2019, Vol. 39文章信息
- 韩婧, 李元征, 李锋
- HAN Jing, LI Yuanzheng, LI Feng
- 2000-2015年中国PM2.5浓度时空分布特征及其城乡差异
- Spatio-temporal distribution characteristic of PM2.5 concentration and the difference of PM2.5 concentration between urban areas and rural areas in China from 2000 to 2015
- 生态学报. 2019, 39(8): 2954-2962
- Acta Ecologica Sinica. 2019, 39(8): 2954-2962
- http://dx.doi.org/10.5846/stxb201712142251
-
文章历史
- 收稿日期: 2017-12-14
- 网络出版日期: 2019-01-18
2. 中国科学院大学, 北京 100049;
3. 河南财经政法大学资源与环境学院, 郑州 450046;
4. 清华大学建筑学院, 北京 100084
2. University of Chinese Academy of Sciences, Beijing 100049, China;
3. College of Resources and Environment, Henan University of Economics and Law, Zhengzhou 450046, China;
4. School of Architecture, Tsinghua University, Beijing 100084, China
PM2.5指大气中空气动力学直径小于或等于2.5 μm的细颗粒物, 由于PM2.5的比表面积比PM10大, 可以吸附更多的细菌、病毒和多环芳烃、过渡金属等有毒有害物质, 且PM2.5可以通过呼吸道, 沉积于人体的肺泡, 对人体健康的危害更为严重, 因此引起了广泛关注[1]。近年来, PM2.5污染尤为严重, 掌握中国PM2.5分布特征及变化情况, 是对其开展防治工作的重要前提。
关于PM2.5时空分布特征方面的研究, 研究尺度包括城市尺度[2-3]、区域尺度[4]及全国尺度[5-7]。从数据源来看, 研究分为两大类。一类是利用监测站点的数据, 研究全国城市PM2.5浓度的时间变化规律及PM2.5年均值、年均值超标率和日均值超标率的空间分异规律[5-6]；南京市三年平均PM2.5浓度值空间分布及每年的季节变化、月变化、周变化和日变化规律[2]等。另一类是利用遥感反演数据, 如利用van Donkelaar等基于MODIS、MISR和SeaWIFS AOD(Aerosol Optical depth)产品用GEOS-Chem全球化学传输模型反演出的0.1°分辨率全球1998—2012年三年移动平均的PM2.5浓度栅格数据集, 分析中国大陆PM2.5浓度年均值的空间分布变化及不同等级面积比例的年际变化[8]；利用从哥伦比亚大学获取的0.5°分辨率全球2001—2010年每年平均PM2.5栅格数据, 研究中国PM2.5浓度年均值空间格局变化及各PM2.5浓度水平所占面积的时间分布[9]；基于2000—2015年MODIS AOD产品反演得到的10 km分辨率日均地表PM2.5质量浓度数据, 分析中国东部每年平均PM2.5浓度值空间分布年际变化、季节平均PM2.5分布对比及区域PM2.5年变化速率空间分布[4]等。如今对PM2.5城乡梯度分布差异的研究日趋重要, 城区具有明显的混浊岛效应[10], PM2.5浓度在城乡梯度上分布具有明显的差异性[11-12], 研究多基于建成区及乡村的监测站数据。
然而PM2.5监测数据源于的台站数量有限, 分布不均, 且观测时间短, 在大尺度全国范围内长时间序列估算PM2.5浓度时空分布特征及变化趋势存在一定的局限性, 此外, 以往研究采用的遥感反演数据分辨率较粗, 城乡差异研究以地级市为基本单元, 没有具体到更细的研究单位。因此, 本文1)基于目前大尺度精度最高的遥感反演数据分析2000—2015年中国PM2.5浓度的时空分布特征及变化。2)分析中国1376个城镇2000—2015年PM2.5浓度变化的趋势及变化速率。3)研究中国城镇城区和周围乡村地区PM2.5浓度的差异, 以期揭示城市化导致的生态环境效应, 为政府相应的雾霾治理对策提供一定的科学依据。
1 数据及方法 1.1 数据来源 1.1.1 PM2.5数据全球年均0.01°×0.01°分辨率(赤道处约为1 km×1 km)PM2.5数据来源于戴尔豪斯大学大气成分分析组网站(http://fizz.phys.dal.ca/~atmos/martin/?page_id=140)[13]。地面细颗粒物(PM2.5)通过NASA MODIS、MISR、和SeaWIFS传感器的气溶胶光学厚度AOD(Aerosol Optical Depth)反演值与GEOS-Chem化学输送模式模拟值结合估计得到。为了匹配常用的标准化测量程序, 在35%相对湿度的情况下估计, 随后用地理加权回归模型(GWR)校正到全球PM2.5的地面观察值。精度验证结果显示交叉验证点地理加权回归模型校正的估计值与地面监测值高度一致(R2=0.81), 具有很好的精度。
1.1.2 土地利用数据2000年1 km分辨率的中国土地利用现状遥感监测数据来源于中国科学院资源环境科学数据中心(http://www.resdc.cn), 是以Landsat TM/ETM遥感影像作为主要的数据源, 通过人工目视解译生成, 土地利用类型包括耕地、林地、草地、水域、居民地和未利用土地6个一级类型以及25个二级类型[14]。2015年中国土地利用现状遥感监测数据同样来源于中国科学院资源环境科学数据中心, 是在2010年数据基础上, 基于landsat8遥感影像, 通过目视解译生成, 土地利用类型与2000年相一致。
1.1.3 DEM数据中国1 km分辨率数字高程模型数据集来源于“黑河计划数据管理中心”(http://westdc.westgis.ac.cn)[15]。
1.2 研究方法 1.2.1 中国PM2.5浓度的时空分布特征世界卫生组织的空气质量指南制定的PM2.5空气质量准则值年平均浓度为10 μg/m3, 过渡时期目标值-1(IT-1)年平均浓度为35 μg/m3, 过渡时期目标值-2(IT-2)为25 μg/m3, 过渡时期目标值-3(IT-3)为15 μg/m3[16]。国内的环境空气质量标准最新版本(GB 3095—2012)规定, 颗粒物(粒径小于等于2.5 μm)年平均一级浓度限值为15 μg/m3, 二级浓度限值为35 μg/m3[17]。此外, 一些研究中用到70 μg/m3和100 μg/m3作为分类值[8, 10]。因此, 基于上述依据并结合本文全国PM2.5栅格数据集的最大值最小值, 将年均PM2.5浓度分为七个等级, 等级一：1—10 μg/m3, 等级二：10—15 μg/m3, 等级三：15—25 μg/m3, 等级四：25—35 μg/m3, 等级五：35—70 μg/m3, 等级六：70—100 μg/m3, 等级七：100—130 μg/m3, 对全国PM2.5栅格数据集重分类, 每一类别对应每一等级, 分别统计各等级占全国面积的比例, 绘制百分比堆积柱形图, 进而宏观层次上分析全国各处的空气污染物的年际变化规律。
1.2.2 中国PM2.5浓度的城乡差异1) 城乡范围的界定
城区范围是利用ArcGIS 10.2软件采用1 km的搜索半径对2015年土地利用图分类体系中的城镇用地(指大、中、小城市及县镇以上建成区用地)进行聚合操作得出的[18]。这样既使得与主城区相近的离散城镇用地与主城区合并为同一城镇的城区, 又使得较大的城市与其卫星城分离为不同的城镇[18]。然后, 仅保留面积大于6 km2的斑块, 它们可以包含中国东部人口密集且经济发达地区的绝大部分县城[18]。最后, 将2015年提取出的城镇用地与2000年进行叠合分析得到两个时期均为建成区的不变像元作为研究2000—2015年年际变化的城镇城区范围。
与这些城镇城区对应的乡村被定义为距离2015年提取出的城镇城区5—10 km的环形缓冲区中排除掉城镇用地、水体及数字高程高于城区高程最大值或低于其最小值50 m的部分[18-19]。考虑到水体和高程的限制主要是因为它们对PM2.5浓度均有负向的影响[8, 20]。同样提取出2000年的乡村区域, 并选定两个年份中同为乡村的不变像元作为用于分析2000—2015年年际变化的乡村区域。由上述城乡定义, 提取得到1376个城镇城区及其对应的乡村, 如图 1所示。
|
| 图 1 1376个城镇的区位图 Fig. 1 The location of 1376 towns |
2) 城乡PM2.5浓度的年际变化的对比
首先计算各个年份各个城乡处PM2.5浓度的面积加权后的均值, 及其城乡差值。然后, 采用线性趋势分析法计算1376个城镇城区及对应乡村处PM2.5浓度在2000—2015年期间的变化速率及其显著性。
2 结果与分析 2.1 不同PM2.5浓度等级的面积比例及空间分布年际变化图 2显示所有PM2.5浓度等级所占面积比例的年际变化。结果表明, 2000—2015年期间, PM2.5低浓度区域面积比例显著减少, 等级一从2000年的26.97%减少到2015年的16.50%, 等级二从2000年的16.95%降低到8.62%。与此相反, PM2.5高浓度区域的面积比例显著增加, 如等级五的面积比例从2000年的15.13%增加到2015年的24.39%, 等级六的面积比例从2000年的3.45%上升到2015年的6.93%, 等级七的面积比例从2000年的0变为2015年的0.71%, 比例最高值为2010年的1.35%。总体来说, 等级六和等级七面积比例变化较小, 增加幅度较小, 是因为这两个等级代表极其严重的空气污染区, 主要为塔克拉玛干沙漠及中东部华北平原部分地区, 占整个国土面积的比例小, 因此变化幅度相对其他等级来说也较小。此外, 中等浓度的面积比例也发生了显著的变化, 等级三面积比例减小, 从2000年的24.97%到2015年的18.87%, 等级四面积比例增加, 从2000年的12.53%到2015年的23.98%。PM2.5浓度超过国家二级标准(35 μg/m3)的面积范围从18.58%增加到32.03%, 约等于国土面积的三分之一, 浓度介于国家一级标准与二级标准之间的面积范围在40%左右波动, 而浓度值小于国家一级标准(15 μg/m3)的面积范围从43.92%减少到25.12%。上述所有等级年际变化均为波动式, 其中有的年份值较高或较低, 但总体的趋势为等级一、二、三面积比例减少, 等级四、五、六、七面积比例增加, 表明全国2000—2015年PM2.5污染加剧, 中高浓度范围扩大。
|
| 图 2 2000—2015年中国不同PM2.5浓度等级的面积比例 Fig. 2 Area proportion of different PM2.5 concentration grades in China from 2000 to 2015 |
图 3显示研究期内中国不同PM2.5浓度等级的空间分布。全国PM2.5浓度的平均值显著上升, 从22.31 μg/m3增加到31.78 μg/m3。高浓度区域主要分布在华北平原上的河北南部、河南北部和山东西部, 以及西部的塔里木盆地。等级六(70—100 μg/m3)常年分布在塔里木盆地、华北平原河北东南部、山东西北部、河南省北部, 除此之外, 部分年份会分布在四川省成都市、湖北省武汉市和孝感市、江苏省长江两岸及甘肃省兰州市附近地区, 2015年在东北平原地区和江苏省有大范围成片分布。此等级在华北平原的分布范围变化过程为：从2000年仅在一些城市零星点状分布, 到2001、2002年在河北东南部小范围面状分布, 然后分布范围逐年增加, 到2007年分布范围达到最大, 几乎涵盖了整个华北平原, 继而范围缩小、波动, 在2010年又相对增加, 后又减少, 2013年又增加, 然后又继续缩小。等级七超高浓度(100—130 μg/m3)仅在部分年份有分布, 2006年在河北省东南部分布较广, 2010、2011、2013、2015年在塔里木盆地分布较广。在研究期内, 等级五的分布范围整体呈现扩大的趋势, 2000年主要分布在三个区域, 即(Ⅰ)塔里木盆地外围和柴达木盆地(Ⅱ)甘肃宁夏内蒙陕西交界处(巴丹吉林沙漠、腾格里沙漠、毛乌素沙地和黄土高原)(Ⅲ)中国中东部华北平原长江中下游平原部分区域(河北南部、山东西部、河南省、湖北省、江苏省及安徽省北部)。随后, 除了Ⅱ区域在多数年份范围缩小外, 其余各区域的范围都不断扩大, 中东部囊括了河北省南部、山东河南江苏安徽湖南全境以及湖北东部、江西浙江北部、贵州广西东部、广东西部地区, 再纳入山西和陕西的汾渭平原、四川省东部和重庆及东北平原地区, 整体几乎连成一片呈Y字形分布。低浓度区域主要分布在内蒙古高原北部大兴安岭山脉周围、青藏高原南部、新疆北部阿尔泰山脉附近区域及台湾地区, 同时这几个区域在研究期内变化很小, 中等浓度如等级三和四主要分布在高浓度区域外围, 值得一提的是内蒙古自治区阴山山脉以北、福建省、云南省和海南省浓度相对较低, 空气质量较好。
|
| 图 3 2000—2015年中国PM2.5浓度的空间分布图 Fig. 3 Spatial distrubution of PM2.5 concentration in China from 2000 to 2015 |
图 4显示, 总体来看, 城区和乡村PM2.5浓度的变化趋势非常类似。经统计, 城区2000—2015年PM2.5浓度有显著性变化趋势(P < 0.05)的城镇有873个, 占总数的63.44%, 变化速率的最小值为-1.32 μg m-3 a-1, 最大值为2.27 μg m-3 a-1, 平均为(1.12±0.49) μg m-3 a-1。与之相对应的, PM2.5浓度有显著性变化的乡村有873个, 显著变化速率的最小值为-1.33 μg m-3 a-1, 最大值为2.26 μg m-3 a-1, 平均为(1.12±0.48) μg m-3 a-1。结果表明, 仅有少数几个城镇表现为显著的负向趋势, 分布较为零散, 主要位于宁夏、陕西、内蒙的交界处和台湾。相反, 显著正向趋势广泛分布在全国各地城镇的城区及乡村, 变化速率最快的地区为东北平原哈尔滨—长春-沈阳连线沿线, 并以此为核心向四周扩散, 速率逐渐降低。变化次快的为华北平原上太行山以东的河北省西南部、燕山以南的北京天津及河北唐山、鲁中南山地丘陵及周围平原地区、华北平原江苏省北部、长江中下游平原巢湖周边, 再其次为华北平原河南省东部、安徽省北部、长江中下游平原位于湖北湖南安徽江苏上海的地区及广西盆地, 然后是河南省西部、江西鄱阳湖平原、杭州湾周边地区、广东省中西部、山西内蒙与河北三省交界处及新疆北部吐鲁番盆地、准噶尔盆地的绿洲等地区。
|
| 图 4 2000—2015年中国1376个城镇的城区及乡村的PM2.5浓度变化趋势 Fig. 4 Variation trend of PM2.5 concentration of 1376 towns' urban areas and rural areas in China from 2000 to 2015 |
图 5显示, 2000—2015年中国1376个城镇PM2.5浓度城乡差值的年际变化很小, 每年全国城乡差值的平均值在4.5 μg/m3上下波动, 最小值为4.41 μg/m3, 最大值为4.64 μg/m3。绝大部分城镇的PM2.5浓度城乡差值分布在-5—0 μg/m3、0—5 μg/m3、5—10 μg/m3区间, 占城镇总数约83%—85%, 在全国各地都有分布, 没有特定的明显的分布规律。仅少数一两个城镇在部分年份差值小于-5, 具体原因尚待进一步研究分析。差值超过10 μg/m3的城镇占15%—17%, 等级越高, 分布范围越小, 主要分布在(Ⅰ)华北平原沿燕山、太行山延伸的从河北遵化到河南郑州的东北-西南向S形条带(Ⅱ)从河北张家口沿大同盆地、忻州盆地、太原盆地、临汾盆地、运城盆地到关中平原的东北-西南向S形条带(Ⅲ)天山北部准噶尔盆地南部的绿洲(Ⅳ)浙江省-福建省条带, 以及海峡对岸的台湾环岛城镇。
|
| 图 5 2000—2015年中国1376个城镇PM2.5浓度城乡差值的空间分布 Fig. 5 Spatial pattern of PM2.5 concentration difference between urban areas and rural areas of 1376 towns in China from 2000 to 2015 |
本文基于长时间序列PM2.5浓度遥感反演数据分析了中国2000—2015年PM2.5浓度的时空分布特征, 且比较了1376个城镇的城区和周围乡村地区PM2.5浓度的差异, 得出了以下几条结论：
1) PM2.5污染较严重的地区为华北平原的河北南部、河南北部和山东西部, 以及中国西部的塔里木盆地, 而低浓度区域主要分布在内蒙古高原北部大兴安岭山脉周围、青藏高原南部、新疆北部阿尔泰山脉附近区域及台湾。
2) 2000—2015年等级一、二、三面积比例减少, 等级四、五、六、七面积比例增加, 中高浓度范围扩大, 全国PM2.5污染状况恶化。
3) PM2.5浓度显著的强正向变化趋势主要位于东北平原、太行山以东的河北省西南部、燕山以南的北京天津及河北唐山、鲁中南山地丘陵及周围平原地区、华北平原江苏省北部、长江中下游平原巢湖周边。
4) PM2.5浓度城乡差值较大区域主要包括河北省、山西省两条东北-西南向S形条带、浙江省-福建省条带及天山北部绿洲区域。
4 讨论前人研究大多表明PM2.5高浓度区域分布在中国东部平原、四川省及塔克拉玛干沙漠[21-23], 本研究结果显示PM2.5污染较严重的地区为华北平原的河北南部、河南北部和山东西部, 以及中国西部的塔里木盆地, 其中华北平原和塔里木盆地与前人结果一致, 原因分别是人类活动排放及沙尘天气频发。而四川省存在分歧, 本文显示四川东部的污染水平由2000年绝大部分区域为25—35 μg/m3演变为35—70 μg/m3, 仅在2005、2006、2010年部分年份在成都市附近有70—100 μg/m3等级的分布, 整体污染程度与中国中东部长江中游平原的污染水平类似, 并没有华北平原高。此外, PM2.5浓度超过国家二级标准(35 μg/m3)的面积范围从2000年的18.58%增加到2015年的32.03%, 约等于国土面积的三分之一, 佐证了前人研究[24]。
PM2.5浓度变化趋势分析中, 变化速率范围为-1.5—2.5 μg m-3 a-1, 与前人研究中快速增长类的增长速率2.21 μg m-3 a-1, 慢增长类的浓度变化速率1.10 μg m-3 a-1基本吻合[22]。显著的负向趋势出现在宁夏回族自治区和陕西省的交界处, 显著的强正向趋势分布在中国东部平原、河北省南部和山东省[22]也相一致。但本研究发现东北地区也是显著的强正向趋势分布区, 甚至哈尔滨—长春—沈阳连线沿线是PM2.5浓度变化速率最大的地区。尽管在研究期内东北地区PM2.5浓度基本都低于华北平原地区, 但2015年东北平原附近地区PM2.5浓度已达到70—100 μg/m3, 与华北平原持平, 相关研究也指出2014年哈长城市群是PM2.5高污染城市聚集地之一[5]。原因可能是农作物秸秆的焚烧[25], 中国2002—2016年露天农作物秸秆和生物质燃烧产生的空气污染物排放的时空分布特征研究结果显示, 2002—2016年期间来源于露天农作物秸秆燃烧的PM2.5年平均排放量最大的地区为华东, 随后便是中国东北, 且中国东北PM2.5年平均排放量从2012年到2016年显著增加了245.7%。因此国家和地方政府应该对此给予高度重视来控制此地区逐渐加重的雾霾污染。
华北平原的河北、山东不仅PM2.5浓度高, 而且具有强的增长趋势, 变化速率快, 如果这些地区的空气污染得不到控制将会继续不断恶化, 因此国家和地方政府应该迫切关注这些地区PM2.5污染的治理。此外, 整个华北平原污染均很严重, 许多研究也表明, PM2.5污染具有显著的空间溢出效应[26], 因此每个省或市不能仅依靠将重污染工业转移到邻近省来控制PM2.5污染, 区域性的联防联控、协同监管来治理污染极为重要。
本研究识别出的城乡差值较大地区与前人研究识别出的北京-四川条带和上海-广西条带[21]部分一致, 反映了城市化导致的城区PM2.5污染较周围乡村地区更为严重, 部分结果不同的原因可能在于研究方法不同。
| [1] |
杨新兴, 冯丽华, 尉鹏. 大气颗粒物PM2.5及其危害. 前沿科学, 2012, 6(1): 22-31. |
| [2] |
Chen T, He J, Lu X W, She J F, Guan Z Q. Spatial and temporal variations of PM2.5 and its relation to meteorological factors in the urban area of Nanjing, China. International Journal of Environmental Research and Public Health, 2016, 13(9): 921. DOI:10.3390/ijerph13090921 |
| [3] |
Huang W, Long E S, Wang J, Huang R Y, Ma L. Characterizing spatial distribution and temporal variation of PM10 and PM2.5 mass concentrations in an urban area of Southwest China. Atmospheric Pollution Research, 2015, 6(5): 842-848. DOI:10.5094/APR.2015.093 |
| [4] |
He Q S, Geng F H, Li C C, Yang S Q, Wang Y Y, Mu H Z, Zhou G Q, Liu X B, Gao W, Cheng T T, Wu Z. Long-term characteristics of satellite-based PM2.5 over East China. Science of the Total Environment, 2018, 612: 1417-1423. DOI:10.1016/j.scitotenv.2017.09.027 |
| [5] |
王振波, 方创琳, 许光, 潘月鹏. 2014年中国城市PM2.5浓度的时空变化规律. 地理学报, 2015, 70(11): 1720-1734. |
| [6] |
Xu G, Jiao L M, Zhao S L, Cheng J Q. Spatial and temporal variability of PM2.5 concentration in China. Wuhan University Journal of Natural Sciences, 2016, 21(4): 358-368. DOI:10.1007/s11859-016-1182-5 |
| [7] |
Wang Y Q, Zhang X Y, Sun J Y, Zhang X C, Che H Z, Li Y. Spatial and temporal variations of the concentrations of PM10, PM2.5 and PM1 in China. Atmospheric Chemistry and Physics, 2015, 15(23): 13585-13598. DOI:10.5194/acp-15-13585-2015 |
| [8] |
Luo J Q, Du P J, Samat A, Xia J S, Che M Q, Xue Z H. Spatiotemporal pattern of PM2.5 concentrations in mainland China and analysis of its influencing factors using geographically weighted regression. Scientific Reports, 2017, 7: 40607. DOI:10.1038/srep40607 |
| [9] |
Lin G, Fu J Y, Jiang D, Hu W S, Dong D L, Huang Y H, Zhao M D. Spatio-temporal variation of PM2.5 concentrations and their relationship with geographic and socioeconomic factors in China. International Journal of Environmental Research and Public Health, 2014, 11(1): 173-186. |
| [10] |
周淑贞. 上海城市气候中的"五岛"效应. 中国科学B辑, 1988, 18(11): 1226-1234. |
| [11] |
苏维, 张帅珺, 赖新云, 古新仁, 赖胜男, 黄国贤, 张志坚, 刘苑秋. 南昌市空气PM2.5和PM10的时空动态及其影响因素. 应用生态学报, 2017, 28(1): 257-265. |
| [12] |
So K L, Guo H, Li Y S. Long-term variation of PM2.5 levels and composition at rural, urban, and roadside sites in Hong Kong: increasing impact of regional air pollution. Atmospheric Environment, 2007, 41(40): 9427-9434. DOI:10.1016/j.atmosenv.2007.08.053 |
| [13] |
van Donkelaar A, Martin R V, Brauer M, Hsu N C, Kahn R A, Levy R C, Lyapustin A, Sayer A M, Winker D M. Global estimates of fine particulate matter using a combined geophysical-statistical method with information from satellites, models, and monitors. Environmental Science & Technology, 2016, 50(7): 3762-3772. |
| [14] |
刘纪远, 匡文慧, 张增祥, 徐新良, 秦元伟, 宁佳, 周万村, 张树文, 李仁东, 颜长珍, 吴世新, 史学正, 江南, 于东升, 潘贤章, 迟文峰. 20世纪80年代末以来中国土地利用变化的基本特征与空间格局. 地理学报, 2014, 69(1): 3-14. |
| [15] |
吴雪娇, 鲁安新, 王丽红, 张华伟. 基于MODIS的长江源近10年积雪反照率时空分布及动态变化. 地理科学, 2013, 33(3): 371-377. |
| [16] |
World Health Organization. Air quality guidelines for particulate matter, ozone, nitrogen dioxide and sulfur dioxide. Global Update 2005.Geneva: WHO, 2006.
|
| [17] |
环境保护部科技标准司. GB 3095—2012环境空气质量标准. 北京: 中国环境科学出版社, 2012.
|
| [18] |
李元征.中国城镇化的热环境效应研究[D].北京: 中国科学院大学, 2017.
|
| [19] |
Zhou D C, Zhao S Q, Zhang L X, Sun G, Liu Y Q. The footprint of urban heat island effect in China. Scientific Reports, 2015, 5: 11160. DOI:10.1038/srep11160 |
| [20] |
Wu J S, Li J C, Peng J, Li W F, Xu G, Dong C C. Applying land use regression model to estimate spatial variation of PM2.5 in Beijing, China. Environmental Science and Pollution Research, 2015, 22(9): 7045-7061. DOI:10.1007/s11356-014-3893-5 |
| [21] |
Han L J, Zhou W Q, Li W F, Li L. Impact of urbanization level on urban air quality: a case of fine particles (PM2.5) in Chinese cities. Environmental Pollution, 2014, 194: 163-170. DOI:10.1016/j.envpol.2014.07.022 |
| [22] |
Han L J, Zhou W Q, Li W F. City as a major source area of fine particulate (PM2.5) in China. Environmental Pollution, 2015, 206: 183-187. DOI:10.1016/j.envpol.2015.06.038 |
| [23] |
Li J M, Jin M J, Xu Z. Spatiotemporal variability of remotely sensed PM2.5 concentrations in China from 1998 to 2014 based on a bayesian hierarchy model. International Journal of Environmental Research and Public Health, 2016, 13(8): E772. DOI:10.3390/ijerph13080772 |
| [24] |
Peng J, Chen S, Lü H L, Liu Y X, Wu J S. Spatiotemporal patterns of remotely sensed PM2.5 concentration in China from 1999 to 2011. Remote Sensing of Environment, 2016, 174: 109-121. DOI:10.1016/j.rse.2015.12.008 |
| [25] |
Mehmood K, Chang S C, Yu S C, Wang L Q, Li P F, Li Z, Liu W P, Rosenfeld D, Seinfeld J H. Spatial and temporal distributions of air pollutant emissions from open crop straw and biomass burnings in China from 2002 to 2016. Environmental Chemistry Letters, 2018, 16(1): 301-309. DOI:10.1007/s10311-017-0675-6 |
| [26] |
Wu X H, Chen Y F, Guo J, Wang G Z, Gong Y M. Spatial concentration, impact factors and prevention-control measures of PM2.5 pollution in China. Natural Hazards, 2017, 86(1): 393-410. |