2022, Vol. 43
2. 中国科学院地理科学与资源研究所资源与环境信息系统国家重点实验室, 北京 100101;
3. 陕西师范大学地理科学与旅游学院, 西安 710119
2. State Key Laboratory of Resources and Environmental Information System, Institute of Geographic Sciences and Natural Resources Research, Chinese Academy of Sciences, Beijing 100101, China;
3. School of Geography and Tourism, Shaanxi Normal University, Xi'an 710119, China
PM2.5(fine particulate matter)是指近地表空气中粒径≤2.5 μm的颗粒, 相比于其他污染物(NOx和SOx), 它可以长期悬浮在空气中, 不但会降低大气的能见度, 还会增加人类呼吸系统疾病的发病率, 严重影响人体健康[1~4].自1978年以来, 中国城市化水平迅速提高, 2018年其城市化率已达到59.58%, 预计到2030年将达到65%[3, 5].城市化的快速发展一方面提高了人们的生活水平, 同时也产生了以PM2.5为主要污染物的城市大气环境污染问题[6~9].据统计, 2000~2017年期间, 中国因PM2.5污染致死的人数增加了36.10%[10], 因此开展PM2.5时空演变及其与城市化的关系的研究对城市环境的保护及居民健康具有重要的意义.
目前已有诸多研究针对PM2.5浓度的时空演变及其与城市化的关联进行了分析[11~13].传统的研究主要采用站点实测数据来分析不同时间尺度的PM2.5浓度时空演变及影响因素[14~16], 该方法结果准确, 但易受监测站点空间分布不均和迁站导致的数据时间一致性较差等问题, 尽管全国338个地级以上城市的PM2.5监测站点数目在2016年已经达到1436个, 但仍存在站点监测时间序列较短和空间连续性较差等问题[17, 18].相比于站点监测, 卫星遥感数据由于其时空连续性好而被广泛应用在PM2.5浓度的反演及时空演变格局分析中[19].该方法主要是采用遥感反演的气溶胶光学厚度(aerosol optical depth, AOD)与PM2.5浓度之间构建定量模型来获取全球或区域的PM2.5浓度数据, 进而分析其时空演变及其与城市化的关联[3].如Hammer等[20]的研究利用遥感和地面监测数据等估算了全球1998~2018年PM2.5浓度变化, 认为全球呈上升的趋势, 但在北美和欧洲等城市化水平高的地区呈下降趋势; Wu等[21]的研究基于遥感和统计数据, 构建了中国地区城市化与站点实测的PM2.5浓度数据之间的环境库兹涅茨曲线框架, 认为经济城市化是影响PM2.5浓度的主要因素; Han等[6]的研究分析了中国城市化对PM2.5浓度的影响, 认为城市人口和第二产业等要素与城市PM2.5浓度显著相关; 王桂林等[22]的研究分析了2000~2015期间中国城市扩张对PM2.5的影响, 认为PM2.5浓度变化与夜间灯光指数关联性最强.在京津冀城市群, 刘海猛等[23]的研究利用多种模型分析了PM2.5浓度时空分异特征; 王桂林等[24]的研究分析了不透水表面和PM2.5浓度之间的关系, 认为不透水表面的扩张会加剧PM2.5浓度的聚集.综上, 国内外学者针对PM2.5时空演变及其与不同空间尺度城市化(全球、区域、城市群和城市)的关联进行了分析[25~27], 但是缺乏分析不同城市区域PM2.5浓度时空演变格局的研究, 从城乡梯度视角下分析PM2.5浓度随城市发展强度变化的研究相对较少.
京津冀城市群是中国重要的经济核心区, 同时也是中国PM2.5污染最为严重的区域之一, 其PM2.5污染问题已成为政府和学术界普遍关注的焦点[23].鉴于此, 本文以京津冀城市群13个城市为研究对象, 首先利用已有的监测站点验证遥感反演的PM2.5浓度栅格数据, 分析其时空分异格局; 其次利用2000年和2018年土地利用数据构建该城市群的城市发展强度(urban intensity, UI)指数; 在此基础上, 探讨不同城市区域PM2.5浓度值随UI的演变规律和差异, 以期为京津冀城市群大气环境防治政策的制定提供科学参考.
1 材料与方法 1.1 研究区概况京津冀城市群(36°05′~42°37′N、113°27′~119°50′E)地处华北平原北部, 总面积约2.16×105 km2, 2018年常住人口约11 270.1万人, GDP总量85 139.9亿元.该地区包括北京、天津两个直辖市和河北省的11个地市, 是中国三大城市群之一(图 1)[28, 29].气候类型属于温带季风气候, 夏季炎热多雨, 冬季寒冷干燥, 多年平均降水约400~800 mm, 平均气温12.3℃[30, 31].随着城市化进程的加快, 不透水表面面积迅速增加, 造成该地区环境污染问题日益突出, 以PM2.5污染为主的大气污染已成为中国污染最为严重的区域之一[23].
|
图 1 京津冀老城区、新扩张城区及PM2.5监测站点空间分布 Fig. 1 Spatial patterns of old urban areas, new urban areas, and PM2.5 verification points in Beijing-Tianjin-Hebei urban agglomeration |
遥感反演的PM2.5栅格数据来源于华盛顿大学大气成分分析组(http://sites.wustl.edu/acag), 该数据是基于多传感器获取的AOD产品, 利用化学传输和地理加权回归模型综合估算得到, 时间跨度为2000~2018年, 空间分辨率约1 km×1 km, 中国地区的产品编号为V4.CH.03, 该数据产品有效解决了中国高污染地区的PM2.5浓度低估问题, 具有较高的精度, 已被广泛应用在全球及区域的研究中[20, 32, 33]. 2013~2018年京津冀城市群地面监测PM2.5浓度年数据来源于环境专业知识服务系统(http://envi.ckcest.cn/environment).
2000年和2018年的土地利用类型数据来源于资源环境与科学数据中心(https://www.resdc.cn/), 该数据是以Landsat遥感影像数据为主要信息源, 通过机器解译和目视解译的方法获取, 其一级分类包含耕地、林地、草地、水域、城乡建设用地和未利用地6大类, 二级分类包含城镇用地等26类.空间分辨率为30 m, 总体分类精度达到90%以上[34, 35].
1.3 研究方法 1.3.1 趋势分析采用Theil-Sen Median趋势分析模拟2000~2018年研究区每个像元的PM2.5浓度变化趋势, 该方法对离群数据和测量误差不敏感, 是一种稳健的非参数统计法, 可以综合反映PM2.5浓度的长时间变化趋势, 具体计算方法如下[36, 37]：
|
(1) |
式中, β为PM2.5浓度的变化趋势; i和j为时间序列数据, xi和xj分别为第i年和j年的PM2.5浓度值.当β>0时, 表示PM2.5浓度呈增加的趋势; 当β < 0时, 表示PM2.5浓度呈减小的趋势; 当β=0时, 表示PM2.5浓度无变化.同时采用Mann-Kendall非参数检验进一步验证其变化趋势的显著性[38].
1.3.2 分段线性回归采用分段线性回归模型提取2000~2018年PM2.5浓度变化的转折点, 其具体计算公式如下[5]：
|
(2) |
式中, y为PM2.5浓度值; t表示年份; α为提取出的PM2.5浓度发生转折的时间; ei和β0分别表示残差和截距; β1和β1+β2分别表示转折点前后的斜率; β2为斜率前后的差异.定义P < 0.05为显著变化.
1.3.3 城市区域的提取及UI计算考虑到不透水表面可以直接反映城市化进程且易于利用遥感技术进行提取, 本文利用土地利用类型中的城镇用地数据来反映城市化进程[5, 24].首先将2000年和2018年土地利用类型数据中的城镇用地转为矢量数据, 定义2000年和2018年的城镇用地数据分别为老城区和城市区域, 2000~2018年扩张的区域定为新扩张城区, 2018年城镇用地数据以外的区域为非城市区域[39].同时本文计算了2000年和2018年的UI, 进一步分析PM2.5浓度随不同等级UI的变化, 其具体计算公式如下[40]：
|
(3) |
式中, UIi为i年城市发展强度, 可以综合反映人类活动强度; UAi和TAi分别是指第i年区域33×33像元(990 m×990 m)范围内城镇用地面积和区域总面积.为保持与PM2.5栅格数据的空间分辨率一致, 利用3次卷积内插方法将UI的像元重采样为1 km×1 km.同时将所计算的UI值以1%为间隔进行划分, 进一步分析2000年和2018年PM2.5浓度随连续UI的变化趋势.
2 结果与分析 2.1 PM2.5栅格数据验证图 2显示了2013~2018年京津冀城市群站点实测PM2.5年均值与遥感反演栅格数据拟合的散点图.可以看出, 拟合的R2值均大于0.50, 最大值出现在2014年(R2=0.886), 最小值出现在2016年(R2=0.547), 二者的相关性在所有年份均通过了0.001置信水平检验, 表明该遥感反演的栅格数据可以准确呈现京津冀城市群PM2.5浓度的空间分布情况.
|
图 2 2013~2018年京津冀城市群站点实测PM2.5年数据与遥感反演栅格数据拟合散点图 Fig. 2 Fit scatter plots of PM2.5 observed values and remote sensing inversion data from 2003 to 2018 |
2000~2018年京津冀城市群PM2.5浓度呈不显著增加的趋势(slope=0.455 0μg ·m-3, P=0.186).分段线性回归结果显示该城市群PM2.5浓度变化可以分为两个阶段：① 2000~2013年PM2.5浓度呈显著增加的趋势, 由2000年的26.92μg ·m-3增至2013年的60.49μg ·m-3, 增速为1.598 0μg ·(m3 ·a)-1(P < 0.001); ② 2013~2018年PM2.5浓度变化区域与前一阶段相反, 呈显著下降的趋势, 由2013年的60.49μg ·m-3下降至2018年的35.65μg ·m-3, 其下降速率为-4.990 8μg ·(m3 ·a)-1(P < 0.001, 图 3).以上分析结果表明, 2000~2018年京津冀城市群PM2.5浓度不同阶段呈现相反的变化态势, 究其原因主要是由于京津冀城市群产业结构的调整和一系列环保政策的实施等[41, 42].
|
图 3 2000~2018京津冀城市群PM2.5浓度年际变化 Fig. 3 Temporal change trend of PM2.5 concentration in Beijing- Tianjin-Hebei urban agglomeration from 2000 to 2018 |
为进一步分析不同等级PM2.5的时间演变趋势, 依据中国《环境空气质量标准》(GB 3095-2012)将京津冀城市群PM2.5浓度划分为7个区间, 2000~2018年各区间栅格的面积占比如图 4所示. ρ(PM2.5)年均值在0~15μg ·m-3和16~25μg ·m-3面积比例呈波动变化的趋势, 最大值分别出现在2000年(37.40%)和2009年(16.54%), 最小值分别出现在2011年(10.91%)和2000年(9.73%); ρ(PM2.5)年均值在26~35、36~50和51~70μg ·m-3的面积比例均呈先减少后增加的趋势, 最大值分别出现在2003年(11.54%)、2000年(28.90%)和2001年(36.21%), 最小值分别出现在2006年(8.10%)、2006年(9.22%)和2013年(8.12%); ρ(PM2.5)年均值在71~100μg ·m-3之间的高污染区面积比例集中涌现在2005~2016年, 其面积比例高于20%; ρ(PM2.5)年均值高于100μg ·m-3的极高污染区面积比例最大的出现在2013年(22.04%), 其次为2011年(15.74%), 其余年份比例均低于10%.上述结果表明ρ(PM2.5)年均值低于50μg ·m-3的低污染区面积比例呈先减少后增加的趋势, 而高于50μg ·m-3的中高污染区呈先增加后减少的趋势.
|
图 4 2000~2018年京津冀城市群不同区间PM2.5浓度时间演变 Fig. 4 Temporal change trend of PM2.5 concentration by range in Beijing-Tianjin-Hebei urban agglomeration from 2000 to 2018 |
2000~2018年京津冀城市群PM2.5的空间变化特征如图 5所示. 2000年ρ(PM2.5)值高于50μg ·m-3的区域主要分布在京津冀城市群南部的石家庄、衡水、邢台和邯郸等地[图 5(a)]; 到2005年, ρ(PM2.5)值高于70μg ·m-3的高污染区域开始大范围出现, 主要集中在京津冀城市群中南部地区[图 5(b)]; 到2010年, ρ(PM2.5)值高于70μg ·m-3的高污染区域继续蔓延至天津南部, 石家庄中部部分地区的PM2.5浓度甚至高于100μg ·m-3[图 5(c)]; 到2015年, ρ(PM2.5)值高于70μg ·m-3的高污染区域蔓延至北京的东南部地区, 高于100μg ·m-3的极高污染区域主要零星分布在保定和衡水等地[图 5(d)]; 到2018年, ρ(PM2.5)值高于70μg ·m-3的高污染区域呈减小的趋势, 仅分布在石家庄中部地区[图 5(e)].总体来看, 2000~2018年期间京津冀城市群PM2.5浓度空间分布呈现由东南向西北递减的趋势, 中高污染区[ρ(PM2.5)值>50μg ·m-3]主要集中在河北省的中南部地区, 除张家口、承德、北京西北部和秦皇岛北部外, 其他地区均超过35μg ·m-3的国家标准.
|
图 5 2000~2018年京津冀城市群PM2.5浓度空间变化特征 Fig. 5 Spatial distributions of PM2.5 concentration in Beijing-Tianjin-Hebei urban agglomeration from 2000 to 2018 |
不同时间段京津冀城市群像元尺度PM2.5浓度值的变化趋势及显著性空间分布如图 6所示.可以看出, 2000~2018年期间, 多数像元的PM2.5浓度变化并不显著, 显著增加(P < 0.05)的面积仅为3.36%, 主要零星分布在保定、石家庄、邯郸和承德等地[图 6(c)和6(f)].分时间段来看, 2000~2013年期间99.55%区域的PM2.5浓度呈增加的趋势, 其中69.97%的像元呈显著增加的趋势(P < 0.05), 主要分布在邯郸、邢台、保定、石家庄、衡水、沧州、天津、唐山、以及北京、承德和张家口的东南部地区[图 6(a)和6(d)]; 2013~2018年期间, 99.94%区域的PM2.5浓度呈减小的趋势, 其中85.81%的像元呈显著减少的趋势(P < 0.05)[图 6(b)和6(e)].总体来看, 京津冀城市群PM2.5的空间分布也呈明显的阶段特征, 由于《京津冀地区生态环境保护整体方案》和《大气污染防治行动计划》等一系列减排及环保措施的实施, 2013~2018年京津冀城市群大部分地区的PM2.5浓度呈显著减小的趋势, 大气治理效果显著.
|
图 6 2000~2013、2013~2018和2000~2018年京津冀城市群PM2.5浓度空间变化趋势及显著性 Fig. 6 Spatial patterns of trends and significance in PM2.5 concentration in Beijing-Tianjin-Hebei urban agglomeration during 2000-2013, 2013-2018, and 2000-2018 |
2000~2018年, 城市区域、老城区、新扩张城区和非城市区域的PM2.5浓度均呈现先增加、后减少的变化趋势(图 7).城市区域、老城区、新扩张城区和非城区的ρ(PM2.5)最大值均出现在2013年, 其值分别达到93.37、95.08、90.97和59.47μg ·m-3, 最小值均出现在2000年, 其值分别为49.12、51.77、46.20和26.22μg ·m-3.从ρ(PM2.5)多年均值来看, 老城区(74.71μg ·m-3)>城市区域(72.72μg ·m-3)>新扩张城区(70.35μg ·m-3)>非城市区域(45.49μg ·m-3), 其值均大于35μg ·m-3的国家标准.以上分析结果表明, 中心城区尤其是老城区的人类活动对大气污染具有更显著影响.
|
图 7 2000~2018年期间京津冀城市群城市区域、老城区、新扩张城区和非城市区域PM2.5浓度变化趋势 Fig. 7 Temporal trends of PM2.5 concentration in urban, old urban, new urban, and non-urban areas in Beijing-Tianjin-Hebei urban agglomeration from 2000 to 2018 |
为进一步分析京津冀城市群不同城市PM2.5浓度随UI的变化趋势, 将所计算的2000年和2018年京津冀城市群UI以1%为间隔进行等间隔划分, 分析2000年和2018年13个城市的PM2.5浓度随UI的变化趋势(表 1).可以看出, 2000年和2018年, 13个城市PM2.5浓度随UI的增加均呈显著增加的趋势(P < 0.05), 进一步表明城市发展强度的增强会加重大气污染.在2000年, 增加速率最大的城市为秦皇岛(slope=0.173 1, P < 0.01), 最小的为天津(slope=0.038 7, P < 0.01); 在2018年, 增加速率最大的城市为唐山(slope=0.120 0, P < 0.01), 最小的为廊坊(slope=0.016 1, P < 0.05).
|
表 1 2000年和2018年京津冀城市群13个城市PM2.5浓度随城市发展强度的变化趋势 Table 1 Change trends of PM2.5 concentration in 13 cities of the Beijing-Tianjin-Hebei urban agglomeration in 2000 and 2018 |
2.4 老城区和新扩张城区PM2.5对比研究
从新扩张城区和老城区的PM2.5浓度来看, 2000年和2018年老城区的ρ(PM2.5)值分别为51.77μg ·m-3和56.02μg ·m-3, 新扩张城区的ρ(PM2.5)值分别为46.20μg ·m-3和53.35μg ·m-3, 老城区的PM2.5浓度总体高于新扩张城区.从二者的差值来看, 其ρ(PM2.5)值由2000年的5.54μg ·m-3下降到2018年的2.62μg ·m-3(图 8).从不同城市来看, 在2000年, 除承德外, 其他12个城市的老城区PM2.5浓度均高于新扩张城区; 2018年, 除承德、石家庄和天津外, 其他9个城市的老城区PM2.5浓度均高于新扩张城区(表 2).
|
图 8 2000年和2018年京津冀城市群老城区和新扩张城区PM2.5浓度比较 Fig. 8 Comparisons of PM2.5 concentration and differences between the old and new urban areas of Beijing-Tianjin-Hebei urban agglomeration in 2000 and 2018 |
|
|
表 2 2000年和2018年京津冀城市群13个城市老城区和新城区PM2.5值及其差值/μg ·m-3 Table 2 Comparisons of PM2.5 concentration and differences between old and new urban areas of 13 cities in 2000 and 2018/μg ·m-3 |
3 讨论
科学辨识PM2.5浓度的时空演变规律, 准确掌握其与城市扩张的关系, 是京津冀城市群城市化进程与环境保护相互协调发展的关键.基于PM2.5遥感反演栅格数据、站点实测数据和土地利用数据, 本文系统评估了京津冀城市群PM2.5浓度时空演变及其与城市扩张的关系, 研究结果可为城市化进程中的产业结构调整、城市空间优化和城市群地区大气联动治理提供科学参考依据.本研究引入遥感反演的栅格PM2.5浓度数据可在一定程度上弥补监测站点稀疏和区域信息失真等问题.本文得出的PM2.5浓度时空演变格局与已有的研究成果一致, 且能从更长时间序列(2000~2018年)和更细空间尺度(像元尺度)反映监测点较为稀疏地区的PM2.5浓度时空格局[43~45].本研究结果同时表明不同的区域(城市区域、老城区、新扩张城区和非城市区域)的PM2.5浓度均呈现先增加后减少的变化趋势, 老城区的PM2.5浓度高于其他地区, 主要是由于老城区为城市的中心区域, 人口密度大, 建筑物密集, 气象扩散条件较差, 对大气污染的影响显著[23]; 从PM2.5浓度随不同等级UI的变化趋势和新老城区对比来看, 京津冀城市群13个城市的PM2.5浓度随UI的增加均呈现增加的趋势, 老城区PM2.5浓度高于新扩张城区, 进一步表明人类活动、经济发展等城市化进程对PM2.5浓度的影响显著[21].然而, 京津冀城市群PM2.5浓度变化除受城市发展的影响外, 大气环流、地形地貌条件和土地利用/覆盖等因素也会影响其时空演变[46~48], 同时不同城市由于产业结构和能源消费结构等差距较大, 导致PM2.5浓度的驱动因素也不尽相同[49], 未来研究应持续关注不同城市影响PM2.5浓度的主控要素, 合理布局城市基础设施, 调整产业结构, 减少大气污染物排放, 促进城市精细化管理, 最终实现城市的可持续发展.
4 结论(1) 2000~2018年京津冀城市群PM2.5浓度呈明显的阶段性特征, 2000~2013年PM2.5浓度呈显著增加的趋势, 69.97%区域的PM2.5浓度呈显著增加的趋势(P < 0.05); 2013~2018年PM2.5浓度呈显著减小的趋势, 85.81%区域的PM2.5浓度呈显著减小的趋势.
(2) 空间分析结果表明PM2.5浓度整体呈现从东南向西北递减的趋势, 高污染区[ρ(PM2.5)>70μg ·m-3]主要集中在河北省中南部地区的邯郸、邢台、石家庄、衡水、沧州、保定和廊坊等地.
(3) 2000~2018年期间, 城市区域、老城区、新扩张城区和非城市区域的PM2.5浓度均呈先增加、后减少的变化趋势; 中心城区尤其是老城区的人类活动对大气污染具有更显著影响.从PM2.5浓度随连续UI变化的趋势来看, 2000年和2018年, 京津冀城市群13个城市PM2.5浓度随UI的增加均呈显著增加的趋势(P < 0.05).
(4) 2000年和2018年京津冀城市群老城区的PM2.5浓度高于新扩张城区.在2000年, 除承德外, 其他城市的老城区PM2.5浓度均高于新扩张城区; 2018年, 除承德、石家庄和天津外, 其他9个城市老城区PM2.5浓度均高于新扩张城区.
| [1] | Han L J, Zhou W Q, Pickett S T A, et al. An optimum city size? The scaling relationship for urban population and fine particulate (PM2.5) concentration[J]. Environmental Pollution, 2016, 208: 96-101. DOI:10.1016/j.envpol.2015.08.039 |
| [2] | Pope Ⅲ C A, Dockery D W. Health effects of fine particulate air pollution: lines that connect[J]. Journal of the Air & Waste Management Association, 2006, 56(6): 709-742. |
| [3] |
韩立建. 城市化与PM2.5时空格局演变及其影响因素的研究进展[J]. 地理科学进展, 2018, 37(8): 1011-1021. Han L J. Relationship between urbanization and urban air quality: An insight on fine particulate dynamics in China[J]. Progress in Geography, 2018, 37(8): 1011-1021. |
| [4] |
张梦娇, 苏方成, 徐起翔, 等. 2013-2017年中国PM2.5污染防治的健康效益评估[J]. 环境科学, 2021, 42(2): 513-522. Zhang M J, Su F C, Xu Q X, et al. Health impact attributable to the control of PM2.5 pollution in China during 2013-2017[J]. Environmental Science, 2021, 42(2): 513-522. |
| [5] |
赵安周, 刘宪锋, 裴韬, 等. 京津冀地区不透水表面覆盖率的时空演变及其对植被的影响[J]. 地理研究, 2021, 40(6): 1582-1595. Zhao A Z, Liu X F, Pei T, et al. Spatiotemporal evolution of impervious surface percentage and its impact on vegetation in Beijing-Tianjin-Hebei region[J]. Geographical Research, 2021, 40(6): 1582-1595. |
| [6] | Han L J, Zhou W Q, Li W F, et al. Impact of urbanization level on urban air quality: A case of fine particles (PM2.5) in Chinese cities[J]. Environmental Pollution, 2014, 194: 163-170. DOI:10.1016/j.envpol.2014.07.022 |
| [7] | Liang Z, Wang W Z, Wang Y Y, et al. Urbanization, ambient air pollution, and prevalence of chronic kidney disease: A nationwide cross-sectional study[J]. Environment International, 2021, 156. DOI:10.1016/j.envint.2021.106752 |
| [8] | Chen G J, Hu Y, Zhang R, et al. Evolution of south-north transport and urbanization effects on pm2.5 distribution with increased pollution levels in Beijing[J]. Sustainable Cities and Society, 2021, 72. DOI:10.1016/j.scs.2021.103060 |
| [9] | Shi K F, Shen J W, Wang L, et al. A multiscale analysis of the effect of urban expansion on PM2.5 concentrations in China: Evidence from multisource remote sensing and statistical data[J]. Building and Environment, 2020, 174. DOI:10.1016/j.buildenv.2020.106778 |
| [10] | Yue H B, He C Y, Huang Q X, et al. Stronger policy required to substantially reduce deaths from PM2.5 pollution in China[J]. Nature Communications, 2020, 11. DOI:10.1038/s41467-020-15319-4 |
| [11] |
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. |
| [12] |
郭向阳, 穆学青, 丁正山, 等. 长三角多维城市化对PM2.5浓度的非线性影响及驱动机制[J]. 地理学报, 2021, 76(5): 1274-1293. Guo X Y, Mu X Q, Ding Z S, et al. Nonlinear effects and driving mechanism of multidimensional urbanization on PM2.5 concentrations in the Yangtze River Delta[J]. Acta Geographica Sinica, 2021, 76(5): 1274-1293. |
| [13] | Wang Y X, Yao L, Xu Y, et al. Potential heterogeneity in the relationship between urbanization and air pollution, from the perspective of urban agglomeration[J]. Journal of Cleaner Production, 2021, 298. DOI:10.1016/j.jclepro.2021.126822 |
| [14] |
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. Cheng 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. |
| [15] |
史宇, 张建辉, 罗海江, 等. 北京市2012-2013年秋冬季大气颗粒物污染特征分析[J]. 生态环境学报, 2013, 22(9): 1571-1577. Shi Y, Zhang J H, Luo H J, et al. Analysis of characteristics of atmospheric particulate matter pollution in Beijing during the fall and winter of 2012 to 2013[J]. Ecology and Environment Sciences, 2013, 22(9): 1571-1577. DOI:10.3969/j.issn.1674-5906.2013.09.018 |
| [16] | Cao R, Li B, Wang Z Y, et al. Using a distributed air sensor network to investigate the spatiotemporal patterns of PM2.5 concentrations[J]. Environmental Pollution, 2020, 264. DOI:10.1016/j.envpol.2020.114549 |
| [17] |
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 |
| [18] |
何映月, 张松林. 2000~2016年中国PM2.5时空格局[J]. 中国环境科学, 2020, 40(8): 3284-3293. He Y Y, Zhang S L. Spatiotemporal pattern of PM2.5 from 2000 to 2016 in China[J]. China Environmental Science, 2020, 40(8): 3284-3293. DOI:10.3969/j.issn.1000-6923.2020.08.005 |
| [19] | He Q Q, Gao K, Zhang L, et al. Satellite-derived 1-km estimates and long-term trends of PM2.5 concentrations in China from 2000 to 2018[J]. Environment International, 2021, 156. DOI:10.1016/j.envint.2021.106726 |
| [20] | Hammer M S, Van Donkelaar A, Li C, et al. Global estimates and long-term trends of fine particulate matter concentrations (1998-2018)[J]. Environmental Science & Technology, 2020, 54(13): 7879-7890. |
| [21] | Wu J S, Zheng H Q, Zhe F, et al. Study on the relationship between urbanization and fine particulate matter (PM2.5) concentration and its implication in China[J]. Journal of Cleaner Production, 2018, 182: 872-882. DOI:10.1016/j.jclepro.2018.02.060 |
| [22] |
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. |
| [23] |
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. |
| [24] |
王桂林, 杨昆, 杨扬. 京津冀地区不透水表面扩张对PM2.5污染的影响研究[J]. 中国环境科学, 2017, 37(7): 2470-2481. Wang G L, Yang K, Yang Y. The spatio-temporal variation of PM2.5 pollution and the its correlation with the impervious surface expansion[J]. China Environmental Science, 2017, 37(7): 2470-2481. DOI:10.3969/j.issn.1000-6923.2017.07.008 |
| [25] | Yang D Y, Ye C, Wang X M, et al. Global distribution and evolvement of urbanization and PM2.5 (1998-2015)[J]. Atmospheric Environment, 2018, 182: 171-178. DOI:10.1016/j.atmosenv.2018.03.053 |
| [26] | Luo X M, Sun K, Li L, et al. Impacts of urbanization process on PM2.5 pollution in "2+26" cities[J]. Journal of Cleaner Production, 2021, 284. DOI:10.1016/j.jclepro.2020.124761 |
| [27] |
杨文涛, 谯鹏, 刘贤赵, 等. 2011-2017年中国PM2.5多尺度时空分异特征分析[J]. 环境科学, 2020, 41(12): 5236-5244. Yang W T, Qiao P, Liu X Z, et al. Analysis of multi-scale spatio-temporal differentiation characteristics of PM2.5 in China from 2011 to 2017[J]. Environmental Science, 2020, 41(12): 5236-5244. |
| [28] | Chen M X, Guo S S, Hu M G, et al. The spatiotemporal evolution of population exposure to PM2.5 within the Beijing-Tianjin-Hebei urban agglomeration, China[J]. Journal of Cleaner Production, 2020, 265. DOI:10.1016/j.jclepro.2020.121708 |
| [29] |
赵安周, 裴韬, 曹森, 等. 京津冀城市扩张对植被和地表城市热岛的影响[J]. 中国环境科学, 2020, 40(4): 1825-1833. Zhao A Z, Pei T, Cao S, et al. Impacts of urbanization on vegetation growth and surface urban heat island intensity in the Beijing-Tianjin-Hebei[J]. China Environmental Science, 2020, 40(4): 1825-1833. DOI:10.3969/j.issn.1000-6923.2020.04.051 |
| [30] |
路洁, 刘晶, 刘明阳, 等. 近55年京津冀地区降水多尺度分析[J]. 水利水运工程学报, 2020(6): 23-31. Lu J, Liu J, Liu M Y, et al. Multi-scale analysis of precipitation in the Beijing-Tianjin-Hebei urban agglomeration in the past 55 years[J]. Hydro-Science and Engineering, 2020(6): 23-31. |
| [31] |
王金杰, 赵安周, 胡小枫. 京津冀植被净初级生产力时空分布及自然驱动因子分析[J]. 生态环境学报, 2021, 30(6): 1158-1167. Wang J J, Zhao A Z, Hu X F. Spatiotemporal distribution of vegetation net primary productivity in Beijing-Tianjin-Hebei and natural driving factors[J]. Ecology and Environmental Sciences, 2021, 30(6): 1158-1167. |
| [32] |
王迪, 韩立建, 李世玉, 等. 城市群空气污染综合评估范式与应用——以京津冀城市群PM2.5污染为例[J]. 生态学报, 2021, 41(11): 4278-4287. Wang D, Han L J, Li S Y, et al. Comprehensive evaluation model for air pollution and its application: an example of PM2.5 pollution in city cluster of Beijing, Tianjin and Hebei Province[J]. Acta Ecologica Sinica, 2021, 41(11): 4278-4287. |
| [33] | 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. |
| [34] |
杨浩, 王子羿, 王婧, 等. 京津冀城市群土地利用变化对热环境的影响研究[J]. 自然资源学报, 2018, 33(11): 1912-1925. Yang H, Wang Z Y, Wang J, et al. Study on the influence of land use change on the thermal environment in Beijing-Tianjin-Hebei urban agglomeration[J]. Journal of Natural Resources, 2018, 33(11): 1912-1925. |
| [35] |
刘纪远, 宁佳, 匡文慧, 等. 2010-2015年中国土地利用变化的时空格局与新特征[J]. 地理学报, 2018, 73(5): 789-802. Liu J Y, Ning J, Kuang W, et al. Spatio-temporal patterns and characteristics of land-use change in China during 2010-2015[J]. Acta Geographica Sinica, 2018, 73(5): 789-802. |
| [36] | Zhao A Z, Yu Q Y, Wang D L, et al. Spatiotemporal dynamics of ecosystem water use efficiency over the Chinese Loess Plateau base on long-time satellite data[J]. Environmental Science and Pollution Research, 2021. DOI:10.1007/s11356-021-15801-6 |
| [37] | Fensholt R, Proud S R. Evaluation of earth observation based global long term vegetation trends-Comparing GIMMS and MODIS global NDVI time series[J]. Remote Sensing of Environment, 2012, 119: 131-147. DOI:10.1016/j.rse.2011.12.015 |
| [38] | Kendall M G, Gibbons J D. Rank correlation methods. 5th ed.[M]. London, UK: Edward Arnold, 1990. |
| [39] | Zhou W Q, Yu W J, Qian Y G, et al. Beyond city expansion: multi-scale environmental impacts of urban megaregion formation in China[J]. National Science Review, 2021. DOI:10.1093/nsr/nwab107 |
| [40] | Zhou D C, Zhao S Q, Liu S G, et al. Spatiotemporal trends of terrestrial vegetation activity along the urban development intensity gradient in China's 32 major cities[J]. Science of the Total Environment, 2014, 488-489: 136-145. DOI:10.1016/j.scitotenv.2014.04.080 |
| [41] |
祝丽云, 李彤, 马丽岩, 等. 产业结构调整对雾霾污染的影响——基于中国京津冀城市群的实证研究[J]. 生态经济, 2018, 34(10): 141-148. Zhu L Y, Li T, Ma L Y, et al. The influence of industrial structure adjustment on haze pollution: an empirical study of Jing-Jin-Ji region[J]. Ecological Economy, 2018, 34(10): 141-148. |
| [42] | Tong D, Geng G N, Jiang K J, et al. Energy and emission pathways towards PM2.5 air quality attainment in the Beijing-Tianjin-Hebei region by 2030[J]. Science of the Total Environment, 692: 361-370. DOI:10.1016/j.scitotenv.2019.07.218 |
| [43] | Du Y Y, Wan Q, Liu H M, et al. How does urbanization influence PM2.5 concentrations? Perspective of spillover effect of multi-dimensional urbanization impact[J]. Journal of Cleaner Production, 2019, 220: 974-983. DOI:10.1016/j.jclepro.2019.02.222 |
| [44] | Yan D, Lei Y L, Shi Y K, et al. Evolution of the spatiotemporal pattern of PM2.5 concentrations in China\|A case study from the Beijing-Tianjin-Hebei region[J]. Atmospheric Environment, 2018, 183: 225-233. DOI:10.1016/j.atmosenv.2018.03.041 |
| [45] | Xue W H, Zhang J, Zhong C, et al. Spatiotemporal PM2.5 variations and its response to the industrial structure from 2000 to 2018 in the Beijing-Tianjin-Hebei region[J]. Journal of Cleaner Production, 2021, 279. DOI:10.1016/j.jclepro.2020.123742 |
| [46] |
周丽霞, 吴涛, 蒋国俊, 等. 长三角地区PM2.5浓度对土地利用/覆盖转换的空间异质性响应[J]. 环境科学, 2022, 43(3). Zhou L X, Wu T, Jiang G J, et al. Spatial heterogeneity of PM2.5 concentration in response to land use/cover conversion in the Yangtze River Delta region[J]. Environmental Science, 2022, 43(3). DOI:10.13227/j.hjkx.202106039 |
| [47] |
蔡子颖, 郝囝, 韩素芹, 等. 2000-2020年天津PM2.5质量浓度演变及驱动因子分析[J]. 环境科学, 2022, 43(3). Cai Z Y, Hao J, Han S Q, et al. Analysis of change and driving factors of PM2.5 mass concentration in Tianjin in the from 2000 to 2020[J]. Environmental Science, 2022, 43(3). DOI:10.13227/j.hjkx.202108182 |
| [48] |
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 |
| [49] | Chen J, Zhou C S, Wang S J, et al. Impacts of energy consumption structure, energy intensity, economic growth, urbanization on PM2.5 concentrations in countries globally[J]. Applied Energy, 2018, 230: 94-105. DOI:10.1016/j.apenergy.2018.08.089 |