中国城市PM_(2.5)污染暴露不平等及其驱动因素——基于Theil指数和LMDI分解

聚焦大气污染物PM_(2.5),对2015~2021年污染物浓度进行人口规模赋权,构建中国城市PM_(2.5)污染暴露水平指标,基于GINI系数和Theil指数测度污染暴露不平等,并按城市行政层级、省份进行差异分解;基于对数平均迪氏指数分解法(LMDI),分别对污染暴露水平、不平等程度进行驱动因素分解,探究其变化背后的社会经济因素.结果表明:中国城市PM_(2.5)污染暴露不平等总体温和,GINI系数保持在0.2以内且呈递减趋势.不同行政级别城市间未表现出污染暴露不平等,而省际差异对污染暴露不平等的贡献达68.4%;总体上能源的污染暴露乘数、政府绿色支出能耗强度是PM_(2.5)污染暴露水平的主要抑制因素,对污染暴露水平的驱动贡献超过60%.政府支出结构、支出规模、经济发展和人口因素对PM_(2.5)污染暴露起促增作用,但各因素在不同层级的城市间具有异质性;能源的污染暴露乘数、绿色支出能耗强度对不平等的动态抑制作用弱化,主要依靠能源绿色化的治污策略面临挑战.据此提出更好发挥政府作用,持续降低中国PM_(2.5)污染暴露水平,实现环境公共服务更加均等化的政策启示.

长三角地区PM_(2.5)时空分布及环境驱动因素分析

本研究分析了2015—2020年长三角地区地面PM_(2.5)浓度的时空变化特征,并利用随机森林回归法分析环境驱动因素。结果发现:2015—2020年长三角地区PM_(2.5)浓度整体呈下降趋势,2020年初受疫情影响PM_(2.5)浓度降至趋势线最低点,之后浓度呈回升趋势。长三角地区的西部和北部多为高高聚集区,是污染防治的重点和难点;南部和东部多为低低聚集区,空气质量较好。随机森林分析发现7个环境变量对PM_(2.5)季节平均浓度的解释率均超过98%。其中,降水和温度是PM_(2.5)重要的驱动因素,秋季和冬季野火密度是冬季PM_(2.5)浓度最重要的驱动因素。火灾信息的纳入有助于提高PM_(2.5)浓度预测的准确性,并为政府制定空气污染防控措施提供可靠依据。

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.

基于时空认知膨胀卷积网络与多源影响因素的PM_(2.5)细粒度预测模型

为实现精确化、细粒度的PM_(2.5)浓度预测,提出了基于时空认知膨胀卷积网络(spatial-temporal cognitive dilated convolution network,ST-C-DCN)的PM_(2.5)浓度预测模型ST-C-DCN。该模型将时空因素、气象因素运用于PM_(2.5)浓度预测,基于因果卷积网络提取时空特征,并采用时空注意力机制优化了时空特征的提取。基于海口市空气污染数据的实验测试表明:对于单个监测站,基线模型相比,ST-C-DCN的均方根误差(root mean square error,RMSE)平均下降24.7%,平均绝对误差(mean absolute error,MAE)平均下降9.93%,拟合优度(R-squared,R^(2))平均上升3.35%。对于全部监测站点的预测,ST-C-DCN在win-tie-loss(包括MSE、RMSE、MAE、R^(2))实验中,均获得了最多的获胜次数,分别为68,68、63和64。通过不同数据抽样条件下的Friedman检验,证明了ST-C-DCN对比基准有显著的性能提升。ST-C-DCN为细粒度PM_(2.5)预测提供了一个具有潜力的方向。

基于CEEMDAN的多时间尺度的北京市PM_(2.5)浓度影响因素研究

研究PM_(2.5)浓度的主要影响因素,对提升北京市空气质量具有重要意义。与以往仅限于原始时间尺度的研究不同,本文基于CEEMDAN方法考察了多时间尺度下年平均风速、城市绿化、人口密度、产业结构和能源强度对北京市PM_(2.5)浓度波动的影响,并与原始时间尺度的主导因素进行对比。研究发现:原始尺度的北京市PM_(2.5)浓度影响因素是不同时间尺度内影响因素合力作用结果,不同时间尺度下影响因素不同。城市绿化、人口密度、产业结构和能源强度在多时间尺度中起到短期增强波动的作用,城市绿化和产业结构是贯穿于各个时间尺度的具有趋势性,决定北京市PM_(2.5)浓度基本走势的影响因素。

邢台市影响PM_(2.5)和O_(3)浓度多时间尺度演变的重要因素

为了揭示邢台市大气PM_(2.5)-O_(3)复合污染的演变特征及其影响因素,基于在线监测平台提供的气象要素及污染物浓度数据,使用KZ滤波法分解邢台市PM_(2.5)和O_(3)的原始浓度序列,之后将多元逐步回归法与KZ滤波法结合定量识别污染物的长期分量中源排放及气象因素对污染物浓度的贡献.同时使用随机森林方法,定性探究具体的源排放和气象因子对于邢台市PM_(2.5)和O_(3)原始序列浓度的影响.结果表明:邢台市PM_(2.5)浓度的长期分量呈现显著的下降趋势,短期分量是PM_(2.5)浓度的主要贡献者.O_(3)浓度长期分量呈现增加的趋势,季节分量是O_(3)浓度的主要贡献者.源排放和气象因素对PM_(2.5)长期分量浓度变化的贡献占比约为5:1,两者对于O_(3)长期分量浓度变化贡献占比接近3.5:1,源排放过程是邢台市长期大气PM_(2.5)-O_(3)复合污染的主因.相对湿度(RH)对邢台市PM_(2.5)原始序列浓度的影响最大,其次为工业源排放和机动车尾气排放;影响O_(3)原始序列最大的的3个因子分别是气象因素中的短波辐射强度(SR)、温度(T)以及机动车尾气排放.

PM_(2.5)成分与室内因素对儿童肺功能影响的交互作用研究

探索济南市历城区王舍人实验小学PM_(2.5)组成成分与室内因素对儿童肺功能影响的交互作用,为改善儿童呼吸系统健康提供理论依据。在2020年王舍人实验小学教学楼二楼楼顶进行PM_(2.5)采样,为期75d,并分析PM_(2.5)的主要成分,对3~5年级139名儿童进行肺功能的检测与室内因素相关的问卷调查,利用混合效应模型检测影响儿童呼吸健康的交互作用因素。济南市历城区采样点PM_(2.5)平均浓度62.74μg/m^(3),主要成分包括SO_(4)^(2-)·NO_(3)^(-),各类金属元素和多环芳烃化合物,与上述成分对儿童呼吸系统健康产生交互作用的因素主要包括环境烟草烟雾,装修,环境相关化学品等危险因素,还存在空气净化器和口罩佩戴等保护性因素。在环境污染较重的区域注重室内因素有利于提高儿童肺功能。

青藏高原东北部地区城市PM_(2.5)和PM_(10)时空分布特征及气象因素的影响

随着工业化进程的迅速发展,大气污染问题已不容忽视,青藏高原东北部作为中国重要的生态安全战略地区,由于其常年多风的地理特点导致土地荒漠化,而土地荒漠化会带来颗粒物污染的问题。笔者以青藏高原东北部地区逐月可吸入颗粒物(PM_(10))和细颗粒物(PM_(2.5))浓度为基础,分析了大气颗粒物PM_(2.5)和PM_(10)时空分布特征,与气象因素(降水量、气温和风速)之间的相关性及受气象因素的影响程度。结果表明:①东部人口密集和经济发达的西宁市、海东市和黄南州PM_(2.5)和PM_(10)较高,以上3个市州的PM_(2.5)平均水平分别为44.2μg/m^(3),44.7μg/m^(3)和36.5μg/m^(3),PM_(10)平均水平分别为99.1μg/m^(3),99.7μg/m^(3)和72.2μg/m^(3);2015~2019年的时间分布上各地区颗粒物浓度呈现逐年下降的趋势;空间分布表明PM_(2.5)呈现从西到东逐渐升高的趋势,PM_(10)则呈东高西低分布。②各地区气温和降水量的峰值均出现在夏季,呈现出“Λ”型的分布规律;而各地区的PM_(2.5)、PM_(10)逐月浓度变化整体呈现出“V”型的分布规律,非采暖季颗粒物浓度最低、采暖季颗粒物浓度最高。③各种气象因素的影响中,PM_(2.5)和PM_(10)与降水量、气温、风速均呈负相关,并且PM_(2.5)浓度受到风速的负向影响,而PM_(10)浓度受到风速的显著正向影响,表明风起扬尘对该区域大气污染贡献突出但风速与污染物浓度的作用机制复杂。本研究可为典型地区空气质量的改善与预测提供理论基础与参考依据。

基于智能信息处理的气象因素对PM_(2.5)浓度影响研究

PM_(2.5)又称细颗粒物,是大气污染物的主要成分之一,易于富集空气中的有毒重金属、酸性氧化物、有机污染物、细菌和病毒等有害成分,且粒径较小,可以进入人体肺部,进而危害人体健康。研究气象因素对PM_(2.5)的影响,对于控制PM_(2.5),改善空气质量至关重要。为了探究相关影响因素,文章选取了基因表达式编程(GEP)、支持向量回归(SVR)和线性回归(LR)3种具有代表性的智能信息处理方法,利用来自中国12个城市的环境监测数据(2021年1月1日-2021年12月31日),建立了气象因素与PM_(2.5)之间的定量关系模型。利用相关系数评估各个气象因素的拟合程度,衡量各气象因素对PM_(2.5)浓度的影响。实验结果表明,气象因素对PM_(2.5)的影响介于-7.0047~0.3801之间;湿度和大气压力对PM_(2.5)的贡献大于其他气象因素。

基于地理加权随机森林的长三角PM_(2.5)建模

采用随机森林(RF)和地理加权随机森林(GWRF)对长三角地区2003~2019年的PM_(2.5)浓度及其驱动因素数据进行训练、校验与测试,并探讨它们之间的关系.结果表明:(1)相比RF模型,GWRF模型对PM_(2.5)浓度的训练和预测更优,其各项模型评估指标均优于RF模型,且GWRF模型残差的空间自相关性更低.(2)GWRF模型预测2019年PM_(2.5)浓度分布优于RF模型,与实际观测浓度分布基本一致,但两个模型均存在北部高估南部低估的情况,且高估区域大于低估区域.(3)RF模型在研究PM_(2.5)浓度分布最重要且显著的驱动因子方面是全局性的,而GWRF模型得到干旱、气温、温差、风速以及人类干扰对PM_(2.5)分布的影响是局部性的.在大尺度下,这种局部性的效应对于PM_(2.5)精细化防控更具实际性的指导意义.此外,在全球气候暖干化和区域气候空间异质性的背景下,把干旱融入PM_(2.5)预测并建立具有局部效应的模型有助于环境监管机构及决策者制定防控措施.

基于机器学习的郑州市大气PM_(2.5)与O_(3)浓度预测方法及气象因子的影响分析

近年来,我国面临着细颗粒物(PM_(2.5))污染形势依然严峻以及臭氧(O_(3))污染日益凸显的双重压力.为进一步准确预测郑州市大气PM_(2.5)与O_(3)浓度并探明气象因子的影响,本研究使用2018−2022年郑州市大气污染物和气象因子逐时数据,结合统计学单因素分析和机器学习LightGBM模型多因素分析,建立了一种基于长时间序列数据的PM_(2.5)与O_(3)浓度预测及气象因子影响分析的综合分析方法.结果表明:①训练后的LightGBM模型能够较好地预测PM_(2.5)污染,准确率达80.8%;对O_(3)污染预测的准确率为52.5%.②郑州市大气PM_(2.5)浓度与气压呈正相关,与比湿和环境温度均呈负相关;大气O_(3)8 h滑动平均浓度(O_(3)-8 h浓度)与比湿和太阳辐射均呈正相关,与气压呈负相关.③有利的气象条件可能是2021年PM_(2.5)年均浓度得到显著改善的重要因素;同时,不利的气象条件也促使2021年和2022年6月O_(3)月评价值(O_(3)日最大8 h滑动平均90百分位浓度)有所上升.研究显示,这种基于长时间序列的综合分析方法适用于大气PM_(2.5)与O_(3)浓度的气象因子影响分析,也能有效预测PM_(2.5)与O_(3)的浓度.

植物吸滞PM_(2.5)研究进展——从宏观到微观

PM_(2.5)严重危害环境安全和人体健康,虽然国内外大气PM_(2.5)状况已有好转,但雾霾天气仍然时有发生。植物能有效吸附和净化大气中PM_(2.5),其净化作用受到生态学广泛关注。随着研究内容的深入,该领域研究尺度由宏观尺度转向微观尺度,研究对象由植被区转向植物个体,研究方法由野外监测转向人工控制法。因此在区域尺度上对比了植被、非植被区PM_(2.5)浓度差异及不同树种单位叶面积PM_(2.5)吸滞量,以风洞、熏气法两种研究方法归纳了人工控制条件下植物净化PM_(2.5)的研究成果,在大气PM_(2.5)浓度和气象因素两方面探讨了环境因素对植物净化PM_(2.5)的影响机制。得出宏观研究方面很多城市缺乏植被区与非植被区PM_(2.5)浓度监测数据,微观方面植物个体吸滞PM_(2.5)机理研究不够深入,缺乏植物吸滞PM_(2.5)过程与机理的室内模拟外界环境的高精度对比试验,更缺乏环境因素直接影响植物吸收、分配PM_(2.5)过程的研究。未来应加强植被区、非植被区PM_(2.5)动态特征研究,完善某些地区环境监测站点布局,可适当增加典型植被区对照的非植被区站点并提升站点设备可靠性;加强植物性状与其净化PM_(2.5)作用相关性的研究,并通过一次性熏气法量化植物在一次污染事件中对PM_(2.5)的实际净化作用,解析植物各器官对吸收PM_(2.5)的贡献率;增加不同环境因素影响植物吸滞PM_(2.5)能力与过程研究,可利用人工控制试验结合模型提高研究可靠性,揭示环境因素与植物各器官吸收、分配PM_(2.5)之间的耦合规律。

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。

汉中市PM_(2.5) 时空变化特征研究及影响因素分析

以汉中市2019-2021年大气颗粒物PM_(2.5)监测数据为基础,通过数据挖掘和空间插值方法,研究了该地区PM_(2.5)的时空分布及变化特征,并分析其主要影响因素。研究结果表明,汉中市PM_(2.5)高浓度时期集中在每年11月至次年2月,并呈现出明显的季节性变化特征:冬季>春季>秋季>夏季;汉中市PM_(2.5)浓度在空间分布上总体上呈现出南高北低的分布特征,高值区集中在中南部的中心城区一带,分别向东和向北逐步递减延伸;该时空变化特征与当地的自然地理环境、工业分布状况、人口密集程度等影响社会发展的多种因素密切相关。研究结果可为准确把握汉中市污染现状,进一步寻求有效的大气污染防控措施提供理论依据。

江苏省县域PM_(2.5)浓度时空变化特征研究

文章利用江苏省2017年-2022年环境空气质量监测数据,分析了全省县域细颗粒物(PM_(2.5))浓度时空变化特征,与气象因素的相关关系,并比较了与主城区PM_(2.5)浓度的差异。结果显示,江苏省县域PM_(2.5)浓度呈逐年下降趋势,5年降幅为25.4%,年均下降速率为2.1μg/(m 3.a)。空间分布呈“西北部偏高,东南部偏低”的特征。与气象因素的相关性表明,县域PM_(2.5)月均浓度整体与月均气温、月均风速呈显著负相关,但仅个别月份,与月均相对湿度呈负相关。与主城区PM_(2.5)平均浓度相比,县域平均浓度整体较低,但二者浓度差呈现逐年迅速减小趋势,从日变化看,二者浓度差最大出现在上下班高峰时段。

2001—2020年湖北省PM_(2.5)时空分布特征及气象驱动因子分析

把握PM_(2.5)污染的时空演变规律是对其进行针对性治理的基础与前提。从PM_(2.5)地球表面浓度栅格数据提取湖北省2001—2020年各地级市PM_(2.5)年均浓度数据,利用空间自相关、核密度估计、地理探测器等方法研究PM_(2.5)时空分布及气象驱动因子特征。结果表明,湖北省各主要城市PM_(2.5)浓度二级标准达标率趋于增加。各城市PM_(2.5)年均浓度均值在2001—2013年由42.47逐步上升至62.94μg·m-3,2013—2020年由62.94减少至32.85μg·m-3。核密度估计表明,2013年以前各城市PM_(2.5)年均浓度值随时间推移逐渐分散,2013年后逐渐集中于浓度较低的区间。以武汉市等中部城市为分界线,湖北省PM_(2.5)向东西2个方向均存在由高至低的浓度梯度,且西面浓度小于东面。2013年后浓度较高地区的扩散效应逐渐减小。PM_(2.5)空间分布存在显著的正相关聚集效应,潜江市、仙桃市、天门市基本表现出高-高聚集特征,恩施土家族苗族自治州、神农架林区均表现出低-低聚集特征,极少城市表现出高-低及低-高聚集特征。地理探测器分析表明,气象因子对PM_(2.5)浓度具有较显著影响。不同气象因子对PM_(2.5)浓度的平均解释程度排序为风速(0.798)>温度(0.752)>湿度(0.727)>日照(0.694)>降水(0.639)。不同年份主导驱动因子不同,2010年前温度为主导驱动因子,2010年后风速为主导驱动因子。

中国特大城市群PM_(2.5)污染及健康负担的时空演变特征

我国过去数十年经历了快速的经济发展和城市化过程,也面临着严峻的空气污染问题,探究重点城市群PM_(2.5)污染及其健康影响特征与趋势对于评估和优化污染控制政策具有重要意义.基于大气污染、人口特征等多源高分辨率数据,应用环境健康风险评估方法,分析和比较了2000-2020年京津冀、长三角、珠三角、成渝等四个特大城市群的PM_(2.5)污染及其健康负担.结果表明,过去的二十一年中,京津冀的PM_(2.5)污染最严重,长三角和成渝城市群次之,珠三角污染程度最轻;总体上四个城市群PM_(2.5)年均浓度先增后降,2020年较2000年分别下降35.6%,43.9%,34.6%和49.7%.2020年京津冀、长三角、珠三角和成渝城市群的PM_(2.5)归因死亡人数分别约为12.8万、14.0万、5.2万和9.0万,老龄化和人口增长是城市群大气污染健康负担增加的最主要原因,其中珠三角城市群人口因素贡献最大.PM_(2.5)污染减轻是健康负担下降的主要驱动力,表明城市群大气污染治理取得显著的健康效益.未来需要加强人群健康视角的城市群PM_(2.5)污染防控,特别要关注老年人群大气污染健康风险.

综合GIS的贵阳冬季PM_(2.5)污染时空特征及驱动因素分析

PM2.5是大气污染的主要物质。通过对贵阳市的太慈桥、市环保站、冶金厅、鸿边门、马鞍山、小河区、金阳新区、乌当区、桐木岭9个监测点进行监测,获取2013年12月9日至2014年1月21日的PM2.5日均浓度数据,以及2014年1月7日0时到2014年1月20日23时共336 h的时均浓度数据,通过指标统计和计算,参考世界卫生组织的空气质量准则,结合地理信息系统技术,对贵阳市冬季PM2.5浓度变化的时空特征,进行定量和定性分析,分析污染物浓度变化及其各相关驱动因素之间的关系。结果表明,冬季贵阳PM2.5日均浓度的平均值为85.8μg/m3,日均浓度的最大值和最小值分别是主城区太慈桥96.1μg/m3和远郊区桐木岭67.8μg/m3,全距达28.3μg/m3。日均浓度和时均浓度的抽样平均误差分别为4.11μg/m3和1.8μg/m3。时均浓度变化趋势包括了单峰型、双峰型、递减型、递增型和U型等类型,它们表现出的类似趋势是:在清晨6:00降低到最低值,并在21:00左右升高到最大值。贵阳PM2.5浓度变化受气象条件、土地利用、工业污染、扬尘、汽车尾气和燃煤为主的能源结构的影响,它们表现出复杂的相关性。

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。

京津冀PM_(2.5)排放和驱动因素差异研究

采用排放因子法对京津冀地区终端部门能源消费产生的PM_(2.5)一次排放量进行测算,用LMDI模型分解法探究三地PM_(2.5)排放及驱动因素差异。结论河北地区的的PM_(2.5)排放占区域总排放的83%,北京的PM_(2.5)排放量逐年下降,天津和河北在2013年-2018年“大气十条”政策实施期间取得了良好的控排效果,但2018年再次出现增加趋势。经济规模的增长是京津冀地区PM_(2.5)排放增加的主要因素,北京和天津的排放强度效应是主要负向因素,河北的产业结构效应是主要的负向驱动因素。