中国PM2.5浓度的时空变化特征外文翻译资料

 2022-11-22 10:40:09

英语原文共 11 页,剩余内容已隐藏,支付完成后下载完整资料


本译文翻译自《Spatial and Temporal Variability of PM2.5 Concentration in China》

中国PM2.5浓度的时空变化特征

作者:徐刚,焦丽敏,赵素丽,程佳琪

武汉大学资源与环境科学学院,湖北武汉430079

摘要:PM2.5因其能见度降低和严重的健康风险而成为近来日益受到关注的问题。 2013年全年收集中国74个城市496个监测点的PM2.5小时数据,对PM2.5浓度不同的时间尺度(季节变化,月变化和日变化)和空间尺度(城市与农村,典型地区和国家尺度)进行分析。结果表明,PM2.5浓度在长期和短期内均有显著变化。PM2.5浓度的日变化存在明显的双峰特征,白天峰值出现在上午10:00左右,而最低浓度出现在下午16:00左右。空间自相关分析和0rdinary kriging法用于表征空间变异性。京津冀地区,长三角地区和珠江三角洲地区PM2.5浓度的莫兰I分别为0.906,0.693和0.746,说明PM2.5浓度较高相关。空间自相关分析和0rdinary kriging法用于表征空间变异性,年PM2.5的空间分布满足中国国家环境空气质量二级标准(35微克/立方米)要求的地区有794万平方公里(83%),全国至少有3个集中污染严重地区。

关键词:空气污染 PM2.5 时空变化 空间自相关

0 介绍

没有人能够怀疑中国在过去三十年取得的显着经济成就。 尽管在减少空气污染方面做了大量工作,中国仍然遭受严重的空气污染,主要是由于经济快速增长和人口密度高[1,2]。 最近,PM2.5(空气动力学直径小于2.5微米的颗粒)已成为公众关注的问题,因为它的能见度降低和严重的健康影响。 许多流行病学研究表明呼吸系统和心血管疾病与PM2.5密切相关[3-5]。 而且,PM2.5已成为中国许多城市的主要空气污染物[2]。

与任何其他空气污染物一样,PM2.5浓度在时间尺度或空间尺度上变化显着。经济发展不平衡和地理条件差异导致PM2.5污染区域差异较大(大规模)。在城市尺度(小尺度)方面,由于①排放源分布不均匀,PM2.5浓度也表现出明显的空间异质性和时间变率; ②排放波动; ③空气分散状况的复杂性[6,7]。由于PM2.5浓度的空间 - 时间变化对空气质量监测,评估和控制具有重要意义,因此许多以前的时空分析已经在城市或区域范围内进行过。 Russell等[8]发现PM2.5浓度的季节变化明显,晚秋季浓度较高,德克萨斯东南部日变化的早晨高峰明显。其他地区也已经确定了PM2.5浓度的强烈季节性和日变化[9,10]。但是,由于监测点的代表性和数量有限,空间特征分析比时间变异性分析困难得多。许多方法,包括空间插值,土地利用回归(LUR)和卫星衍生的气溶胶光学深度(AOD)被引入到PM2.5浓度的高空间分辨率模拟中,从城市到地球的不同尺度[11-13] 。作为用于空间插值的最常用方法之一,克立格已被用于许多学科,以及空气污染制图和空间变异性分析[14,15]。作为其他生态现象,PM2.5浓度空间分布不是独立的,而是相互关联的,称之为空间自相关。空间自相关分析也用于以前的一些研究[16],但很少涉及PM2.5污染。

尽管PM2.5或PM10浓度的空间或时间变化在中国的一些典型地区或地区进行了分析[17,18],但本研究侧重于不同时间和空间尺度上的PM2.5浓度变化,特别是在不同时期时间变化。在这项研究中,长期变化(季节性变化和月变化)以及PM2.5浓度的短期变化(日变化)将在第2.1节和第2.2节中从三个方面(监测地点的类型,南北差距和地区差距)进行表征。至于空间变异性,空间自相关分析将应用于三个典型地区,然后在2.3节和2.4节中使用普通克立格进行PM2.5浓度空间分布模拟。值得注意的是时空变化相互影响,例如PM2.5浓度的空间变异性也从多方面反映在时间变异性分析中。

1 材料和方法

    1. PM2.5数据

中国环境保护部于2012年2月颁布了新的“环境空气质量标准”(GB3095-2012),并从2012年12月开始实施PM2.5常规监测。74个城市首批496个监测点主要分布在3个典型地区,即京津冀,长三角和珠三角地区。 第一批也包括省会城市和其他一些大城市。 北京和上海等大城市有10-15个监测点,其他地级城市有3-6个监测点。 2013年全年496个监测点的小时PM2.5数据,不包括台湾,香港和澳门,均来自中国国家环境监测中心。

    1. 时间变化

至于时间变异性,PM2.5浓度的长期变化(季节变化和月变化)和短期变化(日变化)将被表征。 然而,由于中国大片地区的不同,各地的时间差异各不相同。 我们将考虑三个方面分析时间变化。

  1. 检测点的类型

监测站点可以分为城市站点和乡镇站点两个组。 城市地点位于城市地区,而乡镇地点位于郊区,通常在农村或自然保护区。 乡镇场所用于表示空气污染物的背景浓度。城市站点和乡镇场所之间有差异,这反映了PM2.5污染的城乡差距。 并不是所有的城市都有乡镇场所,496间只有38个乡镇场所站点。 所有38个乡镇站点的每个乡镇站点和最近的城市站点之间的平均距离为20.7公里。

  1. 南北差距

中国北方的空气污染比南方严重得多。 由于燃煤取暖是PM2.5等主要空气污染物来源,除南北自然条件差异外,政府主导的取暖运行加剧了中国北方冬季严重的空气污染。 因为南北PM2.5污染存在明显差异,因此有必要分别分析时间变率。 南北差距方面,根据秦岭 - 淮河线,496个监测点分为北部和南部两个地点。

对于华北地区,将分析暖季节和非暖季节的时间变化。 秦岭 - 淮河以北冬季所有城市均由政府主导供暖。 但是,城市之间的供暖持续时间不同。 例如,北京的供暖时间从11月15日开始,到明年3月15日结束,共4个月。 而在较高纬度地区(哈尔滨),它将在明年的11月1日至3月31日,持续约5个月。 为方便起见,暖季节定义为11月至3月,其余时间(4月至10月)为本研究中国北方地区的非暖季节。

在中国南方,降水是季节变化最重要的特征,据此将一年分为干旱,湿润和过渡时期。该华南地区每个城市的时段也不同。 由于华南大部分城市在5〜8月份经历了雨季(也称为潮湿期),而另一方面,相应的旱季则为冬季。 因此,干燥期限定为11月至2月期间,在下一年,潮湿期为5月至8月,其余(3月,4月,9月和10月)为过渡期。

第2.1节和第2.2节将讨论华北和华南地区PM2.5浓度的季节变化和日变化。

  1. 地区差异

中国PM2.5污染水平(平均值)存在明显的区域差异和空间集群。 监测点分布在九个地区(表1)。

表1 九个地区的省份

地区

包含的省份

中国北部

北京,天津,河北,山西,内蒙古,山东

中国东部

上海,江苏,浙江,安徽

中国南部

广东,福建

中国西南

云南,贵州,广西

中国中部

河南,陕西,湖北,湖南,四川,重庆,江西

中国西北

甘肃,青海,宁夏

中国东北

黑龙江,吉林,辽宁

新疆

新疆

台北

台北

在划分这些地区时考虑到地点的地理位置,行政边界和PM2.5污染水平。 部分结果不同于中国传统的地域划分。 关注第1.2节中定义的华北和华北地区的差异非常重要。华北的范围见表1,而中国北方则代表秦岭 - 淮河以北的地区。 华南和华南地区的差异是一样的。 尽管新疆和西藏只有一个城市进行了PM2.5监测,但由于PM2.5浓度相差很大,因为乌鲁木齐被PM2.5浓度高的沙漠包围着 拉萨位于清新的空气高原。

    1. 空间自相关

经典统计的基本假设是样本是独立的。 当样本被地理参考时,它们往往不能满足要求,因为它们相互关联,称为空间依赖性。 空间自相关是指一个地理对象的某种归属与同一地理空间中其他对象的同一归属之间的关系。 它以第一部地理定律为基础,即“一切与其他一切有关,但近在咫尺的事物比远处的事物更有关系”[19]。 空间自相关通常用于识别某些现象(空气污染)及其相关值(浓度)的空间分布模式。

正空间自相关表明相邻值相似,负空间自相关则表示不相似的值。 莫兰的I [20]统计是空间自相关最常用的测量方法,还有一些其他测量方法,包括Gearys C [21]。 Cliff [22]提出的全球Morans I统计数据用于检查空间自相关是否存在,但它不能说明存在空间聚类的地方。 因此,Anselin提出了当地的Morans I统计[23]。

全球Morans I统计如下:

其中Zi是特征i与其均值(xi - X)的属性偏差,wi,j是特征i和j之间的空间权重,n等于特征总数,S0是 所有的空间权重:

一般来说,Morans I的值在-1和1之间变化,分别代表负向和正向空间自相关。 绝对值更接近零,这代表较弱的空间自相关。

当地的Morans I统计数字给出为

其中xi是特征j的属性,X是相应属性的均值,wi,j是特征i和j之间的空间权重,并且

由于PM2.5排放(工厂,交通等)的空间分布是聚集的,加上空气扩散和区域交通的相互作用,PM2.5值高度自动相关[24]。 由于监测点是点,因此将使用GeoDA1.4.0中的距离权重(欧几里得距离)创建空间权重矩阵。 结果将使用ArcGIS10.0显示。

如前所述,监测点主要分布在三个典型区域,京津冀区域,长三角地区和珠三角地区,部分对应于华北,华东和华南。 空间自相关分析将应用于这三个有代表性的地区,而不是在整个国家。 BTH地区增加了其他四个城市(济南,青岛,太原和呼和浩特)。 由于距离长三角地区较远,福州,厦门和海口被排除在外,尽管这三个城市被纳入华南地区进行区域时间变异性分析。

    1. Ordinary Kriging

地质统计学是指用于从有限的样本数据映射表面的技术和非抽样地点的估计值。 作为最常用的方法之一,Kriging首先由Matheron [25]从Krige [26]的想法开发出来,并且首先用于矿物工业。 最近,克里格已被广泛应用于许多其他领域,包括空气污染制图[27,28]。 克里格估计是一个三阶段过程:①估计半方差图; ②拟合半方差函数; ③守时克立格[14]。 首先,半变异函数gamma;()用于表征监测数据的空间相关性,如下所示:

其中h是两个监测点之间的距离,N(h)是具有相同距离h的对的数量。 其次,三个经常参考的空间模型(球形,指数和高斯)被用来获得最佳的半变异函数参数(范围,部分门槛和块体)[29]。 最后,估计这些未观察到的地点的价值。 就基本技术而言,0rdinary kriging法使用观测相邻值的加权平均来估计给定位置处的未观测值,如下所示:

其中lambda;i是通过引入拉格朗日乘子mu;来计算的并且解决该系统:

在约束下:

其中S是预测位置; Z(S)是没有观察的点的预测值; Z(Si)是位置i的度量; lambda;i是Z(Si)的权重,N是测量的数量。 该过程将在ArcGIS10.0中使用地统计分析软件进行,结果将模拟PM2.5浓度的空间分布。

2 讨论 剩余内容已隐藏,支付完成后下载完整资料


资料编号:[22858],资料为PDF文档或Word文档,PDF文档可免费转换为Word

您需要先支付 30元 才能查看全部内容!立即支付

课题毕业论文、外文翻译、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。