張運(yùn)林,睢晉玲,吳 嫻,林美霞,3,陳 龍,陳天翼

1 貴州師范學(xué)院,生物科學(xué)學(xué)院,貴陽(yáng) 550018 2 中國(guó)科學(xué)院城市環(huán)境研究所,城市環(huán)境與健康重點(diǎn)實(shí)驗(yàn)室,廈門(mén) 361021 3 中國(guó)科學(xué)院大學(xué),北京 100049 4 深圳市源清環(huán)境技術(shù)服務(wù)有限公司,深圳 518000

細(xì)顆粒物(PM2.5)指環(huán)境空氣中空氣動(dòng)力學(xué)當(dāng)量直徑小于等于2.5μm的顆粒物[1- 3]。隨著城市化和經(jīng)濟(jì)增長(zhǎng)的加速,PM2.5已經(jīng)成為城市大氣中的典型污染物,對(duì)大氣能見(jiàn)度、氣候變化、社會(huì)經(jīng)濟(jì)發(fā)展、城市熱島[4- 5]、生態(tài)系統(tǒng)服務(wù)等方面均具有一定的負(fù)面效應(yīng)[6-7],尤其對(duì)人體健康影響很大,導(dǎo)致人體心臟和肺部疾病發(fā)病率明顯上升[8- 9]。世界范圍內(nèi)每年有近三百三十余萬(wàn)人口間接因空氣污染死亡[10]。

當(dāng)前對(duì)于PM2.5的研究主要集中在源解析[11-12]、成分組成[13]、時(shí)空分布模式[14- 16]、高分辨率PM2.5濃度制圖[17- 19]、健康影響[6, 20]及自然和社會(huì)因素對(duì)PM2.5濃度的影響[21-22]等方面。具體來(lái)看影響PM2.5濃度的因素包括氣象條件、社會(huì)經(jīng)濟(jì)條件、交通流量、工業(yè)活動(dòng)、化石燃料和其他人為活動(dòng)等[6]。在這些因素當(dāng)中,氣象條件是最重要的影響因素之一[23]。

國(guó)內(nèi)外有諸多研究著重關(guān)注氣象要素和PM2.5濃度之間的相關(guān)關(guān)系[23- 26]。Pateraki等[27]發(fā)現(xiàn)溫度和濕度變動(dòng)對(duì)PM2.5濃度具有重要影響。賀祥等[3]使用GAM廣義可加模型研究南京市PM2.5濃度和自然條件的關(guān)系,發(fā)現(xiàn)溫度、大氣壓和水氣壓對(duì)PM2.5濃度具有重要影響。風(fēng)速也對(duì)PM2.5濃度具有重要影響,且風(fēng)速超過(guò)2m/s,能減輕PM2.5污染程度[7]。Cheng等[24]人研究認(rèn)為濕度是影響北京市PM2.5濃度變化的重要要素。然而當(dāng)前這些研究都集中于單一城市尺度,對(duì)于城市群尺度的研究關(guān)注較少,并且這些研究主要使用短期數(shù)據(jù)(如一個(gè)季度或一年),這樣會(huì)造成氣象要素與PM2.5濃度之間關(guān)系的研究結(jié)果存在一定程度的偏差[28]。

粵港澳大灣區(qū)是我國(guó)經(jīng)濟(jì)發(fā)展重要增長(zhǎng)極,但大氣環(huán)境質(zhì)量方面對(duì)比國(guó)外三大灣區(qū)城市群仍存在差距,對(duì)其開(kāi)展大氣污染研究具有重要意義。因此基于PM2.5遙感反演數(shù)據(jù)與氣象要素長(zhǎng)時(shí)間序列數(shù)據(jù),利用時(shí)間序列方法和空間自相關(guān)分析法分析PM2.5時(shí)空的變化特征；基于多元回歸模型確定氣象要素和PM2.5濃度之間的相互關(guān)系[29]。旨在為生態(tài)環(huán)境部門(mén)開(kāi)展大氣環(huán)境監(jiān)管和大氣污染防治等工作提供可行依據(jù)。

1 研究區(qū)概況

粵港澳大灣區(qū)位于北緯21°30′—24°40′和東經(jīng)111°21′—114°53′之間,由廣州、深圳、佛山、東莞、惠州、中山、珠海、江門(mén)、肇慶九市和香港、澳門(mén)兩個(gè)特別行政區(qū)組成,總面積約5.6萬(wàn)km2。灣區(qū)整體地勢(shì)較為平坦開(kāi)闊,以平原為主,占全區(qū)總面積的66.7%,另有山地、丘陵、殘丘、臺(tái)地等散布其間,其中丘陵、殘丘和臺(tái)地的面積約占20%左右,全區(qū)海拔超過(guò)500 m的山地面積僅占總面積的3%,主要分布在肇慶、博羅、從化和惠州等灣區(qū)邊緣地帶,最高點(diǎn)海拔1229 m?；浉郯拇鬄硡^(qū)地處亞熱帶季風(fēng)氣候,終年溫暖濕潤(rùn),氣候宜人。年平均氣溫21—23℃,最冷月1月均溫13—15℃,最熱月7月均溫28℃以上。日照時(shí)間長(zhǎng),多年平均日照天數(shù)240天左右。年均降水量1600—2300 mm,汛期(4—9月)降水量占全年的81%—85%。灣區(qū)主要土壤類(lèi)型有水稻土、赤紅壤、紅壤、黃壤、潮土等,其中分布最廣泛的是水稻土,主要分布在河流沖積平原、三角洲及濱海平原地區(qū),占總面積的95.5%。

2 數(shù)據(jù)和方法

2.1 數(shù)據(jù)源

PM2.5濃度數(shù)據(jù)來(lái)自達(dá)爾豪斯大學(xué)(Dalhousie University)大氣成分分析項(xiàng)目組出版的全球數(shù)據(jù)集(http://fizz.phys.dal.ca/—atmos/martin/?page_id=140#V4.CH.02)[6],空間分辨率為0.1°×0.1°(近1 km)。基于美國(guó)國(guó)家航天局(NASA)的中等分辨率成像儀MODIS、多角度成像光譜儀MISR和海洋觀測(cè)寬視場(chǎng)傳感儀SeaWIFS反演得到氣溶膠光學(xué)厚度(Aerosol Optical Depth, AOD)產(chǎn)品,利用大氣傳輸模型(GEOS-Chem)估算全球地表PM2.5濃度,并通過(guò)地理加權(quán)模型(Geographically Weighted Regression, GWR)對(duì)反演數(shù)據(jù)進(jìn)行校正。該數(shù)據(jù)集包括1998—2017年全球地表PM2.5濃度柵格數(shù)據(jù),范圍從54.995°S—69.995°N至179.995°W—179.995°E。其優(yōu)勢(shì)在于具有較大時(shí)間跨度和空間范圍等特點(diǎn),被許多學(xué)者用于國(guó)家尺度或區(qū)域尺度研究。本研究所使用1999—2016年粵港澳大灣區(qū)PM2.5濃度數(shù)據(jù),由ArcGIS軟件平臺(tái)對(duì)數(shù)據(jù)集進(jìn)行切割所得[8]。

氣象要素?cái)?shù)據(jù)采用愛(ài)達(dá)荷大學(xué)(University of Idaho)西北知識(shí)網(wǎng)絡(luò)出版的全球陸地表面每月氣候和氣候水平衡的數(shù)據(jù)集(TerraClimate)[30]。該數(shù)據(jù)集包括1958—2018年全球地面歷年月度氣候和氣候水平衡數(shù)據(jù),空間分辨率為1/24°×1/24°(近4 km)。TerraClimate使用氣候輔助插值,將來(lái)自WorldClim數(shù)據(jù)集的高空間分辨率氣候均值與較低空間分辨率長(zhǎng)時(shí)間序列的氣候數(shù)據(jù)(來(lái)自CRU Ts4.0/JRA 55數(shù)據(jù)集)相結(jié)合,以此生成月度降水、最高和最低溫度、風(fēng)速、蒸氣壓、以及太陽(yáng)輻射等數(shù)據(jù)。同時(shí)TerraClimate使用水平衡模型生成月度地表水平衡數(shù)據(jù)。TerraClimate數(shù)據(jù)集依據(jù)氣候和預(yù)報(bào)元數(shù)據(jù)標(biāo)準(zhǔn),為每個(gè)變量以NetCDF格式創(chuàng)建文件(年度和月度)。用戶(hù)可以在https://doi.org/10.7923/G43J3B0R上訪問(wèn)涵蓋所有變量記錄期間的NetCDF文件壓縮存檔。本研究采用1999—2016年全球陸地表面年度氣候和氣候水平衡的數(shù)據(jù)集,基于ArcGIS軟件平臺(tái)利用粵港澳大灣區(qū)邊界數(shù)據(jù)對(duì)數(shù)據(jù)集進(jìn)行切割,變量包括實(shí)際蒸散量(actual evapotranspiration, aet)、參考蒸散量(reference evapotranspiration, pet)、降水(precipitation accumulation, ppt)、太陽(yáng)輻射(downward surface shortwave radiation, srad)、最低溫度(minimum temperature, Tmmn)、最高溫度(maximum temperature, tmmx)、蒸汽壓(vapor pressure, vap)、飽和水汽壓差(vapor pressure deficit, vpd)、風(fēng)速(wind-speed, ws)。

2.2 方法

2.2.1空間自相關(guān)分析

空間自相關(guān)分析常用于研究地理空間上的各項(xiàng)觀測(cè)值之間的相關(guān)程度,分為全局自相關(guān)和局部自相關(guān)。一般使用莫蘭指數(shù)(Moran′I指數(shù))作為空間自相關(guān)的基本度量,該指數(shù)又可分為全局Moran′I指數(shù)和局部Moran′I指數(shù)。

全局空間自相關(guān)可用于描述整體研究區(qū)域內(nèi),所有空間對(duì)象之間的平均關(guān)聯(lián)程度、空間分布模式及顯著性。全局Moran′I指數(shù)的范圍為-1到+1,當(dāng)值接近1時(shí)表示PM2.5濃度在空間上存在顯著自相關(guān)；反之,當(dāng)值接近-1時(shí)表示PM2.5濃度在空間上存在巨大差異,而當(dāng)值等于0時(shí),表示空間不相關(guān)。全局Moran′I指數(shù)計(jì)算公式如下[29, 31]：

(1)

式中,n為空間單元的數(shù)量(n=11)；xi和xj分別表示空間單元i和j的觀測(cè)值,i≠j。wij代表i和j之間的空間關(guān)系,當(dāng)wij=1時(shí),表示空間單元i和j相鄰,而當(dāng)wij=0時(shí),表示空間單元i和j不相鄰。

局部空間自相關(guān)可以用來(lái)描述不同空間位置上存在的空間關(guān)聯(lián)模式,用于分析局部空間異質(zhì)性特征。局部自相關(guān)公式如下[31]：

(2)

式中,Ii表示位置i的局部Moran′I指數(shù),其余符號(hào)含義同公式(1)。Ii>0表示屬性值相似地區(qū)相臨近(高高集聚或低低集聚)；Ii<0表示屬性值差異較大的地區(qū)相臨近(高低集聚或低高集聚)。本研究中,高高集聚區(qū)域?yàn)闊狳c(diǎn),低低集聚區(qū)域?yàn)槔潼c(diǎn)。

全局和局部自相關(guān)顯著性通過(guò)Z統(tǒng)計(jì)量得知,計(jì)算公式如下：

式中,E(I)和Var(I)分別表示Moran′I指數(shù)期望值和方差值。

2.2.2多元線性回歸

本研究利用多元線性回歸方法來(lái)分析PM2.5濃度和氣象要素間的關(guān)系,以確定顯著影響因素。為確保所有變量數(shù)據(jù)在同一時(shí)空尺度,對(duì)因變量和自變量數(shù)據(jù)進(jìn)行歸一化處理,公式如下：

Y=β0+β1X1+β2X2+…+βnXn+ε

式中,Y表示歸一化的整體PM2.5濃度或每個(gè)自變量(氣象要素)網(wǎng)格對(duì)應(yīng)的PM2.5濃度,β是回歸系數(shù),相互項(xiàng)達(dá)到三階以上。對(duì)網(wǎng)格進(jìn)行逐個(gè)回歸分析,基于赤池信息量準(zhǔn)則(Akaike information criterion, AIC)剔除不顯著因子,選擇最適合的模型。同時(shí)為了防止模型過(guò)擬合,對(duì)自變量進(jìn)行多重共線性檢驗(yàn)。利用皮爾森(Pearson)相關(guān)分析法對(duì)自變量因素進(jìn)行相關(guān)檢驗(yàn),剔除相關(guān)性系數(shù)大于0.8的因子,將剩余因子納入回歸模型中進(jìn)行擬合[25]。

2.3 數(shù)據(jù)預(yù)處理

本研究中因變量(Y)為PM2.5濃度數(shù)據(jù),自變量X為氣象要素?cái)?shù)據(jù)。將數(shù)據(jù)集分成兩部分,第一部分(原始數(shù)據(jù)集的20%)為評(píng)價(jià)集,用于選擇最優(yōu)的模型,另一部分(原始數(shù)據(jù)集的80%)為訓(xùn)練集,用于擬合模型[32]。模型擬合效果評(píng)價(jià)選用決定性系數(shù)(R2)均方誤差(Mean Square Error, MSE)、平均絕對(duì)誤差(Mean Absolute Error, MAE)、平均絕對(duì)百分誤差(Mean Absolute Percentage Error, MAPE)等參數(shù)[8]。R2值越大；MSE、MAE、MAPE值越小,代表模型擬合效果越好。各參數(shù)公式如下：

式中,y是真實(shí)值,yi是預(yù)測(cè)值,ei是y的標(biāo)準(zhǔn)差和yi的標(biāo)準(zhǔn)差之間的差。

以上全部過(guò)程利用ArcGIS 10.2軟件及R 3.6.0軟件完成。

3 結(jié)果與討論

3.1 時(shí)間分布特征

利用粵港澳大灣區(qū)1999—2016年P(guān)M2.5濃度數(shù)據(jù),分析粵港澳大灣區(qū)整體及廣州、深圳和香港各城市的PM2.5平均濃度。結(jié)果表明：粵港澳大灣區(qū)PM2.5年均濃度為32.0 μg/m3,廣州為35.6 μg/m3,深圳為31.4 μg/m3,香港為27.6 μg/m3；粵港澳大灣區(qū)1999—2016年P(guān)M2.5年均濃度呈先增加后減小的變化趨勢(shì)(圖1),廣州、深圳和香港3個(gè)城市變化趨勢(shì)與灣區(qū)整體相同,廣州年均濃度高于粵港澳大灣區(qū),香港反之,深圳與灣區(qū)持平。

灣區(qū)1999—2008年P(guān)M2.5年均濃度變化呈上升趨勢(shì),由26.4 μg/m3上升至40.7 μg/m3,年均增加1.6 μg/m3；2009—2016年則呈波動(dòng)下降趨勢(shì),PM2.5年均濃度在經(jīng)歷了2014年的波動(dòng)起伏后,2016年下降至26.8 μg/m3,年均下降1.9 μg/m3。依據(jù)環(huán)境空氣質(zhì)量標(biāo)準(zhǔn)(GB 3095—2012),PM2.5年均濃度的一級(jí)、二級(jí)限值分別為15 μg/m3、35 μg/m3,1999—2016年粵港澳大灣區(qū)PM2.5年均濃度值均超過(guò)一級(jí)限值,2007—2010年P(guān)M2.5年均濃度值則已超過(guò)二級(jí)限值,大氣環(huán)境質(zhì)量呈惡化趨勢(shì)。

由上可知,2008年是粵港澳大灣區(qū)PM2.5污染情況由持續(xù)惡化趨向逐步改善的重要“拐點(diǎn)”。該現(xiàn)象與國(guó)家“十五計(jì)劃”提出的環(huán)保相關(guān)政策及后期出臺(tái)的“氣十條”政策,即要求減少污染物排放；嚴(yán)控高耗能、高污染行業(yè)新增耗能；大力推行清潔生產(chǎn)；加快調(diào)整能源結(jié)構(gòu)；強(qiáng)化節(jié)能環(huán)保指標(biāo)約束；推行激勵(lì)與約束并舉的節(jié)能減排新機(jī)制,加大排污費(fèi)征收力度等舉措的實(shí)施有關(guān)。2014年,PM2.5濃度小幅增加,污染呈惡化趨勢(shì),該現(xiàn)象與極端氣候相關(guān),如2014年,全國(guó)平均風(fēng)速為1.9 m/s,小風(fēng)日數(shù)達(dá)到237 d,全國(guó)共出現(xiàn)13次大范圍、持續(xù)性霧霾現(xiàn)象[33]。

圖1 粵港澳大灣區(qū)1999—2016年P(guān)M2.5年均濃度變化趨勢(shì)Fig.1 Trend of annual average concentration of PM2.5 in Guangdong-Hong Kong-Macao Greater Bay Area from 1999 to 2016

將PM2.5年均濃度劃分為3個(gè)區(qū)間,分別為0—25 μg/m3、25—35 μg/m3和35—55 μg/m3。分析各區(qū)間內(nèi)濃度值占比的變化情況(圖2)。結(jié)果表明：1999—2016年P(guān)M2.5年均濃度0—25 μg/m3的區(qū)間比例呈先下降后上升“V”形趨勢(shì),由1999年的30.4%下降到2008年的0后,2016年回升至36.1%,2000年P(guān)M2.5年均濃度0—25 μg/m3的區(qū)間比例最大達(dá)88.3%,2008年最小為0。1999—2016年P(guān)M2.5年均濃度25—35 μg/m3的區(qū)間比例呈先下降后上升再下降再上升的“W”形趨勢(shì),由1999年的30.4%下降到2008年的0后,2016年回升至36.1%,2000年P(guān)M2.5年均濃度0—25 μg/m3的區(qū)間比例最大達(dá)88.3%,2008年最小為0。綜上,PM2.5年均濃度0—35 μg/m3(二級(jí)標(biāo)準(zhǔn)限值)的柵格比例從1999年的98.7%下降到2008年的15.7%,2016年上升至96.9%。由此可知,2008年以來(lái),PM2.5污染情況得到改善,空氣質(zhì)量顯著提高。

3.2 空間分布特征

由PM2.5濃度隨時(shí)間變化趨勢(shì)可知,2008年是粵港澳大灣區(qū)PM2.5濃度變化的拐點(diǎn),因此本研究以1999、2008、2016年為時(shí)間節(jié)點(diǎn),分析粵港澳大灣區(qū)PM2.5濃度空間集聚的變化特征?？臻g自相關(guān)分析結(jié)果表明(表1),1999、2008、2016年P(guān)M2.5年均濃度全局莫蘭指數(shù)(Moran′I指數(shù))均通過(guò)99%的顯著性檢驗(yàn),粵港澳大灣區(qū)PM2.5年均濃度空間分布存在顯著的自相關(guān),即相似值趨于聚集分布。

表1 粵港澳大灣區(qū)PM2.5濃度全局莫蘭指數(shù)(Moran′I指數(shù))

利用局部自相關(guān)分析方法提取粵港澳大灣區(qū)PM2.5年均濃度熱冷點(diǎn)區(qū)(圖3)。結(jié)果表明：1999年、2008年和2016年粵港澳大灣區(qū)PM2.5濃度熱點(diǎn)和冷點(diǎn)的位置變化不大,但范圍變化十分明顯；熱點(diǎn)區(qū)域集中在粵港澳大灣區(qū)的核心區(qū)域,包括廣州、佛山、東莞及肇慶、中山、江門(mén)三市內(nèi)靠近核心區(qū)的區(qū)域,即該區(qū)域?yàn)榛浉郯拇鬄硡^(qū)內(nèi)持續(xù)穩(wěn)定的PM2.5高污染區(qū)域。冷點(diǎn)區(qū)域集中在粵港澳大灣區(qū)的外圍區(qū)域,包括惠州、深圳、香港、澳門(mén)、珠海及中山、江門(mén)和肇慶三市內(nèi)遠(yuǎn)離核心區(qū)的區(qū)域,是粵港澳大灣區(qū)內(nèi)持續(xù)穩(wěn)定的PM2.5濃度值較低的空氣質(zhì)量?jī)?yōu)良區(qū)域。

圖3 粵港澳大灣區(qū)PM2.5濃度空間集聚特征Fig.3 Spatial agglomeration characteristics of PM2.5 concentration in Guangdong-Hong Kong-Macao Greater Bay Area

3.3 影響因素

本研究基于PM2.5濃度時(shí)間分布特征,分別選取1999年、2008年和2016年三期PM2.5濃度數(shù)據(jù)及其對(duì)應(yīng)年份的氣象數(shù)據(jù)作為回歸分析的因變量和自變量。

自變量選取實(shí)際蒸散量(aet)、參考蒸散量(pet)、降水(ppt)、太陽(yáng)輻射(srad)、最低溫度(tmmn)、最高溫度(tmmx)、蒸汽壓(vap)、飽和水汽壓差(vpd)及風(fēng)速(ws)共9個(gè)變量,利用皮爾森相關(guān)分析進(jìn)行相關(guān)性檢驗(yàn)。結(jié)果顯示：參考蒸散量(pet)、降水(ppt)、最高溫度(tmmx)3個(gè)因子相關(guān)性系數(shù)較大,遂刪除這些因子(圖4)。將剩余6個(gè)因子與PM2.5濃度數(shù)據(jù)納入回歸方程中,按數(shù)據(jù)預(yù)處理過(guò)程分析。

圖4 自變量相關(guān)性分析Fig.4 Correlation analysis of independent variablesaet：實(shí)際蒸散量 Actual evapotranspiration；pet：參考蒸散量 Reference evapotranspiration；ppt：降水 Precipitation accumulation；srad：太陽(yáng)輻射 Downward surface shortwave radiation；tmmn：最低溫度 Minimum temperature；tmmx：最高溫度 Maximum temperature；vap：蒸汽壓 Vapor pressure；vpd：飽和水汽壓差 Vapor pressure deficit；ws：風(fēng)速 Wind-speed

回歸分析結(jié)果顯示,模型在99%水平下顯著,決定系數(shù)(R2)為0.62,校正決定系數(shù)(AdjustedR2)為0.63,均方誤差(MSE)為24.88,平均絕對(duì)誤差(MAE)為3.93 μg/m3,平均絕對(duì)百分誤差(MAPE)為13.17%。實(shí)際蒸散量(aet)、太陽(yáng)輻射(srad)、最低溫度(tmmn)、蒸汽壓(vap)、飽和水汽壓差(vpd)、風(fēng)速(ws)對(duì)PM2.5濃度有顯著影響(表2)。

表2 多元線性回歸分析結(jié)果

輻射與PM2.5濃度呈負(fù)相關(guān),主要原因?yàn)椋狠椛湓龃髮?dǎo)致空氣中H2O自由基濃度增大；地表臭氧作為一種二次生成的大氣污染物,其形成過(guò)程依賴(lài)于大氣自由基的濃度,而PM2.5濃度的下降,使得其吸收的大氣自由基減少,進(jìn)而增加了近地表臭氧的生成,因此輻射增強(qiáng)會(huì)促進(jìn)PM2.5和臭氧的轉(zhuǎn)化[34]。近年來(lái)臭氧已成為大灣區(qū)空氣環(huán)境的首要污染物[35-36],該現(xiàn)象也可證實(shí)PM2.5和臭氧的轉(zhuǎn)化特征。

最小溫度與PM2.5濃度呈正相關(guān),主要原因?yàn)椋簻囟扔绊戭w粒物的形成,高溫能促進(jìn)前驅(qū)體間的光化學(xué)反應(yīng)[1]；國(guó)內(nèi)其他城市空氣污染研究也得到類(lèi)似結(jié)論[33, 35, 37]。

飽和水氣壓差,由空氣溫度和濕度組成,該變量代表空氣的干燥程度,值越大,表示空氣越干燥。該值與PM2.5濃度呈負(fù)相關(guān)；相關(guān)文獻(xiàn)表明空氣濕度越大,對(duì)顆粒物的沖刷作用越明顯；濕度相對(duì)較小時(shí),越有利于顆粒物生成[1, 21, 24, 38-39]。

風(fēng)速與PM2.5濃度呈負(fù)相關(guān),主要原因?yàn)椋猴L(fēng)速顯著影響空氣污染物的擴(kuò)散,風(fēng)速增加有利于PM2.5的擴(kuò)散。風(fēng)力較小時(shí),由于地表阻礙底層空氣流動(dòng),顆粒物難以消散,伴隨著外部污染緩慢輸入,污染加?。伙L(fēng)力較大時(shí),有利于顆粒物擴(kuò)散,城市大氣中顆粒物濃度降低[1, 40]。

本研究結(jié)果多元線性回歸系數(shù)較高,表明研究城市生態(tài)問(wèn)題如大氣污染時(shí),使用多種數(shù)據(jù)進(jìn)行長(zhǎng)時(shí)間序列變化的研究,模型擬合效果會(huì)更好,且確定關(guān)鍵影響因素尤為重要[1, 41]。

4 結(jié)論

(1)粵港澳大灣區(qū)1999—2016年歷年P(guān)M2.5平均濃度變化呈先增加后減小趨勢(shì),廣州、深圳和香港3個(gè)城市變化趨勢(shì)和灣區(qū)全域相同,廣州PM2.5年均濃度高于灣區(qū),香港反之,深圳與灣區(qū)持平。2008年是灣區(qū)終結(jié)PM2.5污染持續(xù)惡化現(xiàn)象的重要“拐點(diǎn)”。1999—2016年,PM2.5年均濃度0—25 μg/m3的區(qū)間比例呈先下降后上升的變化趨勢(shì)；1999、2008、2016三個(gè)典型年份的區(qū)間比例分別為30.4%、0、36.1%。2008年后,大灣區(qū)空氣質(zhì)量明顯改善,并逐步提高。

(2)粵港澳大灣區(qū)PM2.5濃度熱點(diǎn)和冷點(diǎn)的位置變化不大,但范圍變化十分明顯。熱點(diǎn)區(qū)域集中在粵港澳大灣區(qū)的核心區(qū)域,包括廣州、佛山、東莞及肇慶、中山、江門(mén)三市中靠近核心區(qū)的區(qū)域。冷點(diǎn)區(qū)域集中在粵港澳大灣區(qū)的外圍區(qū)域,包括惠州、深圳、香港、澳門(mén)、珠海及中山、江門(mén)和肇慶三市中遠(yuǎn)離核心區(qū)的區(qū)域。

(3)眾多氣象要素中,實(shí)際蒸散量、太陽(yáng)輻射、最低溫度、蒸汽壓、飽和水汽壓差、風(fēng)速對(duì)PM2.5濃度有顯著影響。