2024, Vol. 41 
2. 中国科学院大学, 北京 100049
2. University of Chinese Academy of Sciences, Beijing 100049, China
大气污染能够显著影响人体健康、城市发展与气候环境[1-3]，空气质量下降所带来经济成本达到中国每年国内生产总值的18%[4]。中国现行的GB 3095—2012《环境空气质量标准》对环境空气污染物基本项目提出了浓度限值，其中以细颗粒物PM2.5(环境空气中空气动力学当量直径小于2.5 μm的颗粒物)作为首要污染物并且达到重度污染以上的天数频发[5-6]，引起了人们的广泛关注。PM2.5粒径小，活性强，易附带有毒有害物质，能在空气中长期停留，并进行远距离传输，从而对人体健康[7-9]和大气环境质量[10-11]带来严重危害。袁博等[12]利用聚类分析法得出中国城市空气污染呈现“城市群”分布特点，而且随季节变化。而京津冀地区位于中国政治经济中心，区域面积广阔、人口稠密、工业发展迅速，加之其特殊的地形和大气环境特点，成为中国大气PM2.5污染的重灾区之一[13-14]，同时也是中国区域大气污染联防联控的重点关注区域。众多学者对该区域大气PM2.5污染的时空分布特征与影响因素展开了研究和讨论。
刘海猛等[4]研究表明，京津冀地区PM2.5浓度在季节上呈秋冬高、春夏低，空间上呈东南高、西北低的特点。李慧等[15]指出，受冬季高强度污染排放以及不利气象条件的影响，京津冀地区PM2.5高污染时段主要出现在冬季。大气PM2.5污染是区域内自然因素和人类活动因素共同作用的结果。对于自然因素，徐丹妮等[16]使用HYSPLIT模型探究复杂地形影响下冬季PM2.5的不同传输特征。金莲姬等[17]利用WRF-Chem模型探究PM2.5空中输送对北京地面污染影响的地形强迫机制。王黎明等[18]采用物理实验模拟探究有利于雾霾天气出现的最佳相对湿度范围。孟丽红等[19]研究表明海陆风对天津市的PM2.5污染总体起扩散作用。王琪等[20]研究表明风速、相对湿度和日照时数对北京细颗粒物的污染程度有较显著的影响。杨旭[5]综合统计学和数值模拟方法探究京津冀地区PM2.5等污染物与气象条件的关系。对于人类活动因素，马召辉等[21]通过构建北京排放源PM2.5成分谱得出，燃煤电厂、水泥窑炉、工业锅炉和车辆尾气等排放是构成大气PM2.5组分的重要来源。王振波等[22]运用GIS空间分析和空间面板杜宾模型研究表明城市群PM2.5年均浓度空间集聚性显著，工业化、能源消耗、城市化水平和产业结构等对PM2.5污染影响显著。马丽等[23]使用因素分解法探讨京津冀地区工业规模、结构和效率与大气污染物排放的时空耦合关系。常亚敏等[24]结合树种对城市环境的适应性建立了适用于控制PM2.5污染的城市绿化树种的选择方法。
大量研究仅单方面注重区域自然因素或人类活动因素对PM2.5的影响解析，导致对PM2.5污染的成因把握不够全面；或只开展单个城市污染状况的综合影响因素分析，忽略了城市群之间的共性污染特征。2017年不仅是国务院部署的“大气污染防治行动计划”的收官之年，也是全国“蓝天保卫战”的打响之年，是中国大气污染治理由初显成效向纵深推进的关键时间节点。因此，本研究以2017年为例，基于京津冀地区13个城市的PM2.5浓度监测数据，分别采用克里金插值法和统计分析法探究京津冀地区大气PM2.5污染的空间和时间分布特征，并在此基础上分别采用相关分析模型和因子分析模型进一步探究影响京津冀地区大气PM2.5污染的主要自然因素和人类活动因素，以期为京津冀地区大气PM2.5污染防治查漏补缺，同时为制定相关大气污染法规政策提供一定参考。
1 数据来源与研究方法 1.1 数据来源国家环境空气质量监测网涵盖城市、区域和背景点的环境空气质量状况和污染物传输影响监测。本研究所用的大气污染物PM2.5质量浓度数据来源于79个位于京津冀地区的国家空气质量自动监测点位(简称空气质量国控点)的每小时自动监测结果。如图 1所示，站点在京津冀13个城市范围内分布较为均匀，具有良好的区域代表性。大气污染成因分析所用的气象因素数据来自中国气象数据网(https://data.cma.cn/)公布的中国地面气候资料日值数据集(V 3.0)，各城市数据由城市所在范围内所有站点数据的平均值表示，人类活动因素指标数据来自《中国城市统计年鉴》。
|
Download:
|
| 图 1 2017年京津冀地区PM2.5浓度与空气质量国控点 Fig. 1 PM2.5 concentrations and national environmental monitoring sites in Beijing-Tianjin-Hebei in 2017 | |
本研究基于ArcGIS的克里金(Kriging)插值方法[25]对京津冀地区79个空气质量国控点的PM2.5浓度监测数据进行空间插值，探究2017年京津冀地区PM2.5浓度的空间分布特征。克里金插值法是空间分析中广泛使用的一种空间插值技术，可以实现从离散的空间点数据到连续的区域面数据的拓展[26]，有效弥补了观测数据不足带来的缺点。克里金插值法充分考虑了样点之间的位置关系，基于半变异函数模型反映空间数据的相关特性，根据线性加权原理对给定空间内的变量进行无偏最优估计，其基本变异函数计算公式[27-28]为
| $ \gamma(h)=\frac{1}{2 N(h)} \sum_{i=1}^{N(h)}\left[Z\left(x_i+h\right)-Z\left(x_i\right)\right]^2 . $ | (1) |
式中：h代表样本之间的距离，N(h)为研究区域内距离为h的点对数，Z(xi + h)和Z(xi)分别为点xi+h和xi处的变量值；γ(h)为所有距离为h的点对的半方差函数，满足二阶平稳假设条件。
1.3 数据标准化-极差法在进行数据综合评价时，需要对处于不同量级的多个评价指标进行标准化处理，这对获取合理的评价结果是至关重要的[29]。因此，为排除不同人类活动评价指标变量量纲和变异范围影响，本研究采用极差法对所研究的人类活动影响指标数据进行标准化处理，进而评价城市j=1, 2, …, n(n=13)的人类活动因素对城市大气PM2.5污染的影响状况。评价指标体系包括i=1, 2, …, m(m=10)个指标，根据各人类活动因素的社会影响效应，将所有指标分为效益型指标(+)与成本型指标(-)，效益型指标越高越好，成本型指标越低越好[30]。
原始评价指标数据矩阵X表示为
| $ \boldsymbol{X}=\left\{\boldsymbol{x}_{i j}\right\}_{m \times n} . $ | (2) |
效益型指标标准化方法为
| $ y=\frac{x-x_{\text {min }}}{x_{\max }-x_{\text {min }}} . $ | (3) |
成本型指标标准化方法为
| $ y=\frac{x_{\max }-x}{x_{\max }-x_{\min }} $ | (4) |
其中，xmax和xmin分别为该项指标的最大值和最小值。
标准化后的评价指标数据矩阵Y为
| $ \boldsymbol{Y}=\left\{y_{i j}\right\}_{m \times n} . $ | (5) |
相关分析是指对2个或多个具备相关性的变量元素进行分析，从而衡量2个因素之间相关关系的密切程度[31]。本研究使用Spearman相关模型，在年尺度和季节尺度上分别展开京津冀地区城市PM2.5浓度与气温、相对湿度、气压、风速、累计降水量和日照时数这6个气象因素的双变量相关分析，并进行显著性检验，探究影响大气PM2.5污染的主要气象因素。
因子分析主要基于数据降维思想，根据变量的相关性大小对变量进行分组，在尽可能不损失或者少损失原始数据信息的情况下，将众多变量聚合成少数几个可以独立反映原始众多变量主要信息的公共因子[32]。本研究基于SPSS 25.0模型采用因子分析法对10个不同的人类活动指标变量进行聚合降维，探究影响大气污染的主要人类活动因素。
2 PM2.5浓度时空分布特征 2.1 PM2.5浓度空间分布特征2017年京津冀地区PM2.5浓度空间分布特征如图 1所示。总体来看，京津冀地区PM2.5浓度在空间上呈现出明显的“北低南高”的纬向分布特征，PM2.5浓度梯度在同一城市内部最高能够达到22 μg/m3(如张家口、保定和石家庄)，在不同城市之间最高能够达到64 μg/m3[4, 33-35]。具体来看，北部3个城市(张家口、承德、秦皇岛)的大气污染水平最低，受细颗粒物的影响最小，PM2.5质量浓度基本都在51 μg/m3以下，其中张家口和承德的部分地区低于《国家环境空气质量标准》中规定的国家二级标准(35 μg/m3)；中部5个城市(北京、廊坊、天津、唐山、沧州)的PM2.5污染水平处于中等，PM2.5质量浓度年均值大约在51~75 μg/m3；南部5个城市(衡水、邢台、保定、石家庄、邯郸)PM2.5污染最为严重，PM2.5质量浓度年均值基本都在75 μg/m3以上。
2.2 PM2.5浓度时间变化特征由于京津冀地区的PM2.5浓度呈现明显的北部＜中部＜南部的“城市群”分布特征，本研究据此将京津冀地区的13个城市划分为3组，进一步探究这3个城市群的PM2.5浓度逐月变化特征[36]。其中，衡水、邢台、保定、石家庄、邯郸5个城市PM2.5浓度最高，为第1组；北京、天津、廊坊、唐山、沧州5个城市PM2.5浓度居中，为第2组；张家口、承德、秦皇岛3个城市PM2.5浓度较低，为第3组。由图 2可知，京津冀地区3个城市群的PM2.5浓度逐月变化具有较为明显的相似性，总体呈夏季最低、春秋次之、冬季最高的“U”型特征[33]，不同城市冬季的PM2.5浓度是夏季的1.3~2.8倍[34-35]。与《国家环境空气质量标准》规定的年均PM2.5浓度二级标准(35 μg/m3)相比，第1组城市全年各月的PM2.5浓度均未达标；第2组城市仅有廊坊在8月份达标，而第3组城市在春季末至秋季初(4—10月)基本都达标。从逐月变化来看，京津冀地区13个城市的PM2.5浓度均在1月份达到峰值，其中12个城市(除邯郸外)的PM2.5浓度在8月份达到谷值，但是不同城市群之间存在不同的变化特征。具体来看，第1组城市的PM2.5浓度在冬季末至春季初下降速率最快，春、夏季下降缓慢；第2组城市的PM2.5浓度在夏季末达到谷值后开始上升，但在10月份有所回落，12月份各城市之间的PM2.5浓度差异较大；第3组城市的PM2.5浓度值在全年波动较为平稳，总体变化幅度不大。3个城市群的对比结果表明，大气PM2.5污染越严重的城市之间PM2.5浓度的变化特征越为相似，季节特征也越明显；而大气PM2.5污染状况良好的城市之间PM2.5浓度的全年变化规律性越弱。据此可以推断，在PM2.5污染较为严重的城市中，引起大气PM2.5污染的因素可能存在共性，这为研究提供了便利。
|
Download:
|
| 图 2 2017年京津冀地区3个城市群PM2.5月浓度 Fig. 2 Monthly PM2.5 concentrations in three urban agglomerations in Beijing-Tianjin-Hebei in 2017 | |
根据《国家空气质量标准》规定：PM2.5浓度的24 h平均值在35 μg/m3以下达到国家一级标准，在35~75 μg/m3之间达到国家二级标准。《环境空气质量指数技术规定》将PM2.5的24 h平均浓度划分成6个等级，分别为：优(0~35 μg/m3)、良(35~75 μg/m3)、轻度污染(75~115 μg/m3)、中度污染(115~150 μg/m3)、重度污染(150~250 μg/m3)、严重污染(250~500 μg/m3)。据此，本研究计算了2017年京津冀地区各自的PM2.5污染等级天数比例。由图 3可知，京津冀地区PM2.5污染等级天数呈现出明显的季节性变化规律，PM2.5达标天数夏季最多，春秋次之，冬季最少[5]。具体而言，6—8月的PM2.5浓度达标率均高于90%，4、5、9、10、11月的PM2.5浓度达标率在70%~90%，1、2、3、12月的PM2.5浓度达标率低于70%。其中，8月的PM2.5浓度达标率(95.3%)以及达到国家一级标准的天数(189天)均为全年最高，是全年空气质量最好的月份；而1月的PM2.5浓度达标率(38.2%)和达到国家一级标准的天数(67天)均为全年最低，是全年大气PM2.5污染最严重的月份。与此相反，PM2.5污染天数冬季最多，秋春次之，夏季最少，中度以上的污染主要分布在1—3月和10—12月，重度污染和严重污染集中分布在冬季[33]。
|
Download:
|
| 图 3 2017年各月京津冀地区PM2.5污染等级天数比例 Fig. 3 Proportion of PM2.5 pollution level days in Beijing-Tianjin-Hebei by month in 2017 | |
由于京津冀地区PM2.5浓度存在季节性差异，为避免季节性变化因子带来的不确定性，本研究分别探究京津冀地区13城市2017年冬、春、夏、秋4个季节的PM2.5浓度均值与标准误差的日变化特征。由图 4可知，4个季节的PM2.5浓度日变化趋势总体较为相似，呈现出冬季最高、春秋次之、夏季最低的季节变化特征。PM2.5浓度日变化呈“早晚高，午后低”的“双峰型”分布特征。第1个峰值出现在07:00—09:00，该时段正好与早高峰对应，大量的汽车尾气排放加重了细颗粒物的集聚；第2个峰值出现在22：00—01：00，傍晚城市晚高峰过后大气层结趋于稳定，细颗粒物在集聚之后不易扩散，尽管夜晚至凌晨人为活动大幅减少，但是由于扩散条件较差，夜晚峰值过后PM2.5浓度下降较为缓慢，故夜间浓度高于白天。PM2.5浓度谷值出现在14:00—16:00，这是由于午后温度升高，近地面容易形成不稳定层结，大气的垂直运动有利于颗粒物扩散，所以出现了短暂的谷值[5, 34]。此外，冬季的PM2.5浓度波动最大，日较差达29 μg/m3，且13个城市之间的PM2.5浓度差异最为显著，标准误差在7~11 μg/m3；夏季的PM2.5浓度波动最小，日较差为11 μg/m3，且各城市之间的PM2.5浓度差异最小，标准误差在2~4 μg/m3。
|
Download:
|
| 图 4 2017年四季京津冀地区13个城市PM2.5浓度均值(线)与标准误差(阴影)日变化 Fig. 4 Daily variations of average (lines) and standard error (shading) of PM2.5 concentrations in the 13 cities of Beijing-Tianjin-Hebei for four seasons in 2017 | |
地形特征和气象条件是影响京津冀地区污染过程的重要自然因素[37-38]。京津冀地区地质构造条件复杂，地势西北高东南低，地形由高原向山地、平原过度[39]。西北部为坝上高原，西部的太行山山脉和北部的燕山山脉相连组成弧形山地，这种特殊山形对向北输送的空气起到了阻挡和削弱作用。北部张家口、承德、秦皇岛3个城市大气污染总体较低，而山脉南部城市，如北京和廊坊则容易出现大气污染的形成和聚集[40]。南部为华北平原，东部至东南部为丘陵和渤海湾的海陆交错地带，对PM2.5的区域输送和清除产生了重要的影响。唐山、天津、沧州3市环渤海，夜晚陆地的大气污染物向海洋扩散，白天海上清洁空气向城市输送，海陆风的影响作用对减轻城市空气污染十分关键。河北中南部是京津冀地区工业集中区和人口聚集地，工业生产和人们日常生活向大气中排放的污染物总量较大，加之山脉阻挡不利于污染物扩散，容易造成污染物在山前积累聚集，使得空气污染状况加重[41]。
由图 5可知(仅对通过显著性检验的数据进行分析)，京津冀地区13个城市的大气PM2.5浓度与各气象因素的相关性存在一定差异。
|
Download:
|
| *表示通过0.05的显著性水平检验，**表示通过0.01的显著性水平检验。 图 5 四季与全年京津冀地区13个城市PM2.5浓度与各气象因素的相关系数热力图 Fig. 5 Heat map of correlation coefficients between PM2.5 concentrations and each meteorological factor for 13 cities in Beijing-Tianjin-Hebei on seasonal and annual scales | |
PM2.5浓度与气压、累计降水量总体呈负相关关系，与气温总体呈正相关关系。这是因为低气压场天气形势下常见静风、逆温天气，大气层结稳定，不利于PM2.5扩散，易造成大气污染[42-43]；高温天气大气氧化性较强，能够促进二次颗粒物的生成和转化，使大气PM2.5浓度升高[44-45]；降水能对污染物起到清除和冲刷作用[46]。
PM2.5浓度与风速呈负相关关系，京津冀地区北部的北京、天津、唐山、张家口、承德和廊坊这6个城市在冬季的相关系数达到-0.56以下。这是因为风场为污染物的传输构建了有利的条件[47]，风速决定了颗粒物的清除扩散强度，风向决定了污染物的传输方向[48-49]。京津冀北部地区冬季盛行西北风，且风速较大[50]，单位时间内颗粒物得以远距离输送，能够有效降低北部这些城市的大气PM2.5污染。
PM2.5浓度与日照时数呈负相关关系，冬季和春季相关性最强，这是由于污染严重时大气对太阳辐射存在削弱作用，日照时数缩短引起地面辐射降温，大气容易形成较为稳定的逆温层，造成污染物累积，从而进一步加重PM2.5污染[51-52]。
PM2.5浓度与相对湿度呈正相关关系，冬季的相关性最强，除张家口外，所有城市的相关系数介于0.66~0.85。这是因为冬季的PM2.5污染最为严重，空气湿度增大时，颗粒物的吸湿性增长能够进一步促进其质量浓度增加[53]，而张家口远离海岸，相对湿度在全年均处于较低水平[50]，颗粒物的吸湿增长相对较弱。
总体来看，京津冀地区的PM2.5浓度与气温、气压、累计降水量的相关性较弱，仅在个别城市通过了显著性检验；绝大多数城市的PM2.5浓度与风速、日照时数和相对湿度存在较强的相关关系，且在冬季最为明显。综上，风速、日照时数和相对湿度是影响京津冀地区大气PM2.5污染的主导气象因素。
3.2 人类活动因素大气污染与人口、资源环境、经济发展、科技创新、人民生活、公共服务、基础设施等人类活动的各个方面密不可分。本文结合他人研究结论[4, 33, 36, 54-55]，最终选取了10个能够代表城市发展水平且和大气污染密切相关的影响指标进行综合分析，分别为：地区生产总值(+)、规模以上工业企业数(-)、工业二氧化硫排放量(-)、工业氮氧化物排放量(-)、工业粉尘排放量(-)、全社会用电量(-)、供气总量(-)、年末公共汽车数(-)、城市绿化覆盖率(+)、年末总人口(-)。指标适用性检验结果显示，2010年京津冀地区13个城市上述指标的KMO检验值为0.732，Bartlett球形检验的显著值为0.000，说明所选的指标变量之间具有较强的相关性，适合作因子分析。公因子方差提取值基本都在0.85以上，可见指标变量所蕴含的多数信息可以被因子所提取，变量能够被公因子很好地表达，因此因子分析是有效的。
为排除不同人类活动影响变量的量纲和变异范围对分析结果带来的影响，首先对变量进行极差标准化处理，并采用因子分析法提取标准化评价指标的公共因子变量。因子分析得到的总方差解释体现了各个影响指标的初始特征值，以及提出公因子后与旋转后的载荷平方和，包括因子分析的各个特征值、方差贡献率和累计贡献率等信息。由表 1可知，本研究基于特征值大于1提取得到3个因子，这3个因子的累计贡献率达到86.69%，即共同解释了人类活动影响指标总方差的86.69%，超过了一般标准85%[32]，原有指标的信息丢失较少，从数据上看是科学理想的，因此可以用这3个因子反映人类活动影响因素的总体特征。
|
表 1 总方差解释 Table 1 Total variance explanation |
为更加突出因子分析得到的3个成分的具体实际意义，基于最大方差法对成分矩阵进行旋转，使得每个变量尽可能地在一个因子上有较高的载荷。旋转后的成分矩阵(表 2)中，每个变量仅与提取到的因子之一具有较强的相关关系，系数绝对值越接近1，说明相关度越高，仅显示绝对值大于0.65的系数。正值表示标准化指标对因子的影响方向为正向，负值表示标准化指标对因子的影响方向为负向。“年末公共汽车数”、“全社会用电量”、“供气总量”、“规模以上工业企业数”、“年末总人口”、“地区生产总值”在第1个因子上具有较高的载荷；“工业二氧化硫排放量”、“工业粉尘排放量”、“工业氮氧化物排放量”在第2个因子上有较高的载荷；“城市绿化覆盖率”在第3个因子上有较高的载荷。此结果说明变量与其对应的因子的相关程度较高，因子含义比较清晰，能够很好地代表其所包含的变量意义。产业结构不合理、能源消费比例失衡是京津冀地区大气严重污染的重要原因[56]，经济增长、能耗强度、人口密度和交通排放等社会经济因素会影响城市空气质量变化[15]。第1因子包含的6个影响指标涉及人口、能源、交通等方面，可综合概括为社会经济发展状况对大气PM2.5污染的影响，因此将影响大气污染的第1类人类活动因子归纳为“社会经济”因素。工业主要通过化石能源的大量消耗向空气中排放硫氧化物、氮氧化物及颗粒物等，是造成大气污染的主要原因之一[57]。第2因子包含的3个指标强调了工业排放对大气环境具有不可忽视的影响，因此将影响大气污染的第2类人类活动因子归纳为“工业污染排放”因素。城市绿色基础设施是消减大气颗粒物的有效途径，直径1 000 m范围内绿化覆盖率每提高10%，能够使PM2.5浓度降低7.58%[58]。用“城市建设”因素代表影响大气污染的第3类人类活动因子，重点强调城市绿色建设在治理大气污染中的重要作用。
|
|
表 2 旋转后的成分矩阵 Table 2 The rotated component matrix |
因子分析得到的成分得分系数矩阵(表 3)反映各项指标与提取的所有因子之间的线性数量关系，系数的正负号表示得分系数权重的正负。据此，本研究进一步给出各个因子的表达式
| $ F_k=\sum_{i=1}^{10} r_{k i} \times V_i . $ | (6) |
|
|
表 3 成分得分系数矩阵 Table 3 The component score coefficient matrix |
其中：Fk(k=1, 2, 3)表示提取的因子，Vi(i=1, 2, …, 10)表示原始人类活动因素指标的标准变量，rki表示指标i对因子k的得分系数。
影响大气污染的人类活动因素涉及多个方面，研究选择的指标变量范围和分类依据可能会使结果存在一定的不确定性。本研究将影响大气污染的10个人类活动影响因素降维简化为社会经济(F1)、工业污染排放(F2)和城市建设(F3)这3个因子，给出了各因子表达式，并对各自的影响作用加以讨论，可以为改善空气质量和制定各项大气污染法规政策提供一定参考。
4 结论本研究通过对京津冀地区13个城市的大气PM2.5污染时空分布特征及成因分析，得出以下结论：
1) 京津冀地区PM2.5浓度空间分布呈现“北低南高”的特点，南部和北部城市的年平均浓度梯度最高可达64 μg/m3。北部张家口、承德、秦皇岛3个城市PM2.5污染水平最低; 中部天津、北京、廊坊、沧州、唐山5个城市PM2.5污染水平中等; 南部保定、石家庄、衡水、邢台、邯郸5个城市PM2.5污染最为严重。
2) 京津冀地区PM2.5浓度冬季最高，春秋次之，夏季最低，冬季PM2.5浓度是夏季的1.3~2.8倍；按照月变化特征的相似程度可以划分为3个城市群。PM2.5污染达标率夏季最高，春秋次之，冬季最低，重度以上污染集中分布在冬季。PM2.5浓度日变化呈现“早晚高、午后低”的“双峰型”分布特征，四季PM2.5浓度日较差介于11~29 μg/m3。
3) 自然条件与大气PM2.5污染的分布关系密切，包括地势地形影响和气象因素影响。地势地形对污染物的扩散、传输影响较大。通过Spearman双变量相关分析可知，京津冀地区13个城市的大气PM2.5浓度与各气象因素的相关性存在一定差异。PM2.5浓度与气温、气压、累计降水量的相关性较弱，与风速、日照时数和相对湿度的相关性较强，且在冬季最为明显。风速、日照时数和相对湿度是影响京津冀地区大气PM2.5污染的主导气象因素。
4) 人类活动对大气PM2.5污染的影响十分重大。通过因子分析模型得出，京津冀地区大气污染第1个人类活动影响因子归纳为社会经济因素，包括能源消耗、产业结构等方面。需要注意，经济的高速发展在很大程度上是以牺牲环境为代价的；第2个人类活动影响因子归纳为工业污染排放因素，这也是大气中污染存在的最直接的因素，相关企业可通过企业转型、污染物减排、污染物净化等方式从源头上减轻大气PM2.5污染；第3个人类活动影响因子归纳为城市建设因素，本文体现指标主要是城市绿化覆盖率，城市绿化建设对大气污染的缓解作用相当重要，是城市发展过程中不可缺少的一环，应该得到足够的重视。
| [1] |
Shaddick G, Thomas M L, Mudu P, et al. Half the world's population are exposed to increasing air pollution[J]. Npj Climate and Atmospheric Science, 2020, 3: 23. Doi:10.1038/s41612-020-0124-2 |
| [2] |
Lu J, Li B, Li H, et al. Expansion of city scale, traffic modes, traffic congestion, and air pollution[J]. Cities, 2021, 108: 102974. Doi:10.1016/j.cities.2020.102974 |
| [3] |
刘乐乐, 赵小锋, 赵颜创, 等. 基于城市环境气候图的宁波大气环境分析与调控对策[J]. 生态学报, 2017, 37(2): 606-618. Doi:10.5846/stxb201507091458 |
| [4] |
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. Doi:10.11821/dlxb201801015 |
| [5] |
杨旭. 京津冀地区空气污染特征与气象成因及其预报研究[D]. 兰州: 兰州大学, 2017.
|
| [6] |
中华人民共和国环境保护部. 2017年《中国生态环境状况公报》(摘录一)[J]. 环境保护, 2018, 46(11): 31-38. |
| [7] |
Wang Q, Wang J N, He M Z, et al. A county-level estimate of PM2.5 related chronic mortality risk in China based on multi-model exposure data[J]. Environment International, 2018, 110: 105-112. Doi:10.1016/j.envint.2017.10.015 |
| [8] |
Shi Y S, Zhu Y, Gong S Y, et al. PM2.5-related premature deaths and potential health benefits of controlled air quality in 34 provincial cities of China during 2001-2017[J]. Environmental Impact Assessment Review, 2022, 97: 106883. Doi:10.1016/j.eiar.2022.106883 |
| [9] |
李勇, 廖琴, 赵秀阁, 等. PM2.5污染对我国健康负担和经济损失的影响[J]. 环境科学, 2021, 42(4): 1688-1695. Doi:10.13227/j.hjkx.202008313 |
| [10] |
Yang D Y, Chen Y L, Miao C H, et al. Spatiotemporal variation of PM2.5 concentrations and its relationship to urbanization in the Yangtze river delta region, China[J]. Atmospheric Pollution Research, 2020, 11(3): 491-498. Doi:10.1016/j.apr.2019.11.021 |
| [11] |
Chen G J, Hu Y, Zhang R, et al. Evolution of south-north transport and urbanization effects on PM2.5 distribution with increased pollution levels in Beijing[J]. Sustainable Cities and Society, 2021, 72: 103060. Doi:10.1016/j.scs.2021.103060 |
| [12] |
袁博, 肖苏林, 蒋大和. 我国城市群空气污染及其季节变化特点[J]. 环境科技, 2009, 22(S1): 102-106. Doi:10.3969/j.issn.1674-4829.2009.z1.037 |
| [13] |
王郁, 赵一航. 区域协同发展政策能否提高公共服务供给效率?: 以京津冀地区为例的研究[J]. 中国人口·资源与环境, 2020, 30(8): 100-109. Doi:10.12062/cpre.20200121 |
| [14] |
陆大道. 京津冀城市群功能定位及协同发展[J]. 地理科学进展, 2015, 34(3): 265-270. Doi:10.11820/dlkxjz.2015.03.001 |
| [15] |
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. Doi:10.13198/j.issn.1001-6929.2020.12.26 |
| [16] |
徐丹妮, 王瑾婷, 袁自冰, 等. 汾渭平原复杂地形影响下冬季PM2.5污染分布特征、来源及成因分析[J]. 环境科学学报, 2021, 41(4): 1184-1198. Doi:10.13671/j.hjkxxb.2020.0553 |
| [17] |
金莲姬, 刘峥, 朱彬, 等. PM2.5空中输送对北京地面污染影响的地形强迫机制模拟研究[J]. 环境科学学报, 2021, 41(8): 2976-2986. Doi:10.13671/j.hjkxxb.2021.0284 |
| [18] |
王黎明, 刘动, 陈枫林, 等. 雾霾模拟方法及其装置研究[J]. 高电压技术, 2014, 40(11): 3297-3304. Doi:10.13336/j.1003-6520.hve.2014.11.001 |
| [19] |
孟丽红, 李英华, 韩素芹, 等. 海陆风对天津市PM2.5和O3质量浓度的影响[J]. 环境科学研究, 2019, 32(3): 390-398. Doi:10.13198/j.issn.1001-6929.2018.12.10 |
| [20] |
王琪, 孙巍, 张新宇. 北京地区PM2.5质量浓度分布及其与气象条件影响关系分析[J]. 计算机与应用化学, 2014, 31(10): 1193-1196. Doi:10.11719/com.app.chem20141010 |
| [21] |
马召辉, 梁云平, 张健, 等. 北京市典型排放源PM2.5成分谱研究[J]. 环境科学学报, 2015, 35(12): 4043-4052. Doi:10.13671/j.hjkxxb.2015.0584 |
| [22] |
王振波, 梁龙武, 王旭静. 中国城市群地区PM2.5时空演变格局及其影响因素[J]. 地理学报, 2019, 74(12): 2614-2630. Doi:10.11821/dlxb201912014 |
| [23] |
马丽, 康蕾, 金凤君. 京津冀工业发展与大气污染物排放时空耦合关系分析[J]. 环境影响评价, 2018, 40(5): 43-48. Doi:10.14068/j.ceia.2018.05.009 |
| [24] |
常亚敏, 闫蓬勃, 杨军. 北京地区控制PM2.5污染的城市绿化树种选择建议[J]. 中国园林, 2015, 31(1): 69-73. Doi:10.3969/j.issn.1000-6664.2015.01.014 |
| [25] |
李俊晓, 李朝奎, 殷智慧. 基于ArcGIS的克里金插值方法及其应用[J]. 测绘通报, 2013(9): 87-90, 97. Doi:10.1007/s12204-013-1367-4 |
| [26] |
杜雪, 王景弟, 白彦锋, 等. 基于克里金插值法的湖南省慈利县森林碳储量专题图研究[J]. 西北林学院学报, 2022, 37(1): 198-204. Doi:10.3969/j.issn.1001-7461.2022.01.29 |
| [27] |
姜春雷. 克里格插值的加速和参数优化及其应用[D]. 北京: 中国科学院大学(中国科学院东北地理与农业生态研究所), 2016.
|
| [28] |
李海涛, 邵泽东. 空间插值分析算法综述[J]. 计算机系统应用, 2019, 28(7): 1-8. Doi:10.15888/j.cnki.csa.006988 |
| [29] |
刘竞妍, 张可, 王桂华. 综合评价中数据标准化方法比较研究[J]. 数字技术与应用, 2018, 36(6): 84-85. Doi:10.19695/j.cnki.cn12-1369.2018.06.49 |
| [30] |
周文华, 王如松, 张克锋. 人类活动对北京空气质量影响的综合生态评价[J]. 生态学报, 2005, 25(9): 2214-2220. Doi:10.3321/j.issn:1000-0933.2005.09.012 |
| [31] |
朱玉祥, 江剑民, 赵亮, 等. 不同计算形式的相关分析在气象中的应用综述[J]. 热带气象学报, 2021, 37(1): 1-13. Doi:10.16032/j.issn.1004-4965.2021.001 |
| [32] |
林海明, 张文霖. 主成分分析与因子分析的异同和SPSS软件: 兼与刘玉玫、卢纹岱等同志商榷[J]. 统计研究, 2005, 22(3): 65-69. Doi:10.19343/j.cnki.11-1302/c.2005.03.015 |
| [33] |
任毅, 郭丰, 高聪聪. 京津冀城市群雾霾污染的时空特征与影响因素[J]. 首都经济贸易大学学报, 2019, 21(6): 80-91. Doi:10.13504/j.cnki.issn1008-2700.2019.06.008 |
| [34] |
丁梦婷. 京津冀地区PM2.5时空特征及环流分型研究[D]. 石家庄: 河北师范大学, 2022.
|
| [35] |
陈辉, 厉青, 李营, 等. 京津冀及周边地区PM2.5时空变化特征遥感监测分析[J]. 环境科学, 2019, 40(1): 33-43. Doi:10.13227/j.hjkx.201802104 |
| [36] |
王冠岚, 薛建军, 张建忠. 2014年京津冀空气污染时空分布特征及主要成因分析[J]. 气象与环境科学, 2016, 39(1): 34-42. Doi:10.16765/j.cnki.1673-7148.2016.01.005 |
| [37] |
王无为. 湖北省大气污染物时空分布特征及影响因素[D]. 武汉: 华中师范大学, 2018.
|
| [38] |
李青春, 李炬, 郑祚芳, 等. 冬季山谷风和海陆风对京津冀地区大气污染分布的影响[J]. 环境科学, 2019, 40(2): 513-524. Doi:10.13227/j.hjkx.201803193 |
| [39] |
张竞, 杜东, 白耀楠, 等. 基于DEM的京津冀地区地形起伏度分析[J]. 中国水土保持, 2018(9): 33-37. Doi:10.14123/j.cnki.swcc.2018.0200 |
| [40] |
吴兑, 廖碧婷, 吴蒙, 等. 环首都圈霾和雾的长期变化特征与典型个例的近地层输送条件[J]. 环境科学学报, 2014, 34(1): 1-11. Doi:10.13671/j.hjkxxb.2014.01.019 |
| [41] |
孙航. 京津冀与长三角城市群大气污染时空特征及影响因素对比研究[D]. 兰州: 兰州财经大学, 2019.
|
| [42] |
朱倩茹, 刘永红, 徐伟嘉, 等. 广州PM2.5污染特征及影响因素分析[J]. 中国环境监测, 2013, 29(2): 15-21. Doi:10.19316/j.issn.1002-6002.2013.02.006 |
| [43] |
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. Doi:10.16258/j.cnki.1674-5906.2018.03.017 |
| [44] |
Qi L, Zheng H T, Ding D, et al. Effects of meteorology changes on inter-annual variations of aerosol optical depth and surface PM2.5 in China: implications for PM2.5 remote sensing[J]. Remote Sensing, 2022, 14(12): 2762. Doi:10.3390/rs14122762 |
| [45] |
张宇静, 赵天良, 殷翀之, 等. 徐州市大气PM2.5与O3作用关系的季节变化[J]. 中国环境科学, 2019, 39(6): 2267-2272. Doi:10.19674/j.cnki.issn1000-6923.2019.0269 |
| [46] |
王静, 邱粲, 刘焕彬, 等. 山东重点城市空气质量及其与气象要素的关系[J]. 生态环境学报, 2013, 22(4): 644-649. Doi:10.16258/j.cnki.1674-5906.2013.04.021 |
| [47] |
Liu Z D, Wang H, Shen X Y, et al. Contribution of meteorological conditions to the variation in winter PM2.5 concentrations from 2013 to 2019 in Middle-Eastern China[J]. Atmosphere, 2019, 10(10): 563. Doi:10.3390/atmos10100563 |
| [48] |
Charron A, Harrison R M. Fine (PM2.5) and coarse (PM2.5-10) particulate matter on a heavily trafficked London highway: sources and processes[J]. Environmental Science & Technology, 2005, 39(20): 7768-7776. Doi:10.1021/es050462i |
| [49] |
王超. 镇江地区主要大气污染物时空分布及气象影响因子相关性研究[D]. 江苏镇江: 江苏大学, 2019.
|
| [50] |
刘燚. 京津冀地区空气质量状况及其与气象条件的关系[D]. 长沙: 湖南师范大学, 2010.
|
| [51] |
徐杰, 匡汉祎, 王国强, 等. PM2.5与空气相对湿度间关系浅析[J]. 农业与技术, 2017, 37(9): 148-149, 157. Doi:10.11974/nyyjs.20170532072 |
| [52] |
徐祥德, 施晓晖, 张胜军, 等. 北京及周边城市群落气溶胶影响域及其相关气候效应[J]. 科学通报, 2005, 50(22): 2522-2530. Doi:10.3321/j.issn:0023-074X.2005.22.014 |
| [53] |
Shen R R, Schäfer K, Schnelle-Kreis J, et al. Characteristics and sources of PM in seasonal perspective: a case study from one year continuously sampling in Beijing[J]. Atmospheric Pollution Research, 2016, 7(2): 235-248. Doi:10.1016/j.apr.2015.09.008 |
| [54] |
周媛, 石铁矛, 胡远满, 等. 基于城市气候环境特征的绿地景观格局优化研究[J]. 城市规划, 2014, 38(5): 83-89. Doi:10.11819/cpr20140515a |
| [55] |
陈永林, 谢炳庚, 杨勇. 全国主要城市群空气质量空间分布及影响因素分析[J]. 干旱区资源与环境, 2015, 29(11): 99-103. Doi:10.13448/j.cnki.jalre.2015.369 |
| [56] |
张晓平, 林美含. 中国城市空气污染区域差异及社会经济影响因素分析: 基于两种空气质量指数的比较研究[J]. 中国科学院大学学报, 2020, 37(1): 39-50. Doi:10.7523/j.issn.2095-6134.2020.01.006 |
| [57] |
任嘉敏, 马延吉. 吉林省工业增长与工业大气污染脱钩关系的时空演变[J]. 中国科学院大学学报, 2019, 36(1): 72-81. Doi:10.7523/j.issn.2095-6134.2019.01.011 |
| [58] |
戴菲, 陈明, 朱晟伟, 等. 街区尺度不同绿化覆盖率对PM10、PM2.5的消减研究: 以武汉主城区为例[J]. 中国园林, 2018, 34(3): 105-110. Doi:10.3969/j.issn.1000-6664.2018.03.018 |