2020, Vol. 41
2. 陕西省地表系统与环境承载力重点实验室, 西安 710127;
3. 陕西西安城市生态系统定位观测研究站, 西安 710127;
4. 长安大学土地工程学院, 西安 710054
2. Shaanxi Key Laboratory of Earth Surface System and Environmental Carrying Capacity, Xi'an 710127, China;
3. Shaanxi Xi'an Urban Forest Ecosystem Research Station, Xi'an 710127, China;
4. College of Land Engineering, Chang'an University, Xi'an 710054, China
改革开放以来, 中国社会经济实现了快速发展, 工业化和城市化水平不断提高, 随之也产生了许多环境问题, 特别是近年来各地频繁出现的灰霾天气, 给中国空气质量带来严峻挑战, 也引发了社会的广泛关注.颗粒物是我国城市大气污染的主要污染物[1], 其中细颗粒物(PM2.5)浓度的增加不仅导致大气能见度下降[2, 3], 长期暴露还会增加心血管病、呼吸道疾病以及肺癌的发病率和死亡率[4~9], 给人体健康带来严重风险.有研究显示, 2010年中国约有130万人因PM2.5的长期暴露而死亡[10].然而, 受地形因素、气象条件、排放强度和人口分布等因素的影响, PM2.5的时空分布以及人口暴露风险具有显著的时空变异性[11, 12].因此, 探索PM2.5的时空演化, 评估人口暴露风险对正确认识PM2.5的发展变化规律, 制定有针对性的防控对策具有重要意义.
目前, 在不同空间尺度上的PM2.5时空分布与演化研究方面已有较好基础.相关研究多采用空气质量监测数据在全国[13, 14]、区域(如长三角、珠三角和京津冀等地区)[15~18]、省域[19, 20]以及城市[21~23]等不同尺度开展了广泛的PM2.5时序变化和空间格局研究.空气质量监测数据是进行PM2.5研究最直接的数据源, 该类数据时间分辨率高, 可以揭示日、月、季和年等不同时间尺度的PM2.5变化特征.但是, 由于区域监测站点分布数量十分有限, 其难以提供PM2.5在空间分布上的连续信息.而卫星遥感数据中的气溶胶光学厚度(aerosol optical depth, AOD)与地面观测的颗粒物浓度之间具有较好的相关性[24~26], 可利用线性回归模型[27, 28]、广义可加模型[29]、地理加权模型[30]、BP神经网络模型[31]和支持向量机模型[32]等多种模型, 构建遥感反演AOD数据与PM2.5之间的关系, 进行PM2.5质量浓度的估算, 由此得到的数据空间连续性较好, 成为弥补监测数据空间精度不足的有效手段[33, 34].目前, 该类型数据已广泛用于PM2.5的时空格局演化研究[35~38].在分析PM2.5时空变化的同时, 也有学者对PM2.5组成成分[39]及其与气象、地形和植被等自然条件和人口分布、城市化、能源利用等社会经济活动之间的关系进行研究, 以此对PM2.5来源以及变化原因进行解析[17, 40~42].随着人们对PM2.5及其危害性的认识逐步加深, PM2.5研究开始逐渐延伸至人口健康领域, 但这些研究大多集中在特定群体(如老年人和儿童)[43, 44], 或微观视角的个体暴露和健康风险评价[45, 46], 缺乏宏观层面的人口暴露风险评价及其时空变化规律研究.
受地形因素、气象条件、煤炭燃烧、工业污染和机动车尾气排放等多方面因素影响, 关中地区长期以来都是我国空气污染最严重的区域之一, 大气环境问题突出, PM2.5年均质量浓度长期超过国家年均值二级标准(35 μg·m-3)以上, 是国家大气污染重点控制区域.严重的空气污染已给关中地区社会经济发展和居民身体健康带来极大危害.基于此, 本文以关中地区为研究对象, 整合2000~2016年PM2.5遥感反演数据和人口分布数据, 构建人口暴露风险指数模型, 对关中地区PM2.5人口暴露风险进行分析, 并采用时间序列分析和空间自相关分析方法, 揭示关中地区PM2.5质量浓度及人口暴露风险的时空演化规律.
1 材料与方法 1.1 研究区域关中地区位于陕西省中部, 是陕西省三大地理单元(黄土高原、关中盆地和秦巴山区)之一, 同时也是关中平原国家级城市群和关中—天水国家级经济区的核心区域.关中地区包括西安、宝鸡、咸阳、铜川、渭南和商洛这6个地级市和1个杨凌农业高新技术产业示范区, 共辖60个县(区、县级市), 见图 1.区域总面积7.5万km2, 2018年, 关中地区常住人口2686万人, 地区生产总值16062亿元, 分别占陕西省常住人口和地区生产总值的69.5%和65.7%.关中地区属于暖温带大陆性季风气候, 夏季高温多雨, 冬季寒冷干燥, 年均温6~13℃, 年降雨量500~800 mm, 主要集中在夏秋季的7~9月, 全年盛行东北风, 年平均风速1.8 m·s-1.
|
图 1 研究区域示意 Fig. 1 Schematic diagram of study area |
本研究所使用的数据包括PM2.5质量浓度数据、人口数据和关中地区行政边界矢量数据.其中, PM2.5质量浓度数据来源于美国国家航空航天局(National Aeronautics and Space Administration, NASA)和哥伦比亚大学联合创立的社会经济数据应用中心(Socioeconomic Data and Applications Center, https://sedac.ciesin.columbia.edu/).该数据是基于MODIS/MISR和SeaWiFS气溶胶光学厚度得到的全球逐年PM2.5遥感反演栅格数据, 数据的时间范围为2000~2016年, 空间分辨率为0.01°.该产品是利用卫星数据、模拟数据和地面监测数据, 通过地理加权回归(GWR)来估计全球细颗粒物(PM2.5)的质量浓度, 交叉验证显示, 最终的PM2.5估计值与来自监测器的PM2.5质量浓度高度一致(R2=0.81)[47], 该数据已在国内相关研究中得到广泛使用[48, 49].本文利用中国环境监测总站提供的2014、2015和2016年关中地区PM2.5地表监测数据, 以各市区为统计单元, 与遥感反演所得的各市区PM2.5质量浓度数据进行线性拟合.结果显示, 三年的拟合优度值(R2)均在0.7以上, 表明遥感反演的PM2.5质量浓度数据精度良好, 可用其进行相关研究.人口数据来源于LandScan全球人口格网分布数据(https://landscan.ornl.gov), 数据的空间分辨率约1 km, 是当前精度最高的全球人口格网数据.关中地区行政边界矢量数据来源于国家基础地理信息中心提供的1:100万中国基础地理数据库.
1.3 研究方法 1.3.1 人口暴露风险引入人口暴露风险指数计算模型[48, 50], 量化关中地区人口暴露于PM2.5污染的风险程度, 其计算公式如下：
|
(1) |
式中, Ri为格网i的PM2.5人口暴露风险指数; POPi表示格网i的人口数; ci为格网i内的PM2.5质量浓度值; n为研究区域的格网数量.
1.3.2 Theil-Sen Median趋势分析Theil-Sen Median趋势分析是一种稳健的非参数统计趋势计算方法[51], 可以减少数据异常值的影响, 可用来反映PM2.5质量浓度和人口暴露风险的长时间序列演化趋势, 其计算公式如下：
|
(2) |
式中, Vi和Vj分别代表第i年和第j年的PM2.5质量浓度值或人口暴露风险指数值; SV是指计算n(n-1)/2个数据组合的斜率的中位数, 用以量化单调趋势(n=17, 为时间序列的长度).当SV>0时, 表示这一时间序列的变量呈增长趋势; 反之, 则为减少趋势.
1.3.3 Mann-Kendall检验Mann-Kendall检验为非参数检验方法, 其结构简单, 计算方便, 且不需要样本服从一定的分布, 也不受少数异常值的干扰[52]. Mann-Kendall检验方法已在水文、气象的时间序列趋势分析和变异检验中得到广泛应用[53, 54].文中主要使用Mann-Kendall趋势检验对PM2.5以及人口暴露风险进行时间序列趋势分析.
定义一组时间序列X=(x2, x2, …, xn), 其标准化的检验统计量公式为：
|
(3) |
其中：
|
(4) |
|
(5) |
|
(6) |
式中, xi和xj分别表示像元第i年和第j年的像元值(PM2.5质量浓度值或人口暴露风险指数值); n表示时间序列的长度; sgn为符号函数, 统计量Z的取值范围为(-∞, +∞).在给定显著性水平α下, 当|Z|>u1-α/2时, 表明研究序列在α水平上存在显著变化.本文取α=0.05, 即判断在0.05置信水平上PM2.5浓度和人口暴露风险时间序列变化趋势的显著性.对检验结果进行分级, 按照显著性可分为极显著变化(|Z|>2.58)、显著变化(1.96 < |Z|≤2.58)、弱显著变化(1.65 < |Z|≤1.96)和无显著变化(0 < |Z|≤1.65) 4个等级[55].
1.3.4 空间自相关分析空间自相关可根据空间位置和属性的相似性测度变量的空间分布模式, 进而分析变量的空间集聚和变化趋势.空间自相关分为全局空间自相关和局部空间自相关, 全局空间自相关可识别变量整体的空间分布是集聚或分散, 一般用全局Moran's I指数表示.本文采用全局Moran's I指数来判断邻近空间单元PM2.5浓度和人口暴露风险的平均相似程度, 计算公式如下：
|
(7) |
式中, I 为全局空间自相关指数; xi和xj分别为空间单元i和j的PM2.5质量浓度值或人口暴露风险值; N为空间单元数量; wij为空间权重矩阵. I值介于-1~1之间, 当I>0时表明空间单元之间具有正相关性, 越接近于1, 单元属性值之间关系越密切; 当I < 0时表明空间单元之间具有负相关性, 越接近-1, 单元之间属性值差异越大; 当I=0时表示空间单元之间不具有相关性.
局部空间自相关可检验变量在局部地区的相似性, 本文采用局部Moran's I指数来判断PM2.5质量浓度和人口暴露风险在局域上的关联程度.计算公式为：
|
(8) |
式中, Ii为局部空间自相关指数; xi和xj分别为空间单元i和j的PM2.5浓度值或人口暴露风险值; N为空间单元数量; wij为空间权重矩阵.当Ii>0时, 表示一个高值被高值所包围(高-高), 或是一个低值被低值所包围(低-低); 当Ii < 0时, 表示一个高值被低值所包围(高-低), 或是一个低值被高值所包围(低-高).本文中的空间权重是基于距离来定义的, 具体采用的是以距离的倒数为权重的计算方法.
2 结果与分析 2.1 关中地区PM2.5时空演化 2.1.1 关中地区PM2.5时序变化2000~2016年关中地区PM2.5质量浓度年均变化具有一定的波动性, 但总体相对比较稳定, 最低值为2004年的25.04 μg·m-3, 最高值为2006年的36.38 μg·m-3. 2000~2003年, PM2.5质量浓度年均变化较小, 阶段均值为28.81 μg·m-3; 2004~2007年, PM2.5年均质量浓度呈现明显增长趋势, 阶段均值为32.51 μg·m-3; 2008~2016年期间, 除2013年达到较高的36.11 μg·m-3以外, 其他年份相对平稳, 阶段均值为30.06 μg·m-3(图 2).
|
图 2 2000~2016年关中地区PM2.5质量浓度变化 Fig. 2 Changes in PM2.5 annual concentration in the Guanzhong region from 2000 to 2016 |
根据世界卫生组织2005年发布的《空气质量准则》中的3个目标值(年均为15、25和35 μg·m-3)以及中国《环境空气质量标准》(GB 3095-2012)中的PM2.5质量浓度限值(35 μg·m-3), 将2000~2016年关中地区PM2.5年均质量浓度值划分为7个区间(图 3), 分析不同区间面积占比情况(图 3).结果显示:①仅在2000年存在PM2.5年均质量浓度低于15 μg·m-3的区域(占区域总面积的2.84%), 2001~2016年关中各地区PM2.5年均质量浓度均在15 μg·m-3以上; ②2006、2007和2013年PM2.5年均质量浓度高于25 μg·m-3的面积比例均较大, 2006年和2007年超过了90%, 2013年达到82.8%, 表明这3 a在关中大部分地区污染水平较高; ③以中国《环境空气质量标准》(GB 3095-2012)提出的PM2.5年平均35 μg·m-3的浓度限值(二类区)为衡量标准, 2000年和2004年超过该限值区域所占面积比例小于10%, 其他年份超过该限值区域面积占比均在20%以上(2006、2007和2013年这一比例更是超过了40%), 表明除2000年和2004年外, 其他各年关中地区均有1/5以上的区域PM2.5年均质量浓度超过国家二类区标准限值(关中地区还包括较大面积的秦岭自然生态保护区和风景名胜区, 这些属于一类区的年平均质量浓度限值为15 μg·m-3); ④2006、2007和2013年关中地区超过20%的区域PM2.5年均质量浓度高于45 μg·m-3, 进一步说明了这3 a的高污染性.
|
图 3 2000~2016年关中地区PM2.5质量浓度分区间面积变化 Fig. 3 Changes of PM2.5 annual concentration by range in the Guanzhong region from 2000 to 2016 |
整合Theil-Sen Median趋势分析和Mann-Kendall检验方法, 将计算得到的PM2.5浓度的SV值与|Z|值进行叠加分类, 得出关中地区PM2.5年均质量浓度的8种类型变化趋势, 包括极显著增加、极显著减少、显著增加、显著减少、无显著增加、无显著减少、弱显著增加和弱显著减少(图 4).结果显示：①研究区域内没有出现极显著减少和显著减少类型区, 表明2000~2016年关中地区的PM2.5污染情况一直比较突出, 未呈现好转趋势; ②研究区以无显著增加和无显著减少类型为主, 极显著增加和显著增加类型区相对较少, 表明尽管关中地区PM2.5污染情况未见好转, 但也没有大范围地持续恶化.
|
图 4 2000~2016年关中地区PM2.5质量浓度变化趋势类型 Fig. 4 Trends of PM2.5 annual concentration by types in the Guanzhong region from 2000 to 2016 |
按照上述PM2.5年均质量浓度值划分的7个区间, 对2000~2016年关中地区PM2.5质量浓度空间分布进行等级分类, 受篇幅所限, 这里展示间隔4 a的空间格局变化结果(图 5).可以发现：① 2000年和2004年关中地区PM2.5空间分布格局大体类似, 高于二类区限制的区域(PM2.5年均质量浓度值在35 μg·m-3以上)主要集中在关中地区中部, 特别是集中在西安、咸阳和渭南这3个城市的主城区范围; ② 2008、2012和2016年的PM2.5空间分布格局大体类似, 与2000年和2004年相比, 高于二类区限制的区域范围明显扩大, 在原有基础上向东北方向延伸, 形成了连接西安、咸阳和渭南多个县区的连续带状集中分布区; ③PM2.5质量浓度超过45 μg·m-3的区域持续增加, 范围逐渐扩大, 空间上主要仍集中在西安和咸阳主城区.
|
图 5 2000~2016年关中地区PM2.5质量浓度空间分布变化 Fig. 5 Spatial distribution of PM2.5 annual concentration in the Guanzhong region from 2000 to 2016 |
采用ArcGIS软件对2000~2016年关中地区PM2.5年均质量浓度值进行空间自相关检验, 计算得出的全局Moran's I指数结果显示, 各年度全局Moran's I指数均为正值, 且均通过显著性检验(P=0.05), 表明历年PM2.5年均质量浓度在空间上呈现出显著的正自相关, 空间集聚特征明显.
通过进一步地局部空间自相关分析, 检验PM2.5质量浓度在局域上的关联程度, 得出2000、2004、2008、2012和2016年PM2.5质量浓度的空间关联类型(图 6).结果显示, 上述5个年份的空间自相关分析结果只有3种类型, 不存在“高-低”类型; 2000~2016年“高-高”类型(即PM2.5年均质量浓度高值集聚区)的空间范围不断扩大, 并由以西安市为中心逐渐向东北方向扩展, 形成连续的带状分布区; “低-低”类型(即PM2.5年均质量浓度低值集聚区)则主要分布在关中地区西部和南部, 这里主要是秦岭自然保护区集中分布地带.
|
图 6 2000~2016年关中地区PM2.5质量浓度空间集聚特征 Fig. 6 Spatial clusters of PM2.5 annual concentration in the Guanzhong region from 2000 to 2016 |
根据上文对关中地区PM2.5年均质量浓度值划分的7个区间, 统计各年份不同区间人口暴露数量占比情况(图 7).可以发现, 仅在2000年, 关中地区有0.45%的人口暴露于PM2.5年平均15 μg·m-3质量浓度以下, 其他年份所有人口均暴露于15 μg·m-3以上的年均质量浓度值; 2000~2016年, 关中地区暴露于PM2.5年平均35 μg·m-3质量浓度限值以上的人口规模非常大, 除2000年和2004年外, 其他年份均有超过60%以上的人口暴露于35 μg·m-3以上区域, 其中2013年最高, 达到86.18%;实际上, 除2004年外, 其他16年中, 每年关中地区都有超过1/5以上人口暴露在年平均45 μg·m-3的PM2.5质量浓度中.这一结果表明, 尽管PM2.5年平均35 μg·m-3质量浓度限值以下区域分布较广, 但人口主要集中在PM2.5年平均35 μg·m-3质量浓度限值以上的区域, 导致关中地区呈现突出的高密度人口集聚在高污染区.
|
图 7 2000~2016年关中地区PM2.5质量浓度分区间人口暴露变化 Fig. 7 Changes in population exposure risk to PM2.5 in the Guanzhong region from 2000 to 2016 |
采用公式(1)计算关中地区各年度PM2.5人口暴露风险指数, 参考相关研究[56], 将人口暴露风险划分为6个等级, 包括极低风险(Ri=0)、低风险(0 < Ri ≤1)、较低风险(1 < Ri≤2)、较高风险(2 < Ri≤3)、高风险(3 < Ri≤5)和极高风险(Ri>5).统计各等级面积占比, 可以发现, 2000~2010年, 低等级风险区(Ri≤2)和高等级风险区(Ri>2)所占面积比例相对比较稳定, 高等级风险区面积占比一直在6%~8%之间, 变化并不十分明显; 然而, 从2011年开始, 低等级风险区面积占比开始下降, 而高等级风险区面积占比不断上升, 2011~2016年, 高等级风险区面积占比始终在10%以上(图 8).
|
图 8 2000~2016年关中地区PM2.5人口暴露高等级风险区面积占比变化 Fig. 8 Changes in population exposure risk to PM2.5 by range in the Guanzhong region from 2000 to 2016 |
整合Theil-Sen Median趋势分析和Mann-Kendall检验方法, 将计算得到的PM2.5人口暴露风险指数的SV值与|Z|值进行叠加分类, 得出关中地区PM2.5人口暴露风险的8种类型变化趋势, 包括极显著增加、极显著减少、显著增加、显著减少、无显著增加、无显著减少、弱显著增加和弱显著减少(图 9).可以发现, 2000~2016年关中地区PM2.5人口暴露风险中增加趋势类型所占比例较大, 特别是存在大量的极显著增加和显著增加类型, 这些类型主要位于关中地区中部, 尤其是东西方向上形成连续的极显著增加或显著增加类型区, 此外, 在关中地区北部、东北部以及东南部也出现了多个极显著增加或显著增加类型区.
|
图 9 2000~2016年关中地区PM2.5人口暴露风险变化趋势类型 Fig. 9 Trends of population exposure risk to PM2.5 by types in the Guanzhong region from 2000 to 2016 |
基于关中地区2000~2016各年度PM2.5人口暴露风险指数, 求取多年平均值, 得出2000~2016年关中地区PM2.5人口暴露风险分布的总体格局(图 10).结果显示:①关中地区2000~2016各年度PM2.5人口暴露风险分布格局大体相似, 较高等级以上风险区主要集中在关中地区中部, 呈“蜘蛛网”状分布, 并在东西方向上形成连续的带状分布区; ②在上述带状分布区内, 形成了若干个“团块”状高风险区和极高风险区, 这些地区大多是人口密集的城市或县域中心城区, 其中, 在西安和咸阳主城区形成了较大面积的极高风险区, 且空间范围不断扩大; ③相对而言, 极低风险区和低风险区范围也较广, 分布在关中地区北部和南部, 这些地区地势起伏较大, 人口分布稀疏, 北部以黄土高原丘陵沟壑为主, 南部则多为秦岭山区.
|
图 10 2000~2016年关中地区PM2.5人口暴露风险格局 Fig. 10 Spatial pattern of population exposure risk to PM2.5 in the Guanzhong region from 2000 to 2016 |
采用ArcGIS软件对2000~2016年关中地区PM2.5人口暴露风险进行空间自相关检验, 计算得出的全局Moran's I指数结果显示, 各年度人口暴露风险的全局Moran's I指数均为正值, 且均通过显著性检验(P=0.05), 表明历年PM2.5人口暴露风险在空间上呈现出显著的正自相关, 空间集聚特征明显.
通过进一步的局部空间自相关分析, 检验PM2.5人口暴露风险在局域上的关联程度, 得出2000、2004、2008、2012和2016年PM2.5人口暴露风险的空间关联类型(图 11).结果显示, 研究时段内只有“高-高”和“低-低”两种空间关联类型, 而未出现“高-低”和“低-高”类型, 表明关中地区PM2.5人口暴露风险呈现出较强的局部空间正相关特征; 2000~2016年关中地区局部空间自相关格局大体类似, “高-高”类型(即PM2.5人口暴露风险高值集聚区)的空间范围稍有扩大, 但主要仍集中西安、宝鸡、咸阳、渭南和铜川这5个城市的中心城区内, 表明城市中心仍是PM2.5人口暴露风险的高值区.城市中心内人口密集, 在消耗能源增多的同时, 也造成了污染物排放源增多, 使自身暴露在了PM2.5浓度较高的区域内. “低-低”类型(即PM2.5人口暴露风险低值集聚区)则主要分布在关中地区周边广大区域, 这与关中地区周边区域地形起伏较大, 人口分布较为分散有关.且关中地区周边区域工业水平较低, 能源消耗较小, PM2.5浓度长期较低且变化较小, 也使该地区的PM2.5人口暴露风险长期处于低值状态.
|
图 11 2000~2016年关中地区PM2.5人口暴露风险空间集聚特征 Fig. 11 Spatial clusters of population exposure risk to PM2.5 in the Guanzhong region from 2000 to 2016 |
2013年, 中国政府发布《大气污染防治行动计划》, 开始实施严格的大气污染防控措施, 国内许多地区空气质量有所改善.然而对于关中地区而言, 改善效果并不十分显著, 甚至局部地区还有恶化趋势.同时, 伴随着城市化水平的持续提高和人口的不断集聚, 诸如西安、咸阳、渭南和宝鸡等城市中心地区的人口暴露风险反而在上升.高密度人口集聚区和高浓度PM2.5分布区在时空耦合上呈现的长期连续性和空间一致性是关中地区PM2.5人口暴露风险的主要演化规律.这一时空演化特征形成的原因主要在于以下3个方面：①气候与地形条件.关中地区地处秦巴山地与陕北黄土高原之间, 南北较高、西窄东宽的地形非常不利于污染物的扩散[57], 且该地区常年主导风向为东北风, 使外来污染物能够借助风力输送到西北部地区[58], 易进难出; 此外, 冬季气候寒冷干燥, 静风频率高达45%, 易形成逆温现象, 更使污染物容易集聚且难以扩散. ②工业污染与能源消费.关中地区工业发达, 重化工企业较多, 特别是晋陕交界地区是煤炭、钢铁等重化工业集中分布区, 工业排放导致整个汾渭平原PM2.5浓度长期居高不下; 同时, 冬季采暖燃烧大量煤炭, 进一步加剧了PM2.5的污染浓度. ③快速城市化下人口向大中城市的集聚.随着关中平原城市群、西安国家中心城市以及西咸一体化的建设和发展, 包括西安、咸阳和渭南等在内的大中城市的人口和经济等要素的集聚能力不断提升, 在吸引大量人口集聚的同时, 也加剧了相关污染物的排放, 并使得更多的常住人口长期暴露在高污染区域内.
对此, 在无法改善地形、气候等自然条件情况下, 调整优化产业结构、能源消费结构和交通运输结构是根治大气污染的主要手段, 但是考虑到经济发展的阶段性、大气污染物的复杂性以及治理的长期性, 在当前无法实现根治的情况下, 如何进行标本兼治, 在减缓大气污染的同时, 降低人口暴露风险, 保护公众健康是现阶段必须考虑的现实问题. 2018年中国发布了《打赢蓝天保卫战三年行动计划(2018-2020)》, 陕西省和西安市作为备受关注的区域, 也随之制定了相应的行动方案, 重点从污染物来源方面提出了大气污染的治理措施, 但尚未涉及人口健康方面的举措.本文认为, 除源头防治外, 针对本研究中PM2.5的高人口暴露风险区, 还应在空气污染风险的公众认知、健康风险评估、重污染日健康预警、医疗系统应急响应和特殊群体健康保护等方面制定相应的对策.
4 结论(1) 2000~2016年关中地区PM2.5质量浓度年均变化具有一定的波动性, 但总体相对稳定, PM2.5污染情况一直比较突出, 未呈现好转趋势, 但也没有大范围地持续恶化; 2006、2007和2013年关中地区大气污染严重且范围广, 这3 a在关中地区40%以上区域PM2.5年均质量浓度超过了35 μg·m-3的限值.
(2) 2000~2016年关中地区PM2.5空间分布范围明显扩大, 从关中地区中部不断向东北方向延伸, 从集中在少数几个城市的主城区向大面积的连续带状集中分布区转变; 历年PM2.5年均质量浓度在空间分布上均呈现明显的集聚特征, 高值区集中在西安市主城区并不断向东北方向扩展, 低值区则主要分布在关中地区西部和南部.
(3) 2000~2016年, 关中地区每年都有超过60%的人口(以2016年人口计算约为1444万)暴露在PM2.5年平均35 μg·m-3浓度限值以上, 形成突出的高密度人口集聚在高污染区; 2000~2016年关中地区PM2.5人口暴露风险不断加剧, 尤其是从2011年开始, PM2.5人口暴露的高风险区范围不断增加, 高风险区面积占比始终在10%以上.
(4) 2000~2016年关中地区PM2.5人口暴露风险格局大体相似, 较高等级以上风险区主要集中在关中地区中部, 呈“蜘蛛网”状分布, 并在东西方向上形成连续的带状分布区; 历年PM2.5人口暴露风险在空间分布上均呈现出明显的空间集聚性, 高值区集中在几个主要城市的中心城区, 低值区则主要分布在关中地区周边广大区域.
| [1] | Chan C K, Yao X H. Air pollution in mega cities in China[J]. Atmospheric Environment, 2008, 42(1): 1-42. |
| [2] | Molnár A, Mészáros E. On the relation between the size and chemical composition of aerosol particles and their optical properties[J]. Atmospheric Environment, 2001, 35(30): 5053-5058. DOI:10.1016/S1352-2310(01)00314-4 |
| [3] | Watson J G. Visibility:science and regulation[J]. Journal of the Air & Waste Management Association, 2002, 52(6): 628-713. |
| [4] | Kan H D, Chen R J, Tong S L. Ambient air pollution, climate change, and population health in China[J]. Environment International, 2012, 42: 10-19. DOI:10.1016/j.envint.2011.03.003 |
| [5] | Cao J J, Xu H M, Xu Q, et al. Fine particulate matter constituents and cardiopulmonary mortality in a heavily polluted Chinese city[J]. Environmental Health Perspectives, 2012, 120(3): 373-378. DOI:10.1289/ehp.1103671 |
| [6] | 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 |
| [7] | Tie X X, Wu D, Brasseur G. Lung cancer mortality and exposure to atmospheric aerosol particles in Guangzhou, China[J]. Atmospheric Environment, 2009, 43(14): 2375-2377. DOI:10.1016/j.atmosenv.2009.01.036 |
| [8] | Pope Ⅲ C A, Burnett R T, Thun M J, et al. Lung cancer, cardiopulmonary mortality, and long-term exposure to fine particulate air pollution[J]. JAMA, 2002, 287(9): 1132-1141. DOI:10.1001/jama.287.9.1132 |
| [9] |
郭新彪, 魏红英. 大气PM2.5对健康影响的研究进展[J]. 科学通报, 2013, 58(13): 1171-1177. Guo X B, Wei H Y. Progress on the health effects of ambient PM2.5 pollution[J]. Chinese Science Bulletin, 2013, 58(13): 1171-1177. |
| [10] | Xie R, Sabel C E, Lu X, et al. Long-term trend and spatial pattern of PM2.5 induced premature mortality in China[J]. Environment International, 2016, 97: 180-186. DOI:10.1016/j.envint.2016.09.003 |
| [11] | Hu M G, Jia L, Wang J F, et al. Spatial and temporal characteristics of particulate matter in Beijing, China using the empirical mode decomposition method[J]. Science of the Total Environment, 2013, 458-460: 70-80. DOI:10.1016/j.scitotenv.2013.04.005 |
| [12] |
王振波, 方创琳, 许光, 等. 2014年中国城市PM2.5浓度的时空变化规律[J]. 地理学报, 2015, 70(11): 1720-1734. Wang Z B, Fang C L, Xu G, et al. Spatial-temporal characteristics of the PM2.5 in China in 2014[J]. Acta Geographica Sinica, 2015, 70(11): 1720-1734. |
| [13] |
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. Zhou L, Zhou C H, Yang F, et al. Spatio-temporal evolution and the influencing factors of PM2.5 in China between 2000 and 2011[J]. Acta Geographica Sinica, 2017, 72(11): 2079-2092. |
| [14] |
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. Wang Z B, Liang L W, Wang X J. Spatio-temporal evolution patterns and influencing factors of PM2.5 in Chinese urban agglomerations[J]. Acta Geographica Sinica, 2019, 74(12): 2614-2630. |
| [15] |
宓科娜, 庄汝龙, 梁龙武, 等. 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[J]. 地理研究, 2018, 37(8): 1641-1654. Mi K N, Zhuang R L, Liang L W, et al. Spatio-temporal evolution and characteristics of PM2.5 in the Yangtze River Delta based on real-time monitoring data during 2013-2016[J]. Geographical Research, 2018, 37(8): 1641-1654. |
| [16] |
李珊珊, 程念亮, 徐峻, 等. 2014年京津冀地区PM2.5浓度时空分布及来源模拟[J]. 中国环境科学, 2015, 35(10): 2908-2916. Li S S, Cheng N L, Xu J, et al. Spatial and temporal distrubions and source simulation of PM2.5 in Beijing-Tianjin-Hebei region in 2014[J]. China Environmental Science, 2015, 35(10): 2908-2916. |
| [17] |
黄小刚, 赵景波, 曹军骥, 等. 长江经济带PM2.5分布格局演变及其影响因素[J]. 环境科学, 2020, 41(3): 1013-1024. Huang X G, Zhao J B, Cao J J, et al. Evolution of the distribution of PM2.5 concentration in the Yangtze River economic belt and its influencing factors[J]. Environmental Science, 2020, 41(3): 1013-1024. |
| [18] |
徐伟嘉, 何芳芳, 李红霞, 等. 珠三角区域PM2.5时空变异特征[J]. 环境科学研究, 2014, 27(9): 951-957. Xu W J, He F F, Li H X, et al. Spatial and temporal variations of PM2.5 in the Pearl River Delta[J]. Research of Environmental Sciences, 2014, 27(9): 951-957. |
| [19] |
刘鹏姣, 那晓东, 李光辉. 2015-2016年东北三省PM2.5的时空分布特征[J]. 测绘与空间地理信息, 2018, 41(2): 72-76. Liu P J, Na X D, Li G H. Spatial-temporal characteristics of PM2.5 in Northeast China, 2015-2016[J]. Geomatics & Spatial Information Technology, 2018, 41(2): 72-76. |
| [20] |
王华杰, 张波, 胡昊, 等. 安徽省大气污染物时空分布特征及演化规律[J]. 环境科学研究, 2018, 31(4): 628-641. Wang H J, Zhang B, Hu H, et al. Evolution characteristics and spatial-temporal pattern of air pollutants in Anhui province[J]. Research of Environmental Sciences, 2018, 31(4): 628-641. |
| [21] |
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. |
| [22] |
孟丽红, 蔡子颖, 李英华, 等. 天津市PM2.5浓度时空分布特征及重污染过程来源模拟分析[J]. 环境科学研究, 2020, 33(1): 9-17. Meng L H, Cai Z Y, Li Y H, et al. Spatial and temporal distributions and source simulation during heavy pollution of PM2.5 in Tianjin city[J]. Research of Environmental Sciences, 2020, 33(1): 9-17. |
| [23] |
赵卉伊褶, 周卫健, 牛振川, 等. 西安市2013-2017年大气PM2.5的时空变化特征及影响因素分析[J]. 地球环境学报, 2019, 10(3): 248-256. Zhao H Y Z, Zhou W J, Niu Z C, et al. Analysis on the characteristics of temporal and spatial changes of atmospheric PM2.5 and it's influencing factors in Xi'an from 2013 to 2017[J]. Journal of Earth Environment, 2019, 10(3): 248-256. |
| [24] | Lau K H, Li C C, Mao J T, et al. A new way of using MODIS data to study air pollution over Hong Kong and the Pearl River Delta[A]. In: Proceedings of SPIE Optical Remote Sensing of the Atmosphere and Clouds Ⅲ[C]. Hangzhou: SPIE, 2003. 105-114. |
| [25] | Strawa A W, Chatfield R B, Legg M, et al. Improving retrievals of regional fine particulate matter concentrations from moderate resolution imaging spectroradiometer (MODIS) and ozone monitoring instrument (OMI) multisatellite observations[J]. Journal of the Air & Waste Management Association, 2013, 63(12): 1434-1446. |
| [26] | Strandgren J, Mei L, Vountas M, et al. Study of satellite retrieved aerosol optical depth spatial resolution effect on particulate matter concentration prediction[J]. Atmospheric Chemistry and Physics, 2014, 14(18): 25869-25899. |
| [27] |
林海峰, 辛金元, 张文煜, 等. 北京市近地层颗粒物浓度与气溶胶光学厚度相关性分析研究[J]. 环境科学, 2013, 34(3): 827-834. Lin H F, Xin J Y, Zhang W Y, et al. Comparison of atmospheric particulate matter and aerosol optical depth in Beijing city[J]. Environmental Science, 2013, 34(3): 827-834. |
| [28] | Gupta P, Christopher S A. Particulate matter air quality assessment using integrated surface, satellite, and meteorological products:2. A neural network approach[J]. Journal of Geophysical Research:Atmospheres, 2009, 114(D20): D20205. DOI:10.1029/2008JD011497 |
| [29] | Tian J, Chen D M. A semi-empirical model for predicting hourly ground-level fine particulate matter (PM2.5) concentration in southern Ontario from satellite remote sensing and ground-based meteorological measurements[J]. Remote Sensing of Environment, 2010, 114(2): 221-229. DOI:10.1016/j.rse.2009.09.011 |
| [30] | Van Donkelaar A, Martin R V, Brauer M, et al. Global estimates of ambient fine particulate matter concentrations from satellite-based aerosol optical depth:development and application[J]. Environmental Health Perspectives, 2010, 118(6): 847-855. DOI:10.1289/ehp.0901623 |
| [31] | Vlachogianni A, Kassomenos P, Karppinen A, et al. Evaluation of a multiple regression model for the forecasting of the concentrations of NOx and PM10 in Athens and Helsinki[J]. Science of the Total Environment, 2011, 409(8): 1559-1571. DOI:10.1016/j.scitotenv.2010.12.040 |
| [32] | Yeganeh B, Motlagh M S P, Rashidi Y, et al. Prediction of CO concentrations based on a hybrid partial least square and support vector machine model[J]. Atmospheric Environment, 2012, 55: 357-365. DOI:10.1016/j.atmosenv.2012.02.092 |
| [33] |
亢红霞, 那晓东, 臧淑英. 基于卫星遥感数据(AOD)估算PM2.5的研究进展[J]. 环境科学与管理, 2016, 41(2): 30-34. Kang H X, Na X D, Zang S Y. Advance in ground-level PM2.5 prediction using remote sensing data (AOD)[J]. Environmental Science and Management, 2016, 41(2): 30-34. |
| [34] |
薛文博, 武卫玲, 付飞, 等. 中国2013年1月PM2.5重污染过程卫星反演研究[J]. 环境科学, 2015, 36(3): 794-800. Xue W B, Wu W L, Fu F, et al. Satellite retrieval of a heavy pollution process in January 2013 in China[J]. Environmental Science, 2015, 36(3): 794-800. |
| [35] | Van Donkelaar A, Martin R V, Levy R C, et al. Satellite-based estimates of ground-level fine particulate matter during extreme events:A case study of the Moscow fires in 2010[J]. Atmospheric Environment, 2011, 45(34): 6225-6232. DOI:10.1016/j.atmosenv.2011.07.068 |
| [36] |
徐建辉, 江洪. 长江三角洲PM2.5质量浓度遥感估算与时空分布特征[J]. 环境科学, 2015, 36(9): 3119-3127. Xu J H, Jiang H. Estimation of PM2.5 concentration over the Yangtze delta using remote sensing:analysis of spatial and temporal variations[J]. Environmental Science, 2015, 36(9): 3119-3127. |
| [37] |
陈优芳, 周一敏, 赵昕奕. 基于卫星遥感AOD的华北地区2003-2014年PM2.5浓度时空分布特征[J]. 热带气象学报, 2019, 35(6): 822-830. Chen Y F, Zhou Y M, Zhao X Y. The characteristics of spatiotemporal distribution of haze weather in North China during 2003-2014[J]. Journal of Tropical Meteorology, 2019, 35(6): 822-830. |
| [38] |
卢德彬, 毛婉柳, 杨东阳, 等. 基于多源遥感数据的中国PM2.5变化趋势与影响因素分析[J]. 长江流域资源与环境, 2019, 28(3): 651-660. Lu D B, Mao W L, Yang D Y, et al. Analysis on the trend and influencing factors of PM2.5 in China based on multi-source remote sensing data[J]. Resources and Environment in the Yangtze Basin, 2019, 28(3): 651-660. |
| [39] |
马召辉, 梁云平, 张健, 等. 北京市典型排放源PM2.5成分谱研究[J]. 环境科学学报, 2015, 35(12): 4043-4052. Ma Z H, Liang Y P, Zhang J, et al. PM2.5 profiles of typical sources in Beijing[J]. Acta Scientiae Circumstantiae, 2015, 35(12): 4043-4052. |
| [40] |
杨昆, 杨玉莲, 朱彦辉, 等. 中国PM2.5污染与社会经济的空间关系及成因[J]. 地理研究, 2016, 35(6): 1051-1060. Yang K, Yang Y L, Zhu Y H, et al. Social and economic drivers of PM2.5 and their spatial relationship in China[J]. Geographical Research, 2016, 35(6): 1051-1060. |
| [41] |
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. |
| [42] |
杜彦彦, 黄青. 河南省PM2.5时空分布特征及其与植被覆盖度的关系[J]. 生态环境学报, 2019, 28(11): 2257-2265. Du Y Y, Huang Q. Spatial and temporal variation characteristics of PM2.5 and its relationship with vegetation fraction in Henan province[J]. Ecology and Environmental Sciences, 2019, 28(11): 2257-2265. |
| [43] |
王钊, 韩斌, 倪天茹, 等. 天津市某社区老年人PM2.5暴露痕量元素健康风险评估[J]. 环境科学研究, 2013, 26(8): 913-918. Wang Z, Han B, Ni T R, et al. Health risk assessment of trace elements of PM2.5 exposure for the elderly subpopulation in Tianjin, China[J]. Research of Environmental Sciences, 2013, 26(8): 913-918. |
| [44] |
柯钊跃, 王佳, 郑君瑜, 等. 广州市学龄儿童在校期间PM2.5暴露水平评价[J]. 中国环境科学, 2011, 31(10): 1618-1624. Ke Z Y, Wang J, Zheng J Y, et al. PM2.5 exposure assessment of school children at a primary school in Guangzhou, China[J]. China Environmental Science, 2011, 31(10): 1618-1624. |
| [45] |
李友平, 范忠雨, 李坤, 等. 不同出行方式PM2.5个体暴露及其影响因素[J]. 环境化学, 2015, 34(8): 1408-1416. Li Y P, Fan Z Y, Li K, et al. Commuter exposure to PM2.5 and its influencing factors in different commuting modes[J]. Environmental Chemistry, 2015, 34(8): 1408-1416. |
| [46] |
邓芙蓉, 王欣, 苏会娟, 等. 北京市某城区儿童大气PM2.5个体暴露水平及影响因素研究[J]. 环境与健康杂志, 2009, 26(9): 762-765. Deng F R, Wang X, Su H J, et al. Personal exposure to PM2.5 of children living near traffic road and the influencing factors in Beijing[J]. Journal of Environment and Health, 2009, 26(9): 762-765. |
| [47] | Van Donkelaar A, Martin R V, Li C, et al. Regional estimates of chemical Composition of fine particulate matter using a combined geoscience-statistical method with information from satellites, models, and monitors[J]. Environmental Science & Technology, 2019, 53(5): 2595-2611. |
| [48] |
张亮林, 潘竟虎. 中国PM2.5人口暴露风险时空格局[J]. 中国环境科学, 2020, 40(1): 1-12. Zhang L L, Pan J H. Spatial-temporal pattern of population exposure risk to PM2.5 in China[J]. China Environmental Science, 2020, 40(1): 1-12. |
| [49] |
江佳, 邹滨, 陈璟雯. 中国大陆1998年以来PM2.5浓度时空分异规律[J]. 遥感信息, 2017, 32(1): 28-34. Jiang J, Zou B, Chen J W. Spatial-temporal distribution of PM2.5 concentrations in mainland China since 1998[J]. Remote Sensing Information, 2017, 32(1): 28-34. |
| [50] |
邹滨, 彭芬, 焦利民, 等. 高分辨率人口空气污染暴露GIS空间区划研究[J]. 武汉大学学报(信息科学版), 2013, 38(3): 334-338. Zou B, Peng F, Jiao L M, et al. GIS aided spatial zoning of high-resolution population exposure to air pollution[J]. Geomatics and Information Science of Wuhan University, 2013, 38(3): 334-338. |
| [51] | Jiang W G, Yuan L H, Wang W J, et al. Spatio-temporal analysis of vegetation variation in the Yellow River Basin[J]. Ecological Indicators, 2015, 51: 117-126. DOI:10.1016/j.ecolind.2014.07.031 |
| [52] | Yue S, Pilon P, Cavadias G. Power of the Mann-Kendall and Spearman's rho tests for detecting monotonic trends in hydrological series[J]. Journal of Hydrology, 2002, 259(1-4): 254-271. DOI:10.1016/S0022-1694(01)00594-7 |
| [53] |
刘兆飞, 王翊晨, 姚治君, 等. 太湖流域降水、气温与径流变化趋势及周期分析[J]. 自然资源学报, 2011, 26(9): 1575-1584. Liu Z F, Wang Y C, Yao Z J, et al. Trend and periodicity of precipitation, air temperature and runoff in the Taihu lake basin[J]. Journal of Natural Resources, 2011, 26(9): 1575-1584. |
| [54] |
邓兴耀, 刘洋, 刘志辉, 等. 中国西北干旱区蒸散发时空动态特征[J]. 生态学报, 2017, 37(9): 2994-3008. Deng X Y, Liu Y, Liu Z H, et al. Temporal-spatial dynamic change characteristics of evapotranspiration in arid region of Northwest China[J]. Acta Ecologica Sinica, 2017, 37(9): 2994-3008. |
| [55] | 徐建华. 现代地理学中的数学方法[M]. ((第三版)). 北京: 高等教育出版社, 2017. |
| [56] |
张西雅, 扈海波. 基于多源数据的北京地区PM2.5暴露风险评估[J]. 北京大学学报(自然科学版), 2018, 54(5): 1103-1113. Zhang X Y, Hu H B. Risk assessment of exposure to PM2.5 in Beijing using multi-source data[J]. Acta Scientiarum Naturalium Universitatis Pekinensis, 2018, 54(5): 1103-1113. |
| [57] |
王睿哲, 胡荣明, 李朋飞, 等. 基于LUR模型的PM2.5浓度空间分布监测及分析[J]. 环境工程学报, 2020, 14(10): 2831-2840. Wang R Z, Hu R M, Li P F, et al. Monitor analysis of PM2.5 concentration space distribution based on LUR model[J]. Chinese Journal of Environmental Engineering, 2020, 14(10): 2831-2840. |
| [58] |
李会霞, 史兴民. 西安市PM2.5时空分布特征及气象成因[J]. 生态环境学报, 2016, 25(2): 266-271. Li H X, Shi X M. Temporal and spatial distribution, meteorological factors of PM2.5 in Xi'an City[J]. Ecology and Environmental Sciences, 2016, 25(2): 266-271. |