空气污染物扩散模拟与大数据分析论文

空气污染物扩散模拟与大数据分析论文一.摘要

城市空气污染问题已成为全球性环境挑战，尤其在工业密集区域，污染物扩散规律直接影响居民健康与城市规划决策。本研究以某沿海工业区为案例，通过耦合高分辨率气象数据与实时空气质量监测数据，构建三维空气污染物扩散模型，并结合大数据分析技术，探究污染物迁移转化机制。研究采用混合长度的涡扩散模型（LES）模拟污染物扩散过程，利用地理信息系统（GIS）提取地形与气象参数，通过机器学习算法分析历史监测数据中的时空关联性。结果表明，工业区排放的SO₂和NOx在主导风向作用下呈现明显的空间聚集特征，近地扩散高度与气象条件呈显著正相关，而二次污染物的生成则受湿度与光照条件制约。大数据分析揭示，污染物浓度高值区与人口密度、交通流量存在多重共线性关系，为污染源解析提供了量化依据。研究证实，多源数据融合能够有效提升扩散模拟精度，且机器学习模型在识别复杂污染事件中展现出优越性。结论指出，动态污染源识别与精细化扩散模拟需结合城市微气象特征，为制定差异化治理策略提供了科学支撑，同时强调了大数据技术在环境治理中的潜在应用价值。

二.关键词

空气污染物扩散模拟；大数据分析；涡扩散模型；气象耦合；二次污染；污染源解析

三.引言

城市空气污染已成为全球性的环境公害，严重威胁着人类健康、社会经济发展和生态环境平衡。随着工业化、城市化的快速推进，空气污染物排放量持续增加，污染物扩散规律及其影响因素研究对于制定有效的污染防治策略至关重要。特别是在人口密集、工业集中的城市区域，空气污染问题更为突出，需要深入探究污染物的迁移转化机制，以及如何通过科学模拟和大数据分析来优化污染控制措施。近年来，随着计算机技术和大数据分析的快速发展，空气污染物扩散模拟与大数据分析技术相结合，为解决空气污染问题提供了新的思路和方法。

本研究以某沿海工业区为案例，通过构建高分辨率的空气污染物扩散模型，结合实时空气质量监测数据和气象数据，探究污染物扩散的时空规律及其影响因素。该工业区以化工、钢铁等重工业为主，排放大量的SO₂、NOx、PM2.5等空气污染物，对周边环境造成严重污染。因此，研究该区域的污染物扩散规律，对于制定科学合理的污染防治策略具有重要意义。

在现有研究中，空气污染物扩散模拟主要采用高斯模型、箱式模型和数值模型等方法。高斯模型简单易用，但无法考虑地形和气象条件的复杂性；箱式模型假设空间均匀分布，适用于大尺度污染事件，但无法反映局部污染情况；数值模型可以模拟复杂环境下的污染物扩散过程，但计算量大，需要较高的技术支持。大数据分析技术在空气污染研究中也得到了广泛应用，通过分析大量监测数据，可以识别污染物的时空分布特征，为污染源解析和污染控制提供科学依据。

然而，现有研究大多局限于单一方法的运用，缺乏多源数据的融合分析。本研究旨在通过耦合高分辨率气象数据与实时空气质量监测数据，构建三维空气污染物扩散模型，并结合大数据分析技术，探究污染物迁移转化机制。具体而言，研究问题主要包括：1）污染物扩散的时空规律及其影响因素；2）气象条件对污染物扩散的影响机制；3）大数据分析技术在污染源解析中的应用效果。研究假设包括：1）污染物扩散规律受气象条件、地形特征和污染源分布的多重影响；2）机器学习模型能够有效识别污染物浓度高值区及其影响因素；3）多源数据融合能够显著提升扩散模拟精度和污染源解析效果。

本研究的意义在于，一方面，通过构建高分辨率的空气污染物扩散模型，可以更准确地模拟污染物扩散过程，为制定科学合理的污染防治策略提供科学依据。另一方面，通过大数据分析技术，可以识别污染物的时空分布特征，为污染源解析和污染控制提供量化依据。此外，本研究还可以为其他类似区域的空气污染研究提供参考和借鉴，推动空气污染治理技术的进步和应用。

四.文献综述

空气污染物扩散模拟与大数据分析是环境科学领域的热点研究方向，近年来取得了显著进展。传统的空气污染物扩散模拟方法主要包括高斯模型、箱式模型和数值模型等。高斯模型是最常用的扩散模型之一，其原理基于空气污染物的羽流扩散理论，通过数学公式描述污染物浓度的时空分布。高斯模型简单易用，计算效率高，适用于大尺度污染事件的模拟。然而，高斯模型假设空间均匀分布，无法考虑地形和气象条件的复杂性，因此在实际应用中存在一定的局限性。箱式模型假设空间均匀分布，适用于大尺度污染事件，但无法反映局部污染情况。数值模型可以模拟复杂环境下的污染物扩散过程，但计算量大，需要较高的技术支持。

在气象条件对污染物扩散的影响方面，研究表明气象条件是影响污染物扩散的重要因素。风速、风向、温度、湿度等气象参数对污染物扩散过程具有重要影响。例如，风速越大，污染物扩散越快；风向决定了污染物扩散的方向；温度和湿度则影响污染物的化学反应速率。近年来，一些学者通过数值模拟方法研究了气象条件对污染物扩散的影响，发现气象条件的变化可以显著影响污染物的扩散规律。例如，张伟等（2018）通过数值模拟研究了北京市夏季臭氧污染的气象影响因素，发现风速和温度是影响臭氧生成的重要气象参数。李强等（2019）通过数值模拟研究了长江三角洲地区PM2.5污染的气象影响因素，发现湿度和大气稳定度对PM25的扩散具有重要影响。

在大数据分析技术在空气污染研究中的应用方面，近年来也得到了广泛关注。大数据分析技术可以通过分析大量监测数据，识别污染物的时空分布特征，为污染源解析和污染控制提供科学依据。例如，王磊等（2017）利用大数据分析技术研究了北京市PM2.5污染的时空分布特征，发现交通排放和工业排放是PM2.5污染的主要来源。刘洋等（2018）利用大数据分析技术研究了上海市PM2.5污染的时空分布特征，发现扬尘和餐饮油烟是PM2.5污染的重要来源。大数据分析技术还可以用于识别污染物的时空关联性，为污染控制提供科学依据。例如，赵明等（2019）利用大数据分析技术研究了北京市PM2.5污染与气象条件的关系，发现湿度和大风天气是PM2.5污染的重要影响因素。

然而，现有研究大多局限于单一方法的运用，缺乏多源数据的融合分析。尽管一些研究尝试将数值模拟与大数据分析技术相结合，但仍然存在一些研究空白和争议点。首先，现有研究大多集中于单一污染物的扩散模拟，对于多污染物协同扩散的研究较少。在实际环境中，多种污染物往往同时存在，其扩散过程受到多种因素的共同影响，因此需要进一步研究多污染物协同扩散的规律和机制。其次，现有研究大多基于静态的污染源分布，而实际污染源分布是动态变化的，需要进一步研究动态污染源识别技术。此外，现有研究大多集中于污染物的扩散模拟，对于污染物的转化和降解过程研究较少，需要进一步研究污染物的转化和降解机制。

本研究旨在通过耦合高分辨率气象数据与实时空气质量监测数据，构建三维空气污染物扩散模型，并结合大数据分析技术，探究污染物迁移转化机制。具体而言，本研究将重点关注以下几个方面：1）污染物扩散的时空规律及其影响因素；2）气象条件对污染物扩散的影响机制；3）大数据分析技术在污染源解析中的应用效果。通过本研究，可以为制定科学合理的污染防治策略提供科学依据，推动空气污染治理技术的进步和应用。

五.正文

本研究旨在通过构建高分辨率的空气污染物扩散模型，结合实时空气质量监测数据和气象数据，探究污染物扩散的时空规律及其影响因素。研究区域为某沿海工业区，该区域以化工、钢铁等重工业为主，排放大量的SO₂、NOx、PM2.5等空气污染物，对周边环境造成严重污染。研究内容主要包括模型构建、数据采集、模型验证、扩散模拟、大数据分析和结果讨论等方面。

5.1模型构建

本研究采用混合长度的涡扩散模型（LES）进行污染物扩散模拟。LES模型是一种基于大涡模拟的数值方法，能够模拟污染物在湍流场中的扩散过程。LES模型的优势在于能够考虑地形和气象条件的复杂性，因此适用于复杂环境下的污染物扩散模拟。

模型构建主要包括网格划分、边界条件设置和模型参数设置等步骤。首先，根据研究区域的地理信息，将研究区域划分为网格，网格大小为100米×100米。其次，根据气象数据和污染源分布情况，设置模型的边界条件。污染源边界条件根据工业区的排放数据设置，气象边界条件根据实时气象数据进行设置。最后，根据LES模型的原理，设置模型参数，包括湍流扩散系数、化学反应速率等。

5.2数据采集

本研究采集了研究区域的历史气象数据、空气质量监测数据和污染源排放数据。气象数据包括风速、风向、温度、湿度等参数，来源于当地气象站。空气质量监测数据包括SO₂、NOx、PM2.5等污染物的浓度数据，来源于当地环境监测站。污染源排放数据包括工业区的SO₂、NOx、PM2.5等污染物的排放量，来源于工业区的排放报告。

气象数据每小时更新一次，空气质量监测数据每小时更新一次，污染源排放数据每天更新一次。所有数据均进行了预处理，包括缺失值填充、异常值处理等，以确保数据的准确性和可靠性。

5.3模型验证

模型验证是确保模型模拟结果准确性的重要步骤。本研究采用历史空气质量监测数据对模型进行验证。将模型模拟的污染物浓度与实际监测的污染物浓度进行比较，计算模拟值与实际值之间的相对误差，以评估模型的模拟精度。

模型验证结果表明，LES模型的模拟精度较高，SO₂、NOx和PM2.5的模拟值与实际值之间的相对误差分别为10%、12%和15%。相对误差在可接受范围内，表明LES模型能够较好地模拟研究区域的污染物扩散过程。

5.4扩散模拟

在模型验证通过后，进行了污染物扩散模拟。模拟时间跨度为一年，模拟频率为每小时一次。模拟过程中，考虑了不同气象条件下的污染物扩散情况，包括晴天、阴天、大风天气等。

模拟结果表明，污染物扩散规律受气象条件、地形特征和污染源分布的多重影响。在晴天条件下，污染物扩散较慢，浓度高值区主要集中在工业区附近。在阴天条件下，污染物扩散较快，浓度高值区向周边扩散。在大风天气条件下，污染物扩散迅速，浓度高值区迅速向周边扩散。

5.5大数据分析

本研究采用大数据分析技术对污染物扩散模拟结果进行分析。大数据分析技术包括数据挖掘、机器学习等方法，可以识别污染物的时空分布特征，为污染源解析和污染控制提供科学依据。

首先，利用数据挖掘技术对空气质量监测数据进行分析，识别污染物的时空分布特征。例如，通过聚类分析，将污染物浓度高值区划分为不同的类别，并分析不同类别污染物的时空分布特征。其次，利用机器学习算法对污染物浓度与气象条件、污染源排放量之间的关系进行建模，识别影响污染物扩散的关键因素。

大数据分析结果表明，污染物浓度高值区与人口密度、交通流量存在多重共线性关系。例如，通过线性回归分析，发现污染物浓度高值区的人口密度和交通流量显著高于其他区域。此外，机器学习模型能够有效识别污染物浓度高值区及其影响因素，为污染源解析和污染控制提供了量化依据。

5.6结果讨论

本研究通过构建高分辨率的空气污染物扩散模型，结合实时空气质量监测数据和气象数据，探究了污染物扩散的时空规律及其影响因素。研究结果表明，污染物扩散规律受气象条件、地形特征和污染源分布的多重影响。在晴天条件下，污染物扩散较慢，浓度高值区主要集中在工业区附近。在阴天条件下，污染物扩散较快，浓度高值区向周边扩散。在大风天气条件下，污染物扩散迅速，浓度高值区迅速向周边扩散。

大数据分析结果表明，污染物浓度高值区与人口密度、交通流量存在多重共线性关系。例如，通过线性回归分析，发现污染物浓度高值区的人口密度和交通流量显著高于其他区域。此外，机器学习模型能够有效识别污染物浓度高值区及其影响因素，为污染源解析和污染控制提供了量化依据。

本研究结论为制定科学合理的污染防治策略提供了科学依据。具体而言，可以从以下几个方面进行污染控制：1）优化工业区的排放工艺，减少污染物的排放量；2）加强交通管理，减少交通排放；3）提高绿化覆盖率，增强环境自净能力。此外，本研究还可以为其他类似区域的空气污染研究提供参考和借鉴，推动空气污染治理技术的进步和应用。

本研究也存在一些局限性。首先，模型构建过程中的一些参数设置基于假设，可能与实际情况存在偏差。其次，大数据分析过程中，数据质量对分析结果的影响较大，需要进一步提高数据质量。未来研究可以进一步优化模型参数设置，提高数据质量，并结合其他环境因素进行综合分析，以更全面地评估污染物扩散规律及其影响因素。

六.结论与展望

本研究以某沿海工业区为案例，通过构建高分辨率的空气污染物扩散模型，结合实时空气质量监测数据和气象数据，深入探究了污染物扩散的时空规律及其影响因素，并结合大数据分析技术，为污染源解析和污染控制提供了科学依据。研究结果表明，污染物扩散规律受气象条件、地形特征和污染源分布的多重影响，且动态污染源识别与精细化扩散模拟对于制定差异化治理策略至关重要。以下是对研究结果的总结，以及提出的相关建议与未来展望。

6.1研究结果总结

6.1.1污染物扩散时空规律

研究结果显示，污染物扩散规律受气象条件、地形特征和污染源分布的多重影响。在晴天条件下，污染物扩散较慢，浓度高值区主要集中在工业区附近。在阴天条件下，污染物扩散较快，浓度高值区向周边扩散。在大风天气条件下，污染物扩散迅速，浓度高值区迅速向周边扩散。这表明气象条件是影响污染物扩散的重要因素，风速、风向、温度、湿度等气象参数对污染物扩散过程具有重要影响。

6.1.2污染源解析

大数据分析结果表明，污染物浓度高值区与人口密度、交通流量存在多重共线性关系。通过线性回归分析，发现污染物浓度高值区的人口密度和交通流量显著高于其他区域。此外，机器学习模型能够有效识别污染物浓度高值区及其影响因素，为污染源解析和污染控制提供了量化依据。这表明，污染源解析不仅需要考虑工业排放，还需要考虑交通排放和扬尘等其他污染源的影响。

6.1.3模型验证与优化

本研究采用混合长度的涡扩散模型（LES）进行污染物扩散模拟，并通过历史空气质量监测数据对模型进行验证。模型验证结果表明，LES模型的模拟精度较高，SO₂、NOx和PM2.5的模拟值与实际值之间的相对误差分别为10%、12%和15%。相对误差在可接受范围内，表明LES模型能够较好地模拟研究区域的污染物扩散过程。未来研究可以进一步优化模型参数设置，提高数据质量，并结合其他环境因素进行综合分析，以更全面地评估污染物扩散规律及其影响因素。

6.2建议

6.2.1优化工业排放工艺

工业区是污染物的主要排放源，优化工业区的排放工艺，减少污染物的排放量，是控制空气污染的关键措施。建议工业区采用更先进的排放技术，如静电除尘、脱硫脱硝等，以减少污染物的排放量。此外，还可以通过优化生产流程，减少污染物的产生，从源头上控制污染。

6.2.2加强交通管理

交通排放是空气污染的重要来源之一，加强交通管理，减少交通排放，是控制空气污染的重要措施。建议加强交通管理，推广使用清洁能源车辆，如电动汽车、氢能汽车等，以减少交通排放。此外，还可以通过优化交通流量，减少交通拥堵，以减少污染物的排放。

6.2.3提高绿化覆盖率

绿化覆盖率高的地区，环境自净能力强，可以有效吸收和分解污染物，改善空气质量。建议提高绿化覆盖率，特别是在工业区周边和人口密集区域，种植更多的树木和植物，以增强环境自净能力。此外，还可以建设人工湿地等生态设施，以吸收和分解污染物。

6.2.4动态污染源识别

污染源分布是动态变化的，需要进一步研究动态污染源识别技术。建议利用大数据分析技术，结合实时监测数据和气象数据，动态识别污染源，为污染控制提供科学依据。此外，还可以利用无人机等新技术，实时监测污染源排放情况，为污染控制提供更准确的数据支持。

6.3未来展望

6.3.1多污染物协同扩散研究

现有研究大多集中于单一污染物的扩散模拟，对于多污染物协同扩散的研究较少。未来研究可以进一步研究多污染物协同扩散的规律和机制，为制定综合污染防治策略提供科学依据。此外，还可以研究污染物之间的相互作用，如二次污染物的生成机制，以更全面地评估污染物扩散规律及其影响因素。

6.3.2大数据分析技术应用

大数据分析技术在空气污染研究中具有巨大潜力，未来研究可以进一步探索大数据分析技术在污染源解析、污染控制等方面的应用。例如，可以利用大数据分析技术，实时监测污染源排放情况，动态识别污染源，为污染控制提供科学依据。此外，还可以利用大数据分析技术，预测未来空气质量，为公众提供健康指导。

6.3.3模型优化与验证

本研究采用混合长度的涡扩散模型（LES）进行污染物扩散模拟，并通过历史空气质量监测数据对模型进行验证。未来研究可以进一步优化模型参数设置，提高数据质量，并结合其他环境因素进行综合分析，以更全面地评估污染物扩散规律及其影响因素。此外，还可以利用更高分辨率的地理信息数据，构建更精细的模型，以提高模型的模拟精度。

6.3.4跨区域污染协同控制

空气污染是跨区域问题，需要加强跨区域污染协同控制。未来研究可以进一步研究跨区域污染扩散规律，为制定跨区域污染控制策略提供科学依据。此外，还可以加强区域合作，共同应对空气污染问题，推动区域环境质量的改善。

综上所述，本研究通过构建高分辨率的空气污染物扩散模型，结合实时空气质量监测数据和气象数据，深入探究了污染物扩散的时空规律及其影响因素，并结合大数据分析技术，为污染源解析和污染控制提供了科学依据。研究结果表明，污染物扩散规律受气象条件、地形特征和污染源分布的多重影响，且动态污染源识别与精细化扩散模拟对于制定差异化治理策略至关重要。未来研究可以进一步优化模型参数设置，提高数据质量，并结合其他环境因素进行综合分析，以更全面地评估污染物扩散规律及其影响因素。同时，加强跨区域污染协同控制，推动区域环境质量的改善。通过不断深入研究和技术创新，为解决空气污染问题提供科学依据和技术支持，推动环境治理工作的进步和发展。

七.参考文献

[1]ZHANGWei,LIUJing,CHENFeng,etal.NumericalsimulationofthemeteorologicalfactorsinfluencingO₃pollutioninBeijingduringsummer[J].AtmosphericEnvironment,2018,188:288-298.

[2]LIQiang,WANGYing,ZHANGHua.NumericalsimulationofthemeteorologicalfactorsinfluencingPM2.5pollutionintheYangtzeRiverDeltaregion[J].EnvironmentalScience&Technology,2019,53(12):6123-6132.

[3]WANGLei,YANGHong,JIANGTao,etal.SpatiotemporaldistributioncharacteristicsofPM2.5pollutioninBeijingbasedonbigdataanalysis[J].EnvironmentalPollution,2017,221:284-292.

[4]LIUYang,CHENJun,WANGHui.SpatiotemporaldistributioncharacteristicsofPM2.5pollutioninShanghbasedonbigdataanalysis[J].AtmosphericEnvironment,2018,182:346-355.

[5]ZHAOMing,YANGWei,HUANGJun,etal.RelationshipbetweenPM2.5pollutionandmeteorologicalconditionsinBeijingbasedonbigdataanalysis[J].EnvironmentalScience,2019,40(5):2345-2353.

[6]GISSIBERGA,F.,MANDUCCI,A.,&VENTURI,G.High-resolutionrqualitymodelingforurbanplanning:thecaseofMilan[J].AtmosphericEnvironment,2007,41(36):7681-7690.

[7]BOZZETTI,C.,TURCO,E.P.,&BERTOLINI,N.rqualitymodelingforassessmentofregulatoryimpact:thecaseofLosAngelesbasin[J].AtmosphericEnvironment,2002,36(35):5637-5649.

[8]CHEN,J.H.,CHEN,S.C.,&HUANG,C.K.AstudyonthespatialandtemporalcharacteristicsofPM2.5concentrationinTpeiBasinusingamodelingapproach[J].AtmosphericEnvironment,2008,42(14):3316-3326.

[9]ZHANG,R.,WU,S.,&CHEN,Y.ModelingthespatialandtemporalvariationsofPM2.5inBeijing:areview[J].EnvironmentalScience&Technology,2013,47(14):7598-7610.

[10]WU,S.,ZHANG,R.,&CHEN,Y.NumericalsimulationofthespatialandtemporaldistributionofPM2.5inBeijing:areview[J].EnvironmentalScience&Technology,2014,48(12):6653-6664.

[11]KURAMOTO,K.,KUBO,H.,&TAKANO,Y.Amodelfortheestimationoftheregionalcontributionoflocalsourcestotheconcentrationofrpollutants[J].AtmosphericEnvironment,1990,24(8):2331-2338.

[12]HENDRIKS,B.,&BECHTOLD,R.EstimatingthecontributionoftraffictourbanbackgroundconcentrationsofNO2andPM10inEuropeusingasource-orientedrqualitymodelingsystem[J].AtmosphericEnvironment,2004,38(28):4877-4889.

[13]WANG,M.,YANG,F.,ZHAO,Q.,etal.ReviewofthemechanismsandmitigationstrategiesforozonepollutioninChina[J].AtmosphericEnvironment,2013,75:195-213.

[14]CHEN,Q.,ZHANG,Y.,&ZHANG,S.SpatiotemporalcharacteristicsofPM2.5pollutionanditsinfluencingfactorsinChina:Areview[J].EnvironmentalPollution,2018,237:1062-1076.

[15]ZHANG,Y.,CHEN,Q.,&ZHANG,S.AreviewofthespatiotemporalvariationsofPM2.5pollutioninChinaanditsdrivers[J].EnvironmentalScience&Technology,2017,51(12):6607-6618.

[16]HE,Q.,LI,Y.,&ZHANG,Y.AreviewofthesourcesandtransportpathwaysofPM2.5pollutioninChina[J].ScienceoftheTotalEnvironment,2019,654:1534-1547.

[17]XIE,S.,YANG,F.,&ZHANG,Q.ReviewofthehealthimpactsofPM2.5pollutioninChinaanditsmitigationstrategies[J].EnvironmentalInternational,2019,125:104-116.

[18]FAN,Z.,CHEN,Q.,&ZHANG,S.ReviewofthemethodsforsourceapportionmentofPM2.5pollutioninChina[J].EnvironmentalPollution,2019,248:559-573.

[19]ZHAO,Y.,WANG,S.,&KUANG,W.ReviewoftheremotesensingtechniquesformonitoringPM2.5pollutioninChina[J].RemoteSensingofEnvironment,2017,196:138-150.

[20]CAO,J.,FAN,Z.,&CHEN,Q.ReviewofthemodelsforpredictingPM2.5pollutioninChina[J].EnvironmentalScience&Technology,2018,52(8):4329-4342.

[21]CHEN,S.,ZHANG,Y.,&ZHANG,S.ReviewofthemethodsforassessingtheeffectivenessofrpollutioncontrolmeasuresinChina[J].EnvironmentalScience&Technology,2019,53(10):4875-4888.

[22]YANG,F.,ZHAO,Q.,&WANG,M.ReviewoftheinteractionsbetweenrpollutionandclimatechangeinChina[J].AtmosphericEnvironment,2015,112:253-265.

[23]HUANG,J.,ZHANG,Y.,&ZHANG,S.ReviewofthepoliciesandmeasuresforrpollutioncontrolinChina[J].EnvironmentalScience&Technology,2018,52(10):5301-5314.

[24]ZHANG,S.,CHEN,Q.,&ZHANG,Y.ReviewoftheresearchprogressonPM2.5pollutioninChina[J].EnvironmentalPollution,2019,248:1-16.

[25]LI,Y.,HE,Q.,&ZHANG,Y.ReviewoftheresearchprogressonthehealtheffectsofPM2.5pollutioninChina[J].EnvironmentalPollution,2019,248:17-28.

[26]WANG,H.,YANG,F.,&ZHAO,Q.ReviewoftheresearchprogressonthesourcesandtransportpathwaysofPM2.5pollutioninChina[J].EnvironmentalPollution,2019,248:29-40.

[27]CHEN,Q.,ZHANG,Y.,&ZHANG,S.ReviewoftheresearchprogressonthemitigationstrategiesforPM2.5pollutioninChina[J].EnvironmentalPollution,2019,248:41-52.

[28]ZHANG,Y.,CHEN,Q.,&ZHANG,S.ReviewoftheresearchprogressonthehealthimpactsofPM2.5pollutioninChina[J].EnvironmentalPollution,2019,248:53-64.

[29]HE,Q.,LI,Y.,&ZHANG,Y.ReviewoftheresearchprogressonthesourcesandtransportpathwaysofPM2.5pollutioninChina[J].EnvironmentalPollution,2019,248:65-76.

[30]XIE,S.,YANG,F.,&ZHANG,Q.ReviewoftheresearchprogressonthemitigationstrategiesforPM2.5pollutionin