |
| [8] |
毛节泰, 张军华, 王美华. 中国大气气溶胶研究综述[J]. 气象学报, 2002, 60(5): 625-634. Mao J T, Zhang J H, Wang M H. Summary comment on research of atmospheric aerosl in China[J]. ActaMeteorologicaSinica, 2002, 60(5): 625-634. DOI:10.11676/qxxb2002.074 |
| [9] |
李名升, 任晓霞, 于洋, 等. 中国大陆城市PM2.5污染时空分布规律[J]. 中国环境科学, 2016, 36(3): 641-650. Li M S, Ren X X, Yu Y, et al. Spatiotemporal pattern of ground-level fine particulate matter (PM2.5) pollution in mainland China[J]. China Environmental Science, 2016, 36(3): 641-650. |
| [10] | Zhang Y L, Ca oF. Fine particulate matter (PM2.5) inChina at a city level[J]. Scientific Reports, 20158, 5: 14884. |
| [11] |
苗蕾, 廖晓农, 王迎春. 基于长时间序列的北京PM2.5浓度日变化及气象条件影响分析[J]. 环境科学, 2016, 37(8): 2836-2846. Miao L, Liao X N, Wang Y C. Diurnal variation of PM2.5 mass concentration in Beijing and influence of meteorological factors based on long term date[J]. Environmental Science, 2016, 37(8): 2836-2846. |
| [12] |
蔡子颖, 刘爱霞, 韩素芹, 等. 天津低能见度特征初探[J]. 气象, 2014, 40(1): 114-118. Cai Z Y, Liu A X, Han S Q, et al. Research of characteristics on low visibility in Tianjin[J]. Meteorological Monthly, 2014, 40(1): 114-118. DOI:10.7519/j.issn.1000-0526.2014.01.014 |
| [13] |
朱倩茹, 刘永红, 徐伟嘉, 等. 广州PM2.5污染特征及影响因素分析[J]. 中国环境监测, 2013, 29(2): 15-21. Zhu Q R, Liu Y H, Xu W J, et al. Analysis on the pollution characteristics and influence factors of PM2.5 in Guangzhou[J]. Environmental Monitoring in China, 2013, 29(2): 15-21. |
| [14] | Gu Z P, Feng J L, Han W L, et al. Diurnal variations of polycyclic aromatic hydrocarbons associated with PM2.5 in Shanghai, Chin[J]. Journal of Environmental Sciences, 2010, 22(3): 389-396. DOI:10.1016/S1001-0742(09)60120-0 |
| [15] | Wang W X, Wang S S, Xu J H, et al. Gas-phase ammonia and PM2.5 ammonium in a busy trafficareaof Nanjing, China[J]. Environmental Science and Pollution Research, 2016, 23(2): 1691-1702. DOI:10.1007/s11356-015-5397-3 |
| [16] |
包贞, 冯银厂, 焦荔, 等. 杭州市大气PM2.5和PM10污染特征及来源解析[J]. 中国环境监测, 2010, 26(2): 44-48. Bao Z, Feng Y C, Jiao L, et al. Characterization and source apportionment of PM2.5 and PM10 in Hangzhou[J]. Environmental Monitoring in China, 2010, 26(2): 44-48. |
| [17] | Jansen R C, Shi Y, Chen J M, et al. Using hourlymeasurements to explore the role of secondary inorganic aerosol in PM2.5 during haze and fog in Hangzhou, China[J]. Advances in Atmospheric Sciences, 2014, 31(6): 1427-1434. DOI:10.1007/s00376-014-4042-2 |
| [18] | 国家发展和改革委员会. 中华人民共和国国民经济和社会发展第十一个五年规划纲要[M]. 北京: 人民出版社, 2006. |
| [19] |
曾静, 廖晓兰, 任玉芬, 等. 奥运期间北京PM2.5、NOx、CO的动态特征及影响因素[J]. 生态学报, 2010, 30(22): 6227-6233. Zeng J, Liao X L, Ren Y F, et al. Dynamics of atmospheric PM2.5, NOx, CO during the Beijing Olympic Games[J]. ActaEcologicaSinica, 2010, 30(22): 6227-6233. |
| [20] |
王浩, 高健, 李慧, 等. 2007-2014年北京地区PM2.5质量浓度变化特征[J]. 环境科学研究, 2016, 29(6): 783-790. Wang H, Gao J, Li H, et al. Variation of PM2.5 mass concentrationin Beijing area during 2007-2014[J]. Research of Environmental Sciences, 2016, 29(6): 783-790. |
| [21] | Kaufman Y J, Tanré D, Boucher O. A satellite view of aerosols in the climate system[J]. Nature, 2002, 419(6903): 215-223. DOI:10.1038/nature01091 |
| [22] |
王静, 杨复沫, 王鼎益, 等. 北京市MODIS气溶胶光学厚度和PM2.5质量浓度的特征及其相关性[J]. 中国科学院研究生院学报, 2010, 27(1): 10-16. Wang J, Yang F M, Wang D Y, et al. Characteristics and relationship of aerosol optical thickness and PM2.5 concentration over Beijing[J]. Journal of the Graduate School of the Chinese Academy of Sciences, 2010, 27(1): 10-16. |
| [23] | Ma Z W, Liu Y, Zhao Q Y, et al. Satellite-derived high resolution PM2.5 concentrations in Yangtze River Delta Region of China using improved linear mixed effects model[J]. Atmospheric Environment, 2016, 133: 156-164. DOI:10.1016/j.atmosenv.2016.03.040 |
| [24] | van Donkelaar A, Martin R V, Brauer M, et al. Global annual PM2.5 grids from MODIS, MISR and SeaWiFS aerosol optical depth (AOD), 1998-2012[EB/OL]. Palisades, NY:NASA Socioeconomic Data and Applications Center (SEDAC). http://dx.doi.org/10.7927/H4028PFS,2015. |
| [25] | van Donkelaar A, Martin RV, Brauer M, et al. Use of satellite observations for long-term exposure assessment of global concentrations of fine particulate matter[J]. Environmental Health Perspectives, 2015, 123(2): 135-143. |
| [26] | Yang X C, Yue W Z, Gao D W. Spatial improvement of human population distribution based onmulti-sensor remote-sensing data:an input for exposure assessment[J]. International Journal of Remote Sensing, 2013, 34(15): 5569-5583. DOI:10.1080/01431161.2013.792970 |
| [27] | Yue W Z, Gao J B, Yang X C. Estimation of gross domestic product using multi-sensor remote sensing data:acasestudy in Zhejiang Province, East China[J]. Remote Sensing, 2014, 6(8): 7260-7275. DOI:10.3390/rs6087260 |
| [28] | Evans R G, Schneider S M, Han S. Evaluating cokriging for improving soil nutrient sampling efficiency[J]. Transactions of the ASAE, 2003, 46(3): 845-849. |
| [29] | Jones P D. Hemispheric surface air temperature variations:recent trends and an update to 1987[J]. Journal of Climate, 1988, 1(6): 654-660. DOI:10.1175/1520-0442(1988)001<0654:HSATVR>2.0.CO;2 |
| [30] | 魏凤英. 现代气候统计诊断与预测技术[M]. (第二版). 北京: 气象出版社, 2007: 27-28. |
| [31] | Ma Z W, Hu X F, Sayer AM, et al. Satellite-based spatiotemporal trends in PM2.5 concentrations:China, 2004-2013[J]. Environmental Health Perspectives, 2016, 124(2): 184-192. |
| [32] | Guan D B, Su X, Zhang Q, et al. The socioeconomic drivers of China's primary PM2.5 emissions[J]. Environmental Research Letters, 2014, 9(2): 024010. DOI:10.1088/1748-9326/9/2/024010 |
| [33] | Boys B L, Martin R V, van Donkelaar A, et al. Fifteen-year global time series of satellite-derived fine particulate matter[J]. Environmental Science &Technology, 2014, 48(19): 11109-11118. |
| [34] |
聂滕, 李璇, 王占山, 等. APEC期间北京市PM2.5时空分布与过程分析[J]. 中国环境科学, 2016, 36(2): 349-355. Nie T, Li X, Wang Z S, et al. Spatial and temporal distribution and process analysis of PM2.5 pollution over Beijing during APEC[J]. China Environmental Science, 2016, 36(2): 349-355. |
| [35] |
张恒, 周自强, 赵海燕, 等. 青奥会前后南京PM2.5重金属污染水平与健康风险评估[J]. 环境科学, 2016, 37(1): 28-34. Zhang H, Zhou Z Q, Zhao H Y, et al. Pollution level and health risk assessment of heavy metals in atmospheric PM2.5 in Nanjing before and after the Youth Olympic Games[J]. Environmental Science, 2016, 37(1): 28-34. |
| [36] |
高大伟, 马浩, 郁珍艳, 等. 基于连续MODIS真彩图的霾监测预警新方法——以浙江省一次严重霾污染过程为例[J]. 中国环境科学, 2017, 35(10): 2939-2949. Gao D W, Ma H, Yu Z Y, et al. Monitoring haze events from the MODIS true-color composite image series:a case study of severe haze pollution event in Zhejiang province[J]. China Environmental Science, 2017, 35(10): 2939-2949. |
| [37] |
郁珍艳, 李正泉, 高大伟, 等. 浙江省空气质量与大气自净能力的特征分析[J]. 气象, 2017, 43(3): 323-332. Yu Z Y, Li Z Q, Gao D W, et al. Feature analysis of air quality and atmospheric self-purification capability in Zhejiang[J]. Meteorological Monthly, 2017, 43(3): 323-332. DOI:10.7519/j.issn.1000-0526.2017.03.008 |