2023, Vol. 44
PM2.5是指大气环境空气中动力学当量直径≤2.5 μg的颗粒物, 具有直径小, 污染范围广, 滞留时间长, 易吸附有害物质等特点[1~3].有研究表明, 大气环境中PM2.5浓度超标, 不仅会引起雾-霾恶劣天气, 还会威胁人类的免疫系统, 诱发呼吸道疾病[4~6].近年来, PM2.5时空分布特征及其影响因素已成为学术界的研究热点.Lim等[7]研究表明在全球范围内中国和印度属于PM2.5高风险区, 欧洲、澳大利亚和北美属于PM2.5减少区.发达国家在保持绿度的情况下进行了城市扩张, 但仍然减少了PM2.5排放, 而发展中国家随着PM2.5浓度的上升, 绿度呈下降趋势.慕航等[8]研究了1999~2016年“一带一路”沿线65个城市PM2.5时空变化趋势, 结果表明PM2.5浓度空间分布存在明显的区域差异, 且在研究时段内65个城市的年均PM2.5浓度从12.0 μg·m-3增加到了14.1 μg·m-3.周亮等[9]研究表明2001~2011年中国PM2.5污染呈现先快速上升后趋于稳定的变化趋势, 地理条件、人口密度、交通运输、工业烟尘和秸秆燃烧是影响中国PM2.5变化的主要因素. Zhang等[10]研究发现节能减排等PM2.5污染治理措施的顺利实施, 是2013~2017年中国PM2.5污染改善的最主要原因.
随着研究的不断深入, 植被对PM2.5污染的净化作用逐渐引起了国内外学者的重视.Zhang等[11]研究发现在植被茂密的中国南方地区, 植被季节周期对PM2.5削减更加显著.与非城市地区相比, 城市地区的植被季节周期的削弱效应较弱.Lee等[12]研究表明韩国首尔市林地的PM2.5浓度低于城市地区的PM2.5浓度, 证明了城市森林可能是改善城市空气质量的一种潜在方式.Lu等[13]分析了土地利用和景观格局对长江三角洲PM2.5污染的影响, 研究结果表明林地和草地两种植被覆盖度较高的土地利用类型与PM2.5浓度呈显著负相关.Qiu等[14]在对宝鸡市不同绿化覆盖率城市空间空气颗粒物浓度差异的研究中发现, 提高城市绿地覆盖率有助于提高绿地对PM2.5等空气颗粒物浓度的净化能力; 反之, 如果城市绿地覆盖率降低, 绿地自身对PM2.5等大气污染物的净化能力也会减弱.杜彦彦等[15]对河南省PM2.5时空分布特征与植被覆盖度的关系展开研究发现, PM2.5与植被覆盖度之间有较强的相关性, 提高植被覆盖度, 扩大绿地面积对PM2.5改善有积极作用.以上研究侧重探究不同土地利用类型或植被覆盖度对PM2.5变化的影响, 而忽略了不同植被覆盖度等级下PM2.5的时空演变特征和植被景观格局对PM2.5变化的影响.
环渤海地区、长江三角洲地区和珠江三角洲地区是中国三大典型经济区, 经济发展快, 人口密度大, 工农业发达, PM2.5污染问题比较严重[16~18].因此, 开展三大典型经济区PM2.5浓度时空变化及其与景观格局的关系研究十分必要.本文基于2000~2020年MODIS NDVI数据和PM2.5浓度数据集, 首先, 利用热点分析揭示2000年和2020年三大典型经济区PM2.5冷热点空间分布特征; 然后, 采用趋势分析探究2000~2020年中国三大典型经济区不同植被覆盖度等级下PM2.5时空变化特征; 最后, 在景观尺度和类型尺度下, 探究植被景观格局对PM2.5时空分布特征的影响.本研究旨在为环渤海地区、长江三角洲地区和珠江三角洲地区制定科学合理的PM2.5污染治理政策提供理论依据.
1 研究区概况环渤海地区、长江三角洲地区和珠江三角洲地区(图 1)是我国三大典型经济区, 主要气候类型为温带季风气候和亚热带季风气候, 地形以平原和山地为主, 自然条件优越, 工农业基础牢固, 科技创新实力强, 城市化程度高, 是我国经济、政治和文化发展的战略要地.环渤海地区位于我国北部沿海地区, 地理范围在34°22′~43°28′N, 113°26′~125°52′E之间, 行政区上包括北京市、天津市、河北省、辽宁省和山东省.长江三角洲地区位于我国东部沿海, 地理范围在29°20′~32°34′N, 115°46′~123°25′E之间, 行政区上包括上海市、江苏省、浙江省和安徽省.珠江三角洲地区位于我国南部沿海, 地理范围在21°48′~24°24′N, 111°54′~115°24′E之间, 包括广州、佛山、肇庆、深圳、东莞、惠州、珠海、中山和江门这9个城市.
|
图 1 研究区示意 Fig. 1 Location of the study area |
本研究所使用PM2.5数据集(V5.GL.02)由美国圣路易斯华盛顿大学大气成分分析组织发布(https://sites.wustl.edu/acag/datasets/), 数据时间分辨率为每年, 空间分辨率为0.01°×0.01°, 时间跨度为2000~2020年, 该数据集是基于NASA MODIS、MISR和SeaWIFS等遥感产品的气溶胶光学厚度数据(AOD), 通过GEOS-Chem化学传输模型进行浓度值估算, 并使用地理加权回归(GWR)进行校准后得到的[19].本文对原始数据进行投影、镶嵌、重采样和裁剪后得到空间分辨率为1 km的三大经济区PM2.5数据集.
本研究所使用的NDVI数据集(MOD13A3)来源美国国家航天局发布植被指数产品(https://ladsweb.modaps.eosdis.nasa.gov/), 数据时间分辨率为每月, 空间分辨率为1 km, 时间跨度为2000年2月至2020年12月.为了保证影像质量, 避免2000年1月植被NDVI数据缺失带来的影响, 本文对获取的MODIS NDVI数据集进行了影像镶嵌、重采样、投影转换、裁剪和最大值合成等预处理, 得到三大经济区2000~2020年NDVI年最大值数据集.
2.2 研究方法 2.2.1 像元二分模型NDVI作为表征区域植被覆盖的重要指标, 与植被覆盖度之间具有良好的正相关关系.因此, 因此, 本文将MODIS NDVI数据与像元二分模型相结合, 反演得到三大经济区植被覆盖度[20, 21], 计算公式为:
|
(1) |
式中, NDVI表示像元的NDVI值; NDVIsoil表示无植被覆盖的裸土信息; NDVIveg表示纯植被信息.本文选取累计概率为5%的NDVI值为NDVIsoil, 累计概率为95%的NDVI值为NDVIveg.
如表 1所示, 根据FVC计算结果, 将三大经济区植被覆盖度分为5个等级[22].
|
表 1 植被覆盖度等级对应表 Table 1 Corresponding table of fractional vegetation cover grades |
2.2.2 热点分析
本文基于PM2.5时间序列, 运用Getis-Ord Gi*分析方法进行热点分析, 揭示2000年和2020年PM2.5聚集性高值区(热点区)和聚集性低值区(冷点区)分布特征, 对比分析三大经济区PM2.5空间聚集性变化情况[23]. Gi*计算公式如下：
|
(2) |
式中, xj表示任意点j的PM2.5浓度值; Wi, j表示点i和j的空间权重矩阵; x表示xj的平均值; S表示标准差.当Gi*＞0时, Gi*值越大, PM2.5高值空间聚集性越紧密; 当Gi*＜0时, Gi*值越小, PM2.5低值空间聚集性越紧密.根据Gi*的计算结果进行重分类, 将研究区划分为冷点区、次冷点区、热点区、次热点区和无显著性区域.
2.2.3 Theil-Sen Median趋势分析和Mann-Kendall检验法Theil-Sen Median非参数估计法具有计算效率高, 不受数据异常值干扰等优点, 被广泛应用于长时间序列变化趋势计算中[24].其计算公式为：
|
(3) |
式中, xi和xj表示第i和第j年的PM2.5浓度值, 其中i或j=1, 2, 3, …, n; Median表示取中值函数.当βslope＞0时, 表示在研究时段内该区域PM2.5浓度呈出上升趋势, PM2.5污染加重; 当βslope＝0时, 表示在研究时段内该区域PM2.5浓度基本保持不变; 当βslope＜0时, 表示在研究时段内该地区PM2.5浓度呈下降趋势, PM2.5污染得到改善.
Mann-Kendall检验法可以用来检验变量在时间序列上变化的显著性[25].对于给定的显著性水平α, 当|Z|＜Z1 -α/2时, 表明该区域PM2.5在研究时段内发生了显著变化, 反之则为轻微变化.本文定义变化趋势在0.01置信水平上为极显著变化, 在0.05的置信水平上为显著变化.由此可将PM2.5变化趋势分为：极显著变化(|Z|＞2.58)、显著变化(1.96＜|Z| ≤2.58)和轻微变化(|Z| ≤1.96)这3个等级.
2.2.4 景观格局指数本文选取的景观格局指数包括：斑块数量(number of patches, NP)、最大斑块指数(largest patch index, LPI)、斑块形状指数(landscape shape index, LSI)、聚集度指数(aggregation index, AI)、香农多样性指数(Shannon's diversity index, SHDI)和类型斑块面积占比(percent of landscape, PLAND).在景观尺度下, 求取NP、LPI、LSI、AI和SHDI共5个景观格局指数, 反映研究区整体的植被景观格局; 在类型尺度下, 求取NP、LPI、LSI、AI和PLAND共5个景观格局指数, 反映研究区植被覆盖度等级区域的植被景观格局.各景观格局指数的意义如表 2所示[26, 27].
|
|
表 2 植被景观格局指数说明 Table 2 Description of fractional vegetation cover landscape index |
2.2.5 皮尔逊相关分析
本文运用皮尔逊相关分析法计算2000~2020年研究区PM2.5与景观尺度和类型尺度植被景观格局指数的相关性[28].计算公式如下：
|
(4) |
式中, xi和yi分别表示PM2.5年均值浓度数据集和植被景观格局指数数据集中的第i个变量; N表示样本个数.当相关系数在0.05的置信水平上显著时, 则称PM2.5年均值浓度与该植被景观格局指数显著相关, 否则为不显著相关.依据计算结果将PM2.5年均值浓度与植被景观格局指数的相关关系划分为3个等级：不显著相关(P＜0.1)、显著相关(P＜0.05)和极显著相关(P＜0.01).
2.2.6 复相关分析本文运用复相关分析法研究景观尺度和类型尺度下5个植被景观格局指数对三大经济区PM2.5的综合影响[29], 复相关系数的计算公式为：
|
(5) |
式中, rxzg.yz…zg表示PM2.5与植被景观指数的复相关系数.复相关系数越大, PM2.5与植被景观格局指数之间的线性相关程度越密切.依据计算出的复相关系数将PM2.5与植被格局景观的相关程度划分为不显著相关(P＜0.1)、显著相关(P＜0.05)和极显著相关(P＜0.01)这3个等级.
3 结果与分析 3.1 PM2.5空间聚集性由图 2(a)和表 3可知, 2000年环渤海地区PM2.5热点区占该区总面积的35.50%, 主要分布在京津冀地区中部和南部, 山东省西部; PM2.5冷点区占该区总面积的59.77%, 主要分布在京津冀地区北部, 山东省东部和辽宁省.由图 2(d)可知, 2020年PM2.5热点区占该区总面积的40.45%, 相较于2000年增加了4.95%, 增加区域主要位于山东省北部和辽宁省中部; 冷点区占该区总面积的53.30%, 相较于2000年下降了6.47%.
|
图 2 三大经济区PM2.5冷热点区空间分布 Fig. 2 Spatial distribution of PM2.5 cold hot spots in the three economic zones |
|
|
表 3 三大经济区PM2.5冷热点区面积占比统计/% Table 3 Statistics on the proportion of PM2.5 hot and cold areas in the three economic zones/% |
由图 2(b)和表 3可知, 2000年长江三角洲地区PM2.5热点区占该区总面积的45.44%, 主要分布在安徽省中部和北部, 江苏省西部和南部, 浙江省北部; PM2.5冷点区占该区总面积的47.54%, 主要分布在安徽省西南部, 江苏省东部, 浙江省中部和南部.由图 2(e)可知, 2020年长江三角洲地区PM2.5热点区和冷点区分别占该区总面积的45.31%和47.84%, 面积占比与2000年相比均无明显变化, 但热点区在江苏省境内表现出向北部和东部扩张趋势, 而在安徽省中部、西部和南部、上海市南部、浙江省北部、中部和东南沿海地区的热点区均出现了一定程度的缩减或消失, 被冷点区替代.
由图 2(c)和表 3可知, 2000年珠江三角洲地区PM2.5热点区占该区总面积的22.79%, 主要分布在珠江三角洲中部; PM2.5冷点区占该区总面积的31.26%, 主要分布在珠江三角洲东北部和西北部.由图 2(f)可知, 2020年珠江三角洲地区PM2.5热点区面积占比相比2000年上升2.53%, 2020年珠江三角洲中部和东南沿海地带的热点区面积有明显扩张; PM2.5冷点区面积占比相比于2000年上升了2.78%, 增加区域主要位于珠江三角洲东北部，该区域的冷点区面积明显扩大.
整体上, 2000~2020年三大经济区PM2.5空间聚集性均发生了显著变化.2000年和2020年长江三角洲地区的热点区和冷点区面积占比均最高, 其次是环渤海地区, 珠江三角洲地区最少.就面积占比变化情况而言, 21 a来环渤海地区热点区面积上升, 冷点区面积下降; 长江三角洲地区冷热点区面积占比无明显变化; 珠江三角洲地区冷热点区面积占比均上升.
3.2 PM2.5浓度时空变化特征 3.2.1 研究区尺度下PM2.5时间变化特征如图 3所示, 2000~2020年环渤海地区PM2.5整体呈波动下降趋势, 变化斜率为-0.037 7 μg·(m3·a)-1.变化趋势可为3个阶段, 第一个阶段为2000~2013年, PM2.5年平均值呈现波动上升趋势, 并在2013年达到21 a中的最大值14.14 μg·m-3; 第二阶段为2013~2018年, PM2.5年平均值呈快速下降趋势, 并在2018年达到21 a中的最小值9.14 μg·m-3; 第三阶段为2018~2020年, PM2.5年平均值变化趋势不显著, 2019年相较于2018年有轻微上升, 2019与2020年则基本保持不变.
|
图 3 2000~2020年三大经济区PM2.5时间变化趋势 Fig. 3 Temporal variation trend of PM2.5 in the three economic zones from 2000 to 2020 |
长江三角洲地区PM2.5年平均值变化趋势整体表现下降趋势, 变化斜率为-0.059 1 μg·(m3·a)-1.变化趋势可分为2个阶段.第一个阶段为2000~2014年, PM2.5年平均值呈现波动上升趋势, 并在2014年达到21 a中最大值11.75 μg·m-3; 第二阶段为2014~2020年, PM2.5年平均值整体呈现下降趋势, 并在2018年达到21 a中最小值8.1 μg·m-3.
珠江三角洲地区PM2.5年平均值变化趋势同样表现下降趋势, 变化斜率为-0.097 7 μg·(m3·a)-1.变化趋势可分为3个阶段.第一阶段为2000~2006年, PM2.5年平均值呈波动上升趋势; 第二阶段为2006~2011年, PM2.5年平均值变化曲线为U型, 2006~2010年呈下降趋势, 2010~2011年呈现上升趋势, 并在2011年达到21 a中的最大值10.80 μg·m-3; 第三阶段为2011~2020年, PM2.5呈现波动下降趋势, 2018年和2020年平均值均达到21 a中的最小值7.17 μg·m-3.
综合可知, 2000~2020年环渤海地区PM2.5年平均值最高, 其次是长江三角洲地区, 珠江三角洲地区最低.在研究时段内, 三大经济区PM2.5年平均值均呈下降趋势.其中, 珠江三角洲地区PM2.5下降趋势最为显著, 其次是长江三角洲地区, 最后是环渤海地区.
3.2.2 三大经济区尺度下PM2.5空间变化特征由图 4(a)可知, 2000~2020年环渤海地区PM2.5变化斜率在-0.96~0.58μg·(m3·a)-1之间.由图 4(d)和表 4可知, 环渤海地区PM2.5呈下降趋势的面积远大于呈上升趋势的面积.PM2.5呈下降趋势的区域面积占该研究区总面积的69.34%, 其中, 呈极显著下降和显著下降的区域面积占7.52%, 主要分布在河北省中部, 辽宁省东南部和西南部.PM2.5呈上升趋势的面积占总面积的30.66%, 其中, 呈极显著上升和显著上升的区域面积仅占0.45%, 分布于河北省南部和山东省境内.
|
图 4 三大经济区PM2.5变化趋势及其显著性检验 Fig. 4 PM2.5 change trend and significance test in three economic zones |
|
|
表 4 2000~2020年三大经济区PM2.5变化趋势显著性统计/% Table 4 Statistical results of significance of PM2.5change trend in the three economic zones from 2000 to 2020/% |
由图 4(b)可知, 2000~2020年长江三角洲地区PM2.5变化斜率在-0.52~0.48μg·(m3·a)-1之间.由图 4(e)和表 4可知, 长江三角洲地区PM2.5呈下降趋势的区域面积占长江三角洲总面积的82.15%.其中, 呈极显著下降和显著下降的区域面积占28.12%, 主要分布在浙江省, 安徽省东南部和江苏省西南部.PM2.5呈上升趋势的面积占长江三角洲地区总面积的17.85%.其中, 呈极显著上升和显著上升的区域面积仅占0.86%, 零星分布于江苏省西北部和安徽省西北部.
由图 4(c)可知, 2000~2020年珠江三角洲地区PM2.5变化斜率在-0.26~0.01μg·(m3·a)-1之间.由图 4(f)和表 4可知, PM2.5呈下降趋势的区域面积占珠江三角洲地区总面积的99.93%, 其中, 呈极显著下降和显著下降的区域面积占58.53%, 主要分在该区西部、南部和东北部.PM2.5呈上升趋势的面积仅占珠江三角洲地区总面积的0.07%, 无极显著上升和显著上升区域.
整体上, 2000~2020年三大经济区PM2.5呈下降趋势的面积占比均大于呈上升趋势的面积占比.其中, 下降趋势占比最大的是珠江三角洲地区, 其次是长江三角洲地区, 环渤海地区占比最小.综上可知, 珠江三角地区PM2.5改善态势最为良好, 其次是长江三角洲地区, 环渤海地区相较于其他两个经济区PM2.5改善情况较差.
3.2.3 植被覆盖度等级区域PM2.5变化特征如图 5和表 5所示, 在研究时段内, 三大经济区植被覆盖度均以高植被覆盖度为主.
|
图 5 三大经济区植被覆盖度空间分布 Fig. 5 Spatial distribution of fractional vegetation cover in the three economic zones |
|
|
表 5 三大经济区植被覆盖等级面积占比统计/% Table 5 Proportion of fractional vegetation cover in the three economic zones/% |
如图 6(a)所示, 在不同的植被覆盖度等级上, 环渤海地区PM2.5均呈下降趋势.随植被覆盖度升高, PM2.5多年平均值变化趋势表现为先升高, 再下降, 后基本保持不变.在低植被覆盖度区域PM2.5多年平均值最高, 且呈下降趋势区域面积占比最小, 在中高植被覆盖度区域最低.综合可知, 在21 a中环渤海地区PM2.5在极低植被覆盖度区域下降趋势最为显著; 低植被覆盖度区域PM2.5呈轻微下降, 极显著下降和显著下降区域占比最小.
|
(a)环渤海地区, (b)长江三角洲, (c)珠江三角洲 图 6 三大经济区不同植被覆盖度等级区域PM2.5变化趋势及其显著性检验 Fig. 6 PM2.5 change trend and significance test in the three economic zones with different vegetation coverage levels |
如图 6(b)所示, 长江三角洲地区PM2.5在5个植被覆盖度等级区域上变化趋势趋于一致, 均表现为下降趋势.PM2.5多年平均值随植被覆盖度升高表现出先上升后下降的变化趋势, 低植被覆盖度区域PM2.5多年平均值最高, 高植被覆盖度区域最低.由上可知, 2000~2020年间长江三角洲地区PM2.5在不同植被覆盖度等级区域呈现出良好的改善态势, 其中, 极低植被覆盖度区域呈下降趋势的面积占比最大, 极显著下降和显著下降区域面积占比同样超过了其他分区, PM2.5污染改善程度最佳.
如图 6(c)所示, 在不同的植被覆盖度等级上, 珠江三角洲地区PM2.5变化趋势均以下降为主.PM2.5多年平均值随植被覆盖度升高表现出先上升后下降的变化趋势, 低植被覆盖度区域PM2.5多年平均值最高, 高植被覆盖度区域最低.综上所述, 珠江三角洲地区21 a内PM2.5改善态势良好, 5个植被覆盖度等级区域内的绝大部分区域均表现为下降趋势.就极显著下降和显著下降的区域占比来看, PM2.5在极低植被覆盖度区域改善态势最佳, 在低植被覆盖度区域改善态势较差.
整体上, 环渤海地区、长江三角洲地区和珠江三角洲地区PM2.5在不同植被覆盖度区域的变化趋势与其整体变化趋势保持一致, PM2.5均呈现下降趋势.且珠江三角洲地区不同植被覆盖度分区PM2.5改善态势最佳, 其次是长江三角洲地区, 环渤海地区不同植被覆盖度分区PM2.5改善态势较差.就三大经济区不同植被覆盖度等级区域呈下降趋势的面积占比而言, 3个地区极低植被覆盖区域的PM2.5均表现出了最高的改善程度.环渤海地区、珠江三角洲地区低植被覆盖度区域和长江三角洲地区高植被覆盖度区域PM2.5改善程度最差.就不同植被覆盖度等级区域PM2.5多年平均值变化趋势来看, 三大经济区低植被覆盖度区域PM2.5多年平均值均最高, 环渤海地区中高植被覆盖度区域、长江三角洲地区和珠江三角洲地区高植被覆盖度区域PM2.5多年平均值最低.
3.3 PM2.5与植被景观格局指数相关性分析 3.3.1 景观尺度下PM2.5与植被景观格局指数相关性如图 7所示, 除环渤海地区PM2.5与LPI的相关系数外, 其余相关系数均通过了0.1置信水平显著性检验.其中, NP与环渤海地区和长江三角洲地区PM2.5呈不显著负相关(P＜0.1), 与珠江三角洲地区PM2.5呈显著正相关(P＜0.05); LPI在长江三角洲与PM2.5呈显著正相关(P＜0.01)、在珠江三角洲地区与PM2.5呈不显著负相关(P＜0.1); LSI在环渤海地区与PM2.5年均值呈不显著负相关(P＜0.1), 在长江三角洲呈显著负相关(P＜0.05), 在珠江三角洲呈显著正相关(P＜0.05); AI在环渤海地区和珠江三角洲地区与PM2.5呈显著负相关(P＜0.05)关系, 在长江三角洲地区呈显著正相关(P＜0.05);SHDI在环渤海地区与PM2.5呈不显著正相关(P＜0.1), 在长江三角洲呈不显著负相关(P＜0.1), 在珠江三角洲地区呈极显著正相关(P＜0.01).
|
图 7 景观尺度下的PM2.5与植被景观格局指数的相关系数 Fig. 7 Correlation coefficient between PM2.5 and vegetation landscape pattern index at landscape scale |
综上可知, 三大经济区PM2.5与各植被景观格局指数的相关关系存在显著差异.环渤海地区与AI相关性最强, 长江三角洲地区与LPI相关性最强, 珠江三角洲地区与SHDI相关性最强.整体上, 珠江三角洲地区PM2.5与植被景观格局指数相关性最强, 环渤海地区最弱.
3.3.2 类型尺度下PM2.5与植被景观格局指数相关性如图 8(a)所示, 整体上, 环渤海地区中植被覆盖区域PM2.5与各植被景观格局指数的相关关系最强, 与LPI、LSI和AI这3个植被景观格局指数均表现为极显著相关(P＜0.01); 低植被覆盖度区域PM2.5与植被景观格局指数的相关关系最弱, 与所有植被景观格局指数均不相关.AI与中、中高和高植被覆盖度区域均表现出相关性, 是与环渤海地区不同植被覆盖度等级区域PM2.5相关性最强的植被景观格局指数.如图 8(b)所示, 长江三角洲地区极低植被覆盖度区域PM2.5与植被景观格局指数相关性最强, 与所有植被景观格局指数均表现出了相关性, 与NP、LPI、AI和PLAND呈极显著相关(P＜0.01), 与LSI呈显著相关(P＜0.05), 是与植被景观格局指数相关性最强的区域. 低植被覆盖度区域PM2.5与所有植被景观格局指数均不相关, 是相关性最弱的区域.NP和LSI与长江三角洲地区大部分植被覆盖度分区PM2.5均表现较强的相关性, 其中, LSI与中植被覆盖度区域表现为不显著负相关(P＜0.1), 与极低、中高和高植被覆盖度区域表现为显著相关(P＜0.05), 是与长江三角洲地区不同植被覆盖度等级区域PM2.5相关性最强的植被景观格局指数.如图 8(c)所示, 珠江三角洲地区中高植被覆盖度区域PM2.5与植被景观格局指数相关性最强, 低植被覆盖度区域PM2.5与植被景观格局指数相关性最弱.PLAND与中植被覆盖度区域PM2.5呈显著相关(P＜0.05), 与极低、高植被覆盖度等级区域PM2.5呈极显著相关(P＜0.01), 是与珠江三角洲PM2.5相关性最强的植被景观格局指数.
|
图 8 类型尺度下的PM2.5与植被景观格局指数的相关系数 Fig. 8 Correlation coefficient between PM2.5 and vegetation landscape pattern index at the type scale |
在类型尺度下, 三大经济区不同植被覆盖度分区PM2.5与植被覆盖度景观格局指数的相关关系表现出明显的差异.其中, 环渤海地区、长江三角洲地区和珠江三角洲地区不同植被覆盖度等级区域PM2.5相关性最强的景观格局指数分别是AI、LSI和PLAND.长江三角洲地区各植被覆盖度等级区域PM2.5与植被景观格局指数的相关性最强, 环渤海地区和珠江三角洲地区较弱.环渤海地区中植被度区域、长江三角洲地区极低植被覆盖度区域和珠江三角洲地区中高植被覆盖度区域PM2.5与植被景观格局指数相关性最强，三大经济区低植被覆盖度区域PM2.5与植被景观格局指数相关性均最弱.
3.3.3 景观尺度和类型尺度下PM2.5与植被景观格局指数复相关关系如图 9所示, 在景观尺度下, 三大经济区PM2.5与NP、LPI、LSI、AI和SHDI这5个植被景观格局指数的复相关系数均通过了置信水平0.01的显著性检验, 表现为极显著正相关关系(P＜0.01).在类型尺度下, 环渤海地区极低覆盖度区域PM2.5与NP、LPI、LSI、AI和PLAND这5个植被景观格局指数呈显著正相关关系(P＜0.05), 与低、中、中高和高植被覆盖度等级区域呈极显著正相关关系(P＜0.01); 长江三角洲地区极低、低、中、中高和高植被覆盖度区域PM2.5与植被景观格局指数的复相关关系均为极显著正相关(P＜0.01); 珠江三角洲地区不同的植被覆盖度区域PM2.5与植被景观格局指数的复相关关系均为极显著正相关(P＜0.01).综上所述, 在景观尺度和类型尺度下, 植被景观格局指数对PM2.5的复相关关系强于单个植被景观格局指数对PM2.5的相关关系.
|
图 9 景观尺度和类型尺度下的PM2.5与植被景观格局指数的复相关系数 Fig. 9 Multiple correlation coefficient between PM2.5 and vegetation landscape pattern index at landscape scale and type scale |
2000年和2020年环渤海地区PM2.5热点区在京津冀地区中南部, 山东省西部均有大面积分布.究其原因, 一是受政治经济等因素影响, 京津冀地区中南部和山东省西部人口密度大, 人类活动频繁, 传统重工业发达, 大气污染物排放量大; 二是京津冀地区中南部和山东省西部同属于华北平原内陆地区, 地势平坦, 又四面环山, 空气流动性差, PM2.5等大气污染物难以向外扩散, 聚集在这些地区形成热点区[30, 31]. 2000~2020年热点区面积占比上升, 在山东省和辽宁省境内PM2.5热点区均发生了一定程度的扩张, 这可能与山东省和辽宁省中部地区人口增长, 城市迅速发展, 区域工业压力增大有关[32~34]. 2000~2020年环渤海地区PM2.5冷点区面积占比下降, 但其在京津冀地区的分布面积有轻微扩展, 原因可能是“大气十条”等大气污染治理措施在该地区已一定成效[35].
2000年和2020年长江三角洲地区PM2.5热点区在安徽省中部和北部, 江苏省西部和南部, 浙江省北部均有大面积集中分布.主要原因是这些地区处在城市化, 工业化高速发展阶段, 能源密集型产业、人类生活排放和机动车尾气带来的大气污染物, 促使了该地区PM2.5聚集程度热点区的形成[36]. 2020年长江三角洲地区冷热点区面积占比与2000年基本持平, 但江苏省境内的热点区分布有向东部扩展的趋势.造成这种变化的原因有二：一是因为江苏省北部地区传统工业在其产业结构中占比较高, 污染物排放量大; 二是该地区与山东省南部接壤, 易受山东省大气污染影响, 山东省内PM2.5热点区的扩张, 势必会影响江苏省境内PM2.5空间聚集性[37].同时, 安徽省中部, 西部及南部, 上海市南部, 浙江省北部, 中部及东南沿海地区的热点区均出现了一定程度的缩减或消失, 被冷点区替代.这可能与这些地区产业结构升级, “高污染, 高能耗”的产业逐渐转移, 以及“美丽长三角”和“双碳目标”等相关环境治理政策的实施有关[38].
2020年珠江三角洲地区PM2.5热点区分布与2000年相比出现了两处变化显著的区域, 一是中部地区的热点区面积扩大了, 这与该区域的地形条件、产业类型和人口数量有关.中部地区属于珠江三角洲经济发展的核心区域, 制造业发达, 人口数量大, 人类生产生活产生的空气污染物大量排放到空气中, 地形条件又不利于污染物扩散, 易形成PM2.5聚集[39].二是沿海地区的热点区面积增加了, 这可能与沿海地区人口密度增大, 船舶大量排放污染物有关.
4.2 PM2.5时空变化特征由三大经济区PM2.5年均值变化趋势可知, 整体上, 环渤海地区PM2.5污染情况最为严重, 其次是长江三角洲地区, 珠江三角洲地区的污染程度整体低于其他两个经济区, 这与3个经济区的产业结构有关, 冶金、化工等污染密集型产业在环渤海地区和长江三角洲地区产业结构中占比较大, 大量污染物排放到空气中导致PM2.5浓度升高[40, 41]. 2000~2020年间, 环渤海地区、长江三角洲地区和珠江三角洲地区PM2.5整体呈先上升, 后下降的变化趋势, 下降的拐点分别出现在2013、2014和2011年, 这与已有研究的结果相符[42~44].进入21世纪后, 以破坏生态为代价的经济发展模式弊端逐渐显现, PM2.5污染问题日益严重.自2011年我国颁布首个PM2.5测定规范起, 一系列有关PM2.5防治的政策相继出台, 三大经济区的PM2.5污染情况伴随着污染治理工作的顺利开展逐渐好转.
2000~2020年三大经济区PM2.5浓度整体呈下降趋势, 珠江三角洲地区PM2.5污染改善程度最大, 其次是长江三角洲地区, 最后是环渤海地区.虽然我国PM2.5污染治理工作取得了一定成效, 但环渤海地区和长江三角洲地区长期以来以能源密集型产业为主的产业结构短时间内难以改变, 同时随着交通设施的不断完善, 机动车辆尾气中的细微颗粒物已成为治理工作新难点[45, 46].环渤海地区呈极显著下降和显著下降的区域主要集中在河北省中部、辽宁省东南部和西南部, 这些区域人口密度较低, 工农业分布不集中, 人类活动产生的污染物较少; 其次地势较高, 不易受其他地区PM2.5污染的影响; 加之以上区域植被覆盖度高, 能够有效净化空气中的PM2.5, 多种因素共同作用下, 以上地区的PM2.5污染情况得到了明显改善[47].长江三角洲地区呈极显著下降和显著下降的区域主要集中分布在浙江省东南部, 主要原因是该地区人类活动强度低, PM2.5排放量低, 森林覆盖面积大, 对PM2.5起到了一定程度的吸附沉降作用[48].珠江三角洲地区是三大经济区中PM2.5污染改善态势最为良好的地区, 呈极显著下降和显著下降的区域在该地区全境内均有分布, 这与该地区产业结构调整和实施的一列节能减排措施取得成效有关[49].
2000~2020年三大经济区不同植被覆盖度等级区域的PM2.5污染均呈现改善态势.其中, 三大经济区极低植被覆盖度区域PM2.5污染改善程度最高, 该区域植被覆盖度极低, 土地贫瘠, 受人类活动影响较小, 因此在三大经济区PM2.5均呈现下降趋势的背景下, PM2.5污染改善最为显著.环渤海地区和珠江三角洲地区低植被覆盖度区域污染改善程度较差, 该区域的土地利用类型多为城市和建设用地, 分布着居民区和工厂等PM2.5主要来源, 污染物排放量大, 植被覆盖度低, PM2.5污染问题在短时间内难以得到显著改善; 长江三角洲地区高植被覆盖度区域改善程度较差, 这是因为植被对PM2.5污染的改善程度是有限的.
4.3 PM2.5与植被景观格局指数相关性分析在景观尺度下, 三大经济区的PM2.5年均值浓度与植被覆盖度的关系差异显著, 不同研究区与同一植被景观格局指数的关系并不一致.环渤海地区PM2.5与AI的相关性最强, 呈显著负相关关系, 说明环渤海地区植被斑块之间的距离减小, 能够显著改善PM2.5污染情况.长江三角洲地区PM2.5与LPI相关性最强, 呈显著正相关关系, LPI能够反映植被斑块内部的优势种丰富度, 说明在利用植被覆盖改善长江三角洲地区整体PM2.5污染情况时, 应当优先考虑调节植被斑块内部的优势种个数.珠江三角洲地区PM2.5与SHDI相关性最强, 呈极显著正相关关系, 说明在珠江三角洲地区, 适当降低区域植被景观多样性有利于缓解PM2.5污染.
类型尺度下, PM2.5年均值浓度与植被覆盖度的关系同样差异显著, 三大经济区不同植被覆盖度等级区域PM2.5年均值浓度与植被景观格局指数关系呈现出较大差异.在环渤海地区, AI对不同植被覆盖度等级区域的影响最为显著, 说明调节斑块之间的聚集程度对中植被覆盖度区域PM2.5污染的改善有积极作用.长江三角洲不同植被覆盖度等级区域与LSI相关性最强, 说明通过改变植被斑块复杂程度能够有效缓解长江三角洲不同植被覆盖度等级区域PM2.5污染问题.珠江三角洲地区不同植被覆盖度等级区域与PLAND相关性最强, 说明适当提高或降低与PLAND相关的植被覆盖度区域的占比对治理PM2.5污染有促进作用.三大经济区低植被覆盖度区域与植被覆盖度景观格局指数的相关性最弱.环渤海地区中植被覆盖区域、长江三角洲地区极低植被覆盖度区域和珠江三角洲地区中高植被覆盖度区域PM2.5与植被景观格局指数的相关关系最强, 说明植被景观格局对改善这些区域PM2.5污染有重要作用.在景观尺度下和类型尺度下, 植被景观格局指数对三大经济区不同植被覆盖度等级区域的综合影响强于单个景观指数对PM2.5的影响, 说明在利用植被景观改善PM2.5污染时, 同时考虑植被景观格局的斑块特征、空间特性和多样性等多种属性对PM2.5的综合影响可能会取得更好的效果.
5 结论(1) 2000~2020年三大经济区PM2.5空间聚集性均发生了改变.环渤海地区PM2.5空间聚集性变化主要表现为热点区扩张, 冷点区缩减; 长江三角洲地区冷点区和热点区面积占比无显著变化, 空间分布变化显著; 珠江三角洲地区冷点区和热点区面积均发生扩张.
(2) 2000~2020年三个经济区的PM2.5变化具有阶段性特征, 但整体上呈现下降趋势.环渤海地区、长江三角洲地区和珠江三角洲地区呈下降趋势的面积分别占其总面积的69.34%、82.15%和99.93%, 改善程度从高到低依次是：珠江三角洲地区、长江三角洲地区、环渤海地区.
(3) 2000~2020年三大经济区不同植被覆盖度等级区域PM2.5变化主要表现为下降趋势.三大经济区PM2.5在极低植被覆盖度区域改善程度最高, 环渤海地区和珠江三角洲地区PM2.5在低植被覆盖度区域改善程度较差, 长江三角洲地区PM2.5在高植被覆盖度区域改善程度较差.
(4) 在景观尺度下, 与环渤海地区、长江三角洲地区和珠江三角洲地区PM2.5相关性最强的植被景观格局指数分别是AI、LPI和SHDI.在类型尺度下, 环渤海地区、长江三角洲地区和珠江三角洲地区不同植被覆盖度等级区域PM2.5相关性最强的植被景观格局指数分别是AI、LSI和PLAND.在景观尺度和类型尺度下, PM2.5与植被景观格局指数的关系均表现出明显差异, 植被景观格局指数对PM2.5的复相关关系强于单个植被景观格局指数对PM2.5的相关关系.合理利用PM2.5与植被景观格局的关系, 构建适宜的植被景观格局, 有助于改善PM2.5污染, 提高空气质量, 减少大气污染带来的风险.
| [1] | Guo X H, Wang Y F, Mei S Q, et al. Monitoring and modelling of PM2.5 concentration at subway station construction based on IoT and LSTM algorithm optimization[J]. Journal of Cleaner Production, 2022, 360. DOI:10.1016/j.jclepro.2022.132179 |
| [2] | Thao N N L, Pimonsree S, Prueksakorn K, et al. Public health and economic impact assessment of PM2.5 from open biomass burning over countries in mainland Southeast Asia during the smog episode[J]. Atmospheric Pollution Research, 2022, 13(6). DOI:10.1016/j.apr.2022.101418 |
| [3] | Zhang L L, Wilson J P, MacDonald B, et al. The changing PM2.5 dynamics of global megacities based on long-term remotely sensed observations[J]. Environment International, 2020, 142. DOI:10.1016/j.envint.2020.105862 |
| [4] | Shamsollahi H R, Yunesian M, Kharrazi S, et al. Characterization of persistent materials of deposited PM2.5 in the human lung[J]. Chemosphere, 2022, 301. DOI:10.1016/j.chemosphere.2022.134774 |
| [5] | Wu Y Y, Zhang T, Wang Y Y, et al. Spatial heterogeneity in health risks of illness-related absenteeism associated with PM2.5 exposure for elementary students[J]. Environmental Research, 2022, 212. DOI:10.1016/j.envres.2022.113473 |
| [6] | Bu X, Xie Z L, Liu J, et al. Global PM2.5-attributable health burden from 1990 to 2017: estimates from the global burden of disease study 2017[J]. Environmental Research, 2021, 197. DOI:10.1016/j.envres.2021.111123 |
| [7] | Lim C H, Ryu J, Choi Y, et al. Understanding global PM2.5 concentrations and their drivers in recent decades (1998-2016)[J]. Environment International, 2020, 144. DOI:10.1016/j.envint.2020.106011 |
| [8] |
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, ThuMinh N, 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. |
| [9] |
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. |
| [10] | Zhang Q, Zheng Y X, Tong D, et al. Drivers of improved PM2.5 air quality in China from 2013 to 2017[J]. Proceedings of the National Academy of Sciences of the United States of America, 2019, 116(49): 24463-24469. DOI:10.1073/pnas.1907956116 |
| [11] | Zhang L, He J J, Gong S L, et al. Effect of vegetation seasonal cycle alterations to aerosol dry deposition on PM2.5 concentrations in China[J]. Science of the Total Environment, 2022, 828. DOI:10.1016/j.scitotenv.2022.154211 |
| [12] | Lee A, Jeong S, Joo J, et al. Potential role of urban forest in removing PM2.5: a case study in Seoul by deep learning with satellite data[J]. Urban Climate, 2021, 36. DOI:10.1016/j.uclim.2021.100795 |
| [13] | Lu D B, Mao W L, Yang D Y, et al. Effects of land use and landscape pattern on PM2.5 in Yangtze River Delta, China[J]. Atmospheric Pollution Research, 2018, 9(4): 705-713. DOI:10.1016/j.apr.2018.01.012 |
| [14] | Qiu L, Liu F, Zhang X, et al. Difference of airborne particulate matter concentration in urban space with different green coverage rates in Baoji, China[J]. International Journal of Environmental Research and Public Health, 2019, 16(8). DOI:10.3390/ijerph16081465 |
| [15] |
杜彦彦, 黄青. 河南省PM2.5时空分布特征及其与植被覆盖度的关系[J]. 生态环境学报, 2019, 28(11): 2257-2265. Du Y Y, Huang Q. Spatial and temporal variation characteristics of PM2.5 and its relationship with vegetation fraction in Henan Province[J]. Ecology and Environment Sciences, 2019, 28(11): 2257-2265. |
| [16] |
刘跃, 陈俊峰, 田玉军, 等. 环渤海经济区海域船舶大气污染物排放特征[J]. 环境科学研究, 2021, 34(3): 523-530. Liu Y, Chen J F, Tian Y J, et al. Emission characteristics of atmospheric pollutants from ships in sea area around circum-Bohai sea economic zone[J]. Research of Environmental Sciences, 2021, 34(3): 523-530. |
| [17] |
余钟奇, 瞿元昊, 周广强, 等. 2018年秋冬季长江三角洲区域PM2.5污染来源数值研究[J]. 中国环境科学, 2020, 40(10): 4237-4246. Yu Z Q, Qu Y H, Zhou G Q, et al. Numerical simulations of PM2.5 pollution source in the Yangtze River Delta region in fall and winter in 2018[J]. China Environmental Science, 2020, 40(10): 4237-4246. |
| [18] |
赵伟, 高博, 卢清, 等. 2006~2019年珠三角地区臭氧污染趋势[J]. 环境科学, 2021, 42(1): 97-105. Zhao W, Gao B, Lu Q, et al. Ozone pollution trend in the Pearl River Delta region during 2006-2019[J]. Environmental Science, 2021, 42(1): 97-105. |
| [19] |
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): 1201-1211. 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): 1201-1211. |
| [20] | Li J, Wang J L, Zhang J, et al. Growing-season vegetation coverage patterns and driving factors in the China-Myanmar Economic Corridor based on Google Earth Engine and geographic detector[J]. Ecological Indicators, 2022, 136. DOI:10.1016/j.ecolind.2022.108620 |
| [21] | Liu C X, Zhang X D, Wang T, et al. Detection of vegetation coverage changes in the Yellow River Basin from 2003 to 2020[J]. Ecological Indicators, 2022, 138. DOI:10.1016/j.ecolind.2022.108818 |
| [22] |
高鹏文, 阿里木江·卡斯木, 赵永玉, 等. 1988-2018年哈密绿洲植被覆盖度时空变化及其驱动力[J]. 水土保持通报, 2020, 40(6): 273-280, 287. Gao P W, Kasim·Alimujiang, Zhao Y Y, et al. Spatial and temporal changes and driving forces of vegetation coverage in Hami Oasis During 1988-2018[J]. Bulletin of Soil and Water Conservation, 2020, 40(6): 273-280, 287. |
| [23] | Zhang H R, Tripathi N K. Geospatial hot spot analysis of lung cancer patients correlated to fine particulate matter (PM2.5) and industrial wind in Eastern Thailand[J]. Journal of Cleaner Production, 2018, 170: 407-424. DOI:10.1016/j.jclepro.2017.09.185 |
| [24] | Wang X G, Li T X, Ikhumhen H O, et al. Spatio-temporal variability and persistence of PM2.5 concentrations in China using trend analysis methods and Hurst exponent[J]. Atmospheric Pollution Research, 2022, 13(1). DOI:10.1016/j.apr.2021.101274 |
| [25] | Wang J Y, Wang S J, Li S J. Examining the spatially varying effects of factors on PM2.5 concentrations in Chinese cities using geographically weighted regression modeling[J]. Environmental Pollution, 2019, 248: 792-803. DOI:10.1016/j.envpol.2019.02.081 |
| [26] | Chen L W, Zhang H, XieZ L, et al. The temporal response of dissolved heavy metals to landscape indices in the Le'an river, China[J]. Environmental Research, 2022, 210. DOI:10.1016/j.envres.2022.112941 |
| [27] |
杨玉莲, 杨昆, 罗毅, 等. 1998~2016中国八大经济区植被覆盖对PM2.5浓度时空分布的影响[J]. 环境科学, 2021, 42(11): 5100-5108. Yang Y L, Yang K, Luo Y, et al. Effect of vegetation coverage on the temporal and spatial distribution of PM2.5 concentration in China's eight major economic regions from 1998 to 2016[J]. Environmental Science, 2021, 42(11): 5100-5108. |
| [28] |
高龙, 唐力, 侯浩然, 等. 深圳市大气污染时空分布及其与景观格局的关系[J]. 生态学报, 2021, 41(22): 8758-8770. Gao L, Tang L, Hou H R, et al. The spatial-temporal distribution of air pollution and its relationship with landscape pattern in Shenzhen[J]. Acta Ecologica Sinica, 2021, 41(22): 8758-8770. |
| [29] |
徐勇, 黄雯婷, 窦世卿, 等. 2000~2020年西南地区植被NDVI对气候变化和人类活动响应特征[J]. 环境科学, 2022, 43(6): 3230-3240. Xu Y, Huang W T, Dou S Q, et al. Responding mechanism of vegetation cover to climate change and human activities in southwest China from 2000 to 2020[J]. Environmental Science, 2022, 43(6): 3230-3240. |
| [30] |
吴妍. 京津冀协同发展视角下PM2.5治理及其对经济影响的研究[D]. 北京: 对外经济贸易大学, 2017. Wu Y. Research on PM2.5 control and its impact on economy in the perspective of coordinated development of Jing-Jin-Ji region[D]. Beijing: University of International Business and Economics, 2017. |
| [31] |
魏文静, 谢炳庚, 周楷淳, 等. 2013-2018年山东省大气PM2.5和PM10污染时空变化及其影响因素[J]. 环境工程, 2020, 38(12): 103-111. Wei W J, Xie B G, Zhou K C, et al. Research on temporal and spatial variations of atmospheric PM2.5 and PM10 and the influencing factors in Shandong, China during 2013—2018[J]. Environmental Engineering, 2020, 38(12): 103-111. |
| [32] |
周睿智, 闫才青, 崔敏, 等. 山东省大气细颗粒物来源解析的研究现状与展望[J]. 中国环境科学, 2021, 41(7): 3029-3042. Zhou R Z, Yan C Q, Cui M, et al. Research status and prospects on source apportionment of atmospheric fine particulate matter in Shandong Province[J]. China Environmental Science, 2021, 41(7): 3029-3042. |
| [33] |
杨雨尤, 王建舜, 王雪岩. 辽宁省PM2.5时空分布特征分析[J]. 农业灾害研究, 2021, 11(7): 121-122. Yang Y Y, Wang J S, Wang X Y. Spatiotemporal distribution characteristics of PM2.5 in Liaoning Province[J]. Journal of Agricultural Catastrophology, 2021, 11(7): 121-122. |
| [34] |
王娟, 蔺雪芹, 周笑, 等. 环渤海地区工业资源环境压力时空演化特征及影响因素[J]. 环境污染与防治, 2021, 43(7): 915-920. Wang J, Lin X Q, Zhou X, et al. Spatial and temporal evolution and influencing factors of industrial resource and environmental pressure in Bohai Rim region[J]. Environmental Pollution &Control, 2021, 43(7): 915-920. |
| [35] |
张小曳, 徐祥德, 丁一汇, 等. 2013~2017年气象条件变化对中国重点地区PM2.5质量浓度下降的影响[J]. 中国科学: 地球科学, 2019, 62(4): 483-500. Zhang X Y, Xu X D, Ding Y H, et al. The impact of meteorological changes from 2013 to 2017 on PM2.5 mass reduction in key regions in China[J]. Science ChinaEarth Sciences, 2019, 62(12): 1885-1902. |
| [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] |
高振翔, 叶剑, 周红根, 等. 江苏省PM2.5和PM10时空变化特征及其与气象因子的关系[J]. 环境科学与技术, 2020, 43(7): 51-58. Gao Z X, Ye J, Zhou H G, et al. The spatial-temporal characteristics of PM2.5 and PM10 and their relationships with meteorological factors in Jiangsu Province[J]. Environmental Science & Technology, 2020, 43(7): 51-58. |
| [38] |
刘笑杰, 王丽丽, 何博汶, 等. 长江经济带PM2.5时空演变及影响因素分析[J]. 长江流域资源与环境, 2022, 31(3): 647-658. Liu X J, Wang L L, He B W, et al. Spatiotemporal evolution and drivers of PM2.5 in the Yangtze River economic belt[J]. Resources and Environment in the Yangtze Basin, 2022, 31(3): 647-658. |
| [39] |
蔡清楠, 车扬子, 孙凌瑜, 等. 珠三角地区PM2.5浓度估算及其健康效应评估[J]. 生态学报, 2021, 41(22): 8977-8990. Cai Q N, Che Y Z, Sun L Y, et al. PM2.5 concentration prediction and its health effect in the Pearl River Delta of China[J]. Acta Ecologica Sinica, 2021, 41(22): 8977-8990. |
| [40] | Xi Y L, Yan D, Zhang J, et al. Decoupling analysis of the industrial growth and environmental pollution in the Circum-Bohai-Sea region in China[J]. Environmental Science and Pollution Research, 2021, 28(15): 19079-19093. |
| [41] |
邹辉, 段学军, 赵海霞, 等. 长三角地区污染密集型产业空间演变及其对污染排放格局的影响[J]. 中国科学院大学学报, 2016, 33(5): 703-710. Zou H, Duan X J, Zhao H X, et al. Spatial evolution of pollution-intensive industries and its effects on pollution emissions in Yangtze River Delta[J]. Journal of University of Chinese Academy of Sciences, 2016, 33(5): 703-710. |
| [42] | Hao T Y, Cai Z Y, Chen S C, et al. Transport pathways and potential source regions of PM2.5 on the west coast of Bohai Bay during 2009-2018[J]. Atmosphere, 2019, 10(6). DOI:10.3390/atmos10060345 |
| [43] |
孙涵, 胡雪原, 聂飞飞. 空气污染物的时空演化及社会经济驱动因素研究——以长江三角洲地区为例[J]. 中国环境管理, 2019, 11(4): 71-78. Sun H, Hu X Y, Nie F F. Spatio-temporal evolution and socio-economic drivers of primary air pollutants from energy consumption in the Yangtze River Delta[J]. Chinese Journal of Environmental Management, 2019, 11(4): 71-78. |
| [44] | Lin C Q, Li Y, Lau A K H, et al. 15-year PM2.5 trends in the Pearl River Delta region and Hong Kong from satellite observation[J]. Aerosol and Air Quality Research, 2018, 18(9): 2355-2362. |
| [45] |
刘雨华, 郑小慎. 环渤海地区气溶胶光学厚度数据选取及时空特征分析[J]. 环境科学学报, 2020, 40(5): 1621-1628. Liu Y H, Zheng X S. Analysis of temporal and spatial characteristics and data selection of aerosol optical depth in the Bohai Rim Region[J]. Acta Scientiae Circumstantiae, 2020, 40(5): 1621-1628. |
| [46] |
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. |
| [47] |
龙凌波, 佘倩楠, 孟紫琪, 等. 中国沿海地区大气污染特征及其聚类分析[J]. 环境科学研究, 2018, 31(12): 2063-2072. Long L B, She Q N, Meng Z Q, et al. Characteristics and cluster analysis of air pollution in coastal areas of China[J]. Research of Environmental Sciences, 2018, 31(12): 2063-2072. |
| [48] |
陈兵红, 靳全锋, 柴红玲, 等. 浙江省大气PM2.5时空分布及相关因子分析[J]. 环境科学学报, 2021, 41(3): 817-829. Chen B H, Jin Q F, Chai H L, et al. Spatiotemporal distribution and correlation factors of PM2.5 concentrations in Zhejiang Province[J]. Acta Scientiae Circumstantiae, 2021, 41(3): 817-829. |
| [49] | Lu X C, Chen Y A, Huang Y Q, et al. Exposure and mortality apportionment of PM2.5 between 2006 and 2015 over the Pearl River Delta region in southern China[J]. Atmospheric Environment, 2020, 231. DOI:10.1016/j.atmosenv.2020.117512 |