
2018年中国334个城市年平均PM2.5浓度分布
Figure1.Distribution of PM2.5 annual mean concentrations in 334 cities of China in 2018
2020, 37(6):553-557.doi:10.13213/j.cnki.jeom.2020.19845
随中国城市化、工业化进程加快,空气质量日益下降,尤其细颗粒物(fine particulate matter with median aerodynamic diameter ≤ 2.5 μm,PM2.5)已经成为首要大气环境污染物。越来越多的研究应用地理信息系统(geographical information system,GIS)描述区域PM2.5的污染状况及其时空分布特征,如王振波等[1]采用空间数据统计模型,揭示全国190个城市2014年PM2.5浓度的时空变化规律,Yang等[2]对珠三角地区、李雪梅等[3]对京津冀地区大气污染的空间分布特征进行了分析。为治理和消除雾霾天气,中国政府于2013年颁布了《大气污染防治行动计划》等一系列措施,在全国范围内划分13个大气污染防治重点区域(三区十群),落实区域联防联控要求,空气质量逐年改善,大气污染物的空间分布特征也不断发生变化。因此,本研究采用空间统计学方法分析2018年全国PM2.5浓度的空间变化规律,为制定下一阶段全国大气污染防治措施提供科学依据。
PM2.5浓度数据来源为中国环境监测总站实时发布的城市空气质量监测数据,根据日平均值计算每个城市年平均PM2.5浓度,本研究的分析基于城市平均值。2018年中国已有338个地级及以上城市开展PM2.5浓度监测,由于缺失昌都地区、林芝地区、日喀则地区和山南地区的数据,本研究的分析基于其余334个地级及以上城市的PM2.5监测数据。
空间自相关可分析相邻空间区域的位置属性特征是否存在空间关联[4]。本研究首先运用全局型Moran’s I统计量探讨PM2.5在中国整个区域的空间分布模式。其次运用局域型Moran’s I统计量探明中国PM2.5的局部空间聚集性区域、聚集类型状态和确切分布位置。Moran’s I=0表明不存在空间自相关性,0 < Moran’s I ≤ 1且P < 0.05代表有空间正相关关系,-1≤ Moran’s I < 0且P < 0.05则表示有空间负相关关系[5]。局域型Moran’s I统计量可判定每个空间单元自相关性,结合Z检验可探测出四种有统计学意义的空间关联模式[4-5]:①高-高区域,代表该空间单元观测值高,其周围空间单元观测值也高;②高-低区域,代表该空间单元观测值高,但其周围空间单元观测值低;③低-低区域,代表该空间单元观测值低,其周围空间单元观测值也低;④低-高区域,代表该空间单元观测值低,但其周围空间单元观测值高。
对于具有空间自相关性的监测点数据,可通过插值了解全区域内的完整空间分布。克里格法是一种无偏、最优估计的方法[6]。本研究采用普通克里格法插值估计全国区域范围内的PM2.5浓度,其中变异函数模型选用球形模型。
应用ArcGIS 10.6进行地图制作、空间自相关分析及克里格插值分析。
2018年,中国334个地级及以上城市PM2.5年平均质量浓度(后称浓度)为(39.3±14.4)μg·m-3,中位数(P25,P75)为37.1(28.9,47.8)μg·m-3。PM2.5年平均浓度低于世界卫生组织(World Health Organization,WHO)标准限值(10μg·m-3)的城市仅有阿勒泰地区(8.8μg·m-3),且196个城市(58.7%)高于我国PM2.5年平均浓度限值(35 μg·m-3)。PM2.5年平均浓度排名前十位的城市分别为和田地区(116.6 μg·m-3)、喀什地区(96.2 μg·m-3)、阿克苏地区(74.3 μg·m-3)、安阳(72.5 μg·m-3)、临汾(69.9μg·m-3)、石家庄(69.5μg·m-3)、五家渠(69.0μg·m-3)、邯郸(68.9μg·m-3)、邢台(68.7μg·m-3)、保定(66.4μg·m-3)。三区十群重点区域PM2.5年平均值由高至低分别为新疆乌鲁木齐城市群(58.28 μg·m-3)、陕西关中城市群(56.56 μg·m-3)、京津冀(54.97 μg·m-3)、山东半岛城市群(49.43 μg·m-3)、山西中北部城市群(46.78 μg·m-3)、长株潭城市群(44.22 μg·m-3)、武汉及其周边城市群(43.47 μg·m-3)、成渝城市群(42.59 μg·m-3)、长江三角洲(41.59 μg·m-3)、甘宁城市群(39.78 μg·m-3)、辽宁中部城市群(38.83 μg·m-3)、珠江三角洲(30.66 μg·m-3)、海峡西岸城市群(24.77 μg·m-3)。334个地级及以上城市年平均PM2.5浓度分布见图 1。
2018年中国334个城市年平均PM2.5浓度分布
Figure1.Distribution of PM2.5 annual mean concentrations in 334 cities of China in 2018
以地级及以上城市为空间单位进行全局Moran’s I分析,空间自相关系数Moran’s I=0.58,且P < 0.001,表明2018年我国各城市PM2.5年平均浓度存在全局空间自相关性。
图 2展现了2018年我国334个地级及以上城市年平均PM2.5浓度的空间关联模式分布,214个城市的局域空间自相关性有统计学意义。其中,98个城市为高-高区域,即该98个城市年平均PM2.5浓度高,而其周围城市PM2.5浓度也较高,主要分布于北京市、天津市、河北省、河南省、山东省、山西省、江苏省、安徽省、湖北省及新疆维吾尔自治区;15个城市为低-高区域,即这15个城市的PM2.5浓度低,位于周围的城市PM2.5浓度较高,主要分布于陕西省及其周边区域;2个城市为高-低区域,即这2个城市的PM2.5浓度高,位于其周围的城市PM2.5浓度较低,分别为广西壮族自治区的柳州市和甘肃省的武威市;99个城市为低-低区域,即这99个城市的PM2.5浓度低,其周围城市的PM2.5浓度也较低,主要分布于空气质量较好的吉林省、黑龙江省、福建省、广东省、海南省、贵州省、云南省以及广西壮族自治区。
2018年中国334个城市PM2.5年平均浓度空间聚集
Figure2.Spatial clusters of PM2.5 annual mean concentrations in 334 cities of China in 2018
空间自相关分析显示PM2.5浓度具有空间相关性,因此可运用空间克里格插值方法依据监测点浓度值估计全国PM2.5浓度。结果显示有两个高污染城市聚集地:一是新疆西部,PM2.5年平均浓度以此为中心向四周逐渐降低;二是以河北、河南、山东、山西四省交界处为中心,四周PM2.5年平均浓度逐渐降低。见图 3。
2018年中国PM2.5年平均浓度普通克里格插值分布图
Figure3.Distribution of PM2.5 annual mean concentrations by ordinary Kriging interpolation in China in 2018