2001—2016年中國PM2.5暴露風險的時空演變、時空聚類與風險防控

林奕晨 孫思維 潘悅 劉超群 周鵬

林奕晨，孫思維，潘 悅，等. 2001—2016年中國PM_2.5暴露風險的時空演變、時空聚類與風險防控［J］. 湖北農業科學，2024，? ?63（2）：247-253，260．

摘要：構建耦合人口加權的空氣污染暴露風險（PPM_2.5）評估體系，基于探索性時空分析方法開展中國PM_2.5及其人群暴露風險的時空演變和時空聚類研究。結果表明，基于時間-空間演變特征分析，發現耦合人口加權的空氣污染暴露風險（PPM_2.5）格局與PM_2.5濃度分布存在空間錯位現象；PPM_2.5風險等級隨區域中心向外圍梯度遞減，但研究期內其人群暴露的東高西低總體格局不變；其均衡性時空演變呈整體不均衡性加強而局部更趨于均衡的趨勢?；跁r空掃描統計的K-means聚類分析，劃定4種暴露風險類型，分別為穩定低風險型、持續增長風險型、持續高風險型、低-高風險漸變型，各類型分布差異顯著且具備不同人口經濟特征。針對不同PM_2.5人群暴露風險的時空聚類分區制定差異化的空氣污染預警和防治策略，有助于提升城市韌性，為“健康中國”發展戰略實施提供理論與實踐基礎。

關鍵詞：PM_2.5；耦合人口加權；暴露風險；時空趨勢；時空聚類；風險防控

中圖分類號：X513? ? ? ? ?文獻標識碼：A

文章編號：0439-8114（2024）02-0247-07

DOI：10.14088/j.cnki.issn0439-8114.2024.02.037 開放科學（資源服務）標識碼（OSID）：

Spatio-temporal evolution， spatio-temporal clustering and risk prevention and control of PM_2.5exposure risk in China from 2001 to 2016

LIN Yi-chen1，SUN Si-wei2，PAN Yue2，LIU Chao-qun2，ZHOU Peng2

（1.Wuhan Yongye Saiboneng Planning Survey Co.， Ltd.，Wuhan? 430071，China；2.School of Civil Engineering and Architecture， Wuhan Institute of Technology，Wuhan? 430074，China）

Abstract：The coupling population-weighted air pollution exposure risk （PPM_2.5） evaluation system was built， and the spatio-temporal evolution and spatio-temporal clustering of PM_2.5and its population exposure risk in China was studied based on exploratory spatiotemporal analysis. The results showed that based on the time-space evolution analysis， it was found that there was a spatial mismatch between the coupling population-weighted air pollution exposure risk （PPM_2.5） pattern and the distribution of PM_2.5concentration.The risk level of PPM_2.5decreased with the gradient from the center to the periphery， but the overall pattern of high in the east and low in the west remained unchanged during the study period. The spatial and temporal evolution of its equilibrium showed an enhancement of the overall imbalance and the local equilibrium was more likely. Based on the K-means clustering analysis of spatio-temporal scanning statistics， four types of exposure risk were defined： stable low risk， continuous growth risk， continuous high risk and low-high risk gradual change. The distribution of each type was significantly different with different demographic and economic characteristics. The development of differentiated air pollution warning and prevention strategies based on the spatial and temporal clustering zones of different PM_2.5population exposure risk could help improve urban resilience and provide a theoretical and practical basis for the implementation of the development strategy of “Healthy China”.

Key words： PM_2.5；coupled population-weighted；exposure risk；spatio-temporal trend；spatio-temporal clustering；risk prevention

在黨的十九大報告中，習近平總書記指出，“持續實施大氣污染防治行動計劃，打贏藍天保衛戰”，一直以來，空氣污染引起科研學者以及民眾的廣泛關注。

空氣污染暴露評價是在某一特定時間段、特定區域、特定污染物條件下對人群暴露的時間、頻率、程度進行多維度評估^［1］。目前針對空氣污染的人群暴露研究，評估方法主要有三大類：①醫學監測標志物暴露-劑量-效應——依據人體醫學特征檢測數據發現空氣污染的劑量暴露與生物健康指標的耦合關系^［2-4］；②個體暴露與軌跡監測——基于個體時空軌跡借助主被動采樣儀器實時檢測污染暴露程度^［5-7］；③情景模擬暴露監測——利用環境污染時空動態監測大數據及空間臨近模型、土地利用回歸模型、智能算法模型進行環空氣污染暴露評估的多情景模擬^［8-11］?，F有人群暴露研究視角則仍然停留在2個方面：面向個體移動軌跡和污染源差異特征的區域差異視角；多時空尺度下的累計效應視角。二者均是針對客觀物質空間的空氣污染程度進行暴露評估，缺乏考慮人口特征的環境公正視角的研究^{［2，12］}。耦合人口特征的污染暴露研究是在當前“以人為本”和“社會公平”的大背景下考慮人口的種族、年齡、階層、收入等差異完成耦合人口特征的污染暴露風險評估，更有利于促進環境污染科學預警與風險防控。因此，本研究考慮通過耦合人口加權的方法完成空氣污染的人群暴露評估，從環境公正視角提升污染暴露研究成果的指導性和準確性。

過去對空氣污染分區的研究多停留在簡單的數據分類統計^{［13，14］}或單一時點的聚類分區^［15-17］，無法準確捕捉空氣污染暴露特征的發展趨勢和時空異質性。本研究采用耦合人口加權和PM_2.5濃度進行人群污染暴露風險（PPM_2.5）評估，通過時間-空間特征演變分析挖掘PPM_2.5的時間序列發展趨勢和空間差異，基于時空掃描統計的K-means聚類完成空氣污染暴露的時空聚類分區，進一步有效制定空氣污染風險預警與防治策略，改善人民身心健康，有利于實現“健康城市、健康中國”戰略。

1 數據來源與研究方法

1.1 數據來源

所使用的PM_2.5濃度數據來自加拿大達爾豪斯大學大氣成分分析小組（Atmospheric composition analysis group）根據 NASA公布全球氣溶膠數據反演的2001—2016年大氣PM_2.5遙感反演數據集（http：//fizz.phys.dal.ca/～atmos/martin/？page_id=140）。與傳統地面檢測站點提供的點源數據相比，該衛星監測數據具有分辨率更高、時間跨度更大、受人為干擾較小等顯著優勢。本研究提取2001—2016年中國286個地級市PM_2.5的年均濃度數據（未采集中國港澳臺數據），并利用ArcGIS10.6軟件對其進行空間矢量化與可視化處理。

1.2 研究方法

1.2.1 耦合人口加權的PM_2.5空氣污染人群污染暴露評估 空氣污染的人群暴露程度可以從不同的視角進行評估，如：客觀物質視角下的污染物濃度水平測度^［18］、行為地理學視角下人口移動軌跡的時空累計污染暴露劑量統計^［2］、環境公正視角下的耦合人口特征（人口數量、構成、年齡、性別等）污染暴露風險水平評估^{［12，19］}。傳統環境公正視角下的人群暴露強度=人口總規?！罰M_2.5濃度，本研究采用耦合人口加權的污染暴露風險評估，規避了傳統方法在基本單元風險評估中的缺陷^［20］，具體評估方法如下。

1.2.2 時間-空間演變特征分析 極值與均值特征指時空序列中數據的最大值（Max）、最小值（Min）和平均值（Mean）。

變異系數（Std）用來表達時間序列數據的變化程度，基于數據序列的標準差進行測度，Std越大表明數據波動越劇烈。

變化趨勢（Slope）指基于PM_2.5濃度或耦合人口加權的PM_2.5空氣污染人群暴露風險的時間序列數據的一元線性方程斜率，可以明確表示濃度或暴露風險的變化趨勢。Slope為正表示隨時間增加呈正向增長趨勢，Slope為負則表示隨時間增加呈負向下降趨勢；同時，Slope絕對值則反饋其增長或下降的幅度，并基于曲線R²和P檢驗其結果是否具有統計學意義。

1.2.3 時空聚類分析——基于時空掃描統計的K-means聚類 本研究考慮時空掃描統計的時間-空間多維特征，基于K-means 算法進行時空聚類分析。時空掃描統計不僅考慮空間屬性，同時也考慮時間權重和時間序列變化趨勢，是利用掃描時間或空間窗口統計掃描挖掘相應的時間-空間多維特征，如極值（最大值Max和最小值Min）、均值（Mean）、變異系數（Std）、變化趨勢（Slope）。相比于傳統的K-means聚類僅考慮單一時點的空間聚類方法，結合時空掃描統計的五類時空變化特征（Max、Min、Mean、Std、Slope）進行的K-means聚類具有明顯的優勢——在開展針對耦合人口加權的PM_2.5暴露風險聚類分區時同時考慮時間屬性與空間屬性^{［21，22］}。

2 空氣污染人群暴露的時空演變分析

2.1 空氣污染人群暴露的時空趨勢分析

2.1.1 時空變異特征分析 時空變異特征是通過數據序列標準差評估其時空變異程度。耦合人口加權的暴露風險（PPM_2.5）與僅基于PM_2.5的污染等級進行對比，兩者的時空變異特征具有明顯的差異，主要體現在空間集聚程度、時空變異程度、“中心-外圍”梯度下降強度3個方面，如圖1所示。時空變異特征是利用時間序列數據的變異系數來測度，系數越高，表明時間序列的數值變異程度越大，其變化程度越劇烈；反之，則其變化程度越小。PM_2.5的時空變異特征具有明顯的空間集聚效應，形成大型塊狀連片的集聚性區域；沿海東部地區形成第一梯隊的PM_2.5高強度時空變異集聚區，東北老工業基地形成第二梯隊的PM_2.5高強度時空變異集聚區，第三梯隊集聚區則是華中中心、成渝及南寧地區。而PPM_2.5空氣污染人口暴露風險的時空變異特征分布則呈小型集聚簇團的分散分布，其第一梯隊主要由北京、石家莊、濟南、南京等城市組成，第二梯隊則由河北、山東、武漢、重慶、廣西等地構成。耦合人口加權的暴露風險的各地區時空變異程度的局部空間差異化程度更大，局部地區由風險簇團中心向外圍迅速梯度遞減，遞減速度明顯。重慶、武漢、濟南、鄭州等地區近些年發展速度陡然增快，以及近期長江大保護等防控策略的嚴格實施，經濟加速對污染排放和人口遷入的正向作用力、污染防控增強對其的反向作用力，導致不同年份的暴露風險更易發生偏離，造成這些城市耦合人口加權的暴露風險的時空變異程度較大。除發展較快、嚴格污染防控的城市以外，高風險區周邊地區也由于污染擴散、氣候差別、取暖方式等因素導致其暴露風險變異程度較大，如石家莊、濟南周邊地區。

2.1.2 基于線性變化趨勢（Slope）的時空趨勢分析 PM_2.5濃度與PPM_2.5人口暴露風險的時空趨勢存在明顯的空間錯位現象，如圖1i、圖1j。PM_2.5在中國東部均呈現明顯的增長趨勢，西部則呈現非常微弱的增長，且增速呈”中心-外圍“圈層下降；增速較快的地區仍然是東部沿海、東北地區、中部區域中心及南部南寧城市群；這些地區的PM_2.5污染排放提升主要來源于歷史污染、工業排放、經濟增長和重污染中心城市擴散。PPM_2.5人口暴露風險則以“高值中心”離散分布于東部與南部地區為主，“高風險中心”周圍鑲嵌“中風險斑塊”形成一系列“中高風險集聚簇團”。相較于基于PM_2.5的污染風險分級，耦合人口加權的風險制圖中各中東部的鄰域城市之間的風險差異化程度更大，“中心”向“外圍”遞減程度加劇，距離衰減效應更顯著。而西部成渝地區出現風險負增長趨勢，體現了山區地形、旅游業發展、產業結構優化的環境風險正面效應。武漢城市群、福建廣東沿海地區的“非區域中心城市”呈現顯著的極低增長趨勢，表明這些城市群或區域的發展“中心城市”對周邊的經濟與人口的吸引力過強，導致周邊地區的經濟規模和人口規模向“區域中心”流動集聚。

2.2 空氣污染人群暴露的時空分異探究

如圖2所示，中國空氣污染人群暴露時空分布的總體格局未發生明顯的變化，呈整體分散、局部集聚、東高西低，東西“兩極分化”明顯。胡煥庸線兩端區域的人口集聚差異與規模差異顯著，東部地域風險等級較高；西北地域人口風險等級低。東部地區、東北地區、南部地區的經濟發達程度遠高于西部偏遠地區，其產業集聚程度較高，且人口集聚特征呈東密西疏的不均衡整體格局，因此，在空氣污染排放和人口暴露風險等級上也呈現東高西低的格局，并且隨著時間的增長，此整體格局無明顯變化。

空氣污染人群風險暴露呈整體不均衡性加強而局部更趨于均衡；其整體不均衡性是中國東西部各城市不均衡發展及人口遷徙的反饋，其局部更趨于均衡則是城市群區域一體化經濟、社會、環境區域協同發展的反饋。全國各區域各省風險暴露差異化程度（不均衡性）發展趨勢逐漸提高，但是總體格局仍然不變。胡煥庸線東西區域差異顯著。風險暴露不均衡性主要是指高低風險之間的差異化程度，東部沿海長三角城市群和東北部京津冀城市群區域與西部地區的暴露風險等級差越來越明顯。局部地區的風險等級則越來越區域均衡，即局部地區內部各單元之間的標準差逐漸減小，這也能夠體現中國城市化中區域聯動和區域協調發展過程，進一步體現區域一體化的格局所帶來的經濟、社會、環境均衡發展的影響。

時間序列變化過程中，不同程度污染暴露風險的等級規模和區域面積變化存在顯著異質性。高污染人群暴露風險區域等級規模和區域面積逐漸遞增，區域中心城市周邊地區的空氣污染人口暴露風險等級常年保持均衡不變；東西人口暴露集聚區之間具有明顯的分界線。高等級風險集聚區域不斷擴張，尤其是東部沿海長三角城市群和東北部京津冀城市群區域，其周邊區域的風險等級明顯增長。西部地區、成渝城市群、中部武漢城市群、南部珠三角城市群及其周邊區域的中低風險區污染暴露風險的等級規模和區域面積這十幾年來無明顯變化。

3 空氣污染人群暴露風險的時空聚類及風險防治

3.1 空氣污染人群暴露風險的時空聚類

根據空氣污染人群暴露風險的時空變化趨勢，結合時空掃描統計的5類時空變化特征（Max、Min、Mean、Std、Slope）對2001—2016年的數據進行時空聚類分析，劃定4種類型：穩定低風險型、持續增長風險型、持續高風險型、低-高風險漸變型，如圖3所示。

這4種不同風險評估的分區具有顯著的時空分異特征。穩定低風險型是指PM_2.5污染人口暴露風險等級長期處于較低水平，主要集中在人口稀少和經濟欠發達的偏遠地區；持續增長風險型則表示城市發展過程中由于人口、經濟與產業規模的增加，其人口暴露風險持續上升，此區域的經濟與產業主要呈粗放式增長，注重人口與經濟的增長而忽略了環境污染控制與防治；持續高風險型則表示人口暴露風險等級長期處于高水平，此類型的區域也是重點預警與防治區域；低-高風險漸變型區域，主要具有明顯的產業轉型和人口遷徙的特點，所以導致雖然整體特點仍然呈現人口暴露風險總體增長但總體增長趨勢緩慢，其增長幅度不如持續增長風險型明顯。低-高風險漸變型區域內暴露風險的增長有極明顯的浮動，隨時間序列的變異系數較大。

4類風險聚類分區在空間上的集聚分散特征差異顯著，如圖4所示。持續高風險型主要呈整體分散、局部集聚的空間格局，主要在不同的區域中心形成小型集聚簇團，然后分散分布于東、中、西部地區，如京津滬渝地區、石家莊-濟南-鄭州地區，是典型的區域中心和歷史工業集聚區；持續高風險型集聚區具有明顯的區域中心特性，高密度人口集聚與大規模的產業集聚形成交通與工業的高污染排放。持續增長風險型分區主要毗鄰持續高風險型分區，且呈現明顯的“c”型環繞分布狀態，區域中心的PM_2.5空氣污染的擴散、人口吸引力程度顯著兩大特征造成其耦合人口加權的空氣污染暴露風險程度持續增長。持續增長風險型主要分布在長三角經濟帶、太原、湖南等地區，人口規模、經濟規模和技術規模都能達到較高水平，而技術規模帶來的產業結構優化和創新能力提升能夠明顯地控制經濟增長時的污染排放。同時，長江大保護及空氣污染防治等一系列環保策略與措施的實施也能夠控制這些發達地區人口與經濟迅速增長所帶來的爆炸性空氣污染提升，但在這些持續增長風險型區域人口暴露風險程度仍然呈現持續性上升。低-高風險漸變型分區則呈明顯的帶狀分布格局，主要有三大分布帶，分別為“長春-沈陽-秦皇島-西安-成都-昆明”東北至西南帶、“南昌、長沙、南寧”中南帶、“杭州-福州-廣州”南部沿海帶。穩定低風險型分區則大部分分布于中國的西北部地區，呈塊狀集聚分布，具有顯著的經濟落后和人口稀少特征，產業結構主要以農業與養殖業為主，人口規模、產業規模和技術規模都處于較低水平。

3.2 空氣污染人群暴露風險預警及差異化防治策略制定

城市化過程中，城市發展、人口經濟增長與環境污染之間的矛盾越來越顯著，如何發現矛盾、提前預警及防治污染成為城市健康擴展的重點問題。根據空氣污染人群暴露風險的4種類型：穩定低風險型、持續增長風險型、持續高風險型、低-高風險漸變型，本研究可針對人群暴露風險不同類型的城市提出相應的風險預警及污染防治策略。四大類型的風險預警也有明顯差別，持續增長風險型、持續高風險型為高風險預警，低-高風險漸變型為中風險預警，穩定低風險型為低風險預警。

不同風險類型的地區城市發展與污染防治之間的矛盾、管控強度與治理策略也有明顯差異。規模效應將會提升空氣污染人群暴露風險，而技術創新與產業結構優化效應將會顯著降低空氣污染人群暴露風險。持續高風險型地區的人口與經濟集聚規模處于高水平，例如北京等城市，過去高速的城市發展已經帶來重度空氣污染，其污染防治策略主要以產業升級與環保出行為主，提倡生態環保行業與綠色交通工具，同時通過物理化學等措施積極改善空氣質量，實行最嚴格的污染排放和污染治理。持續增長風險型地區的發展策略類似于過去一些國家和城市的先污染后治理特征，通常這些地區的經濟增長主要來源于大型制造業與工業高排放，城市迅速崛起導致空氣污染人口暴露風險急劇提升，這些地區的防治策略首先是優化產業結構和治理工業排放，可重點控制主導產業及重點園區的污染排放。低-高風險漸變型地區主要分布于高風險地區外圍，其風險受到本地污染排放與周邊地區空氣污染擴散、氣象氣候變化的多重影響，其污染防治策略則主要以產業引進選型、氣象監測排放為主，這些地區在城市化發展過程中尚未有大型污染排放產業集聚，后期需重點關注綠色產業引進，并通過實時動態氣象氣候監測進行污染排放調節與控制。

4 小結與討論

4.1 小結

1）基于人口加權的空氣污染暴露風險評估，發現人口暴露風險等級與PM_2.5濃度時空分布格局明顯不同，存在空間錯位現象。人口暴露風險等級隨中心向外圍梯度遞減，也呈現地理學第一定律——距離衰減現象。

2）研究期內，中國空氣污染人群暴露時空分布的總體格局未發生明顯的變化，東西差異明顯，胡煥庸線兩端區域的人口集聚差異與規模差異顯著?？諝馕廴救巳猴L險暴露呈整體不均衡性加強而局部更趨于均衡；其整體不均衡性是中國東西部城市不均衡發展及人口遷徙的反饋，其局部更趨于均衡則是城市群區域一體化經濟、社會、環境區域協同發展的反饋。

4）根據空氣污染人群暴露風險的時空變化趨勢，結合時空掃描統計的5類時空變化特征（Max、Min、Mean、Std、Slope）對2001—2016年的數據進行時空聚類分析，劃定4種類型：穩定低風險型、持續增長風險型、持續高風險型、低-高風險漸變型。這4種不同風險評估的分區具有顯著的時空分異特征。持續高風險型主要呈整體分散、局部集聚的空間格局。持續增長風險型分區主要毗鄰持續高風險型分區，且呈現明顯的“c”形環繞分布狀態，區域中心的PM_2.5空氣污染的擴散、人口吸引力程度顯著兩大特征造成其耦合人口加權的空氣污染暴露風險程度持續增長。低-高風險漸變型分區則呈明顯的帶狀分布格局。穩定低風險型分區則大部分分布于中國的西北部地區，呈明顯的的經濟落后和人口稀少的“低污染”特征。

4.2 討論

不同風險類型的地區城市發展與污染防治之間的矛盾、管控強度與治理策略也有明顯差異。規模效應將會提升空氣污染人群暴露風險，而技術創新與產業結構優化效應將會顯著降低空氣污染人群暴露風險。持續高風險型地區的污染防治策略主要以產業升級與環保出行為主；持續增長風險型地區由于城市迅速崛起導致空氣污染人口暴露風險急劇提升，其防治策略以“重點控制主導產業及重點園區的污染排放”手段促進產業結構優化與節能減排；低-高風險漸變型地區主要受到本地污染排放與周邊地區空氣污染擴散、氣象氣候變化的多重影響，其污染防治策略則主要以產業引進選型、氣象監測排放為主；穩定低風險型地區則結合地域特色大力發展第一、三產業促進經濟發展，保持良好環境質量。

雖然本研究從全國尺度進行了多時段PM_2.5的時空變化規律研究，但也存在著以下幾點不足：①本研究所采用的基本單元為地級市，雖然能夠滿足全國尺度的時空分析要求，但今后的研究可以利用更小的柵格單元完成空氣污染時空分析的精細化研究；②對污染的時間分析上，由于年限跨度為16年，以年均濃度為基礎進行研究，未曾深入探討PM_2.5在月份和季度的時間維度上的變化，這也是今后空氣污染時空規律探究中可以加強的時間維度視角。

參考文獻：

［1］ 符立偉，郭秀銳.國內空氣污染暴露水平評價方法研究進展［J］.環境科學與技術，2015，38（S2）：226-230.

［2］ 林金煌，陳文惠，張 岸.2019年北京市PM_2.5人群暴露劑量特征分析［J］.地球信息科學學報，2020，22（12）：2348-2357.

［3］ 姜 磊，田偉利，張清宇，等.SHEDS-PM模型模擬杭州市人群PM10暴露水平［J］.環境科學研究，2011，24（6）：615-620.

［4］ 郭文伯，張 艷，柴彥威.城市居民出行的空氣污染暴露測度及其影響機制——北京市郊區社區的案例分析［J］.地理研究，2015，34（7）：1310-1318.

［5］ 趙 輝，鄭有飛，張譽馨，等.京津冀大氣污染的時空分布與人口暴露［J］.環境科學學報，2020，40（1）：1-12.

［6］ 黃曉軍，祁明月，李艷雨，等.關中地區PM_2.5時空演化及人口暴露風險［J］.環境科學，2020，41（12）：5245-5255.

［7］ 同麗嘎，李雪銘，黃 哲，等.包頭市人口PM_2.5暴露風險研究［J］.干旱區資源與環境，2017，31（11）：50-54.

［8］ 鄒雨軒，吳志峰，曹 崢.耦合土地利用回歸與人口加權模型的PM_2.5暴露風險評估［J］.地球信息科學學報，2019，21（7）：1018-1028.

［9］ 宋萬營，楊 振，王平平，等.基于LUR模型的大氣PM_2.5濃度分布模擬與人口暴露研究——以湖北省為例［J］.華中師范大學學報（自然科學版），2019，53（3）：451-458.

［10］ MENG X， CHEN L， CAI J， et al. A land use regression model for estimating the NO2 concentration in Shanghai， China［J］. Environmental research，2015，137：308-315.

［11］ 徐 灝. 基于土地利用回歸的中國空氣污染暴露建模研究［D］.北京：清華大學，2019.

［12］ LU M，? SCHMITZ O， VAARTJES I， et al. Activity-based air pollution exposure assessment： Differences between homemakers and cycling commuters［J］. Health & place，2019，60：102233.

［13］ 顧康康，朱鵬祥，寧 楊，等.基于綠色出行理念的合肥市區空氣污染分區調控研究［J］.地理科學，2019，39（8）：1312-1320.

［14］ WANG S，LI G G，GONG Z Y，et al. Spatial distribution， seasonal variation and regionalization of PM_2.5concentrations in China［J］. Science China chemistry，2015，58（9）：1435-1443.

［15］ 龍凌波，佘倩楠，孟紫琪，等.中國沿海地區大氣污染特征及其聚類分析［J］.環境科學研究，2018，31（12）：2063-2072.

［16］ 黨耀國，朱曉月，丁 松，等.基于灰關聯度的面板數據聚類方法及在空氣污染分析中的應用［J］.控制與決策，2017，32（12）：2227-2232.

［17］ 劉 靖，單春艷，梁曉宇.唐山市基于GIS的PM_2.5空間聚集性及分區管控［J］.中國環境科學，2020，40（2）：513-522.

［18］ 吳健生，王 茜，李嘉誠，等. PM_2.5濃度空間分異模擬模型對比：以京津冀地區為例［J］.環境科學，2017，38（6）：2191-2201.

［19］ 彭 芬，鄒 濱，邱永紅.空氣污染暴露公正異質性空間自相關分析［J］.測繪科學，2014，39（5）：104-108.

［20］ 鄒 濱，彭 芬，焦利民，等.高分辨率人口空氣污染暴露GIS空間區劃研究［J］. 武漢大學學報（信息科學版）， 2013，38（3）：334-338.

［21］ FRANCESCHI F， COBO M， FIGUEREDO M. Discovering relationships and forecasting PM10 and PM_2.5concentrations in Bogotá， Colombia， using Artificial Neural Networks， Principal Component Analysis， and k-means clustering［J］. Atmospheric pollution research，2018，9（5）：912-922.

［22］ 翁佳烽，梁曉媛，譚浩波，等.基于K-means聚類分析法的肇慶市干季PM_2.5污染天氣分型研究［J］.環境科學學報，2020，40（2）：373-387.

收稿日期：2022-09-19

基金項目：國家自然科學基金項目（51808413）；湖北省社會科學基金一般項目（后期資助項目）（2020158）

作者簡介：林奕晨（1997-），女，湖北黃岡人，碩士，主要從事時空數據挖掘、大氣污染和城市地理方面研究，（電話）13409687955（電子信箱）1026927222@qq.com；通信作者，潘 悅（1983-），男，湖北武漢人，副教授/高級工程師，博士，主要從事城鄉空間戰略研究，（電話）13707199355（電子信箱）95351721@qq.com。