环境科学学报  2018, Vol. 38 Issue (3): 1080-1089
引用本文
张海霞, 程先富, 陈冉慧. 2018. 安徽省PM2.5时空分布特征及关键影响因素识别研究[J]. 环境科学学报, 38(3): 1080-1089.
Zhang H X, Cheng X F, Chen R H. 2018. Analysis on the spatial-temporal distribution characteristics and key influencing factors of PM2.5 in Anhui Province[J]. Acta Scientiae Circumstantiae, 38(3): 1080-1089.
安徽省PM2.5时空分布特征及关键影响因素识别研究    [PDF全文]
张海霞1,2 , 程先富1,2 , 陈冉慧1,2     
1. 安徽师范大学地理与旅游学院, 芜湖 241002;
2. 安徽自然灾害过程-防控研究省级实验室, 芜湖 241002
收稿日期: 2017-08-20; 修回日期: 2017-11-15; 录用日期: 2017-12-07
基金项目: 国家自然科学基金项目（No.41271516）；安徽师范大学研究生科研创新项目（No.2017cxsj059）
作者简介: 张海霞(1993-), 女, E-mail:zhxdlkx2011@126.com
通讯作者（责任作者）: 程先富, E-mail:xianfucheng@sina.com
摘要: 基于2015年安徽省67个空气质量监测子站的PM2.5浓度数据，分析PM2.5的时空分布特征；运用BP神经网络改进DEMATEL模型，探讨影响PM2.5浓度的关键因素及因子间的关联性.结果表明：①2015年安徽省PM2.5平均浓度为52.03 μg·m-3，总体呈现秋冬高、春夏低的季节性规律；PM2.5浓度日变化总体呈双峰分布，冬季PM2.5浓度昼夜变化剧烈，全年、春季和秋季变化趋势大致相同，夏季相对平缓；②安徽省PM2.5浓度整体上由东向西、由中部向南北两侧呈递减趋势，浓度值由高到低依次为：江淮丘陵、长江中下游平原、淮北平原和皖南山区；③指标体系中，人口城镇化率、年平均气温、单位GDP电耗、工业废气治理设施数等4个指标因子属于强驱动因素，对PM2.5浓度降低起着根本性推动作用；④年降水总量、房屋施工面积、O3浓度等3个指标因子属于强特征因素，是降低PM2.5浓度最直接的因素.结论表明，运用BP-DEMATEL模型能有效识别关键影响因素，有助于为PM2.5综合治理提供参考.
关键词: PM2.5     BP神经网络     DEMATEL模型     驱动因素     特征因素    
Analysis on the spatial-temporal distribution characteristics and key influencing factors of PM2.5 in Anhui Province
ZHANG Haixia1,2, CHENG Xianfu1,2 , CHEN Ranhui1,2    
1. College of Geography and Tourism, Anhui Normal University, Wuhu 241002;
2. Anhui Key Laboratory of Natural Disaster Process and Prevention, Wuhu 241002
Received 20 August 2017; received in revised from 15 November 2017; accepted 7 December 2017
Supported by the National Natural Science Foundation of China(No. 41271516) and the Anhui Normal University Graduate Student Research and Innovation Project(No. 2017cxsj059)
Biography: ZHANG Haixia (1993—), female, E-mail: zhxdlkx2011@126.com
*Corresponding author: CHENG Xianfu, E-mail: xianfucheng@sina.com
Abstract: Based on the monitoring data of PM2.5 from 67 air quality monitoring sub-stations in Anhui Province in 2015, the spatial-temporal distribution characteristics of PM2.5 were discussed. The traditional decision-making trial and evaluation laboratory (DEMATEL) model was improved by back propagation (BP) neural network, and then BP-DEMATEL model was applied to investigating the key influencing factors of PM2.5 concentration and the association among factors. The results showed that:① The annual average concentration of PM2.5 in Anhui is 52.03 μg·m-3 in 2015. PM2.5 concentration goes with the seasonal characteristic, which level is high in autumn & winter and low in spring & summer in general. The daily variation of PM2.5 concentration has bimodal curves in cities of Anhui. The diurnal variation of PM2.5 is severe in winter, while it relatively remains stable in summer. The trend is similar among the whole year, spring and autumn. ② The concentration of PM2.5 in Anhui takes a generally decreasing trend from east to west, from the middle to both sides. The annual average concentration of PM2.5 range from high to low in order of the Jianghuai Hill, the middle-lower Yangtze River Plain, the Huaibei Plain and the mountainous areas in southern Anhui. ③ In the index system, the population urbanization rate, annual average temperature, unit GDP power consumption, and numbers of treatment facilities for industrial waste gas play a fundamental role in reducing PM2.5 concentration. ④ The annual precipitation, building construction area and O3 concentration belong to strong characteristic factors, which could most directly reduce the concentration of PM2.5. The BP-DEMATEL model will be helpful for the comprehensive management of PM2.5.
Key words: PM2.5     BP neural network     DEMATEL model     driving factors     characteristic factors    
1 引言(Introduction)

随着社会经济的迅猛发展、能源消耗持续增长, 城市空气污染程度不断加重.其中, PM2.5(空气动力学当量直径≤2.5 μm的细颗粒物)作为大气复合型污染最主要的污染物之一, 是导致近年来灰霾事件频发的根本原因(Chen et al., 2003).PM2.5浓度增加不仅降低大气能见度(吴兑等, 2012; 何镓祺等, 2016)、增加大气消光(So et al., 2015)、影响局地气候(Mikamia et al., 2006;胡森林等, 2017); 还对人体健康造成危害(Bell et al., 2007; Janssen et al., 2013), 如呼吸系统疾病发病率上升(Rumelhard et al., 2007)、暴露人群致癌风险增加(Vinikoor-Imler et al., 2011; Tomczak et al., 2013).因此, PM2.5已成为社会公众和学者关注的热点.

目前, 国内外已对PM2.5浓度的影响因素开展了大量研究, 并主要集中在自然和社会经济因素两个方面.例如, Xie等(2015)探讨了中国31省PM2.5浓度分布与SO2、NO2、CO和O3等空气污染之间的联系; Tai等(2010)采用多元线性回归(MLR)探究了1998—2008年美国PM2.5变化与温度、相对湿度、降水以及环流的关联性; 周一敏等(2017)研究认为PM2.5浓度与前一日纬向风、前一日经向风、前一日降水、边界层高度、相对湿度等存在显著相关性; Lin等(2013)运用地理加权回归分析(GWR)对2001—2010年中国人口、国内生产总值和土地利用方式等对PM2.5空间分布格局的影响进行探究, 认为人口增加、经济发展和城市扩张是影响PM2.5的三大驱动因素; 杨昆等(2016)研究认为中国PM2.5浓度与地区总人口、人均汽车保有量的平方和第二产值比例的平方成正比, 与森林覆盖率的平方成反比.一些学者还通过灰色关联法、广义可加模型(GAM)等方法研究多种要素综合对PM2.5空间分布的影响(贺祥, 2016; 贺祥, 2017).

可见, PM2.5影响因素研究已经取得了很多成果, 但这些研究往往仅考虑单指标或指标间的简单整合, 而忽略指标间的联系, 而PM2.5的产生恰恰是多要素共同作用的结果.因此, 本研究拟运用2015年安徽省空气监测数据, 基于BP-DEMATEL模型对安徽省PM2.5浓度的关键影响因素进行研究, 以期达到以下研究目标:①分析安徽省PM2.5浓度时空分布特征; ②构建符合区域特点的PM2.5影响因子指标体系, 并借助BP神经网络计算指标间的关联矩阵; ③采用DEMATEL方法对指标间的关联性进行分析, 识别安徽省PM2.5关键影响因素.

2 研究方法与数据来源(Methods and date source) 2.1 研究方法

BP-DEMATEL模型借助BP(back propagation)神经网络计算影响因素与目标因素的关联性, 替代问卷调查和专家打分法获取数据, 再通过传统决策试验与评价实验室(Decision-making Trial and Evaluation Laboratory, DEMATAL)方法分析影响因素间的相互影响程度(崔强等, 2013).运用BP-DEMATEL模型识别PM2.5浓度关键影响因素, 具体步骤如下:

(1) 选取x =(xij)m×n为影响因子矩阵, y=(yit)m×k为目标矩阵, 将归一化的影响因子矩阵x作为BP神经网络的输入层, 将归一化的目标矩阵y作为输出层.其中, m为样本数, n为影响因子数, k为目标因素数, 1≤i≤m, 1≤j≤n, 1≤t≤k.

(2) 计算输入层至隐含层、隐含层至输出层的权值矩阵(W)n×t和(w)t×k.

(3) 计算整体权值矩阵ωn×k= (W) × (w), |W|、|w|为权值矩阵的绝对值.本文取目标因素数k=1, 则权值矩阵ωn×1= [ω1, ω2, …, ωn]Τ, ωi表示影响因子i与目标因子的权值关系, 其中, 1≤i≤n.

(4) 计算影响因子间的直接关联矩阵

(1)

式中, (若ωj=0，则aij=0)表示影响因子i对影响因子j的作用程度, 其中, 1≤i≤n, 1≤j≤n.

(5) 归一化直接关联矩阵

(2)

式中, bij表示影响因子i和影响因子j之间的直接关联性.

(6) 计算综合影响矩阵

(3)

式中, (I-B)-1为(I-B)的逆矩阵, I为单位矩阵, tij表示影响因子i对影响因子j的综合影响程度.

(7) 定义影响度R为T的各列之和, 被影响度D为T的各行之和, 并计算影响因子的中心度R+D和原因度R-D.

(4)
(5)

式中, rij表示影响因子i对所有其他影响因子的综合影响程度, dij表示影响因子i受所有其他影响因子的综合影响程度.

(8) 绘制因果关系图, 以中心度R+D为横轴, 原因度R-D为纵轴, 将数组(Ri+Di, Ri-Di)在图中标示出来.横坐标代表影响因子在系统中的重要程度; 纵坐标代表原因度, 标度大于零表示对其他因子影响大, 称为原因因素, 标度小于零表示受其他因子影响大, 称为结果因素.

2.2 指标体系构建

为深入研究PM2.5浓度的直接、间接影响因素, 本文在参考相关文献的基础上(王占山等, 2015; 李名升等, 2016; 陈刚等, 2016; 贺祥等, 2016), 依据安徽区域状况, 构建包含4个维度层、11个指标层、44个指标因子的影响因素指标体系(表 1).指标选取依据如下:①空气污染指标及气象因子, 即气象条件下大气颗粒物及前体物转化为PM2.5的程度; ②经济社会水平, 即不同经济社会状况对PM2.5浓度的影响; ③污染源, 即不同污染排放源对PM2.5污染排放量的影响; ④城市化与污染治理, 即城市化结构与污染治理技术水平对PM2.5浓度的影响.

表 1 安徽省PM2.5浓度的影响因素指标体系 Table 1 Indicator system of the influence factors of PM2.5 concentration in Anhui Province
2.3 数据来源

安徽及周边省份306个空气监测站(图 1)实时观测数据来自中国环境监测总站(http://www.cnemc.cn), 包括PM2.5、PM10、SO2、NO2、O3、CO等6项监测指标; 气象指标来源于欧洲中期天气预报中心(European Centre for Medium-Range Weather Forecasts, ECMWF)ERA-interim数据集(http://apps.ecmwf.int/datasets/), 主要包括气温、经向风、纬向风、相对湿度、边界层高度、气压等6个气象数据, 格网分辨率为0.125°×0.125°, 由经向风和纬向风计算得到风向和风速两项指标, 通过栅格计算得到城市气象数据的年均值, 城市降水资料来源于安徽省气象局; 社会经济状况、PM2.5污染源以及城市化与环境治理等数据来源于2016年安徽省、市统计年鉴以及2015年安徽省国民经济和社会发展统计公报; 2015年5月至11月火点信息来源于中国环境保护部环境卫星秸秆焚烧火点核定月报.

图 1 安徽省及周边省份空气监测站点分布图 Fig. 1 Location of air monitoring stations in Anhui and its surrounding provinces
3 PM2.5时空分布特征(Spatial-temporal distribution characteristics of PM2.5) 3.1 PM2.5时间分布特征 3.1.1 PM2.5浓度月变化特征

图 2为安徽省监测站点PM2.5浓度日均值在不同月份的散布状况, 日均值由每日0:00—23:00时段内的小时监测数据求平均得到.根据气候学分类, 3—5月为春季, 6—8月为夏季, 9—11月为秋季, 12—2月为冬季.由图 2可知, PM2.5浓度总体呈现秋冬高春夏低的季节性规律, 6—9月的PM2.5浓度值中位值最低, 依次为34.32、30.85、37.87和39.81 μg·m-3, 其各月平均浓度为41.39、35.16、39.43和41.96 μg·m-3; 1月、2月与12月PM2.5浓度值中位值较高, 依次为72.17、59.48、77.51 μg·m-3, 各月的平均浓度分别为79.69、65.51、85.23 μg·m-3.图中圆圈标识表示离群值, 即与箱线图上下边界的距离为1.5至3倍四分位数间距的数值; 星号标识为极端值, 即超过3倍四分位间距的个案, 离群值和极端值均为异常值.各月PM2.5浓度日均值的分布都存在大量的异常值, 说明PM2.5浓度偏态性较强, 且总体呈现右偏态分布.

图 2 安徽省各月PM2.5浓度水平 Fig. 2 Monthly concentration of PM2.5 in Anhui Province

PM2.5季节变化规律主要受大气扩散条件和污染源污染特征等因素影响(Louie et al., 2005; Pecorari et al., 2007; 乔宝文, 2017).安徽省冬季高压控制, 冷空气下沉, 降水较少, 盛行西北风输送来北方污染物, 取暖设施的使用以及春节期间烟花爆竹的燃放, 导致污染物大量堆积且不易扩散, 故12月、1月、2月PM2.5浓度较高, 且受局部天气系统影响, 易发生雾霾事件.秋季较强的太阳辐射加剧了气态污染物的氧化, 此外, 逐渐增多的逆温现象使得PM2.5不易扩散.春季盛行风带来北方大量的气溶胶, 与冬季的PM2.5残留部分结合, 使得春季浓度相对较高, 但降水量增加可一定程度上净化空气.夏季下沉气流及东南季风带来大量水汽, 有利于污染物的稀释和湿沉降.因此, 安徽省PM2.5浓度由高到低依次为:冬季、秋季、春季和夏季.

研究表明, 收获季节秸秆焚烧会导致PM2.5浓度在短时间内剧增(靳全锋等, 2017).6月和10月分别是安徽省夏粮小麦和秋粮水稻的收获季节, 由环境卫星Terra的MODIS(过境时间为10:30左右)、Aqua的MODIS(过境时间为13:30左右)监测到6月安徽省秸秆焚烧火点20个, 10月秸秆焚烧火点5个.安徽省6月受副高压的控制, 气流下沉, 污染物难以扩散, 故6月容易形成极端大气污染事件.秋季逆温层较厚, 使得污染物不易扩散, 故10月PM2.5浓度波动较大, 存在较多异常值.长江流域冬油菜5月初收割, 故5月雾霾事件也较多, 可能由于环境卫星火点统计数据自5月20日开始, 故未发现秸秆焚烧火点.

3.1.2 PM2.5浓度日变化特征

综合考虑经济发展和城镇化发展水平, 将安徽省所有城市划分为两类, 第一类包括合肥、马鞍山、芜湖、淮南、淮北、铜陵、滁州、蚌埠等8个城市, 第二类包括安庆、宿州、黄山、宣城、亳州、阜阳、池州、六安等.图 3a、b为两类城市全年及各季节PM2.5浓度日变化曲线, 分别根据监测站点同一时段内的浓度值计算得出.

图 3 安徽省PM2.5浓度昼夜变化曲线(a.第一类城市，b.第二类城市) Fig. 3 Diurnal variation curves of PM2.5 concentration in Anhui province

由图得出, 第一类城市PM2.5浓度各时段均值高于第二类城市, 但两者整体波动趋势大致相同, 呈现双峰趋势, 且都具有白天低、晚上高的特点.两类城市的PM2.5浓度各时段均值冬季最高, 夏季最低.冬季浓度变化呈现出明显的双峰趋势, 其峰值时间略有差异, 第一类城市出现在10:00和夜晚0:00, 第二类城市峰值出现在11:00和夜晚21:00, 22:00至23:00出现短暂增长.全年、春季、秋季和夏季的变化趋势基本保持一致; 两类城市的第一个峰值均出现在上午8:00或9:00, 第二个峰值出现的时间随季节有所差别, 谷值出现在16:00或17:00.第一类城市全年峰值出现在23:00, 第二类城市峰值出现在21:00.

PM2.5浓度随人为活动习惯和大气物理化学特征的昼夜变化而呈现明显的周期变化特征(苗蕾等, 2016).安徽省PM2.5浓度时均值的双峰趋势与出行高峰相对应, 早高峰车辆排放大量的二氧化硫、氮氧化物和细颗粒物等, 随着温度的升高使得PM2.5浓度不断上升出现峰值, 但由于昼夜长短的差异, 春季和夏季的峰值出现在上午8:00, 秋季出现在9:00, 冬季为上午10:00或11:00;伴随着对流扩散能力增强, 浓度开始下降直至16:00—17:00;之后气温降低、混合层厚度减小, 晚高峰车流量增加, 厨房油烟排放量剧增, 使得PM2.5浓度再次增加, 至21:00时达到较大值; 21:30以后以柴油为燃料的大货车可进入城区, 以及夜间建筑施工工地土方挖掘、外运, 烧烤市场的繁盛, 再加上夜间边界层高度降低, 使得浓度略降之后又开始上升, 第一类城市因为城市人类活动较多, 故0:00达到峰值.PM2.5自身不易沉降的特性和逆温层的存在使得高峰过后降低缓慢, 冬季由于本身浓度较高, 夜间人类活动明显减少, 所以下降幅度较大.

3.2 PM2.5空间分布特征

克里金插值法以变异函数理论和结构分析为基础, 可在有限区域对区域变量进行无偏最优化估计(Brus et al., 2007).鉴于PM2.5浓度值离散性较强，本文借助ArcGIS地统计分析工具, 对安徽及周边省份监测站点的PM2.5年中位值、季中位值进行普通克里金插值, 通过行政边界图裁剪得到安徽省PM2.5浓度插值分布图(图 4).

图 4 2015年安徽省PM2.5浓度空间分布 Fig. 4 Annual and seasonal spatial distribution of PM2.5 in Anhui province in 2015

插值结果表明, 合肥、滁州、蚌埠3个城市的PM2.5浓度值较高, 黄山、宣城、池州的PM2.5浓度偏低.从整体上看, 安徽省PM2.5浓度均值呈现由东向西、由中部向南北两侧递减的趋势, 浓度值由高到低依次为江淮丘陵、长江中下游平原、淮北平原、皖南山区.从空间分布梯度来看, 安徽省冬季PM2.5浓度空间梯度变化较大, 夏季较小.

依据中国环境保护部《环境空气质量标准》(GB3095-2012), 将PM2.5浓度值划分为以下6个等级:优(0~35 μg·m-3), 良(35~75 μg·m-3), 轻度污染(75~115 μg·m-3), 中度污染(115~150 μg·m-3), 重度污染(150~250 μg·m-3), 严重污染(＞250 μg·m-3).按此标准, 对各市监测站点PM2.5不同等级进行分类汇总.如图 5所示, 各市优、良所占比重最大, 轻度污染次之, 中度污染、重度污染较小, 严重污染所占比重最小.PM2.5浓度达标率(浓度值＜75 μg·m-3)最高为池州, 其次为黄山、宿州, 滁州、合肥、蚌埠最低; 池州、黄山和宣城PM2.5等级达优比例最高, 分别为69%、61%、45%;合肥、滁州、宿州、亳州、蚌埠达优比例较低, 分别为20%、19%、18%、17%、16%;污染日数较高的为滁州、合肥、宿州、蚌埠, 污染日数比重分别为29%、28%、27%、26%.

图 5 安徽省各市PM2.5污染等级天数比例 Fig. 5 Proportion of PM2.5 pollution levels of cities in Anhui Province

PM2.5浓度空间分布受工业布局、地形特征和气象条件等多要素共同影响.由分析可知, 合肥市作为省会城市, 城市化水平高, 工业发展迅速, 交通发达, 受二次源、燃煤、机动车尾气、地壳尘等影响, PM2.5浓度较高(陈刚等, 2016).安徽省中部和东北部污染相对严重, 主要与区域及江苏省污染排放和地形相关.安徽省东北部为平原, 中部为丘陵, 外来污染物在西北风作用下传输至北部和中部地区, 并在江淮丘陵地区堆积.由于大别山区的阻挡, 来自湖北省的污染物在西南部堆积, 浓度相对周边区域较高.皖南山区阻挡了来自东南部的污染物, 该区域以旅游业为主, 污染物排放较少, 因此PM2.5浓度较低.

4 结果与分析(Results and analysis) 4.1 PM2.5关键影响因素识别

本文以PM2.5影响因素指标体系中44个指标因子作为输入神经元, 以PM2.5浓度值作为输出神经元, 对输入和输出层进行归一化处理后, 应用MATLAB R2014a软件构建一个包含神经元数为30的隐含层的BP神经网络模型, 以自适应学习率梯度下降法作为学习规则算法, 最大迭代次数为500, 学习率为0.7, 动量因子为0.6, 训练目标误差为0.00001.经多次测试, 选择模拟效果好的网络, 测试精度为0.96329, 整体精度为0.95579, 导出输入层至隐含层以及隐含层至输出层间的权值矩阵.根据公式(1)、(3), 求出指标因子间的直接关联矩阵和综合影响矩阵, 根据公式(4)、(5)计算出各个指标间的R、D、R+D和R-D(表 2), 并绘制因果关系图(图 6).图表中的编码与PM2.5浓度影响因素指标体系(表 2)中的指标因子一一对应.各指标的影响度和被影响度反映因子间的相关关系, 在此基础上对中心度和原因度进行分析, 可有效识别关键影响因子.

表 2 安徽省PM2.5浓度影响因素的中心度及原因度 Table 2 The R+D and R-D of the influencing factors of PM2.5 concentration in Anhui Province

图 6 安徽省PM2.5浓度影响因素因果关系图 Fig. 6 Causality diagram of the influencing factors of PM2.5 concentration in Anhui Province

依据DEMATEL分类规则, 将影响因素分为原因因素与结果因素两类, 原因因素即相对影响量大于零, 属于影响力输出因素, 又称为驱动因素; 结果因素即受其他因素影响较大, 又称为特征因素.根据因素的中心度范围, 可将所有因素中心度的均值和标准差之和作为阈值(车亮亮等, 2015), 大于该阈值的原因因素为强驱动因子, 小于该阈值的为驱动因子; 大于该阈值的结果因素为强特征因素, 小于该阈值的称为特征因素, 经计算该阈值为7.3425.

4.2 PM2.5关键影响因素分析 4.2.1 关键驱动因素分析

由模型计算结果可知, 人口城镇化率(b2)、年平均气温(a6)、单位地区生产总值电耗(b8)、工业废气治理设施数(d6)等4项指标为影响PM2.5浓度的强驱动因素, 对其他因子的影响较大, 且不易受其他因子影响, 对PM2.5浓度降低起着根本性的推动作用.工业二氧化硫排放量(c2)、工业用电量(c6)、客运量(c7)、森林覆盖率(d5)和单位地区生产总值能耗(b7)等5项指标高于其余16项指标中心度的平均值, 说明其对其他因素的影响较大, 是PM2.5形成的主要因素.

讨论得出, 人口城镇化率影响区域自然资源的开发利用强度以及生产生活中的物质需求量, 反映人类活动强度与PM2.5浓度成正相关.细颗粒物的运动扩散形式受气温影响明显, 因此PM2.5浓度对温度变化较为敏感.单位地区生产总值电耗受地区工业生产技术水平和经济发展绿色低碳程度影响, 从而影响着PM2.5浓度的高低.工业废气治理设施数量与治理投入成本有关, 是减少PM2.5浓度的重要措施.

工业二氧化硫排放量是PM2.5污染来源的重要组成部分, SO2可吸附在细颗粒物表面, 通过系列反应改变颗粒物粒径或化学成分, 使得PM2.5浓度增加.工业用电量反映生产过程中火力燃煤发电产生的粉尘量, 与PM2.5浓度呈正相关.客运量反映交通运输中排放的粉尘和汽车尾气对PM2.5浓度的影响.森林覆盖率与PM2.5浓度呈负相关关系, 主要通过森林自身吸附能力净化空气.单位地区生产总值能耗, 即地区的生产技术水平的提高对降低PM2.5浓度有显著影响.

4.2.2 关键特征因素分析

年总降水量(a7)、O3浓度(a4)和房屋施工面积(c4)等3项指标为PM2.5浓度的强特征因素, 与其他因素密切关联, 受其他因素的影响较大, 是PM2.5形成的关键核心因素.天然气全年供应量(b12)、建成区绿地率(d4)、常住人口(b1)、每万人拥有公共交通车辆(c12)、主导风向(a10)、监测路段平均车流量(c11)、CO浓度(a5)、农用地(d1)等8项指标高于其余21项指标的中心度平均值, 说明受其他因素影响较大, 是PM2.5形成的直接因素.

通过对综合影响结果分析得出, 年总降水量受气压、风速、相对湿度、森林覆盖率、人口城镇化率等共同影响, 然后借助湿沉降的方式冲刷空气中的细颗粒物.

低空O3浓度受人类活动影响较大, 与人均生产总值、工业用电量、城市人口密度以及工业烟(粉)尘排放量等指标关系密切, O3产生于氮氧化物与挥发性有机物之间的光化学氧化性反应, 其主要来源于空气中的物体燃烧、工业排放、机动车尾气和室内装修等, 可促使气体污染物转化为细颗粒物PM2.5.夏季温度高、辐射强、大气光化学反应强, 冬季相反, 故O3浓度夏季高, 冬季低.但由于夏季大气边界层高, 降水充沛, 使得污染物不易聚集且被冲刷, 故O3浓度与PM2.5浓度关系复杂, 而非简单的相关关系.

房屋施工面积与自然地理环境(风速、风向、气压、相对湿度等)、基础设施(公路路程、液化石油气供应量等)、城市人口密度、人均生产总值和废气治理设备运行费用等指标关系密切.受露天施工、材料运输等影响, 房屋施工面积与建筑扬尘呈正相关, 使得PM2.5浓度上升.

天然气全年供应量主要受城市人口密度和液化石油气全年供应总量的影响, 能表征绿色能源消耗, 通过使用清洁能源可有效降低PM2.5浓度.建成区绿地率和农用地面积受自然环境(风速、气压、风向、相对湿度、温度)影响较大, 与公路里程关系也较密切, 两者可反映植物生长期叶面干湿沉降对PM2.5浓度降低的作用.

常住人口不仅受自然地理环境影响, 还与公路里程、公共交通客运总量、人均生产总值、废气治理设备运行费用、工业烟粉尘排放量密切关联, 其反映了地区人类活动水平, 对PM2.5浓度影响明显.每万人拥有公共交通车辆受公路里程、公路交通客运总量、客运量影响, 反映地区绿色出行水平, 可一定程度上降低PM2.5浓度.而车流量大小则反映地区交通强度, 是导致空气污染、能见度降低的主要原因.主导风向主要受气压和风速影响, 促进着污染物的传输和扩散.CO浓度反映了地区燃煤量和机动车保有量迅速增长对PM2.5浓度的影响.

5 结论(Conclusions)

1) 受大气扩散条件和污染源污染特征等因素影响, 安徽省PM2.5浓度呈现秋冬高、春夏低的特点, 6—9月的PM2.5浓度值中位值最低, 1月、2月与12月PM2.5浓度值中位值较高, 且各月PM2.5浓度日均值的分布都存在大量的异常值.

2) 受人为活动习惯和大气物理化学特征的昼夜变化影响, 安徽省PM2.5浓度时均值呈现双峰趋势, 即第一类城市的峰值分别出现在上午9:00和夜晚23:00.第二类城市的峰值出现在上午9:00和夜晚21:00.

3) 安徽省PM2.5浓度自东向西、自中部向南北两侧递减, 由高到低依次为江淮丘陵、长江中下游平原、淮北平原、皖南山区.PM2.5的空间分布是人类活动特征、大气扩散条件以及自然地理环境共同作用的结果.

4) 指标因子中, 人口城镇化率、平均气温、单位GDP电耗以及工业废气治理设施等4个指标因子属于强驱动因素, 对其他因素影响显著, 对PM2.5浓度降低起着根本性推动作用.

5) 年总降水量、房屋施工面积与O3浓度等3个指标因子属于强特征因素, 受其他因素影响较大, 是降低PM2.5浓度最直接的因素.为减少PM2.5排放, 可加强环保设施的运行监管, 并出台相关政策合理引导火电行业、工业、建筑业、交通业和农业积极主动减排.

本研究通过引入BP神经网络算法改进了DEMATEL模型, 该方法不仅减少了计算结果的主观性, 而且可有效地识别PM2.5浓度的关键影响因素.此外, 由于不同地域不同指标对PM2.5浓度的影响程度有一定差异, 本研究并未考虑指标因子本身可能存在的空间自相关和差异性, 因此有关PM2.5影响因素地域性的问题则有待于进一步研究.

致谢: 非常感谢安徽师范大学国土资源与旅游学院胡春生副教授和吴立副教授在论文修改过程中提出宝贵的修改意见.
参考文献
Brus D J, Heuvelink G B M. 2007. Optimization of sample patterns for universal kriging of environmental variables[J]. Geoderma, 138(1): 86–95.
Bell M L, Dominici F, Ebisu K, et al. 2007. Spatial and temporal variation in PM2.5 chemical composition in the United States for health effects studies[J]. Environmental Health Perspectives, 115(7): 989–995. DOI:10.1289/ehp.9621
车亮亮, 韩雪, 秦晓楠. 2015. 基于BP-DEMATEL模型的农产品虚拟水流动影响因素分析[J]. 冰川冻土, 2015, 37(4): 1112–1119.
陈刚, 刘佳媛, 皇甫延琦, 等. 2016. 合肥城区PM10及PM2.5季节污染特征及来源解析[J]. 中国环境科学, 2016, 36(7): 1938–1946.
Chen L W, Chow J C, Doddridge B G, et al. 2003. Analysis of a summertime PM2.5 and haze episode in the mid-Atlantic region[J]. Journal of the Air & Waste Management Association, 53(8): 946–956.
崔强, 武春友, 匡海波. 2013. BP-DEMATEL在空港竞争力影响因素识别中的应用[J]. 系统工程理论与实践, 2013, 33(6): 1471–1478. DOI:10.12011/1000-6788(2013)6-1471
何镓祺, 于兴娜, 朱彬, 等. 2016. 南京冬季气溶胶消光特性及霾天气低能见度特征[J]. 中国环境科学, 2016, 36(6): 1645–1653.
贺祥, 林振山. 2017. 基于GAM模型分析影响因素交互作用对PM2.5浓度变化的影响[J]. 环境科学, 2017, 38(1): 22–32.
贺祥, 林振山, 刘会玉, 等. 2016. 基于灰色关联模型对江苏省PM2.5浓度影响因素的分析[J]. 地理学报, 2016, 71(7): 1119–1129.
胡森林, 刘红年. 2017. 合肥市PM2.5对城市辐射和气温的影响[J]. 气象科学, 2017, 37(1): 78–85.
Janssen N A, Fischer P, Marra M, et al. 2013. Short-term effects of PM2.5, PM10 and PM2.5-10 on daily mortality in The Netherlands[J]. Science of the Total Environment, s463-464(5): 20–26.
靳全锋, 马祥庆, 王文辉. 华东地区2000-2014年间秸秆燃烧排放PM2.5时空动态变化[J]. 环境科学学报, 37(2): 460–468.
李名升, 任晓霞, 于洋, 等. 2016. 中国大陆城市PM2.5污染时空分布规律[J]. 中国环境科学, 2016, 36(3): 641–650.
Lin G, Fu J, Jiang D, et al. 2013. Spatio-temporal variation of PM2.5 concentrations and their relationship with geographic and socioeconomic factors in China[J]. International Journal of Environmental Research & Public Health, 11(1): 173–186.
Louie P K K, Watson J G, Chow J C, et al. 2005. Seasonal characteristics and regional transport of PM2.5 in Hong Kong[J]. Atmospheric Environment, 39(9): 1695–1710.
苗蕾, 廖晓农, 王迎春. 2016. 基于长时间序列的北京PM2.5浓度日变化及气象条件影响分析[J]. 环境科学, 2016, 37(8): 2836–2846.
Mikamia M, Shi G Y, Uno I, et al. 2006. Aeolian dust experiment on climate impact:An overview of Japan-China joint project ADEC[J]. Global & Planetary Change, 52(1): 142–172.
Pecorari E, Squizzato S, Masiol M, et al. 2013. Using a photochemical model to assess the horizontal, vertical and time distribution of PM2.5 in a complex area:relationships between the regional and local sources and the meteorological conditions[J]. Science of the Total Environment, 443(443C): 681–691.
乔宝文, 刘子锐, 胡波, 等. 2017. 北京冬季PM2.5中金属元素浓度特征和来源分析[J]. 环境科学, 2017, 38(3): 876–883.
Rumelhard M, Ramgolam K F, Dazy A, et al. 2007. Effects of PM2.5 components in the release of amphiregulin by human airway epithelial cells[J]. Toxicology Letters, 168(2): 155–164. DOI:10.1016/j.toxlet.2006.11.014
So R, Vingarzan R, Jones K, et al. 2015. Modeling of time-resolved light extinction and its applications to visibility management in the Lower Fraser Valley of British Columbia, Canada[J]. Journal of the Air & Waste Management Association, 65(6): 707–720.
Tai A P K, Mickley L J, Jacob D J. 2010. Correlations between fine particulate matter (PM2.5) and meteorological variables in the United States:implications for the sensitivity of PM2.5 to climate change[J]. Atmospheric Environment, 44(32): 3976–3984. DOI:10.1016/j.atmosenv.2010.06.060
Tomczak A, Miller A B, Weichenthal S A, et al. 2016. Long-term exposure to fine particulate matter air pollution and the risk of lung cancer among participants of the Canadian National Breast Screening Study[J]. International Journal of Cancer, 139(9): 1958–1966. DOI:10.1002/ijc.v139.9
Vinikoor-Imler L C, Davis J A, Luben T J. 2011. An ecologic analysis of county-level PM2.5 concentrations and lung cancer incidence and mortality[J]. International Journal of Environmental Research & Public Health, 8(6): 1865–1871.
王占山, 李云婷, 陈添, 等. 2015. 2013年北京市PM2.5的时空分布[J]. 地理学报, 2015, 70(1): 110–120.
吴兑, 刘啟汉, 梁延刚, 等. 2012. 粤港细粒子(PM2.5)污染导致能见度下降与灰霾天气形成的研究[J]. 环境科学学报, 2012, 32(11): 2660–2669.
Xie Y, Zhao B, Zhang L, et al. 2015. Spatiotemporal variations of PM2.5 and PM10 concentrations between 31 Chinese cities and their relationships with SO2, NO2, CO and O3[J]. Particuology, 20(3): 141–149.
杨昆, 杨玉莲, 朱彦辉, 等. 2016. 中国PM2.5污染与社会经济的空间关系及成因[J]. 地理研究, 2016, 35(6): 1051–1060.
周一敏, 赵昕奕. 2017. 北京地区PM2.5浓度与气象要素的相关分析[J]. 北京大学学报(自然科学版), 2017, 53(1): 111–124.