珠三角地區PM2.5濃度估算及其健康效應評估

蔡清楠,車揚子,孫凌瑜,3,田佳欣,4,房德琳,陳 彬,羅 明

1 北京師范大學地理科學學部,北京 100875 2 中山大學地理科學與規劃學院,廣州 510275 3 武漢大學測繪遙感信息工程國家重點實驗室,武漢 430079 4 中國科學院地理科學與資源研究所資源與環境信息系統國家重點實驗室,北京 100101 5 北京師范大學環境學院,北京 100875

大氣污染嚴重威脅公眾健康,是呼吸道疾病和心腦血管疾病的主要誘因之一,已成為全球性問題[1- 4]。直徑≤2.5μm的細顆粒物(Fine Particle Matter, PM2.5)是導致霧霾的主要根源,PM2.5能通過呼吸系統被人體直接吸入,并通過循環系統到達其他器官,嚴重危害人體健康[5- 7]。PM2.5的長期暴露成為主要的公共健康風險因素[8],且年長者(特別是>65歲者)更易于受PM2.5污染的影響[9- 11]。2015年,PM2.5暴露導致全球約420萬人(95% CI: 370—480)的超額死亡,占全球死亡總人口數的7.6%,PM2.5成為2015年全球第五大死亡風險因子[12]。改革開放以來,中國經濟實現騰飛,與此同時面臨空氣污染的巨大挑戰,城市出現以PM2.5為首要污染物的空氣污染問題[13- 14],PM2.5的長期暴露成為中國第四大健康風險因素,2015年中國PM2.5相關過早死亡人口高達110萬[12]。珠三角地區是全國經濟發達地區,區域因快速發展而導致的空氣污染問題愈發嚴峻,同時,由于外來人口大量涌入,珠三角地區人口規模龐大,尤其是中心地區人口高度密集,因此,空氣污染對區域人群的健康威脅巨大。2000年以來,珠三角地區已相繼提出并實施多項空氣污染治理政策[15],并于2013年首次將PM2.5作為常規污染物監測項目。在此背景下,厘清珠三角地區PM2.5濃度及其健康效應的時空演變特征具有重要意義。

由于PM2.5實時監測站點空間分布不均且觀測時間短,學者常通過空氣質量模型模擬、利用遙感反演得到的氣溶膠光學厚度(Aerosol Optical Depth, AOD)產品進行估算,以獲得連續空間覆蓋的近地面PM2.5歷史濃度數據[16-17]。利用AOD產品估算PM2.5濃度的統計模型,從簡單的回歸模型向更高級的地理加權回歸、線性混合效應等模型發展[18],后來引入對非線性關系具有超強擬合的機器學習算法,因其提高了模型的估算精度而被廣泛應用[19-20]。在此基礎上,學者采用空間統計模型、重力模型、空間自相關分析等方法探討PM2.5的時空分布特征[21- 23],同時采用相關性分析、地理探測器、對數平均迪氏指數分解等方法探討影響PM2.5濃度的驅動因素[24- 26],研究表明PM2.5濃度的空間變化是自然因素和人為因素共同作用的結果。在機器學習算法的應用中,相比于其他模型,隨機森林(Random Forest, RF)通過確定每個節點的預測變量數和每個決策樹的數目來獲得最優估計[20, 27],同時提供各變量影響PM2.5濃度變異的重要性指標,更合理地解釋了PM2.5濃度的變化特征[28],可以通過調整參與模型構建的參數,獲得更精確的PM2.5濃度估算結果[29-30]。

定量評估空氣污染帶來的健康損失,關鍵在于將空氣質量的變化和人群健康效應終端(死亡率、患病率、住院率等)的變化聯系起來,建立“暴露-響應”關系函數。在流行病學研究中,常采用“時間序列”和“病例交叉”研究方法評估大氣污染的短期健康效應,采用“隊列研究”方法評估大氣污染的長期健康效應,研究結果是構建“暴露-響應”關系模型,基于模型可以評估大氣污染對人體健康的影響。其中,針對PM2.5污染的長期健康效應,對應的“暴露-響應”關系模型經歷了“簡單線性模型-對數線性模型-綜合暴露反應模型(Integrated Exposure-Response, IER)-全球暴露死亡模型(Global Exposure Mortality Model, GEMM)”的發展歷程。2014年,Burnett等在全球流行病學研究結果的基礎上考慮了室內人群主動吸煙、二手煙和家庭燃料情形下的流行病學研究,提出IER模型,用以估算全球PM2.5相關疾病負擔[31]。2018年,在IER模型的基礎上,Burnett等應用全球16個國家針對人體長期暴露在室外PM2.5污染下的健康危害的41項流行病學研究結果(包含中國隊列研究),嘗試放松IER模型的強制假設,進一步優化室外PM2.5污染模擬,提出GEMM模型[32]。學者常基于健康效應模型,分析PM2.5污染對人體健康的影響,并通過構建情景模擬,預測當PM2.5濃度降低至某空氣質量標準后,區域可獲得的健康效益[15, 33-34]。

珠三角地區積極實施空氣污染治理政策,但區域PM2.5濃度及其健康效應的時空演變特征尚不清楚,城市之間的差異仍有待進一步探索。基于此,本研究利用2014—2018年珠三角地區56個空氣質量監測站點(圖1)對應的PM2.5歷史濃度和多種影響因素數據,構建隨機森林模型,估算2000—2018年各監測站點的PM2.5年均濃度,采用克里金空間插值方法獲得PM2.5濃度的空間分布,應用GEMM模型核算PM2.5健康效應,探討珠三角地區PM2.5濃度及其健康效應的時空分布特征,以期為城市采取有效措施緩解PM2.5污染造成的健康影響提供科學參考,最終實現經濟效益的提升和區域的和諧發展。

圖1 珠三角地區空氣質量監測站點分布Fig.1 Distribution of the air quality monitoring stations in the PRDPRD: 珠三角地區The Pearl River Delta

1 材料與方法

1.1 數據來源與處理

本研究構建隨機森林模型估算長時間序列的PM2.5濃度,所需數據包括PM2.5地面監測站點的歷史濃度數據、氣象數據、歸一化植被指數(Normalized Differential Vegetation Index, NDVI)和社會經濟數據。(1)PM2.5歷史濃度監測數據來源于中國環境監測總站的全國城市空氣質量實時發布平臺,包括珠三角地區56個空氣質量監測站2014—2018年每小時的PM2.5濃度數據,在構建隨機森林模型前對數據進行處理,求得各監測站點逐月的PM2.5濃度。(2)氣象數據來源于愛荷華大學提供的全球陸地表面月度氣候和氣候水平衡數據(Terra Climate),其空間分辨率為2.5弧分(赤道約4.625km),本研究通過Google Earth Engine(GEE)平臺(https://earthengine.google.com/)分別計算提取月度、年度珠三角地區56個空氣質量監測站點對應的水汽壓、氣溫、風速和累積降水量4個氣象要素,獲得2014—2018年逐月平均數據以及2000—2018年逐年平均數據。(3)NDVI數據來源于Terra衛星中分辨率成像光譜儀MOD13Q1,V006版本數據,該衛星16 d過境一次,數據空間分辨率為250m。本研究通過GEE平臺計算提取珠三角地區56個空氣質量監測站點對應的NDVI值(NDVI, 0—1),獲得2014—2018年逐月平均數據及2000—2018逐年平均數據。(4)社會經濟數據包括人口密度和國內生產總值。人口密度數據來源于WorldPop網站(https://www.worldpop.org/)發布的100m×100m網格人口數據集,本研究在GEE平臺上計算提取,獲得珠三角地區56個空氣質量監測站點對應的2014—2018年逐月平均數據及2000—2018逐年平均數據。國內生產總值數據來源于中科院資源環境數據云平臺(http://www.resdc.cn/)提供的2000、2005、2010和2015年空間分辨率為1km×1km的中國GDP空間分布公里網格數據集,利用ArcGIS提取獲得珠三角地區56個空氣質量監測站點對應的國內生產總值,通過線性插值法獲取2000—2015年各站點逐年的GDP,并利用灰色預測法獲得2016—2018年各站點逐年的GDP。

本研究進一步采用GEMM模型核算PM2.5健康效應,所需數據包括PM2.5濃度空間分布數據、人口空間分布數據、疾病死亡人數和全國總人口數。(1)本研究基于隨機森林模型估算得到的2000—2018年珠三角地區空氣質量監測站點的PM2.5年均濃度數據,在ArcGIS中進行克里金空間插值和重采樣處理,獲得空間分辨率為1 km的珠三角地區PM2.5濃度空間分布數據。(2)人口空間分布數據來自于East View提供的由能源部橡樹嶺國家實驗室(ORNL)開發的LandScanTM全球人口數據集(LandScanTMGlobal Population Dataset, https://landscan.ornl.gov/)。該數據集基于1 km高分辨率GIS柵格和人口普查局國際項目中心提供的地方人口普查數據,描述24小時人口平均分布,空間人口分布精準且分辨率高(https://www.eastview.com/resources/e-collections/landscan/)。本研究根據珠三角地區的行政邊界,利用ArcGIS進行掩膜提取,獲得空間分辨率為1 km的珠三角地區2000—2018年人口空間分布數據(人/km2)。(3)疾病死亡人數來自于Global Burden of Disease(GBD)平臺(http://ghdx.healthdata.org/gbd-results-tool)提供的中國2000—2018年相關疾病不同年齡階段人群的總死亡人數。(4)全國總人口數來自于《中國統計年鑒》(2020年)(https://data.cnki.net/yearbook/Single/N2020100004)。

1.2 模型介紹

1.2.1隨機森林模型

隨機森林模型是由Breiman等人共同提出一種基于決策樹的集成機器學習算法[35],通過集成多個決策樹從而提高模型的預測精度,可用于解決分類和回歸問題。在回歸問題中,隨機森林通過計算變量的非線性作用,解決了一般回歸分析所面臨的多元共線性問題,體現變量間的交互作用,實現非線性回歸[36]。同其他回歸模型一樣,隨機森林回歸模型可以建立多個自變量(X1、X2、…、Xn) 與因變量Y之間的多元回歸模型[36]。首先需要收集多個自變量與因變量的對應數據,將上述數據按照一定比例分為訓練集和測試集,用訓練集訓練隨機森林模型,用測試集來估計模型對新數據的性能。隨機森林模型構建后,可以在自變量已知和因變量未知的情況下,將已知自變量的值輸入構建的隨機森林模型,對因變量的值進行估算。基于隨機森林回歸模型原理,本研究旨在構建包含累積降雨量、溫度、水汽壓、風速、NDVI、人口密度和國內生產總值等自變量參數的隨機森林回歸模型,以估算珠三角地區的PM2.5濃度。隨機森林模型的IncMSE(increase in mean squared error)指標對自變量進行隨機賦值,若自變量重要,則MSE(mean squared error)增加越多，可用于驗證各自變量在PM2.5濃度變異中的重要性,IncMSE值越大表明該自變量的重要性越大[28]。本研究構建的隨機森林模型可簡寫為：

PM2.5=RFpr,temp,vap,vs,NDVI,pop,GDP

(1)

式中,累積降水量pr(mm)、氣溫temp(℃)、水汽壓vap(kPa)、風速vs(m/s)、歸一化植被指數NDVI、人口密度pop(人/km2)和國內生產總值pop(萬元/km2)；PM2.5指的是因變量參數,即56個空氣質量監測站點對應的PM2.5濃度(μg/m3)。

為了充實數據集使模型具有更好的泛化性能,本研究首先采用2014—2018年珠三角地區56個空氣質量監測站點自變量和因變量的逐月數據構建隨機森林模型,進行多個自變量和因變量之間的多元回歸,再將2000—2018年各個自變量的年均數據帶入所構建的隨機森林模型中,用以估算2000—2018年各監測站點的PM2.5年均濃度。具體步驟如下：(1)將收集到的2014—2018年自變量和因變量的逐月數據,按照3：1的比例,隨機分成訓練集和測試集,采用R語言構建隨機森林回歸模型,使用決定系數(R2)和RMSE兩項指標來評估模型估算的PM2.5濃度和地面實測值之間的相關性,同時分析各自變量與PM2.5濃度之間的關系。(2)基于所構建的模型,采用2000—2018年各自變量的年均數據,估算珠三角地區56個空氣質量監測站點2000—2018年的PM2.5年均濃度。

1.2.2PM2.5暴露風險評估模型

PM2.5人口加權年均濃度又稱人口加權暴露水平,用以量化人群暴露于PM2.5污染環境中的時空差異[37],是反映地區PM2.5暴露水平的重要指標[15]。為了評估珠三角地區人群實際的PM2.5暴露風險,采用PM2.5人口加權年均濃度作為人群PM2.5暴露的表征,并比較PM2.5人口加權年均濃度和PM2.5算術年均濃度之間的差異。相關計算公式：

(2)

(3)

式中,Cpop表示PM2.5人口加權年均濃度,Cmean表示PM2.5算術年均濃度,i表示柵格影像的第i個像元,n表示柵格影像的像元數量,Ci和Pi分別表示第i個像元的PM2.5濃度和人口數[38-39]。

1.2.3GEMM模型

GEMM模型有GEMM 5COD和GEMM NCD+LRI兩種評估模型。GEMM 5COD考慮了以下五種疾病的獨立影響：缺血性心臟病、中風、慢性肺阻塞、肺癌和下呼吸道感染。GEMM NCD+LRI模型則綜合考慮了非意外死亡,包括所有非傳染性疾病和下呼吸道感染對健康的影響[32]。本研究以1km×1km的空間網格單元為核算單元,分別使用兩種評估模型,考慮13個不同年齡段人群對室外PM2.5污染的不同健康反應,進行珠三角地區PM2.5的健康影響評估,相關計算公式：

(4)

(5)

(6)

(7)

圖2 自變量重要性排序 Fig.2 The importance order of independent variables

2 結果分析

2.1 隨機森林模型估算結果

圖3 隨機森林模型估算結果Fig.3 Estimated results of random forest model

本研究根據①式,基于珠三角地區2014—2018年56個空氣質量監測站點的PM2.5濃度及7個自變量的逐月數據,構建隨機森林回歸模型。7個自變量在PM2.5濃度變異中的重要性評價如圖2所示,結果表明,NDVI、降水量和水汽壓是解釋珠三角地區中PM2.5濃度變化的前三個最重要變量。根據所構建的隨機森林模型,基于2000—2018年7個自變量的年均數據,估算獲得珠三角地區56個空氣質量監測站點2000—2018年的PM2.5濃度。(1)為評估隨機森林模型的估算精度,以2014—2018年實測的PM2.5濃度值為橫坐標,以2014—2018年估算的PM2.5濃度值為縱坐標,繪制散點圖如圖3所示,結果表明,模型在高值點位處的估算值較低于實測值,但估算值和實測值總體的符合情況較好,模型估算PM2.5濃度和地面實測值之間的R2為0.824,RMSE為2.898μg/m3,模型具有良好的學習能力,能夠有效估算PM2.5濃度。(2)為展現各自變量對模型估算結果影響的函數關系,本文繪制部分依賴圖(Partial Dependence Plot, PDP)如圖4所示,其原理在于改變單一自變量的值并控制其他自變量不變,繪制估算結果,從而獲得此變量變化所引起的估算變化。結果表明,PM2.5濃度隨降水量、溫度、風速和水汽壓的增加整體呈現下降趨勢,隨GDP、人口密度和NDVI的增加整體呈現上升趨勢。可見,累積降水量、溫度、風速和水汽壓等氣象因子對PM2.5濃度具有負向影響,GDP和人口密度等社會經濟因子對PM2.5濃度具有正向影響。

2.2 PM2.5濃度時空分布特征

以3年為間隔,選取2000—2018期間7個樣本年份,基于隨機森林模型估算獲得的各監測站點PM2.5濃度數據,采用克里金插值法進行空間插值,得到珠三角地區PM2.5濃度的空間分布情況如圖5所示,結合表1,結果表明：(1)時間上,2000—2006年珠三角地區PM2.5濃度整體呈現下降的趨勢,2009年后呈現增加的趨勢。具體而言,肇慶表現較為明顯,由2000年40.23μg/m3下降為2006年的36.65μg/m3,下降幅度為8.90%,2009年后濃度逐漸上升,2018年上升為41.30μg/m3,上升幅度為12.69%。而廣州和佛山的PM2.5濃度雖呈現波動狀態,但整體上表現為濃度上升,上升幅度分別為7.21%和7.07%；惠州的PM2.5濃度同樣呈現波動狀態,但整體上表現為濃度下降,下降幅度為3.43%。(2)空間上,珠三角地區PM2.5濃度的空間分布模式呈現“西北—東南”遞減空間分異,即自內陸向沿海方向,PM2.5濃度逐漸降低,其中廣州、佛山和肇慶PM2.5濃度較高,深圳和珠海的濃度較低。珠三角地區沿海城市風速較大,空氣擴散條件好,污染物易于擴散,PM2.5濃度較低,而遠離海洋的北部地區城市因山脈阻隔等原因,空氣擴散條件差,PM2.5濃度較高。因此,本研究結果驗證了前人研究,即受距海遠近和地形地勢等自然因素影響,相比內陸地區,空氣污染物在沿海地區更易于擴散[20, 40]。

圖4 各自變量對PM2.5濃度影響的隨機森林模型依賴性關系Fig.4 The partial dependence for estimated PM2.5 concentration based on several dependent variables

2.3 PM2.5暴露風險評估

2000—2018年期間,珠三角地區的PM2.5算術年均濃度在35μg/m3左右,呈現波動起伏狀態,其中肇慶、廣州和佛山的PM2.5算術年均濃度均未達到國家一級標準35μg/m3(表1)。

為量化人群暴露于PM2.5污染環境中的時空差異,探究珠三角地區人群實際的PM2.5暴露風險,本研究考慮人口密度和PM2.5濃度的空間關系,比較PM2.5人口加權年均濃度和PM2.5算術年均濃度之間的差異,若PM2.5人口加權年均濃度大于PM2.5算術年均濃度,則說明人口密度較大的地區具有較高的PM2.5濃度,該地區的人口密度和PM2.5濃度呈現明顯的空間匹配關系,反之,若PM2.5人口加權年均濃度小于PM2.5算術年均濃度,則說明人口密度較大的地區具有較低的PM2.5濃度,該地區的人口密度和PM2.5濃度未呈現明顯的空間匹配關系。

表1 2000—2018年珠三角地區各城市的PM2.5算術年均濃度和人口加權年均濃度

圖6 2000—2018年PM2.5人口加權年均濃度與PM2.5算術年均濃度的差值 (Δ=PM2.5人口加權年均濃度-PM2.5算術年均濃度)Fig.6 The difference between the population-weighted average PM2.5 concentration and the arithmetic average PM2.5 concentration during 2000—2018 (Δ= the population-weighted average PM2.5 concentration-the arithmetic average PM2.5 concentration)PPM2.5：PM2.5人口加權年均濃度Population-weighted average PM2.5 concentration；PM2.5：PM2.5算術年均濃度Arithmetic average PM2.5 concentration

圖7 2000—2018年珠三角地區PM2.5相關過早死亡人數(>25歲)Fig.7 Changes of PM2.5-related premature mortality (ages>25) in the PRD during 2000—2018LRI：下呼吸道感染,Lower Respiratory Infections；LC：肺癌；IHD：缺血性心臟病；COPD：慢性阻塞性肺病；Stroke：中風；NC：非傳染性疾病

珠三角地區PM2.5人口加權年均濃度與PM2.5算術年均濃度的差值結果如圖6所示,2000—2018年期間,珠三角地區的PM2.5人口加權年均濃度低于PM2.5算術年均濃度,表明區域內人口密度和PM2.5濃度未呈現明顯的空間匹配關系,人口密度較大的地區具有較低的PM2.5濃度,而人口密度較低的地區具有較高的PM2.5濃度,例如內陸城市化水平較低的肇慶人口密度較低但PM2.5濃度較高,而沿海城市化水平較高的深圳人口密度高但PM2.5濃度較低。珠三角地區各城市的具體情況如下：(1)廣州和東莞的PM2.5人口加權年均濃度均大于PM2.5算術年均濃度,江門和珠海的PM2.5人口加權年均濃度均小于PM2.5算術年均濃度,說明廣州和東莞的人口密度和PM2.5濃度在空間上高度匹配,人口密度較高的地區具有較高的PM2.5濃度,PM2.5人口暴露風險較大,江門和珠海則反之,PM2.5人口暴露風險較小。(2)2003年之前,肇慶、深圳和惠州的PM2.5人口加權年均濃度高于PM2.5算術年均濃度,以深圳表現最為明顯,此后,三個城市的PM2.5人口加權年均濃度小于PM2.5算術年均濃度,表明三個城市人口密度較高的地區所對應的PM2.5濃度有逐漸降低的趨勢,PM2.5人口暴露風險逐漸降低。(3)2012年之后,佛山和中山的PM2.5人口加權年均濃度高于PM2.5算術年均濃度,表明兩個城市人口密度較高的地區所對應的PM2.5濃度有逐漸增大的趨勢,PM2.5人口暴露風險逐漸增大。

2.4 PM2.5健康效應評估

圖8 2000、2009、2018年珠三角地區不同年齡群體的PM2.5相關過早死亡人數Fig.8 The PM2.5 age-specific premature mortality in 2000, 2009, 2018 in the PRD

圖9 2018年珠三角地區PM2.5濃度、人口、PM2.5相關過早死亡人口空間分布Fig.9 Distribution of PM2.5 concentration, population and the PM2.5-related premature mortality in the PRD in 2018

圖10 2018年珠三角地區各城市的PM2.5相關過早死亡人數(>25歲)Fig.10 The PM2.5-related premature mortality in the cities of PRD in 2018 (ages>25)

圖11 2018年珠三角地區各城市的PM2.5相關過早死亡人口分布(>25歲)Fig.11 The PM2.5-related premature mortality in the cities of PRD in 2018 (ages>25)

珠三角地區整體的PM2.5相關過早死亡人口數、不同年齡階段人群對應的PM2.5相關過早死亡人口數、PM2.5相關過早死亡人口的空間分布情況如圖7—9所示。結果表明：(1)2000—2018年期間,珠三角地區PM2.5相關過早死亡人口數不斷增加,由2000年的33.27千人增加到2018年的91.90千人(GEMM NC+LRI),其中年長者的PM2.5相關過早死亡人數較多。(2)針對GEMM 5COD估算模型中的特定疾病類型,中風(Stroke)和缺血性心臟病(IHD)是PM2.5污染所致過早死亡人口數最多的兩種疾病,而PM2.5污染所致的患有下呼吸道感染疾病(LRI)的死亡人數最少。2000、2003和2006年人群長期暴露于PM2.5環境中,因中風(Stroke)而過早死亡的人數最多,分別為9.69、17.27和17.50千人；此后,2009、2012、2015和2018年,人群長期暴露于PM2.5環境中,因缺血性心臟病(IHD)而過早死亡的人數最多,分別為19.12、25.89、28.67和31.33千人。2000—2018年期間,因缺血性心臟病(IHD)而過早死亡的人數的增長率最大(371.21%),因慢性阻塞性肺病(COPD)而過早死亡的人數的增長率最小(61.06%)。因此,本研究認為珠三角地區PM2.5污染對于缺血性心臟病(IHD)和中風(Stroke)的健康影響較顯著,而對于下呼吸道感染(LRI)的健康影響較弱,且PM2.5污染對于缺血性心臟病(IHD)的健康影響的程度逐漸增大。(3)珠三角地區PM2.5相關過早死亡人口與PM2.5濃度的空間分布差異顯著,PM2.5相關過早死亡人口不僅分布集中在PM2.5濃度較高的地區,也集中分布在人口密度較高的地區。例如廣州中心城區PM2.5濃度高且人口密度大,其PM2.5相關過早死亡人口密度是高PM2.5濃度和高人口密度共同作用的結果；此外,東莞、深圳和中山的PM2.5濃度較低,但由于人口密度較大而成為PM2.5相關過早死亡人口高值區,其PM2.5相關過早死亡人口密度主要是高人口密度作用的結果。

珠三角地區各城市的PM2.5相關過早死亡人數和空間分布情況如圖10—11所示。結果表明,東南沿海地區PM2.5濃度和人口密度較低的城市,對應的PM2.5相關過早死亡人數較少,諸如珠海和中山；PM2.5濃度和人口密度較高的城市對應的PM2.5相關過早死亡人數較多,主要集中在珠三角中心地區,尤其以廣州中心城區表現明顯；2018年廣州、東莞和深圳的PM2.5相關過早死亡人數分別位居珠三角地區前三。

3 結論與建議

本研究基于隨機森林模型估算2000—2018年珠三角地區空氣質量監測站點的PM2.5濃度,采用克里金插值法獲得PM2.5濃度的空間分布,并應用GEMM模型核算PM2.5長期暴露的健康效應,從時空角度揭示珠三角地區PM2.5濃度及其健康效應的時空演變規律。主要研究結論包括：

(1)本研究構建的隨機森林回歸模型具有較高的精準性,能夠有效估算PM2.5濃度,GDP、風速和NDVI是解釋PM2.5濃度變化的前三個最重要變量,降水量、溫度、風速和水汽壓等氣象因子對PM2.5濃度具有負向影響,GDP和人口密度等社會經濟因子對PM2.5濃度具有正向影響。

(2)2000—2018年期間,珠三角地區PM2.5濃度呈現自內陸向沿海遞減的空間特征,空氣污染物在沿海地區更易于擴散,PM2.5濃度較低,而遠離海洋的北部地區城市因山脈阻隔等原因,空氣擴散條件差,PM2.5濃度較高。整體上,珠三角地區的PM2.5人口加權年均濃度低于PM2.5算術年均濃度,PM2.5濃度和人口密度未呈現明顯的空間匹配關系。就城市而言,廣州城市化水平高,人口大量集聚,人口高度集聚區的社會經濟活力旺盛,在快速發展的同時帶來了PM2.5污染,使得人群面臨較高的PM2.5暴露風險；佛山的城市化和工業化進程加快,引起PM2.5等空氣污染物的大量排放,同時,社會經濟的快速發展引起人口集聚,導致人口高密度區具有較高的PM2.5濃度, PM2.5人口暴露風險增加；珠海的人口主要分布在香洲區,其作為典型的沿海地區,受風速等氣象條件的負向影響,PM2.5濃度較低,PM2.5人口加權濃度小于PM2.5年均算術濃度,因此具有較低的PM2.5人口暴露風險。

(3)2000—2018年期間,珠三角地區PM2.5污染對于缺血性心臟病(IHD)和中風(Stroke)的健康影響較顯著,而對于下呼吸道感染(LRI)的健康影響較弱,且PM2.5污染對于缺血性心臟病(IHD)的健康影響的程度逐漸增大。

(4)2000—2018年期間,在快速的城市化進程和人口老齡化趨勢下,珠三角地區PM2.5相關過早死亡人數逐漸增加,PM2.5相關過早死亡人口主要集中在PM2.5濃度和人口密度較高的地區,例如珠三角中心地區,尤其以廣州中心城區表現明顯。

據此,珠三角地區在實施空氣污染治理政策、提高醫療服務水平的同時,應關注城市人口結構,合理引導城市人口有序流動遷移,以盡可能減少因人口高度集聚而帶來巨大健康損失,進而提升地區經濟效益。針對不同城市可采取不同的應對措施,諸如針對高PM2.5濃度-低健康影響的肇慶,應注重城市發展模式,不斷提升產業結構以降低PM2.5污染水平；針對低PM2.5濃度-高健康影響的深圳,應注重引導城市的人口流動；針對高PM2.5濃度-高健康影響的廣州,不僅要注重城市發展模式以降低PM2.5濃度,同時要注重引導人口流動。在快速城市化進程和人口老齡化趨勢下,從降低PM2.5濃度和引導城市人口流動的角度,采取側重點不同的政策措施以引導城市發展,同時加大社會保障力度、提高醫療服務水平,可以幫助珠三角地區有效應對PM2.5污染問題,實現PM2.5的區域聯防聯控,緩解PM2.5帶來的健康影響,最終實現區域社會經濟效益的提升和城市化的健康發展。