高 飛，王 勇，陳清祥，汪懿清

（1.南京信息工程大學(xué) 地理與遙感學(xué)院，江蘇 南京 210044）

近幾年，我國(guó)霧霾天氣頻發(fā)，長(zhǎng)江三角洲、珠江三角洲和京津冀魯?shù)貐^(qū)等區(qū)域尤其嚴(yán)重?，F(xiàn)在研究普遍認(rèn)為，霧霾的主要組成是PM2.5（PM是英文Particulate Matter的首字母縮寫）。PM2.5是指空氣動(dòng)力學(xué)直徑小于或等于2.5 μm的顆粒物，也稱為可入肺顆粒物[1]。當(dāng)前研究表明，PM2.5不僅降低大氣能見度，對(duì)飛機(jī)起降以及地面交通安全構(gòu)成巨大威脅[2]，而且對(duì)人體的呼吸系統(tǒng)、心血管系統(tǒng)等造成多方面的損害[3]。2011年，環(huán)保部發(fā)布實(shí)施《環(huán)境空氣PM10和PM2.5的測(cè)定重量法》首次對(duì)PM2.5測(cè)定進(jìn)行規(guī)范，并在常規(guī)空氣質(zhì)量評(píng)價(jià)項(xiàng)目中增設(shè)PM2.5日均、年均濃度限值[4]，將PM2.5作為環(huán)境治理工作的重點(diǎn)。PM2.5已經(jīng)成為當(dāng)前政府和公眾廣泛關(guān)注的熱點(diǎn)問題。

國(guó)外對(duì)PM2.5的研究開展較早，美國(guó)和一些歐洲國(guó)家在20世紀(jì)90年代就開展了大規(guī)模的PM2.5研究，主要涉及PM2.5質(zhì)量濃度的時(shí)空分布、排放清單、排放特征譜、源解析以及PM2.5對(duì)大氣能見度和人體健康的影響等方面[5,6]。相比之下，我國(guó)在氣溶膠粒子方面的研究起步較晚，對(duì)于PM2.5的研究目前還處于起步階段，主要是研究PM2.5與氣象要素之間的關(guān)系。馬雁軍、潘本峰、周麗等對(duì)近幾年北京局部地區(qū)顆粒物的觀測(cè)和研究[7-9]發(fā)現(xiàn)，降水量、相對(duì)濕度、風(fēng)速等氣象要素與PM2.5存在顯著的相關(guān)關(guān)系；李旭芳、李廣德等研究了北京地區(qū)PM2.5在不同季節(jié)上的濃度差異，得出PM2.5在時(shí)間上的變化規(guī)律[10,11]。這些研究多數(shù)集中于PM2.5某城市點(diǎn)狀區(qū)域的時(shí)間變化特征，但針對(duì)PM2.5大范圍的空間分布的研究尚未多見。本文基于蘇錫常地區(qū)2013年春季（3～5月）的PM2.5數(shù)據(jù)，分析PM2.5與氣溫、降水量、風(fēng)速、相對(duì)濕度等氣象要素的關(guān)系，利用GIS技術(shù)進(jìn)行建模，嘗試模擬蘇錫常地區(qū)2013年春季PM2.5的空間分布，并將模型與IDW插值方法進(jìn)行比較，從而為政府制定相關(guān)環(huán)境政策提供更多參考，為大氣環(huán)境的治理提供一些借鑒和依據(jù)。

1 數(shù)據(jù)與方法

1.1 研究區(qū)域概況

本文以長(zhǎng)江三角洲的蘇錫常地區(qū)為研究對(duì)象，該地區(qū)是江蘇省乃至全國(guó)范圍內(nèi)最具經(jīng)濟(jì)競(jìng)爭(zhēng)力的地區(qū)，城市工業(yè)化率高達(dá)70%左右，涵蓋了數(shù)個(gè)國(guó)家級(jí)工業(yè)園區(qū)，雄厚的工業(yè)基礎(chǔ)對(duì)PM2.5的影響舉足輕重；此地也是國(guó)內(nèi)汽車保有量最大的地區(qū)之一，尾氣排放量非常大，從而進(jìn)一步影響了PM2.5；還有該地區(qū)緊鄰太湖，水域氣候效應(yīng)顯著，對(duì)PM2.5的影響不容小視；該地人口稠密，環(huán)境狀況格外重要，而空氣質(zhì)量問題尤以霧霾最為典型。因此，選取該區(qū)域具有非常高的研究?jī)r(jià)值。同時(shí)，蘇錫常地區(qū)總共分布了21個(gè)PM2.5監(jiān)測(cè)站，基本覆蓋全地區(qū)，為本研究提供了數(shù)據(jù)保障。

1.2 數(shù) 據(jù)

PM2.5數(shù)據(jù)[12]：蘇州、無(wú)錫和常州3個(gè)地區(qū) PM2.5監(jiān)測(cè)站的經(jīng)緯度坐標(biāo)數(shù)據(jù)，并通過PM2.5監(jiān)測(cè)網(wǎng)手動(dòng)錄入2013年春季蘇錫常地區(qū)21個(gè)PM2.5監(jiān)測(cè)站（蘇州8 個(gè)、無(wú)錫7個(gè)、常州6個(gè)）日平均濃度數(shù)據(jù)，經(jīng)統(tǒng)計(jì)整理得到PM2.5春季平均濃度的屬性數(shù)據(jù)，經(jīng)ArcMap中DisplayXYData工具處理得到PM2.5春季平均濃度的空間數(shù)據(jù)（Shapefile格式）。

圖1 PM2.5監(jiān)測(cè)站及氣象站分布圖（審圖號(hào)：GS（2005）362）

氣象數(shù)據(jù)[13]：蘇錫常及周邊地區(qū)13個(gè)氣象站（江蘇省8個(gè)、浙江省2個(gè)、安徽省2個(gè)、上海市1個(gè)）2013年春季（3～5月）的逐日數(shù)據(jù)（包括日降水量、日平均氣溫、日平均風(fēng)速、日平均相對(duì)濕度），經(jīng)統(tǒng)計(jì)整理得到春季的降水總量、平均氣溫、平均風(fēng)速和平均相對(duì)濕度數(shù)據(jù)。

GIS數(shù)據(jù)：中國(guó)地區(qū)CGIAR-CSI SRTM DEM 90數(shù)據(jù)[14]，經(jīng)ArcMap中Extract工具裁切處理得到蘇錫常地區(qū)的DEM數(shù)據(jù)，再經(jīng)Raster To Point工具、AddXYCoordinates工具和Point To Raster工具處理得到分辨率為1 km的蘇錫常地區(qū)經(jīng)緯度柵格數(shù)據(jù)；比例尺為1 ︰400萬(wàn)的全國(guó)市縣矢量數(shù)據(jù)[15]，經(jīng)ArcMap中Clip工具裁切處理得到蘇錫常地區(qū)的矢量數(shù)據(jù)。

1.3 研究方法

當(dāng)前研究表明，影響大氣中PM2.5濃度的因子主要有排放源、氣象因素以及顆粒物物化性質(zhì)[16]，PM2.5與風(fēng)速、降水量、相對(duì)濕度等氣象條件具有較好的相關(guān)性[17]。本文利用GIS技術(shù)，對(duì)氣象要素進(jìn)行空間插值，統(tǒng)計(jì)PM2.5濃度與氣象要素的關(guān)系，建立回歸方程，從而研究蘇錫常地區(qū)PM2.5空間分布特征。

1.3.1 插值方法

本文采用了反距離加權(quán)平均法（IDW）進(jìn)行數(shù)據(jù)插值，其優(yōu)點(diǎn)在于算法簡(jiǎn)單，易于實(shí)現(xiàn)，能夠很好地克服其因數(shù)據(jù)場(chǎng)的空間分布不均而使估值出現(xiàn)偏差的缺點(diǎn)，從而取得較好的插值效果，可以作為精確估值[18]，因此IDW被國(guó)內(nèi)外眾多學(xué)者應(yīng)用于氣象要素的插值[19-21]。

IDW是基于“地理學(xué)第一定律”的基本假設(shè)，即2個(gè)物體的相似性隨它們間的距離增大而減小[22]。假設(shè)已知樣點(diǎn)對(duì)預(yù)測(cè)點(diǎn)值的預(yù)測(cè)都有局部性影響，其影響隨距離增加而減小，離預(yù)測(cè)點(diǎn)近的已知樣點(diǎn)在預(yù)測(cè)過程中所占權(quán)重大于離預(yù)測(cè)點(diǎn)遠(yuǎn)的已知樣點(diǎn)，確定權(quán)重的公式：

式中，λi為預(yù)測(cè)過程中已知樣點(diǎn)的權(quán)重；di0為預(yù)測(cè)點(diǎn)與各已知樣點(diǎn)之間的距離；N為預(yù)測(cè)過程中需要使用的預(yù)測(cè)點(diǎn)周圍的樣點(diǎn)數(shù)量；p為距離的冪，其最佳值通過求均方根預(yù)測(cè)誤差RMSPE的最小值求得，本文將該值設(shè)定為2。

1.3.2 線性回歸分析

線性回歸分析是描述一個(gè)因變量Y與一個(gè)或多個(gè)自變量X之間的線性依存關(guān)系。根據(jù)多個(gè)自變量的最優(yōu)組合建立線性回歸方程來(lái)預(yù)測(cè)因變量的回歸分析稱為多元線性回歸分析，其模型的一般形式為：

式中，y*為根據(jù)所有自變量X計(jì)算出的估計(jì)值；b0為常數(shù)項(xiàng)；b1，b2，…，bn為對(duì)應(yīng)于x1，x2，…，xn的偏相關(guān)系數(shù)。偏相關(guān)系數(shù)表示假設(shè)在其他所有變量不變的情況下，某一個(gè)自變量變化引起因變量變化的比率。

1.3.3 GIS技術(shù)

GIS技術(shù)是以地理空間為基礎(chǔ)，采用地理模型分析方法，提供空間動(dòng)態(tài)地理信息，實(shí)現(xiàn)地理研究和地理決策服務(wù)的計(jì)算機(jī)技術(shù)系統(tǒng)。GIS技術(shù)可以有效地管理空間數(shù)據(jù)，確定站點(diǎn)的空間位置和分布，并進(jìn)行空間可視化表達(dá)，同時(shí)能夠?qū)⒂^測(cè)值的屬性數(shù)據(jù)與空間數(shù)據(jù)高效集成，通過地理空間分析研究PM2.5和氣象要素的空間變化特征，并利用圖形生成功能生成矢量和柵格數(shù)據(jù)。

2 模型構(gòu)建

本文建立了基于氣象要素的多元線性回歸模型來(lái)擬合PM2.5的空間分布，根據(jù)廖順寶[23]等提出的柵格尺度應(yīng)考慮數(shù)據(jù)源的密度和空間分布特性的結(jié)論，經(jīng)過對(duì)不同尺度下的柵格進(jìn)行模擬驗(yàn)證，最終選取柵格空間分辨率為1 km×1 km，該尺度不僅具有較高的精度，而且也更適合本文數(shù)據(jù)條件下的空間表達(dá)和實(shí)際業(yè)務(wù)應(yīng)用需要。

圖2 模型構(gòu)建流程圖

利用Hold-Out Method方法[24]，將PM2.5數(shù)據(jù)分成兩組，一組作為訓(xùn)練集(共17個(gè))，另一組作為驗(yàn)證集(共5個(gè))，如圖1a。將訓(xùn)練集與影響因子進(jìn)行多元線性回歸分析，再根據(jù)回歸方程及各因子的柵格數(shù)據(jù)，通過柵格計(jì)算得到PM2.5擬合結(jié)果。為了驗(yàn)證模型的模擬效果，利用驗(yàn)證集進(jìn)行模擬驗(yàn)證，并評(píng)價(jià)模型。

采用降水量、溫度、風(fēng)速和相對(duì)濕度作為此次建模的影響因子，樣本長(zhǎng)度為2013-03-01～2013-05-31共1 911個(gè)樣本。在當(dāng)前研究中，周麗[9]選取了199個(gè)樣本進(jìn)行北京地區(qū)PM2.5濃度與其相關(guān)因子研究的建模和驗(yàn)證；李廣德[11]通過對(duì)114個(gè)樣本數(shù)據(jù)的分析，得到了北京市區(qū)春夏季PM2.5濃度時(shí)間變化特征，故本研究樣本數(shù)量相較于前人而言，較為充足。利用觀測(cè)的PM2.5數(shù)據(jù)，本文分析其與降水量、溫度、風(fēng)速和相對(duì)濕度的相關(guān)特征，各自的相關(guān)系數(shù)分別為-0.684、0.362、-0.664和-0.695。除溫度外,其他因子均通過了0.01的信度檢驗(yàn)，說(shuō)明溫度與PM2.5相關(guān)性較弱。同時(shí)考慮到氣象要素的地帶性變化特征對(duì)PM2.5濃度的影響，故將經(jīng)度和緯度數(shù)據(jù)加入影響因子。以降水量、風(fēng)速、相對(duì)濕度、經(jīng)度和緯度作為此次建模的影響因子進(jìn)行多元回歸，得到如下方程：

式中，C為PM2.5濃度；X1為降水量；X2為風(fēng)速；X3為相對(duì)濕度；X4為經(jīng)度；X5為緯度；模型的復(fù)相關(guān)系數(shù)R為0.74；絕對(duì)平均誤差為2.82。可以看出，該模型回歸相關(guān)性較好，誤差較小。

圖3 春季氣象要素柵格圖

從多元回歸方程的系數(shù)可知，降水量與PM2.5為負(fù)相關(guān)關(guān)系，這是由于降水對(duì)PM2.5有著強(qiáng)烈的沖刷作用和去除效應(yīng)，使PM2.5顆粒隨降水沉降，濃度降低[25]；風(fēng)速與PM2.5為負(fù)相關(guān)關(guān)系，因?yàn)轱L(fēng)速越大，大氣水平輸送能力越強(qiáng)，污染物的擴(kuò)散速度越快，越不容易聚積形成“靜穩(wěn)”狀態(tài)[9]；相對(duì)濕度與PM2.5為正相關(guān)關(guān)系，因?yàn)橄鄬?duì)濕度越大，越有利于大氣中的氣體轉(zhuǎn)化為粒子，使得污染物顆粒濃度增加[26]；另外高濕度條件（大于60%）會(huì)使污染物顆粒結(jié)合空氣中水分子形成穩(wěn)定的大粒徑顆粒滯留在大氣中，導(dǎo)致濃度升高[27]。

對(duì)降水量、風(fēng)速、相對(duì)濕度進(jìn)行IDW插值得到氣象要素柵格數(shù)據(jù)，如圖3。利用回歸公式，經(jīng)ArcMap中的柵格計(jì)算得到PM2.5擬合結(jié)果，如圖4a。采用常州市武進(jìn)監(jiān)測(cè)站、安家監(jiān)測(cè)站、蘇州市上方山監(jiān)測(cè)站、相城區(qū)監(jiān)測(cè)站和無(wú)錫市大學(xué)城監(jiān)測(cè)站作為該模型的驗(yàn)證集，樣本長(zhǎng)度為2013-03-01～2013-05-31共448個(gè)樣本，模擬驗(yàn)證結(jié)果見表1。

圖4 PM2.5擬合結(jié)果及PM2.5 IDW插值結(jié)果

表1 PM2.5模擬驗(yàn)證結(jié)果

由表1可以看出，該模型是有效的，其相對(duì)誤差在0.17%～6.66%之間，平均相對(duì)誤差為3.30%，說(shuō)明利用氣象要素與PM2.5濃度顯著的相關(guān)性來(lái)研究PM2.5的空間分布具有較高的合理性，但是由于PM2.5顆粒物復(fù)雜的物化特性及其影響因子的多樣性，有些擬合值與觀測(cè)值有較大偏差（如蘇州市上方山監(jiān)測(cè)站），但從總體上擬合效果不錯(cuò)，因此該模型擬合PM2.5空間分布具有較高的可信度。

3 PM2.5分布特征分析

從圖4a可以看出，2013年春季蘇錫常地區(qū)的PM2.5濃度在43.55 ～99.32 μg/m3之間，其空間分布特征從整體上表現(xiàn)為東南低、西北高。高濃度區(qū)域主要在常州市和蘇州市的西南部，特別是常州市湟里鎮(zhèn)、東安鎮(zhèn)，蘇州市東山鎮(zhèn)、臨湖鎮(zhèn)，濃度在75 μg/m3以上；低濃度區(qū)域主要在蘇州市和無(wú)錫市的東部和東南部，如蘇州市角直鎮(zhèn)、陽(yáng)澄湖鎮(zhèn)，無(wú)錫市東港鎮(zhèn)、羊尖鎮(zhèn)，濃度小于50 μg/m3，這是由于風(fēng)速是影響PM2.5最顯著的氣象要素[26]，而蘇錫常地區(qū)的氣候具有明顯的季風(fēng)特點(diǎn)，春季是冬夏季風(fēng)轉(zhuǎn)換的季節(jié)，盛行風(fēng)向?yàn)闁|南風(fēng)，使位于上風(fēng)向的蘇州市污染物濃度降低，位于下風(fēng)向的常州市污染物濃度升高，形成大致上濃度由東南向西北降低的趨勢(shì)；局部上，蘇州市和無(wú)錫市的中部有零星的小范圍低值區(qū)域，如蘇州市城南鎮(zhèn)、郭巷鎮(zhèn)，無(wú)錫市南長(zhǎng)區(qū)、崇安區(qū)，濃度在45 ～60 μg/m3之間，這些區(qū)域植被覆蓋率高，而大面積的植被對(duì)PM2.5具有一定的阻截、吸附和移除作用[28]，可以降低局部環(huán)境的PM2.5濃度。

4 方法對(duì)比

通過表1和圖5中多元線性回歸模型和IDW插值方法的結(jié)果比較可以看出，IDW插值的誤差較大，最小相對(duì)誤差為1.52%；最大相對(duì)誤差達(dá)到12.10%；平均相對(duì)誤差5.04%，這3個(gè)參數(shù)均遠(yuǎn)大于多元線性回歸模型的對(duì)應(yīng)誤差，說(shuō)明基于氣象要素的多元線性回歸模型整體上優(yōu)于IDW插值方法，能夠更好地反映PM2.5空間分布特征，揭示PM2.5的空間分布規(guī)律。從擬合效果上看（見圖4），該模型有效地消除了IDW插值方法產(chǎn)生的“牛眼”現(xiàn)象，降低了對(duì)采樣點(diǎn)分布均勻性的依賴，更適合實(shí)際情況中采樣點(diǎn)無(wú)法均勻選取的情況，同時(shí)也能夠在一定程度上反映局部地區(qū)PM2.5濃度的變化特征。

圖5 多元線性回歸模型與IDW插值方法的比較

5 結(jié) 語(yǔ)

利用2013年春季蘇錫常地區(qū)的PM2.5濃度觀測(cè)資料和同期的蘇錫常及周邊地區(qū)的氣象資料，分析PM2.5與氣溫、降水量、風(fēng)速、相對(duì)濕度等氣象要素的相關(guān)性，建立了基于氣象要素的多元線性回歸模型，研究蘇錫常地區(qū)PM2.5的空間分布，得到的結(jié)論如下：

1）該模型綜合考慮了氣象要素中降水量、風(fēng)速和相對(duì)濕度與PM2.5的顯著相關(guān)性，并經(jīng)過模擬驗(yàn)證，平均相對(duì)誤差為3.30%，能夠有效地模擬PM2.5的空間分布狀況。

2）2013年春季蘇錫常地區(qū)PM2.5空間分布具有顯著的特征，受主導(dǎo)風(fēng)向影響，總體上呈現(xiàn)出東南低，西北高的特點(diǎn)，并且由于大面積植被的作用，在蘇州市和無(wú)錫市的中部有小范圍低值區(qū)域。

3）該模型有效消除了單一使用IDW插值方法容易受到監(jiān)測(cè)站空間分布的影響而出現(xiàn)極值區(qū)域和極值中心偏差的現(xiàn)象，同時(shí)也能夠在一定程度上突出局部地區(qū)的變化特征，從而較好地反映PM2.5空間分布狀況。

由于我國(guó)PM2.5研究工作起步較晚，PM2.5監(jiān)測(cè)站雖然基本覆蓋研究區(qū)域，但主要集中在城市，農(nóng)村地區(qū)較少，因此研究結(jié)果對(duì)農(nóng)村地區(qū)PM2.5濃度的空間分布反映不足。由于PM2.5數(shù)據(jù)在時(shí)間上是零散間斷的，長(zhǎng)期連續(xù)的觀測(cè)資料十分有限，這也限制了樣本的長(zhǎng)度，從而降低了模型的精度。隨著我國(guó)霧霾治理力度的不斷加大，PM2.5監(jiān)測(cè)站的不斷增多，PM2.5數(shù)據(jù)的完整性和連續(xù)性將會(huì)大大增強(qiáng)，本文會(huì)在此條件下進(jìn)行更系統(tǒng)的分析和研究，進(jìn)而更深入地揭示PM2.5的空間分布規(guī)律。

[1]朱建超.PM2.5的綜述與思考[J].中國(guó)衛(wèi)生檢驗(yàn)雜志，2012，22(10):2 526-2 528

[2]董雪玲.大氣可吸入顆粒物對(duì)環(huán)境和人體健康的危害[J].資源產(chǎn)業(yè)，2004,6(5):50-53

[3]Menichini E,Monfredini F.Relationships Between Concentrations of Particle-bound Carcinogenic PAHs and PM10Particulate Matter in Urban Air[J].Fresenius Environ Bull,2001,10(6):533-538

[4]中國(guó)首次制定PM2.5質(zhì)量標(biāo)準(zhǔn)[J].大眾化標(biāo)準(zhǔn),2011(12):62-63

[5]Oscar P,Rosa M,Susana G,et al.Characterization and Sources Assignation of PM2.5Organic Aerosol in a Rural Area of Spain[J].Atmospheric Environment，2009,43(17):2 796-2 803

[6]Lin K,Wei L,Yu H W,et al.Comparison of PM2.5Source Apportionment Using Positive Matrix Factorization and Molecular Marker-based Chemical Mass Balance[J].Science of the Total Environment，2008,39(4):290-302

[7]馬雁軍，王揚(yáng)鋒，劉寧微，等.遼寧中部城市群可吸入顆粒物PM10、PM2.5的污染水平[J].中國(guó)粉體技術(shù)，2010,16(1):9-13

[8]潘本鋒，趙熠琳，李健軍，等.氣象因素對(duì)大氣中PM2.5的去除效應(yīng)分析[J].環(huán)境科技，2012,25(6):41-44

[9]周麗，徐祥德，丁國(guó)安，等.北京地區(qū)氣溶膠PM2.5粒子濃度的相關(guān)因子及其估算模型[J].氣象學(xué)報(bào)，2003，61(6):761-767

[10]李旭芳，初鈞晗，于令達(dá)，等.北京市城區(qū)單監(jiān)測(cè)點(diǎn)PM2.5質(zhì)量濃度變化特征[J].北京師范大學(xué)學(xué)報(bào):自然科學(xué)版，2011,47(3):258-261

[11]李廣德，李效文.北京市區(qū)春夏PM2.5和PM10濃度變化特征研究[J].環(huán)境科學(xué)與管理，2013,38(5):52-56

[12]PM2.5監(jiān)測(cè)網(wǎng)[EB/OL].http://www.cnpm25.cn/ ，2013-03-01/2014-01-18

[13]中國(guó)氣象科學(xué)數(shù)據(jù)共享服務(wù)網(wǎng)[EB/OL].http://cdc.cma.gov.cn/home.do/ ，2013-06-02/2014-01-18

[14]CGIAR-CSI(國(guó)際熱帶農(nóng)業(yè)中心)[EB/OL].http://srtm.csi.cgiar.org/,2013-04-12/2014-01-18

[15]國(guó)家基礎(chǔ)地理信息中心[EB/OL].http://ngcc.sbsm.gov.cn/ ，2013-04-12/2014-01-18

[16]劉隨心，曹軍驥，安芷生，等.西安大氣細(xì)粒子(PM2.5)質(zhì)量濃度變化特征及其影響因素[J].過程工程學(xué)報(bào),2009,9(2):691-695

[17]徐敬，丁國(guó)安，顏鵬，等.北京地區(qū)PM2.5的成分特征及來(lái)源分析[J].應(yīng)用氣象學(xué)報(bào)，2007,18(5):645-654

[18]范銀貴.空間插值方法在繪制降雨量等值線圖中的應(yīng)用[J].水利水電科技進(jìn)展，2002,22(3):48-50

[19]林忠輝，莫興國(guó)，李宏軒.中國(guó)陸地區(qū)域氣象要素空間插值[J].地理學(xué)報(bào)，2002,57(1):47-56

[20]Goovaerts P.Geostatistical Approaches for Incorporating Elevation into the Spatial Interpolation of Rainfall[J].Journal of Hydrology，2000(1):113-129

[21]Bartier P M，Keller C P.Multivariate Interpolation to Incorporate Thematic Surface Data Using Inverse Distance Weighting (IDW) [J].Computer&Geoscience,1996,22(7):795-799

[22]Minowa Y.Verification for Generalizability and Accuracy of a Thinning-trees Selection Model with the Ensemble Learning Algorithm and the Cross-Validation Method[J].Journal of Forest Research，2008,13(5):275-285

[23]廖順寶，張賽.多年平均氣溫?cái)?shù)據(jù)空間化誤差的尺度效應(yīng)[J].地球信息科學(xué)學(xué)報(bào)， 2014,16(1):8-14

[24]Tobler W A.A Computer Movie Simulating Urban Growth in the Detroit Region[J].Economic Geography,1970,46(2):234-240

[25]湯天然，陳建楠，李廣前，等.降雨對(duì)PM2.5濃度的影響及人工降雨降低PM2.5濃度的探討[J].貴州氣象,2013,37(4):35-37

[26]劉大錳，馬永勝，高少鵬，等.北京市區(qū)春季燃燒源大氣顆粒物的污染水平和影響因素[J].現(xiàn)代地質(zhì),2005,19(4):627-633

[27]徐曉峰，段欲曉.北京地區(qū)PM10與氣象條件分析——城市氣象服務(wù)科學(xué)討論會(huì)學(xué)術(shù)論文集[C].北京:中國(guó)氣象學(xué)會(huì)秘書處，2001

[28]趙晨曦，王玉杰，王云琦，等.細(xì)顆粒物(PM2.5)與植被關(guān)系的研究綜述[J].生態(tài)學(xué)雜志，2013,32(8):2 203-2 210