APP下载

基于MGWR模型的中国城市PM2.5影响因素空间异质性

2021-07-23周志凌程先富

中国环境科学 2021年6期
关键词:回归系数异质性尺度

周志凌,程先富

基于MGWR模型的中国城市PM2.5影响因素空间异质性

周志凌,程先富*

(安徽师范大学地理与旅游学院,安徽 芜湖 241002)

基于全国297个地级市2018年PM2.5浓度数据、自然与社会经济数据,采用多尺度地理加权回归(MGWR)模型分析了各影响因素对PM2.5浓度的作用尺度与影响效果的空间异质性.结果表明,MGWR模型适用于中国地级市PM2.5浓度影响因素研究.在作用尺度上,人均GDP、技术支持水平作用尺度最大,其次是相对湿度、居民地比重、人口密度与风速,降水量、第二产业比重、植被覆盖状况、温度与能源消费强度作用尺度最为局限.在影响效果上,相对湿度、人口密度与居民地比重全部为正向作用;第二产业比重和能源消费强度主要为正向作用,分别占总样本的70.71%与64.98%;风速、温度既存在正向作用也存在负向作用,空间上呈两极分化,其中正向作用分别占总样本的49.83%与57.91%;降水量、植被覆盖状况主要为负向作用,分别占总样本的91.58%与69.70%;人均GDP、技术支持水平全部为负向作用.研究结果表明各因素对于中国城市PM2.5浓度的影响均存在着不同程度的空间异质性.

PM2.5;多尺度地理加权回归(MGWR)模型;空间异质性;中国

PM2.5污染危害严重[1],已经成为人们广泛关注的环境问题.目前,PM2.5的时空分布、来源解析、影响因素研究较多.在时空分布方面,学者们运用空间自相关[2]、小波分析[3]、核密度估计[4]、重心迁移[5]等方法识别PM2.5的分布规律和空间效应.PM2.5来源解析有3种方式,包括受体模型[6-7]、排放清单、源模型[8-9],可以定量解析PM2.5污染来源,为制定PM2.5污染的控制战略提供依据.影响因素分析是PM2.5研究的重要内容.研究发现自然条件对地区PM2.5浓度有显著影响,其中温度、相对湿度等气象因素与PM2.5浓度间关系密切[10-11],且两者的相关性随空间和季节而变化[12].地形条件与植被覆盖度也是影响PM2.5浓度的重要自然因素[13-14].PM2.5浓度与人类活动密切关联,污染物排放源性质、城镇化水平与产业结构等对于PM2.5浓度有直接影响[15-16].土地利用方式也会影响PM2.5浓度的空间格局[17].作为一种空间要素, PM2.5浓度与各影响因素的关系在空间上存在着依赖性与变异性,表现为PM2.5及各影响因素的空间溢出效应[18]和各因素对PM2.5浓度影响的空间差异特征[19-20].此外,PM2.5浓度影响因素间还存在着显著的交互作用[21].

事实上,各因素对PM2.5浓度分布的影响具有明显的区域性特征,该规律可以用经典地理加权回归(GWR)模型来解释.影响因素在某个范围内作用效果相似,而超过这个范围后作用效果则差异明显,该范围即是影响因素的作用尺度,在GWR模型中表现为带宽值.作为局部回归模型,GWR模型可以通过变系数较好的描述自变量与因变量间关系随着空间而变化的情形,但其中所有自变量的最优带宽都是相同的,然而在现实生活中各影响因素具有不同的作用尺度,单一带宽不能展现出真实的空间过程.“地理学研究对象格局与过程及其时空特征均是尺度依存的”[22],在目前对于大气污染的研究中,却往往忽视不同影响因素的尺度差异.本文运用多尺度地理加权回归(MGWR)模型探究各因素对中国城市PM2.5浓度的影响性质与强度,揭示影响因素在空间上作用尺度及影响效果的异质性,以期为PM2.5污染防治与预测提供依据.

1 数据与方法

1.1 数据来源

图1 中国城市PM2.5污染、自然与社会经济因素水平空间分布

采用的2018年PM2.5浓度数据来源于大气成分分析组织(ACAG)(http://fizz.phys.dal.ca/~atmos/ martin/?page_id=140).根据相关研究梳理[10-21]及数据易获取的原则,选定的解释变量包括年降水量、年均风速、年均气温、年均相对湿度、植被覆盖度等自然因素以及人口密度、人均国内生产总值(GDP)、产业结构、土地利用结构、能源消费强度、技术支持水平(科学技术支出占GDP之比)等社会经济因素.其中气象因素数据来自于中国气象数据网(http: //data.cma.cn/).采用归一化植被指数(NDVI)作为衡量植被覆盖状况的指示因子,采用市域内城乡、工矿、居民用地与所有土地利用类型的比值(下文简称居民地比重)表征土地利用结构,以上数据来自于中国科学院资源环境科学数据中心(http://www. resdc.cn/).研究表明夜间灯光与能源消费显著线性相关[23-24],本文使用夜间灯光数据反映能源消费情况,数据来源于代号“火石”的中科院版地球夜光数据集(http://satsee.radi.ac.cn/cfimage/nightlight/),计算市域内栅格值总和与面积之比表征能源消费强度.其余社会经济数据来源于《中国城市统计年鉴》,部分缺失数据用相应城市统计年鉴进行补充.最终获得297个城市自然因素和社会经济因素基础数据(图1).

考虑到本研究所选取的变量中很可能存在多重共线性问题,为避免指标间相互影响而带来估计结果的偏差,对上述所有解释变量采用方差膨胀因子(VIF)进行检验.VIF值越大,多重共线性越大,一般认为VIF值大于10则该变量是高度共线的.VIF的倒数即容差,越接近0表示多重共线性越强.方差膨胀因子的计算公式为[25]:

式中:R为第个自变量X对其余自变量作回归分析的复相关系数.检验结果如表1所示.各指标的方差膨胀因子值均小于10,表明所选取的指标不存在多重共线性问题.

表1 影响因素多重共线性诊断结果

1.2 研究方法

与经典GWR模型相比,MGWR模型允许每个变量各自不同的空间平滑水平,这降低了估计的偏误,同时也产生了更真实有用的空间过程模型[26],其结构如下[27-28]:

2 结果与分析

2.1 模型指标分析

普通最小二乘法(OLS)下的全局模型、GWR模型与MGWR模型计算结果的相关指标如表2所示.与经典GWR模型相比,MGWR模型的AICc值更小,调整2略大,变量带宽取值丰富.这表明MGWR模型在拟合效果上比前两个模型更优.

变量带宽衡量了各个过程的空间作用尺度,可以反映出不同自然和社会经济影响因素对PM2.5浓度作用尺度的差异[29].作用尺度越大表明该影响因素作用效果的空间异质性越小,反之空间异质性则越大.结果可知,自然因素中降水量、温度与植被覆盖状况作用尺度分别为47、43与44,均较小(<50),它们对于PM2.5浓度作用效果的空间异质性较大.风速作用尺度为90,作用效果的空间异质性较小.相对湿度作用尺度为151,约为全部样本量的一半,其对PM2.5浓度的作用效果在半数地级市的范围内均相似.人口密度的作用尺度为116,居民地比重作用尺度为113,两者作用效果的空间异质性较小,回归系数在空间上较平稳.人均GDP与技术支持水平作用尺度均为296,基本上等于样本总量,是全局变量,几乎不存在空间异质性,对PM2.5浓度的作用效果在全国地级市的范围内基本一致.第二产业比重作用尺度为47,能源消费强度作用尺度为43,两者作用效果的空间异质性较大.

图2中2表示所选自然与社会经济指标对PM2.5浓度水平的实际解释力度.各地级市的局部2分布在0.61~0.97之间,其中有87.21%的地级市拟合优度超过了0.80,51.52%的地级市拟合优度超过了0.90,由此可见本研究选择的11个影响因素对城市PM2.5浓度空间分布状况有足够的综合解释力.在京津冀地区和长三角地区2值较大,表明在这两片区域各指标对PM2.5浓度的解释力最好.在西北地区及西南地区2值普遍较低,说明可能有遗漏因素的存在.对于西北地区而言原因可能是该地区气候干旱植被稀疏土地荒漠化严重,地面沙尘相对易被扬起,地表扬尘源加重了PM2.5污染,故造成该地区模型拟合度较低.西南地区2值较低的原因可能是该地区多山地、丘陵地形,下垫面状况复杂多变,因此污染物的积聚与消散过程较平原地区也更加复杂.此外还可能受到越南等域外东南亚国家大气污染物跨境输送的影响[31],造成该地区模型拟合度较低.

表2 OLS、GWR与MGWR拟合结果比较

图2 MGWR模型拟合结果的局部R2空间分布

2.2 影响因素空间异质性分析

从各类指标回归系数的小提琴图(图3)可以看出,降水量的增加对于PM2.5浓度的作用基本上是负向的,且负向作用相当强烈.风速与温度对于PM2.5浓度的作用是双向的,且呈现比较明显的两极分化状态,其中温度的两极分化情况最为凸出.相对湿度的增加对于PM2.5浓度完全呈现促进作用.植被覆盖度的提升对于PM2.5浓度来说主要是抑制作用.人口密度的增加总会导致PM2.5浓度的上升.人均GDP的提升对于PM2.5浓度有抑制作用,但是作用效果有限.第二产业比重增加总体来说会导致PM2.5浓度的升高.居民地比重的增加总是会加重地区PM2.5污染.能源消费强度的增加总体上也会加重PM2.5污染.对某地区技术支持水平的力度越大,则该地区PM2.5浓度越低,但是作用效果相对有限.

图3 MGWR模型回归系数分布小提琴图

如图4所示:常数项与PM2.5浓度的高值区在空间上基本保持一致,均在中国华北地区,这说明华北地区PM2.5基础排放量最大,PM2.5污染状况最为严重.

降水过程可以捕获大气中的颗粒物和气溶胶粒子,使之从大气中清除,同时对于地表扬尘也有一定的抑制作用.图中除西南地区外,降水对PM2.5浓度呈现显著的负相关效应,占到样本量的91.58%.且从降水量与PM2.5浓度的回归系数上来看,降水对于PM2.5的清除效果在温带季风气候区的东北与华北地区最好.

风速对于PM2.5浓度的影响呈明显的两极分化空间格局,东部地区负相关效应显著,占样本量的50.17%,西部地区正相关效应显著,占样本量的49.83%.这与王少剑等[19]的风速对PM2.5浓度主要呈负相关效应的研究结果有所区别.原因在于东部地区距离海洋近且地形平坦,季风效应显著,年均风速总体较高,因此大气污染物扩散条件好,气流运动可以有效降低当地PM2.5浓度.而负相关效应最强的西南地区如四川盆地等由于地形封闭,年均风速低且气流难以扩散,风的传输使污染物之间相互反应,加重PM2.5污染.此外较东部地区,西北地区土地荒漠化程度高,多风沙地貌,下垫面质地疏松,在气流运动清除PM2.5的同时易引发扬尘,反而增加PM2.5浓度.

温度对于PM2.5浓度的影响也呈明显的两极分化的空间格局,南方地区负相关效应显著,占样本量的42.09%,北方地区正相关效应显著,占样本量的57.91%.南方地区气温越高对流活动发生越频繁,有利于污染物的扩散,其引发的对流雨对PM2.5有很好的清除作用.北方地区正相关效应主要受冬季特殊气象条件的影响.北方冬季漫长,冷空气活动是影响大气污染物累积和消散的主要气象条件之一.在温度较高的晴朗天,冷空气活动较弱甚至无冷空气影响,容易产生静稳或逆温现象[32],此时大气污染物易积聚在本地进而加重污染.相反在受到来自蒙古北部的寒冷、相对干净空气影响的低温天气里,PM2.5浓度则会降低[33].此外,较高的气温也有利于光化学反应,促进气态污染物向PM2.5转换,引起PM2.5浓度上升.

在全国地级市范围内相对湿度对PM2.5浓度都呈显著的正相关效应,且回归系数由南向北递增.究其原因,相对湿度较高的大雾天气,近地面多出现逆温,不利于颗粒物的扩散,但有利于颗粒物的吸湿和二次颗粒物的水相形成,使得PM2.5浓度增高.但是相对湿度超过一定阈值则易引发降水,有利于PM2.5的沉降,反而降低PM2.5浓度[34].相比于南方地区中国北方地区湿度更低,更多维持在阈值范围内,因此与PM2.5浓度的正相关效应更强.这与屈超等[35]研究结论相一致.

在中国大部分地区植被覆盖状况与PM2.5浓度都呈负相关,占到样本量的69.70%,这是因为植被对于大气中的细颗粒物具有阻滞吸收作用[36],同时可以保持水土,有效防风固沙.从回归系数空间分布看,负向作用高值区主要位于中国西南地区.在东北及华北地区则呈现出了正相关效应,这可能与当地植被类型有关.

图4 PM2.5影响因素回归系数与显著性空间分布(常数项与自然因素部分)

如图5所示:在全国范围内,人口密度的增加对于PM2.5浓度的升高都有较为明显的促进作用,且回归系数从人口密集的东南地区向人口稀疏的西部与东北地区逐渐增大.这与黄小刚等[24]的观点相一致.原因在于在人口密集的地区生产规模和交通流量更大,更易产生PM2.5污染.在中西部及东北地区,大气治理力度相较于东南沿海的发达省市仍显薄弱,这使得人口密度的影响力度更加强烈.

经济发展与PM2.5污染间有强烈的相互作用[37].本文中,全国地级市范围内人均GDP对PM2.5浓度都呈显著性较高的负相关效应,同时各地级市回归系数的取值差异不大且总体偏小.这是因为经济发展水平高的地区,人们对环境质量的要求更高,且随着地区收入增加,政府也有更充足的资金投入到大气污染的治理工作中.结果表明随着科学技术的进步和产业结构的优化,中国经济与环境保护工作已基本实现良性协调发展,以牺牲环境为代价的粗放式发展模式正逐渐被绿色发展、循环发展、低碳发展等新发展模式所取代.考虑到人均GDP的作用尺度大且在全国范围内对PM2.5浓度都有着极为显著的抑制作用,在保护环境的同时应继续推动经济的可持续发展.

图5 PM2.5影响因素回归系数与显著性空间分布(社会经济因素部分)

工业生产中化石燃料的消耗产生的排放物是城市大气污染的重要来源之一.本文中第二产业比重增加会对70.71%的城市PM2.5浓度产生促进作用.中国地级市第二产业比重与PM2.5浓度间回归系数的显著性总体较低,反映出各城市间工业化水平以及工业类型的较大差异.回归系数取值表明长三角地区受到的正向影响作用最强烈,原因在于该地区有大量企业投资设厂,但多是位于产业链底端的制造加工业,附加值低且污染严重.此外受负向影响地区还有可能产生了集聚效应,使效率提高而污染降低.

回归结果表明居民地比重的增加会对PM2.5浓度有较明显的促进作用,这与刘炳杰等[38]基于LUR模型的研究结论相一致.原因在于城市建筑行业的发展会导致大量的建筑扬尘进入城市大气中,加重了城市PM2.5污染,并且随着建设用地的扩张,不可避免地会对地表植被造成破坏,而植被对于大气污染具有一定抑制作用.其中在黄土高原地区回归系数最大、影响的地级市最多,这是因为该地区土质疏松,土地开发更容易引发土壤侵蚀,造成扬尘使PM2.5浓度升高.因此在类似的土壤易受侵蚀地区更应限制由城市盲目扩张所引发的土地过度开发.

能源消费会排放大气污染物.与王振波等[39]研究结果相符,本文计算结果也表明在中国大部分地区能源消费强度的增加都会引起PM2.5浓度的升高,占到样本量的64.98%,且在东北与西南地区回归系数达到最大值.而在西北地区则呈现出比较强的负相关效应,原因可能在于该地区自然条件恶劣,人类活动在消费能源的同时,对当地生态环境进行改造,产生积极作用.图中回归系数显著性水平总体较低,反映出各城市间能源结构可能存在着较大差异.

在全国范围内技术支持水平对PM2.5浓度都呈现出较为显著的抑制作用.因为技术不成熟会导致工业企业粗放式发展,从而引发环境污染问题,而技术投入有利于推动节能环保科技成果的研发与应用,从而减少生产生活过程中大气污染物的排放.与此同时,科技创新投入高风险大,且成果效用在短期内难以显现,因此全国范围内回归系数取值均在一个较低水平.鉴于科技进步影响深远,各方要持续推动构建绿色技术创新体系,以科技手段助力大气污染防治.

3 结论

3.1 MGWR模型在拟合效果上比OLS及经典GWR模型更优,该模型适用于中国地级市PM2.5浓度影响因素的研究.

3.2 MGWR模型得出的影响因素作用尺度表明人均GDP、技术支持水平对PM2.5浓度作用尺度最大,其次是相对湿度、居民地比重、人口密度与风速,降水量、第二产业比重、植被覆盖状况、温度与能源消费强度作用尺度最为局限.在本研究的297个样本中,以上各影响因素作用尺度分别为296、296、151、127、116、90、47、47、44、43与43.

3.3 MGWR模型得出的影响因素回归系数表明各指标对区域PM2.5浓度的影响效果存在着空间异质性.其中相对湿度、人口密度与居民地比重全部为正向作用;第二产业比重和能源消费强度主要为正向作用,分别占总样本的70.71%与64.98%;风速、温度既存在正向作用也存在负向作用,空间上呈现两极分化,其中正向作用分别占总样本的49.83%与57.91%,负向作用分别占总样本的50.17%与42.09%;降水量、植被覆盖状况主要为负向作用,分别占总样本的91.58%与69.70%;人均GDP、技术支持水平全部为负向作用.

[1] 杨新兴,冯丽华,尉 鹏.大气颗粒物PM2.5及其危害 [J]. 前沿科学, 2012,6(1):22-31.

Yang X X, Feng L H, Wei P. Air particulate matter PM2.5in Beijing and its harm [J]. Frontier Science, 2012,6(1):22-31.

[2] Zhao X, Zhou W, Han L, et al. Spatiotemporal variation in PM2.5concentrations and their relationship with socioeconomic factors in China's major cities [J]. Environment International, 2019,133:105145.

[3] Wang J, Lu X, Yan Y, et al. Spatiotemporal characteristics of PM2.5concentration in the Yangtze River Delta urban agglomeration, China on the application of big data and wavelet analysis [J]. Science of the Total Environment, 2020,724:138134.

[4] 郑保利,梁流涛,李明明.1998~2016年中国地级以上城市PM2.5污染时空格局 [J]. 中国环境科学, 2019,39(5):1909-1919.

Zheng B L, Liang L T, Li M M. Analysis of temporal and spatial patterns of PM2.5in prefecture-level cities of China from 1998 to 2016 [J]. China Environmental Science, 2019,39(5):1909-1919.

[5] 刘曰庆,孙希华,孙宇祥,等.1998~2016年中国大气PM2.5污染浓度空间格局演化——基于339个城市的实证研究 [J]. 长江流域资源与环境, 2020,29(5):1163-1173.

Liu Y Q, Sun X H, Sun Y X, et al. Evolution of spatial pattern of atmospheric PM2.5pollution concentration in China from 1998 to 2016: Based on an empirical study of 339 cities [J]. Resources and Environment in the Yangtze Basin, 2020,29(5):1163-1173.

[6] Tian S, Liu Y, Wang J, et al. Chemical compositions and source analysis of PM2.5during autumn and winter in a heavily polluted city in China [J]. Atmosphere, 2020,11(4):336.

[7] Yu Y, He S, Wu X, et al. PM2.5elements at an urban site in Yangtze River Delta, China: High time-resolved measurement and the application in source apportionment [J]. Environmental Pollution, 2019,253:1089-1099.

[8] 曾 鹏,辛存林,于 奭,等.典型西南工业城市春冬季PM2.5来源与潜在源区分析——以柳州市为例[J]. 中国环境科学, 2020,40(9): 3781-3790.

Zeng P, Xin C L, Yu S, et al. Analysis of PM2.5sources and potential source areas of typical industrial city in spring and winter: A case study in Liuzhou [J]. China Environmental Science, 2020,40(9):3781- 3790.

[9] Huang Y, Deng T, Li Z, et al. Numerical simulations for the sources apportionment and control strategies of PM2.5over Pearl River Delta, China, part I: Inventory and PM2.5sources apportionment [J]. Science of the Total Environment, 2018,634:1631-1644.

[10] 张云伟,王晴茹,陈 嘉,等.城市街谷内PM2.5浓度时空变化及影响因素分析[J]. 中国环境科学, 2016,36(10):2944-2949.

Zhang Y W, Wang Q R, Chen J, et al. Temporal and spatial characteristics of PM2.5concentration in urban street canyons and analysis on the affecting factors [J]. China Environmental Science, 2016,36(10):2944-2949.

[11] Wang P, Cao J, Tie X, et al. Impact of meteorological parameters and gaseous pollutants on PM2.5and PM10mass concentrations during 2010 in Xian, China [J]. Aerosol and Air Quality Research, 2015,15(5): 1844-1854.

[12] Yang Q, Yuan Q, Li T, et al. The Relationships between PM2.5and meteorological factors in China: Seasonal and regional variations [J]. Multidisciplinary Digital Publishing Institute, 2017,14(12):1510-1529.

[13] 何映月,张松林.2000~2016年中国PM2.5时空格局 [J]. 中国环境科学, 2020,40(8):3284-3293.

He Y Y, Zhang S L. Spatiotemporal pattern of PM2.5from 2000 to 2016 in China [J]. China Environmental Science, 2020,40(8):3284- 3293.

[14] 王嫣然,张学霞,赵静瑶,等.2013~2014年北京地区PM2.5时空分布规律及其与植被覆盖度关系的研究 [J]. 生态环境学报, 2016,25(1): 103-111.

Wang Y R, Zhang X X, Zhao J Y, et al. Temporal and spatial distribution of PM2.5and its relationship with vegetation coverage in Beijing during the period of 2013~2014 [J]. Ecology and Environmental Sciences, 2016,25(1):103-111.

[15] 贺 祥,林振山,刘会玉,等.基于灰色关联模型对江苏省PM2.5浓度影响因素的分析 [J]. 地理学报, 2016,71(7):1119-1129.

He X, Lin Z S, Liu H Y, et al. Analysis of the driving factors of PM2.5in Jiangsu province based on grey correlation model [J]. Acta Geographica Sinica, 2016,71(7):1119-1129.

[16] 许 珊,邹 滨,宫俊霞.2001~2015年中国城镇化与PM2.5浓度时空关联特征[J]. 中国环境科学, 2019,39(2):469-477.

Xu S, Zou B, Gong J X. Analysis of the spatial-temporal association between urbanization and PM2.5concentration during 2001~2015 period in Mainland China [J]. China Environmental Science, 2019, 39(2):469-477.

[17] Liu C, Henderson B H, Wang D, et al. A land use regression application into assessing spatial variation of intra-urban fine particulate matter (PM2.5) and nitrogen dioxide (NO2) concentrations in city of Shanghai, China [J]. Science of the Total Environment, 2016, 565:607-615.

[18] 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 [J]. 地理学报, 2018,73(1):177-191.

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

[19] 王少剑,高 爽,陈 静.基于GWR模型的中国城市雾霾污染影响因素的空间异质性研究 [J]. 地理研究, 2020,39(3):651-668.

Wang S J, Gao S, Chen J. Spatial heterogeneity of driving factors of urban haze pollution in China based on GWR model [J]. Geographical Research, 2020,39(3):651-668.

[20] 南 洋,张倩倩,张碧辉.基于GAM模型分析中国典型区域网格化PM2.5长期变化影响因素 [J]. 环境科学, 2020,41(2):499-509.

Nan Y, Zhang Q Q, Zhang B H. Influencing factors of long-term variations on gridded PM2.5of typical regions in China based on GAM model [J]. Environmental Science, 2020,41(2):499-509.

[21] 周敏丹,匡耀求,云国梁.基于地理探测器的广州市大气PM2.5浓度驱动因素分析 [J]. 环境科学研究, 2020,33(2):271-279.

Zhou M D, Kuang Y Q, Yun G L. Analysis of driving factors of atmospheric PM2.5concentration in Guangzhou city based on geo-detector [J]. Research of Environmental Sciences, 2020,33(2): 271-279.

[22] 李双成,蔡运龙.地理尺度转换若干问题的初步探讨 [J]. 地理研究, 2005,24(1):11-18.

Li S C, Cai Y L. Some scaling issues of geography [J]. Geographical Research, 2005,24(1):11-18.

[23] Xie Y, Weng Q. World energy consumption pattern as revealed by DMSP-OLS nighttime light imagery [J]. GIScience and Remote Sensing, 2015,53(2):265-282.

[24] 黄小刚,赵景波,曹军骥,等.长江经济带PM2.5分布格局演变及其影响因素[J]. 环境科学, 2020,41(3):1013-1024.

Huang X G, Zhao J B, Cao J J, et al. Evolution of the distribution of PM2.5concentration in the Yangtze River economic belt and its influencing factors [J]. Environmental Science, 2020,41(3):1013- 1024.

[25] Marquardt D W. Generalized inverses, ridge regression, biased linear estimation, and nonlinear estimation [J]. Technometrics, 1970,12(3): 591-612.

[26] 沈体雁,于瀚辰,周 麟,等.北京市二手住宅价格影响机制——基于多尺度地理加权回归模型(MGWR)的研究 [J]. 经济地理, 2020, 40(3):75-83.

Shen T Y, Yu H C, Zhou L, et al. On hedonic price of second-hand houses in Beijing based on multi-scale geographically weighted regression: Scale law of spatial heterogeneity [J]. Economic Geography, 2020,40(3):75-83.

[27] Fotheringham A S, Yang W, Kang W. Multiscale geographically weighted regression (MGWR) [J]. Annals of the American Association of Geographers, 2017,107(6):1247-1265.

[28] Fotheringham A S, Yue H, Li Z. Examining the influences of air quality in China's cities using multi‐scale geographically weighted regression [J]. Transactions in GIS, 2019,23(6):1444-1464.

[29] Oshan T M, Smith J P, Fotheringham A S. Targeting the spatial context of obesity determinants via multiscale geographically weighted regression [J]. International Journal of Health Geographics, 2020, 19(1):11.

[30] Yu H, Fotheringham A S, Li Z, et al. Inference in multiscale geographically weighted regression [J]. Geographical Analysis, 2019, 52(1):87-106.

[31] 张玉洽,杨迎春,李 杰,等.东南亚生物质燃烧对我国春季PM2.5质量浓度影响的数值模拟 [J]. 环境科学研究, 2016,29(7):952-962.

Zhang Y Q, Yang Y C, Li J, et al. Modeling the impacts of biomass burning in Southeast Asia on PM2.5over China in spring [J]. Research of Environmental Sciences, 2016,29(7):952-962.

[32] 张忠地,邵天杰,黄小刚,等.2017年京津冀地区PM2.5污染特征及潜在来源分析[J]. 环境工程, 2020,38(2):99-106,134.

Zhang Z D, Shao T J, Huang X G, et al. Characteristics and potential sources of PM2.5pollution in Beijing-Tianjin-Hebei region in 2017 [J]. Environmental Engineering, 2020,38(2):99-106,134.

[33] Miao Y, Liu S, Guo J, et al. Impacts of meteorological conditions on wintertime PM2.5pollution in Taiyuan, North China [J]. Environmental Science and Pollution Research, 2018,25(22):21855-21866.

[34] Cheng Y, He K, Du Z, et al. Humidity plays an important role in the PM2.5pollution in Beijing [J]. Environmental Pollution, 2015,197: 68-75.

[35] 屈 超,陈婷婷,刘 佳,等.中国典型城市PM2.5浓度时空演绎规律及影响因素分析 [J]. 环境科学研究, 2019,32(7):1117-1125.

Qu C, Chen T T, Liu J, et al. Spatio-temporal characteristics of PM2.5and influence factors in typical cities of China [J]. Research of Environmental Sciences, 2019,32(7):1117-1125.

[36] 赵晨曦,王玉杰,王云琦,等.细颗粒物(PM2.5)与植被关系的研究综述[J]. 生态学杂志, 2013,32(8):2203-2210.

Zhao C X, Wang Y J, Wang Y Q, et al. Interactions between fine particulate matter (PM2.5) and vegetation: A review [J]. Chinese Journal of Ecology, 2013,32(8):2203-2210.

[37] 丁俊菘,邓宇洋,汪 青.中国环境库兹涅茨曲线再检验——基于1998~2016年255个地级市PM2.5数据的实证分析 [J]. 干旱区资源与环境, 2020,34(8):1-8.

Ding J S, Deng Y Y, Wang Q. Re-examination of Chinese environmental Kuznets curve ——Based on PM2.5data of 255cities [J]. Journal of Arid Land Resources and Environment, 2020,34(8):1-8.

[38] 刘炳杰,彭晓敏,李继红.基于LUR模型的中国PM2.5时空变化分析 [J]. 环境科学, 2018,39(12):5296-5307.

Liu B J, Peng X M, Li J H. Analysis of the temporal and spatial variation of PM2.5in China based on the LUR model [J]. Environmental Science, 2018,39(12):5296-5307.

[39] 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 [J]. 地理学报, 2019,74(12):2614-2630.

Wang Z B, Liang L W, Wang X J. Spatio-temporal evolution patterns and influencing factors of PM2.5in Chinese urban agglomerations [J]. Acta Geographica Sinica, 2019,74(12):2614-2630.

Spatial heterogeneity of influencing factors of PM2.5in Chinese cities based on MGWR model.

ZHOU Zhi-ling, CHENG Xian-fu*

(School of Geography and Tourism, Anhui Normal University, Wuhu 241002, China)., 2021,41(6):2552~2561

Based on the 2018 annual average PM2.5concentration data, natural and socio-economic data of 297 prefecture-level cities in China, the multi-scale geographically weighted regression (MGWR) model was used to analyze the spatial scale and the spatial heterogeneity of the influencing factors on PM2.5concentration. MGWR model was tested and analyzed suitable for studying influencing factors of PM2.5concentration in prefecture-level cities in China. In terms of the spatial scale, per capita GDP and technical support level had the largest effect scale, followed by relative humidity, residential land proportion, population density and wind speed. After that, precipitation, secondary industry proportion, vegetation cover, temperature and energy intensity had the most limited effect scale. In terms of the impact, relative humidity, population density and residential land proportion were all positive. Secondary industry proportion and energy intensity were mainly positive, accounting for 70.71% and 64.98% of the total sample respectively. Wind speed and temperature had both positive and negative effects, showing polarization in space. The positive effect account for 49.83% and 57.91% of the total samples, respectively. Precipitation and vegetation cover were mainly negative effects, accounting for 91.58% and 69.70% of the total samples respectively. Per capita GDP and technical support level were all negative effects. The results showed that the influence of various factors on PM2.5concentration in Chinese cities has varied spatial heterogeneity.

PM2.5;multi-scale geographically weighted regression (MGWR) model;spatial heterogeneity;China

X513

A

1000-6923(2021)06-2552-10

2020-11-18

国家自然科学基金资助项目(41271516)

* 责任作者, 教授, xianfucheng@sina.com

周志凌(1996-),男,江苏南京人,安徽师范大学硕士研究生,主要从事大气污染研究.发表论文1篇.

猜你喜欢

回归系数异质性尺度
基于可持续发展的异质性债务治理与制度完善
财产的五大尺度和五重应对
多元线性回归的估值漂移及其判定方法
电导法协同Logistic方程进行6种苹果砧木抗寒性的比较
多元线性模型中回归系数矩阵的可估函数和协方差阵的同时Bayes估计及优良性
宇宙的尺度
现代社区异质性的变迁与启示
9
1949年前译本的民族性和异质性追考
从EGFR基因突变看肺癌异质性