安徽省PM2.5浓度反演方法对比及时空变化研究

为探讨安徽省PM_2.5时空分布特征,文章基于2015-2020年地基观测PM_2.5、AOD、植被覆盖产品以及气象要素数据等,对比了多尺度地理加权回归、随机森林、全连接神经网络3种模型的精确度,并采用全连接神经网络模型反演了PM_2.5浓度,分析了PM_2.5浓度的时空变化特征,以及各因子对PM_2.5浓度的影响力。结果表明：3种模型中,全连接神经网络模型的精确度最高;2015-2020年PM_2.5浓度从平均51.29μg/m³递减至36.71μg/m³,季节尺度上,PM_2.5浓度冬季>春、秋季>夏季,受政策及疫情影响,2018年的秋冬季、2020年的春夏季PM_2.5浓度下降同比最快;空间上表现为皖北>皖中>皖南。10个影响因子两两交互,均比单一因子对PM_2.5浓度的影响大,其中AOD对PM_2.5的影响力最大,...     

粤港澳大湾区PM2.5本地与非本地污染来源解析

粤港澳大湾区(简称"大湾区")建设是我国新时代重大国家战略之一.虽然大湾区空气质量在我国处于领先地位,但与世界先进湾区相比还有较大差距.制定大湾区PM_2.5精细化防控策略,需要在识别大湾区各城市PM_2.5污染来源的基础上,量化PM_2.5本地和非本地贡献及时空变化规律.基于此,本研究首次在大湾区15个站点同步开展持续一年的PM_2.5采样和组分分析,并将正定矩阵因子分析模型与后向轨迹结合,建立一种定量识别PM_2.5本地与非本地贡献的新方法.通过对大湾区不同季节所属空气域进行划分,厘清大湾区各城市PM_2.5本地与非本地贡献的动态化特征.结果发现,在2015年,大湾区15个站点共解析出9种PM_2.5污染源,分别为机动车、重油、老化海盐、扬尘源、二次硫酸盐、二次硝酸盐、金属冶炼、生物质燃烧和新鲜海盐.其中,二次硫酸盐和机动车是大湾区最主要的两个PM_2.5污染源.不同站点非本地贡献占比为51%～72%,表明外来传输是大湾区P...     

基于GTWR-XGBoost模型的四川省PM2.5小时浓度估算

卫星气溶胶光学厚度(AOD)和气象数据已被广泛用于估算空气动力学直径≤2.5μm的地表颗粒物(PM_2.5)浓度.研究高时间分辨率、高精度的PM_2.5浓度估算方法,对及时准确的空气质量预报和大气污染的预防及缓解具有重要意义.使用Himawari-8 AOD小时产品和ERA5气象再分析资料作为估算变量,提出GTWR-XGBoost组合模型,对四川省PM_2.5小时浓度进行估算.结果表明：(1)提出的组合模型运用于全数据集的性能优于KNN、 RF、 AdaBoost、 GTWR、 GTWR-KNN、 GTWR-RF和GTWR-AdaBoost模型,拟合精度指标R²、 MAE和RMSE分别为0.96、 3.43μg·m^-3和5.52μg·m^-3,验证精度指标R²、 MAE和RMSE分别为0.9、 4.98μg·m^-3和7.92μg·m^-3.(2)该模型作用于PM_2.5浓度小时估算...     

基于随机森林模型的武汉市城区大气PM2.5来源解析

基于2019年12月～2020年11月期间武汉市城区大气PM_2.5及其主要化学组分（碳质组分、水溶性离子和元素组分）的在线监测数据,分析武汉城区大气PM_2.5的污染特征,并利用主成分分析方法和随机森林模型,对PM_2.5进行来源解析．结果表明,武汉市大气ρ(PM_2.5)冬季最高,为（61.33±35.32）μg·m^-3,而夏季最低,为（17.87±10.06）μg·m^-3．其中碳质组分以有机碳为主,年均值为（7.27±3.51）μg·m^-3,离子组分中ρ（NO₃^-）、ρ(SO₄^2-)和ρ（NH₄⁺）最高,年均值分别为（11.55±3.86）、（7.55±1.53）和（7.34±1.99）μg·m^-3,元素组分中ρ（K）、ρ（Fe）和ρ（Ca）最高,年均值分别为（752.80±183.9...     

基于遥感数据估算近地面PM2.5浓度的研究进展

卫星反演的气溶胶光学厚度(AOD)具有广泛的空间覆盖度和相对较高的时空分辨率. 基于AOD与PM_2.5的相关关系来估算PM_2.5浓度已成为监测近地面PM_2.5的有效途径,其估算结果较可靠,能够为治理PM_2.5污染提供数据基础和科学依据. 从反演AOD数据集和PM_2.5浓度估算模型2个方面进行梳理归纳,从卫星轨道运行类型角度分析各类传感器的产品特征,并对缺失AOD的插补方法进行分类评价;对PM_2.5浓度的估算模型进行比较分析,指出不同模型的优缺点和适应性. 结果表明:①各类卫星传感器均具有特定功能及优缺点,其中地球同步轨道(GEO)卫星的快速发展,使其在估算PM_2.5浓度的应用上越来越广泛. ②插补后的AOD比AOD初始产品具有更连续的时空分布和更高的准确性,基于模型的多变量估算不仅可以实现数据的全面覆盖,还可以获得更好的估算精度. ③组合模型成为估算PM_2.5浓度的重要方法,机器学习模型的加入能够有效提高PM_2.5浓度的估算精度. 研究显示,利用AOD估算近地面PM_2.5浓度不仅弥补了地面PM_2.5监测的空间不连续性,更有助于解析PM_2.5浓度的时空分布特征及污染来源.      

基于AOD数据和GWR模型估算京津冀地区PM2.5浓度

利用MODIS气溶胶光学厚度（AOD）数据针对不同土地覆盖类型的适用性,提出了一种基于土地覆盖类型的AOD融合方法,生成了一种新的3km AOD数据集.在此基础上,通过地理加权回归（GWR）模型估算了京津冀地区2016年PM_2.5浓度,并用交叉验证的方法对模型性能进行评价.结果表明：利用融合后的AOD数据建立的模型可解释PM_2.594.85%的浓度变化,交叉验证R²为0.94,RMSE为9.27μg/m³,MPE为6.72μg/m³,明显优于多元线性回归（MLR）模型;基于GWR模型估算的京津冀地区2016年年均PM_2.5浓度为58.57μg/m³,其中冬季PM_2.5浓度最高,春秋季次之,夏季浓度最低,PM_2.5月均浓度变化范围32.78~140.83μg/m³,8月份浓度最低,12月份浓度最高;空间分布南北差异显著,衡水市PM_2.5污染最为严重,张家口市PM_2.5浓度较低.利用此方法成功弥补了PM_2.5空间缺失,为城市尺度的健康效应和环境流行病学研究提供数据支持.     

基于AOD数据与GWR模型的2016年新疆地区PM2.5和PM10时空分布特征

PM_2.5与PM₁₀的时空分布特征及其相关性是大气颗粒物研究的主要内容,传统方法是基于监测站点数据进行分析,难以揭示PM_2.5与PM₁₀时空分布的区域特征.为此,本文利用地理加权回归模型估算了2016年新疆地区PM_2.5与PM₁₀的月均浓度,在此基础上对区域尺度的PM_2.5与PM₁₀浓度特征进行分析.结果表明：地理加权回归相较最小二乘回归的拟合精度更高,PM_2.5和PM₁₀的决定系数分别为0.93和0.96,且误差较小;PM_2.5和PM₁₀年均浓度分别为70.88 μg·m^-3和194.53 μg·m^-3,说明大气颗粒物污染严重,且空间分布呈西南高、东北低的特征;PM_2.5和PM₁₀季节浓度均为春季最高,夏季最低;PM_2.5月均浓度2月最高,9月最低,PM₁₀月均浓度3月最高,8月最低;PM_2.5与PM₁₀年均浓度的相关系数r为0.95,相关性较高;PM_2.5/PM₁₀冬季最高为51%,其余季节小于50%,说明冬季PM_2.5对大气颗粒物污染贡献率较高,其余季节则以可吸入颗粒物中的粗颗粒贡献为主.     

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     

基于时空混合效应模型的京津冀PM2.5浓度变化模拟

为揭示京津冀地区高精度PM_2.5的时空分布特征,以空间分辨率为1 km的MAIAC AOD数据为主要预测因子,以气象数据、植被指数、夜间灯光数、人口密度和海拔数据作为辅助因子,构建了一种新的时空混合效应模型（STLME）,在拟合最优次区域划分方案基础上对京津冀地区PM_2.5浓度进行预测分析.结果表明,基于STLME模型的ρ(PM_2.5)预测精度高于传统的线性混合效应模型（LME）,其十折交叉验证（CV）R²为0.91,明显高于LME模型的0.87,说明STLME模型在同时校正PM_2.5-AOD关系的时空异质性方面具有优势.最优次区域划分方案识别出PM_2.5-AOD关系的空间差异,并结合缓冲区平滑方法,提高了STLME模型预测精度.京津冀PM_2.5浓度时空变化差异显著,高值区主要分布在以石家庄、邢台和邯郸为中心的河北南部,低值区则位于燕山-太行山区;冬季PM_2.5污染最严重,其次是秋季和春季,夏季污染最轻.STLM...     

京津冀地区高分辨率PM2.5浓度时空变化模拟与分析

为了全覆盖、高分辨率和高精度识别京津冀地区大气PM_2.5质量浓度时空变化,选取多角度大气校正算法遥感反演的1km AOD为主要预测因子,多种气象要素和土地利用要素为辅助预测因子,构建了混合效应模型+地理加权回归模型的两阶段统计模型,并针对京津冀地区PM_2.5污染较严重的特点,模型中引入了AOD²等独特预测因子.通过上述两阶段模型定量预测了研究区2017年1 km²空间分辨率的每日PM_2.5质量浓度.结果表明,模型交叉验证的决定系数R²为0.94,斜率为0.95,均方根预测误差为13.14 μg·m^-3,在前人基础上预测精度进一步提升,可用于PM_2.5浓度时空变化预测与分析.2017年,京津冀地区PM_2.5浓度年均值为44.96 μg·m^-3,年均值范围在0~89.89 μg·m^-3之间.PM_2.5浓度时空变化差异性明显,整体上呈现"平原西南部浓度高、平原东北部浓度中等和山区高原浓度低"的空间分布格局以及"冬季浓度高、夏季浓度低和春秋过渡"的季节变化特点.模型预测结果的高时空分辨率可以支持流行病学研究在较小区域的暴露评估和识别小尺度污染源的时空变化,分析发现在大气污染防治行动计划实施以来,污染较严重的冀中南山麓平原区可能出现了重要污染源的空间变化.模型预测与分析结果可以为京津冀大气污染防治提供科学支撑.     

基于iLME+Geoi-RF模型的四川省PM2.5浓度估算

高分辨率PM2.5空间分布数据对动态监测和控制PM2.5污染具有重要意义.选取Himawari-8气溶胶光学厚度(AOD)、ERA5气象再分析资料、DEM、土地利用数据、夜光遥感数据、增强型植被指数和人口数据等作为估算变量,使用改进的重采样法进行数据匹配,并提出改进的线性混合模型(iLME)结合地理智能随机森林(Geoi-RF)构建组合模型估算PM2.5浓度.结果表明:①在选取的估算变量中,气溶胶光学厚度、气压、温度、相对湿度和边界层高度是影响2016年四川省PM2.5浓度的重要因素,其相关系数分别为0.65、0.58、0.55、0.54和0.35.②iLME+Geoi-RF模型精度相较其他模型有较大提升,模型拟合Rl2、RMSR 和 MAE 分别为0.98、3.25 μg·m-3和 1.98 μg·m-3,交叉验证 R2、RMSR 和 MAE 分别为0.89、7.95 μg·m-3和4.81μg·m-3.该模型可获取更高精度的四川省PM2.5时空分布特征,为区域空气质量评估、人体暴露风险评价和环境污染治理提供更加合理地科学参考.③2016年四川省PM2.5浓度存在显著的季节性差异,各季节PM2.5浓度大小关系为:冬季＞秋季＞春季＞夏季.2016年四川省月均PM2.5浓度总体上呈先降后升的"V"型趋势,最小值在6月,最大值在12月,8月和11月有微小起伏.在空间分布上四川省PM2.5浓度总体上呈东高西低和局部污染程度较高的特点,高值区主要分布在城市快速发展和人口密集的东部地区,低值区主要分布在经济发展落后和人口稀疏的西部地区.④虽然不同模型估算出的PM2.5浓度整体分布基本一致,但iLME+Geoi-RF模型能更准确有效地估算本研究区污染的空间分布.     

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）.     

基于混合效应模型的京津冀地区PM2.5日浓度估算

利用2016年182d的MODIS 3km AOD数据与地面监测数据,评估了混合效应模型不同参数组合的模拟性能,得出模型在解释AOD-PM_2.5关系时,对时间序列变异的解释能力要比空间差异更佳.在此基础上,利用混合效应模型建立京津冀地区每日的AOD-PM_2.5关系,模型拟合R²为0.92,交叉验证调整R²为0.85,均方根误差（RMSE）为12.30 μg/m³,平均绝对误差（MAE）为9.73 μg/m³,说明模型拟合精度较高.基于此模型估算的2016年京津冀地区年均PM_2.5浓度为42.98 μg/m³,暖季（4月1日~10月31日）为43.35 μg/m³,冷季（11月1日~3月31日）为38.52 μg/m³,与同时期的地面监测数据差值分别为0.59,0.7,5.29 μg/m³.空间上,京津冀地区的PM_2.5浓度呈现南高北低的特征,有一条明显的西南-东北走向的高值区.研究结果表明,基于每日混合效应模型可以准确评估京津冀地区的地面PM_2.5浓度,且模型估算的PM_2.5浓度分布状况为区域大气污染防治提供了基础的数据支撑.     

基于WRF模型与气溶胶光学厚度的PM2.5近地面浓度卫星反演

为了反演高分辨率的PM_2.5近地面浓度,利用WRF(中尺度气象模型)模拟的大气相对湿度、风速、边界层高度等气象因子对AOD(气溶胶光学厚度)分别进行订正,以逐步提高AOD与近地面ρ(PM_2.5)间的相关性;分析不同反演模型的统计学特征,优选反演模型,并利用最优模型反演中国中东部地区2014年年均ρ(PM_2.5)的空间分布特征.结果表明:AOD经相对湿度订正后,其与近地面ρ(PM_2.5)的相关性显著提高,相关系数达到0.77;同时引入相对湿度、风速2个气象因子,AOD与近地面ρ(PM_2.5)的相关系数升至0.79(n=145,P<0.01);同时引入相对湿度、风速和边界层高度3个气象因子,AOD与近地面ρ(PM_2.5)的相关系数进一步升至0.80(n=145,P<0.01).模型反演表明,研究区域内ρ(PM_2.5)年均值大于35 μg/m3的面积高达334.49×104 km2,占研究区域面积的83.2%,并且高污染地区与人口密度高度重合.分析表明,北京、天津、河北、山东及河南等典型重污染省、直辖市分别有96.30%、100%、78.16%、98.86%、100%面积的ρ(PM_2.5)超标,分别约有99.97%、100%、96.41%、98.88%、100%人口生活在空气质量超标地区.      

基于MRMR-HK-SVM模型的PM2.5浓度预测

以赣州市2017年全年的空气质量和气象数据为研究对象,通过最大相关最小冗余算法（MRMR）提取出最优的特征子集,并将其作为预测模型的输入数据,同时构造混合核函数（HK）对传统的支持向量机模型（SVM）进行改进,最终建立MRMR-HK-SVM模型.实验结果表明,MRMR-HK-SVM模型有着更低的平均绝对误差（MAE）、平均绝对百分比误差（MAPE）和均方根误差（RMSE）,相较于传统SVM模型,预测结果平均绝对误差下降了26.9%,且能更加准确的追踪到PM_2.5浓度的突变时刻.可见,MRMR-HK-SVM模型具有更好的泛化能力,能够更加精确地预测PM_2.5浓度.     

基于LUR模型的2019年北京地区PM2.5与PM10浓度空间分异模拟

在城市区域内,空气污染物的浓度在小范围内存在显著差异,而离散的地面监测点分布不均匀,且监测范围有限,无法满足污染物暴露评估等研究的需求.本研究基于GIS空间分析和多元逐步回归的模型构建的方法,建立了土地利用回归（LUR）模型,并模拟了北京市2019年PM_2.5和PM₁₀浓度的空间分布特征.选择土地覆盖数据、气象数据（风速、降水、温度）和植被覆盖度数据等预测变量,以研究区34个监测站点为中心建立0.1~5 km共7个系列缓冲区,表征不同尺度下各变量对PM_2.5和PM₁₀浓度的影响.研究结果表明：①进入PM_2.5回归模型中的变量有：年均风速、温度、降水量和周围中等植被覆盖、耕地和不透水面的面积;进入PM₁₀回归模型中的变量有：年均风速和周围中等植被覆盖的面积.两个模型的调整R²分别为0.829和0.677,模型精度较高.②抑制污染物浓度的变量,影响力随着空间范围扩大而增强;使污染物浓度增加的变量,影响力随着空间范围缩小而增强.③浓度模拟结果显示,PM_2.5和PM₁₀在西北部山区浓度较低,南偏东的城区浓度较高,并且向南有逐渐增加趋势.4植被覆盖度这一变量不仅进入了上述两个方程,且影响力都强于其他土地利用类型,故以后的模型改进应该考虑植被覆盖度这一因素.     

长三角地区PM2.5浓度对土地利用/覆盖转换的空间异质性响应

长三角地区PM_2.5污染受区域空间效应的影响,其可持续治理方向仍不清晰.结合随机森林、空间计量模型和多尺度地理加权回归模型（MGWR）,探讨PM_2.5浓度对土地利用/覆盖转换的多尺度空间响应过程.结果表明：（1） 2000～2018年长三角地区PM_2.5浓度呈现出4类空间连续聚集的时空变化模式,区域性同步变化强烈;（2）土地转换对PM_2.5浓度的相对影响表现复杂,耕地与林地的源-汇效应显著.邻域分析表示周围聚集性土地利用/覆盖转换普遍比单一像元时作用更显著,空间效应明显;（3） PM_2.5浓度变化与林地、草地转换类型大多呈显著负相关,与耕地、建设用地和水体之间的转换类型呈显著正相关.随机森林模型重要性排序及相关系数强度表明：耕地-耕地（29.65%及0.650）、林地-林地（26.98%及0.726）、建设用地-耕地（22.57%及0.519）、耕地-林地（17.84%及0.602）和耕地-建设用地（16.34%及0.424）之间转换对PM_2.5浓度变化贡...     

基于MGWR模型的中国城市PM2.5影响因素空间异质性

基于全国297个地级市2018年PM_2.5浓度数据、自然与社会经济数据,采用多尺度地理加权回归（MGWR）模型分析了各影响因素对PM_2.5浓度的作用尺度与影响效果的空间异质性.结果表明,MGWR模型适用于中国地级市PM_2.5浓度影响因素研究.在作用尺度上,人均GDP、技术支持水平作用尺度最大,其次是相对湿度、居民地比重、人口密度与风速,降水量、第二产业比重、植被覆盖状况、温度与能源消费强度作用尺度最为局限.在影响效果上,相对湿度、人口密度与居民地比重全部为正向作用;第二产业比重和能源消费强度主要为正向作用,分别占总样本的70.71%与64.98%;风速、温度既存在正向作用也存在负向作用,空间上呈两极分化,其中正向作用分别占总样本的49.83%与57.91%;降水量、植被覆盖状况主要为负向作用,分别占总样本的91.58%与69.70%;人均GDP、技术支持水平全部为负向作用.研究结果表明各因素对于中国城市PM_2.5浓度的影响均存在着不同程度的空间异质性.     

基于LUR模型的中国PM2.5时空变化分析

土地利用回归(LUR)模型是模拟大气污染物浓度时空分异最主要、最体系化的方法之一,为了探索LUR模型在中国国家尺度空气污染物模拟的适应性,挖掘中国2015年空气细颗粒物(PM_(2.5))的时空变化特征及其与不同地理要素相关关系,以2015年国家控制监测站点PM_(2.5)数据为因变量,土地利用类型、地形地貌、人口、道路交通与气象要素等影响因素为自变量,构建基于地理加权的LUR模型,通过模型回归制图得到2015年全国月均与年均PM_(2.5)浓度分布图,以胡焕庸线为参考线分析中国2015年PM_(2.5)浓度的时空变化特征.结果表明,引入地理加权算法的LUR模型残差Moran'sⅠ显著降低,残差空间自相关性明显减弱,判别系数R2明显提高,更好地揭示出PM_(2.5)空间分布和各影响因子间的复杂关系;耕地、林地、草地和城镇居民工矿用地以及气象要素、主干道路对PM_(2.5)浓度的影响比较显著.不同地理要素的不同空间分布对PM_(2.5)影响作用不同;胡焕庸线两侧PM_(2.5)表现出明显的时空差异,人口规模大、工业化水平高的发达城市PM_(2.5)浓度较高; PM_(2.5)浓度在冬季月份较高,秋季、春季、夏季月份污染情况逐渐减弱.     

面向场景的城市PM2.5浓度空间分布精细模拟

针对传统PM_2.5浓度空间分布模拟方法忽略了城市内部如道路、工厂、居民区、景区等不同微环境整体对PM_2.5浓度影响机制的缺陷,本研究提出一种微环境PM_2.5浓度场景分异的理论假设,并以湖南长沙主城区为例,结合基于污染先验知识划分的城市微环境场景空间分布与自主设计加密观测场获取的203个监测点小时PM_2.5浓度加密数据,分析城市微环境PM_2.5浓度场景时空分异特征.在此基础上,耦合地理加权回归（GWR）与人工神经网络（ANN）方法,构建微环境场景增强下的PM_2.5浓度空间分布精细模拟GWR-ANN模型,开展城市内部高空间分辨率PM_2.5污染制图.结果表明：不同微环境场景间PM_2.5浓度存在显著时空差异,地表覆盖类型相同但分别位于2个不同场景的监测点间PM_2.5浓度差会随时间发生变化;耦合微环境场景变量的GWR-ANN模型能够有效精细模拟PM_2.5浓度的空间分布,模型拟合效果与交叉检验精度指标整体优于无场景变量参与的GWR-ANN模型（除部分时相较为接近外,检验R²：0.76~0.84vs.0.57~0.81）;场景增强下的PM_2.5浓度空间分布100m级分辨率模拟估算结果可以较好揭示研究区PM_2.5浓度高低值局地变化特征.