2020, Vol. 40文章信息
- 方恺, 王婷婷, 何坚坚, 沈扬
- FANG Kai, WANG Tingting, HE Jianjian, SHEN Yang
- “一带一路”沿线地区NO2浓度时空变化特征及其驱动因素
- Spatiotemporal variation and driving factors of NO2 concentrations in the Belt and Road region
- 生态学报. 2020, 40(13): 4241-4251
- Acta Ecologica Sinica. 2020, 40(13): 4241-4251
- http://dx.doi.org/10.5846/stxb201911162473
-
文章历史
- 收稿日期: 2019-11-16
- 修订日期: 2020-05-18
2. 浙江大学民生保障与公共治理研究中心, 杭州 310058;
3. 南京大学国际地球系统科学研究所, 南京 210023
2. Center of Social Welfare and Governance, Zhejiang University, Hangzhou 310058, China;
3. School of Atmospheric Sciences, Nanjing University, Nanjing 210023, China
伴随着工业化和城镇化进程不断加快, 大气污染问题日益严重。大气污染是一个全球性问题, 在影响生态系统功能和服务的同时, 也给公众带来巨大的健康隐患[1-3]。氮氧化物(NOx)作为美国环境保护署认定的六大主要污染物之一, 是PM2.5和臭氧污染的重要前体物, 不仅导致酸雨、雾霾等大气环境问题, 还可通过氧化形成硝酸盐气溶胶, 改变大气的辐射平衡, 进而对区域气候造成影响[4-5]。此外, NOx易诱发呼吸系统疾病、癌症和心血管疾病, 严重威胁人体健康[6]。大气中的NOx主要以二氧化氮(NO2)和一氧化氮(NO)两种形态存在, 而NO在空气中易被氧化为NO2。因此, 当前研究大多利用NO2浓度来表征NOx浓度[7-9]。
国内外学者利用地面站点监测数据对NO2在城市或者局地站点的时空分布特征进行了研究[10-12]。卫星遥感数据因其空间分辨率高、覆盖范围广而被应用于长时间序列NO2浓度时空分布研究中[13-15]。在此基础上, 一些学者探讨了影响NO2分布的社会经济因素, 如Lyu等[16]采用对数平均因子指数法, 测度了中国的经济增长、能源强度、生产结构和人口变动等因素对1997—2012年NO2等大气污染物排放变化的贡献；Zheng等[17]运用指数分解分析法识别了2010—2017年中国人为NO2排放的驱动因素, 发现经济增长、工业排放和发电等均会导致NO2排放增加；李茜等[18]通过对237个中国城市的面板数据进行统计, 发现城市建成区面积与NO2浓度呈显著的正相关关系；另一项全球性研究则显示, 城市人口增长速度与NO2浓度同样呈正相关关系[19]；周春艳等[20]发现长三角地区的NO2浓度与第二产业总值和机动车保有量之间呈显著正相关关系, 而与淘汰落后产能和优化产业结构负相关[21]。NO2浓度变化除受到社会经济因素的影响之外, 还受到温度、风速、风向、相对湿度等自然因素的干扰[22-23]。而当前大多数研究仅考虑社会经济因素或自然因素的单方面影响, 较少有学者将二者相结合, 从城镇化的视角对区域NO2浓度的时空变化特征及其驱动因素进行深入分析。
“一带一路”是中国在新时期推动国际合作共赢的倡议, 所涵盖的大部分国家为新兴经济体, 正处于城镇化加速发展阶段, 同时也面临着大气污染等严峻的生态环境问题[24]。本文基于对流层NO2柱浓度数据, 分析了“一带一路”地区NO2浓度的时空分异特征, 并利用空间计量模型揭示NO2污染的社会经济和自然因素驱动机制, 以期为构建区域一体化的大气污染防治机制、打造绿色“一带一路”提供科学依据和政策支撑。
1 研究区与研究方法 1.1 研究方法与模型 1.1.1 全局空间自相关由地理学第一定律可知, 地理空间范围内的任何两事物间均存在联系, 且随二者距离的拉近, 二者的相关性越大[25]。已有研究表明, NO2浓度存在空间分布上的异质性与依赖性, 且全局Moran′s I指数相比全局G系数测算结果更为稳定[26], 因而选用Moran′s I指数对“一带一路”沿线国家NO2的空间分布特征进行描述, 计算公式为[27]：
|
式中, I为Moran′s I指数；n为不同区域；Wij为空间权重矩阵；xi、xj分别为空间i、j位置的观测值。全局Moran′s I指数的取值范围为[-1, 1], 小于0表示负相关, 大于0表示正相关, 其绝对值越接近1表明相关性越强。
1.1.2 局部空间自相关全局空间自相关是对研究对象的一种总体测度, 能够说明所有相邻区域间的平均差异程度与依赖性, 但它忽略了局部之间的差异, 因而无法进一步反映区域的空间异质性和波动性。为此, 采用局部空间自相关模型对研究区NO2浓度的空间集聚状况进行测度[28], 计算公式为：
|
式中, Ii为区域i的局部空间自相关指数。局部Moran′s I指数的取值范围为[-1, 1], 小于0表示该区域与邻近区域的属性值不近似, 呈现“高—低”和“低—高”集聚, 大于0表示该区域与邻近区域的属性值近似, 呈现“高—高”和“低—低”集聚。
Z值(标准化统计量)常用于对空间自相关进行显著性检验, 计算公式为：
|
式中, Z为标准化统计量；E(I)为I的均值；VAR(I)为I的方差。Z值大于0且显著表示正相关, 即相似观测值趋于空间集聚, 反之亦然。
1.1.3 空间计量模型在空间自相关分析的基础上, 选用空间计量模型中适于截面数据分析的空间滞后模型(SLM)和空间误差模型(SEM)对研究区NO2的驱动因素进行空间度量[29]。SLM是指被解释变量间的空间依赖性对模型至关重要而导致空间相关, 计算公式为[30]：
|
式中, X和Y分别为自变量(解释变量)和因变量(被解释变量)；β为回归系数；WY为内生交互效应；ρ为WY的系数, 是空间溢出程度的一种表达；ε为随机误差项。
SEM是指模型的误差项在空间上存在相关关系, 计算公式为[31]：
|
式中, W为空间权重矩阵；u为随机误差向量；λ为回归残差之间的空间相关性系数。
此外, 使用普通最小二乘法(OLS)与空间计量模型SLM和SEM的结果进行比较, 以进一步筛选和识别最优的计量分析方法。
1.2 研究区概况作为一个开放、包容的公共产品, “一带一路”倡议涵盖的国家数量处于动态增长之中。我们参照Liu等[32]的研究, 将74个已正式加入“一带一路”倡议的国家作为研究对象, 这些国家横跨东南亚、南亚、西亚、中亚、欧洲和北非的大部分地区(表 1)。
| 区域Regions | 国家Countries |
| 东亚East Asia | 蒙古、中国 |
| 东南亚Southeast Asia | 东帝汶、菲律宾、柬埔寨、老挝、马来西亚、缅甸、泰国、文莱、新加坡、印度尼西亚、越南 |
| 南亚South Asia | 阿富汗、巴基斯坦、不丹、马尔代夫、孟加拉国、尼泊尔、斯里兰卡、印度 |
| 西亚West Asia | 阿联酋、阿曼、阿塞拜疆、巴勒斯坦、巴林、格鲁吉亚、卡塔尔、科威特、黎巴嫩、塞浦路斯、沙特阿拉伯、土耳其、叙利亚、亚美尼亚、也门、伊拉克、伊朗、以色列、约旦 |
| 中亚Central Asia | 哈萨克斯坦、吉尔吉斯斯坦、塔吉克斯坦、土库曼斯坦、乌兹别克斯坦 |
| 欧洲 Europe |
阿尔巴尼亚、爱沙尼亚、白俄罗斯、保加利亚、波黑、波兰、德国、俄罗斯、黑山、荷兰、捷克共和国、克罗地亚、拉脱维亚、立陶宛、罗马尼亚、马其顿、摩尔多瓦、塞尔维亚、斯洛伐克、斯洛文尼亚、乌克兰、希腊、意大利、匈牙利 |
| 北非North Africa | 阿尔及利亚、埃及、利比亚、摩洛哥、突尼斯 |
本研究的数据来源主要包括对流层NO2柱浓度数据, 人口城镇化、土地城镇化、国内生产总值、第二产业比重、能源强度、人均耗电量和汽车保有量等社会经济数据, 以及森林覆盖率、温度、降水、云量和植被净初级生产力等自然因素数据(表 2)。具体说明如下：
| 变量类别 Variable category |
指标 Indicator |
缩写 Abbreviation |
来源 Data source |
单位 Unit |
含义 Meaning |
| 社会经济 Socioeconomic |
对流层NO2垂直柱浓度 | NO2 VCD | 对流层排放监测网 | mol/cm2 | 二氧化氮浓度 |
| 土地城镇化率 | LUR | GEE平台 | % | 城镇土地面积/总面积 | |
| 人口城镇化率 | PUR | 联合国经济和社会事务部 | % | 城镇人口/总人口 | |
| 能源强度 | EI | 世界银行 | MJ/GDP | 能源消费总量/GDP | |
| 国内生产总值 | GDP | 世界银行 | 万美元 | 国内生产总值 | |
| 人均用电量 | PCEC | 世界银行 | kW h-1人-1 | 总用电量/总人口 | |
| 第二产业比重 | PSI | 世界银行 | % | 第二产业增加值/GDP | |
| 汽车保有量 | CO | 世界汽车组织 | 辆 | 拥有车辆的数量 | |
| 自然Natural | 云量 | C | CEDA Achive数据中心 | % | 年均云量 |
| 降水 | P | CEDA Achive数据中心 | mm | 年均降水量 | |
| 温度 | T | CEDA Achive数据中心 | ℃ | 年均温度 | |
| 森林覆盖率 | FAR | 世界银行 | % | 森林面积/总面积 | |
| 植被净初级生产力 | NPP | MOD17A3H v006 | gC/m2 | 植被净初级生产力 |
(1) NO2浓度数据：使用OMI卫星(http://www.temis.nl)对流层NO2柱浓度数据, 空间分辨率为13 km×13 km, 时间跨度为2005—2015年。涉及的地面观测数据来自中国环境监测总站(http://106.37.208.233:20035)的全国城市空气质量实时监测数据。
(2) 城镇化数据：选取人口城镇化和土地城镇化两项指标, 前者来自联合国人口司(https://Population.un.org/wup/Download/), 后者则基于夜间灯光数据Google Earth Engine(https://developers.google.com/earthengine/datasets/tags/nighttime), 通过提取城市建成区面积来确定各国的土地城镇化率, 该方法已被广泛运用并验证[33]。随着2012年新一代夜间灯光数据NPP/VIIRS的发布, 本研究使用了2005—2011年的DMSP-OLS夜间灯光数据和2012—2015年的NPP/VIIRS数据, 且稳健性分析表明, 这两个时段数据的一致性和可比性较好。
(3) 社会经济数据：国内生产总值、第二产业比重、能源强度和人均用电量等来自世界银行数据库(https://data.worldbank.org.cn), 汽车保有量数据来自世界汽车组织(http://www.oica.net)。
(4) 自然要素数据：年均降水、温度和云量等数据来自CEDA Achive数据中心(https://www.ceda.ac.uk/), 空间分辨率为0.5°×0.5°, 时间跨度为1个月。采用已修订的cru_ts_4.02气候研究单元数据合并和提取“一带一路”74个国家的降水、温度和云量等数据。虽然森林面积占比已存在于指标体系中, 但考虑到植被对大气污染物具有强大的净化作用, 因而将植被净初级生产力也纳入考量, 其数据来自MOD17A3H v006数据集(https://modis.gsfc.nasa.gov/), 空间分辨率为500 m×500 m, 时间跨度为1a。
1.4 OMI对流层NO2柱浓度数据适用性分析为验证OMI对流层NO2柱浓度是否可以代替近地面大气NO2浓度, 本文选取2015年1月—2018年12月中国不同区位典型城市的NO2逐小时数据并转换成月均值, 依据对应城市矢量边界来提取各城市相应时段的月均OMI对流层NO2柱浓度值。近地面监测值与OMI对流层NO2柱浓度数据的线性拟合结果显示(图 1), 尽管卫星过境时间与当地实际观测时间会有一些出入, 以及受云量、气溶胶等气象条件的影响, 但北京、上海、广州和成都的拟合优度R2分别为0.687、0.686、0.637和0.428, 两组数据总体表现出较强的一致性和可比性, 这也印证了当前研究普遍采用OMI对流层NO2柱浓度代替近地面大气NO2浓度做法的合理性和可靠性[34-35]。因此, 本文同样采用OMI对流层NO2柱浓度数据进行后续分析。
|
| 图 1 典型城市地面监测值和对流层柱浓度数据值对比 Fig. 1 Comparison of the surface NO2 concentrations and NO2 vertical column density in typical Chinese cities |
2005—2015年, “一带一路”地区NO2浓度整体呈现波动变化, 且具有明显的季节性特征(图 2)。NO2浓度的极大值出现在2010年12月, 高达2.76×1015 mol/cm2；极小值出现在2014年7月, 为1.44×1015 mol/cm2。高值一般出现在12月和1月, 此时太阳辐射较弱, 光化学反应较慢, 导致NO2在对流层的存在时间变长[35]；低值一般出现在7月和8月, 此时太阳辐射强, 高温多雨, 从而导致大气NO2浓度降低[36]。
|
| 图 2 2005—2015年“一带一路”地区NO2浓度的月均和逐月变化 Fig. 2 Temporal change of monthly mean NO2 concentrations in the B & R region in 2000—2015 |
从空间变化来看, “一带一路”地区的NO2年均浓度整体呈现高低纬度低、中纬度高的空间分布格局(图 3)。中国、新加坡、印度及西亚和欧洲部分国家的NO2浓度较高, 俄罗斯、蒙古、马来西亚、印度尼西亚及中亚和北非部分国家的NO2浓度相对较低。荷兰、德国、意大利等发达国家的NO2浓度尽管较高, 但在研究时段内一直处于下降趋势, 年均降幅保持在2%左右。俄罗斯则相反, 其NO2浓度虽然相对较低, 但持续上升。印度与之类似, NO2浓度年均增幅为1.94%。中国的NO2浓度在2011年达到3.45×1015 mol/cm2的高点后, 从2012年起略有回落, 这很大程度上得益于近年来《大气污染防治行动计划》等政策措施密集出台。过去11年间, 黎巴嫩和卡塔尔的NO2浓度绝对增幅最大, 分别为1.29×1015 mol/cm2和1.06×1015 mol/cm2；而吉尔吉斯斯坦和黎巴嫩的NO2浓度相对增幅最大, 分别为38.65%和38.05%。
|
| 图 3 2005—2015年“一带一路"地区NO2年均浓度的空间分布及变化 Fig. 3 Spatial distribution and changes of annual mean NO2 concentrations in the B & R region in 2005—2015 |
“一带一路”地区的土地城镇化和人口城镇化水平均呈现逐年上升的趋势, 但区域间差异较大(图 4)。2005—2015年, 全域土地城镇化年均水平为6.34%, 最高为南亚的12.43%, 最低为东南亚的2.04%；人口城镇化年均水平为58.51%, 最高为西亚的73.25%, 最低为东南亚的42.18%[37]。2005—2015年, 东亚地区的土地城镇化率增幅最高, 为3.51个百分点, 而东南亚地区的土地城镇化增幅最低, 仅为0.64个百分点；东亚地区的人口城镇化率增幅同样最高, 为9.36个百分点, 而中亚地区的人口城镇化增幅最低, 仅为1.40个百分点[37]。总的来看, 过去11年间, “一带一路”地区人口城镇化水平的地区差距有所缩小, 而土地城镇化水平的地区差距却逐渐扩大。
|
| 图 4 2005—2015年“一带一路”地区的土地和人口城镇化水平变化幅度 Fig. 4 Changes of land and population urbanization in the B & R region in 2000—2015 |
2005—2015年, “一带一路”地区NO2浓度的全局Moran′s I指数平均值为0.528(P < 0.01), 全域NO2年均浓度之间存在显著的空间正相关性(图 5)。局部空间自相关结果显示, “一带一路”地区大部分国家呈现“高—高”和“低—低”的集聚状态, 前者主要集中在欧洲, 这与该地区城镇化高度发达是密不可分的；后者主要包括东南亚的印度尼西亚、马来西亚以及北非地区等城镇化水平相对较低的国家或地区。
|
| 图 5 “一带一路”地区NO2浓度的Moran′s I散点图 Fig. 5 Moran′s I scatterplots for the NO2 concentrations in the B & R region in 2005—2015 |
Moran′s I指数分析已表明解释变量存在显著的空间自相关性, 可以运用空间计量分析进一步探究“一带一路”地区NO2浓度的驱动因素。采用方差膨胀因子对各社会经济和自然因素进行多重共线性检验, 结果表明各解释变量的方差膨胀系数均小于10, 即不存在多重共线性。因此, 本文基于2015年“一带一路”沿线国家的NO2浓度和社会经济及自然截面数据进行空间计量分析。OLS、SEM和SLM的R2分别为0.64、0.65和0.75, 故选取拟合优度较高的SLM进行驱动因素分析(表 3)。结果表明, GDP、汽车保有量和土地城镇化率与NO2浓度呈现显著的正相关关系, 三者每提高1%, NO2浓度分别上升0.29%、0.28%和0.11%, 是导致“一带一路”地区NO2浓度上升的主要驱动因素。温度和云量与NO2浓度亦呈现显著的正相关关系, 二者每提高1%, NO2浓度分别上升0.20%和0.17%, 这是因为云量增加会导致空气中的水汽含量升高, 空气湿度增大, 此时常伴有逆温现象, 大气层结较为稳定, 污染物附着在水汽中不易扩散。与之相反, 森林覆盖率和植被净初级生产力与NO2浓度呈现显著的负相关关系, 二者每提高1%, NO2浓度分别下降0.14%和0.15%, 表明提高森林覆盖率、加强植被保护有利于降低NO2浓度。此外, 我们还发现第二产业比重也与NO2浓度呈现负相关关系, 这或许是因为二产占比较低的“一带一路”沿线国家其生产工艺往往较为落后、不少机动车为发达国家的淘汰产品, 从而导致其NO2排放量偏高。
| 变量 Variables |
普通最小二乘法 OLS |
空间滞后模型 SLM |
空间误差模型 SEM |
| CONSTANT | 0.04 | -0.11 | -0.03 |
| lnLUR | 0.21** | 0.11* | 0.13* |
| lnPUR | 0.09 | 0.10 | 0.14 |
| lnGDP | 0.42*** | 0.29*** | 0.25*** |
| lnPSI | -0.17* | -0.11* | -0.03 |
| lnEI | 0.07 | 0.03 | 0.01 |
| lnPCEC | -0.09 | -0.03 | 0.04 |
| lnCO | 0.32** | 0.28*** | 0.25*** |
| lnC | 0.25*** | 0.17*** | 0.26*** |
| lnP | -0.17 | -0.10 | -0.10 |
| lnT | 0.16 | 0.20** | 0.07 |
| lnFAR | -0.18** | -0.14** | -1.18** |
| lnNPP | -0.14 | -0.15** | -0.15** |
| R2 | 0.64 | 0.75 | 0.65 |
| Log-likelihood | 58.16 | 68.38 | 61.05 |
| ***、**和*分别表示通过1%、5%和10%的显著性水平检验 | |||
本文基于2005—2015年“一带一路”沿线国家的NO2对流层柱浓度, 建立了包含人口城镇化、土地城镇化、国内生产总值、第二产业比重、能源强度、人均耗电量、汽车保有量等在内的广义城镇化综合指标体系, 同时考虑了森林覆盖率、温度、降水、云量和植被净初级生产力等自然因素的影响, 运用空间自相关和空间计量模型, 深入分析了“一带一路”地区NO2污染的时空变化特征及其驱动因素。主要结论如下：
(1)“一带一路”地区的NO2浓度在时间上呈现季节性波动特征, 空间上呈现高低纬度低、中纬度高的分布格局, 且具有显著的空间正相关性。NO2高值区主要分布在中国、新加坡、印度以及部分欧洲和西亚国家, 印度、俄罗斯等新兴经济体的NO2浓度逐年上升, 欧洲发达国家的NO2浓度有所下降, 中国则呈现先上升后下降的变化趋势。“高—高”集聚主要分布在城镇化水平相对较高的欧洲地区, “低—低”集聚则主要分布在东南亚和北非等城镇化水平相对较低的地区。
(2)“一带一路”地区人口和土地城镇化水平整体呈现上升趋势, 并且均呈现西南高、东北低的空间分布格局。人口和土地城镇化率最高的地区分别为西亚和南亚, 最低的地区均为东南亚；人口和土地城镇化率增幅最高的地区均为东亚, 增幅最低的地区则分别为中亚和东南亚。
(3)“一带一路”地区NO2浓度变化受到的社会经济和自然因素的共同作用。国内生产总值、汽车保有量和土地城镇化率对NO2浓度增长的贡献度分别达0.29%、0.28%和0.11%, 是驱动“一带一路”地区NO2污染加剧的主要因素；森林覆盖率和植被净初级生产力则是抑制NO2污染的主要因素。
3.2 建议“一带一路”沿线国家应采取措施切实转变经济发展方式, 适度调控汽车保有量, 控制城市建设用地的扩张, 从源头上减少NO2排放量。与此同时, 要加强对植被特别是森林的可持续管理, 提高城市绿化面积, 协同控制大气污染和减缓气候变化[38-39]。最后需要指出的是, 大气污染具有明显的跨区域传输特性, 当前以各国为主体的污染防治模式越来越难以有效解决区域大气污染问题[40]。“一带一路”沿线国家应加强生态环境保护合作, 建立和完善区域际大气污染协同治理机制, 采用更先进的清洁技术和更严格的环境标准, 促进经济绿色转型为打造绿色“一带一路”、践行联合国《2030年可持续发展议程》作出贡献。
| [1] |
别同, 韩立建, 田淑芳, 周伟奇, 李伟峰, 钱雨果. 城市化对空气污染人群暴露贡献的定量方法研究. 生态学报, 2018, 38(13): 4570-4583. |
| [2] |
Pope C A Ⅲ, Dockery D W. Health effects of fine particulate air pollution:lines that connect. Journal of the Air & Waste Management Association, 2006, 56(6): 707-708. |
| [3] |
Lelieveld J, Evans J S, Fnais M, Giannadaki D, Pozzer A. The contribution of outdoor air pollution sources to premature mortality on a global scale. Nature, 2015, 525(7569): 367-371. DOI:10.1038/nature15371 |
| [4] |
Li H Y, Zhang Q, Zheng B, Chen C R, Wu N N, Guo H Y, Zhang Y X, Zheng Y X, Li X, He K B. Nitrate-driven urban haze pollution during summertime over the North China Plain. Atmospheric Chemistry and Physics, 2018, 18(8): 5293-5306. DOI:10.5194/acp-18-5293-2018 |
| [5] |
Stohl A, Aamaas B, Amann M, Baker L H, Bellouin N, Berntsen T K, Boucher O, Cherian R, Collins W, Daskalakis N, Dusinska M, Eckhardt S, Fuglestvedt J S, Harju M, Heyes C, Hodnebrog Ø, Hao J, Im U, Kanakidou M, Klimont Z, Kupiainen K, Law K S, Lund M T, Maas R, MacIntosh C R, Myhre G, Myriokefalitakis S, Olivié D, Quaas J, Quennehen B, Raut J C, Rumbold S T, Samset B H, Schulz M, Seland Ø, Shine K P, Skeie R B, Wang S, Yttri K E, Zhu T. Evaluating the climate and air quality impacts of short-lived pollutants. Atmospheric Chemistry and Physics, 2015, 15(8): 10529-10566. |
| [6] |
Townsend A R, Howarth R W, Bazzaz F A, Booth M S, Cleveland C C, Collinge S K, Dobson A P, Epstein P R, Holland E A, Keeney D R, Mallin M A, Rogers C A, Wayne P, Wolfe A H. Human health effects of a changing global nitrogen cycle. Frontiers in Ecology and the Environment, 2003, 1(5): 240-246. DOI:10.1890/1540-9295(2003)001[0240:HHEOAC]2.0.CO;2 |
| [7] |
Lin J T, McElroy M B. Detection from space of a reduction in anthropogenic emissions of nitrogen oxides during the Chinese economic downturn. Atmospheric Chemistry and Physics, 2011, 11(15): 8171-8188. DOI:10.5194/acp-11-8171-2011 |
| [8] |
Richter A, Burrows J P, Nüß H, Granier C, Niemeier U. Increase in tropospheric nitrogen dioxide over China observed from space. Nature, 2005, 437(7055): 129-132. DOI:10.1038/nature04092 |
| [9] |
武卫玲, 薛文博, 王燕丽, 雷宇. 卫星遥感在NOx总量控制中的应用. 环境科学, 2017, 38(10): 3998-4004. |
| [10] |
Chai F H, Gao J, Chen Z X, Wang S L, Zhang Y C, Zhang J Q, Zhang H F, Yun Y R, Ren C. Spatial and temporal variation of particulate matter and gaseous pollutants in 26 cities in China. Journal of Environmental Sciences, 2014, 26(1): 75-82. |
| [11] |
Melkonyan A, Kuttler W. Long-term analysis of NO, NO2 and O3 concentrations in North Rhine-Westphalia, Germany. Atmospheric Environment, 2012, 60: 316-326. DOI:10.1016/j.atmosenv.2012.06.048 |
| [12] |
Vardoulakis S, Solazzo E, Lumbreras J. Intra-urban and street scale variability of BTEX, NO2 and O3 in Birmingham, UK:implications for exposure assessment. Atmospheric Environment, 2011, 45(29): 5069-5078. DOI:10.1016/j.atmosenv.2011.06.038 |
| [13] |
David L M, Nair P R. Tropospheric column O3 and NO2 over the Indian region observed by Ozone Monitoring Instrument (OMI):seasonal changes and long-term trends. Atmospheric Environment, 2013, 65: 25-39. DOI:10.1016/j.atmosenv.2012.09.033 |
| [14] |
Kim D R, Lee J B, Song C K, Kim S Y, Ma Y I, Lee K M, Cha J S, Lee S D. Temporal and spatial distribution of tropospheric NO2 over Northeast Asia using OMI data during the years 2005-2010. Atmospheric Pollution Research, 2015, 6(5): 768-776. DOI:10.5094/APR.2015.085 |
| [15] |
Krotkov N A, McLinden C A, Li C, Lamsal L N, Celarier E A, Marchenko S V, Swartz W H, Bucsela E J, Joiner J, Duncan B N, Boersma K F, Veefkind J P, Levelt P F, Fioletov V E, Dickerson R R, He H, Lu Z F, Streets D G. Aura OMI observations of regional SO2 and NO2 pollution changes from 2005 to 2014. Atmospheric Chemistry and Physics Discussions, 2015, 15(19): 26555-26607. DOI:10.5194/acpd-15-26555-2015 |
| [16] |
Lyu W N, Li Y, Guan D B, Zhao H Y, Zhang Q, Liu Z. Driving forces of Chinese primary air pollution emissions:an index decomposition analysis. Journal of Cleaner Production, 2016, 133: 136-144. DOI:10.1016/j.jclepro.2016.04.093 |
| [17] |
Zheng B, Tong D, Li M, Liu F, Hong C P, Geng G N, Li H Y, Li X, Peng L Q, Qi J, Yan L, Zhang Y X, Zhao H Y, Zheng Y X, He K B, Zhang Q. Trends in China's anthropogenic emissions since 2010 as the consequence of clean air actions. Atmospheric Chemistry and Physics, 2018, 18(19): 14095-14111. DOI:10.5194/acp-18-14095-2018 |
| [18] |
李茜, 宋金平, 张建辉, 于伟, 胡昊. 中国城市化对环境空气质量影响的演化规律研究. 环境科学学报, 2013, 33(9): 2402-2411. |
| [19] |
Lamsal L N, Martin R V, Parrish D D, Krotkov N A. Scaling relationship for NO2 pollution and urban population size:a satellite perspective. Environmental Science & Technology, 2013, 47(14): 7855-7861. |
| [20] |
周春艳, 王桥, 厉青, 刘思含, 陈辉, 马鹏飞, 王中挺, 檀畅. 近10年长江三角洲对流层NO2柱浓度时空变化及影响因素. 中国环境科学, 2016, 36(7): 1921-1930. DOI:10.3969/j.issn.1000-6923.2016.07.001 |
| [21] |
Wang X Y, Lei Y, Yan L, Liu T, Zhang Q, He K B. A unit-based emission inventory of SO2, NOx and PM for the Chinese iron and steel industry from 2010 to 2015. Science of the Total Environment, 2019, 676: 18-30. DOI:10.1016/j.scitotenv.2019.04.241 |
| [22] |
Li R, Wang Z Z, Cui L L, Fu H B, Zhang L W, Kong L D, Chen W D, Chen J M. Air pollution characteristics in China during 2015-2016:spatiotemporal variations and key meteorological factors. Science of the Total Environment, 2019, 648: 902-915. DOI:10.1016/j.scitotenv.2018.08.181 |
| [23] |
Zhang H L, Wang Y G, Hu J L, Ying Q, Hu X M. Relationships between meteorological parameters and criteria air pollutants in three megacities in China. Environmental Research, 2015, 140: 242-254. DOI:10.1016/j.envres.2015.04.004 |
| [24] |
Ascensão F, Fahrig L, Clevenger A P, Corlett R T, Jaeger J A G, Laurance W F, Pereira H M. Environmental challenges for the Belt and Road Initiative. Nature Sustainability, 2018, 1(5): 206-209. DOI:10.1038/s41893-018-0059-3 |
| [25] |
Tobler W R. A computer movie simulating urban growth in the Detroit region. Economic Geography, 1970, 46(S1): 234-240. |
| [26] |
刘海猛, 方创琳, 黄解军, 周艺, 黄振波, 张蔷. 京津冀城市群大气污染的时空特征与影响因素解析. 地理学报, 2018, 73(1): 177-191. |
| [27] |
张松林, 张昆. 全局空间自相关Moran指数和G系数对比研究. 中山大学学报:自然科学版, 2007, 46(4): 93-97. |
| [28] |
Anselin L. Quantile local spatial autocorrelation. Letters in Spatial and Resource Sciences, 2019, 12(2): 155-166. DOI:10.1007/s12076-019-00234-0 |
| [29] |
Chen X P, Liu Q Y, Fang K, He J J, Chen Y, Wang T T, Fang C L, Shen Y. Tracking national sustainability of critical natural capital and the socioeconomic drivers in the context of the Belt and Road Initiative. Ecological Indicators, 2020, 114: 106315. DOI:10.1016/j.ecolind.2020.106315 |
| [30] |
Liu H M, Fang C L, Zhang X L, Wang Z Y, Bao C, Li F Z. The effect of natural and anthropogenic factors on haze pollution in Chinese cities:a spatial econometrics approach. Journal of Cleaner Production, 2017, 165: 323-333. DOI:10.1016/j.jclepro.2017.07.127 |
| [31] |
Du Y Y, Wan Q, Liu H M, Kapsar K, Peng J. How does urbanization influence PM2.5 concentrations? Perspective of spillover effect of multi-dimensional urbanization impact. Journal of Cleaner Production, 2019, 220: 974-983. |
| [32] |
Liu H M, Fang C L, Miao Y, Ma H T, Zhang Q, Zhou Q. Spatio-temporal evolution of population and urbanization in the countries along the Belt and Road 1950-2050. Journal of Geographical Sciences, 2018, 28(7): 919-936. DOI:10.1007/s11442-018-1513-x |
| [33] |
陈颖彪, 郑子豪, 吴志峰, 千庆兰. 夜间灯光遥感数据应用综述和展望. 地理科学进展, 2019, 38(2): 205-223. |
| [34] |
Boersma K F, Eskes H J, Veefkind J P, Brinksma E J, van der A R J, Sneep M, van den Oord G H J, Levelt P F, Stammes P, Gleason J F, Bucsela E J. Near-real time retrieval of tropospheric NO2 from OMI. Atmospheric Chemistry and Physics, 2007, 7(8): 2103-2118. DOI:10.5194/acp-7-2103-2007 |
| [35] |
朱文东, 周廷刚, 李洪忠, 许燕燕, 张兰. 基于OMI数据的成渝城市群对流层NO2浓度遥感监测. 长江流域资源与环境, 2019, 28(9): 2239-2250. |
| [36] |
李鹏, 肖致美, 陈魁, 孙韧, 关玉春, 刘彬, 李丹. 基于OMI数据天津市NO2浓度分布特征及其适用性. 环境科学与技术, 2016, 39(1): 183-186, 204-204. |
| [37] |
Fang K, Wang T T, He J J, Wang T T, Xie X D, Tang Y Q, Shen Y, Xu A Q. The distribution and drivers of PM2.5 in a rapidly urbanizing region:the Belt and Road Initiative in focus. Science of the Total Environment, 2020, 716: 137010. DOI:10.1016/j.scitotenv.2020.137010 |
| [38] |
袁晓玲, 李朝鹏, 方恺. 中国城镇化进程中的空气污染研究回顾与展望. 经济学动态, 2019(5): 88-103. |
| [39] |
葛君, 徐永飞, 安雪洋, 王傲雪, 胡春祥. "一带一路"背景下中蒙俄经济走廊生态敏感区分析. 生态学报, 2019, 39(14): 5051-5057. |
| [40] |
薛文博, 付飞, 王金南, 唐贵谦, 雷宇, 杨金田, 王跃思. 中国PM2.5跨区域传输特征数值模拟研究. 中国环境科学, 2014, 34(6): 1361-1368. |