环境科学  2020, Vol. 41 Issue (12): 5236-5244   PDF    
引用本文
杨文涛, 谯鹏, 刘贤赵, 雷雨亮. 2011~2017年中国PM2.5多尺度时空分异特征分析[J]. 环境科学, 2020, 41(12): 5236-5244.
YANG Wen-tao, QIAO Peng, LIU Xian-zhao, LEI Yu-liang. Analysis of Multi-scale Spatio-temporal Differentiation Characteristics of PM2.5 in China from 2011 to 2017[J]. Environmental Science, 2020, 41(12): 5236-5244.
2011~2017年中国PM2.5多尺度时空分异特征分析
杨文涛1,2, 谯鹏2, 刘贤赵2, 雷雨亮3     
1. 湖南科技大学地理空间信息技术国家地方联合工程实验室, 湘潭 411201;
2. 湖南科技大学资源环境与安全工程学院, 湘潭 411201;
3. 湖南农业大学经济学院, 长沙 410082
收稿日期: 2020-05-12; 修订日期: 2020-06-23
基金项目: 国家自然科学基金项目（41801311）；湖南省社会科学基金项目（18YBQ050，18YBA151）
作者简介: 杨文涛(1988~), 男, 博士, 讲师, 主要研究方向为地理时空数据分析与挖掘, E-mail:yangwentao8868@126.com
摘要: PM2.5时空分异特征认知对大气污染联防联控意义重大，本文从空间多尺度的视角出发，利用空间模式分析方法与地理探测器，对2011~2017年中国大陆地区PM2.5年均浓度时空分布格局及成因进行探究，从而揭示PM2.5多尺度时空分异特征.结果表明：①2011~2017年PM2.5年均浓度相对稳定，无明显趋势，国家与区域尺度PM2.5变化特征基本一致，呈现"W"型变化，整体上看，污染程度由高到低依次为：中部、东部、西部与东北.②由空间模式分析结果可知，高值聚集区主要位于中国的东部、中部以及新疆的西南地区，低值聚集区则集中在青藏、云贵高原以及大兴安岭地区.③地理探测器分析结果证实：城市化因素中人口密度是国家与区域尺度上PM2.5时空分异的主导因素，同时，产业、能耗与交通因素对PM2.5分布格局存在不同程度影响.在区域尺度上，除了人口密度因素之外，工业用电量与公车总量对中部地区PM2.5年均浓度影响较大，东部地区是工业烟粉尘排放量与道路面积，东北地区则为第二产业产值占比与城市绿地率，社会经济因素对西部地区的PM2.5年均浓度影响不显著.
关键词: 大气污染      PM2.5      时空分异      地理探测器      局部自相关     
Analysis of Multi-scale Spatio-temporal Differentiation Characteristics of PM2.5 in China from 2011 to 2017
YANG Wen-tao1,2 , QIAO Peng2 , LIU Xian-zhao2 , LEI Yu-liang3     
1. National-Local Joint Engineering Laboratory of Geo-Spatial Information Technology, Hunan University of Science and Technology, Xiangtan 411201, China;
2. School of Resource&Environment and Safety Engineering, Hunan University of Science and Technology, Xiangtan 411201, China;
3. Economic College, Hunan Agricultural University, Changsha 410082, China
Abstract: It is of great significance for joint prevention and control of air pollution to understand the spatial and temporal differentiation characteristics and regional driving factors of PM2.5 in China. In this study, from a multi-scale perspective, the spatial pattern analysis and geographical detectors are used to explore the spatial and temporal distribution pattern and causes of PM2.5 pollution in China mainland from 2011 to 2017. The results show that:① the annual average PM2.5 concentration is relatively stable from 2011 to 2017, and there is no obvious trend. The change characteristics of regional PM2.5 are similar to those of national PM2.5, showing a "W" shaped fluctuation. Overall, the order of pollution degree from high to low is:central, eastern, western, and northeastern. ② From the spatial pattern analysis results, we can see that the high-value cluster mainly appears in east China, middle China, and southwest of Xinjiang, while the low-value cluster appears in Qinghai-Tibet, Yunnan, Guizhou, Plateau, and Daxinganling regions. ③ The results of geographic detector analysis show that the population factor is the leading factor nationally; meanwhile, the industrial, energy consumption, and traffic factors all contribute to the distribution pattern of PM2.5 in varying degrees. Regionally, besides the population factor, the proportion of secondary production and urban green space rate have the greatest impact on the northeast, the industrial smoke and dust and road area in the east, and the total industrial electricity and buses in the central area. The impact of social and economic factors does not significantly affect the PM2.5 in the western region.
Key words: air pollutant      PM2.5      spatial-temporal differentiation      geographical detector      local autocorrelation     

当前, 中国空气污染形势依旧严峻, 由耶鲁大学等单位联合发布的《2018全球环境绩效指数报告》可知, 中国空气质量绩效较低, 尤其是PM2.5暴露平均值与超标率指标成绩排名靠后, 导致中国的环境绩效指数在全球180个国家与地区中位居120位, 直接影响着中国经济由高速增长向高质量发展转型[1~3], 同时, 频发的空气污染事件也已严重威胁到公民健康[4~6].中国政府历来对生态环境问题保持高度重视, 党的十九大报告中明确提出, “在经济发展过程中完成污染物治理, 将污染防治列为决胜全面建成小康社会的三大攻坚战之一”[7].因此, 为切实改善当前中国空气污染严峻的形势, 破解以PM2.5为主要特征的区域性大气污染难题, 势必需要清楚掌握PM2.5时空分布特征与成因, 进而为大气污染区域联防联控提供科学的决策信息支撑.

中国地域辽阔, 由于社会经济与自然要素在时空维度上具有异质性, 导致PM2.5呈现出显著的时空分异特征, 即不同区域PM2.5污染特征与成因不同[8~10], 同一地区PM2.5污染特征与成因又随时间发生改变[11~13].准确认识中国PM2.5时空分异特征是大气污染联防联控的关键, 国内学者利用不同的模型与方法对此已开展了一系列研究, 在空间分布格局探测上, 通过空间模式分析方法对PM2.5浓度的空间自相关性进行识别, 而在成因分析上, 依据理论差异可以大致分为两类：一类是基于污染物理化学模型进行源解析[14, 15], 该方法能够有效识别污染来源与成因, 然而, 由于精细源排放清单难以获取以及样本采集成本大等因素的影响, 该方法通常适用于短时序的区域尺度, 难以应用于大范围、长时序研究.另一类是基于空间统计方法, 该方法能够有效实现国家尺度上污染成因推断, 常用的模型包括：地理加权回归与地理探测器[16~19].地理加权回归模型能够对变量间非平稳关系建模, 但是, 线性关系与数据分布的假设限制了其应用范围, 相比而言, 地理探测器在不对数据做任何分布假设的前提下, 直接检验两个变量空间分布的耦合性, 进而探测变量间潜在关联关系, 被广泛地用于污染物时空分异特征分析中[20, 21].

然而, 现有研究采用空间模式分析方法与地理探测器大多是基于单一尺度, 难以有效识别不同尺度上分异特征, 例如：以国家与京津冀为尺度(研究区/范围)分析出的时空分异特征显然不同[22~25], 为此, 本文依据2011~2017年PM2.5年均浓度数据与城市社会经济数据, 从空间多尺度的视角出发, 利用空间模式分析方法与地理探测器, 探究国家与区域尺度上PM2.5年均浓度的分异特征, 并定量评价各因子的影响强弱, 以期为区域PM2.5污染联防联控提供科学的决策支撑.

1 材料与方法 1.1 数据来源与处理

本研究数据主要包括：① 2011~2017年中国大陆地区PM2.5年均浓度格网数据(分辨率为0.01°), 由Dalhousie University大气成分分析组根据NASA公布全球气溶胶数据反演的PM2.5年均浓度栅格数据; ②中国行政矢量数据, 为了实现国家与区域多尺度时空分异特征分析, 基于中国不同区域的社会经济发展状况, 同时参考已有研究[26~28], 将中国大陆划分为四大区域, 即东部、中部、西部和东北四大地区(中国香港、澳门和台湾地区未参与划分), 划分结果如图 1所示; ③ 2011~2017年中国大陆地区夜间灯光遥感数据, 包括2011~2013年DMSP/OLS与2013~2017年NPP/VIIRS两组夜间灯光遥感数据集, 考虑到城市建成区是人类活动最强烈的地方之一, 该区域的污染特征具有代表性, 因此, 利用辐射阈值法从夜间灯光遥感数据中提取城市建成区[29], 并以建成区包含格网中PM2.5浓度值作为该地区的PM2.5浓度值; ④ 2011~2017年中国社会经济数据, 来源于《中国城市统计年鉴》, 参考相关研究选取的变量包括：人口密度、城市建成区占比、城市绿地率、第二产业产值占比、第三产业从业人数、工业烟粉尘排放量、工业用电量、年末道路面积与年末公车总量(城市公交车与出租车的数量), 缺失数据由地方统计数据填补, 最终收集到288个城市完整数据集.

图 1 中国区域划分 Fig. 1 Zoning map of China

1.2 研究方法 1.2.1 空间自相关分析

本文利用局部Moran's I指数来分析PM2.5年均浓度的局部空间自相关性, 实现空间聚集模式识别[30].空间单元位置i对应的局部Moran's I指数可表示为：

(1)

式中, n为研究区包含空间单元(本文为地级市)的数量; xi与xj分别表示空间单元i与j中PM2.5年均浓度值; 是所有单元的平均值; Wij为空间权重系数, 若空间单元i与j存在空间邻近关系, 则Wij=1, 否则Wij=0.局部Moran's I指数的显著性水平可以用Z统计量来衡量, 其表达式为：

(2)

式中, E(Ii)与Var(Ii)分别为局部Moran's I指数的数学期望与方差.通过Ii的符号及Z(Ii)的大小, 可将空间单元划分两类空间聚集模式：若Ii为正并且Z(Ii)>1.96 (显著性水平设置为0.05), 空间单元i为“高-高”聚集类型, 该单元和邻近单元PM2.5年均浓度值均相对较高, 为“热点”聚集区域; 若Ii为正并且Z(I) < -1.96, 空间单元i为“低-低”类型, 该单元和邻近单元PM2.5年均浓度值均相对较低, 为“冷点”聚集区域.

1.2.2 地理探测器分析

地理探测器是探查空间分异及揭示其背后驱动力的一组空间统计学方法体系, 被广泛应用于社会经济、生态环境等领域中[31].其因子探测器可探测因变量Y的空间分异, 以及某因子X多大程度上解释了Y的空间分异, 表达式如下：

(3)

式中, q为因子对变量Y的解释力; i=1, 2, …, L表示因子或变量的分层(类/区); σi2与σ2分别为第i层与全区Y值的方差; Ni与N分别表示i层与全区的样本个数.若分层由变量Y生成, 则q数值越大, 表明变量Y的空间分异越明显; 若分层由因子X产生, 则q数值越大, 表明该因子对变量Y的解释程度越高, 可由100×q%度量. q的取值范围为0~1, q值为0, 表示该因子与变量Y无关, q值为1, 表示该因子可以完全解释变量Y的空间分异.进一步, 通过非中心的F分布定义p值对q统计量进行显著性检验, 若p值小于预设的显著性水平(0.05), 则拒绝原假设(分层条件下Y变量呈现随机分布), 而接受备选假设(分层条件下Y呈现空间聚集分布), 否则, q值不显著, 没有充分的证据拒绝原假设.

2 中国PM2.5多尺度时空分异特征分析 2.1 中国PM2.5多尺度时空演化特征分析

依据PM2.5年均浓度时间序列可知(图 2), 2011~2017中国大陆城市整体PM2.5年均浓度值在40 μg·m-3附近波动, 年均浓度高于空气质量标准(GB 3095-2012)中城市浓度限值(35 μg·m-3), 表现为“下降-上升-下降-上升”的“W”型演化特征.各区域年平均浓度所处的水平存在明显的不同, 按照整体水平由高到低依次为：中部、东部、西部与东北, 各区域的PM2.5年均浓度变化特征与全国整体情况类似, 亦为“W”型变化.除东北地区外, 各区域年均浓度变化较为平稳, 东北地区在2012~2015年间有较大幅度的上升.

图 2 PM2.5年平均浓度变化曲线 Fig. 2 Chang curve of the average mean concentration of PM2.5

基于空气质量标准(GB 3095-2012)中PM2.5年平均浓度一级(15 μg·m-3)与二级(35 μg·m-3)限值, 将整个研究区分为低、中和高三类, 2011、2013、2015以及2017年PM2.5年均浓度空间分布如图 3所示, 可以发现：中国PM2.5年平均浓度分布格局较为稳定, 随时间变化不大.其中, 东部地区以长江下游近似为边界分为两类区域, 以北的城市多为高浓度区, 以南的城市多为中浓度区, 珠三角部分地区表现为PM2.5高浓度聚集; 中部城市多为PM2.5高浓度区; 东北地区的高浓度区域主要集中在哈尔滨、长春以及沈阳等省会城市及其周边, 且从2011年开始有向外扩张的趋势, 低浓度区域逐年减少; 西部地区PM2.5高浓度聚集区主要位于成渝城市群, 新疆、青海、甘肃与内蒙古交界处.

图 3 PM2.5年平均浓度空间分布 Fig. 3 Spatial distribution of annual average concentration of PM2.5 in China

2.2 时空聚集模式分析

基于局部空间自相关分析2011、2013、2015与2017年PM2.5年均浓度空间聚集模式分布, 结果如图 4所示.中国PM2.5年均浓度高值聚集区(“高-高”类型)主要位于东部、中部以及新疆西南地区; 低值聚集区(“低-低”类型)主要出现在东北三省、青藏高原、云贵川地区以及中国南部沿海地区.在区域尺度上, 2011~2017年东、中部地区的高值聚集区逐渐收缩, 西部地区的高值聚类区则有扩张趋势, 东北地区的低值聚集区范围逐渐减少, 而西部的广西、贵州地区低值聚集区范围有所增加.

图 4 PM2.5空间聚集模式分布 Fig. 4 Spatial aggregation distribution of PM2.5

3 中国PM2.5污染多尺度成因分析 3.1 国家尺度PM2.5时空分异的成因分析

以2011、2013、2015与2017各年288个地级市的社会经济截面数据为分析对象, 通过等频离散法对各因子分区离散化(4~5类), 利用地理探测器分析国家尺度上各因子对PM2.5年均浓度空间分异的影响程度, q统计量及其对应的p值列于表 1.

表 1 中国PM2.5污染成因全局探测结果 Table 1 Results of global detection of the causes of PM2.5 pollution in China

(1) 城市化因素驱动  城市人口密度的q值分别为40.34%、35.05%、33.35%与45.02%, 呈“U”型变化, 由于在所有因素中人口密度的q值是最大的, 其对PM2.5年均浓度的影响最大; 城市建成区占比对PM2.5的影响程度仅次于人口密度, 贡献度分别为13.65%、13.87%、17.85%与17.61%, 且随着城市建设的加快有明显上升趋势; 城市绿地率的探测结果分别为11.67%、13.40%、17.66%与18.42%, 呈现上升趋势, 由于植被的阻滞吸收作用对大气颗粒物移除存在积极影响[32], 故对PM2.5污染具有一定的缓解作用.

(2) 产业与能耗因素驱动  第二产业产值占比的q值分别为4.87%、5.78%、7.45%与6.89%, 第二产业对PM2.5的影响较为稳定, 而第三产业从业人数对PM2.5的贡献度分别为9.57%、7.84%、10.84%与13.22%, 有一定的提升.工业用电量的q值分别为6.15%、6.13%、8.56%与7.59%, 工业用电量的贡献度较为稳定, 工业烟粉尘排放量的贡献度分别为8.43%、3.91%、5.93%(不显著)以及1.12%(不显著), 对PM2.5浓度的影响减弱.其原因可能是, 在2011~2015年的第十二个五年计划中包括了工业转型升级规划, 明确提出以科学发展为主题, 大力发展新型技术, 推动工业转型升级, 由此在一定程度上提高了生产效率, 减少了工业污染的产生.

(3) 交通因素驱动  年末道路面积的q值分别为12.24%、9.82%、15.31%以及14.43%, 城市公车总量的q分别为5.60%、7.65%、12.5%与8.15%, 年末道路面积与城市道路面积大致可以反映城市公共交通的情况, 自2011到2015年该指标对PM2.5浓度的贡献度保持着上升的趋势, 但到2017年, 又有了一定幅度的下降, 而事实上, 到2016年底, 全国新能源公交车的使用已经较为普及, 其总量已经超过了16万辆, 新能源出租汽车的数量也在逐渐增加, 随着新能源公交车与出租车的推广, 该因子对PM2.5的影响或许还会进一步下降.

3.2 区域尺度PM2.5时空分异的成因分析

为进一步揭示中国PM2.5年均污染的空间分异特征, 本文对东北、东部、中部以及西部地区PM2.5年均浓度分别进行空间分异因子探测, 以此对PM2.5的分区管控提出针对性的建议.

(1) 东北地区  由因子探测结果可知(表 2), 2011年满足显著性水平要求的因素包括：人口密度、建成区占比与绿地率、第二产业产值占比、工业烟粉尘排放量与工业用电量六项指标, 其q值分别为76.54%、63.19%、41.76%、29.85%、27.04%与26.27%.人口密度的贡献度远高于其它各项贡献度, 建成区占比与绿地率的贡献度也相对较高, 能耗相关的两项指标q值虽不及这三项指标, 但对PM2.5浓度仍有一定的影响, 第二产业产值占比与第三产从业人数的影响变化较大, 表明其产业结构正在调整优化. 2011年之后, 建成区占比与工业烟粉尘排放量的影响持续下降, 建成区占比与工业烟粉尘排放量分别从2011年的63.19%和27.04%降低到2017年的21.22%和2.13%, 而道路面积与工业用电量的影响则有所提, 对该地区来说, 优化工业结构, 提升技术创造性, 建设现代化工业是管控PM2.5有效的措施之一, 同时, 在城市建设中, 加强绿化建设的力度可能也会取得良好的控制效果.

表 2 东北地区PM2.5污染成因局部探测结果 Table 2 Results of local detection of the causes of PM2.5 pollution in northeast China

(2) 东部地区  由表 3中列出的因子探测结果可知, 大多数探测因子都对PM2.5空间分异有一定程度的贡献.人口密度(q值为19.00%、22.77%、14.39%与21.82%)与工业烟粉尘排放量(q值为24.36%、19.80%与18.50%, 2017年不显著)是PM2.5年均浓度时空分异的主要影响因素, 公车总量与道路面积也有较大的贡献度.与东北地区不同的是, 人口密度的贡献度只有20%左右, 远小于其对东北地区PM2.5的影响程度, 可见东部地区PM2.5的成因要复杂得多, 故该区域PM2.5的防控应有针对性加快产业转型, 提高第三产业的发展力度.

表 3 东部地区PM2.5污染成因局部探测结果 Table 3 Results of local detection of the causes of PM2.5 pollution in eastern China

(3) 中部地区  由因子探测结果可知(表 4), 中部地区PM2.5年均浓度空间分异的关联因子不多, 满足显著水平要求的因素有人口密度、公车总量与工业用电量.人口密度依旧处于主导地位, q值分别为53.81%、57.09%、58.24%与68.32%, 各年均达到50%以上, 公车总量与工业用电量次之.随着时间的推移, 人口因素和城市建成区的影响逐渐上升, 城市的扩张会带来更多的人口, 人口的增多又会加快城市的扩张, 这是一个相互促进的过程, 但带给环境的负担可能是双倍的, 因此, 在城市扩张的同时也必须进一步增加城市绿化, 还需制定合理的人口政策, 让人口增长与城市的发展相适应.

表 4 中部地区PM2.5污染成因局部探测结果 Table 4 Results of local detection of the causes of PM2.5 pollution in central China

(4) 西部地区  由表 5所给出的探测结果可知, 仅有人口密度(q值为28.07%、20.70%与19.55%, 2017年不显著)能够解释PM2.5的空间分异, 其它因子都无显著贡献.西部地广人稀, 土地面积占全国的71.4%, 人口却仅占26.92%, 由于气候、地理因素, 西部发展落后, 社会经济水平远低于其他区域, 社会经济因素对西北地区污染影响较低, 自然因素(如：沙尘)可能占主导作用, 该区域应该加强沙漠化治理, 在发展经济的同时更要注重环境的保护, 否则其空气污染的加剧只会比其他区域更快.

表 5 西部地区PM2.5污染成因局部探测结果 Table 5 Results of local detection of the causes of PM2.5 pollution in western China

4 结论

(1) 中国大陆地区2011~2017年间PM2.5年均浓度呈平稳变化特征, 但其值仍高于《空气质量标准(GB 3095-2012)》中PM2.5年均浓度Ⅱ级限值, 各区域PM2.5年均浓度变化与全国变化基本保持一致, 但是, 污染程度存在明显的空间分异, 由高到低依次为：中部、东部、西部以及东北部.

(2) 中国大陆地区PM2.5年均浓度呈现显著正向空间自相关, 高值聚类区则主要位于东部、中部以及新疆西南地区, 低值聚类区主要出现在东北三省、青藏高原、云贵川地区以及中国最南部地区, 总体来说, 高值与低值聚集区相对稳定, 但高值聚集范围有所增加, 而低值聚集类型城市数量有所减少.

(3) 城市化因素是国家尺度上PM2.5浓度空间分异的主导因素, 且城市化与产业结构因素的影响程度逐年增加, 工业能耗则呈现相反趋势.在区域尺度上, 人口因素是PM2.5年均浓度的强相关因素, 在各区域的占主导地位, 第二产业产值占比与城市绿地率对东北地区影响较大, 东部地区是工业烟粉尘排量与道路面积, 中部地区则是工业用电量与公车总量, 西部地区社会经济因素对PM2.5影响并不显著.

参考文献
[1] Wendling Z, Emerson D, Emerson J, et al. 2018 environmental performance index[R]. New Haven, CT: Yale Center for Environmental Law and Policy, 2018.
[2] 董战峰, 郝春旭, 王婷, 等. 中国省级区域环境绩效评价方法研究[J]. 环境污染与防治, 2016, 38(2): 86-90.
Dong Z F, Hao C X, Wang T, et al. Provincial regional environmental performance assessment method of China[J]. Environmental Pollution & Control, 2016, 38(2): 86-90.
[3] 董战峰, 郝春旭, 李红祥, 等. 2018年全球环境绩效指数报告分析[J]. 环境保护, 2018, 46(7): 64-69.
Dong Z F, Hao C X, Li H X, et al. Analysis on the 2018 global environmental performance index report[J]. Environmental Protection, 2018, 46(7): 64-69.
[4] 王文朋, 沈惠平, 黄云彪, 等. 大气PM2.5细颗粒物污染状况及对人体健康的影响[J]. 上海预防医学, 2015, 27(5): 290-294, 297.
Wang W P, Shen H P, Huang Y B, et al. Pollution status of atmospheric PM2.5 and its impact on human health[J]. Shanghai Journal of Preventive Medicine, 2015, 27(5): 290-294, 297.
[5] 索丹凤, 曾三武. 空气细颗粒物PM2.5对人体各系统危害的研究[J]. 医学信息, 2019, 32(18): 32-34.
Suo D F, Zeng S W. Research on the harm of air fine particulate matter PM2.5to various human systems[J]. Medical Information, 2019, 32(18): 32-34.
[6] Weichenthal S, Hoppin J A, Reeves F. Obesity and the cardiovascular health effects of fine particulate air pollution[J]. Obesity, 2014, 22(7): 1580-1589. DOI:10.1002/oby.20748
[7] 宋弘, 孙雅洁, 陈登科. 政府空气污染治理效应评估——来自中国"低碳城市"建设的经验研究[J]. 管理世界, 2019, 35(6): 95-108, 195.
Song H, Sun Y J, Chen D K. Assessment for the effect of government air pollution control policy:Empirical evidence from"low-carbon city"construction in China[J]. Management World, 2019, 35(6): 95-108, 195.
[8] 周静, 张岳军, 相栋, 等. 太原市PM2.5周期性特征及其成因分析[J]. 生态环境学报, 2018, 27(3): 527-532.
Zhou J, Zhang Y J, Xiang D, et al. The periodicity and cause analysis of PM2.5 in Taiyuan[J]. Ecology and Environmental Sciences, 2018, 27(3): 527-532.
[9] 陆平, 赵雪艳, 殷宝辉, 等. 临沂市PM2.5和PM10中元素分布特征及来源解析[J]. 环境科学, 2020, 41(5): 2036-2043.
Lu P, Zhao X Y, Yin B H, et al. Distribution characteristics and source apportionment of elements bonded with PM2.5 and PM10in Linyi[J]. Environmental Science, 2020, 41(5): 2036-2043.
[10] 王振波, 方创琳, 许光, 等. 2014年中国城市PM2.5浓度的时空变化规律[J]. 地理学报, 2017, 74(11): 1720-1734.
Wang Z B, Fang C L, Xu G, et al. Spatial-temporal characteristics of the PM2.5 in China in 2014[J]. Acta Geographica Sinica, 2017, 74(11): 1720-1734.
[11] 杨文涛, 姚诗琪, 邓敏, 等. 北京市PM2.5时空分布特征及其与PM10关系的时空变异特征[J]. 环境科学, 2018, 39(2): 684-690.
Yang W T, Yao S Q, Deng M, et al. Spatio-temporal distribution characteristics of PM2.5 and spatio-temporal variation characteristics of the relationship between PM2.5 and PM10 in Beijing[J]. Environmental Science, 2018, 39(2): 684-690.
[12] 蔡坤, 郑泰皓, 陈良富, 等. 河南省2005~2015年NO2和PM2.5时空变化遥感解析[J]. 中国环境科学, 2017, 37(12): 4417-4427.
Cai K, Zheng T H, Chen L F, et al. Remote sensing analysis of spatio-temporal variation of NO2 and PM2.5 during 2005 throughout 2015 over Henan province[J]. China Environmental Science, 2017, 37(12): 4417-4427.
[13] 尹晓梅, 李梓铭, 熊亚军, 等. 2014~2017北京市气象条件和人为排放变化对空气质量改善的贡献评估[J]. 环境科学, 2019, 40(3): 1011-1023.
Yin X M, Li Z M, Xiong Y J, et al. Contribution assessment of meteorology conditions and emission change for air quality improvement in Beijing during 2014-2017[J]. Environmental Science, 2019, 40(3): 1011-1023.
[14] 冯小琼, 陈军辉, 尹寒梅, 等. 成都市冬季3次灰霾污染过程特征及成因分析[J]. 环境科学, 2020, 41(10): 4382-4391.
Feng X Q, Chen J H, Yin H M, et al. Characteristics and formation mechanism of three haze pollution processes in Chengdu in winter[J]. Environmental Science, 2020, 41(10): 4382-4391.
[15] 李明燕, 杨文, 魏敏, 等. 典型沿海城市采暖期细颗粒物组分特征及来源解析[J]. 环境科学, 2020, 41(4): 1550-1560.
Li M Y, Yang W, Wei M, et al. Characteristics and sources apportionment of fine particulate matter in a typical coastal city during the heating period[J]. Environmental Science, 2020, 41(4): 1550-1560.
[16] 付宏臣, 孙艳玲, 陈莉, 等. 基于AOD数据与GWR模型的2016年新疆地区PM2.5和PM10时空分布特征[J]. 环境科学学报, 2020, 40(1): 27-35.
Fu H C, Sun Y L, Chen L, et al. Temporal and spatial distribution characteristics of PM2.5and PM10 in Xinjiang region in 2016 based on AOD data and GWR model[J]. Acta Scientiae Circumstantiae, 2020, 40(1): 27-35.
[17] 杨文涛, 黄慧坤, 魏东升, 等. 大气污染联合治理分区视角下的中国PM2.5关联关系时空变异特征分析[J]. 环境科学, 2020, 41(5): 2066-2074.
Yang W T, Huang H K, Wei D S, et al. Spatio-temporal variation of PM2.5related relationships in China from the perspective of air pollution regional linkage control and prevention[J]. Environmental Science, 2020, 41(5): 2066-2074.
[18] 王少剑, 高爽, 陈静. 基于GWR模型的中国城市雾霾污染影响因素的空间异质性研究[J]. 地理研究, 2020, 39(3): 651-668.
Wang S J, Gao S, Chen J. Spatial heterogeneity of driving factors of urban haze pollution in China based on GWR model[J]. Geographical Research, 2020, 39(3): 651-668.
[19] 周亮, 周成虎, 杨帆. 2000-2011年中国PM2.5时空演化特征及驱动因素解析[J]. 地理学报, 2017, 72(17): 2079-2092.
Zhou L, Zhou C H, Yang F, et al. Spatio-temporal evolution and the influencing factors of PM2.5in China between 2000 and 2011[J]. Acta Geographica Sinica, 2017, 72(17): 2079-2092.
[20] 周敏丹, 匡耀求, 云国梁. 基于地理探测器的广州市大气PM2.5浓度驱动因素分析[J]. 环境科学研究, 2020, 33(2): 271-279.
Zhou M D, Kuang Y Q, Yun G L. Analysis of driving factors of atmospheric PM2.5 concentration in Guangzhou city based on Geo-detector[J]. Research of Environmental Sciences, 2020, 33(2): 271-279.
[21] 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.
[22] 刘佳澍, 顾远, 马帅帅, 等. 常州夏冬季PM2.5中无机组分昼夜变化特征与来源解析[J]. 环境科学, 2018, 39(3): 980-989.
Liu J S, Gu Y, Ma S S, et al. Day-night differences and source apportionment of inorganic components of PM2.5 during summer-winter in Changzhou city[J]. Environmental Science, 2018, 39(3): 980-989.
[23] 郭文凯, 刘晓, 朱玉凡, 等. 兰州市煨炕污染物排放清单及其对PM2.5浓度贡献[J]. 环境科学, 2018, 39(11): 4849-4857.
Guo W K, Liu X, Zhu Y F, et al. Emissions inventory of smoldering Chinese Kangs and their contribution to PM2.5 pollution in Lanzhou city[J]. Environmental Science, 2018, 39(11): 4849-4857.
[24] 黄俊, 王超群, 周宝琴. 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.
[25] 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, 2017, 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, 2017, 73(1): 177-191.
[26] 薛婕, 罗宏, 吕连宏, 等. 中国主要大气污染物和温室气体的排放特征与关联性[J]. 资源科学, 2012, 34(8): 1452-1460.
Xue J, Luo H, Lv L H, et al. Emission characteristics and correlation of main air pollutant and greenhouse gas in China[J]. Resources Science, 2012, 34(8): 1452-1460.
[27] 许菁. 我国区域碳排放影响因素研究[J]. 统计与决策, 2014(8): 92-94.
Xu J. Research on influencing factors of regional carbon in China[J]. Statistics and Decision, 2014(8): 92-94.
[28] 高雪莲, 王佳琪, 张迁, 等. 环境管制是否促进了城市产业结构优化?——基于"两控区"政策的准自然实验[J]. 经济地理, 2019, 39(9): 122-128, 137.
Gao X L, Wang J Q, Zhang Q, et al. Could environmental control optimize urban industrial structure? Evidence from a quasi-natural experiment of "two control zones" policy in China[J]. Economic Geography, 2019, 39(9): 122-128, 137.
[29] 汪韬阳, 张过, 李沛然, 等. 基于DMSP/OLS夜光遥感影像的城市扩张政策驱动因素分析[J]. 测绘学报, 2018, 47(11): 1466-1473.
Wang T Y, Zhang G, Li P R, et al. Analysis on the driving factors of urban expansion policy based on DMSP/OLS remote sensing image[J]. Acta Geodaetica et Cartographica Sinica, 2018, 47(11): 1466-1473.
[30] Anselin L. Local indicators of spatial association-LISA[J]. Geographical Analysis, 1995, 27(2): 93-115.
[31] 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.
[32] 赵晨曦, 王玉杰, 王云琦, 等. 细颗粒物(PM2.5)与植被关系的研究综述[J]. 生态学杂志, 2013, 32(8): 2203-2210.
Zhao C X, Wang Y J, Wang Y Q, et al. Interactions between fine particulate matter (PM2.5) and vegetation:a review[J]. Chinese Journal of Ecology, 2013, 32(8): 2203-2210.