2024, Vol. 45
近地面臭氧是一种二次污染物, 是氮氧化物（NOx）和挥发性有机化合物（VOCs）在阳光下发生光化学反应的结果[1], 高浓度的地面臭氧可通过影响呼吸系统和心血管系统对公众健康构成严重危害[2, 3], 也会对建筑材料、农作物和植被等造成影响[4 ~ 6]. 2013年, 中国政府启动了《大气污染防治行动计划》, 这10年以来, 我国空气质量明显好转, SO2、NOx和PM2.5浓度逐渐下降[7 ~ 9], 然而臭氧浓度却处于高位波动, 成为夏季大部分城市的主要空气污染物.其中, 京津冀、长三角和珠三角等经济发达区域臭氧污染尤为突出[1, 10].因此, 臭氧污染逐渐成为中国亟待解决的污染问题.
臭氧的形成受到多种因素的共同影响, 如气象条件和人为因素等.气象条件影响因素方面, 在太阳辐射较强、高温低湿的环境下, 臭氧的生成会加速[11, 12]；风场则会影响臭氧及其前体物的输送和扩散条件[13]；同时臭氧浓度与气象之间的时空关系是不同且复杂的, 温度和相对湿度对臭氧影响呈现显著的区域性差异[14, 15].人为因素也是近地面臭氧浓度变化的重要驱动因素, 主要原因为人类活动产生了大量的臭氧前体物NOx和VOCs[16, 17].许多研究致力于模拟和监测城市地区人为排放造成的臭氧污染[18 ~ 22], 并且评估了排放在臭氧生成影响中所占的比例.例如2022年, 珠三角、京津冀和双湖流域夏季排放变化主导了臭氧浓度的增强, 贡献率分别为89%、86%和53%[23].生物源排放的BVOCs也在臭氧生成中起到了重要作用, 由于其受气象条件影响较大, 所以气象条件除了影响臭氧生成环境, 还通过间接作用调节BVOCs排放影响臭氧前体物浓度[24].
近年来, 学者们针对中国臭氧污染问题进行了一系列研究.主要集中在臭氧浓度与气象及排放的相关性分析上, 但在量化单因素影响程度方面存在局限性, 同时也忽略了一些对社会经济要素的分析, 并对不同影响因素之间的相互作用还有待进一步探索.基于此, 本文选取2019年全国夏季臭氧浓度数据, 主要的气象因素、社会经济因素和直接排放因素, 采用地理探测器定量分析单因素和双因素耦合对臭氧浓度空间分布的影响程度, 并通过划分地理区域进行对比分析.量化气象、社会经济以及直接排放因素影响程度对了解不同区域臭氧空间分异性具有重要意义, 以期为今后臭氧污染防控治理提供科学参考依据.
1 材料与方法 1.1 数据选取与来源臭氧浓度是由其化学生成、清除、转化及传输过程决定的. NOx和VOCs是臭氧生成的前体物质, 光照是臭氧光化学转化过程的必要条件, 同时一些其它环境因素也影响臭氧的形成、消除、转化和传输过程.在城市中, NOx和VOCs的主要来源包括交通、工业生产及民用等领域.本文选取城市人口密度、第二产业GDP、能源消耗和城市道路面积作为城市工业发展、交通活动水平和经济水平的代理变量, 也可称为人类活动的影响因素.光照强度等环境因素本质上是气象因子, 因此选取平均风速、最高温度、日照时长、相对湿度和累积降水作为主要气象因素的代理变量.同时对前体物直接排放的影响也将在文中进行讨论, 并将VOCs分为了人为源（AVOCs）和生物源（BVOCs）.以上影响因素与臭氧浓度的关系如图 1所示.
|
图 1 臭氧生成影响因素 Fig. 1 Factors affecting ozone production |
其中臭氧监测数据来自中国环境监测总站全国空气质量观测数据网（https://air.cnemc.cn：18007/）, 选取臭氧日最大8 h滑动平均值（O3_8h）作为臭氧日评价指标.全国污染监测站点共1 500多个, 覆盖全国大部分城市, 如图 2所示.中部以及东部地区监测站点较为密集, 西部地区监测站点较为分散.相对湿度、平均风速、最高温度、累积降水和日照时长数据来自中国气象数据网（https://data.cma.cn/）.人口、行政区域土地面积和第二产业GDP来自《中国城市统计年鉴（2020）》[25], 人口密度由人口和行政区域土地面积计算得到.道路面积来自《中国城市建设统计年鉴（2020）》[26].能源消耗数据来源于文献[27], 由于该数据截至到2017年, 本文通过《中国能源统计年鉴（2020）》[28]对其按城市比例进行更新.NOx和AVOCs排放数据来自清华大学MEIC排放清单（http://meicmodel.org.cn）. BVOCs排放数据由中国环境科学研究院大气所提供.臭氧和主要气象因素采用2019年6~8月夏季数据, 并进行时间平均.由于其是站点数据, 与其它数据不匹配, 通过ArcGIS软件处理为城市数据, 取区域内站点平均.人口密度、能源消耗、二产GDP和道路面积等社会经济因素, 由于其统计口径为2019年数据, 无季节处理. NOx、AVOCs和BVOCs等直接排放因素为城市区域内2019年6~8月排放总和.
|
基于自然资源部标准地图服务网站GS（2023）2767号标准地图制作, 底图无修改 图 2 全国夏季臭氧空间分布 Fig. 2 National summer spatial distribution of ozone |
地理探测器（geodetector）是由中国科学院地理科学与资源研究所王劲峰研究员提出的一种测量空间分异性（spatial stratified heterogeneity, SSH）并对其进行归因的统计工具[29, 30], 广泛应用在医疗卫生[31, 32]、土地利用[33, 34]和环境污染等领域[35, 36].
空间分异性是指层内比层间更相似的现象, 比如空间数据中的土地利用类型和气候带、时间序列中的季节和年份、职业和年龄组等.基于地理探测器将臭氧浓度的空间分异性与潜在影响因子进行比较.每个影响因子被划分为不同的层, 不同的层具有不同的属性.如果某一因子主导臭氧浓度, 则臭氧浓度将呈现与该影响因子相似的空间分布, 且影响因子层内臭氧浓度的变化小于层间臭氧浓度的变化, 即存在空间分异性.q统计值可以检测影响因子对臭氧浓度空间分异性的解释程度.计算公式如下：
|
(1) |
式中, h为层数, 总共为L层. Nh和N为h层和整个面积的单位数. σh2和σ2为h层和整个面积的单位方差. q的值在[0, 1]范围内, 该值越大, 说明影响因子对臭氧浓度空间分布的解释能力越强.在将影响因子输入到地理探测器前, 首先使用K-means聚类算法对其进行聚类分析, 分为不同的层, 之后输入到地理探测器进行计算.
地理探测器中的因子交互探测器可用于分析两个或多个影响因子的交互作用对臭氧浓度的影响.表 1显示了两个影响因子交互的结果. q（X1∩X2）的值表示X1和X2两个影响因子相互作用对臭氧浓度的解释能力.两个影响因子之间的相互作用可以根据q（X1∩X2）与q（X1）和q（X2）之间的关系进行分类, 分为非线性减弱、单因子非线性减弱、双因子增强、独立和非线性增强这5种.
|
表 1 交互关系定义 Table 1 Interaction definition |
2 结果与讨论 2.1 单因素检测 2.1.1 全国范围
如图 2所示, 我国臭氧污染空间分布较为复杂, 呈现区域化集中的特点.不同地区随着产业分布、人口密度以及地形地势等因素的差异, 臭氧污染也呈现差异性.整体上, 华北平原臭氧污染较为严峻, 东北地区和西南地区臭氧浓度较低.京津冀、山东半岛和长江三角洲等城市群臭氧污染相对严重, 以上城市人口相对密集, 产业较为发达, 对臭氧污染形成的影响较大.表 2也展示了全国范围臭氧及其影响因素的统计值.
|
|
表 2 全国区域臭氧及其影响因素统计 Table 2 National regional ozone and its influencing factors statistics |
利用地理探测器, 对气象因素：累计降水、平均风速、日照时长、相对湿度和最高温度, 社会经济因素：道路面积、二产GDP、能源消耗和人口密度, 以及直接排放因素：AVOCs、BVOCs和NOx共计12种影响因素进行了探测分析, 其中社会经济因素和直接排放中除BVOCs外可归为人类活动影响. q统计值越大, 说明其对臭氧浓度空间分布的影响程度越大.
各影响因素统计结果如图 3所示.在全国范围内, 从3类影响因素内部q统计值均值大小排序来看, 气象因素（0.277） > 直接排放（0.195） > 社会经济（0.166）.总体来说气象因素对夏季臭氧的空间分布影响程度是最大的, 这和以往研究的结果是一致的.Ding等[37]利用化学传输模型量化了2013~2017年气象场变化对暖季臭氧浓度的影响, 发现以增加臭氧为主的气象变化的影响大于以减少臭氧为主的减排影响.Chen等[38]和Han等[39]分别利用因果分析模型和回归及天气分类方法评估了气象因子对地面臭氧浓度的影响, 证明了气象在调节臭氧污染方面的重要性.其次是前体物的直接排放, 为臭氧的生成提供了必要物质基础.社会经济因素主要起间接作用, 从交通、工业和民用等方面排放产生前体物质, 进而影响臭氧的空间分布.
|
1表示平均风速, 2表示最高气温, 3表示日照时长, 4表示相对湿度, 5表示累计降水, 6表示能源消耗, 7表示人口密度, 8表示二产GDP, 9表示道路面积, 10表示NOx, 11表示AVOCs, 12表示BVOCs；虚线为因素内部平均值 图 3 各因素q统计值 Fig. 3 The q-statistic of each factor |
从各类影响因素的内部看, 在气象因素中各个因素的q统计值大小排序如下：相对湿度（0.415） > 累计降水（0.358） > 日照时长（0.275） > 平均风速（0.201） > 最高温度（0.129）.其中相对湿度对夏季臭氧的空间分布影响程度最大, 对臭氧的分布起着主导作用, 如表 2所示, 夏季相对湿度在全国范围有着较大的差异性, 容易影响臭氧空间分布.高湿天气会抑制臭氧的生成, 较高的相对湿度通常与较大的大气不稳定性和云层厚度有关, 该种天气状态下光化学反应可能会减慢[40].其次是降水, 降水可以一定程度上对臭氧及其前体物质起到清除作用, 但更多的是通过影响辐射致使臭氧生成发生变化, 降水越多说明该地区阴天状况较多, 进而影响臭氧的生成.日照时长同样影响辐射情况, 日照时长越长, 臭氧的光化学反应时长越长.平均风速主要影响臭氧的空间传输, 在稳定小风情况下臭氧及其前体物质通常会累积.最高温度的影响最小, 这是因为在研究夏季臭氧空间分布时, 各地区的最高温度差异较小, 如表 2所示, 但温度并非不影响臭氧生成, 而是在空间影响上都处于同一水平.
直接排放因素中, 各个因素的q统计值大小排序如下：NOx（0.273） > BVOCs（0.179） > AVOCs（0.133）.AVOCs和BVOCs并无本质区别, 但为了评估人类活动的影响对其进行了划分. NOx和VOCs都是臭氧生成的前体物, 从全国来看, 在将VOCs进行了划分的基础上, NOx排放对臭氧空间分布影响最大, BVOCs排放要略高于AVOCs的影响, 可以看到除人为活动外, 生物源排放的影响也是不可忽视的一部分.
社会经济因素中, 各个因素的q统计值大小排序如下：能源消耗（0.206） > 人口密度（0.204） > 二产GDP（0.154） > 道路面积（0.099）.能源消耗是较为直接的影响, 各种燃料的燃烧过程都会产生臭氧前体物.人口密度的影响则较为综合, 通常情况下城市越发达, 人口密度越大, 污染物也会越密集.二产GDP主要通过评估工业生产的间接影响来衡量一个地区的工业发展水平, 前体物的排放中工业过程占据了绝大部分.道路面积体现一个地区的交通, 间接反映机动车排放产生的影响.
2.1.2 气候区划分为了更细致评估不同区域内各个影响因素的差异, 对全国地区进行了两种区域划分, 分别是气候区域划分和经济区域划分.中国气候区划是中国国家气象局于1978年利用气候资料编绘的中国气候区划, 如图 4所示, 一级区划主要分为了高原气候区、北温带、中温带、南温带、北亚热带、中亚热带、南亚热带、北热带和中热带这9种气候带, 其中北温带、北热带和中热带所包含的城市太少, 样本数量不充足, 所以后续只考虑剩余6种气候带.在同一气候区域中, 近似可以认为该区域气象因素都是类似的, 所以人们对气候区域划分后, 在同一气候区域内只考虑社会经济因素和直接排放的影响.
|
基于自然资源部标准地图服务网站GS（2023）2767号标准地图制作, 底图无修改；不同气候区中实线为二级气候区划分 图 4 中国气候区划分 Fig. 4 Climatic zone division in China |
如图 5所示, 不同气候区中, 南温带平均臭氧浓度较高.南温带、北亚热带以及南亚热带的能源消耗、人口密度、二产GDP和道路面积等社会经济因素处于较高水平, 以上地区产业较为发达、人口稠密.从排放来看, NOx和AVOCs与人类活动相关的呈现与社会经济因素类似的分布, 发达地区排放较大.BVOCs则在中温带和中亚热带排放较大.
|
1表示高原气候区, 2表示中温带, 3表示南温带, 4表示北亚热带, 5表示中亚热带, 6表示南亚热带 图 5 不同气候区臭氧及其影响因素统计 Fig. 5 Statistics of ozone and its influencing factors in different climate zones |
图 6所示为不同气候区内社会经济和直接排放影响因素的q统计值.在南亚热带, q统计值大小排序为：能源消耗（0.719） > 二产GDP（0.696） > 人口密度（0.438） > 道路面积（0.342）, NOx（0.440） > AVOCs（0.406） > BVOCs（0.304）.和其它气候区域相比, 南亚热带内各类社会经济和直接排放的影响因素普遍较高, 基本都达到了0.3以上, 社会经济因素中影响程度最大的是能源消耗, 直接排放中最大的为NOx.中亚热带中, q统计值大小排序为：人口密度（0.507） > 二次GDP（0.482） > 道路面积（0.461） > 能源消耗（0.138）, NOx（0.342） > AVOCs（0.223） > BVOCs（0.208）.相比来说中亚热带区域能源消耗影响程度较小, 但道路面积却是6个气候区域中影响程度最大的, 该现象表明交通产生的影响在此区域非常重要, 应该重视.在北亚热带中, q统计值大小排序为：二产GDP（0.389） > 人口密度（0.331） > 能源消耗（0.270） > 道路面积（0.204）, NOx（0.316） > AVOCs（0.293） > BVOCs（0.268）.该区域各类因素影响较为平均, 臭氧空间分布特征受不同因素的共同作用.在南温带中, q统计值大小排序为：人口密度（0.376） > 能源消耗（0.246） > 道路面积（0.208） > 二产GDP（0.166）, BVOCs（0.274） > NOx（0.272） > AVOCs（0.137）.该区域二产GDP影响程度较小, 工业经济对臭氧分布影响处于次要地位, 主要受到人口密度分布的影响；同时该区域AVOCs显著低于BVOCs和NOx的影响.在中温带中, q统计值大小排序为：二产GDP（0.319） > 能源消耗（0.293） > 道路面积（0.189） > 人口密度（0.150）, NOx（0.218） > AVOCs（0.146） > BVOCs（0.120）.该区域人口密度的影响程度较小, 主要受到二产GDP影响, 排放主要受NOx的影响.在高原气候区中, q统计值大小排序为：能源消耗（0.313） > 人口密度（0.141） > 道路面积（0.124） > 二产GDP（0.108）, BVOCs（0.452） > NOx（0.293） > AVOCs（0.188）.该区域社会经济影响程度整体较小, 普遍低于其它区域, 此现象应该和该地区经济不发达有关.但是该气候区域BVOCs影响在所有区域中处于最高水平, 同样由于地区经济不发达, 人为活动导致的排放也较低, 相比之下BVOCs更影响臭氧空间分布特征.
|
1表示高原气候区, 2表示中温带, 3表示南温带, 4表示北亚热带, 5表示中亚热带, 6表示南亚热带 图 6 不同气候区内q统计值 Fig. 6 The q-statistic for different climate zones |
图 7为不同气候区域内社会经济影响因素的q统计值均值示意, 包括能源消耗、二产GDP、人口密度和道路面积. q统计值均值大小排序为：南亚热带（0.548） > 中亚热带（0.396） > 北亚热带（0.298） > 南温带（0.249） > 中温带（0.238） > 高原气候区（0.171）.除高原气候区外, 社会经济因素对我国臭氧浓度空间分布的影响程度由北到南依次递增.越往南方臭氧的空间分异性受社会经济因素影响程度越大.从臭氧的生成条件来看, 南方辐射和温度普遍适宜臭氧的生成, 此时臭氧的空间分布特征主要受人为活动即社会经济因素的影响, 臭氧的高值区与城市经济较为发达的区域空间分布上趋于一致, 受其主导.
|
基于自然资源部标准地图服务网站GS（2023）2767号标准地图制作, 底图无修改；不同气候区中实线为二级气候区划分 图 7 各气候区内社会经济因素q统计值均值 Fig. 7 The q-statistic mean values of socio-economic factors in different climate zones |
为科学反映我国不同区域的社会经济发展状况, 我国将全国范围共划分为四大经济区域, 分别为东北部、中部、西部和东部, 如图 8所示.相同区域内经济发展情况接近.所以以经济区划分为基础, 考虑气象因子以及直接排放的影响.
|
基于自然资源部标准地图服务网站GS（2023）2767号标准地图制作, 底图无修改 图 8 中国经济区划分 Fig. 8 Division of economic zones in China |
如图 9所示, 中部地区平均臭氧浓度较高.东北地区平均风速、日照时长和相对湿度都略高于其它区域, 东部地区累积降水较多.西部地区由于地理跨度较大, 其气象因素的标准差也较大, 区域内有较大差异性.从排放来看, NOx和AVOCs与人类活动相关的都集中于东部地区, BVOCs则是西部地区较大.
|
1表示东北地区, 2表示中部地区, 3表示东部地区, 4表示西部地区 图 9 不同经济区臭氧及其影响因素统计 Fig. 9 Statistics of ozone and its influencing factors in different economic zones |
图 10所示为不同经济区域内气象因素和直接排放因素的q统计值.在东北地区, q统计值大小排序为：最高温度（0.809） > 相对湿度（0.394） > 累计降水（0.105） > 日照时长（0.021） > 平均风速（0.016）, BVOCs（0.278） > NOx（0.273） > AVOCs（0.139）.东北地区气象因素中最高温度是影响臭氧空间分布的最主要因素, 与其它地区差异较大.原因可能是东北地区相对湿度和累计降水标准差相比于其它地区有明显减小, 如图 9所示, 区域内差异性小于其它地区, 此时最高温度的影响变得较为突出, 占据主导地位.在东部地区, q统计值大小排序为：累积降水（0.596） > 相对湿度（0.589） > 日照时长（0.382） > 最高温度（0.155） > 平均风速（0.016）, NOx（0.565） > AVOCs（0.302） > BVOCs（0.131）.在此区域内, 降水和相对湿度对臭氧的空间分布影响最大, 达到了近0.6.在中部地区, q统计值大小排序为：相对湿度（0.700） > 累计降水（0.607） > 平均风速（0.410） > 日照时长（0.370） > 最高温度（0.050）, BVOCs（0.314） > NOx（0.265） > AVOCs（0.105）.该区域相对湿度主导臭氧的空间分布, 且平均风速的影响是全国四大经济划分区影响最大的, 推测中部地区的臭氧浓度受风的空间传输影响较大, 此地区应该更加注意臭氧的区域传输作用.在西部地区, q统计值大小排序为：累积降水（0.448） > 日照时长（0.402） > 相对湿度（0.392） > 平均风速（0.157） > 最高温度（0.108）, BVOCs（0.225） > NOx（0.131） > AVOCs（0.051）.该区域累计降水、日照时长和相对湿度的影响程度相近, 共同控制臭氧的空间分布特征.在直接排放因素中, 除东部地区NOx影响程度较高外, 其它地区影响以BVOCs为主.
|
1表示东北地区, 2表示中部地区, 3表示东部地区, 4表示西部地区 图 10 不同经济区内q统计值 Fig. 10 The q-statistic for different economic zones |
总体来说, 夏季在不同经济区域相对湿度对臭氧的空间分布都有较大程度影响.累计降水除东北地区外, 其它地区影响程度都在0.4以上.最高温度在东北地区影响较大.平均风速在中部地区影响程度最大, 其它地区都较小.日照时长可影响辐射强度, 除东北地区外, 也是控制各区域臭氧空间分布的重要因素.
图 11为不同经济区内气象因素q统计值均值示意. q统计值均值大小排序为：中部地区（0.427） > 东部地区（0.347） > 西部地区（0.301） > 东北地区（0.269）.气象因素对臭氧的空间分布的影响程度, 从东北和西部地区向中部地区递增.中部地区和东部地区经济发展程度较高, 臭氧生成的前体物质排放较多, 对气象因素较为敏感.但中部地区相比于东部地区受平均风速影响程度更大, 处于各个地区包围之中, 容易受其它地区污染物传输作用影响, 进而受平均气象因素的影响程度会大于东部地区.
|
基于自然资源部标准地图服务网站GS（2023）2767号标准地图制作, 底图无修改 图 11 各经济区内气象因素q统计值均值 Fig. 11 The q-statistic mean values of meteorological factors in different economic zones |
地理探测器除了可以检测单因子对臭氧浓度空间分布的影响, 还可以检测两个因子交互作用的影响.因此, 基于地理探测器对气象因素、社会经济因素以及直接排放因素内部双因子交互作用进行了分析.交互作用分5种结果, 非线性减弱、单因子非线性减弱、双因子增强、独立和非线性增强, 对双因子交互后的提升度也进行了计算.结果显示交互作用全部呈现增强, 包括双因子增强和非线性增强, 说明臭氧的空间分布受到多种因素共同作用的影响.对交互提升度的计算按以下规则进行：如果属于双因子增强则用交互结果q统计值减去双因子较大的一方, 如果属于非线性增强则用交互结果q统计值减去双因子q统计值的和.
双因子交互检测同样划分气候区和经济区两部分.图 12为气候划分区内社会经济因素和直接排放因素内部交互作用示意图.中亚热带臭氧空间分布受人口密度和道路面积交互影响最大, 达到了0.869.中温带受能源消耗和道路面积交互影响最大, 达到了0.665.北亚热带受人口密度和二产GDP交互影响最大, 达到了0.626.南亚热带和南温带受能源消耗和人口密度交互影响最大, 达到了0.839和0.765.高原气候区受能源消耗和二产GDP交互影响最大, 达到了0.517.
|
G表示能源消耗, H表示人口密度, I表示二产GDP, J表示道路面积, K表示NOx, L表示AVOCs, M表示BVOCs 图 12 社会经济和直接排放内部交互q统计值及提升度 Fig. 12 Internal interaction q-statistic and enhancement degree of socio-economic and direct emission factors |
表 3所示为划分气候区不同影响因素交互结果的均值及标准差.能源消耗与其它影响因素的交互作用平均值最大, 达到0.625, 且标准差最小, 为0.035, 说明能源消耗在各个区域中对臭氧空间分布起到的作用相近, 且占重要地位.人口密度与其它影响因素交互后的提升度均值最大, 为0.143, 且标准差也最大, 为0.083, 说明人口密度间接或直接加强了其它因素对臭氧空间分布的影响程度, 是驱动其它因素产生地区差异化的关键因素.直接排放中AVOCs与其它前体物排放交互作用均值最大, 为0.691, 且提升度均值最高, 达到0.188, 标准差最大, 为0.121, 说明AVOCs排放在我国不同气候区臭氧空间分布中有基础性作用, 且造成了区域间的差异.
|
|
表 3 社会经济及直接排放因素q统计值以及提升度的均值和标准差 Table 3 Mean and standard deviation of q-statistic and the degree of enhancement for socio-economic and direct emission factors |
对经济区划分后, 气象因素以及直接排放因素内部交互作用结果如图 13所示.东北地区和东部地区受最高温度和相对湿度交互影响最大, 达到了0.872和0.780.中部地区受平均风速和相对湿度交互影响最大, 达到了0.838.西部地区受日照时长和累积降水交互影响最大, 达到了0.616.
|
A表示平均风速, B表示最高温度, C表示日照时长, D表示相对湿度, E表示累积降水, K表示NOx, L表示AVOCs, M表示BVOCs 图 13 气象因素和直接排放内部交互q统计值及提升度 Fig. 13 Internal interaction q-statistic and enhancement degree of meteorological factors and direct emission factors |
表 4所示为划分经济区不同影响因素交互结果的均值及标准差.相对湿度与其它因素交互作用的平均值最大, 为0.667, 但提升度不大, 只有0.090, 且标准差较小, 为0.016.说明相对湿度在各个区域中对臭氧空间分布起主导作用, 且各区域类似.平均风速与其它影响因素交互后的提升度均值最大, 为0.158, 且标准差最大, 为0.129.说明平均风速间接或直接加强了其它因素对臭氧空间分布的影响程度, 且在各区域起到的效果差异较大.直接排放中BVOCs与其它前体物排放交互作用均值最大, 为0.634, 且标准差最大, 为0.052, 说明BVOCs排放在不同经济区内对臭氧空间分布的影响程度较大, 且影响具有空间差异性.
|
|
表 4 气象因素及直接排放因素q统计值以及提升度的均值和标准差 Table 4 Mean and standard deviation of q-statistic and the degree of enhancement for meteorological factors and direct emission factors |
3 结论
（1）从全国来看, 我国2019年夏季臭氧浓度空间分布特征受主要气象因素影响程度最大, 其次是直接排放和社会经济因素.气象因素中相对湿度占据主导地位, 最高温度由于夏季各城市区别不大, 对臭氧空间分布影响也较小.直接排放中NOx相比于单独AVOCs和BVOCs的影响程度较高.社会经济因素主要起间接影响, 其中能源消耗和人口密度影响程度较大.
（2）各类因素对中国臭氧浓度空间分布的影响存在着区域性差异.通过对中国进行气候区和经济区的划分, 发现社会经济因素的影响除高原气候区较低外, 影响程度由北到南逐渐增强.气象因素影响程度则由东北和西部地区向中部地区递增.从排放角度平均来看, 在同一气候区中, NOx排放影响为主, 同一经济区中, BVOCs排放影响为主.
（3）各因素之间的交互作用对臭氧空间分布的影响程度均大于单一因素的影响.社会经济因素中, 人口密度交互对其它因素影响程度的提升最大, 且存在较大地区差异, 是驱动其它因素产生地区差异化的关键因素.气象因素中平均风速交互对其它因素影响程度的提升最大, 且存在较大地区差异, 应更加注重臭氧的区域传输作用.
| [1] | Wang T, Xue L K, Brimblecombe P, et al. Ozone pollution in China: a review of concentrations, meteorological influences, chemical precursors, and effects[J]. Science of the Total Environment, 2017, 575: 1582-1596. DOI:10.1016/j.scitotenv.2016.10.081 |
| [2] | Kan H D, London S J, Chen G H, et al. Season, sex, age, and education as modifiers of the effects of outdoor air pollution on daily mortality in Shanghai, China: the Public Health and Air Pollution in Asia (PAPA) study[J]. Environmental Health Perspectives, 2008, 116(9): 1183-1188. DOI:10.1289/ehp.10851 |
| [3] | Shang Y, Sun Z W, Cao J J, et al. Systematic review of Chinese studies of short-term exposure to air pollution and daily mortality[J]. Environment International, 2013, 54: 100-111. DOI:10.1016/j.envint.2013.01.010 |
| [4] | Moura B B, Alves E S, Marabesi M A, et al. Ozone affects leaf physiology and causes injury to foliage of native tree species from the tropical Atlantic Forest of southern Brazil[J]. Science of the Total Environment, 2018, 610⁃611: 912-925. |
| [5] |
李同囡, 邱嘉馨, 房春生. 环境中臭氧的危害与防治浅析[J]. 世界环境, 2020(5): 16-18. Li T N, Qiu J X, Fang C S. A brief analysis of the hazards of ozone in the environment and relevant prevention and treatment[J]. World Environment, 2020(5): 16-18. |
| [6] | Feng Z Z, Hu E Z, Wang X K, et al. Ground-level O3 pollution and its impacts on food crops in China: a review[J]. Environmental Pollution, 2015, 199: 42-48. DOI:10.1016/j.envpol.2015.01.016 |
| [7] | 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. |
| [8] | 张欢, 郑锦航, 成金华, 等. "十三五"时期以来我国NO2浓度的时空变化及其城市群分布特征研究——兼论"十三五"时期以来我国NO2污染治理成效[J]. 生产力研究, 2023(10): 12-20. |
| [9] |
张欢, 吴瑛祖, 梅煜臻, 等. 我国空气质量的时空变化及其城市群分布特征——兼论"十三五"时期以来我国空气污染治理成效[J]. 环境经济研究, 2023, 8(3): 46-65. Zhang H, Wu Y Z, Mei Y Z, et al. The spatial-temporal changes of air quality and distribution characteristics of urban agglomerations in China: the study on the effectiveness of air pollution control in China since the 13th five-year plan period[J]. Journal of Environmental Economics, 2023, 8(3): 46-65. |
| [10] | Cheng L J, Wang S, Gong Z Y, et al. Regionalization based on spatial and seasonal variation in ground-level ozone concentrations across China[J]. Journal of Environmental Sciences, 2018, 67: 179-190. DOI:10.1016/j.jes.2017.08.011 |
| [11] | Wang Y J, Luo H, Jia L, et al. Effect of particle water on ozone and secondary organic aerosol formation from benzene-NO2-NaCl irradiations[J]. Atmospheric Environment, 2016, 140: 386-394. |
| [12] | Jia L, Xu Y F. Effects of relative humidity on ozone and secondary organic aerosol formation from the photooxidation of benzene and ethylbenzene[J]. Aerosol Science and Technology, 2014, 48(1): 1-12. DOI:10.1080/02786826.2013.847269 |
| [13] | He J J, Gong S L, Yu Y, et al. Air pollution characteristics and their relation to meteorological conditions during 2014-2015 in major Chinese cities[J]. Environmental Pollution, 2017, 223: 484-496. |
| [14] | Yang J H, Ji Z M, Kang S C, et al. Spatiotemporal variations of air pollutants in western China and their relationship to meteorological factors and emission sources[J]. Environmental Pollution, 2019, 254. DOI:10.1016/j.envpol.2019.07.120 |
| [15] | Li T, Lu Y C, Deng X F, et al. Spatiotemporal variations in meteorological influences on ambient ozone in China: a machine learning approach[J]. Atmospheric Pollution Research, 2023, 14(4). DOI:10.1016/j.apr.2023.101720 |
| [16] | Wang P F, Guo H, Hu J L, et al. Responses of PM2.5 and O3 concentrations to changes of meteorology and emissions in China[J]. Science of the Total Environment, 2019, 662: 297-306. |
| [17] | Zheng B, Tong D, Li M, et al. Trends in China's anthropogenic emissions since 2010 as the consequence of clean air actions[J]. Atmospheric Chemistry and Physics, 2018, 18(19): 14095-14111. |
| [18] | Li M, Zhang Q, Kurokawa J I, et al. MIX: a mosaic Asian anthropogenic emission inventory under the international collaboration framework of the MICS-Asia and HTAP[J]. Atmospheric Chemistry and Physics, 2017, 17(2): 935-963. |
| [19] | Tan Z F, Lu K D, Jiang M Q, et al. Exploring ozone pollution in Chengdu, southwestern China: a case study from radical chemistry to O3-VOC-NOx sensitivity[J]. Science of the Total Environment, 2018, 636: 775-786. |
| [20] | Xue L K, Wang T, Gao J, et al. Ground-level ozone in four Chinese cities: precursors, regional transport and heterogeneous processes[J]. Atmospheric Chemistry and Physics, 2014, 14(23): 13175-13188. |
| [21] |
韩翼昕, 张玉洁, 贺美, 等. 典型中部地区南阳市VOCs污染特征及对O3生成影响[J]. 环境科学研究, 2023, 36(12): 2256-2268. Han Y X, Zhang Y J, He M, et al. VOCs pollution characterization and its influence on O3 pollution in a typical central China city Nanyang[J]. Research of Environmental Sciences, 2023, 36(12): 2256-2268. |
| [22] |
金丹. 2016~2020年上海臭氧高发季光化学污染特征及敏感性分析[J]. 环境科学, 2024, 45(7): 3799-3807. Jin D. Analysis of characteristics and sensitivity of photochemical pollution during high ozone season in Shanghai from 2016 to 2020[J]. Environmental Science, 2024, 45(7): 3799-3807. |
| [23] | Zheng H, Kong S F, He Y, et al. Enhanced ozone pollution in the summer of 2022 in China: the roles of meteorology and emission variations[J]. Atmospheric Environment, 2023, 301. DOI:10.1016/j.atmosenv.2023.119701 |
| [24] | Lu X, Zhang L, Shen L. Meteorology and climate influences on tropospheric ozone: a review of natural sources, chemistry, and transport patterns[J]. Current Pollution Reports, 2019, 5(4): 238-260. |
| [25] | 国家统计局城市社会经济调查司. 中国城市统计年鉴2020[M]. 北京: 中国统计出版社, 2021. |
| [26] | 中华人民共和国住房和城乡建设部. 中国城市建设统计年鉴2020[M]. 北京: 中国统计出版社, 2021. |
| [27] | Chen J D, Liu J L, Qi J, et al. City- and county-level spatio-temporal energy consumption and efficiency datasets for China from 1997 to 2017[J]. Scientific Data, 2022, 9(1). DOI:10.1038/s41597-022-01240-6 |
| [28] | 国家统计局能源统计司. 中国能源统计年鉴2020[M]. 北京: 中国统计出版社, 2021. |
| [29] | Wang J F, Li X H, Christakos G, et al. Geographical detectors-based health risk assessment and its application in the neural tube defects study of the Heshun Region, China[J]. International Journal of Geographical Information Science, 2010, 24(1): 107-127. |
| [30] | Wang J F, Zhang T L, Fu B J. A measure of spatial stratified heterogeneity[J]. Ecological Indicators, 2016, 67: 250-256. |
| [31] | Li J M, Liang J, Wang J F, et al. Spatiotemporal trends and ecological determinants in maternal mortality ratios in 2, 205 Chinese counties, 2010-2013: a Bayesian modelling analysis[J]. PLoS Medicine, 2020, 17(5). DOI:10.1371/journal.pmed.1003114 |
| [32] | Hu M G, Lin H, Wang J F, et al. Risk of coronavirus disease 2019 transmission in train passengers: an epidemiological and modeling study[J]. Clinical Infectious Diseases, 2021, 72(4): 604-610. |
| [33] | Feng R D, Wang F Y, Wang K Y, et al. Urban ecological land and natural-anthropogenic environment interactively drive surface urban heat island: an urban agglomeration-level study in China[J]. Environment International, 2021, 157. DOI:10.1016/j.envint.2021.106857 |
| [34] |
丁悦, 蔡建明, 任周鹏, 等. 基于地理探测器的国家级经济技术开发区经济增长率空间分异及影响因素[J]. 地理科学进展, 2014, 33(5): 657-666. Ding Y, Cai J M, Ren Z P, et al. Spatial disparities of economic growth rate of China's National-level ETDZs and their determinants based on geographical detector analysis[J]. Progress in Geography, 2014, 33(5): 657-666. |
| [35] |
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. |
| [36] | Dai Y H, Zhou W X. Temporal and spatial correlation patterns of air pollutants in Chinese cities[J]. PLoS One, 2017, 12(8). DOI:10.1371/journal.pone.0182724 |
| [37] | Ding D, Xing J, Wang S X, et al. Impacts of emissions and meteorological changes on China's ozone pollution in the warm seasons of 2013 and 2017[J]. Frontiers of Environmental Science & Engineering, 2019, 13(5). DOI:10.1007/s11783-019-1160-1 |
| [38] | Chen Z Y, Li R Y, Chen D L, et al. Understanding the causal influence of major meteorological factors on ground ozone concentrations across China[J]. Journal of Cleaner Production, 2020, 242. DOI:10.1016/j.jclepro.2019.118498 |
| [39] | Han H, Liu J, Shu L, et al. Local and synoptic meteorological influences on daily variability in summertime surface ozone in eastern China[J]. Atmospheric Chemistry and Physics, 2020, 20(1): 203-222. |
| [40] | Camalier L, Cox W, Dolwick P. The effects of meteorology on ozone in urban areas and their use in assessing ozone trends[J]. Atmospheric Environment, 2007, 41(33): 7127-7137. |