重庆市绿色空间景观格局与PM_(2.5)浓度时空相关性

空气中的细颗粒物对人民群众身体健康产生严重威胁,探究绿色空间景观格局对PM_(2.5)浓度的影响,有助于通过调整绿色空间格局降低PM_(2.5)浓度。以重庆市1980~2020年土地利用遥感监测数据和PM_(2.5)浓度数据作为基础数据,通过景观格局指数法、空间自相关分析研究绿色空间景观格局及PM_(2.5)浓度变化特征,再通过时空地理加权回归(GTWR)模型研究绿色空间景观格局指数变化对PM_(2.5)浓度的影响及其时空异质性。结果表明:①重庆市PM_(2.5)浓度从1980年至2010年逐渐上升,2010年至今逐渐降低;同时,其空间分布具有显著聚集特征,主要显示为东部低-低聚集、西部高-高聚集的特征。②林地、草地和耕地的面积指数(TA)、斑块密度指数(PD)和斑块连接度指数(COHESION)与PM_(2.5)浓度具有显著的相关性。其中,林地面积指数呈负影响,耕地、草地面积指数呈正影响;林地、草地斑块密度指数呈正影响,耕地斑块密度指数呈负影响;林地、草地和耕地斑块连接度指数均呈负影响。③主城都市区内,草地面积指数和耕地斑块密度指数对PM_(2.5)浓度的负影响较强。渝东北三峡库区城镇群和渝东南武陵山区城镇群内,林地聚合度指数(AI)、斑块密度指数和斑块连接度指数以及耕地面积指数对PM_(2.5)浓度的影响较强。

阿克达拉PM_(2.5)演变特征及与气象要素的相关性分析

为深入了解阿克达拉PM_(2.5)颗粒物污染,利用阿克达拉国家大气本底站颗粒物监测仪器GRIMM180观测的2010~2019年PM_(2.5)数浓度及台站的常规气象观测资料,用z-score法对PM_(2.5)数据标准化进行时间变化趋势分析,利用SPSS进行Pearson系数相关分析,能够客观反映出颗粒物浓度与气象要素间的共变趋势程度。结果表明:(1)10年中PM_(2.5)浓度整体上升7.15%。季节变化表现为冬季>春季>秋季>夏季的特征。秋季为明显右偏态分布其余季节对称分布,且冬季的变化性最大。月变化周期为13个月,呈现出“U”形起伏的变化规律。日变化呈现单峰的型式,且采暖期为非采暖期浓度2倍,呈现白天堆积晚上扩散的周期。(2)PM_(2.5)与风速、相对湿度和日照时长相关性最好,且在冬季表现最为显著。PM_(2.5)最高浓度风向为正南,阿克达拉主要污染物成分主要来自西北、偏西方向。风速为10m/s时为PM_(2.5)浓度明显转折点。夏季PM_(2.5)有降水时<无降水,冬季PM_(2.5)有降水时>无降水。日照有助于加速颗粒物运动速度,促进污染物扩散。

徐州市PM_(2.5)和PM_(10)相关性分析

徐州市是典型的煤炭工业城市,目前,大气污染依然比较严重,颗粒物是影响区域大气质量改善的主要污染物。本文以徐州市为研究区,利用国控监测站、省控监测站获得的细颗粒物(PM_(2.5))、可吸入颗粒物(PM_(10))质量浓度数据,结合大气灰霾超级站在线监测数据,综合运用数理统计和相关性分析,探讨PM_(2.5)和PM_(10)的时间变化特征,明确二者的相关性。作为老工业基地,徐州市必须充分发挥资源优势和创新优势,大力发展新型能源和双碳产业,从而削减PM2.5和PM10的排放量,改善区域生态环境。

计划烧除影响下的大气O_(3)和PM_(2.5)/PM_(10)多尺度互相关性的多重分形表征

为揭示计划烧除期间烟羽区中O_(3)和二次气溶胶之间的复杂大气光化学行为,基于多重分形去趋势互相关分析(MFDCCA)方法对凉山彝族自治州西昌市5个大气监测点(凉山州政府、青龙寺、邛海宾馆、西昌市政府和长安)不同时间尺度上O_(3)和PM_(2.5)/PM_(10)序列之间互相关性的多重分形强度(Δh)进行研究。结果发现:(1)计划烧除期间(2020年12月—2021年2月和2021年12月—2022年2月)和非计划烧除期间(2016年—2019年同期)各监测点的O_(3)或PM_(2.5)/PM_(10)的日变化规律一致,并且计划烧除期间的O_(3)浓度小于非计划烧除期间,PM_(2.5)/PM_(10)大于非计划烧除期间,其中,青龙寺监测点PM_(2.5)/PM_(10)的增涨幅度最高,而O_(3)浓度的下降幅度最低。(2)各监测点O_(3)和PM_(2.5)/PM_(10)序列之间的互相关性在2016—2022年均具有多重分形特征,各监测点的Δh值均表现出冬春高、夏秋低的季节变化规律,且青龙寺监测点的Δh值最高。(3)各监测点的Δh值均在2020与2021年冬季出现峰值,计划烧除期间的Δh值均高于非计划烧除期间,且青龙寺监测点的增涨幅度最大。研究结果有助于从新的角度理解计划烧除对大气光化学作用的影响,并为进一步研究野火对大气环境的影响并制定相应的措施提供一定的科学依据。

北京不同类型城市森林中PM_(2.5)与O_(3)的关联性分析

大气污染的协同治理是实现经济社会高质量发展,加快生态文明建设的重要途径.PM_(2.5)和臭氧的协同治理是我国“十四五”时期大气污染防治的要求,探究北京市城市森林不同类型林内PM_(2.5)与臭氧的相关性对北京市大气污染的防治具有重要意义.本文利用北京市3个城市森林生态环境监测站测得的PM_(2.5)、O_(3)浓度数据,系统分析不同类型城市森林PM_(2.5)与O_(3)浓度相关性的差异.结果表明:①春季,中心城区、近郊湿地区、近郊浅山区森林中PM_(2.5)与O_(3)浓度呈负相关,中心城区相关性最强(r=0.178,p<0.01);夏季各区域PM_(2.5)与O_(3)浓度均呈正相关,近郊湿地区相关性最强(r=0.095,p<0.01);秋季各区域PM_(2.5)与O_(3)浓度均呈负相关,近郊浅山林区负相关性最强(r=−0.428,p<0.01);冬季近郊湿地区PM_(2.5)与O_(3)浓度呈显著正相关(r=0.061,p<0.05),但中心城区和近郊浅山林区均呈负相关.②工作日期间夜间近郊浅山林区PM_(2.5)与O_(3)浓度相关性相对较强(r=−0.147,p=0.01),其余时间中心城区相关性相对较强,相关系数在−0.14上下波动,周末期间除夜间外,近郊湿地区相关程度相对较强,相关系数在−0.08上下波动.③当PM_(2.5)浓度≤50μg/m^(3)或O_(3)浓度>50μg/m^(3)时,PM_(2.5)与O_(3)浓度呈正相关;PM_(2.5)浓度处于50~200μg/m^(3)之间或O_(3)浓度≤50μg/m^(3)时,二者负相关性相对较强.研究显示,北京市城市森林中PM_(2.5)与O_(3)相关性在季节、不同区域昼夜尺度上有所差异,且林内各区域PM_(2.5)和O_(3)浓度总体呈负相关,表明PM_(2.5)与O_(3)的相互关系受环境背景浓度值、气象要素、人类活动等多因素共同影响.

2016—2020年武汉市PM_(2.5)时空分布特征及与气象因子的相关性分析

PM_(2.5)已逐渐成为影响城市环境空气质量的首要污染物,研究其污染状况及与气象因子的相关性对大气污染防治具有重要的意义.基于2016—2020年武汉市22个监测点的PM_(2.5)监测数据,结合气象资料,运用统计学分析、空间插值法和Pearson相关性分析等方法,研究PM_(2.5)的时空分布特征,并探讨气象因子对PM_(2.5)污染的影响.结果表明:1)从年变化分析,5年间武汉市PM_(2.5)下降显著,污染天数逐年减少,PM_(2.5)年均质量浓度介于50.18~74.19μg·m^(-3)之间;从季变化规律分析,冬季>春季>秋季>夏季;从月变化分析,PM_(2.5)月均质量浓度呈现“U”形分布.2)武汉市PM_(2.5)空间分布特征由北低南高逐渐转变成北高南低,空间分布差异受到区域类型的影响,中心城区污染较郊区更加严重.3)武汉市PM_(2.5)与降水量、极大风速和平均气温呈负相关,与平均气压和平均相对湿度呈正相关.夏冬季的气象因子对PM_(2.5)质量浓度的影响较为显著.

典型人类活动对关中平原城市群PM_(2.5)浓度的影响

为应对突发公共卫生事件而采取的流动限制性措施,为研究人类活动对PM_(2.5)浓度的影响提供了一个独特的自然实验环境,但该期间关中平原城市群PM_(2.5)浓度分布及驱动力有何变化尚缺乏关注。基于2018~2020年PM_(2.5)遥感反演数据,采用空间自相关分析、地理探测器和多尺度地理加权回归(MGWR)模型,分析2020年2月至3月实施流动限制性措施期间关中平原城市群PM_(2.5)浓度及驱动因子的时空演变特征。结果表明:①2020年2月至3月PM_(2.5)浓度显著下降,2020年2月热点减少,3月冷点减少。②相比历年同期,所有人为因素单因子在2020年2月对关中平原城市群PM_(2.5)浓度的解释力最低,自然因素解释力较高。其中,工厂兴趣点分布(POI_D)及路网分布(RD)解释力相比历年同期平均解释力降幅最大,分别为20.3%和38.6%。所有人为因素双因子交互影响解释力在2020年2月最低。③所有人为因素在2020年2月对关中平原城市群PM_(2.5)浓度的作用尺度最小,当不同时期人为因素强度处于平均水平时,实施流动限制性措施期间的PM_(2.5)浓度更易降低,但东部地区的PM_(2.5)浓度防治强度还需增大。

考虑自行车骑行者PM_(2.5)吸入量的健康骑行速度识别方法

为降低空气污染时自行车骑行者的PM_(2.5)吸入量,提升健康水平,其可采用减小行程暴露时间或呼吸速率2种方式。2种方式对骑行速度的要求相反,且PM_(2.5)等污染物的吸入量因人而异,所以亟需建立考虑个体差异的PM_(2.5)吸入量-骑行速度模型,以识别骑行者在PM_(2.5)吸入量最小时的健康骑行速度。能量消耗模型以心率和个体特征指标为变量计算空气吸入量,并可结合PM_(2.5)暴露质量浓度和骑行时间进而计算骑行者出行过程的PM_(2.5)吸入量。根据个体骑行者的速度与心率的关联特征构建PM_(2.5)吸入量-骑行速度模型,并通过求导方法获得健康骑行速度。对西安市173名被试试验结果的分析表明:健康骑行速度下男性、女性的PM_(2.5)吸入量与最小和最大骑行速度下的PM_(2.5)吸入量相比,降低比例分别为17.06%、8.57%和1.85%、2.50%。PM_(2.5)吸入量和骑行速度之间呈“U”形曲线分布,“U”形曲线最低点对应于PM_(2.5)吸入量最小时的健康骑行速度。男性健康骑行速度与年龄、体重和基础心率各变量间的相关关系均呈正相关,而女性健康骑行速度与年龄、体重和基础心率各变量间的相关关系分别呈正相关、负相关和正相关。健康骑行速度分布结果可为骑行者针对个体差异性特征提供参考,并建立污染天气下骑行者PM_(2.5)吸入量减少的交通管控方法,提升居民在骑行过程中的健康水平。

基于Transformer的PM_(2.5)浓度预测方法

在深度学习领域中,通常采用循环神经网络(RNN)等方法对PM_(2.5)的浓度进行预测研究,但传统方法在捕捉多站点数据之间的时空相关性方面存在一定困难。为了解决这一问题,基于Transformer网络模型对PM_(2.5)浓度数据预测进行研究。Transformer采用多头自注意力机制,能够更好地捕捉PM_(2.5)浓度的时空依赖性。其通过模型中编码器提取特征信息,通过模型中解码器处理特征中的依赖关系,输出未来时刻的PM_(2.5)浓度,在真实数据集上的实验表明,Trans⁃former网络模型具备更好的预测能力。

京津冀地区大气PM_(2.5)污染时空分布特征及成因分析

基于PM_(2.5)浓度数据、自然因素数据和人类活动因素数据,采用克里金插值法和统计分析法探究2017年京津冀地区13个城市大气PM_(2.5)污染的时空分布特征,并采用相关分析模型和因子分析模型探究其成因。结果表明,京津冀地区:1)PM_(2.5)浓度空间分布呈现“北低南高”的特点,南部和北部城市的年平均浓度梯度最高可达到64μg/m^(3);2)PM_(2.5)浓度时间分布呈现“冬高夏低”、“早晚高午后低”的特点,冬季PM_(2.5)浓度是夏季的1.3~2.8倍,四季PM_(2.5)浓度日较差介于11~29μg/m^(3);3)大气PM_(2.5)污染与自然因素关系密切。地势地形影响PM_(2.5)的聚集、传输和扩散过程。风速、日照时数和相对湿度是影响大气PM_(2.5)污染的主导气象因素,冬季PM_(2.5)浓度与气象因素的相关性最强;4)大气PM_(2.5)污染与人类活动关系密不可分,具体可归为:社会经济因素、工业污染排放因素和城市建设因素。研究结果将有助于为京津冀地区大气污染防治查漏补缺。

基于不同城市规模的长三角地区PM_(2.5)质量浓度变化及其影响因素

长三角地区是中国经济发展最活跃、创新能力最强的区域之一,但随工业化和城市化迅速推进,PM_(2.5)污染问题受到了广泛关注。本文以长三角地区为研究对象,基于2000—2018年遥感反演的PM_(2.5)数据,利用空间聚集分析、空间面板计量模型等方法,揭示不同人口规模城市PM_(2.5)质量浓度的时空演变特征,及其关键影响因素。研究表明:①2000—2018年长三角地区PM_(2.5)平均质量浓度约(40.5~59.1)μg/m^(3),整体呈现先上升后下降的趋势。②其中,特大城市与中等城市的PM_(2.5)质量浓度持续走高,而其他规模城市的PM_(2.5)质量浓度则呈现下降趋势,出现显著的“两极分化”现象。③长三角地区PM_(2.5)质量浓度空间聚集性特征明显,PM_(2.5)质量浓度“高–高”聚集区分布在长三角地区东北部,且聚集范围持续缩小,“低–低”聚集区从江苏中部转移至浙江中南部。④长三角地区PM_(2.5)质量浓度存在空间溢出效应,影响PM_(2.5)质量浓度变化的最重要因素是第二产业占比,其次是第三产业占比,城镇化率、地区生产总值和建成区占比的影响较小。

2001—2020年云南省PM_(2.5)时空格局及演变分析

基于重心模型和空间自相关等分析方法,利用卫星遥感、人工智能和大数据生成的2001—2020年近地表大气污染物数据集中的PM_(2.5)浓度数据集,综合分析云南省2001—2020年PM_(2.5)浓度时空演变特征,并探讨其空间异质性成因.结果表明:①以2013年为拐点,前13年PM_(2.5)浓度缓慢增长,后7年则急剧下降.主导区间近地面层大气中PM_(2.5)浓度于2015年发生明显变化,由25~35μg/m^(3)和35~50μg/m^(3)变为15~25μg/m^(3)和25~35μg/m^(3).②后7年年均PM_(2.5)浓度较前13年大幅减弱,滇西北和滇中地区减弱程度较滇西南和滇南地区明显,使得研究时段PM_(2.5)浓度重心南移19.8 km.③乡镇PM_(2.5)浓度存在显著的空间正相关性,但相关强度随时间减弱;2015年和2020年PM_(2.5)浓度高—高集聚的热点区域较前面年份扩张明显,基本覆盖滇西南和滇南区域;低—低集聚冷点区域成片分布于滇西北至滇中北部.④气象要素、地理位置、地形因子和上风方生物质燃烧释放的污染物影响差异,是造成云南省大气中PM_(2.5)浓度时空格局及演变的主要驱动力.

湿度对PM_(2.5)/PM_(10)比值影响及MLP神经网络大气污染预测

颗粒物污染严重影响大气环境质量和公众身体健康.基于郑州、太原、成都2022—2023年秋冬季大气污染和气象数据,讨论了PM_(2.5)、PM_(10)污染特征,通过计算斯皮尔曼系数并进行偏相关分析,得出PM_(2.5)/PM_(10)与相对湿度之间的相关性,并利用MLP神经网络建立关于PM_(2.5)和PM_(2.5)/PM_(10)的预测模型.结果表明,郑州、太原、成都2022—2023年秋冬季PM_(2.5)均值分别为63.52、52.68、50.95μg/m^(3),PM_(2.5)/PM_(10)比值都超过0.5.郑州、太原PM_(2.5)/PM_(10)与相对湿度呈现较强的正相关性.利用MLP神经网络对PM_(2.5)和PM_(2.5)/PM_(10)建立预测模型,误差分别为6.75μg/m^(3)和0.076,模型精度较高.建议未来从秋冬供暖、推广工业水蒸气回收装置、合理开展道路洒水等方面巩固颗粒物污染治理成效,探索和优化机器学习模型用于PM_(2.5)/PM_(10)预测,为大气污染防治提供数据参考,以求发挥大数据在做到精准治污中的作用.

湿热地区城市街道植物形态特征对交通源PM_(2.5)质量浓度分布特性的影响研究

高密度城市交通流量的大幅增加,使得城市街区颗粒物污染问题日益严峻。街道绿化作为城市景观的重要组成,其植物形态参数特征对街区空气质量产生重要影响。本文以广州市某街区为研究对象,首先利用实测数据验证ENVI-met软件模拟街区尺度PM_(2.5)典型颗粒物分布特性的精度,进而对案例区域街道两侧植物的多种形态参数组合进行建模及数值模拟。ENVI-met软件的验证结果表明该模型对于模拟高密度城市街区交通源PM_(2.5)分布具有一定适用性。多组植物形态模拟结果显示:行道树高度建议在10 m左右,能够有效降低交通源PM_(2.5)质量浓度,结合相关规范,建议树干高度设置为3~5 m,冠幅为5~7 m。

济南市2015—2021年PM_(2.5)、O_(3)和NO_(2)污染变化特征及相关性分析

济南市地形特殊,大气污染物易于积聚,扩散能力差,细颗粒物(PM_(2.5))、NO_(2)、O_(3)是影响济南市环境空气质量的重要污染因子。基于2015—2021年济南市环境空气PM_(2.5)、NO_(2)、O_(3)监测历史数据,本文分析济南市PM_(2.5)、O_(3)和NO_(2)的年度、月度、小时质量浓度变化趋势,讨论O_(3)与NO_(2)、PM_(2.5)与O_(3)、PM_(2.5)与NO_(2)的相关性,以更好地推进区域大气污染防治。

交通相关PM_(2.5)对人外周血淋巴细胞凋亡的影响

为探讨交通相关PM_(2.5)对人外周血淋巴细胞凋亡的诱导作用及可能机制,为交通相关PM_(2.5)的免疫毒性提供实验依据,采用0、50、100、200μg/mL PM_(2.5)对人外周血淋巴细胞进行24 h和48 h染毒,FITC-AnnexinV/PI染色,流式细胞仪检测淋巴细胞早期凋亡和坏死;采用0、20、80、320μg/mL PM_(2.5)浓度分别染毒人外周血淋巴细胞24、48、72 h,Western blot法测定细胞内含半胱氨酸的天冬氨酸特异蛋白水解酶3(cysteinyl aspartate specific proteinase 3,Caspase-3)和cAMP反应元件结合蛋白(cAMP-response element binding protein,CREB)蛋白表达水平,ELISA法检测细胞内环磷酸腺苷(cyclic adenosine monophosphate,cAMP)含量。结果表明,50、100、200μg/mL PM_(2.5)染毒细胞24 h和48 h后,淋巴细胞早期凋亡和坏死均高于生理盐水组,差异有统计学意义(P<0.01),且具有一定的剂量-效应关系;20、80、320μg/mL PM_(2.5)染毒细胞24、48、72 h后,各剂量组Caspase-3蛋白表达水平均高于对照组,除80μg/mL PM_(2.5)染毒72 h外,差异均具有统计学意义(P<0.01)。320μg/mL PM_(2.5)染毒细胞24、48、72 h后,细胞内cAMP含量均比生理盐水组升高(P<0.05)。PM_(2.5)染毒72 h后,CREB表达水平随PM_(2.5)浓度的升高而降低(P<0.01)。可见,交通相关PM_(2.5)可诱导人外周血淋巴细胞产生凋亡,且细胞内cAMP和CREB参与了凋亡的调控。

陕西省PM_(2.5)时空分布及影响因素区域差异研究

为了解陕西省PM_(2.5)分布特征及影响因素区域差异,基于陕西省2019年PM_(2.5)浓度数据,采用空间数据统计方法、空间自相关分析法和地理探测器法对PM_(2.5)时空分异特征及驱动因素进行探究,以期为陕西省PM_(2.5)研究与治理提供可靠的科学依据。结果表明:陕西省PM_(2.5)污染呈“冬高夏低”、“中部高、南北低”的特点。陕西省PM_(2.5)浓度空间分布表现为极显著的空间正相关性,陕南部分县域为低低聚集区,关中地区渭南、西安、咸阳部分县域为高高聚集区。对陕西省PM_(2.5)浓度影响最大的是社会经济因子(0.328—0.548),陕北地区为GDP(0.932),关中地区为人口密度(0.936),陕南地区为相对湿度(0.710)。交互探测结果表明:陕西省主导交互因子为人口密度∩GDP,各种复杂的自然因素和人为活动因素耦合会大大加强对PM_(2.5)浓度的解释力。

黄河几字弯都市圈PM_(2.5)时空特征及影响因素分析

黄河几字弯都市圈是黄河流域“一轴两区五极”发展动力格局的重要一极,揭示区域PM_(2.5)的时空特征和驱动力,对实施区域联防联控和促进环境的健康发展具有重要意义。基于2015-2021年PM2.5污染物数据,运用地理空间分析方法分析黄河几字弯都市圈PM2.5的时空演变特征,并借助地理探测器工具探究其时空特征的影响因素。结果表明,(1)在时间上,2015-2021年黄河几字弯都市圈PM2.5年均质量浓度整体呈下降趋势,由48μg·m^(-3)降至27μg·m^(-3),降幅达44%;月均质量浓度呈“U”型变化特征,1月(61μg·m^(-3))最高,8月(25μg·m^(-3))最低;季均质量浓度表现为冬季(55μg·m^(-3))>秋季(38μg·m^(-3))>春季(34μg·m^(-3))>夏季(27μg·m^(-3))。(2)在空间上,2015-2021年PM2.5年均浓度整体呈高浓度区减少的空间格局,由14个城市缩减至2个城市;月均浓度空间分布差异显著,秋冬季中11月、12月、1月和2月的高浓度区域分布范围广,春夏季中4-8月的低浓度区域分布范围大。(3)在关联上,2015-2021年PM2.5年均浓度呈显著的空间集聚分布特征,热点区逐渐收缩,缩减率超过50%,冷点区逐渐扩散,扩大1.6倍,空气质量优良范围增加显著。(4)社会因素的q值大小为第二产业占比(0.790)>城镇化率(0.699)>人口密度(0.590)>地区生产总值(0.566),对PM_(2.5)浓度的影响程度较大,自然因素中植被指数(0.199)和年均降水量(0.127)的影响程度较小;各因子交互作用后具有双因子增强和非线性增强的协同效应,第二产业占比与其他因子交互作用力达到90%以上。研究结果可为黄河几字弯都市圈制定针对性的PM2.5综合治理政策提供参考。

衡阳市PM_(2.5)污染特征及影响因素相关性分析

【目的】了解衡阳市PM_(2.5)的时空分布特征及影响因素,为衡阳市科学防控PM_(2.5)污染提供理论依据。【方法】采用Pearson相关性分析,探究衡阳市PM_(2.5)与气象因素、社会经济因素及其他污染因子之间的相关关系。【结果】衡阳市PM_(2.5)浓度中心城区高于其他县市区,每年12月至次年1月出现浓度高峰;衡阳市PM_(2.5)浓度与平均气压、平均气温、日照时数、平均风速和降水量均有显著相关关系,相关度依次为0.874、-0.841、-0.547、-0.546和-0.338,与平均湿度相关关系不明显;社会经济因素与衡阳市PM_(2.5)浓度的相关关系不明显;衡阳市中心城区PM_(2.5)浓度与PM_(10)、CO、NO_(2)、SO_(2)和O_(3)浓度均有显著相关关系,相关度依次为0.953、0.873、0.861、0.774和-0.565。【结论】在防控衡阳市PM_(2.5)污染时,应当结合时空分布特征、气象条件等合理制定防控措施,并与其他污染物联防联控。

气溶胶光学厚度与PM_(2.5)浓度的时空分布特征及其关系——以京津冀大气污染传输通道城市群为例

城市人口和产业的聚集伴随化石能源消费的迅速增长,导致空气污染物排放量不断增加,对区域气候产生了不可逆的负面影响。以多源遥感数据为基础,对京津冀大气污染传输通道城市群(“2+26”城市群)2015—2019年气溶胶光学厚度(AOD)、PM_(2.5)浓度的时空分布格局进行分析,从月份、季节、年份三个时间维度定量分析其时空变化规律,并通过计算相关性系数来分析气溶胶光学厚度对PM_(2.5)浓度的影响。主要得出研究结论如下:(1)PM_(2.5)浓度整体呈现冬季>春季>秋季>夏季的趋势,并且表现出高度空间自相关性,2015—2019年间,PM_(2.5)浓度显著下降至40μg/m^(3)以下;(2)AOD平均范围值在0—1之间,总体上呈现春夏季高,秋冬季低的分布特点,到2019年,春夏秋三季AOD浓度呈现明显降低,夏季下降趋势最为显著,AOD同样表现出高度空间自相关性;(3)AOD与PM_(2.5)浓度存在显著的正相关关系。从季节变化上看,相关性呈现出:秋季>夏季>冬季>春季的特点。年均AOD与PM_(2.5)浓度呈现中等正相关关系。因此,定量研究气溶胶光学厚度与PM_(2.5)浓度在时空变化上的相似性以及相关性,可以证明气溶胶对大气污染存在影响关系,为未来城市空气质量管理提供科学思路和依据。