EN中文

Journal of Geo-information Science >

2017 , Vol. 19 >Issue 1: 11 - 19

DOI: https://doi.org/10.3724/SP.J.1047.2017.00010

Orginal Article

Spatial Distribution Simulation and Underlying Surface Factors Analysis of NO2 Concentration Based on Land Use Regression

  • SHI Yuanyuan , 1, 2 ,
  • LI Rendong , 1, * ,
  • QIU Juan 1 ,
  • HUANG Duan 1, 2 ,
  • WANG Haifang 3
Expand
  • 1. Institute of Geodesy and Geophysics, Chinese Academy of Sciences,Wuhan 430077, China
  • 2. University of the Chinese Academy of Sciences, Beijing 100049, China
  • 3. Investigation and Planning Institute of Hubei Forestry, Wuhan 430079, China
*Corresponding author: LI Rendong, E-mail:

Received date: 2016-06-29

  Request revised date: 2016-09-12

  Online published: 2017-01-13

Copyright

《地球信息科学学报》编辑部 所有
Fold

Abstract

With the rapid development of economy, air pollution has become an important environmental problem, attracting wide attention. As one of the main air pollutants, NO2 (nitrogen dioxide) becomes focus of the related research. It was found that the concentration of NO2 varied with different regions by comparing monitoring data in different monitoring sites. Thus, simulation of its spatial distribution and analysis of the influential factors of the underlying surface have important value. The Land-use Regression (LUR) model is a method that combines, analyzes and display a multivariate regression model with spatial land-use data, monitoring data and other relevant geographic data on a map. In this study, the land use regression model is built by using a buffer analysis, overlay analysis, Spear-man correlation analysis and multiple regression analysis and it was used to identify the underlying surface factors related to the NO2 concentration and simulate the spatial distribution ofNO2 concentration. The results show that the spatial distribution of NO2 mass concentration can be modeled accurately by LUR model. Based on the influential factors of the underlying surface, the following conclusions can be drawn: The increase of urban residence area, rural residence area, industrial land area and the length of the road and the reduction of the distance from the pollution source will increase the NO2 concentration. The increase of arable land area, green area and water area will decrease the NO2 concentration. The map of simulation results shows that the highest NO2 concentration is located in industrial districts and the NO2 concentration is lower where it is far from the city center. Changing the industrial structure of industrial land and increasing the green land can help reduce the NO2 concentration.

Key words： underlying surface; road traffic; land use; NO2; land use regression model

Cite this article

SHI Yuanyuan , LI Rendong , QIU Juan , HUANG Duan , WANG Haifang . Spatial Distribution Simulation and Underlying Surface Factors Analysis of NO2 Concentration Based on Land Use Regression[J]. Journal of Geo-information Science, 2017 , 19(1) : 11 -19 . DOI: 10.3724/SP.J.1047.2017.00010

1 引言

随着经济规模迅速扩大和城市化进程加快,伴随的工矿业发展、机动车尾气排放以及大量化石燃料的燃烧,使空气质量愈发恶化。城市环境空气质量的影响因素分析及污染防治研究已成为大气污染研究和城市气候研究领域的主要课题之一。
以往环境空气质量影响因素的研究集中于基于病例数据的危险度评价[1],或只是根据单一因素进行空气污染物分布研究[2-3]。城市空气污染物的空间分布特征及其成因缺乏具体污染物项目的研究[4-11],或是因为站点少且覆盖范围小,无法系统地对区域的污染物的时空分布特征及其影响因素进行整体分析研究[1,12]。随着《环境空气质量标准》（GB3095-2012） [13]的制定及国家环境空气质量监测站点的构建,为评价城市环境空气污染水平和研究城市环境空气质量的空间分布格局提供了重要的数据基础。同时,GIS的空间技术的发展与突破为城市空气污染物的影响因素的研究与分布区域的模拟建模提供了技术支持[14],LUR模型基于空气污染物和下垫面相关变量的模拟建模在国内外的研究中取得了较好的成果[15-19]。
本文选择中部崛起重点建设城市武汉为研究区域,利用Spearman相关性分析、缓冲区分析、叠加分析、多元回归分析模型和LUR模型等分析方法,提取并统计武汉市20个监测点缓冲区范围内的交通密度、城乡工交建设用地面积、绿地面积、水域面积、耕地面积和到污染源的距离等数据值。针对NO2这一具体空气污染物的空间分布情况,初步明确了影响武汉市环境空气质量的下垫面影响因素,并根据研究结果进行NO2浓度分布模拟,为区域空气污染控制提供科学依据,对大气环境质量监管亦具有重要的科学和现实意义。

2 研究方法与数据处理

2.1 研究区概况

湖北省是六省通衢、工业基地、文化中心,而以武汉市为中心的城市群是中部崛起发展的重点城市,同样也是国家批准的建设资源节约型和环境友好型城市综合配套改革试验区。空气质量作为环境监测的指标之一,武汉市空气质量相关研究,特别是下垫面成因研究,对于环境友好型城市的建设具有重要的指导意义。

2.2 研究方法

采用2016年1-6月武汉市空气质量监测数据平均值,利用Spearman相关性分析方法分析NO2质量浓度值与下垫面因素的相关性大小,选取相关性高的地理要素。将土地利用数据和网格数据进行缓冲区分析、叠加分析,提取并统计武汉市20个监测点缓冲区范围内的交通密度、城乡工交建设用地面积、绿地面积、水域面积、耕地面积和到污染源的距离等数据值,与NO2浓度值进行多元线性回归分析,得到多元线性回归方程。然后,利用LUR模型得到以网格为单元的NO2浓度值,对NO2的空间分布情况进行模拟制图。技术路线如图1所示。
Fig. 1 Technology Roadmap for Spatial Difference Research and Simulation of NO2 Concentration

图1 NO2浓度影响因素研究与模拟技术路线图

2.2.1 Spearman相关性分析
Spearman相关系数又称为秩相关系数[20],是利用2个变量的秩次大小进行线性相关分析的,对原始变量的分布不作要求,属于非参数统计方法。因此,它的适用范围比较广,但统计效能较低[20]。在研究空气污染物和其影响因素方面,相关性分析方法取得了较好的效果[12,21-22]。
2.2.2 缓冲区分析
缓冲区分析方法是矢量数据的空间分析方法之一[23],首先对一组地理要素设定的缓冲距离,然后按照设定的距离围绕这组地理要素形成具有一定范围的多边形面状要素,是获取地理要素领域的一种方法。缓冲区P的公式如式（1）所示。
P = { x d x , A ≤ r } （1）
式中：P为缓冲区;d一般指欧式距离;r为设定的缓冲距离。
缓冲区分析可以分析相邻事物间的空间关系,在空间格局分析、城市化研究、生态评价等方面已经有了相应的应用[24-26],同样可以将缓冲区分析应用到下垫面因素和空气污染物的空间关系中。
2.2.3 叠加分析
叠加分析是常用的空间分析方法之一,是将统一空间参考系下的2个数据层经过一系列集合运算得到新的数据层,并且新数据层综合了原来要素所具有的属性[23]。地理数据间具有多层次、相互关联等特性,叠加分析可以将具有一定关联和专属属性的数据产生新的空间关系,并且发现多层数据间的联系、差异和变化等特征。叠加分析已经在选址、景观设计、土地评价等领域取得了好的应用效果[27-30]。本研究旨在通过叠加分析得到下垫面因素和空气污染物间的空间关系。
2.2.4 多元回归分析
多元回归分析是一种找出因变量与一个或多个自变量间数量关系并可以进行评估预测的一种统计方法[31]。多元回归分析的目的是为了找到客观事物数量之间的依存关系,揭示变量间的影响因素和关联[32]。多元回归模型的一般形式为：
Y = a + b 1 X 1 + b 2 X 2 + ⋯ + b m X m （2）
式中： Y 是因变量; X 1 , X 2 ,…, X m 是 m 个自变量; a , b 1 ,…, b m 是回归方程的参数。多元回归分析已经在经济、医学等方面有广泛的应用[33-36]。
2.2.5 LUR模型
LUR模型全名为土地利用回归模型,是将统计方法中的回归模型与空间上的土地利用数据、监测数据和其他相关的地理数据结合分析并在地图上显示的方法。早在1997年,首次运用到空气污染变化空间化研究中[16]。在国内外研究中,LUR模型已经被成功地用于模拟空气污染物的空间分布[12,15-19]。
本文以研究区监测站点的NO2数据作为因变量,以土地利用面积、交通道路状况和污染源作为自变量建立多元回归方程。利用GIS方法设立大小一致、分布均匀、覆盖整个研究区域的网格,网格越小网格越密,即分辨率越高。将网格与道路长度和土地利用面积相交计算得到每个网格内道路长度和各个土地利用面积的数值,并计算各个网格中心到最近污染源的距离。然后,将这些数据带入回归方程中计算该网格所代表的NO2质量浓度,将研究区内的网格按照NO2浓度值符号化显示,即为利用下垫面因素模拟的NO2质量浓度空间分布图。

2.3 数据处理

经过国内外研究发现[37-41],NO2来源主要包含自然来源和人为来源：自然来源主要包括微生物分解、雷电、火山爆发、森林火灾、土壤和海洋排放;人为来源主要有煤炭、汽油、重油、天然气及各种燃料的燃烧而产生。NO2质量浓度受到土地利用类型、道路交通、污染源等因素影响。矿物燃烧和机动车排放已经成为城市中氮氧化物的主要来源[42-44]。本文根据武汉市的特点,选取土地利用类型数据（城乡工交建设用地面积、绿地面积、水域面积、耕地面积）、交通道路密度、离工业污染源的距离等作为下垫面因素进行研究分析。
2.3.1 NO2浓度
本文采用武汉市10个国家环境空气质量监测点（汉口花桥、武昌紫阳、沌口新区、汉口江滩、吴家山、东湖梨园、汉阳月湖、东湖高新、青山钢花和沉湖七壕）以及11个市级环境空气质量监测点（洪山地大、江汉红领巾、硚口古田、黄陂区站、蔡甸区站、新洲区站、江夏区站、汉南区站、东西湖区站、江汉南片区站和化工新区站）2016年1月至2016年6月的环境空气质量日报数据监测站点覆盖武汉各个区域。监测站点分布位置如图2所示。基本环境空气污染物为二氧化硫SO2、二氧化氮NO2、可吸入颗粒物PM10、细颗粒物PM2.5、臭氧O3和一氧化碳CO 6项,本文选取二氧化氮NO2为例进行下垫面因素对空气污染物影响研究。按照《环境空气指数（AQI）技术规定》（HJ633-2012）[45],计算得到各个监测站的二氧化氮的质量浓度平均值。
Fig. 2 Distribution Map of Air Pollutant Monitoring Sites and the Road Lines

图2 武汉市监测点位及交通道路分布图

2.3.2 交通道路数据
本文选择500 m缓冲区和1 km缓冲区内道路的总长度来表征该地区的交通状况。基于ArcGIS软件,对武汉市道路交通数据进行几何纠正,以20个监测点为中心,建立不同的缓冲区。采用ArcGIS软件的空间叠置分析工具计算每个缓冲区内的道路的总长度（km）,从而得到道路长度统计值作为交通状况的自变量。具体的交通道路图如图2所示。
2.3.3 土地利用类型
本文以2015年更新的土地利用/覆盖变化（LUCC）矢量数据（国家高技术产业发展项目中的湖北省2013年和2015年土地利用/覆盖变化遥感解译成果）为基础划分本研究区内的土地利用类型,其中包含6大类土地利用数据,如图3所示。同样基于ArcGIS软件,以20个监测点为中心,建立不同的缓冲区,采用空间叠置分析工具得到500 m缓冲区和1 km缓冲区内的6种土地利用类型（耕地、林地、草地、水域、城乡工交建设用地、未利用地）的 面积（km2）。
Fig. 3 Map of land use in Wuhan

图3 武汉市土地利用类型分布图

2.3.4 工业污染源
氮氧化物排放量较大的工业行业[46]有电力热力的生产和供应、黑色金属冶炼及压延加工业、非金属矿物制品业、化学原料及化学制品制造业、造纸及纸制品业、加工石油加工炼焦及核燃料业、纺织业。
选取武汉市环保局重点污染源发布系统中的武汉市空气污染物排放企业（图2）作为研究中的污染源,分别是：国电长源第一发电有限公司（青山区）、武汉钢电股份有限公司（青山区）、中国石油化工股份有限公司武汉分公司（青山区）、华能武汉发电责任有限公司（新洲区）、武汉晨鸣乾能热电有限责任公司（沌口经济开发区）和武汉高新热电股份有限公司（东湖新技术开发区）。根据6个公司的地点坐标,计算监测点与空气污染物排放公司的最近距离（km）,代表工业污染源对NO2质量浓度空间分布的影响指标。

3 结果分析

3.1 Spearman相关分析

将NO2质量浓度与下垫面相关因子（将林地面积和草地面积合并为绿地面积）进行Spearman相关分析,计算得到Spearman相关系数,如表1所示。
Tab. 1 Spear-man correlation analysis result

表1 Spearman相关分析结果表

影响因子 R2 sig
500 m缓冲区内道路长度X1/km 0.328 0.158
1 km缓冲区内道路长度X2/km 0.371 0.107
500 m缓冲区内绿地面积X3/km2 -0.339 0.144
1 km缓冲区内绿地面积X4/km2 -0.274 0.242
500 m缓冲区内水域面积X5/km2 -0.075 0.754
1 km缓冲区内水域面积X6/km2 -0.172 0.468
500 m缓冲区内城乡及工业用地面积X7/km2 0.505 0.023
1 km缓冲区内城乡及工业用地面积X8/km2 0.672 0.001
500 m缓冲区内耕地面积X9/km2 -0.737 0.000
1 km缓冲区内耕地面积X10/km2 -0.854 0.000
到最近污染源距离X11/km -0.469 0.037
通过各个下垫面自变量与因变量NO2质量浓度相关性分析结果（表1）可得到以下结论：
（1）有5个自变量与因变量NO2质量浓度显著相关,按照相关性大小排序依次是缓冲区为1 km耕地面积、缓冲区为500 m耕地面积、缓冲区为1 km的城乡及工业用地面积、缓冲区为500 m的城乡及工业用地面积和到最近污染源距离。
（2）NO2质量浓度值与耕地面积呈现极显著负相关。一方面是因为耕地位于郊区,离工业区距离远并且交通路网稀疏,污染源相对较少;另一方面植物对一定浓度范围内的空气污染物有一定程度的吸收净化能力[47-50],所以耕地较多的区域NO2质量浓度值较低。
（3）NO2质量浓度值与城镇农村居住面积及工业用地面积呈极显著正相关,这与居住地和工业用地的污染源排放量较多有关。城镇农村居住地是人口较为密集的区域,城镇居住地人类的生活行为例如厨房浴室天然气的使用、厨房油烟、废物焚化会产生大量空气污染物,其中包括NO2。城镇居住地的交通密集,机动车尾气的排放也是NO2的来源之一。农村居住地除了有人类生活所产生的NO2排放外,生活炉灶、农作物的焚烧和煤炭的使用是农村NO2的来源。工业区因为煤炭、汽油、重油、天然气及各种矿物燃料的燃烧而产生大量空气污染物,是NO2的主要污染源。
（4）NO2质量浓度值与企业排放污染源距离呈显著负相关,武汉市空气污染物排放企业因燃烧各种矿物燃料产生大量空气污染物,其中NO2是主要排放物之一,离污染源越近,NO2浓度越高。NO2扩散由于受气象和地形因素的影响,会存在NO2扩散导致浓度分布不均匀的情况,但总体上是距离污染源越远,浓度呈减小趋势。
（5）绿地面积、水域面积以及道路长度也会影响NO2质量浓度。绿地面积、水域面积的增大存在使NO2质量浓度值降低的趋势。林地的分布则可以降低一些大气污染物的浓度,水体的分布可能促使污染物在多介质之间的转换。道路长度的增加存在使NO2质量浓度值升高的趋势。道路的长度表征的是道路交通车流量,车流量的增加会导致汽车尾气的排放量增加,即NO2排放量增加。
根据Spearman相关分析结果,选择与NO2平均质量浓度值相关性显著的影响因子,不同缓冲区下的同类影响因子选择相关性更大或拟合效果更好的影响因子。本文选择的表征下垫面因素的变量为：500 m半径道路长度X1、500 m内绿地面积X3、 1 km内水域面积X6、500 m内城乡及工业用地面积X7、1 km内耕地面积X10和到最近污染源距离X11,如表1加粗字体所示。

3.2 多元线性回归分析

根据3.1节相关分析的结果,选取与NO2浓度相关性较强的影响因子（ X 1 , X 3 , X 6 , X 7 , X 10 , X 11 ）作为自变量,NO2平均质量浓度值作为因变量。以除去化工新区站的20个空气监测站点的NO2质量浓度值与选取的下垫面变量构建多元线性回归方程,把化工新区站点的值用于检验。多元线性回归方程的系数值如表2所示。
Tab. 2 Results of multiple linear regression model

表2 回归系数表

影响因子 系数
常量 44.304
500 m缓冲区内道路长度X1/km 1.042
500 m缓冲区内绿地面积X3/km2 -23.641
1 km缓冲区内水域面积X6/km2 4.791
500 m缓冲区内城乡及工业用地面积X7/km2 9.757
1 km缓冲区内耕地面积X10/km2 -5.997
到最近污染源距离X11/km -0.507
多元线性回归方程为：
Y=1.042X1-23.641X3+4.791X6+9.575X7-5.997X10-0.507X11+44.3.4 （3）
通过表2可看出,多元线性回归方程的回归系数值与各个自变量与因变量的相关性基本一致,NO2浓度值随城乡居住地及工业用地面积、道路长度增大而增大,随绿地面积、耕地面积、离污染源的距离增大而减小。其中,水域面积的系数为正值,原因是样本数据量较小,拟合结果与现实情况存在一定误差。
多元线性回归方程的R2值为0.706,调整后的R2值为0.571,标准估计误差为8.050 μg/m3。多元线性回归模型的假设性检验中,F=5.213,P<0.01,说明所建立的回归模型有统计学意义。回归方程的R2值的大小代表了回归方程拟合度的大小,R2值越大表示拟合的效果越好。式（3）的R2值较小,可能存在以下几个原因：空气污染物的分布和扩散情况,除了受到土地利用结构、污染源距离、交通密度等因素的影响,还受到风力、风向、降雨量、温度、气压、坡度和坡向等因素制约[19,51-55];数据的样本量较小,拟合结果存在一定误差;污染物浓度数据是2016年的,土地利用数据是2015年的,城市建设变化较快,与2016土地利用有一定差异;利用缓冲区内的道路长度作为自变量,没有考虑到道路车流量,与该范围内的汽车污染物排放量存在一定的误差;污染源对NO2浓度分布的影响大小,除了与最近污染企业的距离有关,还与企业的排放量有关。
化工新区站点下垫面因子相关值如表3所示,利用回归方程计算的该站NO2质量浓度值为27.070 μg/m3。根据武汉市空气质量日报数据,计算该站的NO2质量浓度平均值为32.820 μg/m3,正确率为82.5%。从监测点来看,化工新区站点位于化学工业园区,周围工厂较多,是实际值比预测值偏高的主要因素之一。
Tab. 3 Correlation values of underlying surface factors of chemical engineering monitoring site

表3 化工新区站点下垫面因子相关值

属性 值
500 m缓冲区内道路长度X1/km 0.925
500 m缓冲区内绿地面积X3/km2 0.017
1 km缓冲区内水域面积X6/km2 0.000
500 m缓冲区内城乡及工业用地面积X7/km2 0.060
1 km缓冲区内耕地面积X10/km2 3.064
到最近污染源距离X11/km 0.038

3.3 NO2浓度模拟

利用回归方程（3）和均匀分布网格（0.5 km×0.5 km）建立LUR模型,得到武汉市NO2质量浓度预测分布图（图4）。
Fig. 4 The map of spatial distribution of NO2 concentration by LUR

图4 NO2质量浓度预测分布图

通过图4的NO2质量浓度模拟分布可看出,NO2浓度的空间分布的存在如下的规律性：
（1）NO2浓度的最高值分布在青山区、沌口开发区、洪山区与江夏区交界处以及新洲区西南处,这些是武汉市工业工厂分布最为集中的区域。对比图2可发现,空气污染排放企业所在位置就在最高值分布区域附近。青山区是武汉市的化工、热能工业园区集中地,主要有武钢集团、中国石化集团、青山电热厂、中国一治高新技术产业园等,其主要通过消耗原煤、天然气和成品油进行工业生产和加工,造成大量的空气污染物排放。沌口开发区是经国务院批准的国家级经济技术开发区,同样是工业企业集中区,主要为汽车和电子工业,该区的工业结构导致大量的空气污染物的排放,如武汉晨鸣乾能热电有限责任公司为开发区多家企业公司供热、发电,燃料燃烧会排放大量空气污染物。位于洪山区与江夏区交界处的东湖新技术开发区主要包括电子产业、生物医药、软件科技等企业,该区的供能供热企业例如武汉高新热电股份有限公司是主要污染源。位于新洲区西南处的阳逻经济开发区形成了以港口服务为主体的产业链,其中船用钢铁加工为其中一个环节,钢铁的加工需要大量能源,如华能武汉发电责任有限公司生产电能会排放空气污染物。
（2）与图2的交通路网分布对比发现,道路交通密度较大的位置对应图4中的NO2浓度值35 μg/m3左右或以上的区域位置,说明道路交通中汽车尾气的排放量对NO2浓度分布产生了一部分影响。
（3）与图3的武汉市土地利用类型分布对比发现,城乡居住地以及工业建设所在地的NO2浓度值较高,耕地与绿地的NO2浓度值较地。一方面因为城乡居住地以及工业建设所在地的污染源较多,另一方面因为耕地与绿地的植物对空气污染物有一定吸收作用。
（4）从全局来看,武汉市NO2浓度值从中心城区到郊区呈递减的趋势。由于城区与郊区存在较大的下垫面差异,可以认为这与下垫面因素有很大的关系。城区的土地利用结构中,相比郊区,城区的城乡居住地和工业用地较多,道路交通的密度很大。另一个重要的原因是工业区集中分布在城区内,其排放的NO2扩散程度随距离递减,所以NO2浓度值由城区到郊区从高值到低值分布。

4 结论与展望

由于工业区企业的空气污染物的排放是NO2主要来源,NO2防控的重点就在于如何引导和调整工业区的企业,走向高技术高效益低污染的工业化道路：① 需要适当地调整产业结构,提高大第三产业的比重,如大力发展软件设计、互联网业务、旅游服务等产业;② 降低钢铁、电力、石油石化等重工业比重,大力发展光电子信息、生物医药等高新技术产业的发展;③ 对于重工业和高耗能产业,需要加大环保和科研的投入,用更先进的技术推动工业污染物减排。另外,还需要调整土地利用结构,在城区特别是工业区、交通密集区增加绿地面积,并且种植对NO2吸收率较高的植物,以达到减少NO2浓度、防止NO2扩散的目的。
本文结合统计分析、GIS空间分析方法等方法构建LUR模型,对NO2质量浓度进行空间分布模拟,拟合效果较好,并对NO2质量浓度下垫面影响因素进行分析研究,对今后的空气污染防治工作提供了意见和建议。LUR模型对研究空气污染物浓度的研究取得较好的效果。将来利用LUR模型进行空气污染物的影响因素的相关研究中,可以从下垫面因素的细化数据入手。例如,道路交通数据除了道路长度,还可综合道路宽度、道路类型或道路车流量大小进行分析,增加人口分布数据、污染源排放量和气象因素数据等,从而提高LUR模型模拟空气污染物空间分布精度。

The authors have declared that no competing interests exist.

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
李张伟,钟淑君.潮州市工业区冬季大气中二氧化硫和二氧化氮的分布特征研究[J]. 韩山师范学院学报,2011,32(6):60-64.通过现场采样分析,对潮州市四个主要工业区冬季大气中的二氧化硫和二氧化氮的含量及时间分布进行了研究.结果表明,潮州市四个工业区冬季大气中二氧化硫的浓度范围在0.08-0.46 mg/m3之间,平均为0.28 mg/m3;二氧化氮浓度范围在0.02-0.16 mg/m3之间,平均为0.08 mg/m3.工业区二氧化硫和二氧化氮最高浓度范围主要集中在每天12∶00-15∶00.以《环境空气质量标准》(GB3095—1996)作为评价标准,计算出各工业区大气的单因子和综合污染指数.结果显示,各工业区大气均已受到不同程度的污染.工业区大气二氧化硫和二氧化氮的主要来源是企业燃料废气的排放和汽车尾气的污染.

DOI

[ Li Z W, Zhong S J.Temporal and spatial variations of atmospheric sulfur dioxide and nitrogen dioxide pollution in main industrial areas of Chaozhou City[J]. Journal of Hanshan Normal University, 2011,32(6):60-64. ]

[2]
闫静,王文川,杨枬,等.浅析成都市机动车保有量的增加对大气污染物中二氧化氮浓度的影响[J].四川环境,2012,31(1):34-36.本文利用成都市城区近4年的环境空气二氧化氮浓度资料,结合成都市机动车保有量,分析了成都市机动车保有量的增加对空气中二氧化氮浓度的影响。分析表明,成都市机动车保有量的增加对空气中二氧化氮浓度有明显影响,尤以交通干道附近最为显著,二氧化氮浓度较非交通干线分别偏高12.0%～47.8%,成都市采取的高污染车限行等措施对二氧化氮浓度的控制起了重要作用。

DOI

[ Yan J, Wang W C, Yang Z, et al.Effect of increasing motor vehicles on atmospheric nitrogen dioxide concentration in Chengdu[J]. Sichuan Environment, 2012,31(1):34-36. ]

[3]
李会娟,于文博,刘永泉.城市二氧化氮、悬浮颗粒物、二氧化硫健康危险度评价[J].国外医学:医学地理分册,2007,28(3):133-135.越来越多的证据表明,城市大气污染物与各个年龄组的急慢性疾病有 关.许多国家在制定降低污染物浓度决策时考虑的基本依据就是污染物对健康的影响,因此,监测各种大气污染物的环境浓度以及吸入剂量非常重要.污染物剂量只 有和健康效应联系起来才能最终进行健康危险度评估.在早期的研究中对印度德里市悬浮颗粒物、二氧化氮、二氧化硫3种污染物进行了健康危险度评价.为了评价 和分析的需要,研究者划分出3个地区,即居民区、工业区和商业区,将城市总人群划分为3个年龄组(婴幼儿、儿童和成人),不同年龄组体重和呼吸频率不同. 在研究中计算3个年龄组呼吸频率、体重以及在不同地区的停留因子.研究结果显示,德里市儿童组受空气污染影响最大.在所有的年龄组中,二氧化硫的平均健康 危险度最低.因此,研究将二氧化硫平均健康危险度作为参考对照,以评价悬浮颗粒物和二氧化氮对健康的危害.在不同地区的所有年龄人群中,二氧化氮的平均健 康危险度是二氧化硫的22.11倍,悬浮颗粒物是二氧化硫的16.13倍.

DOI

[ Li H J, Yu W B, Liu Y Q.Health risks assessment of NO2, particulate matter and SO2 in cities[J]. Foreign Medical Sciences( Section of Medgeography ) , 2007,28(3):133-135. ]

[4]
张菊,苗鸿,欧阳志云,等.近20年北京市城近郊区环境空气质量变化及其影响因素分析[J]. 环境科学学报,2006,1(11):1886-1892.利用北京环境空气质量定点监测资料,研究了北京市城近郊区近20年来环境空气质量的变化趋势及其影响因素.结果表明,从年际变化看,SO2、降尘、B[a]P浓度显著下降,而NOx、CO浓度和O3超标情况显著上升,空气污染处于由煤烟型向机动车尾气型转变的过程中,表现出典型的复合污染特征.年内变化显示,采暖期污染比非采暖期严重,尤其SO2在采暖期浓度是非采暖期的5.7倍.从空间分布上看,TSP、降尘、O3表现为近郊区污染重于城区;SO2、NOx、CO表现为城区污染重于近郊区.空气污染源增加的压力与环境保护措施的相互作用是驱动北京市近20年环境空气质量变化的主要因素.产业结构的变化、重点污染源的整治、能源结构调整、能源的清洁使用、机动车尾气排放标准的提高等对保护环境空气质量起到一定作用.

DOI

[ Zhang J, Miao H, Ouyang Z Y, et al.Ambient air quality trends and driving factor analysis since 1980’s in Beijing[J]. Acta Scientiae Circumstantiae, 2006,1(11):1886-1892. ]

[5]
高歌. 1961-2005年中国霾日气候特征及变化分析[J].地理学报,2008,63(7):761-768.利用1961-2005年中国霾日统计资料,对中国霾的时空气候分布特征、变化趋势进行了详细分析,并探讨了霾变化的可能原因及其与太阳总辐射、日照时数变化的关系。结果表明：近45年来,中国年和四季霾日的空间分布特征均呈现东多西少的空间分布态势,东部地区集中在三个多发区,分别为长江中下游、华北和华南;季节变化,除东北地区、青藏高原、西北西部四季霾日均很少且变化不明显外,其余大部分地区均呈现为冬季多,夏季少,春秋季居中的特点。近45年,全国平均年霾日数呈现明显的增加趋势,2004年为最高值。我国东部大部地区主要呈现增加趋势,尤其霾多发地区,如长江中下游、珠江流域及河南西部等地,霾日增加幅度大,趋势显著,人类活动造成的大气污染物增加及天气气候变化是这些地区霾日呈现增加趋势的可能原因,我国西部地区和东北大部地区则以减少趋势为主。华北、长江中下游地区、华南地区霾日变化趋势与日照时数变化趋势相反,霾的增加是造成太阳总辐射减少的主要原因之一。东北地区、西北地区、西南地区、青藏高原霾日变化和日照时数变化均呈现不明显的减少趋势,但由于这些地区霾日发生少,其变化不会对日照时数和太阳总辐射变化造成很大的影响。

DOI

[ Gao G.The climatic characteristics and change of haze days over China during 1961-2005[J]. Acta Geographica Sinica, 2008,63(7):761-768. ]

[6]
崔妍,赵春雨,王涛,等.1961-2013年辽宁省不同等级霾现象时空分布特征及其气候成因[J].环境科学学报,2015,35(6):1629-1637.利用辽宁省52个地面气象观测站的观测资料,对辽宁省不同等级霾日时空变化特征和气候成因进行分析.结果表明,辽宁省霾日在空间上存在一个高值中心(沈阳)和两个副高值中心(锦州西南部和朝阳东部),年平均霾日在50 d以上,辽西山区和东北部山区年平均霾日最少在10 d以下.辽宁省霾日主要集中在冬秋季,占全年霾日60%以上,夏季次之,春季最少;1961—2013年辽宁省平均霾日呈明显增加趋势(3.5d/10 a),轻微霾日、轻度霾日和中度霾日也呈显著增加趋势,重度霾日无明显变化.不利的气候条件加剧了霾日的出现,霾日数与降水日数呈显著负相关,降水日数的显著减少(-2.6 d/10 a)导致大气对污染物的沉降能力减弱,而静风日数增加(5.1 d/10 a)、年平均风速减小(-0.2m·s-1/10 a)和大风日数的减少(-10.1 d/10 a)则使得空气中污染物不易扩散,增加了霾天气形成的概率.

DOI

[ Cui Y, Zhao C Y, Wang T, et al.Temporal and spatial characteristics of haze days with different intensities and the climatic factors during 1961-2013 in Liaoning Province[J]. Acta Scientiae Circumstantiae, 2015,35(6):1629-1637. ]

[7]
刘端阳,魏建苏,严文莲,等. 1980-2012年江苏省城市霾日的时空分布及成因分析[J].环境科学,2014(9):3247-3255.利用1980~2012年江苏省气象观测资料,对江苏省城市霾时空分布及成因进行了分析.结果表明,1980~2012年江苏省霾日增加,重度和中度霾增加显著,苏北和沿海城市霾日增加显著.秋季和冬季霾日最多,夏季最少.秋、冬季霾主要在内陆,沿海略少.除苏南三城市,6月其他城市霾日都比较多.80年代霾日较为均匀,90年代苏南、苏西南增加,2000年代江淮之间和苏北增加,2010~2012年苏北霾日增加显著,苏南地区霾日略有减少.全省连续性霾日、区域性霾日及连续性区域霾都呈增加趋势.城市建成区面积逐年扩大、由工业及汽车尾气排放的污染物逐年增加,导致区域气温升高、空气相对湿度下降,形成城市热岛和干岛效应,加上污染物的增多,增强了霾形成和维持的条件,持续性霾、区域性霾和持续性区域霾也增加较为显著.

DOI

[ Liu D Y, Wei J S, Yan W L, et al.Trends of urban haze in Jiangsu province China over the past 33 Years[J]. Environmental Science, 2014,9:3247-3255. ]

[8]
付桂琴,张迎新,谷永利,等.河北省霾日变化及成因[J].气象与环境学报,2014,30(1):51-56.利用1981—2010年河北省142个气象站地面观测资料，按照霾的观测和预报等级行业标准，分析河北省霾日空间分布特征，以石家庄为例对多霾日成因进行探讨。结果表明：河北省霾日主要分布在太行山东麓地区，霾日大值中心随时间范围扩大，日数呈增加趋势；典型代表站霾日随时间呈增加、减少和平稳变化3种趋势，单站变化差异明显；河北省霾日主要以能见度大于5km轻微霾为主，代表站中度和重度霾日季节变化显著，64％以上出现在秋冬季节；霾的形成是多种因素综合作用的结果，区域霾日分布主要与地理环境有关，逆温层、风速、相对湿度、年降水日数与霾的形成有关。此外，地方经济发展和人类社会活动对大气污染物的排放起一定作用。

DOI

[ Fu G Q, Zhang Y X, Gu Y L, et al.Change of haze day and its forming reason in Hebei province[J]. Journal of Meteorology and Environment, 2014,30(1):51-56. ]

[9]
史军,崔林丽,贺千山,等.华东雾和霾日数的变化特征及成因分析[J].地理学报,2010,65(5):533-542.基于华东449个气象站点1961-2007年的雾、霾、气温和露点温度数据、1980和2005年土地利用数据及2000-2007年MODIS气溶胶光学厚度数据,利用气候统计诊断、遥感和地理信息系统技术分析了华东雾、霾日数的气候变化特征及成因,结果表明1961-2007年期间,华东雾日数在全年及四季都呈现出先增多后减少的年际变化特征,霾日数在全年及四季则呈现出逐渐增多的年际变化特征。在1961-1980年和1981-2007年期间,华东多数地区的雾日数分别呈现出增多和减少的变化趋势,霾日数则在两个时期都表现为增多趋势。华东雾日数和霾日数的变化特征与我国已有的研究结果一致,气象条件的变化、区域城市化和土地利用变化以及大气污染物排放量增加所导致的气温升高和城市热岛效应增强、空气湿度和风速降低、气溶胶光学厚度增加等是华东雾和霾出现频率变化的主要原因。

DOI

[ Shi J, Cui L L, He Q S, et al.The Changes and Causes of Fog and Haze days in Eastern China[J]. Acta Geographica Sinica, 2010,65(5):533-542. ]

[10]
杨志,陈静,李军,等.武昌区环境空气质量变化趋势及治理对策[J].环境科学与管理,2010,35(3):34-37.分析2001年-2008年武汉市武昌紫阳、东湖梨园两个空气质量自动监测点空气质量状况,并运用spearman秩相关系数法判断监测点环境空气质量年变化趋势,2001年-2008年武昌区两个测点的环境空气质量总体趋向好转,优良率上升显著,但东湖梨园测点近三年空气质量优良率逐年下降,武昌紫阳测点空气质量优良率虽呈显著上升趋势,但在近三年上升趋缓.影响环境空气优良率高低的主要污染物是可吸入颗粒物,而造成可吸入颗粒物日均值超标的主要原因是建筑工地、拆迁工地的施工扬尘及运输扬尘.建议采取着重治理扬尘污染、加快产业布局调整、注重季节特点、建立空气质量预警机制及其他综合治理措施改善武昌区环境空气质量状况.

DOI

[ Yang Z, Chen J, Li J, et al.The change tendency and treatment methods of air quality in Wuchang[J]. Environmental Science and Management, 2010,35(3):34-37. ]

[11]
于淑秋,林学椿,徐祥德.北京市区大气污染的时空特征[J].应用气象学报,2002,13(z1):92-99.用1999年11月1日到2001年4月30日SO2、PMl0、NO2、CO和O3等5类污染物每日大气污染指数和等级资料,讨论了北京市区大气污染的时空分布特征.结果表明:北京市区的污染物以可吸入颗粒物和二氧化硫为主,出现3级以上的概率分别为50%和30%,是相当严重的.北京污染物有明显的季节变化,SO2出现3级以上概率在冬半年(11月至翌年3月)为34%,夏半年(4～10月)几乎不出现,但可吸人颗粒物的季节变化没有其它4类污染物显著.从1997年以来北京市区的大气污染略有好转.

DOI

[ Yu S Q, Lin X C, Xu X D.Temporal and spatial characteristics of air pollution in Beijing[J]. Journal of Applied Meteorological Science, 2002,13(z1):92-99. ]

[12]
焦利民,许刚,赵素丽,等.基于LUR的武汉市PM2.5浓度空间分布模拟[J].武汉大学学报·信息科学版,2015,40(8):1088-1094.基于稀疏监测点的监测数据无法直接获取城市内部空气污染的高分辨率空间分布。以武汉市为例,研究了基于土地利用回归(landuseregression,lur)模型的大气pm2.5浓度高分辨率空间分布模拟。采用双变量相关分析识别出与pm2.5浓度相关性最高的4个影响因子,分别是1000m缓冲区内道路长度,500m缓冲区内水域面积,500m缓冲区内建设用地面积以及工业污染影响。采用pm2.5月平均浓度和识别出的影响因子连同气象条件(月平均温度和月降水量)进行多元线性回归分析,相关系数r2达到0.905,调整后的r2为0.885。在研究区建立均匀格网(2km×2km),利用得到的lur方程计算格点pm2.5浓度值,应用空间插值制成武汉市主城区夏季pm2.5浓度空间分布模拟图。模拟结果显示,主城区有三个pm2.5浓度高值中心,分别为青山工业区、江北工业区和汉口汉西建材市场区域。汉阳南部、武昌南部的大型湖泊和水域面积比例较大的区域表现为两个pm2.5浓度低值中心。

DOI

[ Jiao L M, Xu G, Zhao S L, et al.LUR-based simulation of the spatial distribution of PM2.5 of Wuhan[J]. Geomatics and Information Science of Wuhan University, 2015,40(8):1088-1094. ]

[13]
中华人民共和国环境保护部.环境空气质量标准(GB3095—2012)[S].北京:中国环境科学出版社 Beijing: China Environmental Science Press, 2012. ]

[ Ministry of Environmental Protection of the People's Republic of China. Ambient air quality standards(GB3095-2012)[S]. Beijing: China Environmental Science Press, 2012. ]

[14]
Gulliver J, Hoogh K D, Fecht D, et al.Comparative assessment of GIS-based methods and metrics for estimating long-term exposures to air pollution[J]. Atmospheric Environment, 2011,45(39):7072-7080.The development of geographical information system techniques has opened up a wide array of methods for air pollution exposure assessment. The extent to which these provide reliable estimates of air pollution concentrations is nevertheless not clearly established. Nor is it clear which methods or metrics should be preferred in epidemiological studies. This paper compares the performance of ten different methods and metrics in terms of their ability to predict mean annual PM 10 concentrations across 52 monitoring sites in London, UK. Metrics analysed include indicators (distance to nearest road, traffic volume on nearest road, heavy duty vehicle (HDV) volume on nearest road, road density within 150m, traffic volume within 150m and HDV volume within 150m) and four modelling approaches: based on the nearest monitoring site, kriging, dispersion modelling and land use regression (LUR). Measures were computed in a GIS, and resulting metrics calibrated and validated against monitoring data using a form of grouped jack-knife analysis. The results show that PM 10 concentrations across London show little spatial variation. As a consequence, most methods can predict the average without serious bias. Few of the approaches, however, show good correlations with monitored PM 10 concentrations, and most predict no better than a simple classification based on site type. Only land use regression reaches acceptable levels of correlation ( R 2 =0.47), though this can be improved by also including information on site type. This might therefore be taken as a recommended approach in many studies, though care is needed in developing meaningful land use regression models, and like any method they need to be validated against local data before their application as part of epidemiological studies.

DOI

[15]
Hoek G, Beelen R, Hoogh K D, et al.A review of land-use regression models to assess spatial variation of outdoor air pollution[J]. Atmospheric Environment, 2008,42(33):7561-7578.lt;h2 class="secHeading" id="section_abstract">Abstract</h2><p id="">Studies on the health effects of long-term average exposure to outdoor air pollution have played an important role in recent health impact assessments. Exposure assessment for epidemiological studies of long-term exposure to ambient air pollution remains a difficult challenge because of substantial small-scale spatial variation. Current approaches for assessing intra-urban air pollution contrasts include the use of exposure indicator variables, interpolation methods, dispersion models and land-use regression (LUR) models. LUR models have been increasingly used in the past few years. This paper provides a critical review of the different components of LUR models.</p><p id="">We identified 25 land-use regression studies. Land-use regression combines monitoring of air pollution at typically 20&ndash;100 locations, spread over the study area, and development of stochastic models using predictor variables usually obtained through geographic information systems (GIS). Monitoring is usually temporally limited: one to four surveys of typically one or two weeks duration. Significant predictor variables include various traffic representations, population density, land use, physical geography (e.g. altitude) and climate.</p><p id="">Land-use regression methods have generally been applied successfully to model annual mean concentrations of NO<sub>2</sub> NO<sub><em>x</em></sub> PM<sub>2.5</sub> the soot content of PM<sub>2.5</sub> and VOCs in different settings, including European and North-American cities. The performance of the method in urban areas is typically better or equivalent to geo-statistical methods, such as kriging, and dispersion models.</p><p id="">Further developments of the land-use regression method include more focus on developing models that can be transferred to other areas, inclusion of additional predictor variables such as wind direction or emission data and further exploration of focalsum methods. Models that include a spatial and a temporal component are of interest for (e.g. birth cohort) studies that need exposure variables on a finer temporal scale. There is a strong need for validation of LUR models with personal exposure monitoring.</p>

DOI

[16]
Briggs D J, Collins S, Elliott P, et al.Mapping urban air pollution using GIS: A regression-based approach[J]. International Journal of Geographical Information Science, 1997,11(7):699-718.Abstract. As part of the EU-funded SAVIAH project, a regression-based methodology for mapping traffic-related air pollution was developed within a GIS environment. Mapping was carried out for NO2 in Amsterdam, Huddersfield and Prague. In each centre, surveys of NO2 , as a marker for traffic-related pollution, were conducted using passive diffusion tubes, exposed for four 2-week periods. A GIS was also established, containing data on monitored air pollution levels, road network, traffic volume, land cover, altitude and other, locally determined, features. Data from 80 of the monitoring sites were then used to construct a regression equation, on the basis of predictor environmental variables, and the resulting equation used to map air pollution across the study area. The accuracy of the map was then assessed by comparing predicted pollution levels with monitored levels at a range of independent reference sites. Results showed that the map produced extremely good predictions of monitored pollution levels, both for individual surveys and for the mean annual concentration, with r2 0.79-0.87 across 8-10 reference points, though the accuracy of predictions for individual survey periods was more variable. In Huddersfield and Amsterdam, further monitoring also showed that the pollution map provided reliable estimates of NO2 concentrations in the following year ( r2 0.59-0.86 for n 20).

DOI

[17]
Ross Z, Jerrett M, Ito K, et al.A land use regression for predicting fine particulate matter concentrations in the New York City region[J]. Atmospheric Environment, 2007,41(11):2255-2269.Abstract We developed regression equations to predict fine particulate matter (PM2.5) at air monitoring locations in the New York City region using data on nearby traffic and land use patterns. Three-year averages (1999鈥2001) of PM2.5 at US Environmental Protection Agency (EPA) monitors in the 28 counties including and surrounding New York City were calculated using daily data from the EPA's Air Quality Subsystem. As the secondary contribution to PM2.5 concentrations is lowest in the winter, we also calculated and modeled average winter 2000 PM2.5 to conduct a preliminary evaluation of model sensitivity to source contribution. Candidate predictor variables included traffic, land use, census and emissions data from local, state and national sources and were tabulated for a series of circular buffer regions at varying distances around the monitors using a geographic information system. In total, more than 25 variables at 5 different buffer distances were considered for inclusion in the model. Before evaluating the variables we removed several samples from the modeling for validation. For comparison and validation purposes we computed both a model using data for the full 28-county region as well as a more urbanized 9-county region. We found that traffic within a buffer of 300 or 500 m explains the greatest proportion of variance (37鈥44%) in all 3 models. Measures of urbanization, specifically population density, explain a significant amount of the residual variation (7鈥18%) after including a traffic variable. Finally, a measure of industrial land use further improves the 28-county and 9-county models based on the 3-yr annual averages, explaining an additional 4% and 11% of the variation, respectively, while vegetative land use improves the winter model explaining an additional 6%. The final models predicted well at validation locations. In total, the final land use regression models explain between 61% and 64% of the variation in PM2.5.

DOI

[18]
Beelen R, Hoek G, Vienneau D, et al.Development of NO 2, and NO x, land use regression models for estimating air pollution exposure in 36 study areas in Europe - The ESCAPE project[J]. Atmospheric Environment, 2013,72(2012):10-23.Within the ESCAPE project it was possible to develop LUR models that explained a large fraction of the spatial variance in measured annual average NO 2 and NO x concentrations. These LUR models are being used to estimate outdoor concentrations at the home addresses of participants in over 30 cohort studies.

DOI

[19]
陈莉,白志鹏,苏笛,等.利用LUR模型模拟天津市大气污染物浓度的空间分布[J].中国环境科学,2009,29(7):685-691.针对传统监测方法无法满足对大气污染物空间分布高分辨率的要求,以Arcgis为平台,利用LUR模型模拟天津市PM10和NO2年均浓度的空间分布.选取的回归变量为1～4km半径缓冲区内的道路总长度、不同土地利用类型的面积、人口密度、风向指数及距海距离,选取3个监测点的监测数据对方程进行了验证.结果表明,对PM10年均浓度影响最大的因素是缓冲区为1km的道路总长度(R2为0.560),而对NO2年均浓度影响最大的因素是人口密度(R2为0.414).多元线性回归方程计算结果显示,PM10和NO2的R2分别达到0.946和0.691;如果考虑风向的影响,R2可分别提高到0.980和0.849.对天津市中心城区建立5km×5km网格嵌套,根据多元线性回归方程计算每个网格交点的污染物浓度模拟值.通过kriging插值得到2种污染物在天津市中心城区的空间模拟分布图.PM10年均浓度分布以研究区中心最高,向四周逐渐降低;NO2的年均浓度以研究区中心最低,向四周逐渐升高.模拟结果与实际情况相符.

DOI

[ Chen L, Bai Z P, Su D, et al.Application of land use regression to simulate ambient air PM10 and NO2 concentration in Tianjin City[J]. China Environmental Science, 2009,29(7):685-691. ]

[20]
张文彤. SPSS统计分析基础教程[M].北京:高等教育出版社,2011.

[ Zhang W T.SPSS statistical analysis based tutorial[M]. Beijing: Higher Education Press, 2011. ]

[21]
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. 中国高能耗的经济增长模式和不生态的城镇化模式是PM2.5污染的主要诱因,为了弄清PM2.5的本质,着重研究PM2.5污染的产出机理与模型。首先用逐步回归分析法,确定对PM2.5影响较大的变量,再对PM2.5及其相关变量进行空间相关分析,在GIS技术与空间统计学的支持下,建立中国区域性细颗粒物空气污染评估模型。结果表明：中国PM2.5污染具有东高西低的区域差异特点,这与中国人口分布密度特征曲线（胡焕庸线）所划分出的人口空间分布特点相一致。考虑了空间效应影响的模型拟合度（R2=0.71）优于传统统计模型（R2=0.62）。PM2.5与总人口、人均汽车保有量的平方、第二产值比例的平方成正比,与森林覆盖率的平方成反比,其中对PM2.5贡献率最大的是人均汽车保有量。

DOI

[ 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. ]

[22]
王新,聂燕,陈红,等.兰州城区大气PM2.5污染特征及来源解析[J].环境科学,2016,37(5):1619-1628.为探究兰州城区PM2.5的污染特征及其来源,分别在兰州市城关区和西固区设置PM2.5采样点,于2013年10月（非采暖期）和12月（采暖期）采集样品并进行分析,得到了PM2.5及其16种化学组成的质量浓度.结果表明,兰州城区PM2.5污染水平较高,平均质量浓度为129μg·m^-3.样品无机元素平均质量浓度为：S〉Ca〉Fe〉Al〉Mg〉Pb〉Zn〉Mn〉Ti〉Cu,其中S、Ca、Fe、Al的质量浓度在1μg·m^-3以上,是主要元素组分;样品各无机元素质量浓度表现为采暖期高于非采暖期,城关区高于西固区.样品水溶性离子平均质量浓度为：SO^2-4〉NO^-3〉NH^＋4〉Cl^-〉K^＋〉Na^＋,其中SO^2-4、NO^-3、NH^＋4的质量浓度在10μg·m^-3以上,是主要离子组分;样品各水溶性离子质量浓度表现为采暖期高于非采暖期,西固区高于城关区.富集因子（EF）分析结果表明,元素Al、Ca、Mg、Ti的EF值均小于1以自然来源为主;元素Cu、Pb、S、Zn的EF值显著大于10,表明这4种元素在PM2.5中高度富集,且主要源于人为活动造成的污染.主成分分析结果表明,交通排放源、生物质燃烧源、土壤源和二次粒子对兰州城区大气PM2.5贡献显著.

DOI

[ Wang X, Nie Y, Chen H, et al.Pollution characteristics and source apportionment of PM2.5 in Lanzhou city[J]. Environmental Science, 2016,37(5):1619-1628. ]

[23]
汤国安. ArcGIS地理信息系统空间分析实验教程[M]. 北京:科学出版社,2012.

[ Tang G A.GIS spatial analysis Experimental Course of ArcGIS[M]. Beijing: Science Press, 2012. ]

[24]
陈岗,张建春.基于GIS缓冲区分析的旅游城市饭店空间格局研究——以桂林主城区为例[J].杭州师范大学学报:自然科学版,2011,10(2):186-192.文章以典型旅游城市桂林为例，借助于GIS缓冲区分析方法，分析其主城区饭店空间集聚与旅游空间要素的空间关系．研究表明：桂林主城区中、低等级饭店密集分布于城市中心和火车站附近，而高等级饭店有远离火车站分布的倾向；桂林主城区饭店有沿漓江和交通于道分布的倾向，其中五星级饭店倾向于选址于漓江附近．而低等级饭店倾向选址于交通干道附近；虽然土地使用政策和地租因素导致旅游景区附近存在一定距离的饭店低密度带，但是总的来说，桂林主城区高等级饭店更倾向远离次要景区，选址于核心景区附近．

DOI

[ Chen G, Zhang J C.Spatial framework of hotels in Tourist city based on GIS buffer analysis: Taking urban area of Guilin as an example[J]. Journal of Hangzhou Normal University(Natural Science Edition), 2011,10(2):186-192. ]

[25]
赵立军,陈焕伟,洪敏,等.基于缓冲区分析的北京城市用地扩展研究[J].山东农业大学学报(自然科学版),2005,36(4):564-568.遥感和地理信息系统技术的结合,对于了解城市空间格局现状,研究城市扩展趋势具有显而易见的好处。本文以多时相遥感影像及其分类结果为原始数据,应用GIS提供的空间分析功能,以北京城市规划中十个边缘集团和部分卫星城以及六条放射形交通线为基础做缓冲区分析,对北京城市土地利用扩展做了定量的描述与分析,从而得到一些北京市城市土地扩展的结论:北京城市原有的分散集团式规划效用不大,城市中心区的集聚能力依然较突出,沿交通线的扩展非常明显,整体来说北部地区的城市扩展强度指数远大于过南部,但是未来南部地区需要成为北京城市用地扩展的重要方向。

DOI

[ Zhao L J, Chen H W, Hong M, et al.Study on urban land use sprawling in Beijing by GIS technique[J]. Journal of Shandong Agricultural University(Natural Science), 2005,36(4):564-568. ]

[26]
彭慧,徐利淼.缓冲区分析与生态环境影响评价[J].天津师范大学学报:自然科学版,2004,24(2):34-37.在概要地阐述有关地理信息系统缓冲区分析的技术支持、基本原理及算法后，就缓冲区分析技术应用于城市生态景观建设的效应评价及人类活动对自然生态景观的干扰程度分析进行了实例讨论．结果表明，天津卫津河河道整治绿化工程对沿线产生的生态效益影响范围是300m左右；采矿点必须设在距保护区2000m以外才能保证自然生态景观免遭人类干扰．由此可见，缓冲区分析技术在生态环境影响的评价方面具有相当显著的作用。

DOI

[ Peng H, Xu L M.Buffer zone analysis and eco-environmental impact assessment[J]. Journal of Tianjin Normal University(Natural Science Edition), 2004,24(2):34-37. ]

[27]
贺瑜,刘刚. DEM与空间叠加分析在土地定量评价中的研究[J].计算机工程,2006,32(1):251-253.以湖北省建始县为例,研究了海拔、坡度和坡向与该区农业生产条件 的关系,建立了土地适宜性评价模型.在MapGIS支持下,该文综合应用数字高程模型(DEM)及空间叠加分析技术实现了该模型在土地适宜性评价中的应 用.实践表明,该数字化定量评价方法所得的结果与实际情况相符,具有高效、准确和可视化的特点,可为政府决策提供支持.

DOI

[ He Y, Liu G.Research on comprehensive application of DEM and GIS spatial overlay analysis technology in land quantitative evaluation[J]. Computer Engineering, 2006,32(1):251-253. ]

[28]
刘森,张前进,丛琳琳. GIS叠加分析在景观规划设计中的应用[J].科技情报开发与经济, 2008,18(24):151-152. 简述了GIS的叠加分析,并以一个规划设计为例,分析展示了GIS叠加分析在景观规划设计中的巨大作用.

DOI

[ Liu S, Zhang Q J, Cong L L. The application of GIS superim position analysis in landscape planning[J]. Sci-Tech Information Development & Economy, 2008,18(24):151-152. ]

[29]
吕海峰,韩滨.基于空间叠加分析方法的房地产开发项目选址的研究[J].中国新技术新产品, 2009,18:226-227.地段决定房地产价值，选址对于房地产开发项目的成功至关重要，这也对房地产开发项目选址的研究提出了更高的要求。本文在综合分析房地产开发项目选址影响因素和详细介绍GIS（地理信息系统）空间叠加分析方法的基础上，通过实例分析，阐述了GIS在房地产开发项目选址中的应用。

DOI

[ Lv H F, Han B. Research on spatial overlay analysis of real estate development project site[J]. New technologies and products, 2009,18:226-227. ]

[30]
于杰,孙伟雪,刘毅.基于ArcGIS叠加分析工具在耕地质量等别年度更新评价中的应用[J].测绘与空间地理信息,2016,39(3):146-148.中国是一个幅员辽阔的国家，是世界上占地面积排名第三的大国，但是我国的耕地面积却还不足世界的十分之一，更矛盾的是中国拥有世界五分之一的人口，因此耕地对于我国来说有着非常重要的地位，耕地质量等别评价是对耕地进行科学、准确整合的一项重要措施，通过耕地质量等别年度更新评价可以了解到每年我国耕地的变化，是新增了还是减少了，新增耕地原来的土地性质是什么，为什么会改变成为耕地，耕地为何减少，是政策原因还是其他原因造成的，耕地质量等别年度更新评价都可以对这些问题做出解答。

[ Yu J, Sun W X, Liu Y.Application of ArcGIS Based Overlay Analysis Tool in the Evaluation of Cultivated Land Quality[J]. Geomatics & Spatial Information Technology, 2016,39(3):146-148. ]

[31]
约翰逊 (Johnson, R A), (美) 威克恩 (Wichern,等. 实用多元统计分析[M]. 北京:清华大学出版社,2008.

[ Johnson, R.A, Wichern D.W. Applied Multivariate Statistical Analysis[M]. Beijing: Tsinghua University Press, 2008. ]

[32]
包凤达, 翁心真. 多元回归分析的软件求解和案例解读[J].数理统计与管理,2000,19(5):56-61.多元回归与相关分析是重要的统计分析方法，但复杂的计算给分析方法的推广应用带来了困难，以前介绍的一些计算机软件也可以解决回归分析的求解，但是数据的输入和软件操作运用经过专门训练，目前广泛应用的Excel软件为回归分析的求解给出了非常方便的的操作过程，本文以案例的形式介绍了多元回归与相关分析的Excel软件求解，并解读了统计分析结果。

DOI

[ Bao F D, Weng X Z.The software solving of multiple regression and correlation analysis and case explanation[J]. Journal of Applied Statistics and Management, 2000,19(5):56-61. ]

[33]
李金海. 多元回归分析在预测中的应用[J].河北工业大学学报,1996(3):57-61.在多元回归数学模型基础上，运用Ｅｘｃｅｌ软件中的相应函数，快速地求得正规方程系数数矩阵、逆矩阵及回归系数，同时提出了多元回归模型的检验过程，包括Ｒ检验、Ｆ检验和ｔ检验以有具体的使用方法，最后提出了多元回归方法的应用步骤。

[ Li J H.Usage of multivariate regression analysis in forecast[J]. Journal of Hebei University of Technology, 1996,3:57-61. ]

[34]
秦林林,陈金标,马海波,等.中国北方人骨密度及影响因素的多元回归分析[J].中日友好医院学报,1997(3):197-201.目的：确定我国北方人群的峰值骨量并分析影响骨峰形成与丢失的相关因素。方法：随机抽取４２５例北方健康志愿者，测量骨密度并做详细的相关因素问卷调查。对影响因素作多元回归分析。结果：腰椎、股骨近端和全身的峰值骨量形成年龄，男性在２０岁￣２４岁；女性除腰椎部位在３０岁￣３４岁外，其余部位均在２５岁￣２９岁，在随后的１５ａ内，骨量基本稳定或稍有下降，体重除与男性股骨颈骨密度无关外，与其它部位骨密度均显著相关

[ Qing L L, Chen J B, Ma H B, et al.Bone mineral density and multi-regression analysis of related factors in northern China[J]. Journal of China-Japan Friendship Hospital, 1997,3:197-201. ]

[35]
解亚宁,张育昆,于涛,等.生活事件因素与中国少数民族大学生心理健康状况的相关和多元回归分析[J].中国心理卫生杂志,1993(4):182-184.

[ Xie Y N, Zhang Y K, Yu T, et al.Correlation and multiple regression analysis of life events factors and mental health of Chinese Minority Students[J]. Chinese Mental Health Journa, 1993,4:182-184. ]

[36]
朱乾宇. 我国上市公司并购绩效的多元回归分析[J].中南民族大学学报(自然科学版),2002,21(1):83-86.选取在1998年度内进行了公司并购的126家上市公司作为研究对象,对影响公司并购绩效的诸因素进行了多元线性回归分析.结果显示,收购金额占收购公司净资产比例高、收购公司在该年度内进行了资产置换的并购公司绩效较好,而存在关联交易及承债式并购的并购公司绩效较差.此结果说明,在我国现阶段,在公司资金允许的情况下,宜适当选取规模较大的目标公司进行并购,承债式并购方式不值得提倡,此外,限制关联交易和适当剥离不良资产对提高公司业绩具有积极作用.

DOI

[ Zhu Q Y.Multi-Analysis on the Performance of Merge and Acquisition and Relevant Influencing Factors of Chinese Listed Company[J]. Journal of South-Central University f or Nationalities( Nat. Sci. Edition), 2002,21(1):83-86. ]

[37]
Richter A, Burrows J P, Nüss H, et al.Increase in tropospheric nitrogen dioxide over China observed from space[J]. Nature, 2005,437(7055):129-32.Nature is the international weekly journal of science: a magazine style journal that publishes full-length research papers in all disciplines of science, as well as News and Views, reviews, news, features, commentaries, web focuses and more, covering all branches of science and how science impacts upon all aspects of society and life.

DOI PMID

[38]
Lin J T.Satellite constraint for emissions of nitrogen oxides from anthropogenic, lightning and soil sources over East China on a high-resolution grid[J]. Atmospheric Chemistry & Physics Discussions, 2011,11(6):29807-29843.Vertical column densities (VCDs) of tropospheric nitrogen dioxide (NO2) retrieved from space provide valuable information to estimate emissions of nitrogen oxides (NOx ) inversely. Accurate emission attribution to individual sources, important both for understanding the global biogeochemical cycling of nitrogen and for emission control, remains difficult. This study presents a regression-based multi-step inversion approach to estimate emissions of NOx from anthropogenic, lightning and soil sources individually for 2006 over East China on a 0.250002 long x 0.250002 lat grid, employing the DOMINO product version 2 retrieved from the Ozone Monitoring Instrument. The nested GEOSChem model for East Asia is used to simulate the seasonal variations of different emission sources and impacts on VCDs of NO2 for the inversion purpose. Sensitivity tests are conducted to evaluate key assumptions embedded in the inversion process. The inverse estimate suggests annual budgets of about 7.1 TgN (00±38%), 0.22 TgN (00±46%), and 0.40 TgN (00±48%) for the a posteriori anthropogenic, lightning and soil emissions, respectively, each about 24% higher than the respective a priori values. The enhancements in anthropogenic emissions are largest in cities and areas with extensive use of coal, particularly in the north in winter, as evident on the high-resolution grid. Derived soil emissions are consistent with recent bottom-up estimates. They are each less than 6% of anthropogenic emissions annually, increasing to about 13% for July. Overall, anthropogenic emissions are found to be the dominant source of NOx over East China with important implications for nitrogen control.

DOI

[39]
徐向荣. 氧化氮的危害及其卫生检验方法[J].职业与健康,1999(2):22-24.

[ Xu X R.The harm of nitrogen oxide and its health inspection method[J]. Occupation and Health, 1999,2:22-24. ]

[40]
陶金花,王子峰,韩冬,等.华北地区秸秆禁烧前后的NO2卫星遥感监测分析[J].中国环境科学,2009,29(10):1016-1020.为保证奥运会期间的空气质量,2008年5～9月在华北平原地区采取了秸秆禁烧措施.采取遥感监测手段,利用MODIS数据的中红外和热红外通道数据监测禁烧前后的2年(2007、2008)同一时期禁烧区域的秸秆焚烧点分布情况,并利用OMI数据计算出该区域相应时期的对流层NO2垂直柱浓度总量变化情况.通过禁烧前后的数据统计分析,6、7月秸秆焚烧点由2007年的每天近250个减少到2008年的每天约40个,秸秆禁烧对对流层NO2柱浓度的降低起到一定的作用,但不明显.分析了利用遥感监测秸秆焚烧点和NO2浓度的不确定性.

DOI

[ Tao J H, Wang Z F, Han D, et al.Analysis of crop residue burning and tropospheric NO2 vertical column density retrieved from satellite remote sensing in North China[J]. China Environmental Science, 2009, 29(10):1016-1020. ]

[41]
高晋徽,朱彬,王言哲,等. 2005-2013年中国地区对流层二氧化氮分布及变化趋势[J].中国环境科学,2015,35(8):2307-2318.利用OMI探测器资料反演的对流层NO2柱浓度,结合REAS东亚地区NOx排放清单,ECMWF地面10m风场数据和中国统计年鉴中相关统计数据,研究了2005～2013年中国地区对流层NO2柱浓度的空间分布和长期变化趋势,NO2柱浓度的季节差异与排放源和地面风场的关系,以及国家政策实施情况与NO2柱浓度的关系.结果表明：中国地区NO2对流层柱浓度的高值区主要分布在华北地区、长江三角洲、珠江三角洲以及四川盆地等人口密集、人类活动频繁的大型城市和地区.NO2对流层柱浓度的变化存在东西部差异,值得注意的是东部在2011年之前基本表现为增加,但在2011年以后表现为下降,且与2011年相比年平均浓度下降了7.1%.工业氮氧化物排放总量的下降是2011年后NO2浓度下降的一个重要原因.西部浓度低于东部,但近9a浓度基本表现为增长.对流层柱浓度存在明显的季节差异,东部地区及大型城市基本表现为冬季高、夏季低.NOx人为排放源的季节差异是NO2浓度季节差异的重要因素之一,同时气象条件的作用不可忽视。

[ Gao J H, Zhu B, Wang Y Z, et al.Distribution and long-term variation of tropospheric NO2 over China during 2005 to 2013[J]. China Environmental Science, 2015,35(8):2307-2318. ]

[42]
王娟,杨彬,程昕.沈阳区域环境空气中一氧化氮与二氧化氮时空分布规律[J].环境保护科学, 2002,28(3):9-10. 以沈阳区域环境空气监测分析结果为依据,分析了1994～1998年内空气中一氧化氮与二氧化氮时空分布状况及其变化趋势.

DOI

[ Wang J, Yang B, Cheng X, et al. Space-time distribution regularity of nitrogen monoxide and nitrogen dioxide in atmosphere of Shenyang urban district[J]. Environmental Protection Science, 2002,28(3):9-10. ]

[43]
余华. 交通主干道二氧化氮污染分析[J].环境研究与监测,2003(2):132-133.通过对福州市区交通主干道二氧化氮污染物的分析,阐明了机动车排放的尾气是城区空气污染的重要来源,并提出一些建议和防治措施.

[ Yu H.Nitrogen dioxide pollution analysis of the main roads[J]. Environmental Study and Monitoring, 2003,2:132-133. ]

[44]
吴新敏,孙建国,石斌,等.乌鲁木齐市空气中氮氧化物的污染特征及来源分析[J].干旱环境监测,2002,16(3):137-138.通过引用新华南路测点的二氧化氮和氮氧化物污染浓度值,归纳乌鲁木齐市氮氧化物的污染动态变化规律并分析原因.

DOI

[ Wu X M, Sun J G, Shi B, et al.The source of nitrogen oxide and its characters in the air of Urumqi[J]. Arid Environmental Monitoring, 2002,16(3):137-138. ]

[45]
中华人民共和国环境保护部.环境空气指数(AQI)技术规定(HJ633-2012)[S].北京:中国环境科学出版社,2012.

[ Ministry of Environmental Protection of the People's Republic of China. Technical regulation on ambient air quality index(HJ633-2012)[S]. Beijing: China Environmental Science Press, 2012. ]

[46]
中华人民共和国环境保护部,中华人民共和国国家统计局,中华人民共和国农业部.第一次全国污染源普查公报[N].人民日报,2010-02-10(016).

[ People's Republic of China Ministry of Environmental Protection, National Bureau of Statistics People's Republic of China, People's Republic of China Ministry of Agriculture. The first national pollution census bulletin[N]. People's Daily, 2010-02-10(016). ]

[47]
Currie B A, Bass B.Estimates of air pollution mitigation with green plants and green roofs using the UFORE model[J]. Urban Ecosystems, 2008,11(4):409-422.The purpose of this study was to investigate the effect of green roofs and green walls on air pollution in urban Toronto. The research looked at the synergistic effects on air pollution mitigation of different combinations of vegetation by manipulating quantities of trees, shrubs, green roofs and green walls in the study area. The effects of these manipulations were simulated with the Urban Forest Effects (UFORE) model developed by the USDA Forest Service Northeastern Regional Station. While UFORE contains several modules, Module鈥擠 quantifies the levels of air pollution for contaminants such as NO 2 , S0 2 , CO, PM 10 and ozone as well as hourly pollution removal rates and the economic value of pollutant removal. Six vegetation scenarios were developed within the Toronto study area to compare different subsets of vegetation and their effect on air contaminants. Results of the study indicate that grass on roofs (extensive green roofs) could augment the effect of trees and shrubs in air pollution mitigation, placing shrubs on a roof (intensive green roofs) would have a more significant impact. By extension, a 10鈥20% increase in the surface area for green roofs on downtown buildings would contribute significantly to the social, financial and environmental health of all citizens.

DOI

[48]
潘文,张卫强,张方秋,等.广州市园林绿化植物苗木对二氧化硫和二氧化氮吸收能力分析[J].生态环境学报,2012,21(4):606-612.采用人工模拟熏气法,研究了36种广州市园林绿化植物对SO2和NO2气体吸收净化能力,以系统聚类分析方法为依据,将参试植物的吸收净化能力划分为强性、较强、中等、较弱及弱5个等级。结果显示,在不同SO2质量浓度（0.259和0.448 mg.m-3）环境下,黄槐、鸡冠刺桐、红花银桦、木棉、红千层、大花紫薇、复羽叶栾树吸收SO2能力具有强或较强的能力,而罗汉松、竹柏、深山含笑、乐昌含笑、观光木、樟树、阴香、双翼豆、印度紫檀、大花五桠果、长芒杜英、五月茶、海南蒲桃、芒果、海南红豆、糖胶树和幌伞枫吸收SO2能力表现为较弱或弱;在NO2质量浓度（0.149和0.428 mg.m-3）环境下,黄槐、黄葛榕、红花银桦、红千层、麻楝、复羽叶栾树、大花紫薇和小叶榄仁吸收净化NO2能力为较强或强,而深山含笑、五月茶、芒果、海南红豆、糖胶树和桂花叶片对NO2吸收能力表现为较弱或弱。在不同SO2和NO2浓度环境下,黄槐、红花银桦、红千层、复羽叶栾树和大花紫薇叶片对SO2和NO2吸收净化能力表现为强或较强,而深山含笑、五月茶、芒果、海南红豆、糖胶树叶片对SO2和NO2吸收净化能力为较弱或弱。研究结果为珠三角城市功能型园林植物选择和广东生态景观林带建设提供科学依据。

DOI

[ Pan W, Zhang W Q, Zhang F Q, et al.Decontamination ability of sulfur dioxide and nitrogen dioxide for 38 young landscaping plants in Guangzhou city[J]. Ecology and Environmental Sciences, 2012,21(4):606-612. ]

[49]
鲁敏,李英杰,鲁金鹏.绿化树种对大气污染物吸收净化能力的研究[J].城市环境与城市生态,2002(2):7-9.通过熏气试验，研究测定了部分绿化树种对主要大气污染物－SO2，Cl2和HF的吸收净化能力，结果表明：绿化树种对大气污染物具有一定的吸收净化能力，并依污染气体和树种的不同具有明显差异。

[ Lu M, Li Y J, Lu J P.Absorption and Purification to Main Air Pollutants by Tree Species[J]. Urban Environment & Urban Ecology, 2002,2:7-9. ]

[50]
缪宇明,陈卓梅,陈亚飞,等.浙江省38种园林绿化植物苗木对二氧化氮气体的抗性及吸收能力[J].浙江农林大学学报,2008,25(6):765-771.采用人工熏气法,研究38种浙江省常用园林绿化植物时二氧化氮 (NO,)气体的抗性及吸收能力,以系统聚类分析方法为依据,将参试树种的抗性及吸收能力分别划分为强性、较强性、中等、较弱及弱等5个等级.结果显 示,38种植物对NO2抗性存在较大差异,抗性最强的为茶花Camellia japoica.最弱的为美人蕉Canna generalis和火棘Pyracantha fortunearta;38种植物对NO2吸收能力差异显著,吸收能力最弱的为深山含笑Michelia maudiae,熏气前后氮元素质量分数差为1.4 mg·kg-1,最强为火棘,熏气前后氮元素质量分数差为476.3 mg·kg-1,并以此作为浙江省城市功能型绿地配置物种选择依据.图2表5参13

DOI

[ Miu Y M, Chen Z M, Chen Y F, et al.Resistance to and absorbency of gaseous NO2 for 38 young landscaping plants in Zhejiang Province[J]. Journal of Zhejiang Forestry College, 2008,25(6):765-771. ]

[51]
曲晓黎,付桂琴,贾俊妹,等.2005-2009年石家庄市空气质量分布特征及其与气象条件的关系[J].气象与环境学报,2011,27(3):29-32.根据2005—2009年石家庄市空气污染指数实况资料,分析了近5 a石家庄市空气质量的分布特征。结果表明:石家庄市空气质量以Ⅱ级良为主,轻度污染以上日数占样本总数的19.1%,属于大气污染较为严重的城市。空气质量分布具有明显的季节变化规律,夏季最好,秋、春季次之,冬季最差。运用相关分析法分析了气象因子与空气污染指数的相关关系,归纳得出高空500 hPa两槽一脊型、纬向型、一槽一脊型、均值场型和两槽两脊型是石家庄市典型的污染日天气系统型。

DOI

[ Qu X L, Fu G Q, Jia J M, et al.Distribution characteristics of air quality and its relationship with meteorological factors from 2005 to 2009 in Shijiazhuang, Hebei Province[J]. Journal of Meteorology and Environment, 2011,27(3):29-32. ]

[52]
张夏琨,王春玲,王宝鉴.气象条件对石家庄市空气质量的影响[J].干旱气象,2011,29(1):42-47.利用河北省石家庄市近40 a的气象资料和2 a的大气污染监测资料,详细分析了气象条件对该市空气质量的影响。结果表明:石家庄市冬季、秋季和春季地面主导风向为NNE、N和SSE,对市区空气污染有加剧作用;风速在一定范围内空气污染物易超标,并不是风速愈小,污染浓度愈大;强降水对空气有净化作用,弱降水会使空气质量变的更差;石家庄市边界层大气层结稳定的几率几乎占50%,不利于有害气体扩散;城市热岛效应明显,容易造成郊区的污染物向市区堆积。

DOI

[ Zhang X K, Wang C L, Wang B J.Influence of meteorological condition on air quality over Shijiazhuang of Hebei province[J]. Journal of Arid Meteorology, 2011,29(1):42-47. ]

[53]
刘彩霞,边玮瓅.天津市空气质量与气象因子相关分析[J].中国环境监测,2007,23(5):63-65.对采暖期间气象因子与空气质量 的相关关系进行了系统分析。结果表明,天气形势对空气质量影响显著,两者相关性很好,可以针对不同天气型开展污染源治理。地面风场对空气质量的影响具有双 重性,即风速越大,空气质量越好,但当风速达到7m/s时,可吸入颗粒物受开放源影响污染浓度会有所增加。大气稳定度的日变化影响空气质量的日变化;层结 越稳定,空气污染越重,稳定层结一般出现在早晨4:00~8:00和晚间19:00~23:00。

DOI

[ Liu C X, Bian W L.The correlation of air quality and meteorologic factors in Tianjin[J]. Environmental Monitoring in China, 2007,23(5):63-65. ]

[54]
郑美秀,周学鸣.厦门空气污染指数与地面气象要素的关系分析[J].气象与环境学报,2010,26(3):53-57.利用相关统计法分析2006—2008年厦门市地面气象要素对空气污染指数变化的影响规律。 结果表明：风速、气温、降水、相对湿度和水汽压对空气污染指数均有显著负效应作用,气压起显著正效应作用;风向影响较为复杂,NNW—N—E—ESE风起 正效应作用,SE—S—W风起负效应作用,厦门风向总体不利空气质量提高,全年仅夏季盛行SE—S—W风。API指数与风向、气温、降水、气压、相对湿度 和水汽压的季节变化规律有高相关性。API指数与气象要素中的水汽压关系最相关,其次是气压。

DOI

[ Zheng M X, Zhou X M.Relationship between air pollution index and surface meteorological elements in Xiamen, Fujian province[J]. Journal of Meteorology and Environment, 2010,26(3):53-57. ]

[55]
李文杰,张时煌,高庆先,等.京津石三市空气污染指数(API)的时空分布特征及其与气象要素的关系[J].资源科学,2012,34(8):1392-1400.依据2001年-2010年的空气污染指数(API)日报数据和相应时段的地面气象要素数据,从季节平均和月平均、空气污染等级和空气污染过程3个角度出发,分别研究北京、天津和石家庄3市的空气污染指数(API)与气象要素之间的相关关系,统计分析结果表明:①北京、天津、石家庄3市的空气污染状况在2001年-2010年期间逐步改善,夏季空气质量最好;北京春季受沙尘的影响、天津和石家庄冬季受取暖的影响导致对应季节的空气质量最差;②气象要素对空气污染的影响存在较大时空差异,北京、天津和石家庄3市的月均尺度的API与气温(平均、最高和最低)、最高气压、水汽压和最大风速4类气象要素存在一致的相关关系,大部分相关系数的绝对值天津石家庄北京;季均值尺度下,北京、天津和石家庄3市的API与气象要素的关系差异性较大,但3市的API与水汽压存在一致的相关关系;和季节与月份均值处理分析的相关性相比,基于空气污染不同级别分析的相关系数明显偏低,可能与较大的样本量和气象要素对空气污染影响机制的复杂性有关;基于空气污染过程的相关系数的绝对值介于均值和级别分析结果的中间,但是3个城市气象要素对空气污染的影响相关系数仍显不足;③根据不同风向上污染日数的分布统计分析,北京、天津和石家庄分别主要受西南和南西南、北西北和北以及东南和东东南方向上极大风速和最大风速的影响。为了使研究结果更具机理性和普适性,更好的服务于空气污染未来预报,仍需进一步开展包括上述多种方式的联合与深入研究。

[ Li W J, Zhang S H, Gao Q X, et al.Relationship between temporal-spatial distribution pattern of air pollution index and meteorological elements in Beijing,Tianjin and Shijiazhuang[J]. Resources Science, 2012,34(8):1392-1400. ]

Options
Outlines

/

〈 〉