2020, Vol. 41
2. 太原师范学院城镇与区域发展研究所, 晋中 030619
2. Institute of Urban and District Development, Taiyuan Normal University, Jinzhong 030619, China
随着我国社会经济的快速发展和工业生产规模极速扩张, 空气污染已经成为影响我国生态环境、威胁人们健康的重要问题[1, 2].在诸多污染物中, 大气颗粒物污染被认为是首要污染物[3, 4], 其中, 细颗粒物(PM2.5)由于其显著的危害性而引起了广泛的关注[5~8].
作为一种严重的大气污染物, PM2.5的排放以人为源为主, 如尾气排放[9]及工业排放[10, 11].但PM2.5的时空分布却受到不同因素的影响, 包括气象条件[12]和人类活动[13]等.气象条件会影响PM2.5的集聚与扩散, 包括降水和风况等[14~17].此外, 下垫面条件的变化也会对PM2.5的分布产生影响, 如土地利用/覆被类型的变化(LUCC), 尤其是当自然植被被人造表面替代时表现尤为明显[18].在局地尺度上, 优化土地利用/覆被类型, 可以在一定程度上缓解PM2.5污染[19, 20], 厘清LUCC与PM2.5特征之间的关系对于缓解大气污染具有重要意义.但就现有的研究来看, 多数的研究都聚焦于PM2.5与气象要素[21, 22]以及经济因素[23]之间的关系, 分析LUCC对PM2.5影响的研究相对较少, 需要进一步地深入探讨.
分析LUCC对PM2.5影响的首要问题是LUCC以及PM2.5数据的获取.基于遥感的LUCC研究历史较长且已经相对成熟[24], 而遥感技术也成为获取土地利用/覆被数据的重要手段[25].传统的PM2.5数据获取方法为站点监测, 每个站点代表的有效半径一般为0.5~4 km[26], 站点之间的区域无法观测, 因而难以实现空间上的连续观测, 而空间连续的PM2.5数据更有利于分析其与LUCC之间的作用关系.
因此, 本研究以华北地区为例, 利用由大气成分分析组织(Atmospheric Composition Analysis Group, ACAG)提供的PM2.5空间分布数据以及基于遥感数据获取的土地利用/覆被数据, 在对PM2.5空间分布特征进行分析的基础上, 采用地理加权回归分析和空间分析等方法对二者之间的响应进行分析, 探讨LUCC对大气细颗粒物污染的响应机制, 以期为区域环境保护和维护区域生态安全提供决策依据.
1 材料与方法 1.1 研究区概况华北地区的地理范围包括北京市、天津市、河北省、山西省和内蒙古中部.本文根据研究区域的整体性以及数据的可获取性, 以行政区划边界为标准, 去除不完整的内蒙古中部, 选择北京市、天津市、河北省和山西省作为研究区域(图 1).研究区域内, 京津冀地区为我国北方经济规模最大、最具活力的地区, 同时也是我国大气污染最为严重的区域之一.山西省为我国重要的能源基地, 以能源消耗为主的经济结构也使其成为大气污染最为严重的区域之一.
|
图 1 研究区范围及10 km×10 km网格 Fig. 1 Study area and the 10 km×10 km grid of the study area |
本文选用年均PM2.5浓度作为分析指标, 历年PM2.5浓度数据来源于ACAG[27], 时间范围为2000~2017年(图 2), 该数据充分结合了模型模拟、遥感监测以及站点实测数据, 具有较高的精度, 并已被用于国内大气污染相关研究[28].
|
图 2 华北地区2000~2017年PM2.5空间分布 Fig. 2 Distribution of PM2.5 from 2000 to 2017 in North China |
土地利用/覆被数据来源于中国科学院资源环境科学数据中心(网址为http://www.resdc.cn)提供的中国多时期土地利用/土地覆被遥感监测数据库(CNLUCC)[29], 该数据集以Landsat遥感影像数据为主信息源, 通过人工目视解译的方式建立, 共包含6个一级分类以及25个二级分类.结合本文的应用实际, 将类别合并为耕地、林地、草地、水域、建设用地和未利用地6类, 共获取2000年和2015年两期数据(图 3).
|
图例数值单位：μg ·m-3 图 3 华北地区土地利用/土地覆被分类 Fig. 3 Land use and land cover type in North China |
采用Getis-Ord Gi*空间热点分析方法对研究区的PM2.5空间集聚特征进行分析, 该方法可以反映研究对象在局部空间上的高值聚集区(热点区)和低值聚集区(冷点区)[30, 31].计算公式为：
|
Gi*大于0时, 局部表现为高值聚集区, 即“热点区”; 当Gi*小于0时, 局部表现为低值聚集区, 即“冷点区”.
地理加权回归分析(geographically weighted regression, GWR)是最小二乘模型在空间范围内的扩展, 回归参数能够随空间位置的变化而发生改变, 是探索空间关系异质性的有效工具[32].GWR模型能够反映参数在不同地理空间位置的非平稳性, 使变量之间的相关关系因地理空间位置的差异而变化, 分析结果更加符合客观实际.因此, 本文选择GWR模型以分析LUCC与PM2.5之间的相关性, 模型结构如下：
|
式中, y为因变量, x为解释变量, (ui, vi)为第i个样本空间单元的地理中心坐标, ak(ui, vi)为函数ak(u, v)在点i处的值, 为误差项.
为了识别LUCC与PM2.5变化的空间响应模式, 将研究区范围划分为10 km×10 km的网格[图 1(b)], 统计每个网格内2000~2015年PM2.5的变化均值作为因变量, 统计每个网格内耕地、林地、草地和建设用地面积变化量作为解释变量, 运用GWR模型, 对LUCC于PM2.5变化进行空间相关性分析, 探讨其时空分异性.
在以上分析的基础上, 基于ArcGIS 10.2的空间分析工具, 对不同土地利用/覆被类型下的PM2.5进行统计, 分析不同土地利用/覆被类型下的PM2.5分布特征; 对不同土地利用/覆被转换方式下的PM2.5进行统计, 探讨不同转换方式下PM2.5的动态变化特征.
2 PM2.5对LUCC的响应分析 2.1 PM2.5时空特征研究区大气污染问题形势较为严峻, 进入21世纪后污染程度增加更为明显.由图 4可以看出, 从2000~2017年PM2.5浓度整体呈现增高的态势, PM2.5均值由2000年的33μg·m-3增加到2017年的52.69μg·m-3, 并在2006年达到最大值57.22 μg·m-3, 之后一直居高不下.依据文献[33], PM2.5年均浓度低于35 μg·m-3被认为是空气质量达标, 研究时间范围内只有2000年的PM2.5浓度值略低于标准, 空气质量达标.若依据世界卫生组织10 μg·m-3的标准, 则没有任何一个年份达标.从空间角度来看, 华北地区PM2.5浓度整体呈现东南高、西北低的空间格局, 且18a均保持这一态势没有变化(图 2).此外, 城市区域PM2.5浓度要远高于其他区域, 可见人类活动是造成大气污染的主要因素.
|
图 4 华北地区各省市PM2.5变化趋势 Fig. 4 Variation trend of PM2.5 in North China |
分区域来看, 天津市大气污染最为严重, 历年PM2.5浓度均远高于区域平均值, 最高值为2006年, 达84.64 μg·m-3.山西省大气污染相对较轻, 历年PM2.5浓度均低于区域平均值.北京市与河北省历年PM2.5浓度均接近区域平均值.依据文献[33], 天津市没有空气质量达标的年份, 北京市、河北省以及山西省只有2000年空气质量达标, 分别为28.16、34.44和31.10 μg·m-3, 其他年份均不达标.
依据文献[33], 从时间序列来看, PM2.5质量达标地市数量最多为2000年, 24个地市中共有12个, 其次为2004年, 共有7个城市达标(图 5).达标城市数最少为2006年, 只有2个城市达标, 分别为承德市和张家口市.整体来看, 各年份PM2.5质量达标地市数量均较少, 多数年份达标地市数量占比均小于1/3.
|
图 5 2000~2017年PM2.5达标地市数量 Fig. 5 Number of cities reached the PM2.5 standards from 2000 to 2017 |
从各地市来看, 2000~2017年的18 a中, 承德市和张家口市空气质量最好, 所有年份PM2.5浓度均低于文献[33]中的标准.其次为大同市、朔州市和忻州市, 达标年数分别为17、17和13 a(表 1).吕梁市有5 a的PM2.5达标, 秦皇岛市有4 a的PM2.5达标.北京市、唐山市、阳泉市、太原市、晋中市和长治市只有1 a的PM2.5达标.其余11个地市16 a来无PM2.5达标年份.可以看出, 不论是从区域整体还是各地市来看, 华北地区PM2.5污染形势严峻.
|
表 1 2000~2017年各地市PM2.5达标年份数量 Table 1 Number of years reached the PM2.5 standards of each city from 2000 to 2017 |
采用局域空间关联指数Getis-Ord Gi*来探测PM2.5空间分布的局部集聚程度, 并识别不同空间位置上的低值聚集区与高值聚集区, 即冷点区与热点区分布特征.分别对2000年和2017年的PM2.5空间分布情况做局部关联分析, 生成研究区PM2.5的空间冷热点分布(图 6).
|
图 6 PM2.5冷热点分布 Fig. 6 Distribution of cold/hot spot of PM2.5 |
可以看出, 2000~2017年研究区PM2.5冷热点空间分布格局基本保持稳定, 即东南高西北低的分布格局, 但各类型区所占比例有一定程度的变化.冷点区和次热点区的比例减少, 次冷点区和热点区的占比增加, 并主要表现为冷点区向次冷点区转化以及次热点区向热点区转化的趋势.从冷热点空间分布来看, 热点区域在2000年主要分布于北京市、河北省东南部各市以及临汾市.到2017年, 热点区域分布仍为这些区域, 但空间上有了显著的扩张, 此外天津市也由次热点区转化为热点区.冷点区在两个年份均主要分布于承德市、张家口市、大同市、朔州市和忻州市, 但空间范围逐步缩小, 并表现出向西北缩减的趋势.
2.2 土地利用/覆被变化及其转移分析由表 2可以看出, 研究区的主要土地利用/覆被类型为耕地、林地和草地, 三者面积之和约占区域总面积的90%.从变化趋势来看, 耕地呈现减少趋势, 占比由2000年的46.10%下降为2015年的45.20%, 建设用地呈增加趋势, 占比由5.85%增长为6.86%.
|
|
表 2 2000年和2015年研究区土地利用/覆被类型面积 Table 2 Area of each land use/cover types in 2000 and 2015 of the study area |
从转换类型来看(表 3), 2000~2015年耕地的转出类型主要为建设用地, 占耕地转出总面积的77.67%, 主要分布于各大城市的周边区域.林地、草地的主要转出类型同样为建设用地, 分别占总转出面积的73.36%和58.13%.水域的主要转出类型为耕地和建设用地, 分别占转出总量的48.68%和42.59%.未利用地的主要转出类型为耕地、建设用地和水域, 分别占转出总量的41.53%、30.51%和21.19%.
|
|
表 3 2000~2015年华北地区土地利用/覆被面积转移矩阵/km2 Table 3 Area conversion matrix for land use/cover change during 2000-2015 in North China/km2 |
总体来看, 2000~2015年研究区土地利用类型/覆被以耕地、林地和草地为主, 土地利用/覆被变化趋势主要表现为耕地的大量减少以及建设用地的持续增加, 水域和未利用地面积略有减少.林地和草地转入转出面积接近, 因而总量变化不大.
2.3 PM2.5对LUCC的响应分析 2.3.1 地理加权回归分析为从整体上分析土地利用/覆被变化与PM2.5变化的空间响应, 本文将PM2.5变化趋势作为因变量, 以主要土地利用/覆被类型(包括建设用地、林地、草地、耕地)变化趋势作为解释变量, 利用地理加权回归模型进行空间拟合分析.模型拟合Local R2为0.86, 拟合效果良好.从拟合结果的标准化误差(StdResid)来看[图 7(a)], 值为-2~2的范围占结果的94.34%, 说明模型拟合的关系稳定[34, 35].
|
图 7 地理加权回归分析结果 Fig. 7 Results of GWR analysis |
从图 7(b)可以看出, Local R2范围在0.000 5~0.805 0之间, 结合土地利用/覆被数据来看, Local R2较低的区域为土地利用/覆被未发生变化的区域, 而在土地利用/覆被变化明显的区域, Local R2较高, 说明PM2.5变化对土地利用/覆被变化有着显著的响应作用.
2.3.2 不同土地利用/覆被类型下的PM2.5特征由表 4可以看出, 林地的PM2.5浓度均值最小, 分别为23.14 μg·m-3和35.56 μg·m-3.建设用地的PM2.5浓度均值最大, 分别为48.03 μg·m-3和68.03 μg·m-3, 远高于其他土地利用/覆被类型, 浓度值接近林地的2倍.耕地和水域的PM2.5浓度值接近, 林地、草地和未利用地的PM2.5浓度值接近.可见, 不同土地利用/覆被条件下PM2.5表现出不同的特征, 且两个年份表现出完全一致的趋势, 即建设用地>耕地>水域>草地>林地>未利用地.因此, 根据不同土地利用/覆被类型下的PM2.5浓度特征, 可以将其划分为3个等级, 即严重污染, 包括建设用地; 中度污染, 包括耕地和水域; 轻度污染, 包括林地、草地和未利用地.
|
|
表 4 不同土地利用/覆被条件下的PM2.5变化特征/μg·m-3 Table 4 Characteristics of PM2.5 variation under different land use/cover types/μg·m-3 |
2.3.3 不同转换方式下的PM2.5特征
由于水域和未利用地占比较小, 本文选择耕地、林地、草地和建设用地这4种类型讨论土地利用/覆被类型转换对PM2.5的影响.此外, 由之前分析可以看出, 较之2000年, 研究区2015年PM2.5浓度发生了较大幅度的增加, 而造成这一增加趋势的主要影响因素为PM2.5排放量的增加, 并不是土地利用/覆被变化.因此, 为了避开这一因素的影响, 单独讨论不同土地利用/覆被类型转换方式对PM2.5浓度的影响, 首先对未发生土地利用类型转换的区域PM2.5浓度变化进行分析(表 5).
|
|
表 5 未发生土地利用/覆被类型转换区域PM2.5浓度变化/μg·m-3 Table 5 Change in PM2.5 concentration in the areas without land use/cover change/μg·m-3 |
以表 5中的变化幅度作为参照变化幅度对发生土地利用/覆被类型转换的区域PM2.5浓度变化特征进行分析.用不同转换方式下的PM2.5浓度变化幅度减去参照变化幅度, 得到该转换方式下的PM2.5浓度变化趋势(表 6).可以看出, 不同转换方式下PM2.5浓度呈现不同的变化趋势, 当耕地转为林地、草地, 林地转为草地以及建设用地转为林地、草地时PM2.5浓度呈现下降趋势.而其他转换方式下, PM2.5浓度均呈现上升趋势.如果把林地和草地划分为自然用地, 而把耕地和建设用地划分为人工用地, 那么当自然用地向人工用地转换时PM2.5浓度上升, 而人工用地向自然用地转变时PM2.5浓度降低.
|
|
表 6 不同土地利用/覆被类型转换方式下的PM2.5浓度特征1)/μg·m-3 Table 6 Characteristics of PM2.5 variation under different land use/cover change types/μg·m-3 |
3 结论
(1) 华北地区PM2.5浓度整体呈现东南高、西北低的空间格局, 且16 a均保持这一态势没有变化.时间上来看, 在2006年达到污染最大值, 之后虽有波动但一直居高不下.多数城市PM2.5浓度超标, 整体环境污染形势严峻.
(2) 2000~2015年研究区土地利用类型/覆被以耕地、林地和草地为主, 土地利用/覆被变化趋势主要表现为耕地的大量减少以及建设用地的持续增加, 水域和未利用地面积略有减少.林地和草地转入转出面积接近, 因而总量变化不大.
(3) GWR模型计算结果表明, Local R2较低的区域为土地利用/覆被未发生变化的区域, 而在土地利用/覆被变化明显的区域, Local R2较高, 说明PM2.5变化对土地利用/覆被变化有着显著的响应作用.
(4) 对于不同土地利用/覆被状况而言, PM2.5分布特征表现出建设用地>耕地>水域>草地>林地>未利用地的趋势.对于不同土地利用/覆被转换方式而言, 当自然用地向人工用地转换则PM2.5浓度上升, 而人工用地向自然用地转变则PM2.5浓度降低.
| [1] | Huang R J, Zhang Y L, Bozzetti C, et al. High secondary aerosol contribution to particulate pollution during haze events in China[J]. Nature, 2014, 514(7521): 218-222. |
| [2] | Luo Y, Teng M F, Yang K, et al. Research on PM2.5 estimation and prediction method and changing characteristics analysis under long temporal and large spatial scale-A case study in China typical regions[J]. Science of the Total Environment, 2019, 696: 133983. |
| [3] | Bilal M, Nichol J E, Spak S N. A new approach for estimation of fine particulate concentrations using satellite aerosol optical depth and binning of meteorological variables[J]. Aerosol and Air Quality Research, 2017, 17(2): 356-367. |
| [4] |
范雪波, 刘卫, 王广华, 等. 杭州市大气颗粒物浓度及组分的粒径分布[J]. 中国环境科学, 2011, 31(1): 13-18. Fan X B, Liu W, Wang G H, et al. Size distributions of concentrations and chemical components in Hangzhou atmospheric particles[J]. China Environmental Science, 2011, 31(1): 13-18. |
| [5] | Cakmak S, Dales R, Kauri L M, et al. Metal composition of fine particulate air pollution and acute changes in cardiorespiratory physiology[J]. Environmental Pollution, 2014, 189: 208-214. |
| [6] | Weichenthal S A, Godri-Pollitt K, Villeneuve P J. PM2.5, oxidant defence and cardiorespiratory health:a review[J]. Environmental Health, 2013, 12(1): 40. |
| [7] |
郝静, 孙成, 郭兴宇, 等. 京津冀内陆平原区PM2.5浓度时空变化定量模拟[J]. 环境科学, 2018, 39(4): 1455-1465. Hao J, Sun C, Guo X Y, et al. Simulation of the spatio-temporally resolved PM2.5 aerosol mass concentration over the inland Plain of the Beijing-Tianjin-Hebei Region[J]. Environmental Science, 2018, 39(4): 1455-1465. |
| [8] |
时燕, 刘瑞梅, 罗毅, 等. 近20年来中国PM2.5污染演变的时空过程[J]. 环境科学, 2020, 41(1): 1-13. Shi Y, Liu R M, Luo Y, et al. Spatiotemporal variations of PM2.5 pollution evolution in China in recent 20 years[J]. Environmental Science, 2020, 41(1): 1-13. |
| [9] | Kinney P L, Gichuru M G, Volavka-Close N, et al. Traffic impacts on PM2.5 air quality in Nairobi, Kenya[J]. Environmental Science & Policy, 2011, 14(4): 369-378. |
| [10] | Meng J, Liu J F, Xu Y, et al. Tracing primary PM2.5 emissions via Chinese supply chains[J]. Environmental Research Letters, 2015, 10(5): 054005. |
| [11] |
李雅男, 丁振民, 邓元杰, 等. 中国城市工业化发展与PM2.5的关系:兼论EKC曲线形成的内在机制[J]. 环境科学, 2020, 41(4): 1987-1996. Li Y N, Ding Z M, Deng Y J, et al. Relationship between urban industrialization and PM2.5 in China:also discussing the internal mechanism of EKC[J]. Environmental Science, 2020, 41(4): 1987-1996. |
| [12] |
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. |
| [13] | Bao C Z, Chai P F, Lin H B, et al. Association of PM2.5 pollution with the pattern of human activity:a case study of a developed city in eastern China[J]. Journal of the Air & Waste Management Association, 2016, 66(12): 1202-1213. |
| [14] | Li L, Qian J, Ou C Q, et al. Spatial and temporal analysis of air pollution index and its timescale-dependent relationship with meteorological factors in Guangzhou, China, 2001-2011[J]. Environmental Pollution, 2014, 190: 75-81. |
| [15] |
江琪, 王飞, 张恒德, 等. 北京市PM2.5和反应性气体浓度的变化特征及其与气象条件的关系[J]. 中国环境科学, 2017, 37(3): 829-837. Jiang Q, Wang F, Zhang H D, et al. Analysis of temporal variation characteristics and meteorological conditions of reactive gas and PM2.5 in Beijing[J]. China Environmental Science, 2017, 37(3): 829-837. |
| [16] |
黄亚林, 刘超, 曾克峰, 等. 2013-2014年武汉市PM2.5的时空分布特征及其与气象条件的关系[J]. 生态环境学报, 2015, 24(8): 1330-1335. Huang Y L, Liu C, Zeng K F, et al. Spatio-temporal distribution of PM2.5 in Wuhan and its relationship with meteorological conditionsin, 2013-2014[J]. Ecology and Environmental Sciences, 2015, 24(8): 1330-1335. |
| [17] |
黄小刚, 赵景波, 曹军骥, 等. 长江经济带PM2.5分布格局演变及其影响因素[J]. 环境科学, 2020, 41(3): 1013-1024. Huang X G, Zhao J B, Cao J J, et al. Evolution of the distribution of PM2.5 concentration in the Yangtze River Economic Belt and its influencing factors[J]. Environmental Science, 2020, 41(3): 1013-1024. |
| [18] | Superczynski S D, Christopher S A. Exploring land use and land cover effects on air quality in Central Alabama using GIS and remote sensing[J]. Remote Sensing, 2011, 3(12): 2552-2567. |
| [19] | Briggs D J, De Hoogh C, Gulliver J, et al. A regression-based method for mapping traffic-related air pollution:application and testing in four contrasting urban environments[J]. Science of the Total Environment, 2000, 253(1-3): 151-167. |
| [20] | Liu C, Henderson B H, Wang D F, et al. A land use regression application into assessing spatial variation of intra-urban fine particulate matter (PM2.5) and nitrogen dioxide (NO2 concentrations in City of Shanghai, China[J]. Science of the Total Environment, 2016, 565: 607-615. |
| [21] | Hajiloo F, Hamzeh S, Gheysari M. Impact assessment of meteorological and environmental parameters on PM2.5 concentrations using remote sensing data and GWR analysis (case study of Tehran)[J]. Environmental Science and Pollution Research, 2019, 26(24): 24331-24345. |
| [22] | Guo J P, Xia F, Zhang Y, et al. Impact of diurnal variability and meteorological factors on the PM2.5-AOD relationship:implications for PM2.5 remote sensing[J]. Environmental Pollution, 2017, 221: 94-104. |
| [23] |
周侃, 樊杰. 中国环境污染源的区域差异及其社会经济影响因素——基于339个地级行政单元截面数据的实证分析[J]. 地理学报, 2016, 71(11): 1911-1925. Zhou K, Fan J. Regional disparity of environmental pollution source and its socio-economic influencing factors:based on the cross-section data of 339 cities at prefecture level or above in China[J]. Acta Geographica Sinica, 2016, 71(11): 1911-1925. |
| [24] |
唐华俊, 吴文斌, 杨鹏, 等. 土地利用/土地覆被变化(LUCC)模型研究进展[J]. 地理学报, 2009, 64(4): 456-468. Tang H J, Wu W B, Yang P, et al. Recent progresses of land use and land cover change (LUCC) Models[J]. Acta Geographica Sinica, 2009, 64(4): 456-468. |
| [25] |
孙倩, 塔西甫拉提·特依拜, 张飞, 等. 渭干河-库车河三角洲绿洲土地利用/覆被时空变化遥感研究[J]. 生态学报, 2012, 32(10): 3252-3265. Sun Q, Tashpolat T, Zhang F, et al. Dynamics of land use/cover changes in the Weigan and Kuqa rivers delta oasis based on Remote Sensing[J]. Acta Ecologica Sinica, 2012, 32(10): 3252-3265. |
| [26] |
孙爽, 李令军, 赵文吉, 等. 京津冀大气污染变化规律及其与植被指数相关性分析[J]. 环境科学, 2019, 40(4): 1585-1593. Sun S, Li L J, Zhao W J, et al. Variation in pollutant concentrations and correlation analysis with the vegetation index in Beijing-Tianjin-Hebei[J]. Environmental Science, 2019, 40(4): 1585-1593. |
| [27] | Van Donkelaar A, Martin R V, Li C, et al. Regional estimates of chemical composition of fine particulate matter using a combined geoscience-statistical method with information from satellites, models, and monitors[J]. Environmental Science & Technology, 2019, 53(5): 2595-2611. |
| [28] |
刘海猛, 方创琳, 黄解军, 等. 京津冀城市群大气污染的时空特征与影响因素解析[J]. 地理学报, 2018, 73(1): 177-191. Liu H M, Fang C L, Huang J J, et al. The spatial-temporal characteristics and influencing factors of air pollution in Beijing-Tianjin-Hebei urban agglomeration[J]. Acta Geographica Sinica, 2018, 73(1): 177-191. |
| [29] | 徐新良, 刘纪元, 张树文, 等.中国多时期土地利用土地覆被遥感监测数据集(CNLUCC)[DB/OL].中国科学院资源环境科学数据中心数据注册与出版系统, 2018, doi: 10.12078/2018070201. |
| [30] | Feng Y J, Chen X J, Gao F, et al. Impacts of changing scale on Getis-Ord Gi* hotspots of CPUE:a case study of the neon flying squid (Ommastrephes bartramii) in the northwest Pacific Ocean[J]. Acta Oceanologica Sinica, 2018, 37(5): 67-76. |
| [31] | Namayande M S, Nejadkoorki F, Namayande S M, et al. Spatial hotspot analysis of acute myocardial infarction events in an urban population:a correlation study of health problems and industrial installation[J]. Iranian Journal of Public Health, 2016, 45(1): 94-101. |
| [32] | Propastin P. Modifying geographically weighted regression for estimating aboveground biomass in tropical rainforests by multispectral remote sensing data[J]. International Journal of Applied Earth Observation and Geoinformation, 2012, 18: 82-90. |
| [33] | HJ 633-2012, 环境空气质量指数(AQI)技术规定(试行)[S]. |
| [34] |
张西雅, 扈海波. 京津冀地区气溶胶时空分布及与城市化关系的研究[J]. 大气科学, 2017, 41(4): 797-810. Zhang X Y, Hu H B. Spatio-temporal characteristics of aerosol optical depth and their relationship with urbanization over Beijing-Tianjin-Hebei Region[J]. Chinese Journal of Atmospheric Sciences, 2017, 41(4): 797-810. |
| [35] |
庞瑞秋, 腾飞, 魏冶. 基于地理加权回归的吉林省人口城镇化动力机制分析[J]. 地理科学, 2014, 34(10): 1210-1217. Pang R Q, Teng F, Wei Y. A GWR-based study on dynamic mechanism of population urbanization in Jilin Province[J]. Scientia Geographica Sinica, 2014, 34(10): 1210-1217. |