徐超, 王云鵬, 黎麗莉

?

中國1998—2012年P(guān)M2.5時空分布與能源消耗總量關(guān)系研究

徐超1,2,3, 王云鵬1,*, 黎麗莉1

1. 中國科學(xué)院廣州地球化學(xué)研究所, 廣州 510640 2. 中國科學(xué)院大學(xué), 北京 100049 3. 中國科學(xué)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(jìn)行分析的基礎(chǔ)上, 引入地理信息科學(xué)空間相關(guān)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(guān)性。基于省級尺度, 運(yùn)用灰色理論中的灰色相關(guān)方法, 對PM2.5和能源消耗指標(biāo)進(jìn)行相關(guān)分析, 結(jié)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(guān)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(diǎn), 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(qiáng)烈正相關(guān)性, 與單位面積能源消耗總量分布呈正相關(guān), 與單位面積石油消耗分布沒有體現(xiàn)出明顯的相關(guān)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(guān)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(guān)聯(lián)

1 引言

PM2.5是指環(huán)境空氣中空氣動力學(xué)直徑小于或等于2.5微米的顆粒物, 也稱細(xì)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(nèi)外研究[1–4]表明直達(dá)人體肺部的PM2.5會對人體健康產(chǎn)生較大危害。隨著中國經(jīng)濟(jì)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(guān)注。2016年1月正式開始實(shí)施的中國新版《環(huán)境空氣質(zhì)量標(biāo)準(zhǔn)》(GB3095—2012)[5]將PM2.5納入控制指標(biāo)。

目前國內(nèi)外側(cè)重基于地面監(jiān)測數(shù)據(jù)的PM2.5相關(guān)模擬和分析研究[6–8]。由于我國PM2.5監(jiān)測站點(diǎn)起步晚, 大范圍長時間的數(shù)據(jù)缺失嚴(yán)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(jìn)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(xué)界熱點(diǎn)[14–16]。大量研究[17–21]表明能源消耗是影響大氣質(zhì)量關(guān)鍵因素之一, 但目前針對PM2.5與能源消耗直接關(guān)系研究甚少。并且研究多基于單個區(qū)域、省或市進(jìn)行分析, 得出的結(jié)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(jié)構(gòu)都不盡相同, 各省區(qū)的PM2.5與能源消耗關(guān)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(guān)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(jìn)行刻畫的基礎(chǔ)上, 運(yùn)用灰色相關(guān)理論, 對其與能源消耗的關(guān)系進(jìn)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(yīng)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(yīng)用于環(huán)境和健康相關(guān)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(dá)到63個估算值。因此利用的1998—2012年P(guān)M2.5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(jì)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(jì)年鑒》, 局部缺失數(shù)據(jù)由《新中國60年統(tǒng)計(jì)資料匯編》、《中國統(tǒng)計(jì)年鑒》以及各地方統(tǒng)計(jì)年鑒中數(shù)據(jù)補(bǔ)充。所有數(shù)據(jù)均折算為噸標(biāo)準(zhǔn)煤單位后, 再進(jìn)行其他相關(guān)指標(biāo)的計(jì)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(biāo)。

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(guān)指標(biāo)時空分布在空間上是否具有相關(guān)性, 本文引入地理信息科學(xué)當(dāng)中的空間相關(guān)矩陣來進(jìn)行空間分布相關(guān)的度量。空間相關(guān)矩陣是研究具有共同空間范圍的柵格圖層之間的相關(guān)系數(shù)[26–28],計(jì)算出的相關(guān)系數(shù)可以度量空間柵格圖層的依賴關(guān)系, 空間相關(guān)矩陣計(jì)算公式如1所示, 計(jì)算結(jié)果范圍為[-1, 1]。當(dāng)相關(guān)系數(shù)大于0.5時, 表明柵格圖層所代表的指標(biāo)之間具有正相關(guān)性, 折射到空間分布上, 表明具有相似的空間分布; 相關(guān)系數(shù)為小于- 0.5時, 則表明指標(biāo)之間具有高的負(fù)相關(guān)性, 折射到空間分布上, 表明指標(biāo)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(biāo)空間分布的相關(guān)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(biāo)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(yīng)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(biāo)準(zhǔn)偏差。

在度量PM2.5時空分布與能源消耗相關(guān)指標(biāo)時空分布相關(guān)性基礎(chǔ)上, 基于省級尺度, 引入灰色相關(guān)理論, 定量分析省級尺度的PM2.5濃度與能源消耗之間的關(guān)系。1982年, 中國學(xué)者鄧聚龍發(fā)表第一篇中文論文《灰色控制系統(tǒng)》標(biāo)志灰色系統(tǒng)學(xué)科的誕生[29]。之后的三十多年來, 灰色系統(tǒng)中的灰色相關(guān)、灰色聚類以及灰色預(yù)測等被廣泛應(yīng)用于各種研究[30–31], 國內(nèi)也有利用灰色關(guān)聯(lián)分析大氣質(zhì)量與能源消耗的研究[32–33]。其中灰色關(guān)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(guān)聯(lián)的程度, 揭示事物動態(tài)關(guān)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(guān)聯(lián)計(jì)算方法自鄧聚龍?zhí)岢龌疑P(guān)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(guān)聯(lián)度、相對關(guān)聯(lián)度、綜合關(guān)聯(lián)度、斜率關(guān)聯(lián)度、C型關(guān)聯(lián)度、B型關(guān)聯(lián)度、T型關(guān)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(guān)的綜合關(guān)聯(lián)度方法進(jìn)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(guān)聯(lián)度計(jì)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(guān)指標(biāo)的均值, 共13列數(shù)據(jù)組成的數(shù)列。是考慮增量相關(guān)和增長速度相關(guān)的權(quán)重, 本文均衡考慮PM和能源消耗的增量和增長速度相關(guān), 因此取值為0.5。

3 結(jié)果與分析

3.1 中國PM2.5分布的空間特征

圖2運(yùn)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(diǎn)。

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(nèi)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(yán)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(nèi)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(dǎo)致[23], 與人類活動關(guān)系較小。

表1分別統(tǒng)計(jì)了1998—2012年每三年胡煥庸線(由中國地理學(xué)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P(guān)M2.5濃度遠(yuǎn)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(jì)本研究時間序列內(nèi)不同高程所對應(yīng)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(yīng)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(jié)果表明, PM2.5分布與地形有密切的關(guān)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(jīng)濟(jì)發(fā)展水平相當(dāng), 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(shí)與地形特征都存在相互關(guān)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(jīng)濟(jì)發(fā)展密切相關(guān)的能源消耗的空間分布也會對PM2.5的空間分布產(chǎn)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P(guān)M2.5的高值范圍相對1998—2001年, 有了明顯的擴(kuò)大, 表明90年代末開始中國PM2.5污染情況明顯嚴(yán)重。為了表達(dá)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P(guān)M2.5濃度均值統(tǒng)計(jì)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P(guān)M2.5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(yīng)的PM2.5濃度

圖表中看出八大區(qū)域內(nèi)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(nèi)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(dá)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(dá)4.51%、5.49%和3.74%, 南部沿海的廣東、西南地區(qū)的廣西達(dá)4.00%、4.83%。這些地區(qū)PM2.5污染狀況沒有高值區(qū)嚴(yán)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(diǎn)平臺, 之后呈穩(wěn)定趨勢。以2006—2008年三年均值為分界點(diǎn), 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(diǎn)。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(shí)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(yuǎn)不及自身2006—2008年之前的增長速度?？傮w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(diǎn)。雖然有拐點(diǎn)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(yán)峻。

3.3 中國PM2.5與能源消耗的空間相關(guān)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(jìn)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(guān)矩陣計(jì)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(biāo)數(shù)據(jù)的空間相關(guān)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(qiáng)烈正相關(guān)性, 與單位面積能源消耗總量分布呈正相關(guān), 與單位面積石油消耗分布沒有體現(xiàn)出明顯的相關(guān)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(biāo)分布的空間相關(guān)系數(shù)

3.4 省級尺度PM2.5與能源消耗的灰色關(guān)聯(lián)

中國各省經(jīng)濟(jì)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(guān)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(guān)系, 引入灰色理論進(jìn)行分析。從內(nèi)蒙古、四川兩省的PM2.5濃度區(qū)域統(tǒng)計(jì)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(nèi)分布有PM2.5高值區(qū)域的特征, 統(tǒng)計(jì)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(guān)分析時, 為了抵消這種效應(yīng), 采用對PM2.5濃度數(shù)據(jù)進(jìn)行人口加權(quán)處理[36]。運(yùn)用的人口分布數(shù)據(jù)是由哥倫比亞大學(xué)全球地球科學(xué)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(quán), 2002—2004年均值濃度到2005—2007年數(shù)據(jù)基于2005年人口加權(quán), 剩下的基于2010年人口加權(quán)。

式中: (PM2.5)——人口加權(quán)PM2.5濃度;—網(wǎng)格數(shù); PM2.5i——網(wǎng)格內(nèi)PM2.5濃度;P——網(wǎng)格內(nèi)人口數(shù)

經(jīng)過人口加權(quán)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(guān)性。各省(市、自治區(qū))的人口加權(quán)PM2.5濃度與能源消耗指標(biāo)的灰色關(guān)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(biāo)的關(guān)聯(lián)度均大于0.5, 表明PM2.5與能源消耗存在相關(guān)關(guān)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(guān)度均在0.85以上, 表現(xiàn)出強(qiáng)烈的相關(guān)性。天津、遼寧、黑龍江、廣西、青海PM2.5與煤炭消耗相關(guān)度達(dá)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(guān); 北京、上海、安徽、廣東四省的PM2.5與石油消耗相關(guān)度均在0.9左右, 表明他們的PM2.5與石油消耗高度相關(guān)。

雖然各省(市、自治區(qū))的PM2.5與能源消耗指標(biāo)都存在著明顯的相關(guān)性, 但細(xì)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(guān)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(nèi)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(guān)聯(lián)度相差不大, 可以認(rèn)為他們省內(nèi)PM2.5受煤炭消耗和石油消耗相等影響, 在應(yīng)對PM2.5控制時, 煤炭、石油的節(jié)能需要進(jìn)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(guān)中, 煤炭消耗的相關(guān)性大于石油消耗, 需要注意煤炭消耗的控制, 著重進(jìn)行能源消耗結(jié)構(gòu)中煤炭消耗的調(diào)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(guān)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(yán)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(yán)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(guān)系密切相關(guān), 需要引起重視, 進(jìn)行能源消耗結(jié)構(gòu)的調(diào)整。南部沿海地區(qū)明顯石油消耗對PM2.5影響更大, 調(diào)整能源結(jié)構(gòu)時應(yīng)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(biāo)的灰色關(guān)聯(lián)度

4 結(jié)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(guān)分析, 得出以下結(jié)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(guān)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(nèi)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(kuò)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(diǎn)。雖然拐點(diǎn)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(yán)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(qiáng)烈正相關(guān)性, 與單位面積能源消耗總量分布呈正相關(guān), 與單位面積石油消耗分布沒有體現(xiàn)出明顯的相關(guān)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P(guān)M2.5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(biāo)的灰色關(guān)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(biāo)均存在明顯相關(guān)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(yīng)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(guān)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(jìn)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(guān)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(nóng)學(xué)通報, 2016, 11: 161–166.

[5] 國家環(huán)境保護(hù)部. 環(huán)境空氣質(zhì)量標(biāo)準(zhǔn)(試行)[S]. 中華人民共和國國家環(huán)境保護(hù)標(biāo)準(zhǔn)(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(guān)系[J].生態(tài)環(huán)境學(xué)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(xué)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?xì)馊苣z污染特征及其來源初探[J]. 環(huán)境科學(xué)學(xué)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(xué), 2015.

[26] 吳秀芹, 等. ArcGIS 9地理信息系統(tǒng)應(yīng)用與實(shí)踐[M]. 北京: 清華大學(xué)出版社, 2007

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

[28] 施益強(qiáng), 王堅(jiān), 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(guān)性分析[J]. 環(huán)境工程學(xué)報, 2014, 12(8): 5406–5412.

[29] 鄧聚龍.灰色控制系統(tǒng)[J]. 華中工學(xué)院學(xué)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(guān)聯(lián)分析結(jié)合支持向量機(jī)用于近紅外光譜研究[J]. 光譜學(xué)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(guān)聯(lián)度分析[J]. 生態(tài)經(jīng)濟(jì), 2012, 9: 105–106.

[33] 黃坤, 王哲, 何紅利. 新疆能源消耗量與環(huán)境質(zhì)量的關(guān)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(yīng)用[M]. 北京: 科學(xué)出版社, 2015.

[35] 周秀文. 灰色關(guān)聯(lián)度的研究與應(yīng)用[D]. 長春: 吉林大學(xué), 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(quán)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(zhì)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(xué)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(xué)研究, E-mail: wangyp@gig.ac.cn

徐超, 王云鵬, 黎麗莉. 中國1998—2012年P(guān)M2.5時空分布與能源消耗總量關(guān)系研究 [J]. 生態(tài)科學(xué), 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.