多源感知数据驱动的PM<sub>2.5</sub>浓度-人群暴露及偏差时空格局研究——以广州为例

琚鸿; 陈韵凌; 黄俞菱; 陈鸿展; 周素红

doi:10.14188/j.2095-6045.20260414

您当前的位置：

首页 >

文章列表页 >

多源感知数据驱动的PM_2.5浓度-人群暴露及偏差时空格局研究——以广州为例

高端论坛 | 更新时间：2026-10-12

- 多源感知数据驱动的PM_2.5浓度-人群暴露及偏差时空格局研究——以广州为例
- Spatiotemporal Patterns of PM_2.5 Concentration-Population Exposure Deviation Driven by Multi-source Sensing Data： A Case Study in Guangzhou
- 测绘地理信息 2026年51卷第5期页码：160-168
- 作者机构：
  
  1.广东省广州生态环境监测中心站，广东广州， 510308
  2.中山大学地理科学与规划学院，广东广州， 510275
- 作者简介：
  
  琚鸿，硕士，高级工程师，主要从事环境监测综合分析和环境健康监测研究。E-mail：juh@gz.gov.cn
  周素红，博士，教授。主要从事人文地理、城乡规划与地理信息科学研究。E-mail： eeszsh@mail.sysu.edu.cn
- 基金信息：
  
  国家重点研发计划(2024YFC3808902)
- DOI：10.14188/j.2095-6045.20260414
  中图分类号： P285;X513
- 修回：2026-08-20，
  
  纸质出版：2026-10-05
- 稿件说明：
移动端阅览
琚鸿，陈韵凌，黄俞菱，等.多源感知数据驱动的PM_2.5浓度-人群暴露及偏差时空格局研究——以广州为例［J］.测绘地理信息，2026，51（5）：160-168 DOI: 10.14188/j.2095-6045.20260414.

JU Hong，CHEN Yunling，HUANG Yuling，et al.Spatiotemporal Patterns of PM_2.5 Concentration-Population Exposure Deviation Driven by Multi-source Sensing Data： A Case Study in Guangzhou［J］.Journal of Geomatics，2026，51（5）：160-168 DOI: 10.14188/j.2095-6045.20260414.
琚鸿，陈韵凌，黄俞菱，等.多源感知数据驱动的PM_2.5浓度-人群暴露及偏差时空格局研究——以广州为例［J］.测绘地理信息，2026，51（5）：160-168 DOI: 10.14188/j.2095-6045.20260414. DOI：

JU Hong，CHEN Yunling，HUANG Yuling，et al.Spatiotemporal Patterns of PM_2.5 Concentration-Population Exposure Deviation Driven by Multi-source Sensing Data： A Case Study in Guangzhou［J］.Journal of Geomatics，2026，51（5）：160-168 DOI: 10.14188/j.2095-6045.20260414. DOI：

摘要

随着污染防治进入精细化阶段，监测服务正由环境质量评价向环境健康风险预警转型。如何依托有限的固定监测站点，充分、精细地反映区域污染水平与人群暴露状况，已成为环境健康管理亟待回答的关键问题。本文以广州市为研究区域，基于55个监测站点逐小时PM

2.5

浓度数据与中国联通手机信令动态人口数据，构建基于集成嵌套拉普拉斯近似与随机偏微分方程（INLA-SPDE）贝叶斯分层模型，重建250 m格网逐小时浓度场，耦合动态人口计算人群暴露量，通过标准化偏差指数刻画浓度-暴露偏差的时空格局。结果表明：PM

2.5

浓度空间分布相对均匀，但人群暴露高度集中于中心城区，暴露不均等程度显著高于浓度分布，且该极化效应在各时段持续存在。暴露偏差呈昼低夜高特征，工作日峰值出现在通勤高峰与夜间，周末及节假日峰值前移；国庆期间人口外流使各时段暴露水平大幅下降（29%~41%）。空间上，偏差格局与中心‒边缘人口梯度紧密耦合，中心城区暴露被低估、外围被高估，偏差强度随人口作息节律动态变化。研究结果为城市精细化环境健康预警策略的制定提供科学依据与方法参考。

Abstract

As air pollution prevention and control enters a more refined management stage， environmental monitoring is transitioning from environmental quality assessment toward environmental health risk alerts. Whether limited fixed monitoring stations can adequately capture regional pollution and population exposure at fine resolution has emerged as a critical issue in environmental health management. Taking Guangzhou as the study area， this paper constructs a Bay

esian hierarchical model based on the integrated nested Laplace approximation and stochastic partial differential equations （INLA-SPDE）， which reconstructs hourly concentration fields on a 250-m grid by integrating hourly PM

2.5

concentration data from 55 monitoring stations with dynamic population data from China Unicom mobile signaling. Population exposure is then calculated by coupling the reconstructed concentration fields with dynamic population data， and the standardized deviation index is employed to characterize the spatiotemporal patterns of concentration–exposure deviations. The results show that while the spatial distribution of PM

2.5

concentrations is relatively uniform， population exposure is highly concentrated in the central urban area. The degree of exposure inequality significantly exceeds that of concentration inequality， and this disparity persists across all time periods. Exposure deviations exhibit a clear diurnal pattern， with lower values during daytime and higher values at nighttime. Weekday peaks occur during morning and evening commutes as well as at night， whereas weekend and holiday peaks shift to earlier evening hours. During the National Day holiday （October 1-7）， population outflow results in substantial reductions （29%~41%） in exposure levels across all time periods. Spatially， the deviation pattern is closely tied to the center-periphery population gradient： concentration-based assessment underestimates exposure in the central urban area while overestimating it in peripheral areas， with deviation intensity varying dynamically with the diurnal rhythm of population activities. These findings inform the development of refined， population-centered environmental health early-warning strategies in urban settings.

关键词

Keywords

references

郭新彪，魏红英 . 大气PM 2.5 对健康影响的研究进展［J］. 科学通报， 2013 ， 58 （ 13 ）： 1 171 - 1 177

阮芳芳，曾贤刚，段存儒 . 基于城市面板数据的PM 2.5 对公共健康的影响［J］. 中国环境科学， 2020 ， 40 （ 12 ）： 5 451 - 5 458

Ge Erjia ， Lai Kefang ， Xiao Xiong ， et al . Differential Effects of Size-Specific Particulate Matter on Emergency Department Visits for Respiratory and Cardiovascular Diseases in Guangzhou， China ［J］. Environmental Pollution ， 2018 ， 243 ： 336 - 345

World Health Organization . Ambient （Outdoor） Air Quality and Health ［EB/OL］. （ 2024-10-24 ）［ 2026-07-20 ］. Geneva ： WHO . https：//www.who.int/news-room/fact-sheets/detail/ambient-（outdoor）-air-quality-and-health https://www.who.int/news-room/fact-sheets/detail/ambient-(outdoor)-air-quality-and-health

王占山，李志刚，钱岩，等 . 基于监测及Kriging方法的京津冀地区大气污染物暴露分布研究［J］. 环境科学研究， 2021 ， 34 （ 1 ）： 185 - 193

张西雅，扈海波 . 基于多源数据的北京地区PM 2.5 暴露风险评估［J］. 北京大学学报（自然科学版）， 2018 ， 54 （ 5 ）： 1 103 - 1 113

邹滨，蒲强，罗岳平，等 . 城市PM 2.5 污染防控多指标空间区划研究［J］. 安全与环境学报， 2016 ， 16 （ 1 ）： 337 - 342

卢月明，王亮，仇阿根，等 . 局部加权线性回归模型的PM 2.5 空间插值方法［J］. 测绘科学， 2018 ， 43 （ 11 ）： 79 - 84

江兴霞，汪洋，张鲜梅，等 . 近十年中国中东部地区AOD时空变化再分析［J］. 遥感信息， 2026 ， 41 （ 2 ）： 151 - 159

杨明亮，朱宗玖 . 基于LUR模型下PM 2.5 浓度的空间分布模拟分析［J］. 大气与环境光学学报， 2022 ， 17 （ 3 ）： 347 - 359

Song Jie ， Zhou Suhong ， Peng Yinong ， et al . Relationship Between Neighborhood Land Use Structure and the Spatiotemporal Pattern of PM 2.5 at the Microscale： Evidence from the Central Area of Guangzhou， China ［J］. Environment and Planning B： Urban Analytics and City Science ， 2022 ， 49 （ 2 ）： 485 - 500

刘冠伸，张彦，曹欣，等 . 随机森林方法在PM 2.5 遥感反演中的研究及应用［J］. 城市勘测， 2024 （ 4 ）： 69 - 73

张雪，周素红，琚鸿，等 . 广州市城市环境噪声昼夜空间分布模拟与特征分析［J］. 地理科学， 2026 ， 46 （ 2 ）： 478 - 489

王静，曹春正 . 基于贝叶斯分层自回归时空模型的北京PM 2.5 预测［J］. 南京信息工程大学学报（自然科学版）， 2023 ， 15 （ 1 ）： 34 - 41

周素红，张琳，林荣平 . 地理环境暴露与公众健康研究进展［J］. 科技导报， 2020 ， 38 （ 7 ）： 43 - 52

Song Jie ， Zhou Suhong ， Xu Jianbin ， et al . From PM 2.5 Exposure to PM 2.5 Risks of Inhaled Dose in Daily Activities： Empirical Evidence During Workdays from Guangzhou， China ［J］. Atmospheric Environment ， 2021 ， 249 ： 118224

Li Qiuping ， Liang Shen ， Xu Yang ， et al . Assessing Personal Travel Exposure to On-Road PM 2.5 Using Cellphone Positioning Data and Mobile Sensors ［J］. Health & Place ， 2022 ， 75 ： 102803

中华人民共和国生态环境部 . 生态环境监测规划纲要（2020—2035年）［Z］. 北京：中华人民共和国生态环境部， 2020

广州市人民政府 . 自然地理-地形地貌［EB/OL］.（ 2024-12-29 ）［ 2026-07-20 ］. https：//www.gz.gov.cn https://www.gz.gov.cn

广州市统计局 . 2024年广州市国民经济和社会发展统计公报［R/OL］. （ 2025-04-08 ）［ 2026-07-20 ］. http：//tjj.gz.gov.cn/stats_newtjyw/tjsj/tjgb/qstjgb/content/post_10203416.html http://tjj.gz.gov.cn/stats_newtjyw/tjsj/tjgb/qstjgb/content/post_10203416.html

徐金垒，方志祥，萧世伦，等 . 城市海量手机用户停留时空分异分析——以深圳市为例［J］. 地球信息科学学报， 2015 ， 17 （ 2 ）： 197 - 205

张雪霞，吴升，赵志远，等 . 基于手机信令数据的城市小活动空间人群空间分布特征［J］. 地球信息科学学报， 2021 ， 23 （ 8 ）： 1 433 - 1 445

浏览量

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

利用非负矩阵分解识别县域人群活动时空特征

基于注意力机制的seq2seq模型在PM2.5浓度预测中的研究

广州市体育场馆的空间格局和公平性分析

襄阳市PM2.5污染时空分布特征及其与气象要素的关系

基于遥感技术的成都市PM2.5浓度反演与分析

多源感知数据驱动的PM2.5浓度-人群暴露及偏差时空格局研究——以广州为例

Spatiotemporal Patterns of PM2.5 Concentration-Population Exposure Deviation Driven by Multi-source Sensing Data： A Case Study in Guangzhou

DOI：10.14188/j.2095-6045.20260414

摘要

Abstract

关键词

Keywords

references

多源感知数据驱动的PM_2.5浓度-人群暴露及偏差时空格局研究——以广州为例

Spatiotemporal Patterns of PM_2.5 Concentration-Population Exposure Deviation Driven by Multi-source Sensing Data： A Case Study in Guangzhou