EN中文

地球信息科学学报 >

2020 , Vol. 22 >Issue 12: 2348 - 2357

DOI: https://doi.org/10.12082/dqxxkx.2020.190624

地理空间分析综合应用

2019年北京市PM2.5人群暴露剂量特征分析

  • 林金煌 , 1 ,
  • 陈文惠 2 ,
  • 张岸 , 3, *
展开
  • 1.南京大学地理与海洋科学学院,南京 210023
  • 2.福建师范大学地理科学学院,福州 350007
  • 3.中国科学院地理科学与资源研究所 资源与环境信息系统国家重点实验室,北京 100101
* 张 岸（1982— ）,男,湖南岳阳人,副研究员,主要从事全息地图与环境健康研究。E-mail:

林金煌（1993— ）,男,福建漳州人,博士生,主要从事地理信息系统应用与环境健康研究。 E-mail:

收稿日期: 2019-10-24

  要求修回日期: 2020-10-16

  网络出版日期: 2021-02-25

基金资助

国家重点研发计划项目(2017YFB0503500)

国家自然科学基金创新群体项目(41421001)

福建省科技厅公益类科研院所专项(2017R1034-1)

版权

版权所有，未经授权，不得转载、摘编本刊文章，不得使用本刊的版式设计。
收起

Analysis of PM2.5 Population Exposure Doses Characteristics in Beijing in 2019

  • LIN Jinhuang , 1 ,
  • CHEN Wenhui 2 ,
  • ZHANG An , 3, *
Expand
  • 1. School of Geography and Ocean Science, Nanjing University, Nanjing 210023, China
  • 2. College of Geographical Science, Fujian Normal University, Fuzhou 350007, China
  • 3. State Key Laboratory of Resources and Environmental Information System, Institute of Geographica Sciences and Natural Resources Research, Chinese Academy of Sciences, Beijing 100101, China
* ZHANG An, E-mail:

Received date: 2019-10-24

  Request revised date: 2020-10-16

  Online published: 2021-02-25

Supported by

National Key Research and Development Program of China(2017YFB0503500)

Science Fund for Creative Research Groups of the National Natural Science Foundation of China(41421001)

Special Projects for Public Welfare Research Institutes of Fujian Science and Technology Departmenta(2017R1034-1)

Copyright

Copyright reserved © 2020
Fold

摘要

近年来,PM2.5已成为雾霾爆发的主要污染物之一,人口长期暴露在高浓度的PM2.5中可能会大大的提高居民患病的几率,危害居民身心健康。本研究以空气污染严重且人口高度集中的北京市作为研究区,以2019年北京市的PM2.5浓度监测数据、人口空间分布栅格数据及不同人群的长期呼吸量等为数据基础,构建了“污染物浓度—暴露人口—呼吸量”的PM2.5人口暴露剂量评估模型,进而对北京市2019年的PM2.5人口暴露强度空间分异特征及不同人群的暴露剂量差异进行分析。结果表明：① 2019年北京市的PM2.5浓度在冬季时最高,日均浓度达48.89 μg/m3,并均呈现出北低南高的整体态势;② PM2.5人口暴露量存在显著的空间分异特征,不同人群的PM2.5暴露量均呈现出由城中心向周边减弱的整体态势,高暴露区主要集中于城区地带;③ 不同性别、年龄组人群的PM2.5人口暴露强度存在明显的空间分异特征,且城市内部不同人群的PM2.5暴露剂量也存在明显差异;④ PM2.5的暴露风险并非完全取决于污染物浓度的大小,而是由污染源浓度和暴露受体的空间分布特征等多方面共同决定,北京城区的高PM2.5人口暴露区才是高风险区,是未来政府有效防控污染物危害的核心区。

关键词： PM2.5; 人口暴露; 暴露剂量; 普通克里格; 暴露受体; 时空演变; 人群响应; 北京市

本文引用格式

林金煌 , 陈文惠 , 张岸 . 2019年北京市PM2.5人群暴露剂量特征分析[J]. 地球信息科学学报, 2020 , 22(12) : 2348 -2357 . DOI: 10.12082/dqxxkx.2020.190624

Abstract

In recent years, PM2.5 has become one of the main pollutants in the haze outbreak. The risk of long-term exposure to PM2.5 of high concentration may greatly increase the risk of disease and endanger the physical and mental health of residents. In this study, Beijing was taken as the research area where air pollution was serious and the population was highly concentrated. Based on the data of PM2.5 concentration, the grid data of population spatial distribution, and the long-term respiratory volume of different populations in Beijing in 2019, an assessment model of PM2.5 population exposure was established. Furthermore, the spatial distribution characteristics of PM2.5 population exposure intensity and the differences of exposure-response among different populations in Beijing in 2019 were analyzed. The results show that: (1) In 2019, the PM2.5 concentration in Beijing is the highest in winter, and the daily average concentration is 48.89 μg/m3, which shows an overall trend of low in the north and high in the south; (2) There are significant spatial differences in PM2.5 population exposure, and the PM2.5 exposure of different populations shows an overall trend of weakening from the center of the city to the surrounding areas, and the high exposure areas were mainly concentrated in urban areas; (3) There are obvious spatial differences in the exposure intensity of PM2.5 population in different gender and age groups, and there were also significant differences in the response of PM2.5 exposure among different populations in the city; (4) The exposure risk of PM2.5 was not entirely determined by the concentration of pollutants, but by the concentration of pollution sources and exposure receptors, the high-risk area of population exposure to PM2.5 in Beijing urban area was the high-risk area, and it was the core area for the government to effectively prevent and control pollution hazards in the future.

Key words： PM2.5; population exposure; exposure doses; ordinary Kriging; exposure receptor; spatio-temporal evolution; populations response; Beijing

1 引言

过去几十年,随着城市化建设进程的不断推进,北京的社会经济取得了巨大的成就。与此同时,北京也经历了城市人口和能源消耗的快速增长,随之而来的是频繁爆发的以PM2.5为主导的城市雾 霾[1,2,3]。作为我国的主要环境污染因素之一,其与人类健康的关系已成为环境健康领域的研究热点[4,5]。空气污染中的有害物可能会造成各类相关疾病的发病率和死亡率显著升高,对人体的呼吸系统、神经系统、心血管系统及生殖功能等造成严重损害[6,7,8]。北京市作为PM2.5污染较为严重且人口高度集聚的双重典型区,其PM2.5人口暴露的危害性也得到了社会各界的广泛关注。因此,对北京市的PM2.5人口暴露特征进行深入探究具有迫切的现实需求。
当前,国内外学者对空气污染暴露有着不同的界定[4,9],如Ott等[10]将“暴露”理解为人体对于污染物的接触过程。Monn等[11]则将空气污染暴露定义为个体或人群在某一特定时间段内与一定浓度的污染物直接接触的过程。而空气污染暴露评价则通常是指对人体接触一定浓度的空气污染物的频率和持续时长进行分析,并估算人体的受危害程度大小[12,13],是确定暴露量大小、时长、频率和途径的过程[14,15,16]。随着相关理论和技术的飞速发展,国内外学者关于空气污染暴露评估的研究已逐渐从静态暴露向动态暴露评价转变[17]。目前,针对PM2.5的污染物暴露评价模型较多,常见的方法有生物标志物、个体暴露监测和暴露情景模拟3大类[4,18],由于需要复杂的实验过程,且实验成本高、条件复杂,生物标志物法和个体暴露监测法并不适合大规模的推广,而暴露情景模拟法是通过模拟受体所处环境的空气污染浓度来评价受体的空气污染暴露风险,成本相对低廉且操作简单,适用于较大范围的暴露评估研究,是当前环境健康领域最常用的空气污染暴露评估方法[19,20,21]。此外,随着GIS技术的高速发展,当前也有学者将GPS数据、手机信令数据等应用到PM2.5污染的暴露评估当中,并取得了较好的研究成果[13,22]。如郭文伯等[13]基于居民出行的GPS数据与活动日志调查数据,对2010年北京市郊区社区居民PM2.5和CO空气污染暴露度进行测度,但这方面的研究也面临众多的挑战,如数据获取困难、所选取样本的典型代表性等问题,且容易忽略区域整体的暴露受体空间分布格局及不同人群的呼吸量差异。
综上,当前针对PM2.5暴露评估的研究,更多的是采用污染源本身的浓度大小来表征暴露强度,而对暴露受体的空间分布及不同人群的呼吸量差异考虑不足,无法反映区域真实的空气污染暴露风险及不同人群的暴露剂量差异特征。鉴于此,本研究从PM2.5的污染物浓度、暴露受体空间分布与不同人群的呼吸量3个方面出发,构建了“污染物浓度—暴露人口—呼吸量”的PM2.5人口暴露剂量评估模型,基于普通克里格模型获得PM2.5浓度,并结合WorldPop的人口栅格数据及不同性别、年龄组人群的呼吸量大小,探究北京市2019年的PM2.5人口暴露空间分异及不同人群的暴露剂量特征,以图进一步完善和丰富空气污染暴露评估的理论和方法,为有效降低PM2.5污染对人类健康的损害提供科学的决策依据。

2 研究区概况及数据来源

2.1 研究区概况

北京市地处115.7°E—117.4°E,39.4°N—41.6°N,中心位于39°54′20″N,116°25′29″E,总面积约 1.6万km2（图1）。北京市位于中国华北平原西北边缘,背靠燕山,毗邻天津市和河北省,是我国的政治、文化中心。区域内人口数量多、密度大,城镇人口比重大,是我国外来人口流动最为频繁的地区之一。该地区地势西北高、东南低,西北部为燕山、太行山山地,东南部为平原,属典型的暖温带半湿润大陆性季风气候,年平均气温11~13 ℃,雨热同期,夏季高温多雨,冬季寒冷干旱。截止2018年,北京市常住人口2154.2万人,地区生产总值30 320亿元,人均GDP为14.02万元[23]。近年来,以北京市为代表的京津冀城市群雾霾天气持续爆发,2013年初,该地区的PM2.5日均浓度最高达500μg/m³ [24],是我国空气污染爆发和人口高度集聚的双重典型区。
图1 北京市地理位置及监测站点分布

Fig. 1 Geographical location and monitoring station distribution of the study area

2.2 数据及处理

本研究主要选取了PM2.5浓度、人口空间分布、行政区划矢量和DEM等数据。其中,PM2.5浓度数据来源于北京市环境保护监测中心（http://www.bjmemc.com.cn）发布的35个监测站点2019年全年的逐小时空气污染浓度监测数据,监测站点的空间分布如图1,计算得到各个站点逐日的PM2.5日均浓度,并基于ArcGIS的普通克里格工具进行PM2.5浓度的插值模拟,进而获取北京市2019年逐日的PM2.5浓度时空分布数据。为了评估PM2.5估算模型的预测效果,本研究基于均匀选取的原则,从监测站点中选取了4个站点作为检验站点,并采用平均绝对误差（Mean Absolute Error,MAE）和均方根误差（Root Mean Squard Error,RMSE）来表征PM2.5估算模型的预测精度,其计算公式如下[19]：
MAE = ∑ i = 1 n Z i - Z ( X i ) n
RMSE = ∑ i = 1 n Z i - Z X i 2 n
式中：n代表的是监测站点个数;i代表的是第i个监测站点;Zi代表的是第i个站点处PM2.5浓度的实际监测值;Z(Xi)代表的是第i个站点处PM2.5浓度的模拟预测值。
人口空间分布数据采用的是WorldPop网站（https://www.worldpop.org/）发布的以5岁为一个年龄段且分性别的100 m分辨率的2019年人口栅格数据集,该数据集是一组以年龄和性别为划分标准,从0岁开始,以5岁一个年龄间隔,并区分男女性别的100 m人口空间分布数据,可用于表征2019年北京市不同性别和年龄段人群的空间分布情况;北京市的行政区划矢量和DEM栅格数据来源于中国科学院资源环境科学与数据中心（http://www.resdc.cn/）;并将各个来源的数据集统一为Beijing1954坐标系,建立北京市PM2.5人口暴露评估的GIS数据库。

3 模型构建

早期的空气污染暴露评估,主要是基于污染物浓度这一单一指标来表征暴露强度,而欠缺对暴露于污染物中的暴露受体（人口）的必要考虑[25]。不同学者针对研究区的特殊地理特征,采取适合研究区较高精度的空气污染浓度估算模型进行污染物浓度的反演,进而分析研究区内空气污染暴露的时空演变特征[19,26]。鉴于此,本研究参考自然灾害风险评估的相关理论,综合考虑危险源和暴露受体,从PM2.5的污染物浓度、暴露于污染物中的人口与不同人群的呼吸量3个方面出发,构建“污染物浓度—暴露人口—呼吸量”的PM2.5人口暴露剂量评估模型,进而揭示北京市PM2.5人口暴露的空间分异及不同人群的暴露剂量特征。PM2.5人口暴露评估的计算公式如下：
E = Z × P × R
式中：E是PM2.5人口暴露剂量;Z是PM2.5的年均浓度值,是基于PM2.5插值结果计算得到的365 d的日均浓度值;P是暴露在PM2.5污染物中的人口数量,即100 m栅格尺度下的人口数量;R是不同性别、不同年龄段人群的长期日均呼吸量。
PM2.5污染物模拟浓度是基于ArcGIS 10.1软件的普通克里格工具进行插值。普通克里格插值法是最为常见的插值方法之一,是一种无偏估计的空间插值方法[27,28]。当前,已被广泛应用于PM2.5浓度的模拟研究,并取得较高的模拟预测精度[7,29-32]。普通克里格插值法的计算公式为：
Z = ∑ i = 1 n λ Z i
式中：Z为PM2.5浓度的模拟估算值;n为监测站点的个数;i为第i个监测站点;λ为普通克里格的权重;Zi为第i个监测站点处的PM2.5的实测日均浓度值。
此外,人口的空间分布数据是采用WorldPop生产的2019年100 m分辨率的人口空间分布栅格数据集。不同人群的呼吸量主要是参考环境保护部发布的《中国人群暴露参数手册（成人卷）》[33]的中国人群长期呼吸量。如表1所示,其统计的中国人群暴露参数主要是以15~44岁、45~59岁、60~79岁及80岁以上的成年人口作为统计年龄段。
表1 不同人群的长期呼吸量均值

Tab. 1 The mean of long-term respiratory volume of different populations (m3/d)

性别 15~44岁 45~59岁 60~79岁 80岁以上
男 18.6 18.4 14.4 12.4
女 14.7 15.0 13.2 11.7
需要说明的是,为了与呼吸量保持一致的统计口径,本研究在对人口栅格数据进行人群划分时,参照不同人群长期呼吸量的划分标准,只选取15岁以上的成年人口进行人群的划分,分别从性别（男性、女性）和年龄组（15~44岁、45~59岁、60~79岁和80岁以上）将人口划分为8个人群组别,并基于ArcGIS软件,将5岁为一个年龄段的分性别的人口栅格数据集进行叠加计算,得到8个人群组别的人口空间分布特征。并基于此,获取不同人群在PM2.5污染中的吸入量差异特征,进而评估不同地区内不同人群的PM2.5污染暴露剂量差异特征。
为了更好对比北京市不同区县不同人群PM2.5 污染暴露剂量差异特征,本研究基于ArcGIS 10.1 的空间区域统计工具,分别计算不同区县下不同人群的PM2.5总暴露剂量及总人口数量,进而获得不同人群的人均日暴露剂量,其计算公式为：
M = E sum / P sum
式中：M表示的是某个地区内不同人群的人均日暴露剂量;Esum表示的是某个地区内所有栅格的PM2.5日均暴露剂量总和;Psum表示的是某个地区内不同人群的所有人口栅格值总和。

4 结果分析

4.1 PM2.5浓度时空演变特征

基于普通克里格模型,对北京市2019年逐日的PM2.5浓度进行插值模拟,得到北京市2019年逐日的PM2.5浓度空间分布数据,并基于4个检验站点的实际监测值和插值结果,选取平均绝对误差（MAE）和均方根误差（RMSE）2个评价指标,计算PM2.5浓度空间插值结果的预测精度。计算结果显示,基于普通克里格空间插值得到的2019年北京市的PM2.5浓度空间分布数据,其MAE为4.38,RMSE为6.51,表明基于普通克里格进行的北京市2019年的PM2.5浓度模拟具有较高的预测精度,能较好表征北京市2019年的PM2.5浓度时空分布格局。
基于逐日的PM2.5浓度插值空间分布数据进行空间统计可知,2019年北京市全年的PM2.5日均浓度为40.31 μg/m³,并计算1—12月逐月的PM2.5月均浓度值,结果如图2所示,北京市2019年的PM2.5月均浓度具有较好的时间连续特征,1—12月PM2.5浓度呈现出先上升后下降最后再上升的周期变化趋势,其中,PM2.5月均浓度在1—3月达到最大,超过50 μg/m³,而在8月达到最小,低于25 μg/m³。此外,不难发现,北京市2019年的PM2.5月均浓度也存在较大的时间分异特征,年内不同月份之间的PM2.5月均浓度存在较大的差异。
图2 北京市2019年1—12月PM2.5月均浓度

Fig. 2 Monthly average concentration of PM2.5 in Beijing from January to December in 2019

参考相关学者关于季节的划分标准[26,27],计算 北京市2019年的春季（3—5月）、夏季（6—8月）、秋季（9—11月）和冬季（12—次年2月）PM2.5浓度均值,进而获得北京市2019年四季的PM2.5浓度均值空间分布数据（图3）。整体上,PM2.5浓度在4个季节上分布存在一定的差异性,在春季和冬季的浓度明显高于夏季和秋季,以冬季的浓度最高,PM2.5的日均浓度均值达48.89 μg/m3,而夏季的浓度最低,PM2.5的日均浓度均值仅为30.38 μg/m3。在空间上,PM2.5浓度在4个季节均呈现出东南高而西北低的整体分布态势,空间差异明显,其中,PM2.5的高浓度区主要分布于通州区、大兴区、房山区、顺义区和平谷区等东南一带,而PM2.5的低浓度区则主要聚集在延庆区、怀柔区、密云区、昌平区和门头沟区等西北部地区。
图3 2019年四季PM2.5浓度空间分布

Fig. 3 Spatial distribution of PM2.5 concentration in four seasons in 2019

基于逐日的PM2.5浓度空间插值数据集,计算得到北京市2019年的PM2.5年均浓度空间分布特征。如图4所示,PM2.5的年均浓度呈现出由南部向北部逐渐减小的整体态势,PM2.5年均浓度最大值分布于南部的通州区、大兴区和房山区等地区,而PM2.5年均浓度最小值则主要集中分布于北部的怀柔区、密云区、延庆区、昌平区等地区。此外,与PM2.5的四季浓度均值空间分布特征进行对比发现,北京市2019年的PM2.5的春季和冬季浓度与年均浓度空间分布特征的整体趋势最为相近,更能反映区域的整体PM2.5浓度空间分布特征。
图4 2019年北京市PM2.5年均浓度空间分布

Fig. 4 Spatial distribution of PM2.5 annual average concentration in Beijing in 2019

4.2 人口空间分布格局

以WorldPop的5岁年龄组的分性别人口栅格数据集为基础,并参考人群长期呼吸量的划分标准中年龄段设置,统计得到2019年北京市100 m分辨率的15~44岁男性、15~44岁女性、45~59岁男性、45~59岁女性、60~79岁男性、60~79岁女性、80岁以上男性和80岁以上女性8个不同人群的人口空间分布特征。结果如图5所示,2019年北京市不同性别、年龄组的人群在空间上均呈现出由城中心向周边郊区地带逐渐减少的“同心圆”辐射分布特征,不管是男性还是女性,人口主要集中分布于五环以内城区的繁华地带,人口集中稠密,而在边缘邻近郊区的地带人口较为稀疏。此外,不难发现,北京市不同性别、年龄组的人群,其空间分布的密集程度存在较大的差异特征,特别是15~44岁的人群,男性人口和女性人口的空间上最大值分别达278人和265人,人口高度集中。
图5 2019年北京市100 m栅格不同性别、年龄组人口空间分布

Fig. 5 Spatial distribution of population of different gender and age groups in 100 m grid of Beijing in 2019

4.3 PM2.5人口暴露剂量及人群响应特征

4.3.1 PM2.5人口暴露剂量空间分异
当前已有研究表明,PM2.5人口暴露评价是由污染源和暴露于污染源中的受体2部分共同决定的,在此基础上,本研究将不同人群的呼吸量纳入评价指标体系,构建了三维的PM2.5人口暴露评价模型,并基于此,采用PM2.5的年均浓度、暴露人口和呼吸量三者的乘积来计算PM2.5的人口日均暴露剂量,探讨北京市2019年的全局PM2.5人口暴露剂量空间分布特征。结果如图6所示,2019年北京市的PM2.5人口日均暴露剂量存在显著的空间分异特征,不同性别、年龄组（15~44岁男性、15~44岁女性、45~59岁男性、45~59岁女性、60~79岁男性、60~79岁女性、80岁以上男性和80岁以上女性）的人群PM2.5日均暴露量均呈现出由城中心向周边逐渐减弱的整体态势,高暴露区主要集中于城区地带,可见,该地区的人口最为稠密,其PM2.5人口暴露所带来的危害性最大,是地方政府未来需要重点关注与防范的核心区,而低暴露区则主要分布于郊区的人口较为稀少的地带,特别是北部地区,这些地区不仅PM2.5浓度较低,而且人口较为稀疏,所带来的PM2.5暴露风险相对较低。
图6 北京市100 m栅格人口暴露强度空间分布

Fig. 6 Spatial distribution of population exposure intensity in 100 m grid in Beijing

4.3.2 不同人群的PM2.5暴露剂量差异
在PM2.5全局人口暴露评价的基础上,本研究基于人群划分算法,计算100 m栅格尺度下不同人群的PM2.5人口暴露剂量,得到北京市2019年100 m分辨率下不同人群的暴露剂量空间分布数据,并对PM2.5人口暴露剂量及不同人群的人口栅格进行区县尺度的区域统计,得到不同地区内不同人群的PM2.5人均日暴露剂量差异特征。结果如表2所示,北京市2019年的PM2.5人均日暴露剂量存在明显的空间分异特征,在大兴区、房山区和通州区等地的人均日暴露剂量最大,均超过500 μg/人,而在怀柔区、密云区和延庆区等地的人均日暴露剂量则相对较低,均低于300 μg/人。由此可见,虽然PM2.5人口暴露剂量在五环以内的核心区最大,但人均日暴露剂量的分布存在较大的差异性。
表2 北京市各地区不同性别、年龄组的人群PM2.5人均日暴露剂量

Tab. 2 Per capita daily exposure dose of PM2.5 in different gender and age groups in different areas of Beijing (μg/人)

地区 男性 女性 15~44岁 45~59岁 60~79岁 大于80岁 大于15岁成年人
昌平区 468.31 378.02 438.01 437.27 359.50 315.60 426.10
朝阳区 518.21 420.26 486.52 487.82 400.70 350.48 470.38
大兴区 565.26 456.06 530.04 529.17 433.67 374.81 514.65
东城区 520.45 425.59 493.68 496.11 408.33 354.44 472.24
房山区 560.07 456.42 529.01 529.21 435.45 379.71 509.24
丰台区 529.52 430.17 496.68 497.82 409.36 356.63 480.50
海淀区 505.02 408.46 473.51 473.70 389.10 342.06 458.01
怀柔区 411.60 335.60 390.06 390.21 321.11 280.11 375.72
门头沟区 455.85 372.11 431.42 433.02 355.05 311.19 414.40
密云区 397.72 326.14 377.68 378.54 312.68 273.34 362.24
平谷区 488.31 399.53 465.23 463.79 382.94 333.10 444.51
石景山区 497.16 404.17 468.63 468.39 385.08 336.31 451.40
顺义区 480.21 389.88 452.26 451.55 371.96 321.13 436.46
通州区 564.42 458.59 533.47 532.55 439.54 380.55 512.80
西城区 518.97 424.10 494.14 495.66 407.81 356.64 471.24
延庆区 421.38 346.77 401.70 402.46 333.24 291.37 384.90
全区域 510.98 414.96 481.39 481.02 395.80 345.80 464.20
由表2也发现,不同性别、年龄组（15~44岁男性、15~44岁女性、45~59岁男性、45~59岁女性、60~79岁男性、60~79岁女性、80岁以上男性和80岁以上女性）的人群人均日暴露剂量也存在一定的差异特征,男性人口的人均日暴露剂量明显高于女性人口,全区域男性的人均日暴露剂量为510.98 μg/人,而女性的人均日暴露剂量则为414.96 μg/人,且不同性别的人均日暴露剂量也存在明显的地区差异;此外,15~44岁和45~59岁的人均日暴露剂量明显高于60~79岁及80以上的人口,其中,15~44岁和45~59岁的人均日暴露剂量差距不大,而明显高于60岁以上的人口,以大于80岁以上的人均日暴露剂量最小,且北京市城市内部也存在不同年龄组的PM2.5人群暴露剂量差异。

4.4 讨论

传统的空气污染暴露更多的是关注污染物本身的浓度,并以此来表征空气污染暴露的风险,然而,本研究发现,PM2.5暴露风险所带来的危害性并不完全取决于PM2.5污染源自身的浓度大小,也与暴露于污染物中的暴露受体的空间分布格局密切相关,如北京市南部的通州区、大兴区和房山区的PM2.5污染物浓度最高,但这些地区人口较为稀疏,整体的人口暴露剂量不大,并不是暴露风险最大的地区。未来政府制定有效的空气污染防控措施,应重点关注城区内部人口高度密集的核心区。此外,由于不同地区的人群暴露剂量存在一定的空间差异,也需因地制宜地制定相应的管控措施,以提高防控政策的针对性和有效性。
本研究所构建的PM2.5人口暴露剂量评估模型,充分考虑了暴露受体的空间分布特征在PM2.5暴露风险评估中的重要性,能为未来准确获取区域的PM2.5暴露强度提供新的解决思路。然而,由于数据的限制,人口采用的是WorldPop发布的2019年的100 m分辨率的人口栅格数据,其反映的是区域内长期的人口分布格局,但人口实际在空间上随着时间的推移而发生大量的迁移。此外,本研究所采用的WorldPop的100 m人口栅格数据,主要是以性别和年龄结构进行人口空间化,而缺乏不同职业、不同体质状况下的人群空间分布数据,在探究PM2.5污染暴露在人口细分类下的人群暴露响应差异方面还有待日后进一步深入研究。

5 结论与展望

本研究以PM2.5污染严重且人口高度集中的北京市作为典型案例,构建了三维的PM2.5人口暴露剂量评估模型,来揭示2019年北京市PM2.5的人口暴露分异及不同人群的暴露剂量特征,在一定程度上丰富了空气污染暴露评估的理论和方法。本文主要结论如下：
（1）2019年北京市的PM2.5浓度具有一定的时间连续性和空间异质性,PM2.5在春季和冬季的浓度明显高于夏季和秋季,冬季的浓度最高,日均浓度达48.89 μg/m3,并均呈现出北低南高的整体态势,高浓度区主要集中于北京市南部的通州区、大兴区和房山区等地区。
（2）2019年北京市不同性别、年龄组（15~44岁男性、15~44岁女性、45~59岁男性、45~59岁女性、60~79岁男性、60~79岁女性、80岁以上男性和80岁以上女性）的人群均呈现出由城中心向周边郊区地带逐渐减少的“同心圆”辐射分布特征,人口主要集中分布于中心城区。
（3） 2019年北京市的PM2.5人口暴露量存在显著的空间分异特征,不同人群的PM2.5暴露量均呈现出由城中心向周边减弱的整体态势,高暴露区主要集中于城区地带,是暴露风险最大的地区,PM2.5的暴露风险是由污染源浓度和暴露受体分布共同决定。
（4）2019年北京市不同性别、年龄组人群的PM2.5的人均日暴露剂量存在明显的空间分异特征,其中,男性人口的人均日暴露剂量明显高于女性人口;15~44岁和45~59岁的人均日暴露剂量明显高于60~79岁及80以上的人口,并以80岁以上人口的人均日暴露剂量最低。
本研究从空气污染暴露的理论出发,构建了“污染物浓度—暴露人口—呼吸量”的PM2.5人口暴露剂量评估模型,能有效揭示2019年北京市PM2.5人口暴露的空间分异特征及不同人群的暴露剂量差异,然而由于数据获取的限制,还存在一些不足之处。未来可进一步结合微博、手机信令、微信签到等大数据平台,构建细分职行业的人群估算模型,以获取不同人群精细的人口迁移路径,进而获得更为精确的PM2.5人口暴露剂量及不同人群的暴露响应特征,为地方政府制定针对性的PM2.5污染防治措施提供科学参考。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
Sun Y L, Zhuang G S, Tang A H, et al. Chemical characteristics of PM2.5 and PM10 in haze-fog episodes in Beijing. Environmental Science & Technology, 2006,40(10):3148-3155.

[2]
赵文慧, 赵文吉, 宫辉力, 等. 北京市采暖期可吸入颗粒物时空分布特征及源追踪[J]. 地理研究, 2012,31(3):417-428.

[ Zhao W H, Zhao W J, Gong H L, et al. Spatial and temporal distribution of inhalable particulate matters and the source tracing in the heating season of Beijing[J]. Geographical Research. 2012,31(3):417-428. ]

[3]
曾静, 王美娥, 张红星. 北京市夏秋季大气PM2.5浓度与气象要素的相关性[J]. 应用生态学报, 2014,25(9):2695-2699.

[ Zeng J, Wang M E, Zhang H X. Correlation between atmospheric PM2.5 concentration and meteorological factors during summer and autumn in Beijing, China[J]. Chinese Journal of Applied Ecology, 2014,25(9):2695-2699. ]

[4]
符立伟, 郭秀锐. 国内空气污染暴露水平评价方法研究进展[J]. 环境科学与技术, 2015,38(12):226-230.

[ Fu L W, Guo X R. A review of air pollution exposure estimation methods in China[J]. Environmental Science & Technology, 2015,38(12):226-230. ]

[5]
曾贤刚, 阮芳芳, 彭彦彦. 基于空间网格尺度的中国PM2.5污染健康效应空间分布[J]. 中国环境科学, 2019,39(6):2624-2632.

[ Zeng X G, Ruan F F, Peng Y Y. Health effects’ spatial distribution analysis of PM2.5 pollution in China based on spatial grid scale[J]. China Environmental Science, 2019,39(6):2624-2632. ]

[6]
杨昆, 杨玉莲, 朱彦辉, 等. 中国PM2.5污染与社会经济的空间关系及成因[J]. 地理研究, 2016,35(6):1051-1060.

[ Yang K, Yang Y L, Zhu Y H, et al. Social and economic drivers of PM2.5 and their spatial relationship in China[J]. Geographical Research, 2016,35(6):1051-1060. ]

[7]
王振波, 方创琳, 许光, 等. 2014年中国城市PM2.5浓度的时空变化规律[J]. 地理学报, 2015,70(11):1720-1734.

[ Wang Z B, Fang C L, Xu G, et al. Spatial-temporal characteristics of the PM2.5 in China in 2014[J]. Acta Geographica Sinica, 2015,70(11):1720-1734. ]

[8]
张亮林, 潘竟虎. 中国PM2.5人口暴露风险时空格局[J]. 中国环境科学, 2020,40(1):1-12.

[ Zhang L L, Pan J H. Spatial-temporal pattern of population exposure risk to PM2.5 in China[J]. China Environmental Science, 2020,40(1):1-12. ]

[9]
Hwang J S, Hu T H. Later-life exposure to moderate PM2.5 air pollution and life loss of older adults in Taiwan[J]. International Journal of Environmental Research and Public Health, 2020,17(6):1873.

[10]
Ott, Wayne R. Concepts of human exposure to air pollution[J]. Environment International, 1982,7(3):179-196.

[11]
Monn C. Exposure assessment of air pollutants: A review on spatial heterogeneity and indoor/outdoor/personal exposure to suspended particulate matter, nitrogen dioxide and ozone[J]. Atmospheric Environment, 2001,35(1):1-32.

[12]
邹滨, 彭芬, 焦利民, 等. 高分辨率人口空气污染暴露GIS空间区划研究[J]. 武汉大学学报(信息科学版), 2013,38(3):334-338.

[ Zhou B, Peng F, Jiao L M, et al. GIS aided spatial zoning of high-resolution population exposure to air pollution[J]. Geomatics and Information Science of Wuhan University, 2013,38(3):334-338. ]

[13]
郭文伯, 张艳, 柴彦威. 城市居民出行的空气污染暴露测度及其影响机制—北京市郊区社区的案例分析[J]. 地理研究, 2015,34(7):1310-1318.

[ Guo W B, Zhang Y, Cai Y W. Measurement of residents' daily travel air pollution exposure and its mechanism: A case study of suburban communities in Beijing[J]. Geographical Research, 2015,34(7):1310-1318. ]

[14]
谢元博, 陈娟, 李巍. 雾霾重污染期间北京居民对高浓度PM2.5持续暴露的健康风险及其损害价值评估[J]. 环境科学, 2014,35(1):1-8.

[ Xie Y B, Chen J, Li W. An assessment of PM2.5 related health risks and impaired values of Beijing residents in a consecutive high-level exposure during heavy haze days[J]. Environmental Science, 2014,35(1):1-8. ]

[15]
Analitis A, Katsouyanni K, Dimakopoulou K, et al. Short-term effects of ambient particles on cardiovascular and respiratory mortality[J]. Epidemiology, 2006,17(2):230-240.

PMID

[16]
Thun M J. Long-term ozone exposure and mortality—NEJM[J]. New England Journal of Medicine, 2009,360(11):1085-1095.

[17]
韩立建. 城市化与PM2.5时空格局演变及其影响因素的研究进展[J]. 地理科学进展, 2018,37(8):1011-1021.

[ Hang L J. Relationship between urbanization and urban air quality: An insight on fine particulate dynamics in China[J]. Progress in Geography, 2018,37(8):1011-1021. ]

[18]
王佳, 郑君瑜, 柯钊跃, 等. 典型工业源下风向居民住宅区PM2.5暴露评价[J]. 环境科学研究, 2012,25(7):745-750.

[ Wang J, Zheng J Y, Ke Z Y, et al. Assessment of PM2.5 exposure of residents in a community downwind of a typical industrial source[J]. Research of Environmental Sciences, 2012,25(7):745-750. ]

[19]
Lin J H, Zhang A, Chen W H, et al. Estimates of daily PM2.5 exposure in Beijing using spatio-temporal kriging model[J]. sustainability, 2018,10(8):2772-2784.

[20]
Liao D, Peuquet D J, Duan Y, et al. GIS Approaches for the Estimation of Residential-Level Ambient PM Concentrations[J]. Environmental Health Perspectives, 2006,114(9):1374-1382.

DOI PMID

[21]
Zhang A, Qi Q W, Jiang L L, et al. Population Exposure to PM2.5 in the Urban Area of Beijing[J]. PLoS One, 2013,8(5):155-163.

[22]
马静, 柴彦威, 符婷婷. 居民时空行为与环境污染暴露对健康影响的研究进展[J]. 地理科学进展, 2017,36(10):1260-1269.

[ Ma J, Chai Y W, Fu T T. Progress of research on the health impact of people's space-time behavior and environmental pollution exposure[J]. Progress in Geography, 2017,36(10):1260-1269. ]

[23]
北京市统计局. 北京统计年鉴2019[M]. http://tjj.beijing.gov.cn/.

[ Beijing Municipal Bureau Statistics. Beijing Statistical Yearbook 2019[M]. http://tjj.beijing.gov.cn/]

[24]
Wang Y, Yao L, Wang L, et al. Mechanism for the formation of the January 2013 heavy haze pollution episode over central and eastern China[J]. Science China Earth Sciences, 2014,57(1):14-25.

[25]
别同, 韩立建, 田淑芳, 等. 人口城市化对空气污染人群暴露+贡献的定量方法研究[J]. 生态学报, 2018,38(13):4570-4583.

[ Bie T, Hang L J, Tian S F, et al. Method for quantifying the contribution of urbanization on population exposure to air pollution[J]. Acta Ecologica Sinica, 2018,38(13):4570-4583. ]

[26]
梅杨, 党丽娜, 杨勇, 等. 基于时空克里格的PM2.5时空预测及分析[J]. 环境科学与技术, 2016,39(7):157-163.

[ Mei Y, Dang L N, Yang Y, et al. Spatio-temporal prediction and analysis of PM2.5 based on spatio-temploral Kriging[J]. Environmental Science & Technology, 2016,39(7):157-163. ]

[27]
陈琳, 任春颖, 王宗明, 等. 基于克里金插值的耕地表层土壤有机质空间预测[J]. 干旱区研究, 2017,34(4):798-805.

[ Chen L, Ren C Y, Wang Z M, et al. Prediction of spatial distribution of topsoil organic matter content in cultivated land using Kriging methods[J]. Arid Zone Research, 2017,34(4):798-805. ]

[28]
陈晔峰, 杨明, 赵放, 等. 基于克里金插值的高分辨率降水量融合方法及质量评估[J]. 科技通报, 2019,35(1):49-53.

[ Chen Y F, Yang M, Zhao F, et al. Analysis of the combined gauge-radar high-resolution ten-minute precipitation based on the Kriging interpolation method and its quality assessment[J]. Bulletin of Science and Technology, 2019,35(1):49-53. ]

[29]
刘婕, 徐东群. 环境空气污染空间分布插值模型及其应用[J]. 卫生研究, 2020,49(1):169-173.

[ Liu J, Xu D Q. Interpolation model for spatial distribution of ambient air pollution and its application[J]. Journal of Hygiene Research, 2020,49(1):169-173. ]

[30]
宓科娜, 庄汝龙, 梁龙武, 等. 长三角PM2.5时空格局演变与特征—基于2013-2016年实时监测数据[J]. 地理研究, 2018,37(8):1641-1654.

[ Mi K N, Zhuang R L, Liang L W, et al. Spatio-temporal evolution and characteristics of PM2.5 in the Yangtze River Delta based on real-time monitoring data during 2013-2016[J]. Geographical Research, 2018,37(8):1641-1654. ]

[31]
王占山, 李云婷, 陈添, 等. 2013年北京市PM2.5的时空分布[J]. 地理学报, 2015,70(1):110-120.

[ Wang Z S, Li Y T, Chen T, et al. Spatial-temporal characteristics of PM2.5 in Beijing in 2013[J]. Acta Geographica Sinica, 2015,70(1):110-120. ]

[32]
刘靖, 单春艳, 梁晓宇. 唐山市基于GIS的PM2.5空间聚集性及分区管控[J]. 中国环境科学, 2020,40(2):513-522.

[ Liu J, Shan C Y, Liang X Y. Research on spatial aggregation of PM2.5 and zoning control in Tangshan based on GIS[J]. China Environmental Science, 2020,40(2):513-522. ]

[33]
环境保护部. 中国人群暴露参数手册(成人卷)[M]. 北京: 中国环境科学出版社, 2013.

[ Ministry of environmental protection. Handbook of human exposure parameters in China (adult volume)[M]. Beijing: China Environmental Science Press, 2013. ]

Options
文章导航

/

〈 〉