2022, Vol. 43
2. 郑州大学地球科学与技术学院, 郑州 450001;
3. 郑州大学河南省超级计算中心, 郑州 450053
2. School of Geoscience and Technology, Zhengzhou University, Zhengzhou 450001, China;
3. Henan Province Supercomputing Center, Zhengzhou University, Zhengzhou 450053, China
大气污染问题是当今全球气候变化研究的重点关注问题, PM2.5是颗粒直径≤2.5 μm的可吸入肺颗粒物, 是大气污染中对人体危害较大的物质之一.已有研究表明[1~3], PM2.5对人体呼吸系统、血液循环系统甚至神经系统都有危害. 20世纪80年代以来, 我国大部分城市空气质量逐步恶化, 雾-霾污染情况越来越严重[4]. PM2.5是雾-霾中主要成分[5], 特定温度下, 臭氧(O3)、二氧化硫(SO2)、氮氧化物(NOx)和颗粒物在大气中产生复杂物化反应形成PM2.5.气象要素比如降水量和风速等影响PM2.5的传播.研究PM2.5的形成和传播对治理PM2.5和减少雾-霾天气有积极作用[6].
近些年有不同学者针对PM2.5时空分布情况研究以揭示PM2.5形成和传播规律[7]、化学构成[8]和对人体健康的影响[9].有学者研究中国PM2.5时空演化特征发现, 21世纪以来中国PM2.5污染平均浓度呈现快速增加后趋于稳定的演化态势[10], 在空间上, PM2.5浓度整体上呈现北方高于南方, 东部高于西部趋势, 污染浓度高值区聚集在华北平原、长三角下游平原、四川盆地和塔克拉玛干沙漠四大区域.河南省处于华北平原高值聚集区, 研究河南省PM2.5时空特征和驱动因素意义重大.在PM2.5排放影响因素研究方面, 有学者研究了2005~2014年各个省份PM2.5排放量发现[11], 在这10 a中各个省份PM2.5排放量都有不同程度增加, 其中火力发电、生物质燃烧和建筑材料的使用是PM2.5排放的主要来源, 由于地区生产总值(gross domestic product, GDP)和人口数量的影响, 中国东部省份的PM2.5排放量最大.在全国PM2.5污染分布情况研究方面, 有学者以城市为单位[12], 分析全国338个地级市PM2.5浓度发现, 有235个城市超出国家年度PM2.5浓度标准, PM2.5日均值变化大致呈现W型, 同时PM2.5污染的热点区域在京津冀地区.
气溶胶光学厚度(AOD)是指垂直方向上介质消光系数的积分, 在研究大气环境中有重要作用.PM2.5时空分布和影响因素相关研究使用的PM2.5数据主要是经过线性回归模型(OLS)[13]、地理加权回归模型(GWR)[14]、混合模型[15~18]和深度学习模型[19~22]反演气溶胶光学厚度数据产生.以上研究方法主要涉及基于ArcGIS、MATLAB等的空间计量方法, 比如全局Moran's I指数和空间热点分析Getis-Ord Gi*等.在探究空间分异性的研究方法方面, 地理探测器是由王劲峰等[23]提出的一种新的探测空间分异性及揭示其背后驱动因子的统计方法, 其包含的分异及因子探测可以探测单因子对因变量的解释力度; 交叉作用探测可以探测不同影响因子对因变量的交互作用; 风险区探测可以判断两个影响因子之间属性均值是否有显著差别; 生态探测用于比较两个影响因子对因变量的空间分布影响是否有显著差异.
本研究基于河南省2015~2019年PM2.5日均值数据, 结合空间自相关和空间重心转移模型, 分析5年来河南省PM2.5浓度时空特征.引入地理探测器, 分析臭氧浓度(O3)、PM10浓度、二氧化氮浓度(NO2)、降水量、温度、风速、GDP、人口数量和土地利用类型等多个影响因子对PM2.5浓度解释力度大小, 探讨PM2.5浓度变化的驱动因素.本研究对于分析河南省PM2.5污染情况和制定治理大气污染政策提供理论支持.
1 材料与方法 1.1 研究区概况河南省地势西高东低, 地形以平原旱地为主, 豫西有大面积有林地, 中部地区和豫南有大面积水田.河南西部有秦岭太行山脉, 北部横跨黄河.大部分地处暖温带, 属于大陆性季风气候.根据河南省统计局2016年统计年鉴数据[24], 截至2015年底全省人口10 722万人, 其中城镇人口5 053万人, 农村人口5 699万人, GDP全年37 002亿元.图 1为研究区域高程和气象监测站点分布.本文以河南省为研究区域, 应用空间自相关、空间重力转移模型和空间热点探测模型等方法分析2015~2019年PM2.5在时间和空间上的变化特征, 应用地理探测器探讨2015年研究区域内人口数量、土地利用类型、GDP、臭氧浓度、风速、温度、PM10浓度、NO2浓度和降水量对PM2.5浓度的影响.
|
图 1 高程和监测站点分布 Fig. 1 Distribution of monitoring stations and elevation |
PM2.5浓度数据来自达尔豪斯大学ACAG(Atmospheric Composition Analysis Group)组织.该数据包含MIN、MAX、RANGE、MEAN、STD和SUM数据, 使用MATLAB R2018b处理并导出为TIFF数据.该产品是当前全球应用广泛的PM2.5浓度数据, 具有覆盖面积广和时间序列长的优点.如图 2为处理后的研究区域内PM2.5浓度数据年均值空间分布.
|
图 2 2015~2019年PM2.5浓度年均值空间分布 Fig. 2 Spatial distribution of annual mean value of PM2.5 concentration from 2015 to 2019 |
已有研究表明气象因素对PM2.5有影响[25~28].本研究使用的空气质量数据包括臭氧浓度、PM10浓度和NO2浓度等来自中国环境监测总站(http://106.37.208.233:20035/), 源数据包含2015~2019年AQI、PM2.5、PM10、臭氧、NO2和SO2等数据.其中NO2、PM10浓度和臭氧浓度经过插值, 计算年平均值.气象数据包括气温、风速和降水量等数据来自美国国家气候数据中心(www.ncdc.noaa.gov/).除了气象要素外, 社会因素诸如全年GDP和人口数量等因素也对PM2.5浓度有较大的影响.本研究引入全年GDP、土地利用类型和人口数量因素, 探讨对PM2.5浓度的影响.其中GDP栅格数据来自中国科学院地理科学与资源研究所中国GDP空间分布公里网格数据集[29].人口数量栅格数据来自Scientific Data的World Pop数据集[30]. 2015年气象数据和社会因素数据较为完整, 因此本研究使用2015年数据研究PM2.5驱动因素, 栅格数据构建格网读取格网中心值, 对于缺失数据使用插值方法补全.图 3为研究区域内格网划分和影响因子栅格数据.
|
图 3 格网划分和影响因子栅格数据 Fig. 3 Grid division and impact factor raster data |
空间自相关Moran's I统计可以表示为：
|
(1) |
式中, n为研究区(本研究为县级行政单位)的个数, yi和yj为研究区i研究区j的PM2.5浓度均值, y为所有的研究区的PM2.5浓度均值, S0为所有空间权重的聚合：
|
(2) |
空间自相关计算了观察指数值后将计算期望指数值, 并将期望指数值和观察指数值进行对比, 在给定数据的情况下, 计算标准化统计量Z(I)用以进行显著性检验：
|
(3) |
式中, Z(I)为衡量全局指数值的显著性水平值, E局指数值的数学(I)为全局指数值的数学期望值, Var(I)为全局指数值的方差.
本研究采用Getis-Ord Gi*热点分析方法, 分析PM2.5局部自相关性.Getis-Ord Gi*局部统计可表示为：
|
(4) |
|
(5) |
|
(6) |
式中, S为PM2.5在整体研究区域上的标准差. Gi*为统计学意义上的得分, 得分越高, 热点的聚类就越紧密, 反之, 冷点的聚类就越紧密.
1.3.2 空间重心转移模型空间重心常用于城市发展、土地利用类型变化研究, 为了深入分析PM2.5时空特征, 引入物理学中重心概念用于展示PM2.5在研究区域内的转移情况.定义研究区域内污染空间重心坐标为：
|
(7) |
|
(8) |
式中X和Y为污染空间重心经纬度, n为划分研究区域的格网数量, Si为第i个格网的面积, Wi为第i个格网的PM2.5浓度值.
1.3.3 地理探测器地理探测器包含4个探测器：分异及因子探测、交互作用探测、风险区探测和生态探测.本研究主要使用分异及因子探测和交互作用探测解释PM2.5的驱动因素.
分异及因子探测是探测属性Y的空间分异性和某因子X对属性Y的解释力, 这个数值用q度量, q的计算公式为：
|
(9) |
式中, q为PM2.5影响因子的解释力, h为PM2.5浓度影响因子的分层, Nh和N分别为影响因子h和影响因子总数, σ2和σh2分别是研究区域整体样本量和分层h的方差.
交互作用探测是探测两个或多个影响因子共同作用对属性Y的影响程度, 首先应分别计算两种影响因子X1和X2对属性的解释力度q(X1)和q(X2), 再计算他们交互时的值q(X1∩X2), 将q(X1)、q(X2)和q(X1∩X2)进行对比, 此时有以下5种情况, 见表 1.
|
表 1 交互作用类型 Table 1 Types of interactions |
2 结果与分析 2.1 时间分布特征
根据中国环境空气质量标准, 将PM2.5浓度范围划分为5个等级：汇总2015~2019年日均值对应各个等级的天数所占全年的比重, 结果如图 4.其中：ρ(PM2.5)日均值处于0~35μg·m-3的占比从2015年的1.9%逐年增加到2019年的7.6%; 处于35~55μg·m-3的占比在2016~2018年这3 a有所下降, 但2015年和2019年仍然达到了30.9%和29.5%的高占比; 处于55~75μg·m-3的占比从2015年开始下降直到2017年后又升高.其中最高占比在2015年, 达到42.1%, 最低占比在2017年为24.6%.处于75~100μg·m-3的占比先是从2015年20.8%上升到2016年38.9%后2019年又回落到20.5%.处于100μg·m-3的占比从2015年的4.1%到2018年的13.6%逐年递增, 在2019年比重大幅度下降到0.5%.
|
图 4 2015~2019年PM2.5浓度变化趋势 Fig. 4 Variation tend of PM2.5 concentration from 2015 to 2019 |
2015~2019年河南省ρ(PM2.5)均值时间分布表明：高于100μg·m-3的极高污染天数在2019年得到改善; 而75~100μg·m-3的高污染天数从2016年之后持续下降; 75μg·m-3以上的天数在2019年相比之前的年份有明显下降, 自2017年以后, 全年超过50%天数PM2.5浓度处于75μg·m-3以下, 这表明PM2.5浓度整体呈现下降的趋势.
2.2 空间分布特征 2.2.1 空间自相关为了分析研究区域内PM2.5浓度空间分布特征, 以行政单位县级为单位, 进行河南省2015~2019年PM2.5浓度的全局空间自相关分析.分析其Moran's I发现(表 2)：从2015~2019年Moran's I均为正值, 且通过了P=0.01的显著性检验, 有明显的空间自相关性, 具有明显的空间聚集特征.全局Moran's I指数从2015年开始下降到2017年, 2018年和2019年自相关性显著大于前3 a, 整体符合先降后升的特征.
|
|
表 2 2015~2019年全局Moran's I指数 Table 2 Global Moran's I index from 2015 to 2019 |
2.2.2 空间热点分析
基于全局空间自相关分析的结果, 进行空间Getis-Ord Gi*热点分析, 探讨局部PM2.5浓度空间分布规律.分析结果显示(如图 5)：2015~2019年研究区域整体呈现强聚集性, 其中2015、2018和2019年局部地区呈现99%置信的聚集区域, 2016年和2017年呈现95%置信的聚集区域.从空间分布看, 热点聚集区集中在豫中、豫北地区, 这些地区空间相关程度高, 冷点聚集区集中在豫西地区, 2018年和2019年豫南地区有冷点聚集区, 这些地区空间相关程度低. 2015~2017年热点区域主要集中在焦作市、新乡市和安阳市等地, 冷点区域主要集中在洛阳市和南阳市的部分地区. 2018年热点区域主要集中在许昌市、漯河市、郑州市、开封市和安阳市的部分地区, 冷点区域集中在洛阳市、南阳市和信阳市的部分地区. 2019年空间分布和2018年大致相同但是极热点区域在空间上向北转移由许昌市来到安阳市.从时间上看, PM2.5浓度在河南省的空间自相关性整体呈现加强趋势, 2019年局部自相关性相比2015年有明显加强.从空间看, 空间自相关热点区域呈现北上的趋势, 从许昌市和焦作市等地逐步转移至豫北的安阳市地区.
|
图 5 空间冷热点分布 Fig. 5 Distribution of cold and hot spots in space |
引入物理学重心概念, 计算PM2.5浓度在空间上的重心迁移轨迹如图 6. 2015~2019年这5 a的PM2.5浓度空间重心大体都处于河南省中部地区, 从2015年以后空间重心整体呈现北上的趋势, 这表明PM2.5浓度大体有向北方转移的趋势, 这也和空间自相关的结果相同. 2015年PM2.5空间浓度重心位于漯河市; 2016年向西北方向转移至许昌市; 2017年继续向西北方向转移至长葛市; 2018年向东北方向转移至开封市; 2019年向西北方向转移至郑州市, 整体转移路线呈现N字型.
|
图 6 空间重心转移路线 Fig. 6 Space center of gravity transfer route |
为了探讨河南省PM2.5驱动因素对其的解释力度, 引入地理探测器, 考察分异及因子探测、交互作用探测和生态探测等多个探测器指标, 评价驱动因素的解释力度.在PM2.5和影响因子栅格数据上构建25 km×25 km格网, 读取格网中心值点数据并将其导入地理探测器.
2.3.1 单因子探测分析利用分异及因子探测器确定各个影响因子对PM2.5变化的影响程度, 结果如表 3所示.从结果可以看到, 所有影响因子对PM2.5浓度变化的影响程度在0.046~0.511之间.总体而言, 风速、降水量和温度等气象因素对PM2.5浓度变化的影响比空气质量因素臭氧浓度、PM10和NO2浓度更明显.这和之前的研究相吻合[31~33].对PM2.5浓度变化影响最大的单因子为土地利用类型(解释力度0.511, 下同), 影响最小的单因子为人口数量(0.046).已有研究表明[34~37], 土地利用等人为活动对PM2.5形成起到关键作用.降水可以有效缓解PM2.5传播和形成速度, 减少雾-霾天数.同时风速也在PM2.5传播中起到重要作用, 温度主要影响PM2.5的形成和大气中复杂的化学物理反应, 这些反应会加剧PM2.5形成, 导致严重的雾-霾天气, PM2.5指数暴增.
|
|
表 3 单因子探测分析结果 Table 3 Single-factor detection analysis results |
2.3.2 交互作用分析
交互作用探测器主要是探讨两个影响因子对PM2.5浓度变化的共同影响, 结果如表 4所示.从结果可以看到, 任何两个影响因子对PM2.5浓度变化的共同影响都要比单一影响因子明显, 相对于其他交互作用, 臭氧浓度和GDP的交互作用相对值(0.125)最低, 表明两者对PM2.5浓度变化共同影响小于其他影响因子组合的共同影响.土地利用类型影响因子在和其余影响因子组合后均有显著提升, 这也和单因子探测分析中得到的结果吻合.在实验结果中, 交互作用探测多为非线性增强, 只有GDP和风速为双因子增强, 这表明多个因素共同作用会显著增强对PM2.5浓度变化的解释力, 对PM2.5浓度变化的影响更加显著.可以预见的是, 以上影响因子在复杂条件下产生多种变化会对PM2.5浓度产生明显的影响.
|
|
表 4 交互作用结果 Table 4 Interaction results |
3 讨论
空气污染的形成和传播过程受到人为因素和自然条件影响, 科学地分析方法可以揭示PM2.5形成的驱动因素和传播的空间分布情况.本研究以2015~2019年PM2.5浓度日均值为基础, 分析时间分布特征, 计算全局空间自相关Moran's I指数, 分析局部空间热点区域; 引入物理学重心概念, 分析逐年PM2.5浓度重心变化轨迹, 揭示PM2.5传播情况.以2015年PM2.5浓度日均值和2015年气象数据和社会因素数据为基础, 引入地理探测器, 探讨臭氧浓度、PM10浓度、NO2浓度、风速、降水量、日均气温、年GDP、年人口数量和土地利用类型等影响因子对PM2.5浓度变化的影响, 得到对PM2.5浓度变化影响显著的因素.
在时间特征分布方面, 2015~2019年ρ(PM2.5)整体呈现降低的趋势, 这主要表现在100μg·m-3以上的高污染天数明显减少, 在2019年高污染天数只占到全年的0.5%.同时在2015~2019年ρ(PM2.5)低于35μg·m-3的低污染天数逐步增加, 高度污染逐渐转变为中度污染, 中度污染逐步转变为低污染.空气质量指数降低、空气污染减少表明人为治理取得成效, 关停工厂、汽车单双号限行等节能减排行为, 减少了颗粒物、SO2和氮氧化物的排放, 从PM2.5形成的角度减少PM2.5浓度.
在空间特征分布方面, 全局空间自相关分析表明2015~2019年PM2.5浓度有明显的空间自相关性, 具有明显的空间聚集特征, 且5 a的空间自相关性先降后升, 大体呈现U型.空间热点分析表明, 5 a的PM2.5浓度热点区域均位于豫北地区, 安阳市、鹤壁市、新乡市、焦作市和郑州市等地表现为明显的热点区域, 而三门峡市、洛阳市和南阳市等地表现为明显的冷点区域.豫北地区人口众多、经济相对河南其他地区较为发达, 因此在汽车尾气、工厂排放和花粉等自然源排放等因素方面影响较大, 这些人为因素对PM2.5浓度变化影响较大, 空气质量相对较差.而在冷点区域, 由于秦岭和太行山脉的影响, PM2.5的形成和传播受到阻碍, 相对河南省其他地区, PM2.5浓度长期处于较低水平, 空气质量较好, 这点从2015~2019年PM2.5年均值空间分布中也可看出.空间重心转移分析揭示了2015~2019年每年PM2.5浓度的重心范围, 可以看到整体呈现北上的趋势, 大致呈现N型.
在驱动因素方面, 单因子分析结果表明土地利用类型是对PM2.5浓度变化影响最大的影响因子, 降水量、风速和温度等气象要素的影响比臭氧浓度、PM10浓度和NO2浓度等空气质量因素更加显著.交互作用探测结果表明, 任何两种影响因子的组合都比两者单一的影响明显, 且大部分为非线性增强.这意味着多种影响因子共同作用会显著增加对PM2.5浓度变化的影响, 这和已有研究结果相吻合[38~40], 这也表明治理PM2.5应当从多方面下手, 单方面治理可能成效甚微.
4 结论(1) 河南省2015~2019年PM2.5浓度整体呈现降低的趋势, 这主要表现在高污染天数减少、低污染天数逐步增加, 高污染逐步向中污染转化.
(2) 河南省2015~2019年PM2.5浓度具有明显的空间自相关性, 有显著的空间聚集特征, 且5 a的全局空间自相关Moran's I指数先降后升, 整体呈现U型; 空间热点区域主要集中在豫北地区, 包含安阳市、鹤壁市、新乡市、焦作市和郑州市等地.冷点区域主要集中在豫西地区, 包含三门峡市、洛阳市和南阳市等地.空间热点区域的形成主要是因为汽车尾气、工厂排放等人为因素, 而空间冷点区域的形成主要是因为秦岭和太行山脉的影响. 2015~2019年5 a空间重心转移呈现出北上的趋势, 整体呈现N型.
(3) 基于2015年PM2.5浓度数据和其他影响因子数据所做的地理探测器分析表明, 对河南省2015年PM2.5浓度变化影响最大的因子是土地利用类型, 同时气象因素降水量、风速和温度等对PM2.5浓度变化的影响比空气质量因素臭氧浓度、PM10浓度和NO2更加显著.多个影响因子同时作用会比单因子更加显著.
| [1] | Lin H L, Guo Y F, Kowal P, et al. Exposure to air pollution and tobacco smoking and their combined effects on depression in six low- and middle-income countries[J]. The British Journal of Psychiatry, 2017, 211(3): 157-162. DOI:10.1192/bjp.bp.117.202325 |
| [2] | Chen Y, Luo X S, Zhao Z, et al. Summer-winter differences of PM2.5 toxicity to human alveolar epithelial cells (A549) and the roles of transition metals[J]. Ecotoxicology and Environmental Safety, 2018, 165: 505-509. DOI:10.1016/j.ecoenv.2018.09.034 |
| [3] | Yang N, Wu S W, Ji W J, et al. The exposure metric choices have significant impact on the association between short-term exposure to outdoor particulate matter and changes in lung function: findings from a panel study in chronic obstructive pulmonary disease patients[J]. Science of the Total Environment, 2016, 542: 264-270. DOI:10.1016/j.scitotenv.2015.10.114 |
| [4] | Li X, Gao Z Q, Li Y B, et al. Meteorological conditions for severe foggy haze episodes over north China in 2016-2017 winter[J]. Atmospheric Environment, 2019, 199: 284-298. DOI:10.1016/j.atmosenv.2018.11.042 |
| [5] |
张哲, 乔利平, 周敏, 等. 环境空气PM2.5化学组分监测数据审核指标的建立: 以长三角地区为例[J]. 环境科学, 2020, 41(11): 4786-4802. Zhang Z, Qiao L P, Zhou M, et al. Audit indicators and suggested ranges for data validation of chemical components in ambient PM2.5: a case study of the Yangtze River Delta[J]. Environmental Science, 2020, 41(11): 4786-4802. DOI:10.3969/j.issn.1000-6923.2020.11.018 |
| [6] | Matos P, Vieira J, Rocha B, et al. Modeling the provision of air-quality regulation ecosystem service provided by urban green spaces using lichens as ecological indicators[J]. Science of the Total Environment, 2019, 665: 521-530. DOI:10.1016/j.scitotenv.2019.02.023 |
| [7] |
李梦真, 张廷斌, 易桂花, 等. 四川盆地PM2.5浓度时空变化特征遥感监测与影响因子分析[J]. 环境科学, 2021, 42(7): 3136-3146. Li M Z, Zhang T B, Yi G H, et al. Spatio-temporal variation characteristics monitored by remotely sensed technique of PM2.5 concentration and its influencing factor analysis in Sichuan basin, China[J]. Environmental Science, 2021, 42(7): 3136-3146. |
| [8] |
刘保献, 杨懂艳, 张大伟, 等. 北京城区大气PM2.5主要化学组分构成研究[J]. 环境科学, 2015, 36(7): 2346-2352. Liu B X, Yang D Y, Zhang D W, et al. Chemical species of PM2.5 in the urban area of Beijing[J]. Environmental Science, 2015, 36(7): 2346-2352. |
| [9] |
郭云, 蒋玉丹, 黄炳昭, 等. 我国大气PM2.5及O3导致健康效益现状分析及未来10年预测[J]. 环境科学研究, 2021, 34(4): 1023-1032. Guo Y, Jiang Y D, Huang B Z, et al. Health impact of PM2.5 and O3 and forecasts for next 10 years in China[J]. Research of Environmental Sciences, 2021, 34(4): 1023-1032. |
| [10] |
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 |
| [11] | Jin Q, Fang X Y, Wen B, et al. Spatio-temporal variations of PM2.5 emission in China from 2005 to 2014[J]. Chemosphere, 2017, 183: 429-436. DOI:10.1016/j.chemosphere.2017.05.133 |
| [12] | Ye W F, Ma Z Y, Ha X Z. Spatial-temporal patterns of PM2.5 concentrations for 338 Chinese cities[J]. Science of the Total Environment, 2018, 631-63: 524-533. |
| [13] |
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. |
| [14] | Zou B, Fang X, Feng H H, et al. Simplicity versus accuracy for estimation of the PM2.5 concentration: a comparison between LUR and GWR methods across time scales[J]. Journal of Spatial Science, 2021, 66(2): 279-297. DOI:10.1080/14498596.2019.1624203 |
| [15] | Beckerman B S, Jerrett M, Serre M, et al. A hybrid approach to estimating national scale spatiotemporal variability of PM2.5 in the contiguous United States[J]. Environmental Science & Technology, 2013, 47(13): 7233-7241. |
| [16] | Ghotbi S, Sotoudeheian S, Arhami M. Estimating urban ground-level PM10 using MODIS 3km AOD product and meteorological parameters from WRF model[J]. Atmospheric Environment, 2016, 141: 333-346. DOI:10.1016/j.atmosenv.2016.06.057 |
| [17] | Xiao L, Lang Y C, Christakos G. High-resolution spatiotemporal mapping of PM2.5 concentrations at Mainland China using a combined BME-GWR technique[J]. Atmospheric Environment, 2018, 173: 295-305. DOI:10.1016/j.atmosenv.2017.10.062 |
| [18] | Yang Q Q, Yuan Q Q, Yue L W, et al. Investigation of the spatially varying relationships of PM2.5 with meteorology, topography, and emissions over China in 2015 by using modified geographically weighted regression[J]. Environmental Pollution, 2020, 262. DOI:10.1016/j.envpol.2020.114257 |
| [19] |
刘林钰, 张永军, 李彦胜, 等. 基于深度学习的华东地区PM2.5浓度遥感反演[J]. 环境科学, 2020, 41(4): 1513-1519. Liu L Y, Zhang Y J, Li Y S, et al. PM2.5 inversion using remote sensing data in eastern China based on deep learning[J]. Environmental Science, 2020, 41(4): 1513-1519. |
| [20] | Chen W Q, Ran H F, Cao X Y, et al. Estimating PM2.5 with high-resolution 1-km AOD data and an improved machine learning model over Shenzhen, China[J]. Science of the Total Environment, 2020, 746. DOI:10.1016/j.scitotenv.2020.141093 |
| [21] | Hu X F, Belle J H, Meng X, et al. Estimating PM2.5 concentrations in the conterminous United States using the random forest approach[J]. Environmental Science & Technology, 2017, 51(12): 6936-6944. |
| [22] | Wei J, Huang W, Li Z Q, et al. Estimating 1-km-resolution PM2.5 concentrations across China using the space-time random forest approach[J]. Remote Sensing of Environment, 2019, 231. DOI:10.1016/j.rse.2019.111221 |
| [23] |
王劲峰, 徐成东. 地理探测器: 原理与展望[J]. 地理学报, 2017, 72(1): 116-134. Wang J F, Xu C D. Geodetector: principle and prospective[J]. Acta Geographica Sinica, 2017, 72(1): 116-134. |
| [24] | 河南省统计局. 河南统计年鉴2016[M]. 北京: 中国统计出版社, 2016. |
| [25] |
赵阳, 胡恭任, 于瑞莲, 等. 2013年南昌市区PM2.5的浓度水平及时空分布特征与来源[J]. 环境科学研究, 2017, 30(6): 854-863. Zhao Y, Hu G R, Yu R L, et al. Concentrations and spatial-temporal characteristics and source analysis of PM2.5 in Nanchang city in 2013[J]. Research of Environmental Sciences, 2017, 30(6): 854-863. |
| [26] |
梁丹, 王彬, 王云琦, 等. 重庆市冬季PM2.5及气态污染物的分布特征与来源[J]. 环境科学研究, 2015, 28(7): 1039-1046. Liang D, Wang B, Wang Y Q, et al. Distribution characteristics and sources of PM2.5 and gaseous pollutants in winter in Chongqing[J]. Research of Environmental Sciences, 2015, 28(7): 1039-1046. |
| [27] |
陈菁, 彭金龙, 徐彦森. 北京市2014~2020年PM2.5和O3时空分布与健康效应评估[J]. 环境科学, 2021, 42(9): 4071-4082. Chen J, Peng J L, Xu Y S. Spatiotemporal distribution and health impacts of PM2.5 and O3 in Beijing, from 2014 to 2020[J]. Environmental Science, 2021, 42(9): 4071-4082. |
| [28] | Gui K, Che H Z, Wang Y Q, et al. Satellite-derived PM2.5 concentration trends over Eastern China from 1998 to 2016: relationships to emissions and meteorological parameters[J]. Environmental Pollution, 2019, 247: 1125-1133. DOI:10.1016/j.envpol.2019.01.056 |
| [29] | 徐新良. 中国GDP空间分布公里网格数据集[EB/OL]. https://www.resdc.cn/DOI/doi.aspx?DOIid=33, 2017-01-31. |
| [30] | Tatem A J. WorldPop, open data for spatial demography[J]. Scientific Data, 2017, 4. DOI:10.1038/sdata.2017.4 |
| [31] | Yang D Y, Wang X M, Xu J H, et al. Quantifying the influence of natural and socioeconomic factors and their interactive impact on PM2.5 pollution in China[J]. Environmental Pollution, 2018, 241: 475-483. DOI:10.1016/j.envpol.2018.05.043 |
| [32] | Isojunno S, Sadykova D, DeRuiter S, et al. Individual, ecological, and anthropogenic influences on activity budgets of long-finned pilot whales[J]. Ecosphere, 2017, 8(12). DOI:10.1002/ecs2.2044 |
| [33] | Zhou C S, Chen J, Wang S J. Examining the effects of socioeconomic development on fine particulate matter (PM2.5) in China's cities using spatial regression and the geographical detector technique[J]. Science of the Total Environment, 2018, 619-620: 436-445. DOI:10.1016/j.scitotenv.2017.11.124 |
| [34] | Yun G L, He Y R, Jiang Y T, et al. PM2.5 spatiotemporal evolution and drivers in the Yangtze River delta between 2005 and 2015[J]. Atmosphere, 2019, 10(2). DOI:10.3390/atmos10020055 |
| [35] | Yan J W, Tao F, Zhang S Q, et al. Spatiotemporal distribution characteristics and driving forces of PM2.5 in three urban agglomerations of the Yangtze River economic belt[J]. International Journal of Environmental Research and Public Health, 2021, 18(5). DOI:10.3390/ijerph18052222 |
| [36] | Xu Y L, Xue W B, Lei Y, et al. Spatiotemporal variation in the impact of meteorological conditions on PM2.5 pollution in China from 2000 to 2017[J]. Atmospheric Environment, 2020, 223. DOI:10.1016/j.atmosenv.2019.117215 |
| [37] |
杨伟, 姜晓丽. 华北地区大气细颗粒物(PM2.5)年际变化及其对土地利用/覆被变化的响应[J]. 环境科学, 2020, 41(7): 2995-3003. Yang W, Jiang X L. Interannual characteristics of fine particulate matter in North China and its relationship with land use and land cover change[J]. Environmental Science, 2020, 41(7): 2995-3003. DOI:10.3969/j.issn.1000-6923.2020.07.024 |
| [38] | Jing Z Y, Liu P F, Wang T H, et al. Effects of meteorological factors and anthropogenic precursors on PM2.5 concentrations in cities in China[J]. Sustainability, 2020, 12(9). DOI:10.3390/su12093550 |
| [39] | Huang C H, Liu K, Zhou L. Spatio-temporal trends and influencing factors of PM2.5 concentrations in urban agglomerations in China between 2000 and 2016[J]. Environmental Science and Pollution Research, 2021, 28(9): 10988-11000. DOI:10.1007/s11356-020-11357-z |
| [40] | Jin N, Li J, Jin M, et al. Spatiotemporal variation and determinants of population's PM2.5 exposure risk in China, 1998-2017: a case study of the Beijing-Tianjin-Hebei region[J]. Environmental Science and Pollution Research, 2020, 27(25): 31767-31777. DOI:10.1007/s11356-020-09484-8 |