全球PM2.5人口暴露风险时空格局

张亮林,潘竟虎

全球PM2.5人口暴露风险时空格局

张亮林,潘竟虎*

(西北师范大学地理与环境科学学院,甘肃 兰州 730070)

基于PM2.5遥感数据和人口格网数据,利用污染物人口暴露风险模型、Theil-Sen Media和Mann-Kendall等方法,分析了2000～2016年全球PM2.5人口暴露风险时空分布特征,并识别出暴露高风险区域.结果表明,PM2.5遥感数据和人口格网数据可以客观地评价暴露风险程度.全球PM2.5平均浓度在各大洲差异显著,PM2.5污染的高值区域主要分布在东亚、南亚和东南亚.PM2.5质量浓度的多年平均值从高到低分别是亚洲14.7μg/m3、非洲8.1μg/m3、欧洲8.03μg/m3、南美洲5.69μg/m3、北美洲4.41μg/m3和大洋洲1.27μg/m3.2000～2016年,全球PM2.5人口暴露风险在宏观尺度上呈逐渐减少的趋势,而在区域内则呈现出差异性.空间上,全球PM2.5人口暴露风险各大洲从高到低依次为亚洲5.94、非洲0.62、欧洲0.45、南美洲0.32、北美洲0.27和大洋洲0.01.时间上,2000～2016年,亚洲和非洲PM2.5人口暴露风险呈增长趋势,欧洲和北美洲呈减少趋势,大洋洲和南美洲变化幅度较小.

PM2.5；人口暴露风险；时空变化；全球

空气污染暴露(Air Pollution Exposure)是指个体居民与空气污染物直接接触使其暴露在空气污染中的状态或过程[1].研究表明,细颗粒物(PM2.5)是最致命的空气污染形式,也是造成全球非传染性疾病的主要原因[2].2017年全球疾病负担(Global Burden of Disease, GBD)研究表明[3],环境颗粒物(PM)污染导致全球约294万人死亡,其中约35.47%发生在东南亚、东亚和大洋洲,是造成死亡负担的第八大主要风险因素.PM2.5空气污染对健康的影响并没有在所有公民之间平等分享,在全球范围内,与PM2.5空气污染相关的健康风险在中低收入国家更高,其中91%的过早死亡是由包括PM2.5在内的空气污染造成的[4].研究发现[5],在北美、欧洲、亚洲、非洲和大洋洲,较贫穷地区的PM2.5空气污染水平往往较高.随着经济全球化和区域一体化快速发展,全球PM2.5污染监测与治理难度加大.许多国家受自身经济状况制约,尚未建立PM2.5地面监测站点,缺乏持续的PM2.5浓度监测数据.部分国家受战乱影响,政局不稳,人口普查无法实现,数据的缺失给全球尺度的PM2.5人口暴露研究带来了挑战.长时间序列的PM2.5人口暴露风险定量化研究,有助于剖析全球PM2.5暴露风险变化,为PM2.5及暴露风险的健康效应影响、环境管理、流行病学的研究提供可靠、详尽的辅助基础数据和参考[6],是对行政单元上暴露风险分析研究的很好补充.因此,基于遥感数据定量分析全球PM2.5人口暴露风险,有助于区域联动,进行大气污染治理和暴露风险规避. 此外,由于PM2.5易于远距离乃至跨境传输,发达国家借助贸易使欠发达国家增加了经济产值,但同时也可能通过空气污染造成不可忽视的经济和健康损失[7],国际贸易中隐含的PM2.5转移问题越来越受到学者的关注[8-9],分析全球PM2.5人口暴露风险时空格局,可为化解全球和区域生态环境风险、推进国际贸易的健康发展提供参考.

已有部分学者开展了PM2.5暴露风险的尝试性探索研究,但总体上目前PM2.5人口暴露风险研究案例较少,从内容来看主要集中在流行病学领域[10-12].研究尺度上,大多数研究集中在某个特定的国家(尤其是中国和印度两个人口最多的国家)[6,13-16],或将每个国家作为单一研究目标[17].个别学者对全球PM2.5人口暴露风险时空格局开展了研究.Han等研究发现[18],2010年全球陆地面积的11.0´106km2(约占全球陆地面积的8%)暴露于PM2.5污染(PM2.5质量浓度>35μg/m3),自2000年以来增加了4.3´106km2;2010年,全球19.4亿人暴露于PM2.5污染.Roberts等[19]利用哥白尼大气监测系统(CAMS)调查了2016～2019年全球人口PM2.5暴露,发现143个国家的平均人口加权PM2.5总表面浓度超过10μg/m3的世卫组织建议值,每年有6720万人暴露在PM2.5水平分类为“危险”(PM2.5质量浓度>250.5μg/m3)的环境.Li等[20]发现1998年至2016年全球大陆PM2.5暴露人口占全球总人口的56.0%.传统的PM2.5人口暴露风险研究多以行政区为研究单元,虽然在行政单元上可以考虑人口性别、教育程度和收入等社会经济因素,但这类数据在用于估算空气污染物的实时暴露风险时,存在一定的局限性,因为它们只是将每个人口普查区块的人口视为一个同质实体,无法深入研究污染人口暴露的空间异质性.遥感因其宏观、动态、客观、周期性强等优势,为在不同时空尺度上开展环境监测和污染分布及人口暴露风险评估提供了良好的数据源[21].基于遥感的暴露风险分析能够更直观地识别区域内部差异,从而为提出差别化、针对性的应对措施提供了依据[22].

基于以上原因,本文利用2000～2016年全球PM2.5与人口分布遥感反演数据,采用暴露风险模型、趋势分析和稳定性分析等方法,在像元尺度上研究全球PM2.5人口暴露风险的时空格局演变特征,并准确识别出PM2.5人口高暴露风险区域,分析PM2.5人口暴露的稳定性,探寻暴露风险的时空演变规律,以期全面系统地揭示PM2.5人口暴露状况,为减缓大气污染、改善人居环境提供科学参考.相较于前人研究,本研究以遥感为数据源,结果可落实到空间栅格上,分辨率高,可视化效果好;采用长时间序列卫星产品,保证了结果的连续性、客观性和可比较性.

1 数据与方法

1.1 数据来源

PM2.5质量浓度遥感数据来自于MODIS/MISR和SeaWiFS气溶胶光学厚度(AOD)联合反演得到的全球逐年PM2.5格网产品(http://earthdata.nasa.gov),时间序列为2000～2016年,空间分辨率为0.01º×0.01º.人口格网数据为LandScan全球人口格网数据,获取自https://landscan.ornl.gov,空间分辨率约1km.LandScan数据通过收集各国高精度的人口普查数据、道路、坡度、土地覆盖、夜间灯光和城市密度数据,利用GIS技术和高分辨率遥感影像模拟人口空间分布,并利用建筑区、居民点等人口相关指示因子进行模拟结果的校核和验证,确保了数据精度.世界境界线矢量底图来自于自然资源部标准地图服务网站,根据审图号为GS(2016)1665号的世界地图绘制,底图无修改.

1.2 研究方法

1.2.1 PM2.5人口暴露风险计算 PM2.5人口暴露风险指数可以评估空间子单元内的暴露状况[23]:

式中:是格网号;R表示格网内的PM2.5人口暴露风险指数值;POP是格网内的人口数;C是格网内的PM2.5浓度值;是研究区内的格网数之和,这里指全球格网总数之和.

1.2.2 趋势分析 Theil-Sen Median趋势分析可以模拟每个栅格的变化趋势,能客观地反映长时间序列PM2.5人口暴露风险的演化趋势.计算公式为[24]:

式中:S是拟合方程的斜率;R是第年的暴露风险指数值;R是第年的暴露风险指数值.当S>0,表示PM2.5人口暴露风险呈增长趋势;反之,表示PM2.5人口暴露风险呈减小趋势.

Mann-Kendall检验是一种非参数统计检验的方法,用来判断趋势的显著情况.计算公式为[25]:

设定时间序列{R},=2000, 2001, …, 2016,定义统计量为:

其中,

其中,

式中:为统计变量;()是的方差;R和R分别表示像元第和年的PM2.5人口暴露风险值;表示时间序列的长度;sgn()为符号函数.当|Z|>1-α/2时,表明在水平上存在显著变化.本文判断在=0.05置信水平上暴露风险在时间序列上的显著性[26].

1.2.3 遥感数据的精度检验 为全面客观地评价本文使用的PM2.5数据精度,采用遥感预测值和地面监测值之间的2、和指标评价PM2.5遥感数据的精度.具体含义和计算方法如下:

式中:PM2.5为遥感数值;PM2.5为地面站点监测值;为建模数据集记录总数.

2 结果与讨论

2.1 全球PM2.5和人口遥感数据的精度检验

通过海量文献搜索的方式获得了全球210个PM2.5地面环境监测站点数据,经交叉验证显示验证点处的估算值和实测值一致性较好(2=0.81)[27].但是,该产品估算时是以欧美地区的实测数据构建模型的,对于其他地区的适用性并没有进行说明,加之这些科研团队和学者没有公布更加详细的验证数据,如和等,该数据在全球的精度有待验证.PM2.5数据是本文的基础数据,为确保PM2.5遥感数据的可靠性,分别选取了中国、欧盟和加拿大为验证区域,对2016年三个区域的年平均PM2.5进行匹配验证.选择验证点时,以空间分布均匀为基本原则,从而保证PM2.5遥感数据的检验结果客观可靠.从选取的29个国家共2899个PM2.5监测站点中,筛选出有效的验证数据442组,其空间分布如图1所示,对其进行精度检验.

2016年中国共有监测站点1542个,本文在空间上均匀且随机地选取了验证点230个,将遥感数据与地面实测数据进行匹配验证,在<0.01水平上,2=0.7264,MPE=8.09%,RMSE=10.387μg/m3.欧盟境内共有PM2.5监测站点1327个,从中均匀随机地选取180个验证点,2=0.798,MPE=1.57%, RMSE=2.685μg/m3.加拿大共有30个监测站点,主要分布在南部,从中选取验证点12个,经验证,2= 0.7408,MPE=0.876%,RMSE=1.144μg/m3.将三个区域的PM2.5验证结果进行对比发现,欧盟的2最高,加拿大次之,中国的2最低;加拿大的MPE和RMSE最优,欧盟次之,中国最差.总体来看,本文所使用的的PM2.5遥感数据精度满足研究需求,精度较好.

为验证LandScan全球人口格网数据的精度,选取世界银行公布的全球各个国家人口总和数据对其进行精度检验.使用GIS空间分区统计工具,统计了每个国家的人口总量,并和世界银行公布的人口总和数据进行对比验证.本文从世界银行数据库下载了2016年全球每个国家的人口总和,使用ArcMap10.4的区域统计工具,统计了LandScan的各个国家人口总和,通过与世界银行统计数据进行匹配验证,发现精度良好,<0.001水平下,2=0.99,平均偏差仅为2.43%,可以满足本研究需要.

2.2 全球PM2.5和人口空间分布格局

从图2可知,2000～2016年全球PM2.5平均浓度在空间上呈亚洲最高、非洲较高、欧洲较低和其他大洲极低的分布状态,分别为亚洲14.7μg/m3、非洲8.1μg/m3、欧洲8.03μg/m3、南美洲5.69μg/m3、北美洲4.41μg/m3、大洋洲1.27μg/m3.PM2.5现状值(2016年)分别为亚洲16.6μg/m3、非洲9.15μg/m3、欧洲8.9μg/m3、南美洲5.66μg/m3、北美洲3.6μg/m3、大洋洲1.34μg/m3.可以直观地发现亚洲的PM2.5污染程度远超其他大洲,尤其以印度和中国最为严重.中国的PM2.5浓度高值区分布在东部,17年间的平均浓度约30μg/m3,超过WHO的第三级健康标准约15μg/m3.PM2.5浓度的高值区主要分布在东北平原中部和以北京-上海-常德为顶点所围成的三角形区域内,这些地区地形平坦,工业发达,产业集群化程度高,人口密集,大气污染较严重.东北平原中部的PM2.5浓度整体变化趋势为增加,而以北京-上海-常德为顶点所围成的三角形区域的变化趋势为先增加再减少,2008年,PM2.5浓度最高且污染范围最广,2008年以后PM2.5浓度明显下降.南亚的PM2.5高值区主要分布在印度和孟加拉国.印度的PM2.5呈现出逐步增加的趋势,多年均值为33.36μg/m3,到2016年达到最大值41.05μg/m3.东南亚地区的PM2.5也呈现出不断增大的趋势,其中印度尼西亚和泰国的17年平均值分别为7.36μg/m3、27.76μg/m3,印度尼西亚的PM2.5增长尤为剧烈,泰国的PM2.5多年均值和现状值均极高.非洲的PM2.5在空间上呈现出中部高、南北低,西部高东部低的分布状态,高值区主要分布在几内亚湾附近.非洲的PM2.5多年变化趋势为缓慢增加,增加的区域主要位于中部和南部区域.

北美洲PM2.5年均值维持在较低水平,17年PM2.5平均浓度为4.4μg/m3,其中美国为6.9μg/m3,加拿大为2.73μg/m3,多年PM2.5变化呈现出逐步减少的趋势.南美洲PM2.5年均值浓度为5.69μg/m3,略高于北美.欧洲地区PM2.5变化则呈现出先增加再减少的趋势.大洋洲PM2.5常年维持在极低水平,平均值为1.34μg/m3,现状值为10.6μg/m3.

从2000～2016年均全球人口空间分布可知(图3),人口在空间上呈亚洲最高、非洲和欧洲次之、南北美洲较低和大洋洲最低的分布状态.全球人口持续增长的国家主要分布在非洲,持续减少的国家主要分布在欧洲.人口基数最大的是亚洲,庞大的人口消耗着大量的资源和能源,资源与能源加工生产造成了大量的PM2.5排放,严重的PM2.5污染又反作用于人类,影响着人类的身体健康.非洲人口增长速度极快.

图3 2000～2016年全球人口空间分布

2.3 全球PM2.5人口暴露风险分布格局

将PM2.5人口暴露风险分为7个级别:极安全、安全、较安全、一般、较危险、危险和极危险[28],详细划分标准如表1所示.

表1 PM2.5人口暴露风险级别划分

2.3.1 总体分布格局 全球年均PM2.5人口暴露风险呈逐年减少的趋势,由于全球不同地区的工业化和消费水平差异显著,PM2.5人口暴露风险呈现出明显的空间差异(图4).PM2.5人口暴露风险的高值区分布在人口密度大且经济快速增长的地区和国家,包括中国、印度、东南亚各国、非洲尼罗河流域和几内亚湾沿岸、西欧等地,PM2.5人口暴露风险极低值区主要分布在自然条件恶劣,不适宜人类生产发展的高原、高寒、沙漠、热带雨林等地区,如青藏高原、格陵兰岛、东西伯利亚平原、撒哈拉大沙漠、亚马逊河等.全球PM2.5人口暴露风险在空间上呈亚洲最高(5.94)、非洲次高(0.62)、欧洲、南美洲和北美洲次之(分别为0.45、0.32和0.27),大洋洲最低(0.01)的分布状态.以2016年为例,PM2.5人口高暴露风险(暴露风险等级为高风险与极高风险)状态下的全球各国家人口总量在空间上呈亚洲和美洲高,欧洲、非洲和大洋洲低的分布状态.高暴露风险下的人口总量³1亿的国家包括中国、印度、美国、印度尼西亚、巴西、巴基斯坦、尼日利亚和孟加拉国,暴露人口总量³5000万且<1亿人的国家包括俄罗斯、墨西哥、日本和埃及.2016年全球高暴露风险状态下的人口密度³200人的国家包括印度、日本、韩国、孟加拉国、荷兰、卢旺达和布隆迪,人口密度³100且<200人km2的国家有13个,包括英国、德国、瑞士、比利时、意大利、巴基斯坦、尼泊尔、朝鲜、越南、菲律宾、多米尼加、萨尔瓦多和尼日利亚.

为便于分析,将2000～2016年每隔4a统计,PM2.5浓度均值从10～45μg/m3,每隔5μg/m3分级,计算超过各级限值的人口累计百分比(图5),结果发现超过各级限制的暴露人口累计百分比在2000～2008年有明显增大的趋势,2012年显著回落,2016年又有所回升.2000年全球有73.82%的人口生活在PM2.5浓度年均值为10μg/m3以上的环境中,有12.59%的人口所生活的环境PM2.5浓度平均值在35μg/m3以上,还有6.26%的人口生活在PM2.5浓度平均值在45μg/m3以上.2016年,全球仍有75.72%的人口生活在PM2.5浓度年均值为10μg/m3以上的环境中,27.51%的人口所生活的环境PM2.5浓度平均值在35μg/m3以上,18.8%的人口暴露在PM2.5浓度平均值在45μg/m3以上.

2.3.2 分区域空间分布特征 从图6可以发现亚洲的PM2.5人口暴露风险远远超过其他大洲,17年的暴露风险均值为5.94,属于极危险级别.中国PM2.5人口暴露风险高的区域主要分布在东部地区,平均值为3.21,达到了较危险水平.中国PM2.5人口暴露风险变化趋势为先增加后减少,PM2.5浓度最高且污染范围最广是2008年,2008年之后暴露风险逐渐降低.日本年均暴露风险值为4.48,属于危险等级,高暴露风险区主要分布在东部沿海地区.南亚的印度、孟加拉国和巴基斯坦东部区域是PM2.5人口暴露极危险区,且呈逐年增加的趋势,2016年的风险值达到最大.这三个国家的17年均PM2.5人口暴露风险分别为24.03、79.03和8.75.东南亚地区是全球范围内又一PM2.5人口暴露风险高值区,越南、泰国、柬埔寨、缅甸、印度尼西亚暴露风险均值分别为8.44、5.89、2.03、2.25、2.76.2000～2016年东南亚地区的PM2.5人口暴露风险呈现出不断增加的趋势,其中中南半岛的增长幅度最大.中国和印度人口众多,研究时段内都处于经济飞速发展的阶段,形成了印度北部、东部和中国华北、华东等高暴露风险地区.日本重工业主要布局于东部沿海地区,其PM2.5人口暴露风险处于极高风险级别,但17年间的变化幅度不大.

图5 全球PM2.5暴露水平超过各极限值的人口百分比

图6 亚洲PM2.5人口暴露风险空间分布

非洲的PM2.5人口暴露风险17年均值为0.62,暴露风险等级为较安全,在空间上呈现出南高北低的空间分布格局,PM2.5人口暴露风险高值区主要集中在5个区域,分别为几内亚湾沿岸北部、埃及境内的尼罗河沿岸和三角洲、埃塞俄比亚、环维多利亚湖和南非的比勒陀利亚地区(图7).这5个区域是非洲经济较繁荣的地区,人类活动频繁,工业发展速度快,形成了高暴露风险区.撒哈拉沙漠暴露风险等级为极安全,但这个地区对于人口个体来说是非常危险的.埃及的PM2.5人口暴露风险均值为1.08,但尼罗河流域的PM2.5人口暴露风险等级为极危险.几内亚湾是世界石油储量最丰富的地区之一,尼日利亚以石油开采和加工为支柱的产业经济造成了严重的大气污染,埃及的尼罗河流域、埃塞俄比亚和维多利亚湖周围人口众多,采掘业和加工业形成了一定规模,但污染治理无法跟进,人口暴露风险很高.

图7 非洲PM2.5人口暴露风险空间分布

图8 欧洲PM2.5人口暴露风险空间分布

欧洲PM2.5人口暴露风险均值为0.45,仅次于亚洲和非洲.比利时、意大利、德国、英国、波兰、法国和乌克兰的PM2.5人口暴露风险较高,年均风险值分别为5.35、3.63、3.42、2.81、2.76、1.58和1.29,PM2.5人口暴露风险的变化趋势为先增加再减少,2000～ 2006年逐渐增加,2006年之后开始缓慢减少,其中PM2.5人口暴露风险高值区是以各国的首都为中心呈点状分布(图8),这与郑军关于2006～2014年欧盟28国PM2.5呈下降趋势的研究结论一致[29].欧洲的工业和制造业发达,且总体已进入后工业化时代,虽然个别地区工业型城市的暴露风险仍较严重,但整体变化趋势是减少的.

南美洲人口总量少,密度低,人口主要分布在西北和东南沿海一带的区域,故PM2.5人口暴露风险低,以极安全和安全为主.暴露级别为危险与极危险的区域只零星分布在亚马孙河口三角洲、巴西东部和、阿根廷的内格罗河与科罗拉河流域.北美洲PM2.5人口暴露风险水平较低,以极安全和安全级别为主.北美工业化程度整体较高,工业污染少,人口密度小,墨西哥、美国和加拿大的PM2.5人口暴露风险均值分别为1.27、0.41和0.03,现状暴露风险值为0.98、0.3和0.02,多年暴露均值和现状暴露值均较低.北美洲高暴露风险区以特大城市呈团簇状分布,2000～2016年,PM2.5人口暴露风险变化呈现出逐步减少的趋势.大洋洲PM2.5人口暴露风险维持在极安全和安全级别.近年来,在澳大利亚中部、南部和新西兰的暴露风险在逐渐增加,沙尘引起的PM2.5浓度较高.此外,该地区桉树发生火灾后释放大量的可吸收颗粒物,使得PM2.5人口暴露风险增加[30].

2.4 PM2.5人口暴露时空变化特征

2.4.1 暴露风险线性变化趋势 利用Theil-Sen Median和Mann-Kendall方法刻画PM2.5人口暴露在时间序列上的显著性变化.当>0时,表明PM2.5人口暴露在时间序列上呈增加趋势.当<0时,PM2.5人口暴露则呈减少趋势.对检验结果的值分别进行分级,将值的绝对值结果按照显著性分为极显著变化(||>2.58)、显著变化(1.96<||£2.58)、弱显著变化(1.65<||£1.96)和无显著变化(0<||£1.65)4个等级[26,31].将值与||值重分类后再进行同像元叠加,得到全球PM2.5人口暴露线性变化趋势(图9).

图9 全球PM2.5人口暴露线性变化趋势

由图9可见2000～2016年全球PM2.5人口暴露风险整体上呈增加趋势,极显著增加的区域主要分布在亚洲和非洲,显著增加的区域分布在极显著增加的周围,极显著减少的区域主要分布在西欧和美国.亚洲极显著增长幅度大的区域主要为南亚、中国东北、青藏高原、帕米尔高原、里海地区和东南亚其中中南半岛增长幅度最大.非洲的变化特征以极显著增加为主,主要包括刚果、赞比亚、安哥拉、坦桑尼亚、赞比亚、南非、马达加斯加岛、尼日尔南部、尼日利亚北部、布基纳法索、乍得西部和阿尔及利亚中部地区等,显著增加与弱显著增加的区域环绕在极显著增加区域的周围,非洲极显著减少的区域分布在几内亚湾北部、西撒哈拉、埃及和利比亚.

北美洲的变化趋势呈两极化.美国以极显著减少为主要变化特征,而加拿大西部和中部地区呈现出大范围的极显著增加区.南美洲变化特征以增加为主,减少的区域极少,变化趋势为极显著增加的区域包括亚马孙河口三角洲、巴西东部、阿根廷的内格罗河与科罗拉河流域.欧洲基本上均为显著减少区.澳大利亚中部和西南部出现了极显著增加区.

2.4.2 PM2.5人口暴露风险时间变化 由图10可知,各大洲变化差异显著.亚洲呈增长趋势,其暴露风险值明显高于其他大洲,最低值在2000年,暴露风险值为3.55,最高值出现在2008年,暴露值为3.87.非洲的暴露风险值也呈增加趋势,最低值为2009年的0.33,最高值为0.45.欧洲和北美洲呈减少趋势,欧洲和北美洲的暴露风险最高值均出现在2000年,分别为0.39和0.24,最低值分别为2008年的0.23和2016年的0.13.大洋洲和南美洲暴露风险值较低且变化也较小,尤其大洋洲的暴露风险值始终维持在极低的状态.

图10 2000～2016年全球年均PM2.5人口暴露风险时间变化

2.5 讨论

传统的PM2.5人口暴露风险是基于行政单元进行研究,时空连续性方面存在缺陷.研究依赖于人口普查数据和环境监测站点的PM2.5数据,是基于行政单元进行分析,忽视了其内部的空间异质性,以行政单元为主体研究PM2.5人口暴露风险,割裂了空间单元,不利于宏观上的污染物防治[32-33].然而,对于环境监控网络来说,要获取空间连续的监测值,在全球尺度是难以实现的,而对于人口普查数据来说,可信度虽高,但10年或更长时间更新一次的时间分辨率不仅无法满足实时变化的暴露风险研究,还不能与PM2.5数据相匹配.该研究以遥感手段,基于栅格量化了PM2.5人口暴露风险.分析了宏观尺度、长时间序列的PM2.5浓度和PM2.5人口暴露风险的变化.从全球宏观视角分析了PM2.5人口暴露现状,识别高暴露风险区,剖析高暴露污染的时空变化规律,探究了各国高暴露的原因,为降低暴露风险和跨国跨区域大气污染联动治理提供时空连续的基础数据.许多发展中国家受经济条件和国情需要,PM2.5监测历史较短,例如,中国2012年大气环境监测系统才将PM2.5的浓度值纳入监测指标体系,此前全国PM2.5监测处于空白,且无公开历史数据[34].2000～2016年长时间序列的PM2.5人口暴露分析,弥补了部分国家缺失的数据.该研究采用了目前可获取的更高空间分辨率的PM2.5和人口分布栅格数据,基于栅格尺度,利用污染物人口暴露风险法、Theil-Sen Median和Mann-Kendall等方法,客观地刻画PM2.5、人口、PM2.5人口暴露风险的时空格局,准确掌握高暴露风险区域,还可以直观地测度各空间栅格在空间单元整体PM2.5人口暴露中的贡献大小.

本文PM2.5人口暴露风险指数是结合PM2.5空间分布与人口空间分布的综合指数,其风险程度由二者共同决定,撒哈拉与塔克拉玛干等沙漠地区,有时受大风沙尘天气影响PM2.5浓度较高,但自然条件恶劣,人迹罕至,几乎无人类活动和经济活动,故暴露风险级别是安全的,但这些区域的瞬时暴露对于人口个体来说依然是非常危险的.受数据获取的限制,缺少日、月和季节平均的PM2.5和人口数据,因此无法分析PM2.5人口暴露的日、月和季节差异.此外,可获取的人口栅格数据缺少属性,故无法区分不同年龄、不同职业的人口暴露风险差异.

3 结论

3.1 全球PM2.5时空格局具有显著差异.PM2.5污染最严重的区域是印度和中国东部,污染持续增长的区域主要分布在印度和东南亚.人口在空间上呈亚洲最高、非洲欧洲次之、南北美洲较低和大洋洲最低的分布状态.全球人口持续增长的国家主要分布在非洲,持续减少的国家主要分布在欧洲.

3.2 全球PM2.5人口暴露风险存在显著的时空差异.全球PM2.5人口暴露风险在宏观尺度上呈逐渐减少的趋势,空间上呈亚洲最高、非洲次高、欧洲较低和其他大洲极低的分布状态.PM2.5人口暴露风险的高值区分布在中国、印度、东南亚等经济高速发展且人口密集的区域,而PM2.5人口暴露风险极低值区主要分布在高山、高寒、沙漠、热带雨林等人迹罕至,开发程度极低的区域.极显著增加的区域主要有亚洲、非洲、南美洲和加拿大西部,极显著减少的区域主要有美国和西欧.

[1] Ott W R. Concepts of human exposure to air pollution [J]. Environment International, 1982,7(3):179-196.

[2] Gakidou E, Afshin A, Abajobir A A, et al. Global, regional, and national comparative risk assessment of 84 behavioural, environmental and occupational, and metabolic risks or clusters of risks, 1990～2016: a systematic analysis for the Global Burden of Disease Study 2016 [J]. The Lancet, 2017,390(10100):1345–1422.

[3] Stanaway J D, Afshin A, Gakidou E, et al. Global, regional, and national comparative risk assessment of 84 behavioral, environmental and occupational, and metabolic risks or clusters of risks for 195 countries and territories, 1990～2017: a systematic analysis for the Global Burden of Disease Study 2017 [J]. Lancet, 392(2018):1923– 1994,10.1016/s0140-6736(18)32225-6.

[4] WHO. Ambient (outdoor) air quality and health. World Health Organization; 2018-05-02. http://www.who.int/mediacentre/factsheets/ fs313/en/.Accessed 9Sept 2019.

[5] Hajat A, Allison M, Diez-Roux A V, et al. Long-term exposure to air pollution and markers of inflammation, coagulation, and endothelial activation: A repeat-measures analysis in the multi-ethnic study of atherosclerosis (MESA) [J]. Epidemiology, 2015,26(3):310-320.

[6] Zhang L L, Pan J H. Estimation of PM2.5mass concentrations in Beijing–Tianjin–Hebei Region based on GWR and spatial downscaling method[J]. Journal of the Indian Society of Remote Sensing, 2020,48(12):1691-1703.

[7] Nansai K, Tohno S, Chatani S, et al. Affluent countries inflict inequitable mortality and economic loss on Asia via PM2.5emissions [J]. Environment International, 134:105238.

[8] 慕 航,何 超,阮秋明,等.“一带一路”沿线国家PM2.5污染与人口暴露风险的时空分布特征[J]. 环境科学学报, 2021,41(6):2229-2240.

Mu H, He C, Ruan Q M, et al. Spatiotemporal distribution characteristics and population exposure risks to PM2.5in countries along the Belt and Road [J]. Acta Scientiae Circumstantiae, 2021,41(6):2229-2240.

[9] Zhang Q, Jiang X, Tong D, et al. Transboundary health impacts of transported global air pollution and international trade [J]. Nature, 543(7647):705-709.

[10] Hamra G B, Guha N, Cohen A, et al. Outdoor particulate matter exposure and lung cancer: a systematic review and meta-analysis [J]. Environmental Health Perspect, 2014,122(9):906–911.

[11] Pope C A, Brook R D, Burnett R T, et al. How is cardiovascular disease mortality risk affected by duration and intensity of fine particulate matter exposure? An integration of the epidemiologic evidence [J]. Air Quality, Atmosphere & Health, 2010,4(1):5-14.

[12] Stafoggia M, Cesaroni G, Peters A. Long-term exposure to ambient air pollution and incidence of cerebrovascular events: Results from 11European cohorts within the ESCAPE project [J]. Environ. Health Perspect, 2014,122(9):919-925.

[13] Saraswat A, Kandlikar M, Brauer M, et al. PM2.5population exposure in New Delhi using a probabilistic simulation framework [J]. Environmental Science & Technology, 2016,50(6):3174-3183.

[14] Han L, Zhou W, Pickett S, et al. Risks and causes of population exposure to cumulative fine particulate (PM2.5) pollution in China [J]. Earth's Future, 2019,7(6):615–622.

[15] Saini P, Sharma M. Cause and age-specific premature mortality attributable to PM2.5exposure: An analysis for million-plus Indian cities [J]. Science of The Total Environment, 2019,710:135230.

[16] Wu W, Yao M, Yang X, et al. Mortality burden attributable to long- term ambient PM2.5exposure in China: using novel exposure-response functions with multiple exposure windows [J]. Atmospheric Environment, 2020,246(10):118098.

[17] Yang B Y, Qianmin Z, Howard S W, et al. Global association between ambient air pollution and blood pressure: A systematic review and meta-analysis [J]. Environmental Pollution, 2018,235:576-588.

[18] Han L, Zhou W, Li W, et al. Global population exposed to fine particulate pollution by population increase and pollution expansion. Air Quality Atmosphere & Health, 2017,10:1221–1226.

[19] Roberts G, Wooster M J. Global impact of landscape fire emissions on surface level PM2.5concentrations, air quality exposure and population mortality [J]. Atmospheric Environment, 2021,(4):118210.

[20] Li J M, Han X L, Jin M J, et al. Globally analysing spatiotemporal trends of anthropogenic PM2.5concentration and population's PM2.5exposure from 1998 to 2016 [J]. Environment International, 2019,128:46-62.

[21] Zhang L L, Pan J H. Estimation of PM2.5mass concentrations in Beijing–Tianjin–Hebei Region based on geographically weighted regression and spatial downscaling method [J]. Indian Society of Remote Sensing. 2020,48(12):1691–1703.

[22] 张亮林,潘竟虎.中国PM2.5人口暴露风险时空格局[J]. 中国环境科学, 2020,40(1):1-12.

Zhang L L, Pan J H. Spatial-temporal pattern of population exposure risk to PM2.5in China [J].China Environmental Science, 2020,40(1):1-12.

[23] 邹 滨,彭 芬,焦利民,等.高分辨率人口空气污染暴露GIS空间区划研究[J]. 武汉大学学报(信息科学版), 2013,38(3):334-338.

Zou B, Peng F, Jiao L M, et al. GIS aided spatial zoning of high- resolution population exposure to air pollution [J]. Geomatics and Information Science of Wuhan University, 2013,38(3):334-338.

[24] Sen P K. Estimates of the regressions coefficient based on Kendall’s tau [J]. Journal of the American Statistical Association, 1968,63(324): 1379-1389.

[25] Kendall M G. Rank correlation methods [J]. British Journal of Psychology, 1955,25(1):86-91.

[26] 张永年,潘竟虎.基于DMSP/OLS数据的中国碳排放时空模拟与分异格局[J]. 中国环境科学, 2019,39(4):1436-1446.

Zhang Y N, Pan J H. Spatio-temporal simulation and differentiation pattern of carbon emissions in China based on DMSP/OLS nighttime light data [J]. China Environmental Science, 2019,39(4):1436-1446.

[27] Zhang Y L, Cao F. Fine particulate matter PM2.5in China at a city level [J]. Scientific Reports, 2015,5(1):14884.

[28] 别 同,韩立建,田淑芳,等.城市化对空气污染人群暴露贡献的定量方法研究[J]. 生态学报, 2018,38(13):4570-4583.

Bie T, Han L J, Tian S F, et al. Method for quantifying the contribution of urbanization on population exposure to air pollution [J]. Acta Ecologica Sinica, 2018,38(13):4570-4583.

[29] 郑 军,袁 钰.欧洲大气污染防治经验及对我国的启示[J]. 环境保护, 2017,45(18):64-66.

[30] Kolbe A, Gilchrist K L. An extreme bushfire smoke pollution event: Health impacts and public health challenges [J]. New South Wales Public Health Bulletin, 2009,20(2):19-23.

[31] 徐建华.现代地理学中的数学方法[M]. 北京:高等教育出版社, 2016:133-136.

Xu J H. Mathematical methods in contemporary geography [M]. Beijing: Higher Education Press, 2016:133-136.

[32] 李名升,任晓霞,于 洋,等.中国大陆城市PM2.5污染时空分布规律[J]. 中国环境科学, 2016,36(3):641-65.

Li M S, Ren X X, Yu Y, et al. Spatiotemporal pattern of ground-level fine particulate matter (PM2.5) pollution in mainland China [J]. China Environmental Science,2016,36(3):641-650.

[33] 黄晓军,祁明月,李艳雨,等.关中地区PM2.5时空演化及人口暴露风险[J]. 环境科学, 2020,41(12):5245-5255.

Huang X J, Qi M Y, Li Y Y, et al. Spatio-temporal Evolution and Population Exposure Risk to PM2.5in the Guanzhong Area [J]. Environmental Science, 2020,41(12):5245-5255.

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

Spatial-temporal pattern of population exposure risk to PM2.5in Global.

ZHANG Liang-lin, PAN Jing-hu*

(College of Geography and Environmental Science, Northwest Normal University, Lanzhou 730070, China)., 2021,41(11)：5391～5404

Based on PM2.5remote sensing data and population grid data, the spatial-temporal distribution characteristics of global population exposure risk to PM2.5from 2000 to 2016 were analyzed by using exposure risk model. Theil-Sen Median, Mann-Kendall, and the high-risk areas were accurately identified. The results show that PM2.5remote sensing data and population grid data had good accuracy. China, European Union and Canada were selected to verify the PM2.5mass concentrations and population grid data with good accuracy. The global average PM2.5mass concentrations varies significantly among different continents, and the high-value PM2.5pollution regions are mainly distributed in East Asia, South Asia and Southeast Asia. The annual mean PM2.5mass concentrations ranged from 14.7μg/m3in Asia, 8.1μg/m3in Africa, 8.03μg/m3in Europe, 5.69μg/m3in South America, 4.41μg/m3in North America and 1.27μg/m3in Oceania, respectively. The population exposure risk to PM2.5in the world showed a gradually decreasing trend in the macro scale, while it showed a different trend in the region. In terms of spatial scale, the population exposure risks to PM2.5in all continents rank from high to low in Asia, 0.62 in Africa, 0.45 in Europe, 0.32 in South America, 0.27 in North America and 0.01 in Oceania. Time series, global population exposure risk to PM2.5is significantly different from 2000 to 2016 years. Asia and Africa showed an increasing trend, Europe and North America showed a decreasing trend, Oceania and South America showed a small range of change.

PM2.5；population exposure risk；spatial-temporal evolution；Global

X511

A

1000-6923(2021)11-5391-14

张亮林(1993-),男,甘肃庆阳人,西北师范大学硕士研究生,主要从事大气环境遥感方面的研究.发表论文6篇.

2021-04-02

国家自然科学基金资助项目(41661025,42071216)

* 责任作者, 教授, panjh@nwnu.edu.cn