2000~2016年中国PM2.5时空格局

本文在检验PM_2.5遥感数据可靠性的基础上,使用标准偏差分析、Hurst指数、Theil-Sen median趋势分析与Mann-Kendall检验和局部空间自相关等方法,在像元尺度上研究了2000~2016年中国PM_2.5浓度的分布格局和演变过程.结果表明：①在空间分布上,PM_2.5的浓度东部高,多年平均值为30.21μg/m³,西部低,多年平均值为4.37μg/m³,东西两侧差异巨大.西部地区和东北地区PM_2.5的浓度整体呈现增长的态势,但西部地区变化较为平缓.PM_2.5污染严重的区域分布在人口多且密集,经济较为发达的区域,如华北平原,东北平原,长江中下游平原,四川盆地等地区.②在时间序列上,以2007年为界,PM_2.5的年变化趋势可分为两个阶段,从2000~2007期间我国的PM_2.5浓度总体呈现上升趋势,年均增长0.95μg/m³,2007~2016年PM_2.5浓度呈波动下降趋势,年均下降0.15 μg/m³;③稳定性：PM_2.5浓度的稳定性在空间上差异显著,整体呈现出西部较稳定、东部不稳定的分布状态.东部极不稳定区域主要分布在四川盆地,华北平原,东北平原中部,长江中下游平原;④持续性：中国PM_2.5持续性特征以弱反持续为主,主要分布在中国东部地区,预测未来PM_2.5的变化规律与目前相反.其次弱持续性分布的区域较广,主要分布在山地、高原及高寒地区,说明这一区域未来PM_2.5变化趋势与过去的变化趋势相同,但又具有复杂性和反复性.⑤人口暴露分析：分析不同PM_2.5浓度级别上的人口百分比,发现2016年中国有52%的人口生活在PM_2.5浓度年平均值为35 μg/m³以上的环境中,还有14.38%的人暴露在PM_2.5年均浓度值为60 μg/m³以上的环境中.     

全球PM2.5人口暴露风险时空格局

基于PM_2.5遥感数据和人口格网数据,利用污染物人口暴露风险模型、Theil-Sen Media和Mann-Kendall等方法,分析了2000~2016年全球PM_2.5人口暴露风险时空分布特征,并识别出暴露高风险区域.结果表明,PM_2.5遥感数据和人口格网数据可以客观地评价暴露风险程度.全球PM_2.5平均浓度在各大洲差异显著,PM_2.5污染的高值区域主要分布在东亚、南亚和东南亚.PM_2.5质量浓度的多年平均值从高到低分别是亚洲14.7μg/m³、非洲8.1μg/m³、欧洲8.03μg/m³、南美洲5.69μg/m³、北美洲4.41μg/m³和大洋洲1.27μg/m³.2000~2016年,全球PM_2.5人口暴露风险在宏观尺度上呈逐渐减少的趋势,而在区域内则呈现出差异性.空间上,全球PM_2.5人口暴露风险各大洲从高到低依次为亚洲5.94、非洲0.62、欧洲0.45、南美洲0.32、北美洲0.27和大洋洲0.01.时间上,2000~2016年,亚洲和非洲PM_2.5人口暴露风险呈增长趋势,欧洲和北美洲呈减少趋势,大洋洲和南美洲变化幅度较小.     

2001~2015年中国城镇化与PM2.5浓度时空关联特征

综合运用时空统计、剪刀差、地理加权回归等手段分5个阶段从人口、土地、经济角度研究了2001~2015年中国大陆地区城镇化水平与PM_2.5浓度的时空分布以及相互关联特征.结果表明：2001~2015年,我国3a均人口、土地、经济城镇化水平平均值稳步提高,PM_2.5浓度波动上升（44.14~50.89 μg/m³）,不同经济区之间时序变化趋势相似但强度存在差异.不同阶段PM_2.5浓度空间分布趋势基本一致,京津冀、河南与山东北部、新疆西部等地区始终为高值区,3类城镇化水平高值区域逐步扩大.城镇化水平的时序变化趋势与PM_2.5浓度随时间变化的趋势存在差异（切线夹角：15.33°~62.92°）,难以解释PM_2.5浓度在时间上的突变.城镇化水平与PM_2.5浓度空间分布关联特征显著,土地城镇化水平与PM_2.5浓度在0.01水平上正相关,其相关系数依次为东北（0.609~0.723） > 中部（0.572~0.631） > 东部（0.218~0.323） > 西部（0.079~0.255）,除中、西部地区外,经济城镇化水平对PM_2.5浓度正效应明显,东北地区人口城镇化水平与PM_2.5浓度负相关,GWR模型调整R²在2001~2003年阶段最高（0.6~0.77）,2013~2015年阶段最低（0.08~0.64）.     

中国重点城市大气污染与健康风险的时空分布特征

基于中国168个大气污染防治重点城市2015～2020年的5种污染物浓度监测数据,利用MAKESENS模型和综合风险指数(ARI),定量分析全国与6大城市群的大气污染总健康风险的时空分布特征.结果表明：(1)中国重点城市PM_2.5污染最严重,仅15%的城市PM_2.5浓度6 a均值达到了国家二级标准,NO₂次之,77%的城市NO₂浓度6 a均值达到了国家二级标准,京津冀和汾渭平原城市群空气污染最严重,PM_2.5、 SO₂、 CO和NO₂浓度6 a均值高于其他城市群;(2)中国重点城市PM_2.5、 SO₂、 CO和NO₂浓度呈下降趋势,除成渝城市群外,其余地区O₃浓度呈上升趋势;京津冀和汾渭平原城市群SO₂浓度下降最显著;(3)中国重点城市大气污染健康风险总体呈下降趋势,2017～2018年出现急剧下降,暴露在极高风险下的人口从1...     

中国城市PM2.5和PM10时空分布特征和影响因素分析

PM_2.5和PM₁₀浓度超标引发的空气质量问题严重影响公众健康,研究PM_2.5和PM₁₀浓度对制定有效的污染防控和治理措施具有重要意义.运用时空分析法,分析2018年季度PM_2.5和PM₁₀浓度时空分布,并用GWR探究浓度差异的原因.结果表明：(1)PM_2.5和PM₁₀的浓度均呈冬春高、夏秋低的季节性规律;四季污染物浓度在胡焕庸线两侧存在显著差异,该线以东地区高浓度聚集在京津冀地区,该线以西地区高浓度聚集在新疆中南部.(2)PM_2.5和PM₁₀浓度的Moran’s I在四季均为正,且均在冬季增至最大值;PM_2.5和PM₁₀的分布格局基本一致,“高-高”类和“低-低”类集中分布现象明显.(3)各因素对PM_2.5和PM₁₀浓度的影响存在较大空间异质性.温度和坡度对PM_2.5     

2015—2020年湖北省PM2.5和臭氧复合污染特征演变分析

为揭示湖北省PM_2.5和臭氧(O₃)复合污染演变特征,基于湖北省17个地市的空气质量国控点和武汉市大气超级站组分监测数据,全面分析湖北省17个地市2015—2020年PM_2.5和O₃的时空变化特征及相关关系,探讨PM_2.5和O₃协同效应的成因机理. 结果表明:①2015—2020年,湖北省PM_2.5显著改善,平均降幅为4.7 μg/(m3·a),但冬季负荷仍较高,主要集中于中部地区;O₃污染凸显,平均增幅为3.8 μg/(m3·a),污染集中在4—10月的暖季,东部地区最严重,近两年超标天数已与PM_2.5相当. ②湖北省PM_2.5和O₃关联日趋密切,协同效应显著,日评价指标显示夏季二者呈显著正相关(相关系数为0.57),近两年当PM_2.5浓度≤50 μg/m3时,相关系数高达0.63;冬季PM_2.5浓度与O_x(O₃+NO₂)浓度呈正相关,尤其2020年东部城市二者相关性高达0.46,显示大气氧化性对PM_2.5二次污染的重要性. ③以武汉市为例,归纳PM_2.5和O₃复合污染的成因,暖季低PM_2.5背景下,高温、中等湿度和弱风速的气象条件以及VOCs和NO_x等前体物的高浓度排放,使得受VOCs主控的光化学反应加剧,易造成O₃污染,从而加强PM_2.5二次生成;冬季高的大气氧化性,叠加不利气象条件,促进颗粒物的二次生成,导致重污染时PM_2.5组分以硝酸盐等二次无机组分为主. 研究显示,湖北省PM_2.5和O₃协同控制重点为,在保持现有NO_x控制力度基础上强化VOCs控制,遏制暖季和东部区域O₃浓度上升,加强冬季和中部PM_2.5治理.      

PM2.5致卵巢癌的风险及城乡差异的生态学研究

为了评估PM_2.5排放导致女性生殖系统癌症的风险以及城乡差异,以卵巢癌为例,分析了中国东部地区2000~2011年期间PM_2.5和卵巢癌发病率和死亡率的相关关系,并估算了PM_2.5排放导致卵巢癌发病率和死亡率升高的风险.结果表明,城市地区卵巢癌发病率和死亡率显著高于农村,在城市地区,PM_2.5与卵巢癌发病率显著相关,PM_2.5年平均浓度每上升10μg/m³,城市地区卵巢癌发病率上升的相对风险为9.3%（相对于PM_2.5年平均浓度为35μg/m³时）,每十万人口升高0.51人.     

臭氧和PM2.5对慢阻肺死亡影响及气温修饰效应

采用广义相加模型评估臭氧和细颗粒物（PM_2.5）暴露对2008~2017年上海浦东居民慢性阻塞性肺疾病（COPD）死亡的超额危险度（ER）和寿命损失年（YLL）的影响.结果表明：臭氧污染集中在4~6月,PM_2.5污染集中在12月、1~2月,10a间臭氧浓度逐年增加,PM_2.5有小幅下降;在最大滞后效应下,臭氧每增加10μg/m³,ER和YLL分别为1.34%（95% CI：0.57%~2.12%）和54.98（95% CI：16.36~106.41）人·a;PM_2.5每增加10μg/m³,两者分别为2.66%（95% CI：1.54%~3.79%）和130.92（95% CI：42.47~274.28）人·a;臭氧对男性和<85岁人群影响显著,PM_2.5对女性和³85岁人群影响显著;暖季时臭氧暴露相关的COPD死亡风险更高,冷季时PM_2.5暴露相关的COPD死亡风险更高.臭氧和PM_2.5致COPD死亡的影响可能因气温水平而异.     

2015—2018年乌鲁木齐市PM2.5及PM10时空分布特征

乌鲁木齐市是“丝绸之路经济带”关键节点城市,为了解乌鲁木齐市2015—2018年空气污染状况,利用2015年1月1日—2018年12月23日乌鲁木齐市7个国控空气质量监测站的ρ（PM_2.5）、ρ（PM₁₀）监测数据,基于ArcGIS空间分析平台,分析乌鲁木齐市PM_2.5、PM₁₀的时空分布特征.结果表明:ρ（PM_2.5）从2015年（66.60 μg/m3）到2016年（76.93 μg/m3）呈上升趋势,在2016—2018年呈单一下降趋势;ρ（PM₁₀）从2015年（132.74 μg/m3）到2016年（125.93 μg/m3）呈下降趋势,在2016—2018年呈单一上升趋势.2015—2018年工业活动集中的乌鲁木齐市边缘各区的ρ（PM_2.5）、ρ（PM₁₀）平均值比城市中心（商业区、居民区）分别高11.28、7.17 μg/m3,说明工业集中地区的大气环境质量受污染影响明显.此外,2015—2018年乌鲁木齐市大气污染呈季节性和北高南低的区域性分布特征.气象因子分析表明,ρ（PM_2.5）、ρ（PM₁₀）均与相对湿度呈正相关,与降雨量、风速等气象因素呈负相关.2015—2018年,乌鲁木齐市大气中ρ（PM_2.5）/ρ（PM₁₀）呈先增后降的趋势,冬季以PM_2.5污染为主,其他季节以PM₁₀污染为主.研究显示,2015—2018年乌鲁木齐市空气污染状况变化与地形、气象条件、城市化建设均有一定的关系.      

九江市城区与庐山背景站点PM2.5和O3的差异特征分析

利用2015—2022年九江市国控站点O₃和PM_2.5逐时浓度数据,研究城区与庐山O₃和PM_2.5的浓度变化和差异特征.结果表明,山区年均O₃浓度显著高于城区(平均偏高41.06μg·m^-3),城区年均PM_2.5浓度普遍高于山区(平均偏高20.99μg·m^-3).2015—2022年城区与山区O₃浓度呈波动上升趋势,而PM_2.5浓度呈下降趋势,?O₃与?PM_2.5总体均呈下降趋势.从月变化看,城区与山区O₃浓度均呈典型的“双峰”型变化趋势,而?O₃呈“单峰”型月变化趋势;城区PM_2.5浓度和?PM_2.5均呈现出“U”型变化趋势,而山区PM_2.5浓度月变化趋势不明显.在季节上,?O₃最高值出现在春季...     

秋季嘉兴PM2.5质量浓度特征分析

利用膜采样、颗粒在线称重方法和维萨拉气象仪对2004和2006年秋季嘉兴大气中ρ(PM_2.5)及气象因子进行了分析.结果表明:2004和2006年秋季ρ(PM2.5)分别为(84.7±62.4)和(89.0±61.5) 　μg/m3;ρ(PM2.5)占ρ(PM₁₀) 比例为42%～69%;ρ(PM_2.5)日均值变化大(16.7～345.7 μg/m3),晴天ρ(PM_2.5)约为阴雨天的2倍.ρ(PM_2.5)日变化分析表明,晴天呈双峰双谷现象,晚高峰(16:00—20:00)ρ(PM_2.5)大于早高峰(06:00—10:00),阴雨天日变化不明显.PM_2.5与相对湿度无显著相关性,但在不同相对湿度下PM_2.5与能见度呈显著的负指数关系.东北风和西北风是观测期内当地的主导风向,ρ(PM2.5)高值出现在西南风方向,重污染天气过程形成原因复杂.      

山东省环境空气中PM2.5与O3的复合污染特征与时空变化趋势

山东省PM_2.5-O₃复合污染特征突出,空间差异性明显,本文基于2016—2020年国控和省控环境空气自动监测站监测数据以及同期各气象代表站气象监测数据,分析PM_2.5和O₃时空分布的变化特征,初步探究其与气象因子及前体物的关系. 结果表明:①2016—2020年山东省空气质量逐步改善,优良天数比例上升了7.1%,重污染天数比例下降了3.5%. 除O₃年评价值上升9.6%以外,SO₂、PM₁₀、PM_2.5、CO和NO₂的浓度均下降,降幅依次为61.3%、29.8%、28.6%、26.3%和11.4%. 各市PM_2.5年评价值均下降(范围为18.4%~34.9%);除德州市外,其他15市O₃年评价值均上升,滨州市的升幅(30.8%)最大. 1月PM_2.5平均浓度最高,呈现先下降后上升的年变化趋势,6月O₃平均浓度最高,且逐年上升. ②山东省PM_2.5和O₃均呈现内陆地区高于沿海地区的分布特征,PM_2.5浓度在西部内陆地区较高,O₃浓度在中北部内陆地区较高,PM_2.5-O₃复合污染特征在中西部地区较明显. 统计期间共计出现PM_2.5-O₃复合污染日224 d,分布在2—11月,出现天数逐年减少. ③为探究PM_2.5-O₃复合污染的影响因素及气象特征,进行相关性分析及气象因子阈值筛查,结果表明,PM_2.5日均浓度和O₃_8 h (臭氧日最大8小时滑动平均值)与其主要前体物和气象因子均呈现相反的相关关系,且对不同因子的响应有一定区域性差异. 当气温为14.9~24.1 ℃、相对湿度为55.5%~75.1%、风速为0.6~2.9 m/s、气压为992.8~1 018.8 hPa时PM_2.5-O₃复合污染易于发生,该条件下大部分城市的气温、相对湿度和气压平均值介于PM_2.5和O₃污染单独发生时的对应因子平均值,但平均风速小于PM_2.5和O₃污染单独发生的平均风速. 研究显示,“十三五”期间山东省PM_2.5浓度波动下降,O₃浓度波动上升,二者的协同关系日趋明显,气象因素对PM_2.5和O₃的生成和累积有一定影响.      

基于机器学习和非参数估计的PM2.5风险评估

为开展区域风险评估,融合手机信令、气象和地理信息等多源数据,引入随机森林机器学习、非参数估计分位数图示法和非监督学习K-mean等方法,构建了区域PM_2.5风险评估及特征识别评价框架,在南京市区以0.3km分辨率网格为基础单元开展了案例研究.结果表明,该技术既可有效模拟PM_2.5浓度时空分布,十折交叉验证R²达到0.76,证明了准确度较高,并基于此识别出4种主要污染特征;也可有效捕捉短期人口流动导致的风险,在污染浓度不变的情况下短期人口流动会导致风险增加0.30~0.97倍.综合PM_2.5浓度和人口分布,识别出4种主要暴露风险模式,其中,研究区域6.5%的面积为高风险地区,23.0%的面积为低风险地区.“十四五”期间应加快现代科学技术在环境保护领域的应用,实施网格化和差异化的风险控制政策,维护人群健康.     

基于走航观测的长江三角洲地区大气污染特征及来源追踪

为了加强对长江三角洲地区大气污染分布特征和输送规律的认识,利用移动车载设备开展了不定期的走航观测,重点研究了2016-2018年冬季灰霾污染和春季光化学污染条件下长江三角洲地区的大气污染特征.结果表明,走航观测期间长江三角洲地区PM_2.5日均浓度为60~122 μg/m³,东部的常州、无锡一带,西部的合肥、芜湖地区,北部蚌埠、滁州一带,南部湖州、杭州地区的PM_2.5浓度较高,比其他地区高出20%~40%.O₃日均浓度水平为9~52 μg/m³,苏州、盐城、宣城与湖州地区浓度相对较高.运用FLEXPART_WRF模式,结合PM_2.5排放清单,分析了走航观测期间长江三角洲地区及沿线城市PM_2.5的潜在来源.结果发现,东风条件下,南通及上海地区为PM_2.5的潜在源区,北风条件下,连云港、盐城等地区贡献较大.运用FLEXPART前向轨迹计算模块,对一次污染个例过程进行了模拟,并利用走航观测结果进行了验证,发现模拟结果与走航观测结果的相关系数达到0.9.可见,长江三角洲地区存在区域性的PM_2.5和O₃污染,走航观测结合轨迹分析是追踪污染气团输送的有效手段.     

我国主要粮产区PM2.5、PM10时空分布特征及影响因素——以河南省为例

利用2018年河南省PM_2.5、PM₁₀监测数据,结合统计学方法及克里格插值技术,分析河南省PM_2.5、PM₁₀的时空分布特征及影响因素,结果表明:（1）PM_2.5、PM₁₀日均、月均浓度均呈现出“U”型变化特征,PM_2.5/PM₁₀月均值呈现出“W”型变化特征,PM_2.5、PM₁₀季均浓度及其比值均呈现出冬季>秋季>春季>夏季的规律;（2）PM_2.5、PM₁₀月均浓度的空间分布差异较大,而年均浓度则呈现出相似的分布规律,PM_2.5/PM₁₀季均值呈现出不同的空间分布规律,总体上东部及东南部较高,中西部区域较低;（3）PM_2.5、PM₁₀与NDVI、年降水量呈显著负相关,与人口密度、第二产业占比呈显著正相关。研究结论可为粮产区大气污染防治及粮食安全生产提供重要的科学依据。     

成渝城市群PM2.5的时空分布及其影响因素研究

随着工业化与城镇化的深入推进,成渝城市群的PM_2.5污染不断加剧,呈明显的区域性与复合性特征.该研究以2015—2017年成渝城市群空气质量监测站的日均ρ（PM_2.5）数据为基础,结合区域气象、遥感与统计年鉴等多源数据,采用反距离插值法分析了ρ（PM_2.5）的时空分布差异,采用Moran's I指数与LISA指数探索了ρ（PM_2.5）的全局和局部空间自相关性,并利用空间回归模型研究了自然、经济社会等因素对ρ（PM_2.5）的影响.结果表明:①成渝城市群ρ（PM_2.5）分布存在明显的时空差异.时间上,2015年PM_2.5污染最严重,ρ（PM_2.5）年均值为54.38 μg/m3,2016年、2017年PM_2.5污染状况逐年减轻,ρ（PM_2.5）年均值分别为53.68与47.56 μg/m3;空间上,成渝城市群东北部ρ（PM_2.5）较低,而南部ρ（PM_2.5）较高.②空间自相关分析结果表明,PM_2.5污染在成渝城市群存在显著的空间聚集性,成渝城市群南部ρ（PM_2.5）呈高值-高值聚集,成渝城市群北部ρ（PM_2.5）则呈低值-低值聚集.③空间回归结果表明,成渝城市群范围内某一地区邻近区域的ρ（PM_2.5）平均值增加1%时,该地区ρ（PM_2.5）将上升至少0.38%.城镇化率对ρ（PM_2.5）的影响最大,其次是第一产业增加值,再次是工业增加值占比和降水量.城镇化率、降水量与ρ（PM_2.5）呈负相关,而第一产业增加值、工业增加值占比与ρ（PM_2.5）呈正相关.研究显示,加快城镇化进程、减少第一产业排放、降低工业增加值占比（尤其是重污染工业）是有效解决成渝城市群PM_2.5污染的重要手段.