2023, Vol. 44
PM2.5主要指的是空气动力学中粒径≤2.5 μm的细颗粒污染物, 目前已逐渐成为我国主要的大气污染物, 对社会经济、生态环境和人类健康产生了深刻的影响[1].已有研究表明, PM2.5具备一定的毒性, 且能够长时间滞留在空气中[2], 高浓度的PM2.5能够引发雾-霾天气[3], 进而引起人类呼吸道疾病发生[4~6], 全球每年约有数百万人由于空气污染而间接性死亡[7].近年来, PM2.5浓度的时间变化与空间分布格局受到国内外学者的广泛关注.Lim等[8]研究表明地处亚洲地区的中国和印度属于PM2.5浓度上升区, 欧洲、北美洲和大洋洲属于PM2.5浓度下降区, 且植被与PM2.5浓度具有一定的关联性.姚青等[9]研究发现, 2017~2021年京津冀地区冬季PM2.5浓度较高且下降趋势明显, PM2.5浓度下降程度较大的城市主要是邢台、邯郸、石家庄和保定等河北中南部城市, 下降幅度较小的城市主要是承德、秦皇岛和张家口等河北北部山区城市.Xu等[10]研究发现中国264个城市中, 接近95%的城市2015~2019年PM2.5浓度呈下降趋势.城市发展对PM2.5浓度变化具有重要影响, 不同城市化指标对PM2.5浓度变化的影响程度有所差异.牛笑笑等[11]研究发现, 我国主要城市PM2.5和O3浓度存在一定的交互规律, 中北部城市最为明显, 热点区域主要集中在京津冀、山西、河南和安徽等地带, 存在明显的西移和北移趋势, PM2.5和O3浓度的协同作用从春季到冬季主要呈下降趋势.以上研究表明, PM2.5浓度在时间和空间尺度上均具有明显的异质性.
同时, 国内外学者对于PM2.5浓度变化的驱动机制也展开了大量的研究.Casallas等[12]研究发现, 以委内瑞拉、厄瓜多尔和哥伦比亚等为代表的南美洲西北部国家PM2.5浓度较高, 大多数国家的PM2.5浓度高是由野火和不合理排放引起的, PM2.5浓度的时空变化受政策影响十分显著.Lu等[13]以长江三角洲地区为研究区, 分析土地利用和景观格局对长江三角洲地区PM2.5的影响机制, 发现具有较高植被覆盖度的林地和草地对PM2.5具有一定的抑制作用.周志衡等[14]对中国中原城市群PM2.5浓度的驱动因子进行分析, 发现单因子中高程对PM2.5浓度变化的解释力最强, 因子间的交互效应对PM2.5浓度的影响均表现为增强, 且高程和降水的交互作用对PM2.5浓度的影响力最强, 人均GDP、人口密度、夜间灯光、外商直接投资和第二产业均与PM2.5浓度之间存在一定的非线性关系.张军等[15]研究发现, 海拔、气温、地形、相对湿度和降水等自然因子在关中平原城市群PM2.5污染中占有主导地位, 人均GDP、地形起伏度、能源消耗指数和年均气温等因子对PM2.5污染起到正向作用, 植被覆盖度、年降水量、海拔和年均相对湿度等因子对PM2.5污染起到负向作用.
成渝城市群是我国西部地区发展的重要支点, 在我国经济发展中具有举足轻重的战略地位[16, 17].然而, 目前有关成渝城市群PM2.5浓度的研究中, 在空间尺度上, 大多数研究以省、市、县行政区或以城市群整体作为研究区[11, 14, 15, 18], 忽略了城市群各城市间PM2.5浓度时空变化格局和驱动机制的差异性; 在时间尺度上, 大多使用季或单年等小尺度数据对PM2.5浓度进行分析, 忽略了在长时间序列下PM2.5浓度的时空变化特征和影响其空间分异的驱动因子.因此, 开展成渝城市群PM2.5浓度时空变化的分析和基于时间和空间尺度的多维地理探测显得尤为重要.本文以成渝城市群为研究区, 从年和季尺度上分析成渝城市群及各城市PM2.5浓度时空变化格局, 并在时间(多个年份)和空间(城市群和城市)尺度上探测地形因子(高程、坡度和坡向)、气候因子(气温、降水、日照时数、相对湿度和风速)、植被因子(NDVI)和人文因子(道路密度、人口密度、夜间灯光和土地利用类型)以及因子间的交互作用对成渝城市群PM2.5浓度空间分异的影响, 以期为当地大气环境保护政策的制定提供参考, 推动区域生态经济可持续发展.
1 研究区概况成渝城市群位于中国西南地区, 地理范围在27°39′~33°02′N, 101°56′~110°12′E之间, 高程在62~5 150 m之间, 地势“四周高, 中部低”, 位于四川盆地的核心地带(图 1).气候主要以亚热带季风气候为主, 四季分明, 水热条件丰沛, 年平均气温在16~18℃之间, 年均降水量大于1 200 mm, 土壤肥沃, 资源丰富, 自然禀赋优良.成渝城市群城市化率高, 交通体系完善, 人口数量庞大, 是我国重要的产业和经济集聚区, 是促进西部地区快速发展和增强国家综合实力的核心支点之一, 在我国具有举足轻重的战略地位[16], 包括成都、德阳、绵阳、眉山、资阳、遂宁、乐山、雅安、自贡、泸州、内江、南充、宜宾、达州、广安和重庆.
|
图 1 研究区示意 Fig. 1 Location of the study area |
本文数据源主要由以下几个部分构成：PM2.5数据集、自然因子数据集和人文因子数据集.PM2.5数据集(V5.GL.V4)来源于ChinaHighPM2.5数据集(https://weijing-rs.github.io/product.html), 该数据集由韦晶博士和李占清教授团队开发与维护, 时间跨度为2000~2021年, 时间分辨率为每月, 空间分辨率为1 km[19, 20].本文需要对数据进行投影、重采样和裁剪等操作, 得到空间分辨率为1 km的成渝城市群地区PM2.5数据集.本文中定义春季为3~5月, 夏季为6~8月, 秋季为9~11月, 冬季为12月至次年2月, 由于缺少2022年1月和2月PM2.5数据, 因此, 取2021年12月PM2.5数据为2021年冬季数据.
自然因子数据包括气候因子、地形因子和NDVI.气候因子包括气温、降水、日照时数、相对湿度和风速, 主要来自国家气象科学数据中心(https://data.cma.cn/)提供的2000~2021年中国2 416个气象站点的逐日数据.对于缺失的数据, 本文利用IBMSPSS软件进行数据插补, 并通过ANUSPLIN插值模型, 在考虑经度、纬度和高程的基础上生成空间分辨率为1 km的各气象因子的时间序列.地形因子包括高程、坡向和坡度.DEM数据来源于中国科学院资源环境科学数据中心(https://www.resdc.cn/), 其空间分辨率为1 km, 并经过派生提取坡度和坡向.NDVI数据集来自美国国家航天局发布的MOD13A3产品(https://ladsweb.modaps.eosdis.nasa.gov/), 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2021年12月.为了避免2000年1月NDVI数据缺失带来的影响, 本文对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, 得到成渝城市群地区2000~2021年NDVI年最大值数据集.
人文因子数据集包括道路密度、人口密度、夜间灯光和土地利用类型.道路密度数据来源于Open Street Map(https://www.openstreetmap.org/#map=5/29.363/108.281)发布的道路路网数据, 对原始数据进行核密度分析, 得到道路密度数据.人口密度数据来源于WorldPop发布的PopulationDensity数据(https://www.worldpop.org/), 夜间灯光数据来源于HarvardDataverse发布的全球NPP-VIIRS-like扩展时间系列的夜间灯光数据(https://dataverse.harvard.edu/), 土地利用数据来源于中国科学院资源环境科学与数据中心(https://www.resdc.cn/Default.aspx), 人口密度数据、夜间灯光数据的时间分辨率均为每年, 空间分辨率均为1 km, 时间跨度均为2000~2020年.土地利用数据空间分辨率均为1 km, 自2000年起, 每5 a一期.
2.2 研究方法 2.2.1 Theil-Sen Median趋势分析和Mann-Kendall检验法Theil-Sen Median非参数估计法的运算效率较高, 并且不受数据异常值干扰, 因此被广泛应用于长时间序列变化趋势的计算中[21].本文利用Theil-Sen Median趋势分析法在年和季节尺度上得到成渝城市群地区2000~2021年PM2.5浓度变化趋势, 并根据Mann-Kendall显著性检验, 检验其变化趋势的显著性.Theil-Sen Median计算公式为：
|
(1) |
式中, PM2.5i和PM2.5j为第i年和第j年的PM2.5浓度值, 其中i, j=1, 2, 3, …, n; Median为取中值函数.当βslope>0时, 表示在研究时段内成渝城市群地区PM2.5浓度呈上升趋势, PM2.5污染加剧; 当βslope＝0时, 表示在研究时段内成渝城市群地区PM2.5浓度基本不变; 当βslope < 0时, 表示在研究时段内成渝城市群地区PM2.5浓度呈下降趋势, PM2.5污染减轻.
Mann-Kendall显著性检验法可以用来检验变量在时间序列上变化的显著性[21], 不需要方差的正态性假设, 从而能够避免异常值对最终结果的影响.其公式如下：
给定PM2.5时间序列：
|
(2) |
计算检验统计量S：
|
(3) |
符号函数sgn:
|
(4) |
计算方差：
|
(5) |
定义标准化统计量Z：
|
(6) |
对于给定的显著性水平α, 当|Z| >Z1-α/2时, 表明成渝城市群地区PM2.5在研究时段内发生了显著变化, 反之则为轻微变化.按照Mann-Kendall显著性检验的|Z|值, 可以将PM2.5变化趋势分为4个等级：显著下降、不显著下降、不显著上升和显著上升.当|Z| >1.96, 即置信水平为95%以下时, 为显著变化, 当0 < |Z| ≤1.96时, 为不显著变化.
2.2.2 地理探测器地理探测器能够探测地理现象空间分异, 揭示其驱动机制[22].地理探测器基本原理为：若自变量对因变量有着较强的影响, 那么其空间分布存在一定的相似性.本文利用地理探测器中的因子探测和交互探测模块, 探测2000、2010和2021年各影响因子对成渝城市群地区PM2.5浓度空间分异的影响力, 以及因子间交互作用对PM2.5浓度空间分异的影响, 以消除单一年份探测结果带来的不确定性, 从而更加准确地评估2000~2021年各影响因子对成渝城市群地区PM2.5浓度空间分异的驱动作用强度.由于缺少2021年土地利用类型、人口密度和夜间灯光数据, 本文使用年份较为接近的2020年的数据代替.
因子探测计算公式如下：
|
(9) |
式中, q为因子对PM2.5浓度空间分异的影响力, 取值区间为[0, 1], q值越大则象征该因子对PM2.5浓度空间分异的影响越大. h(1, 2, …, L)为探测因子X的子区域数; L为变量的分层, N和Nh分别为总样本数和区域h样本数; σ2和σh2分别为总区域的方差和区域h的方差.
交互作用部分主要用于探究因子和因子之间是否存在相互影响, 并且能够探测出因子在交互作用下对因变量的影响程度.如表 1所示, 本文选取13种影响因子, 以格网为基本单元, 对成渝城市群地区PM2.5进行因子探测和交互探测.
|
表 1 影响因子分类 Table 1 Types of influencing factors |
3 结果与分析 3.1 成渝城市群PM2.5浓度时空变化特征 3.1.1 成渝城市群PM2.5浓度时间变化特征
如图 2所示, 从整体上看, 成渝城市群年、春季、夏季、秋季和冬季ρ(PM2.5)均值分别为49.60、47.75、32.43、43.76和74.17 μg·m-3.年际尺度上, ρ(PM2.5)最小值出现在2020年, 为28.98 μg·m-3, ρ(PM2.5)最大值出现在2013年, 为63.02 μg·m-3.2000~2021年成渝城市群PM2.5浓度年均值呈波动下降趋势, 变化斜率为-0.91μg·(m3·a)-1.季节尺度上, 冬季PM2.5浓度下降最快, 变化斜率为-1.26 μg·(m3·a)-1, 夏季PM2.5浓度下降最慢, 为-0.72μg·(m3·a)-1.
|
图 2 2000~2021年成渝城市群PM2.5浓度时间变化 Fig. 2 Temporal variation in PM2.5 concentration in the Chengdu-Chongqing Urban Agglomeration from 2000 to 2021 |
从各城市尺度上看, 2000~2021年ρ(PM2.5)多年均值较高的城市主要是自贡(62.80 μg·m-3)、内江(59.95 μg·m-3)和资阳(56.96 μg·m-3), ρ(PM2.5)均值最低的城市是雅安(33.00 μg·m-3), 各城市PM2.5浓度均在冬季达到最大值, 夏季达到最小值.年际尺度上, 2000~2021年各城市PM2.5浓度均呈下降趋势, 下降较快的城市主要是资阳[-1.27 μg·(m3·a)-1]、遂宁[1.27μg·(m3·a)-1]和内江[-1.25μg·(m3·a)-1], 下降最慢的城市是雅安[-0.43μg·(m3·a)-1].季节尺度上, 4个季节PM2.5浓度下降最慢的均为雅安, 而浓度下降较快的城市在不同季节呈现出一定差异, 例如, 春季PM2.5浓度下降较快的城市主要是资阳、遂宁和内江; 夏季和秋季表现较为一致, 主要是内江、资阳和自贡; 冬季PM2.5浓度下降较快的城市主要是广安、遂宁和资阳.
综上所述, 2000~2021年成渝城市群PM2.5污染较为严重, 各年ρ(PM2.5)均值均超过环境空气质量标准(GB 3095-2012)所规定的35 μg·m-3, 尤其是冬季PM2.5污染最为突出, 但2000~2021年成渝城市群PM2.5浓度整体呈波动下降态势.在年际和季节尺度上, 自贡、内江、资阳和广安的PM2.5浓度均值较高且PM2.5浓度下降较快, 雅安PM2.5浓度均值较低且PM2.5浓度下降较慢.
3.1.2 成渝城市群PM2.5浓度空间变化特征由图 3(a)和表 2可知, 从整体上看, 成渝城市群年、春季、夏季、秋季和冬季ρ(PM2.5)均值分别在17.92~73.30、18.32~68.86、16.14~48.83、16.83~67.37和19.75~109.74 μg·m-3之间, PM2.5浓度均呈现出“中间高, 四周低”的空间分布格局.年际尺度上, 2000~2021年成渝城市群PM2.5浓度变化趋势呈现出明显的空间异质性, ρ(PM2.5)变化斜率在-1.70~-0.05 μg·(m3·a)-1之间, PM2.5浓度呈显著下降的面积占11.76%, 主要分布在重庆西部.季节尺度上, 夏季PM2.5浓度呈显著下降的面积占比最大, 为91.25%, 分布于成渝城市群全域; 春季PM2.5浓度呈显著下降的面积占比次之, 为41.02%, 主要分布在自贡、内江、重庆西部和成都东部等成渝城群中部; 冬季ρ(PM2.5)呈显著下降的面积占比最小, 为16.77%, 主要分布在重庆西部和东北部.
|
图 3 2000~2021年成渝城市群PM2.5浓度均值、变化斜率和显著性检验空间分布 Fig. 3 Spatial variation in the average, changing trend, and significance test of PM2.5 concentration in the Chengdu-Chongqing Urban Agglomeration from 2000 to 2021 |
|
|
表 2 2000~2021年成渝城市群PM2.5浓度变化显著性统计/% Table 2 Statistical results of the significance test of PM2.5 concentration in the Chengdu-Chongqing Urban Agglomeration from 2000 to 2021/% |
从各城市尺度上看, 2000~2021年成渝城市群年PM2.5浓度呈显著下降趋势的面积占比较大的主要是泸州(22.39%)、眉山(18.98%)和宜宾(18.17%), 而呈显著下降趋势面积最小的是达州(0.15%)、遂宁(0.04%)和南充(0.00%).季节尺度上, 春季成渝城市群PM2.5浓度呈显著下降趋势的面积占比较大的主要是遂宁(75.52%)、和广安(71.51%), 呈显著下降趋势面积最小的城市是自贡(10.99%).夏季成渝城市群PM2.5浓度呈显著下降趋势的面积占比较大的主要是资阳(99.43%)、自贡(97.09%)和内江(96.63%), 面积占比较小的城市主要是达州和雅安, 分别为5.88%和2.95%.秋季除乐山和雅安PM2.5浓度呈显著下降趋势的面积占比分别为74.32%和44.81%以外, 其余城市PM2.5浓度呈显著下降趋势的面积占比均高于85%, 其中, 南充、内江、遂宁和资阳PM2.5浓度呈显著下降趋势的面积占比均为100%.冬季成渝城市群各城市PM2.5浓度呈显著下降趋势的面积占比均较小, 除广安和重庆的面积占比分别为45.82%和33.37%外, 其余城市的面积占比均小于17%, 其中, 德阳PM2.5浓度呈显著下降趋势面积占比为0.00%.
综上所述, 2000~2021年成渝城市群PM2.5浓度在年际和季节尺度上均呈现出“中间高, 四周低”的空间分布格局.年际尺度上, PM2.5浓度呈显著下降的区域主要集中在重庆西部等地; 季节尺度上, 秋季PM2.5浓度呈显著下降的面积占比最大, 主要分布在南充、内江、遂宁和资阳等市, 而冬季PM2.5浓度呈显著下降的面积占比最小, 主要分布在广安和重庆.
3.2 成渝城市群PM2.5浓度影响因子多维探测 3.2.1 成渝城市群PM2.5浓度因子探测本文在年际尺度上探测2000、2010和2021年各驱动因子对成渝城市群PM2.5浓度空间分异的影响力, 并统计各年份影响力前3的影响因子以揭示驱动成渝城市群PM2.5浓度空间分异的主导因子, 结果如表 3所示.从整体上看, 2000~2021年成渝城市群PM2.5浓度空间分异的主要驱动因子为高程、坡度和路网密度.从各城市尺度上看, 2000~2021年各城市出现频率较高且影响力较大的单因子分别为：高程(成都、乐山、泸州、眉山和宜宾)、坡度(成都)、气温(德阳和绵阳)、日照时数(资阳)、相对湿度(南充和雅安)和路网密度(成都、重庆、达州、乐山、泸州、绵阳、内江、雅安、宜宾和自贡).
|
|
表 3 2000、2010和2021年成渝城市群因子前3探测q值 Table 3 Top three q values of influencing factors in the Chengdu-Chongqing Urban Agglomeration in 2000, 2010, and 2021 |
对各年份各人文因子、地形因子、植被因子和气候因子探测的q值取平均, 得出各年份四大因子影响力占比大小(图 4).从整体上看, 2000~2021年影响成渝城市群PM2.5浓度空间分异的因子影响力占比大小为：地形因子(40.14%)>人文因子(23.88%)>植被因子(23.14%)>气候因子(12.85%).此外, 2000~2021年, 地形因子的相对作用占比从51.39%上升至54.17%, 人文因子的相对作用占比从29.89%上升至34.51%, 而植被因子和气候因子的相对作用占比有所下降, 分别从30.52%降低至24.52%和从18.72%下降至11.32%.从各城市尺度上看, 2000~2021年受地形因子主导的城市主要有：成都、德阳、广安、乐山、泸州和宜宾; 受人文因子主导的城市主要有内江和自贡; 受植被因子主导的城市主要是眉山; 受气候因子主导的城市主要有重庆、达州、绵阳、南充、遂宁、雅安和资阳.地形因子和人文因子相对作用占比上升最为显著的城市均为南充, 下降最为显著的城市均为内江, 而气候因子相对作用占比上升最为显著的城市是内江, 下降最为显著的城市是南充, 植被因子相对作用占比上升最为显著的城市为资阳, 下降最为显著的城市是遂宁.
|
图 4 2000、2010和2021年成渝城市群PM2.5因子探测 Fig. 4 Influencing detection of PM2.5 concentration in the Chengdu-Chongqing Urban Agglomeration in 2000, 2010, and 2021 |
综上可知, 2000~2021年成渝城市群PM2.5浓度空间分异受地形、人文、植被和气候因子共同影响, 主要驱动因子为高程、坡度和路网密度, 地形因子对成渝城市群PM2.5空间分异相对作用最强, 气候因子成渝城市群PM2.5空间分异相对作用最弱, 且研究时段内, 地形因子和人文因子的相对作用呈递增趋势, 气候因子和植被因子的相对作用呈递减趋势.
3.2.2 成渝城市群PM2.5浓度交互探测如表 4所示, 2000~2021年成渝城市群PM2.5浓度影响因子的双因子作用q值整体上大于单因子q值, 各影响因子交互作用主要表现出双因子增强或非线性增强.从整体上看, 2000、2010和2021年成渝城市群浓度空间分异均受高程∩路网密度和高程∩坡度的影响.除此之外, 2000、2010和2021年成渝城市群PM2.5空间分异还分别受高程∩降水(0.47)、高程∩日照时数(0.76)和高程∩土地利用类型(0.68)的影响.
|
|
表 4 2000、2010和2021年成渝城市群前3交互探测q值 Table 4 Top three q values of interaction detection between influencing factors in the Chengdu-Chongqing Urban Agglomeration in 2000, 2010, and 2021 |
从各城市群尺度上看, 各城市PM2.5浓度空间分异受地形因子、气候因子和人文因子的综合作用.从2000、2010和2021年这3个年份中选取各城市出现频率较高且影响力较大的因子组合, 可以发现, 受地形因子∩气候因子组合较为明显的城市及平均组合影响力为：乐山[相对湿度∩高程(0.90)], 受地形因子∩人文因子组合较为明显的城市及平均组合影响力为：成都[高程∩路网密度(0.88)], 受气候因子∩人文因子组合较为明显的城市及平均组合影响力为：成都[路网密度∩气温(0.85)]、德阳[路网密度∩气温(0.91)]和乐山[路网密度∩相对湿度(0.92)].部分城市受单一类别影响因子的交互十分显著, 达州、眉山、雅安和资阳受单一气候因子交互作用(气候因子∩气候因子)十分显著, 内江和自贡受单一人文因子(人文因子∩人文因子)交互作用十分显著.
综上所述, 2000~2021年影响成渝城市群PM2.5空间分异较为显著的交互组合主要是高程与路网密度、坡度、降水、日照时数和土地利用类型.受地形因子∩气候因子组合较为明显的城市为乐山, 受地形因子∩人文因子组合较为明显的城市为成都, 受气候因子∩人文因子组合较为明显的城市为成都、德阳和乐山, 达州、眉山、雅安和资阳受单一气候因子(气候因子∩气候因子)交互作用十分显著, 内江和自贡受单一人文因子(人文因子∩人文因子)交互作用十分显著.
4 讨论2000~2021年成渝城市群PM2.5浓度呈现出“中间高, 四周低”的空间分布特征, 近年来PM2.5浓度整体呈波动下降趋势, 呈下降趋势的面积覆盖全域, 这与已有的结论一致[23~25].结合因子探测结果可知, 人文因子对成渝城市群PM2.5空间分异的影响力呈上升趋势.自2003年以来, 中国国务院启动了大气污染防治重点(APPCK)计划和大气污染防治行动计划等多项大气污染治理措施[26~28], 以减小环境污染和经济发展之间的矛盾.这可能是使得成渝城市群PM2.5浓度呈下降趋势的原因之一.成渝城市群冬季PM2.5污染相较于其余季节更为严重.一方面, 受冬季冷空气和产业耗能增加的影响, PM2.5产量高, 但扩散速率降低, 大量的PM2.5在四川盆地内形成堆积, 另一方面, 成渝城市群冬季降水较少, PM2.5沉降和溶解速率减慢, 导致冬季PM2.5污染达到顶峰, 这与已有研究的结论基本一致[29~32].
成渝城市群PM2.5浓度污染严重, PM2.5浓度呈显著下降的区域集中在重庆西部等地带.PM2.5的一次源, 即最初产生来源, 主要为汽车尾气、工业废气排放和土壤扬尘等, 以上来源和城市工业化息息相关[33~35].除此以外, PM2.5浓度和城市化进程有着密切的联系[36~38].由刘青云等[39]的研究可知, 成渝城市群具有较高的城市紧凑性, 而紧凑型的城市分布格局在成渝城市群PM2.5的污染中起到了负面作用[23], 这可能是导致成渝城市群PM2.5污染较为严重的原因之一.加之, 重庆西部位于成渝城市群中心地带, 地势相对平缓, 受盆地地形和风速的影响[24], PM2.5容易形成堆积, 导致该区域PM2.5污染严重.已有研究表明, 中国经济发达地带的PM2.5污染控制效率(PPCE)显著高于欠发达地带, 技术进步是提高PPCE的重要因素[40], 重庆经济水平较高[41], 且在PM2.5的治理上与周边川东北城市群和川南城市群建立大气污染联防联控工作[42], 这可能是使得重庆西部地带PM2.5浓度呈显著下降的原因之一, 这与地理探测结果基本一致.
高程、坡度和路网密度是影响成渝城市群PM2.5空间分异的最主要因子, 地形因子∩人文因子对成渝城市群PM2.5空间分异的影响十分显著.路网密度在一定程度上能够体现出汽车排放对于PM2.5的贡献强度, 而汽车排放是PM2.5产生的重要来源[43, 44], 深刻地影响着区域PM2.5浓度变化.由郭晓梅等[45]的研究可知, 地形在四川盆地PM2.5的贡献中约占70%, 是成渝城市群PM2.5污染问题的核心要素.值得一提的是, 已有研究表明, 植被具有降低PM2.5的功能[46~48], 南充、遂宁、雅安和资阳等城市的PM2.5空间分异受植被因子影响显著.因此, 在防治成渝城市群PM2.5污染问题时, 应当具备全局视野, 节能减排的同时需要注重合理规划工业产业布局和交通线路, 减弱地形因子对PM2.5污染的负面作用, 同时要在主要道路和山地进行植被保护, 多方位协同治理PM2.5污染.
2000~2021年地形因子和人文因子对成渝城市群PM2.5空间分异的相对作用呈上升趋势, 而气候因子和植被因子的相对作用呈下降趋势.结合时空分析结论可知, 成渝城市群PM2.5整体呈下降趋势, 这一定程度上能够反映出地形因子和人文因子在降低PM2.5上产生了一定的正向作用, 而植被因子和气候因子在一定程度上起到了负向作用.从人文因子上看, 随着国家提出“十五计划”[49]和“气十条”[50]等相关环保政策, 极大地推动人类活动朝向减轻PM2.5的方向发展, 使得人文因子的相对作用不断增强, 这与已有研究的结论一致[26~28].从气候因子上看, 受全球变暖趋势的影响, 成渝城市群近年来温度不断攀升, 空气湿度下降, 干旱严重, 高温天气促进了PM2.5污染加剧, 这可能是导致气候因子相对作用呈下降趋势的原因之一, 这与已有的研究结论基本一致[51~53].从植被因子上看, 吴小波等[54]和Peng等[55]的研究发现, 成渝城市群整体植被覆盖度呈上升趋势, 但中部地带植被覆盖呈现出一定的下降趋势, 生态环境不断恶化.而结合空间分析可知, 成渝城市群中部地区为PM2.5重灾区, 植被的减少和生态环境的恶化可能是导致成渝城市群植被因子对PM2.5空间分异的相对作用减小的原因之一.
5 结论(1) 2000~2021年成渝城市群PM2.5污染严重, 从年尺度上看, PM2.5浓度最大值出现在2013年, PM2.5浓度最小值出现在2020年.从季节尺度看, 冬季PM2.5污染最为严重, 夏季PM2.5污染最轻.近年来, 成渝城市群PM2.5浓度整体呈波动下降态势.自贡、内江、资阳和广安的PM2.5浓度均值较高且PM2.5浓度下降较快, 雅安PM2.5浓度均值较低且PM2.5浓度下降较慢.
(2) 2000~2021年渝城市群PM2.5浓度变化趋势呈现出明显的空间异质性, PM2.5浓度分布呈现出“中间高, 四周低”的形态.成渝城市群PM2.5浓度全域均呈下降趋势, PM2.5浓度呈显著下降的区域主要集中在重庆西部等地带, 秋季PM2.5浓度呈显著下降的面积最大, 南充、内江、遂宁和资阳最为突出, 冬季PM2.5浓度呈显著下降的面积最小, 德阳最为突出.
(3) 2000~2021年成渝城市群PM2.5空间分异受气候、地形、植被和人文因子共同影响, 主要驱动因子为高程、坡度和路网密度, 地形因子对成渝城市群PM2.5空间分异相对作用最强, 气候因子成渝城市群PM2.5空间分异相对作用最弱, 并且地形因子和人文因子的相对作用呈递增趋势, 气候因子和植被因子的相对作用呈递减趋势.
(4) 2000~2021年影响成渝城市群PM2.5空间分异较为显著的交互组合主要是高程与路网密度、坡度、降水、日照时数和土地利用类型.达州、眉山、雅安和资阳受单一气候因子交互作用十分显著, 内江和自贡受单一人文因子交互作用十分显著.
| [1] | Gao X, Li W D. A graph-based LSTM model for PM2.5 forecasting[J]. Atmospheric Pollution Research, 2021, 12(9). DOI:10.1016/j.apr.2021.101150 |
| [2] | 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 |
| [3] |
张哲, 乔利平, 周敏, 等. 环境空气PM2.5化学组分监测数据审核指标的建立: 以长三角地区为例[J]. 环境科学, 2020, 41(11): 4786-4802. Zhang Z, Qiao L P, Zhou M, et al. Audit indicators and suggested ranges for data validation of chemical components in ambient PM2.5: a case study of the Yangtze River Delta[J]. Environmental Science, 2020, 41(11): 4786-4802. |
| [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] | Yang X R, Zhang T C, Zhang Y, et al. Global burden of COPD attributable to ambient PM2.5 in 204 countries and territories, 1990 to 2019: a systematic analysis for the Global Burden of Disease Study 2019[J]. Science of the Total Environment, 2021, 796. DOI:10.1016/j.scitotenv.2021.148819 |
| [8] | 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 |
| [9] |
姚青, 杨旭, 唐颖潇, 等. 京津冀城市群冬季二次PM2.5的时空分布特征[J]. 环境科学, 2023, 44(5): 2421-2429. Yao Q, Yang X, Tang Y X, et al. Spatio-temporal distribution characteristics of secondary aerosol in Beijing-Tianjin-Hebei urban agglomeration in Winter[J]. Environmental Science, 2023, 44(5): 2421-2429. |
| [10] | Xu W T, Yao L, Fu X C, et al. Response of PM2.5 variations to changing urbanization process in different climatic backgrounds of China[J]. Urban Climate, 2022, 45. DOI:10.1016/j.uclim.2022.101273 |
| [11] |
牛笑笑, 钟艳梅, 杨璐, 等. 2015-2020年中国城市PM2.5-O3复合污染时空演变特征[J]. 环境科学, 2023, 44(4): 1830-1840. Niu X X, Zhong Y M, Yang L, et al. Spatiotemporal evolution characteristics of PM2.5-O3 compound pollution in Chinese cities from 2015 to 2020[J]. Environmental Science, 2023, 44(4): 1830-1840. |
| [12] | Casallas A, Castillo-Camacho M P, Guevara-Luna M A, et al. Spatio-temporal analysis of PM2.5 and policies in Northwestern South America[J]. Science of the Total Environment, 2022, 852. DOI:10.1016/j.scitotenv.2022.158504 |
| [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] |
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): 5343-5353. 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): 5343-5353. |
| [15] |
张军, 金梓函, 王玥, 等. 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 J, Jin Z H, Wang Y, et al. 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. |
| [16] | Lu H, Zhang C, Jiao L D, et al. Analysis on the spatial-temporal evolution of urban agglomeration resilience: a case study in Chengdu-Chongqing Urban Agglomeration, China[J]. International Journal of Disaster Risk Reduction, 2022, 79. DOI:10.1016/j.ijdrr.2022.103167 |
| [17] | Liu X P, Zou B, Feng H H, et al. Anthropogenic factors of PM2.5 distributions in China's major urban agglomerations: a spatial-temporal analysis[J]. Journal of Cleaner Production, 2020, 264. DOI:10.1016/j.jclepro.2020.121709 |
| [18] | Bai L, Jiang L, Yang D Y, et al. Quantifying the spatial heterogeneity influences of natural and socioeconomic factors and their interactions on air pollution using the geographical detector method: a case study of the Yangtze River Economic Belt, China[J]. Journal of Cleaner Production, 2019, 232: 692-704. DOI:10.1016/j.jclepro.2019.05.342 |
| [19] | Wei J, Li Z Q, Lyapustin A, et al. Reconstructing 1-km-resolution high-quality PM2.5 data records from 2000 to 2018 in China: spatiotemporal variations and policy implications[J]. Remote Sensing of Environment, 2021, 252. DOI:10.1016/j.rse.2020.112136 |
| [20] | Wei J, Li Z Q, Cribb M, et al. Improved 1 km resolution PM2.5 estimates across China using enhanced space-time extremely randomized trees[J]. Atmospheric Chemistry and Physics, 2020, 20(6): 3273-3289. DOI:10.5194/acp-20-3273-2020 |
| [21] |
徐勇, 李欣怡, 黄雯婷, 等. 2000-2020年中国典型经济区PM2.5时空变化及其与植被景观格局的关系[J]. 环境科学, 2023, 44(4): 1852-1864. Xu Y, Li X Y, Huang W T, et al. Spatio-temporal variation of PM2.5concentration and its relationship with vegetation landscape patterns in typical economic zones, China from 2000 to 2020[J]. Environmental Science, 2023, 44(4): 1852-1864. |
| [22] |
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. |
| [23] | Shi K F, Li Y, Chen Y, et al. How does the urban form-PM2.5 concentration relationship change seasonally in Chinese cities? A comparative analysis between national and urban agglomeration scales[J]. Journal of Cleaner Production, 2019, 239. DOI:10.1016/j.jclepro.2019.118088 |
| [24] |
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. |
| [25] |
李琛, 吴映梅, 高彬嫔, 等. 西南地区PM2.5人口暴露风险时空演变及与景观格局关联分析[J]. 长江流域资源与环境, 2022, 31(9): 2035-2047. Li C, Wu Y M, Gao B P, et al. Spatialotemporal evolution of PM2.5 population exposure risk and correlation with landscape patterns in Southwest China[J]. Resources and Environment in the Yangtze Basin, 2022, 31(9): 2035-2047. |
| [26] | Wang S J, Zhou C S, Wang Z B, et al. The characteristics and drivers of fine particulate matter (PM2.5) distribution in China[J]. Journal of Cleaner Production, 2017, 142: 1800-1809. DOI:10.1016/j.jclepro.2016.11.104 |
| [27] | Li X Z, Du K R, Ouyang X L, et al. Does more stringent environmental regulation induce firms' innovation? Evidence from the 11th Five-year plan in China[J]. Energy Economics, 2022, 112. DOI:10.1016/j.eneco.2022.106110 |
| [28] |
周杨, 罗彬, 杨文文, 等. 基于2012—2018年内江市PM2.5化学组分变化对《大气污染防治行动计划》实施效果的评估[J]. 环境科学研究, 2020, 33(3): 563-571. Zhou Y, Luo B, Yang W W, et al. Evaluation of effects of air pollution prevention and control action plan based on variations of chemical components in PM2.5 during 2012-2018 in Neijiang City[J]. Research of Environmental Sciences, 2020, 33(3): 563-571. |
| [29] | Shao M, Xu X Y, Lu Y T, et al. Spatio-temporally differentiated impacts of temperature inversion on surface PM2.5 in eastern China[J]. Science of the Total Environment, 2023, 855. DOI:10.1016/j.scitotenv.2022.158785 |
| [30] | Yang Q Q, Yuan Q Q, Yue L W, et al. Investigation of the spatially varying relationships of PM2.5 with meteorology, topography, and emissions over China in 2015 by using modified geographically weighted regression[J]. Environmental Pollution, 2020, 262. DOI:10.1016/j.envpol.2020.114257 |
| [31] | Tai A P K, Mickley L J, Jacob D J. Correlations between fine particulate matter (PM2.5) and meteorological variables in the United States: implications for the sensitivity of PM2.5 to climate change[J]. Atmospheric Environment, 2010, 44(32): 3976-3984. DOI:10.1016/j.atmosenv.2010.06.060 |
| [32] | Zhang H D, Jiang Q, Wang J K, et al. Analysis on the impact of two winter precipitation episodes on PM2.5 in Beijing[J]. Environmental Science and Ecotechnology, 2021, 5. DOI:10.1016/j.ese.2021.100080 |
| [33] |
韩立建. 城市化与PM2.5时空格局演变及其影响因素的研究进展[J]. 地理科学进展, 2018, 37(8): 1011-1021. Han L J. Relationship between urbanization and urban air quality: an insight on fine particulate dynamics in China[J]. Progress in Geography, 2018, 37(8): 1011-1021. |
| [34] |
周曙东, 欧阳纬清, 葛继红. 京津冀PM2.5的主要影响因素及内在关系研究[J]. 中国人口·资源与环境, 2017, 27(4): 102-109. Zhou S D, Ouyang W Q, Ge J H. Study on the main influencing factors and their intrinsic relations of PM2.5 in Beijing-Tianjin-Hebei[J]. China Population, Resources and Environment, 2017, 27(4): 102-109. |
| [35] | Han X Y, CAO T Y. Urbanization level, industrial structure adjustment and spatial effect of urban haze pollution: evidence from China's Yangtze River Delta urban agglomeration[J]. Atmospheric Pollution Research, 2022, 13(6). DOI:10.1016/j.apr.2022.101427 |
| [36] | Gupta M, Saini S, Sahoo M. Determinants of ecological footprint and PM2.5: role of urbanization, natural resources and technological innovation[J]. Environmental Challenges, 2022, 7. DOI:10.1016/j.envc.2022.100467 |
| [37] | She Q N, Cao S S, Zhang S Q, et al. The impacts of comprehensive urbanization on PM2.5 concentrations in the Yangtze River Delta, China[J]. Ecological Indicators, 2021, 132. DOI:10.1016/j.ecolind.2021.108337 |
| [38] | Chen G J, Hu Y, Zhang R, et al. Evolution of South-North transport and urbanization effects on PM2.5 distribution with increased pollution levels in Beijing[J]. Sustainable Cities and Society, 2021, 72. DOI:10.1016/j.scs.2021.103060 |
| [39] |
刘清云, 范俊甫, 陈政, 等. 夜间灯光遥感数据一致性校正下成渝城市群扩张分析[J]. 测绘科学, 2022, 47(6): 99-108. Liu Q Y, Fan J F, Chen Z, et al. Expansion analysis of Chengdu-Chongqing urban agglomeration under nighttime light remote sensing data consistency correction[J]. Science of Surveying and Mapping, 2022, 47(6): 99-108. |
| [40] | Zhang Y, Chen X, Mao Y Y, et al. Analysis of resource allocation and PM2.5 pollution control efficiency: evidence from 112 Chinese cities[J]. Ecological Indicators, 2021, 127. DOI:10.1016/j.ecolind.2021.107705 |
| [41] |
王一, 郝利娜, 赵美龄, 等. 2001—2018年重庆植被NDVI变化及其对气候因子和人类活动的响应[J]. 水土保持研究, 2021, 28(5): 222-229. Wang Y, Hao L N, Zhao M L, et al. Variation of vegetation NDVI and its response to climatic factors and human activities in Chongqing from 2001 to 2018[J]. Research of Soil and Water Conservation, 2021, 28(5): 222-229. |
| [42] |
蒲茜, 李振亮, 曹云擎, 等. 重庆市2015—2020年秋冬季PM2.5污染传输路径与潜在源贡献分析[J]. 环境科学学报, 2022, 42(5): 49-59. Pu X, Li Z L, Cao Y Q, et al. Transport pathways and potential source contribution of PM2.5 pollution in Chongqing from 2015 to 2020[J]. Acta Scientiae Circumstantiae, 2022, 42(5): 49-59. |
| [43] | Lin S Y, Liu Y, Chen H B, et al. Impact of change in traffic flow on vehicle non-exhaust PM2.5 and PM10emissions: a case study of the M25 motorway, UK[J]. Chemosphere, 2022, 303. DOI:10.1016/j.chemosphere.2022.135069 |
| [44] | Wang B Q, Li Y N, Tang Z Z, et al. Effects of vehicle emissions on the PM2.5 dispersion and intake fraction in urban street canyons[J]. Journal of Cleaner Production, 2021, 324. DOI:10.1016/j.jclepro.2021.129212 |
| [45] |
郭晓梅. 四川盆地空气质量气候特征及其大地形影响效应的观测模拟研究[D]. 南京: 南京信息工程大学, 2016. Guo X M. Observed and simulated research on climate characteristic of air quality and the topographic induced effects in Sichuan Basin[D]. Nanjing: Nanjing University of Information Science & Technology, 2016. |
| [46] | Huang Q Y, Xu C, Jiang W Y, et al. Urban compactness and patch complexity influence PM2.5 concentrations in contrasting ways: evidence from the Guangdong-Hong Kong-Macao Greater Bay Area of China[J]. Ecological Indicators, 2021, 133. DOI:10.1016/j.ecolind.2021.108407 |
| [47] | Wu J S, Luo K Y, Wang Y, et al. Urban road greenbelt configuration: the perspective of PM2.5 removal and air quality regulation[J]. Environment International, 2021, 157. DOI:10.1016/j.envint.2021.106786 |
| [48] | Sheng Q Q, Zhang Y L, Zhu Z L, et al. An experimental study to quantify road greenbelts and their association with PM2.5 concentration along city main roads in Nanjing, China[J]. Science of the Total Environment, 2019, 667: 710-717. |
| [49] |
黄俊, 廖碧婷, 王春林, 等. 广州市PM2.5污染特征及潜在贡献源区分析[J]. 环境科学与技术, 2019, 42(4): 109-118. Huang J, Liao B T, Wang C L, et al. Analysis of the characteristics and potential source contribution of PM2.5 pollution in Guangzhou[J]. Environmental Science & Technology, 2019, 42(4): 109-118. |
| [50] | Chen L L, Wu Z F, Tu W, et al. Applying LUR model to estimate spatial variation of PM2.5 in the Greater Bay Area, China[A]. In: Li L X, Zhou X L, Tong W T (Eds. ). Spatiotemporal Analysis of Air Pollution and Its Application in Public Health[M]. Amsterdam: Elsevier, 2020. 207-215, doi: 10.1016/B978-0-12-815822-7.00010-8. |
| [51] | Li C B, Adu B, Wu J, et al. Spatial and temporal variations of drought in Sichuan Province from 2001 to 2020 based on modified temperature vegetation dryness index (TVDI)[J]. Ecological Indicators, 2022, 139. DOI:10.1016/j.ecolind.2022.108883 |
| [52] | Yuan J C, Lin Q Y, Chen S S, et al. Influence of global warming and urbanization on regional climate of Megacity: a case study of Chengdu, China[J]. Urban Climate, 2022, 44. DOI:10.1016/j.uclim.2022.101227 |
| [53] | Wang Y R, Hessen D O, Samset B H, et al. Evaluating global and regional land warming trends in the past decades with both MODIS and ERA5-Land land surface temperature data[J]. Remote Sensing of Environment, 2022, 280. DOI:10.1016/j.rse.2022.113181 |
| [54] |
吴小波, 范晓雨, 刘晓敬, 等. 基于Google Earth Engine云平台的成渝城市群生态环境质量时空变化[J]. 生态学杂志, 2023, 42(3): 759-768. Wu X B, Fan X Y, Liu X J, et al. Temporal and spatial changes of ecological quality of Chengdu-Chongqing Urban Agglomeration based on Google Earth Engine cloud platform[J]. Chinese Journal of Ecology, 2023, 42(3): 759-768. |
| [55] | Peng W F, Kuang T T, Tao S. Quantifying influences of natural factors on vegetation NDVI changes based on geographical detector in Sichuan, western China[J]. Journal of Cleaner Production, 2019, 233: 353-367. |