环境科学学报  2021, Vol. 41 Issue (3): 797-805
基于PM2.5监测点空间聚类的关中五市空气污染区域识别    [PDF全文]
张波1, 宋国君1, 周芳2,3    
1. 中国人民大学环境学院, 北京 100872;
2. 首都经济贸易大学城市经济与公共管理学院, 北京 100070;
3. 城市群系统演化与可持续发展的决策模拟研究北京市重点实验室, 北京 100070
摘要:区域大气污染联防联控是空气质量管理的重要举措, 准确识别空气污染区域对联防联控措施有重大意义.本研究采用陕西省关中五市(西安、咸阳、宝鸡、渭南、铜川)国控和省控全部90个监测点的小时级PM2.5浓度监测数据, 运用邻接约束层次聚类方法对监测点进行空间聚类, 并利用泰森多边形和曲线平滑等技术识别空气污染区域.结果表明:①关中五市空气污染存在跨行政区划的区域性特征, 本研究识别出2个特征显著不同的空气污染区域(区域1和区域2);②区域2的PM2.5浓度在统计上显著高于区域1, 且重度和严重污染天数也显著高于区域1;③空气污染区域与地形特征关系密切, 区域1均为高海拔区县, 而区域2均为低海拔区县.依据空气污染区域的不同特征, 在区域污染程度存在显著差异时, 应当采取不同等级的污染防控措施, 以减少对关中五市43%的国土面积、23个区县、639万人及3355亿元国内生产总值的影响, 使区域空气污染防控措施更加科学、合理与精准.同时, 空气污染区域的划分对缺失数据和不同空气污染等级表现稳健.
关键词污染区域识别    空间聚类    PM2.5    空气质量    区域管理    关中    
Regional delimitation of PM2.5 pollution: A case study of five cities in Guanzhong Plain
ZHANG Bo1, SONG Guojun1, ZHOU Fang2,3    
1. School of Environment & Natural Resources, Renmin University of China, Beijing 100872;
2. College of Urban Economics and Public Administration, Capital University of Economics and Business, Beijing 100070;
3. Beijing Key Laboratory of Megaregions Sustainable Development Modeling, Capital University of Economics and Business, Beijing 100070
Received 15 June 2020; received in revised from 10 July 2020; accepted 10 July 2020
Abstract: Regional air pollution prevention and control is a very important policy for air quality management in China, and accurate identification of air pollution regions is of great significance to the policy. Based on the PM2.5 concentration data of 90 state controlled and province controlled monitoring sites in 5 cities in Guanzhong Plain, this study used a spatial cluster algorithm with connection constrain to group all the sites and used voronoi diagram to generate the PM2.5 pollution regions. The result shows: ①There exists two pollution regions in the five cities with significant different characteristics of PM2.5. ②Region 2 was much more polluted than region 1 and heavy polluted and severe polluted occurred more frequently. ③PM2.5 pollution regions were closely related to terrain features, region 1 was much higher than region 2 in altitude. Response level should be different when there was significant difference of PM2.5 pollution in these regions. 43% of area, 23 counties, 6.39 million people and 335.5 billion GDP could be less impact if the air quality management were implemented regionally according to the regional characteristic. The solution presented is robust of missing data and different grade of pollution.
Keywords: pollution regions identification    spatial cluster    PM2.5    air quality    district management    Guanzhong    
1 引言(Introduction)

细颗粒物(PM2.5)被认为是最主要的空气污染物之一, 长时间暴露会对人类健康产生巨大危害(Samet et al., 2000; 陈熙勐等, 2019).据估计, 我国每年因长时间暴露在污染空气中而导致的过早死亡人数达125万(周亮等, 2017), 给社会带来了巨大的健康损失(穆泉等, 2015; Zhou et al., 2017; 李惠娟等, 2018).2012年发布的《环境空气质量标准》首次将PM2.5浓度作为限制目标, 由此PM2.5逐渐成为全社会高度关注的空气质量指标之一.为应对日趋严峻的空气污染形势, 国家和地方层面不断推出空气污染防治政策, 特别是在持续重污染天气情况下采取应急管理等行政措施(如工厂停工、学校停课、车辆禁行等), 但这些措施也带来了不可忽视的社会成本(曾贤刚等, 2019).如何在防控空气污染的同时尽量减少经济社会成本已经逐步引起各方重视, 环境效益、社会效益和经济成本需要统筹考虑, 因此, 精细化管理将成为未来污染防治的重要发展方向.

2016年颁布的《中华人民共和国大气污染防治法》中确立以城市为责任主体的空气质量管理体系, 同时近几年跨区域空气污染联防联控机制也取得了一定的成效.研究表明, PM2.5污染受地理和气候因素影响明显(Huang et al., 2017; Xu et al., 2017; Zhao et al., 2018), 存在显著的区域性特征, 但与行政区划存在显著的不同, 相同行政区划下的不同区域也可能表现出不同的污染特征.那么如何科学、精准地识别出污染区域对于制定精细化的管理措施至关重要.以美国加州南岸空气质量管理区(South Coast Air Quality Management District, SCAQMD)为例, 其依据相似的空气污染特征, 将南加州划分为38个空气质量管理区, 每个管理区实施单一机构管理, 打破了行政区划限制, 并取得了显著的治理成效.我国虽有大尺度的污染区域划分, 如京津冀区域”2+26”城市、汾渭平原、长三角地区等大气污染重点防治区域, 但这样的划分存在范围过大、管理和划分依据不充分等问题, 远达不到精细化管理的要求, 从而导致区域联防联控在实施时比较困难, 同时也没有将尽量减少对经济社会的影响考虑进来.

目前国内外对于PM2.5的研究主要集中在时空特征分析(Ping et al., 2015; 周亮等, 2017; Xu et al., 2017; Chen et al., 2017; Yan et al., 2018)、源解析(Yan et al., 2018; Qiao et al., 2018)、浓度预测预报(Li et al., 2018; 梁泽等, 2020)、健康损失(Xu et al., 2016; Di et al., 2016; 张亮林等, 2020)这几个方面.对空气污染区域性研究多停留在探讨必要性和加强监管的理论层面(李云燕等, 2018; 束韫等, 2019), 而在执行层面对具体空气质量区域如何识别和划分的研究还比较少.Liu等(2018)基于城市尺度进行污染区域划分, 将每个城市视为空间中的一个点进行聚类分析, 但该研究存在粒度较粗、结果不稳定、区域重叠嵌套等问题.关中地区是我国空气污染较严重的区域之一, 本文以关中地区5个城市(西安、咸阳、宝鸡、渭南、铜川)为研究对象, 基于五市国控和省控监测点的小时级PM2.5监测数据, 对监测点进行空间聚类, 并以此划分空气污染区域, 以期为科学合理地制定区域空气质量管理体系提供理论参考.

2 数据与研究方法(Data and methods) 2.1 数据简介与来源

本文采用关中五市国控和省控全部90个监测点(图 1)小时级PM2.5监测数据, 数据来源于陕西省城市空气环境质量实时发布系统(http://113.140.66.226:8024/sxAQIWeb/default.aspx).时间范围为2017年1月1日—2019年12月9日, 共计192万条监测记录, 其中, 国控监测点33个共计95万条记录, 占比49.5%, 省控监测点57个共计97万条记录, 占比50.5%.

图 1 陕西省关中五市监测点分布 Fig. 1 Monitoring sites in the five cities in Guanzhong Plain in Shaanxi Province
2.2 数据处理

PM2.5重度污染最为社会所关注, 也是启动应急管理预案的重要依据之一, 因此, 本文在进行监测点空间聚类和污染区识别时选取PM2.5重污染(PM2.5浓度大于150 μg·m-3)期间的浓度监测数据.具体做法为关中五市中任一城市的PM2.5日均浓度超过重度污染标准, 则将当日关中五市全部监测点的24 h PM2.5浓度数据纳入样本范围.最终筛选出重污染天数97 d, 占比为9%, 即在绝大部分时间内(占比91%)关中五市空气质量均非重度污染.

由于不同监测点数据有效率不同, 为确保结果稳定本文选取有效率大于50%的监测点, 符合条件的监测点共有83个, 其中国控点28个, 省控点55个.

2.3 邻接矩阵

对监测点进行空间聚时, 为保证污染区域识别的空间连续性, 构建监测点间的邻接矩阵, 不相邻的监测点不会被聚为一类.构造邻接矩阵包括两个步骤:首先计算任意两个监测点之间的距离, 并选择其中第k个最近距离(本文中k=10);其次构建83×83的二值邻接矩阵, 只包括0和1两个值, 其中, 1表示两个监测点距离小于等于第k个最近距离, 代表这两个监测点彼此相邻可以被聚为一类, 而0表示彼此距离大于第k个最近距离, 监测点之间不相邻不能被聚为一类.

2.4 研究方法

层次聚类方法在空气污染方面的应用已经有很多研究成果(Ping et al., 2015; Qiao et al., 2018; Hsu et al., 2019).层次聚类是以聚合或分裂的递归方式实现同类识别, 算法包括4个步骤:①将每个监测点初始化为1类; ②计算类之间距离(本文使用类间平均距离, 其他类间距离包括单一距离、完全距离等); ③将距离最近的两个类合并为一类; ④不断重复步骤②和③, 直到所有监测点最终被合并为1类.最优类别的个数由轮廓指数(Silhouette Index)来确定.由于监测点具有显著的空间属性, 只有相邻监测点被聚为一类才能形成连续的污染区域, 本文采用带有邻接约束的层次聚类方法.

将监测点空间聚类后, 本文为每个监测点构建泰森多边形(Voronoi diagram), 并将相同类别监测点所对应的多边形合并, 从而得到不同污染区域.为获取光滑的区域分界线, 本文使用Chaikin算法(Chaikin′s corner-cutting)对分界线进行光滑处理.本文数据处理、建模和可视化均使用Python v3.7.1软件作为分析工具.

3 结果分析(Results and analysis) 3.1 最佳类别

聚类算法大多需要首先指定类别的数量, 这是应用聚类算法研究实际问题时的难点之一.聚类效果的测度指标可以帮助选择最佳类别的数量, 如轮廓指数和邓恩指数(Dunn index)等, 本文使用常用的轮廓指数作为最佳类别选择的依据.轮廓指数值域为-1~1, 数值越大表明聚类的效果越好.本文设定类别个数为2~20, 并比较不同类别下轮廓指数的数值(图 2), 最终发现在类别为2时轮廓指数最大为0.31, 即83个监测点的最佳类别数量为两类.

图 2 不同类别下轮廓系数 Fig. 2 Silhouette index of different number of clusters
3.2 污染区域识别

首先基于每个监测点的空间位置生成泰森多边形, 泰森多边形将研究区域在空间上划分为与监测点数量相同的小区域, 每个小区域内只包含一个监测点, 并且保证小区域内任意点距该小区域内监测点的空间距离相比于其他监测点最小.然后合并相同类别监测点所对应的小区域得到污染区域, 本文使用邻接矩阵约束的聚类方法是获取空间连续污染区域的关键.最后使用光滑算法对污染区域边界进行光滑处理.最终83个有效监测点被分为两类(图 3), 关中五市也被划分为两大区域, 其中, 区域1包括30个监测点, 位于关中五市的西部, 区域2包括53个监测点, 位于关中五市的东部.

图 3 PM2.5污染区域识别 (深灰色区域为区域1, 浅灰色区域为区域2, 黑色分界线为光滑处理后的空气污染区域分界线) Fig. 3 PM2.5 pollution regions
4 讨论(Discussion) 4.1 PM2.5浓度差异

划分后的两个空气污染区域PM2.5浓度显著不同, 区域1平均PM2.5浓度为49 μg·m-3, 标准差为39 μg·m-3, 区域2平均PM2.5浓度为65 μg·m-3, 比区域1高33%, 标准差为58 μg·m-3.对原始数据进行对数化处理后(图 4), 进行双样本T检验得到p<0.001, 可以认为两个区域PM2.5浓度存在显著不同, 区域2的PM2.5浓度显著高于区域1.进一步计算不同污染区域PM2.5浓度的日均值发现, 区域1轻度污染及以上(日均浓度大于75 μg·m-3)天数为180 d, 占全部天数的17%, 区域2污染天数为285 d, 占比为27%, 污染天数是区域1的1.6倍.区域1重度污染及以上(日均浓度大于150 μg·m-3)天数22 d, 占比2%, 而区域2则有83 d, 占比8%, 是区域1的近4倍.区域1严重污染(日均浓度大于250 μg·m-3)天数只有2 d, 而区域2严重污染天数达到17 d, 是区域1的8倍以上.可见越是严重的空气污染, 发生在区域2的概率也就越大, 因此, 区域2是关中地区空气污染治理需要重点关注的区域.本文识别的空气污染区域内污染程度显著不同, 意味着需要针对各自污染情况制定符合区域污染特征的不同等级的空气防控措施, 这为划定跨行政区域的空气质量管理区提供了理论和实证依据.

图 4 不同区域PM2.5浓度密度曲线 Fig. 4 Density plot of PM2.5 concentration of regions
4.2 污染区域与行政区域

关中五市下属53个区县, 总面积为5.5万km2, 其中, 区域1占比43%, 区域2占比57%.从地级市角度来看, 西安市和渭南市绝大部分区域位于区域2中, 面积占比分别为94%和78%(表 1), 宝鸡市与铜川市绝大部分位于区域1中, 面积占比分别为99%和100%, 而咸阳市跨区域特征比较明显, 其中, 62%的面积位于区域1, 38%的面积位于区域2.从城市区县角度来看, 西安市除周至县(81%位于区域2中)外, 其余12个区县全部位于区域2中.渭南市有6个区县完全位于区域2中, 3个区县超过65%的面积位于区域2中, 剩余2个区县澄城县和白水县则超过90%的面积位于区域1中.宝鸡市除眉县(90%位于区域1)外, 其余11个区县全部位于区域1中.铜川市下属4个区县全部位于区域1中.咸阳市情况比较特殊, 下属区县跨两个空气污染区域的比较多, 其中, 秦都区、渭城区和兴平市完全位于区域2中, 长武县、旬邑县、淳化县和彬州市则完全位于区域1中, 永寿县98%位于区域1中, 其余5个区县接近3/4的面积位于区域2中.

表 1 关中五市经济社会主要指标与空气污染区域 Table 1 Key economy and social indicators in five cities of Guanzhong Plain and the polluted regions

为了与行政管理主体相结合, 将每个区县只归属于一个污染区域, 既有利于制定差异化的区域污染防控政策, 也便于行政主体执行区域化的防控措施.如果区县超过50%的面积位于某一污染区域, 则将该区县归属于该污染区域.如此归属后, 区域1覆盖53个区县中的23个, 包括宝鸡市全部12个区县、铜川市全部4个区县、咸阳市5个区县和渭南市2个区县, 而区域2覆盖30个区县, 包括西安市全部13个区县、咸阳市8个区县和渭南市9个区县.

4.3 经济社会影响

为应对空气重污染情况, 各个城市纷纷制定重污染天气应急预案, 采取工厂停工停产、机动车限行、学校停止户外运动或停课等措施, 如西安市2019年1月3日发布重污染红色预警, 2019年11月20日启动Ⅱ级响应, 咸阳市分别于2019年1月11日和2020年1月8日启动重污染Ⅱ级响应等.这些应急措施在缓解重污染天气的同时, 也对正常的经济社会带来明显冲击.如果能更加精准地识别出污染区域并实施不同等级的污染防控措施, 则能实现以更小的经济社会成本来应对空气重污染天气. 关中五市总人口2324万人, 其中, 区域1覆盖人口639万, 区域2覆盖人口1686万; 经济总量1.47万亿, 其中, 区域1覆盖3355亿, 区域2覆盖1.13万亿.由于区域2发生重污染天气次数远多于区域1, 因此, 关中五市区域协同治理应当更多地关注区域2.可以基于本文识别的污染区域分别制定不同等级的应急管理预案, 如区域1的污染程度显著低于区域2时, 在区域1执行低一个等级的防控措施, 这样可以减少对关中五市43%的国土面积、23个区县、639万人口及3355亿元国内生产总值的影响.

4.4 监测点相关性分析

处于相同空气污染区域的监测点之间PM2.5浓度的相关系数较高, 而处于不同空气污染区域的监测点之间相关系数较低(图 5).区域1内部相关系数均值为0.61, 区域2为0.62, 而区域1与区域2之间相关系数均值只有0.33, 这说明应用本文的方法能够将相似的监测点聚在一起, 而将相似度较低的监测点分开.进一步研究发现:①部分监测点即使属于不同城市, 也有较强相关性; ②部分监测点即使属于相同城市, 相关性也较弱.西安市莲湖区的高压开关厂监测点与咸阳市秦都区的咸阳实验中学监测点PM2.5浓度的相关系数高达0.86, 与同属秦都区的两寺渡监测点PM2.5浓度的相关系数高达0.85.再如西安市临潼区监测点与渭南市临渭区的体育馆监测点PM2.5浓度的相关系数也达到0.8, 经测算相关系数大于0.7并且属于不同城市的监测点达到101对, 绝大多数分布在西安-咸阳、西安-渭南、咸阳-渭南、咸阳-宝鸡这几个城市间.从空间上来看, 相关性较高的监测点之间空间距离也较近, 其中大部分均为空间相邻.而同属于咸阳市的监测点中, 长武县长武中学监测点与智慧农业园、三原县体育场、泾干站等监测点相关系数在0.07以下几乎不相关, 再如渭南市白水县人大监测点与高新一小监测点PM2.5浓度的相关系数也仅为0.1, 也可以认为不相关.相同城市但相关系数在0.3以下的监测点共有64对, 主要分布在咸阳市和渭南市.这些特征说明:①空气污染具有显著的跨行政区划特征, 区域协同治理对于区域空气质量改善非常必要; ②区域协同治理中区域的定义应当以空气污染特征进行划分, 而不仅局限于城市行政区划, 通过识别空气污染区域更加精准地制定防控政策, 区分重点防控区域与非重点防控区域, 以较小的经济社会成本实现空气质量改善.

图 5 监测点相关性热力图 Fig. 5 Correlation heatmap of monitoring sites
4.5 重污染区域特征

对监测点PM2.5浓度数据运用克里金空间插值方法, 可以更加直观地发现关中五市区域性空气污染特征显著(图 6).结合本文识别的空气污染区域分界线不难发现, 区域1与区域2存在显著差异, 基本上呈现从西到东空气质量不断恶化的特征, 尤以西安市、咸阳市和渭南市的城区最为突出.如2018年1月15日, 区域2的PM2.5平均浓度达到269 μg·m-3的严重污染程度, 而区域1的PM2.5浓度为147 μg·m-3尚未达到重污染程度, 再如2019年12月8日区域2的PM2.5平均浓度为158 μg·m-3达到重污染条件, 而区域1为92 μg·m-3, 比区域2低72%, 为轻度污染.因而在发生区域PM2.5浓度达到重污染标准时, 应当首先判断是否存在显著的区域差异, 如果存在则需要针对不同污染区域实行不同等级的防控措施, 否则可以实行关中五市全区域的防控措施.

图 6 重污染下关中五市PM2.5浓度空间插值 Fig. 6 Spatial interpolation of PM2.5 under heavy polluted condition
4.6 污染区域与地形关系

关中五市北起黄土高原, 南倚秦岭, 内部地势起伏海拔落差较大, 包括平原、盆地、丘陵和高原等多种地形特征.本文利用谷歌地球(https://www.google.com/earth/)获取关中五市分区县政府所在地海拔数据, 代表区县海拔.结合陕西地形图与本文空气污染区域识别结果发现, 污染区域与地形因素关系密切, 表现为区域1平均海拔为831 m, 而区域2平均海拔为445 m, 区域1是区域2的1.9倍(表 2).区域1中渭南澄城县海拔最低为694 m, 宝鸡太白县海拔最高为1549 m;区域2中渭南华阴市海拔最低为348 m, 最高为渭南合阳县的711 m.分城市来看, 西安市全部位于区域1, 其平均海拔为425 m;咸阳市5个区县处于区域1, 平均海拔为968 m, 其余8各区县位于区域2, 平均海拔为466 m;渭南市2个区县位于区域1, 平均海拔为740 m, 其余9个区县位于区域2, 平均海拔为454 m;宝鸡市和铜川市全部位于区域2中, 平均海拔分别为787 m和840 m.由此可见, 位于盆地和平原的区县基本都处于区域2中, 这些区县也是关中地区人口较集中、经济较发达、能源消费较多的地区, 对PM2.5浓度有较强的正向影响(黄小刚等, 2019), 再加上地形原因, 污染物扩散条件差导致其成为污染较重的区域;而海拔较高的区县基本均位于区域1中.

表 2 关中五市分区县海拔高度 Table 2 Altitude of 5 cities of Guanzhong Plain

结合上文监测点PM2.5浓度相关性发现, 同属一个城市但相关性较弱的监测点, 均位于海拔落差较大的区县, 如同属咸阳市的长武县海拔为1146 m, 三原县海拔只有479 m, 一个位于黄土高原, 一个位于关中平原, 海拔落差大的地形特征是两区县PM2.5浓度相关性较弱的主要原因.

5 敏感性分析(Sensitivity analysis)

稳定的监测点聚类和空气污染区域识别是实施空气质量区域管理的基本前提.现实中存在两种影响结果的情形:一是监测点设备在运行过程中不可避免的会出现设备的维修和检测, 从而导致一定数量的监测数据缺失;二是样本筛选条件的变化.因此, 本文对缺失数据和不同空气污染等级对聚结果的稳健性进行检验.为此, 本研究设计并实施了两个实验, 用ARI指数(Adjusted Rand Index)作为判断聚类结果一致性的指标.实验1随机丢弃10%的数据, 重复执行聚类过程100次, 得到平均ARI指数为0.85, 并且有73次聚类结果与本文聚类结果一致, 说明本文空气污染区域识别对数据中的缺失值不敏感.实验2将样本筛选条件分别设置为中度污染及以上和轻度污染及以上, 污染天数分别为170 d和330 d, 占比分别为15.8%和30.8%, 最终得到ARI指数分别为1.00和0.93, 说明本文聚类结果对于样本筛选的条件不敏感.综上, 本文所应用的方法和得到的空气污染区域具有较高稳定性.

6 结论(Conclusions)

关中五市空气污染呈现显著的跨行政区划的区域性特征, 通过应用邻接约束的层次聚类方法识别出两个主要空气污染区域, 其中, 区域2的PM2.5浓度在统计上显著高于区域1, 发生重度和严重污染的频次也显著高于区域1.本文建议将识别出的空气污染区域作为区域空气质量联防联控或划定空气质量管理区的参考依据, 为不同污染区域制定不同等级的防控措施.当发生区域性空气重污染时, 首先判断两个污染区域的污染程度是否存在差异, 如果存在差异则实施不同等级的应急响应措施, 区域2可执行较严格的防控措施而区域1可执行低等级防控措施, 从而减少对关中五市43%国土面积、23个区县、639万人口及3355亿元国内生产总值的影响, 使污染防控措施更加科学、合理与精准.

参考文献
陈熙勐, 张皓旻, 顾万清, 等. 2019. 我国PM2.5主要成分及对人体健康危害研究进展[J]. 中华保健医学杂志, 21(1): 83-85.
Chen Z, Cai J, Gao B, et al. 2017. Detecting the causality influence of individual meteorological factors on local PM2.5 concentration in the Jing-Jin-Ji region[J]. Scientific Reports, 7: 40735. DOI:10.1038/srep40735
Di Q, Kloog I, Koutrakis P, et al.2016.Assessing PM2.5 exposures with high spatiotemporal resolution across the continental United States[J].Environmental Science & Technology, 50(9): 4712-4721
Hsu C H, Cheng F Y. 2019. Synoptic weather patterns and associated air pollution in Taiwan[J]. Aerosol and Air Quality Research, 19: 1139-1151. DOI:10.4209/aaqr.2018.09.0348
Huang H, Fu D, Qi W. 2017. Effect of driving restrictions on air quality in Lanzhou, China: Analysis integrated with internet data source[J]. Journal of Cleaner Production, 142(PT. 2): 1013-1020.
黄小刚, 邵天杰, 赵景波, 等. 2019. 汾渭平原PM2.5浓度的影响因素及空间溢出效应[J]. 中国环境科学, 39(8): 3539-3548.
李惠娟, 周德群, 魏永杰. 2018. 我国城市PM2.5污染的健康风险及经济损失评价[J]. 环境科学, 39(8): 3467-3475.
Li L, Zhao J, Meng X, et al. 2018. Estimation of PM2.5 concentrations at a high spatiotemporal resolution using constrained mixed-effect bagging models with MAIAC aerosol optical depth[J]. Remote Sensing of Environment, 217: 573-586. DOI:10.1016/j.rse.2018.09.001
李云燕, 王立华, 殷晨曦. 2018. 大气重污染预警区域联防联控协作体系构建-以京津冀地区为例[J]. 中国环境管理, 10(2): 38-44.
梁泽, 王玥瑶, 岳远紊, 等. 2020. 耦合遗传算法与RBF神经网络的PM2.5浓度预测模型[J]. 中国环境科学, 40(2): 523-529.
Liu J Z, Li W, et al.2018.A framework for delineating the regional boundaries of PM2.5 pollution: A case study of China[J].Environmental Pollution, 235: 642-651
穆泉, 张世秋. 2015. 中国2001-2013年PM2.5重污染的历史变化与健康影响的经济损失评估[J]. 北京大学学报(自然科学版), 51(4): 694-706.
Ping H, Jingyuan Z, Yuxiang T, et al. 2015. Spatial and temporal distribution of PM2.5 pollution in Xi'an City, China[J]. International Journal of Environmental Research & Public Health, 12(6): 6608-6625.
Qiao X, Ying Q, Li X, et al. 2018. Source apportionment of PM2.5 for 25 Chinese provincial capitals and municipalities using a source-oriented community multiscale air quality model[J]. Science of the Total Environment, 612(15): 462-471.
Samet J M, Dominici F, Curriero F C, et al. 2000. Fine particulate air pollution and mortality in 20 U.S.Cities, 1987-1994[J]. New England Journal of Medicine, 343(24): 1742-1749. DOI:10.1056/NEJM200012143432401
束韫, 王洪昌, 胡京南, 等. 2019. 区域大气污染联防联控长效机制的探讨[J]. 环境与可持续发展, 44(4): 78-81.
Wang Y, Ying Q, Hu J, et al. 2014. Spatial and temporal variations of six criteria air pollutants in 31 provincial capital cities in China during 2013-2014[J]. Environment international, 73: 413-422. DOI:10.1016/j.envint.2014.08.016
Xu H, Ho S S H, Gao M, et al. 2016. Microscale spatial distribution and health assessment of PM2.5-bound polycyclic aromatic hydrocarbons (PAHs) at nine communities in Xi'an, China[J]. Environmental Pollution, 218: 1065-1073. DOI:10.1016/j.envpol.2016.08.058
Xu Y, Ying Q, Hu J, et al. 2017. Spatial and temporal variations in criteria air pollutants in three typical terrain regions in Shaanxi, China, during 2015[J]. Air Quality Atmosphere & Health, 11: 95-109.
Yan D, Lei Y, Shi Y, et al. 2018. Evolution of the spatiotemporal pattern of PM2.5 concentrations in China-A case study from the Beijing-Tianjin-Hebei region[J]. Atmospheric Environment, 183: 225-233. DOI:10.1016/j.atmosenv.2018.03.041
Yan Z, Danlu C, Ruiyuan L, et al. 2018. Understanding the influence of crop residue burning on PM2.5 and PM10 concentrations in China from 2013 to 2017 using MODIS data[J]. International Journal of Environmental Research & Public Health, 15(7): 1504.
曾贤刚, 阮芳芳, 彭彦彦. 2019. 基于空间网格尺度的中国PM2.5污染健康效应空间分布[J]. 中国环境科学, 39(6): 2624-2632.
张亮林, 潘竟虎. 2020. 中国PM2.5人口暴露风险时空格局[J]. 中国环境科学, 40(1): 1-12.
Zhao S, Yu Y, Yin D, et al. 2018. Spatial patterns and temporal variations of six criteria air pollutants during 2015 to 2017 in the city clusters of Sichuan Basin, China[J]. Science of the Total Environment, 624: 540-557. DOI:10.1016/j.scitotenv.2017.12.172
Zhao S P, Yu Y, Yin D Y, et al. 2018. Spatial patterns and temporal variations of six criteria air pollutants during 2015 to 2017 in the city clusters of Sichuan Basin, China[J]. Science of the Total Environment, 624: 540-557. DOI:10.1016/j.scitotenv.2017.12.172
Zhou L, Zhou C H, Yang F, et al. 2017. Spatio-temporal evolution and the influencing factors of PM2.5 in China between 2000 and 2011[J]. Acta Geographica Sinica, 72(11): 2079-2092.
周亮, 周成虎, 杨帆, 等. 2017. 2000-2011年中国PM2.5时空演化特征及驱动因素解析[J]. 地理学报, 72(11): 2079-2092.