环境科学学报  2017, Vol. 37 Issue (12): 4519-4527
引用本文
南国卫, 孙虎. 2017. 基于灰色关联模型对陕西省O3浓度影响因素分析[J]. 环境科学学报, 37(12): 4519-4527.
Nan G W, Sun H. 2017. Analysis of the driving factors of O3 in Shaanxi Province based on grey correlation model[J]. Acta Scientiae Circumstantiae, 37(12): 4519-4527.
基于灰色关联模型对陕西省O3浓度影响因素分析    [PDF全文]
南国卫1,2 , 孙虎1,2     
1. 陕西师范大学地理科学与旅游学院, 西安 710119;
2. 地理国家级实验教学示范中心, 陕西师范大学, 西安 710119
收稿日期: 2017-05-19; 修回日期: 2017-08-10; 录用日期: 2017-08-10
基金项目: 教育部科学技术重点项目（No.105152）
作者简介: 南国卫(1989-), 男, 博士研究生, E-mail:328791573@qq.com
通讯作者（责任作者）: 孙虎(1962—), 男，教授，博士生导师，主要从事自然地理水土保持研究. E-mail:kycjh6@snnu.edu.cn
摘要: O3污染问题已经成为21世纪另一个环境课题.本次研究采用克里金插值法对2015年陕西省O3浓度的空间分布特征进行分析，同时构建了O3浓度的影响指标体系，运用灰色关联模型，综合分析了O3浓度与其影响指标因子的关联度，并探讨了各指标因子综合关联度的空间关联性和分异性.结果显示：①陕西省O3浓度呈"北高南低"的空间分布特征；②权重最大的指标层是O3污染来源（Wi=0.4331），其次是城市化与产业结构（Wi=0.3455），空气质量与自然因子最小（Wi=0.2215）；③各个指标因子与O3浓度关联度均为强度关联.空气质量与自然因子中，关联度较高的指标因子为CO、降水量、平均气温、日照时数；O3污染来源中，关联度较高的指标因子为等级公路里程、单位GDP能耗及工业用电量；城市化与产业结构中，关联度较高的指标因子为第二产业占地区总产值的比例、建成区绿地覆盖率和人均公园绿地面积；④O3污染来源对铜川、宝鸡、汉中等市O3浓度的影响较大；城市化与产业结构对宝鸡、咸阳、渭南、汉中等市的影响较大；空气质量与自然因子与陕西省各个城市O3浓度的关联度均为强度关联；⑤空气质量与自然因子中，CO、PM2.5、日照时数与O3浓度综合关联度较高.O3污染来源指标层中为机动车保有量、餐饮总额、烟（粉）尘排放量.城市化与产业结构中则是房屋建筑施工面积、建成区面积、人口密度.影响O3浓度的主要指标因子表现出较好的空间相关性与空间分异性.综合分析表明，灰色关联度模型能够有效地对O3浓度的主要影响因素作出分析与评价.
关键词: 灰色关联模型     O3浓度空间分布     影响指标因子     陕西省    
Analysis of the driving factors of O3 in Shaanxi Province based on grey correlation model
NAN Guowei1,2, SUN Hu1,2    
1. School of Geography and Tourism, Shaanxi Normal University, Xi'an 710119;
2. National Demonstration Center for Experimental Geography Education, Shaaanxi Normal University, Xi'an 710119
Received 19 May 2017; received in revised from 10 August 2017; accepted 10 August 2017
Supported by the Key Projects of Science and Technology of Ministry of Education (No.105152)
Biography: NAN Guowei(1989 —), male, Ph.D. candidate, E-mail:328791573@qq.com
*Corresponding author: SUN Hu, E-mail:kycjh6@snnu.edu.cn
Abstract: O3 pollution problem has become another environmental issue in the 21st century. In this study, the spatial distribution characteristics of O3 in Shaanxi Province were analyzed by Kriging interpolation method. Constructing the influence index system of O3 and using the gray correlation model to analyze the correlation degree between O3 and its influencing index factors, and to explore the spatial correlation and dissimilarity of the comprehensive correlation degree of each index factor, and to explore the spatial correlation and dissimilarity of the comprehensive correlation degree of each index factor. The research shows result as follows:① The concentration data of O3 in the southern area is lower, while it is higher in the northern area. ② The index layer with the greatest weight is the source of O3 pollution(Wi=0.4331), followed by urbanization and industrial structure(Wi=0.3455), and the weight of air quality and natural factor(Wi=0.2215) is the minimum. ③ The correlation degree between each index factors and O3 was all correlated with intensity. Among those of air quality and natural factors, CO, precipitation, average temperature, sunshine hours of high correlation; and for O3 pollution sources, the level of highway mileage, unit GDP energy consumption and industrial power associated with a higher degree; for urbanization and the industrial structure index layer, the secondary industry accounted for the regional total output value, built area green space coverage and per capita park green area of the correlation is higher. ④ O3 pollution source index layer have great influence on O3 in Tongchuan, Baoji and Hanzhong cities. The urbanization and industrial structure index layer have great influence on Baoji, Xianyang, Weinan and Hanzhong cities. The correlation between the air quality index layer and the O3 in each city of Shaanxi Province is intensity correlation. ⑤ CO, PM2.5, sunshine hours have a high correlation to O3 in Air quality and natural factor index layer. Among the source O3 pollution layer, motor vehicle ownership, total amount of food, smoke (powder) dust emissions in O3 pollution source indicator layer, housing construction area, built area, population density in Urbanization and industrial structure index layer and O3 with a higher degree of correlation. The main index factors influencing O3 show a better spatial correlation and spatial dissimilarity. The comprehensive analysis shows that the gray relational model can be used to effectively analyze and evaluate the main influencing factors of O3.
Key words: grey correlation model     the spatial distribution of O3     influencing index     Shaanxi province    
1 引言(Introduction)

工业化、城市化的持续推进，能源化工产业的快速崛起，使得当下中国的大气环境质量问题愈演愈烈，“高烧未退”的灰霾问题尚未解决，新一轮的O3污染悄然来袭.近年来，中国多省市近地面的O3污染已经取代PM2.5成为夏季大气的主要污染物(杨俊益等，2012；Liu et al., 2013).O3是大气主要的成分之一，然而近地面的O3浓度一旦超过环境阈值就会对人体健康、经济社会及生态环境造成严重影响.自光化学烟雾事件频繁发生以来，国内外学者对其进行了广泛深入的研究，主要包括对O3的形成机理与条件(Liu et al., 2003；刘俊峰等，2001；Tie et al., 2006)，O3的来源分析(李浩等，2015；陈皓等，2015)，O3的时空分布特征(刘小正等，2016；刘芷君等，2016；程麟钧等，2017)，O3与农业以及城市化之间的关系(吴荣军等，2013；顾莹等，2010；康汉青等，2014)，O3的“周末效应”(唐文苑等，2009；王占山等，2015；王俊秀等，2017)，O3对人体健康和植物的影响(Madronich et al., 2015；张红星等，2014；吴荣军等，2017)，及O3浓度影响因素(严茹莎等，2013；刘新春等，2013)等方面的研究.其中，主要针对O3影响因素的研究：顾莹等(2010)运用WRF-Chem模式，探讨上海城市化所引起的土地利用变化对O3浓度的影响，认为城市化程度较高的市区对O3浓度的影响高于城市化程度较低的郊区；严茹莎等(2013)基于激光监测数据对北京市夏季O3的时空分布特征和影响因子的研究指出，O3浓度在垂直空间上分布不均，上层气流中的O3向下层气流的输送及稳定边界层的存在都是引起O3污染的重要原因；刘新春等(2013)基于连续自动观测数据对塔克拉玛干沙漠近地面O3浓度的变化特征和影响因素进行了分析，认为O3污染是多种因素共同作用的结果，其浓度的变化同时受到相对湿度、风速、风向、日照日数等因素的影响，同时沙尘暴对O3浓度的变化亦有影响；张磊(2008)对大气污染物及气象因素对辽中地区O3浓度的影响研究发现，NOx、CO、SO2及可吸入颗粒物与O3浓度均存在相关性，O3浓度与太阳辐射的相关性显著，与风速为反相关，相对湿度和能见度对浓度影响不显著；易睿等(2015)针对长江三角洲地区城市的O3影响因素分析指出，长三角地区的O3污染受温度、风速等气象因子的影响较为明显；邓雪娇等(2011)利用地面观测的O3、紫外辐射、气溶胶辐射特性参数以及辐射和化学模式定量对珠三角地区大气气溶胶对地面O3影响的显著性进行了评估，结果指出，珠三角大气气溶胶和紫外辐射与O3之间具有显著的相关性，气溶胶光学厚度(AOD)与地面PM10的浓度相关性较高，与相应时次的紫外辐射和O3具有明显的反相关性，通过衰减紫外辐射的方式，气溶胶污染可显著降低O3产率；Tie等(2010)基于卫星观测对经济增长和城市化发展较快的北京、天津、长三角和珠三角地区的气溶胶污染状况进行了分析，研究表明气溶胶对O3浓度的影响显著，气溶胶负荷的减少可能会导致O3浓度的增加.Tie等(2003)同时认为O3污染的生成量和生成速率不但与其前体污染物NOx和VOCs密切相关，而且与驱动光化学反应的能量关系密切；Dickerson等(1997)研究指出气溶胶对紫外线辐射和光化学烟雾具有显著影响，边界层吸收性气溶胶可能导致O3浓度的减小.

虽然前人对O3浓度的影响因素研究成果丰硕，但仍存不足：①研究区域主要集中在京津冀、长三角及珠三角等重点污染区域，对中、西部地区的研究相对不足；②多数学者仅考虑了影响O3浓度的部分因素，稀见学者从自然条件、污染来源和社会经济等因素综合考虑影响O3浓度的研究.因此，本次研究基于2015年陕西省50个自动空气质量监测子站的近地面O3浓度监测数据，分析陕西省各市O3浓度的时空分布特征，并构建O3浓度的影响因素指标体系，对影响O3浓度的指标因子进行综合研究，以期明确影响O3浓度的主要因素，为政府大气污染治理提供参考.

2 研究方法与数据来源(Research methods and data sources) 2.1 研究方法 2.1.1 熵值法

熵值是在信息论中对信息无序化程度的一种度量，所含信息量越大的指标，则表明该指标对总目标的贡献越大(Shannon et al., 2001)，具体计算步骤如下：

(1) 构建指标评价矩阵：

(1)

式中, m代表评价区域数量(m=10)，n代表评价指标个数(n=31).本研究对原始指标数据的量纲差异采用极差标准化方法进行标准化处理.

(2) 关于指标熵值：

(2)
(3)

式中，Kij代表指标比重，xij是数据标准化的结果，i表示样本个数，j表示指标个数.ej指代第j项指标的信息熵值，g=lnn, 0≤ej≤1(当Kij=0时，规定KijlnKij=0).

(3) 关于指标权重：

(4)

式中, Wj为第j项指标的权重值.

2.1.2 灰色关联分析法

O3污染是一种二次光化学污染，影响O3浓度的因子众多，各因子之间存在一定的差异性.因此，O3的形成是多因素综合作用的结果.就目前而言，人们对O3的形成机理及影响因子的掌握并不明确，且其内部蕴含大量已知和未知信息，故为灰色系统.因此，为了准确客观地反映研究区O3形成的影响因素，本次研究采用灰色关联分析法对陕西省O3浓度的影响因子进行综合研究.具体计算步骤与公式如下：

①特征序列和比较序列的确定：据灰色系统理论，将x0(t)确定为特征参考数列，x0(t)={x0(1)，x0(2)，…，x0(m)}，t={1，2，…，m}共m个数据；将xi(t)确定为比较数列，xi(t)={xi(1)，xi(2)，…，xi(n)}，t={1，2，…，n}共n个指标.

②数据的标准化：本研究首先采用均值法对原始指标数据的量纲差异进行标准化处理.

③关联系数：

(5)

式中：与分别代表极差最小值和极差最大值；ρ为分辨率，一般取值为0.5.

④关联度：

(6)

式中,ri为关联度，k=1，2，…，n，i=1，2，…，m.

⑤综合关联度：

(7)
2.2 指标体系构建

O3污染是经NOx、挥发性有机物(VOCs)、CO、CH4等物质光化学反应所生成的二次污染物，其污染来源包括人为来源和自然来源，而与人类活动密切相关的工业源、交通源及生活源是臭氧污染的主要来源，其形成和变化还受到其他污染物浓度、气象条件及地形等多因素的影响.故此，本次研究根据其主要污染来源及相关影响因子构建了3个一级指标层，9个二级指标层，共计31个指标因子的影响指标体系(表 1).具体指标含义如下：(A1)空气质量与自然因子指标层.其中，大气污染物主要由除O3之外的其他5种大气污染物构成，自然因子则包括气象和地形条件，反映其他大气污染物浓度及气象因子对O3浓度变化的影响程度；(A2)O3污染来源指标层.主要包括工业、交通、餐饮等指标因子，其中用工业用电量、单位GDP能耗及工业废气排放量来反映工业生产过程中的石油化工能源燃烧过程所产生的废气污染对O3浓度的影响.用等级公路里程、公路客、货运输总量及机动车保有量来反映O3浓度的交通来源.以餐饮总值来反映主要的生活来源中餐饮排放的废气对O3浓度的贡献程度；(A3)城市化与产业结构指标层.用房屋建筑施工面积、房屋建筑竣工面积来反映城市建筑涂料所排放的挥发性有机物(VOCs)，园林绿地面积、建成区绿地覆盖率、人均公园绿地面积、建成区面积和人口密度等指标来反映城市建设及城市化所引起的不同土地利用类型对O3浓度高低的影响以及城市绿化对空气的净化能力的大小.产业结构的相关指标因子(第二产业占地区GDP比重、人均GDP与工业GDP)则反映城市产业结构对O3污染物排放量的影响.

表 1 陕西省O3浓度的影响指标体系 Table 1 O3 influencing index system in Shaanxi province
2.3 数据来源与处理

本次研究选择陕西省作为研究区，PM2.5、PM10、NO2、O3、SO2和CO等6个空气质量指标数据均来源于中国环境监测总站(http://www.cnemc.cn/)实时发布的监测数据.气象、地形、交通、工业、城市绿化、人口及产业结构数据均来源于《2016年陕西统计年鉴》与《陕西省2015年环境统计公报》.研究的基础数据是通过对陕西省10个省辖市内的全部监测子站日平均值计算而来.

3 O3浓度的时空变化特征(Temporal and spatial variation of O3)

克里金插值法(OKM)是能够在空间数据分布不均的前提下，对变量的空间行为进行全面分析的一种无偏最优估计方法(Brus et al., 2007)，本文基于ArcGIS 10.2软件，应用Kriging插值对陕西省O3浓度进行空间插值，随机抽取6个监测点进行交叉验证，精度为91%，表明空间插值效果较好.由图 1可知，陕西省O3浓度整体呈“北高南低”的空间分布特征.同时，由图 2可知，就陕西省整体而言，污染主要集中在5—8月，O3浓度高值出现在7月，低值出现在11月.就各城市来说，污染范围主要集中在4—9月，而O3浓度高值和低值各城市则体现出一定的空间差异性，榆林、延安、西安、渭南、汉中、安康的最高值出现在7月，商洛出现在6月，宝鸡和咸阳出现在8月，铜川出现在5月.O3浓度低值主要为11月、12月和1月，榆林O3浓度低值出现在1月，咸阳、渭南、汉中出现在12月，其余市污染低值均出现在11月.主要是因为各城市气候条件(温度、湿度、风速、太阳辐射等)差异较大，经济发展水平参差不齐，产业结构各异，使得臭氧污染的人为排放源、臭氧污染产生的时间频率与生成速率等在各大城市产生较大的差异.如陕北地区的榆林市和延安市是重要的能源重工业基地，煤、石油、天然气资源丰富，大规模的开采和使用导致此地区臭氧前体物碳氢化合物的排放量终年较大，同时夏季受到东南风的影响，部分来自关中地区的污染物加重了陕北地区的臭氧污染.夏季是整个陕西省臭氧污染最严重的季节，同等条件下，由于受到地形汇集效应和局地排放的影响，关中盆地内部城市的污染物不易扩散，相比陕北和陕南地区的温度更高，更有利于臭氧的生成，故臭氧污染程度最为严重.

图 1 2015年陕西省O3浓度的空间分布 Fig. 1 Spatial distribution of the O3 concentration in Shaanxi province in 2015

图 2 陕西省10个省辖市O3浓度的逐日变化曲线 Fig. 2 The daily change of O3 of 10 provincial cities in Shaanxi province
4 结果与分析(Results and analysis) 4.1 O3浓度的影响因素 4.1.1 各级指标层及其指标因子的权重分析

本次研究首先对原始数据进行了极差标准化处理，其次利用熵值法的计算公式(2)、(3)、(4)来确定影响O3浓度的各级指标层与指标因子的权重(表 2).结果显示，对陕西省O3浓度影响最大的一级指标层是O3污染来源，其权重为0.4331，其次是城市化与产业结构指标层，权重为0.3455，空气质量与自然因子指标层对陕西省O3浓度影响最小，其权重为0.2215.其中，O3污染来源中权重值最大的是机动车保有量(0.1489)，其次是烟粉尘排放量(0.1323)、二氧化硫排放量(0.1314)及餐饮总额(0.1230)；城市化与产业结构中，权重值最大的是建成区面积(0.2014)，其次为房屋建筑施工面积(0.1874)、人口密度(0.1292)和房屋建筑竣工面积(0.1251)；而PM2.5(0.1379)、CO(0.1191)和日照时数(0.984)是空气质量与自然因子指标层中贡献度最大的指标因子.

表 2 陕西省O3浓度影响评价指标体系权重 Table 2 Weight of the evaluation indexes system for the O3 in Shaanxi Province
4.1.2 各级指标层及其指标因子的关联度分析

本研究首先对原始数据进行无量纲化处理，即均值法处理，其次代入公式(5)计算得到O3浓度与各指标因子间的关联系数，接着运用公式(6)对各市的关联系数之和求平均值，得到O3浓度与各指标因子间的关联度(表 3)，最后，利用公式(7)，计算得出了O3浓度与各指标层的综合关联度(表 4)及各指标因子的综合关联度(表 5).灰色关联分析中，对O3浓度的影响作用愈显著，关联度值(Rij)愈大，反之亦然.一般按对目标值的影响力度将关联度划分为轻度关联(0＜Rij≤ 0.30)、中度关联(0.30＜Rij≤0.60)和强度关联(0.60＜Rij≤1.0).由表 4可知，影响O3浓度的各个指标因子与O3浓度的关联度值均大于0.6，为强度关联.表明各指标因子与O3浓度的变化均具有显著影响，意味着本次研究所选的影响O3浓度的各指标因子均较为合理.其中，空气质量与自然因子指标层中，O3浓度与CO、PM2.5、PM10、SO2、降水量、平均气温、相对湿度、日照时数等指标因子的关联度较高.CO是O3形成的重要前体物之一，O3的形成始于OH自由基对CO和HC (hydrocarbon，VOC)的氧化反应.颗粒物污染物(PM2.5、PM10等)浓度的升高，尤其是PM2.5浓度的上升，在一定条件下会使得气溶胶的光学厚度增大，从而减缓O3的生成速率，以及大气的光化学氧化过程，可通过衰减紫外辐射而导致O3的产率及浓度显著下降.SO2与O3遇热反应生成三氧化硫.因此，O3浓度的高低与SO2的浓度密切相关.较多的云层会大量吸收太阳辐射，同时会导致温度下降，从而消弱光化学反应的进行，导致O3浓度偏低.相对湿度相对较高时，大气中的水汽能够有效降低太阳紫外辐射在光化学反应的作用，减弱大气的光化学反应效率，阻碍O3的生成速率.温度的升高和日照时数的增多能够有效加速近地面O3的生成效率，使得O3浓度持续升高.O3污染来源指标层中，等级公路里程、单位GDP能耗及工业用电量的关联度较大，餐饮总额指标次之，充分说明了交通尾气的排放是O3污染的主要来源，工业生产过程所排放的工业废气及餐饮过程也是O3污染的重要来源.城市化与产业结构指标层中，第二产业占地区总产值的比重代表工业生产的规模和数量，反映产业结构比重对O3污染的影响作用.建成区绿地覆盖率和人均公园绿地面积反映的是城市建设中的土地使用类型，城市绿地对O3的形成具有一定的缓减和降低作用.因此，各指标因子与O3浓度较强的灰色关联度，充分说明各指标因子对O3浓度变化具有较显著影响.

表 3 陕西省O3浓度与影响指标因子间的关联度 Table 3 Grey correlation degree between O3 and the index of influencing factors in Shaanxi province

表 4 陕西省10个省辖市O3浓度与影响指标层的综合关联度 Table 4 Synthetic grey correlation degrees between O3 and the index layers of 10 provincial cities in Shaanxi province

表 5 陕西省各市影响O3浓度各指标层的前3位综合关联度指标因子 Table 5 The first three synthetic grey correlation degrees factors of the subsystems influencing O3 concentration of each provincial cities in Shaanxi Province

据各一级指标层与O3浓度的综合关联度分析结果(表 4)表明，不同城市迥异的自然环境、人口密度、经济社会发展水平、城市规模、城市化进程及产业结构，使得各城市的综合关联度差异性显著.其中，O3污染来源指标层对铜川、宝鸡、汉中等市O3浓度的影响较大；城市化与产业结构指标层与O3浓度关联度较大的城市分别是宝鸡、咸阳、渭南、汉中等；空气质量与自然因子指标层与陕西省各个城市O3浓度的关联度均为强度关联(大于0.85)，尤其与关中地区5市(西安、咸阳、渭南、铜川和宝鸡)及延安、汉中、商洛市的空气质量与自然因子关联度值较大，均在0.90以上.

4.2 指标因子综合关联度的空间相关性与分异性

综合各城市31个指标因子与O3浓度的综合关联度强弱进行排序，并在每个一级指标层下选取和统计3个综合关联度最高且出现频率最多的指标因子(表 5)进行分析.由表 5可知，就陕西省来说，CO(10次)、PM2.5(10次)、日照时数(9次)是空气质量与自然因子指标层中对O3浓度影响最为显著的指标因子.O3污染来源指标层中，出现频率最多且对O3浓度影响最大的指标因子分别是机动车保有量(9次)、餐饮总额(5次)、烟(粉)尘排放量(10次).房屋建筑施工面积(10次)、建成区面积(10次)、人口密度(5次)则是城市化与产业结构指标层中对O3浓度影响最为显著的指标因子.这些影响陕西省O3浓度的主要指标因子与陕西省的实际情况较为一致.

上述影响陕西省O3浓度的主要指标因子也是影响陕西省各市O3浓度的主要指标因子，表现出较好的空间相关性.同时除上述影响陕西省O3浓度的主要影响因子之外，各市表现出一定的空间分异性.其中，二氧化硫排放量指标因子是除机动车保有量和烟(粉)尘排放量之外，影响铜川、咸阳、汉中、商洛等市O3浓度最大的指标因子.商洛市的O3浓度同时受到了市区海拔高度因子的影响.西安、咸阳、延安市的O3浓度除受到房屋建筑施工面积、建成区面积指标因子的影响之外，还受到了人均生产总值因子的影响.而渭南、汉中市则受到了房屋建筑竣工面积因子的影响.这也均与上述城市实际情况相吻合.综上表明，本次研究所运用的灰色关联度模型分析方法能够科学有效地反映和评价陕西省及各市O3浓度的主要影响因子与O3浓度空间分布的相互关系.

5 讨论(Discussions)

1) 本次研究所构建的O3浓度影响指标体系未考虑到O3的自然源(如生物源挥发性有机物、平流层O3对流层的输送等)与部分人为源(生活废气、农业生产排放等).因此，完善和改进O3浓度的影响指标体系，继而探讨O3污染的防治措施等是今后需要加强和深入的方面.

2) O3污染与全球变暖.在全球变暖的时代背景下，中国现处于复合型污染阶段，O3污染与PM2.5污染正长期、广泛、轮流袭击着中国大地，全球变暖正深刻的影响着二者的形成与发展.对于O3污染而言，时间上，由于全球变暖带来的气温升高和气压差异性的逐渐减小，使得四季气温变化的灵敏度下降，春秋两季的过渡时间越发短暂，致使O3的污染时间逐渐由夏季向春季提前以及向秋季延长.空间上，全球变暖使得全球海陆间气压差异性的缩小，大气循环不畅，风力大幅减弱，静稳天气持续增加，大量O3的前体物污染物难以扩散，加之平流层臭氧空洞的进一步扩大，太阳辐射的持续增强，加快了臭氧的光化学生成速率，加剧了O3的污染范围和程度.再者，前人相关研究(李浩等，2015；陈皓等，2015；严茹莎等，2013；刘新春等，2013)与本文的研究结果均证实O3污染与PM2.5污染之间及与其他大气污染物之间存在一定的相互协同作用，此起彼伏，相互影响，相互促进，加快引发光化学的链式反应，从而加重O3污染.因此，在全球变暖的大背景下，需对O3污染与PM2.5污染及其它大气污染进行综合防治，才能取得较好的防治效果.但就目前实际，部分城市对O3污染和PM2.5污染所采取的汽车限行、暂停生产、清洁能源、提高能源利用效率等措施均只有短期和局部效果，并不能从根本上解决O3污染和PM2.5污染.故如何减能减排，控制和减少温室气体的排放，才是根治大气污染的长久之计.

6 结论(conclusions)

1) 影响陕西省O3浓度的一级指标层中，权重最大是O3污染来源，其次是城市化与产业结构，空气质量与自然因子最小.其中，O3污染来源中权重值最大的是机动车保有量、烟粉尘排放量、二氧化硫排放量及餐饮总额；城市化与产业结构中，权重值最大的是建成区面积、房屋建筑施工面积、人口密度和房屋建筑竣工面积；而PM2.5、CO和日照时数是空气质量与自然因子指标层中贡献度最大的指标因子.

2) 各个指标因子与O3浓度的关联度均为强度关联.其中，空气质量与自然因子指标层中，CO、PM2.5、PM10、SO2、降水量、平均气温、相对湿度、日照时数等指标因子的关联度较高；O3污染来源指标层中，等级公路里程、单位GDP能耗及工业用电量的关联度较大，餐饮总额次之；城市化与产业结构指标层中，第二产业占地区总产值、建成区绿地覆盖率和人均公园绿地面积的关联度较大.

3) 各城市的综合关联度表现出显著的空间差异性.其中，O3污染来源指标层对铜川、宝鸡、汉中等市O3浓度的影响较大；城市化与产业结构指标层与O3浓度关联度较大的城市分别是宝鸡、咸阳、渭南、汉中等；空气质量与自然因子指标层与陕西省各城市O3浓度的关联度均为强度关联.

4) CO、PM2.5、日照时数是空气质量与自然因子指标层中对O3浓度影响最为显著的指标因子.O3污染来源指标层中，出现频率最多且对O3浓度影响最大的指标因子分别是机动车保有量、餐饮总额、烟(粉)尘排放量.房屋建筑施工面积、建成区面积、人口密度则是城市化与产业结构指标层中对O3浓度影响最为显著的指标因子.综合关联度分析表明，影响O3浓度的主要指标因子表现出较好的空间相关性与空间分异性.同时研究结果也表明，灰色关联度模型能够有效地对O3浓度的主要影响因素作出分析与评价.

参考文献
Brus D J, Heuvelink G B. 2007. Optimization of sample patterns for universal kriging of environmental variables[J]. Geoderma, 138(1): 86–95.
陈皓, 王雪松, 沈劲, 等. 2015. 珠江三角洲秋季典型光化学污染过程中的臭氧来源分析[J]. 北京大学学报自然科学版, 2015, 51(4): 620–630.
程麟钧, 王帅, 宫正宇, 等. 2017. 京津冀区域臭氧污染趋势及时空分布特征[J]. 中国环境监测, 2017, 33(1): 14–21.
Dickerson R R, Kondragunta S, Stenchikov G, et al. 1997. The impact of aerosols on solar ultraviolet radiation and photochemical smog[J]. Science, 278(5339): 827–830. DOI:10.1126/science.278.5339.827
邓雪娇, 周秀骥, 吴兑, 等. 2011. 珠江三角洲大气气溶胶对地面臭氧变化的影响[J]. 中国科学:地球科学, 2011, 41(1): 93–102.
顾莹, 束炯. 2010. 上海城市化对气象要素和臭氧浓度的影响[J]. 环境污染与防治, 2010, 32(5): 7–13.
康汉青. 2014. 长江三角洲地区城市群热岛效应及其对臭氧影响的研究[D]. 南京: 南京信息工程大学 http://cdmd.cnki.com.cn/Article/CDMD-10300-1016063911.htm
Liu T, Li T T, Zhang Y H, et al. 2013. The short-term effect of ambient ozone on mortality is modified by temperature in Guangzhou, China[J]. Atmospheric Environment, 76(3): 59–67.
Liu Y, Li W, Zhou X, et al. 2003. Mechanism of formation of the ozone valley over the tibetan plateau in summer— Transport and chemical process of ozone[J]. Advances in Atmospheric Sciences, 20(1): 103–109. DOI:10.1007/BF03342054
李浩, 李莉, 黄成, 等. 2015. 2013年夏季典型光化学污染过程中长三角典型城市O3来源识别[J]. 环境科学, 2015, 36(1): 1–10. DOI:10.11654/jaes.2015.01.001
刘俊峰, 李金龙, 白郁华. 2001. 大气光化学烟雾反应机理比较(Ⅰ):O3和NOx的比较[J]. 环境化学, 2001, 20(4): 305–312.
刘小正, 楼晟荣, 陈勇航, 等. 2016. 基于OMI数据的中国中东部城市近地面臭氧时空分布特征研究[J]. 环境科学学报, 2016, 36(8): 2811–2818.
刘新春, 钟玉婷, 何清, 等. 2013. 塔克拉玛干沙漠腹地近地面臭氧浓度变化特征及影响因素分析[J]. 中国沙漠, 2013, 33(2): 626–633. DOI:10.7522/j.issn.1000-694X.2013.00086
刘芷君, 谢小训, 谢旻, 等. 2016. 长江三角洲地区臭氧污染时空分布特征[J]. 生态与农村环境学报, 2016, 32(3): 445–450. DOI:10.11934/j.issn.1673-4831.2016.03.017
Madronich S, Shao M, Wilson S R, et al. 2015. Changes in air quality and tropospheric composition due to depletion of stratospheric ozone and interactions with changing climate: implications for human and environmental health[J]. Photochemical & Photobiological Sciences, 14(1): 149–169.
Shannon C E. 2001. A mathematical theory of communication[J]. ACM sigmobile Mobile Computing and Communications Review, 5(1): 3–55. DOI:10.1145/584091
Tie X, Brasseur G P, Zhao C S, et al. 2006. Chemical characterization of air pollution in Eastern China and the Eastern United States[J]. Atmospheric Environment, 40(14): 2607–2625. DOI:10.1016/j.atmosenv.2005.11.059
Tie X, Cao J. 2010. Aerosol pollutions in eastern China: Present and future impacts on environment[J]. Particuology, 7(1): 426–431.
Tie X, Madronich S, Walters S, et al. 2003. Effect of clouds on photolysis and oxidants in the troposphere[J]. Journal of Geophysical Research Atmospheres, 108(D20): 4642. DOI:10.1029/2003JD003659
唐文苑, 赵春生, 耿福海, 等. 2009. 上海地区臭氧周末效应研究[J]. 中国科学: D辑, 2009, 39(1): 99–105.
王俊秀, 安俊琳, 邵平, 等. 2017. 南京北郊大气臭氧周末效应特征分析[J]. 环境科学, 2017, 38(6): 2256–2263.
王占山, 李云婷, 董欣, 等. 2015. 北京城区大气污染物"周末效应"分析[J]. 中国科学院大学学报, 2015, 32(6): 843–850.
吴荣军, 吴彬彬, 郑有飞. 2013. 近地层臭氧对农作物产量影响的风险评估模型研究进展[J]. 农业环境科学学报, 2013, 32(9): 1731–1737. DOI:10.11654/jaes.2013.09.004
吴荣军. 2017. 地表臭氧和土壤水分亏缺对植物的交互效应研究进展[J]. 生态学杂志, 2017, 36(3): 846–853.
严茹莎, 陈敏东, 高庆先, 等. 2013. 北京夏季典型臭氧污染分布特征及影响因子[J]. 环境科学研究, 2013, 26(1): 43–49.
杨俊益, 辛金元, 吉东生, 等. 2012. 2008—2011年夏季京津冀区域背景大气污染变化分析[J]. 环境科学, 2012, 33(11): 3693–3704.
易睿, 王亚林, 张殷俊, 等. 2015. 长江三角洲地区城市臭氧污染特征与影响因素分析[J]. 环境科学学报, 2015, 35(8): 2370–2377.
张红星, 孙旭, 姚余辉, 等. 2014. 北京夏季地表臭氧污染分布特征及其对植物的伤害效应[J]. 生态学报, 2014, 34(16): 4756–4765.
张磊. 2008. 大气污染物及气象因素对辽中地区臭氧浓度的影响研究[D]. 沈阳: 东北大学 http://cdmd.cnki.com.cn/Article/CDMD-10145-2010259599.htm