中國1998—2012年PM2.5時空分布與能源消耗總量關系研究

徐超, 王云鵬, 黎麗莉

?

中國1998—2012年PM2.5時空分布與能源消耗總量關系研究

徐超1,2,3, 王云鵬1,*, 黎麗莉1

1. 中國科學院廣州地球化學研究所, 廣州 510640 2. 中國科學院大學, 北京 100049 3. 中國科學院廣州能源研究所, 廣州 510640

基于1998—2012年中國PM2.5濃度遙感數(shù)據(jù), 在對中國PM2.5時空分布特征進行分析的基礎上, 引入地理信息科學空間相關矩陣方法分析中國PM2.5時空分布與能源消耗總量等時空分布的空間相關性。基于省級尺度, 運用灰色理論中的灰色相關方法, 對PM2.5和能源消耗指標進行相關分析, 結果表明: (1)中國歷史的PM2.5空間分布與人口分布、地形特征有著密切的關系, 胡煥庸線成為中國PM2.5空間分布的東西界限。(2)整體來看, 中國PM2.5的年際變化上, 具有雙增長單下降的區(qū)域特征: 兩個快速增長區(qū)域(年均增長率大于3.5%)分別為PM2.5高值區(qū)域——北部沿海以及PM2.5相對低的東北地區(qū)。下降區(qū)域則為西北地區(qū)。2007年前后是中國大部分省PM2.5濃度增長的拐點, 但并沒有形成高值區(qū)域快速下降的趨勢。(3)從國家尺度上看, 中國PM2.5分布與單位面積煤炭消耗分布呈現(xiàn)強烈正相關性, 與單位面積能源消耗總量分布呈正相關, 與單位面積石油消耗分布沒有體現(xiàn)出明顯的相關性。(4)從省級尺度上看, 各省PM2.5濃度與能源消耗存在明顯正相關性, 但各省PM2.5濃度受能源種類消耗的影響程度不一致。綜合來看, 中國PM2.5濃度較高的區(qū)域, 受能源消耗種類的影響, 呈現(xiàn)“北煤南油”以及“東油西煤”的規(guī)律。

PM2.5; 時空分布; 能源消耗; 灰色關聯(lián)

1 引言

PM2.5是指環(huán)境空氣中空氣動力學直徑小于或等于2.5微米的顆粒物, 也稱細顆粒物。他能顯著降低大氣的能見度, 是大氣灰霾的主要污染物。國內外研究[1–4]表明直達人體肺部的PM2.5會對人體健康產生較大危害。隨著中國經濟迅速發(fā)展, 能源消耗的迅速增長, 灰霾污染成為突出的環(huán)境問題, 引起社會和公眾的廣泛關注。2016年1月正式開始實施的中國新版《環(huán)境空氣質量標準》(GB3095—2012)[5]將PM2.5納入控制指標。

目前國內外側重基于地面監(jiān)測數(shù)據(jù)的PM2.5相關模擬和分析研究[6–8]。由于我國PM2.5監(jiān)測站點起步晚, 大范圍長時間的數(shù)據(jù)缺失嚴重, 利用監(jiān)測數(shù)據(jù)難以厘清我國歷史PM2.5時空分布特征。衛(wèi)星遙感數(shù)據(jù)以其覆蓋范圍廣、時間長的優(yōu)勢促進了近年來利用氣溶膠研究PM2.5模式的發(fā)展[9–13]。無論是地面監(jiān)測模式還是氣溶膠模式, 對PM2.5組分和成因研究一直是學界熱點[14–16]。大量研究[17–21]表明能源消耗是影響大氣質量關鍵因素之一, 但目前針對PM2.5與能源消耗直接關系研究甚少。并且研究多基于單個區(qū)域、省或市進行分析, 得出的結論具有地域限制性。中國地域廣闊, 省市之間的地理面積、能源消耗規(guī)模、能源消耗結構都不盡相同, 各省區(qū)的PM2.5與能源消耗關系存在明顯差異。

為更全面了解中國PM2.5歷史時空分布特征以及與能源消耗的關系, 本文利用1998—2012年中國PM2.5濃度遙感數(shù)據(jù)和能源消耗歷史數(shù)據(jù), 在對PM2.5時空分布特征進行刻畫的基礎上, 運用灰色相關理論, 對其與能源消耗的關系進行了分析, 期望得出具有地域針對性的有利于PM2.5控制的能源消耗政策建議和參考。

2 研究數(shù)據(jù)與方法

2.1 研究數(shù)據(jù)與處理

正如引言所述, 為了厘清我國歷史PM2.5時空分布特征, 本文采用等人利用、和氣溶膠厚度數(shù)據(jù)通過S—傳輸模型反演的近地面PM2.5遙感濃度數(shù)據(jù)[22]。時間跨度從1998—2012年, 每三年形成PM2.5平均濃度數(shù)據(jù), 分辨率為0.1o×0.1o, 空間分辨率對應為10 km×10 km。表明該系列數(shù)據(jù)相對之前發(fā)布的2001—2010年全球PM2.5年均濃度數(shù)據(jù), 精度更高, 可應用于環(huán)境和健康相關研究[23]。[24]和馬宗偉[25]在利用氣溶膠反演PM2.5長期平均濃度時, 要求區(qū)域單元至少有50個PM2.5估算值。中國省級尺度上, 上海市地理面積最小, 為6.3×103km2, 達到63個估算值。因此利用的1998—2012年PM2.5濃度數(shù)據(jù)滿足中國省級尺度的研究。為了佐證中國PM2.5分布與地形間聯(lián)系, 采用中國1 km分辨率的DEM(Digital Elevation Model)數(shù)據(jù)(數(shù)據(jù)來源于“黑河計劃數(shù)據(jù)管理中心”), 見圖1, 該數(shù)據(jù)基于30米分辨率高程數(shù)據(jù)重采樣。

文章采用的能源消耗數(shù)據(jù)包括能源消耗總量、煤炭消耗總量和石油消耗總量, 其中石油消耗總量中的石油包含原油以及原油制品。數(shù)據(jù)主要來源于《中國能源統(tǒng)計年鑒》, 局部缺失數(shù)據(jù)由《新中國60年統(tǒng)計資料匯編》、《中國統(tǒng)計年鑒》以及各地方統(tǒng)計年鑒中數(shù)據(jù)補充。所有數(shù)據(jù)均折算為噸標準煤單位后, 再進行其他相關指標的計算。由于數(shù)據(jù)缺失等原因, 研究區(qū)域包括中國大陸的30個省份(不包括港澳臺地區(qū)和西藏地區(qū))。能源消耗數(shù)據(jù)則采用單位面積能耗指標。

2.2 研究方法

為了定量分析中國PM2.5時空分布與能源消耗相關指標時空分布在空間上是否具有相關性, 本文引入地理信息科學當中的空間相關矩陣來進行空間分布相關的度量。空間相關矩陣是研究具有共同空間范圍的柵格圖層之間的相關系數(shù)[26–28],計算出的相關系數(shù)可以度量空間柵格圖層的依賴關系, 空間相關矩陣計算公式如1所示, 計算結果范圍為[-1, 1]。當相關系數(shù)大于0.5時, 表明柵格圖層所代表的指標之間具有正相關性, 折射到空間分布上, 表明具有相似的空間分布; 相關系數(shù)為小于- 0.5時, 則表明指標之間具有高的負相關性, 折射到空間分布上, 表明指標空間分布呈相反態(tài)勢。

圖1 中國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——中國PM空間分布與能源消耗指標空間分布的相關系數(shù);—中國PM空間分布柵格圖層數(shù)據(jù)(省級尺度平均濃度分布);—能源消耗總量指標空間分布柵格圖層數(shù)據(jù)(省級尺度單位面積能源消耗總量分布; 省級尺度單位面積煤炭消耗總量分布; 省級尺度單位面積石油消耗總量分布);——對應圖層像元均值;——像元個數(shù);v——圖層第個像元值; v——圖層第個像元值;——圖層標準偏差。

在度量PM2.5時空分布與能源消耗相關指標時空分布相關性基礎上, 基于省級尺度, 引入灰色相關理論, 定量分析省級尺度的PM2.5濃度與能源消耗之間的關系。1982年, 中國學者鄧聚龍發(fā)表第一篇中文論文《灰色控制系統(tǒng)》標志灰色系統(tǒng)學科的誕生[29]。之后的三十多年來, 灰色系統(tǒng)中的灰色相關、灰色聚類以及灰色預測等被廣泛應用于各種研究[30–31], 國內也有利用灰色關聯(lián)分析大氣質量與能源消耗的研究[32–33]。其中灰色關聯(lián)度分析方法是根據(jù)因素之間發(fā)展態(tài)勢的相似或相異程度來衡量因素間關聯(lián)的程度, 揭示事物動態(tài)關聯(lián)的特征與程度。對樣本數(shù)量沒有過分要求, 也不要求樣本數(shù)據(jù)具有典型的分布規(guī)律[34]。灰色關聯(lián)計算方法自鄧聚龍?zhí)岢龌疑P聯(lián)度之后也一直在被革新和發(fā)展中。目前常用的絕對關聯(lián)度、相對關聯(lián)度、綜合關聯(lián)度、斜率關聯(lián)度、C型關聯(lián)度、B型關聯(lián)度、T型關聯(lián)度等[35]。本文從PM2.5和能源消耗序列數(shù)據(jù)曲線的幾何相似以及增長速度相似兩個角度出發(fā), 選擇可以同時度量這兩種相關的綜合關聯(lián)度方法進行分析。數(shù)據(jù)均采用均值化的無量綱處理, 即除以本身序列數(shù)據(jù)的平均值。

綜合關聯(lián)度計算方法如下:

本研究中,0為1998—2012年每三年PM省級平均濃度均值, 共13列數(shù)據(jù)組成的數(shù)列;X為1998—2012年每三年單位面積能源消耗相關指標的均值, 共13列數(shù)據(jù)組成的數(shù)列。是考慮增量相關和增長速度相關的權重, 本文均衡考慮PM和能源消耗的增量和增長速度相關, 因此取值為0.5。

3 結果與分析

3.1 中國PM2.5分布的空間特征

圖2運用遙感分布數(shù)據(jù)顯示了1998—2012年每三年中國PM2.5平均濃度分布。從圖中可以清晰看出, 中國PM2.5空間分布呈現(xiàn)不均勻特點。

從地理區(qū)域來看, PM2.5濃度高的區(qū)域位于北部沿海地區(qū)(山東、河北、北京、天津)、黃河中游(陜西、河南、山西、內蒙古)地區(qū)的東南部、東部沿海地區(qū)(上海、江蘇、浙江)北部、長江中游地區(qū)(湖南、湖北、江西、安徽)北部以及西南地區(qū)(廣西、云南、貴州、四川、重慶)的四川東部和重慶西部。其中以北部沿海地區(qū)的河北南部和山東西部, 黃河中游的河南北部三者形成的區(qū)域受PM2.5污染最嚴重, 1998—2012年每三年的PM2.5平均濃度極大值均出現(xiàn)在此區(qū)域, 且都超過100 μg·m–3。西北地區(qū)(甘肅、青海、寧夏、西藏、新疆)的西藏、青海, 以及西南地區(qū)的云南、黃河中游的內蒙古北部、東北地區(qū)(遼寧、吉林、黑龍江)的黑龍江西北部以及南部沿海(廣東、福建、海南)的海南是PM2.5濃度低值區(qū)域。從圖中還可以看出新疆中部存在PM2.5的高值區(qū), 這主要是新疆中部的塔克拉瑪干大沙漠的沙塵導致[23], 與人類活動關系較小。

表1分別統(tǒng)計了1998—2012年每三年胡煥庸線(由中國地理學家胡煥庸在1935年提出的劃分我國人口密度的對比線)切割中國分為東部和西部的PM2.5濃度值。從中可以看出, 胡煥庸線以東即人口分布密集的區(qū)域, 歷年PM2.5濃度遠高于人口分布稀疏的胡煥庸線西邊地區(qū), 且胡煥庸線以東區(qū)域的PM2.5濃度上升趨勢明顯。從圖2也可以看出, 胡煥庸線成為中國PM2.5分布的東西界限, 最明顯的對比可以從四川PM2.5分布來看, 胡煥庸線與四川省PM2.5分布高低界線幾乎完全重合。

將中國1 km分辨率DEM重采樣至10 km, 分別統(tǒng)計本研究時間序列內不同高程所對應的PM2.5濃度如表2所示。高程劃分依據(jù)為地形類型以及我國各地形類型對應的高程, 其中高程低于200 m大部分為平原, 大于700 m為山地, 200—700 m大部分為丘陵也包含四川盆地,見圖3。

表2 的結果表明, PM2.5分布與地形有密切的關系。高程低于200 m區(qū)域的PM2.5濃度相對最高, 高程介于200和700 m的區(qū)域PM2.5濃度次之, 但也明顯高于大于700 m山地區(qū)域。從圖2也可以看出中國PM2.5高濃度區(qū)域都是位于平原或盆地, 而高原、丘陵地區(qū)PM2.5明顯相對較低。如北部沿海地區(qū)PM2.5濃度高低界線與燕山山脈界線相近。以同時位于東部沿海地區(qū)的上海、江蘇和浙江為例, 三地區(qū)經濟發(fā)展水平相當, 但從圖中看出丘陵分布廣的浙江PM2.5濃度明顯低于上海和江蘇。

地理區(qū)域的形成、人口的分布其實與地形特征都存在相互關系, 他們共同影響和作用了中國PM2.5的空間分布。因此可以推測與人口分布、經濟發(fā)展密切相關的能源消耗的空間分布也會對PM2.5的空間分布產生重要影響。

3.2 中國PM2.5的年際變化特征

從中國PM2.5平均濃度分布變化的空間展示來看, 2010—2012年PM2.5的高值范圍相對1998—2001年, 有了明顯的擴大, 表明90年代末開始中國PM2.5污染情況明顯嚴重。為了表達清晰, 圖3分地理區(qū)域列出了各省(市、自治區(qū))1998—2012年每三年PM2.5濃度均值統(tǒng)計變化。

表1 胡煥庸線東西部PM2.5濃度

圖2 中國1998—2012年每三年PM2.5平均濃度遙感分布圖

圖3 中國不同高程區(qū)域

表2 不同高程對應的PM2.5濃度

圖表中看出八大區(qū)域內部的大部分省(市、自治區(qū))PM2.5變化趨勢相同, 區(qū)域之間變化趨勢有明顯區(qū)別。除了西北地區(qū)的省(市、自治區(qū))、云南、海南和內蒙古PM2.5增長不明顯, 其他省區(qū)PM2.5都呈上升趨勢, 尤其在PM2.5高值區(qū)域, 上升趨勢明顯。在本研究的時間序列間, 北部沿海地區(qū)的北京、天津、河北、山東PM2.5年均增長率分別達3.94%、3.95%、3.52%和3.84%, 東部沿海的上海年均增長率為4.13%, 均位于全國前列。西北地區(qū)的甘肅、青海、寧夏、新疆則分別為-1.74%、-0.58%、-1.24%和-2.23%。值得注意的是, 東北地區(qū)的遼寧、吉林、黑龍江年均增長率分別達4.51%、5.49%和3.74%, 南部沿海的廣東、西南地區(qū)的廣西達4.00%、4.83%。這些地區(qū)PM2.5污染狀況沒有高值區(qū)嚴重, 但PM2.5增長迅速。整體來看, 中國PM2.5的年際變化上, 具有雙增長單下降的區(qū)域特征: 兩個快速增長區(qū)域(年均增長率大于3.5%)分別為PM2.5高值區(qū)域——北部沿海以及PM2.5相對低的東北地區(qū)。單下降區(qū)域則為西北地區(qū)。

PM2.5濃度呈上升趨勢的省(市、自治區(qū))的變化趨勢線, 大部分到2007—2009年間呈現(xiàn)高點平臺, 之后呈穩(wěn)定趨勢。以2006—2008年三年均值為分界點, 除PM2.5濃度下降的西北地區(qū)省(市、自治區(qū))以外, 其他的省(市、自治區(qū))的PM2.5濃度年均增長率均比整個時間序列的年均增長率高2—3個百分點。而2006—2008年之后, 除了北京、遼寧、吉林、黑龍江、四川、貴州、云南分別以0.16%、0.50%、1.14%、0.38%、0.84%、0.49%、2.43%年增長率增長以外, 其他所有省(市、自治區(qū))均實現(xiàn)PM2.5濃度的下降, 其中以福建(-4.16%)、上海(-3.14%)下降速度最快, 而天津、河北、山東的下降速度明顯緩于同時期的其他地區(qū), 并且遠不及自身2006—2008年之前的增長速度。總體分析, 中國大部分地區(qū)PM2.5高速增長期位于2007年(或2008年)之前, 2007年前后是PM2.5濃度增長的拐點。雖然有拐點出現(xiàn), 但并沒有形成高值區(qū)域快速下降的趨勢, 因此高值區(qū)域尤其是北部沿海地區(qū)降低PM2.5污染的形勢仍然十分嚴峻。

3.3 中國PM2.5與能源消耗的空間相關分析

圖5, 6, 7分別顯示了中國單位面積能源消耗總量、單位面積煤炭消耗總量和單位面積石油消耗總量的時空分布。與中國PM時空分布進行可視化的對比, 可以看出中國單位面積能源消耗總量和單位面積煤炭消耗總量的高值區(qū)域分布與PM高值區(qū)域分布具有相似性, 均位于北部沿海地區(qū); 單位面積石油消耗總量的重心明顯偏于東部, 高值區(qū)域沿中國東部界限分布, 與中國PM2.5分布相異。表3為利用空間相關矩陣計算歸一化后的中國PM2.5省級平均濃度數(shù)據(jù)和單位面積能耗指標數(shù)據(jù)的空間相關系數(shù)。從中可以看出, 中國PM2.5分布與單位面積煤炭消耗分布呈現(xiàn)強烈正相關性, 與單位面積能源消耗總量分布呈正相關, 與單位面積石油消耗分布沒有體現(xiàn)出明顯的相關性。因此, 在國家尺度上, 控制能源消耗總量, 尤其是煤炭消耗總量是降低PM2.5的有力措施。

表3 PM2.5分布與能源消耗指標分布的空間相關系數(shù)

3.4 省級尺度PM2.5與能源消耗的灰色關聯(lián)

中國各省經濟發(fā)展水平、歷史背景和地理區(qū)域等都存在較大的差異性。對于省級尺度的PM2.5與能源消耗的關系, 未必與國家尺度的相似。為了更好的探討省級尺度的兩者關系, 引入灰色理論進行分析。從內蒙古、四川兩省的PM2.5濃度區(qū)域統(tǒng)計來看, 兩省的省級平均濃度位于全國的中等水平, 與PM2.5遙感分布圖相比, 丟失了省內分布有PM2.5高值區(qū)域的特征, 統(tǒng)計數(shù)據(jù)并沒能很好的表征他們的空間分布特征。在基于省級尺度的相關分析時, 為了抵消這種效應, 采用對PM2.5濃度數(shù)據(jù)進行人口加權處理[36]。運用的人口分布數(shù)據(jù)是由哥倫比亞大學全球地球科學信息中心提供的2000年, 2005年, 2010年全球人口分布數(shù)據(jù)(1 km×1 km), 在本文中重采樣至10 km×10 km, 與PM2.5濃度數(shù)據(jù)匹配。2001—2003年以及之前的PM2.5濃度數(shù)據(jù)基于2000年人口數(shù)據(jù)加權, 2002—2004年均值濃度到2005—2007年數(shù)據(jù)基于2005年人口加權, 剩下的基于2010年人口加權。

式中: (PM2.5)——人口加權PM2.5濃度;—網格數(shù); PM2.5i——網格內PM2.5濃度;P——網格內人口數(shù)

經過人口加權處理區(qū)的絕大部分省(市、自治區(qū))的PM2.5濃度相對大氣PM2.5算數(shù)平均濃度明顯提高, 尤其是四川、河北、北京、陜西四省, 平均提高37%、43%、44%、43%, 佐證PM2.5與人口分布的密切相關性。各省(市、自治區(qū))的人口加權PM2.5濃度與能源消耗指標的灰色關聯(lián)度如表4和圖8所示。

本研究的中國30個省(市、自治區(qū))的PM2.5與能源消耗總量、煤炭消耗總量、石油消耗總量指標的關聯(lián)度均大于0.5, 表明PM2.5與能源消耗存在相關關系。其中, 北京、天津、上海、遼寧、安徽、廣西的PM2.5與能源消耗總量相關度均在0.85以上, 表現(xiàn)出強烈的相關性。天津、遼寧、黑龍江、廣西、青海PM2.5與煤炭消耗相關度達0.90以上, 表明他們的PM2.5與煤炭消耗有著直接密切的相關; 北京、上海、安徽、廣東四省的PM2.5與石油消耗相關度均在0.9左右, 表明他們的PM2.5與石油消耗高度相關。

雖然各省(市、自治區(qū))的PM2.5與能源消耗指標都存在著明顯的相關性, 但細致分析可以發(fā)現(xiàn), 不同省(市、自治區(qū))的煤炭、石油的灰色關聯(lián)序并不一致, 表明各省(市、自治區(qū))PM2.5受能源種類的影響程度有差異。河北、內蒙古、浙江、湖南、陜西、寧夏六省各自PM2.5與煤炭、石油消耗的關聯(lián)度相差不大, 可以認為他們省內PM2.5受煤炭消耗和石油消耗相等影響, 在應對PM2.5控制時, 煤炭、石油的節(jié)能需要進行等同考慮。山西、天津、黑龍江、吉林、遼寧、重慶、四川、湖北、江西、廣西、青海、貴州、云南十三省的PM2.5與能源消耗相關中, 煤炭消耗的相關性大于石油消耗, 需要注意煤炭消耗的控制, 著重進行能源消耗結構中煤炭消耗的調整。北京、上海、安徽、廣東、江蘇、河南、山東、福建、甘肅、新疆、海南的石油消耗關聯(lián)度要大于煤炭消耗, 表明控制石油消耗的來源是解決PM2.5持續(xù)增長的有力措施。

從區(qū)域分析, 得出PM2.5污染嚴重的北部沿海地區(qū), 北京、山東需要著重控制石油消耗, 天津則要加快煤炭消耗的降低, 河北則需雙管齊下。黃河中游PM2.5濃度高的山西, 需要加快煤炭消耗的控制, 同樣需要控制的還有西南地區(qū)的四川、重慶和廣西, 以及與接壤的湖北。PM2.5同樣嚴重的東部沿海地區(qū)的上海, 江蘇以及長江中游的安徽, 需要與北京類似, 加快降低石油消耗的步伐。對于東北地區(qū), PM2.5與煤炭消耗關系密切相關, 需要引起重視, 進行能源消耗結構的調整。南部沿海地區(qū)明顯石油消耗對PM2.5影響更大, 調整能源結構時應該考慮石油消耗的下降。綜合起來看, 中國PM2.5濃度較高的區(qū)域, 受能源消耗種類的影響, 呈現(xiàn)“北煤南油”以及“東油西煤”的規(guī)律。

表4 PM2.5濃度與能源消耗指標的灰色關聯(lián)度

4 結論與討論

通過對中國PM2.5時空分布特征的刻畫以及與能源消耗的灰色相關分析, 得出以下結論:

(1)中國歷史的PM2.5空間分布與人口分布、地形特征有著密切的關系, 胡煥庸線成為中國PM2.5空間分布的東西界限。PM濃度高的區(qū)域位于北部沿海地區(qū)(山東、河北、北京、天津)、黃河中游(陜西、河南、山西、內蒙古)地區(qū)的東南部、東部沿海地區(qū)(上海、江蘇、浙江)北部、長江中游地區(qū)(湖南、湖北、江西、安徽)北部以及西南地區(qū)(廣西、云南、貴州、四川、重慶)的四川東部和重慶西部, 均位于平原或盆地, 而高原、丘陵地區(qū)PM2.5較低。

(2)中國PM2.5高值區(qū)域從90年代末期開始, 呈明顯擴張趨勢。整體來看, 中國PM2.5的年際變化上, 具有雙增長單下降的區(qū)域特征: 兩個快速增長區(qū)域(年均增長率大于3.5%)分別為PM2.5高值區(qū)域——北部沿海以及PM2.5相對低的東北地區(qū)。單下降區(qū)域則為西北地區(qū)。中國大部分省(市、自治區(qū))PM2.5高速增長期位于2007年(或2008年)之前, 2007年前后是PM2.5濃度增長的拐點。雖然拐點出現(xiàn), 但并沒有形成高值區(qū)域快速下降的趨勢, 表明高值區(qū)域尤其是北部沿海地區(qū)降低PM2.5污染的形勢仍然十分嚴峻。

(3)從國家尺度上看, 中國PM2.5分布與單位面積煤炭消耗分布呈現(xiàn)強烈正相關性, 與單位面積能源消耗總量分布呈正相關, 與單位面積石油消耗分布沒有體現(xiàn)出明顯的相關性。因此, 在國家尺度上, 控制能源消耗總量, 尤其是煤炭消耗總量是降低PM2.5的有力措施。

圖4 中國1998—2012年PM2.5濃度變化圖

圖5 中國單位面積能源消耗總量分布

圖6 中國單位面積煤炭消耗總量分布

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

圖7 中國單位面積石油消耗總量分布

圖8 中國PM2.5濃度與能源消耗指標的灰色關聯(lián)度分布圖

(4)從省級尺度上分析, 各省市、自治區(qū))PM2.5濃度與能源消耗指標均存在明顯相關性, 但各省(市、自治區(qū))PM2.5濃度受能源種類消耗的影響程度不一致。以山西、天津、四川、東北三省為代表的省(市、自治區(qū))PM2.5濃度受煤炭消耗影響更大; 以北京、上海、廣東、安徽為代表的省(市、自治區(qū))PM2.5濃度受石油消耗影響更大。綜合起來看, 中國PM2.5濃度較高的區(qū)域, 受能源消耗種類的影響, 呈現(xiàn)“北煤南油”以及“東油西煤”的規(guī)律。因此應對PM2.5污染治理, 能源政策的制定需要因地制宜。

影響PM2.5濃度分布與增長的因素很多, 本文著重探討了與能源消耗總量因素的相關性。由于數(shù)據(jù)限制,2.5濃度數(shù)據(jù)時間分辨率較粗, 下一步將挖掘典型區(qū)域, 進行更高分辨率數(shù)據(jù)支撐的分析。同時也將繼續(xù)深入探討PM2.5與能源消耗行業(yè)的關系。

[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] 饒莉, 陳銳凱, 錢寬等. 武漢市PM2.5的健康損失評價[J].中國農學通報, 2016, 11: 161–166.

[5] 國家環(huán)境保護部. 環(huán)境空氣質量標準(試行)[S]. 中華人民共和國國家環(huán)境保護標準(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] 黃亞林, 劉超, 曾克峰, 等. 2013—2014 年武漢市 PM2.5的時空分布特征及其與氣象條件的關系[J].生態(tài)環(huán)境學報, 2015, 24(8): 1330–1335.

[8] 王振波, 方創(chuàng)琳, 許光, 等. 2014 年中國城市 PM2.5濃度的時空變化規(guī)律[J]. 地理學報, 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 identify-cation 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 environ-mental implications in urban transport—Case of Delhi[J]. Atmospheric Environment, 1996,.30(3): 403-412.

[18] 陶俊, 柴發(fā)合, 朱李華, 等. 2009年春季成都城區(qū)碳氣溶膠污染特征及其來源初探[J]. 環(huán)境科學學報, 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, PARV-EZ A. Environmental Kuznets curve in Romania and the role of energy consumption[J]. Renewable and Sustai-nable 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 Appli-cations 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 parti-culate matter concentrations from staellite-based aerosol optical depth: development and application[J]. Environ-mental HeathPrespectivers, 2010, 118–847.

[25] 馬宗偉. 基于衛(wèi)星遙感的我國PM2.5時空分布研究[D].南京: 南京大學, 2015.

[26] 吳秀芹, 等. ArcGIS 9地理信息系統(tǒng)應用與實踐[M]. 北京: 清華大學出版社, 2007

[27] 徐建華. 現(xiàn)代地理學中的數(shù)學方法[M]. 北京: 高等教育出版社, 2002.

[28] 施益強, 王堅, 張枝萍. 廈門市空氣污染的空間分布及其與影響因素空間相關性分析[J]. 環(huán)境工程學報, 2014, 12(8): 5406–5412.

[29] 鄧聚龍.灰色控制系統(tǒng)[J]. 華中工學院學報, 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 Applica-tions, 2016, 62: 284–292.

[31] 張勇, 趙冰. 灰度關聯(lián)分析結合支持向量機用于近紅外光譜研究[J]. 光譜學與光譜分析, 2013, 33(2): 363–366.

[32] 柴寧, 趙濤, 林濤. 我國各行業(yè)能源消耗與碳排放的灰色關聯(lián)度分析[J]. 生態(tài)經濟, 2012, 9: 105–106.

[33] 黃坤, 王哲, 何紅利. 新疆能源消耗量與環(huán)境質量的關聯(lián)分析[J], 國土與自然資源研究, 2009, 1: 45–46.

[34] 劉思峰, 楊英杰, 吳利豐, 等. 灰色系統(tǒng)理論及其應用[M]. 北京: 科學出版社, 2015.

[35] 周秀文. 灰色關聯(lián)度的研究與應用[D]. 長春: 吉林大學, 2007.

[36] 伏晴艷, 闞海東. 城市大氣污染健康危險度評價的方法人口加權的大氣污染暴露評價_續(xù)四[J]. 環(huán)境與健康雜志, 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

A

1008-8873(2018)01-108-13

10.14108/j.cnki.1008-8873.2018.01.015

2017-02-28;

2017-04-1

區(qū)域生態(tài)環(huán)境變化及快速城市化對水質水量的影響及對策(2012BAH32B03-4)

徐超(1985—), 女, 安徽安慶人, 博士, 主要從事環(huán)境科學研究, E-mail: xuchao@ms.giec.ac.cn

王云鵬, 男, 博士, 研究員, 主要從事環(huán)境科學研究, E-mail: wangyp@gig.ac.cn

徐超, 王云鵬, 黎麗莉. 中國1998—2012年PM2.5時空分布與能源消耗總量關系研究 [J]. 生態(tài)科學, 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.