城市群pm2.5污染的分析方法和分析装置
技术领域：
：1.本发明属于污染防治
技术领域：
：，特别涉及一种城市群pm2.5污染的分析方法和分析装置。
背景技术：
：：2.空气污染是世界上主要的环境风险因素，全球每年约有700万人死于空气污染。在空气污染物中，pm2.5或直径小于2.5微米的颗粒被认为对人体健康危害最大。大量使用流行病学队列的研究也强调，长期暴露于pm2.5会对人类健康产生严重影响并导致呼吸系统或心血管疾病。在中国，pm2.5在过去几十年中一直是一个重要的公共卫生问题，在疾病负担的危险因素中排名第五。为改善空气污染，制定了多项清洁空气政策和标准，如国家环境空气质量标准、火力发电厂大气污染物排放标准、大气污染防治行动计划等。3.城市群已成为中国发展的主要形式。城市群是中国经济增长的引擎，但也是空气污染物的重要来源。过去十年，城市群中的人类活动带来了物质财富和生活水平的提高，空气污染也比其他城市地区更为严重。京津冀、长三角和珠三角三大城市群，占地2.8％，居住人口18％，生产36％gdp。中国国家新型城镇化规划预测2012年和2020年城市人口比例分别为52.6％和60％。快速城市化增加了人类活动的规模，从而加剧了这三个城市群的空气污染。4.目前尚未有针对京津冀、长三角和珠三角三大城市群的城区和郊区pm2.5浓度差异性的有效分析方法。技术实现要素：5.为了解决上述问题，本发明一方面提供了一种城市群pm2.5污染的分析方法，其包括：根据人口密度和人口总数确定城市群中城市区域和郊区区域；根据pm2.5浓度和暴露人群分别计算所述城市区域的pm2.5暴露风险和郊区区域的pm2.5暴露风险；根据所述城市区域的pm2.5浓度与pm2.5暴露风险和所述郊区区域的pm2.5浓度与pm2.5暴露风险分析所述城市群的pm2.5污染情况。6.在如上所述的分析方法中，可选地，所述根据人口密度和人口总数确定城市群中城市区域和郊区区域，包括：根据人口密度阈值、全球人口密度栅格数据和该城市群的行政区域矢量数据得到该城市群的人口密度栅格数据；将所述城市群的人口密度栅格数据转化为矢量多边形数据；根据所述矢量多边形数据和预设的人口总数阈值得到所述城市区域，所述行政区域中除所述城市区域以外的区域为所述郊区区域。7.在如上所述的分析方法中，可选地，所述将所述城市群的人口密度栅格数据转化为矢量多边形数据之前，所述分析方法还包括；对所述城市群的人口密度栅格数据进行滤波处理，将像元的空间模式的破坏程度降到最低，使区域的拐角变得平滑。8.在如上所述的分析方法中，可选地，所述城市群为京津冀城市群或者长三角城市群或者珠三角城市群。9.在如上所述的分析方法中，可选地，所述分析方法还包括：根据pm2.5浓度变化、人口数量变化和区域面积变化，计算所述城市区域和郊区区域的pm2.5浓度、人口数量和区域面积之间的相关系数；基于所述相关系数，分析所述城市区域和所述郊区区域的pm2.5浓度变化、人口数量变化、面积变化之间的相关性。10.另一方面，还提供了一种城市群pm2.5污染的分析装置，其包括：确定模块，用于根据人口密度和人口总数确定城市群中城市区域和郊区区域；第一计算模块，用于根据pm2.5浓度和暴露人群分别计算所述城市区域的pm2.5暴露风险和郊区区域的pm2.5暴露风险；第一分析模块，用于根据所述城市区域的pm2.5浓度与pm2.5暴露风险和所述郊区区域的pm2.5浓度与pm2.5暴露风险分析所述城市群的pm2.5污染情况。11.在如上所述的分析装置中，可选地，所述确定模块包括：第一得到单元，用于根据人口密度阈值、全球人口密度栅格数据和该城市群的行政区域矢量数据得到该城市群的人口密度栅格数据；转化单元，用于将所述城市群的人口密度栅格数据转化为矢量多边形数据；第二得到单元，用于根据所述矢量多边形数据和预设的人口总数阈值得到所述城市区域，所述行政区域中除所述城市区域以外的区域为所述郊区区域。12.在如上所述的分析装置中，可选地，所述确定模块还包括；滤波单元，用于对所述第一得到单元得到的城市群的人口密度栅格数据进行滤波处理。13.在如上所述的分析装置中，可选地，所述城市群为京津冀城市群或者长三角城市群或者珠三角城市群。14.在如上所述的分析装置中，可选地，所述分析装置还包括：第二计算模块，用于根据pm2.5浓度变化、人口数量变化和区域面积变化，计算所述城市区域和郊区区域的pm2.5浓度、人口数量和区域面积之间的相关系数；第二分析模块，用于基于所述相关系数，分析所述城市区域和所述郊区区域的pm2.5变化、人口变化、面积变化之间的相关性。15.本发明实施例提供的技术方案带来的有益效果是：16.通过根据人口密度和人口总数确定城市群中城市区域和郊区区域，根据pm2.5浓度和暴露人群分别计算城市区域的pm2.5暴露风险和郊区区域的pm2.5暴露风险，根据城市区域的pm2.5浓度与pm2.5暴露风险和郊区区域的pm2.5浓度与pm2.5暴露风险分析城市群的pm2.5污染情况，从而提出了一种适应京津冀城市群或者长三角城市群或者珠三角城市群城区和郊区的pm2.5污染的分析评估方法，打破以往的按照行政区划的评估分析方法，为未来国家清洁政策的区域性差异制定提供参考。分析了城市区域和郊区区域的pm2.5的差异性及清洁空气政策的不同效果、pm2.5的变化与人口及区域面积的相关性、pm2.5引起的暴露风险的差异性，更好的明确人类活动对大气污染的影响。附图说明17.图1为本发明实施例提供的一种城市群pm2.5污染的分析方法的流程示意图；18.图2本发明实施例提供的一种京津冀城市群在2000年的暴露风险的分布示意图；19.图3本发明实施例提供的一种京津冀城市群在2020年的暴露风险的分布示意图；20.图4本发明实施例提供的一种长三角城市群在2000年的暴露风险分布示意图；21.图5本发明实施例提供的一种长三角城市群在2020年的暴露风险的分布示意图；22.图6本发明实施例提供的一种珠三角城市群在2000年的暴露风险分布示意图；23.图7本发明实施例提供的一种珠三角城市群在2020年的暴露风险的分布示意图；24.图8本发明实施例提供的一种京津冀城市群在2000年城区和郊区面积的变化的示意图；25.图9本发明实施例提供的一种京津冀城市群在2020年城区和郊区面积的变化的示意图；26.图10本发明实施例提供的一种长三角城市群在2000年城区和郊区面积的变化的示意图；27.图11本发明实施例提供的一种长三角城市群在2020年城区和郊区面积的变化的示意图；28.图12本发明实施例提供的一种珠三角城市群在2000年城区和郊区面积的变化的示意图；29.图13本发明实施例提供的一种珠三角城市群在2020年城区和郊区面积的变化的示意图；30.图14本发明实施例提供的一种京津冀城市群在2000年-2020年pm2.5浓度的变化的示意图；31.图15本发明实施例提供的一种长三角城市群在2000年-2020年pm2.5浓度的变化的示意图；32.图16本发明实施例提供的一种珠三角城市群在2000年和2020年pm2.5浓度的变化；33.图17本发明实施例提供的一种京津冀城市群全区及城区及郊区pm2.5浓度变化百分比的示意图；34.图18本发明实施例提供的一种长三角城市群全区及城区及郊区pm2.5浓度变化百分比的示意图；35.图19本发明实施例提供的一种珠三角城市群全区及城区及郊区pm2.5浓度变化百分比的示意图；36.图20为本发明实施例提供的一种城市群pm2.5污染的分析装置的结构示意图。具体实施方式37.下面将参考附图并结合实施例来详细说明本发明。各个示例通过本发明的解释的方式提供而非限制本发明。38.城市群是是国家领先的创新中心，例如：京津冀城市群(下文以bth替代)、长三角城市群(下文以yrd替代)和珠三角城市群(下文以prd替代)。bth位于中国北方，包括北京、天津和河北省的8个城市。yrd是一个大型且极具竞争力的城市群，其位于中国东部，包括上海以及浙江和江苏省的15个城市。prd是亚太地区最具竞争力和活力的城市群，其位于中国南部，包括广东省的9个城市。为了更好地研究空气污染物中pm2.5对人体健康的危害情况，尤其是对城市群中的人，参见图1，本发明实施例提供了一种城市群pm2.5污染的分析方法，其包括以下步骤：39.101，根据人口密度和人口总数确定城市群中城市区域和郊区区域。40.具体而言，根据人口密度阈值、全球人口密度栅格数据和该城市群的行政区域矢量数据得到该城市群的人口密度栅格数据，将该城市群的人口密度栅格数据转化为矢量多边形数据，根据该矢量多边形数据和预设的人口总数阈值得到城市区域，行政区域中除城市区域以外的区域为郊区区域。41.现有技术中通常根据遥感影像地表反射率来划分城市和郊区，这种方法提取的划分区域比较破碎，较难用于大气污染的空间分析，而大气污染与人类活动息息相关，基于人口数据和地理信息的多种空间分析划分的城区和郊区可以较好的解决空间区域破碎的问题，且能更好的反应我国的实际国情：城区人口分布密集、农村地区人口分布稀疏，因此基于人口密度划分的城市和郊区能更好的服务于大气污染的分析研究。本发明实施例中，在arcgis软件中，通过对栅格数据进行处理实现了基于人口数据(人口密度和人口总数)对城市群的城区和郊区的划分，处理方法包括：掩膜提取、属性值提取、浮点转整型、栅格转多边形、融合、区域统计等。具体地，可以由arcgis软件接收输入的全球人口密度栅格数据和该城市群的行政区域矢量数据，通过调用按掩膜提取模块(或称extractbymask)，获取该城市群的初始的人口密度栅格数据，然后按照预设的人口密度阈值，例如300人/km2，通过调用按属性值提取模块(或称extractbyattributes)，从而获得人口密度大于人口密度阈值的人口密度栅格数据，此时将其称为该城市群的人口密度栅格数据。通常人口密度栅格数据为浮点型，为了便于将人口密度栅格数据转化为矢量多边形数据，在arcgis软件中，调用栅格计算模块浮点转整型(int)将浮点型转为整型的人口密度栅格数据，然后调用栅格转多边形模块，将整型的栅格数据转为矢量多边形数据。42.对前述得到的矢量多边形数据和栅格人口数据(或称人口密度栅格数据)，采用arcgis的区域统计功能(或称zonalstatisticsastable)，统计各个多边形区域(与矢量多边形数据相对应)的总人口数据。按照大于预设的人口总数阈值，例如人口总数阈值为5000，按照多边形内人口总数》5000的阈值范围，使用arcgis软件的按属性值提取功能(或称selectlayerbyattribute)提取符合要求的多边形数据，即为城区范围或城市区域，针对城市群的整个行政区域，采用arcgis的裁剪功能(或称erase_analysis)，去除城市区域，从而获得郊区区域。也就是说，城市区域是指密度至少为每平方公里300名居民和至少5000人的连续网格单元的集群。郊区是指城市群行政区域中不包括在城市区域的网格单元集群。43.在转为矢量多边形之前，为了提高栅格数据的质量，去除数据中噪音，采用arcgis的滤波模块，对栅格数据进行平滑处理，例如用3*3移动窗口进行滤波平滑形状并消除小中心。在统计各个多边形区域的总人口数据之前，对矢量多边形中零散的多边形，采用arcgis的多边形集合功能(或称aggregatepolygons)，形成集合的多边形数据，该集合的多边形数据即为统计各个多边形区域的总人口数据中所使用的矢量多边形数据。44.102，根据pm2.5浓度和暴露人群分别计算城市区域的pm2.5暴露风险和郊区区域的pm2.5暴露风险。45.具体而言，pm2.5浓度数据可以从现有技术中获得，例如地基测量、卫星遥感、大气再分析等。人口计数和密度数据是从nasa(nationalaeronauticsandspaceadministration，美国国家航空航天局)社会经济数据和应用中心获得的。人口数据集提供了人口数量和密度的估计值。使用比例分布网格算法，大约有1350万个国家和亚国家行政单位，用于将人口数量和密度分配给网格单元。数据文件生成为分辨率为30弧秒(赤道约1公里)的全球栅格。46.城市区域和郊区区域的暴露风险的计算公式如下：[0047][0048]其中i为网格数，ri表示网格i中pm2.5暴露风险，popi为网格i中暴露人群的数量，ci为网格i中pm2.5浓度，n为该区域的网格总数。需要说明的是，该公式对城市区域和郊区区域的暴露风险的计算都适用，当计算城市区域时，公式1中的网格为城市区域的网格；当计算郊区区域时，公式1中的网格为郊区区域的网格。[0049]103，根据城市区域的pm2.5浓度与pm2.5暴露风险和郊区区域的pm2.5浓度与pm2.5暴露风险分析城市群的pm2.5污染情况。[0050]pm2.5污染对人体健康有害，通过公式1可以模拟近几年各城市群pm2.5暴露风险的变化。图2-图3分别是京津冀城市群在2000年和2020年的暴露风险的分布示意图，图4-图5分别是长三角城市群在2000年和2020年的暴露风险的分布示意图，图6-图7分别是珠三角城市群在2000年和2020年的暴露风险的分布示意图。从图2-图7中可以看出，2000-2020年三个城市群pm2.5暴露风险空间格局变化不大，城区pm2.5暴露风险高于郊区。图2‑ꢀ图7中图例单位为人/km2。[0051]下表示意出了2000-2020年各城市群的城区及郊区pm2.5平均暴露风险及年变化率，单位为人/km2。[0052][0053]从该表中可以看出：2000年京津冀城市群的城市区域pm2.5暴露风险最高，其值为2.48，而2020年长三角城市群的郊区pm2.5暴露风险最低，其值为0.09。一般来说，城市地区pm2.5暴露风险是郊区的10-20倍。在三个城市群中，京津冀城市群pm2.5暴露风险高于珠三角城市群和长三角城市群。2000-2020年，京津冀、长三角、珠三角城市群的城区pm2.5暴露风险的年变化率分别下降0.06、0.04和0.09。这些比率比京津冀、长三角、珠三角城市群的郊区的比率高数倍，各郊区的比率分别为0.01、0.01和0.003。[0054]在确定城市群中的城市区域和郊区区域后，可以研究各城市群的城区和郊区的面积在近几年的变化。图8和图9分别示意出了京津冀城市群在2000年和2020年城区和郊区面积的变化。图10和图11分别示意出长三角城市群在2000年和2020年城区和郊区面积的变化。图12和图13分别示意出珠三角城市群在2000年和2020年城区和郊区面积的变化，在图8-图13中，图例说明：颜色较深的表示城区，颜色较浅的表示郊区。从2000年到2020年，这三个城市群的城市面积都在逐渐扩大，而郊区则在缩小。[0055]相应地，计算了2000年、2005年、2010年、2015年和2020年三个城市群的城市和郊区的面积和人口。在arcgis中使用wgs1984webmercator(auxiliarysphere)投影坐标系，使用如下公式2分别计算2000年至2020年面积和人口的平均变化：[0056][0057]式中，c为2000年至2020年的平均变化，n为4，v为特定年份城市和郊区的面积或人口值，特定年份即为前述提到的5个年份。结果见下表。[0058][0059][0060]从上表中可以看出，2000年至2020年，这些城市群的城市区域面积以每5年平均3-5％的速度增长，而郊区则以每5年平均2-7％的速度收缩。从2000年到2020年，城市地区的人口以每5年平均11-14％的速度增长，而郊区人口以每5年平均0-6％的速度下降。即2000年至2020年，这些城市群的城市群面积和人口都在扩大，而郊区的面积和人口却在缩小。[0061]在确定城市群中的城市区域和郊区区域后，还可以研究各城市群的城区和郊区的pm2.5浓度在近几年的变化。图14示意出了京津冀城市群在2000年-2020年pm2.5浓度的变化。图15示意出了长三角城市群在2000年-2020年pm2.5浓度的变化。图16示意出了珠三角城市群在2000年和2020年pm2.5浓度的变化。在图14-图16中，图例说明，三条线，由上至下依次表征城市区域、整个区域、郊区区域。[0062]通过图14-16可以得出：京津冀城市群pm2.5浓度范围明显大于长三角城市群和珠三角城市群。3个城市群2000-2020年城区和郊区pm2.5浓度变化趋势与全城市群(或简称全区)基本一致。城市pm2.5浓度高于全区pm2.5浓度，郊区pm2.5低于全区平均水平。三个城市群pm2.5浓度呈逐年变化趋势，但在2013年之前保持高位，2013年至今呈稳步下降趋势。城区与郊区的差距也有所缩小，尤其是珠三角城市群自2013年以来的差距。可以用下述公式3计算2013年前后的年均变化：[0063][0064]其中，δ为2000-2020年城乡pm2.5浓度差的年均值，δ1为2000-2013年城乡pm2.5浓度差的年均值，δ2为2013-2020年城区与郊区pm2.5浓度差的年均值，ui和vi分别为城区和郊区在相应年份pm2.5浓度，n为年数。需要说明的是，当计算δ1和δ2时，可以将δ1或者δ2替换为δ。[0065]在京津冀城市群，2006年pm2.5浓度最高出现在市区，值为92ug/m3，2020年pm2.5最低浓度出现在郊区，值为26ug/m3。2013年之前市区与郊区pm2.5浓度差的年均值为35ug/m3，2013年之后的pm2.5浓度差的年均值为26ug/m3。长三角城市群，2011年pm2.5浓度最高出现在市区，值为73ug/m3，2020年pm2.5最低出现在郊区，值为26ug/m3。2013年之前市区与郊区pm2.5浓度差的年均值为10ug/m3，2013年以后两者之间pm2.5浓度差的年均值为9ug/m3。在珠三角城市群，2005年pm2.5浓度最高出现在市区，值为71ug/m3，2020年pm2.5最低浓度出现在郊区，值为25ug/m3。2013年之前市区与郊区pm2.5浓度差的年均值为9ug/m3，2013年后两者pm2.5浓度差的年均值仅为2ug/m3。[0066]近20年来，京津冀城市群pm2.5浓度最大值和最小值范围最大，珠三角城市群最小。2013年以后，三大城市群城区与郊区pm2.5浓度差异缩小，尤其是珠三角城市群，差异仅为2ug/m3。2013年以来，由于实施了大气污染防治行动计划。此外，一些重点行业也被关闭或从城市转移到郊区。因此，2013年以来，三大城市群pm2.5浓度逐渐下降，城乡差距也逐渐缩小。在本技术中，定量评估了2013年以来空气污染政策对城市和郊区pm2.5的影响。[0067]大气污染防治行动计划对京津冀、长三角和珠三角三大城市群pm2.5浓度的影响。为了分析该计划在三个最大的城市群中的效果以及它们在城市和郊区的差异，通过如下公式4计算自2013年以来三个城市群的整个区域以及城市和郊区的pm2.5浓度变化百分比变化：[0068][0069]其中，di,j是从第i年到第j年的pm2.5浓度变化百分比，pi是第i年的pm2.5浓度，pj是第j年的pm2.5浓度。[0070]2013年以来京津冀城市群、长三角城市群和珠三角城市群全区及城区及郊区pm2.5浓度变化百分比分别见图17-19。三大城市群pm2.5浓度稳步下降，尤其是城市群领域。在京津冀城市群，到2016年，总面积和市区达到25％的目标，到2018年，市区和郊区乃至整个区域都达到了这个目标。到2020年，京津冀城市群的减排目标实现了两倍。在长三角城市群，城市和郊区乃至整个区域在2015年达到了下降20％的具体目标，到2020年已经超过了这个目标的三倍。整体达到2015年下降15％的具体目标，2020年已经四次超过这一目标。在图17-19中，图例说明：对于三个一组的条形图来说，由左至右分别为整个区域、城市区域、郊区区域。[0071]还可以通过公式5计算2013-2020年期间三个城市群城市和郊区pm2.5浓度的年均变化，使用以下公式：[0072][0073]式中，δ为2013-2020年年均pm2.5差值，v为2013年以来第i年pm2.5浓度，i为1、2、3、4、5、6、7。[0074]下表为2013-2020年三个城市群城区和郊区pm2.5浓度(ug/m3)[0075][0076]从上表中可以看出，三个城市群城区和郊区的pm2.5浓度均以每年3-7ug/m3的速度下降。总体而言，城市地区的下降速度快于郊区。pm2.5浓度下降最快的是京津冀城市群的市区(7.30ug/m3/每年)，而pm2.5浓度下降最慢的是京津冀城市群的郊区(3.11ug/m3/每年)。2013-2020年期间，长三角城市群和珠三角城市群城市和郊区的pm2.5浓度以每年4-5ug/m3的速度下降。[0077]到2020年，京津冀、长三角、珠三角城市群pm2.5降幅分别超标2、3、4倍。城市地区的减少尤为明显。2013年以来，京津冀、长三角、珠三角城市群城区pm2.5浓度年均下降7.30、5.50和5.03ug/m3，郊区pm2.5年均下降3.11、4.23和5.03ug/m3。分别为4.69ug/m3。城市地区pm2.5浓度因关注度下降较快，城区与郊区pm2.5的差距越来越小。因此，未来要保持城市和郊区pm2.5下降速度相等，郊区也应同样重视。[0078]通过以上数据表明城市地区以每年3-5％的速度扩张，而郊区则以每年2-7％的速度收缩。还表明2000-2020年期间，京津冀、长三角和珠三角城市群的城市pm2.5浓度分别比郊区高32ug/m3、10ug/m3、7ug/m3。[0079]自2013年以来，三大城市群的城区和郊区的pm2.5浓度均大幅下降。国家环境空气质量标准和火力发电厂大气污染物排放标准以及大气污染防治行动计划和生态环境保护规划的空气污染政策对pm2.5改善的影响。通过对中国三大城市群内城区和郊区的pm2.5浓度和下降率进行细化，市区pm2.5下降速度估计为5.03-7.30ug/m3/年，郊区估计为3.11-4.23ug/m3/年。城市地区pm2.5的下降速度快于郊区，城市与郊区在pm2.5方面的差距浓度越来越小。尽管采取了严格的政策来减少pm2.5污染，但各城市群pm2.5暴露风险仍然很高，因此仍需要采取新的更严格的政策和措施来减少pm2.5污染。[0080]本发明实施例模拟了2000-2020年中国三大城市群城市和郊区pm2.5的变化，通过研究发现pm2.5浓度在城市地区是高于郊区。2013年以来，清洁空气政策改善了空气质量，城乡pm2.5差距缩小。为减少pm2.5污染，部分重点工业排放源关闭或移至郊区。不仅要关注城市地区，还要关注郊区。中国需要实施更有力的空气污染缓解政策，以实现世卫组织的空气质量标准并降低pm2.5暴露的健康风险。[0081]分析了城市区域和郊区区域的pm2.5的差异性及清洁空气政策的不同效果、pm2.5引起的暴露风险的差异性，突破传统的基于行政区划的评估，采用本实施中划分的城市和郊区的空间区域，分析清洁空气政策在两个区域中的达到的不同效果。根据城市和郊区区域的空间分布，分析两个区域的暴露风险差异性。[0082]还分析了pm2.5的变化与人口及区域面积的相关性，即基于相关系数分析城市区域和郊区区域的pm2.5变化、人口变化、面积变化的多个参量之间的相关性。[0083]具体如下：根据pm2.5浓度变化、人口数量变化和区域面积变化，计算城市区域和郊区区域的多个参量之间的相关系数，多个参量分别为城市区域的pm2.5浓度、城市区域的人口数量、城市区域的区域面积、郊区区域的pm2.5浓度、郊区区域的人口数量和郊区区域的区域面积，相关系数的计算公式如下：[0084][0085]式中，r是相关系数，是变量x的均值，是变量y的均值。当相关系数是正数时，表示x与y是正相关，值越大，相关性越强；当相关系数是负值时，表示x与y是负相关，值越小，相关性越小。x和y为：城区pm2.5浓度、城市人口、城市面积、郊区pm2.5浓度、郊区人口、郊区面积。[0086]三大城市群城市和郊区的2000-2020期间每五年的pm2.5浓度变化、人口变化、面积变化的相关性分别如下3个表所示，第一个表涉及的城市群为bth；第二个表涉及的城市群为yrd；第三个表涉及的城市群为prd。[0087][0088][0089][0090]在京津冀城市群，城市地区pm2.5浓度的变化与郊区的pm2.5浓度变化成强正相关，与城区人口的变化成强负相关。郊区pm2.5浓度变化与城区人口变化呈强负相关。此外，郊区人口变化与郊区面积变化呈强负相关，城区面积变化与郊区人口及面积变化呈强负相关。[0091]在长三角城市群，城区pm2.5浓度变化与城区人口变化呈强负相关，与城区面积变化呈中等正相关，与郊区pm2.5浓度变化、人口变化、面积变化呈正相关变化。郊区pm2.5浓度变化与郊区人口和面积变化呈强正相关。此外，城区人口变化与郊区人口和面积变化呈强烈的负相关，郊区人口变化与郊区的面积变化呈强烈的正相关。[0092]在珠三角城市群，城区和郊区的pm2.5浓度、面积、人口变化，两两呈强烈的相关。其中强烈的正相关有城区pm2.5和郊区人口；城区pm2.5和郊区的面积；城区的人口和城区的面积；郊区的pm2.5和郊区的人口；郊区的pm2.5和郊区的面积；郊区的人口和郊区的面积。呈强烈的负相关的有城区pm2.5和城区人口；城区pm2.5和城区面积；城区人口和郊区人口；城区人口和郊区面积，城区面积和郊区人口；城区面积和郊区面积。[0093]关于六个变量(城区pm2.5浓度、城市人口、城市面积、郊区pm2.5浓度、郊区人口、郊区面积)的变化的相关性共有15组，其中，京津冀地区有5组强相关，长三角有10组，珠三角15组都是强相关。三个城市群共同的相关性是：城市pm2.5浓度变化与城区的人口变化呈强烈的负相关，与郊区的pm2.5浓度变化呈强烈的正相关；郊区的pm2.5浓度与城区的人口变化呈强烈的负相关。[0094]在划分城市区域和郊区区域后，分析pm2.5浓度和暴露风险在这两个区域的差异，并分析是否跟清洁能源政策、人口、面积等在这两个区域的差异有关。[0095]参见图20，本发明实施例还提供了一种城市群pm2.5污染的分析装置，其包括：确定模块201、第一计算模块202和第一分析模块203。[0096]其中，确定模块201用于根据人口密度和人口总数确定城市群中城市区域和郊区区域。第一计算模块202用于根据pm2.5浓度和暴露人群分别计算所述城市区域的pm2.5暴露风险和郊区区域的pm2.5暴露风险。第一分析模块203用于根据所述城市区域的pm2.5浓度与pm2.5暴露风险和所述郊区区域的pm2.5浓度与pm2.5暴露风险分析所述城市群的pm2.5污染情况。[0097]确定模块201包括：第一得到单元、转化单元和第二得到单元。第一得到单元用于根据人口密度阈值、全球人口密度栅格数据和该城市群的行政区域矢量数据得到该城市群的人口密度栅格数据。转化单元用于将城市群的人口密度栅格数据转化为矢量多边形数据。第二得到单元用于根据矢量多边形数据和预设的人口总数阈值得到城市区域，行政区域中除城市区域以外的区域为郊区区域。[0098]确定模块还包括；滤波单元，其用于对第一得到单元得到的城市群的人口密度栅格数据进行滤波处理。[0099]城市群为京津冀城市群或者长三角城市群或者珠三角城市群。[0100]分析装置还包括：第二计算模块和第二分析模块。第二计算模块用于根据pm2.5浓度变化、人口数量变化和区域面积变化，计算城市区域和郊区区域的pm2.5浓度、人口数量和区域面积之间的相关系数。第二分析模块用于基于相关系数，分析城市区域和郊区区域的pm2.5变化、人口变化、面积变化之间的相关性。[0101]需要说明的是：上述实施例提供的分析装置在对城市群pm2.5污染进行分析时，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将设备的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。另外，上述实施例提供的分析装置与分析方法实施例属于同一构思，其具体实现过程详见方法实施例，此处不再一一赘述。[0102]由技术常识可知，本发明可以通过其它的不脱离其精神实质或必要特征的实施方案来实现。因此，上述公开的实施方案，就各方面而言，都只是举例说明，并不是仅有的。所有在本发明范围内或在等同于本发明的范围内的改变均被本发明包含。当前第1页12当前第1页12
技术特征：1.一种城市群pm2.5污染的分析方法，其特征在于，所述分析方法包括：根据人口密度和人口总数确定城市群中城市区域和郊区区域；根据pm2.5浓度和暴露人群分别计算所述城市区域的pm2.5暴露风险和郊区区域的pm2.5暴露风险；根据所述城市区域的pm2.5浓度与pm2.5暴露风险和所述郊区区域的pm2.5浓度与pm2.5暴露风险分析所述城市群的pm2.5污染情况。2.根据权利要求1所述的分析方法，其特征在于，所述根据人口密度和人口总数确定城市群中城市区域和郊区区域，包括：根据人口密度阈值、全球人口密度栅格数据和该城市群的行政区域矢量数据得到该城市群的人口密度栅格数据；将所述城市群的人口密度栅格数据转化为矢量多边形数据；根据所述矢量多边形数据和预设的人口总数阈值得到所述城市区域，所述行政区域中除所述城市区域以外的区域为所述郊区区域。3.根据权利要求2所述的分析方法，其特征在于，所述将所述城市群的人口密度栅格数据转化为矢量多边形数据之前，所述分析方法还包括；对所述城市群的人口密度栅格数据进行滤波处理，将像元的空间模式的破坏程度降到最低，使区域的拐角变得平滑。4.根据权利要求1所述的分析方法，其特征在于，所述城市群为京津冀城市群或者长三角城市群或者珠三角城市群。5.根据权利要求1所述的分析方法，其特征在于，所述分析方法还包括：根据pm2.5浓度变化、人口数量变化和区域面积变化，计算所述城市区域和郊区区域的pm2.5浓度、人口数量和区域面积之间的相关系数；基于所述相关系数，分析所述城市区域和所述郊区区域的pm2.5浓度变化、人口数量变化、面积变化之间的相关性。6.一种城市群pm2.5污染的分析装置，其特征在于，所述分析装置包括：确定模块，用于根据人口密度和人口总数确定城市群中城市区域和郊区区域；第一计算模块，用于根据pm2.5浓度和暴露人群分别计算所述城市区域的pm2.5暴露风险和郊区区域的pm2.5暴露风险；第一分析模块，用于根据所述城市区域的pm2.5浓度与pm2.5暴露风险和所述郊区区域的pm2.5浓度与pm2.5暴露风险分析所述城市群的pm2.5污染情况。7.根据权利要求6所述的分析装置，其特征在于，所述确定模块包括：第一得到单元，用于根据人口密度阈值、全球人口密度栅格数据和该城市群的行政区域矢量数据得到该城市群的人口密度栅格数据；转化单元，用于将所述城市群的人口密度栅格数据转化为矢量多边形数据；第二得到单元，用于根据所述矢量多边形数据和预设的人口总数阈值得到所述城市区域，所述行政区域中除所述城市区域以外的区域为所述郊区区域。8.根据权利要求7所述的分析装置，其特征在于，所述确定模块还包括；滤波单元，用于对所述第一得到单元得到的城市群的人口密度栅格数据进行滤波处理。
9.根据权利要求6所述的分析装置，其特征在于，所述城市群为京津冀城市群或者长三角城市群或者珠三角城市群。10.根据权利要求6所述的分析装置，其特征在于，所述分析装置还包括：第二计算模块，用于根据pm2.5浓度变化、人口数量变化和区域面积变化，计算所述城市区域和郊区区域的pm2.5浓度、人口数量和区域面积之间的相关系数；第二分析模块，用于基于所述相关系数，分析所述城市区域和所述郊区区域的pm2.5变化、人口变化、面积变化之间的相关性。
技术总结本发明属于污染防治技术领域，公开了一种城市群PM2.5污染的分析方法和分析装置。分析方法包括：根据人口密度和人口总数确定城市群中城市区域和郊区区域；根据PM2.5浓度和暴露人群分别计算所述城市区域的PM2.5暴露风险和郊区区域的PM2.5暴露风险；根据所述城市区域的PM2.5浓度与PM2.5暴露风险和所述郊区区域的PM2.5浓度与PM2.5暴露风险分析所述城市群的PM2.5污染情况。分析装置包括：确定模块、第一计算模块和第一分析模块。通过上述技术方案分析了城市区域和郊区区域的PM2.5的差异性及清洁空气政策的不同效果、PM2.5的变化与人口及区域面积的相关性、PM2.5引起的暴露风险的差异性，更好的明确人类活动对大气污染的影响。响。响。
技术研发人员：张丽丽
受保护的技术使用者：中科空间信息（廊坊）研究院
技术研发日：2022.02.21
技术公布日：2022/7/5
