中国1998—2012年PM2.5时空分布与能源消耗总量关系研究

2018-03-26徐超王云鹏黎丽莉

生态科学 2018年1期

徐超, 王云鹏, 黎丽莉

徐超1,2,3, 王云鹏1,*, 黎丽莉1

1. 中国科学院广州地球化学研究所, 广州 510640 2. 中国科学院大学, 北京 100049 3. 中国科学院广州能源研究所, 广州 510640

基于1998—2012年中国PM2.5浓度遥感数据, 在对中国PM2.5时空分布特征进行分析的基础上, 引入地理信息科学空间相关矩阵方法分析中国PM2.5时空分布与能源消耗总量等时空分布的空间相关性。基于省级尺度, 运用灰色理论中的灰色相关方法, 对PM2.5和能源消耗指标进行相关分析, 结果表明: (1)中国历史的PM2.5空间分布与人口分布、地形特征有着密切的关系, 胡焕庸线成为中国PM2.5空间分布的东西界限。(2)整体来看, 中国PM2.5的年际变化上, 具有双增长单下降的区域特征: 两个快速增长区域(年均增长率大于3.5%)分别为PM2.5高值区域——北部沿海以及PM2.5相对低的东北地区。下降区域则为西北地区。2007年前后是中国大部分省PM2.5浓度增长的拐点, 但并没有形成高值区域快速下降的趋势。(3)从国家尺度上看, 中国PM2.5分布与单位面积煤炭消耗分布呈现强烈正相关性, 与单位面积能源消耗总量分布呈正相关, 与单位面积石油消耗分布没有体现出明显的相关性。(4)从省级尺度上看, 各省PM2.5浓度与能源消耗存在明显正相关性, 但各省PM2.5浓度受能源种类消耗的影响程度不一致。综合来看, 中国PM2.5浓度较高的区域, 受能源消耗种类的影响, 呈现“北煤南油”以及“东油西煤”的规律。

PM2.5; 时空分布; 能源消耗; 灰色关联

1 引言

PM2.5是指环境空气中空气动力学直径小于或等于2.5微米的颗粒物, 也称细颗粒物。他能显著降低大气的能见度, 是大气灰霾的主要污染物。国内外研究[1–4]表明直达人体肺部的PM2.5会对人体健康产生较大危害。随着中国经济迅速发展, 能源消耗的迅速增长, 灰霾污染成为突出的环境问题, 引起社会和公众的广泛关注。2016年1月正式开始实施的中国新版《环境空气质量标准》(GB3095—2012)[5]将PM2.5纳入控制指标。

目前国内外侧重基于地面监测数据的PM2.5相关模拟和分析研究[6–8]。由于我国PM2.5监测站点起步晚, 大范围长时间的数据缺失严重, 利用监测数据难以厘清我国历史PM2.5时空分布特征。卫星遥感数据以其覆盖范围广、时间长的优势促进了近年来利用气溶胶研究PM2.5模式的发展[9–13]。无论是地面监测模式还是气溶胶模式, 对PM2.5组分和成因研究一直是学界热点[14–16]。大量研究[17–21]表明能源消耗是影响大气质量关键因素之一, 但目前针对PM2.5与能源消耗直接关系研究甚少。并且研究多基于单个区域、省或市进行分析, 得出的结论具有地域限制性。中国地域广阔, 省市之间的地理面积、能源消耗规模、能源消耗结构都不尽相同, 各省区的PM2.5与能源消耗关系存在明显差异。

为更全面了解中国PM2.5历史时空分布特征以及与能源消耗的关系, 本文利用1998—2012年中国PM2.5浓度遥感数据和能源消耗历史数据, 在对PM2.5时空分布特征进行刻画的基础上, 运用灰色相关理论, 对其与能源消耗的关系进行了分析, 期望得出具有地域针对性的有利于PM2.5控制的能源消耗政策建议和参考。

2 研究数据与方法

2.1 研究数据与处理

正如引言所述, 为了厘清我国历史PM2.5时空分布特征, 本文采用等人利用、和气溶胶厚度数据通过S—传输模型反演的近地面PM2.5遥感浓度数据[22]。时间跨度从1998—2012年, 每三年形成PM2.5平均浓度数据, 分辨率为0.1º×0.1º, 空间分辨率对应为10 km×10 km。表明该系列数据相对之前发布的2001—2010年全球PM2.5年均浓度数据, 精度更高, 可应用于环境和健康相关研究[23]。[24]和马宗伟[25]在利用气溶胶反演PM2.5长期平均浓度时, 要求区域单元至少有50个PM2.5估算值。中国省级尺度上, 上海市地理面积最小, 为6.3×103km2, 达到63个估算值。因此利用的1998—2012年PM2.5浓度数据满足中国省级尺度的研究。为了佐证中国PM2.5分布与地形间联系, 采用中国1 km分辨率的DEM(Digital Elevation Model)数据(数据来源于“黑河计划数据管理中心”), 见图1, 该数据基于30米分辨率高程数据重采样。

文章采用的能源消耗数据包括能源消耗总量、煤炭消耗总量和石油消耗总量, 其中石油消耗总量中的石油包含原油以及原油制品。数据主要来源于《中国能源统计年鉴》, 局部缺失数据由《新中国60年统计资料汇编》、《中国统计年鉴》以及各地方统计年鉴中数据补充。所有数据均折算为吨标准煤单位后, 再进行其他相关指标的计算。由于数据缺失等原因, 研究区域包括中国大陆的30个省份(不包括港澳台地区和西藏地区)。能源消耗数据则采用单位面积能耗指标。

2.2 研究方法

为了定量分析中国PM2.5时空分布与能源消耗相关指标时空分布在空间上是否具有相关性, 本文引入地理信息科学当中的空间相关矩阵来进行空间分布相关的度量。空间相关矩阵是研究具有共同空间范围的栅格图层之间的相关系数[26–28],计算出的相关系数可以度量空间栅格图层的依赖关系, 空间相关矩阵计算公式如1所示, 计算结果范围为[-1, 1]。当相关系数大于0.5时, 表明栅格图层所代表的指标之间具有正相关性, 折射到空间分布上, 表明具有相似的空间分布; 相关系数为小于- 0.5时, 则表明指标之间具有高的负相关性, 折射到空间分布上, 表明指标空间分布呈相反态势。

图1 中国1 km分辨率DEM

Fig.1 The 1 km digital elevation model of China

在本研究中, 公式1中:Corr——中国PM空间分布与能源消耗指标空间分布的相关系数;—中国PM空间分布栅格图层数据(省级尺度平均浓度分布);—能源消耗总量指标空间分布栅格图层数据(省级尺度单位面积能源消耗总量分布; 省级尺度单位面积煤炭消耗总量分布; 省级尺度单位面积石油消耗总量分布);——对应图层像元均值;——像元个数;v——图层第个像元值; v——图层第个像元值;——图层标准偏差。

在度量PM2.5时空分布与能源消耗相关指标时空分布相关性基础上, 基于省级尺度, 引入灰色相关理论, 定量分析省级尺度的PM2.5浓度与能源消耗之间的关系。1982年, 中国学者邓聚龙发表第一篇中文论文《灰色控制系统》标志灰色系统学科的诞生[29]。之后的三十多年来, 灰色系统中的灰色相关、灰色聚类以及灰色预测等被广泛应用于各种研究[30–31], 国内也有利用灰色关联分析大气质量与能源消耗的研究[32–33]。其中灰色关联度分析方法是根据因素之间发展态势的相似或相异程度来衡量因素间关联的程度, 揭示事物动态关联的特征与程度。对样本数量没有过分要求, 也不要求样本数据具有典型的分布规律[34]。灰色关联计算方法自邓聚龙提出灰色关联度之后也一直在被革新和发展中。目前常用的绝对关联度、相对关联度、综合关联度、斜率关联度、C型关联度、B型关联度、T型关联度等[35]。本文从PM2.5和能源消耗序列数据曲线的几何相似以及增长速度相似两个角度出发, 选择可以同时度量这两种相关的综合关联度方法进行分析。数据均采用均值化的无量纲处理, 即除以本身序列数据的平均值。

综合关联度计算方法如下:

本研究中,0为1998—2012年每三年PM省级平均浓度均值, 共13列数据组成的数列;X为1998—2012年每三年单位面积能源消耗相关指标的均值, 共13列数据组成的数列。是考虑增量相关和增长速度相关的权重, 本文均衡考虑PM和能源消耗的增量和增长速度相关, 因此取值为0.5。

3 结果与分析

3.1 中国PM2.5分布的空间特征

图2运用遥感分布数据显示了1998—2012年每三年中国PM2.5平均浓度分布。从图中可以清晰看出, 中国PM2.5空间分布呈现不均匀特点。

从地理区域来看, PM2.5浓度高的区域位于北部沿海地区(山东、河北、北京、天津)、黄河中游(陕西、河南、山西、内蒙古)地区的东南部、东部沿海地区(上海、江苏、浙江)北部、长江中游地区(湖南、湖北、江西、安徽)北部以及西南地区(广西、云南、贵州、四川、重庆)的四川东部和重庆西部。其中以北部沿海地区的河北南部和山东西部, 黄河中游的河南北部三者形成的区域受PM2.5污染最严重, 1998—2012年每三年的PM2.5平均浓度极大值均出现在此区域, 且都超过100 μg·m–3。西北地区(甘肃、青海、宁夏、西藏、新疆)的西藏、青海, 以及西南地区的云南、黄河中游的内蒙古北部、东北地区(辽宁、吉林、黑龙江)的黑龙江西北部以及南部沿海(广东、福建、海南)的海南是PM2.5浓度低值区域。从图中还可以看出新疆中部存在PM2.5的高值区, 这主要是新疆中部的塔克拉玛干大沙漠的沙尘导致[23], 与人类活动关系较小。

表1分别统计了1998—2012年每三年胡焕庸线(由中国地理学家胡焕庸在1935年提出的划分我国人口密度的对比线)切割中国分为东部和西部的PM2.5浓度值。从中可以看出, 胡焕庸线以东即人口分布密集的区域, 历年PM2.5浓度远高于人口分布稀疏的胡焕庸线西边地区, 且胡焕庸线以东区域的PM2.5浓度上升趋势明显。从图2也可以看出, 胡焕庸线成为中国PM2.5分布的东西界限, 最明显的对比可以从四川PM2.5分布来看, 胡焕庸线与四川省PM2.5分布高低界线几乎完全重合。

将中国1 km分辨率DEM重采样至10 km, 分别统计本研究时间序列内不同高程所对应的PM2.5浓度如表2所示。高程划分依据为地形类型以及我国各地形类型对应的高程, 其中高程低于200 m大部分为平原, 大于700 m为山地, 200—700 m大部分为丘陵也包含四川盆地,见图3。

表2 的结果表明, PM2.5分布与地形有密切的关系。高程低于200 m区域的PM2.5浓度相对最高, 高程介于200和700 m的区域PM2.5浓度次之, 但也明显高于大于700 m山地区域。从图2也可以看出中国PM2.5高浓度区域都是位于平原或盆地, 而高原、丘陵地区PM2.5明显相对较低。如北部沿海地区PM2.5浓度高低界线与燕山山脉界线相近。以同时位于东部沿海地区的上海、江苏和浙江为例, 三地区经济发展水平相当, 但从图中看出丘陵分布广的浙江PM2.5浓度明显低于上海和江苏。

地理区域的形成、人口的分布其实与地形特征都存在相互关系, 他们共同影响和作用了中国PM2.5的空间分布。因此可以推测与人口分布、经济发展密切相关的能源消耗的空间分布也会对PM2.5的空间分布产生重要影响。

3.2 中国PM2.5的年际变化特征

从中国PM2.5平均浓度分布变化的空间展示来看, 2010—2012年PM2.5的高值范围相对1998—2001年, 有了明显的扩大, 表明90年代末开始中国PM2.5污染情况明显严重。为了表达清晰, 图3分地理区域列出了各省(市、自治区)1998—2012年每三年PM2.5浓度均值统计变化。

表1 胡焕庸线东西部PM2.5浓度

图2 中国1998—2012年每三年PM2.5平均浓度遥感分布图

图3 中国不同高程区域

表2 不同高程对应的PM2.5浓度

图表中看出八大区域内部的大部分省(市、自治区)PM2.5变化趋势相同, 区域之间变化趋势有明显区别。除了西北地区的省(市、自治区)、云南、海南和内蒙古PM2.5增长不明显, 其他省区PM2.5都呈上升趋势, 尤其在PM2.5高值区域, 上升趋势明显。在本研究的时间序列间, 北部沿海地区的北京、天津、河北、山东PM2.5年均增长率分别达3.94%、3.95%、3.52%和3.84%, 东部沿海的上海年均增长率为4.13%, 均位于全国前列。西北地区的甘肃、青海、宁夏、新疆则分别为-1.74%、-0.58%、-1.24%和-2.23%。值得注意的是, 东北地区的辽宁、吉林、黑龙江年均增长率分别达4.51%、5.49%和3.74%, 南部沿海的广东、西南地区的广西达4.00%、4.83%。这些地区PM2.5污染状况没有高值区严重, 但PM2.5增长迅速。整体来看, 中国PM2.5的年际变化上, 具有双增长单下降的区域特征: 两个快速增长区域(年均增长率大于3.5%)分别为PM2.5高值区域——北部沿海以及PM2.5相对低的东北地区。单下降区域则为西北地区。

PM2.5浓度呈上升趋势的省(市、自治区)的变化趋势线, 大部分到2007—2009年间呈现高点平台, 之后呈稳定趋势。以2006—2008年三年均值为分界点, 除PM2.5浓度下降的西北地区省(市、自治区)以外, 其他的省(市、自治区)的PM2.5浓度年均增长率均比整个时间序列的年均增长率高2—3个百分点。而2006—2008年之后, 除了北京、辽宁、吉林、黑龙江、四川、贵州、云南分别以0.16%、0.50%、1.14%、0.38%、0.84%、0.49%、2.43%年增长率增长以外, 其他所有省(市、自治区)均实现PM2.5浓度的下降, 其中以福建(-4.16%)、上海(-3.14%)下降速度最快, 而天津、河北、山东的下降速度明显缓于同时期的其他地区, 并且远不及自身2006—2008年之前的增长速度。总体分析, 中国大部分地区PM2.5高速增长期位于2007年(或2008年)之前, 2007年前后是PM2.5浓度增长的拐点。虽然有拐点出现, 但并没有形成高值区域快速下降的趋势, 因此高值区域尤其是北部沿海地区降低PM2.5污染的形势仍然十分严峻。

3.3 中国PM2.5与能源消耗的空间相关分析

图5, 6, 7分别显示了中国单位面积能源消耗总量、单位面积煤炭消耗总量和单位面积石油消耗总量的时空分布。与中国PM时空分布进行可视化的对比, 可以看出中国单位面积能源消耗总量和单位面积煤炭消耗总量的高值区域分布与PM高值区域分布具有相似性, 均位于北部沿海地区; 单位面积石油消耗总量的重心明显偏于东部, 高值区域沿中国东部界限分布, 与中国PM2.5分布相异。表3为利用空间相关矩阵计算归一化后的中国PM2.5省级平均浓度数据和单位面积能耗指标数据的空间相关系数。从中可以看出, 中国PM2.5分布与单位面积煤炭消耗分布呈现强烈正相关性, 与单位面积能源消耗总量分布呈正相关, 与单位面积石油消耗分布没有体现出明显的相关性。因此, 在国家尺度上, 控制能源消耗总量, 尤其是煤炭消耗总量是降低PM2.5的有力措施。

表3 PM2.5分布与能源消耗指标分布的空间相关系数

3.4 省级尺度PM2.5与能源消耗的灰色关联

中国各省经济发展水平、历史背景和地理区域等都存在较大的差异性。对于省级尺度的PM2.5与能源消耗的关系, 未必与国家尺度的相似。为了更好的探讨省级尺度的两者关系, 引入灰色理论进行分析。从内蒙古、四川两省的PM2.5浓度区域统计来看, 两省的省级平均浓度位于全国的中等水平, 与PM2.5遥感分布图相比, 丢失了省内分布有PM2.5高值区域的特征, 统计数据并没能很好的表征他们的空间分布特征。在基于省级尺度的相关分析时, 为了抵消这种效应, 采用对PM2.5浓度数据进行人口加权处理[36]。运用的人口分布数据是由哥伦比亚大学全球地球科学信息中心提供的2000年, 2005年, 2010年全球人口分布数据(1 km×1 km), 在本文中重采样至10 km×10 km, 与PM2.5浓度数据匹配。2001—2003年以及之前的PM2.5浓度数据基于2000年人口数据加权, 2002—2004年均值浓度到2005—2007年数据基于2005年人口加权, 剩下的基于2010年人口加权。

式中: (PM2.5)——人口加权PM2.5浓度;—网格数; PM2.5i——网格内PM2.5浓度;P——网格内人口数

经过人口加权处理区的绝大部分省(市、自治区)的PM2.5浓度相对大气PM2.5算数平均浓度明显提高, 尤其是四川、河北、北京、陕西四省, 平均提高37%、43%、44%、43%, 佐证PM2.5与人口分布的密切相关性。各省(市、自治区)的人口加权PM2.5浓度与能源消耗指标的灰色关联度如表4和图8所示。

本研究的中国30个省(市、自治区)的PM2.5与能源消耗总量、煤炭消耗总量、石油消耗总量指标的关联度均大于0.5, 表明PM2.5与能源消耗存在相关关系。其中, 北京、天津、上海、辽宁、安徽、广西的PM2.5与能源消耗总量相关度均在0.85以上, 表现出强烈的相关性。天津、辽宁、黑龙江、广西、青海PM2.5与煤炭消耗相关度达0.90以上, 表明他们的PM2.5与煤炭消耗有着直接密切的相关; 北京、上海、安徽、广东四省的PM2.5与石油消耗相关度均在0.9左右, 表明他们的PM2.5与石油消耗高度相关。

虽然各省(市、自治区)的PM2.5与能源消耗指标都存在着明显的相关性, 但细致分析可以发现, 不同省(市、自治区)的煤炭、石油的灰色关联序并不一致, 表明各省(市、自治区)PM2.5受能源种类的影响程度有差异。河北、内蒙古、浙江、湖南、陕西、宁夏六省各自PM2.5与煤炭、石油消耗的关联度相差不大, 可以认为他们省内PM2.5受煤炭消耗和石油消耗相等影响, 在应对PM2.5控制时, 煤炭、石油的节能需要进行等同考虑。山西、天津、黑龙江、吉林、辽宁、重庆、四川、湖北、江西、广西、青海、贵州、云南十三省的PM2.5与能源消耗相关中, 煤炭消耗的相关性大于石油消耗, 需要注意煤炭消耗的控制, 着重进行能源消耗结构中煤炭消耗的调整。北京、上海、安徽、广东、江苏、河南、山东、福建、甘肃、新疆、海南的石油消耗关联度要大于煤炭消耗, 表明控制石油消耗的来源是解决PM2.5持续增长的有力措施。

从区域分析, 得出PM2.5污染严重的北部沿海地区, 北京、山东需要着重控制石油消耗, 天津则要加快煤炭消耗的降低, 河北则需双管齐下。黄河中游PM2.5浓度高的山西, 需要加快煤炭消耗的控制, 同样需要控制的还有西南地区的四川、重庆和广西, 以及与接壤的湖北。PM2.5同样严重的东部沿海地区的上海, 江苏以及长江中游的安徽, 需要与北京类似, 加快降低石油消耗的步伐。对于东北地区, PM2.5与煤炭消耗关系密切相关, 需要引起重视, 进行能源消耗结构的调整。南部沿海地区明显石油消耗对PM2.5影响更大, 调整能源结构时应该考虑石油消耗的下降。综合起来看, 中国PM2.5浓度较高的区域, 受能源消耗种类的影响, 呈现“北煤南油”以及“东油西煤”的规律。

表4 PM2.5浓度与能源消耗指标的灰色关联度

4 结论与讨论

通过对中国PM2.5时空分布特征的刻画以及与能源消耗的灰色相关分析, 得出以下结论:

(1)中国历史的PM2.5空间分布与人口分布、地形特征有着密切的关系, 胡焕庸线成为中国PM2.5空间分布的东西界限。PM浓度高的区域位于北部沿海地区(山东、河北、北京、天津)、黄河中游(陕西、河南、山西、内蒙古)地区的东南部、东部沿海地区(上海、江苏、浙江)北部、长江中游地区(湖南、湖北、江西、安徽)北部以及西南地区(广西、云南、贵州、四川、重庆)的四川东部和重庆西部, 均位于平原或盆地, 而高原、丘陵地区PM2.5较低。

(2)中国PM2.5高值区域从90年代末期开始, 呈明显扩张趋势。整体来看, 中国PM2.5的年际变化上, 具有双增长单下降的区域特征: 两个快速增长区域(年均增长率大于3.5%)分别为PM2.5高值区域——北部沿海以及PM2.5相对低的东北地区。单下降区域则为西北地区。中国大部分省(市、自治区)PM2.5高速增长期位于2007年(或2008年)之前, 2007年前后是PM2.5浓度增长的拐点。虽然拐点出现, 但并没有形成高值区域快速下降的趋势, 表明高值区域尤其是北部沿海地区降低PM2.5污染的形势仍然十分严峻。

(3)从国家尺度上看, 中国PM2.5分布与单位面积煤炭消耗分布呈现强烈正相关性, 与单位面积能源消耗总量分布呈正相关, 与单位面积石油消耗分布没有体现出明显的相关性。因此, 在国家尺度上, 控制能源消耗总量, 尤其是煤炭消耗总量是降低PM2.5的有力措施。

图4 中国1998—2012年PM2.5浓度变化图

图5 中国单位面积能源消耗总量分布

图6 中国单位面积煤炭消耗总量分布

Fig.6 The spatial distribution of coal consumption per unit area of China

图7 中国单位面积石油消耗总量分布

图8 中国PM2.5浓度与能源消耗指标的灰色关联度分布图

(4)从省级尺度上分析, 各省市、自治区)PM2.5浓度与能源消耗指标均存在明显相关性, 但各省(市、自治区)PM2.5浓度受能源种类消耗的影响程度不一致。以山西、天津、四川、东北三省为代表的省(市、自治区)PM2.5浓度受煤炭消耗影响更大; 以北京、上海、广东、安徽为代表的省(市、自治区)PM2.5浓度受石油消耗影响更大。综合起来看, 中国PM2.5浓度较高的区域, 受能源消耗种类的影响, 呈现“北煤南油”以及“东油西煤”的规律。因此应对PM2.5污染治理, 能源政策的制定需要因地制宜。

影响PM2.5浓度分布与增长的因素很多, 本文着重探讨了与能源消耗总量因素的相关性。由于数据限制,2.5浓度数据时间分辨率较粗, 下一步将挖掘典型区域, 进行更高分辨率数据支撑的分析。同时也将继续深入探讨PM2.5与能源消耗行业的关系。

[1] DOMINICI F, PENG R D, BELL M l, et al. Fine particulate air pollution and hospital admission for cardiovascular and respiratory diseases[J]. The Journal of the American Medical Association, 2006, 295: 1127–1134.

[2] LIM SS, VOS T, FLAXMAN A D, et al. A comparative risk assessment of burden of disease and injury attributable to 67 risk factors and risk factor cluster in 21 regions, 1990-2010: a systematic analysis for the Global Burden of Disease Study 2010[J]. The Lancet, 2012, 380: 2224–2260.

[3] SILVA R A, WEST J J, ZHANG Yuqiang, et al. Global premature mortality due to anthropogenic outdoor air pollution and the contribution of past climate change[J]. Environmental Research Letters, 2013, 8(3): 1–11.

[4] 饶莉, 陈锐凯, 钱宽等. 武汉市PM2.5的健康损失评价[J].中国农学通报, 2016, 11: 161–166.

[5] 国家环境保护部. 环境空气质量标准(试行)[S]. 中华人民共和国国家环境保护标准(GB3095-2012), 2012-02-29.

[6] LI Runkui, LI Zhipeng, GAO Wenju, et al. Diurnal, seasonal, and spatial variation of PMPM2.5 in Beijing[J]. SCIENCE CHINA PRESS, 2015, 60(3): 387–395.

[7] 黄亚林, 刘超, 曾克峰, 等. 2013—2014 年武汉市 PM2.5的时空分布特征及其与气象条件的关系[J].生态环境学报, 2015, 24(8): 1330–1335.

[8] 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.

[9] HOFF R M, CHRISTOPHER S A. Remote sensing of particulate pollution from space: have we reached the promised land?[J]. Jouranl of the Air and Waste Management Association, 2009, 59: 645–675.

[10] ZHANG H, XIE B, ZHAO S Y, et al. PMPM2.5 and tropospheric O3in China and an analysis of the impact of pollutant emission control[J]. Advances in Climate Change Research, 2014, 5(3): 136–141.

[11] HU J, WANG Y, YING Q, et al. Spatial and temporal variability of PMPM2.5and PM10over the North China Plain and the Yangtze River Delta, China[J]. Atmospheric Environment, 2014, (95): 598–609.

[12] MA Zongwei, LIU Yang, ZHAO Qiuyue, et al. Satellite-derived high resolutionPMPM2.5concentrations in YangtzeRiver Delta Region of China using improved linear mixed effects model[J]. Atmospheric Environment, 2016, (133): 156–164.

[13] GENG Guannan, ZHANG Qiang, RANDALL V, et al.Estimating long-termPMPM2.5concentrations in China using satellite-based aerosol optical depth and a chemical transport model.Remote Sensing of Environment, 2015, 166: 262–270.

[14] XIA Dehong, JIANG Binfan, XIE Yulei. Modeling and analysis of PMPM2.5 generation for key factors identifycation in China[J]. Atmospheric Environment, 2016, 134: 208–216

[15] ZHANG R, JING J, TAO J, et al. Chemical characterization and source apportionment ofPMPM2.5in Beijing: seasonal perspective[J]. Atmospheric Chemistry and Physics, 2013, 13(14): 7053–7074.

[16] WANG Wenxin, SHI Chanzhen, YAN Yan, et al. Eco- toxicological bioassay of atmospheric fine particulate matter (PM2.5) with Photobacterium Phosphoreum T3[J]. Ecotoxicology and Environmental Safety, 2016, 133: 226–234.

[17] RANJAN K B. Energy demand and environmental implications in urban transport—Case of Delhi[J]. Atmospheric Environment, 1996,.30(3): 403-412.

[18] 陶俊, 柴发合, 朱李华, 等. 2009年春季成都城区碳气溶胶污染特征及其来源初探[J]. 环境科学学报, 2011, 31(12): 2757–2761.

[19] ZHANG Xiaohong, WU Liqian, ZHANG Rong, et.al. Evaluating the relationships among economic growth, energy consumption, air emissions and air environmental protection investment in China[J]. Renewable and Sustainable Energy Reviews, 2013, (18): 259–270.

[20] XIA Yanqing , XU Mingsheng. A 3E Model on Energy Consumption, Environment Pollution and Economic Growth---An Empirical Research Based on Panel Data[J]. Energy Procedia, 2012,16: 2011–2018.

[21] MUHAMMAD S, MIHAI M, PARVEZ A. Environmental Kuznets curve in Romania and the role of energy consumption[J]. Renewable and Sustainable Energy Reviews, 2013,18:165–173.

[22] DONKELAAR V A, MARTIN R V, BRAUER M, et al. 2015. Global AnnualPMPM2.5Grids from MODIS, MISR and SeaWiFS Aerosol Optical Depth (AOD), 1998-2012. Palisades, N Y: NASA Socioeconomic Data and Applications Center (SEDAC). http: //dx.doi.org/10.7927/H4028 PFS. Accessed DAY MONTH YEAR.

[23] DONKELAAR V A, MARTIN R V, BRAUER M, et al. Use of Satellite Observations for Long-term Exposure Assessment of Global Concentrations of Fine Particulate Matter[J] Environmental Health Perspectives, 2015, 123 (2): 135–143.

[24] DONKELAAR V A, MARTIN R V, BRAUER M, et al. Villeneuve PJ.Global estimates of ambient fine particulate matter concentrations from staellite-based aerosol optical depth: development and application[J]. Environmental HeathPrespectivers, 2010, 118–847.

[25] 马宗伟. 基于卫星遥感的我国PM2.5时空分布研究[D].南京: 南京大学, 2015.

[26] 吴秀芹, 等. ArcGIS 9地理信息系统应用与实践[M]. 北京: 清华大学出版社, 2007

[27] 徐建华. 现代地理学中的数学方法[M]. 北京: 高等教育出版社, 2002.

[28] 施益强, 王坚, 张枝萍. 厦门市空气污染的空间分布及其与影响因素空间相关性分析[J]. 环境工程学报, 2014, 12(8): 5406–5412.

[29] 邓聚龙.灰色控制系统[J]. 华中工学院学报, 1982, 3(10): 9–1.

[30] ANTON BEZUGLOV , GURCAN COMERT. Short-term freeway traffic parameter prediction: Application of grey system theory models[J]. Expert Systems With Applications, 2016, 62: 284–292.

[31] 张勇, 赵冰. 灰度关联分析结合支持向量机用于近红外光谱研究[J]. 光谱学与光谱分析, 2013, 33(2): 363–366.

[32] 柴宁, 赵涛, 林涛. 我国各行业能源消耗与碳排放的灰色关联度分析[J]. 生态经济, 2012, 9: 105–106.

[33] 黄坤, 王哲, 何红利. 新疆能源消耗量与环境质量的关联分析[J], 国土与自然资源研究, 2009, 1: 45–46.

[34] 刘思峰, 杨英杰, 吴利丰, 等. 灰色系统理论及其应用[M]. 北京: 科学出版社, 2015.

[35] 周秀文. 灰色关联度的研究与应用[D]. 长春: 吉林大学, 2007.

[36] 伏晴艳, 阚海东. 城市大气污染健康危险度评价的方法人口加权的大气污染暴露评价_续四[J]. 环境与健康杂志, 2004, 21( 6) : 414–416.

Study on spatiotemporal distribution of PM2.5in China and its relationship to energy consumption based the remote sensing data from 1998 to 2012

Xu Chao1,2,3, WANG Yunpeng1,*, LI Lili1

1. Guangzhou Institute of Geochemistry, Chinese Academy of Sciences, Guangzhou 510640, China 2. University of Chinese Academy of Sciences, Beijing 100049, China 3. Guangzhou Institute of Energy conversion, Chinese Academy of Sciences, Guangzhou 510640, China

The spatial and temporal distribution characteristics of PM2.5in China and its relationship with energy consumption were analyzed based on spatial analysis and Grey Relation using the remote sensing data from 1998 to 2012. Ourresults are as follows. (1) The spatial distribution of PM2.5in China showed close relationships with population distribution and terrain properties. PM2.5distribution was divided into the eastern and western part by HU Line. (2) The inter-annual change of PM2.5was found in two faster growth areas: one was in the northerncoastal area and the other was in the northeastern area; the only decreased zone was located in the northwest area. The inflection point of PM2.5increasing was around 2007, however, after the point, the high concentrations area did not decline rapidly. (3) At national scale, PM2.5distribution was significantlyrelatedto coal consumption per area distribution positively and also to the whole energy consumption per area distribution, but showed no correlation with the oil consumption per area. (4) An obvious relativity existed between PM2.5and energy consumption at provincial-scale. There was difference in each province’s PM2.5concentrations relationship with energy sources. For high concentrations area, the law of the influences of energy sources was summarized as that the north was caused by coal burning while the south was caused by oil consuming, as well as that the east was caused by oil consuming while the west was caused by coal burning.

PM2.5;spatial and temporal distribution; energy consumption; grey relation

x24

1008-8873(2018)01-108-13

10.14108/j.cnki.1008-8873.2018.01.015

2017-02-28;

2017-04-1

区域生态环境变化及快速城市化对水质水量的影响及对策(2012BAH32B03-4)

徐超(1985—), 女, 安徽安庆人, 博士, 主要从事环境科学研究, E-mail: xuchao@ms.giec.ac.cn

王云鹏, 男, 博士, 研究员, 主要从事环境科学研究, E-mail: wangyp@gig.ac.cn

徐超, 王云鹏, 黎丽莉. 中国1998—2012年PM2.5时空分布与能源消耗总量关系研究 [J]. 生态科学, 2018, 37(1): 108-120.

Xu Chao, WANG Yunpeng, LI Lili. Study on spatiotemporal distribution of PM2.5in China and its relationship to energy consumption based the remote sensing data from 1998 to 2012[J]. Ecological Science, 2018, 37(1): 108-120.