城市土地利用类型与PM2.5浓度相关性研究——以武汉市为例

随着我国工业化的不断发展,在我国的主要经济发展地区的雾霾天气不断爆发,使我国的大气环境日益恶化,严重影响了人们的日常生活和身体健康。PM2.5作为雾霾的重要组成成分,也日渐成为环境领域的研究热点问题。随着全球性变化研究领域逐渐加强了对土地利用与生态环境的相关研究,因此无论从法律和社会经济发展的角度,还是从生态资源保护与环境可持续发展的角度,土地利用与PM2.5的相关研究都显得相当重要。研究目的:分析武汉市各类用地类型与PM2.5浓度的相关性程度。研究方法:使用ENVI与ArcGIS对武汉市2013年MODIS气溶胶产品进行空间分析与插值处理,再应用SPSS将其与武汉市2013年10个观测点的PM2.5浓度数据作相关性分析,以证实MODIS气溶胶厚度与PM2.5浓度的相关性,并建立两者的线性回归方程,然后利用计算后的武汉市整体PM2.5浓度分布与各土地利用类型进行相关性研究。研究结果:武汉市PM2.5浓度有明显的空间分布特征,绿化面积比例与PM2.5浓度呈显著负相关,建设用地面积比例与PM2.5浓度呈显著正相关,未利用地面积比例虽然与PM2.5浓度呈正相关,但相关性较低,而耕地与水体对PM2.5浓度没有显著影响。研究结论:土地利用类型对武汉市PM2.5浓度的分布有显著的影响,其与搭载MODIS传感器的遥感卫星监测方式的结合能成为研究大范围特定区域PM2.5浓度空间格局的新方法,并且增加城市绿化面积,控制建设用地规模能有效减少PM2.5浓度。     

基于多源遥感数据的中国PM2.5变化趋势与影响因素分析

基于长时间序列的遥感反演PM_(2.5)数据,采用Theil-Sen median趋势分析、Mann-Kendall、R/S和相关系数分析法,分析了1998～2014年我国PM_(2.5)时空格局、空间变化特征以及污染来源。结果表明:1998～2014年期间,最高只有24.67%的国土面积上,PM_(2.5)浓度达到世界卫生组织(WHO)的年平均准则值10μg/m~3的要求;PM_(2.5)浓度小于10μg/m~3地区主要是青藏高原、台湾、北疆,内蒙古北部和黑龙江西北部,年均PM_(2.5)浓度大于95μg/m~3的地区主要是南疆和华北平原。1998～2014年期间,全国61.84%的国土面积PM_(2.5)浓度呈上升趋势,平均上升了3.91μg/m~3,上升最大值为39.1μg/m~3。其中,呈显著上升的地区主要分布在中西部地区和华北平原,且未来部分地区仍呈增长的趋势。PM_(2.5)浓度上升的驱动因素包括自然因素与人类活动排放,其中,南疆的PM_(2.5)主要来自塔克拉玛干沙漠的沙尘气溶胶,而其他地区PM_(2.5)主要来自人类活动排放。     

2015年长三角地区城市PM2.5时空格局及影响因素分析

PM_2.5浓度值增加对大气能见度、人体健康和气候变化有着重要影响。采用2015年长三角地区监测数据,运用探索性空间数据分析法和相关系数法,分析长三角地区城市PM_2.5污染的时空格局和影响因素,结果表明：（1）2015年长三角地区城市PM_2.5年均浓度值为54.54 μg/m³,季节变化总体呈现春冬高夏秋低的季节性周期变化规律,1月和12月为一年中PM_2.5污染最严重的月份,污染范围最广,5~9月是PM_2.5浓度值优良时段,日均值春季和冬季的波动周期较短而剧烈,夏季和秋季波动周期相对较长而平缓。（2）2015年长三角地区城市PM_2.5年均浓度值整体上从江苏到浙江呈减少趋势,具有北高南低,局部突出的特征。（3）长三角地区城市PM_2.5浓度空间上存在集聚现象,低值集聚主要分布在浙江沿海地区,高值集聚主要分布在苏南地区。（4）燃烧排放的烟尘和前体物的二次转化对长三角地区PM_2.5浓度有显著影响。风速和降水量是影响PM_2.5浓度的两个重要气象因素。     

中国城市环境规制对PM2.5污染的影响效应

基于2005～2015年中国城市环境规制与PM2.5污染的面板数据,利用面板灰色关联、空间计量和中介效应模型探究环境规制对PM2.5污染的时空关联影响、直接效应及作用机制.研究发现:(1)环境规制与PM2.5污染具有显著为负的时空关联性,其时序关联强度均值为负,呈"W"型波动变化,且空间关联强度负值城市占比较高.(2)环境规制对PM2.5污染起到明显的抑制作用,而邻近城市环境规制的溢出效应并未发挥促降本地PM2.5污染的积极作用.(3)环境规制促降PM2.5污染的重要中介变量分别是工业生态效率和技术水平,环境规制通过提升工业生态效率降低PM2.5污染的间接效应占比达55.69％,而通过提高技术水平降低PM2.5污染的间接效应占比为4.85％.(4)环境规制对PM2.5污染的影响呈现空间异质性,其并不能有效降低东部、中部和东北地区城市的PM2.5污染,而对西部城市PM2.5污染起到明显的改善作用.     

1998～2016年长江经济带PM2.5时空演化的多尺度分析

基于全球大气PM_(2.5)年均浓度栅格数据集,采用重力模型、变异系数和探索性空间数据分析等方法,从区域、省域、市域、县域和栅格等多个尺度,对长江经济带PM_(2.5)时空演化特征进行系统分析。结果发现:(1)1998～2016年,长江经济带PM_(2.5)年均浓度均高于全国平均水平,且大体呈"倒U型"变化趋势,2005年是长江经济带PM_(2.5)年均浓度变化的重要拐点;(2)长江经济带PM_(2.5)的时空演化表现出显著的空间尺度效应,在不同空间尺度上,PM_(2.5)年均浓度的空间分异特征具有明显差别,但其空间差异均呈扩大态势;(3)长江经济带PM_(2.5)年均浓度存在显著的空间正相关性,且主要表现为高值集聚特征。     

基于LUR模型探究城市景观格局对PM2.5浓度的影响——以长株潭城市群为例

随着城市化进程的加快,空气污染问题已成为中国最主要城市问题之一,严重影响公众健康。当前微观尺度下空气监测点周围景观格局对PM25浓度影响的研究较少,以长株潭城市群为例,选取地形、污染源、人口、道路交通、土地利用与城市景观格局6大类预测变量,其中城市景观格局选取边缘密度、连续度、形状指数、斑块平均面积、蔓延度、均匀度指数7个景观指数,运用逐步线性回归模型,探究城市景观格局对PM25浓度的影响。研究结果显示：（1）所选取的土地景观格局指数可以解释研究区PM25浓度的732%的变异,模型拟合较好;（2）影响PM25浓度的土地利用类型包括建设用地、林地、草地与水体。微观尺度下城市各类型景观格局中连续度和形状指数对PM25影响显著,建设用地连续度越高,分布越集聚,PM25浓度越高;水体形状指数越小,形状越简单规则,越易降低PM25浓度;（3）城市整体景观格局中,景观聚集程度与景观多样性等因素对PM25浓度产生重要影响。减少景观内各类型斑块的离散分布,使各景观类型均匀分布于整体景观内,有助于降低PM25浓度。研究结果可为未来大气防治与城市规划提供参考依据。〖HJ1〗〖HJ〗〖JP+1〗     

PM_(2.5)污染对京津冀地区人群健康影响和经济影响

京津冀地区是中国工业最为发达的地区之一和空气污染最严重的地区之一,也是国家控制空气污染的重点区域。空气污染导致的健康影响不仅会增加额外健康支出,还会导致过早死亡和工作时间减少,进而影响宏观经济发展。为了评估该地区PM_(2.5)污染引起的健康问题对宏观经济的影响,以及控制空气污染后带来的经济效益和福利的影响,本研究结合可计算一般均衡模型(Computable General Equilibrium)、温室气体与大气污染物协同效益模型(The Greenhouse Gas and Air Pollution Interactions and Synergies-Model,GAINS-Model)和健康影响模型对2020年京津冀地区PM_(2.5)污染引起的健康影响和经济影响进行评估。模型结果表明,2020年Wo Pol情景下PM_(2.5)污染引起的额外健康支出分别为北京44.2亿元、天津27.5亿元、河北97.5亿元。PM_(2.5)污染引起人均每年劳动时间损失分别为北京81.3小时、天津89.6小时、河北73.1小时。而劳动力供给和劳动时间减少所造成GDP和福利损失依次为天津(GDP和福利损失分别为2.79%和8.11%),其次为北京(2.46%和5.10%)、河北(2.15%和3.44%)。如果采取积极的控制空气污染物排放政策,在2020年WPol情景下,PM_(2.5)污染引起的额外健康支出分别为北京8.8亿元、天津4.9亿元、河北2.0亿元,较Wo Pol情景下显著下降。PM_(2.5)污染引起人均劳动时间损失分别下降为北京22.0小时、天津23.2小时、河北22.4小时。空气污染物控制政策给北京、天津和河北带来的经济效益分别相当于GDP的1.75%、2.02%和1.46%。因此,本研究显示控制京津冀地区PM_(2.5)污染带来的经济效益非常可观,其中天津效益最高,其次为北京,河北最低。空气污染物的迁移扩散会影响周边省市的空气质量,因此京津冀地区联合控制空气污染效果更好。     

长江三角洲城市群PM_(2.5)时空演变及影响因素

科学识别PM_(2.5)的空间分异及其驱动因素,是实现区域空气污染治理的关键。以国测点日均PM_(2.5)浓度为数据来源,基于多种空间分析方法,研究长江三角洲城市群PM_(2.5)浓度的时空演变及影响因素。结果发现:(1)2013～2017年,长江三角洲城市群的PM_(2.5)年平均浓度,处于不断下降的趋势;城市间的差异,呈现逐渐减少的趋势。(2)一年中,12月份的PM_(2.5)浓度最高,8月份的PM_(2.5)浓度最低。1～12月,PM_(2.5)浓度先减后增。(3)2013年,PM_(2.5)高浓度区域主要分布在江苏省;2017年,PM_(2.5)高浓度区域主要分布在安徽省。5年间,PM_(2.5)浓度的空间重心,向安徽省转移72 km。(4)长江三角洲城市群PM_(2.5)浓度存在明显的空间自相关。存在PM_(2.5)浓度高-高值区、低-低值区"扎堆"现象,且集聚程度趋于增大。(5)影响PM_(2.5)浓度的因素包括了自然因素和社会因素。自然因素中,降雨与PM_(2.5)浓度显著相关。社会因素主要来自工业排放、交通排放和能源消耗。其中,能源消耗的影响程度最大,工业排放次之,交通排放最后。     

Levels and major sources of PM2.5 and PM10 in Bangkok Metropolitan Region

This research was the first long-term attempt to concurrently measure and identify major sources of both PM(10) and PM(2.5) in Bangkok Metropolitan Region (BMR). Ambient PM(10) and PM(2.5) were evaluated at four monitoring stations and analyzed for elemental compositions, water-soluble ions, and total carbon during February 2002-January 2003. Fifteen chemical elements, four water-soluble ions, and total carbon were analyzed to assist major source identification by a receptor model approach, known as chemical mass balance. PM(10) and PM(2.5) were significantly different (p<0.05) at all sites and 24 h averages were high at traffic location while two separated residential sites were similar. Seasonal difference of PM(10) and PM(2.5) concentrations was distinct between dry and wet seasons. Major source of PM(10) at the traffic site indicated that automobile emissions and biomass burning-related sources contributed approximately 33% each. Automobiles contributed approximately 39 and 22% of PM(10) mass at two residential sites while biomass burning contributed about 36 and 28%. PM(10) from re-suspended soil and cooking sources accounted for 10 to 15% at a residential site. Major sources of PM(2.5) at traffic site were automobile and biomass burning, contributing approximately 32 and 26%, respectively. Biomass burning was the major source of PM(2.5) mass concentrations at residential sites. Meat cooking also accounted for 31% of PM(2.5) mass at a low impact site. Automobile, biomass burning, and road dust were less significant, contributed 10, 6, and 5%, respectively. Major sources identification at some location had difficulty to achieve performance criteria due to limited source profiles. Improved in characterize other sources profiles will help local authority to better air quality.     

长江中游城市群PM2.5时空特征及影响因素研究

近年来,伴随着工业化和城市化进程的加快,长江中游城市群灰霾天气持续增多,空气污染问题日益突出。基于2015年1月至2016年2月长江中游城市群189个空气质量监测站点的PM2.5逐时监测数据,采用普通克里金插值、探索性空间数据分析法和相关系数法,从年、季、月尺度上分析了PM2.5的空间分布格局及其影响因素。结果表明：（1）在年尺度上,长江中游城市群PM2.5浓度空间分布总体呈现出明显的北部高南部低,局部地区略有突出的特征,该区PM2.5浓度年均值为55.28 μg/m3,其中湖北省PM2.5的年均值为三省市最高,为68.17 μg/m3;其次为湖南省,年均值为53.66 μg/m3;江西省PM2.5的年均值较小,为44.01 μg/m3。（2）在季节尺度上,长江中游城市群PM2.5浓度表现出冬春季高,夏秋季低的现势性,这与区域内夏季高温多雨、冬季低温少雨的气候条件密切相关。（3）长江中游城市群PM2.5月浓度变化大致呈U形分布,1月份PM2.5浓度最高, 1~6月份,PM2.5浓度呈逐步下降趋势, 6~8月份,区域PM2.5浓度处于“U”字的谷底。（4）NO2、CO是影响PM2.5浓度的两项主控大气污染物,而降水量和相对湿度则是影响PM2.5浓度的两个重要气象因素。 关键词： PM2.5浓度;时空特征;气象因素;长江中游城市群     

Status and characteristics of ambient PM2.5 pollution in global megacities

Ambient PM_2.5 pollution is a substantial threat to public health in global megacities. This paper reviews the PM_2.5 pollution of 45 global megacities in 2013, based on mass concentration from official monitoring networks and composition data reported in the literature. The results showed that the five most polluted megacities were Delhi, Cairo, Xi'an, Tianjin and Chengdu, all of which had an annual average concentration of PM_2.5 greater than 89 μg/m³. The five cleanest megacities were Miami, Toronto, New York, Madrid and Philadelphia, the annual averages of which were less than 10 μg/m³. Spatial distribution indicated that the highly polluted megacities are concentrated in east-central China and the Indo-Gangetic Plain. Organic matter and SNA (sum of sulfate, nitrate and ammonium) contributed 30% and 36%, respectively, of the average PM_2.5 mass for all megacities. Notable seasonal variation of PM_2.5 polluted days was observed, especially for the polluted megacities of China and India, resulting in frequent heavy pollution episodes occurring during more polluted seasons such as winter. Marked differences in PM_2.5 pollution between developing and developed megacities require more effort on local emissions reduction as well as global cooperation to address the PM_2.5 pollution of those megacities mainly in Asia.     

安徽省冬季PM2.5污染来源及其成因分析

随着中国城市化和工业化的加速发展,大气污染的问题日益突出,严重危害公众身体健康。基于安徽省逐小时PM2.5浓度监测数据,采用后向轨迹模式、潜在源因子分析法（PSCF）和权重浓度分析法（CWT）,构建PM2.5来源分析模型,分析了安徽省PM2.5的来源,并结合地理探测器辨析了影响PM2.5本底贡献浓度的驱动因子。结果表明：（1）本底贡献、本底外溢和外地输送这3个动态过程对安徽省PM2.5浓度的时空变化有重要的影响;（2）PM2.5月累计逐小时测量浓度、总浓度、外地输送浓度、本底贡献浓度、本底外溢浓度和月均PM2.5本底排放贡献率,均在整体呈现出西南高、东北低的分布趋势,但前3项在安徽西北部的阜阳、亳州和淮北等地出现高值区;（3）安徽省约97.5%的面积外地输送贡献率>50%,下辖市PM2.5本底排放贡献率在30%~50%,说明1月污染以外地输送为主;（4）工厂密度、车辆保有量密度和人口密度对PM2.5月累计本底贡献浓度的解释力q值分别为0.33、0.47和0.61,通过与PM2.5月累计测量浓度地理探测分析结果的比较,表明人为要素与PM2.5月累计本底贡献浓度的关系更加密切。研究结果可为区域大气污染治理提供科学的参考依据。     

Primary and secondary components of PM2.5 in Milan (Italy)

In sampling campaigns--carried out by means of a high-volume gravimetric sampler--performed between August 2002 and December 2003, 24-h PM2.5 samples have been collected at an urban background site in downtown Milan and analyzed for elemental and organic carbon, ionic species (i.e., chloride, nitrates, sulfates and ammonium) and some elemental species. Chemical speciation data are evaluated also in terms of primary and secondary components of fine particulate matter: in particular, the contribution of secondary organic aerosols (SOA) and of the primary contribution from traffic to observed PM2.5 concentration levels are evaluated by means of the EC tracer method.