2021, Vol. 42
2. 成都理工大学, 国家环境保护水土污染协同控制与联合修复重点实验室, 成都 610059;
3. 成都理工大学旅游与城乡规划学院, 成都 610059;
4. 成都理工大学生态环境学院, 成都 610059
, ZHANG Ting-bin1,2
, YI Gui-hua3 , QIN Yan-bin1 , LI Jing-ji2,4 , LIU Xian1 , JIANG Jie1
2. State Environmental Protection Key Laboratory of Synergetic Control and Joint Remediation for Soil & Water Pollution, Chengdu University of Technology, Chengdu 610059, China;
3. College of Tourism and Urban-Rural Planning, Chengdu University of Technology, Chengdu 610059, China;
4. College of Ecology and Environment, Chengdu University of Technology, Chengdu 610059, China
细颗粒物(PM2.5, 粒径≤2.5 μm)是一个动态和复杂的混合颗粒物质[1].有研究表明, PM2.5与各类心肺疾病的发病率及死亡率有关[2].世界卫生组织环境(室外)空气质量和健康报告(2018年)统计表明, 2016年, 环境(室外)空气污染导致全球420万人过早死亡.此外, PM2.5作为大气气溶胶的重要组成成分, 对生态环境、气候变化及农业生产具有重要影响[3].近年来, 我国经济迅猛发展, 工业化和城市化进程持续加快, 人为排放逐步增多, 已成为世界上PM2.5污染最严重的国家之一[4], PM2.5污染作为我国环境及社会的焦点问题, 引起了学术界和公众的密切关注[5~7].
有研究发现, PM2.5浓度存在明显的空间异质性和空间依赖性[8], PM2.5浓度的空间差异是自然因素与人为因素共同作用的结果.气象因子(气温、气压、相对湿度与风速等)可以很大程度上扩散与稀释大气污染物, 对PM2.5浓度产生重要影响.同时, 地形、植被和人口等因素也会影响PM2.5浓度的分布格局[9~11].区域尺度的PM2.5浓度影响因素研究主要分为两方面, 一是从研究区域内PM2.5的化学构成以及形成机制出发, 识别PM2.5的主要污染源, 定量解析PM2.5浓度的成因[12~14]; 二是通过构建计量模型, 针对各类因素对PM2.5浓度的影响进行分析, 为PM2.5污染治理提供科学参考与依据[15~17].影响因素主要包含自然因素与人类活动因素, 其中自然因素有植被、气象与地形等方面[18, 19], 人类活动方面则以人口、经济以及能源消耗等因素为主要指标[20, 21].当前PM2.5浓度影响因子研究多基于PM2.5浓度站点监测数据[22~25], 然而中国PM2.5监测系统于2012年年底建成, 相关研究时段集中在2013年以后, 无法进行长时间序列分析.此外, 监测站的数量有限且空间分布不均, 无法满足大区域尺度的PM2.5浓度分布规律研究.
气溶胶光学厚度(aerosol optical depth, AOD)是大气气溶胶在垂直大气柱内直接太阳辐射衰减的无量纲数, 其大小和气溶胶在整个大气柱的负荷成正比[26, 27], 可利用遥感反演的AOD数据估算近地面PM2.5浓度, 与传统的站点监测方法相比, 遥感反演具有覆盖范围广、成本低、获取速度快和时间序列长等优势, 有效地弥补了地面监测站点的不足.我国有关PM2.5的研究主要集中在京津冀[28, 29]、珠三角[30~32]和长三角[33, 34]等经济发达地区, 四川盆地作为中国区域性大气污染最严重的地区之一, 近年来频繁受到空气污染的影响.本文利用PM2.5浓度反演产品, 总结了四川盆地PM2.5浓度的时空变化格局和空间聚集特征, 实现了基于灰色关联分析的区域PM2.5浓度影响因子空间化表达, 以期为完善四川盆地区域大气污染治理联防联控体系提出科学依据.
1 材料与方法 1.1 研究区概况四川盆地位于中国西南区域(103°20′~110°05′E, 28°00′~32°00′N), 总面积约260 000 km2, 包括四川省中东部和重庆市, 海拔78~4 946 m[图 1(a)], 盆地内植被类型丰富, 包括针叶林、阔叶林、草甸与灌丛等[图 1(b)].四川盆地具有独特的地形环境以及静风高湿等气象条件, 导致大气污染物难以扩散, 加上工业化与城市化高度集中等因素, 已成为中国雾-霾较为严重的地区之一.近年来, 四川盆地雾-霾污染发生频次高、持续时间长、污染强度大和影响范围广, 呈现出显著的区域性特征[35].
|
图 1 四川盆地监测站点与植被类型分布 Fig. 1 Distributions of monitoring site and vegetation types in the Sichuan Basin |
PM2.5年均浓度数据来自Dalhousie University大气成分分析组织(http://fizz.phys.dal.ca), 该数据基于多个卫星传感器(multi-angle imaging spectro radiometer, MISR; moderate-resolution imaging spectroradiometer, MODIS; sea-viewing wide field-of-view sensor, SeaWiFS)的气溶胶光学厚度产品并与化学传输模型(GEOS-Chem)相结合, 通过地理加权回归对PM2.5浓度进行估算, 并在全球范围内与地面测量数据进行验证, 得到了较好的精度[36].该产品空间分辨率为0.01°×0.01°, 是当前全球覆盖面积最大、时间序列最长和精度最高的PM2.5遥感反演数据[37~40].为验证该数据产品在四川盆地的可靠性, 本文利用中国环境监测总站(http://webinterface.cnemc.cn/sssj2092874.jhtml)在2015~2016年四川盆地的站点PM2.5浓度实测数据, 与站点对应像元的PM2.5浓度进行了相关性分析, 结果表明(表 1), PM2.5浓度遥感数据与地面观测数据具有较好的相关性, 该数据集可用于四川盆地PM2.5浓度空间分析.
|
表 1 PM2.5遥感数据与地面监测数据相关性检验1) Table 1 Correlation test of PM2.5 between remote sensing data and ground monitoring data |
1.2.2 气象数据
气象数据来源于中国国家气象数据共享平台(http://date.com.cma.cn/), 选取四川盆地及其周边共69个气象站点, 统计各气象站点2000~2017年的年均气温(℃)、年累计降水量(mm)、年均相对湿度(%)、年累计日照时长(h)、年均风速(m·s-1)和年均气压(hPa), 年均气温数据以高程为协变量使用薄板样条函数插值法得到连续的栅格数据, 其他气象数据采用普通克里金法插值.
1.2.3 社会统计数据利用地区生产总值(gross domestic product, GDP)、第二产业GDP总值、人均地区生产总值和人口密度等社会经济统计数据, 探讨人类活动因素对PM2.5的影响, 统计数据来自四川统计年鉴[41]与重庆统计年鉴[42].
1.2.4 植被类型和NDVI数据植被类型数据来自中国科学院资源环境科学数据中心(http://www.resdc.cn)发布的中国1∶100万植被类型空间分布数据, 将四川盆地植被分为针叶林、阔叶林、针阔叶混交林、灌丛、高山植被、草丛、草甸以及培育植被等8种.
归一化植被指数(normalized difference vegetation index, NDVI)采用美国国家航空和宇航局(national aeronautics and space administration, NASA)(https://ladsweb.modaps.eosdis.nasa.gov/)发布的MODIS MOD13A2产品, 时间分辨率16 d, 空间分辨率为1 km, 利用MRT(moderate resolution imaging spectroradiometer reprojection tools)进行镶嵌、投影转换、重采样等预处理工作后, 使用最大值合成法(maximum value composite, MVC)计算NDVI月值, 最后得到2000~2017年的年均NDVI.
1.3 研究方法 1.3.1 空间自相关分析大气是一个复杂的动态系统, PM2.5等污染物在各种因素的作用下不断地传播和扩散, 进而影响邻近地区的大气环境[43].因此, PM2.5具有很强的时空自相关性[44].本文使用空间自相关分析研究四川盆地某一地区PM2.5浓度是否与邻近地区的PM2.5浓度相关, 并分析局部区域内PM2.5浓度的集聚性和分布特征.Moran's I指数是反映空间变量和分布的重要指标, 空间自相关可分为全局自相关和局部自相关, 分别用全局Moran's I指数与局部Moran's I指数来度量[45].
(1) 全局Moran's I指数
全局Moran's I指数考察了区域内所有空间要素的平均关联度及其显著性[44].Moran's I值越接近1, 正相关水平越高; 越接近-1, 负相关程度越高; 具体表达式如下：
|
(1) |
式中, n表示研究区/县个数, yi与yj表示区/县i与区/县j的PM2.5浓度均值, y表示所有区/县的PM2.5浓度均值, Wij表示研究区/县i、j之间的空间权重矩阵.
为了验证空间自相关的显著性水平, 计算标准化统计量Z(I)：
|
(2) |
式中, E(I)表示数学期望, Var(I)表示变异数.
(2) 局部Moran's I指数
为克服全局Moran's I指数无法观察聚类相似区域具体位置的局限性, 采用局部Moran's I指数来定义空间自相关特征的具体位置.本质上, 局部Moran's I指数将全局自相关分解为区域单元, 通过绘制散点图来对特定区域的空间分布特征进行可视化[44].通过局部自相关分析, 可得到高值集群与低值集群, 即热点与冷点区域.局部Moran's I指数的表达式为：
|
(3) |
式中, n表示研究区/县个数, Xi与Xj表示区/县i与区/县j的PM2.5浓度值, X表示所有区/县的PM2.5浓度均值, Wij表示研究区县i和j之间的空间权重矩阵.
局部Moran's I的标准化统计量如下：
|
(4) |
式中, E(Ii)表示数学期望, Var(Ii)表示变异数.
1.3.2 灰色关联分析灰色关联分析是一种根据曲线的几何特征构造关联程度的方法.灰色关联分析方法不严格要求样本数量以及样本的分布规律, 既可以揭示数据的普遍性, 又可以揭示数据的特殊性, 对动态信息的充分利用使得结果更科学和更准确[46, 47].计算过程如下.
(1) 求各序列的初值象, 令：
|
(5) |
式中, Xi(1)表示初始年份的像元值, 即PM2.5浓度及影响因子2000年的值, Xi(k)表示PM2.5浓度及影响因子第k年的值.
(2) 求X0和Xi的初值象对应分量之差的绝对值序列, 公式为：
|
(6) |
式中, X′0(k)表示PM2.5浓度第k年的初值象, X′i(k)表示影响因子i第k年的初值象.
(3) 求Δi(k)=|X′0(k)-X′i(k)|(k=2, 3, …, n; i=1, 2, …, m)的最大值与最小值, 分别记为：
|
(7) |
|
(8) |
(4) 计算关联系数:
|
(9) |
式中, γ0i(k)表示第k年PM2.5浓度与影响因子i的关联系数.
(5) 求关联系数的平均值, 即所求的关联度：
|
(10) |
式中, n表示研究年数, γ0i表示PM2.5浓度与影响因子i的灰色关联度.
2 结果和分析 2.1 四川盆地PM2.5浓度时空特征基于文献[48, 49], 根据四川盆地PM2.5污染现状, 将四川盆地年均PM2.5浓度划分为4个等级(图 2).
|
图 2 四川盆地2000~2017年PM2.5浓度分布统计 Fig. 2 Statistical chart of PM2.5 concentration distribution in the Sichuan Basin from 2000 to 2017 |
结果显示, 二级(11~35 μg·m-3)与三级(36~75 μg·m-3)是四川盆地近18年间PM2.5浓度区域占比的主要等级, 四川盆地PM2.5年均浓度一级(< 10 μg·m-3)与四级(>75 μg·m-3)的面积占比持续低于0.61%, 部分年份无两个等级出现; 四川盆地PM2.5年均浓度在2006年达到峰值, 第四等级区域占比高达13.49%.近18年间, 四川盆地PM2.5年均浓度符合环境质量标准二级浓度限值(35 μg·m-3)的面积平均占比为20.86%, 符合WHO年均PM2.5浓度准则值(10 μg·m-3)的面积占比则更少(0.14%), 四川盆地PM2.5具有年均浓度高、高浓度区面积占比大的特点, PM2.5污染较为严重.
四川盆地2000~2017年PM2.5浓度均值空间分布表明(图 3), PM2.5浓度具有盆地中间浓度高、盆地周边浓度低的空间分布格局.根据上述分级标准, 四川盆地2000~2017年平均PM2.5浓度一级(≤10 μg·m-3)分布最少, 主要分布于四川盆地边缘山区.二级(11~35 μg·m-3)主要分布于四川盆地周围的乐山、绵阳、泸州和宜宾等地.三级(36~75 μg·m-3)占比最大(85.7%), 分布于四川盆地中心位置.四级(>75 μg·m-3)分布较少, 仅占四川盆地总面积的0.08%, 位于四川省成都市主城区.
|
图 3 四川盆地2000~2017年PM2.5浓度均值 Fig. 3 Mean value of PM2.5 concentration in the Sichuan Basin from 2000 to 2017 |
本文选取2000、2006、2012和2017作为空间自相关分析的年份, 基于区县尺度进行全局自相关分析与局部自相关分析, 四川盆地PM2.5年均浓度的全局Moran's I指数如表 2所示.
|
|
表 2 四川盆地PM2.5浓度全局Moran's I值 Table 2 Global Moran's I value of PM2.5 concentration in the Sichuan Basin |
四川盆地年均PM2.5浓度的全局Moran's I指数显著高于0.7, 并且通过了99%显著性检验, 说明四川盆地城市之间存在显著的全局自相关, 空间聚集效应无明显变化, 城市之间的空间关联效应比较稳定.
四川盆地年均PM2.5浓度局部Moran's I指数分析结果显示(图 4), 四川盆地PM2.5聚集类型以高-高聚集类型与低-低聚集类型为主, 无低-高聚集类型与高-低聚集类型.其中, 高-高聚集区主要集中在成都和重庆主城区, 区域内空间自相关性强, PM2.5浓度较高, 是四川盆地PM2.5污染较为严重的地区.低-低聚集区主要分布在四川盆地四周边缘绵阳、广元、巴中、乐山和泸州等地, 这些地区及其邻近地区的PM2.5年均浓度值较低, 空间自相关较弱, PM2.5污染程度较低.2000年高-高聚集区主要位于成都市与重庆市主城区, 表示这些地区及周边PM2.5污染较为严重.2006年严重污染地区在成都市、重庆市主城区、资阳市、内江市、遂宁市、德阳市和眉山市呈连片分布, 表明该时期PM2.5浓度高的地区受成都市与重庆市主城区的影响, 逐渐变为热点区, 该现象至2012年有所缓和, 空间集聚状况恢复至2000年水平, 但2017年的空间自相关结果显示, 高-高聚集区又具有连片分布趋势.
|
图 4 四川盆地PM2.5浓度局部空间自相关 Fig. 4 Local spatial autocorrelation results of PM2.5 concentration in the Sichuan Basin |
植被对PM2.5浓度具有明显的影响作用, 有研究表明, 地表植被具有加速PM2.5沉降与吸收和阻碍PM2.5传播等效果[50].四川盆地PM2.5年均浓度与NDVI的灰色关联分析结果显示(图 5), 四川盆地PM2.5年均浓度与NDVI的关联度介于0.442~0.985之间, 平均关联度为0.686.以灰色关联度0.7作为阈值将研究区PM2.5浓度与NDVI灰色关联度分为高值区与低值区两部分.高值区占四川盆地总面积的40.24%, 主要分布于川东北地区与重庆市, 其中川东北地区平均灰色关联度为0.706, 高值区面积占比为53.35%, 重庆市平均灰色关联度为0.695, 高值区占比47.47%, 高值区内植被类型多为针叶林与阔叶灌丛.低值区占四川盆地总面积的59.75%, 主要分布在盆地内川南地区与成都平原, 川南地区平均灰色关联度仅为0.644, 低值区面积占比高达90.11%, 成都平原平均灰色关联度为0.677, 低值区面积占比64.87%.低值区植被类型多为培育植被与草地.四川盆地PM2.5浓度与NDVI的灰色关联度低值区面积占比略高于高值区, 高值区的针叶林分布明显多于低值区, 而低值区内的主要植被类型为培育植被与草地, 说明针叶林对PM2.5的削弱作用明显大于灌丛和草地等其他类型植被.
|
图 5 四川盆地PM2.5浓度与NDVI灰色关联度分布 Fig. 5 Distribution of grey correlation degrees between PM2.5 concentration and NDVI in the Sichuan Basin |
近18年四川盆地风速、气温、降水与日照时长总体呈上升趋势, 气压与相对湿度总体呈下降趋势, 除气压外, 其它气象因子线性变化趋势不明显.2000~2017年四川盆地相对湿度、日照时长与相对气压没有明显的空间差异, 分布较为均匀; 降水呈东高西低空间分布, 风速呈西高东低分布; 而气温具有盆地内部高、盆地边缘低的空间分布特征.
2000~2017年四川盆地各气象因子与PM2.5浓度的灰色关联度(图 6)排序依次为：风速(0.70)>气温(0.670)>日照时长(0.667)>气压(0.660)>相对湿度(0.641)>降水(0.637).川东北地区PM2.5浓度与多个气象因子关联度高, 区域内PM2.5浓度与风速、气温、气压和相对湿度的灰色关联度为4个区域最高值, 重庆市PM2.5浓度与日照时长的灰色关联度略高于川东北地区, 成都平原降水对PM2.5浓度影响较其他区域更为显著.
|
A表示四川盆地, B表示川南地区, C表示重庆市, D表示川东北地区，E表示成都平原 图 6 四川盆地PM2.5浓度气象因子灰色关联度五维图 Fig. 6 Grey correlation degrees between meteorological factors and PM2.5 concentration in the Sichuan Basin |
根据2000~2017年四川盆地气象因子灰色关联分析结果(图 7), 以灰色关联度0.7将研究区PM2.5浓度与气象因子灰色关联度分为高值区与低值区两部分.各气象因子与PM2.5灰色关联度高值区面积占比依次为：风速(61.97%)>气温(29.29%)>气压(24.95%)>日照时长(23.23%)>相对湿度(19.24%)>降水(15.16%).风速与PM2.5灰色关联度高值区主要集中分布在成都平原与川东北地区, 成都、资阳、遂宁、德阳、南充、广安和达州等市的高值区面积占比在80%以上.川东北地区气温与PM2.5浓度的灰色关联度高值区面积占比高达59.72%, 达州、广元和巴中等市高值区分布较广, 重庆市气温与PM2.5浓度的灰色关联度高值区面积占比为28.26%, 高值区集中在重庆市主城区及东北部中段万州、开阳和开州区.降水与PM2.5浓度灰色关联度高值区主要分布在成都平原, 其中成都与眉山等市高值区占比较大, 绵阳、乐山以及德阳等市有部分高值区分布.气压、相对湿度及日照时长的高值区分布格局较为相似, 主要分布在川东北地区与重庆市, 集中在广元市、巴中市、达州市及重庆市东北部.
|
图 7 四川盆地PM2.5浓度与气象因子灰色关联度分布 Fig. 7 Distributions of grey correlation degrees between PM2.5 concentration and meteorological factors in the Sichuan Basin |
四川盆地各城市PM2.5浓度与人类活动因子灰色关联分析结果显示(表 3), 各人类活动因子与PM2.5浓度灰色关联度从大到小依次是人口密度、地区生产总值、人均GDP和第二产业生产总值, 其中PM2.5浓度与人口密度灰色关联度最高的城市是巴中市, 成都市、重庆市和自贡市的PM2.5浓度与人口密度的灰色关联度相对较低; 巴中市PM2.5浓度与地区生产总值及人均GDP的灰色关联度远高于其他城市, 广元市、南充市以及泸州市略高于其他城市; 巴中市、成都市、泸州市以及广安市的PM2.5浓度与第二产业GDP的灰色关联度明显高于其他城市.
|
|
表 3 四川盆地PM2.5浓度与人类活动因子灰色关联度 Table 3 Grey correlation degrees between PM2.5 concentration and human activity factors in the Sichuan Basin |
3 讨论
本文基于遥感反演数据对四川盆地PM2.5浓度时空变化格局进行分析, 发现自2006年以后, 四川盆地PM2.5污染呈明显改善趋势.表明自国家环境保护“十一五”规划提出以后, 四川盆地地区从重经济增长轻环境保护转变为保护环境与经济增长并重, 不断推动资源可持续发展, 同时环保部门加大整治环境污染力度, 有效地控制了PM2.5污染[51].但在四川盆地局部地区仍有PM2.5污染加剧的情况, 主要出现在经济欠发达地区, 这可能与当地大气防控投入以及当地产业结构有关.本文对四川盆地PM2.5浓度进行了空间自相关分析, 发现研究区内PM2.5浓度存在明显的空间集聚效应, 成都市至重庆市主城区的PM2.5跨区域传输现象近年来呈现加重趋势, 需将此地区作为四川盆地地区的大气治理联防联控的重点管控地区, 以防未来出现稳定持续的PM2.5连片污染区[52].
PM2.5污染的加剧很大程度上与自然条件及人类活动影响密切相关, 如何科学可靠地分析PM2.5浓度影响因子是治理PM2.5污染的关键[53].本文基于灰色关联分析方法研究了各类影响因素对PM2.5浓度的影响程度, 分析结果表明, 风速、植被与人口密度是对四川盆地PM2.5浓度影响最大的3个因子, 其中四川盆地的风速与PM2.5浓度的影响最为显著.植被方面, 本文发现不同区域的NDVI对PM2.5浓度的影响存在空间差异, 区域植被类型分布分析表明, NDVI对PM2.5浓度影响大的地区针叶林普遍占比较高, 相关研究证实, 针叶树等乔木相对于矮小的植物, 有更高的去除气体污染物和颗粒污染物的能力[54, 55].包鹏威等[56]在静风和恒温恒湿的条件下, 研究了不同植被对PM2.5、PM10的阻滞作用, 认为乔木附着颗粒物能力大于灌木; 王蕾等[57]通过对6种针叶林叶面附着颗粒物能力的研究表明, 针叶林凭借更小更密集的叶子、更复杂的枝茎和全年的有叶期, 比阔叶林有更好的颗粒物阻滞能力.四川盆地植被类型较为丰富, 植被因素与PM2.5浓度变化的关系较为复杂, 因此在研究大气污染与植被的关系时, 应进一步考虑植被类型对PM2.5浓度的影响, 同时, 在制定PM2.5控制措施时, 应进一步提高城市植被覆盖, 特别是提高针叶林等乔木的种植比例, 合理的城市绿化对提高四川盆地大气环境质量具有重要作用.
气象条件会改变PM2.5浓度, 例如相对湿度和温度与颗粒组成相关, 并影响大气污染的排放和水平输送, 而气压则影响大气稳定性和大气污染物的垂直扩散, 降水会对PM2.5具有冲洗作用[58, 59].风速与气温是影响四川盆地PM2.5浓度的主要气象因素, 赵秀娟等[60]对北京2011年秋季雾-霾天气象条件对PM2.5污染的作用进行讨论, 认为气象条件的不同造成了PM2.5浓度的空间分布差异; 冯小琼等[61]对成都市2019~2020年间3次灰霾污染的研究发现, 3次污染过程中均出现在温度和相对湿度持续上升, 风速和边界高度持续降低的不利气象条件下.同时, 气象因子对PM2.5浓度的影响明显受地形制约, 四川盆地周缘山地PM2.5浓度的气象因子敏感性明显大于平原地区, 郭晓梅[62]利用WRF-Chem模拟了四川盆地一次持续性的重霾过程, 并进行了有无盆地地形的敏感性试验, 结果表明地形作用使盆地内PM2.5浓度偏高, 地形影响贡献率约70%, 因此当地相关部门在制定大气污染治理措施时, 需要充分地考虑到地形对PM2.5浓度所带来的影响, 因地制宜地提出大气污染治理政策.
人类活动方面, 人口高密度聚集及当地经济发展水平是影响四川盆地PM2.5浓度变化的主要因素, 人口密度越高、人类活动越频繁, 各种污染物排放量会随之增高, 使得PM2.5浓度上升[24, 63~65].第二产业GDP与PM2.5的灰色关联度低于地区生产总值与PM2.5的关联度, 一方面, 四川盆地第二产业以酒、饮料和精茶制造业、农副食品加工业以及计算机、通信和其他电子设备制造业等轻工业为主, 以上产业对PM2.5浓度的影响相对较弱; 另一方面, 四川盆地在经济高速发展过程中, 并不只是第二产业对PM2.5浓度产生影响, 其他产业同样对四川盆地PM2.5产生影响, 例如第一产业中的农作物秸秆焚烧[66]、第三产业的交通运输业与餐饮业同样会为PM2.5浓度的增长做出贡献[67].当前成都市及重庆市受人口密度影响较小, 主要原因在于这两个城市的人口密度增加趋势趋缓, 地区的空气治理力度加强[24].巴中市PM2.5浓度受人口密度及经济活动影响明显高于四川盆地其他城市, 表明该城市的经济发展仍需以牺牲环境为代价, 若想有效解决当地的大气污染问题, 需优化本市产业结构, 减少大气污染物排放, 有效协调当地经济发展与大气环境安全的关系.
4 结论(1) 四川盆地2000~2017年PM2.5浓度总体呈现出“中间高, 四周低”的空间格局, 四川盆地PM2.5浓度在低海拔地区较高, 越靠近盆地周边高海拔地区PM2.5浓度越低.高值区主要集中于各市主城区, PM2.5污染最严重的地区为成都市金牛区与重庆市渝中区.从时间序列上看, 近18年间四川盆地PM2.5年均浓度变化总体呈现出先升后降的趋势, 少数年份略有波动.
(2) 四川盆地PM2.5浓度空间自相关分析结果表明, 2000~2017年四川盆地PM2.5浓度具有显著的空间聚集性; 局部自相关分析结果表明, 四川盆地高-高聚集区多集中在成都-重庆及其沿线城市, PM2.5浓度较高的城市间空间自相关性强.而低-低聚集区主要集中分布在四川盆地边缘城市.
(3) 近18年, 四川盆地PM2.5年均浓度受自然环境与人类活动的综合影响, 自然因子中, 植被、风速和气温对PM2.5浓度影响较大.人类活动方面, 人口密度与经济规模对PM2.5浓度产生显著的影响.
| [1] | Li R, Mei X, Chen L F, et al. Influence of spatial resolution and retrieval frequency on applicability of satellite-predicted PM2.5 in northern China[J]. Remote Sensing, 2020, 12(4). DOI:10.3390/rs12040736 |
| [2] |
林瑜, 叶芝祥, 杨怀金, 等. 成都市西南郊区春季大气PM2.5的污染水平及来源解析[J]. 环境科学, 2016, 37(5): 1629-1638. Lin Y, Ye Z X, Yang H J, et al. Pollution level and source apportionment of atmospheric particles PM2.5 in southwest suburb of Chengdu in spring[J]. Environmental Science, 2016, 37(5): 1629-1638. DOI:10.13227/j.hjkx.2016.05.005 |
| [3] | 曹军骥. PM2.5与环境[M]. 北京: 科学出版社, 2014. |
| [4] | Wu J S, Li J T, Zhou L G, et al. Impacts of AOD correction and spatial scale on the correlation between high-resolution AOD from Gaofen-1 Satellite and in Situ PM2.5 measurements in Shenzhen City, China[J]. Remote Sensing, 2019, 11(19). DOI:10.3390/rs11192223 |
| [5] | Zhang K N, de Leeuw G, Yang Z Q, et al. Estimating spatio-temporal variations of PM2.5 concentrations Using VIIRS-derived AOD in the Guanzhong Basin, China[J]. Remote Sensing, 2019, 11(22). DOI:10.3390/rs11222679 |
| [6] | Huang Y S, Ji Y X, Zhu Z M, et al. Satellite-based spatiotemporal trends of ambient PM2.5 concentrations and influential factors in Hubei, Central China[J]. Atmospheric Research, 2020, 241. DOI:10.1016/j.atmosres.2020.104929 |
| [7] | Xue Y, Li Y, Guang J, et al. Hourly PM2.5 estimation over central and eastern China based on Himawari-8 data[J]. Remote Sensing, 2020, 12(5). DOI:10.3390/rs12050855 |
| [8] |
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. DOI:10.11821/dlxb201711012 |
| [9] | Tan H Y, Chen Y M, Wilson J P, et al. An eigenvector spatial filtering based spatially varying coefficient model for PM2.5 concentration estimation: a case study in Yangtze River Delta region of China[J]. Atmospheric Environment, 2020, 223. DOI:10.1016/j.atmosenv.2019.117205 |
| [10] | Xiao Q Y, Wang Y J, Chang H H, et al. Full-coverage high-resolution daily PM2.5 estimation using MAIAC AOD in the Yangtze River Delta of China[J]. Remote Sensing of Environment, 2017, 199. DOI:10.1016/j.rse.2017.07.023 |
| [11] |
王桂林, 张炜. 中国城市扩张及空间特征变化对PM2.5污染的影响[J]. 环境科学, 2019, 40(8): 3447-3456. Wang G L, Zhang W. Effects of urban expansion and changes in urban characteristics on PM2.5 pollution in China[J]. Environmental Science, 2019, 40(8): 3447-3456. |
| [12] |
刘可可, 张红, 刘桂建. 合肥市PM2.5和PM10中元素组成特征及重污染成因分析[J]. 环境科学, 2019, 40(8): 3415-3420. Liu K K, Zhang H, Liu G J. Elemental composition characteristics of PM2.5 and PM10, and heavy pollution analysis in Hefei[J]. Environmental Science, 2019, 40(8): 3415-3420. |
| [13] |
邱晨晨, 于兴娜, 丁铖, 等. 南京江北新区冬季PM2.5中化学组分的昼夜变化特征及其来源解析[J]. 环境科学, 2020, 41(2): 529-536. Qiu C C, Yu X N, Ding C, et al. Diurnal variations and source apportionment of water-soluble ions in PM2.5 during winter in Nanjing Jiangbei new Area[J]. Environmental Science, 2020, 41(2): 529-536. |
| [14] |
张剑飞, 姜楠, 段时光, 等. 郑州市PM2.5化学组分的季节变化特征及来源解析[J]. 环境科学, 2020, 41(11): 4813-4824. Zhang J F, Jiang N, Duan S G, et al. Seasonal chemical composition characteristics and source apportionment of PM2.5 in Zhengzhou[J]. Environmental Science, 2020, 41(11): 4813-4824. DOI:10.3969/j.issn.1000-6923.2020.11.021 |
| [15] |
南洋, 张倩倩, 张碧辉. 基于GAM模型分析中国典型区域网格化PM2.5长期变化影响因素[J]. 环境科学, 2020, 41(2): 499-509. Nan Y, Zhang Q Q, Zhang B H. Influencing factors of long-term variations on gridded PM2.5 of typical regions in China based on GAM model[J]. Environmental Science, 2020, 41(2): 499-509. |
| [16] |
夏晓圣, 陈菁菁, 王佳佳, 等. 基于随机森林模型的中国PM2.5浓度影响因素分析[J]. 环境科学, 2020, 41(5): 2057-2065. Xia X S, Chen Q Q, Wang J J, et al. PM2.5 concentration influencing factors in China based on the random forest model[J]. Environmental Science, 2020, 41(5): 2057-2065. |
| [17] |
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. DOI:10.11821/dlxb201912014 |
| [18] |
黄小刚, 邵天杰, 赵景波, 等. 汾渭平原PM2.5浓度的影响因素及空间溢出效应[J]. 中国环境科学, 2019, 39(8): 3539-3548. Huang X G, Shao T J, Zhao J B, et al. Influence factors and spillover effect of PM2.5 concentration on Fen-wei Plain[J]. China Environmental Science, 2019, 39(8): 3539-3548. DOI:10.3969/j.issn.1000-6923.2019.08.049 |
| [19] | Ji L, Zhang Q, Fu X W, et al. Feedback of airborne bacterial consortia to haze pollution with different PM2.5 levels in typical mountainous terrain of Jinan, China[J]. Science of the Total Environment, 2019, 695. DOI:10.1016/j.scitotenv.2019.133912 |
| [20] | Wang S J, Liu X P, Yang X, et al. Spatial variations of PM2.5 in Chinese cities for the joint impacts of human activities and natural conditions: a global and local regression perspective[J]. Journal of Cleaner Production, 2018, 203. DOI:10.1016/j.jclepro.2018.08.249 |
| [21] | Pang Y J, Yu B, He M, et al. Radiocarbon characterization study of atmospheric PM2.5 in Beijing during the 2014 APEC Summit[J]. Radiocarbon, 2019, 61(6): 1643-1652. DOI:10.1017/RDC.2019.88 |
| [22] |
肖致美, 徐虹, 李立伟, 等. 基于在线观测的天津市PM2.5污染特征及来源解析[J]. 环境科学, 2020, 41(10): 4355-4363. Xiao Z M, Xu H, Li L W, et al. Characterization and source apportionment of PM2.5 based on the online observation in Tianjin[J]. Environmental Science, 2020, 41(10): 4355-4363. |
| [23] |
刘威杰, 石明明, 程铖, 等. 夏季大气PM2.5中元素特征及源解析: 以华中地区平顶山-随州-武汉为例[J]. 环境科学, 2020, 41(1): 23-30. Liu W J, Shi M M, Cheng C, et al. Characteristics and sources of elements in PM2.5 during summer for three typical cities in Pingdingshan-Suizhou-Wuhan, Central China[J]. Environmental Science, 2020, 41(1): 23-30. |
| [24] |
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. Wang S J, Gao S, Chen J. Spatial heterogeneity of driving factors of urban haze pollution in China based on GWR model[J]. Geographical Research, 2020, 39(3): 651-668. |
| [25] |
贺祥, 林振山, 刘会玉, 等. 基于灰色关联模型对江苏省PM2.5浓度影响因素的分析[J]. 地理学报, 2016, 71(7): 1119-1129. He X, Lin Z S, Liu H Y, et al. Analysis of the driving factors of PM2.5 in Jiangsu province based on grey correlation model[J]. Acta Geographica Sinica, 2016, 71(7): 1119-1129. |
| [26] | Xue W H, Zhang J, Zhong C, et al. Satellite-derived spatiotemporal PM2.5 concentrations and variations from 2006 to 2017 in China[J]. Science of the Total Environment, 2020, 712. DOI:10.1016/j.scitotenv.2019.134577 |
| [27] | Fu D S, Song Z J, Zhang X L, et al. Similarities and differences in the temporal variability of PM2.5 and AOD between urban and rural stations in Beijing[J]. Remote Sensing, 2020, 12(7). DOI:10.3390/rs12071193 |
| [28] | Wang X P, Sun W B, Zheng K N, 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. DOI:10.1016/j.atmosenv.2019.117089 |
| [29] | Zhang X Y, Hu H B. Combining data from multiple sources to evaluate spatial variations in the economic costs of PM2.5-Related health conditions in the Beijing-Tianjin-Hebei Region[J]. International Journal of Environmental Research and Public Health, 2019, 16(20). DOI:10.3390/ijerph16203994 |
| [30] |
李菲, 谭浩波, 邓雪娇, 等. 珠三角地区利用PM2.5反演气溶胶数浓度谱方法[J]. 环境科学, 2019, 40(2): 525-531. Li F, Tan H B, Deng X J, et al. A method of aerosol particle number size distribution inversed by PM2.5 mass concentration in PRD[J]. Environmental Science, 2019, 40(2): 525-531. |
| [31] | Huang X F, Zou B B, He L Y, et al. Exploration of PM2.5 sources on the regional scale in the Pearl River Delta based on ME-2 modeling[J]. Atmospheric Chemistry and Physics, 2018, 18(16): 11563-11580. DOI:10.5194/acp-18-11563-2018 |
| [32] | Chen Y A, Fung J C H, Chen D H, et al. Source and exposure apportionments of ambient PM2.5 under different synoptic patterns in the Pearl River Delta region[J]. Chemosphere, 2019, 236. DOI:10.1016/j.chemosphere.2019.06.236 |
| [33] | Wang H, Li J W, Gao Z Q, et al. High-Spatial-Resolution population exposure to PM2.5 pollution based on multi-satellite retrievals: a case study of seasonal variation in the Yangtze River Delta, China in 2013[J]. Remote Sensing, 2019, 11(23). DOI:10.3390/rs11232724 |
| [34] | She Q N, Choi M, Belle J H, et al. Satellite-based estimation of hourly PM2.5 levels during heavy winter pollution episodes in the Yangtze River Delta, China[J]. Chemosphere, 2020, 239. DOI:10.1016/j.chemosphere.2019.124678 |
| [35] | 宁贵财. 四川盆地西北部城市群冬季大气污染气象成因及其数值模拟研究[D]. 兰州: 兰州大学, 2018. |
| [36] | 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. |
| [37] | He C Y, Gao B, Huang Q X, et al. Environmental degradation in the urban areas of China: evidence from multi-source remote sensing data[J]. Remote Sensing of Environment, 2017, 193: 65-75. DOI:10.1016/j.rse.2017.02.027 |
| [38] | Shi Y S, Matsunaga T, Yamaguchi Y, et al. Long-term trends and spatial patterns of satellite-retrieved PM2.5 concentrations in South and Southeast Asia from 1999 to 2014[J]. Science of the Total Environment, 2018, 615: 177-186. DOI:10.1016/j.scitotenv.2017.09.241 |
| [39] | 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 |
| [40] |
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. |
| [41] | 四川省统计局, 国家统计局四川调查总队. 四川统计年鉴(2001年~2018年)[M]. 北京: 中国统计出版社, 2001-2018. |
| [42] | 重庆市统计局, 国家统计局重庆调查总队. 重庆统计年鉴(2001年~2018年)[M]. 北京: 中国统计出版社, 2001-2018. |
| [43] | Jiang L, He S X, Zhou H F. Spatio-temporal characteristics and convergence trends of PM2.5 pollution: a case study of cities of air pollution transmission channel in Beijing-Tianjin-Hebei region, China[J]. Journal of Cleaner Production, 2020, 256. DOI:10.1016/j.jclepro.2020.120631 |
| [44] | Wang C, Wood J, Wang Y J, et al. CO2 emission in transportation sector across 51 countries along the belt and road from 2000 to 2014[J]. Journal of Cleaner Production, 2020, 266. DOI:10.1016/j.jclepro.2020.122000 |
| [45] | Zhang D J, Ge W Y, Zhang Y. Evaluating the vegetation restoration sustainability of ecological projects: a case study of Wuqi County in China[J]. Journal of Cleaner Production, 2020, 264. DOI:10.1016/j.jclepro.2020.121751 |
| [46] | He D, Yi G H, Zhang T B, et al. Temporal and spatial characteristics of EVI and Its response to climatic factors in recent 16 years based on grey relational analysis in Inner Mongolia Autonomous Region, China[J]. Remote Sensing, 2018, 10(6). DOI:10.3390/rs10060961 |
| [47] | Huang X L, Zhang T B, Yi G H, et al. Dynamic changes of NDVI in the growing season of the Tibetan Plateau during the past 17 years and Its response to climate change[J]. International Journal of Environmental Research and Public Health, 2019, 16(18). DOI:10.3390/ijerph16183452 |
| [48] | GB 3095-2012, 环境空气质量标准[S]. |
| [49] | WHO/SDE/PHE/OEH/06.02, 世卫组织关于颗粒物、臭氧、二氧化氮和二氧化硫的空气质量准则[S]. |
| [50] | Dong T T T D, Stock W D, Callan A C., et al. Emission factors and composition of PM2.5 from laboratory combustion of five Western Australian vegetation types[J]. Science of the Total Environment, 2020, 703. DOI:10.1016/j.scitotenv.2019.134796 |
| [51] |
郑保利, 梁流涛, 李明明. 1998~2016年中国地级以上城市PM2.5污染时空格局[J]. 中国环境科学, 2019, 39(5): 1909-1919. Zheng B L, Liang L T, Li M M. Analysis of temporal and spatial patterns of PM2.5 in prefecture-level cities of China from 1998 to 2016[J]. China Environmental Science, 2019, 39(5): 1909-1919. DOI:10.3969/j.issn.1000-6923.2019.05.014 |
| [52] |
刘海猛, 方创琳, 黄解军, 等. 京津冀城市群大气污染的时空特征与影响因素解析[J]. 地理学报, 2018, 73(1): 177-191. Liu H M, Fang C L, Huang J J, et al. The spatial-temporal characteristics and influencing factors of air pollution in Beijing-Tianjin-Hebei urban agglomeration[J]. Acta Geographica Sinica, 2018, 73(1): 177-191. |
| [53] |
周敏丹, 匡耀求, 云国梁. 基于地理探测器的广州市大气PM2.5浓度驱动因素分析[J]. 环境科学研究, 2020, 33(2): 271-279. Zhou M D, Kuang Y Q, Yun G L. Analysis of driving factors of atmospheric PM2.5 concentration in Guangzhou city based on geo-detector[J]. Research of Environmental Sciences, 2020, 33(2): 271-279. |
| [54] |
吴海龙, 余新晓, 师忱, 等. PM2.5特征及森林植被对其调控研究进展[J]. 中国水土保持科学, 2012, 10(6): 116-122. Wu H L, Yu X X, Shi C, et al. Advances in the study of PM2.5 characteristic and the regulation of forests to PM2.5[J]. Science of Soil and Water Conservation, 2012, 10(6): 116-122. DOI:10.3969/j.issn.1672-3007.2012.06.020 |
| [55] |
王嫣然, 张学霞, 赵静瑶, 等. 2013~2014年北京地区PM2.5时空分布规律及其与植被覆盖度关系的研究[J]. 生态环境学报, 2016, 25(1): 103-111. Wang Y R, Zhang X X, Zhao J Y, et al. Temporal and spatial distribution of PM2.5 and its relationship with vegetation coverage in Beijing during the period of 2013-2014[J]. Ecology and Environmental Sciences, 2016, 25(1): 103-111. |
| [56] |
包鹏威, 牛健植, 陈上杰. 室内模拟分析8种常绿景观植被对PM10、PM2.5的阻滞作用[J]. 水土保持学报, 2015, 29(6): 160-164, 171. Bao P W, Niu J Z, Chen S J. Analyzing blocking effects of 8 kinds of evergreen landscape vegetation on PM10 and PM2.5 by indoor simulation[J]. Journal of Soil and Water Conservation, 2015, 29(6): 160-164, 171. |
| [57] |
王蕾, 哈斯, 刘连友, 等. 北京市六种针叶树叶面附着颗粒物的理化特征[J]. 应用生态学报, 2007, 18(3): 487-492. Wang L, Ha S, Liu L Y, et al. Physico-chemical characteristics of ambient particles settling upon leaf surface of six conifers in Beijing[J]. Chinese Journal of Applied Ecology, 2007, 18(3): 487-492. DOI:10.3321/j.issn:1001-9332.2007.03.004 |
| [58] |
李敏, 张文娟, 吕晨, 等. 济南市冬季一次典型重污染过程分析[J]. 环境科学研究, 2018, 31(11): 1867-1875. Li M, Zhang W J, Lü C, et al. Analysis of a typical heavy pollution event in winter in Jinan City[J]. Research of Environmental Sciences, 2018, 31(11): 1867-1875. |
| [59] | 邓君俊. 长三角地区霾天气形成机理和预报方法研究[D]. 南京: 南京大学, 2011. |
| [60] |
赵秀娟, 蒲维维, 孟伟, 等. 北京地区秋季雾霾天PM2.5污染与气溶胶光学特征分析[J]. 环境科学, 2013, 34(2): 416-423. Zhao X J, Pu W W, Meng W, et al. PM2.5 pollution and aerosol optical properties in fog and haze days during autumn and winter in Beijing Area[J]. Environmental Science, 2013, 34(2): 416-423. |
| [61] |
冯小琼, 陈军辉, 尹寒梅, 等. 成都市冬季3次灰霾污染过程特征及成因分析[J]. 环境科学, 2020, 41(10): 4382-4391. Feng X Q, Chen J H, Yin H M, et al. Characteristics and formation mechanism of three haze pollution processes in Chengdu in winter[J]. Environmental Science, 2020, 41(10): 4382-4391. |
| [62] | 郭晓梅. 四川盆地空气质量气候特征及其大地形影响效应的观测模拟研究[D]. 南京: 南京信息工程大学, 2016. |
| [63] |
杨冕, 王银. 长江经济带PM2.5时空特征及影响因素研究[J]. 中国人口·资源与环境, 2017, 27(1): 91-100. Yang M, Wang Y. Spatial-temporal characteristics of PM2.5 and its influencing factors in the Yangtze River Economic Belt[J]. China Population, Resources and Environment, 2017, 27(1): 91-100. |
| [64] |
许珊, 邹滨, 王敏, 等. PM2.5浓度空间估算的神经网络与克里格方法对比[J]. 武汉大学学报(信息科学版), 2020, 45(10): 1642-1650. Xu S, Zou B, Wang M, et al. Performance comparison of artificial neural network and Kriging in spatial estimation of PM2.5 concentration[J]. Geomatics and Information Science of Wuhan University, 2020, 45(10): 1642-1650. |
| [65] |
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. DOI:10.13227/j.hjkx.2015.09.001 |
| [66] |
陈卫卫, 刘阳, 吴雪伟, 等. 东北区域空气质量时空分布特征及重度污染成因分析[J]. 环境科学, 2019, 40(11): 4810-4823. Chen W W, Liu Y, Wu X W, et al. Spatial and temporal characteristics of air quality and cause analysis of heavy pollution in northeast China[J]. Environmental Science, 2019, 40(11): 4810-4823. DOI:10.13227/j.hjkx.201807159 |
| [67] |
齐园, 张永安. 北京三次产业演变与PM2.5排放的动态关系研究[J]. 中国人口·资源与环境, 2015, 25(7): 15-23. Qi Y, Zhang Y A. Dynamic relationship between the evolution of three industries and PM2.5 emissions in Beijing[J]. China Population, Resources and Environment, 2015, 25(7): 15-23. DOI:10.3969/j.issn.1002-2104.2015.07.003 |