2022, Vol. 43
2. 湖南科技大学地理空间信息技术国家地方联合工程实验室, 湘潭 411201
2. National-Local Joint Engineering Laboratory of Geo-Spatial Information Technology, Hunan University of Science and Technology, Xiangtan 411201, China
近年来, 我国城市大气的细颗粒物(PM2.5)污染浓度总体呈下降态势, 但仅次于PM2.5的臭氧(O3)污染问题日渐突出, 部分城市以O3为首要污染物的天数呈逐年上升趋势[1~5], 区域性复合型大气污染日益凸显.为此, 我国在“十四五”规划与2035远景目标纲要中明确指出: “加强城市大气质量达标管理, 推进PM2.5和O3协同控制, 地级及以上城市PM2.5浓度下降10%, 有效遏制O3浓度增长趋势, 基本消除重污染天气”[6].由于大气污染受污染物的性质、气象条件和地表性质等因素影响, 往往具有复杂的时空分异性.因此, 探究区域PM2.5和O3浓度的影响因素及其关联性对复合型大气污染协同控制至关重要.
目前, 针对复合型大气污染时空分布特征及其影响因素研究已取得了丰硕成果.例如, 陈优良等[7]采用空间自相关等数理统计方法, 分析了2017年长三角地区PM2.5和O3的变化特征, 结果表明内陆城市的PM2.5浓度高于沿海城市, O3浓度由北到南逐渐降低; 赵淑婷等[8]利用空气监测站点及其气象参数对2013~2019年邯郸市复合污染特征进行了探究, 发现温度、湿度和气压对大气复合污染影响较明显, 当温度、湿度较高和气压偏低时, 更容易发生复合污染.姚懿娟等[9]基于四类国控站点监测数据, 分析了广州各站点PM2.5和O3的季节性污染特征, 结果显示不同类型站点PM2.5的浓度总体呈下降趋势, 而O3浓度则呈上升趋势. Chen等[10]基于空气监测站点数据, 运用Pearson相关系数探讨了中国区域不同时间尺度和地理分区下PM2.5和O3之间的相关性, 发现两者在夏季呈现正相关, 在冬季呈现负相关, 且表现出显著的空间差异, 即在中国南部存在正相关, 北部存在负相关.然而, 现有研究大多以空气监测站点为数据源, 站点监测数据分布不均和稀疏状况容易引起分析结果偏差, 较难全面揭示整个研究区的污染物分布特征及其影响机制[11~15].此外, 目前研究主要集中于单一污染物的时空分布或影响因素分析[16~19], 忽略了不同污染物影响因素的关联特征, 难以有效服务于PM2.5与O3的协同控制.
本研究选取长株潭城市群为研究区域, 基于遥感反演数据和空气质量监测站点数据, 采用空间自相关和地理加权回归等方法分析该区域2015~2019年PM2.5和O3的时空分布特征, 并探讨研究区域内人口密度、夜间灯光和气候等因素对PM2.5和O3浓度的影响及其关联特征, 旨在为长株潭城市群科学制定复合型大气污染协同治理策略提供有效的信息支撑.
1 材料与方法 1.1 研究区概况长株潭城市群是湖南省经济发展和城市化的核心区域, 由长沙、株洲和湘潭三市构成(图 1).城市群沿湘江呈“品”字形分布, 地势“南高北低”[20], 夏季高温多雨, 冬季温和少雨, 属典型的亚热带季风气候.
|
图 1 研究区位置示意 Fig. 1 Location of the study area |
考虑到研究区地面空气质量监测站点的分布不均匀, 选取CHAP(China high air pollutants)数据集中的PM2.5和O3年均浓度遥感产品作为数据源(https://weijingrs.github.io/product.html), 时间跨度为2015~2019年, 空间分辨率分别为1 km和10 km.该数据由丰富的地面观测数据、卫星遥感产品、大气再分析和模式模拟等资料生产得到.通过数据格式转换、栅格裁剪和重采样, 将PM2.5和O3浓度数据空间分辨率统一到1 km.为了验证该数据集在研究区域内的可靠性, 使用国家生态环境部(https://www.mee.gov.cn/hjzl/dqhj/)发布的2015~2019年长株潭城市群地面监测PM2.5和O3月均浓度数据对其进行质量检验, 发现二者回归方程的R2系数分别为0.897(PM2.5)和0.887(O3), 表明CHAP的PM2.5和O3浓度数据具有较高的准确度, 可用于长株潭城市群空气质量分析.鉴于此, 本研究以5 km×5 km的空间网格作为评价单元, 统计得到1571个空间单元, 图 2和图 3分别为长株潭城市群2015~2019年PM2.5和O3年均浓度的空间分布.
|
图 2 2015~2019年ρ(PM2.5)空间分布 Fig. 2 Spatial distribution of ρ(PM2.5) from 2015 to 2019 |
|
图 3 2015~2019年ρ(O3)空间分布 Fig. 3 Spatial distribution of ρ(O3) from 2015 to 2019 |
本研究所用的影响因素包括：气候变量(年均气温、年降水量、年平均风速和年均相对湿度)、地形变量(高程DEM和地形起伏度)、植被指数(NDVI)、人口密度和夜间灯光亮度.其中, 气象数据来自国家地球系统科学数据中心(http://www.geodata.cn/myspace/userInfo/), 通过栅格计算提取、整理获得各指标的年均数据集.地形数据(用高程和地形起伏度表征, 是衡量空气污染物转移的重要空间约束)、植被指数(反映地表植被覆盖变化[21])和人口密度(表征该地区人口的集聚程度)数据均来自中国科学院资源环境科学与数据中心(https://www.resdc.cn/); 夜间灯光数据来自美国国家海洋和大气管理局(NOAA, https://eogdata.mines.edu/products/vnl/).所有数据时间跨度为2015~2019年, 空间分辨率均为1 km.此外, 基础地理信息数据来自国家地理信息资源目录服务系统(https://www.webmap.cn/).通过分区统计将所有影响因素的栅格数据统一到格网中, 各影响因素的空间分布如图 4所示.
|
图 4 影响因素空间分布 Fig. 4 Spatial distribution map of influencing factors |
选取全局和局部Moran's I指数评估长株潭城市群PM2.5和O3污染物的空间集聚特性[22, 23].全局Moran's I指数的计算公式如下:
|
(1) |
式中, xi和xj为网格i和j上的PM2.5或O3浓度; n为网格数量; x为PM2.5或O3浓度平均值; wij为空间权重矩阵, 因PM2.5或O3在大气中传输距离较远, 采用Queen二阶邻接规则构建, 即有二阶公共边或公共点的网格单元视为相邻, 相邻的权重值为1, 否则为0; S0为所有权重的和; I∈[-1, 1], I>0表示正相关, I < 0表示负相关, I=0表示不相关, |I|越大, 表示空间自相关性越强.I的显著性采用双侧Z统计量检验, 其表达式如下:
|
(2) |
式中, E(I)和Var(I)分别为I的数学期望和方差.同时利用局部Moran's I指数来度量每个网格和周边网格间的空间聚集程度.对于第i个网格空间单元, 其局部Moran's I指数计算为:
|
(3) |
式中, Zi和Zj分别为网格i和j上PM2.5或O3浓度值.根据Moran's I指数的显著性水平和Z(I)的符号将研究单元划分为高-高集聚、低-低集聚、高-低集聚和低-高集聚这4种类型.
1.3.2 地理加权回归地理加权回归(GWR)通过建立空间范围内每个点处的局部回归方程, 使得变量间的关系可以随地理位置的改变而变化, 并且可以反映被忽略的局部特性[24, 25].其表达式如下:
|
(4) |
式中, yi为i网格单元的因变量解释值; (ui, vi)为i网格单元的地理坐标; xik(i=1, 2, …, n)为网格单元i的自变量解释值; β0(ui, vi)为截距项, βk(ui, vi)为网格单元(ui, vi)处的回归系数; εi为随机误差项. εi>0时为解释变量和被解释变量之间呈正相关, 反之为负相关.GWR的核心是空间权函数的选取, 数据的空间关联性通过空间权重矩阵来实现, 研究中选择Gauss函数法来确定空间权重.
2 结果与讨论 2.1 PM2.5和O3浓度的时空分布特征 2.1.1 PM2.5和O3浓度的时间变化特征2015~2019年长株潭城市群PM2.5和O3浓度随月度、季度和年度的变化如图 5所示. PM2.5月均值曲线大致呈“U”形分布, 冬季(12、1和2月)浓度明显高于夏季(6~8月), 季节分布特征明显, 由高到低的顺序为：冬季(82.2μg·m-3)>春季(45.4μg·m-3)>秋季(40.1μg·m-3)>夏季(28.1μg·m-3).除夏季外, 其余季节浓度均高于国家二级标准限值.出现上述情形的原因可能是：冬季逆温频率高、时间长和强度大, 不利于颗粒物扩散; 此外, 长株潭城市群冬季降雨量少, 冬季盛行的偏北风将北方地区空气污染物携带至长株潭地区, 从而导致冬季PM2.5浓度最高[26].
|
图 5 2015~2019年PM2.5和O3月均浓度 Fig. 5 Monthly average concentrations of PM2.5 and O3 from 2015 to 2019 |
ρ(O3)月均值变化大体呈“M”型, 主要集中在50~210μg·m-3.两个峰值分别出现在5月和9月, 5月ρ(O3)月均值分别为118.2、112.8、148.4、125.1和165.7μg·m-3, 9月ρ(O3)月均值分别为148.1、149.8、142.5、170.3和206.1μg·m-3; 高浓度峰值均出现在8~10月, 较低浓度主要集中于11、12和1月, 即夏、秋季浓度高, 冬、春季浓度低.O3浓度整体呈现上升趋势, 逐渐代替PM2.5成为首要污染物.
2.1.2 PM2. 5和O3浓度的相关性特征由2015~2019年长株潭城市群PM2.5和O3浓度年均值Pearson相关系数可知(图 6), 夏季PM2.5-O3的相关系数表现为显著的正相关, 而冬季更趋于负相关, 总体上以负相关为主, 夏季和冬季相关系数的绝对值均达到峰值.这可能由于夏季高温, 日照充足, 太阳辐射较强, 光化学反应加快促进前体排放物向O3和PM2.5转化形成污染[27], 故表现为正相关特征; 而冬季易形成逆温且秸秆焚烧较多, 虽易形成PM2.5污染, 但此时光照较弱, 不利于前体排放物转化O3, 故表现为负相关特征.
|
图 6 2015~2019年PM2.5和O3浓度年均值Pearson系数 Fig. 6 PM2.5 and O3 annual concentration Pearson coefficient from 2015 to 2019 |
全局Moran's I指数显示(表 1和表 2), 2015~2019年PM2.5和O3浓度年均值均具有显著的空间正相关性, 且呈逐年上升趋势.局部LISA集聚图显示(图 7和图 8)：①PM2.5年均浓度高-高集聚的网格数量呈上下波动趋势, 主要集中在长沙市的芙蓉区和雨花区, 湘潭市的雨湖区和岳塘区附近; 而低-低集聚的网格数量有逐渐增加的趋势, 主要分布在株洲市的攸县、茶陵县、炎陵县和长株潭城市群的东北部区域. ② O3年均浓度高-高集聚网格总体呈现增加趋势, 主要集中在城市群中心, 即长沙市的岳麓区和望城区, 且有向周边地区扩散的态势; 而低-低集聚的网格有逐渐降低的趋势, 主要集中在城市群南部的炎陵县附近.
|
表 1 2015~2019年PM2.5全局Moran's I指数 Table 1 Global Moran's I index of PM2.5 from 2015 to 2019 |
|
|
表 2 2015~2019年O3全局Moran's I指数 Table 2 Global Moran's I index of O3 from 2015 to 2019 |
|
图 7 2015~2019年PM2.5的LISA分析 Fig. 7 LISA analysis of PM2.5 from 2015 to 2019 |
|
图 8 2015~2019年O3的LISA分析 Fig. 8 LISA analysis of O3 from 2015 to 2019 |
本研究运用地理加权回归模型(GWR)对长株潭城市群PM2.5和O3浓度影响因素的空间异质性进行分析.为避免因子相互影响对估计结果造成偏差, 先对影响因子进行共线性检验.表 3显示, 各影响因素的方差膨胀因子(VIF)值均小于10, 表明所选取的指标不存在共线性.基于GWR得到的拟合优度(R2)分布在0.60~0.86之间, 表明选择的9个指标对长株潭城市群PM2.5和O3浓度的综合解释能力较强.进一步将各个影响因素的回归系数进行可视化, 探讨各因素对PM2.5和O3影响的空间异质性.
|
|
表 3 影响因素共线性检验 Table 3 Collinearity inspection of the influencing factors |
2.3.1 PM2.5的影响因素分析
由PM2.5浓度和影响因素回归系数空间分布可知, 自然因素的各个指标和PM2.5浓度主要呈负相关效应, 而社会经济指标表现为正相关效应.影响强度由高到低依次为：NDVI>风速>温度>人口密度>地形起伏度>夜间灯光>相对湿度>降水量>高程.
NDVI对PM2.5浓度呈显著负相关效应[图 9(a)], 回归系数绝对值较高的区域集中在浏阳市、醴陵市北部和湘潭县, 低值区则集中在宁乡市、望城区和株洲攸县东部, 这些高值区域主要位于罗霄幕阜山脉, 植被分布广泛, 对PM2.5的吸附、阻碍和拦截作用在一定程度上可以有效抑制区域的污染程度[28, 29].地形起伏度和DEM对PM2.5浓度主要呈现负相关效应[图 9(e)和9(i)], 长株潭城市群位于地形起伏度低的平原或低缓丘陵地区, 人类活动强度较大, 污染物的排放量较高, 从而容易形成高污染[30].
|
图 9 PM2.5浓度和影响因素回归系数空间分布 Fig. 9 PM2.5 spatial distribution of regression coefficient between concentration and influencing factors |
风速对PM2.5浓度的影响表现出明显的东西差异[图 9(b)], 长株潭城市群西部的回归系数普遍高于东部, 长沙市中西部和湘潭市的风速强于东部地区(图 4), 风速的增大有助于PM2.5的扩散[31].温度对PM2.5浓度的影响主要表现为负相关效应[图 9(c)], 但也存在正相关效应, 高值区主要在宁乡市和湘乡市的部分区域, 而低值区集中在长株潭城市群的中部地区, 温度升高不仅加速PM2.5的运动, 而且使空气对流相对活跃[32], 有利于大气污染物的稀释和扩散, 从而具有负相关效应, 而具有正相关效应的原因可能是温度在变化的过程中容易出现逆温[33, 34], 进而阻碍热力环流的形成, 使污染物扩散能力下降, 造成局部PM2.5浓度增大.相对湿度对PM2.5浓度同时表现出正、负两种效应[图 9(g)], 高值区集中在长沙市的开福区、芙蓉区、雨花区和长沙县等, 低值区则分布在湘乡市、湘潭县和株洲县部分区域, 相对湿度高有助于大气气溶胶粒子吸湿增长, 并逐步向积聚模态转化, 从而造成PM2.5浓度升高[35].降水量对PM2.5浓度的影响主要表现为负相关效应[图 9(h)], 高值区主要集中在株洲市南部, 而低值区则在宁乡市和湘乡市东部, 株洲地区降水量和其回归系数较高, 表明降水对大气中PM2.5有一定的清除作用[36, 37].
人口密度对PM2.5浓度具有正相关效应[图 9(d)], 高值区主要分布在株洲市的中心城区, 低值区则在长沙市的周边, 由于人口密度较大区域的生产规模和交通流量较大(图 4), 工业发展较快, 往往造成区域PM2.5浓度升高, 这与长沙市PM2.5年均浓度较高、污染严重具有一致性.夜间灯光对PM2.5浓度具有正相关效应如图 9(f), 已有研究表明夜间灯光亮度值可以反映社会经济活动和城市的发展状况[38~40], 夜间灯光强度越高表明人类活动相对较多, 经济发展状况较好, 更易造成区域PM2.5浓度偏高.
2.3.2 O3的影响因素分析从GWR模型的回归系数来看, 除夜间灯光、人口密度对O3浓度具有正相关效应外, 其余影响因素均呈现正、负两种效应.影响强度由高到低依次为：风速>温度>NDVI>夜间灯光>人口密度>相对湿度>高程>降水>地形起伏度.
风速对O3浓度整体上具有负相关效应[图 10(a)], 通常风对大气污染物有冲淡和扩散作用, 风速越大, 越有利于污染物的稀释, 长株潭城市群大部分地区年均风速超过4 m·s-1, 因而对O3扩散有一定的促进作用.温度对O3浓度主要表现为正相关效应[图 10(b)], 温度升高有利于O3光化学反应速率加快, 使得氮氧化物(NOx)和挥发性有机物(VOCs)向O3转化[41], 从而促进区域O3浓度升高.降水量对O3浓度主要具有负相关效应[图 10(h)], 高值区集中于株洲市炎陵县, 而低值区则分布在长沙市中西部, 这可能与降水对污染物冲刷和稀释作用相关[42, 43], 株洲和湘潭降水量高于长沙(图 4), 更有利于降低区域O3浓度.
|
图 10 O3浓度和影响因素回归系数空间分布 Fig. 10 O3 spatial distribution of regression coefficient between concentration and influencing factors |
相对湿度对O3具有正相关效应[图 10(f)], 且表现出明显的东西差异, 即长株潭东部的回归系数普遍高于西部, 长株潭城市群东部地区年均相对湿度高于西部地区(图 4), 其中浏阳市受相对湿度的影响最强, 相对湿度越低, 易形成降雨且太阳辐射加强, 有利于光化学反应生成O3. NDVI对O3浓度总体上具有显著的负相关效应[图 10(c)], 高值区集中在植被覆盖度高的长株潭周边区域和株洲的淞沪、荷塘区, 植被指数越高的区域通常具有较高的空气污染物净化能力, 从而使得O3浓度降低.高程和地形起伏度对O3浓度主要具有正相关效应[图 10(g)和10(i)], O3主要集中在地形起伏度较小的长株潭城市群中部地区, 当地形起伏度较大或海拔较高时, 易对气流形成阻挡效应, 气流无法快速扩散, 从而加重O3污染程度.
夜间灯光和人口密度对O3浓度具有正相关效应[图 10(d)和10(e)], 人口密度较大和夜间灯光亮度值较高区域的能源需求量和交通排放量较高, 可能导致O3前体排放量增大, 使得区域O3浓度增高, 长沙市、湘潭市和株洲市城区表现最为突出, 同时城市化引起的城市热岛效应加快光化学反应, 加上形成的热岛环流有利于污染物积聚[44, 45].
2.3.3 PM2.5和O3影响因素的比较分析为进一步揭示各个影响因素对PM2.5和O3浓度影响强度的差异性, 取各影响因素回归系数绝对值的差值, 若该值大于0, 则表明该因子对PM2.5浓度的影响强度大, 反之, 对O3浓度的影响强度更大.由强度差值空间分布(图 11)可知：①夜间灯光强度、风速和地形起伏度对长株潭城市群PM2.5浓度的影响强度更为突出, 相对湿度、温度和人口密度对O3浓度的影响更大, 而降水量、NDVI和DEM对PM2.5和O3浓度的影响强度相当. ②对PM2.5和O3浓度影响强度差异较大的为NDVI、风速、温度和夜间灯光强度.NDVI和风速对PM2.5和O3浓度具有负相关效应, 细颗粒物能被吸收和扩散作用更为显著, 而温度也是引起光化学反应和造成“逆温”的直接因素, 夜间灯光强度与城市化程度和能源消耗具有较强的相关性, 因而是造成PM2.5污染的内因, 故对PM2.5影响强度更大. ③回归系数差值大体上呈现“中部高、四周低”的分布格局, 区域异质性较为显著, 因素影响强度差异较大的区域集中在长株潭城市群中部, 如：长沙的雨花区和芙蓉区, 湘潭的雨湖区和岳塘区等, 影响强度相当的区域则位于浏阳市东北部和湘乡市、攸县等周边区域.
|
图 11 影响强度差值分布 Fig. 11 Distribution of influence intensity difference |
(1) 长株潭城市群PM2.5的浓度呈现“U”型特征, 季节特征为春冬高、夏秋居中, 三市的平均值高低依次为长沙市、湘潭市和株洲市.PM2.5浓度在空间上具有显著的集聚特征, 高-高集聚区主要集中在工业较为发达的长沙市芙蓉区、雨花区和湘潭市的雨湖区、岳塘区等, 而低-低集聚区主要在株洲市攸县、茶陵县和长株潭城市群的东北部; O3浓度则呈现“M”型规律, 季节特征为夏秋高, 春冬低, 且O3浓度高-高集聚区的面积呈现逐年增加的趋势.长株潭城市群PM2.5和O3具有一定的相关性, 表现为夏季PM2.5和O3浓度呈现正相关, 而秋冬季表现为较弱的负相关特征.
(2) GWR模型的结果显示, 自然和社会经济因素对PM2.5和O3浓度的影响表现为显著的空间异质性.自然因素对PM2.5浓度主要呈负相关效应, 而社会经济因素则表现为正相关效应, NDVI、风速和温度对PM2.5浓度的影响最为显著.除夜间灯光和人口密度对O3浓度具有正相关效应, 其余影响因素均呈现正、负两种效应, 风速和温度对O3浓度的影响最为显著.
(3) 从自然和社会经济因素对长株潭城市群PM2.5和O3浓度的影响强度差异来看：夜间灯光强度、风速和地形起伏度对PM2.5浓度的影响强度更为突出, 相对湿度、温度和人口密度对O3浓度的影响更大, 降水量、NDVI和DEM对PM2.5和O3浓度的影响强度相当.
| [1] | Wang T, Xue L K, Brimblecombe P, et al. Ozone pollution in China: a review of concentrations, meteorological influences, chemical precursors, and effects[J]. Science of the Total Environment, 2017, 575: 1582-1596. DOI:10.1016/j.scitotenv.2016.10.081 |
| [2] |
杨云芸, 胡燕, 肖童觉, 等. 湖南省长株潭城市群臭氧分布特征研究及分析[J]. 灾害学, 2021, 36(2): 97-103. Yang Y Y, Hu Y, Xiao T J, et al. Distribution characteristics of ozone in Chang-Zhu-Tan Urban Agglomeration of Hunan province[J]. Journal of Catastrophology, 2021, 36(2): 97-103. DOI:10.3969/j.issn.1000-811X.2021.02.017 |
| [3] |
姚青, 马志强, 郝天依, 等. 京津冀区域臭氧时空分布特征及其背景浓度估算[J]. 中国环境科学, 2021, 41(11): 4999-5008. Yao Q, Ma Z Q, Hao T Y, et al. Temporal and spatial distribution characteristics and background concentration estimation of ozone in Beijing-Tianjin-Hebei region[J]. China Environmental Science, 2021, 41(11): 4999-5008. DOI:10.3969/j.issn.1000-6923.2021.11.005 |
| [4] |
栗泽苑, 杨雷峰, 华道柱, 等. 2013—2018年中国近地面臭氧浓度空间分布特征及其与气象因子的关系[J]. 环境科学研究, 2021, 34(9): 2094-2104. Li Z Y, Yang L F, Hua D Z, et al. Spatial pattern of surface ozone and its relationship with meteorological variables in China during 2013-2018[J]. Research of Environmental Sciences, 2021, 34(9): 2094-2104. |
| [5] |
汪宇, 彭钰雯, 陈多宏, 等. 珠三角城市近地面臭氧污染分布特征及变化趋势[J]. 环境污染与防治, 2019, 41(9): 1103-1107. Wang Y, Peng Y W, Chen D H, et al. Distribution and trends of ground level O3 pollution in the Pearl River Delta cities[J]. Environmental Pollution and Control, 2019, 41(9): 1103-1107. DOI:10.15985/j.cnki.1001-3865.2019.09.019 |
| [6] | 中华人民共和国中央人民政府. 中华人民共和国国民经济和社会发展第十四个五年规划和2035年远景目标纲要[EB/OL]. http://www.gov.cn/xinwen/2021-03/13/content_5592681.htm, 2021-03-13. |
| [7] |
陈优良, 李亚倩. 长三角PM2.5和O3变化特征及与气象要素的关系[J]. 长江流域资源与环境, 2021, 30(2): 382-396. Chen Y L, Li Y Q. Characteristics of O3 and PM2.5 and its relationship with meteorological factors in Yangtze River Delta[J]. Resources and Environment in the Yangtze Basin, 2021, 30(2): 382-396. |
| [8] |
赵淑婷, 王丽涛, 齐孟姚, 等. 邯郸市PM2.5-O3复合污染特征及相互影响研究[J]. 环境科学学报, 2021, 41(6): 2250-2261. Zhao S T, Wang L T, Qi M Y, et al. Study on the characteristics and mutual influence of PM2.5-O3 complex pollution in Handan[J]. Acta Scientiae Circumstantiae, 2021, 41(6): 2250-2261. |
| [9] |
姚懿娟, 王美圆, 曾春玲, 等. 广州不同站点类型PM2.5与O3污染特征及相互作用[J]. 中国环境科学, 2021, 41(10): 4495-4506. Yao Y J, Wang M Y, Zeng C L, et al. Pollution characteristics and interaction between PM2.5 and O3 at different types of stations in Guangzhou[J]. China Environmental Science, 2021, 41(10): 4495-4506. |
| [10] | Chen J J, Shen H F, Li T W, et al. Temporal and spatial features of the correlation between PM2.5 and O3 concentrations in China[J]. International Journal of Environmental Research and Public Health, 2019, 16(23): 4824. DOI:10.3390/ijerph16234824 |
| [11] |
刘可欣, 卢苗苗, 张裕芬, 等. 天津市夏秋季O3-PM2.5复合污染特征及气象成因分析[J]. 环境科学学报, 2021, 41(9): 3650-3662. Liu K X, Lu M M, Zhang Y F, et al. Analysis of characteristics and meteorological causes of O3-PM2.5 compound pollution in summer and autumn over Tianjin[J]. Acta Scientiae Circumstantiae, 2021, 41(9): 3650-3662. |
| [12] |
王占山, 张大伟, 李云婷, 等. 北京市夏季不同O3和PM2.5污染状况研究[J]. 环境科学, 2016, 37(3): 807-815. Wang Z S, Zhang D W, Li Y T, et al. Different air pollution situations of O3 and PM2.5 during summer in Beijing[J]. Environmental Science, 2016, 37(3): 807-815. |
| [13] |
段杰雄, 翟卫欣, 程承旗, 等. 中国PM2.5污染空间分布的社会经济影响因素分析[J]. 环境科学, 2018, 39(5): 2498-2504. Duan J X, Zhai W X, Cheng C Q, et al. Socio-economic factors influencing the spatial distribution of PM2.5 concentrations in China: an exploratory analysis[J]. Environmental Science, 2018, 39(5): 2498-2504. |
| [14] |
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. |
| [15] |
周磊, 武建军, 贾瑞静, 等. 京津冀PM2.5时空分布特征及其污染风险因素[J]. 环境科学研究, 2016, 29(4): 483-493. Zhou L, Wu J J, Jia R J, et al. Investigation of temporal-spatial characteristics and underlying risk factors of PM2.5 pollution in Beijing-Tianjin-Hebei area[J]. Research of Environmental Sciences, 2016, 29(4): 483-493. |
| [16] |
郑印, 周广柱, 李洋, 等. 莆田市O3污染来源解析模拟研究[J]. 环境科学研究, 2019, 32(8): 1340-1347. Zheng Y, Zhou G Z, Li Y, et al. Analysis and source apportionment of ozone pollution in Putian city[J]. Research of Environmental Sciences, 2019, 32(8): 1340-1347. |
| [17] |
张淼, 丁椿, 李彦, 等. 山东省O3时空分布及影响因素分析[J]. 环境科学, 2021, 42(12): 5723-5735. Zhang M, Ding C, Li Y, et al. Spatial and temporal distribution of ozone and influencing factors in Shandong province[J]. Environmental Science, 2021, 42(12): 5723-5735. |
| [18] |
夏晓圣, 汪军红, 宋伟东, 等. 2000~2019年中国PM2.5时空演化特征[J]. 环境科学, 2020, 41(11): 4832-4843. Xia X S, Wang J H, Song W D, et al. Spatio-temporal evolution of PM2.5 concentration during 2000-2019 in China[J]. Environmental Science, 2020, 41(11): 4832-4843. |
| [19] |
时燕, 刘瑞梅, 罗毅, 等. 近20年来中国PM2.5污染演变的时空过程[J]. 环境科学, 2020, 41(1): 1-13. Shi Y, Liu R M, Luo Y, et al. Spatiotemporal variations of PM2.5 pollution evolution in China in recent 20 years[J]. Environmental Science, 2020, 41(1): 1-13. |
| [20] |
丁莹, 冯徽徽, 邹滨, 等. 长株潭城市群气溶胶时空分布与传输规律[J]. 中国环境科学, 2020, 40(5): 1906-1914. Ding Y, Feng H H, Zou B, et al. Spatial-temporal distribution and transport characteristic of aerosol in Changsha-Zhuzhou-Xiangtan urban agglomeration[J]. China Environmental Science, 2020, 40(5): 1906-1914. |
| [21] |
张蓓蓓, 蔡宏, 田鹏举, 等. 2000~2017年贵州省植被覆盖时空变化特征及其对气候变化的响应[J]. 地球与环境, 2020, 48(4): 461-470. Zhang B B, Cai H, Tian P J, et al. Spatiotemporal variation of the vegetation coverage in Guizhou from 2000 to 2017 and its response to the climate change[J]. Earth and Environment, 2020, 48(4): 461-470. |
| [22] |
昌晶亮, 余洪, 罗伟伟. 珠三角地区PM2.5浓度空间自相关分析[J]. 生态与农村环境学报, 2015, 31(6): 853-858. Chang J L, Yu H, Luo W W. Spatial autocorrelation analysis of PM2.5 concentration in the Pearl River Delta[J]. Journal of Ecology and Rural Environment, 2015, 31(6): 853-858. |
| [23] | Li H, Fu P H, Yang Y, et al. Exploring spatial distributions of increments in soil heavy metals and their relationships with environmental factors using GWR[J]. Stochastic Environmental Research and Risk Assessment, 2021, 35(10): 2173-2186. DOI:10.1007/s00477-021-01986-2 |
| [24] | Brunsdon C, Fotheringham S, Charlton M. Geographically weighted local statistics applied to binary data[A]. In: Second International Conference on Geographic Information Science[C]. Boulder, USA: Springer, 2002. 38-50. |
| [25] | Brunsdon C, Fotheringham A S, Charlton M E. Geographically weighted regression: a method for exploring spatial nonstationarity[J]. Geographical Analysis, 2010, 28(4): 281-298. |
| [26] | Li Z Q, Guo J P, Ding A J, et al. Aerosol and boundary-layer interactions and impact on air quality[J]. National Science Review, 2017, 4(6): 810-833. |
| [27] |
颜敏, 黄晓波, 陈丹, 等. 深圳市臭氧污染特征及其与前体物关系分析[J]. 生态环境学报, 2021, 30(4): 763-770. Yan M, Huang X B, Chen D, et al. Characteristics of ozone pollution and relationship between ozone and precursors in Shenzhen[J]. Ecology and Environment Sciences, 2021, 30(4): 763-770. |
| [28] |
赵晨曦, 王玉杰, 王云琦, 等. 细颗粒物(PM2.5)与植被关系的研究综述[J]. 生态学杂志, 2013, 32(8): 2203-2210. Zhao C X, Wang Y J, Wang Y Q, et al. Interactions between fine particulate matter (PM2.5) and vegetation: a review[J]. Chinese Journal of Ecology, 2013, 32(8): 2203-2210. |
| [29] | Yang H O, Chen W B, Liang Z F. Impact of land use on PM2.5 pollution in a representative city of middle China[J]. International Journal of Environmental Research and Public Health, 2017, 14(5). DOI:10.3390/ijerph14050462 |
| [30] |
宋明, 韩素芹, 张敏, 等. 天津大气能见度与相对湿度和PM10及PM2.5的关系[J]. 气象与环境学报, 2013, 29(2): 34-41. Song M, Han S Q, Zhang M, et al. Relationship between visibility and relative humidity, PM10, PM2.5 in Tianjin[J]. Journal of Meteorology and Environment, 2013, 29(2): 34-41. |
| [31] |
黄小刚, 赵景波, 辛未冬. 基于网格的长三角PM2.5分布影响因素及交互效应[J]. 环境科学, 2021, 42(7): 3107-3117. Huang X G, Zhao J B, Xin W D. Factors and their interaction effects on the distribution of PM2.5 in the Yangtze River Delta based on grids[J]. Environmental Science, 2021, 42(7): 3107-3117. |
| [32] |
陈静锋, 柴瑞瑞, 闫浩, 等. 基于高斯烟羽模型的PM2.5污染源扩散规律模拟分析[J]. 系统工程, 2015, 33(9): 153-158. Chen J F, Chai R R, Yan H, et al. PM2.5 pollution source diffusion law and simulation analysis based on the Gauss plume model[J]. Systems Engineering, 2015, 33(9): 153-158. |
| [33] |
张忠地, 邵天杰, 黄小刚, 等. 2017年京津冀地区PM2.5污染特征及潜在来源分析[J]. 环境工程, 2020, 38(2): 99-106, 134. Zhang Z D, Shao T J, Huang X G, et al. Characteristics and potential sources of PM2.5 pollution in Beijing-Tianjin-Hebei region in 2017[J]. Environmental Engineering, 2020, 38(2): 99-106, 134. |
| [34] |
杨云芸, 周慧, 王晓雷, 等. 南方长株潭与北方京津冀城市群一次重污染天气过程对比分析[J]. 灾害学, 2017, 32(2): 141-145. Yang Y Y, Zhou H, Wang X L, et al. Comparison and analysis of a heavy pollution weather process in the south Changsha-Zhuzhou-Xiangtan and north Beijing-Tianjin-Hebei Urban Agglomeration[J]. Journal of Catastrophology, 2017, 32(2): 141-145. |
| [35] |
郭雯雯, 陈永金, 刘阁, 等. 2016—2019年长江中游城市群空气质量时空变化特征及影响因素分析[J]. 生态环境学报, 2020, 29(10): 2034-2044. Guo W W, Chen Y J, Liu G, et al. Analysis on the characteristics and influencing factors of air quality of urban agglomeration in the middle reaches of the Yangtze River in 2016 to 2019[J]. Ecology and Environment Sciences, 2020, 29(10): 2034-2044. |
| [36] |
樊高峰, 马浩, 任律, 等. 分钟降水量对能见度及PM2.5浓度影响研究[J]. 气象, 2017, 43(12): 1527-1533. Fan G F, Ma H, Ren L, et al. Impact of precipitation on atmospheric visibility and the PM2.5 concentration based on the minute-scale high-resolution observations[J]. Meteorological Monthly, 2017, 43(12): 1527-1533. |
| [37] |
柏中强, 王卷乐, 杨雅萍, 等. 基于乡镇尺度的中国25省区人口分布特征及影响因素[J]. 地理学报, 2015, 70(8): 1229-1242. Bai Z Q, Wang J L, Yang Y P, et al. Characterizing spatial patterns of population distribution at township level across the 25 provinces in China[J]. Acta Geographica Sinica, 2015, 70(8): 1229-1242. |
| [38] |
陈佐旗. 基于多源夜间灯光遥感影像的多尺度城市空间形态结构分析[D]. 上海: 华东师范大学, 2017. Chen Z Q. A multiscale analysis on urban area and spatial structure based on nighttime light data[D]. Shanghai: East China Normal University, 2017. |
| [39] |
郑伯红, 王志远, 汪华. 基于DMSP/OLS数据的长株潭城市群建成区演变特征研究[J]. 国土资源遥感, 2020, 32(4): 172-181. Zheng B H, Wang Z Y, Wang H. A study of the evolution characteristics of built-up areas in Chang-Zhu-Tan urban agglomeration based on DMSP/OLS data[J]. Remote Sensing for Land & Resources, 2020, 32(4): 172-181. |
| [40] | Chen J Q, Wei H, Li N, et al. Exploring the spatial-temporal dynamics of the Yangtze River Delta Urban agglomeration based on night-time light remote sensing technology[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2020, 13: 5369-5383. |
| [41] |
严仁嫦, 叶辉, 林旭, 等. 杭州市臭氧污染特征及影响因素分析[J]. 环境科学学报, 2018, 38(3): 1128-1136. Yan R C, Ye H, Lin X, et al. Characteristics and influence factors of ozone pollution in Hangzhou[J]. Acta Scientiae Circumstantiae, 2018, 38(3): 1128-1136. |
| [42] |
曹杨, 刘炜桦, 王晨曦, 等. 成都市降水对大气污染物的清除效果分析[J]. 环境科学研究, 2020, 33(2): 305-311. Cao Y, Liu W H, Wang C X, et al. Scavenging effect of precipitation on removal of atmospheric pollutants in Chengdu City[J]. Research of Environmental Sciences, 2020, 33(2): 305-311. |
| [43] |
肖辉, 沈志来, 黄美元, 等. 我国西南地区地面和低层大气臭氧的观测分析[J]. 大气科学, 1993, 17(5): 621-628. Xiao H, Shen Z L, Huang M Y, et al. Measurements and analyses of ozone concentrations at the ground surface and in the lower troposphere in Southwest China[J]. Scientia Atmospherica Sinica, 1993, 17(5): 621-628. |
| [44] |
顾莹. 上海城市化对臭氧污染影响的数值模拟[D]. 上海: 华东师范大学, 2010. Gu Y. Numerical simulation of the impact of urbanization on ozone in Shanghai[D]. Shanghai: East China Normal University, 2010. |
| [45] |
寿亦萱, 张大林. 城市热岛效应的研究进展与展望[J]. 气象学报, 2012, 70(3): 338-353. Shou Y X, Zhang D L. Recent advances in understanding urban heat island effects with some future prospects[J]. Acta Meteorologica Sinica, 2012, 70(3): 338-353. |