暴露在PM2.5之下的北京市区人口分布外文翻译资料

暴露在PM2.5之下的北京市区人口分布

摘要:北京的空气质量，特别是其PM2.5水平，由于其对健康风险的重要性和敏感性，已成为公众越来越关注的问题。北京市环境保护局首次发布了31个站点的监测PM2.5数据，在2012年秋季发布了37天，采用空间插值和叠加分析进行处理。在对这些数据进行分析后，绘制了PM2.5累积超标天数和北京PM2.5时间变化的分布图。计算和分析结果显示了PM2.5在空间中扩散和聚集的周期性和方向性趋势，揭示了PM2.5在不连续中期尺度上的过度暴露的调节。关于PM2.5对人体的累积影响，中期低强度过度暴露和短期过度暴露的危害都是显而易见的。因此，人口分布数据被整合到上述PM2.5空间谱图中。空间统计分析揭示了北京市区居民PM2.5总暴露模式和居民暴露概率。本研究的方法和结论揭示了2012年秋季长期过度暴露于PM2.5与生活在北京高暴露地区的人们之间的关系。

引言

在过去的几十年里，中国首都北京的城市人口、能源消耗和车辆数量迅速增长。曾经在伦敦发生臭名昭著的雾气，之后，北京更频繁地发生雾霾[1]，[2]。在雾霾的组成中，直径小于10微米的颗粒物质（PM10）被认为是与有害健康影响相关的主要危害物，如心脏病和肺病[3]。有证据表明，吸入细颗粒（PM2.5）比粗颗粒（直径在2.5到10微米之间）毒性更大，对人体健康的危害更大[4]，[5]。因此，过度暴露于PM2.5中会对北京居民的公共健康造成巨大的风险。

大量案例研究将有限个体短期暴露于PM2.5与哮喘加重、肺功能障碍、肺癌、心脏病、中风和其他疾病[6] - [8]联系起来。一些研究表明，长期连续PM2.5暴露与健康状况恶化和发病率增加显着相关[9] - [11]。其他研究表明PM2.5对健康的累积影响，并分析了长期持续PM2.5污染的年度统计数据，以及对死亡率，发病率和预期寿命的影响。这些研究通常基于案例研究，忽略时间和空间差异[12]，[13]。关于人口的健康，人们应该认识到中等规模和不连续暴露于PM2.5的重要性，因为这与累积的时间效应和与气象条件相关的时间变化有关。这种方法更有可能确定公众暴露与反应之间关系的时空规律性，这与每个受城市微粒污染影响的人群高度相关。

为了确定时空规律并监测环境健康，大气污染物的高分辨率时空测量至关重要[14]。 一些研究人员在北京监测了几个采样点，试图分析PM2.5的空间分布和时变特征[15]，[16]。 然而，这些基于离散点和低时间分辨率采样分析，会影响统计平均值。此外，他们没有充分解决人口问题; 因此，没有研究暴露[15]，[16]。为了研究PM2.5对北京总人口的风险，需要进行具有高时间分辨率采样的空间连续研究，以检测热点，估计脆弱性并准确评估人口暴露。

2012年10月，北京市环境保护局（BJEPB）发布了35个采样点的小时监测数据，覆盖了该市的大部分地区。在这项研究中，我们收集了其中37天的数据。我们还根据适当的人口单位获取并操纵了最新的人口分布人口普查数据。我们使用这些站点的每日平均值对整个城市进行了37天的插值。我们构建了整个城市日常空气质量指数（AQI）水平的时间序列图，并将其与PM2.5浓度相关联。为了分析北京市区PM2.5的人口暴露情况，特别是秋季，我们采用时空统计方法，制作了累积超标天数、人口暴露量和暴露概率超过AQI标准的分布图。

方法和数据

PM2.5数据的来源

为加强环境空气污染监测，BJEPB在北京成立了35个PM2.5细颗粒自动监测站。2012年9月底，BJEPB逐步向公众实时发布这些数据。图1显示了BJEPB监测站的位置。

每个监测站自动获取每小时PM2.5浓度数据。我们收集了2012年10月8日至11月13日的37天数据集，作为实验数据，这些数据来自市环境保护监测网站平台中心（www.bjmemc.com.cn），并由BJEPB维护。基于每小时实时数据计算每日24小时平均浓度数据。因此，我们在2012年10月8日至11月13日期间获得了北京35个地点的日平均PM2.5浓度（见表S1）。浓度单位是mu;g/ m3（每立方米微克）。此外，北京气象局也同时获得了北京风向和规模数据（见表S2）。由于设备故障和传输问题，一些站点数据不完整或丢失;因此，我们最终选择了35个完整记录中的31个作为我们的数据源。四个省略的数据站点是：Nos.13,16,20和28（参见图1）。

人口普查数据

北京是中华人民共和国的首都，面积16410平方公里。我们的分析中使用了最新的中华人民共和国第六次全国人口普查[17]，也称为2010年中国人口普查。这次人口普查显示，北京的官方人口为19,612,368人。市区包括六个区（县级）：西城，东城，海淀，朝阳，石金山和丰台。城市总面积1378平方公里，2010年人口普查人口11,683,213。

为提高分析精度，选择城镇和街道（街道）作为适当的人口普查地理单位。利用北京市行政区地图和制表对北京市2010年人口普查（城镇和街道区卷）[18]，[19]，我们将北京市区的人口普查数据与行政地图进行了对比。在数据处理和合并之后，用人口普查数据和面积制定了129个人口普查地理单位（街道水平）（见表S3）。图2显示了这些地理单位的人口密度。

PM2.5浓度的空间插值

原始PM2.5浓度数据在离散点处，即在自动监测站处。我们需要将站点数据插入到表面数据中，以表征整个区域的浓度。有许多空间插值方法。Kriging于1951年由Krige发起并由Matheron [20]开发，是各种领域中常用的一种方法[21]。Kriging可以根据其在附近位置的值的观察，在未观察到的位置插入随机场的值。克里金有多种形式，包括：普通克里金（OK），简单克里金法，指标克里金法，普遍克里金法和内在克里金法[22]。其中，OK是最常用的。它假设一个恒定但未知的均值，允许构造一个无偏估计量，不需要事先了解观测值的平稳均值[22]。在这里，我们使用OK方法在空间上插入PM2.5浓度。图3显示了2012年10月9日的一个这样的空间插值的样本。相同的插值方法和参数应用于所有37天的日常场地浓度数据;最终，获得37个经过内插的日均浓度。

PM2.5空气污染的累积暴露热点检测

一系列流行病学研究报告了短期[6] - [8]与长期接触PM2.5和不良健康影响（包括心脏和呼吸系统发病率和死亡率）之间的强关联[23]。我们研究的重点是长期累积效应。然而，不能通过单日浓度来估计群体的直接暴露水平。 PM2.5浓度的危害通常不会立即反映出来，并且会产生一定的滞后和累积效应。此外，年平均浓度或平均浓度周期不能表明PM2.5的风险水平。这是因为平均浓度不能反映正常浓度与其超标浓度之间的差异。此外，难以使用平均浓度来揭示时空差异。

此外，在观察期间，北京的PM2.5污染呈现出一定的周期性。通过按日历顺序安排AQI级别图表（图5），每周似乎都有一个独立完整的污染过程。除了10月8日（中国国庆长假后的第一个工作日），本周最严重的污染始终发生在星期五。

因此，我们采用了一种评估累积效应的方法。为了计算人类对颗粒物浓度的暴露程度，我们必须确定空气污染水平。AQI有助于了解当地空气质量对健康的影响。它是根据主要污染物的浓度计算出来的，秋季北京通常为PM2.5。根据该标准，为了便于理解，通过考虑不同的浓度范围，将PM2.5的各个AQI分为六类（表1）。每个类别对应不同的健康问题。我们可以借助表1中的环境空气质量标准（GB 3095-2012）和环境空气质量指数技术法规（HJ 633-2012，试验）将PM2.5浓度转换为AQI水平。

我们将37个经过内插的日均浓度转换为AQI级多边形图，获得37个AQI级地图图层。通过覆盖这些地图层，生成交叉层。交叉层中的多边形是最小曝光单位。根据环境空气质量标准（GB 3095-2012），PM2.5的AQI高于100（高于2级）被认为是城市空气质量标准，其中24小时平均PM2.5浓度超过75 mu;g/ m3 [24]，[25]。公式1用于计算每个最小暴露单位中超过中国空气质量指南参考浓度的累计天数：

（1）

其中以最小暴露单位表示空气质量水平的天数。指AQI水平下3至6次暴露的累积天数（PM2.5浓度超过75mu;g/ m3）。

在计算之后，获得每个最小曝光单元中的累积超过天数。这有助于确定持续高暴露的区域。

面积加权法估算人口暴露于PM2.5

为了估计人口暴露于PM2.5的水平，我们应该确定哪些地区暴露于高浓度的PM2.5及其种群的大小。如果没有风险，则没有暴露，如果没有人口，则没有暴露[9]。

根据热点分析，我们可以开发持续暴露人群的统计数据。以前的研究使用人口普查地理单位作为最小的人口暴露单位，但这样的单位通常具有不同的风险暴露水平。为了解决这个问题，使用面积加权法计算暴露下的人口。该方法涉及用于区域插值的简单算法。基于人口在源区内均匀分布的假设，最初估计每个区域的恒定人口密度。然后，将目标区域和源区域之间的每个重叠区域的大小用作估计目标区域的总体的权重[26]。

为了获得超过AQI标准的累积人口暴露，我们假设城市内部区域的人口均匀分布在内部街道中。每个人口普查地理单位（街道）的人口密度使用公式2分别计算：

（2）

其中，人口普查地理单位人口密度，人口普查地理单位人口和人口普查地理单位面积。

每个人口普查地理单位中每个级别的人口暴露使用公式3计算：

(3)

其中表示在AQI水平人口暴露下的人口普查地理单位，是AQI水平下的面积，是人口普查地理单位人口密度。

然后，用等式4计算AQI水平下的总人口暴露。

(4)

其中指定AQI水平下的总人口暴露，n是人口普查地理单位的数量。

超过AQI标准的总人口暴露使用公式5计算。

(5)

其中代表人口暴露超过AQI。

然后，使用等式6计算AQI水平下总人口的人口暴露百分比。

(6)

其中表示AQI水平下总人口的人口暴露百分比。

图4说明了一个人口普查地理单位的估计人口暴露方法。

结果

图5显示，在37天内，北京的PM2.5污染有一些时空变化。污染过程表明北京南部开始积累PM2.5并超过标准，然后北京北部逐渐开始。随着风向，风力，湿度，其他天气变量或相关条件的变化，颗粒污染从北向南逐渐减少，城市北部是第一个达到标准水平的城市。 时间序列图表的第三周描绘了一个完整，典型和持久的污染过程。

在我们的第二个结果（图6）中，不难确定北京遭受PM2.5的严重污染。全市累计超标天数一般较高。在整个37天的监测期内，六环路内的超标天数超过十天。同时，该图的统计结果也显示出明显的空间分异; 南部和东南部地区是PM2.5污染的热点地区。长安大道以南和北京 - 承德高速公路以东的地区似乎是高风险区域，超过两周或更长时间。在这37天监测期间，第四环路以南的大片区域累积了16-18天。换句话说，在一半或更长时间内，居住在那里的人们暴露于过量的PM2.5污染。

从统计数据来看，在数据收集期间，累计暴露人口为160,561,842（平均每日暴露人口为4,339,509），占北京累计城市人口总数的37.14％。暴露于危险水平PM2.5（AQI水平6）的累积人口为12,315,860（平均每日暴露人口为332,861），占总数的2.85％（见表S3）。如图7所示，第二和第五环路之间的市区通常具有较高的暴露。与累积超标天数相比，累积暴露人口的热点不仅仅是北京南部和东南部的地区; 北至长安街，西至京承高速公路，也有一些人口普查单位处于累积曝光的热点地区。

讨论

北京PM2.5污染的时空变化可能与地形有关。北京西部是西山，是太行山的一部分。城北是Jundu山，是燕山的一部分。这两座山环绕北京平原，形成一个半圆弧，向东南延伸。在我们的监测期间，主导风向是北风和西北风。北京的每日排放量分散在平原上的山弧开放处。当风失去强度或弱风向南时，大气稳定性迅速增加。然后，细微颗粒从南到北积聚，如时间序列所示。此外，北京以南的省份，如河北，河南和山东，每天都有大量的排放。随着来自偏远地区的风力传输和增加的当地背景值，上述污染物积累和南北空间差异变得越来越可能。在污染过程的后期，通常有一股北风3级及以上席卷整个城市，并且在东北部平坦地区有强烈的污染物扩散，从北到南出现了污染程度降低的模式。

北京PM2.5污染的周期可能与气象条件的变化以及城市旅行规定引起的交通排放的周期性变化有关。这仍有待我们的后续研究证实。由于交通和其他当地资源的大量日排放，北京仍在迅速扩张。结合附近省份的排放，PM2.5污染很容易超过标准。这样的条件导致累积的超过天数很多。图6中显示的空间差异可以通过污染过程的时空规律来解释。也就是说，南部始终是第一个超过正常浓度的区域，最后一个区域则低于它们，与北方相比，该区域的污染持续时间更长。

该市北部的累计天数超过南部。然而，考虑到总人口暴露的空间分布和北部地区的人口密集，其37天累积暴露仍然很容易达到最高水平。也就是说，PM2.5污染的人口和经济损失可能不比南方少。如果不考虑人口密度的影响，则暴露表明南方的累积超过天数的概率大于北方。

由于我们仅从北京市环境保护局收集了秋季37天的PM2.5数据，因此上述分析和结果可能不适用于其他季节，因为北京的季节之间的空气污染排放和气象条件发生了显着变化。 我们需要在更长的时间内收集PM2.5数据以执行长时间序列分析。

结论

通过对秋季37天的PM2.5数据进行时空分析，并通过覆盖北京市区的人口分布，我们发现累积天数超过AQI标

剩余内容已隐藏，支付完成后下载完整资料

资料编号：[20149]，资料为PDF文档或Word文档，PDF文档可免费转换为Word