2001—2016年中国PM2.5暴露风险的时空演变、时空聚类与风险防控

林奕晨 孙思维 潘悦 刘超群 周鹏

林奕晨，孫思维，潘 悦，等. 2001—2016年中国PM_2.5暴露风险的时空演变、时空聚类与风险防控［J］. 湖北农业科学，2024，   63（2）：247-253，260．

摘要：构建耦合人口加权的空气污染暴露风险（PPM_2.5）评估体系，基于探索性时空分析方法开展中国PM_2.5及其人群暴露风险的时空演变和时空聚类研究。结果表明，基于时间-空间演变特征分析，发现耦合人口加权的空气污染暴露风险（PPM_2.5）格局与PM_2.5浓度分布存在空间错位现象；PPM_2.5风险等级随区域中心向外围梯度递减，但研究期内其人群暴露的东高西低总体格局不变；其均衡性时空演变呈整体不均衡性加强而局部更趋于均衡的趋势。基于时空扫描统计的K-means聚类分析，划定4种暴露风险类型，分别为稳定低风险型、持续增长风险型、持续高风险型、低-高风险渐变型，各类型分布差异显著且具备不同人口经济特征。针对不同PM_2.5人群暴露风险的时空聚类分区制定差异化的空气污染预警和防治策略，有助于提升城市韧性，为“健康中国”发展战略实施提供理论与实践基础。

关键词：PM_2.5；耦合人口加权；暴露风险；时空趋势；时空聚类；风险防控

中图分类号：X513         文献标识码：A

文章编号：0439-8114（2024）02-0247-07

DOI：10.14088/j.cnki.issn0439-8114.2024.02.037 开放科学（资源服务）标识码（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

在党的十九大报告中，习近平总书记指出，“持续实施大气污染防治行动计划，打赢蓝天保卫战”，一直以来，空气污染引起科研学者以及民众的广泛关注。

空气污染暴露评价是在某一特定时间段、特定区域、特定污染物条件下对人群暴露的时间、频率、程度进行多维度评估^［1］。目前针对空气污染的人群暴露研究，评估方法主要有三大类：①医学监测标志物暴露-剂量-效应——依据人体医学特征检测数据发现空气污染的剂量暴露与生物健康指标的耦合关系^［2-4］；②个体暴露与轨迹监测——基于个体时空轨迹借助主被动采样仪器实时检测污染暴露程度^［5-7］；③情景模拟暴露监测——利用环境污染时空动态监测大数据及空间临近模型、土地利用回归模型、智能算法模型进行环空气污染暴露评估的多情景模拟^［8-11］。现有人群暴露研究视角则仍然停留在2个方面：面向个体移动轨迹和污染源差异特征的区域差异视角；多时空尺度下的累计效应视角。二者均是针对客观物质空间的空气污染程度进行暴露评估，缺乏考虑人口特征的环境公正视角的研究^［2，12］。耦合人口特征的污染暴露研究是在当前“以人为本”和“社会公平”的大背景下考虑人口的种族、年龄、阶层、收入等差异完成耦合人口特征的污染暴露风险评估，更有利于促进环境污染科学预警与风险防控。因此，本研究考虑通过耦合人口加权的方法完成空气污染的人群暴露评估，从环境公正视角提升污染暴露研究成果的指导性和准确性。

过去对空气污染分区的研究多停留在简单的数据分类统计^{［13，14］}或单一时点的聚类分区^［15-17］，无法准确捕捉空气污染暴露特征的发展趋势和时空异质性。本研究采用耦合人口加权和PM_2.5浓度进行人群污染暴露风险（PPM_2.5）评估，通过时间-空间特征演变分析挖掘PPM_2.5的时间序列发展趋势和空间差异，基于时空扫描统计的K-means聚类完成空气污染暴露的时空聚类分区，进一步有效制定空气污染风险预警与防治策略，改善人民身心健康，有利于实现“健康城市、健康中国”战略。

1 数据来源与研究方法

1.1 数据来源

所使用的PM_2.5浓度数据来自加拿大达尔豪斯大学大气成分分析小组（Atmospheric composition analysis group）根据 NASA公布全球气溶胶数据反演的2001—2016年大气PM_2.5遥感反演数据集（http：//fizz.phys.dal.ca/～atmos/martin/？page_id=140）。与传统地面检测站点提供的点源数据相比，该卫星监测数据具有分辨率更高、时间跨度更大、受人为干扰较小等显著优势。本研究提取2001—2016年中国286个地级市PM_2.5的年均浓度数据（未采集中国港澳台数据），并利用ArcGIS10.6软件对其进行空间矢量化与可视化处理。

1.2 研究方法

1.2.1 耦合人口加权的PM_2.5空气污染人群污染暴露评估 空气污染的人群暴露程度可以从不同的视角进行评估，如：客观物质视角下的污染物浓度水平测度^［18］、行为地理学视角下人口移動轨迹的时空累计污染暴露剂量统计^［2］、环境公正视角下的耦合人口特征（人口数量、构成、年龄、性别等）污染暴露风险水平评估^{［12，19］}。传统环境公正视角下的人群暴露强度=人口总规模×PM_2.5浓度，本研究采用耦合人口加权的污染暴露风险评估，规避了传统方法在基本单元风险评估中的缺陷^［20］，具体评估方法如下。

1.2.2 时间-空间演变特征分析 极值与均值特征指时空序列中数据的最大值（Max）、最小值（Min）和平均值（Mean）。

变异系数（Std）用来表达时间序列数据的变化程度，基于数据序列的标准差进行测度，Std越大表明数据波动越剧烈。

变化趋势（Slope）指基于PM_2.5浓度或耦合人口加权的PM_2.5空气污染人群暴露风险的时间序列数据的一元线性方程斜率，可以明确表示浓度或暴露风险的变化趋势。Slope为正表示随时间增加呈正向增长趋势，Slope为负则表示随时间增加呈负向下降趋势；同时，Slope绝对值则反馈其增长或下降的幅度，并基于曲线R²和P检验其结果是否具有统计学意义。

1.2.3 时空聚类分析——基于时空扫描统计的K-means聚类 本研究考虑时空扫描统计的时间-空间多维特征，基于K-means 算法进行时空聚类分析。时空扫描统计不仅考虑空间属性，同时也考虑时间权重和时间序列变化趋势，是利用扫描时间或空间窗口统计扫描挖掘相应的时间-空间多维特征，如极值（最大值Max和最小值Min）、均值（Mean）、变异系数（Std）、变化趋势（Slope）。相比于传统的K-means聚类仅考虑单一时点的空间聚类方法，结合时空扫描统计的五类时空变化特征（Max、Min、Mean、Std、Slope）进行的K-means聚类具有明显的优势——在开展针对耦合人口加权的PM_2.5暴露风险聚类分区时同时考虑时间属性与空间属性^{［21，22］}。

2 空气污染人群暴露的时空演变分析

2.1 空气污染人群暴露的时空趋势分析

2.1.1 时空变异特征分析 时空变异特征是通过数据序列标准差评估其时空变异程度。耦合人口加权的暴露风险（PPM_2.5）与仅基于PM_2.5的污染等级进行对比，两者的时空变异特征具有明显的差异，主要体现在空间集聚程度、时空变异程度、“中心-外围”梯度下降强度3个方面，如图1所示。时空变异特征是利用时间序列数据的变异系数来测度，系数越高，表明时间序列的数值变异程度越大，其变化程度越剧烈；反之，则其变化程度越小。PM_2.5的时空变异特征具有明显的空间集聚效应，形成大型块状连片的集聚性区域；沿海东部地区形成第一梯队的PM_2.5高强度时空变异集聚区，东北老工业基地形成第二梯队的PM_2.5高强度时空变异集聚区，第三梯队集聚区则是华中中心、成渝及南宁地区。而PPM_2.5空气污染人口暴露风险的时空变异特征分布则呈小型集聚簇团的分散分布，其第一梯队主要由北京、石家庄、济南、南京等城市组成，第二梯队则由河北、山东、武汉、重庆、广西等地构成。耦合人口加权的暴露风险的各地区时空变异程度的局部空间差异化程度更大，局部地区由风险簇团中心向外围迅速梯度递减，递减速度明显。重庆、武汉、济南、郑州等地区近些年发展速度陡然增快，以及近期长江大保护等防控策略的严格实施，经济加速对污染排放和人口迁入的正向作用力、污染防控增强对其的反向作用力，导致不同年份的暴露风险更易发生偏离，造成这些城市耦合人口加权的暴露风险的时空变异程度较大。除发展较快、严格污染防控的城市以外，高风险区周边地区也由于污染扩散、气候差別、取暖方式等因素导致其暴露风险变异程度较大，如石家庄、济南周边地区。

2.1.2 基于线性变化趋势（Slope）的时空趋势分析 PM_2.5浓度与PPM_2.5人口暴露风险的时空趋势存在明显的空间错位现象，如图1i、图1j。PM_2.5在中国东部均呈现明显的增长趋势，西部则呈现非常微弱的增长，且增速呈”中心-外围“圈层下降；增速较快的地区仍然是东部沿海、东北地区、中部区域中心及南部南宁城市群；这些地区的PM_2.5污染排放提升主要来源于历史污染、工业排放、经济增长和重污染中心城市扩散。PPM_2.5人口暴露风险则以“高值中心”离散分布于东部与南部地区为主，“高风险中心”周围镶嵌“中风险斑块”形成一系列“中高风险集聚簇团”。相较于基于PM_2.5的污染风险分级，耦合人口加权的风险制图中各中东部的邻域城市之间的风险差异化程度更大，“中心”向“外围”递减程度加剧，距离衰减效应更显著。而西部成渝地区出现风险负增长趋势，体现了山区地形、旅游业发展、产业结构优化的环境风险正面效应。武汉城市群、福建广东沿海地区的“非区域中心城市”呈现显著的极低增长趋势，表明这些城市群或区域的发展“中心城市”对周边的经济与人口的吸引力过强，导致周边地区的经济规模和人口规模向“区域中心”流动集聚。

2.2 空气污染人群暴露的时空分异探究

如图2所示，中国空气污染人群暴露时空分布的总体格局未发生明显的变化，呈整体分散、局部集聚、东高西低，东西“两极分化”明显。胡焕庸线两端区域的人口集聚差异与规模差异显著，东部地域风险等级较高；西北地域人口风险等级低。东部地区、东北地区、南部地区的经济发达程度远高于西部偏远地区，其产业集聚程度较高，且人口集聚特征呈东密西疏的不均衡整体格局，因此，在空气污染排放和人口暴露风险等级上也呈现东高西低的格局，并且随着时间的增长，此整体格局无明显变化。

空气污染人群风险暴露呈整体不均衡性加强而局部更趋于均衡；其整体不均衡性是中国东西部各城市不均衡发展及人口迁徙的反馈，其局部更趋于均衡则是城市群区域一体化经济、社会、环境区域协同发展的反馈。全国各区域各省风险暴露差异化程度（不均衡性）发展趋势逐渐提高，但是总体格局仍然不变。胡焕庸线东西区域差异显著。风险暴露不均衡性主要是指高低风险之间的差异化程度，东部沿海长三角城市群和东北部京津冀城市群区域与西部地区的暴露风险等级差越来越明显。局部地区的风险等级则越来越区域均衡，即局部地区内部各单元之间的标准差逐渐减小，这也能够体现中国城市化中区域联动和区域协调发展过程，进一步体现区域一体化的格局所带来的经济、社会、环境均衡发展的影响。

时间序列变化过程中，不同程度污染暴露风险的等级规模和区域面积变化存在显著异质性。高污染人群暴露风险区域等级规模和区域面积逐渐递增，区域中心城市周边地区的空气污染人口暴露风险等级常年保持均衡不变；东西人口暴露集聚区之间具有明显的分界线。高等级风险集聚区域不断扩张，尤其是东部沿海长三角城市群和东北部京津冀城市群区域，其周边区域的风险等级明显增长。西部地区、成渝城市群、中部武汉城市群、南部珠三角城市群及其周边区域的中低风险区污染暴露风险的等级规模和区域面积这十几年来无明显变化。

3 空气污染人群暴露风险的时空聚类及风险防治

3.1 空气污染人群暴露风险的时空聚类

根据空气污染人群暴露风险的时空变化趋势，结合时空扫描统计的5类时空变化特征（Max、Min、Mean、Std、Slope）对2001—2016年的数据进行时空聚类分析，划定4种类型：稳定低风险型、持续增长风险型、持续高风险型、低-高风险渐变型，如图3所示。

这4种不同风险评估的分区具有显著的时空分异特征。稳定低风险型是指PM_2.5污染人口暴露风险等级长期处于较低水平，主要集中在人口稀少和经济欠发达的偏远地区；持续增长风险型则表示城市发展过程中由于人口、经济与产业规模的增加，其人口暴露风险持续上升，此区域的经济与产业主要呈粗放式增长，注重人口与经济的增长而忽略了环境污染控制与防治；持续高风险型则表示人口暴露风险等级长期处于高水平，此类型的区域也是重点预警与防治区域；低-高风险渐变型区域，主要具有明显的产业转型和人口迁徙的特点，所以导致虽然整体特点仍然呈现人口暴露风险总体增长但总体增长趋势缓慢，其增长幅度不如持续增长风险型明显。低-高风险渐变型区域内暴露风险的增长有极明显的浮动，随时间序列的变异系数较大。

4类风险聚类分区在空间上的集聚分散特征差异显著，如图4所示。持续高风险型主要呈整体分散、局部集聚的空间格局，主要在不同的区域中心形成小型集聚簇团，然后分散分布于东、中、西部地区，如京津沪渝地区、石家庄-济南-郑州地区，是典型的区域中心和历史工业集聚区；持续高风险型集聚区具有明显的区域中心特性，高密度人口集聚与大规模的产业集聚形成交通与工业的高污染排放。持续增长风险型分区主要毗邻持续高风险型分区，且呈现明显的“c”型环绕分布状态，区域中心的PM_2.5空气污染的扩散、人口吸引力程度显著两大特征造成其耦合人口加权的空气污染暴露风险程度持续增长。持续增长风险型主要分布在长三角经济带、太原、湖南等地区，人口规模、经济规模和技术规模都能达到较高水平，而技术规模带来的产业结构优化和创新能力提升能够明显地控制经济增长时的污染排放。同时，长江大保护及空气污染防治等一系列环保策略与措施的实施也能够控制这些发达地区人口与经济迅速增长所带来的爆炸性空气污染提升，但在这些持续增长风险型区域人口暴露风险程度仍然呈现持续性上升。低-高风险渐变型分区则呈明显的带状分布格局，主要有三大分布带，分别为“长春-沈阳-秦皇岛-西安-成都-昆明”东北至西南带、“南昌、长沙、南宁”中南带、“杭州-福州-广州”南部沿海带。稳定低风险型分区则大部分分布于中国的西北部地区，呈块状集聚分布，具有显著的经济落后和人口稀少特征，产业结构主要以农业与养殖业为主，人口规模、产业规模和技术规模都处于较低水平。

3.2 空气污染人群暴露风险预警及差异化防治策略制定

城市化过程中，城市发展、人口经济增长与环境污染之间的矛盾越来越显著，如何发现矛盾、提前预警及防治污染成为城市健康扩展的重点问题。根据空气污染人群暴露风险的4种类型：稳定低风险型、持续增长风险型、持续高风险型、低-高风险渐变型，本研究可针对人群暴露风险不同类型的城市提出相应的风险预警及污染防治策略。四大类型的风险预警也有明显差别，持续增长风险型、持续高风险型为高风险预警，低-高风险渐变型为中风险预警，稳定低风险型为低风险预警。

不同风险类型的地区城市发展与污染防治之间的矛盾、管控强度与治理策略也有明显差异。规模效应将会提升空气污染人群暴露风险，而技术创新与产业结构优化效应将会显著降低空气污染人群暴露风险。持续高风险型地区的人口与经济集聚规模处于高水平，例如北京等城市，过去高速的城市发展已经带来重度空气污染，其污染防治策略主要以产业升级与环保出行为主，提倡生态环保行业与绿色交通工具，同时通过物理化学等措施积极改善空气质量，实行最严格的污染排放和污染治理。持续增长风险型地区的发展策略类似于过去一些国家和城市的先污染后治理特征，通常这些地区的經济增长主要来源于大型制造业与工业高排放，城市迅速崛起导致空气污染人口暴露风险急剧提升，这些地区的防治策略首先是优化产业结构和治理工业排放，可重点控制主导产业及重点园区的污染排放。低-高风险渐变型地区主要分布于高风险地区外围，其风险受到本地污染排放与周边地区空气污染扩散、气象气候变化的多重影响，其污染防治策略则主要以产业引进选型、气象监测排放为主，这些地区在城市化发展过程中尚未有大型污染排放产业集聚，后期需重点关注绿色产业引进，并通过实时动态气象气候监测进行污染排放调节与控制。

4 小结与讨论

4.1 小结

1）基于人口加权的空气污染暴露风险评估，发现人口暴露风险等级与PM_2.5浓度时空分布格局明显不同，存在空间错位现象。人口暴露风险等级随中心向外围梯度递减，也呈现地理学第一定律——距离衰减现象。

2）研究期内，中国空气污染人群暴露时空分布的总体格局未发生明显的变化，东西差异明显，胡焕庸线两端区域的人口集聚差异与规模差异显著。空气污染人群风险暴露呈整体不均衡性加强而局部更趋于均衡；其整体不均衡性是中国东西部城市不均衡发展及人口迁徙的反馈，其局部更趋于均衡则是城市群区域一体化经济、社会、环境区域协同发展的反馈。

4）根据空气污染人群暴露风险的时空变化趋势，结合时空扫描统计的5类时空变化特征（Max、Min、Mean、Std、Slope）对2001—2016年的数据进行时空聚类分析，划定4种类型：稳定低风险型、持续增长风险型、持续高风险型、低-高风险渐变型。这4种不同风险评估的分区具有显著的时空分异特征。持续高风险型主要呈整体分散、局部集聚的空间格局。持续增长风险型分区主要毗邻持续高风险型分区，且呈现明显的“c”形环绕分布状态，区域中心的PM_2.5空气污染的扩散、人口吸引力程度显著两大特征造成其耦合人口加权的空气污染暴露风险程度持续增长。低-高风险渐变型分区则呈明显的带状分布格局。稳定低风险型分区则大部分分布于中国的西北部地区，呈明显的的经济落后和人口稀少的“低污染”特征。

4.2 讨论

不同风险类型的地区城市发展与污染防治之间的矛盾、管控强度与治理策略也有明显差异。规模效应将会提升空气污染人群暴露风险，而技术创新与产业结构优化效应将会显著降低空气污染人群暴露风险。持续高风险型地区的污染防治策略主要以产业升级与环保出行为主；持续增长风险型地区由于城市迅速崛起导致空气污染人口暴露风险急剧提升，其防治策略以“重点控制主导产业及重点园区的污染排放”手段促进产业结构优化与节能减排；低-高风险渐变型地区主要受到本地污染排放与周边地区空气污染扩散、气象气候变化的多重影响，其污染防治策略则主要以产业引进选型、气象监测排放为主；稳定低风险型地区则结合地域特色大力发展第一、三产业促进经济发展，保持良好环境质量。

虽然本研究从全国尺度进行了多时段PM_2.5的时空变化规律研究，但也存在着以下几点不足：①本研究所采用的基本单元为地级市，虽然能够满足全国尺度的时空分析要求，但今后的研究可以利用更小的栅格单元完成空气污染时空分析的精细化研究；②对污染的时间分析上，由于年限跨度为16年，以年均浓度为基础进行研究，未曾深入探讨PM_2.5在月份和季度的时间维度上的变化，这也是今后空气污染时空规律探究中可以加强的时间维度视角。

参考文献：

［1］ 符立伟，郭秀锐.国内空气污染暴露水平评价方法研究进展［J］.环境科学与技术，2015，38（S2）：226-230.

［2］ 林金煌，陈文惠，张 岸.2019年北京市PM_2.5人群暴露剂量特征分析［J］.地球信息科学学报，2020，22（12）：2348-2357.

［3］ 姜 磊，田伟利，张清宇，等.SHEDS-PM模型模拟杭州市人群PM10暴露水平［J］.環境科学研究，2011，24（6）：615-620.

［4］ 郭文伯，张 艳，柴彦威.城市居民出行的空气污染暴露测度及其影响机制——北京市郊区社区的案例分析［J］.地理研究，2015，34（7）：1310-1318.

［5］ 赵 辉，郑有飞，张誉馨，等.京津冀大气污染的时空分布与人口暴露［J］.环境科学学报，2020，40（1）：1-12.

［6］ 黄晓军，祁明月，李艳雨，等.关中地区PM_2.5时空演化及人口暴露风险［J］.环境科学，2020，41（12）：5245-5255.

［7］ 同丽嘎，李雪铭，黄 哲，等.包头市人口PM_2.5暴露风险研究［J］.干旱区资源与环境，2017，31（11）：50-54.

［8］ 邹雨轩，吴志峰，曹 峥.耦合土地利用回归与人口加权模型的PM_2.5暴露风险评估［J］.地球信息科学学报，2019，21（7）：1018-1028.

［9］ 宋万营，杨 振，王平平，等.基于LUR模型的大气PM_2.5浓度分布模拟与人口暴露研究——以湖北省为例［J］.华中师范大学学报（自然科学版），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 灏. 基于土地利用回归的中国空气污染暴露建模研究［D］.北京：清华大学，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］ 顾康康，朱鹏祥，宁 杨，等.基于绿色出行理念的合肥市区空气污染分区调控研究［J］.地理科学，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］ 龙凌波，佘倩楠，孟紫琪，等.中国沿海地区大气污染特征及其聚类分析［J］.环境科学研究，2018，31（12）：2063-2072.

［16］ 党耀国，朱晓月，丁 松，等.基于灰关联度的面板数据聚类方法及在空气污染分析中的应用［J］.控制与决策，2017，32（12）：2227-2232.

［17］ 刘 靖，单春艳，梁晓宇.唐山市基于GIS的PM_2.5空间聚集性及分区管控［J］.中国环境科学，2020，40（2）：513-522.

［18］ 吴健生，王 茜，李嘉诚，等. PM_2.5浓度空间分异模拟模型对比：以京津冀地区为例［J］.环境科学，2017，38（6）：2191-2201.

［19］ 彭 芬，邹 滨，邱永红.空气污染暴露公正异质性空间自相关分析［J］.测绘科学，2014，39（5）：104-108.

［20］ 邹 滨，彭 芬，焦利民，等.高分辨率人口空气污染暴露GIS空间区划研究［J］. 武汉大学学报（信息科学版）， 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，梁晓媛，谭浩波，等.基于K-means聚类分析法的肇庆市干季PM_2.5污染天气分型研究［J］.环境科学学报，2020，40（2）：373-387.

收稿日期：2022-09-19

基金项目：国家自然科学基金项目（51808413）；湖北省社会科学基金一般项目（后期资助项目）（2020158）

作者简介：林奕晨（1997-），女，湖北黄冈人，硕士，主要从事时空数据挖掘、大气污染和城市地理方面研究，（电话）13409687955（电子信箱）1026927222@qq.com；通信作者，潘 悦（1983-），男，湖北武汉人，副教授/高级工程师，博士，主要从事城乡空间战略研究，（电话）13707199355（电子信箱）95351721@qq.com。