EN中文

地理学报 >

2024 , Vol. 79 >Issue 3: 654 - 671

DOI: https://doi.org/10.11821/dlxb202403007

地表过程与环境演变

青藏高原县域尺度PM2.5浓度时空动态演进特征

  • 刘庆芳 , 1 ,
  • 谢佳亮 2 ,
  • 张先甜 3 ,
  • 徐勇 4 ,
  • 宋金平 , 1
展开
  • 1.北京师范大学地理科学学部，北京 100875
  • 2.华南理工大学旅游管理系，广州 510006
  • 3.湖南师范大学旅游学院，长沙 410081
  • 4.中国科学院地理科学与资源研究所，北京 100101
宋金平(1968-), 男, 山东平邑人, 教授, 博士生导师, 主要从事经济地理研究。E-mail:

刘庆芳(1994-), 女, 安徽天长人, 博士生, 主要从事城市与区域可持续发展研究。E-mail:

收稿日期: 2023-10-16

  修回日期: 2024-03-08

  网络出版日期: 2024-04-02

基金资助

第二次青藏高原综合科学考察研究(2019QZKK0406)

收起

Spatio-temporal dynamic evolution of PM2.5 concentrations in the Qinghai-Tibet Plateau based on county scale

  • LIU Qingfang , 1 ,
  • XIE Jialiang 2 ,
  • ZHANG Xiantian 3 ,
  • XU Yong 4 ,
  • SONG Jinping , 1
Expand
  • 1. Faculty of Geographical Science, Beijing Normal University, Beijing 100875, China
  • 2. Department of Tourism Management, South China University of Technology, Guangzhou 510006, China
  • 3. Tourism College, Hunan Normal University, Changsha 410081, China
  • 4. Institute of Geographic Sciences and Natural Resources Research, CAS, Beijing 100101, China

Received date: 2023-10-16

  Revised date: 2024-03-08

  Online published: 2024-04-02

Supported by

The Second Tibetan Plateau Scientific Expedition and Research(2019QZKK0406)

Fold

摘要

青藏高原地区的大气污染防治不仅是打赢蓝天保卫战的有力举措，也是维护青藏高原生态安全屏障、实现高原经济高质量发展和可持续发展的必然要求。基于长时间序列和高空间分辨率的PM2.5数据，采用空间自相关模型分析青藏高原县域尺度PM2.5浓度的静态空间关联特征，结合传统和空间Kernel密度估计探究PM2.5浓度的分布动态演进和长期转移趋势，最后运用空间马尔可夫链刻画青藏高原县域尺度PM2.5浓度的空间转移特征。结果表明：① 青藏高原县域尺度PM2.5浓度起步较高且空间锁定特征显著，新疆南部、青海省的柴达木盆地、西宁市和海东市内区县始终是PM2.5高排放地区；② 青藏高原县域尺度PM2.5浓度呈现显著的空间关联特征，局部空间关联主要以H-H和L-L两种同质性空间关联类型为主；③ 青藏高原县域尺度PM2.5浓度呈现整体下降的分布动态演进特征，局部差异仍显较大，考虑相邻地区的空间影响时，表现出空间收敛模式和显著的空间正相关性；3期时间滞后条件下，PM2.5浓度高值区的虹吸效应增强，地区之间的相互作用影响着青藏高原PM2.5浓度的未来空间分布。④ 青藏高原县域尺度PM2.5浓度的空间转移趋势稳定，难以实现县域尺度单元上的跳跃式转移。本文可为识别青藏高原县域尺度PM2.5浓度空间动态演进特征，实施精准化的大气污染防治政策，进而促进高原地区大气污染防控和生态文明建设提供理论参考。

关键词： PM2.5; 空间关联; 动态演进; 空间动态Kernel密度估计; 青藏高原

本文引用格式

刘庆芳 , 谢佳亮 , 张先甜 , 徐勇 , 宋金平 . 青藏高原县域尺度PM2.5浓度时空动态演进特征[J]. 地理学报, 2024 , 79(3) : 654 -671 . DOI: 10.11821/dlxb202403007

Abstract

The prevention and control of air pollution in the Qinghai-Tibet Plateau (QTP) is imperative to meet the goals of the Blue-Sky Protection Campaign, to protect the ecological security barrier, and to achieve high-quality and sustainable economic development. Based on the long time-series fine particulate matter (PM2.5) data with a high spatial resolution, the spatial autocorrelation model was adopted to analyze the static spatial correlation characteristics of county-scale PM2.5 concentrations in the QTP. Furthermore, the dynamic evolution and long-term transfer trend of PM2.5 distribution were explored by combining traditional and spatial kernel density estimation. Finally, the spatial Markov chain model was used to characterize the spatial transfer characteristics of county-scale PM2.5 concentrations in the study area. The results showed that: (1) On the county scale, the PM2.5 concentrations started with a higher value, and the spatial lock-in characteristics were significant. PM2.5 emissions were high in the following areas: southern Xinjiang, and Qaidam Basin, Xining city, and Haidong city of Qinghai province. (2) The county-scale PM2.5 concentrations presented significant spatial correlation characteristics, and the local spatial correlation was mainly dominated by two homogeneous spatial correlations: H-H and L-L. (3) The PM2.5 concentrations in counties of the QTP showed an overall decline in the distribution and dynamic evolution, and the local differences were still large. Furthermore, there was a "club convergence" phenomenon when spatial conditions were not considered. When the spatial influence of adjacent regions was considered, the spatial convergence pattern and significant spatial positive correlation were presented. Under the condition of a three-period time lag, the “siphon effect” in the area with high PM2.5 concentrations was enhanced. Additionally, the results revealed that the combined effect of PM2.5 emissions from different regions would affect the future spatial distribution of PM2.5 in the QTP. (4) The spatial transfer trend of PM2.5 concentrations was stable at the county level, and it is difficult to realize the jump transfer in the level of county units. This study provides a theoretical reference for identifying the spatial dynamic evolution characteristics of PM2.5 concentrations in the QTP on the county scale and implementing targeted air pollution prevention and control measures to construct ecological civilization in the plateau region.

Key words： PM2.5; spatial correlation; dynamic evolution; spatial dynamic kernel density estimation; Qinghai-Tibet Plateau

1 引言

空气污染是全球性难题，尤其是以PM2.5为典型代表的细颗粒物所导致的环境健康风险最为严峻和突出[1-2]。PM2.5弥散面积大、停留时间长，并极易携带酸性有机物、有毒重金属、细菌和病毒等毒害物质[3]，既会造成雾霾加剧、气候变暖等生态环境问题[4-5]，更会导致社会公民产生呼吸道疾病、心血管疾病、脑血管疾病等高危疾病[6-7]，极大增加死亡风险。受快速城市化、工业化等多方面影响，中国PM2.5污染问题较为严峻，远没有达到世界卫生组织的大气污染物执行标准[8]。“十四五”发展规划明确指出，加强区域大气质量达标管理，推进细颗粒物（PM2.5）和臭氧（O3）协同治理。中国共产党“二十大”报告再次强调，要深入推进环境污染防治，持续深入打好蓝天、碧水、净土保卫战。因此，如何应对如此严峻的PM2.5污染问题已成为目前乃至未来很长一段时间内中国各区域环境保护与治理的重点关注内容。
国内外学者对PM2.5污染及其相关问题展开了大量理论与实证研究，其中重点关注了量化评估、时空演变与影响因素3个方面[9]。在量化评估方面，学界主要基于卫星观测[10]、空间插值[11]、站点监测[12]和遥感影像反演[13⇓-15]等手段分析不同时点或不同空间单元的PM2.5浓度[15]。在时空演化方面，学界主要采用时间序列分析[16]、空间自相关模型[17]、热点分析[18]、标准差椭圆[19]等分析方法，空间尺度逐渐由全国省域[20-21]向全国城市[22-23]下沉，近年来开始关注京津冀城市群[24-25]、长三角城市群[26-27]、长江流域[28-29]、黄河流域[30]等重点区域城市PM2.5浓度的时空演变特征。在影响因素方面，学界广泛探讨了经济发展、城市化率、人口密度、公共交通、对外开放、能源消耗等社会经济因素[31-32]，以及气压、温度、风速、降水量、相对湿度等自然因素[33]对PM2.5污染的影响。但综合分析发现，现有文献多采用加拿大达尔豪斯大学国际大气成分分析小组和美国国家航空航天局的遥感反演栅格数据以及监测站点数据[12⇓⇓-15]，导致PM2.5浓度的时空分析年限多集中在2018年以前，且采用的经典空间分析方法忽略了地理空间效应和区域背景对PM2.5浓度时空转移的影响。此外，县域是中国生态环境协调治理的基础空间单元，然而，当前文献仍主要针对全国省域或东中部市域展开分析，缺少关注西部偏远地区特别是缺乏对青藏高原县域尺度PM2.5浓度的分析。动态性是人地关系地域系统的基本特征，也是人文地理学研究的基本要素，但充分考虑PM2.5浓度时空演化的连续性与动态性，刻画长时间序列青藏高原县域尺度PM2.5浓度时空格局的研究仍鲜少见诸文献。
享有“地球第三极”和“世界屋脊”美誉的青藏高原，肩负着护卫国家生态安全屏障及“亚洲水塔”的重大特殊使命，是大气污染防控重点区域和生态文明建设战略高地。中国共产党“十八大”以来，习近平总书记高度重视青藏高原生态环境保护工作，并多次强调保护好青藏高原生态就是对中华民族生存和发展的最大贡献。在经济快速发展的背景下，青藏高原地区能源和冶金等重工业发展迅速，同时，随着域内外交通便利度不断提升，青藏高原吸引了一大批自驾游爱好者，工业粉尘和汽车尾气排放成为地区PM2.5浓度升高的重要“推手”。PM2.5排放量的增大，降低空气质量，危害人体健康。尤其是青藏高原山脉众多、东西狭长，不利于PM2.5的扩散，容易导致PM2.5快速堆积，进而加重区域空气污染[34]。全国生态环境保护大会强调多污染物协同治理，降低PM2.5浓度是青藏高原地区促进生产和生活协同绿色转型的重要抓手。为此，针对青藏高原这一特殊区域，聚焦更精细的县域尺度开展PM2.5浓度空间关联与动态演进特征分析，有利于为青藏高原地区落实生态优先和保护优先的发展理念，协同推进降碳、减污、扩绿、增长，促进地区生态文明建设和高质量发展提供科学指导。
基于此，本文通过获取长时间序列和高空间分辨率的青藏高原PM2.5数据，在采用空间自相关模型厘清其静态空间关联性的基础上，结合空间Kernel密度估计和空间马尔可夫链重点考虑地理单元的空间效应，揭示青藏高原县域尺度PM2.5浓度空间动态演进特征。本文有助于推动长时间序列PM2.5数据集和PM2.5浓度时空演化特征的时空动态研究，有利于为青藏高原形成绿色生产方式和生活方式、厚植高质量发展绿色底色和拓宽绿水青山转化金山银山的路径提供科学参考。

2 研究设计

2.1 研究区概况

青藏高原地处中国西部，面积达250万km2，平均海拔超过4000 m（图1），是全球海拔最高的一个独特地域单元，素有“地球第三极”“亚洲水塔”和“世界屋脊”之称，其行政范围涉及青海、西藏两大省区和四川、甘肃、云南、新疆四省区的部分地区。青藏高原生态环境极其脆弱，功能稳定性偏低，生态恢复和演替过程尤为缓慢，对于全球气候变化及人为干扰响应极为敏感[35-36]。近年来，青藏高原人口和经济规模增长迅速，青藏高原原本脆弱的生态环境遭受到更大冲击[37⇓⇓-40]。
图1 青藏高原地理区位

注：基于自然资源部标准地图服务网站审图号为GS(2023)2767号的标准地图制作，底图边界无修改。

Fig. 1 Geolocation of Qinghai-Tibet Plateau

2.2 研究方法

2.2.1 空间自相关模型

Moran's I能有效映射空间相邻区域某一单位属性值的相似程度[17]。Moran's I主要包括两个模型，即Global Moran's I和Local Moran's I。Global Moran's I表征青藏高原县域尺度PM2.5浓度的整体空间关联程度，而Local Moran's I则反映PM2.5浓度的局部空间关联程度。具体公式如下：
G l o b a l     M o r a n s '   I = n ∑ i ∑ j W i j × ∑ i ∑ j W i j x i - x ¯ x j - x ¯ ∑ i x i - x ¯ 2
L o   c a l     M o r a n s '   I = z i ∑ i W i j z j
式中：n为县域单元数量；Wij为县域单元i和县域单元j的空间权重矩阵，本文采用空间邻接矩阵检验青藏高原县域尺度PM2.5浓度的空间关联性。若县域单元i和县域单元j相邻，则Wij = 1；若不相邻，则Wij = 0。xi和xj分别表示县域单元i和县域单元j的PM2.5浓度；zi和zj分别表示xi和xj的标准化变换，当Local Moran's I为正，则说明PM2.5浓度同质性关联，否则为异质性关联。

2.2.2 空间Kernel密度估计

空间Kernel密度估计方法在传统Kernel密度估计基础上加入空间属性，揭示区域在一段时期后的长期转移趋势[41]。本文选择高斯核函数、并用空间邻接权重矩阵表达空间关系。具体公式为：
g ( y | x ) = f ( x ,   y ) f ( x )
f ( x ,   y ) = 1 N h x h y ∑ i = 1 N K x X i - x h x K y Y i - y h y
式中：g(y|x)表示在随机变量x的条件下随机变量y的分布状态；f(x)是x的边际核密度函数；f(x, y)是x和y的联合核密度函数；N为观测值个数；h为带宽。

2.2.3 马尔可夫链

按照各变量的演变规律将其划分为n种不同类型，并用n×n转移概率矩阵来表示不同时空类型转移规律，转移概率为时间m类型i转移到j的概率[42]，其计算公式为：
m i j = n i j n i ,             F t + 1 = M s F t
式中：Ft+1和Ft是不同时刻的概率分布； M s是转移概率矩阵M的S次幂。
空间马尔可夫链是空间环境下传统马尔可夫链的延伸，能有效揭示空间单元中要素变化过程与相邻单元的空间相互作用关系及可能存在的溢出效应[43]。计算公式为：
l a g i = ∑ i = 1 n x i w i j
式中： l a g i为空间滞后算子；xi为研究值；wij为空间滞后算子的权重。

2.3 数据来源及预处理

本文中青藏高原210个县域尺度单元矢量底图来源于国家青藏高原科学数据中心（https://data.tpdc.ac.cn/home）。2000—2022年1 km×1 km高空间分辨率时空分布栅格PM2.5数据来源于中国大气成分近实时追踪数据集（Tracking Air Pollution in China, TAP； http://tapdata.org.cn/）[44-45]，本文基于MATLAB软件编程将获取的Network Common Data Form（NetCDF）数据转换为矢量数据，并经ArcGIS10.7软件将其进一步转化为GeoTIFF栅格数据，最终得到2000—2022年青藏高原县域尺度的1 km×1 km高空间分辨率栅格PM2.5质量浓度数据。虽然数据生产者已经对1 km×1 km栅格PM2.5数据产品的反演精度进行了全面的验证，但为充分保证该PM2.5高空间分辨率产品在青藏高原的适用性，本文选取了2016—2019年4个年份的青藏高原及其临近周边区域的183个空气质量地面观测站观测数据进行了精度检验（图2）。本文中空气质量数据来源于中国环境监测总站，获取了2016年1月1日至2019年12月31日青藏高原及其临近周边地区183个空气质量监测站点的空气质量数据。该数据集包含AQI、PM2.5、PM10、O3、SO2、NO2和CO质量浓度数据，数据的时间分辨率为1 h。本文基于MATLAB软件编写程序获取2016年1月至2019年12月的站点月均PM2.5质量浓度数据。
图2 PM2.5浓度观测站点空间分布

注：基于自然资源部标准地图服务网站审图号为GS(2023)2767号的标准地图制作，底图边界无修改。

Fig. 2 Spatial distribution of observation stations of PM2.5 concentrations

3 研究结果

3.1 1 km×1 km PM2.5时空分布数据适用性精度验证

本文首先根据中国地区城市地面监测PM2.5质量浓度数据计算得到分年份地面监测PM2.5质量浓度年均值，然后提取对应年份对应位置上1 km×1 km空间分布PM2.5栅格数据的年均值，并对二者进行比较，以检验1 km×1 km空间分布PM2.5栅格数据产品的准确性。结果显示青藏高原地区1 km×1 km栅格PM2.5数据产品的年均质量浓度与地面监测的年均质量浓度在1%水平上显著相关（图3），其R2达到0.89，平均绝对误差（MAE）为7.51，均方根误差（RMSE）为10.06，平均绝对百分误差（MAPE）为0.18。因此，青藏高原地区1 km×1 km栅格PM2.5数据产品可以用于本文实证分析。
图3 1 km×1 km栅格PM2.5数据产品适用性精度验证

Fig. 3 Verification of the applicability accuracy of 1 km×1 km mass concentration data regarding PM2.5

3.2 青藏高原县域尺度PM2.5浓度空间分布特征

在整体空间分布上，青藏高原地区PM2.5浓度在2000年、2005年、2010年、2015年和2022年5个时间节点上的最大值依次出现在西宁市的城西区（43.535 μg/m3）、成都市的彭州市（52.228 μg/m3）、西宁市的城西区（51.227 μg/m3）、西宁市的城东区（48.712 μg/m3）和和田地区的洛浦县（44.499 μg/m3）。而最低值则依次出现在甘孜州的雅江县（15.255 μg/m3）、甘孜州的雅江县（14.934 μg/m3）、凉山州的木里县（16.065 μg/m3）、怒江州的福贡县（18.627 μg/m3）和山南市的错那县（10.147 μg/m3）。从空间分布的整体演变特征上看，青藏高原县域尺度PM2.5浓度具有起步高，经历一定程度跃升后急速降低的演化特征，尤其是2015年以后PM2.5浓度迅速降低，其原因可能与青藏高原地区绿色能源推广、生态城镇建设和农村环境综合治理有关[46]。这一结果与王相男等[47]关于天山北坡城市群PM2.5时序演变趋势的研究结果一致。
以2000年、2005年、2010年、2015年和2022年5个时点进行GIS空间可视化，根据各年份数据分布，按照10~20 μg/m3、20~30 μg/m3、30~40 μg/m3、40~50 μg/m3和> 50 μg/m3级定义低浓度、较低浓度、中等浓度、较高浓度和高浓度PM2.5（图4）。青藏高原县域尺度PM2.5浓度的空间分布格局具有稳定的空间锁定特征。具体表现为，新疆南部、青海省的柴达木盆地、西宁市和海东市内区县处于中等PM2.5浓度区；尤其是茫崖市在研究期内始终处于较高浓度区，各节点年份的PM2.5浓度均突破《环境空气质量标准》（GB3095-2012）中PM2.5浓度年均限值（35.000）。除2015年外，高山峡谷地带的藏东南地区始终处于低PM2.5浓度区，整体空气质量较优。
图4 2000—2022年青藏高原县域尺度PM2.5浓度空间分布

注：基于自然资源部标准地图服务网站审图号为GS(2023)2767号的标准地图制作，底图边界无修改。

Fig. 4 Spatial distribution of PM2.5 concentrations in Qinghai-Tibet Plateau on county scale from 2000 to 2022

具体来看，2000年、2005年和2015年，PM2.5中等浓度区和PM2.5较高浓度区在空间上呈现以茫崖、大柴旦、阿克塞和城东、城中、城西、城北等西宁市中心以及海东下辖区县为核心，自西向东连接南疆东西方向、青海北部和西宁、海东的一点一带式分布特征。尤其是2015年，青藏高原县域尺度PM2.5浓度持续升高，且PM2.5中等浓度区的县域单元数量明显增加。2022年青藏高原PM2.5浓度整体下降且在空间上显著收敛，位于PM2.5中等浓度区和PM2.5较高浓度区的县域单元仅剩大柴旦和茫崖。这一方面与盆地地形空气流动性差，大气污染物易聚集，加之较低的植被覆盖率对PM2.5颗粒物的吸附和过滤作用较弱，干旱少雨的气候不利于污染物的沉降等自然地理条件有关；另一方面则主要是因为柴达木盆地是重要的能源和工业基地，矿产和各类能源资源富集，能源、化工、煤电产业发达，但目前的能源利用方式仍较为粗放，能耗高污染物排放多，因而其PM2.5浓度相对其他区域更高。

3.3 青藏高原县域尺度PM2.5浓度空间关联特征

2000—2022年青藏高原县域尺度PM2.5浓度的全局Moran's I大致呈现出波动下降的态势（表1），由2000年的0.822降低至2022年的0.677，其波动区间为0.677~0.837，全局Moran's I均为正且均通过1%的显著性水平检验。说明青藏高原县域尺度PM2.5浓度具有明显的空间关联性，PM2.5浓度相当的县域单元更倾向集中分布，即PM2.5高浓度或PM2.5低浓度的县域单元相互邻近。因而，在协同治理青藏高原地区PM2.5的过程中必须充分考虑PM2.5浓度的空间关联性和空间溢出性，构建区域联动协调机制，以打赢蓝天保卫战。
表1 2000—2022年青藏高原县域尺度PM2.5 浓度的Moran's I

Tab. 1 Moran's I of PM2.5 concentrations in Qinghai-Tibet Plateau on county scale

年份 Moran's I Z值 年份 Moran's I Z值
2000 0.822 18.696*** 2012 0.822 19.092***
2001 0.822 18.891*** 2013 0.815 18.711***
2002 0.813 18.952*** 2014 0.837 19.022***
2003 0.801 18.768*** 2015 0.821 18.998***
2004 0.798 18.681*** 2016 0.819 19.096***
2005 0.801 18.848*** 2017 0.800 18.317***
2006 0.796 18.621*** 2018 0.809 18.417***
2007 0.798 18.595*** 2019 0.781 17.835***
2008 0.814 18.996*** 2020 0.829 19.032***
2009 0.796 18.569*** 2021 0.740 17.211***
2010 0.810 18.898*** 2022 0.677 15.903***
2011 0.827 189.170***

注：***表示在1%的水平下显著。

本文运用局部空间自相关厘清青藏高原县域尺度PM2.5浓度的局部空间关联特征。基于Geoda软件，分别获取2000年、2005年、2010年、2015年和2022年5个截面年份的PM2.5浓度的LISA集聚图。LISA集聚图中共有4种空间关联类型，即H-H空间关联、L-H空间关联、L-L空间关联和H-L空间关联。其中，H-H空间关联和L-L空间关联表明PM2.5浓度具有正向空间关联性，L-H空间关联和H-L空间关联则映射出PM2.5浓度具有负向空间关联性。结果表明（图5），① 2000年属于H-H空间关联和L-L空间关联类型的县域单元数量分别为34个和51个；H-H空间关联类型的县域单元主要呈现集中连片分布，3个连片区域分别位于新疆西南地区、青海北部以及青海和甘肃交界地带，上述地区以石油、冶金和化工等重工业为主导产业，因而形成高PM2.5浓度的聚集区；属于L-L空间关联类型的县域单元主要位于川西、滇西北和藏东南地区，该地区旅游资源禀赋优越，旅游发展水平相对较高，工业污染源相对较少，因而形成低PM2.5浓度的聚集区。② 2005年H-H空间关联类型的县域单元数量减少至29个；L-L空间关联类型的县域单元数量小幅增加至54个；3个连片分布区域缩小至2个，新疆西南地区仅有和田县属于H-H空间关联类型；L-L空间关联分布区向西藏中部地区延伸的趋势明显。③ 2010年H-H空间关联类型的县域单元数量增加1个，但L-L空间关联类型的县域单元数量减少3个；值得注意的是，共和县为L-H空间关联类型，共和县新能源产业发展迅速，能源结构的优化在一定程度上降低了PM2.5的排放量。④ 2015年H-H空间关联类型的县域单元数量增加至36个，同时，新疆西南地区重回集中连片分布区；L-L空间关联类型的县域单元数量减少至48个，但仍集聚于川西、滇西北和藏东南地区。⑤ 2022年H-H空间关联类型的县域单元数量减少至32个，青海北部这一集中连片分布区向西扩张趋势明显；L-L空间关联类型的县域单元数量呈现大幅增加的趋势，集聚区向西藏中部和青海北部扩张的趋势显著。综上所述，青藏高原地区的PM2.5主要以H-H和L-L两种同质性空间关联为主，H-H空间关联类型的分布区域大致位于新疆西南地区、青海北部以及青海和甘肃交界地带；L-L空间关联类型的分布区域在波动中扩大，向西藏中部和青海北部延伸的态势显著，这说明青藏高原地区在生态优先和保护优先的发展理念指导下，区域协同治霾减污的成效显著。
图5 2000—2022年青藏高原县域尺度PM2.5浓度局部空间关联特征

注：基于自然资源部标准地图服务网站审图号为GS(2023)2767号的标准地图制作，底图边界无修改。

Fig. 5 Local spatial correlation characteristics of PM2.5 concentrations in Qinghai-Tibet Plateau on county scale

3.4 青藏高原县域尺度PM2.5浓度分布动态演进特征

为进一步揭示青藏高原县域尺度PM2.5浓度的分布动态与演进规律，本文分别使用传统Kernel密度估计和空间Kernel密度估计从不同视角进行考察。

3.4.1 传统Kernel密度估计

主要从Kernel密度曲线的分布位置、发展态势、横向延展性以及纵向极化趋势等方面对青藏高原PM2.5浓度的动态演进特征进行刻画（图6）。2000—2022年Kernel密度函数中心与变化区间整体左移，说明青藏高原县域尺度PM2.5浓度明显降低，具体而言，2000—2010年PM2.5浓度增长率呈稳定状态；2010—2015年曲线右移，PM2.5污染浓度上升；2015—2022年曲线左移，PM2.5浓度表现为下降趋势。其主峰经历了“稳定—下降—提升”的演进过程，曲线宽度小幅缩小，表明青藏高原县域尺度PM2.5浓度的绝对差异渐趋减小。此外，密度曲线右拖尾现象渐趋明显，且分布延展性逐渐增大，说明青藏高原县域尺度PM2.5浓度持续下降的同时地区间差异逐渐扩大；同时，其分布曲线波峰呈现较为明显的“双—单—多”的演变特征，说明青藏高原县域尺度PM2.5浓度分化格局逐渐形成。
图6 2000—2022年青藏高原县域尺度PM2.5浓度传统Kernel密度估计

Fig. 6 Traditional kernel density estimation of PM2.5 concentrations in Qinghai-Tibet Plateau on county scale from 2000 to 2022

3.4.2 空间Kernel密度估计

空间Kernel密度估计考虑了空间因素，分别采用无条件Kernel密度估计、空间静态Kernel密度估计以及空间动态Kernel密度估计，并辅以对应的密度等高线图来综合分析青藏高原县域尺度PM2.5浓度的动态演变特征。在Kernel密度图中，x轴和y轴表示PM2.5浓度，z轴表示x-y平面内每一点的密度（概率）。在Kernel密度等高线图中，x轴和y轴表示PM2.5浓度，Kernel密度等高线表示不同密度值，位置越靠近中心，其密度值越高；等高线越密集，说明密度变化越大，对应的Kernel密度图越陡峭[41]。
（1）无条件Kernel密度估计。图7展示了在不考虑相邻地区PM2.5浓度影响情况下本地区PM2.5浓度的演变趋势。x轴代表t年本地区PM2.5浓度，y轴代表t+3年本地区PM2.5浓度。概率主体集体分布于正45°对角线附近，说明在不考虑空间条件时，青藏高原PM2.5浓度具有较强的连续性，且在密度等高线截面中同样呈现正向45°对角线集聚趋势，表明从t年到t+3年PM2.5浓度污染转移状态变化较小，流动性水平较低，存在趋同现象。其次，在正向45°对角线附近存在多个波峰，主波峰分布于x轴15、25、50附近，位于50 以后的波峰略低于对角线，说明青藏高原县域尺度PM2.5浓度整体为下降态势，但仍存在局部区域内差异较大现象。
图7 青藏高原县域尺度PM2.5浓度的无条件核密度及核密度等高线

Fig. 7 Unconditional kernel density and kernel density contour of county-scale PM2.5 concentrations in Qinghai-Tibet Plateau

（2）空间静态Kernel密度估计。图8展示了在考虑相邻地区PM2.5浓度影响情况下本地区PM2.5浓度的演变趋势。概率主体整体上沿正45°对角线分布，说明青藏高原县域尺度PM2.5浓度空间相关性明显。具体来看，第一个波峰位于x轴10附近，对应的y轴为15附近，因此，当区域PM2.5浓度处于低水平集聚值时，概率密度主体较45°对角线向上偏离，说明与低PM2.5浓度相邻的地区倾向低污染。最后一个波峰位于x轴50附近，对应的y轴为45附近，因此，当区域PM2.5浓度处于高水平集聚值时，概率密度主体较45°对角线向下偏离，说明与高PM2.5浓度相邻的地区倾向高污染。雾霾污染的扩散性特点使邻近地区在空气环境方面形成一种“连带关系”[48]，因此，本地区PM2.5浓度升高也会给邻近地区带来严重污染，导致PM2.5浓度高值区与其邻近地区成为雾霾污染热点区。
图8 青藏高原县域尺度PM2.5浓度的空间静态核密度和核密度等高线

Fig. 8 Spatial static kernel density and kernel density contour of PM2.5 concentrations in Qinghai-Tibet Plateau on county scale

（3）空间动态Kernel密度估计。图9为在纳入空间滞后的基础上同时考虑时间维度的空间条件动态Kernel密度图及Kernel密度等高线图，以进一步考察当期相邻地区PM2.5浓度对未来本地区PM2.5浓度的动态影响，x轴为相邻地区t年的PM2.5浓度，y轴为本地区t+3年的PM2.5浓度。核密度图中的波峰逐渐呈离散化分布，波峰数量增多，说明青藏高原县域尺度PM2.5浓度整体区间差异呈扩大趋势。第一个波峰位于x轴10附近，集中在y轴15~25，概率主体基本平行于x轴；当x轴小于15，概率主体开始沿着正45°对角线分布，但与空间静态相比，概率主体对应y轴的分布更为分散。说明在加入3期时间滞后条件后，青藏高原县域尺度PM2.5浓度低于15 μg/m3的地区与相邻地区的空间相关性减弱，当相邻地区t年PM2.5浓度较高时，呈现出高—低集聚的现象，说明加入3期时间滞后条件后，区域PM2.5浓度“虹吸效应”增强。
图9 青藏高原县域尺度PM2.5浓度的空间动态核密度和核密度等高线

Fig. 9 Spatial dynamic kernel density and kernel density contour of PM2.5 concentrations in Qinghai-Tibet Plateau on county scale

3.5 青藏高原县域尺度PM2.5浓度时空转移规律

Kernel密度估计是以概率密度的连续性作为解释PM2.5浓度动态演进的方法，所以不能精确反映青藏高原各县域单元PM2.5浓度相对位置的动态变化特征以及发生状态转移的概率，即不能进一步体现青藏高原PM2.5浓度是降低、提升还是保持原状。而马尔可夫链是基于离散—量化的思想来揭示PM2.5浓度向不同状态转移的概率，可以从全局角度补充Kernel密度估计的研究结果。本文结合马尔可夫链原理，采用四分位法将青藏高原地区PM2.5浓度划分为：Ⅰ（低值区）、Ⅱ（中值区）、Ⅲ（中高值区）、Ⅳ（高值区）。通过比较分析传统马尔可夫链转移概率矩阵（表2）与空间马尔可夫链转移概率矩阵（表3）的变化，进一步洞悉青藏高原县域尺度PM2.5浓度的时空动态转移过程和规律。
表2 传统马尔可夫转移概率矩阵

Tab. 2 The transition probability matrix of traditional Markov

类型 数据个数(个) Ⅰ Ⅱ Ⅲ Ⅳ
Ⅰ 1054 0.8928 0.0930 0.0133 0.0009
Ⅱ 1175 0.1813 0.6017 0.2051 0.0119
Ⅲ 1193 0.0184 0.2598 0.6287 0.0930
Ⅳ 1198 0.0008 0.0125 0.1277 0.8589
表3 空间马尔可夫转移概率矩阵

Tab. 3 The transition probability matrix of spatial Markov

邻域 类型 数据个数(个) Ⅰ Ⅱ Ⅲ Ⅳ
Ⅰ Ⅰ 927 0.9029 0.0852 0.0108 0.0011
Ⅱ 64 0.4063 0.4063 0.1563 0.0313
Ⅲ 2 0 0 1.0000 0
Ⅳ 2 0 0.0000 0 1.0000
Ⅱ Ⅰ 126 0.8254 0.1429 0.0317 0
Ⅱ 884 0.1889 0.6109 0.1923 0.0079
Ⅲ 199 0.0553 0.3116 0.5829 0.0503
Ⅳ 5 0.2000 0.2000 0.6000 0
Ⅲ Ⅰ 1 0 1.0000 0 0
Ⅱ 225 0.0844 0.6267 0.2667 0.0222
Ⅲ 883 0.0113 0.2593 0.6433 0.0861
Ⅳ 121 0 0.0826 0.4050 0.5124
Ⅳ Ⅰ 0 0 0 0 0
Ⅱ 2 0.5000 0 0.5000 0
Ⅲ 109 0.0092 0.1743 0.6055 0.2110
Ⅳ 1070 0 0.0037 0.0944 0.9019
由表2可知，① 转移概率矩阵中主对角线上的概率均值（0.7455）均远大于其他位置，非对角线上的概率值最大仅为0.2598，这表明在不考虑空间因素的前提下，青藏高原PM2.5浓度具备稳定性大、流动性差、持续性强的特征，即不同类型县域单元不容易发生污染等级跃迁。② Ⅲ型县域向下转移的概率（0.2598）大于向上转移的概率（0.0930），表明该类型县域更容易向下转移；Ⅱ型县域向上转移的概率（0.2051）大于向下转移的概率（0.1813），说明此类县域有较大的跃升潜力。③ 整体来看，类型Ⅰ、Ⅱ、Ⅲ、Ⅳ型县域保持原有水平的概率分别为0.8928、0.6017、0.6287和0.8589，均大于其向上（下）转移的概率，说明青藏高原县域尺度PM2.5浓度在连续转移过程中存在“高者恒高、低者恒低”现象。这一结果反映了青藏高原雾霾污染是个持续发展的过程，并不会在短期内迅速降低或升高，因此，该地区雾霾治理是一项长期系统治理工程，理应消除急于求成式的治理理念，建立整体性、常态化治霾长效机制。
传统马尔可夫链仅考虑了PM2.5浓度时间维度的演进过程。事实上，“地理学第一定律”指出，事物间空间距离越近，关联更加紧密。因此，本文进一步结合空间马尔可夫转移概率矩阵发现（表3），① 整体而言，不同邻域类型下空间马尔可夫转移概率矩阵中对角线顶端元素概率仍基本大于中间元素；非对角线上较高概率值聚焦在对角线周边，青藏高原PM2.5浓度等级转变多发生于相邻县域之间。② 青藏高原PM2.5浓度类型转移路径存在一定程度的“自身锁定”效应，即当邻域条件不同时，多数县域PM2.5浓度保持其自身不变的概率要大于其向上或向下转移的概率。如Ⅱ型、Ⅲ型为邻域背景时，Ⅱ型县域保持自身不变的概率为0.6109、0.6267，均大于其向上转移和向下转移的概率；不考虑空间邻域背景下（表2），Ⅰ型县域维持现状的概率为0.8928，而与Ⅰ型、Ⅱ型、Ⅲ型、Ⅳ型县域相邻时，其维持现状的概率分别为0.9029、0.8254、0和0，说明即使考虑空间背景，各县域单元PM2.5浓度仍倾向于维持当前浓度稳定不变。③ 邻域背景对其转移变化具有一定影响，在青藏高原PM2.5污染过程中，当与PM2.5浓度较高县域相邻时，本地区类型向上转移的概率增加，向下转移的概率减小，反之亦然。即高雾霾污染地区加剧了邻近县域雾霾污染浓度。具体而言，类型Ⅲ向类型Ⅳ转移概率为0.0930（表2），当与类型Ⅳ相邻时，转移概率增加至0.2110（表3）；当与类型Ⅱ、Ⅰ县域相邻时，转移概率减少至0.0503和0。这一结果从侧面反映了由于雾霾污染具有高扩散性与跨区域传输特点，距离较远的区县间雾霾污染也可能通过大气环流等因素相互影响，以往只针对高浓度区域采取治理措施或对个别县域孤立分析雾霾污染问题的做法并不可取，理应从较大的地理尺度看待雾霾污染问题。

4 讨论与结论

4.1 讨论

作为地球“第三极”的青藏高原是全球海拔最高的一个独特地理单元，极度脆弱的生态环境对全球变化和人类活动的敏感程度具有无可替代的响应作用。降低PM2.5浓度是青藏高原地区减污降碳协同治理的重要环节，同时也是青藏高原地区生态文明建设与高质量发展的重要抓手。首先，与王相男等[47]关于天山北坡城市群PM2.5浓度的时序演变趋势大致一致，2015年后青藏高原PM2.5浓度呈现显著下降的演化趋势，这说明推进区域减污降碳协同治理和蓝天保卫战已取得初步成效。其次，研究显示，青藏高原县域尺度PM2.5浓度的空间关联以L-L类型为主，这也印证了周亮等[49]关于中国PM2.5浓度的冷点集中分布于青藏高原等地区的结论。最后，青藏高原县域尺度大气污染存在空间溢出效应，这与地理学第一定律相吻合，同时也与刘海猛等[50]关于京津冀地区PM2.5浓度的空间动态演变特征一致，即大气污染有显著的空间溢出效应，并且这种影响随着距离的缩短而增强。因此，加强不同县域单元PM2.5的联防联治是青藏高原地区落实生态优先和保护优先发展理念的重要表现。

4.2 结论

本文以生态环境脆弱且环境敏感度高的青藏高原为研究地区，基于长时间序列和高空间分辨率的县域尺度PM2.5浓度数据，采用空间自相关模型分析青藏高原县域尺度PM2.5浓度的空间关联特征，结合传统和空间Kernel密度估计探究PM2.5浓度的空间动态演进和长期转移趋势，最后运用空间马尔可夫链刻画青藏高原县域尺度PM2.5浓度的空间转移特征。主要研究结论如下：
（1）2000年青藏高原县域尺度PM2.5浓度相对较高，经历一定程度跃升后急速降低，大气污染防治初见成效。PM2.5浓度的空间锁定特征显著，新疆南部、青海柴达木盆地、西宁和海东区县始终是PM2.5高排放地区。青藏高原县域尺度PM2.5浓度在经历跃升后急速降低，这多与青藏高原地区绿色能源推广、生态城镇建设和农村环境综合治理有关，而柴达木盆地、西宁市和海东市的高排放多与相对恶劣的自然地理条件和频繁的人类活动有关。
（2）青藏高原县域尺度PM2.5浓度具有显著的空间关联性，PM2.5浓度相当的县域单元更倾向集中分布，即高PM2.5浓度或低PM2.5浓度的县域单元相互邻近。在局部空间关联特征上，青藏高原县域尺度PM2.5浓度主要以H-H和L-L两种同质性空间关联为主；其中，属于L-L空间关联类型的县域单元数量在波动中增加，向西藏中部和青海北部延伸的态势显著。
（3）在分布动态演进上，青藏高原县域尺度PM2.5浓度整体呈下降态势，但仍存在局部区域内差异较大现象；不考虑空间条件时，青藏高原PM2.5浓度具有较强的连续性，流动性水平较低；考虑相邻地区的空间影响时，青藏高原PM2.5浓度表现出空间收敛模式，具有显著的空间正相关性；在加入3期时间滞后条件后，高浓度PM2.5的“虹吸效应”增强，地区之间的相互作用影响着青藏高原PM2.5浓度的未来空间分布。
（4）在概率转移趋势上，青藏高原PM2.5浓度变化趋势较为稳定，不同县域尺度之间不容易实现PM2.5浓度的跳跃式转移，且PM2.5浓度的变化存在一定的低低集聚与高高集聚的现象，并在连续转移过程中，低PM2.5浓度区县抑制了邻近区县雾霾污染程度，反之亦然。

4.3 研究展望

青藏高原县域尺度PM2.5浓度时空动态演进特征是一个契合生态文明建设战略的重要话题，本文研究存在如下不足之处：① 考虑到中国的社会活动具有明显的行政区划特征，尽管本文基于县域尺度开展研究，但未来可进一步聚焦更加微观的尺度来增强研究针对性与时效性。② 本文揭示了2000年以来青藏高原县域尺度上PM2.5浓度的时空动态演进态势，但囿于文章篇幅，仅聚焦于县域尺度上PM2.5的空间关联和动态演化特征，对于青藏高原的环境响应以及空间收敛要素探索不足，有待在下一步研究中进行深化扩展。③ 除PM2.5以外，多污染物时空动态演化与协同治理路径亦值得深入研究。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
Jin H Y, Zhong R D, Liu M Y, et al. Spatiotemporal distribution characteristics of PM2.5 concentration in China from 2000 to 2018 and its impact on population. Journal of Environmental Management, 2022, 323: 116273. DOI: 10.1016/j.jenvman.2022.116273.

[2]
Chan C K, Yao X H. Air pollution in mega cities in China. Atmospheric Environment, 2007, 42(1): 1-42.

DOI

[3]
Wang Lili, Liu Xiaojie, Li Ding, et al. Spatial-temporal characteristics and drivers of PM2.5 in the Yellow River Basin. Journal of Lanzhou University (Natural Sciences), 2022, 58(4): 427-435, 442.

[ 王丽丽, 刘笑杰, 李丁, 等. 黄河流域PM2.5时空特征及驱动因素. 兰州大学学报(自然科学版), 2022, 58(4): 427-435, 442.]

[4]
Liu Yuan, Zhang Lei, Chen Yu, et al. Spatio-temporal evolution patterns and the influencing factors of PM2.5 mass concentration in China from 2003 to 2016. Scientia Geographica Sinica, 2023, 43(1): 152-162.

DOI

[ 刘媛, 张蕾, 陈娱, 等. 2003—2016年中国PM2.5质量浓度时空格局演变及影响因素解析. 地理科学, 2023, 43(1): 152-162.]

DOI

[5]
Liang C S, Duan F K, He K B, et al. Review on recent progress in observations, source identifications and countermeasures of PM2.5. Environment International, 2016, 86: 150-170.

DOI

[6]
Matus K, Nam K M, Selin N E, et al. Health damages from air pollution in China. Global Environmental Change, 2012, 22(1): 55-66.

DOI

[7]
Geng Jiachen, Shen Shi, Cheng Changxiu. Spatio-temporal evolution and the multi-scale socio-economic influencing mechanism of PM2.5 in the Yellow River Basin during the China's 13th Five-Year Plan. Journal of Geo-information Science, 2022, 24(6): 1163-1175.

[ 耿佳辰, 沈石, 程昌秀. “十三五”时期黄河流域PM2.5时空分布规律及多尺度社会经济影响机制分析. 地球信息科学学报, 2022, 24(6): 1163-1175.]

DOI

[8]
Zhang Liping, Wang Xufeng, He Yingyue, et al. Spatial and temporal distribution characteristics and causes of PM2.5 pollution in Shaanxi province based on multi-source data. Acta Scientiae Circumstantiae, 2023, 43(6): 94-109.

[ 张丽萍, 王旭峰, 何映月, 等. 基于多源数据的陕西省PM2.5时空分布特征及成因分析. 环境科学学报, 2023, 43(6): 94-109.]

[9]
Wang Zhao, Yan Xiaobing. Temporal-spatial evolution of PM2.5 and driving factors in Yangtze River Delta urban agglomeration. Resources and Environment in the Yangtze Basin, 2020, 29(7): 1497-1506.

[ 王昭, 严小兵. 长江三角洲城市群PM2.5时空演变及影响因. 长江流域资源与环境, 2020, 29(7): 1497-1506.]

[10]
Ma Z W, Hu X F, Sayer A M, et al. Satellite-based spatiotemporal trends in PM2.5 concentrations: China, 2004-2013. Environmental Health Perspectives, 2016, 124(2): 184-192.

DOI

[11]
Lee S J, Serre M L, van Donkelaar A, et al. Comparison of geostatistical interpolation and remote sensing techniques for estimating long-term exposure to ambient PM2.5 concentrations across the continental United States. Environmental Health Perspectives, 2012, 120(12): 1727-1732.

DOI

[12]
Zang Zhenfeng, Zhang Fengying, Li Yonghua, et al. Spatio-temporal distribution and affecting factors of PM2.5 and PM10 in major grain producing areas in China: A case study of Henan province. Journal of Natural Resources, 2021, 36(5): 1163-1175.

DOI

[ 臧振峰, 张凤英, 李永华, 等. 我国主要粮产区PM2.5、PM10时空分布特征及影响因素: 以河南省为例. 自然资源学报, 2021, 36(5): 1163-1175.]

DOI

[13]
Yang Yu, He Wei, Li Peng, et al. Spatiotemporal dynamics and mechanisms in urbanization and PM2.5 concentration in China: A perspective based on the transition of Hu Huanyong Line. Resources Science, 2022, 44(10): 2100-2113.

[ 杨宇, 何唯, 李鹏, 等. 中国城市化与PM2.5浓度时空动态及作用机理: 基于胡焕庸线变迁的视角. 资源科学, 2022, 44(10): 2100-2113.]

DOI

[14]
Wang Zhenbo, Liang Longwu, Wang Xujing. Spatio-temporal evolution patterns and influencing factors of PM2.5 in Chinese urban agglomerations. Acta Geographica Sinica, 2019, 74(12): 2614-2630.

DOI

[ 王振波, 梁龙武, 王旭静. 中国城市群地区PM2.5时空演变格局及其影响因素. 地理学报, 2019, 74(12): 2614-2630.]

DOI

[15]
Yizaitiguli Waili, Wang Mingli, Yang Jianjun, et al. Spatial and temporal characteristics of PM2.5 and PM10 in Urumqi city from 2015 to 2018. Research of Environmental Sciences, 2020, 33(8): 1749-1757.

[ 依再提古丽·外力, 王明力, 杨建军, 等. 2015—2018年乌鲁木齐市PM2.5及PM10时空分布特征. 环境科学研究, 2020, 33(8): 1749-1757.]

[16]
Feng Ziyu, Shi Runhe. Spatio-temporal features and the association of ground-level PM2.5 concentration and its emission in China. Journal of Geo-information Science, 2021, 23(7): 1221-1230.

[ 冯子钰, 施润和. 中国近地面PM2.5浓度与排放的时空分布及其关联分析. 地球信息科学学报, 2021, 23(7): 1221-1230.]

DOI

[17]
Li Tao, Xue Ling, Zhao Wei. Influencing mechanism of industrial structure adjustment on urban PM2.5 in China. Economic Geography, 2023, 43(5): 180-192.

DOI

[ 李涛, 薛领, 赵威. 产业结构调整对城市PM2.5的影响机理. 经济地理, 2023, 43(5): 180-192.]

DOI

[18]
Zhao X J, Zhang X L, Xu X F, et al. Seasonal and diurnal variations of ambient PM2.5 concentration in urban and rural environments in Beijing. Atmospheric Environment, 2009, 43(18): 2893-2900.

DOI

[19]
Xia Xiaosheng, Wang Junhong, Song Weidong, et al. Spatio-temporal evolution of PM2.5 concentration during 2000-2019 in China. Environmental Science, 2020, 41(11): 4832-4843.

DOI

[ 夏晓圣, 汪军红, 宋伟东, 等. 2000—2019年中国PM2.5时空演化特征. 环境科学, 2020, 41(11): 4832-4843.]

[20]
Diao Beidi, Ding Lei, Su Panda, et al. Study on spatiotemporal heterogeneity of industry driving factors in PM2.5concentration in China. China Population, Resources and Environment, 2018, 28(9): 52-62.

[ 刁贝娣, 丁镭, 苏攀达, 等. 中国省域PM2.5浓度行业驱动因素的时空异质性研究. 中国人口·资源与环境, 2018, 28(9): 52-62.]

[21]
Xiang Kun, Song Deyong. Spatial analysis of China's PM2.5 pollution at the provincial Level. China Population, Resources and Environment, 2015, 25(9): 153-159.

[ 向堃, 宋德勇. 中国省域PM2.5污染的空间实证研究. 中国人口·资源与环境, 2015, 25(9): 153-159.]

[22]
Liu Qianqian, Dang Yunxiao, Zhang Wenzhong, et al. Impact of PM2.5 pollution on urban residents' happiness and willingness-to-pay: A case study of urban China. Scientia Geographica Sinica, 2021, 41(12): 2096-2106.

DOI

[ 刘倩倩, 党云晓, 张文忠, 等. 中国城市PM2.5污染对居民主观幸福感的影响及支付意愿研究. 地理科学, 2021, 41(12): 2096-2106.]

DOI

[23]
Jiang Lei, Zhou Haifeng, Lai Zhizhu, et al. Analysis of spatio-temporal characteristic of PM2.5 concentrations of Chinese cities: 2015-2017. Acta Scientiae Circumstantiae, 2018, 38(10): 3816-3825.

[ 姜磊, 周海峰, 赖志柱, 等. 中国城市PM2.5时空动态变化特征分析: 2015—2017年. 环境科学学报, 2018, 38(10): 3816-3825.]

[24]
Bao Yanlei, Wu Chaoyang, Zheng Dongbo. Effects of air pollution on summer peak vegetation growth in the Beijing-Tianjin-Hebei region. Progress in Geography, 2023, 42(6): 1124-1138.

DOI

[ 鲍艳磊, 吴朝阳, 郑东博. 大气污染对京津冀地区夏季植被生长峰值的影响. 地理科学进展, 2023, 42(6): 1124-1138.]

DOI

[25]
Xu Yong, Guo Zhendong, Zheng Zhiwei, et al. Study of the PM2.5 concentration variation and its influencing factors in the Beijing-Tianjin-Hebei urban agglomeration using Geo-Detector. Research of Environmental Sciences, 2023, 36(4): 649-659.

[ 徐勇, 郭振东, 郑志威, 等. 运用地理探测器研究京津冀城市群PM2.5浓度变化及影响因素. 环境科学研究, 2023, 36(4): 649-659.]

[26]
Wang Jian, Xu Junli. Spatiotemporal variation of PM2.5 and it sources in the Yangtze River Delta urban agglomeration. Resources and Environment in the Yangtze Basin, 2023, 32(8): 1677-1685.

[ 王建, 许君利. 长三角城市群PM2.5时空演化及其来源研究. 长江流域资源与环境, 2023, 32(8): 1677-1685.]

[27]
Zhang Yihua. Spatial-temporal characteristics of PM2.5 regional pollution in Yangtze River Delta region. Research of Environmental Sciences, 2022, 35(1): 1-10.

[ 张懿华. 长三角地区PM2.5区域性污染时空变化特征. 环境科学研究, 2022, 35(1): 1-10.]

[28]
Wang Lili, Liu Xiaojie, Li Ding, et al. Geographical detection of spatial heterogeneity and drivers of PM2.5 in the Yangtze River Economic Belt. Environmental Science, 2022, 43(3): 1190-1200.

[ 王丽丽, 刘笑杰, 李丁, 等. 长江经济带PM2.5空间异质性和驱动因素的地理探测. 环境科学, 2022, 43(3): 1190-1200.]

[29]
Zhou Tong, Zhang Shuaiqian, Yan Jinwei, et al. Spatiotemporal distribution characteristics of PM2.5 and its influencing factors of the three urban agglomerations in the Yangtze River Economic Belt. Resources and Environment in the Yangtze Basin, 2022, 31(4): 878-889.

[ 周侗, 张帅倩, 闫金伟, 等. 长江经济带三大城市群PM2.5时空分布特征及影响因素. 长江流域资源与环境, 2022, 31(4): 878-889.]

[30]
Xu Wenli, Chen Qiangqiang. Spatial-temporal variation characteristics and pollutants analysis of urban PM2.5 in the Yellow River basin. Research of Environmental Sciences, 2023, 36(4): 637-648.

[ 徐雯丽, 陈强强. 黄河流域城市PM2.5时空分异特征及污染物解析. 环境科学研究, 2023, 36(4): 637-648.]

[31]
Yuan Weipeng, Sun Hui, Wang Jing, et al. Spatial-temporal evolution and driving forces of urban pollution and carbon reduction in China. Economic Geography, 2022, 42(10): 72-82.

DOI

[ 原伟鹏, 孙慧, 王晶, 等. 中国城市减污降碳协同的时空演化及驱动力探析. 经济地理, 2022, 42(10): 72-82.]

DOI

[32]
Liu Xiaojie, Wang Lili, He Bowen, et al. Spatiotemporal evolution and drivers of PM2.5 in the Yangtze River Economic Belt. Resources and Environment in the Yangtze Basin, 2022, 31(3): 647-658.

[ 刘笑杰, 王丽丽, 何博汶, 等. 长江经济带PM2.5时空演变及影响因素分. 长江流域资源与环境, 2022, 31(3): 647-658.]

[33]
He Xiang, Lin Zhenshan. Interactive effects of the influencing factors on the changes of PM2.5 concentration based on GAM model. Environmental Science, 2017, 38(1): 22-32.

[ 贺祥, 林振山. 基于GAM模型分析影响因素交互作用对PM2.5浓度变化的影响. 环境科学, 2017, 38(1): 22-32.]

[34]
Jin LianJi, Liu Zheng, Zhu Bin, et al. Simulation of the topographic forcing mechanism in the effects of airborne transport of PM2.5 on surface air pollution in Beijing. Acta Scientiae Circumstantiae, 2021, 41(8): 2976-2986.

[ 金莲姬, 刘峥, 朱彬, 等. PM2.5空中输送对北京地面污染影响的地形强迫机制模拟研究. 环境科学学报, 2021, 41(8): 2976-2986.]

[35]
Li Baolin, Yuan Yecheng, Gao Xizhang, et al. Major issues and countermeasures of eco-environmental protection of the national key ecological function areas. Environmental Protection, 2014, 42(12): 15-18.

[ 李宝林, 袁烨城, 高锡章, 等. 国家重点生态功能区生态环境保护面临的主要问题与对策. 环境保护, 2014, 42(12): 15-18.]

[36]
Huang Yaohuan, Zhao Chuanpeng, Yang Haijun, et al. Spatial distribution and aggregation analysis of human activity in national key ecological function regions in China. Resources Science, 2016, 38(8): 1423-1433.

DOI

[ 黄耀欢, 赵传朋, 杨海军, 等. 国家重点生态功能区人类活动空间变化及其聚集分析. 资源科学, 2016, 38(8): 1423-1433.]

DOI

[37]
Fan J, Wang H Y, Chen D, et al. Discussion on sustainable urbanization in Tibet. Chinese Geographical Science, 2010, 20(3): 258-268.

DOI

[38]
Fang Chuanglin, Li Guangdong. Particularities, gradual patterns and countermeasures of new-type urbanization in Tibet, China. Bulletin of Chinese Academy of Sciences, 2015, 30(3): 294-305.

[ 方创琳, 李广东. 西藏新型城镇化发展的特殊性与渐进模式及对策建议. 中国科学院院刊, 2015, 30(3): 294-305.]

[39]
Xu Zengrang, Zhang Yili, Cheng Shengkui, et al. Scientific basis and the strategy of sustainable development in Tibetan Plateau. Science & Technology Review, 2017, 35(6): 108-114.

[ 徐增让, 张镱锂, 成升魁, 等. 青藏高原区域可持续发展战略思考. 科技导报, 2017, 35(6): 108-114.]

[40]
Yi Jiawei, Du Yunyan, Tu Wenna. Spatiotemporal pattern of population distribution in the Qinghai-Tibet Plateau during the National Day holidays: Based on geospatial big data mining. Journal of Geo-information Science, 2019, 21(9): 1367-1381.

[ 易嘉伟, 杜云艳, 涂文娜. 基于位置大数据的国庆假期青藏高原人群分布时空变化模式挖掘. 地球信息科学学报, 2019, 21(9): 1367-1381.]

DOI

[41]
Chen Minghua, Wang Zhe, Xie Linxiao, et al. The spatiotemporal pattern evolution and formation mechanism of high-quality development in Central China. Acta Geographica Sinica, 2023, 78(4): 859-876.

DOI

[ 陈明华, 王哲, 谢琳霄, 等. 中国中部地区高质量发展的时空演变及形成机理. 地理学报, 2023, 78(4): 859-876.]

DOI

[42]
Zhang Guoxing, Zhang Jingyu, Zhou Guifang. Ecological security level of resource-based cities in the Yellow River Basin and trend of change. Resources Science, 2023, 45(4): 762-775.

DOI

[ 张国兴, 张婧钰, 周桂芳. 黄河流域资源型城市生态安全等级边界及演化趋势. 资源科学, 2023, 45(4): 762-775.]

DOI

[43]
Liu Shuai, Li Qi, Xu Xiaoyu, et al. The spatial-temporal pattern and dynamic evolution of the innovation factors agglomeration capacity in China. Science & Technology Progress and Policy, 2021, 38(16): 11-20.

[ 刘帅, 李琪, 徐晓瑜, 等. 中国创新要素集聚能力的时空格局与动态演化. 科技进步与对策, 2021, 38(16): 11-20.]

[44]
Geng G N, Xiao Q Y, Liu S G, et al. Tracking air pollution in China: Near real-time PM2.5 retrievals from multi-source data fusion. Environmental Science & Technology, 2021, 55(17): 12106-12115.

DOI

[45]
Xiao Q Y, Zheng Y X, Geng G N, et al. Separating emission and meteorological contributions to long-term PM2.5 trends over eastern China during 2000-2018. Atmospheric Chemistry and Physics, 2021, 21(12): 9475-9496.

[46]
Information Office of the State Council of the People's Republic of China. White Paper on Ecological Progress on the Qinghai-Tibet Plateau. (2018-07-18) [2023-12-23]. http://www.scio.gov.cn/.

[ 中华人民共和国国务院新闻办公室. 青藏高原生态文明建设状况白皮书. (2018-07-18) [2023-12-23]. http://www.scio.gov.cn/.]

[47]
Wang Xiangnan, Zhang Zhe, Liu Fangqing. Analysis of spatio-temporal distribution characteristics and influencing factors of PM2.5 concentration in urban agglomerations on the northern slope of Tianshan Mountain. Environmental Science. DOI: 10.13227/j.hjkx.202303017.

[ 王相男, 张喆, 刘方青. 天山北坡城市群PM2.5浓度时空分布特征及影响因素分析. 环境科学. DOI: 10.13227/j.hjkx.202303017.]

[48]
Geng G, Zheng Y, Zhang Q, et al. Drivers of PM2.5 air pollution deaths in China 2002-2017. Nature Geoscience, 2021, 14(9): 645-650.

DOI

[49]
Zhou Liang, Zhou Chenghu, Yang Fan, et al. Spatio-temporal evolution and the influencing factors of PM2.5 in China between 2000 and 2011. Acta Geographica Sinica, 2017, 72(11): 2079-2092.

[ 周亮, 周成虎, 杨帆, 等. 2000—2011年中国PM2.5时空演化特征及驱动因素解析. 地理学报, 2017, 72(11): 2079-2092.]

DOI

[50]
Liu Haimeng, Fang Chuanglin, Huang Jiejun, et al. The spatial-temporal characteristics and influencing factors of air pollution in Beijing-Tianjin-Hebei urban agglomeration. Acta Geographica Sinica, 2018, 73(1): 177-191.

DOI

[ 刘海猛, 方创琳, 黄解军, 等. 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.]

DOI

Options
文章导航

/

〈 〉