2024, Vol. 45
2. 海南省南海气象防灾减灾重点实验室, 海口 570203;
3. 海南省气象台, 海口 570203;
4. 中国科学院大气物理研究所东亚区域气候⁃环境重点实验室, 北京 100029
2. Key Laboratory of South China Sea Meteorological Disaster Prevention and Mitigation of Hainan Province, Haikou 570203, China;
3. Hainan Meteorological Observatory, Haikou 570203, China;
4. Key Laboratory of Regional Climate-Environment Research for Temperate East Asia, Institute of Atmospheric Physics, Chinese Academy of Sciences, Beijing 100029, China
随着我国经济的快速发展和化石燃料的大量消耗, 工业发展和城市化进程明显加快. 同时也给环境带来巨大压力, 建筑扬尘、燃煤废气和汽车尾气排放等急剧上升, 以大气颗粒物为首要污染物的空气污染问题日趋严重, 引起了社会极大关注[1~3]. 有研究表明, 大气颗粒物易吸附有害物质及微生物, 通过呼吸作用进入人体并损害人体健康[4, 5]. 特别是细颗粒物（PM2.5, 空气动力学当量直径为0~2.5 μm）, 因其更容易吸附有害物质, 对人体的危害影响更大[6~8]. 此外, 大气中PM2.5浓度的增加还会加剧霾污染[9], 对云量变化[10]、季风强度和地-气系统辐射平衡[11]等造成影响, PM2.5污染一直是我国大气污染防治攻坚的焦点.
PM2.5已成为影响我国城市空气质量的重要污染物之一, 近年来受到国内外学者的高度关注[12~14]. 目前针对我国不同区域PM2.5污染的研究主要集中在时空分布特征[15, 16]、前体物和气象因子等影响因素对PM2.5浓度的影响[17, 18], 以及潜在贡献源区[19]等3个方面, 得到了很多有意义的成果. 在时空分布方面, 赵晨曦等[20]分析了北京地区冬春两季大气颗粒物空间分布, 发现PM2.5浓度从北部山区到南部地区逐渐递增, 局部地区存在一定的城乡差异. 郭家瑜等[21]分析2015年北京市12个环境检测站资料, 发现城区PM2.5浓度明显高于郊区. 在影响因素方面, 王琴等[22]测定了北京市8个站点PM2.5中元素碳、有机碳、水溶性离子和无机元素的浓度水平, 结合PMF模型发现PM2.5的主要来源为二次源、燃煤、地面扬尘、机动车排放、工业源和建筑尘等. 王丛梅等[23]研究发现气象条件异常造成了2013年1月河北省中南部的严重大气污染事件. 李崇等[24]分析沈阳一次严重污染天气过程发现, 稳定的大尺度环流和对流层内中低层大气层结持续稳定是此次污染发生的主要原因. 在潜在贡献源区方面, 王世强等[25]研究发现广州地区PM2.5浓度受6条输送通道影响, 其中受局地和东北路径影响时对应的PM2.5浓度最大, 而潜在贡献源区主要为湖南东南部、江西中部及东南沿海等地. 潘勇等[26]对长三角地区2015年1月一次典型PM2.5区域重污染进行了数值模拟, 结果表明外来区域污染输送是导致此次污染发生的一个重要原因, 其中外来区域贡献为浙江北部、安徽和海洋.
海南是我国唯一的热带海岛旅游省份, 环境优美, 生态良好. 海南岛位于南海北部, 与广东毗邻, 年平均降水量在1 000~2 388 mm之间, 气温年较差较小, 夏半年受偏南气流影响, 冬半年受偏北气流影响[27]. 近些年来海南省政府高度重视空气质量的改善工作, 出台了一系列减排政策和措施, 并取得了很好的效果. 2020年全岛平均的PM2.5浓度只为13 μg·m-3, 较2015年下降了33.8%[28], 同时也明显偏低于与海南省毗邻的广东省（20 μg·m-3）. 但随着减排空间的逐步缩小, 空气质量持续改善面临瓶颈. 本文基于2015~2021年全岛空气质量监测数据和气象数据, 首先分析了全岛PM2.5浓度的年际变化和季节变化特征, 其次讨论了气态影响因子和气象因子与PM2.5浓度的相关关系并提取了主控因子, 最后探讨了季节性区域传输和潜在贡献源区等, 以期为制定海南岛PM2.5污染防治政策和预报预测提供科学依据.
1 材料与方法 1.1 数据资料2015年开始, 空气质量监测站点在海南岛全面铺开, 站点数共计32个, 监测要素包括SO2、NO2、PM10、PM2.5、CO和O3[29]. 本文选取了逐日的PM2.5和4类气态污染物浓度（SO2、NO2、CO和O3）进行分析, 其中O3浓度取为最大8 h滑动平均（O3-8h）, 资料来自海南省生态环境厅. 气象观测站共18个, 观测要素为常规气象要素, 包括日平均气温、日降水量、平均风速、相对湿度、大气压、日照时数和太阳总辐射, 目前太阳总辐射观测仪器只在海口市和三亚市布设, 因此太阳总辐射数据只有海口市和三亚市两个站点资料, 气象观测资料来自海南省气象局. 所有资料年限均为2015~2021年（共计7 a）, 本文所用的所有站点地理位置见图 1所示.
|
图 1 海南岛空气质量监测站和气象观测站分布 Fig. 1 Distribution of air quality monitoring stations and meteorological observation stations in Hainan Island |
本文对海南岛PM2.5浓度进行主控因子分析时, 用到了多元线性回归模型方法. 多元线性回归模型方法认为因变量受多个自变量影响, 且因变量与多个自变量之间是线性关系时, 根据最小二乘准则, 将因变量的变化用自变量建立起近似的表达式, 并对因变量进行预测和控制. 具体方法如下.
假设因变量y同时受到k个自变量x1，x2，x3，…，xk的影响, 其n组观测值为ya，xa1，xa2，xa3，…，xak（a=1，2，3，…，n）, 则多元回归模型的结构形式为：
|
(1) |
式中, ，β0为截距, β1，β2，…，βk称为回归系数, εa为随机变量[30].
1.2.2 后向轨迹模型和聚类分析后向轨迹模型（hybrid single particle lagrangian integrated trajectory model, HYSPLIT）是目前较为常见的用于分析各种大气污染物排放源的模型之一. 该模型能够计算大气污染物输送, 模拟分析污染物扩散轨迹和气流路径等, 已经广泛应用于各类污染物输送路径和潜在贡献源区分析[31, 32]. 聚类分析是指在计算获得大量气流后向轨迹后, 将其中相似方向和速率的轨迹进行合并归类以代表一类气团输送路径的方法[33]. 本文以海口市（20.0°N, 110.25°E）作为海南岛代表并设为起始点, 模拟高度取500 m（为边界层中层）, 利用HYSPLIT后向轨迹模型计算了2015~2021年每日20：00（北京时）72 h影响气流后向轨迹, 并按春（3~5月）、夏（6~8月）、秋（9~11月）和冬（12月至次年2月）季分别进行后向轨迹聚类分析, 以获得海南岛4季的PM2.5输送路径[34]. HYSPLIT后向轨迹模型使用的气象数据为全球资料同化系统（GDAS）数据.
1.2.3 潜在源区贡献因子算法（PSCF）和权重轨迹方法（CWT）本文采用了潜在源贡献因子算法（potential source analysis function, PSCF）和权重轨迹分析法（concentration weight tranjectory, CWT）来分析海南岛PM2.5污染的潜在贡献源区. PSCF方法是利用污染轨迹和所有轨迹在途经区域停留时间的比值来表征每个区域对受体点的污染贡献, CWT方法是在PSCF的基础上, 进一步定量计算权重浓度来表征具体的网格贡献[34]. 一般认为两者重合区域是主要潜在贡献源区[35]. 本研究将海南岛18个市县2015~2021年逐日的PM2.5浓度进行平均, 并将有一个及其以上市县出现PM2.5浓度超标（＞75 μg·m-3）的当日平均值取为76 μg·m-3, 构建出既能表征海南岛总体PM2.5浓度变化情况, 又能体现海南岛PM2.5污染的数据集, 并放至HYSPLIT后向轨迹模型中进行PM2.5潜在贡献源区计算. 具体的方法介绍、网格设置和权重函数选取等可参考文献[33].
2 结果与讨论 2.1 海南岛PM2.5污染特征为了研究海南岛PM2.5污染特征, 本文定义了海南岛PM2.5污染日, 其概念为1 d中有1个及其以上市县ρ（PM2.5）超过75 μg·m-3（国家环境空气质量标准二级浓度限值）, 则认为当天为海南岛PM2.5污染日. 图 2给出了海南岛18个市县平均的2015~2021年PM2.5浓度与污染日的逐日变化, 其表明, 海南岛PM2.5浓度季节性变化非常明显, 全岛平均的ρ（PM2.5）最高值出现在冬季（表 1）, 为22.6 μg·m-3, 秋季和春季次之, 分别为17.38 μg·m-3和16.30 μg·m-3, 夏季最低, 只为9.79 μg·m-3, 这与前人的研究基本一致[28]. 统计表明, 近7年海南岛共出现了30 d的PM2.5污染日, 其中2015年最多, 达到了20 d, 超标率为5.48%. 2016~2021年PM2.5污染日分别为1 d（2016年）、3 d（2017年）、3 d（2018年）、2 d（2019年）、0 d（2020年）和1 d（2021年）, 主要出现在冬季和秋季. 从年际变化上可知, 海南岛PM2.5浓度有显著的下降趋势, 近年来海南省政府出台了一系列减排政策和措施, PM2.5浓度管控取得明显成效.
|
图 2 2015~2021年海南岛PM2.5浓度与污染日的逐日变化 Fig. 2 Daily variation in PM2.5 concentration and PM2.5 polluted days in Hainan Island from 2015 to 2021 |
|
表 1 2015~2021年海南岛年平均和四季PM2.5浓度变化 Table 1 Variation in annual average and seasonal PM2.5 in Hainan Island from 2015 to 2021 |
图 3进一步给出了年平均和4个季节海南岛PM2.5浓度的年际变化. 从中可以看出, 年平均和4季海南岛PM2.5浓度均出现了显著的下降趋势（表 1）, 其气候倾向率[μg·（m3·a）-1]分别为-0.97（年平均）、-1.09（春季）、-0.61（夏季）、-0.83（秋季）和-1.25（冬季）. 其中年平均的PM2.5浓度下降最快, 气候趋势系数达到了-0.977, 通过了0.001的显著性检验. 对比而言, 春季、夏季和冬季下降更为显著, 气候趋势系数均在-0.8以上, 通过了0.01的显著性检验, 而秋季只为-0.651, 通过0.1的显著性检验. 秋季是海南岛主要的空气污染季节[36], 冷空气南下引起的污染物外源输送增强, 光化学反应生成的PM2.5（二次源）增加了海南岛PM2.5来源的复杂性. 秋季海南岛PM2.5浓度下降相对缓慢值得关注.
|
图 3 2015~2021年海南岛年平均和四季PM2.5浓度年际变化 Fig. 3 Interannual variations in annual average and seasonal PM2.5 in Hainan Island from 2015 to 2021 |
2015~2021年海南岛日平均的PM2.5浓度与气态污染物浓度相关性见图 4所示. 从中可见, 海南岛PM2.5浓度均与4类气态污染物呈现显著的正相关关系（表 2）, 相关系数分别为0.471（SO2）、0.633（NO2）、0.479（CO）和0.773（O3-8h）, 均达到了0.01的显著性水平. SO2和NO2是PM2.5的重要前体物, 在气温偏低的冬半年, 大气湿度增加, 会促进气粒转化生成硫酸盐和硝酸盐, 从而进一步导致大气中PM2.5浓度升高[37]. 对流层O3作为大气的二次污染物, 其主要来源为光化学反应生成[38]. 一方面, 秋冬季节海南岛低层受偏北气流控制, 偏北气流携带大量的O3前体物输送至海南岛, 加上纬度偏低, 太阳辐射偏强, 气温偏高, 大气氧化性增高, 海南岛O3生成速率加快, 频繁的光化学反应促进了PM2.5生成（二次源）[39]；另一方面, 海南岛PM2.5浓度总体偏低, 大气颗粒物对太阳辐射的消光作用相对较小, 导致PM2.5浓度与O3呈正相关关系. CO是光化学反应的中间产物之一, 其浓度越高, 体现了光化学反应速率越快, 其浓度与PM2.5浓度也呈显著的正相关性. 海南岛PM2.5浓度影响因素相对较多, 其内在机制还有待于进一步研究.
|
图 4 2015~2021年日平均PM2.5浓度与气态污染物浓度的相关性 Fig. 4 Correlation analysis of daily average PM2.5 and gaseous pollutants from 2015 to 2021 |
|
|
表 2 2015~2021年PM2.5浓度与气态污染物和气象因子的相关系数1） Table 2 Correlation coefficients between PM2.5 and gaseous pollutants and meteorological factors from 2015 to 2021 |
海南岛日平均PM2.5浓度与7类气象因子的相关性如图 5所示, 从中可以清楚发现, 海南岛PM2.5浓度与大气压和平均风速呈正相关关系, 而与降水量、相对湿度、日照时数、平均气温和总辐射呈负相关关系, 其中与降水量、相对湿度、平均气温和大气压的相关系数通过了0.01的显著性检验. 降雨可以通过湿沉降清除大气中悬浮的颗粒物, 有利于PM2.5浓度降低, 二者的相关系数为-0.288（P＜0.01）. 相对湿度偏小时, 一方面, 城市裸露地面起尘和二次扬尘的几率偏大[40]；另一方面, 有利于光化学反应速率加快, PM2.5二次来源增多, 二者的相关系数为-0.330（P＜0.01）. 日照时数和太阳总辐射与PM2.5浓度呈弱的负相关性, 相关系数没有通过显著性检验. 一般而言, 日照时数越长, 太阳辐射越强, 越有利于光化学反应, 促进大气中PM2.5的二次来源, 但夏半年是海南岛主要的降雨季节, 较大的降雨不利于PM2.5浓度的升高, 因此海南岛日照时数和太阳总辐射与PM2.5浓度呈负相关性. 平均气温能够表征大气的垂直扩散能力. 一般而言, 气温偏高, 垂直湍流加剧, 有利于增强大气垂直输送能力, 加快PM2.5在大气低层与高层的交换作用, 促进PM2.5浓度降低, 因此PM2.5浓度与平均气温呈负相关关系, 相关系数达到了-0.504（P＜0.01）. 海南岛PM2.5浓度与大气压呈显著的正相关关系, 相关系数高达0.51（P＜0.01）. 大气压的变化与大气环流形势密切相关, 当海南岛受高压控制时, 大气层结相对稳定, 逆温强度大, 抑制PM2.5向上输送；反之, 海南岛受低压影响时, 大气层结不稳定, 大气垂直运动加强, 有利于PM2.5向上扩散, 进而降低浓度. 海南岛PM2.5浓度与平均风速呈弱的正相关关系, 一般而言, 风速越大, 越有利于大气颗粒物的水平扩散, PM2.5浓度越低, 而PM2.5浓度与平均风速的正相关关系表明, 平均风速对海南岛PM2.5主要起到输送作用, 在冬季风的影响下, 风速越大, 越有利于北方的颗粒物输送至海南岛, 致使PM2.5浓度升高.
|
图 5 2015~2021年PM2.5浓度与气象因子的相关性 Fig. 5 Correlation analysis of daily average PM2.5 and meteorological factors from 2015 to 2021 |
基于多元线性回归模型, 选取了4类气态污染物和7类气象要素来构建海南岛PM2.5浓度的多元线性回归方程, 其中气态污染物包括SO2、NO2、CO和O3-8h浓度, 气象要素为：平均气温（T）、降水量（P）、日照时数（SD）、相对湿度（RH）、10 m平均风速（W10）、大气压（pr）和太阳总辐射（Tr）. 在构建线性回归方程之前, 本文先对所选的11个影响因子进行了归一化处理. 多元线性回归方程结果如下：
|
(2) |
其中系数大小表示不同影响因子对PM2.5浓度的相对重要性[31, 32]. 从公式（2）中可以看出, 气态污染物系数均大于1, 而气象因子除了T外, 其余系数均小于1, 表明海南岛气态污染物对PM2.5浓度的变化具有相对较高的重要性. 从气态污染物上看, O3-8h浓度的系数最大, 体现了PM2.5浓度受光化学反应影响较大, 这与前面的分析一致, 4类气态污染物系数从大到小排列为：O3-8h＞CO＞SO2＞NO2. 从气象因子上看, 对海南岛PM2.5浓度影响最大的气象因子分别为T、RH和Tr, 其中PM2.5浓度与T和RH呈负相关关系, 与Tr呈正相关关系, 为海南岛PM2.5浓度的主控气象因子. 海南岛T和RH偏小, Tr偏大时, 有利于PM2.5浓度上升；反之, T和RH偏大, Tr偏小时, 有利于PM2.5浓度降低. 图 6进一步给出了2015~2021年PM2.5浓度观测值与多元线性回归方程给出的回归值逐日变化, 其表明回归方程能较好地模拟出PM2.5观测值的变化特征, 进一步计算线性回归方程与PM2.5观测值的相关系数为0.873, 通过了0.01的显著性检验, 表明线性回归方程对PM2.5观测值有较高的拟合度.
|
图 6 2015~2021年PM2.5浓度观测值与多元线性方程回归值的逐日变化 Fig. 6 Daily variation in PM2.5 in observations and multiple linear equation regression values from 2015 to 2021 |
为了分析外源输送对海南岛PM2.5浓度的影响, 以海口市为代表, 利用HYSPLIT模型模拟2015~2021年海口市500 m高度不同季节的后向轨迹气流聚类分析, 其结果见图 7所示. 表 3为聚类轨迹的比例及对应海南岛平均的PM2.5浓度. 从中可知, 春季海南岛主要受3类气流影响, 分别为东北、东南和西南方向, 3个轨迹比例分别为37%、49%和14%, 其中轨迹1为东南沿海气流, 对应的ρ（PM2.5）最高, 为17.4 μg·m-3, 轨迹2和轨迹3分别为15.4 μg·m-3和16.5 μg·m-3. 夏季影响海南岛的气流有南到西南、偏东和西南方向, 主要来自南海北部和中南半岛, 轨迹比例分别为40%（轨迹1）、30%（轨迹2）和30%（轨迹3）, 对应的ρ（PM2.5）总体偏低, 在10 μg·m-3左右. 秋季影响海南岛的气流主要为东北方向和正南方向, 其中轨迹2和轨迹4分别为来自内陆气流和东南沿海气流, 比例分别为30%和32%, 对应的PM2.5浓度较高, 为20.5 μg·m-3和20.3 μg·m-3, 轨迹1对应的ρ（PM2.5）为9.9 μg·m-3, 轨迹3的为14.3 μg·m-3. 冬季海南岛主要受东北气流影响, 其次是东南气流. 4类轨迹比例分别为39%、9%、43%和9%, 同时对应的PM2.5浓度总体偏高, 其中轨迹1为内陆气流, 从江西南部、经过广东到达海南岛, 轨迹1对应的ρ（PM2.5）最高, 为26.9 μg·m-3, 轨迹2也为内陆气流, 且输送距离较长, 对应的ρ（PM2.5）为25.5 μg·m-3, 其余两个轨迹分别为东南沿海气流和海洋气流, 对应的ρ（PM2.5）在18 μg·m-3附近.
|
地图基于自然资源部标准地图服务网站GS（2020）3183标准地图制作, 底图无修改, 下同 图 7 海南岛500 m高度影响气流72 h后向轨迹的季节性变化 Fig. 7 Seasonal cluster analysis of the 72 h air mass back trajectories starting at 500 m in Hainan Island |
|
|
表 3 后向轨迹分析结果 Table 3 Backward trajectory analysis results |
总体而言, 不同季节影响海南岛的气流轨迹也不同, 冬半年主要以偏北气流为主, 夏半年以偏南气流为主. 影响海南岛的内陆气流主要发生在冬季和秋季, 且对应的海南岛ρ（PM2.5）普遍偏高, 基本在20 μg·m-3以上；其次是东南沿海气流, 对应的ρ（PM2.5）在17~20 μg·m-3之间；最后是来自南海北部和中南半岛的海洋气流, 对应的海南岛PM2.5浓度偏低.
2.5 海南岛PM2.5污染潜在源区根据1.2.3节的方法, 构建出能反映海南岛PM2.5浓度变化和污染特征的数据集, 代入HYSPLIT模型中, 并进一步计算WPSCF和WCWT值, 结果见图 8所示. 从图 8（a）上看, 海南岛PM2.5潜在贡献源区主要分布浙江、福建、江西、湖南、广东和广西等我国东南部地区, 其中湖南东部到江西西部WPSCF值偏高, 在0.14以上. 从WCWT值上看[图 8（b）], WCWT值超过21 μg·m-3的大值区主要分布在福建、江西和广东等地, 且大值区连成一片. 次高值（≥15 μg·m-3）分布区域除了以上3个省份外, 还包括浙江、湖南和广西, 与WPSCF大值区有较好的重合度. 结合2.4节的分析结果可推测, 我国东南部地区为海南岛PM2.5污染的主要潜在贡献源区. 我国东南部地区一直是经济相对发达的区域, 近年来随着化石燃料的大量使用, 机动车保有量增多, 致使空气污染日趋严重[9]. 冬半年在偏北气流控制下, 有利于这些区域的大气污染物输送至海南岛.
|
图 8 2015~2021年海南岛PM2.5浓度的WPSCF和WCWT结果 Fig. 8 WPSCF and WCWT results of PM2.5 in Hainan Island during 2015 to 2021 |
（1）统计分析了2015~2021年海南岛PM2.5污染特征, 发现海南岛PM2.5浓度具有明显的季节性变化特征, 其中冬季ρ（PM2.5）最高（22.6 μg·m-3）, 秋季和春季次之（17.38 μg·m-3和16.53 μg·m-3）, 夏季最低（9.79 μg·m-3）. 近7 a海南岛共有30 d出现PM2.5浓度超标. 年平均和4季海南岛PM2.5浓度均出现了显著的下降趋势, 其气候倾向率[μg·（m3·a）-1]分别为-0.97（年平均）、-1.09（春季）、-0.61（夏季）、-0.83（秋季）和-1.25（冬季）. 春季、夏季和冬季PM2.5浓度下降较为显著, 秋季下降趋势相对偏慢.
（2）影响因子分析表明, 海南岛PM2.5浓度与气态污染物高度相关, 相关系数分别为0.471（SO2）、0.633（NO2）、0.479（CO）和0.773（O3-8h）, 均达到了0.01的显著性水平. 海南岛PM2.5浓度与平均风速和大气压呈正相关关系, 相关系数分别为0.107和0.510；与相对湿度、降水量、日照时数、平均气温和总辐射呈负相关关系, 相关系数分别为-0.330、-0.288、-0.037、-0.504和-0.166, 其中与降水量、相对湿度、平均气温和大气压的相关系数通过了0.01的显著性检验.
（3）主控影响因子分析表明, 海南岛气态污染物对PM2.5浓度的变化具有相对较高的重要性, 而气象影响因子中, 平均气温较为重要, 此外还有相对湿度和太阳总辐射, 为海南岛PM2.5浓度的主控气象因子. 线性回归方程对PM2.5观测值有较高的拟合度, 二者的相关系数为0.873, 通过了0.01的显著性检验.
（4）后向轨迹和潜在贡献源区分析表明, 海南岛冬半年主要以偏北气流为主, 夏半年以偏南气流为主. 来自内陆地区的影响气流主要发生在冬季和秋季, 且对应的海南岛ρ（PM2.5）普遍偏高（≥20 μg·m-3）. WPSCF和WCWT大值区有较好的重合度, 我国东南部地区是海南岛PM2.5主要潜在贡献源区, 其中包括福建、浙江、湖南、江西、广东和广西等省份.
| [1] | Liu G X, Dong X C, Kong Z Y, et al. Does national air quality monitoring reduce local air pollution? The case of PM2.5 for China[J]. Journal of Environmental Management, 2021, 296. DOI:10.1016/j.jenvman.2021.113232 |
| [2] |
邹佳乐, 林尧林, 杨薇. 中国近年PM2.5污染研究进展[J]. 环境污染与防治, 2019, 41(3): 357-361, 366. Zou J L, Lin Y L, Yang W. Advances on PM2.5 pollution research in China in recent years[J]. Environmental Pollution and Control, 2019, 41(3): 357-361, 366. |
| [3] |
朱淑贞, 佟洁, 鲍丰, 等. 廊坊市秋冬季大气细颗粒物污染特征及来源解析[J]. 环境科学, 2023, 44(1): 20-29. Zhu S Z, Tong J, Bao F, et al. Characteristics and source apportionment of atmospheric fine particles in Langfang in autumn and winter[J]. Environmental Science, 2023, 44(1): 20-29. |
| [4] | Xie Y, Dai H C, Dong H J, et al. Economic impacts from PM2.5 pollution-related health effects in China: a provincial-level analysis[J]. Environmental Science & Technology, 2016, 50(9): 4836-4843. |
| [5] |
王娟, 郭观林, 秦宁, 等. 某工业城市大气颗粒物中PAHs的粒径分布及人体呼吸系统暴露评估[J]. 环境科学, 2019, 40(10): 4345-4354. Wang J, Guo G L, Qin N, et al. Size distribution characteristics and inhalation exposure of particle-bound PAHs in an industrial city[J]. Environmental Science, 2019, 40(10): 4345-4354. |
| [6] | Crippa M, Janssens-Maenhout G, Guizzardi D, et al. Sectorial and regional uncertainty analysis of the contribution of anthropogenic emissions to regional and global PM2.5 health impacts[J]. Atmospheric Chemistry and Physics Discussions, 2017, 12: 1-30. |
| [7] |
李勇, 廖琴, 赵秀阁, 等. PM2.5污染对我国健康负担和经济损失的影响[J]. 环境科学, 2021, 42(4): 1688-1695. Li Y, Liao Q, Zhao X G, et al. Influence of PM2.5 pollution on health burden and economic loss in China[J]. Environmental Science, 2021, 42(4): 1688-1695. |
| [8] |
周璐, 牛越, 陈仁杰, 等. 上海市PM2.5污染相关的死亡负担和经济健康损失评估[J]. 中国环境科学, 2023, 43(7): 3741-3747. Zhou L, Niu Y, Chen R J, et al. Assessment of PM2.5-related mortality burden and health economic loss in Shanghai[J]. China Environmental Science, 2023, 43(7): 3741-3747. DOI:10.3969/j.issn.1000-6923.2023.07.049 |
| [9] |
丁一汇, 柳艳菊. 近50年我国雾和霾的长期变化特征及其与大气湿度的关系[J]. 中国科学: 地球科学, 2014, 57(1): 37-48. Ding Y H, Liu Y J. Analysis of long-term variations of fog and haze in China in recent 50 years and their relations with atmospheric humidity[J]. Science China Earth Sciences, 2014, 57(1): 36-46. |
| [10] | Liu S, Xing J, Zhao B, et al. Understanding of aerosol–climate interactions in China: aerosol impacts on solar radiation, temperature, cloud, and precipitation and its changes under future climate and emission scenarios[J]. Current Pollution Reports, 2019, 5(2): 36-51. DOI:10.1007/s40726-019-00107-6 |
| [11] |
吴国雄, 李占清, 符淙斌, 等. 气溶胶与东亚季风相互影响的研究进展[J]. 中国科学: 地球科学, 2016, 59(11): 1609-1627. Wu G X, Li Z Q, Fu C B, et al. Advances in studying interactions between aerosols and monsoon in China[J]. Science China Earth Sciences, 2016, 59(1): 1-16. |
| [12] | He W H, Meng H, Han J, et al. Spatiotemporal PM2.5 estimations in China from 2015 to 2020 using an improved gradient boosting decision tree[J]. Chemosphere, 2022, 296. DOI:10.1016/j.chemosphere.2022.134003 |
| [13] | Li Y P, Zhang Z C, Xing Y S. Long-term change analysis of PM2.5 and ozone pollution in China's most polluted region during 2015-2020[J]. Atmosphere, 2022, 13. DOI:10.3390/atmos13010104 |
| [14] |
张运江, 雷若媛, 崔世杰, 等. 2015~2020年我国主要城市PM2.5和O3污染时空变化趋势和影响因素[J]. 科学通报, 2022, 67(18): 2029-2042. Zhang Y J, Lei R Y, Cui S J, et al. Spatiotemporal trends and impact factors of PM2.5 and O3 pollution in major cities in China during 2015–2020[J]. Chinese Science Bulletin, 2022, 67(18): 2029-2042. |
| [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] |
侯素霞, 张鉴达, 李静. 上海市大气污染物时空分布及其相关性因子分析[J]. 生态环境学报, 2021, 30(6): 1220-1228. Hou S X, Zhang J D, Li J. Analysis of spatiotemporal distribution and correlation factors of atmospheric pollutants in Shanghai city[J]. Ecology and Environmental Sciences, 2021, 30(6): 1220-1228. |
| [17] |
周雪明, 郑乃嘉, 李英红, 等. 2011~2012北京大气PM2.5中重金属的污染特征与来源分析[J]. 环境科学, 2017, 38(10): 4054-4060. Zhou X M, Zheng N J, Li Y H, et al. Chemical characteristics and sources of heavy metals in fine particles in Beijing in 2011-2012[J]. Environmental Science, 2017, 38(10): 4054-4060. |
| [18] | Pateraki S, Asimakopoulos D N, Flocas H A, et al. The role of meteorology on different sized aerosol fractions (PM10, PM2.5, PM2.5-10)[J]. Science of the Total Environment, 2012, 419: 124-135. |
| [19] | Zhang Z S, Engling G, Lin C Y, et al. Chemical speciation, transport and contribution of biomass burning smoke to ambient aerosol in Guangzhou, a mega city of China[J]. Atmospheric Environment, 2010, 44(26): 3187-3195. |
| [20] |
赵晨曦, 王云琦, 王玉杰, 等. 北京地区冬春PM2.5和PM10污染水平时空分布及其与气象条件的关系[J]. 环境科学, 2014, 35(2): 418-427. Zhao C X, Wang Y Q, Wang Y J, et al. Temporal and spatial distribution of PM2.5 and PM10 pollution status and the correlation of particulate matters and meteorological factors during winter and spring in Beijing[J]. Environmental Science, 2014, 35(2): 418-427. |
| [21] |
郭家瑜, 张英杰, 郑海涛, 等. 北京2015年大气细颗粒物的空间分布特征及变化规律[J]. 环境科学学报, 2017, 37(7): 2409-2419. Guo J Y, Zhang Y J, Zheng H T, et al. Characteristics of spatial distribution and variations of atmospheric fine particles in Beijing in 2015[J]. Acta Scientiae Circumstantiae, 2017, 37(7): 2409-2419. |
| [22] |
王琴, 张大伟, 刘保献, 等. 基于PMF模型的北京市PM2.5来源的时空分布特征[J]. 中国环境科学, 2015, 35(10): 2917-2924. Wang Q, Zhang D W, Liu B X, et al. Spatial and temporal variations of ambient PM2.5 source contributions using positive matrix factorization[J]. China Environmental Science, 2015, 35(10): 2917-2924. |
| [23] |
王丛梅, 杨永胜, 李永占, 等. 2013年1月河北省中南部严重污染的气象条件及成因分析[J]. 环境科学研究, 2013, 26(7): 695-702. Wang C M, Yang Y S, Li Y Z, et al. Analysis on the meteorological condition and formation mechanism of serious pollution in south Hebei Province in January 2013[J]. Research of Environmental Sciences, 2013, 26(7): 695-702. |
| [24] |
李崇, 袁子鹏, 吴宇童, 等. 沈阳一次严重污染天气过程持续和增强气象条件分析[J]. 环境科学研究, 2017, 30(3): 349-358. Li C, Yuan Z P, Wu Y T, et al. Analysis of persistence and intensification mechanism of a heavy haze event in Shenyang[J]. Research of Environmental Sciences, 2017, 30(3): 349-358. |
| [25] |
王世强, 黎伟标, 邓雪娇, 等. 广州地区大气污染物输送通道的特征[J]. 中国环境科学, 2015, 35(10): 2883-2890. Wang S Q, Li W B, Deng X J, et al. Characteristics of air pollutant transport channels in Guangzhou region[J]. China Environmental Science, 2015, 35(10): 2883-2890. |
| [26] |
潘勇, 郑捷, 肖航. 长三角地区典型PM2.5污染过程和跨区域传输对宁波污染贡献评估模拟[J]. 环境科学, 2023, 44(2): 634-645. Pan Y, Zheng J, Xiao H. Simulation evaluation of the contribution of typical PM2.5 pollution and trans-regional transport to Ningbo pollution in the Yangtze River Delta[J]. Environmental Science, 2023, 44(2): 634-645. |
| [27] | 王春乙. 海南气候[M]. 北京: 气象出版社, 2014. |
| [28] |
符传博, 徐文帅, 丹利, 等. 2015-2020年海南岛大气PM2.5和PM10的时空分布特征[J]. 环境化学, 2023, 42(2): 522-531. Fu C B, Xu W S, Dan L, et al. Characteristics of temporal and spatial distribution of atmospheric PM2.5 and PM10 in Hainan island, Hainan Province from 2015 to 2020[J]. Environmental Chemistry, 2023, 42(2): 522-531. |
| [29] |
符传博, 徐文帅, 丹利, 等. 2015-2018年海南省城市臭氧时空分布特征[J]. 环境化学, 2020, 39(10): 2823-2832. Fu C B, Xu W S, Dan L, et al. Spatiotemporal distribution of ozone in cities of Hainan from 2015 to 2018[J]. Environmental Chemistry, 2020, 39(10): 2823-2832. |
| [30] | 刘爱利, 王培法, 丁园圆. 地统计学概论[M]. 北京: 科学出版社, 2012. |
| [31] |
符传博, 丹利, 佟金鹤, 等. 三亚市区臭氧污染变化特征及潜在源区分析[J]. 环境科学与技术, 2023, 46(1): 152-160. Fu C B, Dan L, Tong J H, et al. Characteristics and potential source analysis of ozone pollution in Sanya City[J]. Environmental Science & Technology, 2023, 46(1): 152-160. |
| [32] |
符传博, 丹利, 佟金鹤, 等. 海口市区臭氧污染变化特征及潜在源区分析[J]. 生态环境学报, 2023, 32(2): 331-340. Fu C B, Dan L, Tong J H, et al. Characteristics and potential source analysis of ozone pollution in Haikou city[J]. Ecology and Environmental Sciences, 2023, 32(2): 331-340. |
| [33] |
符传博, 丹利, 唐家翔, 等. 基于轨迹模式分析海口市大气污染的输送及潜在源区[J]. 环境科学学报, 2020, 40(1): 36-42. Fu C B, Dan L, Tang J X, et al. Analysis of air polluted transportation and potential source in Haikou City based on trajectory model[J]. Acta Scientiae Circumstantiae, 2020, 40(1): 36-42. |
| [34] | Ara Begum B, Kim E, Jeong C H, et al. Evaluation of the potential source contribution function using the 2002 Quebec forest fire episode[J]. Atmospheric Environment, 2005, 39(20): 3719-3724. |
| [35] | Hsu Y K, Holsen T M, Hopke P K. Comparison of hybrid receptor models to locate PCB sources in Chicago[J]. Atmospheric Environment, 2003, 37(4): 545-562. |
| [36] | 符传博, 丹利, 唐家翔, 等. 海南省城市臭氧污染特征及气象学成因[M]. 北京: 气象出版社, 2021. |
| [37] |
段佳鹏, 胡世祥, 李蒲, 等. 武汉市秋季PM2.5中硫酸盐、硝酸盐理化特征及影响因素[J]. 中国环境监测, 2018, 34(5): 61-67. Duan J P, Hu S X, Li P, et al. Physical and chemical characteristics of sulfate and nitrate in PM2.5 and their influencing factors during autumn in Wuhan[J]. Environmental Monitoring in China, 2018, 34(5): 61-67. |
| [38] |
符传博, 周航. 中国城市臭氧的形成机理及污染影响因素研究进展[J]. 中国环境监测, 2021, 37(2): 33-43. Fu C B, Zhou H. Research progress on the formation mechanism and impact factors of urban ozone pollution in China[J]. Environmental Monitoring in China, 2021, 37(2): 33-43. |
| [39] |
刘长焕, 邓雪娇, 朱彬, 等. 近10年中国三大经济区太阳总辐射特征及其与O3、PM2.5的关系[J]. 中国环境科学, 2018, 38(8): 2820-2829. Liu C H, Deng X J, Zhu B, et al. Characteristics of GSR of China's three major economic regions in the past 10 years and its relationship with O3 and PM2.5 [J]. China Environmental Science, 2018, 38(8): 2820-2829. |
| [40] |
雷洋, 袁九毅, 奚晓霞, 等. 兰州市春季沙尘气溶胶的监测与分析[J]. 干旱区资源与环境, 2008, 22(9): 65-70. Lei Y, Yuan J Y, Xi X X, et al. Monitoring and analysis of the atmospheric dust and aerosol over Lanzhou City in spring[J]. Journal of Arid Land Resources and Environment, 2008, 22(9): 65-70. |