多尺度时空PM2.5分布特征、影响要素、方法演进的综述及城市规划展望*

刘 超 金梦怡 朱星航 彭仲仁

1 PM2.5时空格局的影响因素研究背景与意义

1.1 研究背景

随着中国城市发展建设从重“量”转向提“质”，精细化治理PM2.5成为新阶段改善城市环境工作的重点之一。随着中国城市化的快速发展，以PM2.5为代表的空气污染问题受到政府机构和城市居民的重点关注。城市空气中PM2.5浓度的升高会导致能见度下降，威胁公共健康[1]。我国过去几年的减排措施取得初步成果，但大部分地市的PM2.5平均浓度仍高于世界卫生组织空气质量指南关于细颗粒物的健康标准（WHOAQG）10μg/m3，且极端污染天气仍时有发生[2]。以上海市为例，2020年PM2.5年均浓度值约为32μg/m3，是WHO-AQG健康标准的3倍以上。基于人民对生态健康城市的向往和需求，许多城市在“国民经济和社会发展第十四个五年规划”中提出要加强城市空气污染协同控制，强化精细化城市管理。在控制排放源的基础上，结合城市环境进行时空精细化治理是进一步提升城市空气质量的重要途径，对人居环境和公共健康的改善有重要意义。因此，研究PM2.5时空格局的影响因素对于把控环境规划政策非常必要。

1.2 理论与实践意义

目前对PM2.5等污染物的浓度在城市中的演变机理的研究主要从环境学科切入，缺乏城市总体布局与规划治理的视角，需要进行文献梳理和前沿趋势确定。通过研究PM2.5的时空格局及其影响因素，探索建成环境、土地格局、交通行为等要素与空气污染物排放、扩散在特定时间与空间的关联机制，具有填补PM2.5时空特征研究文献综述空缺的意义。

研究PM2.5的城市时空格局和影响因素并理清其研究发展方向，可以在传统控制排放源的基础上，结合城市规划进行时空精细化治理，对城市中的空气污染水平及其影响因素进行深入挖掘和规律探究，可以高效预测污染物浓度的时空变化特征，构建精细化环境时空数据网络，对人居环境和公共健康水平的改善有重要实践意义。

1.3 研究目标

本文通过总结PM2.5时空格局及其影响因素的相关研究，厘清了PM2.5近年来在不同时间尺度上的变化情况与内在机理，总结了PM2.5浓度在空间分布上的一般规律，结合PM2.5的排放源头与扩散途径，达到分析PM2.5在不同时空场景中的主要影响因素、发掘PM2.5浓度研究盲点的目标。同时，通过总结PM2.5传统与新兴的研究方法以及趋势前沿，一方面对PM2.5的研究手段与原理提出新的发展展望，另一方面结合实际，对PM2.5治理政策的实施与城市环境规划提出建议。

2 PM2.5时空格局特征

作为雾霾的重要组成部分，城市大气中PM2.5受到社会的持续关注。2019年，在中国337个地级市中，以PM2.5为首要污染物的大气污染超标天数占总超标天数的45.0%，高于其他污染物（O3、PM10、NO2和CO分别占41.7%、12.8%、0.7%和不足0.1%）[3]。通过减排控制措施，PM2.5污染治理初见成效。但随着城市高质量发展的推进和空气污染治理进入精细化阶段，识别城市PM2.5浓度的时空格局以及通过协同规划管理来降低PM2.5浓度成为推进下一阶段空气质量全面达标的重要内容。

我国城市治理工作新的发展阶段对空间多要素的精细化治理提出了更高的要求。研究人员开始在不同的时空维度深入探究城市中PM2.5的分布规律，从城市规划管理角度更高效精准地应对空气污染。识别城市PM2.5浓度的时空格局可以在时间和空间维度上精准施策。PM2.5浓度的时空格局包括时间维度、空间维度和时空融合的综合维度。

时间维度上，以往研究对国内外城市在不同时间尺度的PM2.5浓度变化有丰富的研究积累。总体来说，城市PM2.5浓度冬春季高，夏秋季低，按月呈U形分布[4]；PM2.5的日变化呈现双峰特征，早峰值在上午7:00—9:00，晚峰值在19:00—21:00[5-6]。针对空间维度的研究可以分为国家、区域、城市、社区各个层级，各层级呈现出不同的分布特点。已有研究发现，PM2.5浓度在发达国家城市通常呈现出中心城区高、郊区低的空间特征，在中国由于城市发展阶段不同，特征较多样复杂[4,7]。近年逐渐出现了从时空融合的视角研究空气污染物的时空分布特征与来源[8]，这样的研究更有利于从不同维度研判城市空气治理和排放源特征格局，可以针对性地开展环境污染防控。总结现有研究的进展，高精度的时空格局在微观尺度实现得较多，由于数据和算法的限制，城市和区域尺度的研究比较困难。随着城市管理日趋精细，了解PM2.5的时空分布特征及其影响因素进而展开城市规划设计和优化管理是城市“质量发展”和“精细化城市管理”的优先选择[9]。

2.1 中国PM2.5时空格局特征

我国频繁发生空气污染，PM2.5是主要污染源。随着2012年PM2.5环境监测站网络的建成与环境政策的实施，中国PM2.5的年平均值逐年下降，1—12月的月平均值呈U形曲线。中国PM2.5浓度的变化有明显的季节性，由于冬季燃煤量高、降雨量减少且植被稀疏，PM2.5浓度为一年中的高峰。夏季由于气候气象和能源使用情况与冬季相反，是PM2.5浓度最低的季节。在更精细的时间尺度上，中国城市PM2.5日浓度变化呈双峰分布且具有小时差异，以2017年为例，10:00PM2.5年平均小时浓度达到日平均峰值51.79μg/m3，16:00则降至谷值40.22μg/ m3，相差11.57μg/ m3[10]，这主要是由于人口日常出行活动与上下班交通高峰带来的影响。

2019年我国各省市PM2.5年平均浓度显示，华北平原地区包括河北、山西、山东、陕西与河南等地比较严重。同时，长江以北地区由于人口密集、经济发达， PM2.5浓度也较高（表1）。长江以南地区、西藏、云南在西南地区和东南沿海地区由于地理区位和气象特征等原因，年平均PM2.5浓度较低[11]。河北省是中国PM2.5污染最严重的省份之一，主要是因为受到气象因素、某些土地用途和重工业的影响：华北平原的地貌特征有利于PM2.5污染的扩散和相互影响。同时，河北省内密集的工业排放、农田的土壤结构、地表植被的人为破坏以及生物质的大量燃烧导致PM2.5浓度进一步增加[12]。已有研究表明，污染物在季风的影响下可长距离传输至偏远地区。PM2.5污染不是单一区域的问题，其在城市群间和城市群内的传输路径和影响机制将是今后研究的重点[13]。

在国家尺度上，人口聚集、工业发展、外国投资、运输和污染排放是PM2.5浓度增加的主要因素。PM2.5的时间变化格局由于国家运转的常态化难以发生较大改变。但随着国家空气治理能力的提升以及污染状况的明显改善，PM2.5空间格局将随着污染范围的逐步缩小而更新，城市群增加趋势的分化也将使PM2.5空间格局进一步变化[14]。因此，构建精细化的PM2.5时空网络对于精准实施环境政策会产生较大助力。

2.2 主要城市PM2.5时空格局特征

北京市作为中国政治文化中心，地处华北平原，由于排放源较多、工业因素影响较大以及三面环山的特殊地理位置和典型的大尺度环流形势，在市内累积与外地输送情况下PM2.5浓度较大，大范围重霾污染事件频发。在时空格局上，北京市PM2.5浓度由高到低的季节依次是冬季、春季、秋季和夏季。分地区来看，2013年年均PM2.5浓度由高到低依次是东南部、西南部、城六区、东北部和西北部，浓度越高的季节空间分布的差异越大，同时，浓度越高的地区时间分布的差异也越大（图1）。但随着机动车政策的出台与排放源治理，北京市2019年平均PM2.5浓度值为42μg/ m3，较2018年下降9μg/ m3，治理成果初显成效[15-16]。

表1 2019年全国主要城市PM2.5年平均浓度值Tab 1 annual average concentration of PM2.5 in major cities in 2019

上海市PM2.5浓度季节上同样呈春冬高、夏秋低的特点，且冬季浓度差异大于夏季。2019年上海市平均PM2.5浓度值为35μg/m3。上海市各季节与全年的PM2.5浓度日变化呈双峰型，高峰时间对应城市上下班时间，汽车尾气与人流扰动对PM2.5浓度的影响很大。空间上，上海市PM2.5分布呈西高东低、临海区域低于内陆区域的特点（图2）。上海市PM2.5时空分布格局主要在跨省传输、海洋大气影响以及本地排放等因素的影响下形成，反映了中国沿海发达城市典型的时空分布特点[4]。

与中国城市的时空格局不同，从2000年至今，纽约市PM2.5年平均浓度不断降低，季节分布上呈夏季高、冬季次之、春秋季最低的特点[17-18]。纽约市PM2.5空间分布市区和郊区存在明显差异，城市PM2.5的污染水平明显高于农村地区，这一特点在中国并不明显，主要原因为纽约市城乡市内交通和人口密度的差异。

不同城市由于地理位置、人口分布与气候特征的不同显示出不同的时空格局，但城市内部的污染源分布、交通行为以及蓝绿面积都是影响城市PM2.5浓度的主要原因。随着PM2.5污染治理政策的不断提出，针对不同城市PM2.5的定点研究不断涌现，但总体上缺乏精细化尺度下的时空格局构建，PM2.5时空变化的内在关联有待进一步发掘。同时，由于目前全国范围内尤其是中小型城市的环境监测站较少，且监测数据在时间分辨率上精度不够（多为小时值），因此在对PM2.5时空特征的反映上，现有研究的精确性仍比较缺乏。

2.3 社区尺度下的PM2.5时空格局特征

因社区中人群密集的出行和居住，社区尺度的PM2.5时空分布越来越受到关注。社区尺度一般指5 km×5 km大小范围内较精细的空间尺度。2005年初，中国疾病预防控制中心环境所提出了在社区建立环境污染与疾病监测点的想法和工作框架，被纳入国家“环境与健康行动规划”[19]。社区尺度的PM2.5受城市背景浓度、区域排放源和局地排放源的共同影响[20]，分布不均，一个城市街区中的变化有时会相差5~8倍[21]。通常来说，城市中交通和人群活动密集的区域会有更高的PM2.5浓度[22]。研究表明，在中心城区，PM2.5的变化主要与交通流量有关，建筑高度、当地交通和商业污染源也有显著影响。在城郊区域，PM2.5的变化主要与PM2.5背景浓度有关，区域排放源的影响是关键（图3）。在城市中，污染最严重的地方往往是高速公路附近，高速公路的缓冲宽度达到100~300 m[22]。时间方面，社区PM2.5的分布规律与城市尺度的PM2.5时间分布规律相似，这也是由于社区所处的PM2.5环境受城市大背景的影响，虽为局部仍反应了城市的整体特征。

3 PM2.5格局的影响因素

研判城市PM2.5时空浓度的影响要素可以支撑空间布局优化、交通以及行为的精细化治理。国内外学者对PM2.5的理化性质[23]、来源解析[24-25]、建成环境影响[26-27]等方面的研究表明，城市的PM2.5浓度主要受土地格局、交通网络、排放源分布、蓝绿开放空间和气象因子的制约。交通干道、工业用地等对空气质量有负面影响，而水体和绿地等通常有正面影响[28]。绿色生态空间通过城市尺度的风道网络、绿地系统规划以及街区尺度的公园绿地、湖泊湿地、道路绿带、城市森林对颗粒物污染有消减作用[29]；建筑形态布局对周边环境中PM2.5浓度的时空分布也有很大影响[28]。另外，我国城市的PM2.5污染明显受到大区域背景浓度影响[30]。表2列举了在不同城市尺度上对PM2.5时空格局影响因素的研究。在区域、城市等宏观上尺度上，PM2.5时空格局主要受城市空间结构、土地利用格局、用地建设强度、蓝绿生态空间、通风廊道布局以及产业结构、人口规模等社会经济因素的影响。在社区、街道等微观尺度上，PM2.5格局主要受局地建筑布局、景观格局以及交通设施规划建设的影响。随着城市管理日趋精细，了解影响城市PM2.5时空分布的主要因素的复杂性、因地制宜地推进精细化城市空气治理、开展基于空气质量的城市规划设计的优化评估是城市高质量发展的必然选择。总结各区域尺度下的PM2.5研究，方法论上多采用数值分析与关系比较，缺乏对不同影响要素的基本理论的阐述。同时，现有研究选择的影响要素不够全面，在更复杂的城市建成环境中难以适用。

图1 2012年北京PM2.5空间分布图Fig. 1 the PM2.5 spatial distribution in Beijing (2012)

图2 2013年上海PM2.5空间分布图Fig. 2 the PM2.5 spatial distribution in Shanghai (2013)

图3 基于GAM的PM2.5在上海社区尺度（2 km × 2 km）的空间分布(a. 闵行区； b. 徐汇区)Fig.3 the spatial distribution of PM2.5 based on GAM at the Shanghai community scale (2 km × 2 km, a. Minhang District; b. Xuhui District)

4 研究方法与前沿

目前研究城市尺度的PM2.5浓度的时空特征有三类常用方法：以区域空气质量模式（WRF-Chem）和气象—空气质量模型（WRF-CMAQ）等模型为代表的大气化学传输模式，遥感反演方法与以土地利用回归（LUR）为代表的空间统计学模型。过程模型可以帮助理解污染过程中的物理和化学机制，如温维（Wen）等运用WRF-CAMQ对北京市的PM2.5进行来源解析，结果显示一次组分和二次有机气溶胶的外来区域贡献分别为29.6%和60.6%[43]。遥感反演是指借助遥感影像，通过反演对象和模型定量推算出研究区域的实际数据。通过遥感影像反演颗粒物浓度有助于动态监测颗粒物的空间分布状况，为城市空间规划提供重要的基础信息[44]。空间统计模型也经许多学者验证，能较好地发掘城市尺度PM2.5浓度的空间特征，适用于中长期污染物空间特征的静态评估。其中，土地回归模型（LUR）的使用最为广泛[45]。LUR模型将空间不同监测点的PM2.5浓度作为因变量、表征城市用地和形态特性的因子作为自变量，通过回归方法获得城市用地形态和PM2.5浓度的定量关系[17]。

然而，这些方法存在过程复杂、不易迁移或解释性不足等问题，人工智能算法（AI）的发展提供了挖掘非线性关联机制和快速高效迭代时空演变机制的新技术方法，可以部分弥补上述问题。《人工智能标准化白皮书（2018年）》规定，人工智能算法（AI）是利用数字计算机或由数字计算机控制的机器，模拟、延伸和扩展人类的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术和应用系统，常用模型有神经网络模型、集成学习模型等。从时间与空间两个维度衍生出的城市空气质量预测模拟的AI方法也为解决实际问题提供了较多的时序数据模型和空间数据模型，持续助力完备的城市时空数据预测网络的组建。

污染物时序数据主要探索长短期内城市特定区域的污染物浓度规律，发掘污染物间的相关性，有助于城市环境预测与建成环境评估的开展，推动城市整体建设与发展[17,46-48]。污染物空间数据建立了污染物空间维度的扩散规律与关联网络，为城市区域规划与环境治理联防联控提供决策依据[49-50]。结合时间、空间两方面的特征，经过进一步的发展AI方法还能实现更高精度尺度下的时空复杂特征的融合分析，发掘环境数据中更复杂的内在联系[51]。根据大量数据的特征与分析，AI模型可以将PM2.5的时间研究精度提升至分钟、空间研究精度提升至1 km×1 km。在数据量符合模型标准的情况下，人工智能方法适用于全国、城市和社区等各个尺度的PM2.5时空数据分析，且适应性较好。

同时，基于计算机交互可视化与AI技术的进一步发展，城市PM2.5浓度的展现手段也逐渐从数值表征发展为图像表征。PM2.5实时可视化平台支持浏览、查询、分析、统计、预警等多种使用功能，一方面实现大规模分析与精细化研判的协同，另一方面基于各类多源城市数据的更新自动调整结果，实现现状PM2.5浓度的历时性分析。PM2.5实时可视化平台将成为数字城市体系的有机组成部分，从而有效推进城市综合管理的精细化和全覆盖，提升城市智慧化治理能力。

目前，人工智能研究也存在一定缺陷：由于AI模型追求与实际结果吻合，较难避免在对PM2.5进行特征挖掘与时空预测时出现参数过拟合现象，即为了得到一致的假设而使假设变得过度严格，导致模型失去延用性。因此，如何保证模型结果的适度合理，人工智能仍需进一步探究。

5 规划应用展望

现有的评价城市PM2.5时空特征理论的研究，宏观尺度多为年度/季度/月度均值的评估计算，缺乏更高的时空频度上的探索，限制了精准施策与因地施策，还需进一步提升。一般地，对不同时段和气象条件的分类工作只出现在相对简单的微观街道与社区以下范围。另外，在以城市与区域大尺度为对象的相关研究中，空间分辨率往往大于1 km/m2。因此，多要素耦合推演市域高精度PM2.5浓度分布格局、精准诊断现状生活便利度的薄弱区域并针对性地给出最有效的提升策略是目前PM2.5研究的难点和热点。

表2 城市中PM2.5排放与消影响因素的研究Tab.2 research on PM2.5 emission and elimination factors in Cities

PM2.5研究结合城市发展痛点与规划实践支撑，逐步走向应用化。目前PM2.5的时空格局研究应用主要体现在战略性和常规性的规划管理范围中，缺乏对于不同时段的精确应对策略和对空气污染事件的紧急应对机制。在新冠病毒持续影响应对方面，对PM2.5时空格局的研究对疫情常态化背景下的空气治理也有一定的方法和政策借鉴意义。

5.1 基于缓解空气污染视角的城市规划经验

对于城市空气污染问题，以往的治理经验主要集中在提高交通尾气排放标准、调整区域土地利用布局、优化建筑空间结构以及建设城市通风廊道等方面[52]。其中，提高交通排放标准和调整土地利用布局是从降低区域大气污染物排放强度的角度提升空气质量，而优化建筑结构和建设通风廊道是从加快污染消散的角度改善空气质量[9]。

随着我国城市治理工作进入新的发展阶段，粗放型的环境治理模式难以满足高质量城市发展的需求，用基于空间多要素的空气质量治理方式来指导城市规划实践是精细化城市管理的必然选择。研究人员逐渐从不同的时空维度深入探究城市中PM2.5的分布规律，从城市规划管理角度更高效精准地应对空气污染[53-54]。

区域尺度上，中国部分地区通过区域协同的方式进行环境治理，突破了单一的地区治理模式，构建好区域生态环境共建共享机制，如京津冀区域生态环境的协同治理[55]。杨怀奎等[56]结合PM2.5的扩散特征与中国各地区产业结构，将全国划分为多个联防联控区域，提出了跨区域联合治理的对策建议。阚海东[57]将PM2.5污染归为公共卫生事件，从公共卫生事件防治的角度提出“实施多污染物协同控制，强化多污染源综合管理，开展城市与区域联防联控”。

城市尺度上，研究和实践提出优化蓝绿开放空间、构建城市通风廊道是改善城市环境的有效途径[52]。这对于缓解城市热岛效应一般具有积极影响，但是否能促进城市空气流动还需要更科学的研究，刘超的博士论文发现通风廊道也可能会降低竖向风速从而增加地面的污染浓度[58-59]。同时，机动车尾气是城市中PM2.5的重要排放源，有研究利用断点回归模型评判机动车排放标准更新后的PM2.5治理效果，提出还需进一步严格机动车排放指标，着力改善公共交通体系，大力开发和推广新能源燃料[60]。

社区尺度的研究中，苗世光等[61]对已建城市小区进行了气象和污染扩散评估，提出了一套环境影响评估指标与方法。陈宏[62]以街区形态为出发点，研究其中各项热量的流动与传递特征，分析城市微气候的形成机理与改善城市微气候的设计策略。史远等[63]将PM2.5数据与形态学数据（17个建筑物形态因子）进行多元统计分析，找出影响PM2.5浓度的关键建筑形态设计因素，为城市规划的优化提供科学依据。徐望悦和王兰[64]基于上海两个社区的模拟，分析特定空间要素的改变对颗粒物浓度和分布的影响，提出了呼吸健康导向的健康社区规划设计优化原则。

5.2 城市规划建议与展望

综上所述，随着中国城市对高质量人居环境需求的不断提高，精细化治理空气污染正成为改善城市品质的重点方向。利用多源大数据和多种人工智能方法精细化分析城市PM2.5污染的高精度时空特征，解析建成环境、气象、交通行为对城市PM2.5浓度时空变化的影响与关联机制，动态精准导控土地格局、交通行为和开放空间等规划要素，为精细化的城市规划管理提供辅助。

5.2.1 AI探索城市高时空分辨率PM2.5污染的特征与源图谱

AI能识别PM2.5在不同空间和时间尺度的高精度分布特征与演变规律，通过PM2.5时空格局的可视化掌握污染暴露高风险区域在不同时空维度的分布情况；解析不同类型的城市排放源的分布和强度对PM2.5浓度的关联影响，结合排放源的区位要素，获得精细化的污染源空间图谱。

5.2.2 城市PM2.5浓度空间分布的影响因子判定

解析不同时间段PM2.5浓度空间分布的影响因素及其重要度与敏感度，特别是城市土地利用类型、蓝绿生态空间、各类用地的空间组合格局、交通路网结构以及动态交通流量对污染浓度空间分布的影响。影响因子的判定是定量化和精细化空间规划管理决策的依据，影响因子可以循环验证不同决策的效果，对决策进行评估和优化。

5.2.3 优化城市空间结构与精细化分时分区管理策略

耦合多要素推演高精度城市PM2.5浓度分布格局，针对性地分时分区给出最有效的提升策略。宏观上调整土地利用格局与用地建设强度、促进蓝绿生态空间与通风廊道设计、辅助交通出行管控与道路网络优化；微观上优化交通设施建设与周边建筑的相互作用关系，改善建筑布局和景观格局，以降低污染暴露。

在十四五规划要求持续改善环境质量的新阶段，控制PM2.5在城市空气中的浓度、强化PM2.5与其他多种污染物的协同控制和区域协同治理成为打好污染防治攻坚战的重要工作。通过人工智能的方法精确研判城市中PM2.5的时空格局及影响要素的耦合关联，结合精细化城市治理的经验和要求，从降低PM2.5浓度、缓解城市居民污染暴露的视角对城市用地规划、交通设施建设等提出针对性的精细规划导控，为城市空气污染规划治理、改善城市人居环境提供科学支撑，是实现城市高质量发展的必然选择。

6 总结

本文从全国（区域）、城市和社区出发，总结已有文献研究中PM2.5时空特征的规律性，通过精确化数字与可视化图像展现多尺度下PM2.5的不同时空分布特征。同时，本文对PM2.5的时空分布影响因素进行了梳理与归纳，分析了特定尺度下的主要因素类别。本文还对PM2.5时空特征研究的传统与新兴方法进行了对比阐述，着重探讨了人工智能技术的应用前景。结合以上三个部分的详细讨论，本文在已有的城市PM2.5环境治理经验基础上，提出了针对各尺度的精细化规划建议，具有总结与延展PM2.5研究以及指导城市政策实践的双重意义。

本文还存在一定局限。一是仅针对PM2.5进行讨论，忽略了包括O3、NO2等对城市环境水平的提升比较重要的污染物种类，研究对象有局限性；二是缺乏原理解释，多从城市治理角度出发，忽略了PM2.5的理化分析，研究内容也有局限性。后续会将协同治理研究与污染物的物理化学机理进行结合研究，力求达到更全面、融合更多学科的综述结果。