城市绿化对空气质量的影响研究——以中国27个省会城市为例

城市间绿化程度与空气污染比较及相关差异分析是提出城市环境管理措施的重要前提。选择全国27个主要省会城市,基于网络街景照片测定绿色指数差异,对比空气主要质量指标[空气质量指数(AQI)、细颗粒物(PM_2.5)、可吸入颗粒物(PM₁₀)、二氧化硫(SO_2)、二氧化氮(NO_2)、臭氧(O_3)、一氧化碳(CO)]的基础上,探讨了二者相关关系,旨在为提升环境质量、改善绿化水平提供基础数据。结果表明:(1)济南市和重庆市的绿色指数最高,分别达到是11.70%和11.55%,呼和浩特市和拉萨市城市绿色指数最低,在4%～5%。(2)海口市的空气质量最好,AQI为39.66,郑州市和济南市的空气质量最差,AQI年均值分别为117.34和113.93。但是不同空气指标城市排序间差异较大,比如PM_2.5、PM₁₀、NO_2以及SO_2年平均最低的城市都是海口,拉萨市年平均CO含量最低(0.55 mg·m^-3),哈尔滨市年平均O_3含量最低(77.08μg·m^-3)。(3)相关关系分析发现,增加城市的绿色程度,伴随着空气质量的改善,如沈阳、南宁、合肥等城市;但对于某些城市,则存在明显的正相关,如兰州、昆明、贵阳等城市,这意味着城市越绿伴随着空气污染的加重。尽管大量研究已经表明,城市绿色植被能够起到滞尘降低污染的作用,目前我国主要城市的空气污染程度,仅依靠城市绿化改善已经远远不够,甚至某一些城市绿色植被存在阻碍空气流通的作用。上述研究结果为科学规划城市绿化、提升空气质量提供基础数据支撑。     

南昌市中心城区主要大气污染物分布模拟及土地利用对其影响

随着我国城市化、工业化的快速推进,城市大气污染问题日益突出,研究城市大气污染物的分布情况及其土地利用影响对解决城市大气污染问题具有重要意义.本研究以南昌市中心城区为研究区,基于土地利用回归模型(LUR)模拟了PM_2.5、PM₁₀、SO₂、NO₂、CO、O₃等6种主要大气污染物浓度,并分析其时空分布特征;基于主导土地利用类型,选择南昌市中心城区内居住、商业、教育和工业用地各15个样本区,为了减少气象因子的影响,分四季统计各样本区6类大气污染物浓度,运用双因素方差分析和多重比较,定量分析土地利用(样本区)对6类大气污染物的影响.结果表明: 采用LUR模型模拟研究区PM_2.5、PM₁₀、SO₂、NO₂、CO、O₃浓度的平均绝对误差率分别为11.9%、13.4%、12.5%、12.0%、12.7%和13.5%,模型误差较小,方法可行.研究区6类污染物浓度具有明显的时空分布特征,PM_2.5、PM₁₀、SO₂、NO₂和CO浓度在冬季最高,春季和秋季次之,夏季最低;O₃浓度则为夏季高,春季和秋季次之,冬季低.PM_2.5、PM₁₀、SO₂、NO₂、CO浓度整体呈现从城区中心到郊区递减的趋势,而O₃浓度则反之.不同季节与不同土地利用样本区间6种大气污染物浓度差异显著,表明在中心城区尺度上,气象条件和土地利用都对大气污染物有显著影响.不同土地利用对主要大气污染物浓度分布有不同程度的影响,其中,对PM_2.5、NO₂和O₃的影响较大,对CO的影响较小.     

南昌市空气PM2.5和PM10的时空动态及其影响因素

PM_2.5和PM₁₀已成为我国大部分城市空气的首要污染物.本文通过分析南昌市2013—2015年的空气PM_2.5和PM₁₀质量浓度、气象因素、交通流量的监测数据,探讨了空气颗粒物污染的时空动态规律以及气象、交通对颗粒物浓度变化的影响.结果表明: 2013、2014、2015年,南昌市PM_2.5浓度(70.92 μg·m^-3＞53.70 μg·m^-3＞43.65 μg·m^-3)、PM₁₀浓度(119.72 μg·m^-3＞86.11 μg·m^-3＞73.32 μg·m^-3)逐年降低,并呈现出夏季低(PM_2.5和PM₁₀平均浓度分别为36.74、69.20 μg·m^-3)、冬季高(PM_2.5和PM₁₀平均浓度分别为74.29、111.64 μg·m^-3)的季节动态和由城市中心向郊区递减的城乡梯度变化; PM_2.5/PM₁₀值(0.595＞0.584＞0.557)逐年降低,并且表现出城市中心高、城市边缘低的空间分布格局;PM_2.5、PM₁₀浓度受到多种气象因素的影响,与气压、温度、相对湿度、风速、降水量、日照时数显著相关,各种气象因子对PM_2.5、PM₁₀浓度的影响存在差异;车流量会显著提高周边PM_2.5浓度,但对PM₁₀浓度影响不明显.     

南昌市空气PM2.5和PM10的时空动态及其影响因素

PM_2.5和PM₁₀已成为我国大部分城市空气的首要污染物.本文通过分析南昌市2013—2015年的空气PM_2.5和PM₁₀质量浓度、气象因素、交通流量的监测数据,探讨了空气颗粒物污染的时空动态规律以及气象、交通对颗粒物浓度变化的影响.结果表明: 2013、2014、2015年,南昌市PM_2.5浓度(70.92 μg·m^-3＞53.70 μg·m^-3＞43.65 μg·m^-3)、PM₁₀浓度(119.72 μg·m^-3＞86.11 μg·m^-3＞73.32 μg·m^-3)逐年降低,并呈现出夏季低(PM_2.5和PM₁₀平均浓度分别为36.74、69.20 μg·m^-3)、冬季高(PM_2.5和PM₁₀平均浓度分别为74.29、111.64 μg·m^-3)的季节动态和由城市中心向郊区递减的城乡梯度变化; PM_2.5/PM₁₀值(0.595＞0.584＞0.557)逐年降低,并且表现出城市中心高、城市边缘低的空间分布格局;PM_2.5、PM₁₀浓度受到多种气象因素的影响,与气压、温度、相对湿度、风速、降水量、日照时数显著相关,各种气象因子对PM_2.5、PM₁₀浓度的影响存在差异;车流量会显著提高周边PM_2.5浓度,但对PM₁₀浓度影响不明显.     

空气污染对信鸽比赛个体归巢速度的影响

空气污染作为一种有害的环境因素,对人类及动物的生理、心理均有影响。在鸟类中,信鸽(Columba livia)是研究空气污染影响的理想模型。为探究空气污染的行为学效应,通过收集并筛选2018和2019年成都市信鸽协会春秋两个季节举办的64场赛事共285羽参赛5场及以上的信鸽不同空距等级下的归巢速度,利用混合线性模型分析了6种大气污染物(CO、NO₂、O₃、PM_2.5、PM₁₀、SO₂)及气温、季节、天气等环境因子对信鸽归巢速度的影响。结果表明,PM₁₀、SO₂、NO₂、O₃浓度与归巢速度间有显著正相关关系,即这些空气污染物浓度越高,信鸽归巢速度越快;而CO浓度与归巢速度显著负相关,即CO浓度越高,信鸽归巢速度越慢。通过模型评估及比较,发现O3模型是归巢速度的最佳拟合模型,其次是NO2模型。本研究表明,信鸽的归巢速度的确受到空气污染的影响,但潜在的影响机制如归巢动机假说和嗅觉强化假说仍需进一步研究。     

国家重点生态功能区县域环境空气质量时空变化分析

评估国家重点生态功能区县域空气质量改善状况,对落实国家生态文明建设与重点生态功能区转移支付制度具有现实意义。以国家重点生态功能区转移支付县域空气质量为评价对象,基于2015年至2019年的空气质量监测站点日均值数据,对环境空气质量状况和变化进行了评价分析。研究结果表明：国家重点生态功能区转移支付县域空气质量总体表现较好且仍在稳步提升,转移支付政策对2015—2019年国家重点功能区空气质量的改善有着明显的推动作用。优良天数比例超过90%的县域占比由2015年的33.77%提高到2019年的69.52%,水源涵养区的优良天数占比由2015年的72.71%提高到2019年的92.09%,空气质量改善效果最为显著。2015—2019年间,细颗粒物(PM_2.5)污染占比明显下降,臭氧(O₃)污染占比大幅上升,主要超标污染物由颗粒物逐渐转为颗粒物和臭氧。当前防风固沙区的主要超标污染物为可吸入颗粒物(PM₁₀)和细颗粒物,其他三类生态功能区为细颗粒物和臭氧。重点生态功能区的空气质量存在着显著的空间差异,空气污染表现出显著的空间聚集特...     

自然状态下栓皮栎林空气负离子与PM2.5的关系

近年来,PM_2.5污染成为大气污染的主要来源,长期暴露在高浓度PM_2.5的环境中会对人体造成严重损害。空气负离子(NAI)作为改善空气质量的“维生素”,是衡量一个地区空气清洁程度的重要指标。然而,气象条件和植被类型的复杂多变,导致PM_2.5与NAI的关系存在诸多不确定性。本研究以暖温带典型造林树种栓皮栎为研究对象,基于2019和2020年6—9月森林植被叶面积相对稳定条件下定位观测获取的NAI、PM_2.5和气象数据,研究气象条件相对稳定状态下PM_2.5和NAI的时空变化特征,确定PM_2.5与NAI的关系,阐明自然状态下PM_2.5对NAI的影响机制。结果表明：NAI随PM_2.5的升高呈指数下降趋势,二者呈显著负相关关系,回归方程为y=1148.79x^-0.123。在PM_2.5浓度为0～20、20～40、40～80、80～100和100～120μg·m^-3     

兰州市西固区大气污染对呼吸系统的健康效应

大气污染极易诱发各类呼吸系统疾病,对人体健康造成严重损害。运用Poisson回归的时间序列广义相加模型(GAM)和人群分层的分析方法,探究了2014—2018年兰州市西固区大气污染对呼吸系统的健康效应。结果表明：(1)PM_2.5、PM₁₀、SO₂、NO₂、O₃8h和CO对呼吸系统疾病的发生存在滞后效应,其浓度每升高10μg/m~3(CO升高1 mg/m~3),在最佳滞后天数,疾病住院量分别增加1.06%、1.04%、1.10%、1.07%、0.97%和3.83%,气态污染物(SO₂和NO₂)暴露是诱发呼吸系统疾病的重要风险因素;(2)PM_2.5、PM₁₀、SO₂和NO₂对肺炎的影响最大,且对女性健康的危害稍高于男性,O₃8h对慢性阻塞性肺病的影响最大,且对男性患病的影响稍高于女性;(3)0—14岁儿童是呼吸系统疾病的易感人群,...     

城市植物挥发性有机化合物排放与臭氧相互作用及其机制

近地面臭氧(O₃)已成为继PM_2.5后影响我国空气质量的一种重要二次污染物。随着氮氧化物浓度的持续下降和气候变暖的加剧,城市O₃的形成对挥发性有机化合物的浓度更加敏感。近年来城市绿色空间显著增长,植物源挥发性有机化合物(BVOCs)排放和浓度逐年增加。针对BVOCs与近地面O₃之间复杂的交互作用,从植物BVOCs的特性与作用出发,综述了不同因素尤其是O₃浓度增加对树木生理状态及BVOCs排放速率的影响,定量分析了已有研究中O₃对不同植物异戊二烯和单萜烯排放速率的影响,以及BVOCs对O₃形成的贡献,总结了BVOCs与O₃相互作用研究领域存在的不足。未来亟需加强的研究包括：(1)城市树种BVOCs排放因子的实测,建立物种的排放速率数据库,优化模型参数,提升精细尺度BVOCs排放量估算模型精度;(2)多种环境因子,比如污染物浓度、温湿度等对城市植物BVOCs排放的交互作用和综合影响的研究;(3)植物BVOCs对O     

南昌市中心城区土地集约利用水平对主要大气污染物的影响

当前,我国城市化进程已由外延式的扩张逐步转变为内涵式发展.集约利用土地资源,构建“紧凑城市”变得越来越迫切.然而,集约利用土地意味着更少的土地资源承载更多的城市要素,人们对环境污染,特别是大气环境污染会变得越来越敏感,研究城市土地集约利用水平对大气污染的影响具有重要意义.本研究以南昌市中心城区为研究区,采用普通克里格插值法模拟6种主要大气污染物(PM_2.5、PM₁₀、SO₂、NO₂、CO、O₃)浓度的空间分布,基于土地利用样本区,选择综合容积率、建筑密度、人口密度等16个土地集约利用水平相关变量,采用偏最小二乘回归与通径分析方法,定量分析土地集约利用水平对大气污染物的影响.结果表明: 土地集约利用水平相关变量与PM_2.5和PM₁₀的相关性最强,其次是O₃和NO₂,与SO₂和CO的相关性最弱;不同土地利用样本区土地集约利用水平变量与6类主要大气污染物的相关性强弱依次为:居住区>教育区>商业区>工业区.土地集约利用水平越高,对大气污染物的影响越大,其中PM_2.5与PM₁₀的影响最大,其次是O₃,NO₂的影响较小.各土地利用样本区土地集约利用水平对大气污染物的直接影响、间接影响和综合影响基本相当,但总体而言,土地集约利用水平的直接影响大于间接影响,其中,居住区土地集约利用水平的综合影响最大,其次是商业区,最小的是教育区.本研究为土地集约利用对大气环境的影响研究提供了新的思路,为解决紧凑城市大气环境问题提供了一定的参考.     

Air quality and its response to satellite-derived urban form in the Yangtze River Delta,China

Air pollution is one of the top environmental concerns and causes of deaths and various diseases worldwide. An important question for sustainable development is to what extent urban design can improve or degrade urban air quality. In this article, we explored the relationship between ground-based observations of air pollution and urban form in the Yangtze River Delta (YRD), the largest metropolitan region in China. We analyzed six criteria pollutants (SO₂, NO₂, PM₁₀, PM_2.5, CO, O₃) and summarized metric (air quality index, AQI) from 129 ambient air quality monitoring stations during 2015. Urban form was characterized using six spatial metrics, including the size, shape, regularity, fragmentation and traffic coupling factor of urban patches, based on satellite-derived land cover data. The results indicated that: (1) PM_2.5, PM₁₀ and O₃ were three primary pollutants in the YRD. The annual average AQI was 79, and the air quality was “moderate” for human health, with the highest and lowest AQI appeared in winter (107) and summer (60). Moreover, the air quality of the southern areas (Zhejiang province, AQI: 68) was generally better than the northern parts (Jiangsu province, AQI: 86). (2) Through the size and shape of urban patches, urban form had a significant effect on urban air quality in the YRD. PARA_MN (Mean Perimeter-area ratio), ENN_MN (Mean Euclidean Nearest Neighbor Distance), CA (Total Urban Area) and NP (Number of urban patches) had the most significant impacts on air quality. PM₁₀ and PM_2.5 were two important pollutants highly positively related to CA and NP, while negatively related to PARA_MN and ENN_MN. In addition, the polycentric urban form was associated with high air quality. (3) Land use configuration was an important indicator to describe the urban air quality. When buffer distance of spatial scale was 25 km, air quality showed the highest correlation with forest coverage. A high forest coverage rate contributed to the better air quality, increasing or preserving the forested areas would help mitigate the air pollution.     

粤港澳大湾区PM2.5时空分布特征及其与气象要素的关系

细颗粒物（PM_2.5）污染不仅是现代社会城市化进程中的痛点,也是城市大气环境研究不可忽略的重要焦点。粤港澳大湾区作为世界级城市群,既是城市区域经济社会文化发展的重要体现,更是国家区域发展战略的重要构成与政策实施落脚点,其生态环境的优劣尤其受瞩目。对1999-2016年大湾区地表PM_2.5浓度栅格数据集进行了时空分布特征分析,其中空间自相关分析选取莫兰指数（Moran''I指数）作为度量;并利用多元线性回归模型探讨研究区内PM_2.5与气象要素之间关系。结果表明：粤港澳大湾区1999-2016年历年PM_2.5浓度呈先增加后减小的趋势,2008年为时间拐点,该时间节点之后空气质量显著提高,且1999、2009、2016三年,年平均PM_2.5浓度相似值趋于聚集分布。冷热点分析结果表明：热点区域集中于湾区行政核心区域范围内;冷点集中于核心边缘区域,空气质量较优。利用皮尔森相关分析最终筛选出实际蒸散量（aet）、太阳辐射（srad）、最低温度（tmmn）、蒸汽压（vap）、饱和水汽压差（vpd）、风速（ws）等6个气象因子,利用回归分析判断影响PM_2.5浓度时空分布的显著因子。结果表明：本研究区太阳辐射与PM_2.5浓度关系呈负相关,该结果与其他城市相关研究有较大差异,最小温度与PM_2.5浓度呈正相关,风速与PM_2.5浓度呈负相关,饱和水气压差与PM_2.5浓度呈正相关。     

寒地校园植物群落对大气细颗粒物浓度的消减作用

近年来随着我国城市的快速发展，空气污染作为城市生态环境破坏的首要问题日益严重。因此探究城市绿地中的植物群落是否能够消减大气细颗粒物浓度及其变化特征成为公众和学者广泛关注的焦点。选取位于寒地城市哈尔滨的东北林业大学作为研究对象，通过对校园PM_2.5浓度进行测定和校园植物群落进行调查，定量地分析不同植物群落对PM_2.5浓度的消减作用、PM_2.5浓度的时间变化规律、PM_2.5浓度与温度和空气相对湿度之间的关系。结果显示：（1）PM_2.5浓度日变化呈"双峰单谷"型，早晚偏高；季节变化是夏季PM_2.5浓度最低，秋季PM_2.5浓度最高。（2）不同结构的植物群落对大气细颗粒物的削减效果略有差异，乔灌草配置型绿地的PM_2.5消减率为30.30%，消减效果最佳；乔草和灌草的PM_2.5消减率分别为14.30%和7.77%，消减效果较差。（3）PM_2.5浓度与温度呈负相关关系，与空气相对湿度呈正相关关系。     

Spatio-temporal modelling of particulate matter concentrations using satellite derived aerosol optical depth over coastal region of Chennai in India

The present study primarily focuses on describing aerosol optical depth (AOD), its distribution pattern and seasonal variation, and modelling Particulate Matter Concentrations in Chennai. The frequency distribution of AOD and PM_2.5 demonstrates that AOD can be used as a proxy for estimating PM_2.5 in the study region as the occurrence of AOD almost resonates with that of PM_2.5. The seasonal variation of AOD and PM_2.5 revealed that during the winter (October–January) and summer (February–May) seasons, AOD reasonably followed the trend of PM_2.5. However, during the monsoon period, AOD showed random variations. Different models like linear and non-linear regression models and machine learning models such as random forest (RF) have been developed for PM_2.5 estimation. The model's performance in different stations and seasons has been assessed. The effect of meteorology and other factors in the model has also been assessed. From linear and non-linear model analysis, AOD was a significant parameter in estimating PM_2.5. The Random Forest model was the stable model for the study region, with a model R² of 0.53 and an RMSE of 15.89 μg/m³. The inclusion of meteorological parameters like relative humidity, wind speed, and wind direction decreased the error in prediction by 17.45 μg/m³. The seasonal and spatial analysis indicates that the prediction capability of models varies with stations and seasons. The best performing model was found to be Model RF, and the model could explain about 53.14% of the variability in PM_2.5 concentration occurrence in the study region with a prediction error of 15.89 μg/m³.     

PM2.5 Spatiotemporal Variations and the Relationship with Meteorological Factors during 2013-2014 in Beijing,China

Objective

Limited information is available regarding spatiotemporal variations of particles with median aerodynamic diameter < 2.5 μm (PM_2.5) at high resolutions, and their relationships with meteorological factors in Beijing, China. This study aimed to detect spatiotemporal change patterns of PM_2.5 from August 2013 to July 2014 in Beijing, and to assess the relationship between PM_2.5 and meteorological factors.

Methods

Daily and hourly PM_2.5 data from the Beijing Environmental Protection Bureau (BJEPB) were analyzed separately. Ordinary kriging (OK) interpolation, time-series graphs, Spearman correlation coefficient and coefficient of divergence (COD) were used to describe the spatiotemporal variations of PM_2.5. The Kruskal-Wallis H test, Bonferroni correction, and Mann-Whitney U test were used to assess differences in PM_2.5 levels associated with spatial and temporal factors including season, region, daytime and day of week. Relationships between daily PM_2.5 and meteorological variables were analyzed using the generalized additive mixed model (GAMM).

Results

Annual mean and median of PM_2.5 concentrations were 88.07 μg/m³ and 71.00 μg/m³, respectively, from August 2013 to July 2014. PM_2.5 concentration was significantly higher in winter (P < 0.0083) and in the southern part of the city (P < 0.0167). Day to day variation of PM_2.5 showed a long-term trend of fluctuations, with 2–6 peaks each month. PM_2.5 concentration was significantly higher in the night than day (P < 0.0167). Meteorological factors were associated with daily PM_2.5 concentration using the GAMM model (R ² = 0.59, AIC = 7373.84).

Conclusion

PM_2.5 pollution in Beijing shows strong spatiotemporal variations. Meteorological factors influence the PM_2.5 concentration with certain patterns. Generally, prior day wind speed, sunlight hours and precipitation are negatively correlated with PM_2.5, whereas relative humidity and air pressure three days earlier are positively correlated with PM_2.5.     

Development of Exposure Characterization Regions for Priority Ambient Air Pollutants

To evaluate the relationship between air pollution and morbidity and mortality in epidemiological studies, the exposure of populations must be defined. Generally, ambient air monitoring networks are the source of the exposure data for these studies. In this study, we developed methods to define population exposure regions that represent minimal variation in air pollutant concentrations. We evaluated the spatial and temporal variation in concentrations for particulate matter less than 2.5 μm (PM_2.5) and 10 μm (PM₁₀) and ozone (O₃) across New York State. The results from the PM_2.5 and ozone analysis indicate a significant degree of regional transport and showed regions of consistent concentrations of 100 and 50 miles, respectively, around each monitor. PM₁₀ analysis indicated little temporal and spatial variation for this pollutant and larger regions were adopted. The exposure characterization regions for PM_2.5, PM₁₀, and ozone have been used in ecological epidemiological investigations by the New York State Department of Health. This work was conducted under the Environmental Public Health Tracking grant from the Centers for Disease Control and Prevention.     

城市群空气污染综合评估范式与应用——以京津冀城市群PM2.5污染为例

城市群已成为中国城市发展的主要形式，城市化发展引发的一系列环境污染问题成为目前的研究重点之一，尤其是近年来明显的空气污染问题。由于传统的针对某一城市地区进行细致研究，难以解决在城市聚集的城市群下形成的区域性空气污染来源和影响机制等问题，使区域性空气污染造成的负面效应难以评估。通过构建综合评估模型范式，并运用空间分析，对京津冀168个区县2000年，2005年，2010年，2015年PM_2.5人口暴露风险、人类活动对PM_2.5的贡献、以及5种土地利用类型的"源汇"特征进行了实证研究。结果发现：（1）2000-2015年，京津冀城市群的人口暴露风险、空气污染分布、综合评估结果总体呈现北低南高的现象。（2）2000-2015年，各县域的人口暴露风险和空气污染的程度、范围呈上升趋势。不同的土地利用类型具有不同的源汇特征，且对污染的贡献不同。本研究通过综合评估模型范式对城市群或区域城市发展与空气质量的权衡关系模式开展量化解析，为城市的可持续发展提供了科学的范式和初步的实证示范。     

Fine Particulate Air Pollution and the Progression of Carotid Intima-Medial Thickness: A Prospective Cohort Study from the Multi-Ethnic Study of Atherosclerosis and Air Pollution

Background

Fine particulate matter (PM_2.5) has been linked to cardiovascular disease, possibly via accelerated atherosclerosis. We examined associations between the progression of the intima-medial thickness (IMT) of the common carotid artery, as an indicator of atherosclerosis, and long-term PM_2.5 concentrations in participants from the Multi-Ethnic Study of Atherosclerosis (MESA).

Methods and Results

MESA, a prospective cohort study, enrolled 6,814 participants at the baseline exam (2000–2002), with 5,660 (83%) of those participants completing two ultrasound examinations between 2000 and 2005 (mean follow-up: 2.5 years). PM_2.5 was estimated over the year preceding baseline and between ultrasounds using a spatio-temporal model. Cross-sectional and longitudinal associations were examined using mixed models adjusted for confounders including age, sex, race/ethnicity, smoking, and socio-economic indicators. Among 5,362 participants (5% of participants had missing data) with a mean annual progression of 14 µm/y, 2.5 µg/m³ higher levels of residential PM_2.5 during the follow-up period were associated with 5.0 µm/y (95% CI 2.6 to 7.4 µm/y) greater IMT progressions among persons in the same metropolitan area. Although significant associations were not found with IMT progression without adjustment for metropolitan area (0.4 µm/y [95% CI −0.4 to 1.2 µm/y] per 2.5 µg/m³), all of the six areas showed positive associations. Greater reductions in PM_2.5 over follow-up for a fixed baseline PM_2.5 were also associated with slowed IMT progression (−2.8 µm/y [95% CI −1.6 to −3.9 µm/y] per 1 µg/m³ reduction). Study limitations include the use of a surrogate measure of atherosclerosis, some loss to follow-up, and the lack of estimates for air pollution concentrations prior to 1999.

Conclusions

This early analysis from MESA suggests that higher long-term PM_2.5 concentrations are associated with increased IMT progression and that greater reductions in PM_2.5 are related to slower IMT progression. These findings, even over a relatively short follow-up period, add to the limited literature on air pollution and the progression of atherosclerotic processes in humans. If confirmed by future analyses of the full 10 years of follow-up in this cohort, these findings will help to explain associations between long-term PM_2.5 concentrations and clinical cardiovascular events. Please see later in the article for the Editors'' Summary     

城市化对空气污染人群暴露贡献的定量方法研究

短期快速城市化引发一系列生态环境问题,尤其是近年来以细颗粒物(PM_(2.5))为代表的城市与区域空气污染问题。人群的污染暴露一方面是因为污染区范围的扩张,另外一方面则归因于城市化引发的人口迁移,目前的研究重点关注于前者的贡献,而忽略了后者的贡献。因此,建立了城市化对空气污染人群暴露贡献的定量方法,并选取我国PM_(2.5)污染最为严重的京津冀城市群开展了实证研究,通过利用2000、2005、2010、2015年PM_(2.5)浓度和人口栅格数据以及人口自然增长率数据,定量评估了城市化引发的人口迁移对空气污染人群暴露的贡献。研究结果显示:(1)京津冀地区受污染影响面积和人口变化显著,造成大量的人口暴露于PM_(2.5)污染。(2)城市化引发的人口迁移与自然增长贡献率方面:总体上,2000—2015年,京津冀城市群总的人口迁移贡献率为48%,北京市和天津市总的人口迁移贡献率分别为94%和88%,而河北省污染总的人口迁移贡献率为-32%。其中在污染保持区,北京市和天津市的人口迁移贡献率均接近100%,而河北省的迁移贡献率为-26%,尤其在2010—2015年,河北省衡水市的人口迁移贡献率达到-6613%;在污染新增区,北京市和天津市的人口迁移贡献率分别为86%和84%,而河北省污染的人口迁移贡献率为-757%。本研究建立了定量化的方法揭示了城市化在空气污染人群暴露中的定量贡献,为科学引导城市化发展提供了定量的手段,为合理规划京津冀城市群地区的人口流动与空气污染奠定了数据基础。     

深圳市大气污染时空分布及其与景观格局的关系

气溶胶和臭氧是我国大部分地区的两种主要大气污染物,对城市生态环境和人类身体健康影响严重。以深圳市为研究区,利用大气监测站点提供的监测数据和普通kriging空间插值法,从年、季、月尺度上开展近5年（2015-2019）深圳全市PM_2.5和臭氧的时空分布研究,通过皮尔逊分析和显著性检验从月尺度上分析土地覆盖类型及其景观格局对大气污染的影响。结果表明：（1）近5年内深圳市PM_2.5浓度总体呈现下降趋势,臭氧浓度则先降后升,二者季节性和月度差异显著。（2）PM_2.5和臭氧在年、季、月尺度上空间差异明显,全市PM_2.5浓度整体为西北高、东南低;臭氧浓度西北、东南较高,其余区域相对较低。（3）植被占比的增多对PM_2.5浓度有明显的抑制和调控作用,植被斑块间距离越近,对PM_2.5浓度的调控作用越明显;水体占比的增高会导致臭氧浓度增高和变化幅度增大。研究结果可为城市大气污染防治和景观格局规划管理提供参考。