气溶胶是一种悬浮在大气中由固态或液态颗粒等众多物质共同构成的稳定体系[1]。其来源分为人为排放和自然形成[2],是大气污染物的重要组成成分。气溶胶粒子通过吸收、散射等作用影响地气系统的能量平衡[3],进而对气候变化产生影响[4],导致空气质量下降[5],粒子中的化学物质还会通过呼吸道进入人体,对人体健康存在危害[6]。气溶胶光学厚度AOD(aerosol optical depth)被用于表征大气气溶胶基本光学特性[7],描述大气浑浊度或气溶胶的总含量,广泛应用于空气质量评估[8]。
目前AOD探测主要有两种手段:地基遥感与卫星遥感。地基遥感主要是利用太阳光度计对气溶胶进行观测,如AERONET自动检测网,可根据CE318多波段太阳光度计在不同波段下测量的直接辐射数据,结合相应波段的天空扫描辐射数据[9],得到各波段的气溶胶光学特性。虽观测数据精度较高,误差在0.01以内[10],但只能代表稀疏站点及其周围较小空间的AOD特征,无法满足区域性长时间研究的需要,而卫星遥感具备宏观、动态、实时、迅速等优势,弥补了此项不足。其中搭载在Terra和Aqua两颗卫星上的中分辨率成像光谱仪(MODIS)具有36个光谱波段通道,被用于大范围全球数据动态测量。且Li等[11]、Levy等[12]利用AERONET站点提供的数据对MODIS产品进行验证,证明了气溶胶产品精度可靠。鉴于此,国内很多学者基于MODIS卫星遥感开展了相关研究。例如,景悦等[13]对京津冀AOD的时空分布和影响因素进行研究,发现空间上呈现南高北低的态势,且人为因子贡献最显著。张颖蕾等[14]以长江三角洲为例,分析研究区AOD和Angstrom指数。
目前研究主要集中在经济发达且污染严重的区域。黄河流域作为中国地区AOD极大值中心之一[15],大气污染问题日益突出,许多研究人员也从多种视角对流域范围内的大气时空变化展开研究,一些学者对陕西省、郑州市、新乡市等地区的大气污染情况和时空差异进行分析[16-18],但以上研究大多局限于特定地点,驱动因子也主要集中在气象条件方面。针对此问题,本文以整个黄河流域为研究区,首先对MODIS气溶胶产品进行处理,揭示黄河流域2001—2020年长时间序列的AOD时空变化特征,分析地理环境、自然气象和社会经济与AOD间的相关关系,以期为黄河流域高质量发展提供依据,更好地保障黄河长治久安、促进全流域高质量发展。
1 材料和方法
1.1 研究区概况
黄河流域干流全长5 464 km,自西向东流经青海、四川、甘肃、宁夏、内蒙古、山西、陕西、河南和山东9个省份,最后注入渤海,流域总面积7.95×105 km2。黄河流域温差悬殊、降水集中但分布不均、降水年际变化大、湿度小,且沙暴、扬沙天气多[19]。在黄河流域,经济社会发展差距较大,第二产业占比较高,能源资源和矿产采掘业特色突出[20],空气污染问题严重。黄河流域概况图如图1所示,流域矢量边界和数字高程数据DEM(digital elevation model)来源于中国科学院地理科学与资源研究所资源环境科学数据中心(http:∥www.resdc.cn)。
图1 黄河流域高程空间分布图
Figure 1 Spatial distribution of elevation in the Yellow River Basin
1.2 MODIS数据
本文搜集了研究区范围内2001年1月1日至2020年12月31日的MODIS气溶胶三级产品MODO8_M3与二级产品MOD04_L2,经大量学者验证该数据产品较之前版本准确度进一步提高[21-22]。本研究采用MOD08_M3数据,基于栅格计算和统计分析得到黄河流域历年平均AOD。针对黄河流域影响因素和重点城市研究,采用空间分辨率为10 km的MOD04_L2数据,首先筛选出AOD最大的年份的数据集,通过ArcGIS剔除无效值并基于栅格计算得到各重点城市季节均值。
1.3 影响因子
AOD 时空分异的影响因素很多,大致可分为地理环境、自然气象和社会经济影响。地理环境方面选取DEM、归一化植被指数NDVI(normalized difference vegetation index)进行分析;自然气象方面选取气温、降水、风速和社会因素进行分析;经济方面选取GDP密度、人口密度、夜晚灯光和碳排放进行分析。月尺度的气温、降水和风速来自于国家地球系统科学数据中心(http:∥www.geodata.cn),其空间分辨率为1 km。夜晚灯光原始数据来源于Harvard Dataverse,碳排放数据来源于国家统计局最新能源数据修订版。年尺度的1 km分辨率NDVI、GDP、人口密度和DEM数据均来源于中国科学院资源环境科学数据中心,使用ArcGIS通过掩膜提取、重采样等方法将数据处理为与黄河流域AOD气溶胶产品同分辨率的年均栅格数据,并保持其投影方式与AOD数据一致。
1.4 研究方法
为探索不同驱动因子在不同地理位置对黄河流域AOD的影响程度,本文采用地理加权回归模型(geographically weighted regression,GWR)[23]探索两者相关程度。该模型核心是将样本点的地理位置因素嵌入到回归参数之中,考虑了数据的空间位置关系[24]。GWR的表达式为
(1)
式中:(ui,vi)为第i个样本点的坐标;xi、yi分别为样本点的自变量和因变量;β0(ui,vi)为截距;βk(ui,vi)为样本点i第k个自变量的权重;εi为随机误差;p为自变量个数;n为空间样点数。该模型的关键是通过空间矩阵的加入,实现空间结构要素的嵌入,本文使用高斯函数法构建权函数,该函数改正了其他权函数不连续的问题,其形式如下:
(2)
式中:Wij为关于dij的连续单调递减函数;dij为每一个数据点j与回归点i之间的距离;b为带宽,是描述权重与距离之间函数关系的非负衰减参数。本文使用AIC准则对b进行优化,该方法通过最小信息准则来决定最佳带宽[25],其公式为
(3)
式中:Ac表示修正后的AIC估计值;n为样点大小;
为误差项估计的标准差;tr s为K-T变换矩阵 s的迹,s为带宽的函数。与传统最小二乘模型相比,AIC更有利于GWR模型模拟数据。
2 结果和分析
2.1 黄河流域AOD时空分布
2.1.1 AOD时间分布特征
黄河流域2001—2020年MOD08_M3月尺度AOD时间变化趋势如图2所示。对20 a间黄河流域AOD月均值进行一元线性拟合,结果表明,黄河流域AOD以每月7×10-4的速率下降。图3为黄河流域平均AOD变化。由图3可知,逐年的月平均值呈梯形周期变化,即AOD在1—4月份逐渐上升,5—8月份在一定范围内波动,7月份AOD达到全年最大,为0.43,9月份AOD下降,12月份AOD为全年最低,为0.19。AOD的季节性指数从高到低依次为夏季0.42>春季0.37>冬季0.26>秋季0.25,与长江流域[26]的变化特征较为一致。这是由于夏季气温较高,大气中的水汽含量增加,有利于气溶胶的生成和维持,并且夏季是农业、建筑等户外活动的高峰期,这些活动可能导致扬尘、燃烧等污染物排放增加。而秋冬季农业生产相对较少,降低了气溶胶的排放,此外秋冬季风速较大,气流运动频繁,有利于将气溶胶向远离污染源的地方扩散,降低污染程度。
图2 2001—2020年AOD月均值变化趋势
Figure 2 Trend of monthly mean AOD from 2001 to 2020
图3 黄河流域平均AOD变化
Figure 3 Changes of mean AOD in the Yellow River Basin
图4为2001—2020年AOD年均值变化趋势。从图4可以看出,黄河流域在2000—2007年,AOD波动较大,呈“V”字变化。2007—2010年趋势平稳,基本相差不大,环境得到一定控制。2011年为近20 a AOD最高年份,这与全国时间变化一致[22]。2012—2017年AOD持续保持较大幅度减小,然后趋于稳定。总体来看,黄河流域20 a间的AOD变化表现为从波动较大到逐步平稳下降,这与黄河流域的当地的政策、经济发展、人类活动等因素紧密相关。2011年以前,中国工业生产增速较快,尤其是黄河流域的一些省份,工业增长迅速,工业废气排放量增加,加重了黄河流域的污染程度。而且此时黄河流域城市化进程加速,生活污染排放量增多。农业生产活动也较为频繁,农业面源污染较为严重,AOD处在较高水平。而2012年开始加大了对工业污染的治理力度,实行了更严格的环保政策和标准,工业污染排放得到一定程度的控制。政府也加大对城市环保基础设施的投入,对农业面源污染也有所关注,因此,自2012年黄河流域大气污染情况明显得到改善。
图4 2001—2020年AOD年均值变化趋势
Figure 4 Trend of annual mean AOD from 2001 to 2020
2.1.2 AOD空间分布特征
图5反映了黄河流域平均AOD的空间分布特征。
图5 2001—2020年平均AOD空间分布
Figure 5 Spatial distribution of annual average AOD from 2001 to 2020
从图5可以看出,黄河流域AOD由西向东梯度递增,上中下游差异显著,AOD低值区域位于流域上游,均值在0.2以下,上游地势高,经济主要依赖于传统产业,同时远离工业发达地区,污染较轻,空气质量状况较好。而红色高值区主要集中在中下游的西安、郑州和济南,AOD在0.4以上,这些地区人口密集,产业发达,地表植被破坏也较为严重,污染物排放较多,对大气环境造成严重影响。山西省和甘肃省区域地处西部内陆,工业发展相对滞后,属于中等污染水平。
图6为AOD季节分布图,可以看出,四季的AOD空间分布特征与年平均分布基本相似,不同季节所对应的高值区和低值区分布相差较小。春季青海省和内蒙古段AOD较低,甘肃、宁夏春季AOD高于其他季节,下游城市基本都位于高值区;夏季是黄河流域AOD均值最高的季节,高值区河南和山东段AOD可达0.8以上,秋冬两季AOD明显下降,大部分区域AOD小于0.4,红色高值区消失,但整体仍呈现东高西低的现象。
图6 2001—2020年季节平均AOD空间分布
Figure 6 Spatial distribution of seasonal average AOD from 2001 to 2020
2.2 影响因素分析
本文选取了9个指标探索黄河流域AOD的主要影响因素。为了准确量化分析各因子对气溶胶光学厚度的影响,首先对指标进行标准化处理,其次借助地理加权回归模型探讨各因子的回归系数,该值用于表征不同观测点处因子的重要程度[27]。为避免指标间相互影响从而对估计结果造成偏差,对上述9个影响因子进行共线性检验,结果如表1所示。各影响因子的方差膨胀因子VIF均小于7.5,表明所选取的各因子不存在共线性,GWR模型的R2=0.87,拟合效果较好。
表1 影响因素描述性统计和回归系数
Table 1 Details about the statistics and regression coefficients of influencing factors
所属体系影响因素VIF指标性质回归系数贡献量地形植被自然气象社会经济DEM/m1.45负-0.777 4NDVI2.20正0.118 2气温/℃2.80正0.244 0降水量/mm2.60负-0.013 8风速/ (m·s-1)2.37负-0.026 5GDP密度/(元·km-2)1.72正0.305 6人口密度/(人·km-2)1.31正0.080 0夜晚灯光1.51正0.036 5碳排放量/(106t·km-2)1.75正0.252 90.895 60.284 30.675 0
根据回归系数将因子划分为正向指标和负向指标。利用各层面指标相关系数的绝对值总和计算不同层面的贡献量,结果表明,地形植被对黄河流域AOD的影响程度最大,社会经济次之,自然气象最小。为了进一步明确黄河流域空气污染的空间异质性,利用ArcGIS对AOD与各影响因子的相关性进行分区统计,结果如图7所示。
图7 各影响因素和AOD相关性空间分布分级图
Figure 7 Spatial distribution reclassified diagram of correlation between multiple influencing factors and AOD
地形植被层面选取的指标为DEM和NDVI。黄河流域AOD和DEM为明显的负相关关系,且中上游相关程度小于中下游。DEM与AOD相关性最高,因为地势较高地区不适合大规模重型工业的生产和密集的人口居住及活动,工业和人为排放较少,且地势较高,空气畅通有利于粒子的扩散和自我净化。NDVI与AOD相关关系以正相关为主,但具有较强的空间异质性。在上游地区,NDVI和AOD为负相关,即植被覆盖率越高,越有利于削减空气污染[28]。而中下游植被覆盖较少,NDVI为正相关,这是因为中下游工业化进程较快,城市和工业区对土地的需求不断增加,导致植被覆盖度降低,工业和人为排放多,空气污染严重。黄河流域的经济社会发展仍在持续高速增长[29],在流域下游的工业发展过程中,需要权衡经济发展与生态环境保护的关系,确保在满足工业用地需求的同时,维护植被覆盖度,减轻工业活动对大气环境的影响。
气象因素中,气温与AOD正相关,中下游相关性大于中上游,高温天气有助于“气-粒”转化作用发生,利于气溶胶粒子生长[30]。此外,温度升高会加快大气化学反应,利于二次悬浮颗粒物的生成[31],使气溶胶浓度增加。黄河流域地区充沛的降水对AOD起削减作用,雨水的冲刷将空气中大颗粒灰尘附着于雨滴之上,降落地面凝为尘土,降低空气浑浊程度。平均风速与AOD负相关,大气水平运动加快,有利于气溶胶扩散[32]。
社会经济指标中,GDP密度、人口密度、夜晚灯光、碳排放量与AOD的关系均为正相关。黄河流域的经济产业构成以第二产业为主体,能矿资源采掘业特色突出,煤炭能源主要分布于山西、陕西、内蒙古、宁夏4省份的毗邻地区,太阳能和风能等清洁能源主要分布于西北部的内蒙古、甘肃、青海、宁夏,这种分布导致中下游地区碳排放量较大,与AOD的相关关系也更密切。夜晚灯光水平与城市发展程度和人口分布聚集度有关,从夜晚灯光和人口密度的正相关系数来看,城市化发展会加剧空气污浊。经济因素与AOD的正相关性表明黄河流域地区经济发展以牺牲环境为代价,对于这种产业结构应当重新调整,将生态保护与经济发展有机结合。
2.3 重点城市分析
从图4可以看出,2011年黄河流域的AOD出现抬升,因此本文选取该年份进行具体分析。从上中下游选取西宁、银川、包头、太原、西安、郑州、济南7个代表城市。各城市AOD的月均值和季节均值变化如图8所示。
图8 黄河流域内重点城市AOD
Figure 8 AOD of prominent cities in the Yellow River Basin
由图8可以看出,上游城市西宁、银川和包头AOD呈现相似的较低水平,且城市间月际变化相差不大,污染程度从重到轻为冬、春、秋、夏。冬季最严重是因为上游城市集中供热,由此排放的污染物达到最高峰,加之冬季空气流通能力变弱,污染物滞留在空气中,污染加重;上游降水较少,地表近似裸露,净化能力弱,当春季风速较高时,漂浮的尘埃微粒易被带到空气中,导致春季大气污染仅低于冬季;夏、秋季大气对流发展旺盛,有助于污染物流通扩散,且5月份植被覆盖度迅速增加,一定程度上净化了空气污染。5—9月份降水充沛,空气相对湿度较高,对气溶胶颗粒有很好的冲刷作用,污染物浓度明显降低。中下游4个城市AOD为先上升后下降的趋势,从1月份开始AOD逐渐增加,供暖停止、地表植被覆盖增加导致AOD在5月份稍有回落,6月份和7月份华北地区生物质燃烧和夏季高温加速气溶胶生成,导致 AOD 浓度逐渐增加,在7月份达到全年最大值后逐渐下降,12月份回落到一年中的最低值,所以夏季AOD最高,春季次之,冬季最低。此外,城市间AOD差异明显,中下游AOD明显高于上游,上游地区地势较高,有利于气溶胶的稀释和扩散,工业化程度和城市规模相对较低,排放源较少,但下游的郑州和济南是人口规模较大、工业化程度较高的城市,一般会有更多的气溶胶排放源。而西安和太原工业化程度较低,污染程度小于郑州和济南,并且太原位于山西省中部,地处黄土高原东部,地势较高,而西安地处关中平原[33],气溶胶不宜传输和扩散,AOD高于太原。
使用GWR模型计算了9种影响因素与AOD的相关性,如图10所示。总体上看,影响重点城市AOD空间变化的因素较为一致,DEM是相关性最大的因素,GDP密度和碳排放量次之,降水量、风速、夜晚灯光对AOD的贡献较小。其中气温、GDP密度、人口密度、夜晚灯光、碳排放量与AOD为正相关,DEM、降水量、风速与AOD为负相关,这与黄河流域整体影响因素一致,但NDVI在不同地区出现了正负差异。
图10 黄河流域内重点城市的AOD的影响因素
Figure 10 Influencing factors of AOD of cities in the Yellow River Basin
DEM与AOD的回归系数最大。西安、郑州、济南位于华北沉降带南部,该区地势总体上西北略高,东南略低,为大型缓倾斜平原,造成大量的霾颗粒沉降,因此这三个城市DEM的相关性尤为突出。上游的西宁、银川NDVI为负相关,表明绿色植被对污染物有削减作用,中下游的其他城市森林覆盖率和受保护面积比重低,绿地规模不足限制了对可吸入颗粒物污染的吸收,因此与AOD为正相关。温差悬殊是黄河流域气候的一大特征,随地形三级阶梯自西向东由冷变暖,这种气候特点也导致上游气温对AOD的影响程度小于中下游城市。
3 结论
(1)黄河流域2001—2020年AOD数值整体呈下降趋势,这与生态文明建设和环境保护等政策的实施有关,AOD最高年份为2011年,此后明显降低然后趋于稳定。流域逐年月均值呈梯形变化趋势,7月份数值最高,12月份数值最低。季节变化中,秋冬季环境质量优于春夏季。
(2)黄河流域历年空间分布较为一致,AOD为自西向东递增分布,空间上与各地的经济发展和产业结构具有高度一致性。上游清洁能源丰富、地势高,本身空气污染程度较轻且空气畅通,利于气溶胶扩散,因此上游地区AOD低。中下游重点发展第二产业,石油、化工、煤炭等工业基地较多,植被覆盖度还尚未达到绿地净化污染效应的水平,平原和盆地也不利于粒子的扩散,污染相对严重。
(3)黄河流域AOD是由地理、气象、经济因素共同驱动影响的。其中地形植被对AOD异质性影响最大,社会经济次之,NDVI、气温、GDP密度、人口密度、夜晚灯光、碳排放量与AOD为正相关,DEM、降水量、风速与AOD为负相关。各影响因素对AOD的作用在空间上的分布具有异质性。
(4)黄河流域上游城市AOD呈现较低水平。最高值出现在冬季,最低值出现在夏季,中下游城市夏季AOD值最高,冬季最低。影响因素在不同城市间存在一定的地理差异。
(5)黄河流域生态保护和高质量发展是国家重大战略,治理黄河流域的空气问题刻不容缓。上游地区地势较高,大气污染程度相对较轻,应积极推进清洁能源的开发和利用,加大生态保护力度,实施退耕还林等政策;中下游大气污染较为严重,主要受工业和燃煤影响,应当严格控制工业污染排放,加快产业结构革新,技术创新,资源的可开发与利用更新换代,不断提升能源效率。应以西安、郑州、济南高污染区域为重点治理对象,根据不同地区所受不同因子的影响程度,制定相应的治理措施,实施大气污染联防联控,最大程度上做到改善黄河流域的空气污染状况,降低区域AOD。
[1] 毛节泰, 张军华, 王美华. 中国大气气溶胶研究综述[J]. 气象学报, 2002, 60(5): 625-634.
MAO J T, ZHANG J H, WANG M H. Summary comment on research of atmospheric aerosl in China[J]. Acta Meteorologica Sinica, 2002, 60(5): 625-634.
[2] ZHAO X W, GAO Q, SUN M, et al. Statistical analysis of spatiotemporal heterogeneity of the distribution of air quality and dominant air pollutants and the effect factors in Qingdao urban zones[J]. Atmosphere, 2018, 9(4): 135.
[3] 孙忠保, 程先富, 夏晓圣. 中国气溶胶光学厚度的时空分布及影响因素分析[J]. 中国环境科学, 2021, 41(10): 4466-4475.
SUN Z B, CHENG X F, XIA X S. Spatial-temporaldistribution and impact factors of aerosol optical depth over China[J]. China Environmental Science, 2021, 41(10): 4466-4475.
[4] 郭霖, 孟飞, 马明亮. 华北平原AOD时空演化与影响因素[J]. 环境科学, 2022, 43(7): 3483-3493.
GUO L, MENG F, MA M L. Spatiotemporal variation and influencing factors of AOD in the North China plain[J]. Environmental Science, 2022, 43(7): 3483-3493.
[5] YANG X C, ZHAO C F, YANG Y K, et al. Long-term multi-source data analysis about the characteristics of aerosol optical properties and types over Australia[J]. Atmospheric Chemistry and Physics, 2021, 21(5): 3803-3825.
[6] HAN X, LIU Y Q, GAO H, et al. Forecasting PM2.5 induced male lung cancer morbidity in China using satellite retrieved PM2.5 and spatial analysis[J]. Science of the Total Environment, 2017, 607-608: 1009-1017.
[7] PACIOREK C J, LIU Y, MORENO-MACIAS H, et al. Spatiotemporal associations between GOES aerosol optical depth retrievals and ground-level PM2.5[J]. Environmental Science &Technology, 2008, 42(15): 5800-5806.
[8] BELLOUIN N, BOUCHER O, HAYWOOD J, et al. Global estimate of aerosol direct radiative forcing from satellite measurements[J]. Nature, 2005, 438(7071): 1138-1141.
[9] 张志薇, 王宏斌, 张镭, 等. 中国3个AERONET站点气溶胶微物理特性分析及比较[J]. 中国环境科学, 2014, 34(8): 1927-1937.
ZHANG Z W, WANG H B, ZHANG L, et al. Analysis and comparison of the aerosol microphysical properties at three AERONET sites in China[J]. China Environmental Science, 2014, 34(8): 1927-1937.
[10] HOLBEN B N, TANRÉ D, SMIRNOV A, et al. An emerging ground-based aerosol climatology: aerosol optical depth from AERONET[J]. Journal of Geophysical Research: Atmospheres, 2001, 106(D11): 12067-12097.
[11] LI Z Q, NIU F, LEE K H, et al. Validation and understanding of moderate resolution imaging spectroradiometer aerosol products (C5) using ground-based measurements from the handheld Sun photometer network in China[J]. Journal of Geophysical Research: Atmospheres, 2007, 112(D22): 1-16.
[12] LEVY R C, LEPTOUKH G G, KAHN R, et al. A critical look at deriving monthly aerosol optical depth from satellite data[J]. IEEE Transactions on Geoscience and Remote Sensing, 2009, 47(8): 2942-2956.
[13] 景悦, 孙艳玲, 付宏臣, 等. 2010—2016年京津冀AOD时空变化及其影响因子分析[J]. 环境科学与技术, 2018, 41(8): 104-113.
JING Y, SUN Y L, FU H C, et al. Temporal and spatial variation of aerosol optical depth and analysis of influencing factors in Beijing-Tianjin-Hebei region from 2010 to 2016[J]. Environmental Science &Technology, 2018, 41(8): 104-113.
[14] 张颖蕾, 崔希民. 基于MODISC061的长三角地区AOD与Angstrom指数时空变化分析[J]. 环境科学, 2020, 41(6): 2617-2624.
ZHANG Y L, CUI X M. Spatial and temporal characteristics of AOD and Angstrom exponent in the Yangtze River Delta based on MODISC061[J]. Environmental Science, 2020, 41(6): 2617-2624.
[15] ZHANG J H, MAO J T, WANG M H. Analysis of the aerosol extinction characteristics in different areas of China[J]. Advances in Atmospheric Sciences, 2002, 19(1): 136-152.
[16] 杨飞, 易文利, 朱婵园, 等. 陕西省空气质量时空差异研究[J]. 四川环境, 2018, 37(2): 78-85.
YANG F, YI W L, ZHU C Y, et al. The temporal and spatial distribution characteristics of air quality in Shaanxi Province[J]. Sichuan Environment, 2018, 37(2): 78-85.
[17] 李治军, 卢松, 陈末, 等. 郑州市大气污染时空分布特征分析及预测模型建立[J]. 黑龙江大学自然科学学报, 2019, 36(4): 450-458.
LI Z J, LU S, CHEN M, et al. Spatiotemporal distribution characteristics analysis and prediction model establishment of air pollution in Zhengzhou city[J]. Journal of Natural Science of Heilongjiang University, 2019, 36(4): 450-458.
[18] 沙涛, 张慧. 新乡市环境质量灰色关联分析[J]. 环境科学导刊, 2019, 38(5): 85-88.
SHA T, ZHANG H. Gray correlation analysis of environmental quality in Xinxiang city[J]. Environmental Science Survey, 2019, 38(5): 85-88.
[19] 黄建平, 张国龙, 于海鹏, 等. 黄河流域近40年气候变化的时空特征[J]. 水利学报, 2020, 51(9): 1048-1058.
HUANG J P, ZHANG G L, YU H P, et al. Characteristics of climate change in the Yellow River Basin during recent 40 years[J]. Journal of Hydraulic Engineering, 2020, 51(9): 1048-1058.
[20] 郭付友, 佟连军, 仇方道, 等. 黄河流域生态经济走廊绿色发展时空分异特征与影响因素识别[J]. 地理学报, 2021, 76(3): 726-739.
GUO F Y, TONG L J, QIU F D, et al. Spatio-temporal differentiation characteristics and influencing factors of green development in the eco-economic corridor of the Yellow River Basin[J]. Acta Geographica Sinica, 2021, 76(3): 726-739.
[21] CHE H Z, YANG L K, LIU C, et al. Long-term validation of MODIS C6 and C6.1 dark target aerosol products over China using CARSNET and AERONET[J]. Chemosphere, 2019, 236: 124268.
[22] 薛瑞. 基于MODIS数据研究中国气溶胶时空分布变化及典型地区的影响因素[D]. 青岛: 山东科技大学, 2020.
XUE R. The temporal and spatial distribution characteristics of aerosols and the influencing factors of typical regions in China based on MODIS data[D]. Qingdao: Shandong University of Science and Technology, 2020.
[23] BRUNSDON C, FOTHERINGHAM A S, CHARLTON M E. Geographically weighted regression: a method for exploring spatial nonstationarity[J]. Geographical Analysis, 1996, 28(4): 281-298.
[24] 张静, 张丽芳, 濮励杰, 等. 基于GWR模型的城市住宅地价的时空演变研究: 以江苏省为例[J]. 地理科学, 2012, 32(7): 828-834.
ZHANG J, ZHANG L F, PU L J, et al. Research on spatio-temporal variation of urban residential land price based on GWR model: a case study of Jiangsu Province[J]. Scientia Geographica Sinica, 2012, 32(7): 828-834.
[25] BRUNSDON C, FOTHERINGHAM A S, CHARLTON M. Geographically weighted summary statistics—a framework for localised exploratory data analysis[J]. Computers, Environment and Urban Systems, 2002, 26(6): 501-524.
[26] HE L J, WANG L C, HUANG B, et al. Anthropogenic and meteorological drivers of 1980-2016 trend in aerosol optical and radiative properties over the Yangtze River Basin[J]. Atmospheric Environment, 2020, 223: 117188.
[27] 覃文忠. 地理加权回归基本理论与应用研究[D]. 上海: 同济大学, 2007.
QIN W Z. The basic theoretics and application research on geographically weighted regression[D]. Shanghai: Tongji University, 2007.
[28] 丁宇, 李贵才, 路旭, 等. 空间异质性及绿色空间对大气污染的削减效应: 以大珠江三角洲为例[J]. 地理科学进展, 2011, 30(11): 1415-1421.
DING Y, LI G C, LU X, et al. Spatial heterogeneity and air pollution removal by green space in greater Pearl River Delta[J]. Progress in Geography, 2011, 30(11): 1415-1421.
[29] 左其亭, 王鹏抗, 张志卓, 等. 黄河流域水资源利用水平及提升途径[J]. 郑州大学学报(工学版), 2023, 44(3): 12-19.
ZUO Q T, WANG P K, ZHANG Z Z, et al. Utilization level and improvement approach of water resources in the Yellow River Basin[J]. Journal of Zhengzhou University (Engineering Science), 2023, 44(3): 12-19.
[30] 甘泉. 低中间层逆温层和大气潮汐的TIMED/SABER观测研究[D]. 武汉: 武汉大学, 2012.
GAN Q. TIMED/SABER observations of lower mesospheric inversion layers and atmospheric tides[D]. Wuhan: Wuhan University, 2012.
[31] WHITEAKER J R, SUESS D T, PRATHER K A. Effects of meteorological conditions on aerosol composition and mixing state in Bakersfield, CA[J]. Environmental Science &Technology, 2002, 36(11): 2345-2353.
[32] CUHADAROGLU B, DEMIRCI E. Influence of some meteorological factors on air pollution in Trabzon city[J]. Energy and Buildings, 1997, 25(3): 179-184.
[33] 郭伟, 程燕, 樊巍, 等. 西安市大气污染物浓度特征及影响因素分析[J]. 地球环境学报, 2014, 5(4): 235-242.
GUO W, CHENG Y, FAN W, et al. Characteristics and affecting factors of atmospheric pollutants in Xi’an[J]. Journal of Earth Environment, 2014, 5(4): 235-242.