环境科学  2022, Vol. 43 Issue (12): 5333-5343   PDF    
引用本文
张军, 金梓函, 王玥, 李旭, 戴恩华. 关中平原城市群PM2.5时空演变格局及其影响因素[J]. 环境科学, 2022, 43(12): 5333-5343.
ZHANG Jun, JIN Zi-han, WANG Yue, LI Xu, DAI En-hua. Temporal and Spatial Evolution Pattern of PM2.5 and Its Influencing Factors in Guanzhong Plain Urban Agglomeration[J]. Environmental Science, 2022, 43(12): 5333-5343.
关中平原城市群PM2.5时空演变格局及其影响因素
张军1,2, 金梓函1, 王玥1, 李旭1, 戴恩华1     
1. 宝鸡文理学院陕西省灾害监测与机理模拟重点实验室, 宝鸡 721013;
2. 长安大学旱区地下水文与生态效应教育部重点实验室, 西安 710064
收稿日期: 2022-05-30; 修订日期: 2022-08-02
基金项目: 国家自然科学基金项目（41771215）；旱区地下水文与生态效应教育部重点实验室（长安大学）开放基金项目（300102290504）；陕西省灾害监测与机理模拟重点实验室项目（20JS012）；宝鸡文理学院校级研究生创新科研项目（YJSCX22ZD09）
作者简介: 张军(1974~), 男, 博士, 教授, 主要研究方向为区域环境演变及风险评价, E-mail: zhangjun1190@126.com
摘要: PM2.5作为大气污染的主要来源，其时空演变格局和影响因素对于大气环境质量调控具有重要意义.基于2000~2020年PM2.5遥感反演数据，采用空间自相关和数理统计方法分析关中平原城市群PM2.5时空演变特征，以海拔、年均气温和人均GDP等10种因子为自变量，结合地理探测器和多尺度地理加权回归（MGWR）模型对PM2.5污染影响因素进行空间分异探究.结果表明：①2000~2020年，关中平原城市群PM2.5浓度总体呈下降趋势.浓度高值区集中在研究区中东部，低值区集中在研究区西部.热点区域集中在临汾市和运城市，冷点区则集中在天水市和宝鸡市.②自然因子在关中平原城市群PM2.5污染中占主导地位，2020年PM2.5浓度主控影响因子按解释力大小排序依次为：海拔>年均气温>地形起伏度>年均相对湿度>年降水量>人均GDP>植被覆盖度>能源消耗指数.③主控影响因子按照作用尺度大小排序依次为：植被覆盖度>年均气温>能源消耗指数>年降水量>地形起伏度>海拔>人均GDP>年均相对湿度.其中人均GDP、地形起伏度、能源消耗指数和年均气温主要为正向作用，植被覆盖度、年降水量、海拔和年均相对湿度主要为负向作用.研究得出了关中平原城市群PM2.5时空演变格局和影响因素，可为相关部门制定大气污染防治政策提供决策依据，同时丰富实证研究.
关键词: PM2.5      时空演变      影响因素      地理探测器      多尺度地理加权回归(MGWR)模型     
Temporal and Spatial Evolution Pattern of PM2.5 and Its Influencing Factors in Guanzhong Plain Urban Agglomeration
ZHANG Jun1,2 , JIN Zi-han1 , WANG Yue1 , LI Xu1 , DAI En-hua1     
1. Shaanxi Key Laboratory of Disaster Monitoring and Mechanism Simulation, Baoji University of Arts and Sciences, Baoji 721013, China;
2. Key Laboratory of Subsurface Hydrology and Ecological Effect in Arid Region of Ministry of Education, Chang'an University, Xi'an 710064, China
Abstract: PM2.5 is the main source of air pollution, and its spatial-temporal evolution pattern and influencing factors are of great significance for the regulation of atmospheric environmental quality. Based on the remote sensing inversion data of PM2.5 from 2000 to 2020, the spatial and temporal evolution characteristics of PM2.5 in Guanzhong Plain urban agglomeration are analyzed by using spatial autocorrelation and mathematical statistics. Taking 10 factors such as altitude, annual average temperature and per capita GDP as independent variables, combined with geographical detector and multi-scale geographical weighted regression (MGWR) model, the spatial differentiation of influencing factors of PM2.5 pollution is explored. The results show that: ① From 2000 to 2020, the concentration of PM2.5 in Guanzhong Plain urban agglomeration shows a downward trend. The high concentration area is concentrated in the middle and east of the study area, and the low concentration area is concentrated in the west of the study area. Hot spots are concentrated in Linfen and Yuncheng, while cold spots are concentrated in Tianshui and Baoji.②Natural factors play a dominant role in PM2.5 pollution in Guanzhong Plain urban agglomeration. The main influencing factors of PM2.5 concentration in 2020 were ranked as follows: altitude>average annual temperature>topographic relief>average annual relative humidity>annual precipitation>per capita GDP>vegetation coverage>energy consumption index.③The order of main controlling factors according to the size of action scale is: vegetation coverage>average annual temperature>energy consumption index>annual precipitation>topographic relief>altitude>per capita GDP>average annual relative humidity. Among them, GDP per capita, topographic relief, energy consumption index and annual average temperature are mainly positive, while vegetation cover, annual precipitation, altitude and annual average relative humidity are mainly negative. The temporal and spatial evolution pattern and influencing factors of PM2.5 in Guanzhong Plain urban agglomeration were obtained, which can provide decision-making basis for relevant departments to formulate air pollution prevention policies, and enrich empirical research.
Key words: PM2.5      spatio-temporal evolution      influencing factors      geographical detector      multi-scale geographically weighted regression (MGWR) model     

随着全球气候变化、经济快速发展和城市化进程快速推进, 诸多经济、社会和生态环境等问题接踵而来, 大气污染尤为严重[1, 2].细微颗粒物(PM2.5)是大气污染的主要来源[3]. PM2.5易于远距离乃至跨境传输, 对公众健康具有重大影响, 国际癌症研究机构(IARC)在2013年将其列为人类致癌物[4, 5]. “一带一路”沿线国家的经济发展呈现出“高增长、高排放、高能耗”粗放式的特征, 其中, 空气污染是这些国家普遍面临的问题[4].城市群作为中国新型城镇化主体形态, 是支撑中国经济增长、促进区域协调发展和参与国际分工合作的重要平台, 也是空气污染的核心区域[6].以西安为首的关中平原城市群作为丝绸之路的起点, 正处于我国内外联通的关键节点位置.在继京津冀、长三角和中原地区之后, 关中平原城市群地区也成为我国大气污染严重的重灾区之一[7, 8].因此, 研究关中平原城市群PM2.5的时空演变格局和影响因素对于PM2.5污染防治有重要作用.

针对PM2.5污染态势, 国内外学者在其预测[9~11]、时空分布[12~14]、影响因素[15~17]和暴露风险[18, 19]等方面开展了大量研究.而针对PM2.5时空演变的研究中, 康博等[20]基于实时监测数据对关中平原城市群2015~2018年PM2.5时空变化规律进行研究, 发现PM2.5污染总体呈向好趋势, 空间上存在明显分异性和集聚性特征.曾德珩等[15]基于2015~2017年成渝城市群监测数据, 利用反距离插值法等方法分析其时空分布差异, 发现成渝城市群PM2.5浓度存在明显的时空差异, 时间上以2015年PM2.5污染最严重, 空间上, 高值区集中在研究区南部, 低值区集中在研究区东北部.在PM2.5时空演变研究中学者多侧重于多时间尺度研究, 而长时间序列研究较少.在影响因素方面, PM2.5主要受自然因素和社会经济因素等共同作用.有研究表明自然因子中气温[16, 21]、风速[22]、降水[23, 24]和湿度[25, 26]等气象要素和海拔高度[27]、植被覆盖[28]和地形起伏[29, 30]等环境要素对PM2.5污染有重要影响.对于社会经济因子, 有研究表明人口密度[31, 32]、经济发展水平[33]、交通排放[34]、煤炭[35]和能源消耗[17, 36]等对PM2.5污染有着显著影响.周志凌等[37]基于2018年297个中国地级市PM2.5浓度数据, 采用多尺度地理加权回归(MGWR)模型分析了各影响因素对PM2.5浓度的作用尺度与影响效果的空间异质性, 发现各因素对于中国城市PM2.5浓度的影响均存在着不同程度的空间异质性. 地理探测器与地理加权回归(GWR)模型结合定量分析, 可以消除GWR多因子共线性问题, 又能将影响因子定量空间可视化[38]. MGWR模型与GWR模型相比, 它允许每个变量各自不同的空间平滑水平, 降低了估计的误差.因此, 将地理探测器与多尺度地理加权回归模型结合, 可更准确对PM2.5污染影响因素定量空间可视化.

基于上述文献梳理、数据精度、数据时间序列长度和数据可获得性, 确定了本文的PM2.5影响因子体系, 自然因子为：年均气温、年均风速、年降水量、海拔、年均相对湿度、植被覆盖度和地形起伏度; 社会经济因子为：人口密度、人均GDP和能源消费指数.本文从地理学视角出发, 采用空间自相关分析和数理统计方法分析关中平原城市群PM2.5浓度的时空演变格局, 并用地理探测器结合多尺度地理加权回归, 识别污染的主控影响因子, 并分析其空间异质性, 旨在为关中平原城市群大气污染防治提供参考依据, 并丰富城市群PM2.5时空演变的实证研究.

1 材料与方法 1.1 研究区概况

关中平原城市群位于甘肃省、陕西省和山西省范围内.地处中国内陆中心, 以西安市为中心, 是西部地区第二大城市群.具体范围包括西安、咸阳、宝鸡、渭南、铜川、天水这6市和商洛、临汾、运城、平凉、庆阳这5市的部分区县(图 1), 区域总国土面积10.71万km2, 南靠秦岭山脉、北接黄土高原, 形成了类似于盆地的地貌, 气候类型上属于温带半湿润性季风气候, 季节分异显著[20].近几年来, 在“一带一路”战略的推动下, 关中平原城市群的综合经济得到了高速发展, 与此同时更加重了该地区城市空气质量的恶化, 大气污染现状不容乐观[4].

图 1 研究区概况示意 Fig. 1 Outline of the study area

1.2 数据来源

本文数据源由以下4个部分组成：①PM2.5浓度数据. 2000~2020年关中平原城市群PM2.5浓度数据来源于国家科技资源共享服务平台-国家地球系统科学数据中心(http://www.geodata.cn). ②自然数据.包括年均气温、年降水量、年均风速、年均相对湿度、植被覆盖度、地形起伏度和海拔这7个指标.其中, 年均气温、年降水量、年均风速、年均相对湿度来自于中国气象数据网(http://data.cma.cn/).地形起伏度和海拔由数字高程模型(DEM)计算得到, DEM数据和植被覆盖度数据均来自于地理空间数据云(https://www.gscloud.cn/). ③社会经济数据.包括人口密度、人均GDP和能源消费指数3个指标, 分别反映人口密集水平、经济发展水平和人类生产生活能耗对PM2.5浓度的影响.其中, 人口密度数据由人口数量栅格数据计算得到, 人口数量栅格数据来自于Scientific Data的World Pop数据集.人均GDP数据来源于国家地球系统科学数据中心(http://www.geodata.cn)、地理遥感生态网(http://www.gisrs.cn/)和中国城市统计年鉴(2000年和2015年).有研究表明夜间灯光与能源消费呈显著线性相关[39, 40], 本文利用夜间灯光数据, 用行政区域内栅格值总和与面积之比表征能源消费情况, 夜间灯光数据来自于国家地球系统科学数据中心(http://www.geodata.cn). ④基础地理信息数据.文中空间行政边界来自国家基础地理信息中心, 根据关中平原城市群区划利用ArcGIS得到行政边界.

1.3 研究方法 1.3.1 空间自相关分析

全局莫兰指数(Moran's I)可以描述关中平原城市群PM2.5在整体空间分布上的集聚情况[41], 计算公式为：

(1)

式中, xi和xj为城市群内i和j城市的PM2.5浓度; x为城市群整体PM2.5浓度均值; wij为空间权重矩阵中的第i行第j列的一个元素, 以度量区域i与区域j之间的距离; n为城市群内城市的数量.莫兰指数的取值在[-1, 1]之间, I < 0, 为空间负相关, 表明PM2.5污染倾向于空间分散; I>0, 为空间正相关, 表明PM2.5污染倾向于空间聚集; I=0, 则表明PM2.5污染在空间上为随机分布.

采用Getis-Ord Gi*热点分析方法, 分析关中平原城市群PM2.5局部自相关性, 计算公式为：

(2)
(3)
(4)

式中, Gi*为统计学意义上的得分, 得分越高, 热点聚类就越紧密, 反之, 冷点的聚类就越紧密[24]. S为PM2.5在关中平原城市群整体上的标准差.

1.3.2 地理探测器

地理探测器是探测空间分异并揭示背后驱动因子的一种新的统计学方法, 可以保证对多个自变量共线性的免疫[32].此方法无线性假设, 基本原理是若自变量对因变量有重要影响, 其空间分布应具有相似性[42].地理探测器包括4个探测器, 本文主要通过因子探测器识别关中平原城市群PM2.5污染的主控影响因子.计算公式为：

(5)

式中, L为影响因子的分类数量, N为城市数量; Nh为类别h的城市数; σ2和σh2分别为PM2.5在每个城市群的方差和PM2.5在类别h区域的方差; q用来度量PM2.5的空间分异性以及某因子对PM2.5的空间分异的解释力.

1.3.3 多尺度地理加权回归

与经典GWR模型相比, MGWR模型允许每个变量各自不同的空间平滑水平, 这降低了估计的偏误, 同时也产生了更真实有用的空间过程模型[37], 计算公式如下：

(6)

式中, (ui, vi)为位置i处的中心坐标; yi为i处的属性值; bwj为第j个变量回归系数使用的带宽; βbwj(ui, vi)为i处第j个变量的回归系数; β0 (ui, vi)和εi分别为模型在i处的截距和误差项.变量带宽衡量了各个过程的空间作用尺度, 作用尺度越大表明该影响因素作用效果的空间异质性越小, 反之空间异质性则越大[37].

2 结果与分析 2.1 关中平原城市群PM2.5时序特征

由2000~2020年关中平原城市群PM2.5浓度变化可知, 2000~2020年关中平原城市群PM2.5浓度总体呈现下降的趋势, ρ(PM2.5)年均值从2000年的48.2 μg·m-3减小到2020年的36.0 μg·m-3, 下降率达25.3%(图 2).但研究期间关中平原城市群PM2.5浓度年均值均高于《环境空气质量标准》(GB 3095-2012)[43]中年均限值(35 μg·m-3), 大气污染状况不容乐观.

图 2 2000~2020年关中平原城市群PM2.5浓度变化趋势 Fig. 2 Variation trend of PM2.5 concentration in Guanzhong Plain urban agglomeration from 2000 to 2020

2000~2013年可视为PM2.5浓度年均值的波动增长阶段, 2013~2020年为PM2.5浓度年均值的下降阶段. 2013年PM2.5浓度年均值为研究期间的最高值, 其原因可能是2013年全国遭史上最严重霾天气, 波及25个省份的100多个大中型城市[32], 大气污染排放物增加且受气候变化影响(如平均风速和雨日数都在减少), 更容易出现静稳天气.

由2000~2020年关中平原城市群城市PM2.5浓度年均值可知, 城市群内部各城市PM2.5浓度呈现相似的变化趋势(表 1), 且与城市群整体变化趋势一致, 2013年是关中平原城市群PM2.5污染情况由波动上升转为逐步改善的重要拐点. 2013年大范围的霾现象引起了国家高度重视, 相继出台多种政策宏观调控大气污染[44]. 2000~2015年11个市的ρ(PM2.5)均值均高于35 μg·m-3, 2016年天水ρ(PM2.5)均值开始小于35 μg·m-3, 2019年开始宝鸡、平凉、庆阳、商洛和天水也开始小于限值, 该地区大气环境处于良好状况.临汾、铜川、渭南、西安、咸阳、运城污染情况虽然从2013年开始逐步好转, 但仍高于35 μg·m-3.

表 1 2000~2020年关中平原城市群城市PM2.5浓度年均值/μg·m-3 Table 1 Annual average value of PM2.5 in the Guanzhong Plain urban agglomeration from 2000 to 2020/μg·m-3

2.2 关中平原城市群PM2.5浓度时空演变特征

由2000~2020年关中平原城市群PM2.5浓度空间分布可知, 各年份PM2.5浓度在空间上分布相似(图 3), 高值集中在研究区中东部, 低值区则集中在研究区西部. 2000~2013年PM2.5浓度处于波动上升阶段, ρ(PM2.5)由2000年的48.2 μg·m-3上升到了2013年的66.1 μg·m-3. PM2.5污染高值区范围由西安、运城和临汾快速向四周扩大, 形成连片PM2.5污染高值区.天水和宝鸡存在部分地区大气状况良好, 但低值区范围在逐步缩减, 以2013年污染最为严重, 关中平原城市群ρ(PM2.5)整体均高于35 μg·m-3, 最高值达到了116.2 μg·m-3. 2013~2020年PM2.5浓度处于下降阶段, ρ(PM2.5)由2013年的66.1 μg·m-3降低至2020年的36.0 μg·m-3.PM2.5污染低值区范围由宝鸡和天水快速向四周扩大, 其中天水、平凉和庆阳于2019年开始PM2.5浓度整体均低于二级标准限值, 大气状况良好.PM2.5污染高值区逐步缩减, PM2.5浓度大幅下降, 表明自2013年以来关中平原城市群大气污染防治取得较好成果.

图 3 2000~2020年关中平原城市群PM2.5浓度空间分布 Fig. 3 Spatial distribution of PM2.5 concentration in Guanzhong Plain urban agglomeration from 2000 to 2020

2.3 关中平原城市群PM2.5浓度空间集聚特征

本文以2000、2005、2010、2015和2020年为时间断点来分析关中平原城市群PM2.5浓度空间集聚的变化特征, PM2.5浓度分布影响因素也通过这5个年份来进行分析.由空间自相关分析结果可知, 5个年份的全局Moran's I均大于0(表 2), 表明关中平原城市群PM2.5年均浓度在空间分布存在显著的自相关关系, 即空间上呈集聚分布.

表 2 关中平原城市群PM2.5年均浓度全局Moran's I Table 2 Global Moran's I of PM2.5 annual average concentration in the Guanzhong Plain urban agglomeration

基于全局空间自相关分析的结果, 对关中平原城市群PM2.5浓度进行Getis-Ord Gi*热点分析, 探讨其局部空间分布规律, 结果如图 4所示.从空间分布看, 热点集中于研究区东部, 冷点集中于研究区西部.其中2000、2010和2015年冷热点分布一致, 天水、平凉和宝鸡为冷点聚集区, 表明这些区域PM2.5浓度较低.咸阳和庆阳为次冷点.运城和临汾为热点聚集区, 表明这些区域是关中平原城市群持续稳定的PM2.5高污染区.西安、铜川、渭南和商洛为次热点.在2005和2020年冷点减少而热点增加, 热点聚集区扩展到了渭南, 而冷点聚集区缩小至了天水和宝鸡.

图 4 空间冷热点分布 Fig. 4 Distribution of hot and cold spots in space

2.4 关中平原城市群PM2.5时空分布影响探测 2.4.1 关中平原城市群PM2.5主控影响因子

基于文献梳理、数据精度、数据时间序列长度和数据可获得性共选取影响因子10个.利用地理探测器识别关中平原城市群PM2.5污染的主控影响因子, 结果如表 3所示.从结果可以看到, 2000年和2005年PM2.5污染的主控影响因子相同, 其中影响力最大的均为海拔, 其它影响力较大的影响因子分别为能源消耗指数、植被覆盖度、地形起伏度、年降水量、年均气温和年均相对湿度. 2010年和2020年PM2.5污染的主控影响因子相同, 其中影响力最大的均为海拔, 其它影响力较大的影响因子为人均GDP、能源消耗指数、植被覆盖度、地形起伏度、年降水量、年均气温和年均相对湿度. 2015年则主要受到自然因素影响, 主要为植被覆盖度、地形起伏度、海拔、年降水量、年均气温和年均相对湿度.相较于社会经济因子, 自然因子对关中平原城市群PM2.5变化影响的程度更大.

表 3 因子探测分析结果 Table 3 Factor probing analysis results

2.4.2 关中平原城市群PM2.5影响因子空间异质性

考虑到时效性问题并综合地理探测器方法的相关特点[32], 本文对2020年关中平原城市群PM2.5浓度分布的主控影响因子进行MGWR模型拟合(表 4).由表 3可知2020年PM2.5浓度主控影响因子按解释力大小排序依次为：海拔>年均气温>地形起伏度>年均相对湿度>年降水量>人均GDP>植被覆盖度>能源消耗指数.由表 4可知主控影响因子按照作用尺度大小排序依次为：植被覆盖度>年均气温>能源消耗指数>年降水量>地形起伏度>海拔>人均GDP>年均相对湿度.

表 4 MGWR模型拟合结果1) Table 4 MGWR model fitting results

3 讨论

2000~2020年关中平原城市群PM2.5浓度年均值总体呈下降趋势, 整体污染得到了有效地防治. 2013~2020年, PM2.5浓度大幅下降, 其中天水、平凉、庆阳和商洛整体转为无污染区. 这与长江三角洲城市群[36] 2013~2017年PM2.5年平均浓度的趋势一致, 其PM2.5污染主要受工业生产影响.由表 3可知关中平原城市群PM2.5污染解释力最强的影响因子为海拔, 与对中原城市群研究的结果一致[17].相较于能源消耗等社会经济因素关中平原城市群PM2.5污染受自然因素影响更大.

基于对相关文献梳理、数据精度、数据时间序列长度和数据可获得性共选取影响因子10个, 通过地理探测器筛选出解释力相对较强的影响因子同时避免共线性问题, 采用MGWR模型进行拟合, 并将影响因子回归系数定量空间可视化(图 5).由PM2.5影响因素回归系数空间分布可知, 人均GDP、地形起伏度、能源消耗指数、年均气温的回归系数总体上为正, 对关中平原城市群PM2.5污染起到了正向增强作用, 其余因子的回归系数总体上为负, 对污染起到了抑制作用.社会经济因子中, 人均GDP作用的空间差异显著, 作用强度大的地区集中在西安、渭南、咸阳和铜川交界的地方, 这些地区人均GDP较高, 表明在这些地区PM2.5污染受经济发展影响较大, 因此在大力发展经济的同时也需注意大气污染防治; 能源消耗指数作用强度大的地区集中在运城和铜川, 表明这两地的PM2.5污染可能主要来源于能源消耗, 因此需要大力发展清洁能源.自然因子中, 年降水量总体上对污染起抑制作用, 这是由于降雨会使PM2.5沉降从而使其浓度降低.年均相对湿度总体上是对污染起抑制作用, 当空气中相对湿度较大时, PM2.5颗粒物四周会被水分包围, 在重力作用下发生沉降从而降低PM2.5浓度[33]. 年均气温与PM2.5浓度具有相似的空间分布特征, 对关中平原城市群整体PM2.5污染均为正向增强作用, 主要原因为：温度影响颗粒物形成, 高温能促进前驱体间的光化学反应[45]. 其对研究区东部作用强度最大, 该地区温度低且降雨多、空气相对湿度大, 不利于PM2.5污染的形成和扩散, 因此该地区PM2.5浓度较低.植被覆盖度总体上对污染起抑制作用, 一般而言, 较好的植被覆盖有利于大气颗粒物的吸收和沉降[29]. 地形起伏度总体上为负向作用, PM2.5浓度高值区集中在地形起伏度低的地区, 可能是由于关中平原城市群南靠秦岭山脉、北接黄土高原, 形成了类似于盆地的地貌, 阻碍了PM2.5的扩散.海拔总体上为负向作用, 这是由于人口和产业布局主要集中在地势平坦的平原地区, 因此低地平原PM2.5浓度往往高于周边地区[29].

图 5 PM2.5影响因素回归系数 Fig. 5 Regression coefficient of PM2.5 influencing factors

PM2.5污染由外因(自然影响因子)和内因(社会经济影响因子)共同作用, 在不同区域大气污染的主导因素相差很大, 哪一方占主导没有一个统一的答案[5].如宋洁等[46]研究发现自然因素对淮海经济区PM2.5浓度影响更大.李衡等[32]研究发现黄河流域社会经济因子占主导地位.本文的定量分析显示, 虽然自然影响因子对PM2.5浓度影响更大, 但自然影响因素很难进行大的调整, 因此针对关中平原城市群具体情况, 应该对于社会经济因素指定有效的调控措施, 如提高使用清洁能源比例, 优化临汾和运城等城市的能源产业结构, 并且提高公众环保意识, 加大污染排放监管力度.

本文将地理探测器与多尺度地理加权回归(MGWR)模型结合定量分析, 可以消除MGWR模型多因子共线性问题, 同时MGWR模型允许每个影响因子各自不同的空间平滑水平, 可更准确地对PM2.5污染影响因子定量空间可视化.未来的研究期望能获取更多尺度、更高精度和更长时间序列的PM2.5和人口格网数据, 实现更高精度和多时间尺度的PM2.5污染研究, 并剖析PM2.5人口暴露风险的时空演变格局和驱动机制, 以期更准确地治理PM2.5污染, 合理控制污染范围.

4 结论

(1) 2000~2020年, 关中平原城市群PM2.5浓度总体呈下降趋势.其中2000~2013年为波动上升阶段, 2013~2020年为下降阶段.PM2.5污染高值区由西安、运城和临汾向四周扩大并形成连片高值区, 集中在研究区中东部, 低值区集中在研究区西部.热点区域集中在临汾市和运城市, 冷点区则集中在天水和宝鸡.

(2) 相较于社会经济因子, 自然因子对关中平原城市群PM2.5污染影响更显著, 2020年PM2.5浓度主控影响因子解释力大小排序依次为：海拔(0.778 1)>年均气温(0.692 9)>地形起伏度(0.534 4)>年均相对湿度(0.474 8)>年降水量(0.406 6)>人均GDP(0.331 3)>植被覆盖度(0.268 9)>能源消耗指数(0.206 1).

(3) 主控影响因子按照作用尺度大小排序依次为：植被覆盖度(474)>年均气温(429)>能源消耗指数(169)>年降水量(76)>地形起伏度(59)>海拔(51)>人均GDP(45)>年均相对湿度(44).人均GDP、地形起伏度、能源消耗指数和年均气温的回归系数总体上为正, 对关中平原城市群PM2.5污染起到了正向增强作用, 植被覆盖度、年降水量、海拔和年均相对湿度主要为负向作用, 对污染起到了抑制作用.

致谢: 感谢国家科技资源共享服务平台-国家地球系统科学数据中心(http://www.geodata.cn)提供数据支撑.

参考文献
[1] 张永年, 潘竟虎. 基于DMSP/OLS数据的中国碳排放时空模拟与分异格局[J]. 中国环境科学, 2019, 39(4): 1436-1446.
Zhang Y N, Pan J H. Spatio-temporal simulation and differentiation pattern of carbon emissions in China based on DMSP/OLS nighttime light data[J]. China Environmental Science, 2019, 39(4): 1436-1446. DOI:10.3969/j.issn.1000-6923.2019.04.011
[2] 南国卫, 孙虎, 朱一梅. 陕西省PM2.5时空分布规律及其影响因素[J]. 环境科学研究, 2018, 31(5): 834-843.
Nan G W, Sun H, Zhu Y M. Spatial and temporal characteristics of PM2.5 in Shaanxi Province and its driving factors[J]. Research of Environmental Sciences, 2018, 31(5): 834-843.
[3] Chan C K, Yao X H. Air pollution in mega cities in China[J]. Atmospheric Environment, 2008, 42(1): 1-42. DOI:10.1016/j.atmosenv.2007.09.003
[4] 慕航, 何超, 阮秋明, 等. "一带一路"沿线国家PM2.5污染与人口暴露风险的时空分布特征[J]. 环境科学学报, 2021, 41(6): 2229-2240.
Mu H, He C, Nguyen T, et al. Spatiotemporal distribution characteristics and population exposure risks to PM2.5 in countries along the Belt and Road[J]. Acta Scientiae Circumstantiae, 2021, 41(6): 2229-2240.
[5] 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.
[6] 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
[7] 姜澒月, 闫亚琛, 李海蓉. 中国2013年城市大气污染现状及探索性空间数据分析[J]. 安全与环境学报, 2016, 16(2): 352-357.
Jiang H Y, Yan Y C, Li H R. Urban air pollution status in-situ in China and an exploratory spatial data analysis in the year of 2013[J]. Journal of Safety and Environment, 2016, 16(2): 352-357. DOI:10.13637/j.issn.1009-6094.2016.02.070
[8] 苏英, 郭玲霞, 刘宇峰. 关中5市环境空气质量特征与成因分析[J]. 南京信息工程大学学报(自然科学版), 2018, 10(5): 616-622.
Su Y, Guo L X, Liu Y F. Analysis of characteristics and causes of air quality in the five cities of the Guanzhong area[J]. Journal of Nanjing University of Information Science and Technology (Natural Science Edition), 2018, 10(5): 616-622.
[9] 李慧敏, 刘新贵, 孙傲辉, 等. 中国重点区域PM2.5时空变化分析与预测[J]. 测绘与空间地理信息, 2022, 45(1): 175-181.
Li H M, Liu X G, Sun A H, et al. Analysis and prediction of the spatial and temporal changes of PM2.5 in key regions of China[J]. Geomatics & Spatial Information Technology, 2022, 45(1): 175-181. DOI:10.3969/j.issn.1672-5867.2022.01.045
[10] 杨晓辉, 宋春杰, 范丽行, 等. 京津冀地区高分辨率PM2.5浓度时空变化模拟与分析[J]. 环境科学, 2021, 42(9): 4083-4094.
Yang X H, Song C J, Fan L H, et al. High-resolution estimation of spatio-temporal variation in PM2.5 concentrations in the Beijing-Tianjin-Hebei region[J]. Environmental Science, 2021, 42(9): 4083-4094.
[11] Liu X W, Qin M C, He Y, et al. A new multi-data-driven spatiotemporal PM2.5 forecasting model based on an ensemble graph reinforcement learning convolutional network[J]. Atmospheric Pollution Research, 2021, 12(10). DOI:10.1016/j.apr.2021.101197
[12] 张运林, 睢晋玲, 吴娴, 等. 粤港澳大湾区PM2.5时空分布特征及其与气象要素的关系[J]. 生态学报, 2021, 41(6): 2272-2281.
Zhang Y L, Sui J L, Wu X, et al. Temporal and spatial distribution characteristics of PM2.5 and its relationship with meteorological factors in Guangdong-Hong Kong-Macao greater bay area[J]. Acta Ecologica Sinica, 2021, 41(6): 2272-2281.
[13] Deng C X, Tian S, Li Z W, et al. Spatiotemporal characteristics of PM2.5 and ozone concentrations in Chinese urban clusters[J]. Chemosphere, 2022, 295. DOI:10.1016/j.chemosphere.2022.133813
[14] Xu W Y, Jin X B, Liu M M, et al. Analysis of spatiotemporal variation of PM2.5 and its relationship to land use in China[J]. Atmospheric Pollution Research, 2021, 12(9). DOI:10.1016/j.apr.2021.101151
[15] 曾德珩, 陈春江. 成渝城市群PM2.5的时空分布及其影响因素研究[J]. 环境科学研究, 2019, 32(11): 1834-1843.
Zeng D H, Chen C J. Spatial-temporal characteristics and influence factors of PM2.5 concentrations in Chengdu-Chongqing urban agglomeration[J]. Research of Environmental Sciences, 2019, 32(11): 1834-1843.
[16] 甄贞, 刘佳宇, 牛亚洲, 等. 基于多元时间序列的哈尔滨市PM2.5影响因素分析[J]. 河南师范大学学报(自然科学版), 2022, 50(1): 98-107.
Zhen Z, Liu J Y, Niu Y Z, et al. Analysis of impact factors of PM2.5 in Harbin based on multivariate time series[J]. Journal of Henan Normal University (Natural Science Edition), 2022, 50(1): 98-107.
[17] 周志衡, 周廷刚, 秦宁. 中原城市群PM2.5浓度驱动因子联动效应及非线性影响[J]. 环境科学, 2022, 43(12): 5344-5353.
Zhou Z H, Zhou T G, Qin N. Linkage effect and nonlinear impact of PM2.5 concentration driving factors in central plains urban agglomeration[J]. Environmental Science, 2022, 43(12): 5344-5353.
[18] 黄晓军, 祁明月, 李艳雨, 等. 关中地区PM2.5时空演化及人口暴露风险[J]. 环境科学, 2020, 41(12): 5245-5255.
Huang X J, Qi M Y, Li Y Y, et al. Spatio-temporal evolution and population exposure risk to PM2.5 in the Guanzhong area[J]. Environmental Science, 2020, 41(12): 5245-5255.
[19] 赵辉, 郑有飞, 张誉馨, 等. 京津冀大气污染的时空分布与人口暴露[J]. 环境科学学报, 2020, 40(1): 1-12.
Zhao H, Zheng Y F, Zhang Y X, et al. Spatiotemporal distribution and population exposure of air pollution in Beijing-Tianjin-Hebei region[J]. Acta Scientiae Circumstantiae, 2020, 40(1): 1-12. DOI:10.13671/j.hjkxxb.2019.0237
[20] 康博, 刘强, 赵强. 基于2015~2018年实时监测数据对关中平原城市群PM2.5时空变化规律的研究[J]. 地球与环境, 2020, 48(2): 161-170.
Kang B, Liu Q, Zhao Q. Spatiotemporal variations of PM2.5 in the urban agglomeration of the Guanzhong Plain based on real-time monitoring date during 2015-2018[J]. Earth and Environment, 2020, 48(2): 161-170.
[21] 潘晨, 康志明. 2001~2019年气象条件对江苏省PM2.5分布的影响[J]. 环境科学, 2022, 43(2): 649-662.
Pan C, Kang Z M. Impact of meteorological conditions on PM2.5 in Jiangsu Province from 2001 to 2019[J]. Environmental Science, 2022, 43(2): 649-662.
[22] 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.
[23] 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.
[24] 葛岂序, 刘岩, 杨洪, 等. 2015~2019年河南省PM2.5时空特征与驱动因素分析[J]. 环境科学, 2022, 43(4): 1697-1705.
Ge Q X, Liu Y, Yang H, et al. Analysis on spatial-temporal characteristics and driving factors of PM2.5 in Henan Province from 2015 to 2019[J]. Environmental Science, 2022, 43(4): 1697-1705.
[25] 丁净, 唐颖潇, 郝天依, 等. 天津市冬季空气湿度对PM2.5和能见度的影响[J]. 环境科学, 2021, 42(11): 5143-5151.
Ding J, Tang Y X, Hao T Y, et al. Impact of air humidity on PM2.5 mass concentration and visibility during winter in Tianjin[J]. Environmental Science, 2021, 42(11): 5143-5151.
[26] 柏玲, 姜磊, 陈忠升. 长江中游城市群PM2.5时空特征及影响因素研究[J]. 长江流域资源与环境, 2018, 27(5): 960-968.
Bai L, Jiang L, Chen Z S. Spatio-temporal characteristics of PM2.5 and its influencing factors of the urban agglomeration in the middle reaches of the Yangtze River[J]. Resources and Environment in the Yangtze Basin, 2018, 27(5): 960-968. DOI:10.11870/cjlyzyyhj201805003
[27] Alvarez H B, Echeverria R S, Alvarez P S, et al. Air quality standards for particulate matter (PM) at high altitude cities[J]. Environmental Pollution, 2013, 173: 255-256. DOI:10.1016/j.envpol.2012.09.025
[28] 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
[29] 王丽丽, 刘笑杰, 李丁, 等. 长江经济带PM2.5空间异质性和驱动因素的地理探测[J]. 环境科学, 2022, 43(3): 1190-1200.
Wang L L, Liu X J, Li D, et al. Geographical detection of spatial heterogeneity and drivers of PM2.5 in the Yangtze River economic belt[J]. Environmental Science, 2022, 43(3): 1190-1200.
[30] 黄小刚, 赵景波, 孙从建, 等. 汾渭平原PM2.5空间分布的地形效应[J]. 环境科学, 2021, 42(10): 4582-4592.
Huang X G, Zhao J B, Sun C J, et al. Orographic influences on the spatial distribution of PM2.5 on the Fen-Wei Plain[J]. Environmental Science, 2021, 42(10): 4582-4592.
[31] 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.
[32] 李衡, 韩燕. 黄河流域PM2.5时空演变特征及其影响因素分析[J]. 世界地理研究, 2022, 31(1): 130-141.
Li H, Han Y. Analysis on the spatial-temporal evolution characteristics of PM2.5 and its influencing factors in the Yellow River Basin[J]. World Regional Studies, 2022, 31(1): 130-141. DOI:10.3969/j.issn.1004-9479.2022.01.2020212
[33] 陈优良, 邹文敏. 2015-2019年长三角PM2.5时空变化特征及其影响因子分析[J]. 安全与环境学报, 2022, 22(1): 476-485.
Chen Y L, Zou W M. Temporal-spatial characteristics of PM2.5 and impact factors analysis in Yangtze River Delta from 2015 to 2019[J]. Journal of Safety and Environment, 2022, 22(1): 476-485.
[34] Lin Y C, Lin Y C, Shangdiar S, et al. Assessment of PM2.5 and PAH content in PM2.5 emitted from mobile source gasoline-fueled vehicles in concomitant with the vehicle model and mileages[J]. Chemosphere, 2019, 226: 502-508. DOI:10.1016/j.chemosphere.2019.03.137
[35] 刘威杰, 胡天鹏, 毛瑶, 等. 汾渭平原临汾市2019年春节期间大气污染特征与来源解析[J]. 环境科学, 2021, 42(11): 5122-5130.
Liu W J, Hu T P, Mao Y, et al. Characteristics and origin analysis of air pollution during the spring festival in Linfen, Fenwei Plain[J]. Environmental Science, 2021, 42(11): 5122-5130.
[36] 王昭, 严小兵. 长江三角洲城市群PM2.5时空演变及影响因素[J]. 长江流域资源与环境, 2020, 29(7): 1497-1506.
Wang Z, Yan X B. Temporal-spatial evolution of PM2.5 and driving factors in Yangtze River Delta urban agglomeration[J]. Resources and Environment in the Yangtze Basin, 2020, 29(7): 1497-1506.
[37] 周志凌, 程先富. 基于MGWR模型的中国城市PM2.5影响因素空间异质性[J]. 中国环境科学, 2021, 41(6): 2552-2561.
Zhou Z L, Cheng X F. Spatial heterogeneity of influencing factors of PM2.5 in Chinese cities based on MGWR model[J]. China Environmental Science, 2021, 41(6): 2552-2561. DOI:10.3969/j.issn.1000-6923.2021.06.007
[38] 韩静, 芮旸, 杨坤, 等. 基于地理探测器和GWR模型的中国重点镇布局定量归因[J]. 地理科学进展, 2020, 39(10): 1687-1697.
Han J, Rui Y, Yang K, et al. Quantitative attribution of national key town layout based on geodetector and the geographically weighted regression model[J]. Progress in Geography, 2020, 39(10): 1687-1697. DOI:10.18306/dlkxjz.2020.10.008
[39] Xie Y H, Weng Q H. World energy consumption pattern as revealed by DMSP-OLS nighttime light imagery[J]. GIScience & Remote Sensing, 2016, 53(2): 265-282.
[40] 吴健生, 牛妍, 彭建, 等. 基于DMSP/OLS夜间灯光数据的1995-2009年中国地级市能源消费动态[J]. 地理研究, 2014, 33(4): 625-634.
Wu J S, Niu Y, Peng J, et al. Research on energy consumption dynamic among prefecture-level cities in China based on DMSP/OLS nighttime light[J]. Geographical Research, 2014, 33(4): 625-634.
[41] 陈彦光. 基于Moran统计量的空间自相关理论发展和方法改进[J]. 地理研究, 2009, 28(6): 1449-1463.
Chen Y G. Reconstructing the mathematical process of spatial autocorrelation based on Moran's statistics[J]. Geographical Research, 2009, 28(6): 1449-1463.
[42] 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.
[43] GB 3095-2012, 环境空气质量标准[S].
GB 3095-2012, Ambient air quality standard[S].
[44] 黄鑫宇, 王雷, 潘虹, 等. 长三角城市群的PM2.5和PM10演变趋势及空间效应分析[J]. 环境污染与防治, 2021, 43(10): 1309-1315.
Huang X Y, Wang L, Pan H, et al. Evolution trend and spatial differentiation characteristics of PM2.5 and PM10 in Yangtze River Delta urban agglomeration[J]. Environmental Pollution and Control, 2021, 43(10): 1309-1315.
[45] Hajiloo F, Hamzeh S, Gheysari M. Impact assessment of meteorological and environmental parameters on PM2.5 concentrations using remote sensing data and GWR analysis (case study of Tehran)[J]. Environmental Science and Pollution Research, 2019, 26(24): 24331-24345.
[46] 宋洁, 徐建斌, 刘佳, 等. 淮海经济区PM2.5时空特征及影响因素[J]. 长江流域资源与环境, 2021, 30(8): 2038-2047.
Song J, Xu J B, Liu J, et al. Spatial and temporal characteristics and influencing factors of PM2.5 in Huaihai economic zone[J]. Resources and Environment in the Yangtze Basin, 2021, 30(8): 2038-2047.