2024, Vol. 45
2. 山东华宇工学院招生办公室, 德州 253034
2. Shandong Huayu Institute of Technology Admissions Office, Dezhou 253034, China
随着我国城市化进程大幅增快, 以PM2.5为主要组成部分的大气污染已成为目前国内最突出的大气环境问题之一.针对目前PM2.5污染的发展态势, 国内外学者在其来源[1, 2]、预测[3]、时空变化[4~6]、影响因素[7, 8]及风险程度[9]等方面做了大量研究.在时空变化方面, 受工业化和能源消耗等影响, 我国PM2.5浓度呈现东高西低的分布格局, 城市空间存在明显的异质性, 沿海地区和东北地区浓度提升更快[10].在影响因素方面, 有关研究表明气温、降水和风速等气象要素[11~14]和地形、坡度和森林覆盖等环境要素[15~17]对PM2.5污染具有重要作用；此外, 城市发展水平、人口密度和能源消耗等社会经济因子[18~21]对PM2.5污染的影响也有显著影响.在自然条件、人类活动及环境变化等多种因素的共同影响下, PM2.5污染往往会呈现出复杂的空间异质性演变[11, 22], 不同影响因素对PM2.5的作用会随着空间位置的变化而变化, 因此, 探究PM2.5与影响因子间的作用关系及响应程度能够为改善空气质量和促进生态环境可持续发展提供理论依据.
黑龙江省作为东北老工业基地的重要组成部分, 是亚洲与太平洋地区连接俄罗斯和欧洲大陆的重要通道, 也是我国沿边开放的重要窗口.常年以来该省以石油化工为主的传统能源结构和以燃煤为主的较长供暖期导致了严重的大气污染, 城市空气质量受到严峻挑战.因此, 研究黑龙江省的PM2.5污染的时空变化及影响这些变化的关键驱动因素, 对于区域的生态保护和环境治理具有重要的现实意义.近年来众多学者从不同角度对不同地区的PM2.5变化及其影响因素进行了深入探讨, 但很少考虑PM2.5与关键驱动因子的空间非平稳性, 且假定各因素的影响范围相同.多尺度地理加权回归模型（MGWR）能够很好地模拟自变量与因变量的地理空间响应过程, 解决因变量与自变量之间的空间非平稳性, 从而精确识别不同驱动因子对因变量作用的不同程度、尺度和方向[23].MGWR与地理探测器相结合, 不仅可以弥补地理探测器无法定量影响因子正负效应的不足, 并且减少多重共线性影响而准确估计局部系数, 从而对PM2.5污染影响因素进行定量与空间可视化.
本文采用Theil-Sen Median趋势分析与Mann-Kendall检验相结合, 理清黑龙江省PM2.5聚集和消散的演变规律；利用地理探测器探究影响黑龙江省PM2.5污染空间分异的关键驱动因子, 最后采用MGWR对局部因素的空间异质性做可视化分析, 以期为黑龙江省未来的大气污染管控和防治提供理论参考.
1 材料与方法 1.1 研究区概况黑龙江省是我国位置最北、所处纬度最高、太阳高度角最小的省份（N43°26´~53°33´, E121°11´ ~135°05´）, 北面毗邻俄罗斯, 南面和西面分别与吉林省和内蒙古自治区接壤, 东西宽约930 km, 南北长约1 120 km, 行政区划内包括哈尔滨市、大庆市和齐齐哈尔市等12个地级市和大兴安岭地区（图 1）, 国土总面积约为46.3万km2, 是我国的农业大省、能源大省和重要的工业基地, 拥有我国最大的陆上油田——大庆油田.黑龙江省境内有大兴安岭、小兴安岭、张广才岭、完达山和长白山余脉等山地, 这些山地将黑龙江省大体分为4个部分, 分别是北部的大小兴安岭林区、西部的松嫩平原、东部的三江平原以及南部的长白山区, 森林覆盖率达43.6%, 耕地面积占全国的13%.气候特征为春季低温大风、夏季温热湿润、秋季易洪涝霜害及冬季寒冷漫长.根据黑龙江省统计局2022年统计年鉴数据, 截至2021年底全省人口约为3 125万人, 地区生产总值14 879.2亿元.近几年来, 在“振兴东北老工业基地”战略的推动下, 黑龙江省的综合经济得到了持续发展, 但与此同时该地区的城市空气质量也受到了严峻挑战.
|
图 1 研究区概况示意 Fig. 1 Location of the study area |
PM2.5数据集（V5.GLV4）来源于China High PM2.5数据集, 时间范围为2000~2021年, 时间分辨率为每月, 空间分辨率为1 km[24, 25]. 利用ArcGIS软件对原始数据进行预处理（重投影、重采样和裁剪等）, 以得到本文所需的PM2.5数据.本文依据四季划分法定义春季为3~5月, 夏季为6~8月, 秋季为9~11月, 冬季为12月至翌年2月（因缺少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）.按照国家《环境空气质量标准》（GB 3095-2012）, 将PM2.5浓度范围进行重分类, 分别为优（0~15 μg·m-3）、良（15~35 μg·m-3）、轻微污染（35~55 μg·m-3）、中度污染（55~75 μg·m-3）和重度污染（75~95 μg·m-3）.
1.2.2 自变量数据（影响因子）选取的影响因子数据包括自然因子和社会经济因子两大类（表 1）, 其中自然因子中的气象因子是基于气象站点的逐日数据, 首先使用IBM SPSS 27进行缺失值数据插补, 再利用ANUSPLIN插值模型[26], 以数字高程模型（DEM）为协变量进行插值, 时间范围为2000~2021年；基于DEM数据, 利用ArcGIS软件派生出坡度和坡向, 空间分辨率1 km；NDVI数据集是基于美国航空航天局提供的MOD13A3产品, 对数据进行重采样、裁剪和最大合成法等预处理, 得到2000~2021年黑龙江省NDVI年最大数据集, 时间分辨率为每月, 空间分辨率为1 km；社会经济因子中的人口密度由人口数量栅格数据计算得到, 人口数量栅格数据集时间范围为2000~2021年, 空间分辨率为100 m；由于夜间灯光与能源消费之间存在显著的线性关系[27], 因此本研究采用夜间灯光数据, 用区域内栅格数值与面积之比来描述能源消费情况, 夜间灯光数据取自吴怡珍等学者对DMSP-OLS和SNPP-VIIRS数据整合校正后的夜间灯光数据源[28], 时间序列为2000~2021年, 空间分辨率为1 km；土地利用数据来自武汉大学杨杰和黄昕教授团队向公众发布的CLCD全国土地覆盖数据[29], 该数据集最大的优势在于空间分辨率高, 且连续30 a（数据已更新至2021年）, 本研究选取数据自2000年开始, 每5 a为一期.
|
表 1 驱动因子数据列 Table 1 List of driving factor data |
1.3 研究方法 1.3.1 Theil-Sen Median趋势分析和Mann-Kendall显著性检验法
Theil-Sen Median广泛应用于计算趋势值, 运算效率高且具有很强的稳定性, 通常与Mann-Kendall非参数检验结合使用.即首先计算趋势值, 再使用Mann-Kendall方法判断趋势显著性, 具体计算公式详见文献[30].按照Mann-Kendall显著性检验的|Z|值, 将黑龙江省PM2.5变化趋势分为显著减小和不显著减小两个等级, 当|Z| > 1.96时, 即置信水平低于95%时属于显著变化, 反之, 当0 < |Z| ≤ 1.96时, 则属于不显著变化.
1.3.2 空间自相关分析全局莫兰指数（Moran's I）可以描述黑龙江省PM2.5在整体空间分布上的集聚情况, Moran's I的取值范围为[-1, 1], I > 0为空间正自相关, 即倾向于空间聚集；I < 0为负自相关, 即倾向于空间分散, I = 0则分布随机.具体计算公式见文献[31].
1.3.3 地理探测器地理探测器是一种探测空间分异性及揭示背后驱动力的统计学工具, 可以探测数值型及定性数据；除了可以分析单一因子对因变量的影响, 也可分析两因子的交互作用对因变量的影响[32].本文首先将各影响因子的栅格影像数据利用Python中的ArcPy模块, 对齐各个栅格图像的空间范围, 统一其各自的行数与列数, 再基于R语言中的GD包（其优点是可以自动实现自变量数据的最优离散化方法选取与执行）, 依据各影响因子的栅格影像数据进行分析, 选择地理探测器结果中的分异及因子探测和交互作用探测来探讨各驱动因子对PM2.5污染的解释程度, 得出影响黑龙江省PM2.5污染的关键驱动因子.
分异及因子探测：探测各驱动因子对PM2.5空间分异的解释程度.使用q值度量驱动因子的相对重要性, 取值范围为[0, 1], 值越大则该因子对PM2.5空间分异的解释力越大, 反之越弱.其计算公式如下：
|
(1) |
式中, h=1, …, L为驱动因子的分类或分区数量；N和Nh分别为全区单元数和区域h样本数；σ2和σh2分别为全区方差和区域h的方差.
交互作用探测：探测两个不同驱动因子共同作用时对PM2.5的解释程度（增加或减小）.首先计算两个驱动因子X1和X2各自对PM2.5的解释力度q（X1）和q（X2）, 然后计算两者交互作用后的值q（X1∩X2）, 最后将q（X1）和q（X2）的值与q（X1∩X2）的值进行对比, 共有5种情况（表 2）.
|
|
表 2 交互作用类型 Table 2 Types of interactions |
1.3.4 多尺度地理加权回归模型（MGWR）
MGWR模型自变量具有不同的空间平滑水平, 可以有效解释空间的非平稳性[33].传统的地理加权回归模型（GWR）的带宽只能对所有变量取平均值（即取相同的带宽）, MGWR可以对不同变量进行不同带宽的划分, 并通过带宽将各影响因素区分为全局因素和局部因素, 来揭示各影响因素空间异质性的强弱[34].具体计算公式见文献[35].
在分析前需要将各栅格数据进行预处理, 首先在ArcGIS10.8中将研究区域划分为25 km×25 km的网格单元, 共850个, 并取每个网格的中心点坐标将各数据进行空间连接, 然后利用MGWR2.2软件进行分析, 核函数选择高斯核函数, 带宽选择准则为修正的赤池信息量模型优化准则（AICc） [36].
2 结果与分析 2.1 PM2.5浓度时间变化特征 2.1.1 PM2.5浓度年际变化特征本研究时段内黑龙江省PM2.5浓度变化呈现先逐渐升高再快速下降的趋势（图 2）, 2000~2003年PM2.5轻微污染范围逐渐扩大, 由哈尔滨市、大庆市及绥化市逐渐向东北方向蔓延到佳木斯市、七台河市和鸡西市, 2003年轻微污染范围几乎涵盖整个研究区, 且开始出现中度污染, 范围较小.2011年中度污染范围开始变大, 主要分布于哈尔滨西北部与绥化市东南部接壤地区.2013年出现重度污染且范围最大, 空气环境质量较差, 高污染地区集中在西南部的哈尔滨市、绥化市和大庆市. 2013~2015年为黑龙江省污染最为严重的几年, 2016年除极少部地区污染严重外, 大部分地区的空气质量均得到好转, 2019~2021年还持续出现优等天气, 环境质量状况不断改善.
|
图 2 2000~2021年PM2.5浓度年均值空间分布 Fig. 2 Spatial distribution of annual mean value of PM2.5 concentration from 2000 to 2021 |
2000~2021年黑龙江省ρ（PM2.5）均值为33.02 μg·m-3（图 3）, 低于国家《环境空气质量标准》（GB 3095-2012）中的年平均二级浓度限值（35 μg·m-3）, 但在部分年份, 例如2003年及2008~2015年, PM2.5浓度略高于二级浓度限制, 说明在前些年黑龙江省的PM2.5污染较为严重.根据拟合方程的结果, 2000~2021年黑龙江省PM2.5的变化斜率为-0.49 μg·（m3·a）-1, 整体上处于波动下降趋势. ρ（PM2.5）峰值年出现在2003年, 为41.00 μg·m-3, ρ（PM2.5）最小值出现在2021年, 为22.01 μg·m-3, 2013年是黑龙江省PM2.5浓度由升高变为下降的转折点.
|
图 3 2000~2021年黑龙江省年PM2.5浓度时间变化趋势 Fig. 3 Temporal variation in annual average PM2.5 concentration in the Heilongjiang Province from 2000 to 2021 |
本研究时段内各季节PM2.5浓度总体上均呈下降趋势（图 4）, 其中夏季PM2.5浓度下降最快, 其斜率为-0.61 μg·（m3·a）-1. 2000~2021年黑龙江省春季、夏季、秋季和冬季ρ（PM2.5）均值分别为31.59、21.70、30.69和46.94 μg·m-3, 只有冬季均值高于国家二级浓度限值（35 μg·m-3）, PM2.5浓度呈现冬春高、夏秋低的季节分布特征.
|
图 4 2000~2021年黑龙江省季节PM2.5浓度时间变化趋势 Fig. 4 Temporal variation in seasonal PM2.5 concentration in the Heilongjiang Province from 2000 to 2021 |
黑龙江省全年及四季的ρ（PM2.5）均值分别在23.17~57.33、23.50~51.80、19.86~31.00、19.37~55.97和29.62~99.16 μg·m-3之间（图 5）.根据《环境空气质量标准》（GB 3095-2012）, 除夏季外, 其余各季节均有污染状况, 主要分布在黑龙江省南部, 包括哈尔滨市、绥化市、大庆市、佳木斯市和鸡西市的东部地区.冬季空气污染最为严重, 高污染地区集中于哈尔滨市、绥化市和大庆市部分地区.年际尺度上, PM2.5浓度的变化斜率范围在0~-0.94 μg·（m3·a）-1之间, 变化较大的地区为以哈尔滨市为中心的西南部和东北部的佳木斯市、双鸭山市地区.PM2.5呈显著下降的面积占79.88%（表 3）, 主要分布在西北部的大兴安岭地区、黑河市、伊春市、齐齐哈尔西部和东南部的牡丹江市；季节尺度上, PM2.5浓度呈显著下降面积占比最大的是夏季（99.97 %）, 几乎涵盖整个研究区域；呈显著下降面积占比最小的是秋季（27.8%）, 主要分布于大兴安岭地区和黑河市.
|
图 5 2000~2021年黑龙江省PM2.5浓度平均值、变化趋势和显著性检验空间分布 Fig. 5 Spatial distribution of multi-year average, changing trend, and significance test of PM2.5 concentration in Heilongjiang Province from 2000 to 2021 |
|
|
表 3 黑龙江省PM2.5浓度变化显著性统计 Table 3 Statistical results of the significance test of PM2.5concentration in Heilongjiang Province |
2.3 PM2.5空间自相关分析
以市级行政区划为单元, 以2000、2005、2010、2015和2021年为时间节点进行的全局空间自相关分析表明（表 4）, 5个年份的全局Moran's I指数均大于0, 表明黑龙江省PM2.5浓度平均值在空间分布上存在显著自相关性, 即倾向于空间集聚.全局Moran's I 指数从2000年开始上升到2010年, 2015年和2021年自相关性显著小于前3 a, 整体符合先升后降的特征.
|
|
表 4 2000~2021年黑龙江省PM2.5浓度平均值全局Moran's I Table 4 Global Moran's I of PM2.5 annual average concentration in Heilongjiang Province from 2000 to 2021 |
2.4 PM2.5空间分异的驱动因素分析 2.4.1 主控因子探测
本文基于2000、2005、2010、2015和2021年的数据, 利用地理探测器筛选影响黑龙江省PM2.5空间分异的关键驱动因子并分析其作用大小.
（1）单因子探测 从整体上看（表 5）, 年均气温对PM2.5的影响显著高于其他因子, 根据地理探测器特点, 筛选出影响PM2.5空间分异的关键驱动因子（q平均值> 0.1）, 分别为年均气温（0.59）、高程（0.42）、人口密度（0.38）、年均风速（0.30）、土地利用（0.28）、夜间灯光（0.26）、年降水量（0.19）、坡度（0.17）、年均相对湿度（0.16）和NDVI（0.13）.2000年和q平均值的主控影响因子相同, 排名前3位的因子分别为年均气温、高程和人口密度.2005年和2021年除坡向外, 其余因子均对PM2.5空间分异产生影响.2010年与2015年日照时数、坡向和年均相对湿度对PM2.5空间分异的影响作用不大, 2010年年降水量的影响作用也不明显.
|
|
表 5 2000、2005、2010、2015和2021年影响因子探测统计 Table 5 Detection statistics of detection factors in 2000, 2005, 2010, 2015, and 2021 |
（2）交互探测 5个年份影响因子交互作用的q值多年平均值如表 6所示, 影响黑龙江省PM2.5空间分异的驱动因子中双因子作用整体要高于单因子作用, 交互作用结果均表现为非线性增强或双因子增强.q值多年平均值排列前3的因子组合均为气象因子, 分别是气温∩湿度（0.74）、气温∩日照（0.73）和气温∩降水（0.72）.此外, 气温与其他因子交互作用的q值多年平均值在0.6~0.74之间, 远高于其他影响因子间的交互作用, 说明气温对黑龙江省PM2.5空间分异起主控作用.
|
|
表 6 2000、2005、2010、2015和2021年影响因子交互作用q值多年平均值1） Table 6 Statistical results of the mean q value of interaction detection in 2000, 2005, 2010, 2015, and 2021 |
2.4.2 主控因子空间异质性
为进一步探究PM2.5污染影响因素及其空间异质性, 考虑到时效性原则并结合单因子探测筛选出的关键影响因子, 即年均气温、高程、人口密度、年均风速、土地利用、夜间灯光、年降水量、坡度、年均相对湿度和NDVI, 利用MGWR模型对2021年黑龙江省PM2.5及各因子数据进行分析.
（1）MGWR模型总体分析 所选变量与PM2.5污染均存在显著的空间关联, 且空间关联性均通过5%（P值< 0.05）的显著性水平检验（表 7）.根据变量系数的估计均值结果, 年均气温、年均相对湿度、人口密度和夜间灯光表现为正向关联, 说明其对PM2.5污染起促进作用, 高程、坡度、年降水量、年均风速、NDVI和土地利用为负向关联, 在一定程度上能削弱区域的PM2.5浓度.MGWR模型调整后R2为0.98, 表明该模型拟合程度高, 性能很好.变量指标的带宽（BW）差异较大说明这些影响因素的作用尺度不同, 其中, 风速、气温、相对湿度和NDVI对黑龙江省PM2.5的作用尺度相对较低, 而社会经济因子中的人口密度和土地利用对PM2.5的作用尺度最大.
|
|
表 7 MGWR模型总体回归结果 Table 7 Estimation results of MGWR model |
（2）影响因素的空间异质性分析 基于MGWR模型分析结果, 筛选出通过显著性检验（P值< 0.1）的网格单元, 并在ArcGIS 10.8中对局部影响因素的系数采用自然间断点分级法进行可视化处理, 得到由模型输出的各驱动因子回归系数的空间分布（图 6）.
|
图 6 黑龙江省PM2.5影响因素的回归系数空间分布 Fig. 6 Regression coefficients and spatial distribution of PM2.5 influencing factors in Heilongjiang Province |
回归系数的绝对值表示影响因子对PM2.5污染的影响程度, 回归系数的正负表示影响的方向[35]：①气象因素方面.除大兴安岭及佳木斯市的少数部分地区, 其余地区几乎均受到降水的负向影响[图 6（a）]；与降水相反的是, 相对湿度对省内PM2.5污染均产生正向作用[图 6（d）]；气温对于PM2.5的影响程度呈南高北低的趋势[图 6（b）], 这与PM2.5浓度空间分布相似, 说明气温对PM2.5变化的影响作用较强, 再次印证2.4.1中地理探测器的研究结果；PM2.5受风速的影响表现出明显的空间分异现象, 主要分布在东西两侧[图 6（c）]. ②环境因素方面.高程对PM2.5具有较强的负向作用[图 6（f）], 作用强度大的地区主要分布在齐齐哈尔市、绥化市、大庆市和哈尔滨的部分地区；坡度对PM2.5的作用范围主要为两部分[图 6（g）], 一部分位于哈尔滨市与绥化市的中西部地区, 另一部分作用于佳木斯市、双鸭山市和鸡西市省东部地区, 均为负向作用；NDVI总体上对PM2.5污染起抑制作用[图 6（e）], 但在哈尔滨市与绥化市交界处NDVI对其影响方向呈正向, 哈尔滨市是省内PM2.5高污染聚集地, 作为平均影响程度最小的因素, 植被的吸附作用可能不及其它对污染物扩散的影响.③社会经济因素方面.人口密度和夜间灯光能够反映地区经济及能源消费情况, 对PM2.5污染起促进作用, 作用强度大的地区集中在黑龙江省南部, 该地区城市化进程相对较快, 废气污染程度高于其他地区, 故为PM2.5高污染聚集区；土地利用对PM2.5污染的空间差异显著, 主要对哈尔滨市起促进作用, 其余东部地区表现为负向作用.
3 讨论 3.1 PM2.5浓度时空变化特征本研究时段内黑龙江省PM2.5浓度年平均值呈先升后降的趋势, 2008~2015年黑龙江省PM2.5污染最为严重, 2013年为PM2.5浓度变化的转折点, 与我国PM2.5时空演变特征一致[19]. 2000年开始我国高度重视经济发展, 黑龙江省作为我国典型的老工业基地, 以大庆市和七台河市为代表的重工业城市在这一时期迅速发展, 粗犷式的经济发展模式致使空气质量状况急剧下降, 这与曹翠红等[37]对北京地区的研究结果相似. 2013年的全国性重雾-霾天气催生了国家的《大气污染防治行动计划》, 黑龙江省政府也实施了《黑龙江省大气污染防治条例》, 环保政策的落实和产业结构的调整在一定程度上抑制了污染物和细颗粒物的排放.黑龙江省PM2.5浓度呈现冬春高、夏秋低的季节分布特征, 供暖期大量煤炭的燃烧再加上秋冬季低空易出现的逆温层不利于PM2.5的扩散和稀释, 这与吴迪等[38]对东北地区PM2.5时空分布的研究结果一致；而夏季日照时间长, 受季风气候影响, 降水增多, 近地面层热力对流旺盛, 良好的大气扩散条件与丰富的降水之间的协同作用能够有效降低PM2.5浓度[39], 另外夏季植物复杂的叶片结构、茸毛以及从气孔中分泌出的叶浆和油脂等也有明显的减尘、滞尘和吸附作用[40].
黑龙江省PM2.5浓度的空间分布格局呈南高北低的特征, 这与已有的结论一致[41], 高值区主要聚集在西南部的哈尔滨市、绥化市及大庆市等经济相对发达的城市；大兴安岭等西北部地区人口密度极低, 该地区生物多样性丰富[42], 以兴安落叶松为主的天然森林其颗粒物滞纳能力更强[43], 有效减缓了PM2.5的生成与扩散, 故该地区PM2.5浓度常年处于低值.这样的空间分布格局与全省工业生产的布局和人类活动的强度密切相关, 这与Zhou[8]的研究结论相符.
3.2 PM2.5浓度变化的驱动因素地理探测器能够准确地探测各因子对PM2.5浓度的贡献值, 突出各因子组合间的相关性, 本文利用地理探测器筛选出10个影响PM2.5浓度变化的关键因子, 其中气温的影响程度最高, 同时双因子结合作用要大于单因子作用, 说明在自然因素和社会经济因素的耦合作用下, PM2.5的变化会更加显著, 空间异质更加明显, 这与已有研究结论相吻合[4, 5, 11, 18].地理探测器有效剔除了冗余因素, 使构建的多尺度地理加权回归模型精度更高, 提高了模型的科学性与可信性, 两者结合不仅可以消除多因子共线性问题, 而且可以对PM2.5污染的局部影响因素进行定量空间可视化.
（1）自然因子对PM2.5污染的驱动分析 降水能够促进空气中细颗粒物的沉降, 因此年降水量总体上对PM2.5污染呈负向作用, 武高峰等[12]对北京城区的研究中也得出此结论；年均气温对PM2.5的生成起促进作用, 且与PM2.5浓度空间分异相似, 可能是因为黑龙江省的工业及人口多分布在西南部地区, 排放的废气会进一步促使PM2.5在大气中产生复杂的物化反应, 局部还会产生热岛效应[44], 这与张军等[11]的研究结果相符；年均相对湿度与PM2.5污染呈正相关, 丁净等[45]发现当相对湿度达到一定范围, PM2.5污染发生频率会随之增加, 这可能是年均相对湿度对PM2.5污染起正向作用的主要原因；年均风速对于PM2.5污染具有明显的空间异质性, 黑龙江省盛行西北风, 再加上西北-东南山脉影响, 所以西部地区年均风速要比东部地区大, 松嫩平原更有利于细颗粒物借助风力进行扩散, 这与Jin等[13]的研究结论一致.
（2）环境因子对PM2.5污染的驱动分析 本研究发现地形因子对PM2.5污染起抑制作用[图 6（f）和6（g）], 黑龙江省西北部大小兴安岭地区与东南部的长白山余脉共同构成一条山地丘陵区, 它们通过影响人口分布和大气水平扩散能力来间接影响PM2.5的空间分布, 这与徐勇等[22]的研究结论一致.植被本身能够捕获和固定大气中的颗粒物, 使颗粒物含量降低[17], 因此NDVI对黑龙江省大部分地区PM2.5污染起抑制作用, 这与张莉等[43]的研究结论一致.在哈尔滨与绥化市交界的部分地区, NDVI表现出了正向作用, 说明在该区域其他影响因子的作用程度要远大于NDVI, 黑龙江省主要城市的植被类型是以落叶林为主, 不同配植的森林植被对PM2.5的吸附作用差别明显, 其中松类树木吸附和积累PM2.5的能力最强[46], 因此, 黑龙江省今后可以在城市建成区多营造以红松、云杉、油松和樟子松等常绿针叶树种为主的城市森林来削减细颗粒物浓度.
（3）社会经济因子对PM2.5污染的驱动分析 夜间灯光和人口密度对PM2.5的影响主要呈现正向关系, 两者的空间分布与城市化发展的空间格局息息相关, 人口分布和能源消耗的极不均衡导致排放的污染气体存在明显的地域差异, 这与王丽丽等[18]的研究结论一致, 因此省政府应着重加强绿色能源建设, 调整并优化产业结构, 提高人们的环保意识.土地利用对PM2.5污染呈现出显著的空间分异, 哈尔滨作为省会城市, 受建筑用地扩张的影响较强, 硬化面积扩大, 生境条件变差, 因此为PM2.5污染主要聚集地；而佳木斯市、鹤岗市和牡丹江市等东部平原地区土地利用主要以耕地、林地或湖泊为主, 现有土地利用类型对PM2.5的形成和扩散起抑制作用.
（4）不同影响因素的尺度效应 MGWR模型可以识别各因子对PM2.5的不同作用尺度, 模型总体回归结果表明, 与社会经济因子相比, 自然因子对PM2.5的影响范围更小（带宽较小）.因此, 针对黑龙江省污染具体情况, 在充分考虑自然因素影响的基础上, 应着重加强对社会经济因素方面的调整管控, 优化高污染地区的能源结构及土地规划, 完善相应的法律法规.
4 结论（1）时间上, 2000~2021年黑龙江省PM2.5污染呈先升后降的趋势, 其中2000~2013年为波动上升阶段, 2013~2021年PM2.5浓度持续下降. PM2.5污染季节上呈现冬春高, 夏秋低的分布模式, 冬季污染最为严重.空间上, PM2.5浓度呈现出南高北低的空间分布格局, 高污染区集中在西南部的哈尔滨市、大庆市及周边地区, 北部的大兴安岭和黑河市等地PM2.5污染常年处于低值.
（2）因子探测结果表明, 气温是影响黑龙江省PM2.5空间分异最关键的驱动因子.各因子在交互作用后对PM2.5的解释程度远高于单因子作用, 气温与其他因子交互作用大于其他因子间的交互作用, 自然因子间的交互作用比社会经济因子的作用更加明显.
（3）各因子对PM2.5的作用尺度和方向差异显著.其中, 年均气温、年均风速和NDVI的作用尺度最小, 而人口密度和土地利用的作用尺度最大.年均气温、年均相对湿度、人口密度和夜间灯光表现为正向关联, 对黑龙江省PM2.5污染起促进作用, 高程、坡度、年降水量、年均风速、NDVI和土地利用的回归系数总体上为负, 对PM2.5污染起抑制作用.
| [1] |
康盼茹, 陶园园, 童艳君, 等. 2020-2021年冬季长三角北部典型农业城市大气PM2.5及其组分特征和来源解析[J]. 环境科学研究, 2023, 36(12): 2269-2281. Kang P R, Tao Y Y, Tong Y J, et al. Characteristics and source apportion of atmospheric PM2.5 and its components in a northern typical agricultural city of the Yangtze River delta in winter of 2020-2021[J]. Research of Environmental Sciences, 2023, 36(12): 2269-2281. |
| [2] |
吴瑞丽, 张强, 赵红艳, 等. 中国337城市大气PM2.5污染健康损失的来源贡献特征[J]. 环境科学学报, 2023, 43(11): 173-181. Wu R L, Zhang Q, Zhao H Y, et al. Source contributions of PM2.5-associated health impacts of 337 cities in China[J]. Acta Scientiae Circumstantiae, 2023, 43(11): 173-181. |
| [3] |
彭豪杰, 周杨, 胡校飞, 等. 基于深度学习与随机森林的PM2.5浓度预测模型[J]. 遥感学报, 2023, 27(2): 430-440. Peng H J, Zhou Y, Hu X F, et al. PM2.5 prediction model based on deep learning and random forest[J]. National Remote Sensing Bulletin, 2023, 27(2): 430-440. |
| [4] |
葛岂序, 刘岩, 杨洪, 等. 2015~2019年河南省PM2.5时空特征与驱动因素分析[J]. 环境科学, 2022, 43(4): 1697-1705. Ge Q X, Liu Y, Yang H, et al. Analysis on spatial-temporal characteristics and driving factors of PM2.5 in Henan province from 2015 to 2019[J]. Environmental Science, 2022, 43(4): 1697-1705. |
| [5] |
徐勇, 郭振东, 郑志威, 等. 运用地理探测器研究京津冀城市群PM2.5浓度变化及影响因素[J]. 环境科学研究, 2023, 36(4): 649-659. Xu Y, Guo Z D, Zheng Z W, et al. Study of the PM2.5 concentration variation and its influencing factors in the Beijing-Tianjin-Hebei urban agglomeration using Geo-Detector[J]. Research of Environmental Sciences, 2023, 36(4): 649-659. |
| [6] |
徐勇, 郭振东, 郑志威, 等. 2000~2021年成渝城市群PM2.5时空变化及驱动机制多维探测[J]. 环境科学, 2023, 44(7): 3724-3737. Xu Y, Guo Z D, Zheng Z W, et al. Spatio-temporal variation and multi-dimensional detection of driving mechanism of PM2.5 concentration in the Chengdu-Chongqing urban agglomeration from 2000 to 2021[J]. Environmental Science, 2023, 44(7): 3724-3737. |
| [7] |
王相男, 张喆, 刘方青. 天山北坡城市群PM2.5浓度时空分布特征及影响因素分析[J]. 环境科学, 2024, 45(3): 1315-1327. Wang X N, Zhang Z, Liu F Q. Analysis of spatio-temporal distribution characteristics and influencing factors of PM2.5concentration in urban agglomerations on the northern slope of Tianshan Mountains[J]. Environmental Science, 2024, 45(3): 1315-1327. |
| [8] | Zhou L, Zhou C H, Yang F, et al. Spatio-temporal evolution and the influencing factors of PM2.5 in China between 2000 and 2015[J]. Journal of Geographical Sciences, 2019, 29(2): 253-270. DOI:10.1007/s11442-019-1595-0 |
| [9] |
张逸冰, 梁轶群, 张远, 等. 2017-2019年峰峰矿区PM2.5中重金属来源解析及生态风险评价[J]. 环境工程, 2023, 41(8): 242-250. Zhang Y B, Liang Y Q, Zhang Y, et al. Source apportionment and ecological risk assessment of heavy metals in PM2.5 in the Fengfeng mining area in 2017-2019[J]. Environmental Engineering, 2023, 41(8): 242-250. |
| [10] |
王振波, 梁龙武, 王旭静. 中国城市群地区PM2.5时空演变格局及其影响因素[J]. 地理学报, 2019, 74(12): 2614-2630. Wang Z B, Liang L W, Wang X J. Spatio-temporal evolution patterns and influencing factors of PM2.5 in Chinese urban agglomerations[J]. Acta Geographica Sinica, 2019, 74(12): 2614-2630. |
| [11] |
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. |
| [12] |
武高峰, 王丽丽, 董洁, 等. 北京城区降水对PM2.5和PM10清除作用分析[J]. 中国环境监测, 2021, 37(3): 83-92. Wu G F, Wang L L, Dong J, et al. Effects of precipitation on the removal of PM2.5 and PM10 in Beijing urban area[J]. Environmental Monitoring in China, 2021, 37(3): 83-92. |
| [13] | Jin H Y, Chen X H, Zhong R D, et al. Influence and prediction of PM2.5 through multiple environmental variables in China[J]. Science of the Total Environment, 2022, 849. DOI:10.1016/j.scitotenv.2022.157910 |
| [14] |
张运林, 睢晋玲, 吴娴, 等. 粤港澳大湾区PM2.5时空分布特征及其与气象要素的关系[J]. 生态学报, 2021, 41(6): 2272-2281. Zhang Y L, Sui J L, Wu X, et al. Temporal and spatial distribution characteristics of PM2.5 and its relationship with meteorological factors in Guangdong-Hong Kong-Macao Greater Bay Area[J]. Acta Ecologica Sinica, 2021, 41(6): 2272-2281. |
| [15] |
黄小刚, 赵景波, 孙从建, 等. 汾渭平原PM2.5空间分布的地形效应[J]. 环境科学, 2021, 42(10): 4582-4592. Huang X G, Zhao J B, Sun C J, et al. Orographic influences on the spatial distribution of PM2.5 on the Fen-Wei Plain[J]. Environmental Science, 2021, 42(10): 4582-4592. |
| [16] |
徐丹妮, 王瑾婷, 袁自冰, 等. 汾渭平原复杂地形影响下冬季PM2.5污染分布特征、来源及成因分析[J]. 环境科学学报, 2021, 41(4): 1184-1198. Xu D N, Wang J T, Yuan Z B, et al. Temporal-spatial variations, source apportionment, and formation mechanisms of PM2.5 pollution over Fenwei Plain, China[J]. Acta Scientiae Circumstantiae, 2021, 41(4): 1184-1198. |
| [17] |
李家馨, 韩立建, 张志明, 等. 中国主要城市森林对大气PM2.5的削减量及其占大气PM2.5总量比例[J]. 生态学报, 2023, 43(7): 2640-2649. Li J X, Han L J, Zhang Z M, et al. Assessment on the reduction of atmospheric PM2.5 by urban forest and its ratio to the total PM2.5 pollutant in the Chinese major cities[J]. Acta Ecologica Sinica, 2023, 43(7): 2640-2649. |
| [18] |
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. |
| [19] |
周鹏, 刘雅婷, 刘兰君, 等. 2009-2018年中国PM2.5时空演化特征及影响因素研究[J]. 生态经济, 2023, 39(5): 180-187. Zhou P, Liu Y T, Liu L J, et al. Study on temporal and spatial evolution characteristics and influencing factors of PM2.5 in China from 2009 to 2018[J]. Ecological Economy, 2023, 39(5): 180-187. |
| [20] |
陈培林, 肖欣欣, 王勤耕. 基于卫星观测的2010~2020年中国高分辨率NH3排放特征[J]. 中国环境科学, 2023, 43(6): 2673-2682. Chen P L, Xiao X X, Wang Q G. High-resolution characteristics of NH3 emission from 2010 to 2020 in China based on satellite observation[J]. China Environmental Science, 2023, 43(6): 2673-2682. |
| [21] |
邢冉, 沈国锋, 程和发, 等. 东北地区农村生活能源结构变迁及其对区域污染物排放的影响[J]. 生态环境学报, 2022, 31(12): 2367-2373. Xing R, Shen G F, Cheng H F, et al. Changes of residential energy structure and regional pollutant emissions in rural areas of northeast China[J]. Ecology and Environmental Sciences, 2022, 31(12): 2367-2373. |
| [22] |
徐勇, 韦梦新, 邹滨, 等. 基于空间尺度效应的山东省PM2.5浓度时空变化及空间分异地理探测[J]. 环境科学, 2024, 45(5): 2596-2612. Xu Y, Wei M X, Zou B, et al. Spatial-temporal variation and spatial differentiation geographic detection of PM2.5 concentration in Shandong province based on spatial scale effect[J]. Environmental Science, 2024, 45(5): 2596-2612. |
| [23] |
宋颖, 高明秀, 王佳凡, 等. 基于MGWR的滨海区土壤盐渍化分布空间预测及影响因素分析[J]. 环境科学, 2024, 45(7): 4293-4301. Song Y, Gao M X, Wang J F, et al. Spatial prediction and influencing factors analysis of soil salinization in coastal area based on MGWR[J]. Environmental Science, 2024, 45(7): 4293-4301. |
| [24] | 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 |
| [25] | 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 |
| [26] |
肖旭, 郑诚, 丁成琴, 等. 基于ANUSPLIN的黄土丘陵区气象要素插值方法对比与评估[J]. 干旱区研究, 2023, 40(10): 1575-1582. Xiao X, Zheng C, Ding C Q, et al. Comparative analysis of the temperatures and rainfall in loess hilly regions using the ANUSPLIN model[J]. Arid zone research, 2023, 40(10): 1575-1582. |
| [27] |
陶俊逸, 赵筱青, 陈彦君, 等. 云南省能源消费碳排放时空演变及其影响因素[J]. 环境科学与技术, 2023, 46(9): 178-187. Tao J Y, Zhao X Q, Chen X J, et al. Spatial and temporal evolution of carbon dioxide emissions from energy consumption and influencing factors in Yunnan province[J]. Environmental Science & Technology, 2023, 46(9): 178-187. |
| [28] | Wu Y Z, Shi K F, Chen Z Q, et al. Developing improved time-series DMSP-OLS-Like data (1992-2019) in China by integrating DMSP-OLS and SNPP-VIIRS[J]. IEEE Transactions on Geoscience and Remote Sensing, 2022, 60. DOI:10.1109/TGRS.2021.3135333 |
| [29] | Yang J, Huang X. The 30 m annual land cover dataset and its dynamics in China from 1990 to 2019[J]. Earth System Science Data, 2021, 13(8): 3907-3925. DOI:10.5194/essd-13-3907-2021 |
| [30] | 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 |
| [31] |
陈彦光. 基于Moran统计量的空间自相关理论发展和方法改进[J]. 地理研究, 2009, 28(6): 1449-1463. Chen Y G. Reconstructing the mathematical process of spatial autocorrelation based on Moran's statistics[J]. Geographical Research, 2009, 28(6): 1449-1463. |
| [32] |
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. |
| [33] | Fotheringham A S, Yang W B, Kang W. Multiscale geographically weighted regression (MGWR)[J]. Annals of the American Association of Geographers, 2017, 107(6): 1247-1265. DOI:10.1080/24694452.2017.1352480 |
| [34] |
林秋平, 李松芮, 杨上广, 等. 乌鲁木齐市物流企业区位时空演化、影响因素和发展策略研究[J]. 干旱区地理, 2024, 47(7): 1252-1262. Lin Q P, Li S R, Yang S G, et al. Spatiotemporal evolution, influencing factors, and development strategies of logistics enterprise location in Urumqi City[J]. Arid Land Geography, 2024, 47(7): 1252-1262. |
| [35] |
李泳君, 陈青长, 方贺, 等. 基于多尺度地理加权回归的长江流域植被时空演化及其影响因素的空间异质性研究[J]. 中国环境科学, 2023. Li Y J, Chen Q C, Fang H, et al. Spatial heterogeneity of vegetation evolution and its influencing factors in the Yangtze River Basin based on multi-scale geographical weighted regression[J]. China Environmental Science, 2023. DOI:10.19674/j.cnki.issn1000-6923.20230911.001 |
| [36] | Li Z Q, Fotheringham A S. Computational improvements to multi-scale geographically weighted regression[J]. International Journal of Geographical Information Science, 2020, 34(7): 1378-1397. DOI:10.1080/13658816.2020.1720692 |
| [37] |
曹翠红, 蒋远营. 基于TVP-VAR-SV模型的经济发展和PM2.5的联动关系研究——以北京市为例[J]. 生态经济, 2020, 36(8): 185-193. Cao C H, Jiang Y Y. Research on the interaction between economic development and PM2.5 based on TVP-VAR-SV model: taking Beijing as an example[J]. Ecological Economy, 2020, 36(8): 185-193. |
| [38] |
吴迪, 高枞亭, 李建平, 等. 东北地区PM2.5质量浓度遥感估算与时空分布特征[J]. 地理科学, 2023, 43(10): 1869-1878. Wu D, Gao Z T, Li J P, et al. Remote sensing estimation and spatial-temporal distribution of PM2.5 concentration in Northeast China[J]. Scientia Geographica Sinica, 2023, 43(10): 1869-1878. |
| [39] |
黄俊, 王超群, 周宝琴, 等. 广州PM2.5污染特征及与气象因子的关系分析[J]. 环境污染与防治, 2020, 42(2): 176-181, 186. Huang J, Wang C Q, Zhou B Q, et al. Characteristics of PM2.5 pollution and its relationship with meteorological factors in Guangzhou[J]. Environmental Pollution & Control, 2020, 42(2): 176-181, 186. |
| [40] |
房佳兴, 李少宁, 赵娜, 等. 植物吸滞PM2.5研究进展——从宏观到微观[J]. 生态学报, 2024, 44(6): 2632-2645. Fang J X, Li S N, Zhao N, et al. Research progress on PM2.5 absorption by plants: from macro to micro[J]. Acta Ecologica Sinica, 2024, 44(6): 2632-2645. |
| [41] |
张思宇, 茹艺. 黑龙江省PM2.5时空演变特征研究[J]. 绿色科技, 2022, 24(4): 96-99. Zhang S Y, Ru Y. Temporal and spatial evolution characteristics of PM2.5 in Heilongjiang Province[J]. Journal of Green Science and Technology, 2022, 24(4): 96-99. |
| [42] |
韩铭, 李华, 蔡体久. 黑龙江太平沟国家级自然保护区森林群落植物多样性特征[J]. 森林工程, 2023, 39(5): 40-47. Han M, Li H, Cai T J. Plant Diversity of forest community in Taipinggou national nature reserve, Heilongjiang province[J]. Forest Engineering, 2023, 39(5): 40-47. |
| [43] |
张莉, 李铖, 谭皓泽, 等. 广州典型城市林地对大气颗粒物的削减效应及影响因素[J]. 生态环境学报, 2023, 32(2): 341-350. Zhang L, Li C, Tan H Z, et al. Reduction effect and influencing factors of typical urban woodlands on atmospheric particulate matter in Guangzhou[J]. Ecology and Environmental Sciences, 2023, 32(2): 341-350. |
| [44] | Rashid N, Alam J A M M, Chowdhury M A, et al. Impact of landuse change and urbanization on urban heat island effect in Narayanganj City, Bangladesh: a remote sensing-based estimation[J]. Environmental Challenges, 2022, 8. DOI:10.1016/j.envc.2022.100571 |
| [45] |
丁净, 唐颖潇, 郝天依, 等. 天津市冬季空气湿度对PM2.5和能见度的影响[J]. 环境科学, 2021, 42(11): 5143-5151. Ding J, Tang Y X, Hao T Y, et al. Impact of air humidity on PM2.5 mass concentration and visibility during winter in Tianjin[J]. Environmental Science, 2021, 42(11): 5143-5151. |
| [46] |
王冰, 赵新新. 不同配置模式的城市森林植被对PM2.5的吸附研究[J]. 沈阳农业大学学报, 2022, 53(2): 204-212. Wang B, Zhao X X. Study on the adsorption of PM2.5 by urban forest vegetation with different configuration modes[J]. Journal of Shenyang Agricultural University, 2022, 53(2): 204-212. |