基于时空优化模型的PM_(2.5)遥感估测研究

为了获得连续的PM_(2.5)浓度时空分布并提高估算精度,提出了一种新的基于时空因子优化的PM_(2.5)估测模型(SFRF).SFRF模型是时空因子通过卷积特征融合到随机森林算法(RF)体系中,通过集成高分辨率(1km)卫星反演的气溶胶光学厚度(AOD)产品以及气象数据、夜间灯光数据和植被数据构建SFRF模型来进行对2019年的山东省地区PM_(2.5)浓度的准确预测,生成山东省高空间分辨率(1km)的PM_(2.5)浓度.采用十折交叉验证法,评估了SFRF模型的性能,并与BPNN、SVM、XGBoost、RF、PCA-RF模型进行对比.结果表明:SFRF模型验证的决定系数和均方根误差(RMSE)值分别为0.85和8.10µg/m^(3),优于其他模型.SFRF模型可以在日、季、年尺度上以较高的空间分辨率来估测山东省PM_(2.5)浓度.

PCA-BP模型下皖北城市群PM_(2.5)浓度分析

为探究皖北城市群大气污染物在不同地域、不同时间下的分布规律以及影响空气中PM_(2.5)浓度的相关变量,结合2018—2021年安徽省生态环境厅统计数据及相关地域资料,采用主成分分析(principal component analysis, PCA)法按时间段长短及季节性变化分别选取月度数据与年度数据对空气质量的影响因子做相关性分析,对比分析不同季节下空气污染物PM_(2.5)、PM_(10)的浓度及其他空气污染物浓度的变化,构建基于PCA算法的反向传播神经网络(back-propagation, BP),建立PCA-BP模型并采用交叉-验证法提高模型精度,对大气污染物PM_(2.5)的浓度做短期预测。实验结果表明:PM_(2.5)浓度的主要影响因子为PM_(10)、CO、NO_(2)、SO_(2);皖北地区PM_(2.5)含量整体在冬季偏高;预测模型的精度在夏季与秋季较高,冬季较低,四季的预测精度R2分别达到0.924、0.958、0.935、0.794。

基于空间杜宾模型的中国274市PM_(2.5)浓度时空特征及影响因素研究

PM_(2.5)是雾霾污染的重要成分之一,研究其时空演变特征及影响因素对控制PM_(2.5)浓度升高有重要意义。采用2003—2020年274个地级以上城市PM_(2.5)浓度及相关指标数据,结合GIS空间分析以及面板空间杜宾模型对PM_(2.5)浓度的时空演变特征和影响因素进行全面解析。结果表明:1)PM_(2.5)浓度呈波动下降趋势且其分布存在明显的地区差异,重污染区域主要分布在华北、华中和华东地区。2)PM_(2.5)浓度呈现出显著的空间关联特征,大多数城市都是高-高集聚或低-低集聚。3)在社会经济因素中,政府环境治理、科技支出和外商直接投资对PM_(2.5)浓度是负向影响,工业化水平和人口密度对PM_(2.5)浓度是正向影响;在自然因素中,年均风速、年均日照时数和地形起伏度等对PM_(2.5)浓度是负向影响。基于实证研究分析,从顶层设计出发,提出大气污染防治的可行性建议。

基于VAR模型的石家庄市PM_(2.5)的影响因素研究

根据石家庄市2013年12月2日至2021年2月1日的空气污染物PM_(2.5)、PM_(10)、SO_(2)、CO、NO_(2)和O_(3)浓度数据,以及日平均气温、日平均气压、日平均相对湿度、2 min平均风速和10 min平均风速气象数据,利用向量自回归模型(Vector autoregression,VAR),从各空气污染物变量和气象变量中选取对时间序列影响较大的重要变量,研究PM_(2.5)与重要变量之间的动态关系及它们对PM_(2.5)浓度的影响。结果表明:SO_(2)浓度、NO_(2)浓度、O_(3)浓度、日平均气温、日平均气压、2 min平均风速相较其他变量对PM_(2.5)浓度有显著影响;从长期关系来看,SO_(2)浓度和日平均气压变量对PM_(2.5)浓度有正向影响,NO_(2)浓度、O_(3)浓度、日平均气温,以及2 min平均风速变量对PM_(2.5)浓度的增加有抑制作用。

基于多元线性回归模型的赣州市PM_(2.5)质量浓度模拟

以土地利用变化为切入点,基于赣州市空气监测站的PM_(2.5)质量浓度数据和土地利用数据、道路数据、人口数据、气象因子数据,分析各因素与PM_(2.5)质量浓度的相关关系,筛选合适的数据,建立基于多元线性回归方法的土地利用回归(Land Use Regression,LUR)模型来模拟PM_(2.5)的空间分布。研究结果表明,基于多元线性回归的LUR模型将森林和主要道路、边界层高度、风速作为建模变量,模型的调整R2(决定系数)为0.855,RMSE(均方根误差)为0.635,在拟合度和准确度方面都表现良好。

组合预测模型构建及在合肥市PM_(2.5)浓度预测中的应用

Dice系数是衡量两个序列接近程度的指标,将广义诱导有序加权平均(GIOWA)算子和Dice系数相结合,提出了基于GIOWA算子和Dice系数的组合预测模型,并且给出了优性组合预测的定义。将该模型应用到合肥市PM_(2.5)浓度预测上,选取2014-2021年共84期的PM_(2.5)浓度及核心影响要素的月度数据进行分析,将组合预测结果与单项预测结果进行对比,并分析了组合预测模型中参数取值发生变化时对组合预测权重、预测效果评价指标和Dice系数影响情况。实证结果表明所建立的组合预测模型的预测效果要优于单项预测模型。

沈阳市O_(3)与PM_(2.5)关系及污染主控因素分析

PM_(2.5)与O_(3)的协同控制是空气质量持续改善的关键所在,厘清PM_(2.5)与O_(3)的关系,识别O_(3)主控因素以及量化气象和人为排放贡献是实施二者协同控制的基础.本研究基于沈阳市大气复合立体超级站2019−2022年地面观测数据,分析PM_(2.5)和O_(3)协同关系及成因;利用逐步回归模型得到影响O_(3)变化的主控因素,并估算各气象因素对O_(3)的贡献.结果表明:①沈阳市2019−2022年夏季PM_(2.5)浓度与O_(3)浓度呈正相关,有明显的协同增长效应,其余三季均呈明显负相关.究其原因,主要是由于夏季高温和高太阳辐射条件利于大气光化学反应,促进了O_(3)、PM_(2.5)中二次无机成分〔主要是硫酸盐(SO_(4)^(2−))、硝酸盐(NO_(3)−)和铵盐(NH_(4)^(+)),简称“SNA”〕共同增长所致;而冬季高排放和高大气稳定度等气象条件利于SNA和二次有机碳(SOC)非均相生成,但弱太阳辐射和低温等条件不利于O_(3)光化学生成,加之高NO的滴定效应,使SNA和SOC浓度均与O_(3)浓度呈负相关.②在观测的相关污染物和气象因子中,过氧乙酰硝酸酯(PAN)与O_(3)浓度的关系最为密切,尤其在夏季.③气象因素中,O_(3)浓度与气温高度相关,与风速也呈正相关,而与相对湿度则在各季节均呈负相关.冬、春、秋三季PM_(2.5)均对O_(3)起抑制作用,冬季尤为突出.在高浓度O_(3)污染(O_(3)浓度>160μg/m^(3))过程中,主控因素中气温和风速的抬升促进O_(3)浓度升高,而高NO2和相对湿度(RH)则有利于降低O_(3)浓度.在2019−2022年高浓度O_(3)污染过程中,气象因素对沈阳市O_(3)浓度变化的贡献高于O_(3)前体物排放的贡献,总贡献为57μg/m^(3),对污染形成起着主导作用.

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。

泰山夏季O_(3)和PM_(2.5)污染特征及成因分析

华北地区是我国空气污染最严重的地区之一.泰山为华北平原最高峰,可代表华北地区背景大气的环境特征.本研究利用2021年6−8月在泰山顶的强化观测数据,开展了基于观测的化学盒子模型模拟,结合位于泰山下国控站点(泰安市监测站)同期监测数据的对比分析,探究了泰山顶夏季PM_(2.5)和O_(3)的污染特征及成因机制.结果表明:①观测期间,泰山顶NO2、SO2、CO的日均浓度均明显低于泰山下,而泰山顶O_(3)浓度相对更高.泰山顶O_(3)浓度超标天数为61 d,超标率为67.0%,最长连续超标天数达23 d;泰山顶PM_(2.5)日均浓度亦略高于泰山下.②泰山顶日间(07:00−17:00)O_(3)浓度主要来源于光化学反应,而夜间主要来源于区域传输.观测期间,泰山顶O_(3)的生成主要处于NO_(x)控制区.③随PM_(2.5)小时平均浓度的增加,其中二次无机盐(硫酸盐、硝酸盐和铵盐)浓度增加的比例大于有机物;与清洁时段(PM_(2.5)小时浓度小于35μg/m^(3)的时段)相比,PM_(2.5)污染时段(PM_(2.5)小时浓度大于35μg/m^(3)的时段)二次无机盐浓度占比增加了13.1%.④泰山顶PM_(2.5)日均浓度和O_(3)日最大8 h平均浓度(MDA8 O_(3)浓度)呈显著正相关(R=0.73,P<0.01).观测期间共发生50次PM_(2.5)和O_(3)小时浓度同步升高的现象,O_(3)浓度平均升速为(10.1±5.3)μg/(m^(3)·h),PM_(2.5)浓度平均升速为(9.5±6.4)μg/(m^(3)·h),二者同步升高的持续时间为2~14 h.PM_(2.5)和O_(3)小时浓度同步升高的过程倾向于发生在静风时段,与地面污染物向山顶输送、光化学反应、液相反应及残留层中的传输过程有关.研究显示,泰山O_(3)和PM_(2.5)污染防控需关注周边地区污染物排放及残留层传输的影响.

基于PM_(2.5)浓度达标约束和区域联防联控的河南省地级市大气环境容量研究

为研究以河南省为代表的受大气污染传输影响显著省份的大气环境容量,本文基于CMAQ模型,采用嵌套迭代模拟的方法,计算了在周边省份区域联防联控的前提下河南省PM_(2.5)浓度达标(GB 3095-2012《环境空气质量标准》二级标准限值)时17个地级市SO_(2)、NO_(x)、一次PM_(2.5)和NH_(3)的大气环境容量.结果表明:①省外传输对河南省PM_(2.5)浓度的贡献率为50.29%,其中周边7个省份传输贡献率为36.19%,可见周边省份实施大气污染联防联控是河南省实现空气质量达标的必要条件.②在省级PM_(2.5)浓度达标时,河南省周边7个省份SO_(2)、NO_(x)、一次PM_(2.5)和NH_(3)的大气环境容量分别为279.07×10^(4)、465.61×10^(4)、172.67×10^(4)和182.96×10^(4)t,超载排放量分别为243.13×10^(4)、402.79×10^(4)、143.63×10^(4)和142.54×10^(4)t.③在区域联防联控的前提下,全省PM_(2.5)浓度达标时河南省17个地级市的SO_(2)、NO_(x)、一次PM_(2.5)和NH_(3)环境容量分别为23.48×10^(4)、52.40×10^(4)、22.74×10^(4)和32.17×10^(4)t,超载排放量分别为48.43×10^(4)、106.78×10^(4)、45.84×10^(4)和61.63×10^(4)t.④河南省东南部区域的SO_(2)和NO_(x)排放以及西北部区域的一次PM_(2.5)和NH_(3)排放会对全省PM_(2.5)浓度变化有显著贡献.研究显示,河南省PM_(2.5)浓度达标时,4种主要大气污染物的环境容量的最大值为52.40×10^(4)t,超载排放量的最大值为106.78×10^(4)t.为实现河南省PM_(2.5)浓度达标,河南省周边省份均需要实施大气污染联防联控,同时河南省需要加大对东南部区域的SO_(2)和NO_(x)排放以及西北部区域的一次PM_(2.5)和NH_(3)排放的管控.

土地利用变化背景下植被大气PM_(2.5)去除能力动态评估

为了加深对土地利用变化背景下植被大气净化功能的量化理解,回顾分析2000—2020年丽水市土地利用变化趋势,利用干沉降模型评估植被对PM_(2.5)去除能力的动态变化;利用地理加权回归模型分析植被对PM_(2.5)去除能力变化的主要驱动因素,并基于此利用PLUS模型在空间上预测未来不同管理情景下2030年土地利用格局及植被PM_(2.5)去除能力。结果表明,2000—2020年土地利用变化的主要类型是由社会经济因素所驱动的建设用地对林地的侵占;在城市化和大气污染治理的共同作用下,2020年丽水地区植被大气PM_(2.5)干沉降速率相比2000年下降了3.0%,干沉降通量由2000年的0.36 g/(m^(2)·a)下降至2020年的0.26 g/(m^(2)·a);自然环境因素对植被大气PM_(2.5)去除能力的空间分异规律解释能力最强;自然发展情景下,2030年植被大气PM_(2.5)去除能力相比2020年继续下降了1.6%,而生态保护情景则增加了1.3%。2000—2020年,丽水市的耕地、林地和草地面积呈缩减趋势,水域及建设用地面积有所扩张,主要受到社会经济因素的推动;植被大气PM_(2.5)干沉降去除能力不断下降,其空间分异主要与自然环境因素有关;在未来情景中,按照现有发展模式植被大气PM_(2.5)干沉降去除能力将继续下降,而生态发展情景下干沉降去除能力将有所提高。

基于XGBoost ARIMA方法的PM_(2.5)质量浓度预测模型的研究及应用

针对PM_(2.5)时间序列的非线性、高噪声、不平稳与波动性的特征,提出一种基于分解集成框架以及相关性去噪的新型XGBoost-ARIMA混合预测模型。以石家庄市为例,选择PM_(10)、SO_(2)等4个影响因子,PM_(2.5)为目标因子,构建混合预测模型以合理区分与处理时间序列中高频、低频数据,并通过Pearson相关性去噪方法对时间序列中的噪声因子进行去除。实例验证及与经典预测模型的对比研究表明,提出的新型XGBoost-ARIMA混合预测模型适用于大气污染治理以及环境政策制定所需的PM_(2.5)质量浓度日均数据预测,实现了针对大气污染物日均质量浓度的准确预测,能够为污染治理与政策制定提供科学的数据支撑;该方法与经典预测模型相比,具有更优的预测性能(平均绝对误差仅为10.46518,且希尔不等系数低至0.08589)。

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MCD19-A2数据和GWR模型的2011-2020年中国大气PM_(2.5)质量浓度反演

为探究MODIS高时空分辨率气溶胶产品数据在长时间序列下对于反演中国陆地PM_(2.5)质量浓度的适用性和准确性。该研究基于MCD19-A2数据研究2011-2020年中国陆地气溶胶光学厚度(aerosol optical depth,AOD)的时空分布特征,以降水、风速等8个气象要素为辅助变量建立反演PM_(2.5)的地理加权回归模型(geographically weighted regression,GWR)并分析中国陆地PM_(2.5)的空间分布。结果表明:1)2011-2020年中国陆地气溶胶时空分布基本符合“西低东高、逐年下降”的规律且10 a间AOD值存在较大季节差异,春季(0.294)>夏季(0.262)>冬季(0.223)>秋季(0.194)。2)利用方差膨胀系数(variance expansion coefficient,VIF)对变量进行多重共线性检验,建立并分析2011-2020年GWR模型,发现建模集决定系数均大于0.760,验证集决定系数均大于0.740,且均方根误差均小于7.070μg/m3,模型拟合效果良好。3)将GWR模型预测的PM_(2.5)浓度值分别通过样条函数插值法、反距离加权插值法、克里金插值法和自然邻近插值法进行空间插值,发现4种插值方法决定系数均大于0.910,均方根误差均小于7.030μg/m3,插值结果十分可靠,并与国家地球系统科学数据中心所提供的“1km高质量中国PM_(2.5)分布”数据一致。该研究表明结合MCD19-A2数据与GWR模型反演PM_(2.5)浓度具有较好的适用性。

基于贝叶斯分层自回归时空模型的北京PM_(2.5)预测

为解决PM_(2.5)的多站点同步预测问题,提出一种贝叶斯框架下的分层自回归时空模型.将PM_(2.5)日均浓度真实值视为潜在时空过程,利用一阶自回归过程刻画时间相关性,并基于Matérn过程捕获空间相关性,极大程度地提高了降维和同步预测的效率.此外,还将日最高温度、相对湿度和风速等气象因素作为解释变量,用于提升PM_(2.5)的预测效果.借助模型的分层结构,通过贝叶斯方法结合马尔可夫链蒙特卡罗(MCMC)算法实现参数估计和预测过程.对北京市日均PM_(2.5)浓度的实证分析表明,模型在空间和时间维度上均有良好的插值或预测效果.

基于Prophet-LightGBM的PM2.5浓度预测模型

近年来,PM2.5污染问题日益突出,对人们的身体健康和环境质量造成了严重影响,建立准确的PM2.5浓度预测模型对于污染防治和空气质量管理具有重要意义。针对PM2.5时间序列的非线性、高噪声、不平稳特征提出一种将Prophet模型和LightGBM模型相结合的组合模型。为了验证模型的有效性,以兰州市PM2.5浓度数据为例,对比分析了Prophet-LightGBM模型和其他4种预测模型及其在不同季节下的预测效果。结果表明,Prophet-LightGBM模型相较于对比模型能够更准确地预测PM2.5浓度的变化趋势,RMSE值达6.557,MAE值达4.543,MAPE值达14.344%,在夏季和秋季的预测准确度和稳定性方面表现出更优异的性能,RMSE值最优时达3.155,MAE值达2.169,MAPE值达9.4%。

基于BP神经网络的PM_(2.5)浓度值预测模型

PM_(2.5)对空气质量的恶劣影响和对生命健康的严重威胁日益引起了各界的关注。揭示PM_(2.5)时间分布规律,对其浓度进行有效预测,有助于大众及时采取防控措施和降低污染暴露强度。故以西安市为研究区,基于反向传播神经网络(BP神经网络),应用2014年1月1日至2017年11月4日的1400组大气污染物监测数据进行训练学习,并用2017年11月4日至2018年8月31日的300组数据进行测试和检验,最终建立了精度较高的PM_(2.5)浓度预测模型,用以预测次日PM_(2.5)浓度值,并针对偏差较大的预测结果,进行了成因分析和讨论。

大气PM_(2.5)浓度与喘息儿童日就诊量的相关性研究

目的:研究大气PM_(2.5)浓度与喘息儿童日就诊量的关系。方法:在控制时间的中长期效应、节假日效应、星期效应基础上,利用时间序列的广义相加模型,回顾性分析2019年上海市东部地区某三甲医院儿科门急诊喘息儿童的日就诊量受天气(日平均温度、相对湿度)和大气污染物(PM_(2.5)、PM_(10)、SO_(2)、NO_(2)及O_(3))的影响程度,并推测上述指标相应浓度范围的超额危险度(ER)。结果:上海市东部地区PM_(2.5)浓度对喘息儿童的日就诊量存在影响,大气PM_(2.5)浓度与PM_(10)、SO_(2)和NO_(2)浓度均呈正相关关系(r=0.780、0.601、0.658,P<0.05);与相对湿度、温度均呈负相关关系(r=-0.015、-0.270,P<0.05)。PM_(2.5)暴露对日就诊量的影响存在滞后效应,滞后1 d影响最大。单污染物模型结果显示,PM_(2.5)浓度每升高10μg/m 3,日就诊超额危险度(ER)(95%CI)为4.251%(0.824%~7.796%);分别引入当日SO_(2)、NO_(2)及O_(3)建立双污染物质模型,PM_(2.5)+SO_(2)、PM_(2.5)+NO_(2)和PM_(2.5)+O_(3)中,大气PM_(2.5)浓度每升高10μg/m^(3),日就诊量ER(95%CI)分别为5.442%(0.747%~10.355%)、5.371%(1.378%~9.522%)和4.535%(1.481%~7.682%)。结论:大气高浓度PM_(2.5)暴露可能影响喘息儿童日就诊量,使之增加。

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.