蔡清楠,車揚(yáng)子,孫凌瑜,3,田佳欣,4,房德琳,陳 彬,羅 明

1 北京師范大學(xué)地理科學(xué)學(xué)部,北京 100875 2 中山大學(xué)地理科學(xué)與規(guī)劃學(xué)院,廣州 510275 3 武漢大學(xué)測(cè)繪遙感信息工程國(guó)家重點(diǎn)實(shí)驗(yàn)室,武漢 430079 4 中國(guó)科學(xué)院地理科學(xué)與資源研究所資源與環(huán)境信息系統(tǒng)國(guó)家重點(diǎn)實(shí)驗(yàn)室,北京 100101 5 北京師范大學(xué)環(huán)境學(xué)院,北京 100875

大氣污染嚴(yán)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(wèn)題[1- 4]。直徑≤2.5μm的細(xì)顆粒物(Fine Particle Matter, PM2.5)是導(dǎo)致霧霾的主要根源,PM2.5能通過(guò)呼吸系統(tǒng)被人體直接吸入,并通過(guò)循環(huán)系統(tǒng)到達(dá)其他器官,嚴(yán)重危害人體健康[5- 7]。PM2.5的長(zhǎng)期暴露成為主要的公共健康風(fēng)險(xiǎn)因素[8],且年長(zhǎng)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(dǎo)致全球約420萬(wàn)人(95% CI: 370—480)的超額死亡,占全球死亡總?cè)丝跀?shù)的7.6%,PM2.5成為2015年全球第五大死亡風(fēng)險(xiǎn)因子[12]。改革開放以來(lái),中國(guó)經(jīng)濟(jì)實(shí)現(xiàn)騰飛,與此同時(shí)面臨空氣污染的巨大挑戰(zhàn),城市出現(xiàn)以PM2.5為首要污染物的空氣污染問(wèn)題[13- 14],PM2.5的長(zhǎng)期暴露成為中國(guó)第四大健康風(fēng)險(xiǎn)因素,2015年中國(guó)PM2.5相關(guān)過(guò)早死亡人口高達(dá)110萬(wàn)[12]。珠三角地區(qū)是全國(guó)經(jīng)濟(jì)發(fā)達(dá)地區(qū),區(qū)域因快速發(fā)展而導(dǎo)致的空氣污染問(wèn)題愈發(fā)嚴(yán)峻,同時(shí),由于外來(lái)人口大量涌入,珠三角地區(qū)人口規(guī)模龐大,尤其是中心地區(qū)人口高度密集,因此,空氣污染對(duì)區(qū)域人群的健康威脅巨大。2000年以來(lái),珠三角地區(qū)已相繼提出并實(shí)施多項(xiàng)空氣污染治理政策[15],并于2013年首次將PM2.5作為常規(guī)污染物監(jiān)測(cè)項(xiàng)目。在此背景下,厘清珠三角地區(qū)PM2.5濃度及其健康效應(yīng)的時(shí)空演變特征具有重要意義。

由于PM2.5實(shí)時(shí)監(jiān)測(cè)站點(diǎn)空間分布不均且觀測(cè)時(shí)間短,學(xué)者常通過(guò)空氣質(zhì)量模型模擬、利用遙感反演得到的氣溶膠光學(xué)厚度(Aerosol Optical Depth, AOD)產(chǎn)品進(jìn)行估算,以獲得連續(xù)空間覆蓋的近地面PM2.5歷史濃度數(shù)據(jù)[16-17]。利用AOD產(chǎn)品估算PM2.5濃度的統(tǒng)計(jì)模型,從簡(jiǎn)單的回歸模型向更高級(jí)的地理加權(quán)回歸、線性混合效應(yīng)等模型發(fā)展[18],后來(lái)引入對(duì)非線性關(guān)系具有超強(qiáng)擬合的機(jī)器學(xué)習(xí)算法,因其提高了模型的估算精度而被廣泛應(yīng)用[19-20]。在此基礎(chǔ)上,學(xué)者采用空間統(tǒng)計(jì)模型、重力模型、空間自相關(guān)分析等方法探討PM2.5的時(shí)空分布特征[21- 23],同時(shí)采用相關(guān)性分析、地理探測(cè)器、對(duì)數(shù)平均迪氏指數(shù)分解等方法探討影響PM2.5濃度的驅(qū)動(dòng)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(jié)果。在機(jī)器學(xué)習(xí)算法的應(yīng)用中,相比于其他模型,隨機(jī)森林(Random Forest, RF)通過(guò)確定每個(gè)節(jié)點(diǎn)的預(yù)測(cè)變量數(shù)和每個(gè)決策樹的數(shù)目來(lái)獲得最優(yōu)估計(jì)[20, 27],同時(shí)提供各變量影響PM2.5濃度變異的重要性指標(biāo),更合理地解釋了PM2.5濃度的變化特征[28],可以通過(guò)調(diào)整參與模型構(gòu)建的參數(shù),獲得更精確的PM2.5濃度估算結(jié)果[29-30]。

定量評(píng)估空氣污染帶來(lái)的健康損失,關(guān)鍵在于將空氣質(zhì)量的變化和人群健康效應(yīng)終端(死亡率、患病率、住院率等)的變化聯(lián)系起來(lái),建立“暴露-響應(yīng)”關(guān)系函數(shù)。在流行病學(xué)研究中,常采用“時(shí)間序列”和“病例交叉”研究方法評(píng)估大氣污染的短期健康效應(yīng),采用“隊(duì)列研究”方法評(píng)估大氣污染的長(zhǎng)期健康效應(yīng),研究結(jié)果是構(gòu)建“暴露-響應(yīng)”關(guān)系模型,基于模型可以評(píng)估大氣污染對(duì)人體健康的影響。其中,針對(duì)PM2.5污染的長(zhǎng)期健康效應(yīng),對(duì)應(yīng)的“暴露-響應(yīng)”關(guān)系模型經(jīng)歷了“簡(jiǎn)單線性模型-對(duì)數(shù)線性模型-綜合暴露反應(yīng)模型(Integrated Exposure-Response, IER)-全球暴露死亡模型(Global Exposure Mortality Model, GEMM)”的發(fā)展歷程。2014年,Burnett等在全球流行病學(xué)研究結(jié)果的基礎(chǔ)上考慮了室內(nèi)人群主動(dòng)吸煙、二手煙和家庭燃料情形下的流行病學(xué)研究,提出IER模型,用以估算全球PM2.5相關(guān)疾病負(fù)擔(dān)[31]。2018年,在IER模型的基礎(chǔ)上,Burnett等應(yīng)用全球16個(gè)國(guó)家針對(duì)人體長(zhǎng)期暴露在室外PM2.5污染下的健康危害的41項(xiàng)流行病學(xué)研究結(jié)果(包含中國(guó)隊(duì)列研究),嘗試放松IER模型的強(qiáng)制假設(shè),進(jìn)一步優(yōu)化室外PM2.5污染模擬,提出GEMM模型[32]。學(xué)者?；诮】敌?yīng)模型,分析PM2.5污染對(duì)人體健康的影響,并通過(guò)構(gòu)建情景模擬,預(yù)測(cè)當(dāng)PM2.5濃度降低至某空氣質(zhì)量標(biāo)準(zhǔn)后,區(qū)域可獲得的健康效益[15, 33-34]。

珠三角地區(qū)積極實(shí)施空氣污染治理政策,但區(qū)域PM2.5濃度及其健康效應(yīng)的時(shí)空演變特征尚不清楚,城市之間的差異仍有待進(jìn)一步探索。基于此,本研究利用2014—2018年珠三角地區(qū)56個(gè)空氣質(zhì)量監(jiān)測(cè)站點(diǎn)(圖1)對(duì)應(yīng)的PM2.5歷史濃度和多種影響因素?cái)?shù)據(jù),構(gòu)建隨機(jī)森林模型,估算2000—2018年各監(jiān)測(cè)站點(diǎn)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(yīng)用GEMM模型核算PM2.5健康效應(yīng),探討珠三角地區(qū)PM2.5濃度及其健康效應(yīng)的時(shí)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(xué)參考,最終實(shí)現(xiàn)經(jīng)濟(jì)效益的提升和區(qū)域的和諧發(fā)展。

圖1 珠三角地區(qū)空氣質(zhì)量監(jiān)測(cè)站點(diǎn)分布Fig.1 Distribution of the air quality monitoring stations in the PRDPRD: 珠三角地區(qū)The Pearl River Delta

1 材料與方法

1.1 數(shù)據(jù)來(lái)源與處理

本研究構(gòu)建隨機(jī)森林模型估算長(zhǎng)時(shí)間序列的PM2.5濃度,所需數(shù)據(jù)包括PM2.5地面監(jiān)測(cè)站點(diǎn)的歷史濃度數(shù)據(jù)、氣象數(shù)據(jù)、歸一化植被指數(shù)(Normalized Differential Vegetation Index, NDVI)和社會(huì)經(jīng)濟(jì)數(shù)據(jù)。(1)PM2.5歷史濃度監(jiān)測(cè)數(shù)據(jù)來(lái)源于中國(guó)環(huán)境監(jiān)測(cè)總站的全國(guó)城市空氣質(zhì)量實(shí)時(shí)發(fā)布平臺(tái),包括珠三角地區(qū)56個(gè)空氣質(zhì)量監(jiān)測(cè)站2014—2018年每小時(shí)的PM2.5濃度數(shù)據(jù),在構(gòu)建隨機(jī)森林模型前對(duì)數(shù)據(jù)進(jìn)行處理,求得各監(jiān)測(cè)站點(diǎn)逐月的PM2.5濃度。(2)氣象數(shù)據(jù)來(lái)源于愛荷華大學(xué)提供的全球陸地表面月度氣候和氣候水平衡數(shù)據(jù)(Terra Climate),其空間分辨率為2.5弧分(赤道約4.625km),本研究通過(guò)Google Earth Engine(GEE)平臺(tái)(https://earthengine.google.com/)分別計(jì)算提取月度、年度珠三角地區(qū)56個(gè)空氣質(zhì)量監(jiān)測(cè)站點(diǎn)對(duì)應(yīng)的水汽壓、氣溫、風(fēng)速和累積降水量4個(gè)氣象要素,獲得2014—2018年逐月平均數(shù)據(jù)以及2000—2018年逐年平均數(shù)據(jù)。(3)NDVI數(shù)據(jù)來(lái)源于Terra衛(wèi)星中分辨率成像光譜儀MOD13Q1,V006版本數(shù)據(jù),該衛(wèi)星16 d過(guò)境一次,數(shù)據(jù)空間分辨率為250m。本研究通過(guò)GEE平臺(tái)計(jì)算提取珠三角地區(qū)56個(gè)空氣質(zhì)量監(jiān)測(cè)站點(diǎn)對(duì)應(yīng)的NDVI值(NDVI, 0—1),獲得2014—2018年逐月平均數(shù)據(jù)及2000—2018逐年平均數(shù)據(jù)。(4)社會(huì)經(jīng)濟(jì)數(shù)據(jù)包括人口密度和國(guó)內(nèi)生產(chǎn)總值。人口密度數(shù)據(jù)來(lái)源于WorldPop網(wǎng)站(https://www.worldpop.org/)發(fā)布的100m×100m網(wǎng)格人口數(shù)據(jù)集,本研究在GEE平臺(tái)上計(jì)算提取,獲得珠三角地區(qū)56個(gè)空氣質(zhì)量監(jiān)測(cè)站點(diǎn)對(duì)應(yīng)的2014—2018年逐月平均數(shù)據(jù)及2000—2018逐年平均數(shù)據(jù)。國(guó)內(nèi)生產(chǎn)總值數(shù)據(jù)來(lái)源于中科院資源環(huán)境數(shù)據(jù)云平臺(tái)(http://www.resdc.cn/)提供的2000、2005、2010和2015年空間分辨率為1km×1km的中國(guó)GDP空間分布公里網(wǎng)格數(shù)據(jù)集,利用ArcGIS提取獲得珠三角地區(qū)56個(gè)空氣質(zhì)量監(jiān)測(cè)站點(diǎn)對(duì)應(yīng)的國(guó)內(nèi)生產(chǎn)總值,通過(guò)線性插值法獲取2000—2015年各站點(diǎn)逐年的GDP,并利用灰色預(yù)測(cè)法獲得2016—2018年各站點(diǎn)逐年的GDP。

本研究進(jìn)一步采用GEMM模型核算PM2.5健康效應(yīng),所需數(shù)據(jù)包括PM2.5濃度空間分布數(shù)據(jù)、人口空間分布數(shù)據(jù)、疾病死亡人數(shù)和全國(guó)總?cè)丝跀?shù)。(1)本研究基于隨機(jī)森林模型估算得到的2000—2018年珠三角地區(qū)空氣質(zhì)量監(jiān)測(cè)站點(diǎn)的PM2.5年均濃度數(shù)據(jù),在ArcGIS中進(jìn)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(qū)PM2.5濃度空間分布數(shù)據(jù)。(2)人口空間分布數(shù)據(jù)來(lái)自于East View提供的由能源部橡樹嶺國(guó)家實(shí)驗(yàn)室(ORNL)開發(fā)的LandScanTM全球人口數(shù)據(jù)集(LandScanTMGlobal Population Dataset, https://landscan.ornl.gov/)。該數(shù)據(jù)集基于1 km高分辨率GIS柵格和人口普查局國(guó)際項(xiàng)目中心提供的地方人口普查數(shù)據(jù),描述24小時(shí)人口平均分布,空間人口分布精準(zhǔn)且分辨率高(https://www.eastview.com/resources/e-collections/landscan/)。本研究根據(jù)珠三角地區(qū)的行政邊界,利用ArcGIS進(jìn)行掩膜提取,獲得空間分辨率為1 km的珠三角地區(qū)2000—2018年人口空間分布數(shù)據(jù)(人/km2)。(3)疾病死亡人數(shù)來(lái)自于Global Burden of Disease(GBD)平臺(tái)(http://ghdx.healthdata.org/gbd-results-tool)提供的中國(guó)2000—2018年相關(guān)疾病不同年齡階段人群的總死亡人數(shù)。(4)全國(guó)總?cè)丝跀?shù)來(lái)自于《中國(guó)統(tǒng)計(jì)年鑒》(2020年)(https://data.cnki.net/yearbook/Single/N2020100004)。

1.2 模型介紹

1.2.1隨機(jī)森林模型

隨機(jī)森林模型是由Breiman等人共同提出一種基于決策樹的集成機(jī)器學(xué)習(xí)算法[35],通過(guò)集成多個(gè)決策樹從而提高模型的預(yù)測(cè)精度,可用于解決分類和回歸問(wèn)題。在回歸問(wèn)題中,隨機(jī)森林通過(guò)計(jì)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(wèn)題,體現(xiàn)變量間的交互作用,實(shí)現(xiàn)非線性回歸[36]。同其他回歸模型一樣,隨機(jī)森林回歸模型可以建立多個(gè)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(gè)自變量與因變量的對(duì)應(yīng)數(shù)據(jù),將上述數(shù)據(jù)按照一定比例分為訓(xùn)練集和測(cè)試集,用訓(xùn)練集訓(xùn)練隨機(jī)森林模型,用測(cè)試集來(lái)估計(jì)模型對(duì)新數(shù)據(jù)的性能。隨機(jī)森林模型構(gòu)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(gòu)建的隨機(jī)森林模型,對(duì)因變量的值進(jìn)行估算?；陔S機(jī)森林回歸模型原理,本研究旨在構(gòu)建包含累積降雨量、溫度、水汽壓、風(fēng)速、NDVI、人口密度和國(guó)內(nèi)生產(chǎn)總值等自變量參數(shù)的隨機(jī)森林回歸模型,以估算珠三角地區(qū)的PM2.5濃度。隨機(jī)森林模型的IncMSE(increase in mean squared error)指標(biāo)對(duì)自變量進(jìn)行隨機(jī)賦值,若自變量重要,則MSE(mean squared error)增加越多，可用于驗(yàn)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(gòu)建的隨機(jī)森林模型可簡(jiǎn)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(fēng)速vs(m/s)、歸一化植被指數(shù)NDVI、人口密度pop(人/km2)和國(guó)內(nèi)生產(chǎn)總值pop(萬(wàn)元/km2)；PM2.5指的是因變量參數(shù),即56個(gè)空氣質(zhì)量監(jiān)測(cè)站點(diǎn)對(duì)應(yīng)的PM2.5濃度(μg/m3)。

為了充實(shí)數(shù)據(jù)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(qū)56個(gè)空氣質(zhì)量監(jiān)測(cè)站點(diǎn)自變量和因變量的逐月數(shù)據(jù)構(gòu)建隨機(jī)森林模型,進(jìn)行多個(gè)自變量和因變量之間的多元回歸,再將2000—2018年各個(gè)自變量的年均數(shù)據(jù)帶入所構(gòu)建的隨機(jī)森林模型中,用以估算2000—2018年各監(jiān)測(cè)站點(diǎn)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(shù)據(jù),按照3：1的比例,隨機(jī)分成訓(xùn)練集和測(cè)試集,采用R語(yǔ)言構(gòu)建隨機(jī)森林回歸模型,使用決定系數(shù)(R2)和RMSE兩項(xiàng)指標(biāo)來(lái)評(píng)估模型估算的PM2.5濃度和地面實(shí)測(cè)值之間的相關(guān)性,同時(shí)分析各自變量與PM2.5濃度之間的關(guān)系。(2)基于所構(gòu)建的模型,采用2000—2018年各自變量的年均數(shù)據(jù),估算珠三角地區(qū)56個(gè)空氣質(zhì)量監(jiān)測(cè)站點(diǎn)2000—2018年的PM2.5年均濃度。

1.2.2PM2.5暴露風(fēng)險(xiǎn)評(píng)估模型

PM2.5人口加權(quán)年均濃度又稱人口加權(quán)暴露水平,用以量化人群暴露于PM2.5污染環(huán)境中的時(shí)空差異[37],是反映地區(qū)PM2.5暴露水平的重要指標(biāo)[15]。為了評(píng)估珠三角地區(qū)人群實(shí)際的PM2.5暴露風(fēng)險(xiǎn),采用PM2.5人口加權(quán)年均濃度作為人群PM2.5暴露的表征,并比較PM2.5人口加權(quán)年均濃度和PM2.5算術(shù)年均濃度之間的差異。相關(guān)計(jì)算公式：

(2)

(3)

式中,Cpop表示PM2.5人口加權(quán)年均濃度,Cmean表示PM2.5算術(shù)年均濃度,i表示柵格影像的第i個(gè)像元,n表示柵格影像的像元數(shù)量,Ci和Pi分別表示第i個(gè)像元的PM2.5濃度和人口數(shù)[38-39]。

1.2.3GEMM模型

GEMM模型有GEMM 5COD和GEMM NCD+LRI兩種評(píng)估模型。GEMM 5COD考慮了以下五種疾病的獨(dú)立影響：缺血性心臟病、中風(fēng)、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(duì)健康的影響[32]。本研究以1km×1km的空間網(wǎng)格單元為核算單元,分別使用兩種評(píng)估模型,考慮13個(gè)不同年齡段人群對(duì)室外PM2.5污染的不同健康反應(yīng),進(jìn)行珠三角地區(qū)PM2.5的健康影響評(píng)估,相關(guān)計(jì)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(jié)果分析

2.1 隨機(jī)森林模型估算結(jié)果

圖3 隨機(jī)森林模型估算結(jié)果Fig.3 Estimated results of random forest model

本研究根據(jù)①式,基于珠三角地區(qū)2014—2018年56個(gè)空氣質(zhì)量監(jiān)測(cè)站點(diǎn)的PM2.5濃度及7個(gè)自變量的逐月數(shù)據(jù),構(gòu)建隨機(jī)森林回歸模型。7個(gè)自變量在PM2.5濃度變異中的重要性評(píng)價(jià)如圖2所示,結(jié)果表明,NDVI、降水量和水汽壓是解釋珠三角地區(qū)中PM2.5濃度變化的前三個(gè)最重要變量。根據(jù)所構(gòu)建的隨機(jī)森林模型,基于2000—2018年7個(gè)自變量的年均數(shù)據(jù),估算獲得珠三角地區(qū)56個(gè)空氣質(zhì)量監(jiān)測(cè)站點(diǎn)2000—2018年的PM2.5濃度。(1)為評(píng)估隨機(jī)森林模型的估算精度,以2014—2018年實(shí)測(cè)的PM2.5濃度值為橫坐標(biāo),以2014—2018年估算的PM2.5濃度值為縱坐標(biāo),繪制散點(diǎn)圖如圖3所示,結(jié)果表明,模型在高值點(diǎn)位處的估算值較低于實(shí)測(cè)值,但估算值和實(shí)測(cè)值總體的符合情況較好,模型估算PM2.5濃度和地面實(shí)測(cè)值之間的R2為0.824,RMSE為2.898μg/m3,模型具有良好的學(xué)習(xí)能力,能夠有效估算PM2.5濃度。(2)為展現(xiàn)各自變量對(duì)模型估算結(jié)果影響的函數(shù)關(guān)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(jié)果,從而獲得此變量變化所引起的估算變化。結(jié)果表明,PM2.5濃度隨降水量、溫度、風(fēng)速和水汽壓的增加整體呈現(xiàn)下降趨勢(shì),隨GDP、人口密度和NDVI的增加整體呈現(xiàn)上升趨勢(shì)。可見,累積降水量、溫度、風(fēng)速和水汽壓等氣象因子對(duì)PM2.5濃度具有負(fù)向影響,GDP和人口密度等社會(huì)經(jīng)濟(jì)因子對(duì)PM2.5濃度具有正向影響。

2.2 PM2.5濃度時(shí)空分布特征

以3年為間隔,選取2000—2018期間7個(gè)樣本年份,基于隨機(jī)森林模型估算獲得的各監(jiān)測(cè)站點(diǎn)PM2.5濃度數(shù)據(jù),采用克里金插值法進(jìn)行空間插值,得到珠三角地區(qū)PM2.5濃度的空間分布情況如圖5所示,結(jié)合表1,結(jié)果表明：(1)時(shí)間上,2000—2006年珠三角地區(qū)PM2.5濃度整體呈現(xiàn)下降的趨勢(shì),2009年后呈現(xiàn)增加的趨勢(shì)。具體而言,肇慶表現(xiàn)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(xiàn)波動(dòng)狀態(tài),但整體上表現(xiàn)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(xiàn)波動(dòng)狀態(tài),但整體上表現(xiàn)為濃度下降,下降幅度為3.43%。(2)空間上,珠三角地區(qū)PM2.5濃度的空間分布模式呈現(xiàn)“西北—東南”遞減空間分異,即自內(nèi)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(qū)沿海城市風(fēng)速較大,空氣擴(kuò)散條件好,污染物易于擴(kuò)散,PM2.5濃度較低,而遠(yuǎn)離海洋的北部地區(qū)城市因山脈阻隔等原因,空氣擴(kuò)散條件差,PM2.5濃度較高。因此,本研究結(jié)果驗(yàn)證了前人研究,即受距海遠(yuǎn)近和地形地勢(shì)等自然因素影響,相比內(nèi)陸地區(qū),空氣污染物在沿海地區(qū)更易于擴(kuò)散[20, 40]。

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

2.3 PM2.5暴露風(fēng)險(xiǎn)評(píng)估

2000—2018年期間,珠三角地區(qū)的PM2.5算術(shù)年均濃度在35μg/m3左右,呈現(xiàn)波動(dòng)起伏狀態(tài),其中肇慶、廣州和佛山的PM2.5算術(shù)年均濃度均未達(dá)到國(guó)家一級(jí)標(biāo)準(zhǔn)35μg/m3(表1)。

為量化人群暴露于PM2.5污染環(huán)境中的時(shí)空差異,探究珠三角地區(qū)人群實(shí)際的PM2.5暴露風(fēng)險(xiǎn),本研究考慮人口密度和PM2.5濃度的空間關(guān)系,比較PM2.5人口加權(quán)年均濃度和PM2.5算術(shù)年均濃度之間的差異,若PM2.5人口加權(quán)年均濃度大于PM2.5算術(shù)年均濃度,則說(shuō)明人口密度較大的地區(qū)具有較高的PM2.5濃度,該地區(qū)的人口密度和PM2.5濃度呈現(xiàn)明顯的空間匹配關(guān)系,反之,若PM2.5人口加權(quán)年均濃度小于PM2.5算術(shù)年均濃度,則說(shuō)明人口密度較大的地區(qū)具有較低的PM2.5濃度,該地區(qū)的人口密度和PM2.5濃度未呈現(xiàn)明顯的空間匹配關(guān)系。

表1 2000—2018年珠三角地區(qū)各城市的PM2.5算術(shù)年均濃度和人口加權(quán)年均濃度

圖6 2000—2018年P(guān)M2.5人口加權(quán)年均濃度與PM2.5算術(shù)年均濃度的差值 (Δ=PM2.5人口加權(quán)年均濃度-PM2.5算術(shù)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(quán)年均濃度Population-weighted average PM2.5 concentration；PM2.5：PM2.5算術(shù)年均濃度Arithmetic average PM2.5 concentration

圖7 2000—2018年珠三角地區(qū)PM2.5相關(guān)過(guò)早死亡人數(shù)(>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?。籆OPD：慢性阻塞性肺??；Stroke：中風(fēng)；NC：非傳染性疾病

珠三角地區(qū)PM2.5人口加權(quán)年均濃度與PM2.5算術(shù)年均濃度的差值結(jié)果如圖6所示,2000—2018年期間,珠三角地區(qū)的PM2.5人口加權(quán)年均濃度低于PM2.5算術(shù)年均濃度,表明區(qū)域內(nèi)人口密度和PM2.5濃度未呈現(xiàn)明顯的空間匹配關(guān)系,人口密度較大的地區(qū)具有較低的PM2.5濃度,而人口密度較低的地區(qū)具有較高的PM2.5濃度,例如內(nèi)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(qū)各城市的具體情況如下：(1)廣州和東莞的PM2.5人口加權(quán)年均濃度均大于PM2.5算術(shù)年均濃度,江門和珠海的PM2.5人口加權(quán)年均濃度均小于PM2.5算術(shù)年均濃度,說(shuō)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(qū)具有較高的PM2.5濃度,PM2.5人口暴露風(fēng)險(xiǎn)較大,江門和珠海則反之,PM2.5人口暴露風(fēng)險(xiǎn)較小。(2)2003年之前,肇慶、深圳和惠州的PM2.5人口加權(quán)年均濃度高于PM2.5算術(shù)年均濃度,以深圳表現(xiàn)最為明顯,此后,三個(gè)城市的PM2.5人口加權(quán)年均濃度小于PM2.5算術(shù)年均濃度,表明三個(gè)城市人口密度較高的地區(qū)所對(duì)應(yīng)的PM2.5濃度有逐漸降低的趨勢(shì),PM2.5人口暴露風(fēng)險(xiǎn)逐漸降低。(3)2012年之后,佛山和中山的PM2.5人口加權(quán)年均濃度高于PM2.5算術(shù)年均濃度,表明兩個(gè)城市人口密度較高的地區(qū)所對(duì)應(yīng)的PM2.5濃度有逐漸增大的趨勢(shì),PM2.5人口暴露風(fēng)險(xiǎn)逐漸增大。

2.4 PM2.5健康效應(yīng)評(píng)估

圖8 2000、2009、2018年珠三角地區(qū)不同年齡群體的PM2.5相關(guān)過(guò)早死亡人數(shù)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(qū)PM2.5濃度、人口、PM2.5相關(guān)過(guò)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(qū)各城市的PM2.5相關(guān)過(guò)早死亡人數(shù)(>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(qū)各城市的PM2.5相關(guān)過(guò)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(qū)整體的PM2.5相關(guān)過(guò)早死亡人口數(shù)、不同年齡階段人群對(duì)應(yīng)的PM2.5相關(guān)過(guò)早死亡人口數(shù)、PM2.5相關(guān)過(guò)早死亡人口的空間分布情況如圖7—9所示。結(jié)果表明：(1)2000—2018年期間,珠三角地區(qū)PM2.5相關(guān)過(guò)早死亡人口數(shù)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(zhǎng)者的PM2.5相關(guān)過(guò)早死亡人數(shù)較多。(2)針對(duì)GEMM 5COD估算模型中的特定疾病類型,中風(fēng)(Stroke)和缺血性心臟病(IHD)是PM2.5污染所致過(guò)早死亡人口數(shù)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(shù)最少。2000、2003和2006年人群長(zhǎng)期暴露于PM2.5環(huán)境中,因中風(fēng)(Stroke)而過(guò)早死亡的人數(shù)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(zhǎng)期暴露于PM2.5環(huán)境中,因缺血性心臟病(IHD)而過(guò)早死亡的人數(shù)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(guò)早死亡的人數(shù)的增長(zhǎng)率最大(371.21%),因慢性阻塞性肺病(COPD)而過(guò)早死亡的人數(shù)的增長(zhǎng)率最小(61.06%)。因此,本研究認(rèn)為珠三角地區(qū)PM2.5污染對(duì)于缺血性心臟病(IHD)和中風(fēng)(Stroke)的健康影響較顯著,而對(duì)于下呼吸道感染(LRI)的健康影響較弱,且PM2.5污染對(duì)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(qū)PM2.5相關(guān)過(guò)早死亡人口與PM2.5濃度的空間分布差異顯著,PM2.5相關(guān)過(guò)早死亡人口不僅分布集中在PM2.5濃度較高的地區(qū),也集中分布在人口密度較高的地區(qū)。例如廣州中心城區(qū)PM2.5濃度高且人口密度大,其PM2.5相關(guān)過(guò)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(jié)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(guān)過(guò)早死亡人口高值區(qū),其PM2.5相關(guān)過(guò)早死亡人口密度主要是高人口密度作用的結(jié)果。

珠三角地區(qū)各城市的PM2.5相關(guān)過(guò)早死亡人數(shù)和空間分布情況如圖10—11所示。結(jié)果表明,東南沿海地區(qū)PM2.5濃度和人口密度較低的城市,對(duì)應(yīng)的PM2.5相關(guān)過(guò)早死亡人數(shù)較少,諸如珠海和中山；PM2.5濃度和人口密度較高的城市對(duì)應(yīng)的PM2.5相關(guān)過(guò)早死亡人數(shù)較多,主要集中在珠三角中心地區(qū),尤其以廣州中心城區(qū)表現(xiàn)明顯；2018年廣州、東莞和深圳的PM2.5相關(guān)過(guò)早死亡人數(shù)分別位居珠三角地區(qū)前三。

3 結(jié)論與建議

本研究基于隨機(jī)森林模型估算2000—2018年珠三角地區(qū)空氣質(zhì)量監(jiān)測(cè)站點(diǎn)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(yīng)用GEMM模型核算PM2.5長(zhǎng)期暴露的健康效應(yīng),從時(shí)空角度揭示珠三角地區(qū)PM2.5濃度及其健康效應(yīng)的時(shí)空演變規(guī)律。主要研究結(jié)論包括：

(1)本研究構(gòu)建的隨機(jī)森林回歸模型具有較高的精準(zhǔn)性,能夠有效估算PM2.5濃度,GDP、風(fēng)速和NDVI是解釋PM2.5濃度變化的前三個(gè)最重要變量,降水量、溫度、風(fēng)速和水汽壓等氣象因子對(duì)PM2.5濃度具有負(fù)向影響,GDP和人口密度等社會(huì)經(jīng)濟(jì)因子對(duì)PM2.5濃度具有正向影響。

(2)2000—2018年期間,珠三角地區(qū)PM2.5濃度呈現(xiàn)自內(nèi)陸向沿海遞減的空間特征,空氣污染物在沿海地區(qū)更易于擴(kuò)散,PM2.5濃度較低,而遠(yuǎn)離海洋的北部地區(qū)城市因山脈阻隔等原因,空氣擴(kuò)散條件差,PM2.5濃度較高。整體上,珠三角地區(qū)的PM2.5人口加權(quán)年均濃度低于PM2.5算術(shù)年均濃度,PM2.5濃度和人口密度未呈現(xiàn)明顯的空間匹配關(guān)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(qū)的社會(huì)經(jīng)濟(jì)活力旺盛,在快速發(fā)展的同時(shí)帶來(lái)了PM2.5污染,使得人群面臨較高的PM2.5暴露風(fēng)險(xiǎn)；佛山的城市化和工業(yè)化進(jìn)程加快,引起PM2.5等空氣污染物的大量排放,同時(shí),社會(huì)經(jīng)濟(jì)的快速發(fā)展引起人口集聚,導(dǎo)致人口高密度區(qū)具有較高的PM2.5濃度, PM2.5人口暴露風(fēng)險(xiǎn)增加；珠海的人口主要分布在香洲區(qū),其作為典型的沿海地區(qū),受風(fēng)速等氣象條件的負(fù)向影響,PM2.5濃度較低,PM2.5人口加權(quán)濃度小于PM2.5年均算術(shù)濃度,因此具有較低的PM2.5人口暴露風(fēng)險(xiǎn)。

(3)2000—2018年期間,珠三角地區(qū)PM2.5污染對(duì)于缺血性心臟病(IHD)和中風(fēng)(Stroke)的健康影響較顯著,而對(duì)于下呼吸道感染(LRI)的健康影響較弱,且PM2.5污染對(duì)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(jìn)程和人口老齡化趨勢(shì)下,珠三角地區(qū)PM2.5相關(guān)過(guò)早死亡人數(shù)逐漸增加,PM2.5相關(guān)過(guò)早死亡人口主要集中在PM2.5濃度和人口密度較高的地區(qū),例如珠三角中心地區(qū),尤其以廣州中心城區(qū)表現(xiàn)明顯。

據(jù)此,珠三角地區(qū)在實(shí)施空氣污染治理政策、提高醫(yī)療服務(wù)水平的同時(shí),應(yīng)關(guān)注城市人口結(jié)構(gòu),合理引導(dǎo)城市人口有序流動(dòng)遷移,以盡可能減少因人口高度集聚而帶來(lái)巨大健康損失,進(jìn)而提升地區(qū)經(jīng)濟(jì)效益。針對(duì)不同城市可采取不同的應(yīng)對(duì)措施,諸如針對(duì)高PM2.5濃度-低健康影響的肇慶,應(yīng)注重城市發(fā)展模式,不斷提升產(chǎn)業(yè)結(jié)構(gòu)以降低PM2.5污染水平；針對(duì)低PM2.5濃度-高健康影響的深圳,應(yīng)注重引導(dǎo)城市的人口流動(dòng)；針對(duì)高PM2.5濃度-高健康影響的廣州,不僅要注重城市發(fā)展模式以降低PM2.5濃度,同時(shí)要注重引導(dǎo)人口流動(dòng)。在快速城市化進(jìn)程和人口老齡化趨勢(shì)下,從降低PM2.5濃度和引導(dǎo)城市人口流動(dòng)的角度,采取側(cè)重點(diǎn)不同的政策措施以引導(dǎo)城市發(fā)展,同時(shí)加大社會(huì)保障力度、提高醫(yī)療服務(wù)水平,可以幫助珠三角地區(qū)有效應(yīng)對(duì)PM2.5污染問(wèn)題,實(shí)現(xiàn)PM2.5的區(qū)域聯(lián)防聯(lián)控,緩解PM2.5帶來(lái)的健康影響,最終實(shí)現(xiàn)區(qū)域社會(huì)經(jīng)濟(jì)效益的提升和城市化的健康發(fā)展。