2020, Vol. 41
2. 国家卫星气象中心, 北京 100081
2. National Satellite Meteorological Center, Beijing 100081, China
PM2.5是指大气中空气动力学直径小于或等于2.5 μm的颗粒物.它能显著降低大气能见度, 是影响我国空气质量的主要污染物.有研究表明PM2.5会直达人体肺部从而对人体健康产生较大危害[1].随着中国经济迅速发展, 污染排放的迅速增长, PM2.5污染逐渐成为热点环境问题.对此, 国内外有大量对PM2.5浓度变化的研究, 主要包括PM2.5污染源、扩散与传输[2~4]、污染等级评价[5, 6]、PM2.5模型模拟[7~9], PM2.5对健康的影响[10~12]、PM2.5与其他空气污染物和气象要素的相关性[13], PM2.5时空变化特征[14~16]等多方面.
地表PM2.5浓度影响因素研究一直是比较热门的话题.很多学者[17~26]从PM2.5污染源、扩散与稀释、气象环境因素, 应用地理信息系统软件、土地利用回归和贝叶斯数据模型等多种方法, 分析了PM2.5浓度时空变化的影响因素, 主要研究PM2.5浓度变化与影响因素之间的线性相关性.但PM2.5的组分和来源较为复杂, 气象因素的影响包括复杂的物理化学过程, 因此需要考虑各种影响因素和PM2.5浓度之间的非线性关系.目前越来越多研究运用非线性模型和方法探讨影响PM2.5浓度变化的因素, 而广义可加模型(generalized additive model, GAM)就是其中之一.
目前GAM模型已经逐渐应用于处理复杂的非线性空气污染问题. Barmpadimos等[27]使用GAM模型分析欧洲地区气象因子对PM2.5的影响, 发现最重要的气象影响因素为风速、风向、边界层高度、降水和温度.贺祥等[28]基于GAM模型分析了SO2与CO、气压与相对湿度的交互作用对南京市PM2.5浓度变化的影响. Zhang等[29]使用GAM模型讨论武汉市气象因子对PM2.5的影响, 风速增加和降水增加伴随着PM2.5浓度降低. Zou等[30]利用GAM模型多元非线性特性, 综合卫星数据、气象数据、污染源数据、道路信息、地表利用、地形和人口, 反向推算PM2.5浓度的遥感信息.以上这些使用GAM模型的研究主要针对少数站点观测数据, 针对典型区域的研究开展较少.
本研究利用GAM模型, 基于1998~2016年中国5个典型区域网格化PM2.5浓度长期变化与影响因素, 构建非线性模型, 从而探究和比较气象因素对中国不同典型区域PM2.5浓度长期变化的影响特征, 以期为后续深入研究中国区域PM2.5浓度变化影响因素提供支持.
1 材料与方法 1.1 研究区域与数据来源本研究使用的地表PM2.5浓度来自Van Donkelaar等[31]的计算数据集.该数据集使用地理加权回归(geographically weighted regression, GWR)方法集成、校正和重采样包括MODIS(twin MODerate resolution imaging spectroradiometer)、MISR(multi-angle imaging spectroradiometer)、SeaWiFS(sea-viewing wide field-of-view sensor)和CALIOP (cloud-aerosol lidar with orthogonal polarization)等卫星AOD数据和GEOS-Chem大气化学传输模型结果, 融合多源数据生成全球1998~2016年均网格化地表PM2.5浓度数据(单位为μg·m-3), 但其中不包含沙尘和海盐颗粒物.该网格数据是卫星融合的环境指标(satellite-derived environmental indicators, SDEI)之一, 水平分辨率为0.01°×0.01°.
中国西北部和北部(包括新疆、内蒙古、甘肃和青海等)由于存在或接近沙漠沙地, 导致地表PM10和PM2.5浓度升高, 小时浓度可以高达几百至上千μg·m-3[32, 33].但是由于SDEI数据不包含沙尘, 故中国西北部SDEI地表PM2.5为低值(< 20 μg·m-3).本研究关注的典型区域包括东北区域(120°~130°E, 40°~48°N)、华北地区(110°~120°E, 34°~42°N)、华东华中地区(111°~122°E, 27°~34°N)、华南地区(109°~119°E, 21°~26°N)、四川盆地(101°~110°E, 28°~34°N), 这些区域包含经济发达和人口密集的城市群, PM2.5污染特征明显.
本研究用生态环境部(Ministry of Ecological Environment, MEE)发布的2015~2016年全国1497个地面站点监测PM2.5浓度对SDEI地表PM2.5数据集进行比较验证.为了方便比较, 将MEE站点PM2.5浓度平均落到相同的0.01°×0.01°水平分辨率网格内, 产生1490个SDEI-MEE匹配网格.由于MEE均是城市站点观测, 监测点分布集中, 造成监测点以外的广大地区数据缺失, 形成监测盲区.
为了更好比较MEE站点观测与SDEI对应网格PM2.5, 图 1展示了2015~2016年典型区域(东北地区、华北地区、华东华中地区、华南地区、四川盆地)和其他区域SDEI(x轴)和MEE(y轴)地表PM2.5散点密度分布.典型区域SDEI数据与MEE数据之间线性拟合度较好(R=0.74), 数据分布高频区(红色区域)集中在拟合直线附近, 同时均方根差(RMSE=13.02)、平均绝对误差(MAE=9.94)和偏差(bias=-7.5%)较小, 且对应网格数(N=1074)较多, 通过显著性检验.中国其他区域[图 1(b)]SDEI数据与MEE数据之间线性拟合度较差(R=0.34), 同时均方根差(RMSE=21.62)、平均绝对误差(MAE=14.85)和偏差(bias=-28.7%)较典型区域更大, 对应网格数(N=416)较少, 且PM2.5低估, 这和SDEI的PM2.5不包含沙尘有关.这说明SDEI数据在典型区域的PM2.5与MEE数据之间线性相关较好, 能够捕捉到实际PM2.5浓度的变化规律.虽然有个别网格PM2.5浓度与地面观测相比有些差距[图 1(a)中深蓝色点], 但由于直接使用MEE站点观测平均到网格与SDEI网格数据对比存在系统误差, 同时本研究使用SDEI数据进行空间大尺度统计的研究, 不适宜少数站点进行比较[4].因此, 可以使用SDEI数据对中国典型区域地表PM2.5浓度进行长时间时空变化特征分析.
|
红色表示散点热区 图 1 2015~2016年典型区域和其他区域MEE和SDEI地表PM2.5散点密度分布 Fig. 1 Scatter density plots of MEE and SDEI PM2.5 during 2015-2016 over the typical regions and the rest regions of China |
气象资料采用的是欧洲中期天气预报中心(WCMWF)的ERA-Interim月均0.125°×0.125°水平分辨率气象再分析资料[34], 数据包括10 m经向和纬向风(u10和v10, m·s-1)、平均海平面气压(msl, Pa)、边界层高度(blh, m)、2 m露点温度、地表净太阳辐射(ssr, J·m-2)、2 m温度(temp, K)和总降水(tp, m).再用2 m露点温度推算2 m相对湿度(RH, %)
1.2 分析方法GAM模型是广义可加模型的简称, 是由数据驱动而非统计分布模型驱动的非参数回归模型, 可同时对部分解释变量线性拟合, 且对其他解释变量进行光滑函数拟合.模型不需要预先设定参数模型, 模型通过解释变量的平滑函数建立, 能够自动选择并拟合出合适的多项式.在构建GAM模型中, 使用R语言的mgcv库中的gam函数.方程为：
|
式中, i和j是表示网格经度和纬度, ci, j为网格PM2.5浓度(μg·m-3), g(ci, j)是连接函数；s是针对变量光滑函数, 其中变量有年(YEAR)、经纬度(LON、LAT)、10m风(u10和v10)、平均海平面气压(msl)、边界层高度(blh)、相对湿度(RH)、地表净太阳辐射(ssr)、2 m气温(temp)和总降水(tp)；经纬度同时表示空间分布特征, 故将LON和LAT综合到一个光滑函数中；ε表示残差, β0表示全部平均响应.由于气象数据空间分辨率为0.125°×0.125°, 为了能与气象数据匹配, 故将SDEI的PM2.5数据平均到0.125°×0.125°的空间分辨率.在时间分辨率上, 将气象资料平均到年均时间分辨率, 以与SDEI的年均PM2.5数据匹配.
利用GAM模型, 通过F统计值可以判断对PM2.5影响最重要的因子[35, 36].各因子的F统计值越大, 其相对重要性越大. P值是用来判断假设检验结果的另一参数, P值越小, 表明结果越显著.调整判定系数(R2)为回归平方和与总离差平方和的比值, 调整判定系数越大越好, 模型越精确, 回归效果越显著. 0≤调整判定系数≤1, 且调整判定系数越接近1, 回归拟合效果越好.当自由度值为1时, 函数为线性方程, 表明影响因素与应变量PM2.5间具有某种线性关系；当自由度大于1, 表示函数是非线性曲线方程, 影响因素与PM2.5浓度变化间具有某种非线性关系, 且值越大, 非线性关系越显著.
2 结果与讨论 2.1 时空变化分析 2.1.1 区域长期整体变化分析图 2表示典型区域1998~2016年SDEI地表PM2.5浓度长期分布箱, 表述各地区PM2.5浓度统计比较.按照PM2.5浓度均值从高到低排序为：华东华中地区(40.5 μg·m-3)>华北地区(37.4 μg·m-3)>华南地区(27.8 μg·m-3)>东北地区(23.7 μg·m-3)>四川盆地(22.4 μg·m-3)；中位数从高到低排序为：华东华中地区(40.4 μg·m-3)>华北地区(31.3 μg·m-3)>华南地区(27.4 μg·m-3)>四川盆地(23.2 μg·m-3)>东北地区(21.9 μg·m-3)；上四分位数从高到低排序为：华北地区(56.1 μg·m-3)>华东华中地区(50.6 μg·m-3)>华南地区(34.2 μg·m-3)>四川盆地(30.9 μg·m-3)>东北地区(30.5 μg·m-3)；下四分位数从高到低排序为：华东华中地区(30.3 μg·m-3)>华南地区(21.1 μg·m-3)>华北地区(19.4 μg·m-3)>东北地区(15.2 μg·m-3)>四川盆地(11.2 μg·m-3)；四分位距从高到低排序为：华北地区(36.7 μg·m-3)>华东华中地区(20.3 μg·m-3)>四川盆地(19.7 μg·m-3)>东北地区(15.3 μg·m-3)>华南地区(13.1 μg·m-3)；标准差从高到低的排序为：华北地区(21.5 μg·m-3)>华东华中地区(13.2 μg·m-3)>四川盆地(12.8 μg·m-3)>东北地区(11.9 μg·m-3)>华南地区(8.3 μg·m-3).以上结果表明, 华东华中地区多年平均浓度最高但离散度第三；华北地区多年平均浓度第二但离散度最高；华南地区多年平均浓度第三但离散度最低；东北地区和四川盆地平均浓度最低.
|
图 2 典型地区SDEI地表PM2.5浓度长期分布箱 Fig. 2 Long-term box plot of SDEI PM2.5 concentrations in typical regions |
图 3表示5个典型区域1998~2016年每年SDEI地表PM2.5浓度均值时间序列.东北地区、华北地区、华东华中地区、华南地区和四川盆地1998~2016年年均浓度变化分别为0.62、1.01、0.67、0.55和0.02 μg·m-3, 年均浓度变化百分比为4.54%、4.26%、2.59%、3.78%和1.01%.拟合结果显示东北地区线性拟合较好(R=0.81), 呈现上升趋势.而其他地区线性拟合相关系数较小(华北地区R=0.71, 华东华中地区R=0.69, 华南地区R=0.60), 其中四川盆地线性相关系数最小(R=0.26).其他地区变化趋势为从1998年均值最低开始逐年上升, 在2007年附近达到高值后出现下降.分段变化趋势为, 1998~2007年东北地区、华北地区、华东华中地区、华南地区和四川盆地年均浓度变化分别为0.82、2.77、2.54、2.16和0.78 μg·m-3, 年均浓度变化百分比为5.49%、9.71%、7.58%、10.64%和5.19%；2008~2016年东北地区、华北地区、华东华中地区、华南地区和四川盆地年均浓度变化分别为0.42、-0.75、-1.20、-1.06和-0.75 μg·m-3, 年均浓度变化百分比为3.59%、-1.17%、-2.59%、-3.08%和-3.18%.
|
图 3 各个地区每年SDEI地表PM2.5平均浓度时间序列 Fig. 3 Time series of annual regional-mean SDEI PM2.5 in typical regions |
为了更加清楚表征各区域PM2.5浓度分布变化特征, 图 4展示了典型区域PM2.5浓度值多年平均空间分布, PM2.5浓度分布呈现显著的空间差异, 多年来各区域PM2.5浓度高值分布相对稳定.
|
图 4 1998~2016年PM2.5多年平均浓度的空间分布 Fig. 4 Spatial distribution of multi-year mean PM2.5 concentrations from 1998-2016 |
东北地区, 可以看出“哈尔滨-长春-沈阳”城市及附近出现PM2.5高值, 其余地区PM2.5浓度递减. 1998~2002年PM2.5高值在40 μg·m-3左右且分布范围较少；2003~2007年, 哈尔滨及其以南地区PM2.5浓度增长到45 μg·m-3左右, 且“哈尔滨-长春-沈阳”城市及附近增长到40 μg·m-3左右；2008~2012年, 哈尔滨、长春和沈阳PM2.5浓度均上升到50 μg·m-3左右；2013~2016年, 哈尔滨及其以南地区PM2.5浓度进一步上升到60 μg·m-3左右, “哈尔滨-长春-沈阳”城市及附近增长到50 μg·m-3以上.这样的增长趋势与图 3中东北地区年均浓度时间序列变化一致.华北地区PM2.5浓度分布表现出区域高低值差异明显的总体趋势.可以看出1998~2002年整体PM2.5浓度较低, 高值区(60 μg·m-3左右)在北京、天津和河北沧州附近. 2003~2007年起, PM2.5浓度快速上升, 高值区从北京、天津和河北南部延伸到河南北部和山东西北部, 大范围地区维持在80~100 μg·m-3.这样的高值分布在2008~2012年和2013~2016年均有保持.这与图 3中华北地区平均浓度时间序列变化一致.华东华中地区在1998~2002年PM2.5浓度偏低, 2003~2007、2008~2012和2013~2016年保持在高值.高值区分布也较为稳定, 集中在河南南部、安徽、江苏、上海、湖北东部和湖南北部, 1998~2002年最高值在50 μg·m-3左右, 2003~2007年起最高值在65 μg·m-3左右.华南地区PM2.5浓度高值在典型区域中较低, 1998~2002年最高值在40 μg·m-3左右, 2003~2007年起最高值在45 μg·m-3左右.四川盆地PM2.5浓度高值区分布在“成都-重庆”之间, 特别是成都附近高于50 μg·m-3.四川盆地平均浓度分布变化显示, 仅在2003~2007年出现最高值(60 μg·m-3左右), 其余年均较低.
2.1.3 与相关研究结果比较分析本研究时空分析结果(图 4)与罗毅等[15]在PM2.5浓度高值分布和年际变化的研究结果类似.罗毅等[15]的研究表明：京津冀地区PM2.5年均浓度呈现从西北向东南逐渐升高, 南北差异明显的总体趋势. 2000年, 京津冀东南部的主要区域PM2.5年均浓度在45~55 μg·m-3范围内, 在2004~2010年期间, 大部分京津冀区域PM2.5浓度在65~75 μg·m-3之间.东三省PM2.5高值区集中在吉林中部, 2000~2010年, 中部地区PM2.5年均浓度在60~70 μg·m-3范围内, 2012~2016年东三省东北部区域PM2.5浓度由50~55 μg·m-3下降到45~50 μg·m-3.长三角地区2000~2010年PM2.5浓度总体呈现北高南低.珠三角地区PM2.5年均浓度均低于55 μg·m-3.
本研究时空变化与罗毅等[15]的研究结果仍然存在一些差异, 主要原因有：①不同数据源的误差.本研究数据是卫星AOD与大气化学模式融合数据集；罗毅等[15]使用地面站点监测和AOD, 使用BP人工神经网络和支持向量回归机两种算法相结合, 构建组合模拟模型；②时空研究范围差别.本研究是1998~2016年中国5个典型区域矩形划分, 而罗毅等[15]是2000~2016年典型区域分省划分.
2.2 GAM模式的构建与验证 2.2.1 PM2. 5与单影响因素的GAM模型分析将YEAR、LON、LAT、u10、v10、msl、blh、RH、ssr、temp和tp共11个影响因素作为解释变量, 每次选择1个影响因素作为解释变量, PM2.5作为响应变量, 采用平滑函数分别构建模型, 分别分析每个典型区域内每个解释变量对响应变量的影响显著性及模型的拟合度(表 1~5).结果表明：所有影响因素均在P < 0.001水平下对PM2.5浓度变化影响显著, 表明各影响因素单独作为PM2.5浓度变化解释变量具有统计学意义；所有影响因素的自由度均远大于1, 表明各影响因素与PM2.5间具有非常显著的非线性关系; 所有典型区域均显示联合LON和LAT为一个综合影响因素(44.1%~81.3%)比LON、LAT各自作为一个影响因素对PM2.5浓度变化影响的模型解释率(由模型解释的零偏差的比例)之和(33.1%~68%)更高, 这也验证了1.2节中LON和LAT综合到一个光滑函数中的处理；5个区域中对PM2.5浓度变化影响解释率较高的各个影响因素顺序有所不同.东北地区LON-LAT和v10对PM2.5浓度变化影响的模型解释率较高(44.6%~65.4%), 调整判定系数较大(0.446~0.654), 表明这2个影响因素对PM2.5浓度变化构建模型方程的拟合度较优；其他影响因素对PM2.5浓度变化的解释率较低(1.52%~19.9%), 调整判定系数值也较低(0.0151~0.199), 表明它们单独对PM2.5浓度变化影响的模型拟合度较差, 模型对PM2.5浓度变化解释能力也较差.华北地区LON-LAT、temp、u10、ssr、msl和blh对PM2.5浓度变化影响的模型解释率较高(32.5%~79%), 调整判定系数较大(0.325~0.79)；华东华中地区LON-LAT、RH和YEAR对PM2.5浓度变化影响的模型解释率较高(25.2%~58.5%), 调整判定系数较大(0.251~0.584)；华南地区LON-LAT和YEAR对PM2.5浓度变化影响的模型解释率较高(39.7%~44.1%), 调整判定系数较大(0.397~0.441)；四川盆地LON-LAT、temp和v10对PM2.5浓度变化影响的模型解释率较高(37.2%~81.3%), 调整判定系数较大(0.372~0.441).结果显示, 5个典型区域对PM2.5浓度变化影响较大的单因素种类和排序均有所不同.虽然有部分影响因素独立构建对PM2.5影响的模型方差拟合度较差, 解释率较低, 但它们均通过显著性检验, 均具有统计学意义.
|
表 1 东北地区PM2.5浓度与单影响因素的GAM模型假设检验结果1) Table 1 GAM model hypothesis test results showing relationship between PM2.5 concentration and single influencing factors in Northeast China |
|
|
表 2 华北地区PM2.5浓度与单影响因素的GAM模型假设检验结果 Table 2 GAM model hypothesis test results showing relationship between PM2.5 concentration and single influencing factors in North China |
|
|
表 3 华东华中地区PM2.5浓度与单影响因素的GAM模型假设检验结果 Table 3 GAM model hypothesis test results showing relationship between PM2.5 concentration and single influencing factors in East and Central China |
|
|
表 4 华南地区PM2.5浓度与单影响因素的GAM模型假设检验结果 Table 4 GAM model hypothesis test results showing relationship between PM2.5 concentration and single influencing factors in South China |
|
|
表 5 四川盆地PM2.5浓度与单影响因素的GAM模型假设检验结果 Table 5 GAM model hypothesis test results showing relationship between PM2.5 concentration and single influencing factors in Sichuan Basin |
GAM单因子分析研究结果表明, PM2.5浓度与期限因素之间均表现出非线性关系, 且5个典型区域变化影响较大的单因素种类和排序均有不同, 所有影响因素均通过显著性检验, 具有统计学意义.因此, 采用GAM模型可以较好分析多种影响因素与PM2.5浓度间的非线性关系.
2.2.2 多影响因素GAM模型分析将单因素分析中有统计意义和经过显著性检验的YEAR、LON-LAT、u10、v10、msl、blh、RH、ssr、temp和tp影响因素作为解释变量, 将PM2.5作为响应变量, 拟合多影响因素与PM2.5浓度之间的关系, 模型平滑回归项采用样条平滑函数, 5个典型区域使用GAM模型拟合结果分别如表 6~10所示.
|
|
表 6 东北地区PM2.5浓度和多影响因素的GAM模型拟合结果 Table 6 GAM fitting results of PM2.5 concentration and multiple influencing factors in Northeast China |
|
|
表 7 华北地区PM2.5浓度和多影响因素的GAM模型拟合结果 Table 7 GAM fitting results of PM2.5 concentration and multiple influencing factors in North China |
|
|
表 8 华东华中地区PM2.5浓度和多影响因素的GAM模型拟合结果 Table 8 GAM fitting results of PM2.5 concentration and multiple influencing factors in East and Central China |
|
|
表 9 华南地区PM2.5浓度和多影响因素的GAM模型拟合结果 Table 9 GAM fitting results of PM2.5 concentration and multiple influencing factors in South China |
|
|
表 10 四川盆地PM2.5浓度和多影响因素的GAM模型拟合结果 Table 10 GAM fitting results of PM2.5 concentration and multiple influencing factors in Sichuan Basin |
东北地区模型调整判定系数为0.88, 方差解释率88.1%.华北地区模型调整的R2为0.919, 方差解释率92%.华东华中地区模型调整判定系数为0.875, 方差解释率87.5%.华南地区模型调整判定系数为0.876, 方差解释率87.6%.四川盆地模型调整判定系数为0.899, 方差解释率89.9%.典型区域GAM模型平均模型调整判定系数为0.89, 平均方差解释率为89.0%, 各区域GAM模型拟合度均较高.从表 6~10可以看出所有影响因素的自由度均大于1, 表明所有影响因素与PM2.5浓度变化均是非线性关系；截距项和所有影响因素P值均小于0.001(P < 2e-16), 具有显著性水平统计学意义.说明此GAM模型拟合较好, 综合YEAR和LON-LAT这2个时空相关因子, 以及u10、v10、msl、blh、RH、ssr、temp和tp这8个气象因子与PM2.5浓度之间的相关性较强, 均对PM2.5浓度变化具有显著影响的非线性关系.
通过GAM模型拟合的F值比较, 发现典型区域间影响最显著的气象因素有所不同.典型区域GAM模型拟合结果均显示YEAR和LON-LAT的F值远高于气象因子影响, 说明以网格化产品做GAM模型拟合分析, 其时空相关因子对PM2.5影响是最大的, 这些变量与PM2.5排放源的年际变化和空间分布密切相关.除此之外, 气象因子对PM2.5的影响大小在各个区域存在不同.东北地区影响PM2.5的最重要的3个气象因子排序为：tp>v10>ssr；华北地区为：temp>tp>msl；华东华中地区为：temp>tp>ssr；华南地区为：temp>RH>blh；四川盆地为：tp>temp>u10.典型区域主要影响气象因子中出现次数最多的是tp和temp, 即降水和温度对PM2.5浓度影响最显著.
根据5个典型区域的GAM模型拟合结果, 得到典型地区3个重要气象因素对PM2.5浓度影响效应如图 5所示, 以此分析重要气象因素对PM2.5浓度的具体影响.从中可以得出, 典型区域3个重要气象因子均与PM2.5呈现非线性关系.东北地区PM2.5浓度随着tp增加波动下降, 随着v10增加波动上升, 随着ssr增加下降; 华北地区PM2.5浓度随着temp增加波动上升, 随着tp增加波动上升, 随着msl增加先显著下降后波动稳定；华东华中地区PM2.5浓度随着temp增加上升, 随着tp增加波动上升, 随着ssr增加下降；华南地区PM2.5浓度随着temp增加波动, 随着RH增加下降, 随着blh增加波动下降；四川盆地PM2.5浓度随着tp增加先显著下降后波动稳定, 随着temp增加波动上升, 随着u10增加波动下降.从响应效应图得出, 相同气象因子在不同典型区域对PM2.5影响效应曲线也有所不同, 例如tp和temp.
|
虚线表示拟合可加函数的逐点标准差(即置信区间的上、下限)；实线则代表解释变量对PM2.5浓度的平滑拟合；横坐标为解释变量的观测值, 纵坐标为解释变量对PM2.5浓度的平滑拟合值, 纵坐标括号中则代表估计自由度(见表 6~10) 图 5 典型区域3个重要影响气象因素对PM2.5浓度变化的影响效应 Fig. 5 Effect of three significant meteorological influencing factors on variation of PM2.5 concentration in five typical regions |
本研究中使用GAM模型进行影响因素分析存在一定局限性：①PM2.5浓度是年均浓度, 没法像日均PM2.5浓度分析一样有效表征和讨论前一天的浓度滞后效应和周围网格短期传输效应的影响.同时GAM模型也表现出分析区域网格化产品的潜力, 未来可以提取特定时间特定区域(省、市和平原等)的网格化产品, 分析评估影响区域的短期空气质量的因素; ②YEAR和LON-LAT因素涉及PM2.5相关排放、聚集、扩散和年际变化等影响密切相关, 较难有效筛选区分, 未来需要综合其他研究手段进一步探究.
3 结论(1) 中国5个典型区域地表PM2.5浓度长期平均浓度均值从高到低排序为：华东华中地区(40.5 μg·m-3)>华北地区(37.4 μg·m-3)>华南地区(27.8 μg·m-3)>东北地区(23.7 μg·m-3)>四川盆地(22.4 μg·m-3). 1998~2016年际变化显示, 东北地区呈现明显上升趋势；其他地区从1998~2007年呈现上升趋势, 2008~2016年呈现下降的趋势.
(2) 使用GAM模型, 分别对典型区域中每个影响因素(即YEAR、LON-LAT、u10、v10、msl、blh、RH、ssr、temp和tp)与PM2.5浓度间进行拟合, 均通过P < 0.001水平下显著性检验, 具有统计学意义.5个区域中对PM2.5浓度变化影响解释率较高的单一影响因素有所不同, 东北地区为LON-LAT和v10, 华北地区为LON-LAT、temp、u10、ssr、msl和blh, 华东华中地区为LON-LAT、RH和YEAR, 华南地区为LON-LAT和YEAR, 四川盆地为LON-LAT、temp和v10.
(4) 将所有影响因素作为解释变量, PM2.5为响应变量构建综合模型, 均呈现非线性关系, 均通过P < 0.001水平下显著性检验, 具有统计学意义.典型区域GAM模型调整判定系数为0.875~0.919(平均0.89), 方差解释率为87.5%~92%(平均89.0%), 各区域模型拟合度较高.气象因子对PM2.5的影响大小在各个区域存在不同.东北地区影响PM2.5的最重要的3个气象因子排序为：tp>v10>ssr；华北地区为：temp>tp>msl；华东华中地区为：temp>tp>ssr；华南地区为：temp>RH>blh；四川盆地为：tp>temp>u10.
| [1] | Chowdhury S, Dey S, Smith K R. Ambient PM2.5 exposure and expected premature mortality to 2100 in India under climate change scenarios[J]. Nature Communications, 2018, 9: 318. |
| [2] |
张丽, 李磊, 张立杰, 等. 深圳市局地PM2.5污染事件的时空特征及典型背景环流分析[J]. 环境科学学报, 2018, 38(1): 41-51. Zhang L, Li L, Zhang L J, et al. Spatial-temporal characteristics of the local PM2.5 pollution episodes in Shenzhen and analysis on background circulation of typical samples[J]. Acta Scientiae Circumstantiae, 2018, 38(1): 41-51. |
| [3] |
刘佳澍, 顾远, 马帅帅, 等. 常州夏冬季PM2.5中无机组分昼夜变化特征与来源解析[J]. 环境科学, 2018, 39(3): 980-989. Liu J S, Gu Y, Ma S S, et al. Day-night differences and source apportionment of inorganic components of PM2.5 during summer-winter in Changzhou city[J]. Environmental Science, 2018, 39(3): 980-989. |
| [4] |
段文娇, 郎建垒, 程水源, 等. 京津冀地区钢铁行业污染物排放清单及对PM2.5影响[J]. 环境科学, 2018, 39(4): 1445-1454. Duan W J, Lang J L, Cheng S Y, et al. Air pollutant emission inventory from iron and steel industry in the Beijing-Tianjin-Hebei region and its impact on PM2.5[J]. Environmental Science, 2018, 39(4): 1445-1454. |
| [5] |
杨文涛, 姚诗琪, 邓敏, 等. 北京市PM2.5时空分布特征及其与PM10关系的时空变异特征[J]. 环境科学, 2018, 39(2): 684-690. Yang W T, Yao S Q, Deng M, et al. Spatio-temporal distribution characteristics of PM2.5 and spatio-temporal variation characteristics of the relationship between PM2.5 and PM10 in Beijing[J]. Environmental Science, 2018, 39(2): 684-690. |
| [6] |
吕喆, 魏巍, 周颖, 等. 2015~2016年北京市3次空气重污染红色预警PM2.5成因分析及效果评估[J]. 环境科学, 2019, 40(1): 1-10. Lü Z, Wei W, Zhou Y, et al. Cause and effect evaluation of PM2.5 during three red alerts in Beijing from 2015 to 2016[J]. Environmental Science, 2019, 40(1): 1-10. |
| [7] | Yu M F, Zhu Y, Lin C J, et al. Effects of air pollution control measures on air quality improvement in Guangzhou, China[J]. Journal of Environmental Management, 2019, 244: 127-137. |
| [8] | Shen L, Jacob D J, Mickley L J, et al. Insignificant effect of climate change on winter haze pollution in Beijing[J]. Atmospheric Chemistry and Physics, 2018, 18(23): 17489-17496. |
| [9] |
郝静, 孙成, 郭兴宇, 等. 京津冀内陆平原区PM2.5浓度时空变化定量模拟[J]. 环境科学, 2018, 39(4): 1455-1465. Hao J, Sun C, Guo X Y, et al. Simulation of the spatio-temporally resolved PM2.5 aerosol mass concentration over the inland plain of the Beijing-Tianjin-Hebei region[J]. Environmental Science, 2018, 39(4): 1455-1465. |
| [10] | Sahu S K, Zhang H L, Guo H, et al. Health risk associated with potential source regions of PM2.5 in Indian cities[J]. Air Quality, Atmosphere & Health, 2019, 12(3): 327-340. |
| [11] |
郭曌霞, 耿红, 张晋宏, 等. 山西省武乡县城大气PM2.5痕量重金属的生态和健康风险分析[J]. 环境科学, 2018, 39(3): 1004-1013. Guo Z X, Geng H, Zhang J H, et al. Ecological and health risks of trace heavy metals in atmospheric PM2.5 collected in Wuxiang Town, Shanxi province[J]. Environmental Science, 2018, 39(3): 1004-1013. |
| [12] |
李惠娟, 周德群, 魏永杰. 我国城市PM2.5污染的健康风险及经济损失评价[J]. 环境科学, 2018, 39(8): 3467-3475. Li H J, Zhou D Q, Wei Y J. An assessment of PM2.5-related health risks and associated economic losses in Chinese cities[J]. Environmental Science, 2018, 39(8): 3467-3475. |
| [13] |
赵晨曦, 王云琦, 王玉杰, 等. 北京地区冬春PM2.5和PM10污染水平时空分布及其与气象条件的关系[J]. 环境科学, 2014, 35(2): 418-427. Zhao C X, Wang Y Q, Wang Y J, et al. Temporal and spatial distribution of PM2.5 and PM10 pollution status and the correlation of particulate matters and meteorological factors during winter and spring in Beijing[J]. Environmental Science, 2014, 35(2): 418-427. |
| [14] |
刘炳杰, 彭晓敏, 李继红. 基于LUR模型的中国PM2.5时空变化分析[J]. 环境科学, 2018, 39(12): 5296-5307. Liu B J, Peng X M, Li J H. Analysis of the temporal and spatial variation of PM2.5 in China based on the LUR model[J]. Environmental Science, 2018, 39(12): 5296-5307. |
| [15] |
罗毅, 邓琼飞, 杨昆, 等. 近20年来中国典型区域PM2.5时空演变过程[J]. 环境科学, 2018, 39(7): 3003-3013. Luo Y, Deng Q F, Yang K, et al. Spatial-temporal change evolution of PM2.5 in typical regions of China in recent 20 years[J]. Environmental Science, 2018, 39(7): 3003-3013. |
| [16] |
陈辉, 厉青, 李营, 等. 京津冀及周边地区PM2.5时空变化特征遥感监测分析[J]. 环境科学, 2019, 40(1): 33-43. Chen H, Li Q, Li Y, et al. Monitoring and analysis of the spatio-temporal change characteristics of the PM2.5 concentration over Beijing-Tianjin-Hebei and its surrounding regions based on remote sensing[J]. Environmental Science, 2019, 40(1): 33-43. |
| [17] | Querol X, Alastuey A, Rodriguez S, et al. Monitoring of PM10 and PM2.5 around primary particulate anthropogenic emission sources[J]. Atmospheric Environment, 2001, 35(5): 845-858. |
| [18] |
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. |
| [19] |
王占山, 李云婷, 陈添, 等. 2013年北京市PM2.5的时空分布[J]. 地理学报, 2015, 70(1): 110-120. Wang Z S, Li Y T, Chen T, et al. Spatial-temporal characteristics of PM2.5 in Beijing in 2013[J]. Acta Geographica Sinica, 2015, 70(1): 110-120. |
| [20] |
林巧莺, 陈永山. 我国城市冬季PM2.5空间特征及其人为影响因子[J]. 生态与农村环境学报, 2015, 31(4): 460-465. Lin Q Y, Chen Y S. Spatial variation of PM2.5 in cities in winter and anthropogenic influencing factors in China[J]. Journal of Ecology and Rural Environment, 2015, 31(4): 460-465. |
| [21] |
吴健生, 廖星, 彭建, 等. 重庆市PM2.5浓度空间分异模拟及影响因子[J]. 环境科学, 2015, 36(3): 759-767. Wu J S, Liao X, Peng J, et al. Simulation and influencing factors of spatial distribution of PM2.5 concentrations in Chongqing[J]. Environmental Science, 2015, 36(3): 759-767. |
| [22] | Christakos G, Serre M L. BME analysis of spatiotemporal particulate matter distributions in North Carolina[J]. Atmospheric Environment, 2000, 34(20): 3393-3406. |
| [23] | Miskell G, Salmond J, Longley I, et al. A novel approach in quantifying the effect of urban design features on local-scale air pollution in central urban areas[J]. Environmental Science & Technology, 2015, 49(15): 9004-9011. |
| [24] |
安芳, 翟亮, 桑会勇, 等. 基于地理国情数据的PM2.5因子多元回归分析[J]. 测绘科学, 2015, 40(7): 58-63. An F, Zhai L, Sang H Y, et al. Multiple regression analysis on PM2.5 impact factors based on geographic conditions monitoring data[J]. Science of Surveying and Mapping, 2015, 40(7): 58-63. |
| [25] |
刘金培, 汪官镇, 陈华友, 等. 基于VAR模型的PM2.5与其影响因素动态关系研究——以西安市为例[J]. 干旱区资源与环境, 2016, 30(5): 78-84. Liu J P, Wang G Z, Chen H Y, et al. Dynamic relationship between PM2.5 and its influence factors in Xi'an city based on the VAR model[J]. Journal of Arid Land Resources and Environment, 2016, 30(5): 78-84. |
| [26] |
顾凯华, 史红仙, 张帅, 等. 上海崇明岛近三年PM2.5浓度变化特征与气象条件的关系[J]. 长江流域资源与环境, 2015, 24(12): 2108-2116. Gu K H, Shi H X, Zhang S, et al. Variation characteristics of PM2.5 levels and the influence of meteorological conditions on Chongming island in Shanghai[J]. Resources and Environment in the Yangtze Basin, 2015, 24(12): 2108-2116. |
| [27] | Barmpadimos I, Keller J, Oderbolz D, et al. One decade of parallel fine (PM2.5) and coarse (PM10-PM2.5) particulate matter measurements in Europe:trends and variability[J]. Atmospheric Chemistry and Physics, 2012, 12(7): 3189-3203. |
| [28] |
贺祥, 林振山. 基于GAM模型分析影响因素交互作用对PM2.5浓度变化的影响[J]. 环境科学, 2017, 38(1): 22-32. He X, Lin Z A. Interactive effects of the influencing factors on the changes of PM2.5 concentration based on GAM model[J]. Environmental Science, 2017, 38(1): 22-32. |
| [29] | Zhang BE, Jiao LM, Xu G, et al. Influences of wind and precipitation on different-sized particulate matter concentrations (PM2.5, PM10, PM2.5-10)[J]. Meteorology and Atmospheric Physics, 2018, 130(3): 383-392. |
| [30] | Zou B, Chen J W, Zhai L, et al. Satellite based mapping of ground PM2.5 concentration using generalized additive modeling[J]. Remote Sensing, 2017, 9(1): 1. DOI:10.3390/rs9010001 |
| [31] | Van Donkelaar A, Martin R V, Brauer M, et al. Global estimates of fine particulate matter using a combined geophysical-statistical method with information from satellites, models, and monitors[J]. Environmental Science & Technology, 2016, 50(7): 3762-3772. |
| [32] | Nan Y, Wang Y X. Observational evidence for direct uptake of ozone in China by Asian dust in springtime[J]. Atmospheric Environment, 2018, 186: 45-55. |
| [33] | Nan Y, Wang Y X. De-coupling interannual variations of vertical dust extinction over the Taklimakan Desert during 2007-2016 using CALIOP[J]. Science of the Total Environment, 2018, 633: 608-617. |
| [34] | Dee D P, Uppala S M, Simmons A J, et al. The era-interim reanalysis:configuration and performance of the data assimilation system[J]. Quarterly Journal of the Royal Meteorological Society, 2011, 137(656): 553-597. |
| [35] | Wood S N, Pya N, SäFken B. Smoothing parameter and model selection for general smooth models[J]. Journal of the American Statistical Association, 2016, 111(516): 1548-1563. |
| [36] | Camalier L, Cox W, Dolwick P. The effects of meteorology on ozone in urban areas and their use in assessing ozone trends[J]. Atmospheric Environment, 2007, 41(33): 7127-7137. |