2021, Vol. 42
2. 北京市生态环境监测中心, 北京 100048
2. Beijing Municipal Ecological and Environmental Monitoring Center, Beijing 100048, China
近年来, 为治理区域大气污染, 京津冀地区采取了一系列有效的措施, 空气质量得到了显著改善[1~3], 北京市年均PM2.5浓度已由89.5 μg·m-3(2013年)降低至42 μg·m-3(2019年).2020年1月, COVID-19疫情在中国乃至全世界迅速蔓延[4, 5], 为应对疫情, 京津冀地区于1月24日启动了重大突发公共卫生事件一级响应, 实施了一系列严格的管控措施, 如封锁交通干线、限制人口非必要活动、工厂停工和学校停课等[6].这些措施减少了大气污染物的人为源, 为调查大气污染受人类活动的影响程度提供了时机.
对2008年北京奥运会和2014年APEC会议期间的研究表明, 排放控制措施对降低颗粒物和气态污染物的浓度起到很大的作用[7, 8].欧空局公布的哨兵5P数据显示, 2020年初, 中国东部地区对流层的NO2柱比2019同期下降了65%, 主要是由疫情响应期后化石燃料燃烧量的变化引起的[9].但也有研究发现, 重污染天气并没有因为人为排放量的减少而消失[10], 北京市管控后的空气质量反而比之前更差[11], 减少一次污染物的排量取得的效果, 可能会被不利的气象条件和二次污染的加强所抵消[12, 13].且以O3为代表的光化学污染呈快速上升趋势, O3超标天数已经超过PM2.5, 成为首要的大气污染物[14].
相比已有研究, 本文在时间上覆盖了整个疫情期间(2020年1~5月), 并且根据气象、夜光遥感、交通量和工业等数据, 分析了京津冀地区疫情响应不同时期影响大气污染物的自然和人为因素, 强调了人为管控措施对污染物浓度变化的影响, 以期为进一步治理京津冀地区大气污染提供科学依据.
1 材料与方法 1.1 数据来源与处理本研究所用到的京津冀地区13个地级市和87个国控点的AQI值和6种大气污染物(PM2.5、PM10、O3、SO2、NO2和CO)浓度数据, 来自中国环境监测总站(http://106.37.208.233:20035/), 时间跨度为2019年1~5月、2020年1~5月以及2014年2月.对PM2.5等5种污染物求当日平均浓度作为日均浓度, O3则以日最大8 h浓度作为日均浓度[15, 16].河北省各时期浓度通过11个地级市求平均得到.
气象数据(温度、气压、相对湿度、风速和风向等)来自中国气象数据网的逐小时观测资料, 时间跨度为2020年1月22日至2月29日.对气象数据求日平均, 并制作风玫瑰图.
夜光遥感数据来自NASA的NPP-VIIRS产品, (https://eogdata.mines.edu/download_dnb_composites.html), 以研究区为掩膜进行裁剪, 并统计不同地区和时间段的夜光亮度值.
京津冀的客货运量和规模以上工业增加值增速, 来自三地的统计局官网发布的月度数据, 时间跨度为2020年1~5月.
工业热异常点和辐射强度数据来自Soumi-NPP卫星搭载的VIIRS传感器375m分辨率多光谱数据的月产品数据集.在GoogleEarth提取出落在工业用地的热异常点, 并筛选出夜间的部分以排除其他热异常以及建筑物反射太阳光的干扰[17, 18].
1.2 研究方法 1.2.1 阶段划分2020年1月24日, 京津冀相继启动重大突发公共卫生事件一级响应, 封锁交通干线, 限制人口非必要流动; 据工业和信息化部公布的数据显示, 截止2月19日, 三地规模以上工业的复工率达到60%以上; 4月30日, 三地的疫情响应措施调整至二级, 各街道乡镇取消封锁, 疫情防控由战时状态转为常态化.
根据以上时间节点, 本文将疫情防控分为4个时期：前期(1月1~23日)、初期(1月24日~2月19日)、中期(2月20日~4月30日)和后期(5月1~31日).2019与2020年前期和初期阶段划分以农历除夕(2019年2月4日; 2020年1月24日)为分界点, 中、后期的分界点日期相同(2月20日和5月1日).
1.2.2 减排效应估算为定量分析2020年防控初期的人为控制措施对北京市各项大气污染物的削弱作用, 剔除不利气象条件的影响, 基于公式(1)和公式(2)估计北京市防控初期各项污染物的本地排放浓度和防控措施对减排的贡献(据中国气象数据网公布的数据显示, 2019年同期的气象条件良好, 故可视作仅受春节假期人类活动的影响).
|
(1) |
|
(2) |
式中, ρ为各污染物的浓度, PM2.5、PM10、SO2、NO2和O3的单位为μg·m-3, CO的单位为mg·m-3.
1.2.3 核密度估计核密度估计(kernel density estimation, KDE)用于计算点、线要素测量值在指定邻域范围内的单位密度, 能直观地反映出离散测量值在连续区域内的分布情况[19, 20], 栅格值即为单位密度.若存在热异常点x1, x2, …, xn, 则任意热异常点聚集区xi处的核密度估计为：
|
(3) |
式中, 
本文根据热异常点的空间分布和辐射强度大小, 估算其核密度, 以反映各地区工业生产规模.
1.2.4 灰色关联分析灰色关联分析(grey relation analysis, GRA)是一种多因素统计分析的方法, 可以确定系统因素间的影响程度, 根据比较数列的几何形状相似程度判断其联系是否紧密.两因素的灰色关联度越大, 变化态势越一致[21].计算公式如下：
|
(4) |
式中, ξi(k)表示关联系数, k=0, 1, …, n, 
关联度r的计算公式如下：
|
(5) |
式中, r越接近1, 说明相关性越好[23].由于NO2、SO2和PM2.5等大气污染物来源复杂, 难以与热异常点的辐射强度建立直接的相关关系[24], 故本文利用灰色关联模型分析, 以更准确地反映其相近程度.
2 结果与分析 2.1 疫情防控期大气污染情况图 1为京津冀在疫情防控4个时期和2019年同期的7类指标(AQI值与6类大气污染物)的平均浓度变化情况对比.从总体上看, 三地的7类指标值同比2019年均有下降, AQI值平均降幅为15.1%, 一级优天气平均增加了14 d; 污染物浓度平均降幅度最大的为SO2(26.5%)、PM10(24.3%)和NO2(19.6%), 其次为PM2.5(14.4%)和CO(8.5%), O3呈直线上升趋势, 总体相比两年变化幅度较小, 三地平均降低了4.6%.
|
图 1 2020年与2019年同期AQI值与各项污染物浓度对比 Fig. 1 Changes in the AQI and concentrations of six air pollutants during comparable period of 2019 and 2020 in Beijing, Tianjin, and Hebei |
与防控前期相比, 防控初期天津和河北两地的各项污染物(除O3)浓度均有下降且降幅超过2019年同期水平, 其中NO2降幅最大(52.5%), 其次为CO(26.2%)、PM10(26%)、SO2(22%)和PM2.5(17%); 北京市各类指标的变化的情况则与河北天津不同, 除降幅最大的污染物同为NO2(35.2%)和SO2(11.3%)且超2019年同期降幅外, PM2.5明显增加(86.7%), PM10和CO有微升; 防控初期三地的O3浓度同比前期平均上升了76.2%, 增幅远超2019年同期水平(47.1%).从理论上来说, 受春节和元宵节假期的影响, 叠加疫情严格的防控措施(限制人口流动和部分工厂停工等), 防控初期大气污染物的浓度应该比2019年有更大的降幅.但仅天津和河北的各项污染物浓度(除O3)有所下降, 北京市的PM2.5却不降反升, 接连出现两次重污染天气, 这与极端不利的气象条件导致的污染物二次转化和区域传输有关, 本文在2.2节和2.3节中对其展开详细论述.
防控中期, 京津冀三地的交通量和复工率仍处于较低水平, 各污染物变化不同, 平均PM2.5、PM10、SO2和CO同比初期均有下降(分别为51.4%、16.3%、14.2%和44.2%)且降幅低于2019年同期; 但NO2变化趋势不同, 北京市仍然下降(14.2%), 天津和河北却逐渐增加(5.9%和18%); 由前期到中期, 北京和天津的O3浓度增幅与2019年同期相近(平均为36.5%), 河北的增幅放缓(28.8%), 同比2019年下降了10%.
4月30日京津冀疫情响应下降为二级之后, 防控进入后期, 交通量大规模增加, 各行各业全面复工复产.三地的PM2.5等5项污染物浓度值变化趋于平缓或有微升, 增幅大于2019年同期水平, 即增长的交通量和复工率对大气污染起到了较大贡献; 三地的O3增幅均放缓(平均为30.3%), 同比2019年下降了13%.
通过PM2.5、NO2和O3这3种典型污染物浓度在疫情防控4个时期的空间分布图(图 2)可看出, 前期北京市PM2.5的浓度在区域内处于较低水平(42.1 μg·m-3), 初期其浓度程度虽然有升高(78.6 μg·m-3), 但仍远低于天津和河北大部分地区; 中期整个地区的PM2.5大幅度下降(平均为40 μg·m-3), 河北南部(保定、衡水、邢台和邯郸)的降幅尤为明显; 后期保持平稳或有微降.NO2的变化与O3相反, 河北南部和天津的NO2在初期就有了大幅度下降并且在中后期维持在较低水平(约32.6 μg·m-3); O3的变化情况则为整个区域内普遍升高, 逐渐成为首要的大气污染物.
|
图例表示浓度, 单位为μg ·m-3 图 2 京津冀地区PM2.5、NO2和O3浓度空间分布情况 Fig. 2 Spatial pattern of PM2.5, NO2, and O3 in the Beijing-Tianjin-Hebei region |
相关研究表明, 大规模减少交通和工业的排量, 能显著改善当地空气质量[25, 26], 气象也是重要的影响因素之一[27, 28].由图 3可知, 北京市在两次重污染期间(1月24~29日; 2月9~13日)都经历了极端不利的气象条件：首先是大气温度升高, 形成逆温层, 使污染物垂直扩散受阻.据气象部门公布的数据显示, 2月9~13日的重污染期间, 中层温度为近8年最高温度水平, 逆温层造成大气边界层降低, 高度由日常的1100 m左右降低到350 m左右, 大气环境容量陡降七成, 污染物浓度较平时增加2~4倍; 其次, 两次污染前(1月24日和2月8日), 北京市分别经历了以东南、南和西南风为主的大风天气, 平均风速>3m·s-1, 导致该方向上来自于东南通道(济南-沧州-天津输送带)和西南通道(太行山前输送带)、石家庄方向的大气污染物聚集在太行山和燕山山脉东南部的辐合中心——北京地区.当污染物浓度达到峰值时(1月27日和2月10日), 区域受低压场控制, 平均风速在1.5m·s-1以下, 且以东风、西南风和南风为主, 不利于污染物的水平扩散; 第三, 两个污染时间段内大气的相对湿度都出现了峰值, 分别达到60%和70%以上, 较往年均值偏高12.2%, 为近8年以来最高, 高湿环境大大增强了气态污染物向PM2.5的转化能力[29, 30], 有利于NOx和SO2等PM2.5的前体物二次转化和吸湿性增长[31].
|
(a)~(d)中两处虚线内为疫情一级响应后两次重污染期; (d)中130 μg·m-3和167 μg·m-3分别为该时期平均值 图 3 北京市两次重污染过程期间主要大气污染物浓度和气象要素变化 Fig. 3 Changes in major air pollutant concentrations and meteorological conditions during two heavy air pollution periods in Beijing |
虽然极低的社会经济背景使NOx的排放大幅降低, 但也削弱了其对O3的滴定作用[32], 导致O3快速累积, 加强了大气环境的氧化性, 加剧了SO2, NOx、NH3和VOCs转化为硫酸盐、硝酸盐、铵盐和二次有机气溶胶等二次细颗粒物(PM2.5)的能力[33].而且前体物质在传输过程中也会发生二次转化反应, 加大远距离传输的贡献[34, 35].
北京市2014年的天气状况与2020年类似[36], 农历除夕(1月30日)后, 京津冀地区受低压场控制且相对湿度较高, 边界层高度降低184 m, 导致平均PM2.5浓度增加39%, 二次气溶胶浓度增幅大于一次气溶胶[37].尤其是2014年2月20~26日的严重污染过程(如图 4), PM2.5日均浓度超过250 μg·m-3且持续时间近7d.若无近年持之以恒的治理以及疫情期间的减排, 相似条件下2014年2月的PM2.5平均浓度达到150 μg·m-3, 而2020年仅为63 μg·m-3, 同比偏低近6成, 且重污染发生频次、持续时长和峰值均有下降.
|
图 4 2014年2月与2019年2月北京市PM2.5浓度 Fig. 4 Concentrations of PM2.5 in February 2014 and February 2020 in Beijing |
2019年, 在区域空气质量同步改善、气象条件整体有利的情况下, 北京市空气质量取得了显著的成绩.但2020年的两次污染事件给人们提了醒：京津冀及周边地区在同一空气流场内, 各城市相互影响, 空气质量一荣俱荣, 一损俱损, 若区域整体的污染情况得不到同步改善, 北京市自身减排取得的成果将在不利气象条件来临时消失殆尽.总体来说, 区域污染物浓度仍较高叠加不利的气象条件是两次重污染天气的成因, 即空气质量是人为和自然共同作用的结果, 只有将控制区域人为排放源进行彻底管控, 才能保证当不利气象条件来临时仍然拥有优良天气.
2.3 大气污染物变化的人为原因由于北京市在防控初期经历了极端不利的气象条件, 模糊了各项污染物的本地排放浓度和防控措施对减排的贡献, 故采用减排效应估算的方法, 剔除不利天气的影响.将2019年和2020年前期和初期6项大气污染物浓度代入公式(1)和公式(2), 计算结果如表 1.
|
表 1 防控初期北京市本地排放与人为减排的估计值1) Table 1 Estimates of local emissions and anthropogenic emissions reduction in Beijing |
由表 1可知, 若剔除防控初期不利天气的影响, 仅考虑人为减排对大气污染的贡献, 则同比2019年, 6项污染物的初期估计浓度均有降低, PM10、SO2和PM2.5的降幅最大(分别为40.1%、28.1%和21.5%), 其次为O3、NO2和CO(分别为12%、6.7%和2.9%).同比前期, 北京市初期PM10、NO2、SO2和CO估计值的浓度均有下降(分别为22.3%、20.9%、17.5%和5.8%)降幅超过2019年同期水平; PM2.5的估计值浓度微升(3%)但增幅同比低于2019年(5.3%); O3估计值同比前期增加40.4%, 增幅与2019年相当(40.3%).这表明控制人为源排量对大气污染治理有十分明显的作用, 即北京市进一步的治理措施应继续以控制交通和工业排放为主.
夜光遥感主要捕捉的是车辆的路灯和工厂的灯光, 从灯光角度衡量经济复苏情况, 可对所在区域的生产情况起到较好的表征作用[38].利用京津冀2020年春节假期后两周(2月7~19日)夜光遥感的亮度平均值与不同样本期灯光亮度进行对比, 结果如表 2, 即受疫情影响, 京津冀三地2020年春节后的经济恢复强度小于2019年, 平均经济活跃程度下降了12%以上, 且就部分工厂而言, 复工率还需等待员工结束隔离具备开工条件后才能逐步提升.这也与疫情初期AQI值和各类污染物(除O3)降幅超过2019年同期相对应, 说明控制人类活动, 可有效降低大气污染物的人为源排放, 提高空气质量.
|
|
表 2 京津冀夜光强度变化幅度 Table 2 Variations in nighttime light in the Beijing-Tianjin-Hebei region |
如图 5, 在疫情防控开始以后, 京津冀三地客货运量在2月显著降低, 规模以上工业增加值增速平均下降12.8%(天津数据缺失); 3月后, 随着复工复产进一步扩大, 客货运量逐渐回升, 北京和天津的工业增加值增速也缓慢回升, 但仍低于-5%, 河北省工业增加值增速较快, 5月已达到2019年同期水平.
|
图 5 京津冀客货运量和规模以上工业增加值增速 Fig. 5 Growth in passenger volumes, freight transport, and industrial enterprises above the designated size (20 million RMB of annual major business revenue) in the Beijing-Tianjin-Hebei region |
工业热异常点的数量可以表示工业生产的空间分布以及变化特征, 辐射强度大小可以表征工业生产规模及能源消费情况, 间接反映空气质量状况[24].河北省产业结构偏重, 以火力发电、钢铁和水泥等高污染高耗能的重工业为主[39, 40], 这类行业因为存在不可中断的生产工序, 疫情期间基本没有停产.图 6为2020年1~6月工业热异常点分布和辐射强度的核密度变化情况, 总体看来, 热异常点多分布在唐山、天津和邯郸三座重工业城市.1~2月辐射强度较低, 3月后辐射强度大幅度增加, 相应地工业耗能量变大, 大气污染排放量也变大.表 3为热异常点的数量和唐山、天津及邯郸三市的辐射强度提取结果.从数量上看, 2月比1月增加了31%, 3月比2月增加了156%, 4~6月热异常点的数量基本稳定或微升; 从辐射能量看, 2月唐山和天津的值显著降低, 邯郸略降, 3月后三地的辐射能量逐渐升高.
|
图例表示浓度, 单位为MW ·km-2 图 6 工业热异常点与辐射强度的核密度 Fig. 6 Kernel density of thermal radiation anomalies in the Beijing-Tianjin-Hebei region |
|
|
表 3 京津冀工业热异常点数量和唐山、天津和邯郸三市的辐射强度 Table 3 Thermal anomalies in the Beijing-Tianjin-Hebei region and radiation intensities in Tangshan, Tianjin, and Handan |
将唐山、天津和邯郸三市1~6月的辐射强度与空气质量指标中的PM10、SO2和NO2月平均浓度进行灰色关联度分析, 得到热异常点辐射强度和各指标的关联度(表 4).在唐山和邯郸, 灰色关联度从大到小依次为：PM10>NO2>SO2, 天津则为SO2>PM10>NO2, 各项指标与辐射强度的关联度均大于0.6, 表明分析变量间的相关程度高, 即大气污染物浓度的变化受工业源排放的影响程度显著.2~3月, 受疫情影响, 部分工业的复工复产有所延迟, 相应地大气污染排放比2019年同期有所降低, 但随着复工规模扩大, 相应地工业大气污染排放增加, 各污染物浓度的增幅大于2019年同期水平.总而言之, 控制工业的污染物排量仍是治理大气污染的关键, 应继续推进产业结构调整, 严格控制高耗能、高排放的企业的产能, 大力化解过剩产能和淘汰落后产能.
|
|
表 4 唐山、天津、邯郸三市工业热异常点辐射强度与空气质量灰色关联度 Table 4 Grey relation coefficients between radiation intensity and air quality in Tangshan, Tianjin, and Handan |
3 讨论
京津冀地区大气污染物浓度受本次疫情影响所呈现出的变化规律, 能给进一步治理大气污染带来一些启示：其一, 北京市易受西南和东南通道污染物传输的影响, 故仅控制本市减排起到的效果很不稳定, 必须进一步加强区域联防联控, 争取将不利天气带来的影响降到最低.其二, 现在的大气污染具有明显的复合型特征, O3和二次PM2.5同根同源, 一体两面, 根本原因是多种污染物的高强度排放.若区域VOCs和NOx等O3前体物质变化比例不一致, 则有可能会导致局地O3污染加重.故下一步应准确定量分析城市-区域-全国等不同空间尺度上的O3来源, 科学指导VOCs和NOx等多种污染物的协同减排.
由于无法获取到各项大气污染物的痕量组分数据, 本文分析的污染物区域传输和二次转化仅从风向、风速和温度湿度等气象条件判断, 并不十分准确, 故北京市两次重污染天气的区域传输和二次转化贡献情况还需结合组分数据建模进行精确分析.
Berman等[41]研究了美国疫情封锁期间的NO2和PM2.5浓度变化情况, 发现二者在城市有较大幅度地下降, 在乡村变化不明显.京津冀的空气质量监测站大多分布在城区, 故无法获取广大农村地区的各项污染物数据, 无法进行此项对比.建议布设更为均衡的监测站点, 结合城市和农村的具体情况制定更有针对性的减排方案.
4 结论(1) 从总体上看, 京津冀地区在疫情防控期间的AQI值和各类污染物平均浓度与2019年同期相比均有下降, 降幅最大的污染物为SO2(26.5%)、PM10(24.3%)和NO2(16.9%).
(2) 由防控初期到后期, 受疫情管控措施变化影响, 各污染物(除O3)变化不一致但整体上仍处于下降趋势(河北南部和天津等重工业城市变化幅度最大); 区域O3浓度一直处于上升趋势, 且初期增幅大(76.2%), 中后期增幅放缓.
(3) 防控初期北京市的重污染天气是污染物本地积累、区域传输和二次转化共同作用的结果.在相似的气象条件下, 2020年2月的PM2.5平均浓度(63 μg·m-3)同比2014年2月(150 μg·m-3)偏低近6成.若剔除不利气象因素, 仅考虑人为管控措施对减排的影响, 则初期北京市6项污染物的浓度比2019年同期均有下降.
(4) 受管控措施影响, 京津冀地区春节后的平均经济活跃度比2019年同期下降了12%以上; 防控中后期, 随着交通量和工业复工进一步扩大, 三地的各类污染物变化趋于平缓或有微升.唐山、天津和邯郸三个重工业城市的热异常点辐射强度与PM10、SO2和NO2的浓度的灰色关联度结果均大于0.6, 即控制工业排量仍是治理大气污染的关键.
致谢: 中国环境监测总站提供了地面环境空气质量监测数据, 中国气象数据网提供了气象数据, 北京统计局、天津统计局和河北统计局提供了客货运量和规模以上工业增加值增速数据, NASA官网提供了夜光遥感、热异常点和辐射强度数据, 在此一并致谢.
| [1] | 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. DOI:10.1073/pnas.1907956116 |
| [2] | Ding A J, Huang X, Nie W, et al. Significant reduction of PM2.5 in eastern China due to regional-scale emission control: evidence from SORPES in 2011-2018[J]. Atmospheric Chemistry and Physics, 2019, 19(18): 11791-11801. DOI:10.5194/acp-19-11791-2019 |
| [3] | Huang X, Ding A J, Gao J, et al. Enhanced secondary pollution offset reduction of primary emissions during COVID-19 lockdown in China[J]. National Science Review, 2020. DOI:10.1093/nsr/nwaa137 |
| [4] | Tian H Y, Liu Y H, Li Y D, et al. An investigation of transmission control measures during the first 50 days of the COVID-19 epidemic in China[J]. Science, 2020, 368(6491): 638-642. DOI:10.1126/science.abb6105 |
| [5] | Wang C, Horby P W, Hayden F G, et al. A novel coronavirus outbreak of global health concern[J]. The Lancet, 2020, 395(10223): 470-473. DOI:10.1016/S0140-6736(20)30185-9 |
| [6] | Wilder-Smith A, Freedman D O. Isolation, quarantine, social distancing and community containment: pivotal role for old-style public health measures in the novel coronavirus (2019-nCoV) outbreak[J]. Journal of Travel Medicine, 2020, 27(2). DOI:10.1093/jtm/taaa020 |
| [7] | Wang S L, Gao J, Zhang Y C, et al. Impact of emission control on regional air quality: an observational study of air pollutants before, during and after the Beijing Olympic Games[J]. Journal of Environmental Sciences, 2014, 26(1): 175-180. DOI:10.1016/S1001-0742(13)60395-2 |
| [8] |
刘奇琛, 黄婧, 郭斌, 等. 2014年APEC会议期间排放控制措施对大气污染物浓度的影响[J]. 首都公共卫生, 2017, 11(5): 220-224. Liu Q C, Huang J, Guo B, et al. Investigation of emission control measures' impacts on air pollutants in Beijing during the 2014 Asia-Pacific Economic Cooperation[J]. Capital Journal of Public Health, 2017, 11(5): 220-224. |
| [9] | He M Z, Kinney P L, Li T T, et al. Short- and intermediate-term exposure to NO2 and mortality: a multi-county analysis in China[J]. Environmental Pollution, 2020, 261. DOI:10.1016/j.envpol.2020.114165 |
| [10] | Wang P F, Chen K Y, Zhu S Q, et al. Severe air pollution events not avoided by reduced anthropogenic activities during COVID-19 outbreak[J]. Resources, Conservation and Recycling, 2020, 158. DOI:10.1016/j.resconrec.2020.104814 |
| [11] | Chang Y H, Huang R J, Ge X L, et al. Puzzling haze events in China during the Coronavirus (COVID-19) shutdown[J]. Geophysical Research Letters, 2020, 47(12). DOI:10.1029/2020GL088533 |
| [12] | Li X R, Wang L L, Ji D S, et al. Characterization of the size-segregated water-soluble inorganic ions in the Jing-Jin-Ji urban agglomeration: spatial/temporal variability, size distribution and sources[J]. Atmospheric Environment, 2013, 77: 250-259. DOI:10.1016/j.atmosenv.2013.03.042 |
| [13] |
耿彦红, 刘卫, 单健, 等. 上海市大气颗粒物中水溶性离子的粒径分布特征[J]. 中国环境科学, 2010, 30(12): 1585-1589. Geng Y H, Liu W, Shan J, et al. Characterization of major water-soluble ions in size-fractionated particulate matters in Shanghai[J]. China Environmental Science, 2010, 30(12): 1585-1589. |
| [14] | Wang Y S, Li W J, Gao W K, et al. Trends in particulate matter and its chemical compositions in China from 2013-2017[J]. Science China Earth Sciences, 2019, 62(12): 1857-1871. DOI:10.1007/s11430-018-9373-1 |
| [15] | GB 3095-2012, 环境空气质量标准[S]. |
| [16] | HJ 663-2013, 环境空气质量评价技术规范(试行)[S]. |
| [17] | Xia H P, Chen Y H, Quan J L. A simple method based on the thermal anomaly index to detect industrial heat sources[J]. International Journal of Applied Earth Observation and Geoinformation, 2018, 73: 627-637. DOI:10.1016/j.jag.2018.08.003 |
| [18] | Elvidge C D, Zhizhin M, Baugh K, et al. Methods for global survey of natural gas flaring from visible infrared imaging radiometer suite data[J]. Energies, 2016, 9(1): 14. |
| [19] |
魏延生. 基于POI和滴滴出行数据的人们打车需求分析——以北京市核心区域为例[D]. 长春: 中国科学院东北地理与农业生态研究所, 2018. Wei Y S. Study on demand of taxi based on Didi and POI data-taking Beijing Central region as an example[D]. Changchun: Northeast Institute of Geography and Agroecology, Chinese Academy of Science, 2018. |
| [20] |
蒋姝睿, 王玥, 王萌, 等. 区域视角下中国工业行业与工业污染关系[J]. 中国环境科学, 2017, 37(11): 4380-4387. Jiang S R, Wang Y, Wang M, et al. Industrial sectors and pollution in China based on the regional perspective[J]. China Environmental Science, 2017, 37(11): 4380-4387. DOI:10.3969/j.issn.1000-6923.2017.11.044 |
| [21] | 刘思峰, 谢乃明. 灰色系统理论及其应用[M]. ((第六版)). 北京: 科学出版社, 2013. |
| [22] | Xie R, Sabel C E, Lu X, et al. Long-term trend and spatial pattern of PM2.5 induced premature mortality in China[J]. Environment International, 2016, 97: 180-186. DOI:10.1016/j.envint.2016.09.003 |
| [23] |
湛社霞. 粤港澳大湾区常规大气污染物变化趋势与影响因素研究[D]. 广州: 中国科学院广州地球化学研究所, 2018. Zhan S X. Research on changing trend and influencing factors of conventional air pollutants in Guangdong-Hong Kong-Macao greater bay area[D]. Guangzhou: Guangzhou Institute of Geochemistry, Chinese Academy of Science, 2018. |
| [24] |
孙爽, 李令军, 赵文吉, 等. 基于热异常遥感的冀南城市群工业能耗及大气污染[J]. 中国环境科学, 2019, 39(7): 3120-3129. Sun S, Li L J, Zhao W J, et al. Industrial pollution emissions based on thermal anomaly remote sensing monitoring: a case study of Southern Hebei urban agglomerations, China[J]. China Environmental Science, 2019, 39(7): 3120-3129. DOI:10.3969/j.issn.1000-6923.2019.07.051 |
| [25] | Zhang R X, Zhang Y Z, Lin H P, et al. NOx emission reduction and recovery during COVID-19 in east China[J]. Atmosphere, 2020, 11(4): 433. DOI:10.3390/atmos11040433 |
| [26] | Bauwens M, Compernolle S, Stavrakou T, et al. Impact of coronavirus outbreak on NO2 pollution assessed using TROPOMI and OMI observations[J]. Geophysical Research Letters, 2020, 47(11). DOI:10.1029/2020GL087978 |
| [27] |
王晓琦, 郎建垒, 程水源, 等. 京津冀及周边地区PM2.5传输规律研究[J]. 中国环境科学, 2016, 36(11): 3211-3217. Wang X Q, Lang J L, Cheng S Y, et al. Study on transportation of PM2.5 in Beijing-Tianjin-Hebei (BTH) and its surrounding area[J]. China Environmental Science, 2016, 36(11): 3211-3217. DOI:10.3969/j.issn.1000-6923.2016.11.002 |
| [28] | Huang F F, Li X, Wang C, et al. PM2.5 Spatiotemporal variations and the relationship with meteorological factors during 2013-2014 in Beijing, China[J]. PLoS One, 2015, 10(11). DOI:10.1371/journal.pone.0141642 |
| [29] | Li W G, Liu X G, Zhang Y H, et al. Characteristics and formation mechanism of regional haze episodes in the Pearl River Delta of China[J]. Journal of Environmental Science, 2018, 63: 236-249. DOI:10.1016/j.jes.2017.03.018 |
| [30] |
李令军, 王占山, 张大伟, 等. 2013~2014年北京大气重污染特征研究[J]. 中国环境科学, 2016, 36(1): 27-35. Li L J, Wang Z S, Zhang D W, et al. Analysis of heavy air pollution episodes in Beijing during 2013~2014[J]. China Environmental Science, 2016, 36(1): 27-35. DOI:10.3969/j.issn.1000-6923.2016.01.005 |
| [31] | Rahman A, Luo C X, Khan M H R, et al. Influence of atmospheric PM2.5, PM10, O3, CO, NO2, SO2, and meteorological factors on the concentration of airborne pollen in Guangzhou, China[J]. Atmospheric Environment, 2019, 212: 290-304. DOI:10.1016/j.atmosenv.2019.05.049 |
| [32] | Shi X Q, Brasseur G P. The response in air quality to the reduction of Chinese economic activities during the COVID-19 outbreak[J]. Geophysical Research Letters, 2020, 47(11). DOI:10.1029/2020GL088070 |
| [33] | Sun Y L, Lei L, Zhou W, et al. A chemical cocktail during the COVID-19 outbreak in Beijing, China: Insights from six-year aerosol particle composition measurements during the Chinese New Year holiday[J]. Science of the Total Environment, 2020, 742. DOI:10.1016/j.scitotenv.2020.140739 |
| [34] |
彭玏, 赵媛媛, 赵吉麟, 等. 京津冀大气污染传输通道区大气污染时空格局研究[J]. 中国环境科学, 2019, 39(2): 449-458. Peng L, Zhao Y Y, Zhao J L, et al. Spatiotemporal patterns of air pollution in air pollution transmission channel of Beijing-Tianjin-Hebei from 2000 to 2015[J]. China Environmental Science, 2019, 39(2): 449-458. DOI:10.3969/j.issn.1000-6923.2019.02.001 |
| [35] | 郎建垒. 基于大气污染物总量控制的区域污染源分级与优化减排技术研究[D]. 北京: 北京工业大学, 2013. |
| [36] | 许万智, 蔡菁菁, 陈仲榆, 等. 2014年2月华北地区一次重污染天气过程的综合分析[A]. 见: 2014中国环境科学学会学术年会论文集[C]. 成都: 中国环境科学学会, 2014. 485-491. |
| [37] | Li J W, Han Z W, Wu Y F, et al. Aerosol radiative effects and feedbacks on boundary layer meteorology and PM2.5 chemical components during winter haze events over the Beijing-Tianjin-Hebei region[J]. Atmospheric Chemistry and Physics, 2020, 20(14): 8659-8690. DOI:10.5194/acp-20-8659-2020 |
| [38] |
李德仁, 李熙. 夜光遥感技术在评估经济社会发展中的应用——兼论其对"一带一路"建设质量的保障[J]. 宏观质量研究, 2015, 3(4): 1-8. Li D R, Li X. Applications of night-time light remote sensing in evaluating of socioeconomic development[J]. Journal of Macro-Quality Research, 2015, 3(4): 1-8. DOI:10.3969/j.issn.2095-607X.2015.04.001 |
| [39] |
王慧丽, 雷宇, 陈潇君, 等. 京津冀燃煤工业和生活锅炉的技术分布与大气污染物排放特征[J]. 环境科学研究, 2015, 28(10): 1510-1517. Wang H L, Lei Y, Chen X J, et al. Technology distribution and air pollutant emissions from Coal-Fired boilers for industrial and residential use in Beijing-Tianjin-Hebei area[J]. Research of Environmental Sciences, 2015, 28(10): 1510-1517. |
| [40] |
伯鑫, 徐峻, 杜晓惠, 等. 京津冀地区钢铁企业大气污染影响评估[J]. 中国环境科学, 2017, 37(5): 1684-1692. Bo X, Xu J, Du X H, et al. Impacts assessment of steel plants on air quality over Beijing-Tianjin-Hebei area[J]. China Environmental Science, 2017, 37(5): 1684-1692. DOI:10.3969/j.issn.1000-6923.2017.05.011 |
| [41] | Berman J D, Ebisu K. Changes in U.S. air pollution during the COVID-19 pandemic[J]. Science of the Total Environment, 2020, 739. DOI:10.1016/j.scitotenv.2020.139864 |