2021, Vol. 42
2. 西部资源环境地理信息技术教育部工程研究中心, 昆明 650500
2. GIS Technology Engineering Research Centre for West-China Resources and Environment, Ministry of Education, Yunnan Normal University, Kunming 650500, China
短期暴露在高浓度的PM2.5环境中或长期暴露在PM2.5环境中, 会增加人的不良健康风险[1]. Cohen等[2]的研究对1990~2015年空气污染引起的全疾病负担估计及其变化趋势分析表明: 2015年PM2.5在全球所有威胁健康因素中排名第五.对中国而言, 大部分地区的PM2.5污染浓度高于世界卫生组织标准(10μg·m-3)[3], 由此引发的公众健康问题也更为严重.为降低PM2.5污染, 中国做了很多努力. 2012年环境保护部在环境空气质量标准中增加了PM2.5的浓度限值并通过官方平台发布PM2.5的实时监测结果[4]; 2013年和2018年国务院分别发布了大气污染防治行动计划[5]和打赢蓝天保卫战三年行动计划[6].这些努力确实改善了空气质量, 但城市空气污染物浓度仍维持在较高水平[7].如何在经济发展的同时, 尽可能地降低PM2.5污染是亟需解决的问题.
PM2.5污染的主要来源是人类活动[8, 9], 而土地利用/覆被变化(land use/land cover change, LUCC)能够反映人类活动的强度[10].因此, 有较多研究从LUCC角度出发, 定量定性地分析PM2.5与土地利用类型之间的关系[11, 12].植被是陆地生态系统的主体, 是土地利用类型变化不可缺少的部分[13], 也能反映出人类的活动强度[14].在较大尺度上, 长时间序列的遥感植被覆盖数据的获取与处理能力明显高于土地利用数据[15].已有学者探索了用植被格局替代土地利用反映人类活动强度的可行性.Whistler[16]、Griffith[17]和张军[18]通过相同的遥感影像, 分别获得同一流域土地利用和植被NDVI数据, 并建立它们与水质的关系, 发现河流水质与植被NDVI的相关性显著高于土地利用类型.现有关于PM2.5与植被的研究中主要是把高植被覆盖度作为绿地类型来研究绿地对PM2.5的减弱作用, 且研究集中在中小尺度[19~21], 较少涉及将植被覆盖与PM2.5污染作为对象的深入研究.本文试图将PM2.5与LUCC的研究方法应用于PM2.5与植被的研究中, 以此来深入了解二者的关系.
在PM2.5与土地利用类型的研究中, 主要分为两类: 一类是应用较为普遍的土地利用回归模型(land use regression, LUR), 该模型以PM2.5监测站点为中心, 生成一定范围内的缓冲区, 以监测站点的PM2.5为因变量, 将该缓冲区内的土地利用、交通和人口密度等数据作为自变量, 构建回归模型[22, 23]; 另一类是从景观生态学角度, 研究土地利用/覆盖的类型、数量、组合效应及整个景观格局的变化对大气污染物浓度变化的影响[24, 25]. LUR方法中对缓冲距离的设置相对狭窄, 需要的数据较多, 比较适合小尺度研究.本研究以中国内地八大经济区作为研究对象, 尺度较大, 且缺乏长时间序列的PM2.5观测数据, 不适合用LUR方法, 因而选择后者.
目前有很多的植被指数, 但归一化植被指数(normalized difference vegetation index, NDVI)应用最为广泛[26], 能较为准确地反映地表植被覆盖状况.综上所述, 本文以中国内地八大经济区为研究对象, 以1998~2016的PM2.5和NDVI数据为基础, 将NDVI值划分为3个等级, 从景观生态学角度出发, 分析不同NDVI等级的景观格局指数与PM2.5污染物浓度是否具有关联性及其如何影响PM2.5污染, 以期为治理PM2.5污染及发展绿色经济提供科学依据.
1 材料与方法 1.1 研究区PM2.5污染具有区域性特点, 以八大经济区(图 1)作为研究区是比较合理的, 该划分综合考虑了自然条件、自然资源及经济技术发展水平的差异性, 同时又保留了行政区的完整性[27], 便于区域联合防控.从图 1可看出, 我国总体地势特征为西高东低, 除西南、西北和黄河中游经济区, 其它经济区以低海拔(≤500 m)为主.地势特征会深刻影响研究区内的其它地理特征, 如气候、人口分布和交通等.
|
图 1 研究区示意 Fig. 1 Overview of the study area |
NDVI是通过计算遥感影像的近红外波段(植被强烈反射)和红光波段(植被吸收)之间的差异来量化植被, 值介于-1~1之间, 值越大说明植被覆盖越大, 值为负则可能表示水体.中国年度NDVI数据集来源于中国科学院资源环境科学数据中心(http://www.resdc.cn/), 空间分辨率为1 km, 该数据集通过遥感SPOT-VGT采用最大值合成法合成.PM2.5污染数据集来源于美国国家航天局NASA发布的全球表面PM2.5浓度数据(http://earthdata.nasa.gov), 数据分辨率为0.01°, 该数据集去除了大部分水体.PM2.5数据集与NDVI数据集的时间尺度为1998~2016年共计19 a.
在ArcGIS软件中将所有栅格数据的地理坐标系设为GCS-WGS-84, 投影坐标系设置为兰伯特等角, 空间分辨率为1 km.利用PM2.5的数据集裁剪NDVI数据集, 使两个数据集的行列数相同.在此基础上, 利用ArcGIS软件里的reclassify工具, 对八大经济区的NDVI数据集进行3个等级划分, 获得24个分区.分类标准为: 0≤NDVI≤0.4为低值区, 0.4 < NDVI≤0.7为中值区, 0.7 < NDVI≤1为高值区, 分别代表低植被覆盖区、中植被覆盖区和高植被覆盖区.然后, 利用ArcGIS里的zonal statistics as table工具, 计算每年各经济区的PM2.5污染浓度值及各NDVI等级下的PM2.5污染浓度值.
1.3 研究方法 1.3.1 基于NDVI背景下的PM2.5变化趋势分析利用Sen和Mann-Kendall相结合是判断时序数据趋势的重要方法, 该方法不要求数据服从任何分布, 不受异常值干扰.其中, 用Sen趋势度(β)计算数据的趋势, 用Mann-Kendall检验构建Z统计量, 进而判断趋势变化的显著性[28, 29].在0.05的置信水平下, 当β>0且|Z|>1.96, PM2.5随时间呈显著上升趋势; 当β < 0且|Z|>1.96, PM2.5随时间呈显著下降趋势; 当β>0且|Z|≤1.96或β < 0且|Z|≤1.96, PM2.5变化呈基本稳定趋势.β计算公式如下:
|
(1) |
式中, xi和xj分别为第i年和第j年的PM2.5值; Median为中位数函数.
Z统计量计算公式如下:
|
(2) |
|
其中, n为19(时间序列长度); sgn是符号函数, 公式如下:
|
(3) |
NDVI景观指数能定量化表达NDVI景观格局的类型组成和空间结构特征, 本文的NDVI景观指数包括斑块类型水平(class-level indexes)和景观水平(landscape-level indexes)两个层次.NDVI类型水平计算不同NDVI等级的景观指数, 而NDVI景观水平计算整体NDVI的景观指数.本文选取的景观指数如表 1所示.在此基础上, 利用皮尔森相关系数(Pearson correlation coefficient)分析PM2.5与NDVI景观格局的相关性.
|
表 1 NDVI景观指数 Table 1 Indexes of NDVI landscape |
1.3.3 NDVI景观格局指数对PM2.5的影响
为定量化分析不同分区(或个体)的各NDVI景观指数对PM2.5的影响, 本文分别建立PM2.5与各NDVI景观指数的混合模型、固定系数和变系数模型, 并根据Wald检验(F-test)的P值(< 0.05)来确定合适的模型.
固定效应模型假设不同个体的各NDVI景观格局指数对PM2.5的影响系数相同但截距不同, 表达式如下[31]:
|
(4) |
式中, i为个体, 在景观级别中, 个体为八大经济区, 值为1≤i≤8; 在类型尺度中, 个体为各经济区的各NDVI等级分区, 值为1≤i≤24. t=1, 2, 3, …, 19, 表示19个时点; Yit为t时刻, 个体i的PM2.5污染浓度; Xit为t时刻, 个体的NDVI景观格局指数; β为待估系数; μit为随机误差; αit为截距.如果αit=αi则为个体固定效应模型, 截距的不同是由个体效应引起的; 如果αit=αt为时点固定效应模型, 截距的不同是由时间效应引起的.
随机系数模型假设不同分区的NDVI景观指数对PM2.5的影响不同.表达式如下[31]:
|
(5) |
如果βit=βi, 则为个体随机系数模型; 如果βit=βt, 则为时点随机系数模型.
混合模型即普通线性回归模型: 从时间上看, 不同个体的NDVI景观格局指数对PM2.5污染浓度的影响不存在显著性差异; 从截面上看, 不同个体之间的NDVI景观格局指数对PM2.5污染浓度的影响也不存在显著性差异.表达式如下[31]:
|
(6) |
从景观级别即经济区尺度看(图 2), 总体上PM2.5污染的特征与地势的特征一致, 都为东高西低.1998~2016年西南地区和南海沿海的PM2.5污染浓度基本稳定, 其它经济区则显著上升.这可能是因为南部沿海和西南地区主要位于湿润地区(年降水量大于800 mm), 对PM2.5起到了很好地沉降作用.PM2.5污染的多年平均值从大到小依次为: 北部沿海、东部沿海、长江中游、南部沿海、东北地区、黄河中游、西南地区和西北地区.前3个经济区大多数年份的PM2.5污染浓度高于中国环境空气质量标准(GB 3095-2012)中规定的年均二级污染浓度限制(≥35 μg·m-3).从箱线图的四分位数差看, PM2.5污染浓度波动最大的也是前3个经济区, 波动最小的则是西北地区.从图 1还可明显看出西北地区的PM2.5污染浓度每年在10 μg·m-3以内, 是唯一符合世界卫生组织标准的地区.在八大经济区中, 经济发展水平较高的为北部沿海、东部沿海地区, 而经济发展水平较低的为西南地区、西北地区[32].这再次证实经济是推动中国空气污染物排放的一个越来越关键的因素[33, 34].
|
图 2 PM2.5多年平均值排序的箱线图 Fig. 2 Sorting a boxplot based on average PM2.5 |
从图 3可进一步了解各经济区的PM2.5污染随时间变化情况.除东北经济区, 其它经济区的PM2.5污染在2008年以前主要表现为增长趋势, 在2008~2012年间则表现为基本稳定或明显减少, 在2013年PM2.5浓度又开始升高.东北经济区的PM2.5污染则是在2009年前主要表现出增长趋势, 2009~2012年表现出下降趋势.北部沿海、东部沿海、东北地区和黄河中游的PM2.5波动曲线最为相似, 但波动范围不一致, 这可能是因为这4大经济区在地理位置上紧邻(图 1), 而前2个经济区的经济强于后二者的经济[32], 所以污染模式也相似.同样的原因导致南部沿海和西南地区的污染波动曲线也相似.长江中游地区近几年经济不断发展[35], 大气污染也越来越严重.西北及西南地区城市化进程起步较晚, 经济发展相对沿海开放地区落后, 人口数量、人均GDP和机动车保有量都远远低于沿海地区[36, 37], 同时受多种地势地貌等自然因素的影响, 所以地区内的大气污染整体变化不明显且处于较低水平.
|
图 3 下一年与上一年的PM2.5变化量 Fig. 3 Difference of PM2.5 between the next year and the previous year |
表 2是类型尺度的Sen和Mann-Kendall计算结果.1998~2016年PM2.5污染浓度只在6个分区中保持基本稳定, 而在大多数分区中表现出明显的上升趋势.除东部沿海和西北地区, 经济区内的NDVI低值区比例基本没发生变化; 大部分经济区的中值区和高值区比例分别表现为显著的下降和上升趋势, 所以大部分经济区植被覆盖率的增加是由NDVI高值区比例增加引起的.从表中还可看出植被覆盖增加的区域并没有表现出PM2.5污染降低的趋势, 这可能是因为二者都是随时间呈上升趋势且植被对降低PM2.5污染的作用是有限的.
结合表 2和图 4, 各分区的PM2.5浓度变化, 综合影响着各经区的污染状况.在南部沿海、黄河中游和西南地区的各NDVI等级区里, PM2.5污染有上升和基本不变两种趋势, 由于各NDVI等级的比例不同, 景观尺度上的PM2.5污染趋势与NDVI等级中比例最大的区域表现为一致的污染趋势.如黄河中游的PM2.5污染趋势在NDVI的低、中值区为无显著变化, 而在面积占比最大的高值区为显著上升, 黄河中游地区整体的PM2.5污染趋势则表现为显著上升(图 2).
|
|
表 2 基于Sen和Mann-Kendall的趋势分析1) Table 2 Trend analysis by Sen and Mann-Kendall |
|
图 4 NDVI等级比例 Fig. 4 Percent of NDVI classes |
从图 5可看出, 在NDVI等级低值区, 前面5个经济区的PM2.5污染较严重, 而黄河中游、西南地区及西北地区的PM2.5污染则较轻, 在高值区则情况相反.从多年平均值看, 前5个经济区内PM2.5污染从大到小为低值>中值>高值; 后3个经济区的PM2.5排序则为低值< 中值< 高值, 这些区域因受地势地貌等自然因素影响, 经济活动主要发生在植被覆盖相对较高的地方.从箱线图的四分位差看, 在PM2.5污染最严重的NDVI等级区里, PM2.5污染波动最大.
|
蓝线为多年平均值连线 图 5 NDVI等级背景下PM2.5箱线图 Fig. 5 Boxplot in the background of NDVI |
从景观尺度看(图 6), PM2.5与各景观指数的关系并不固定, 有正有负, 相关系数通过显著性检验的个数只有9个; PM2.5与NP和LPI主要表现出正相关性, 且与LPI的相关性大多呈高于0.5; PM2.5与AI和LSI只在西南地区表现出显著的相关性.
|
*表示r在5%的水平上显著 图 6 景观尺度下的PM2.5与NDVI景观格局指数的相关系数 Fig. 6 Pearson correlation coefficients between PM2.5 and NDVI landscape level metrics |
从类型尺度看(图 7), 同一指数与不同分区的PM2.5污染相关性大小不同, 且既有正相关也有负相关.东部沿海和西北地区的NDVI景观指标与PM2.5的相关性在所有经济区中是最弱的.相关系数共120个, 通过显著统计检验的个数仅为44个, 其中大多数的绝对值大于0.5.在NDVI的中、高值区, PLAND与PM2.5分别主要表现为负相关和正相关.NP、LSI指数与PM2.5在NDVI的中低值区主要呈现出正相关, 而在NDVI高值区则表现为负相关, 但这些相关性大部分是没通过显著性检验的. LPI和AI指数与PM2.5在NDVI的中低值区主要表现为负相关, 而在高值区为正相关.
|
*表示r在5%的水平上显著 图 7 类型尺度下的PM2.5与NDVI景观格局指数的相关系数 Fig. 7 Pearson correlation coefficients between PM2.5 and NDVI class level metrics |
为定量研究每个NDVI景观格局指数对PM2.5的影响, 对每个指标及PM2.5数据进行极差标准化, 并分别筛选各NDVI景观格局指数与PM2.5存在显著统计相关性的数据(图 6和图 7), 建立混合模型、固定效应模型、个体随机变系数模型, 并通过F-test检验选择适合的模型.从景观尺度看(表 3), 东北地区的植被斑块个数(NP)增加一个单位, PM2.5增加0.65个单位.在西南地区, 斑块聚集度(AI)越聚大, PM2.5污染越严重; 而LSI值越大则PM2.5污染越小.LPI对大多数经济区的PM2.5有影响且存在明显的空间异质性, 对东北地区的影响最大, 该地区的LPI增加一个单位, PM2.5增加0.72个单位.
|
|
表 3 景观尺度下PM2.5与NDVI景观格局指数的面板数据模型结果1) Table 3 Result of the panel data model between PM2.5 and NDVI landscape level metrics |
在类型尺度上(图 8)看, PM2.5与AI、LSI指标在NDVI高值区的模型采用普通线性回归模型, 表明这些指标在高值区对PM2.5污染的影响是相同的, 不存在空间异质性.同样的, 在低值区LPI对PM2.5和在中值区PLAND对PM2.5污染的影响是相同的.除上面所述, PM2.5与各指数采用的都是个体变系数模型, 这说明各指数对不同个体的PM2.5影响从符号和数值上都不尽相同.从NDVI等级角度看, 在高值区的NDVI景观指数与PM2.5的系数符号与中低值区的系数符号相反.对结果的合理性及解释还需要进一步探索.如NDVI比例越高则PM2.5污染越严重, 出现这种结果的原因可能是PLAND和PM2.5都随时间增长导致的.本文只分别考虑了每种指数对PM2.5的影响, 没有充分考虑多种指数之间的相关性及对PM2.5的综合影响, 为更好地探究植被覆盖与PM2.5的机制, 还需要进一步探索NDVI等级的划分, 以便更合理地对结果进行解释.
|
(a)AI, (b)LSI,(c)NP, (d)LPI,(e)PLAND, *表示系数在5%的水平上显著 图 8 景观尺度下PM2.5与NDVI景观格局指数的面板数据模型结果 Fig. 8 Result of the panel data model between PM2.5 and NDVI class level metrics |
(1) 从NDVI景观尺度看, 大部分经济区的PM2.5污染随时间呈显著上升趋势.污染较严重的地区集中在东部地区, 污染较轻的是西南、西北经济区.北部沿海、东部沿海、黄河中游和东北地区的PM2.5随时间变化的曲线相似.
(2) 从NDVI等级尺度看, 大多数分区的PM2.5呈显著上升趋势.北部沿海、东部沿海、南部沿海、长江中游、东北地区的PM2.5在NDVI低值区的污染最大, 而黄河中游、西南和西北经济区的PM2.5则在NDVI高值区的污染最严重.
(3) 不论是景观尺度还是类型尺度, NDVI景观格局指数与PM2.5具有统计(5%置信水平)相关关系的个数较少.针对具有统计相关性的数据, 建立的面板数据模型表明: 中值区的AI、高值区的LSI、低值区的LPI和中值区的PLAND对PM2.5的影响较稳定; 其余分区的各景观指数对PM2.5的影响表现出空间异质性.
| [1] |
薛涛, 刘俊, 张强, 等. 2013~2017年中国PM2.5污染的快速改善及其健康效益[J]. 中国科学: 地球科学, 2019, 62(4): 441-452. Xue T, Liu J, Zhang Q, et al. Rapid improvement of PM2.5 pollution and associated health benefits in China during 2013-2017[J]. Science China Earth Sciences, 2019, 62(12): 1847-1856. |
| [2] | Cohen A J, Brauer M, Burnett R, et al. Estimates and 25-year trends of the global burden of disease attributable to ambient air pollution: an analysis of data from the global burden of diseases study 2015[J]. The Lancet, 2017, 389(10082): 1907-1918. DOI:10.1016/S0140-6736(17)30505-6 |
| [3] |
夏晓圣, 汪军红, 宋伟东, 等. 2000~2019年中国PM2.5时空演化特征[J]. 环境科学, 2020, 41(11): 4832-4843. Xiao X S, Wang J H, Song W D, et al. Spatio-temporal evolution of PM2.5 concentration during 2000-2019 in China[J]. Environmental Science, 2020, 41(11): 4832-4843. |
| [4] | 中华人民共和国环境保护部. 环境空气质量标准[EB/OL]. http://www.mee.gov.cn/ywgz/fgbz/bz/bzwb/dqhjbh/dqhjzlbz/201203/W020120410330232398521.pdf, 2021-04-09. |
| [5] | 国务院. 大气污染防治行动计划[EB/OL]. http://www.gov.cn/zhengce/content/2013-09/13/content_4561.htm, 2021-04-12. |
| [6] | 国务院. 打赢蓝天保卫战三年行动计划[EB/OL]. http://www.gov.cn/zhengce/content/2018-07/03/content_5303158.htm, 2021-04-12. |
| [7] | 中华人民共和国生态环境部. 2019年中国环境状况公报[EB/OL]. http://www.cnemc.cn/jcbg/zghjzkgb/202007/P020200716568022848361.pdf, 2020-10-17. |
| [8] | Bai H M, Gao W K, Zhang Y P, et al. Assessment of health benefit of PM2.5 reduction during COVID-19 lockdown in China and separating contributions from anthropogenic emissions and meteorology[J]. Journal of Environmental Sciences, 2021. DOI:10.1016/j.jes.2021.01.022 |
| [9] |
韩立建. 城市化与PM2.5时空格局演变及其影响因素的研究进展[J]. 地理科学进展, 2018, 37(8): 1011-1021. Han L J. Relationship between urbanization and urban air quality: an insight on fine particulate dynamics in China[J]. Progress in Geography, 2018, 37(8): 1011-1021. |
| [10] | Hu Y F, Hu Y. Land cover changes and their driving mechanisms in central Asia from 2001 to 2017 supported by Google earth engine[J]. Remote Sensing, 2019, 11(5). DOI:10.3390/rs11050554 |
| [11] |
杨伟, 姜晓丽. 华北地区大气细颗粒物(PM2.5)年际变化及其对土地利用/覆被变化的响应[J]. 环境科学, 2020, 41(7): 2995-3003. Yang W, Jiang X L. Interannual characteristics of fine particulate matter in north China and its relationship with land use and land cover change[J]. Environmental Science, 2020, 41(7): 2995-3003. DOI:10.3969/j.issn.1000-6923.2020.07.024 |
| [12] | Lin Y F, Yuan X Y, Zhai T L, et al. Effects of land-use patterns on PM2.5 in China's developed coastal region: exploration and solutions[J]. Science of the Total Environment, 2020, 703. DOI:10.1016/j.scitotenv.2019.135602 |
| [13] | Duveiller G, Hooker J, Cescatti A. The mark of vegetation change on Earth's surface energy balance[J]. Nature Communications, 2018, 9(1). DOI:10.1038/s41467-017-02810-8 |
| [14] |
金凯, 王飞, 韩剑桥, 等. 1982-2015年中国气候变化和人类活动对植被NDVI变化的影响[J]. 地理学报, 2020, 75(5): 961-974. Jin K, Wang F, Han J Q, et al. Contribution of climatic change and human activities to vegetation NDVI change over China during 1982-2015[J]. Acta Geographica Sinica, 2020, 75(5): 961-974. |
| [15] |
王震, 闫文德, 刘曙光, 等. 基于MODIS数据的中国三种主要土地类型变化的空间特征分析[J]. 生态学报, 2017, 37(10): 3295-3301. Wang Z, Yan W D, Liu S G, et al. Spatial-temporal characteristics of three main land-use types in China based on MODIS data[J]. Acta Ecologica Sinica, 2017, 37(10): 3295-3301. |
| [16] | Whistler J L. A phenological approach to land cover characterization using Landsat MSS data for analysis of nonpoint source pollution[D]. KARS: University of Kansas, 1996. 1-59. |
| [17] | Griffith J A. Geographic techniques and recent applications of remote sensing to landscape-water quality studies[J]. Water, Air, & Soil Pollution, 2002, 138(1): 181-197. |
| [18] | 张军. 丹江流域植被格局演变及其与水质响应关系研究[D]. 西安: 西安理工大学, 2017. |
| [19] | Qiu L, Liu F, Zhang X, et al. Difference of airborne particulate matter concentration in urban space with different green coverage rates in Baoji, China[J]. International journal of Environmental Research and Public Health, 2019, 16(8). DOI:10.3390/ijerph16081465 |
| [20] |
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. |
| [21] | Crouse D L, Pinault L, Balram A, et al. Complex relationships between greenness, air pollution, and mortality in a population-based Canadian cohort[J]. Environment International, 2019, 128: 292-300. DOI:10.1016/j.envint.2019.04.047 |
| [22] |
刘炳杰, 彭晓敏, 李继红. 基于LUR模型的中国PM2.5时空变化分析[J]. 环境科学, 2018, 39(12): 5296-5307. Liu B J, Peng X M, Li J H. Analysis of the temporal and spatial variation of PM2.5 in China based on the LUR model[J]. Environmental Science, 2018, 39(12): 5296-5307. |
| [23] |
杨婉莹, 刘艳芳, 刘耀林, 等. 基于LUR模型探究城市景观格局对PM2.5浓度的影响--以长株潭城市群为例[J]. 长江流域资源与环境, 2019, 28(9): 2251-2261. Yang W Y, Liu Y F, Liu Y L, et al. Investigating the effect of urban landscape pattern on PM2.5 concentration based on LUR model: a Chang-Zhu-Tan urban agglomeration case study[J]. Resources and Environment in the Yangtze Basin, 2019, 28(9): 2251-2261. |
| [24] |
欧维新, 张振, 陶宇. 长三角城市土地利用格局与PM2.5浓度的多尺度关联分析[J]. 中国人口·资源与环境, 2019, 29(7): 11-18. Ou W X, Zhang Z, Tao Y. Multi-scale correlation analysis of urban landscape pattern and PM2.5 concentration in the Yangtze River Delta[J]. China Population Resources and Environment, 2019, 29(7): 11-18. |
| [25] | Shi Y, Ren C, Lau K K L, et al. Investigating the influence of urban land use and landscape pattern on PM2.5 spatial variation using mobile monitoring and WUDAPT[J]. Landscape and urban planning, 2019, 189: 15-26. DOI:10.1016/j.landurbplan.2019.04.004 |
| [26] |
黄兴成, 李渝, 蒋太明, 等. 贵州赤水河流域植被指数时空变异研究[J]. 西南大学学报(自然科学版), 2020, 42(3): 139-145. Huang X C, Li Y, Jiang T M, et al. Spatio-temporal variations of vegetation index in the Chishui River basin[J]. Journal of Southwest University(Natural Science Edition), 2020, 42(3): 139-145. |
| [27] |
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. |
| [28] | Ali R, Kuriqi A, Abubaker S, et al. Long-term trends and seasonality detection of the observed flow in Yangtze River using Mann-Kendall and Sen's innovative trend method[J]. Water, 2019, 11(9). DOI:10.3390/w11091855 |
| [29] |
卢德彬, 毛婉柳, 杨东阳, 等. 基于多源遥感数据的中国PM2.5变化趋势与影响因素分析[J]. 长江流域资源与环境, 2019, 28(3): 651-660. Lu D B, Mao W L, Yang D Y, et al. Analysis on the trend and influencing factors of PM2.5 in China based on multi-source remote sensing data[J]. Resources and Environment in the Yangtze Basin, 2019, 28(3): 651-660. |
| [30] | 傅伯杰, 陈利顶, 马克明, 等. 景观生态学原理及应用[M]. (第二版). 北京: 科学出版社, 2011: 86-92. |
| [31] | Croissant Y, Millo G. Panel data econometrics with R[M]. USA: John Wiley and Sons Incorporated, 2019. |
| [32] |
魏艳华, 马立平, 王丙参. 中国八大综合经济区经济发展差异测度与评价[J]. 数量经济技术经济研究, 2020, 37(6): 89-108. Wei Y H, Ma L P, Wang B C. Evaluation and measurement of the economic development differences among the eight comprehensive economic zones in China[J]. The Journal of Quantitative & Technical Economics, 2020, 37(6): 89-108. |
| [33] | Li Y, Chiu Y, Lin T Y. The impact of economic growth and air pollution on public health in 31 Chinese cities[J]. International Journal of Environmental Research and Public Health, 2019, 16(3). DOI:10.3390/ijerph16030393 |
| [34] | Zhang Y, Shuai C Y, Bian J, et al. Socioeconomic factors of PM2.5 concentrations in 152 Chinese cities: decomposition analysis using LMDI[J]. Journal of Cleaner Production, 2019, 218: 96-107. DOI:10.1016/j.jclepro.2019.01.322 |
| [35] |
汪侠, 徐晓红. 长江经济带经济高质量发展的时空演变与区域差距[J]. 经济地理, 2020, 40(3): 5-15. Wang X, Xu X H. Spatial-temporal evolution and regional disparity of economic high-quality development in the Yangtze River economic belt[J]. Economic Geography, 2020, 40(3): 5-15. |
| [36] |
刘鹏飞, 孙斌栋. 中国城市生产、生活、生态空间质量水平格局与相关因素分析[J]. 地理研究, 2020, 39(1): 13-24. Liu D F, Sun B D. The spatial pattern of urban production-living-ecological space quality and its related factors in China[J]. Geographical Research, 2020, 39(1): 13-24. DOI:10.3969/j.issn.1003-2363.2020.01.003 |
| [37] |
杨昆, 时燕, 罗毅, 等. 经济快速发展背景下中国民用汽车拥有量变化的时空特征[J]. 地理科学, 2019, 39(4): 65-662. Yang K, Shi Y, Luo Y, et al. Spatial-temporal characteristics of ownership change of civil car in China[J]. Scientia Geographica Sinica, 2019, 39(4): 654-662. |