0 引 言
大气污染严重影响正常生产生活和人体健康[1-4]，已经引起了全社会的广泛关注。国内外学者从污染事件的形成与消散过程[5-7]、空气质量变化与气象要素的关系[8-10]以及污染物浓度的时空变化特征[11-16]等方面做了大量研究。如苏含笑等[13]运用2015年春季和冬季北京、唐山市区大气环境PM2.5样品,分析了PM2.5的污染特征和来源，扬尘源、移动源、燃煤源和生物质燃烧是各采样点PM2.5的主要来源。何建军等[17]采用多种统计方法分析量化了天气形势和局地气象条件对城市颗粒物浓度变化的贡献。肖悦等[18]运用多种分析方法，从年度、季度和月度3个时间尺度上探讨了近10年中国空气质量的时空分布特征。良好的空气质量也是一种重要的自然资源，我国北方地区严重的大气污染,影响了工农业生产和人民身心健康[19]。济南作为我国北方大城市，受地理位置、产业结构等的影响，空气质量在全国主要城市中处于较低位置，引发了相关领域专家学者与政府的高度重视[20-22]，当地政府采取了系列对策，并在实践中逐渐显露成效。
济南市处于环渤海经济区和京沪经济轴上的重要交汇点，是山东半岛城市群和济南都市圈的核心城市，同时也是被环保部划定的京津冀污染物传输通道的“2+26”城市之一。济南市大气污染治理不仅对济南乃至山东省空气质量改善具有重要意义，也对打赢京津冀地区蓝天白云保卫战具有重大影响。本文基于济南市2014—2018年空气质量监测数据及气象要素数据，甄别主要污染物与污染源是大气污染治理的关键环节，分析济南市大气污染物浓度时空变化特征与污染物来源，并对济南市未来3年的空气质量状况进行预测，根据预测结果对济南市大气污染治理提出合理有效的措施，进一步进行调整大气污染治理方式，优化济南市大气污染治理方案，从源头上有效地改善济南市空气污染状况，并为区域大气污染治理提供参考。
1 数据收集与研究方法
1.1 数据收集
研究数据来源于空气质量在线监测平台(https://www.aqistudy.cn/)，共收集从2014年1月1日—2018年12月31日济南市大气中主要污染物PM10、PM2.5、CO、SO2、NO2和O3等逐小时监测数值以及空气质量指数(AQI)数据。从中国气象信息中心网站(http://data.cma.cn/site/index.html)获取济南市逐小时气温、气压、空气相对湿度、风速以及降水等数据。
1.2 研究方法
1.2.1 克里金插值算法
克里金插值法，又称空间数据插值法[23]。该方法根据区域化变量和变异函数理论，探究随机性和空间相关性并存的空间数据，并进行最优无偏估计。与反距离加权插值法类似，克里金插值法同样采用加权平均的方式进行插值，计算公式为:
(1)
式中：Z*(x0)为插值点x0 处的估计值；Z(xi)为n个已知点中 xi处的测量值；λi为对应的权重。
根据克里金插值方法的原则保证估计量无偏且估计方差最小的前提下，求解方程组得出权值系数。方程组为：
(2)
式中：r(xi,xj)为数据的半变差函数;μ为拉格朗日乘子。
1.2.2 BP网络模型
BP网络模型是1种无导师学习的训练模式，包括输入层、隐含层和输出层，隐含层有1个或多个[24]。该模型中输入向量为X=(x1，x2，…，xi,…，xn)T，隐含层输出向量为Y=(y1，y2，…，yj，…，ym)T，输出层输出向量为O=(o1，o2，…，ok,…，ol)T，期望输出向量D=(d1，d2，…，dk,…，dl)T。 输入层第i个神经元到对应隐含层之间的权值矩阵设为V=(vi1,vi2，…，vij,…，vim)T，i=1，2，…，n。隐含层第j个神经元到对应输出层之间的权值矩阵为W=(wi1，wi2，…，wij，…，wim)T，j=1，2，…，m。
BP预测模型具体步骤如下:
1)确定网络结构：从输入样本序列中截取连续的m个时间点的监测值作为网络节点，紧随其后时间点的数据作为输出节点的期望值，则获得(n-m)组样本对[25]。
2)权值阈值初始化：BP神经网络初始权值阈值的选取非常重要[26]，若选择不当，会使网络震荡或收敛速度较慢。一般方法是使隐含层权值很小或输出层权值为-1和1的权值数相等。
3)输入样本对的第1对。
4)按照节点输出模型计算BP模型下各观测点的下一期预测值，隐含层节点j输出:
(3)
式中：Y为隐含层的输出；vij为隐含层第i个神经元与输出层第j个神经元之间的权值；xi为隐含层第i个神经元的输出值。
输出层节点k输出：
(4)
式中：Ok为输出层的输出；wij为隐含层第i个神经元与输出层第j个神经元之间的权值；yi为隐含层第i个神经元的输出值。
5)权重的修正由梯度算法决定[27]，具体如式(5)—(6)所示:
Vij(t+1)=αVij(t)+ηejxi
(5)
Wjk(t+1)=αWjk(t)+ηekxj
(6)
式中：ej、ek为期望输出与实际输出的差值；η为学习效率；α为惯性系数。
6)转至第4步，重新修正权值，输入第2组样本对，看期望输出与实际输出的差值是否相近，即是否满足要求精度[24]。第t次训练误差模型为:
(7)
2 结果与分析
2.1 污染物浓度时空变化特征
2.1.1 时间变化特征
2014—2018年济南市大气中主要污染物浓度表现为整体下降的趋势见图1a。其中，下降幅度最大的是SO2，下降幅度为74.60%；其次是PM2.5和PM10，分别下降了40.36%和35.01%；下降幅度最小的是NO2，降幅为16.44%。与之形成鲜明对照的是O3，其浓度不仅没有下降，反而表现出增加变化的趋势。
—PM2.5； 
—PM10； 
—SO2； 
—NO2； 
—O3； 
—CO。
图1 济南市大气污染物浓度的年变化和季节变化特征
Figure 1 Characteristics of annual and seasonal variation
of pollutants concentration in Jinan
从图1b污染物浓度的季节变化来看:PM10、PM2.5、CO、SO2、NO2、O3的浓度季节变化非常明显，其中PM10、PM2.5、CO、SO2、NO2的浓度夏季最低，冬季最高。与之相反，O3浓度在冬季最低，夏季最高。
通过对主要污染物的季节变化分析可知:冬、夏季污染物浓度分别达到2个极端，而冬季是采暖季，采暖对空气质量会有较大影响，故有必要将污染物浓度按照采暖期和非采暖期进行对比。济南市采暖期为11月15日—翌年3月15日，此外为非采暖期，6种主要污染物浓度在采暖期和非采暖期均值见图2。采暖期ρ(PM2.5)均值为98.81 μg/m3，非采暖期为67.71 μg/m3，采暖期是非采暖期的1.60倍；采暖期ρ(PM10)均值为178.36 μg/m3，非采暖期为128.24 μg/m3，采暖期是非采暖期的1.40倍；采暖期SO2、NO2和CO的浓度分别是非采暖期的2.12，1.36，1.55倍。由此可见，加强对采暖期污染物治理是今后工作的重点。此外，空气质量与气象条件也是密切相关的，冬季的济南主要受冷高压影响，大气冷凝下沉，不利于污染物的消散，夏季则相反。
采暖期； 
非采暖期。
图2 济南市采暖期和非采暖期污染物浓度
Figure 2 Pollutants concentration in heating and non-heating
periods of Jinan
济南市大气污染物浓度表现出明显的冬夏季、供暖期和非供暖期的差别，这与相关研究结论一致[28-30]。冬季及供暖期，颗粒物、硫化物、NOx等的浓度都达到峰值，而夏季以及非供暖期则较低，供暖期各主要污染物的浓度是非供暖期的1.3～2.2倍。冬季与供暖期污染严重的原因有2个方面：一方面是冬季燃煤供暖，排放的废气二次转化生成PM2.5；另一方面是冬季不利于污染物扩散的气象条件。O3浓度的冬夏季以及供暖期与非供暖期的变化与其他指标呈完全相反的变化趋势，因为O3是NOx、碳氢化合物等光化学反应的结果，济南冬季污染严重，光照不足，对光化学反应具有抑制作用，而夏季空气质量好，光照充分，有利于污染物的光化学反应。
污染物浓度的日变化可以从较微观的角度分析空气质量变化与环境因子之间的关系。图3为2017年各污染物浓度的日均变化曲线。可知：6:00—10:00各主要污染物浓度表现为上升变化，然后逐渐降低，到15:00左右，各主要污染物浓度再度上升，该趋势一直持续到0:00左右。主要污染物的浓度变化与上下班高峰有高度吻合性，在上下班高峰时段的大气污染最严重，大气污染物浓度的日变化主要受上下班高峰段车辆污染物排放的影响，说明汽车尾气治理也是保障良好空气质量的途径之一。
—PM2.5； 
—PM10； 
—NO2； 
—O3(1 h)； 
—SO2； 
—CO。
图3 2017年济南市空气质量日变化
Figure 3 Daily variation of air quality in Jinan in 2017
2.1.2 空间变化特征
2014—2018年济南市大气主要污染物的平均浓度空间分布特点见图4。相关研究表明，济南市扬尘主要为本地源，局部输送和长距离输送占比较少[31]。根据污染物浓度空间分布状况可知，济南市颗粒物浓度最高的区域是平阴县、济阳区和章丘区，其次为历城区、天桥区、槐荫区；SO2和NOx浓度最高的区域是平阴县、济阳区、商河县。根据不同污染物浓度的空间分布，可将不同县区最急需治理和急需治理的污染物划分等级，污染物浓度最高的为一级污染物，污染物浓度仅次于最高的为二级污染物。表1为济南市各县区污染物治理等级划分。济阳区大颗粒物、硫化物、NOx污染在济南各县区中都是最严重的，是应全面治理的区域；平阴县以粉尘污染、工业污染为主；章丘区重点治理PM2.5和CO，天桥区、槐荫区、长清区和商河县治理的重点分别为NO2、CO、O3和SO2。在一级污染物得到有效治理后，第2步重点关注历城区、天桥区、槐荫区、长清区和商河县浓度较高的二级污染物，实现分区域、有重点的治理。
2.2 污染物来源识别
2.2.1 PM2.5/PM10
研究表明，颗粒物(PM10和PM2.5)是我国北方大气中的主要污染物[32]。扬尘、机动车、燃煤、工业生产是颗粒物PM10和PM2.5的重要污染来源。颗粒物PM10主要来源于沙尘、道路扬尘、建筑扬尘等扬尘源；而PM2.5大多来自工业排放、燃煤燃气以及在能源利用过程中产生的污染物排放，污染物经过二次转化生成PM2.5[33]。PM2.5/PM10越小，表明大颗粒物等扬尘源的贡献率越大；反之，比值越高，则表明经过二次转化生成的污染物贡献率越大。2014—2018年，济南市PM2.5/PM10为0.40～0.74(图5)，这表明有40%以上颗粒物污染是来自直径≤2.5 μm的细颗粒物，并且PM2.5/PM10≥0.5的持续时间占观测期间50%。此外，PM2.5/PM10较高时期主要出现在冬季，春季则是比值较小的季节。PM2.5/PM10变化表现出明显下降趋势，表明济南市对大气中细颗粒物污染的治理效果显著。
图4 济南市污染物浓度空间分布
Figure 4 Spatial distribution of pollutants concentration in Jinan
表1 济南市各县区污染物治理等级划分
Table 1 Classification of urgent levels for
pollutants control in Jinan
县区一级污染物二级污染物平阴县PM10、PM2.5、SO2—济阳区PM10、SO2、NO2、O3—历城区—PM10、CO、NO2、O3天桥区NO2PM10、PM2.5槐荫区COPM10、PM2.5长清区O3NO2商河县SO2O3章丘区PM2.5、CO—
图5 济南市大气PM2.5/PM10的时间变化
Figure 5 Temporal distribution characteristics of PM2.5/PM10 in Jinan
春季PM2.5/PM10较低是由于济南市春季风速较大，地表植被覆盖较少容易出现扬尘、扬沙；夏季PM2.5/PM10出现较高值，可能是由于夏季空气相对湿度较高，且相关分析表明，PM2.5浓度与大气相对湿度呈极显著正相关，而与PM10呈极显著负相关。通过植树造林、扩大绿地湿地面积、规范施工等措施减少大颗粒污染源是减少大气中PM10浓度的有效手段。
2.2.2 SO2/NO2
SO2主要来源于煤炭燃烧、发电和工业生产等，在污染物来源过程中处于固定源，而NO2主要来源于汽车尾气排放等移动源[34]，通过对SO2/NO2变化的分析可以鉴别污染来源以及空气质量。比值较高表明固定源较高；比值越低，则表明污染主要来自移动源。通过对SO2/NO2的时间序列(图6)进行分析发现，其比值表现出显著下降的趋势。
图6 济南市大气SO2/NO2的时间变化
Figure 6 Temporal variation of SO2/NO2 in Jinan
通过SO2/NO2可看出，2014年以来济南市通过关停改造等措施，大幅减少了固定污染源的排放，但由汽车尾气排放带来的NOx的污染呈上升趋势。相关资料显示，2014年济南市汽车拥有量为156万辆，2017年已经超过200万辆。通过提升油品质量、推广应用新能源汽车、车辆限行等手段减少汽车尾气污染已非常必要。
2.2.3 O3
济南市O3月平均浓度(图7)为34～204 μg/m3。自每年1月，O3浓度逐渐升高，春末夏初O3浓度达到最高，此后逐渐下降到冬季达到最低。其可能原因是春末夏初时，济南市还未到达雨季，晴天较多，到达地面的辐射量较多，有利于O3形成。但2016、2017年7—8月O3浓度下降，因此时山东处于雨季，降水多，光照少，而9月晴天较多，太阳辐射多，O3浓度再次升高。2018年7月O3月平均浓度达到最高。O3的生成主要受NO、NO2、CO、VOCs等前体物浓度和气象条件的作用，NO2、CO等一次污染物主要来源于本地污染源排放。O3和CO、NO2负相关性比较显著，因此O3多为本地源。因济南市城区环境空气中VOCs的主要来源为汽车尾气、工业源、燃烧源，且以汽车尾气为主，O3主要是汽车尾气排放的NO2和VOCs经过光化学反应后生成。
图7 济南市O3浓度时间变化
Figure 7 Temporal variations of O3 concentration in Jinan
2.3 大气污染物和气象要素关系
大气污染与气象条件的Person相关分析(表2)表明，相对湿度与PM2.5、CO浓度呈极显著正相关，与PM10、SO2、NO2和O3呈显著负相关。从风速和各污染物浓度变化看，除O3外，其他5种主要污染物浓度都与风速呈极显著负相关，风速越大，越有利于主要污染物的消散。O3浓度却与风速呈极显著正相关，这可能是较高的风速消散了污染物，使得大气能见度更高，有利于太阳辐射，从而增强光化学反应速度，能见度与各污染物浓度的关系也证实了这种推测。PM2.5、PM10、SO2、CO和NO2的浓度与降水量呈极显著负相关，O3浓度与降水量的关系不具有统计意义。总体来说，降水对减轻污染物浓度，提高空气质量具有积极作用。
表2 济南市空气质量和气象要素相关性分析
Table 2 Correlation analysis of air quality and meteorological factors in Jinan
项目气温气压相对湿度风速能见度降水量PM2.5Pearson 相关性-0.31∗∗0.24∗∗0.17∗∗-0.23∗∗-0.659∗∗-0.127∗∗显著性(双侧)0.000.000.000.000.000.00PM10Pearson 相关性-0.26∗∗0.23∗∗-0.06∗-0.11∗∗-0.51∗∗-0.19∗∗显著性(双侧)0.000.000.010.000.000.00SO2Pearson 相关性-0.45∗∗0.38∗∗-0.20∗∗-0.06∗∗-0.28∗∗-0.15∗∗显著性(双侧)0.000.000.000.010.000.00COPearson 相关性-0.42∗∗0.34∗∗0.20∗∗-0.34∗∗-0.57∗∗-0.09∗∗显著性(双侧)0.000.000.000.000.000.00NO2Pearson 相关性-0.42∗∗0.46∗∗-0.05∗-0.45∗∗-0.33∗∗-0.15∗∗显著性(双侧)0.000.000.040.000.000.00O3Pearson 相关性0.81∗∗-0.71∗∗-0.08∗∗0.18∗∗0.22∗∗0.01显著性(双侧)0.000.000.000.000.000.73
注：**在0.01水平上显著相关；*在0.05水平上显著相关。
2.4 济南市大气污染物浓度变化预测
基于当前大气污染治理模式和主要污染物浓度的变化，运用BP神经网络模型对济南市2019—2021年大气污染物浓度进行预测。PM10、PM2.5、NO2、SO2、CO、O3在2019—2021年的平均值见表3，变化趋势见图8。其中，CO浓度下降幅度较大，降低较为明显。和济南市2014—2018年相比，O3浓度有上升趋势。
表3 济南市2019—2021年大气污染物年平均浓度
Table 3 Annual average concentration of air pollutants in
Jinan in 2019—2021
年份ρ(PM10)/(μg/m3)ρ(PM2.5)/(μg/m3)ρ(NO2)/(μg/m3)ρ(SO2)/(μg/m3)ρ(CO)/(mg/m3)ρ(O3)/(μg/m3)2019115.6253.7838.3424.790.72105.742020115.9058.8344.2623.410.51106.802021117.5057.8043.3122.280.27102.93
3 结论及建议
通过对济南市2014—2018年大气污染状况的时空分布特征及其来源进行分析并进行预测，得出以下结论：
1)2014—2018年济南市空气质量呈不断好转趋势；从季节上看，冬季大气污染最为严重，春季和秋季污染持平，夏季空气质量相对最优；采暖期污染物浓度远远高于非采暖期，主要与冬季燃煤取暖增加、汽车尾气排放等因素有关；从日变化看，上下班高峰时段是污染最严重时段。加大冬季、供暖期污染治理，是济南市今后大气质量管理的重点与难点。
2)从空间尺度看，由于济南市对位于市区重污染企业进行了搬迁和治理，空气质量相对较好，但周边县区污染依然严重，根据不同县区各种污染物的浓度空间分布，将其划分成最急需治理的污染物和急需治理的污染物，即一级污染物和二级污染物，优先治理一级污染物，逐步实现济南空气质量的根本好转。
3)从污染物来源看，颗粒物中PM10的比重不断增加；SO2所代表的固定源排放越来越低，NO2等移动源排放的特征污染物相对比例增高。总之，由于济南市对重污染企业和燃煤的治理，大气中的PM2.5浓度不断下降，今后应采取增加地面植被尤其是常绿植物的覆盖度，减少沙尘源，规范工地作业等手段减少大颗粒浓度，通过推广使用新能源汽车，提升油品质量，车辆限行以及汽车油改气等措施，减少汽车尾气对大气污染的贡献度。
----模拟值； 
监测值； ——线性(模拟值)。
图8 济南市主要污染物浓度变化预测
Figure 8 Prediction of major pollutants’ concentration of Jinan
4)从预测结果中看，济南市6种主要污染物浓度虽有降低，但降低幅度较小，说明济南市现阶段治理方式虽有一定成效，但成果并不显著，应该进一步调整大气污染治理方式，优化济南市大气污染治理方案，有效地改善济南市大气污染状况。
[1] 王桂芝,武灵艳,陈纪波,等.北京市PM2.5污染健康经济效应的CGE分析[J].中国环境科学,2017,37(7):2779-2785.
[2] NURUL A B M, OLIVER L H L, DASIMAH O.Human health and wellbeing: human health effect of air pollution[J].Procedia-Social and Behavioral Sciences,2014,153:221-229.
[3] 谢元博,陈娟,李巍.雾霾重污染期间北京居民对高浓度PM2.5持续暴露的健康风险及其损害价值评估[J].环境科学,2014,35(1):1-8.
[4] 王振波,梁龙武,林雄斌,等.京津冀城市群空气污染的模式总结与治理效果评估[J].环境科学,2017,38(10):4005-4014.
[5] 许万智,朱春涛,陈仲榆,等.华北地区一次重污染天气的气象变化过程分析[J].中国环境监测,2015,31(6):34-40.
[6] 尹晓梅,孙兆彬,郭淳薇,等.2016年12月京津冀一次重污染天气过程分析[J].生态环境学报,2017, 26(12):2071-2083.
[7] 丁铭,邹强,郁建桥.2013年苏州春季一次重污染天气的过程分析[J].中国环境监测, 2015,31(4):44-47.
[8] ZHU W H,XU X D,ZHENG J,et al.The characteristics of abnormal wintertime pollution events in the Jing-Jin-Ji region and its relationships with meteorological factors[J].Science of The Total Environment, 2018,626:887-898.
[9] LI X L,MA Y J,WANG Y F,et al.Temporal and spatial analyses of particulate matter (PM10 and PM2.5) and its relationship with meteorological parameters over an urban city in northeast China[J]. Atmospheric Research,2017,198:185-193.
[10] DUO B,CUI L L,WANG Z Z,et al.Observations of atmospheric pollutants at Lhasa during 2014—2015: pollution status and the influence of meteorological factors[J].Journal of Environmental Sciences,2018,63:28-42.
[11] 邱坚,霍玉玲,万学平,等.镇江市四季PM2.5污染特征与潜在源区分析[J].环境工程,2019,37(6):123-130.
[12] LI R,CUI L L,LI J L,et al.Spatial and temporal variation of particulate matter and gaseous pollutants in China during 2014—2016[J].Atmospheric Environment,2017,161:235-246.
[13] 苏含笑,葛碧洲,陈兴都.典型城市市区春冬季PM2.5污染特征及来源分析[J].环境工程,2018,36(9):99-103.
[14] MIKALAI F, YAN H W, LI X J.Temporal and spatial variation of particulate matter and its correlation with other criteria of air pollutants in Lanzhou, China, in spring-summer periods[J].Atmospheric Pollution Research,2018,9(6):1100-1110.
[15] 马敏劲,杨秀梅,丁凡,等.中国南北方大气污染物的时空分布特征[J].环境科学与技术,2018,41(5):187-197.
[16] 崔嵩,李昆阳,付强,等.哈大齐城市大气污染物浓度变化特征与集中度分析[J].黑龙江大学工程学报,2017,8(2):36-41.
[17] 何建军,吴琳,毛洪钧,等.气象条件对河北廊坊城市空气质量的影响[J].环境科学研究,2016,29(6):791-799.
[18] 肖悦,田永中,许文轩,等.近10年中国空气质量时空分布特征[J].生态环境学报,2017,26(2):243-252.
[19] 赵晨曦,王云琦,王玉杰,等.北京地区冬春PM2.5和PM10污染水平时空分布及其与气象条件的关系[J].环境科学,2014,35(2):418-427.
[20] 济南市统计局，国家统计局济南调查队.2017年济南市国民经济和社会发展统计公报 ([1])[N]. 济南日报,2018-04-13(A04).
[21] CHEN D S, LIU X X, LANG J L, et al.Estimating the contribution of regional transport to PM2.5 air pollution in a rural area on the North China Plain[J].Science of The Total Environment, 2017,583:280-291.
[22] SUN Y W, ZHOU X H, WANG W X,et al.Aerosol size distributions during haze episodes in winter in Jinan, China[J]. Particuology, 2016,28:77-85.
[23] MANIRABONA A,FOURATIL C.A Kriged fingerprinting for wireless body area network indoor localization[J].Wireless Presonal Communications,2015,80(4):1501-1515.
[24] 蒋蕊竹,李秀启,朱永安,等.基于MODIS黄河三角洲湿地NPP与NDVI相关性的时空变化特征[J].生态学报,2011,31(22):6708-6716.
[25] 吴玉莲,王襄平,李巧燕,等.长白山阔叶红松林净初级生产力对气候变化的响应:基于BIOME-BGC模型的分析[J].北京大学学报(自然科学版),2014,50(3):577-586.
[26] 任志远,刘焱序.西北地区植被净初级生产力估算模型对比与其生态价值评价[J].中国生态农业学报,2013,21(4):494-502.
[27] 刘焱序,吴文恒,温晓金,等.晋陕蒙能源区城镇化过程及其对生态环境的影响[J].地理研究,2013,32(11):2009-2020.
[28] YAO Y R, HE C, LI S Y,et al.Properties of particulate matter and gaseous pollutants in Shandong, China: daily fluctuation, influencing factors, and spatiotemporal distribution[J].Science of The Total Environment, 2019,660: 384-394.
[29] 张文娟,孙晓艳,李敏,等.济南市空气质量特征及重污染期间PM2.5成分谱分析[J].中国人口·资源与环境,2018,28(增刊1):71-75.
[30] SUN S D, JIANG W, GAO W D. Vehicle emission trends and spatial distribution in Shandong province, China, from 2000 to 2014[J].Atmospheric Environment, 2016,47:190-199.
[31] CHEN L, ZHAO H,WANG W X,et al. Effect of windblown dust from local and regional sources on the air quality of the central district in Jinan, China[J]. Atmospheric Research,2017,185:44-52.
[32] 郝慧梅,任志远,薛亮.基于3S的榆林市植被净初级生产力价值估算及其时空差异分析[J].地理与地理信息科学,2008(5):75-79.
[33] LIU Y S, LI X R, TANG G Q. Secondary organic aerosols in Jinan, an urban site in North China: significant anthropogenic contributions to heavy pollution[J].Journal of Environmental Sciences, 2019，80(16)：107-115.
[34] 王占山,张大伟,陈添,等.2013年北京市NO2的时空分布[J].环境科学学报,2015,35(5): 1529-1536.