环境科学  2023, Vol. 44 Issue (1): 48-57   PDF    
引用本文
刘添强. 北京市PM2.5-O3复合污染数值响应解析[J]. 环境科学, 2023, 44(1): 48-57.
LIU Tianqiang. Numerical Response Analysis of PM2.5-O3 Compound Pollution in Beijing[J]. Environmental Science, 2023, 44(1): 48-57.
北京市PM2.5-O3复合污染数值响应解析
刘添强     
成都理工大学地球物理学院, 地球勘探与信息技术教育部重点实验室, 成都 610059
收稿日期: 2022-03-21; 修订日期: 2022-05-07
作者简介: 刘添强(1996~), 男, 硕士研究生, 主要研究方向为城市大气环境分析, E-mail: liutianqiang@stu.cdut.edu.cn
摘要: 为分析PM2.5-O3复合污染数值响应关系, 基于2015~2020年北京市空气质量数据、气象资料和新冠疫情数据, 分析PM2.5-O3复合污染事件在多尺度下的变化趋势.同时提出一种复合污染指数, 在广义相加模型下分析数值响应趋势, 并进一步引入分布滞后非线性模型, 分别解析复合污染指数、复合污染事件和影响因素间的滞后响应关系.结果表明, 北京市PM2.5-O3复合污染事件逐年减少, 具有明显的季节效应、星期效应和节假日效应.复合污染指数与降雨量无明显相关性, 与O3和空气温度呈线性正相关, 与其余解释变量均为非线性相关.同时大气污染物和气象条件对复合污染指数有明显滞后效应, 滞后影响主要集中在1~3 d.高值的PM2.5、PM10、O3、SO2和空气温度明显增加复合污染风险, 中值段的CO(1~6 mg·m-3)、NO2(38~118 μg·m-3)、相对湿度(54% ~87%)和低风速都会增加复合污染风险.复合污染事件在数值响应中表现出多天连续污染的趋势, 相较于PM2.5和PM10, 复合污染事件更依赖于O3, 高值区复合污染率在30.7% ~47.5%. CO和相对湿度对复合污染事件影响较小, 空气温度影响最大, 复合污染事件中84.7%发生在20~30℃.
关键词: PM2.5      臭氧(O3)      复合污染      数值响应      滞后效应     
Numerical Response Analysis of PM2.5-O3 Compound Pollution in Beijing
LIU Tianqiang     
Key Laboratory of Earth Exploration and Information Technology, Ministry of Education, College of Geophysics, Chengdu University of Technology, Chengdu 610059, China
Abstract: The multi-scale variation trend of PM2.5-O3 compound pollution events was analyzed based on air quality data, meteorological data, and COVID-19 data in Beijing from 2015 to 2020. For the threshold of compound pollution, a compound pollution index was proposed, and the numerical response trend was evaluated based on the generalized additive model. A distributed lag nonlinear model was introduced to analyze the risk response relationship between compound pollution and influencing factors. The results showed that the events of PM2.5-O3 compound pollution in Beijing decreased annually. At the same time, due to the influence of pollutant emissions and meteorological conditions, there were obvious seasonal effects, week effects, holiday effects, and epidemic effects. The composite pollution index had no correlation with rainfall but had a linear positive correlation with O3 and air temperature and a nonlinear correlation with other explanatory variables. Air pollutants and meteorological conditions had obvious lag effects on the composite pollution index, and the lag effects were mainly concentrated in 1-3 d. PM2.5, PM10, O3, SO2, and air temperature in high-value areas significantly increased the risk of compound pollution. The CO (1-6 mg·m-3), NO2 (38-118 μg·m-3), and relative humidity (54%-87%) in the median section would also increase the risk of compound pollution, as would low wind speed. The compound pollution events showed a trend of multi-day continuous pollution in the numerical response. Compared with PM2.5 and PM10, compound pollution events were more dependent on O3, and the compound pollution rate in high-value areas was 30.7%-47.5%. CO and relative humidity had little effect on compound pollution events. The air temperature had the greatest impact, and 84.7% of the composite pollution incidents occurred at 20-30℃.
Key words: PM2.5      ozone(O3)      compound pollution      numerical response      delayed response     

随着我国工业飞速发展和城市化推进, 细颗粒物PM2.5已成为城市主要的大气污染物, 其所附加的生命健康和经济发展成本受到公众的迫切关注[1~3].中国政府在2013年以后推出一系列大气污染防治措施, 经过多年的深度落实, 中国空气质量得到显著改善, 细颗粒物浓度逐年稳步下降[4].但在PM2.5浓度持续改善的背景下, O3污染事件逐渐突出, 甚至以首要污染物出现在城市重度污染事件中[5].2021年的“十四五”规划中, 更是将O3列为重要污染物, PM2.5和O3的协同治理成为大气污染防治的重点[6].

PM2.5和O3之间存在很强的关联性, 二者不但受到相同的前体物(挥发性有机物VOCs)的控制, 还由于气象条件和传输途径等因素的影响, 表现出相反的季节特性[7, 8].目前国内对于大气环境, 给予VOCs较多关注, 涉及排放特征、来源解析、防控措施、O3和气溶胶二次生成等方面[9~14].而对于PM2.5-O3复合污染, 国内外研究主要集中在分布特征、成因分析、健康效益、协同管控和政策响应等方面[15~27].城市区域PM2.5和O3的浓度除了自身扩散机制的作用外, 还有来自同源污染物以及气象条件的影响[28, 29].同时, 自2019年底新冠疫情暴发, 随着常态化疫情防控工作的推行, 人们生产生活方式的转变带动大气环境的改善, PM2.5和O3的浓度变化明显[30, 31].

在分析PM2.5-O3复合污染和影响因子之间的关系时, 之前的研究往往聚焦在同期数据的统计分析上, 鲜有考虑到各因素对PM2.5-O3复合污染事件的风险评估和滞后效应.本文基于北京市2015~2020年大气污染物监测数据、气象监测数据和新冠疫情数据, 从年度、月均、小时和假期这4个尺度分析PM2.5-O3复合污染事件分布特征, 同时构建PM2.5-O3复合污染指数, 基于广义相加模型(GAM)分析复合污染事件和各影响因素之间的数值响应关系, 并进一步引入分布滞后非线性模型(DLNM)进行复合污染风险评估, 以期为城市大气污染精准防治提供参考依据.

1 材料与方法 1.1 数据资料

北京市PM2.5和O3浓度数据收集自北京市34个空气质量监测站点, 由生态环境监测中心数据发布平台获得(http://zx.bjmemc.com.cn/), 数据集还包含PM10、CO、NO2和SO2的小时浓度数据.气象资料来自中国气象数据网(http://data.cma.cn/), 主要选取气温(TEM)、降水(PRE)、相对湿度(RHU)、风速(WIN)和日照时数(SSD)这5个指标数据.新冠数据源于北京市卫生健康委员会(http://wjw.beijing.gov.cn/)的公布数据, 并整合为逐日数据.本研究分析区间为2015~2020年, 监测站点的缺测率在24% ~41%之间, 取所有站点监测数据的算术平均值代表日值水平, 站点数据处理遵循《环境空气质量标准》(GB 3095-2012), 确保数据科学有效.

1.2 PM2.5-O3复合污染指数

根据《环境空气质量指数(AQI)技术规定(试行)》(HJ 633-2012)规定, 将ρ(PM2.5)超标阈值设定为75μg·m-3, 达到超标阈值则标记为一次PM2.5污染事件；将O3日最大8h滑动平均浓度超标阈值设定为160μg·m-3, 达到超标阈值则标记为一次O3污染事件；同时达到PM2.5浓度超标阈值和O3日最大8 h滑动平均浓度超标阈值, 则标记为一次PM2.5-O3复合污染事件.将每日复合污染事件暴发情况记作EP-O, 发生取1, 不发生取0.

为进一步描述PM2.5-O3复合污染事件, 定量复合污染进程, 本研究提出一种复合污染指数, 同时为切合PM2.5和O3的取值范围, 进行一定程度的缩放.具体形式如下：

(1)

式中, IP-O为PM2.5-O3复合污染指数；ρ(PM2.5) 为PM2.5浓度值, μg·m-3；ρ(O3)为O3浓度值, μg·m-3.

1.3 数值响应分析方法

本研究分两个阶段来分析PM2.5-O3复合污染事件与影响因子之间的数值响应关系.线性模型虽然简单、直观且具有良好的解释性, 但仍难以表达出大气环境的复杂性, 因此非线性模型的引入就显得十分必要[32, 33].GAM正是广义线性模型的扩展, 通过平滑化处理, 能有效拟合各变量的非线性影响[34, 35].GAM既能处理响应变量与多个解释变量之间的复杂数值关系, 也能有效解释单变量与响应变量之间的非线性响应关系[36~38].

已有研究表明, 复杂的大气环境不仅带来复杂的非线性关系, 还有明显的滞后效应.PM2.5和O3浓度同时受到同源排放和区域气候变化的影响, 除了当前时刻各气体污染物和气象因素的综合影响外, 还受到过去一段时间内各变量的累积滞后影响.为了描述这种滞后影响, 本研究在第二阶段引入DLNM模型, 通过交叉基矩阵同时表达非线性影响和滞后影响[39~43].同时考虑到变量自身的非线性趋势, 如季节变化和长期趋势等方面, 需要加入自然立方样条函数进行更合理的表达.除此之外, 疫情效应、星期效应和节假日效应等短期趋势影响, 也将作为哑变量考虑在模型里.最终模型如下：

(2)

式中, lg(Yt)为t时刻响应变量的对数转换；α为模型的截距项；cb(V, β)为解释变量的交叉基变换, 其中V为解释变量, β为回归系数；ns为自然立方样条函数, time为时间序列变量, doy为每年的第几天, k为自由度；case为疫情效应；dow为星期几效应；holiday为节假日效应.模型中作为响应变量的ρ(PM2.5)、ρ(O3)和IP-O服从正态分布假设[44], EP-O服从二项分布假设, 而模型的选择将由赤池信息量准则(AIC)确定.

2 结果与讨论 2.1 PM2.5-O3复合污染态势

如图 1(a)所示, 北京市ρ(PM2.5)整体呈下降趋势, 浓度超标率由2015年的40.54%降至2020年的9.86%, 改善幅度达30.68%. ρ(O3)在2015~2020年间有略微浮动, 整体变化不明显, 年均ρ(O3)在90.96~95.82μg·m-3之间, 浓度超标率在12.32% ~17.53%之间浮动.PM2.5-O3复合污染则受ρ(PM2.5)影响, 事件数逐年减少, 降幅达94%.如图 1(b)所示, PM2.5污染事件分布全年, 8月出现频率最低, 而11月至次年3月的PM2.5污染事件较多.O3污染事件主要分布在4~10月, PM2.5-O3复合污染事件分布也表现出相同的趋势, 二者的峰值都出现在6月, 最低值都在10月, 由此可见PM2.5-O3复合污染事件对O3的依赖性[45].

图 1 PM2.5-O3复合污染年变化趋势和月变化趋势 Fig. 1 Annual and monthly variation trends of PM2.5-O3 compound pollution

图 2(a)展示了PM2.5-O3复合污染小时变化趋势, PM2.5污染事件数在1 d内会有两次起伏, 分别在11:00和23:00达到两次峰值, 在07:00和16:00会两次达到谷值.O3污染事件主要分布在10:00~23:00, 其中15:00~17:00为频发时段.PM2.5-O3复合污染事件的小时分布与O3污染事件一致, 其中最频发的16:00共累计发生127次复合污染. 2015~2020年, 16:00的PM2.5污染率达21.85%, O3污染率达19.47%, PM2.5-O3复合污染率达5.82%.图 2(b)为PM2.5-O3复合污染在星期效应和假期效应下的变化趋势.PM2.5污染事件、O3污染事件和PM2.5-O3复合污染事件在工作日都较为平均, 但在周末期间都有大幅度减少, 减幅分别达94.7%、94.3%和96.2%, 在节假日期间三者又都有大幅上涨, 涨幅分别达293%、255%和287%.

图 2 PM2.5-O3复合污染的日变化趋势和假期效应 Fig. 2 Diurnal trend and holiday effect of PM2.5-O3 compound pollution

2.2 PM2.5-O3复合污染数值响应

为了具体分析PM2.5-O3复合污染的响应程度, 通过公式(1)计算得复合污染指数IP-O, 并通过缩放使其取值贴合PM2.5和O3的数值范围, 三项数值的统计信息如表 1所示.从数据分布来看, IP-O的25%、50%和75%分位数显示, 其数据分布偏向低值, 平均值和标准差都略低于PM2.5和O3. IP-O的最小值十分贴近O3的最小值(0.17μg·m-3), IP-O的最大值十分贴近PM2.5的最大值(-26.18μg·m-3), 数据整体表现基本符合预期.

表 1 响应变量的一般描述性统计 Table 1 General descriptive statistics for response variables

对复合污染指数IP-O进行对数转换后, 同大气污染指标和气象资料一起代入GAM模型作数值响应分析, 图 3和图 4展示了三类污染指标对11个解释变量的数值响应曲线.由结果可知, PM10、CO、NO2、SO2和相对湿度与PM2.5呈正相关, 降雨量和风速与PM2.5呈负相关, O3、空气温度和日照时数与PM2.5呈非线性相关.O3除了与降雨量无明显相关性外, 与其他解释变量均有相关性.O3与日照时间近似正相关, 与PM2.5和SO2呈负相关, 其余均为非线性相关. IP-O与降雨量无明显相关性, 与O3和空气温度呈正相关, 与其余解释变量则为非线性相关.整体来看, IP-O综合表达了PM2.5和O3的数值响应趋势, 具有进一步分析的潜力.

1~3分别表示PM2.5、O3和IP-O, a~f分别表示PM2.5、PM10、O3、CO、NO2和SO2；纵坐标为平滑贡献度, 括号内为参考自由度；横坐标为变量数值；阴影区域为95%置信区间 图 3 大气污染物的数值响应曲线 Fig. 3 Numerical response curves of air pollutants

1~3分别表示PM2.5、O3和IP-O, a~e分别表示PRE、RHU、SSD、WIN和TEM；纵坐标为平滑贡献度, 括号内为参考自由度；横坐标为变量数值；阴影区域为95%置信区间 图 4 气象因子的数值响应曲线 Fig. 4 Numerical response curves of meteorological factors

2.3 PM2.5-O3复合污染风险解析

分别将PM2.5、O3、IP-O和EP-O与11个解释变量作相关性分析(表 2), 结果表明O3与风速和降雨量无显著相关性, IP-O与日照时间无显著相关性, EP-O与SO2、NO2、风速、日照时间和降雨量无显著相关性.基于公式(2)所构建的DLNM模型对IP-O和EP-O作复合污染风险分析, 描述解释变量对复合污染事件的滞后响应关系.

表 2 PM2.5-O3复合污染的相关性分析1) Table 2 Correlation analysis of PM2.5-O3 compound pollution

图 5展示了IP-O基于DLNM模型分析结果, 横坐标为数值变化, 纵坐标为滞后时间, 相对风险值以1为分界值, 数值越大, 风险越高.当ρ(PM2.5)小于50μg·m-3, ρ(PM10)小于80μg·m-3, ρ(O3)小于80μg·m-3时, 复合污染风险随着浓度降低而降低；当ρ(PM2.5)大于50μg·m-3, ρ(PM10)大于80μg·m-3, ρ(O3)大于80μg·m-3时, 复合污染风险随着浓度升高而升高.其中O3在低浓度时表现出浮动性, 而ρ(PM10)大于600μg·m-3时, 在滞后1d时会有轻微下降.当ρ(CO)小于1mg·m-3或大于6mg·m-3, ρ(NO2)小于38μg·m-3或大于118μg·m-3, 相对湿度小于54%或大于87%时, 三者都会降低复合污染风险.当ρ(CO)在1~6mg·m-3之间、ρ(NO2)在38~118μg·m-3之间或相对湿度在54% ~87%之间时, 三者都会增加复合污染风险, 并持续影响1~2 d, 其中NO2和相对湿度的低值将在滞后3~5 d后有复合污染风险上升现象.当ρ(SO2)小于6μg·m-3时, 复合污染风险降低, 大于6μg·m-3时, 复合污染风险随着浓度升高而升高, 且在浓度高值区, 滞后2 d后风险逐渐降低.降水量越高, 复合污染的风险越小, 并持续影响1~2 d, 且在滞后2 d后风险逐渐升高.风速小于2m·s-1时, 污染风险随风速下降而升高, 当风速大于2m·s-1时, 污染风险随风速升高而逐渐降低, 且持续影响2 d.当空气温度小于13℃时, 复合污染风险随温度降低而降低, 当空气温度大于13℃时, 风险随温度升高而升高, 并在滞后2~3 d时变换了相反的响应.

图 5 复合污染指数与变量间的滞后响应等值线图 Fig. 5 Contour plot of lag response between compound pollution index and variables

图 6展示了EP-O基于DLNM模型分析结果, 从中可知PM2.5-O3复合污染事件高发于ρ(PM2.5)的45~175μg·m-3之间, 以及ρ(PM10)的70~230μg·m-3之间.相较于颗粒物, O3拥有更高的风险, 且集中于高值区.从复合污染事件分布来看, ρ(PM2.5)大于75μg·m-3的占19.8%, 大于90μg·m-3的占16%, 大于120μg·m-3的占7.7%.而ρ(O3)大于160μg·m-3的占30.7%, 大于200μg·m-3的占39.8%, 大于230μg·m-3的占47.5%.并且从图 6中的PM2.5、PM10和O3的滞后响应可以看出, PM2.5-O3复合污染事件有多天连续污染的趋势, 其中单日污染天数占29.5%, 连续2 d污染占32.5%, 连续3 d污染占20%, 持续4 d及以上的污染占18%. ρ(CO)和相对湿度对复合污染事件影响较小, 主要集中在1~2.4mg·m-3和54% ~74%之间, 且无明显滞后影响.空气温度是6个解释变量中相对风险最高的, 当空气温度大于13℃时, 复合污染事件随温度升高而增多.其中大部分复合污染事件发生在20℃以上, 占所有复合污染事件的84.7%, 并持续影响1~2 d.

图 6 复合污染事件与变量间的滞后响应等值线图 Fig. 6 Contour plot of lag response between compound pollution events and variables

3 结论

(1) 2015~2020年, PM2.5-O3复合污染事件受PM2.5浓度影响, 发生率逐渐下降, 且主要发生在4~10月.从小时监测数据来看, PM2.5-O3复合污染事件集中在10:00~23:00, 其中16:00发生率最高.同时, 复合污染事件表现出明显的星期效应和节假日效应.

(2) 在复合污染综合指数IP-O的数值响应分析中, 降雨量和IP-O无明显相关性, O3和空气温度呈线性正相关, 其余解释变量则和IP-O呈非线性关系. IP-O的数值响应曲线合理地描述了PM2.5和O3的综合响应趋势, 具有进一步分析的潜力.

(3) 大气污染物和气象条件对PM2.5-O3复合污染有明显滞后效应, 滞后影响集中在1~3 d. PM2.5、PM10、SO2和O3都在低值区降低复合污染风险, 在高值区增加复合污染风险.当ρ(CO)在1~6mg·m-3、ρ(NO2)在38~118μg·m-3和相对湿度在54% ~87%之间时, 三者都会增加复合污染风险, 并持续影响1~2 d.当风速小于2m·s-1和空气温度大于13℃时, 也会增加复合污染风险, 而降雨量则始终降低复合污染风险.

(4) PM2.5-O3复合污染事件高发于ρ(PM2.5)的45~175μg·m-3之间, 还有ρ(PM2.5)的70~230μg·m-3之间.相较于颗粒物, 复合污染事件更依赖于ρ(O3), 主要集中于高值区, 并展现出多天连续污染的趋势.复合污染事件中的ρ(CO)和相对湿度分布较集中, 并且无滞后响应.空气温度具有较高的相对风险, 84.7%的复合污染事件分布在20~30℃之间, 并持续影响1~2 d.

参考文献
[1] 吴文静, 杨晓翠, 姚明宏, 等. 京津冀地区长期PM2.5暴露的死亡负担与经济损失评价[J]. 中华流行病学杂志, 2020, 41(9): 1471-1476.
Wu W J, Yang X C, Yao M H, et al. Assessment of mortality burden and economic loss attributed to long-term PM2.5 exposure in the Beijing-Tianjin-Hebei area[J]. Chinese Journal of Epidemiology, 2020, 41(9): 1471-1476.
[2] Liao Q, Jin W Q, Tao Y, et al. Health and economic loss assessment of PM2.5 pollution during 2015-2017 in Gansu Province, China[J]. International Journal of Environmental Research and Public Health, 2020, 17(9). DOI:10.3390/ijerph17093253
[3] Tao Y, Zhang Z, Ou W X, et al. How does urban form influence PM2.5 concentrations: Insights from 350 different-sized cities in the rapidly urbanizing Yangtze River Delta region of China, 1998-2015[J]. Cities, 2020, 98. DOI:10.1016/j.cities.2019.102581
[4] 中国环境监测总站. 2013-2016中国环境状况公报, 2017-2020年中国生态环境状况公报[EB/OL]. http://www.cnemc.cn/jcbg/zghjzkgb/, 2021-10-12.
[5] 《中国大气臭氧污染防治蓝皮书(2020年)》编写组. 中国大气臭氧污染防治蓝皮书(2020)[EB/OL]. https://img74.hbzhan.com/4/20201016/637384586133551705645.pdf, 2020-10-16.
[6] 新华网. 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.zlb.gov.cn/2021-03/15/c_1211067504.htm, 2021-03-15.
[7] 冯凝, 唐梦雪, 李孟林, 等. 深圳市城区VOCs对PM2.5和O3耦合生成影响研究[J]. 中国环境科学, 2021, 41(1): 11-17.
Feng N, Tang M X, Li M L, et al. Research on the influence of VOCs on the coupling generation of PM2.5 and O3 in Shenzhen[J]. China Environmental Science, 2021, 41(1): 11-17. DOI:10.3969/j.issn.1000-6923.2021.01.002
[8] Jia M W, Zhao T L, Cheng X H, et al. Inverse relations of PM2.5 and O3 in air compound pollution between cold and hot seasons over an urban area of East China[J]. Atmosphere, 2017, 8(12). DOI:10.3390/atmos8030059
[9] 张钢锋, 卜梦雅, 李杰. 我国挥发性有机物(VOCs)研究进展与态势分析[J]. 安全与环境学报, 2022.
Zhang G F, Bu M Y, Li J. Research progress and trend analysis of volatile organic compounds in China[J]. Journal of Safety and Environment, 2022. DOI:10.13637/j.issn.1009-6094.2021.1944
[10] Zhang X M, Xue Z G, Li H, et al. Ambient volatile organic compounds pollution in China[J]. Journal of Environmental Sciences, 2017, 55: 69-75. DOI:10.1016/j.jes.2016.05.036
[11] 王倩, 陈长虹, 王红丽, 等. 上海市秋季大气VOCs对二次有机气溶胶的生成贡献及来源研究[J]. 环境科学, 2013, 34(2): 424-433.
Wang Q, Chen C H, Wang H L, et al. Forming potential of secondary organic aerosols and sources apportionment of VOCs in autumn of Shanghai, China[J]. Environmental Science, 2013, 34(2): 424-433. DOI:10.13227/j.hjkx.2013.02.028
[12] Zhang C, Liu X G, Zhang Y Y, et al. Characteristics, source apportionment and chemical conversions of VOCs based on a comprehensive summer observation experiment in Beijing[J]. Atmospheric Pollution Research, 2021, 12(3): 230-241. DOI:10.1016/j.apr.2020.12.010
[13] 李陵, 李振亮, 张丹, 等. 重庆市主城区O3污染时期大气VOCs污染特征及来源解析[J]. 环境科学, 2021, 42(8): 3595-3603.
Li L, Li Z L, Zhang D, et al. Pollution characteristics and source apportionment of atmospheric VOCs during ozone pollution period in the main urban area of Chongqing[J]. Environmental Science, 2021, 42(8): 3595-3603.
[14] 李莉娜, 尤洋, 赵银慧, 等. 我国大气中挥发性有机物监测与控制现状分析[J]. 环境保护, 2017, 45(13): 26-29.
Li L N, You Y, Zhao Y H, et al. Analysis of the condition of monitoring and control of volatile organic compounds in the atmosphere in China[J]. Environmental Protection, 2017, 45(13): 26-29. DOI:10.14026/j.cnki.0253-9705.2017.13.005
[15] Wang F Y, Qiu X H, Cao J Y, et al. Policy-driven changes in the health risk of PM2.5 and O3 exposure in China during 2013-2018[J]. Science of the Total Environment, 2020, 757. DOI:10.1016/j.scitotenv.2020.143775
[16] Zhao H, Zheng Y F, Li C. Spatiotemporal distribution of PM2.5 and O3 and their interaction during the summer and winter seasons in Beijing, China[J]. Sustainability, 2018, 10(12). DOI:10.3390/su10124519
[17] Lei R Q, Zhu F R, Cheng H, et al. Short-term effect of PM2.5/O3 on non-accidental and respiratory deaths in highly polluted area of China[J]. Atmospheric Pollution Research, 2019, 10(5): 1412-1419. DOI:10.1016/j.apr.2019.03.013
[18] Liu Z Y, Qi Z L, Ni X F, et al. How to apply O3 and PM2.5 collaborative control to practical management in China: a study based on meta-analysis and machine learning[J]. Science of the Total Environment, 2021, 772. DOI:10.1016/j.scitotenv.2021.145392
[19] Wu J S, Wang Y, Liang J T, et al. Exploring common factors influencing PM2.5 and O3 concentrations in the Pearl River Delta: Tradeoffs and synergies[J]. Environmental Pollution, 2021, 285. DOI:10.1016/j.envpol.2021.117138
[20] Zhao S P, Yin D Y, Yu Y, et al. PM2.5 and O3 pollution during 2015-2019 over 367 Chinese cities: spatiotemporal variations, meteorological and topographical impacts[J]. Environmental Pollution, 2020, 264. DOI:10.1016/j.envpol.2020.114694
[21] 肖致美, 徐虹, 高璟贇, 等. 天津市PM2.5-O3复合污染特征及来源分析[J]. 环境科学, 2022, 43(3): 1140-1150.
Xiao Z M, Xu H, Gao J Y, et al. Characteristics and sources of PM2.5-O3 compound pollution in Tianjin[J]. Environmental Science, 2022, 43(3): 1140-1150.
[22] 段银凤, 李重民, 田春雨. 细颗粒物(PM2.5)和臭氧(O3)的协同治理研究[J]. 安阳工学院学报, 2022, 21(2): 22-25.
Duan Y F, Li C M, Tian C Y, et al. Study on synergistic control of fine particulate matter (PM2.5) and ozone(O3)[J]. Journal of Anyang Institute of Technology, 2022, 21(2): 22-25.
[23] 尹春苗, 张莹, 胡文东, 等. 成都市PM2.5和臭氧交互作用对心脑血管疾病死亡人数的影响研究[J]. 四川大学学报(医学版), 2021, 52(6): 981-986.
Yin C M, Zhang Y, Hu W D, et al. Effects of interaction between PM2.5 and O3 8-h max on mortality of cardiovascular diseases in Chengdu[J]. Journal of Sichuan University (Medical Sciences), 2021, 52(6): 981-986.
[24] 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.
[25] 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.
[26] 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.
[27] 汪兵, 唐钰寒, 刘玉芝, 等. 长三角地区O3与PM2.5复合污染机制研究[J]. 环境保护科学, 2021, 47(4): 38-46.
Wang B, Tang Y H, Liu Y Z, et al. Mechanism of complex pollution of O3 and PM2.5 in Yangtze River Delta region[J]. Environmental Protection Science, 2021, 47(4): 38-46.
[28] 张子睿, 胡敏, 尚冬杰, 等. 2013~2020年北京大气PM2.5和O3污染演变态势与典型过程特征[J]. 科学通报, 2022.
Zhang Z R, Hu M, Shang D J, et al. The evolution trend and typical process characteristics of atmospheric PM2.5 and O3 pollution in Beijing from 2013 to 2020[J]. Chinese Science Bulletin, 2022. DOI:10.1360/TB-2021-0753
[29] 花丛, 江琪, 迟茜元, 等. 我国中东部地区2015—2020年夏半年PM2.5和臭氧复合污染气象特征分析[J]. 环境科学研究, 2022, 35(3): 650-58.
Hua C, Jiang Q, Chi X Y, et al. Meteorological Characteristics of PM2.5-O3 air combined pollution in central and eastern China in the summer half years of 2015-2020[J]. Research of Environmental Sciences, 2022, 35(3): 650-58.
[30] 余欣洋, 杨素英, 刘宁微, 等. 珠三角典型城市COVID-19疫情封闭期间臭氧污染的放大效应研究[J]. 中国环境监测, 2022, 38(2): 21-36.
Xu X Y, Yang S Y, Liu N W, et al. Amplification effects of O3 pollution in the Pearl River Delta during the lockdown period of COVID-19[J]. Environmental Monitoring in China, 2022, 38(2): 21-36.
[31] 逯世泽, 史旭荣, 薛文博, 等. 新冠肺炎疫情期间气象条件和排放变化对PM2.5的影响[J]. 环境科学, 2021, 42(7): 3099-3106.
Lu S Z, Shi X R, Xue W B, et al. Impacts of meteorology and emission variations on PM2.5 concentration throughout the country during the 2020 epidemic period[J]. Environmental Science, 2021, 42(7): 3099-3106.
[32] 黄小刚, 邵天杰, 赵景波, 等. 基于GAM模型的西安市O3浓度影响因素解析[J]. 环境科学, 2020, 41(4): 1535-1543.
Huang X G, Shao T J, Zhao J B, et al. Influencing factors of ozone concentration in Xi'an based on generalized additive models[J]. Environmental Science, 2020, 41(4): 1535-1543.
[33] Cheng B W, Ma Y X, Feng F L, et al. Influence of weather and air pollution on concentration change of PM2.5 using a generalized additive model and gradient boosting machine[J]. Atmospheric Environment, 2021, 255. DOI:10.1016/j.atmosenv.2021.118437
[34] Hua J X, Zhang Y X, de Foy B, et al. Quantitative estimation of meteorological impacts and the COVID-19 lockdown reductions on NO2 and PM2.5 over the Beijing area using Generalized Additive Models (GAM)[J]. Journal of Environmental Management, 2021, 291. DOI:10.1016/j.jenvman.2021.112676
[35] 李丽霞, 郜艳晖, 周舒冬, 等. 广义加性模型及其应用[J]. 中国卫生统计, 2007, 24(3): 21-22.
Li L X, Gao Y H, Zhou S D. Generalized additive models and its application[J]. Chinese Journal of Health Statistics, 2007, 24(3): 243-244.
[36] Zhao M Y, Liu Y X, Gyilbag A. Assessment of meteorological variables and air pollution affecting COVID-19 cases in urban agglomerations: evidence from China[J]. International Journal of Environmental Research and Public Health, 2022, 19(1). DOI:10.3390/ijerph19010531
[37] Hu C Y, Kang P, Jaffe D A, et al. Understanding the impact of meteorology on ozone in 334 cities of China[J]. Atmospheric Environment, 2021, 248. DOI:10.1016/j.atmosenv.2021.118221
[38] Ma Y X, Ma B J, Jiao H R, et al. An analysis of the effects of weather and air pollution on tropospheric ozone using a generalized additive model in Western China: Lanzhou, Gansu[J]. Atmospheric Environment, 2020, 224. DOI:10.1016/j.atmosenv.2020.117342
[39] Gasparrini A. Distributed lag linear and non-linear models in R: the package dlnm[J]. Journal of Statistical Software, 2011, 43(8): 1-20.
[40] Duan W J, Wang X Q, Cheng S Y, et al. Influencing factors of PM2.5 and O3 from 2016 to 2020 based on DLNM and WRF-CMAQ[J]. Environmental Pollution, 2021, 285. DOI:10.1016/j.envpol.2021.117512
[41] Liang S, Sun C, Liu C F, et al. The influence of air pollutants and meteorological conditions on the hospitalization for respiratory diseases in Shenzhen City, China[J]. International Journal of Environmental Research and Public Health, 2021, 18(10). DOI:10.3390/ijerph18105120
[42] Hao J Y, Yang Z Y, Yang W W, et al. Impact of ambient temperature and relative humidity on the incidence of hand-foot-mouth disease in Wuhan, China[J]. International Journal of Environmental Research and Public Health, 2020, 17(2). DOI:10.3390/ijerph17020428
[43] Lu W G, Li J X, Li J S, et al. Short-term impacts of meteorology, air pollution, and internet search data on viral diarrhea infection among children in Jilin Province, China[J]. International Journal of Environmental Research and Public Health, 2021, 18(21). DOI:10.3390/ijerph182111615
[44] 薛海, 张帆. 降水量与城市大气环境关系——以113个环保重点城市为例[J]. 自然资源学报, 2020, 35(4): 937-949.
Xue H, Zhang F. Study on the relationship between precipitation and urban atmospheric environment: cases of 113 key environmental protection cities[J]. Journal of Natural Resources, 2020, 35(4): 937-949.
[45] 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.