張亮林,潘竟虎

全球PM2.5人口暴露風(fēng)險時空格局

張亮林,潘竟虎*

(西北師范大學(xué)地理與環(huán)境科學(xué)學(xué)院,甘肅 蘭州 730070)

基于PM2.5遙感數(shù)據(jù)和人口格網(wǎng)數(shù)據(jù),利用污染物人口暴露風(fēng)險模型、Theil-Sen Media和Mann-Kendall等方法,分析了2000～2016年全球PM2.5人口暴露風(fēng)險時空分布特征,并識別出暴露高風(fēng)險區(qū)域.結(jié)果表明,PM2.5遙感數(shù)據(jù)和人口格網(wǎng)數(shù)據(jù)可以客觀地評價暴露風(fēng)險程度.全球PM2.5平均濃度在各大洲差異顯著,PM2.5污染的高值區(qū)域主要分布在東亞、南亞和東南亞.PM2.5質(zhì)量濃度的多年平均值從高到低分別是亞洲14.7μg/m3、非洲8.1μg/m3、歐洲8.03μg/m3、南美洲5.69μg/m3、北美洲4.41μg/m3和大洋洲1.27μg/m3.2000～2016年,全球PM2.5人口暴露風(fēng)險在宏觀尺度上呈逐漸減少的趨勢,而在區(qū)域內(nèi)則呈現(xiàn)出差異性.空間上,全球PM2.5人口暴露風(fēng)險各大洲從高到低依次為亞洲5.94、非洲0.62、歐洲0.45、南美洲0.32、北美洲0.27和大洋洲0.01.時間上,2000～2016年,亞洲和非洲PM2.5人口暴露風(fēng)險呈增長趨勢,歐洲和北美洲呈減少趨勢,大洋洲和南美洲變化幅度較小.

PM2.5；人口暴露風(fēng)險；時空變化；全球

空氣污染暴露(Air Pollution Exposure)是指個體居民與空氣污染物直接接觸使其暴露在空氣污染中的狀態(tài)或過程[1].研究表明,細(xì)顆粒物(PM2.5)是最致命的空氣污染形式,也是造成全球非傳染性疾病的主要原因[2].2017年全球疾病負(fù)擔(dān)(Global Burden of Disease, GBD)研究表明[3],環(huán)境顆粒物(PM)污染導(dǎo)致全球約294萬人死亡,其中約35.47%發(fā)生在東南亞、東亞和大洋洲,是造成死亡負(fù)擔(dān)的第八大主要風(fēng)險因素.PM2.5空氣污染對健康的影響并沒有在所有公民之間平等分享,在全球范圍內(nèi),與PM2.5空氣污染相關(guān)的健康風(fēng)險在中低收入國家更高,其中91%的過早死亡是由包括PM2.5在內(nèi)的空氣污染造成的[4].研究發(fā)現(xiàn)[5],在北美、歐洲、亞洲、非洲和大洋洲,較貧窮地區(qū)的PM2.5空氣污染水平往往較高.隨著經(jīng)濟(jì)全球化和區(qū)域一體化快速發(fā)展,全球PM2.5污染監(jiān)測與治理難度加大.許多國家受自身經(jīng)濟(jì)狀況制約,尚未建立PM2.5地面監(jiān)測站點,缺乏持續(xù)的PM2.5濃度監(jiān)測數(shù)據(jù).部分國家受戰(zhàn)亂影響,政局不穩(wěn),人口普查無法實現(xiàn),數(shù)據(jù)的缺失給全球尺度的PM2.5人口暴露研究帶來了挑戰(zhàn).長時間序列的PM2.5人口暴露風(fēng)險定量化研究,有助于剖析全球PM2.5暴露風(fēng)險變化,為PM2.5及暴露風(fēng)險的健康效應(yīng)影響、環(huán)境管理、流行病學(xué)的研究提供可靠、詳盡的輔助基礎(chǔ)數(shù)據(jù)和參考[6],是對行政單元上暴露風(fēng)險分析研究的很好補(bǔ)充.因此,基于遙感數(shù)據(jù)定量分析全球PM2.5人口暴露風(fēng)險,有助于區(qū)域聯(lián)動,進(jìn)行大氣污染治理和暴露風(fēng)險規(guī)避. 此外,由于PM2.5易于遠(yuǎn)距離乃至跨境傳輸,發(fā)達(dá)國家借助貿(mào)易使欠發(fā)達(dá)國家增加了經(jīng)濟(jì)產(chǎn)值,但同時也可能通過空氣污染造成不可忽視的經(jīng)濟(jì)和健康損失[7],國際貿(mào)易中隱含的PM2.5轉(zhuǎn)移問題越來越受到學(xué)者的關(guān)注[8-9],分析全球PM2.5人口暴露風(fēng)險時空格局,可為化解全球和區(qū)域生態(tài)環(huán)境風(fēng)險、推進(jìn)國際貿(mào)易的健康發(fā)展提供參考.

已有部分學(xué)者開展了PM2.5暴露風(fēng)險的嘗試性探索研究,但總體上目前PM2.5人口暴露風(fēng)險研究案例較少,從內(nèi)容來看主要集中在流行病學(xué)領(lǐng)域[10-12].研究尺度上,大多數(shù)研究集中在某個特定的國家(尤其是中國和印度兩個人口最多的國家)[6,13-16],或?qū)⒚總€國家作為單一研究目標(biāo)[17].個別學(xué)者對全球PM2.5人口暴露風(fēng)險時空格局開展了研究.Han等研究發(fā)現(xiàn)[18],2010年全球陸地面積的11.0′106km2(約占全球陸地面積的8%)暴露于PM2.5污染(PM2.5質(zhì)量濃度>35μg/m3),自2000年以來增加了4.3′106km2;2010年,全球19.4億人暴露于PM2.5污染.Roberts等[19]利用哥白尼大氣監(jiān)測系統(tǒng)(CAMS)調(diào)查了2016～2019年全球人口PM2.5暴露,發(fā)現(xiàn)143個國家的平均人口加權(quán)PM2.5總表面濃度超過10μg/m3的世衛(wèi)組織建議值,每年有6720萬人暴露在PM2.5水平分類為“危險”(PM2.5質(zhì)量濃度>250.5μg/m3)的環(huán)境.Li等[20]發(fā)現(xiàn)1998年至2016年全球大陸PM2.5暴露人口占全球總?cè)丝诘?6.0%.傳統(tǒng)的PM2.5人口暴露風(fēng)險研究多以行政區(qū)為研究單元,雖然在行政單元上可以考慮人口性別、教育程度和收入等社會經(jīng)濟(jì)因素,但這類數(shù)據(jù)在用于估算空氣污染物的實時暴露風(fēng)險時,存在一定的局限性,因為它們只是將每個人口普查區(qū)塊的人口視為一個同質(zhì)實體,無法深入研究污染人口暴露的空間異質(zhì)性.遙感因其宏觀、動態(tài)、客觀、周期性強(qiáng)等優(yōu)勢,為在不同時空尺度上開展環(huán)境監(jiān)測和污染分布及人口暴露風(fēng)險評估提供了良好的數(shù)據(jù)源[21].基于遙感的暴露風(fēng)險分析能夠更直觀地識別區(qū)域內(nèi)部差異,從而為提出差別化、針對性的應(yīng)對措施提供了依據(jù)[22].

基于以上原因,本文利用2000～2016年全球PM2.5與人口分布遙感反演數(shù)據(jù),采用暴露風(fēng)險模型、趨勢分析和穩(wěn)定性分析等方法,在像元尺度上研究全球PM2.5人口暴露風(fēng)險的時空格局演變特征,并準(zhǔn)確識別出PM2.5人口高暴露風(fēng)險區(qū)域,分析PM2.5人口暴露的穩(wěn)定性,探尋暴露風(fēng)險的時空演變規(guī)律,以期全面系統(tǒng)地揭示PM2.5人口暴露狀況,為減緩大氣污染、改善人居環(huán)境提供科學(xué)參考.相較于前人研究,本研究以遙感為數(shù)據(jù)源,結(jié)果可落實到空間柵格上,分辨率高,可視化效果好;采用長時間序列衛(wèi)星產(chǎn)品,保證了結(jié)果的連續(xù)性、客觀性和可比較性.

1 數(shù)據(jù)與方法

1.1 數(shù)據(jù)來源

PM2.5質(zhì)量濃度遙感數(shù)據(jù)來自于MODIS/MISR和SeaWiFS氣溶膠光學(xué)厚度(AOD)聯(lián)合反演得到的全球逐年P(guān)M2.5格網(wǎng)產(chǎn)品(http://earthdata.nasa.gov),時間序列為2000～2016年,空間分辨率為0.01o×0.01o.人口格網(wǎng)數(shù)據(jù)為LandScan全球人口格網(wǎng)數(shù)據(jù),獲取自https://landscan.ornl.gov,空間分辨率約1km.LandScan數(shù)據(jù)通過收集各國高精度的人口普查數(shù)據(jù)、道路、坡度、土地覆蓋、夜間燈光和城市密度數(shù)據(jù),利用GIS技術(shù)和高分辨率遙感影像模擬人口空間分布,并利用建筑區(qū)、居民點等人口相關(guān)指示因子進(jìn)行模擬結(jié)果的校核和驗證,確保了數(shù)據(jù)精度.世界境界線矢量底圖來自于自然資源部標(biāo)準(zhǔn)地圖服務(wù)網(wǎng)站,根據(jù)審圖號為GS(2016)1665號的世界地圖繪制,底圖無修改.

1.2 研究方法

1.2.1 PM2.5人口暴露風(fēng)險計算 PM2.5人口暴露風(fēng)險指數(shù)可以評估空間子單元內(nèi)的暴露狀況[23]:

式中:是格網(wǎng)號;R表示格網(wǎng)內(nèi)的PM2.5人口暴露風(fēng)險指數(shù)值;POP是格網(wǎng)內(nèi)的人口數(shù);C是格網(wǎng)內(nèi)的PM2.5濃度值;是研究區(qū)內(nèi)的格網(wǎng)數(shù)之和,這里指全球格網(wǎng)總數(shù)之和.

1.2.2 趨勢分析 Theil-Sen Median趨勢分析可以模擬每個柵格的變化趨勢,能客觀地反映長時間序列PM2.5人口暴露風(fēng)險的演化趨勢.計算公式為[24]:

式中:S是擬合方程的斜率;R是第年的暴露風(fēng)險指數(shù)值;R是第年的暴露風(fēng)險指數(shù)值.當(dāng)S>0,表示PM2.5人口暴露風(fēng)險呈增長趨勢;反之,表示PM2.5人口暴露風(fēng)險呈減小趨勢.

Mann-Kendall檢驗是一種非參數(shù)統(tǒng)計檢驗的方法,用來判斷趨勢的顯著情況.計算公式為[25]:

設(shè)定時間序列{R},=2000, 2001, …, 2016,定義統(tǒng)計量為:

其中,

其中,

式中:為統(tǒng)計變量;()是的方差;R和R分別表示像元第和年的PM2.5人口暴露風(fēng)險值;表示時間序列的長度;sgn()為符號函數(shù).當(dāng)|Z|>1-α/2時,表明在水平上存在顯著變化.本文判斷在=0.05置信水平上暴露風(fēng)險在時間序列上的顯著性[26].

1.2.3 遙感數(shù)據(jù)的精度檢驗 為全面客觀地評價本文使用的PM2.5數(shù)據(jù)精度,采用遙感預(yù)測值和地面監(jiān)測值之間的2、和指標(biāo)評價PM2.5遙感數(shù)據(jù)的精度.具體含義和計算方法如下:

式中:PM2.5為遙感數(shù)值;PM2.5為地面站點監(jiān)測值;為建模數(shù)據(jù)集記錄總數(shù).

2 結(jié)果與討論

2.1 全球PM2.5和人口遙感數(shù)據(jù)的精度檢驗

通過海量文獻(xiàn)搜索的方式獲得了全球210個PM2.5地面環(huán)境監(jiān)測站點數(shù)據(jù),經(jīng)交叉驗證顯示驗證點處的估算值和實測值一致性較好(2=0.81)[27].但是,該產(chǎn)品估算時是以歐美地區(qū)的實測數(shù)據(jù)構(gòu)建模型的,對于其他地區(qū)的適用性并沒有進(jìn)行說明,加之這些科研團(tuán)隊和學(xué)者沒有公布更加詳細(xì)的驗證數(shù)據(jù),如和等,該數(shù)據(jù)在全球的精度有待驗證.PM2.5數(shù)據(jù)是本文的基礎(chǔ)數(shù)據(jù),為確保PM2.5遙感數(shù)據(jù)的可靠性,分別選取了中國、歐盟和加拿大為驗證區(qū)域,對2016年三個區(qū)域的年平均PM2.5進(jìn)行匹配驗證.選擇驗證點時,以空間分布均勻為基本原則,從而保證PM2.5遙感數(shù)據(jù)的檢驗結(jié)果客觀可靠.從選取的29個國家共2899個PM2.5監(jiān)測站點中,篩選出有效的驗證數(shù)據(jù)442組,其空間分布如圖1所示,對其進(jìn)行精度檢驗.

2016年中國共有監(jiān)測站點1542個,本文在空間上均勻且隨機(jī)地選取了驗證點230個,將遙感數(shù)據(jù)與地面實測數(shù)據(jù)進(jìn)行匹配驗證,在<0.01水平上,2=0.7264,MPE=8.09%,RMSE=10.387μg/m3.歐盟境內(nèi)共有PM2.5監(jiān)測站點1327個,從中均勻隨機(jī)地選取180個驗證點,2=0.798,MPE=1.57%, RMSE=2.685μg/m3.加拿大共有30個監(jiān)測站點,主要分布在南部,從中選取驗證點12個,經(jīng)驗證,2= 0.7408,MPE=0.876%,RMSE=1.144μg/m3.將三個區(qū)域的PM2.5驗證結(jié)果進(jìn)行對比發(fā)現(xiàn),歐盟的2最高,加拿大次之,中國的2最低;加拿大的MPE和RMSE最優(yōu),歐盟次之,中國最差.總體來看,本文所使用的的PM2.5遙感數(shù)據(jù)精度滿足研究需求,精度較好.

為驗證LandScan全球人口格網(wǎng)數(shù)據(jù)的精度,選取世界銀行公布的全球各個國家人口總和數(shù)據(jù)對其進(jìn)行精度檢驗.使用GIS空間分區(qū)統(tǒng)計工具,統(tǒng)計了每個國家的人口總量,并和世界銀行公布的人口總和數(shù)據(jù)進(jìn)行對比驗證.本文從世界銀行數(shù)據(jù)庫下載了2016年全球每個國家的人口總和,使用ArcMap10.4的區(qū)域統(tǒng)計工具,統(tǒng)計了LandScan的各個國家人口總和,通過與世界銀行統(tǒng)計數(shù)據(jù)進(jìn)行匹配驗證,發(fā)現(xiàn)精度良好,<0.001水平下,2=0.99,平均偏差僅為2.43%,可以滿足本研究需要.

2.2 全球PM2.5和人口空間分布格局

從圖2可知,2000～2016年全球PM2.5平均濃度在空間上呈亞洲最高、非洲較高、歐洲較低和其他大洲極低的分布狀態(tài),分別為亞洲14.7μg/m3、非洲8.1μg/m3、歐洲8.03μg/m3、南美洲5.69μg/m3、北美洲4.41μg/m3、大洋洲1.27μg/m3.PM2.5現(xiàn)狀值(2016年)分別為亞洲16.6μg/m3、非洲9.15μg/m3、歐洲8.9μg/m3、南美洲5.66μg/m3、北美洲3.6μg/m3、大洋洲1.34μg/m3.可以直觀地發(fā)現(xiàn)亞洲的PM2.5污染程度遠(yuǎn)超其他大洲,尤其以印度和中國最為嚴(yán)重.中國的PM2.5濃度高值區(qū)分布在東部,17年間的平均濃度約30μg/m3,超過WHO的第三級健康標(biāo)準(zhǔn)約15μg/m3.PM2.5濃度的高值區(qū)主要分布在東北平原中部和以北京-上海-常德為頂點所圍成的三角形區(qū)域內(nèi),這些地區(qū)地形平坦,工業(yè)發(fā)達(dá),產(chǎn)業(yè)集群化程度高,人口密集,大氣污染較嚴(yán)重.東北平原中部的PM2.5濃度整體變化趨勢為增加,而以北京-上海-常德為頂點所圍成的三角形區(qū)域的變化趨勢為先增加再減少,2008年,PM2.5濃度最高且污染范圍最廣,2008年以后PM2.5濃度明顯下降.南亞的PM2.5高值區(qū)主要分布在印度和孟加拉國.印度的PM2.5呈現(xiàn)出逐步增加的趨勢,多年均值為33.36μg/m3,到2016年達(dá)到最大值41.05μg/m3.東南亞地區(qū)的PM2.5也呈現(xiàn)出不斷增大的趨勢,其中印度尼西亞和泰國的17年平均值分別為7.36μg/m3、27.76μg/m3,印度尼西亞的PM2.5增長尤為劇烈,泰國的PM2.5多年均值和現(xiàn)狀值均極高.非洲的PM2.5在空間上呈現(xiàn)出中部高、南北低,西部高東部低的分布狀態(tài),高值區(qū)主要分布在幾內(nèi)亞灣附近.非洲的PM2.5多年變化趨勢為緩慢增加,增加的區(qū)域主要位于中部和南部區(qū)域.

北美洲PM2.5年均值維持在較低水平,17年P(guān)M2.5平均濃度為4.4μg/m3,其中美國為6.9μg/m3,加拿大為2.73μg/m3,多年P(guān)M2.5變化呈現(xiàn)出逐步減少的趨勢.南美洲PM2.5年均值濃度為5.69μg/m3,略高于北美.歐洲地區(qū)PM2.5變化則呈現(xiàn)出先增加再減少的趨勢.大洋洲PM2.5常年維持在極低水平,平均值為1.34μg/m3,現(xiàn)狀值為10.6μg/m3.

從2000～2016年均全球人口空間分布可知(圖3),人口在空間上呈亞洲最高、非洲和歐洲次之、南北美洲較低和大洋洲最低的分布狀態(tài).全球人口持續(xù)增長的國家主要分布在非洲,持續(xù)減少的國家主要分布在歐洲.人口基數(shù)最大的是亞洲,龐大的人口消耗著大量的資源和能源,資源與能源加工生產(chǎn)造成了大量的PM2.5排放,嚴(yán)重的PM2.5污染又反作用于人類,影響著人類的身體健康.非洲人口增長速度極快.

圖3 2000～2016年全球人口空間分布

2.3 全球PM2.5人口暴露風(fēng)險分布格局

將PM2.5人口暴露風(fēng)險分為7個級別:極安全、安全、較安全、一般、較危險、危險和極危險[28],詳細(xì)劃分標(biāo)準(zhǔn)如表1所示.

表1 PM2.5人口暴露風(fēng)險級別劃分

2.3.1 總體分布格局 全球年均PM2.5人口暴露風(fēng)險呈逐年減少的趨勢,由于全球不同地區(qū)的工業(yè)化和消費水平差異顯著,PM2.5人口暴露風(fēng)險呈現(xiàn)出明顯的空間差異(圖4).PM2.5人口暴露風(fēng)險的高值區(qū)分布在人口密度大且經(jīng)濟(jì)快速增長的地區(qū)和國家,包括中國、印度、東南亞各國、非洲尼羅河流域和幾內(nèi)亞灣沿岸、西歐等地,PM2.5人口暴露風(fēng)險極低值區(qū)主要分布在自然條件惡劣,不適宜人類生產(chǎn)發(fā)展的高原、高寒、沙漠、熱帶雨林等地區(qū),如青藏高原、格陵蘭島、東西伯利亞平原、撒哈拉大沙漠、亞馬遜河等.全球PM2.5人口暴露風(fēng)險在空間上呈亞洲最高(5.94)、非洲次高(0.62)、歐洲、南美洲和北美洲次之(分別為0.45、0.32和0.27),大洋洲最低(0.01)的分布狀態(tài).以2016年為例,PM2.5人口高暴露風(fēng)險(暴露風(fēng)險等級為高風(fēng)險與極高風(fēng)險)狀態(tài)下的全球各國家人口總量在空間上呈亞洲和美洲高,歐洲、非洲和大洋洲低的分布狀態(tài).高暴露風(fēng)險下的人口總量31億的國家包括中國、印度、美國、印度尼西亞、巴西、巴基斯坦、尼日利亞和孟加拉國,暴露人口總量35000萬且<1億人的國家包括俄羅斯、墨西哥、日本和埃及.2016年全球高暴露風(fēng)險狀態(tài)下的人口密度3200人的國家包括印度、日本、韓國、孟加拉國、荷蘭、盧旺達(dá)和布隆迪,人口密度3100且<200人km2的國家有13個,包括英國、德國、瑞士、比利時、意大利、巴基斯坦、尼泊爾、朝鮮、越南、菲律賓、多米尼加、薩爾瓦多和尼日利亞.

為便于分析,將2000～2016年每隔4a統(tǒng)計,PM2.5濃度均值從10～45μg/m3,每隔5μg/m3分級,計算超過各級限值的人口累計百分比(圖5),結(jié)果發(fā)現(xiàn)超過各級限制的暴露人口累計百分比在2000～2008年有明顯增大的趨勢,2012年顯著回落,2016年又有所回升.2000年全球有73.82%的人口生活在PM2.5濃度年均值為10μg/m3以上的環(huán)境中,有12.59%的人口所生活的環(huán)境PM2.5濃度平均值在35μg/m3以上,還有6.26%的人口生活在PM2.5濃度平均值在45μg/m3以上.2016年,全球仍有75.72%的人口生活在PM2.5濃度年均值為10μg/m3以上的環(huán)境中,27.51%的人口所生活的環(huán)境PM2.5濃度平均值在35μg/m3以上,18.8%的人口暴露在PM2.5濃度平均值在45μg/m3以上.

2.3.2 分區(qū)域空間分布特征 從圖6可以發(fā)現(xiàn)亞洲的PM2.5人口暴露風(fēng)險遠(yuǎn)遠(yuǎn)超過其他大洲,17年的暴露風(fēng)險均值為5.94,屬于極危險級別.中國PM2.5人口暴露風(fēng)險高的區(qū)域主要分布在東部地區(qū),平均值為3.21,達(dá)到了較危險水平.中國PM2.5人口暴露風(fēng)險變化趨勢為先增加后減少,PM2.5濃度最高且污染范圍最廣是2008年,2008年之后暴露風(fēng)險逐漸降低.日本年均暴露風(fēng)險值為4.48,屬于危險等級,高暴露風(fēng)險區(qū)主要分布在東部沿海地區(qū).南亞的印度、孟加拉國和巴基斯坦東部區(qū)域是PM2.5人口暴露極危險區(qū),且呈逐年增加的趨勢,2016年的風(fēng)險值達(dá)到最大.這三個國家的17年均PM2.5人口暴露風(fēng)險分別為24.03、79.03和8.75.東南亞地區(qū)是全球范圍內(nèi)又一PM2.5人口暴露風(fēng)險高值區(qū),越南、泰國、柬埔寨、緬甸、印度尼西亞暴露風(fēng)險均值分別為8.44、5.89、2.03、2.25、2.76.2000～2016年東南亞地區(qū)的PM2.5人口暴露風(fēng)險呈現(xiàn)出不斷增加的趨勢,其中中南半島的增長幅度最大.中國和印度人口眾多,研究時段內(nèi)都處于經(jīng)濟(jì)飛速發(fā)展的階段,形成了印度北部、東部和中國華北、華東等高暴露風(fēng)險地區(qū).日本重工業(yè)主要布局于東部沿海地區(qū),其PM2.5人口暴露風(fēng)險處于極高風(fēng)險級別,但17年間的變化幅度不大.

圖5 全球PM2.5暴露水平超過各極限值的人口百分比

圖6 亞洲PM2.5人口暴露風(fēng)險空間分布

非洲的PM2.5人口暴露風(fēng)險17年均值為0.62,暴露風(fēng)險等級為較安全,在空間上呈現(xiàn)出南高北低的空間分布格局,PM2.5人口暴露風(fēng)險高值區(qū)主要集中在5個區(qū)域,分別為幾內(nèi)亞灣沿岸北部、埃及境內(nèi)的尼羅河沿岸和三角洲、埃塞俄比亞、環(huán)維多利亞湖和南非的比勒陀利亞地區(qū)(圖7).這5個區(qū)域是非洲經(jīng)濟(jì)較繁榮的地區(qū),人類活動頻繁,工業(yè)發(fā)展速度快,形成了高暴露風(fēng)險區(qū).撒哈拉沙漠暴露風(fēng)險等級為極安全,但這個地區(qū)對于人口個體來說是非常危險的.埃及的PM2.5人口暴露風(fēng)險均值為1.08,但尼羅河流域的PM2.5人口暴露風(fēng)險等級為極危險.幾內(nèi)亞灣是世界石油儲量最豐富的地區(qū)之一,尼日利亞以石油開采和加工為支柱的產(chǎn)業(yè)經(jīng)濟(jì)造成了嚴(yán)重的大氣污染,埃及的尼羅河流域、埃塞俄比亞和維多利亞湖周圍人口眾多,采掘業(yè)和加工業(yè)形成了一定規(guī)模,但污染治理無法跟進(jìn),人口暴露風(fēng)險很高.

圖7 非洲PM2.5人口暴露風(fēng)險空間分布

圖8 歐洲PM2.5人口暴露風(fēng)險空間分布

歐洲PM2.5人口暴露風(fēng)險均值為0.45,僅次于亞洲和非洲.比利時、意大利、德國、英國、波蘭、法國和烏克蘭的PM2.5人口暴露風(fēng)險較高,年均風(fēng)險值分別為5.35、3.63、3.42、2.81、2.76、1.58和1.29,PM2.5人口暴露風(fēng)險的變化趨勢為先增加再減少,2000～ 2006年逐漸增加,2006年之后開始緩慢減少,其中PM2.5人口暴露風(fēng)險高值區(qū)是以各國的首都為中心呈點狀分布(圖8),這與鄭軍關(guān)于2006～2014年歐盟28國PM2.5呈下降趨勢的研究結(jié)論一致[29].歐洲的工業(yè)和制造業(yè)發(fā)達(dá),且總體已進(jìn)入后工業(yè)化時代,雖然個別地區(qū)工業(yè)型城市的暴露風(fēng)險仍較嚴(yán)重,但整體變化趨勢是減少的.

南美洲人口總量少,密度低,人口主要分布在西北和東南沿海一帶的區(qū)域,故PM2.5人口暴露風(fēng)險低,以極安全和安全為主.暴露級別為危險與極危險的區(qū)域只零星分布在亞馬孫河口三角洲、巴西東部和、阿根廷的內(nèi)格羅河與科羅拉河流域.北美洲PM2.5人口暴露風(fēng)險水平較低,以極安全和安全級別為主.北美工業(yè)化程度整體較高,工業(yè)污染少,人口密度小,墨西哥、美國和加拿大的PM2.5人口暴露風(fēng)險均值分別為1.27、0.41和0.03,現(xiàn)狀暴露風(fēng)險值為0.98、0.3和0.02,多年暴露均值和現(xiàn)狀暴露值均較低.北美洲高暴露風(fēng)險區(qū)以特大城市呈團(tuán)簇狀分布,2000～2016年,PM2.5人口暴露風(fēng)險變化呈現(xiàn)出逐步減少的趨勢.大洋洲PM2.5人口暴露風(fēng)險維持在極安全和安全級別.近年來,在澳大利亞中部、南部和新西蘭的暴露風(fēng)險在逐漸增加,沙塵引起的PM2.5濃度較高.此外,該地區(qū)桉樹發(fā)生火災(zāi)后釋放大量的可吸收顆粒物,使得PM2.5人口暴露風(fēng)險增加[30].

2.4 PM2.5人口暴露時空變化特征

2.4.1 暴露風(fēng)險線性變化趨勢 利用Theil-Sen Median和Mann-Kendall方法刻畫PM2.5人口暴露在時間序列上的顯著性變化.當(dāng)>0時,表明PM2.5人口暴露在時間序列上呈增加趨勢.當(dāng)<0時,PM2.5人口暴露則呈減少趨勢.對檢驗結(jié)果的值分別進(jìn)行分級,將值的絕對值結(jié)果按照顯著性分為極顯著變化(||>2.58)、顯著變化(1.96<||￡2.58)、弱顯著變化(1.65<||￡1.96)和無顯著變化(0<||￡1.65)4個等級[26,31].將值與||值重分類后再進(jìn)行同像元疊加,得到全球PM2.5人口暴露線性變化趨勢(圖9).

圖9 全球PM2.5人口暴露線性變化趨勢

由圖9可見2000～2016年全球PM2.5人口暴露風(fēng)險整體上呈增加趨勢,極顯著增加的區(qū)域主要分布在亞洲和非洲,顯著增加的區(qū)域分布在極顯著增加的周圍,極顯著減少的區(qū)域主要分布在西歐和美國.亞洲極顯著增長幅度大的區(qū)域主要為南亞、中國東北、青藏高原、帕米爾高原、里海地區(qū)和東南亞其中中南半島增長幅度最大.非洲的變化特征以極顯著增加為主,主要包括剛果、贊比亞、安哥拉、坦桑尼亞、贊比亞、南非、馬達(dá)加斯加島、尼日爾南部、尼日利亞北部、布基納法索、乍得西部和阿爾及利亞中部地區(qū)等,顯著增加與弱顯著增加的區(qū)域環(huán)繞在極顯著增加區(qū)域的周圍,非洲極顯著減少的區(qū)域分布在幾內(nèi)亞灣北部、西撒哈拉、埃及和利比亞.

北美洲的變化趨勢呈兩極化.美國以極顯著減少為主要變化特征,而加拿大西部和中部地區(qū)呈現(xiàn)出大范圍的極顯著增加區(qū).南美洲變化特征以增加為主,減少的區(qū)域極少,變化趨勢為極顯著增加的區(qū)域包括亞馬孫河口三角洲、巴西東部、阿根廷的內(nèi)格羅河與科羅拉河流域.歐洲基本上均為顯著減少區(qū).澳大利亞中部和西南部出現(xiàn)了極顯著增加區(qū).

2.4.2 PM2.5人口暴露風(fēng)險時間變化 由圖10可知,各大洲變化差異顯著.亞洲呈增長趨勢,其暴露風(fēng)險值明顯高于其他大洲,最低值在2000年,暴露風(fēng)險值為3.55,最高值出現(xiàn)在2008年,暴露值為3.87.非洲的暴露風(fēng)險值也呈增加趨勢,最低值為2009年的0.33,最高值為0.45.歐洲和北美洲呈減少趨勢,歐洲和北美洲的暴露風(fēng)險最高值均出現(xiàn)在2000年,分別為0.39和0.24,最低值分別為2008年的0.23和2016年的0.13.大洋洲和南美洲暴露風(fēng)險值較低且變化也較小,尤其大洋洲的暴露風(fēng)險值始終維持在極低的狀態(tài).

圖10 2000～2016年全球年均PM2.5人口暴露風(fēng)險時間變化

2.5 討論

傳統(tǒng)的PM2.5人口暴露風(fēng)險是基于行政單元進(jìn)行研究,時空連續(xù)性方面存在缺陷.研究依賴于人口普查數(shù)據(jù)和環(huán)境監(jiān)測站點的PM2.5數(shù)據(jù),是基于行政單元進(jìn)行分析,忽視了其內(nèi)部的空間異質(zhì)性,以行政單元為主體研究PM2.5人口暴露風(fēng)險,割裂了空間單元,不利于宏觀上的污染物防治[32-33].然而,對于環(huán)境監(jiān)控網(wǎng)絡(luò)來說,要獲取空間連續(xù)的監(jiān)測值,在全球尺度是難以實現(xiàn)的,而對于人口普查數(shù)據(jù)來說,可信度雖高,但10年或更長時間更新一次的時間分辨率不僅無法滿足實時變化的暴露風(fēng)險研究,還不能與PM2.5數(shù)據(jù)相匹配.該研究以遙感手段,基于柵格量化了PM2.5人口暴露風(fēng)險.分析了宏觀尺度、長時間序列的PM2.5濃度和PM2.5人口暴露風(fēng)險的變化.從全球宏觀視角分析了PM2.5人口暴露現(xiàn)狀,識別高暴露風(fēng)險區(qū),剖析高暴露污染的時空變化規(guī)律,探究了各國高暴露的原因,為降低暴露風(fēng)險和跨國跨區(qū)域大氣污染聯(lián)動治理提供時空連續(xù)的基礎(chǔ)數(shù)據(jù).許多發(fā)展中國家受經(jīng)濟(jì)條件和國情需要,PM2.5監(jiān)測歷史較短,例如,中國2012年大氣環(huán)境監(jiān)測系統(tǒng)才將PM2.5的濃度值納入監(jiān)測指標(biāo)體系,此前全國PM2.5監(jiān)測處于空白,且無公開歷史數(shù)據(jù)[34].2000～2016年長時間序列的PM2.5人口暴露分析,彌補(bǔ)了部分國家缺失的數(shù)據(jù).該研究采用了目前可獲取的更高空間分辨率的PM2.5和人口分布柵格數(shù)據(jù),基于柵格尺度,利用污染物人口暴露風(fēng)險法、Theil-Sen Median和Mann-Kendall等方法,客觀地刻畫PM2.5、人口、PM2.5人口暴露風(fēng)險的時空格局,準(zhǔn)確掌握高暴露風(fēng)險區(qū)域,還可以直觀地測度各空間柵格在空間單元整體PM2.5人口暴露中的貢獻(xiàn)大小.

本文PM2.5人口暴露風(fēng)險指數(shù)是結(jié)合PM2.5空間分布與人口空間分布的綜合指數(shù),其風(fēng)險程度由二者共同決定,撒哈拉與塔克拉瑪干等沙漠地區(qū),有時受大風(fēng)沙塵天氣影響PM2.5濃度較高,但自然條件惡劣,人跡罕至,幾乎無人類活動和經(jīng)濟(jì)活動,故暴露風(fēng)險級別是安全的,但這些區(qū)域的瞬時暴露對于人口個體來說依然是非常危險的.受數(shù)據(jù)獲取的限制,缺少日、月和季節(jié)平均的PM2.5和人口數(shù)據(jù),因此無法分析PM2.5人口暴露的日、月和季節(jié)差異.此外,可獲取的人口柵格數(shù)據(jù)缺少屬性,故無法區(qū)分不同年齡、不同職業(yè)的人口暴露風(fēng)險差異.

3 結(jié)論

3.1 全球PM2.5時空格局具有顯著差異.PM2.5污染最嚴(yán)重的區(qū)域是印度和中國東部,污染持續(xù)增長的區(qū)域主要分布在印度和東南亞.人口在空間上呈亞洲最高、非洲歐洲次之、南北美洲較低和大洋洲最低的分布狀態(tài).全球人口持續(xù)增長的國家主要分布在非洲,持續(xù)減少的國家主要分布在歐洲.

3.2 全球PM2.5人口暴露風(fēng)險存在顯著的時空差異.全球PM2.5人口暴露風(fēng)險在宏觀尺度上呈逐漸減少的趨勢,空間上呈亞洲最高、非洲次高、歐洲較低和其他大洲極低的分布狀態(tài).PM2.5人口暴露風(fēng)險的高值區(qū)分布在中國、印度、東南亞等經(jīng)濟(jì)高速發(fā)展且人口密集的區(qū)域,而PM2.5人口暴露風(fēng)險極低值區(qū)主要分布在高山、高寒、沙漠、熱帶雨林等人跡罕至,開發(fā)程度極低的區(qū)域.極顯著增加的區(qū)域主要有亞洲、非洲、南美洲和加拿大西部,極顯著減少的區(qū)域主要有美國和西歐.

[1] Ott W R. Concepts of human exposure to air pollution [J]. Environment International, 1982,7(3):179-196.

[2] Gakidou E, Afshin A, Abajobir A A, et al. Global, regional, and national comparative risk assessment of 84 behavioural, environmental and occupational, and metabolic risks or clusters of risks, 1990～2016: a systematic analysis for the Global Burden of Disease Study 2016 [J]. The Lancet, 2017,390(10100):1345–1422.

[3] Stanaway J D, Afshin A, Gakidou E, et al. Global, regional, and national comparative risk assessment of 84 behavioral, environmental and occupational, and metabolic risks or clusters of risks for 195 countries and territories, 1990～2017: a systematic analysis for the Global Burden of Disease Study 2017 [J]. Lancet, 392(2018):1923– 1994,10.1016/s0140-6736(18)32225-6.

[4] WHO. Ambient (outdoor) air quality and health. World Health Organization; 2018-05-02. http://www.who.int/mediacentre/factsheets/ fs313/en/.Accessed 9Sept 2019.

[5] Hajat A, Allison M, Diez-Roux A V, et al. Long-term exposure to air pollution and markers of inflammation, coagulation, and endothelial activation: A repeat-measures analysis in the multi-ethnic study of atherosclerosis (MESA) [J]. Epidemiology, 2015,26(3):310-320.

[6] Zhang L L, Pan J H. Estimation of PM2.5mass concentrations in Beijing–Tianjin–Hebei Region based on GWR and spatial downscaling method[J]. Journal of the Indian Society of Remote Sensing, 2020,48(12):1691-1703.

[7] Nansai K, Tohno S, Chatani S, et al. Affluent countries inflict inequitable mortality and economic loss on Asia via PM2.5emissions [J]. Environment International, 134:105238.

[8] 慕 航,何 超,阮秋明,等.“一帶一路”沿線國家PM2.5污染與人口暴露風(fēng)險的時空分布特征[J]. 環(huán)境科學(xué)學(xué)報, 2021,41(6):2229-2240.

Mu H, He C, Ruan Q M, et al. Spatiotemporal distribution characteristics and population exposure risks to PM2.5in countries along the Belt and Road [J]. Acta Scientiae Circumstantiae, 2021,41(6):2229-2240.

[9] Zhang Q, Jiang X, Tong D, et al. Transboundary health impacts of transported global air pollution and international trade [J]. Nature, 543(7647):705-709.

[10] Hamra G B, Guha N, Cohen A, et al. Outdoor particulate matter exposure and lung cancer: a systematic review and meta-analysis [J]. Environmental Health Perspect, 2014,122(9):906–911.

[11] Pope C A, Brook R D, Burnett R T, et al. How is cardiovascular disease mortality risk affected by duration and intensity of fine particulate matter exposure? An integration of the epidemiologic evidence [J]. Air Quality, Atmosphere & Health, 2010,4(1):5-14.

[12] Stafoggia M, Cesaroni G, Peters A. Long-term exposure to ambient air pollution and incidence of cerebrovascular events: Results from 11European cohorts within the ESCAPE project [J]. Environ. Health Perspect, 2014,122(9):919-925.

[13] Saraswat A, Kandlikar M, Brauer M, et al. PM2.5population exposure in New Delhi using a probabilistic simulation framework [J]. Environmental Science & Technology, 2016,50(6):3174-3183.

[14] Han L, Zhou W, Pickett S, et al. Risks and causes of population exposure to cumulative fine particulate (PM2.5) pollution in China [J]. Earth's Future, 2019,7(6):615–622.

[15] Saini P, Sharma M. Cause and age-specific premature mortality attributable to PM2.5exposure: An analysis for million-plus Indian cities [J]. Science of The Total Environment, 2019,710:135230.

[16] Wu W, Yao M, Yang X, et al. Mortality burden attributable to long- term ambient PM2.5exposure in China: using novel exposure-response functions with multiple exposure windows [J]. Atmospheric Environment, 2020,246(10):118098.

[17] Yang B Y, Qianmin Z, Howard S W, et al. Global association between ambient air pollution and blood pressure: A systematic review and meta-analysis [J]. Environmental Pollution, 2018,235:576-588.

[18] Han L, Zhou W, Li W, et al. Global population exposed to fine particulate pollution by population increase and pollution expansion. Air Quality Atmosphere & Health, 2017,10:1221–1226.

[19] Roberts G, Wooster M J. Global impact of landscape fire emissions on surface level PM2.5concentrations, air quality exposure and population mortality [J]. Atmospheric Environment, 2021,(4):118210.

[20] Li J M, Han X L, Jin M J, et al. Globally analysing spatiotemporal trends of anthropogenic PM2.5concentration and population's PM2.5exposure from 1998 to 2016 [J]. Environment International, 2019,128:46-62.

[21] Zhang L L, Pan J H. Estimation of PM2.5mass concentrations in Beijing–Tianjin–Hebei Region based on geographically weighted regression and spatial downscaling method [J]. Indian Society of Remote Sensing. 2020,48(12):1691–1703.

[22] 張亮林,潘竟虎.中國PM2.5人口暴露風(fēng)險時空格局[J]. 中國環(huán)境科學(xué), 2020,40(1):1-12.

Zhang L L, Pan J H. Spatial-temporal pattern of population exposure risk to PM2.5in China [J].China Environmental Science, 2020,40(1):1-12.

[23] 鄒 濱,彭 芬,焦利民,等.高分辨率人口空氣污染暴露GIS空間區(qū)劃研究[J]. 武漢大學(xué)學(xué)報(信息科學(xué)版), 2013,38(3):334-338.

Zou B, Peng F, Jiao L M, et al. GIS aided spatial zoning of high- resolution population exposure to air pollution [J]. Geomatics and Information Science of Wuhan University, 2013,38(3):334-338.

[24] Sen P K. Estimates of the regressions coefficient based on Kendall’s tau [J]. Journal of the American Statistical Association, 1968,63(324): 1379-1389.

[25] Kendall M G. Rank correlation methods [J]. British Journal of Psychology, 1955,25(1):86-91.

[26] 張永年,潘竟虎.基于DMSP/OLS數(shù)據(jù)的中國碳排放時空模擬與分異格局[J]. 中國環(huán)境科學(xué), 2019,39(4):1436-1446.

Zhang Y N, Pan J H. Spatio-temporal simulation and differentiation pattern of carbon emissions in China based on DMSP/OLS nighttime light data [J]. China Environmental Science, 2019,39(4):1436-1446.

[27] Zhang Y L, Cao F. Fine particulate matter PM2.5in China at a city level [J]. Scientific Reports, 2015,5(1):14884.

[28] 別 同,韓立建,田淑芳,等.城市化對空氣污染人群暴露貢獻(xiàn)的定量方法研究[J]. 生態(tài)學(xué)報, 2018,38(13):4570-4583.

Bie T, Han L J, Tian S F, et al. Method for quantifying the contribution of urbanization on population exposure to air pollution [J]. Acta Ecologica Sinica, 2018,38(13):4570-4583.

[29] 鄭 軍,袁 鈺.歐洲大氣污染防治經(jīng)驗及對我國的啟示[J]. 環(huán)境保護(hù), 2017,45(18):64-66.

[30] Kolbe A, Gilchrist K L. An extreme bushfire smoke pollution event: Health impacts and public health challenges [J]. New South Wales Public Health Bulletin, 2009,20(2):19-23.

[31] 徐建華.現(xiàn)代地理學(xué)中的數(shù)學(xué)方法[M]. 北京:高等教育出版社, 2016:133-136.

Xu J H. Mathematical methods in contemporary geography [M]. Beijing: Higher Education Press, 2016:133-136.

[32] 李名升,任曉霞,于 洋,等.中國大陸城市PM2.5污染時空分布規(guī)律[J]. 中國環(huán)境科學(xué), 2016,36(3):641-65.

Li M S, Ren X X, Yu Y, et al. Spatiotemporal pattern of ground-level fine particulate matter (PM2.5) pollution in mainland China [J]. China Environmental Science,2016,36(3):641-650.

[33] 黃曉軍,祁明月,李艷雨,等.關(guān)中地區(qū)PM2.5時空演化及人口暴露風(fēng)險[J]. 環(huán)境科學(xué), 2020,41(12):5245-5255.

Huang X J, Qi M Y, Li Y Y, et al. Spatio-temporal Evolution and Population Exposure Risk to PM2.5in the Guanzhong Area [J]. Environmental Science, 2020,41(12):5245-5255.

[34] 何映月,張松林.2000～2016年中國PM2.5時空格局[J]. 中國環(huán)境科學(xué), 2020,40(8):3284-3293.

He Y Y, Zhong S L. Spatiotemporal pattern of PM2.5from 2000 to 2016 in China [J]. China Environmental Sciencece, 2020,40(8):3284-3293.

Spatial-temporal pattern of population exposure risk to PM2.5in Global.

ZHANG Liang-lin, PAN Jing-hu*

(College of Geography and Environmental Science, Northwest Normal University, Lanzhou 730070, China)., 2021,41(11)：5391～5404

Based on PM2.5remote sensing data and population grid data, the spatial-temporal distribution characteristics of global population exposure risk to PM2.5from 2000 to 2016 were analyzed by using exposure risk model. Theil-Sen Median, Mann-Kendall, and the high-risk areas were accurately identified. The results show that PM2.5remote sensing data and population grid data had good accuracy. China, European Union and Canada were selected to verify the PM2.5mass concentrations and population grid data with good accuracy. The global average PM2.5mass concentrations varies significantly among different continents, and the high-value PM2.5pollution regions are mainly distributed in East Asia, South Asia and Southeast Asia. The annual mean PM2.5mass concentrations ranged from 14.7μg/m3in Asia, 8.1μg/m3in Africa, 8.03μg/m3in Europe, 5.69μg/m3in South America, 4.41μg/m3in North America and 1.27μg/m3in Oceania, respectively. The population exposure risk to PM2.5in the world showed a gradually decreasing trend in the macro scale, while it showed a different trend in the region. In terms of spatial scale, the population exposure risks to PM2.5in all continents rank from high to low in Asia, 0.62 in Africa, 0.45 in Europe, 0.32 in South America, 0.27 in North America and 0.01 in Oceania. Time series, global population exposure risk to PM2.5is significantly different from 2000 to 2016 years. Asia and Africa showed an increasing trend, Europe and North America showed a decreasing trend, Oceania and South America showed a small range of change.

PM2.5；population exposure risk；spatial-temporal evolution；Global

X511

A

1000-6923(2021)11-5391-14

張亮林(1993-),男,甘肅慶陽人,西北師范大學(xué)碩士研究生,主要從事大氣環(huán)境遙感方面的研究.發(fā)表論文6篇.

2021-04-02

國家自然科學(xué)基金資助項目(41661025,42071216)

* 責(zé)任作者, 教授, panjh@nwnu.edu.cn