环境科学  2022, Vol. 43 Issue (3): 1226-1234   PDF    
引用本文
张可可, 胡冬梅, 闫雨龙, 彭林, 段小琳, 尹浩, 王凯, 邓萌杰. 基于小波变换的山西省PM2.5污染特征及影响因素[J]. 环境科学, 2022, 43(3): 1226-1234.
ZHANG Ke-ke, HU Dong-mei, YAN Yu-long, PENG Lin, DUAN Xiao-lin, YIN Hao, WANG Kai, DENG Meng-jie. Pollution Characteristics and Influencing Factors of PM2.5 in Shanxi Province Based on Wavelet Transform[J]. Environmental Science, 2022, 43(3): 1226-1234.
基于小波变换的山西省PM2.5污染特征及影响因素
张可可, 胡冬梅, 闫雨龙, 彭林, 段小琳, 尹浩, 王凯, 邓萌杰     
华北电力大学环境科学与工程学院, 资源环境系统优化教育部重点实验室, 北京 102206
收稿日期: 2021-07-14; 修订日期: 2021-08-22
基金项目: 国家重点研发计划项目(2019YFC0214202, 2019YFC0214203);国家自然科学基金项目(21976053);中央高校基本科研业务费专项(2019MS043)
作者简介: 张可可(1996~), 女, 硕士研究生, 主要研究方向为大气污染与控制, E-mail: kk1441241825@163.com
通信作者: 胡冬梅, E-mail: huhu3057@163.com
摘要: 基于山西省11城市2015~2019年PM2.5日均浓度、社会影响因素数据和气象数据，利用小波变换确定PM2.5浓度周期，通过Spearman相关性和小波相干谱分别探究PM2.5与社会影响因素和气象因素的关联，确定PM2.5长短周期管控的主要影响因子.结果表明，2015~2017年山西省PM2.5浓度年均值呈上升趋势，年均上升率为4.3%，2018~2019年呈下降趋势，年均下降率为4.2%；ρ（PM2.5）月均值呈"U"型分布，1月最高（95 μg·m-3），8月最低（34 μg·m-3），冬季均值约为夏季的2倍；临汾等南部城市ρ（PM2.5）均值为62 μg·m-3，大同等北部城市均值为45 μg·m-3，空间上呈南高北低.11城市PM2.5浓度存在显著周期性变化，主要周期包括293 d左右的长周期和27 d左右的短周期.其中，能源消耗水平和产业结构偏重是影响山西省长周期上PM2.5浓度的强驱动因素；短周期上则受大气环流变化影响较大，且不同城市PM2.5的主要气象影响因子不同，临汾、运城、大同、朔州和忻州易受风速影响，晋中和吕梁易受温度影响，太原、晋城、阳泉和长治较为特殊，受相对湿度影响显著.因此，产业结构调整和能源结构调整等是山西省大气PM2.5长期管控和空气质量长效改善的关键；开展短期区域联防联控时需考虑不同城市气象因子对PM2.5的差异化影响.
关键词: 山西省      PM2.5      污染特征      影响因素      小波变换     
Pollution Characteristics and Influencing Factors of PM2.5 in Shanxi Province Based on Wavelet Transform
ZHANG Ke-ke , HU Dong-mei , YAN Yu-long , PENG Lin , DUAN Xiao-lin , YIN Hao , WANG Kai , DENG Meng-jie     
College of Environmental Science and Engineering, North China Electric Power University, Beijing 102206, China
Abstract: Based on the daily average concentration of PM2.5, social influencing factor data, and meteorological data of 11 cities in Shanxi Province from 2015 to 2019, the concentration period of PM2.5 was determined using wavelet transform. The correlation between PM2.5 and social influencing factors and meteorological factors was explored respectively through Spearman correlation and the wavelet coherence spectrum, and the main influencing factors of long-term and short-term management and control of PM2.5 were determined. The results showed that the concentration of PM2.5 in Shanxi Province showed an upward trend from 2015 to 2017, with an average annual increase rate of 4.3% and a downward trend from 2018 to 2019, with an average annual decrease rate of 4.2%. The average concentration of PM2.5 showed a "U" distribution, with the highest value in January (95 μg·m-3) and the lowest in August (34 μg·m-3); the average value in winter was approximately twice that in summer. The ρ(PM2.5) in southern cities such as Linfen was 62 μg·m-3, and the average value in Datong and other northern cities was 45 μg·m-3, which was high in the south and low in the north. There were significant periodic changes in PM2.5 concentration in the 11 cities, including a long period of approximately 293 d and a short period of approximately 27 d. Among them, the energy consumption level and industrial structure were the strong driving factors affecting the PM2.5 concentration in the long period of Shanxi Province. In the short period, it was greatly affected by the change in atmospheric circulation, and different cities were affected by typical meteorological factors. Linfen, Yuncheng, Datong, Shuozhou, and Xinzhou were vulnerable to wind speed; Jinzhong and Luliang were vulnerable to temperature; and Taiyuan, Jincheng, Yangquan, and Changzhi were uniquely and significantly affected by relative humidity. Therefore, industrial structure adjustment and energy structure adjustment are key to the long-term control of atmospheric PM2.5 and the long-term improvement of air quality in Shanxi Province. The differential impact of different urban meteorological factors on PM2.5 should be considered when carrying out short-term regional joint prevention and control.
Key words: Shanxi province      PM2.5      pollution characteristics      influence factor      wavelet transform     

2015~2019年全国ρ(PM2.5)年均值依次为50、47、43、41和36 μg·m-3, 虽呈逐年下降, 但仍超过环境空气质量二级标准限值(35 μg·m-3), PM2.5依然是影响城市空气质量的重要污染物之一.PM2.5因粒径小, 比表面积大, 易携带多环芳香烃类等有害物质和致病菌, 导致多种呼吸系统疾病发生[1~4], 影响人体健康[5].因此, 有必要研究PM2.5的时空分布特征和影响因素, 为PM2.5精准管控提供决策依据.

通过PM2.5浓度影响因素的研究可以深入探究PM2.5浓度的形成机制[6], 其相关研究已成为学者关注的热点.学者多从自然和社会影响因素方面入手, 利用多元回归[7]、地理探测器[8]和地理加权回归模型[9, 10]对其进行研究, 忽视了我国城市PM2.5浓度具有年、季节和日周期性特征[11~13], 且在时域里存在多层次时间尺度结构[14, 15].小波变换方法通过将时间序列分解到时间频率域内, 得到时间序列的周期变化动态及其时间格局, 是分析非稳态时间序列的有效工具[16].李梓铭等[17]的研究表明北京城区PM2.5浓度的主要周期为24 h、8 d和14 d左右; 孙春媛等[18]的研究指出北京市PM2.5质量浓度的主周期为172 d, 且气象因子对PM2.5浓度变化影响较大; Chen等[14]的研究指出成都市PM2.5浓度存在14~32、62~104、105~178和216~389 d的多层次时间尺度结构.目前学者主要利用小波变换方法研究PM2.5浓度的周期性特征和演变特征, 针对PM2.5浓度特征及影响因素的系统研究匮乏.

山西省地处华北西部的黄土高原上, 内有太行山和吕梁山两座大山, 多数城市处于盆地之中, 气象条件对山西省PM2.5浓度影响较大.同时作为典型的煤、焦、铁和电等重工业行业集中地, 山西省能源消耗偏煤, 交通运输以公路为主, 多城市PM2.5污染问题突出, 社会影响因素对PM2.5浓度的影响也不容小觑.

因此, 本文基于山西省2015~2019年11城市PM2.5日均浓度并结合社会影响因素数据和气象数据, 利用小波变换确定PM2.5浓度的周期性规律, 通过Spearman相关性和小波相干谱分别探究PM2.5与社会影响因素和气象因素的关联, 确定PM2.5长短周期上污染管控重点, 以期为政府部门科学治污和精准治污提供科学依据.

1 材料与方法 1.1 研究区域及地理环境条件

山西省是中国内陆省份, 介于北纬34°34′~40°44′, 东经110°14′~114°33′之间, 包括太原、大同、朔州、忻州、阳泉、吕梁、晋中、长治、晋城、临汾和运城共11城市.全省山地和丘陵地形约占80%, 总地势是“两山夹一川”; 2015~2019年冬季平均气温为-3℃, 夏季为24℃, 冬夏气温悬殊, 山西省各地年降水量在426~580 mm之间, 夏季6~8月降水相对集中, 约占全年降水量的60%, 平均风速在1.1~4.3 m·s-1之间.

1.2 数据来源和处理

选取山西省2015~2019年11城市GDP(亿元)、机动车保有量(万辆)、社会总用电量(×1012 kW·h)、常住人口数量(万人)和第二产业用电量(×1012 kW·h)作为社会影响因素; 选取气温(℃)、降水量(mm)、风速(m·s-1)和相对湿度(%)作为气象影响因素.社会影响因素数据来源于11城市2015~2019年国民经济和社会发展统计年报, 其中长治市社会总用电量和第二产业用电量数据缺失. PM2.5浓度数据来源于真气网(https://www.aqistudy.cn); 气象影响因素数据来源于国家气象科学数据网(http://data.cma.cn). PM2.5浓度数据和气象数据有少量缺失值, 采用拉格朗日插值法进行数据填充, 完整起始时间为2015年1月1日~2019年12月31日, 各城市PM2.5浓度和气象数据有效天数均为1 826 d.

图 1 山西省海拔示意 Fig. 1 Elevation map of Shanxi Province

1.3 分析方法

小波变换在时域和频域具有良好的局部化性质, 对高频成分采用逐渐精细的时域或频域取样步长, 可聚焦到对象的任何细节, 被称为“数学显微镜”.

小波变换的原理如下.

1.3.1 小波系数
(1)

式中, a为尺度因子, 反映小波的周期长度; b为时间因子, 反映时间上的平移; wf(a, b)称为小波系数.

据Torrence等的研究发现, 尺度与周期之间存在如下关系[19]:

(2)

式中, T为周期, a为尺度因子.

1.3.2 小波方差

将时间域上小波变换系数的平方进行积分, 即为小波方差.

(3)

式中, var(a)为小波方差, 小波方差随尺度的变化过程称为小波方差图, 它反映了波动的能量随尺度的分布.

1.3.3 小波相干性(wavelet transform coherence, WTC)分析

小波相干系数是指两个相同数量的时间序列数据在小波变换后的在频率域的相关系数, 可以通过小波相干谱进行计算[20].小波相干系数可定义为:

(4)

式中, s为尺度, S为平滑算子, WXn(s)和WnY(s)分别为X和Y序列的小波变换, WnXY(s)为X和Y序列的交叉小波谱.同时本文运用红色噪音标准谱对相关性结果进行显著性检验[21].

2 结果与讨论 2.1 PM2.5浓度时空分布特征 2.1.1 PM2.5浓度时间分布特征

2015~2019年山西省总GDP、全社会用电量、民用汽车保有量、常住人口和第二产业用电量均处于上升过程, 温度和风速年均值无明显变化, 降水量在2016年达到峰值后开始下降, 相对湿度从2015年的57%下降到2019年的52%.同时期山西省ρ(PM2.5)年均值分别为56、60、61、49和48 μg·m-3, 最高值为最低值的1.27倍. ρ(PM2.5)在2015~2017年缓慢上升, 在2018~2019年显著下降[图 2(a)].2015~2019年均浓度PM2.5年际变化与山西省社会影响因素和气候条件的年际变化不一致, 表明山西省社会影响因素(图 3)和气候条件(图 4)与山西省PM2.5浓度年际变化不是简单线性关系.此外, 2018~2019年PM2.5浓度下降与2018年山西省开展大气污染综合治理攻坚行动有关, 该行动从产业结构优化、重污染企业退城搬迁、清洁取暖和散煤替代等方面开展工作, 有效推动了山西省空气质量改善[22].

图 2 山西省11城市PM2.5浓度变化 Fig. 2 Variation in PM2.5 concentration in 11 cities of Shanxi Province

图 3 山西省社会影响因素变化 Fig. 3 Change in social influencing factors in Shanxi Province

图 4 山西省气象因素变化 Fig. 4 Change in meteorological influencing factors in Shanxi Province

山西省ρ(PM2.5)月均值差异显著, 呈“U”型分布, 1月均值最高, 达95 μg·m-3, 8月最低, 均值为34 μg·m-3.冬季高, 夏季低, 春秋季节介于冬夏季之间[图 2(b)].夏季月均浓度约25~51 μg·m-3, 均值为38 μg·m-3, 冬季月均浓度介于56~126 μg·m-3之间, 均值为80 μg·m-3, 本研究期间冬季均值约为夏季的2倍.主要原因为山西省是中国典型煤炭城市, 冬季温度下降, 居民取暖需求增加[23], 产生大量污染物, 加上冬季不利气象条件, 推高冬季PM2.5浓度.

2.1.2 PM2.5浓度空间分布特征

山西省PM2.5年均值呈南高北低的空间分布特征(图 5).高值区集中在临汾、运城、长治和晋城等南部城市, 均值为62 μg·m-3; 低值区集中在大同、朔州和忻州等北部城市, 均值为45 μg·m-3, 南部地区均值高于北部地区17 μg·m-3; 中部城市(除太原外)浓度介于南北部之间.李宏艳等[24]的研究发现山西省冷点城市为大同, 热点城市为运城, 与本研究的结果一致.南部地区和位于山西省中部地区的太原市由于人口众多, 能源消耗水平高, 大气污染物排放量大, 导致PM2.5污染较重.

图 5 山西省年均PM2.5浓度空间分布 Fig. 5 Spatial distribution of annual average PM2.5 concentration in Shanxi Province

山西省PM2.5空间分布季节变化如图 6所示.春季山西省各城市ρ(PM2.5)主要分布在33~55 μg·m-3之间, 与年均值分布相比, 11城市PM2.5污染相对较轻, 这与春季气温回升, 采暖季结束, 本地大气污染物排放量降低有关.夏季为山西省污染最轻的季节, ρ(PM2.5)最大值为43 μg·m-3, 最小值为26 μg·m-3, 这是由于夏季温度持续上升, 大气湍流交换加剧, 而且夏季降水集中, 有利于污染物沉降.秋季ρ(PM2.5)均值主要分布在35~63 μg·m-3, 太原市转为高值区, ρ(PM2.5)达到63 μg·m-3, 主要原因是太原市机动车数量多, 高湿度条件下硝酸盐颗粒物二次生成和吸湿转化加剧, PM2.5浓度升高[25].冬季ρ(PM2.5)高值区分布与年均分布相似, 污染最为严重, 主要表现在南部地区和太原市浓度较高, ρ(PM2.5)最高为119 μg·m-3, 最低为85 μg·m-3, 这是因为冬季气温较低, 居民取暖燃煤量增大, 再加上冬季风速较小, 大气层较为稳定, 不利于污染物扩散.

图 6 山西省PM2.5浓度空间分布季节特征 Fig. 6 Seasonal characteristics of spatial distribution of PM2.5 concentration in Shanxi Province

2.2 基于小波变换的山西省11城市PM2.5浓度周期性研究

利用Morlet小波对山西省11城市2015~2019年PM2.5日均浓度数据进行变换可得小波系数实部, 见图 7(a), 从中可知, 在250~300 d时间尺度下山西省城市(除大同)PM2.5浓度呈明显“高-低”交替特征变化, 周期性显著.大同仅在2015~2017年周期性变化明显, 与大同整体PM2.5浓度(年均36 μg·m-3)较低有关.运城和临汾PM2.5浓度一直处于较高水平, 周期性规律最为明显.其余城市周期性规律的显著性高于大同, 低于运城和临汾, 整体上正负相位交替出现.

(a)小波实部, 色柱表示小波系数, 值越大表示污染越严重, 反之亦然, 0表示突变点; (b)小波方差; 序号代表城市: (a1)和(b1)大同; (a2)和(b2)晋城; (a3)和(b3)晋中; (a4)和(b4)临汾; (a5)和(b5)吕梁; (a6)和(b6)朔州; (a7)和(b7)太原; (a8)和(b8)忻州; (a9)和(b9)阳泉; (a10)和(b10)运城; (a11)和(b11)长治 图 7 山西省11城市PM2.5小波实部和小波方差 Fig. 7 PM2.5 wavelet real part map and wavelet variance map of 11 cities in Shanxi Province

为进一步研究山西省11城市PM2.5浓度周期性规律, 本文计算了11城市2015~2019年PM2.5日均浓度的小波方差[见图 7(b)], 其可以反映不同时间尺度周期性能量波动强弱, 对应尺度峰值即为主要时间尺度, 用来反映主要周期. 由图 7可知, 大同和吕梁PM2.5污染较轻, 仅有2个共同周期(分别为293 d和27 d), 表明污染较轻城市PM2.5浓度的周期性规律较弱; 朔州、太原、忻州、阳泉和长治有3个共同周期, 主周期均为293 d、次周期为74 d和次次周期为27 d; 临汾和运城污染最重, 2015~2019年均值分别为68 μg·m-3和64 μg·m-3, 其周期与上述5个城市相近, 但74 d和27 d均为次周期, 表明污染较重城市PM2.5浓度周期性特征较为复杂; 晋城和晋中有4个周期, 其中晋城第1~第4周期为293、180、74和27 d, 晋中分别为293、138、74和27 d.

因此, 山西省11城市PM2.5浓度存在显著周期性变化, 主要周期包括293 d左右的长周期和27 d左右短周期.其中短周期天数与月球自转周期天数相似, 月球自转周期会影响大气环流变化[26], 表明短周期受天气变化影响较大.此外, 污染较重城市周期性规律的显著性和复杂性均高于污染较轻城市.

2.3 山西省11城市PM2.5浓度与社会影响因素研究

选取山西省2015~2019年11城市PM2.5年均浓度与同时段社会影响因素数据进行Spearman相关性分析.从表 1中可以看出, 常住人口数量、全社会总用电量和第二产业用电量对山西省PM2.5浓度有显著影响, 作用方向均为正, 表明人口越多、能源消耗越高、第二产业占比越大的地区PM2.5浓度越大.全社会用电量与PM2.5浓度相关系数为0.322, 第二产业用电量为0.318, 均高于常住人口数量(0.285), 表明能源消耗水平和产业结构偏重是影响山西省PM2.5浓度的强驱动因素.

表 1 山西省社会影响因素与PM2.5浓度的Spearman相关系数1) Table 1 Spearman correlation coefficient between social factors and PM2.5 concentration in Shanxi Province

2019年山西省煤炭消耗量达到5 033.33万t, 原煤产量达到98 795万t, 生铁产量达到5 557.06万t, 焦炭产量达到9 699.53万t, 表明山西省能源消费结构偏煤炭, 产业结构偏工业.煤炭消耗过程和工业产品生产过程会排放大量颗粒物, 加重PM2.5污染.总GDP和民用汽车保有量没有通过检验, 与山西省经济发展方式较为粗放, 工业运输多用重型柴油车有关.因此, 为减轻PM2.5污染水平, 山西省应加快能源消费结构调整和产业结构调整步伐.

2.4 PM2.5浓度与气象因素的小波相干分析

图 8显示各气象因子与PM2.5浓度在不同周期内存在不同的相关关系, 结合山西省11城市PM2.5浓度的共同周期, 选取长周期和短周期数据, 对气象影响因素与山西省11城市PM2.5浓度进行小波相关性研究.

箭头方向朝左, 表示二者有负相关性, 反之亦然; 黑实线包围的红色部分表示相关性
通过95%显著检验, 阴影部分受到边界效应影响, 其功率谱不予考虑 图 8 太原市PM2.5浓度与气象因素的小波相干谱 Fig. 8 Wavelet coherence spectrum of PM2.5 concentration and meteorological factors in Taiyuan

气象因素与山西省11城市PM2.5浓度在长短周期上的正负相关性较为一致, 在此以太原市为例进行说明.太原市降水量、风速与PM2.5浓度在长短周期上均呈负相关, 降水会带走大气中的部分颗粒物[27], 降低PM2.5浓度, 而风速会影响PM2.5的扩散, 大风可以通过水平输送和稀释扩散效应降低PM2.5浓度.温度和相对湿度与PM2.5浓度的相关性较为复杂, 温度在长周期上表现为负相关, 在短周期上表现为正相关, 这种差异与排放源排放活动有关, 并非是温度影响所致[28].相对湿度与PM2.5浓度在短周期上表现为正相关, 在长周期上表现为负相关, 短周期内相对湿度增加有利于空气中极细的细颗粒物的吸附作用, 促进二次污染物生成, 导致PM2.5浓度升高[29].

小波相干谱显示短周期上典型气象影响因子为温度、风速和相对湿度, 表明PM2.5浓度更易受到短时间内波动幅度较大因素影响, 山西省处于太行山和吕梁山两山之中, 在低风条件下易形成静稳天气, 高湿度条件会加快二次组分的转化, 导致PM2.5浓度升高.对小波相干谱进一步分析研究发现, 短周期上不同城市PM2.5浓度的主要气象影响因子不同.在4种气象因素中, 临汾和运城以及大同、朔州和忻州的风速相干值占比均达到27%以上(图 9), 上述城市处于山西省南北两端, PM2.5浓度易受到风速影响.晋中和吕梁温度相干值占比分别为27.5%和31.32%, 温度在4种气象因素中影响最大, 这两个城市位于山西省中部地区, 东西有大山阻隔, PM2.5浓度易受温度影响.晋城、太原、阳泉和长治作为京津冀及周边地区的通道城市和山西典型重工业城市, 其PM2.5浓度与典型气象影响因素的关系较为特殊, PM2.5浓度与相对湿度相关性较大, 占比分别达到27.50%、28.21%、30.03%和27.12%, 该结果与文献[30~32]的研究结果一致.因此, 开展PM2.5区域联防联控时, 应考虑短周期上不同城市气象因子差异化影响.

图 9 短周期山西省11城市PM2.5浓度与气象因素的相干系数占比 Fig. 9 Proportion of correlation coefficient between PM2.5 concentration and meteorological factors in 11 cities of Shanxi Province in a short period

3 结论

(1) 2015~2019年山西省ρ(PM2.5)年均值分别为56、60、61、49和48 μg·m-3, 2015~2017年呈上升趋势, 2018~2019年呈下降趋势.2018~2019年PM2.5浓度下降与2018年山西省开展大气污染综合治理攻坚行动有关.夏季和冬季ρ(PM2.5)均值分别为38 μg·m-3和80 μg·m-3, 时间上呈冬高夏低特征, 与冬季气温低, 居民取暖需求增加和气象条件不利有关.临汾等南部城市ρ(PM2.5)均值为62 μg·m-3, 大同等北部城市ρ(PM2.5)为45 μg·m-3, 空间上呈南高北低, 与南部地区人口多, 工业企业分布密集有关.

(2) 山西省11城市PM2.5浓度存在显著周期性变化, 主要周期包括293 d左右的长周期和27 d左右的短周期, 且短周期受大气环流变化影响较大.

(3) 能源消耗水平和产业结构偏重是影响山西省11城市长周期上PM2.5浓度的强驱动因素.不同周期上气象条件与PM2.5浓度的相关性存在差异.同时发现短周期上不同城市PM2.5浓度的主要气象影响因子不同, 临汾、运城、大同、朔州和忻州受风速影响较大, 晋中和吕梁受温度影响较大, 太原、晋城、阳泉和长治较为特殊, 受相对湿度影响显著.

(4) 产业结构调整和能源结构调整等是山西省大气PM2.5长期管控和空气质量长效改善的关键; 开展短期区域联防联控时需考虑不同城市气象因子对PM2.5的差异化影响.

参考文献
[1] Xu M X, Ge C X, Qin Y T, et al. Prolonged PM2.5 exposure elevates risk of oxidative stress-driven nonalcoholic fatty liver disease by triggering increase of dyslipidemia[J]. Free Radical Biology and Medicine, 2019, 130: 542-556. DOI:10.1016/j.freeradbiomed.2018.11.016
[2] Wang L, Xu J Y, Liu H, et al. PM2.5 inhibits SOD1 expression by up-regulating microRNA-206 and promotes ROS accumulation and disease progression in asthmatic mice[J]. International Immunopharmacology, 2019, 76. DOI:10.1016/j.intimp.2019.105871
[3] Feng S, Duan E H, Shi X J, et al. Hydrogen ameliorates lung injury in a rat model of subacute exposure to concentrated ambient PM2.5 via Aryl hydrocarbon receptor[J]. International Immunopharmacology, 2019, 77. DOI:10.1016/j.intimp.2019.105939
[4] Tian H, Shakya A, Wang F, et al. Comparative ligandomic analysis of human lung epithelial cells exposed to PM2.5[J]. Biomedical and Environmental Sciences, 2020, 33(3): 165-173.
[5] 胡子梅, 王军, 陶征楷, 等. 上海市PM2.5重金属污染水平与健康风险评价[J]. 环境科学学报, 2013, 33(12): 3399-3406.
Hu Z M, Wang J, Tao Z K, et al. Pollution level and health risk assessment of heavy metals in PM2.5, Shanghai[J]. Acta Scientiae Circumstantiae, 2013, 33(12): 3399-3406.
[6] 王秋红, 李维杰, 王勇, 等. 基于LMDI的城市化不同阶段PM2.5浓度影响因素研究——以我国5个特大城市群为例[J]. 中国环境科学, 2021, 41(11): 5069-5078.
Wang Q H, LI W J, WANG Y, et al. Socio-economic factors of PM2.5 concentrations in different urbanization stages based on LMDI: a case study of China's five mega-large urban agglomerations[J]. China Environmental Science, 2021, 41(11): 5069-5078. DOI:10.3969/j.issn.1000-6923.2021.11.013
[7] Zhang L C, An J, Liu M Y, et al. Spatiotemporal variations and influencing factors of PM2.5 concentrations in Beijing, China[J]. Environmental Pollution, 2020, 262. DOI:10.1016/j.envpol.2020.114276
[8] 周亮, 周成虎, 杨帆, 等. 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(11): 2079-2092.
Zhou L, Zhou C H, Yang F, et al. Spatio-temporal evolution and the influencing factors of PM2.5 in China between 2000 and 2011[J]. Acta Geographica Sinica, 2017, 72(11): 2079-2092. DOI:10.11821/dlxb201711012
[9] Tu M Z, Liu Z F, He C Y, et al. The relationships between urban landscape patterns and fine particulate pollution in China: a multiscale investigation using a geographically weighted regression model[J]. Journal of Cleaner Production, 2019, 237. DOI:10.1016/j.jclepro.2019.117744
[10] Wang S J, Liu X P, Yang X, et al. Spatial variations of PM2.5 in Chinese cities for the joint impacts of human activities and natural conditions: a global and local regression perspective[J]. Journal of Cleaner Production, 2018, 203: 143-152. DOI:10.1016/j.jclepro.2018.08.249
[11] Shi M N, Wu H C, Zhang S H, et al. Weekly cycle of magnetic characteristics of the daily PM2.5 and PM2.5-10 in Beijing, China[J]. Atmospheric Environment, 2014, 98: 357-367. DOI:10.1016/j.atmosenv.2014.08.079
[12] Zhao X J, Zhang X L, Xu X F, et al. Seasonal and diurnal variations of ambient PM2.5 concentration in urban and rural environments in Beijing[J]. Atmospheric Environment, 2009, 43(18): 2893-2900. DOI:10.1016/j.atmosenv.2009.03.009
[13] Zhao S P, Yu Y, Yin D Y, et al. Annual and diurnal variations of gaseous and particulate pollutants in 31 provincial capital cities based on in situ air quality monitoring data from China National Environmental Monitoring Center[J]. Environment International, 2016, 86: 92-106. DOI:10.1016/j.envint.2015.11.003
[14] Chen X B, Yin L R, Fan Y L, et al. Temporal evolution characteristics of PM2.5 concentration based on continuous wavelet transform[J]. Science of the Total Environment, 2020, 699. DOI:10.1016/j.scitotenv.2019.134244
[15] Kapwata T, Wright C Y, du Preez D J, et al. Exploring rural hospital admissions for diarrhoeal disease, malaria, pneumonia, and asthma in relation to temperature, rainfall and air pollution using wavelet transform analysis[J]. Science of the Total Environment, 2021, 791. DOI:10.1016/j.scitotenv.2021.148307
[16] Stoy P C, Katul G G, Siqueira M B S, et al. Variability in net ecosystem exchange from hourly to inter-annual time scales at adjacent pine and hardwood forests: a wavelet analysis[J]. Tree Physiology, 2005, 25(7): 887-902. DOI:10.1093/treephys/25.7.887
[17] 李梓铭, 孙兆彬, 邵勰, 等. 北京城区PM2.5不同时间尺度周期性研究[J]. 中国环境科学, 2017, 37(2): 407-415.
Li Z M, Sun Z B, Shao X, et al. Using Morlet wavelet analysis to analyze multiple time scale periodically in PM2.5 in Beijing[J]. China Environmental Science, 2017, 37(2): 407-415.
[18] 孙春媛, 李令军, 赵文吉, 等. 基于小波变换的北京市PM2.5时空分布特征及成因分析[J]. 生态环境学报, 2016, 25(8): 1343-1350.
Sun C Y, Li L J, Zhao W J, et al. Temporal and spatial characteristic and factors analysis of PM2.5 on the basis of wavelet transformation in Beijing[J]. Ecology and Environmental Sciences, 2016, 25(8): 1343-1350.
[19] 郝立生, 李新, 李月英. 太阳活动变化的小波分析[J]. 干旱气象, 2006, 24(4): 15-19.
Hao L S, Li X, Li Y Y. The wavelet analysis of solar activity variation[J]. Arid Meteorology, 2006, 24(4): 15-19. DOI:10.3969/j.issn.1006-7639.2006.04.003
[20] Hu M M, Wang Y F, Wang S, et al. Spatial-temporal heterogeneity of air pollution and its relationship with meteorological factors in the Pearl River Delta, China[J]. Atmospheric Environment, 2021, 254. DOI:10.1016/j.atmosenv.2021.118415
[21] Torrence C, Compo G P. A practical guide to wavelet analysis[J]. Bulletin of the American Meteorological Society, 1998, 79(1): 61-78. DOI:10.1175/1520-0477(1998)079<0061:APGTWA>2.0.CO;2
[22] 李慧, 王淑兰, 张文杰, 等. 京津冀及周边地区"2+26"城市空气质量特征及其影响因素[J]. 环境科学研究, 2021, 34(1): 172-184.
Li H, Wang S L, Zhang W J, et al. Characteristics and influencing factors of urban air quality in Beijing-Tianjin-Hebei and its surrounding areas ('2+26'cities)[J]. Research of Environmental Sciences, 2021, 34(1): 172-184.
[23] Wang J Z, Zhang S S, Chen Y, et al. Field based measurement of multiple pollutant emissions from residential coal burning in rural Shanxi, northern China[J]. Atmospheric Pollution Research, 2021, 12(2): 443-450. DOI:10.1016/j.apr.2020.12.005
[24] 李宏艳, 高雪莹, 李宏宇, 等. 山西省大气PM2.5污染时空分布特征[J]. 环境化学, 2018, 37(5): 913-923.
Li H Y, Gao X Y, Li H Y, et al. Spatial-temporal distribution and variation characteristics of PM2.5 in Shanxi[J]. Environmental Chemistry, 2018, 37(5): 913-923.
[25] 任娇, 尹诗杰, 郭淑芬. 太原市大气PM2.5中水溶性离子的季节污染特征及来源分析[J]. 环境科学学报, 2020, 40(9): 3120-3130.
Ren J, Yin S J, Guo S F. Seasonal variation and source analysis of water-soluble ions in PM2.5 in Taiyuan[J]. Acta Scientiae Circumstantiae, 2020, 40(9): 3120-3130.
[26] 李国庆, 宗海锋. 27.3及13.6d周期的大气潮[J]. 中国科学D辑: 地球科学, 2007, 37(6): 835-850.
[27] 于彩霞, 邓学良, 石春娥, 等. 降水和风对大气PM2.5、PM10的清除作用分析[J]. 环境科学学报, 2018, 38(12): 4620-4629.
Yu C X, Deng X L, Shi C E, et al. The scavenging effect of precipitation and wind on PM2.5 and PM10[J]. Acta Scientiae Circumstantiae, 2018, 38(12): 4620-4629.
[28] 郭伟, 王雁. 山西省不同城市PM2.5浓度与气象因子的关系分析[A]. 见: 中国环境科学学会科学技术年会论文集(第一卷)[C]. 2020.
[29] 吕国梁. 山西省晋中市大气污染特征及重污染天气过程研究[D]. 太原: 山西大学, 2019.
[30] 段小琳, 闫雨龙, 邓萌杰, 等. 长治市冬季典型大气重污染过程特征分析[J]. 环境化学, 2020, 39(12): 3327-3335.
Duan X L, Yan Y L, Deng M J, et al. Characteristic of typical atmospheric heavy pollution episodes in winter of Changzhi[J]. Environmental Chemistry, 2020, 39(12): 3327-3335.
[31] 刘倬诚, 牛月圆, 吴婧, 等. 山地型城市冬季大气重污染过程特征及成因分析[J]. 环境科学, 2021, 42(3): 1306-1314.
Liu Z C, Niu Y Y, Wu J, et al. Characteristics and cause analysis of heavy air pollution in a mountainous city during winter[J]. Environmental Science, 2021, 42(3): 1306-1314.
[32] 马帅, 王春迎, 刘孟雄, 等. 晋城市冬、春季PM2.5和PM10污染水平时空分布及其与气象因子的关系[J]. 气象与环境科学, 2020, 43(1): 96-103.
Ma S, Wang C Y, Liu M X, et al. Temporal-spatial patterns of PM2.5 and PM10 pollution and their correlations with meteorological elements during winter and spring in Jincheng[J]. Meteorological and Environmental Sciences, 2020, 43(1): 96-103.