北京市PM2.5的时空分布特征及影响因素
(甘肃省天水市清水县自然资源局, 天水 741499)
摘要: 发展中国家快速的城镇化和工业化给生态环境带来极大的负面影响, 尤其是造成严重的空气污染, 成为增加环境健康风险的重要因素。北京是极具代表性的特大城市, 雾霾问题受到广泛的关注, 对雾霾的精准监测和分析至关重要。但是, 雾霾污染兼具长期性和复杂性的特点, 目前北京空气污染程度的时空分布差异及对其影响因素的解释并不充分。因此, 我们选取13个位于北京的空气质量监测站点的PM2. 5浓度, 揭示其不同时间尺度下的空间异质性; 进而使用聚类分析和多元回归分析, 通过多种自然条件和社会经济条件数据拟合PM2. 5的浓度以帮助解释其影响因素。研究结果表明, 北京市PM2. 5浓度存在明显的季节差异, 具体表现为: 冬季>秋季>春季>夏季。PM2. 5浓度分布在不同季节的空间分布特征基本稳定, 大体上是西南部PM2. 5浓度高, 东北部PM2. 5浓度低。拟合的PM2. 5日均浓度和监测站点的数据高度吻合, 说明气象、人口、道路、建筑和NDVI均对PM2. 5的浓度变化具有解释力。
DOI: 10.48014/csdr.20221129001
引用格式: 张艳杰. 北京市PM2. 5 的时空分布特征及影响因素[J]. 中国可持续发展评论, 2022, 1(2): 10-16.
文章类型: 研究性论文
收稿日期: 2022-11-29
接收日期: 2022-12-27
出版日期: 2022-12-28
0 引言
城镇化和工业化是当代世界范围内发展中国家的深刻变革，是驱动经济增长和人类进步的关键引擎。改革开放以来，中国经历快速的城市和工业化过程[1-3]，在经济建设取得巨大成就的同时，能源消耗量也不断增加，也给生态环境带来负面效益[4-6]，尤其是近年来凸显的空气质量问题[7,8]。主要由细颗粒物(PM2.5)造成的雾霾污染不仅降低视觉可见度，还增加人体患各种疾病的风险[9,10]，因此，雾霾污染问题通常受到公众的关注。
由于以往的经济发展模式伴随着高能耗，中国的雾霾污染问题较为严重。进入21世纪以来，中国的雾霾污染屡屡出现，使得城市环境和居民生活受到严重的影响。纵观全球，中国的年均PM2.5浓度远高于发达国家。2013年之后，雾霾污染问题引起了中国极大的关注与重视，并采取了积极措施，近年来空气质量得到了很大改善[11]，但是还远远达不到世界卫生组织制定的指南标准。雾霾问题成为影响中国环境的主要问题，也是中国生态文明道路上的阻碍。
在多种因素的影响下，大部分工业、人口、经济高度集中的地区都会面临空气污染问题。特别是大型城市群，雾霾污染问题尤为严重[12-14]。北京作为首都和发展中国家的代表性特大城市，在中国乃至世界的发展中都占有重要位置[15]，其空气质量问题已经成为公众舆情密切关注的重大问题。近年来，北京市采取了一系列措施，如“煤改气”[16]、“淘汰老旧车辆”和“整合高污染企业”[17]等，这在一定程度上改善了空气质量。然而，雾霾污染的特点是复杂和长期性，不同的城市之间存在相互影响和联动效应[18]，这增加了治理区域性雾霾污染的难度。
尽管北京现在没有高排放量、高污染产业，但仍时常出现雾霾反弹现象。显然，在环境污染治理方面，除了气象因素和污染排放来源，北京还受到周边地区(如河北、内蒙古等)的影响[19]，并且需要采取综合治理措施。认识北京市空气质量的时空分布特征及主要影响因素，对于精准化治理雾霾显得尤为重要[20]。现有研究解释了气象条件[21]、燃煤[22,23]和汽车限制[24]、沙尘[25]对空气质量的影响，并系统地对PM2.5进行来源解析。
然而，目前对北京市空气质量的影响因素研究过程中，时间维度上的影响因素被忽略。因此需要更加深入地考虑时间维度，包括不同季节、不同天气条件下对北京市空气质量影响的因素。同时，需要考虑区域之间的相互作用和联动效应，以便在制定治理措施时全面考虑各种可能性，制定出更加科学、合理、有效、可行的方案。因此，研究需要在深入挖掘时间维度上的数据的基础上，结合其他相关数据源进行分析，以期获得更加准确、全面的研究结论。
本文通过利用北京市空气质量和社会经济数据，对空气质量的现状、时空分布特征和空间集聚特征进行分析。通过选择气象条件、城市内部空间结构、人口空间分布以及下垫面等影响因素建立模型，对北京市空气质量的时空分布特征进行着重探讨。研究旨在厘清北京各地区大气颗粒物的空间差异状况，分析大气污染空间集聚情况以及不同因素对空气质量的影响。研究结果将有助于各地区雾霾的治理工作。
1 研究区与数据源
1.1 研究区概况
北京作为中国的首都，位于华北平原北部，为燕山和太行山所环绕。北京总人口为2153.6万，占地16410.54平方公里[26]。本次研究区域是北京市五环以内的主城区，包括朝阳区、海淀区、东城区、西城区、石景山区、丰台区、大兴区，总面积约为667平方公里[27]。研究区海拔20~60m，为典型的暖温带半湿润大陆性季风气候，年均气温10~12℃，降水量约为600mm。研究区域内建筑密度大，人口密度大(常住人口超过1200万)。研究区的城市发展与污染浓度之间的关系是一个重要的政策问题，公众对空气质量观察度、敏感度、感知度很高，针对研究区域展开空气质量影响因素研究已成为人群健康水平提升的重要措施。因此，北京实行严格的清洁空气政策[28]。
1.2 数据源及预处理
本研究使用的数据，包括气象数据、人口数据、道路密度数据、建筑数据、NDVI植被指数数据和PM2.5数据6类(表1)。气象数据、人口数据、建筑数据、NDVI数据，均来源于中国科学院资源环境科学数据中心[29]。气象数据选取 2020年北京20个气象站点的逐日观测数据，包括气压PRS、气温TEM、降水量PRE、蒸发量EVP、相对湿度RHU、风向风速WIN、日照时数SSD和0cm地温GST8个要素。利用AUSPLIN，对气象站点的数据进行批量插值，得到北京市2020年8个气象要素逐时的栅格数据。中国人口空间分布公里网格数据反映了人口在全国范围内的详细空间分布状况，数据为栅格grid类型，每个栅格代表该网格范围(1平方公里)内的人口数。建筑数据是中国主要城市建筑底面轮廓和建筑高度空间分布数据，格式为shape矢量文件，数据范围覆盖研究区域。在ArcGIS中进行预处理，裁剪得到研究区域的建筑高度空间分布矢量，再把矢量数据转换成栅格数据。NDVI空间分布数据有效地反映了研究区在空间和时间尺度上的植被覆盖分布和变化状况，分辨率为30m。道路数据来源于2020年的OpenStreetMap[30]，道路类型包括主干道、一级公路、二级公路、三级公路、人行道等。利用ArcGIS，将矢量数据格式转换成栅格数据格式，然后以道路面积与栅格面积的比值获得道路密度。PM2.5数据来源于中国环境监测总站[31]。选取北京市13个站点(东四、天坛、官园、万寿西宫、奥体中心、农展馆、万柳、丰台花园、前门、永定门内、西直门北、南三环和东四环)的PM2.5数据，利用ArcGIS软件平台，对站点数据进行克里金插值，得到北京市2020年PM2.5逐时的栅格图。
表1 数据源介绍
Table 1 Introduction to data source
|
数据名称 |
数据来源 |
数据格式 |
数据预处理及简介 |
|
气象数据 |
中国科学院资源环境数据中心 |
CSV |
进行整理后插值 |
|
人口空间分布公里网数据 |
中国科学院资源环境数据中心 |
栅格 |
裁剪处理 |
|
道路数据 |
OpenStreetMap |
矢量 |
进行空间统计分析 |
|
建筑数据 |
中国科学院资源环境数据中心 |
矢量 |
进行空间统计分析 |
|
NDVI数据 |
中国科学院资源环境数据中心 |
栅格 |
裁剪处理 |
|
PM2.5数据 |
中国环境 |
CSV |
进行整理后插值 |
2 方法
本文的研究框架如图1所示。首先进行各因素的数据收集，在标准化后进行聚类分区，为多元回归分析提供基础。使用气象因素进行逐步回归后，使用反演分析。对于其中重要的步骤有详细陈述。
图1 研究框架图
Figure 1 Research framework
2.1 聚类分析法
本研究采用SPSS聚类分析方法对研究区域进行了分区[32,33]。聚类分析法是一种理想的多变量统计技术，包括分层聚类法和迭代聚类法，是常用于分类研究的多元统计分析方法。通过聚类分析，将数据分成多个类别并尽可能减少类别内部的差异，同时增大类别间的差异。
完成数据预处理后，进行聚类分析。首先，将不同量纲的人口数据、道路数据、建筑数据、NDVI数据进行Z-score标准化[34,25]，公式为:
(1)
式中，
为原始数据的均值，
为原始数据的标准差。
2.2 多元回归分析法
本研究运用SPSS多元线性回归方法构建回归方程[36,37]。首先对自变量进行极差标准化处理，其中包括气压PRS、气温TEM、降水量PRE、蒸发量EVP、相对湿度RHU、风向风速WIN、日照时数SSD和0cm地温(GST)等8个气象因素。计算公式[38]如下:
为正指标)(2)
为负指标)(3)
式中，
为标准化之前的值，
为标准化之后的值。
逐步回归[39]的基本形式为:
(4)
式中，
，
，…，
为气象因素，Y为PM2.5浓度，
、
、
，…，
为回归参数，∈为误差变量。
标准化后的数据进行逐步回归分析，按照偏回归平方和的大小逐步地将变量引入或剔除回归方程。在预先给定的置信水平下，对已引入回归方程的变量进行显著性检验，如果检验结果显著，则该变量保留;反之，则需要剔除。接着，再按照偏回归方程平方和由小到大的顺序依次对方程中的其他变量进行检验，以确定哪些变量可以保留在回归方程中，以及哪些变量可以引入回归方程[39]。经过逐步回归，可以在聚类分析得到的5个分区上，分别得到对应的公式，包括8个气象因素、气象要素的平方项和常数项。借此，我们能够反演推出研究范围内不同分区的PM2.5浓度分布图。
3 结果与讨论
3.1 PM2.5分布空间和季节差异分析
北京市五环内PM2.5浓度在季节上存在明显差异，基本表现为冬季>秋季>春季>夏季(见图2)。冬季PM2.5浓度指数一般位于120~140μg/m3之间，而夏季大部分地区PM2.5浓度指数则处于50~60μg/m3之间。由于夏季的冷暖空气对流带来丰沛的降水，有利于污染物的沉降与扩散，故而，夏季在全年四个季节中整体空气污染最低，且地区之间差异最小。秋冬季气团干燥，不利于降雨形成，降雨量少且持续时间短，风速和风力较小，对污染物的冲刷效果不明显，导致PM2.5浓度高。冬季寒冷，城市内有大量的供暖设施，大多燃煤，周边城市的燃煤量明显增加，逆温层天气中煤烟粉尘排放堆积不散，导致污染物排放浓度高、强度大，空气质量明显变差。
从空间分布特征看，北京市五环内PM2.5浓度在不同季节的空间分布特征基本稳定，大体上呈现为西南部PM2.5浓度高，东北部PM2.5浓度低。北京市五环的西南部处于整个北京市的下风口，导致污染物在此处堆积;而东北部公园多，城市园林植被长期消解部分的PM2.5。
图2 北京市全年及各季节PM2.5浓度分布图
Figure 2 Distribution of PM2.5 concentration in Beijing by year and season
3.2 反演PM2.5平均日浓度
由逐步回归方法反演得到全年的PM2.5日均浓度与监测的PM2.5日平均浓度较一致。利用PM2.5浓度公式可以有效预测未来PM2.5浓度值，这表明，气象、人口、道路、建筑和NDVI均对PM2.5的浓度变化具有解释力，如图3所示。
明显可见，PM2.5日均浓度最低的日期主要集中在6—8月，PM2.5浓度约为150μg/m3以下;而平均日浓度最高的日期则主要集中在12月、1月，PM2.5浓度单日最高可达约480μg/m3。冬季(12、1、2月)PM2.5浓度高，空气质量差;夏季(6、7、8月)PM2.5浓度低，空气质量较好。
统计全年的PM2.5平均日浓度数值，可以得到空气质量为优(0~35μg/m3)的天数为66天，良(35~75μg/m3)的为117天，轻度污染(75~115μg/m3)的为92天、中度污染(115~150μg/m3)的为38天、重度污染(150~250μg/m3)的为36天、严重污染(250μg/m3及以上)的为7天。目前，我国的PM2.5达标标准值为24小时平均浓度小于75μg/m3，即空气质量为优和良的天数为183天。而PM2.5不达标的天数有173天，可以看出北京市的污染情况十分严重。这与北京市的经济社会发展密切相关，虽然北京的城市化与工业化已经基本稳定，但能源消耗量的不断增加，导致空气质量急剧下滑。此外，汽车尾气和北方燃煤取暖增加了污染物的排放量[40]，再加上密集的建筑物和不太流通的空气[41]，更是加剧了北京市的空气质量问题。
图3 PM2.5日平均浓度分布
Figure 3 Distribution of daily average PM2.5 concentration
4 结论
长期以来，北京一直受到PM2.5引起的雾霾困扰，因此，监测PM2.5浓度的时空分布特征以及探究影响因素至关重要。本研究分析了13个位于北京的空气质量监测站点的PM2.5浓度，并揭示了不同时间尺度下的空间异质性。聚类分析和多元回归分析被运用来科学拟合并解释影响 PM2.5分布的因素。
研究结果表明，北京市PM2.5浓度在季节性方面存在明显差异，主要表现在冬季>秋季>春季>夏季。PM2.5在不同季节的空间分布特征基本稳定，通常西南部PM2.5浓度较高，而东北部则较低。气象、人口、道路、建筑和NDVI均对PM2.5的浓度变化具有解释力。
利益冲突: 作者声明无利益冲突。
[①] 通讯作者 Corresponding author:张艳杰，zhangyanjie_cdlg@yeah.net
收稿日期:2022-11-29; 录用日期:2022-12-27; 发表日期:2022-12-28
参考文献(References)
[1] 闫超, 吴琼, 隋建利. 改革开放40年中国城镇化与城乡收入差异的路径演化识别[J]. 经济问题探索, 2020, 451(02): 61-73.
[2] 郑得坤, 李凌. 城镇化、工业化与居民消费: 内在机理与实证研究———来自世界162个国家(地区)的经验证据[J]. 上海经济研究, 2020, 377(02): 78-88.
https: //doi. org/10. 19626/j. cnki. cn31-1163/f. 2020. 02. 007
[3] 肖金成. 中国城镇化四十年[J]. 中国金融, 2018, 888(18): 33-35.
[4] 徐梦佳, 刘冬. 城镇化进程中生态环境管治的国际经验与启示[J]. 中国环境管理, 2019, 11(01): 123-127, 31.
https: //doi. org/10. 16868/j. cnki. 1674-6252. 2019. 01. 123
[5] 刘海猛, 方创琳, 李咏红. 城镇化与生态环境“耦合魔方”的基本概念及框架[J]. 地理学报, 2019, 74(08): 1489-1507.
https: //doi. org/10. 11821/dlxb201908001
[6] 史建军. 城镇化进程中生态环境响应的时空分异及影响因素研究[J]. 干旱区资源与环境, 2019, 33(05): 60-66.
https: //doi. org/10. 13448/j. cnki. jalre. 2019. 139
[7] 崔阳阳, 张熠晨, 沈岩, 等. 京津冀及周边民用燃煤对空气质量的影响及控制对策[J]. 环境保护, 2022, 50(24): 27-31.
https: //doi. org/10. 14026/j. cnki. 0253-9705. 2022. 24. 013
[8] 赵伟, 刘昊铮, 蒲海霞. 中国“十三五”期间空气质量时空演变特征及社会经济驱动力[J]. 西南大学学报(自然科学版), 2022, 44(09): 99-109.
https: //doi. org/10. 13718/j. cnki. xdzk. 2022. 09. 011
[9] 曹彩虹, 韩立岩. 雾霾带来的社会健康成本估算[J]. 统计研究, 2015, 32(07): 19-23.
https: //doi. org/10. 19343/j. cnki. 11-1302/c. 2015. 07. 003
[10] 姜绵峰, 叶春明, 盛真真, 等. 上海市雾霾健康经济损失风险评估[J]. 生态科学, 2017, 36(03): 90-97.
https: //doi. org/10. 14108/j. cnki. 1008-8873. 2017. 03. 013
[11] Most polluted country in the world(historical data). IQAir. 2022.
[12] SHI C, YUAN R, WU B, et al. Meteorological conditionsconducive to PM2. 5 pollution in winter 2016/2017in the Western Yangtze River Delta, China[J]. Scienceof The Total Environment, 2018, 642: 1221-1232.
https: //doi. org/10. 1016/j. scitotenv. 2018. 06. 137
[13] XU X, ZHANG H, CHEN J, et al. Six sources mainlycontributing to the haze episodes and health risk assessmentof PM2. 5 at Beijing suburb in winter 2016[J]. Ecotoxicology and Environmental Safety, 2018, 166: 146-156.
https: //doi. org/10. 1016/j. ecoenv. 2018. 09. 069
[14] LIAO T, WANG S, AI J, et al. Heavy pollution episodes, transport pathways and potential sources ofPM2. 5 during the winter of 2013 in Chengdu(China)[J]. Science of The Total Environment, 2017, 584-585: 1056-1065.
https: //doi. org/10. 1016/j. scitotenv. 2017. 01. 160
[15] 万安伦. 北京城市地位与功能的四次跃升[J]. 北京联合大学学报(人文社会科学版), 2014, 12(03): 41-46.
https: //doi. org/10. 16255/j. cnki. 11-5117c. 2014. 03. 007
[16] 岳鸿飞, 施川. “煤改气”工程绿色净效益评估及政策优化措施[J]. 河北经贸大学学报, 2019, 40(05): 86-91.
https: //doi. org/10. 14178/j. cnki. issn1007-2101. 2019. 05. 011
[17] 京津冀地区关停10家重点污染企业 力保奥运会期间空气质量[J]. 环境保护, 2008, 390(04): 51.
[18] 王会芝, 杜林蔚, 吕建华. 城市群雾霾污染的空间分异及动态关联研究———基于京津冀城市群的实证分析[J]. 中国环境管理, 2020, 12(01): 80-86.
https: //doi. org/10. 16868/j. cnki. 1674-6252. 2020. 01. 080
[19] 王郭臣, 王东启, 陈振楼. 北京冬季严重污染过程的PM2. 5 污染特征和输送路径及潜在源区[J]. 中国环境科学, 2016, 36(07): 1931-1937.
[20] 周磊, 武建军, 贾瑞静, 等. 京津冀PM2. 5 时空分布特征及其污染风险因素[J]. 环境科学研究, 2016, 29(04): 483-493.
https: //doi. org/10. 13198/j. issn. 1001-6929. 2016. 04. 03
[21] 陈添. 气象条件对北京市空气质量的影响[J]. 环境保护, 2006(10): 46-49.
[22] 薛亦峰, 闫静, 魏小强. 燃煤控制对北京市空气质量的改善分析[J]. 环境科学研究, 2014, 27(03): 253-258.
https: //doi. org/10. 13198/j. issn. 1001-6929. 2014. 03. 05
[23] 贺晋瑜, 燕丽, 雷宇, 等. 京津冀地区燃煤锅炉PM2. 5 减排潜力分析[J]. 中国环境科学, 2017, 37(04): 1247-1253.
[24] 邱兆祥, 刘帅. 机动车限行对北京市空气污染指数的影响[J]. 经济研究参考, 2013, 2499(11): 70-73, 6.
https: //doi. org/10. 16110/j. cnki. issn2095-3151. 2013. 11. 001
[25] 高文康, 高庆先, 陈跃浩, 等. 北京市沙尘暴天气环境质量等级划分[J]. 资源科学, 2014, 36(07): 1527-1534.
[26] LI W, SHAO L, WANG W, et al. Air quality improvementin response to intensified control strategies in Beijingduring 2013—2019[J]. Science of The Total Environment, 2020, 744: 140776.
https: //doi. org/10. 1016/j. scitotenv. 2020. 140776
[27] LAN T, YU M, XU Z, et al. Temporal and spatial variationcharacteristics of catering facilities based on POIdata: a case study within 5th ring road in Beijing[J]. Procedia Comput Sci, 2018, 131: 1260-1268.
https: //doi. org/10. 1016/j. procs. 2018. 04. 343
[28] HUANG X, TANG G, ZHANG J, et al. Characteristicsof PM2. 5 pollution in Beijing after the improvement ofair quality[J]. Journal of Environmental Sciences, 2021, 100: 1-10.
https: //doi. org/10. 1016/j. jes. 2020. 06. 004
[29] RESC. RESC. 2021.
[30] OSM. OpenStreetMap. 2021.
[31] CNEMC. China National Environmental MonitoringCentre. 2020.
[32] 罗家国, 罗浩, 仲佳嘉. 基于SPSS的学生能力倾向聚类分析研究[J]. 高等工程教育研究, 2012, 137(06): 101-104, 35.
[33] 马振, 周密. 聚类分析在秦淮河水质指标相关性研究中的应用[J]. 水文, 2018, 38(01): 77-80.
[34] GOPAL KRISHNA PATRO S, SAHU K K. Normalization: A Preprocessing Stage[J/OL] 2015, arXiv: 1503. 06462.
https: //ui. adsabs. harvard. edu/abs/2015arXiv150306462G. 10. 48550/arXiv. 1503. 06462
[35] NIñO-ADAN I, LANDA-TORRES I, PORTILLO E, etal. Influence of statistical feature normalisation methodson K-Nearest Neighbours and K-Means in the contextof industry 4. 0[J]. Engineering Applications of ArtificialIntelligence, 2022, 111: 104807.
https: //doi. org/10. 1016/j. engappai. 2022. 104807
[36] 曹玉茹. 基于SPSS加权回归的回归分析条件适用性研究[J]. 统计与决策, 2019, 35(04): 89-92.
https: //doi. org/10. 13546/j. cnki. tjyjc. 2019. 04. 020
[37] 毕建武, 贾进章, 刘丹. 基于SPSS多元回归分析的回采工作面瓦斯涌出量预测[J]. 安全与环境学报, 2013, 13(05): 183-186.
https: //doi. org/10. 3969/j. issn. 1009-6094. 2013. 05. 038
[38] 俞立平, 宋夏云, 王作功. 评价型指标标准化与评价方法对学术评价影响研究———以TOPSIS评价方法为例[J]. 情报理论与实践, 2020, 43(02): 15-20, 54.
https: //doi. org/10. 16353/j. cnki. 1000-7490. 2020. 02. 003
[39] 杨巍, 张莉莉. 逐步回归分析在经济林产品需求预测中的应用[J]. 林业经济, 2009(08): 74-76.
[40] 吴凌云, 谢军飞, 张欣. 冬季采暖优化对北京地区空气质量的影响[J]. 气候与环境研究, 2021, 26(04): 391-402.
https: //doi. org/10. 3878/j. issn. 1006-9585. 2021. 20098
[41] 程昊淼, 姜智文, 张培浩, 等. 基于CFD 模拟的城市住区形态参数对大气污染物扩散影响[J]. 北京工业大学学报, 2021, 47(12): 1377-1387.
https: //doi. org/10. 11936/bjutxb202105009
Temporal and Spatial Distribution Characteristics and Influencing Factors of PM2.5 in Beijing
(Natural Resources Bureau of Qingshui County, Tianshui 741499, China)
Abstract: The rapid urbanization and industrialization in developing countries has had a significant negative impact on the ecological environment, especially causing serious air pollution, which has become an important factor in increasing environmental health risks. Beijing is a highly representative megacity where the smog problem has received widespread attention, so it is very important to accurately monitor and analyze the smog. However, smog pollution has characteristics of long-term and complexity, and the current differences in the temporal and spatial distribution of air pollution levels in Beijing and the explanation of influencing factors are not sufficient. Therefore, we select the PM2. 5 concentrations from 13 stations located in Beijing for air quality monitoring to reveal their spatial heterogeneity at different time scales. Then, cluster analysis and multiple regression analysis are used to fit the concentrations of PM2. 5 through a variety of natural and socio-economic conditions to help explain their influencing factors. The results show that there are obvious seasonal differences in the concentrations of PM2. 5, specifically: winter > autumn > spring > summer. The spatial distribution of PM2. 5 concentration is generally stable across seasons, with high PM2. 5 concentration in the southwest and low PM2. 5 concentration in the northeast. The fitted daily average concentration of PM2. 5 is highly consistent with the data from monitoring stations, indicating that meteorology, population, roads, buildings and NDVI all have explanatory power on the variation of PM2. 5 concentration.
Keywords: Air quality, spatial characteristics, influencing factors, Beijing
DOI: 10.48014/csdr.20221129001
Citation: Zhang Yanjie. Temporal and spatial distribution characteristics and influencing factors of PM2. 5 in Beijing[J]. Chinese Sustainable Development Review, 2022, 1(2): 10-16.