Relaciones PM2.5-Meteorológicas China

Revista Internacional de
2
1
3 Escuela de Recursos y Ciencias Ambientales, Universidad de Wuhan, Wuhan 430079, China; litw@whu.edu.cn State Key Laboratory of Information
Engineering, Survey Mapping and Remote Sensing, Universidad de Wuhan, Wuhan 430079, China
4
Las relaciones entre PM2.5 y factores meteorológicos en China:
variaciones estacionales y regionales
www.mdpi.com/journal/ijerph
En t. J. Medio Ambiente. Res. Salud Pública 2017, 14, 1510; doi:10.3390/ijerph14121510
El aire limpio es un requisito básico para la comodidad, la salud y el bienestar humanos [1]. Sin embargo,
en las últimas décadas, con el rápido desarrollo de la economía, se han producido una serie de problemas
ambientales , especialmente la contaminación del aire [2]. Un estudio de la Organización Mundial de la Salud
(OMS) mostró que las muertes prematuras de más de dos millones de personas cada año pueden atribuirse a
los efectos de la contaminación del aire durante el siglo XXI, y más de la mitad de estas muertes ocurrieron en
países en desarrollo , particularmente en China e India [3]. El grave efecto adverso de la contaminación del aire
lo convierte en un foco de preocupación pública y estudio científico. PM2.5 (partículas con un diámetro
aerodinámico de menos de 2,5 µm) es uno de los componentes más dañinos de los contaminantes del aire [4]. una alta concentracio
qian qian yang
Liang Pei Zhang
1. Introducción
, Huanfeng Shen 2,3 y
Palabras llave: PM2.5; factores meteorológicos; Análisis de correlación; heterogeneidad espacial; variabilidad estacional
Artículo
, Tongwen Li 3
Estacionalmente, la correlación positiva entre la concentración de PM2.5 y la HR es más fuerte en invierno y primavera. TEM tiene una
relación negativa con PM2.5 en otoño y lo contrario en invierno. PS se correlaciona más positivamente con PM2.5 en otoño que en
otras estaciones. Nuestro estudio investigó las relaciones entre PM2.5 y factores meteorológicos en términos de variaciones espaciales
y estacionales, y las conclusiones sobre las relaciones entre PM2.5 y factores meteorológicos son más completas y precisas que antes.
Sugerimos que las variaciones podrían considerarse en la predicción de la concentración de PM2.5 y el control de la neblina para
mejorar la precisión de la predicción y la eficiencia de las políticas.
2,4
Resumen: Las interacciones entre PM2.5 y factores meteorológicos juegan un papel crucial en el análisis de la contaminación del aire.
Sin embargo, estudios previos que han investigado las relaciones entre la concentración de PM2.5 y las condiciones meteorológicas se
han limitado principalmente a una determinada ciudad o distrito, y la correlación en toda China sigue sin estar clara. La existencia de
variaciones espaciales y estacionales merece más investigación. En este estudio, se investigaron las relaciones entre la concentración
de PM2.5 y los factores meteorológicos en 68 ciudades importantes de China durante un período continuo de 22 meses desde febrero
de 2013 hasta noviembre de 2014, en escalas de temporada, año, ciudad y región, y el espacio y se analizaron las variaciones
estacionales . Los factores meteorológicos fueron la humedad relativa (HR), la temperatura (TEM), la velocidad del viento (WS) y la
presión superficial (PS). Encontramos que existen variaciones espaciales y estacionales de sus relaciones con PM2.5 . Espacialmente,
la HR se correlaciona positivamente con la concentración de PM2.5 en el norte de China y Urumqi, pero la relación se vuelve negativa
en otras áreas de China. WS está negativamente correlacionado con PM2.5 en todas partes excepto en la isla de Hainan. PS tiene una
fuerte relación positiva con la concentración de PM2.5 en el noreste de China y el centro-sur de China, y en otras áreas la correlación
es débil.
1
Investigación Ambiental y
Salud Pública
, Qiangqiang Yuan 1,2,* identificación
Escuela de Geodesia y Geomática, Universidad de Wuhan, Wuhan 430079, China; qianyang9508@gmail.com Centro
de Innovación Colaborativa de Tecnología Geoespacial, Universidad de Wuhan, Wuhan 430079, China;
shenhf@whu.edu.cn (HS); zlp62@whu.edu.cn (LZ)
* Correspondencia: yqiang86@gmail.com; Teléfono: +86-27-6875-8427
Recibido: 27 de octubre de 2017; Aceptado: 29 de noviembre de 2017; Publicado: 5 diciembre 2017
Machine Translated by Google

Hasta la fecha, se han realizado muchos estudios sobre las relaciones entre la concentración de PM2.5 y
las condiciones meteorológicas. Por ejemplo, Chen et al. estudió las relaciones entre PM2.5 y factores
meteorológicos en el área urbana de Nanjing de 2013 a 2015 [23] y encontró una correlación negativa entre la
concentración de PM2.5 y la velocidad del viento, la temperatura, la humedad relativa y la precipitación. Li et al.
realizó un análisis similar en la cuenca de Sichuan [24] y encontró que la concentración de PM2.5 se correlacionó
negativamente con la velocidad del viento y la temperatura del aire, se correlacionó positivamente con la presión
del aire y se correlacionó débilmente con la humedad relativa. Las relaciones entre la concentración de PM2.5 y
los factores meteorológicos también se han examinado en muchas otras ciudades como Beijing, Shanghai,
Guangzhou y Wuhan, y áreas como Beijing-Tianjin-Hebei (BTH) [20,25–28]. Muchos estudios ya han demostrado
que las correlaciones entre la concentración de PM2.5 y los factores meteorológicos varían con las estaciones.
Por ejemplo, por un lado, las altas temperaturas pueden promover la formación de aerosoles secundarios [29] y
aumentar la concentración de PM2.5 pero, por otro lado, las altas temperaturas también pueden promover la
convección del aire [1], creando así una mejor difusión. condiciones para el material particulado y la disminución
de la concentración de PM2.5 . La temperatura también puede influir en la concentración de PM2.5 al promover
la volatilización del nitrato de amonio [30] y afectar las tasas de emisión de la calefacción doméstica y la
producción de energía [31]. En China, las fuentes y componentes de PM2.5, el clima local y el terreno son muy
complicados [32,33], lo que hace que el grado de influencia de los diferentes procesos varíe según la región.
Como resultado, las relaciones entre la concentración de PM2.5 y los factores meteorológicos son espacialmente heterogéneas.
2 de 19
En t. J. Medio Ambiente. Res. Salud Pública 2017, 14, 1510
Sin embargo, además de las variaciones estacionales, también se ha encontrado que las relaciones entre la
concentración de PM2.5 y los factores meteorológicos varían entre regiones. Tomando como ejemplo la correlación
entre la concentración de PM2.5 y la humedad relativa, Huang et al. encontró una correlación positiva entre la
concentración de PM2.5 y la humedad relativa en Beijing [25], pero Chen et al. informó una correlación negativa en
el área urbana de Nanjing [23]. En cuanto a Li et al., llegaron a la conclusión de que la concentración de PM2.5
estaba débilmente correlacionada con la humedad relativa en la cuenca de Sichuan [24]. También se encontró que
la concentración de PM2.5 estaba negativamente correlacionada con WS en Guangzhou en un estudio realizado
por Zhang et al. [27], pero, en otro análisis en Shijiazhuang, el resultado fue una correlación débil [28]. La razón de
las variaciones espaciales es que los factores meteorológicos afectan la concentración de PM2.5 a través de una
serie de procesos conflictivos, y el efecto final es un resultado sintético que depende del clima local, el terreno y los componentes de PM
Por lo tanto, solo a través de comparaciones entre diferentes regiones podemos describir las relaciones entre la
concentración de PM2.5 y los factores meteorológicos con mayor precisión y detalle. Los estudios anteriores que se
limitaron principalmente a una ciudad o distrito no pudieron investigar exhaustivamente las relaciones entre PM2.5
y los factores meteorológicos. En consecuencia, sus conclusiones solo se pueden aplicar a las regiones locales y
no pueden proporcionar sugerencias útiles para las decisiones gubernamentales a escala nacional. Ha habido
algunos estudios a escala nacional [1], pero, en su análisis, China se consideró como un distrito, y las variaciones
entre las diferentes regiones aún se ignoraron. En cualquier caso, el descuido de las variaciones regionales hace
que las relaciones entre la concentración de PM2.5 y los factores meteorológicos aún no estén claras en China. Lo
que se requiere son análisis que incluyan un número mayor
de PM2.5 puede tener un impacto adverso en la salud humana [5–7], el cambio climático [8,9], los ecosistemas
locales [10] y el desarrollo económico [11]. Además, también se ha encontrado que una alta concentración de
PM2.5 está asociada con cambios en la estructura vertical de las nubes [12,13], lo que conduce a un retraso en
el inicio de la precipitación y los rayos [14], y reduce la ocurrencia de eventos locales . -escala de precipitación [15].
Como han demostrado estudios anteriores, las altas concentraciones de PM2.5 pueden atribuirse no solo al
aumento de las emisiones [16,17], sino también a muchos factores geográficos naturales, como la topografía, la
vegetación y el clima [18–21]. Entre estos factores influyentes, las condiciones meteorológicas son algunos de
los factores más importantes [22]. El estudio de las relaciones entre las condiciones meteorológicas y la
concentración de PM2.5 podría ayudarnos a comprender mejor el problema de la contaminación por PM2.5 y
podría contribuir a la adopción de medidas más efectivas para reducir la contaminación por PM2.5 .
Por ejemplo, Chen et al. encontró que la correlación entre PM2.5 y la temperatura (TEM) era negativa
en verano y otoño y luego se volvía positiva en primavera e invierno [23]. Chen et al. encontró que el
viento se correlacionó negativamente con PM2.5 en invierno, pero la correlación fue débil en verano [28].

de ciudades y áreas, y las variaciones entre diferentes regiones y estaciones necesitan ser examinadas y
resumidas.
Aunque la mayoría de las ciudades están ubicadas en las regiones PRD, YRD y BTH, las 68 ciudades están
repartidas por toda China, lo que hace factible el análisis de las variaciones regionales. El rango temporal de
nuestro estudio fue del 3 de febrero de 2013 al 30 de noviembre de 2014, es decir, 22 meses/666 días en total.
Debido a un error de medición del instrumento, un error de transmisión de datos y otras razones, faltaban datos
de algunos días y, por lo tanto, la cantidad de días de datos utilizados en el cálculo fue ligeramente inferior a 666 días.
China es el tercer país más grande del mundo y tiene la población más grande de todos los países.
El objetivo de nuestro estudio fue investigar exhaustivamente las relaciones entre la concentración de PM2.5
y los factores meteorológicos para obtener una imagen clara de sus relaciones en China. En este estudio,
llevamos a cabo un análisis de correlación en 68 ciudades importantes y siete regiones geográficas de China con
base en un registro de observaciones de 22 meses para 2013–2014. Luego se compararon los valores del
coeficiente de correlación (r) de las diferentes ciudades y áreas y se resumieron los diferentes patrones. También
se analizaron las diferencias estacionales de las relaciones. Las conclusiones de este estudio podrían utilizarse
para mejorar la comprensión de los mecanismos de formación de la contaminación del aire y la precisión de los
pronósticos de PM2.5 , y podrían proporcionar una referencia para la toma de decisiones sobre políticas de gestión ambiental.
En los últimos años ha sido testigo de un gran salto en la economía; sin embargo, el rápido crecimiento de las
ciudades chinas también ha resultado en mucha contaminación, y China ya se ha convertido en uno de los países
más contaminados del mundo. Nuestro estudio se concentró en las 74 ciudades principales de China, según lo
define el Estándar Nacional de Calidad del Aire Ambiental de China (CNAAQS, GB3095-2012), incluidas las
regiones y municipios de BTH, Yangtze River Delta (YRD) y Pearl River Delta (PRD). , ciudades capitales de las
divisiones administrativas de primer grado, y demás ciudades que figuren en el Plan Económico del Estado.
Debido a la insuficiencia de datos, seis ciudades (Handan, Langfang, Cangzhou, Hengshui, Jiaxing y Jiangmen)
no se incluyeron en el análisis de correlación final. Las ubicaciones de las otras 68 ciudades se muestran en la Figura 1.
En t. J. Medio Ambiente. Res. Salud Pública 2017, 14, 1510 4 de 19
Figura 1. Área de estudio: 68 ciudades principales de China.
2.2. Recopilación de datos
Desde 2012, las 74 ciudades principales de China han comenzado a construir sitios de monitoreo de
PM2.5 y los datos de calidad del aire se han publicado en línea desde enero de 2013. Descargamos los datos
de concentración de PM2.5 diarios del Centro de Datos del Ministerio de Protección Ambiental de China. la
República Popular de China (http://datacenter.mep.gov.cn/index), de 2013 a 2015. Para diciembre de 2015, el
número de estaciones de monitoreo de PM2.5 superó las 1440. La distribución de estos sitios de monitoreo en
2015 es se muestra en la Figura 2a. La concentración de PM2.5 se mide con una microbalanza oscilante de
elementos cónicos (TEOM) o un monitor de atenuación beta.
Los datos meteorológicos se descargaron de la Red de datos meteorológicos de China
En nuestra investigación se estudiaron cuatro factores meteorológicos: humedad relativa (HR), temperatura (TEM), velocidad del
viento (WS) y presión superficial (PS).
2.1. Área de estudio y período
2. Materiales y métodos
Figura 1. Área de estudio: 68 ciudades principales de China.

Microbalanza (TEOM) o monitor de atenuación beta.
2.2. Recopilación de datos
2.3. Preprocesamiento de datos
Luego procesamos los datos para el cálculo de la correlación a escala de temporada, año, ciudad y región.
Los datos de temperatura, velocidad del viento y presión del aire se obtuvieron de Global Ground Meteorological Real-time Data Collection, con
una resolución temporal de 3 h y el sistema de tiempo de Greenwich Mean Time. Existen numerosos sitios meteorológicos en China, y la mayoría
de ellos están distribuidos uniformemente, como se muestra en la Figura 2b.
(b)
(a)
Los datos meteorológicos se descargaron de la Red de datos meteorológicos de China (http://
data.cma. cn/sitio/index.html). Los datos de humedad relativa se obtuvieron de la Recopilación de datos
climatológicos diarios terrestres de China, con la resolución temporal de un día y el sistema horario de Beijing Time.
Desde 2012, las 74 ciudades principales de China han comenzado a construir sitios de monitoreo de
PM2.5 y los datos de calidad del aire se han publicado en línea desde enero de 2013. Descargamos los datos
de concentración de PM2.5 diarios del Centro de Datos del Ministerio de Protección Ambiental de China. la
República Popular de China (http://datacenter.mep.gov.cn/index), de 2013 a 2015. Para diciembre de 2015, el
número de estaciones de monitoreo de PM2.5 superó las 1440. La distribución de estos sitios de monitoreo en
2015 es se muestra en la Figura 2a. La concentración de PM2.5 se mide con una microbalanza oscilante de
elementos cónicos (TEOM) o un monitor de atenuación beta.
Los datos meteorológicos se descargaron de la Red de datos meteorológicos de China. Desde 2012, las
74 ciudades principales de China han comenzado a construir sitios de monitoreo de PM2.5 y aire (http://
data.cma.cn/site/index.html). Los datos de humedad relativa se obtuvieron de China Los datos de calidad del
suelo se han publicado en línea desde enero de 2013. Descargamos la recopilación diaria de datos
climatológicos de PM2.5 , con la resolución temporal de un día y el sistema de tiempo de datos de concentración
del Centro de datos de la Ministerio de Protección Ambiental del Pueblo Hora de Beijing. Los datos de
temperatura, velocidad del viento y presión del aire se obtuvieron de Global Ground Republic of China (http://
datacenter.mep.gov.cn/index), de 2013 a 2015. Para diciembre de 2015, la recopilación de datos
meteorológicos en tiempo real, con una resolución temporal de 3 h y el sistema de tiempo del número de
estaciones de monitoreo de PM2.5 superó las 1440. La distribución de estos sitios de monitoreo es la hora
del meridiano de Greenwich. Hay numerosos sitios meteorológicos en China, y la mayoría de ellos están en
2015 como se muestra en la Figura 2a. La concentración de PM2.5 se mide mediante elementos cónicos
oscilantes distribuidos uniformemente, como se muestra en la Figura 2b.
Como se muestra en la Figura 2, la concentración de PM2.5 y los parámetros meteorológicos no se miden en los mismos
sitios, por lo que necesitábamos hacer coincidir los dos tipos de datos para formar pares de datos para la tarea de cálculo de
correlación. Dado que el análisis de correlación se realizó en la unidad básica de la ciudad, primero analizamos los sitios de
monitoreo de PM2.5 para cada ciudad mediante el establecimiento de umbrales de longitud y latitud. Luego establecimos zonas
de amortiguamiento centradas en las estaciones de monitoreo de PM2.5 , y se determinó que el radio de la zona de amortiguamiento
era de 0.3ÿ después de una prueba de sensibilidad de parámetros. Los resultados de la sensibilidad de los parámetros se muestran
en la Tabla S1. Se registraron los sitios meteorológicos ubicados dentro de las zonas de amortiguamiento. Cuando se completó la
evaluación de una ciudad, promediamos los datos de concentración de PM2.5 y los datos meteorológicos de todos los sitios de
monitoreo en esta área de la ciudad como datos a nivel de ciudad. Hubo algunos valores atípicos en los datos sin procesar que
pueden haber introducido errores, por lo que se realizó una verificación de validez de los datos diarios para eliminar los datos
problemáticos. Establecimos un umbral de valor normal para cada parámetro, incluida la concentración de PM2.5 , la humedad
relativa, la temperatura, la velocidad del viento y la presión en la superficie, y los datos que se encontraban fuera de los umbrales se asignaron como nulo
Según la topografía y el clima, la división de las siete regiones de China se muestra en la Figura S1 y la Tabla S2. Teniendo
en cuenta las características climáticas de China, las cuatro estaciones son:
Figura 2. La distribución de: (a) estaciones de monitoreo de PM2.5 ; y (b) estaciones meteorológicas en China
en 2015.

La Figura 4 muestra la variación mensual de la concentración promedio de PM2.5 en China de 2013 a 2015.
primavera (marzo, abril y mayo), verano (junio, julio y agosto), otoño (septiembre, octubre y noviembre) e
invierno (diciembre, enero y febrero).
El proceso de diseño de nuestro estudio se puede dividir en cuatro partes. El primer paso fue el
preprocesamiento de datos, como se mencionó anteriormente. Luego realizamos un análisis simple del patrón
de distribución espaciotemporal de la concentración de PM2.5 . ArcGIS y el método de interpolación empírico
Bayesian kriging (EBK) [34] se utilizaron para adquirir el mapa de distribución espacial. En tercer lugar,
realizamos el análisis de correlación a múltiples escalas, es decir, ciudad, región, estación y año. Las
correlaciones entre la concentración diaria de PM2.5 y los factores meteorológicos diarios se midieron mediante
el coeficiente de correlación de rangos de Spearman. Primero dividimos China en siete regiones geográficas
y realizamos los análisis de correlación tanto en las 68 ciudades como en las siete regiones geográficas, para
explorar las variaciones espaciales de la correlación en diferentes escalas espaciales. Luego se implementaron
los análisis de correlación para las cuatro estaciones y todo el año. Luego se realizó además un análisis
multivariante. Finalmente, analizamos las variaciones estacionales y regionales de las relaciones entre la
concentración de PM2.5 y los factores meteorológicos. Dibujamos los mapas de distribución del coeficiente de
correlación (r) de las 68 ciudades y siete regiones en las cuatro estaciones y a escala anual, y realizamos un
agrupamiento para ayudar con el análisis de variación. Los factores de influencia principales y secundarios
para cada región y cada temporada se resumen a continuación, junto con los patrones de variación de la
correlación RH-PM2.5 , la correlación TEM-PM2.5 , la correlación WS-PM2.5 y PS-PM2. 5 correlación. La
figura 3 muestra el diagrama de flujo del diseño del estudio.
Figura 3. Diagrama de flujo del diseño del estudio.
3. Resultados
3. Resultados
2.4. Metodología
3.1. Variación espaciotemporal de la concentración de PM2.5 3.1.
Variación espaciotemporal de la concentración de PM2.5
La Figura 4 muestra la variación mensual de la concentración promedio de PM2.5 en China de 2013 a 2015.
Como se muestra en la figura, la concentración de PM2.5 en julio y agosto es la más baja, y enero y Como se
muestra en la figura, la concentración de PM2.5 en julio y agosto es la más baja, y enero y diciembre tienen las concentraciones
más altas. Esto significa que la contaminación del aire es mucho menos grave diciembre tienen las concentraciones
más altas. Esto significa que la contaminación del aire es mucho menos grave en verano que en invierno. Esta conclusión es
similar a las de estudios previos [35-37]. Otro verano que en invierno. Esta conclusión es similar a las de estudios
previos [35-37]. Otro fenómeno que vale la pena señalar en la Figura 4 es que la posición de la línea azul está en la parte
superior general, mientras que el fenómeno que vale la pena señalar en la Figura 4 es que la posición de la línea azul
está en la parte superior general, mientras que la línea gris está en la parte inferior . , lo que sugiere que la concentración de
PM2.5 de China ha estado disminuyendo la línea gris está en la parte inferior, lo que sugiere que la concentración de
PM2.5 de China ha estado disminuyendo de 2013 a 2015. Esto puede indicar que las políticas de protección ambiental y la
neblina las medidas de control en China han entrado en vigor. Aunque la calidad del aire promedio mejoró de 2013 a 2015, la
cantidad de ciudades que alcanzaron los Estándares de calidad del aire ambiental de China (CAAQS)
El estándar de grado II de 35 m3 sigue siendo pequeño en correspondencia con 5 8 y 12 respectivamente para 2013 2014
Figura 3. Diagrama de flujo del diseño del estudio.

7 de 19
Figura Figura 4. 4. Temporal Variación temporal de PM Variación de la concentración de PM2.5 de
2013 a 2015. 2.5 Concentración de 2013 a 2015.
.5
Calculamos los coeficientes de correlación de rango de Spearman entre la concentración de PM2.5 y RH,
TEM, WS y PS en las 68 ciudades. El resultado se proporciona en la Tabla S3. Los coeficientes de correlación y los
valores de p en las ciudades del sur y el norte de China se enumeran en la Tabla 1. En la tabla, r-RH, r-TEM, r-WS
y r-PS representan los coeficientes de correlación entre PM2. 5 concentración y HR, TEM, WS,
Luego analizamos el patrón de distribución espacial de la concentración de PM2.5 en 2015. La Figura 5a
muestra Luego analizamos el patrón de distribución espacial de la concentración de PM2.5 en 2015. Figura
5a todos los sitios y los valores de concentración de PM2.5 correspondientes que usamos para implementar EBK y
muestra todos los sitios y los valores de concentración de PM2.5 correspondientes que usamos para implementar
EBK, la Figura 5b es el resultado final de la interpolación. Se puede ver que la región BTH y Urumqi sufren y la
Figura 5b es el resultado final de la interpolación. Se puede ver que la región de BTH y Urumqi sufren una grave
contaminación por PM2.5 , pero la calidad del aire en el Tíbet, provincia de Yunnan, la isla de Hainan y el PRD por
una grave contaminación por PM2.5 , pero la calidad del aire en el Tíbet, provincia de Yunnan, Isla de Hainan, y
la zona es mejor. El resultado de la interpolación es consistente con los resultados de estudios previos [38–40].
3.2. Variación Regional de la Relación de Correlación
3.2.1. Análisis de correlación a escala de ciudad
La zona del PRD es mejor. El resultado de la interpolación es consistente con los resultados de estudios previos [38–40].
(a)
Figura 5. (a) Concentración anual de PM2.5 en las estaciones de monitoreo en 2015; y (b) la distribución de la
Figura 5. (a) Concentración anual de PM2.5 en las estaciones de monitoreo en 2015; y (b) la distribución de
la concentración promedio anual de PM2.5 en China interpolada por EBK. Concentración promedio anual de
PM2.5 en China interpolada por EBK.
(b)
,
,
Diciembre tiene las concentraciones más altas. Esto significa que la contaminación del aire es mucho menos
grave en verano que en invierno. Esta conclusión es similar a las de estudios previos [35-37]. Otro fenómeno que
vale la pena señalar en la Figura 4 es que la posición de la línea azul está en la parte superior general, mientras
que la línea gris está en la parte inferior, lo que sugiere que la concentración de PM2.5 en China ha disminuido
desde 2013 hasta 2015. Esto puede indican que las políticas de protección ambiental y las medidas de control
de neblina en China han entrado en vigor. Aunque la calidad del aire promedio mejoró desde 2013 hasta 2015.
Esto puede indicar que las políticas de protección ambiental y el control de neblina hasta 2015, la cantidad
de ciudades que alcanzaron las medidas de los Estándares de calidad del aire ambiental chino (CAAQS) en
China han entrado en vigencia. Aunque la calidad del aire promedio mejoró de 2013 a 2015, el estándar de
grado II (35 ÿg/m3) aún es pequeño, correspondiendo a 5, 8 y 12, respectivamente, para 2013, 2014, la cantidad
de ciudades que alcanzaron el nivel de aire ambiental chino. Estándares de calidad (CAAQS) El estándar
de grado II (35 µg/m3 ) aún es pequeño, corresponde a 5, 8 y 12, respectivamente, para 2013, 2014 y 2015.
y 2015.

3.2. Variación Regional de la Relación de Correlación
la correlación entre la concentración de PM2.5 y la presión no es muy significativa en algunas ciudades.
relaciones entre PM2.5 y factores meteorológicos.
3.2.1. Análisis de correlación a escala de ciudad
una correlación insignificante.
ÿ0,59, respectivamente. Además, los coeficientes de correlación entre PM2.5 y PS son grandes en el centro
r-WS y r-PS representan los coeficientes de correlación entre la concentración de PM2.5 y RH, TEM, WS,
correlacionado con HR en Beijing, con el valor del coeficiente de correlación (r) alcanzando 0.48, pero, en Shenzhen
de cada ciudad en el mapa de la Figura 6, y represente los valores del coeficiente de correlación (r) con colores
y PS, respectivamente, y los correspondientes P-RH, P-TEM, P-WS y P-PS representan los valores p
puntos. El verde representa una correlación negativa y el rojo representa una correlación positiva, con un
y Huizhou, PM2.5 está negativamente correlacionado con HR, y los coeficientes de correlación son ÿ0.50 y
color más profundo que indica una relación más estrechamente correlacionada. Los puntos con mayor tamaño significan el
TEM, WS y PS en las 68 ciudades. El resultado se proporciona en la Tabla S3. Los coeficientes de correlación y
Los valores de p en las ciudades del sur y el norte de China se enumeran en la Tabla 1. En la tabla, r-RH, r-TEM,
Calculamos los coeficientes de correlación de rango de Spearman entre la concentración de PM2.5 y la HR,
correlación es significativa a un nivel de confianza del 95%. Por el contrario, los puntos de menor tamaño representan
Tabla 1. Los coeficientes de correlación y los valores p de las ciudades del sur y el norte de China.
China, pero relativamente pequeña en el noroeste de China. Este resultado muestra que existen variaciones espaciales en el
Para describir la variación regional de una manera más intuitiva, mostramos los coeficientes de correlación
ÿ0,204 0,0000 0,0000 0,0000 0,3530
0,0000 0,0000 0,0045 0,0000
0,0000 0,0000 0,0000 0,0000
0,0000 0,0000 0,0037 0,0000
Ciudad
ÿ0,174
ÿ0,233
0,0000 0,0000 0,0000 0,2288
sur de China
Foshán
ÿ0,030 0,0000 0,0000 0,0074 0,8171
ÿ0,376
r-PS P-RH P-TEM P-WS P-PS
0.153
0.274
ÿ0,137 ÿ0,221
0,0000 0,0000 0,0000 0,0000
ÿ0,233
0.243
ÿ0,287 ÿ0,248
Región
0,0000 0,0000 0,0000 0,0019
Cantón ÿ0,376 ÿ0,427 ÿ0,179 Shenzhen ÿ0,504 ÿ0,531
ÿ0,031
ÿ0.019
ÿ0,380
Valor de p significativo
0.153
Zhongshan ÿ0,445 ÿ0,510 Dongguan
ÿ0,375 ÿ0,450 Huizhou ÿ0,585 ÿ0,453
Zhaoqing ÿ0,322 ÿ0,453 Nanning ÿ0,324
ÿ0,534 Haikou ÿ0,157 ÿ0,590
ÿ0,067 0,0000 0,0000 0,0000 0,9763
Zhuhai
ÿ0,072
ÿ0,106
ÿ0,368
ÿ0,149
ÿ0,202
0.073
norte de china
r-WS
ÿ0,228 0,0000 0,0000 0,0000 0,0170
ÿ0.030
ÿ0,266
0.307
0,0000 0,0000 0,0000 0,0000
0.091
0,0104 0,0000 0,0000 0,0433
ÿ0,206
ÿ0,291
ÿ0,202
0,022
Coeficiente de correlación (r)
ÿ0,273
ÿ0,027 0,0000 0,0000 0,7030 0,5015
0.444
ÿ0.300
r-TEM
0.471
ÿ0,188 0,0000 0,0000 0,0000 0,0005
ÿ0,423 ÿ0,440
ÿ0,075 0,0000 0,0000 0,0000 0,0405
0,0000 0,0002 0,0000 0,0696
0,0000 0,0000 0,0000 0,0174
ÿ0,370
0.192
ÿ0,190 0,0000 0,0000 0,4443 0,1493
0.062
0,592
0,606
ÿ0,274
ÿ0,061 0,0000 0,0000 0,3108 0,0637
ÿ0,088
Pekín
Tianjin
Shijiazhuang 0,331
Tangshan 0,294
Qinhuangdao 0,161
Baoding 0,272
Zhangjiakou 0,166
Chengde 0,238 Xingtai
Taiyuan Huhehaote
0.119
0,0481 0,0000 0,0133 0,0000
ÿ0.212
r-RH
ÿ0,356
ÿ0,435
0,220
ÿ0,502 ÿ0,596
0.034
ÿ0,004 0,0000 0,0009 0,0000 0,2176
0.484
en la prueba de hipótesis de la correlación entre la concentración de PM2.5 y RH, TEM, WS y PS.
observando que los valores p en la última columna son más grandes que las otras columnas, lo que indica que el
está significativamente correlacionada con factores meteorológicos, a un nivel de confianza del 95%. Sin embargo, vale la pena
En la Tabla 1 y la Tabla S3, la variación regional se puede ver claramente. Por ejemplo, PM2.5 es positivamente
La mayoría de los valores de p en la Tabla S3 y la Tabla 1 son inferiores a 0.05, lo que indica que la concentración de PM2.5

Figura 6. Los valores del coeficiente de correlación (r) en las 68 ciudades principales: (a) correlación entre
PM2.5 Figura 6. Los valores del coeficiente de correlación (r) en las 68 ciudades principales: (a) correlación
entre la concentración de PM2.5 y RH; (b) correlación entre la concentración de PM2.5 y TEM; (c)
correlación entre concentración y HR; (b) correlación entre la concentración de PM2.5 y TEM; (c)
correlación entre la concentración de PM2.5 y WS; y (d) correlación entre la concentración de PM2.5 y PS.
concentración de PM2.5 y WS; y (d) correlación entre la concentración de PM2.5 y PS.
Para comprender las variaciones espaciales con mayor claridad, también realizamos un análisis de conglomerados
para la Figura 6a que muestra los coeficientes de correlación entre la concentración de PM2.5 y la humedad
relativa en 68 ciudades. Se utilizó el algoritmo ISODATA para implementar el agrupamiento. Los resultados de la
agrupación son las 68 ciudades. La relación es una correlación positiva en el norte de China y Urumqi, pero es una
correlación negativa que se muestra en la Figura 7, donde las 68 ciudades se agrupan en cuatro grupos. La región del
PRD está agrupada como correlación en otras áreas, especialmente en el sur de China. Inferimos que esta variación
puede resultar del tipo del primer grupo, aunque con excepciones individuales. En esta área, la concentración de
PM2.5 es una diferencia negativa del aerosol en el norte y el sur de China. Los tipos de aerosol se han definido en
Barnaba's correlacionados con RH y TEM, pero débilmente correlacionados con WS y PS. Este tipo de grupo se
muestra en el artículo [38], en el que los aerosoles se clasifican en tres tipos según sus diferentes ópticas y por los
puntos naranjas en la Figura 7. La región YRD y algunas ciudades en el oeste de China se agrupan como propiedades
psíquicas. Además, el hecho de que el sur de China suele ser más húmedo que el norte de China también puede ser
de segundo tipo, simbolizado por los puntos verdes, donde PM2.5 tiene una relación negativa con TEM y contribuye a
la diferencia de correlación.
El resultado del agrupamiento muestra que existen dependencias geográficas y geográficas . Además, nuestros
resultados indican que la correlación entre la concentración de PM2.5 y TEM es más débil . Las diferencias en las
relaciones entre la concentración de PM2.5 y los factores meteorológicos. en el norte de China que en otras áreas.
WS y una débil correlación con los demás factores meteorológicos. Los puntos azules representan la tercera
temperatura tiene una fuerte correlación negativa con la concentración de PM2.5 en casi todos los tipos de
ciudades e incluyen principalmente ciudades en el noreste de China y el centro de China, donde la concentración de
PM2.5 es de China, como se muestra en la Figura 6b y también puede reflejar la variación estacional en la
concentración de PM2.5 . correlacionada negativamente con TEM y positivamente correlacionada con PS. Por último,
el norte de China y Urumqi , la concentración de PM2.5 es la más baja en verano y la más alta en invierno, y los
espectáculos de temperatura se agrupan como el cuarto tipo, como lo muestran los puntos rojos, donde la concentración
de PM2.5 en las ciudades del lado opuesto . tendencia. La razón de la correlación negativa puede ser que las altas
temperaturas promueven que estas regiones se correlacionen positivamente con la HR, se correlacionen negativamente
con TEM y WS, y débilmente con la convección del aire, lo que provoca la dilución y dispersión de los contaminantes
del aire [1]. El bajo se correlacionó con PS. temperatura puede conducir a un aumento de las tasas de emisión de la
calefacción doméstica y la producción de energía [31].
En la Figura 6c, la velocidad del viento está negativamente correlacionada con la concentración de PM2.5
en la mayoría de las áreas, lo que indica que la dispersión horizontal juega un papel importante en China. La
provincia de Hainan es una excepción, con una correlación positiva PM2.5-WS , que se debe a que el aire
ambiental en la isla de Hainan es muy limpio [41–43] y el viento de las áreas circundantes puede traer
contaminantes a la isla, aumentando así la Concentración de PM2.5 .
9 de 19

correlación” con ÿ0,2 < r < 0,2. Las cuatro letras de cada nombre de grupo representan las correlaciones entre
correlación” con ÿ0,2 < r < 0,2. Las cuatro letras de cada nombre de grupo representan las correlaciones entre la
concentración de PM2.5 y RH, TEM, WS, PS secuencialmente).
Figura 7. Resultado de la agrupación de las 68 ciudades. (La letra “N” en el nombre del conglomerado representa
“Negativo Figura 7. Resultado de conglomerado de las 68 ciudades. (La letra “N” en el nombre del conglomerado
representa “ Correlación negativa” con r ÿ ÿ0.2; “P” representa “Positivo correlación” con r ÿ 0,2; “W” representa “
correlación débil” con r ÿ ÿ0,2; “P” representa “correlación positiva” con r ÿ 0,2; “W” representa “correlación débil”
9 de 19
3.2.2. Análisis de correlación a escala regional
El resultado del agrupamiento muestra que existen dependencias geográficas y geográficas Para obtener una
evaluación exacta de la diferencia regional de las correlaciones entre las diferencias en las relaciones entre la
concentración de PM2.5 y los factores meteorológicos. concentración y factores meteorológicos, realizamos un
análisis de correlación a escala regional. Como 3.2.2. El análisis de correlación a escala regional se ha mencionado
anteriormente, dividimos China continental en siete regiones. La Figura 8 muestra los resultados del análisis de
correlación regional. En la figura, hay un histograma para cada área, y los diferentes Para obtener una evaluación
exacta de la diferencia regional de las correlaciones entre PM2.5 colores de las barras representan los valores del
coeficiente de correlación (r) de los diferentes factores meteorológicos. concentración y factores meteorológicos,
realizamos un análisis de correlación a escala regional.
Una barra hacia arriba significa una correlación positiva y hacia abajo significa una correlación negativa. El norte de
China es el único Como se mencionó anteriormente, dividimos China continental en siete regiones. La Figura 8
muestra el área donde la concentración de PM2.5 se correlaciona positivamente con la HR pero, en general, PM2.5
es solo débilmente los resultados del análisis de correlación regional. En la figura, hay un histograma para cada área
y se correlaciona con factores meteorológicos en el norte de China en comparación con las otras áreas. Los colores
más diferentes de las barras representan los valores del coeficiente de correlación (r) de los diferentes factores
meteorológicos importantes que influyen en el PM2.5 en el sur de China: la temperatura y la humedad relativa.
Factores de superficie . Una barra hacia arriba significa una correlación positiva y hacia abajo significa una correlación
negativa. La presión del norte de China juega un papel importante en el centro y el norte de China, además de la
temperatura. En cuanto al este de China, el suroeste de China y el noroeste de China, la temperatura es el único
factor que tiene coeficientes de correlación superiores a 0,3 con la concentración de PM2,5 .
10 de 19
J. Medio Ambiente. Res. Salud Pública 2017, 14, 1510
Se encuentra una correlación positiva entre la concentración de PM2.5 y la presión superficial en el noreste
de China, el centro de China y la provincia de Hainan, como se muestra en la Figura 6d. Esto se debe a que la alta
presión siempre va acompañada de una baja altura de la capa límite atmosférica y, por lo tanto , se dificulta la
dispersión vertical de los contaminantes del aire [44,45]. La correlación en otras áreas es relativamente débil. La
razón de esta diferencia regional aún no está clara y necesita más investigación.
Para comprender las variaciones espaciales con mayor claridad, también realizamos un análisis de
conglomerados para las 68 ciudades. Se utilizó el algoritmo ISODATA para implementar el agrupamiento. Los
resultados de la agrupación se muestran en la Figura 7, donde las 68 ciudades se agrupan en cuatro grupos. La
región del PRD se agrupa como el primer grupo, aunque con excepciones individuales. En esta área, la
concentración de PM2.5 está negativamente correlacionada con RH y TEM, pero débilmente correlacionada con
WS y PS. Este tipo de conglomerado se muestra con los puntos naranjas en la Figura 7. La región YRD y algunas
ciudades en el oeste de China se agrupan como el segundo tipo, simbolizado por los puntos verdes, donde PM2.5
tiene una relación negativa con TEM y WS y una débil correlación con los demás factores meteorológicos. Los
puntos azules representan el tercer tipo e incluyen principalmente ciudades en el noreste y el centro de China,
donde la concentración de PM2.5 se correlaciona negativamente con TEM y positivamente con PS. Por último, el
norte de China y Urumqi se agrupan como el cuarto tipo, como lo muestran los puntos rojos, donde la concentración
de PM2.5 en las ciudades de estas regiones está positivamente correlacionada con RH, negativamente
correlacionada con TEM y WS, y débilmente Int. correlacionado con PS.
concentración de PM2.5 y RH, TEM, WS, PS secuencialmente).

Los factores importantes que influyen en las PM2.5 en el sur de China son la temperatura y la humedad relativa. Superficie
Las relaciones entre la concentración de PM2.5 y los factores meteorológicos no solo varían con el

la presión juega un papel importante en el centro y el norte de China, además de la temperatura. Como para
regiones en la Tabla 2. Las siete regiones se clasifican en cuatro tipos según sus principales y menores
ubicaciones geográficas, sino también con las estaciones. Por lo tanto, separamos nuestros datos en cuatro partes según
Concentración de PM2.5 solo en ciertas regiones.
Podemos ver que este resultado de clasificación es similar al resultado de agrupamiento de ISODATA en la Figura 7. Como
puede ver, TEM es un factor de influencia importante para casi todas las regiones, pero PS y RH afectan principalmente a la
a la temporada y realizó un análisis de correlación en cada una de las cuatro estaciones. Los símbolos en la Figura 9
débilmente correlacionado con factores meteorológicos en el norte de China en comparación con las otras áreas. lo mas
En t. J. Medio Ambiente. Res. Public Health 2017,
14, 1510 Los colores de las barras representan los valores del coeficiente de correlación (r) de los diferentes factores meteorológicos.
10 de 19
RH, TEM
Noroeste de China (4)
Este de China (4)
Tabla 2. Los factores de influencia mayores y menores de las siete regiones.
Figura 8. Histogramas de los valores del coeficiente de correlación (r) en las siete regiones.
PD
SW
Factores Mayores (|r| > 0.3) Factores Menores (0.3 > |r| > 0.2)
Norte de China (1) /
Región (número de tipo)
Sur de China (2) TEM, derecho
PD, TEM
PD, TEM
POSEE
Centro de China (3)
SW
SW
SW
Noreste de China (3)
POSEE
Sudoeste de China (4)
POSEE
factores influyentes, y los números de tipo están marcados detrás de los nombres de las regiones entre paréntesis.
la única área donde la concentración de PM2.5 se correlaciona positivamente con la HR pero, en general, PM2.5 es solo
Resumimos los factores de influencia mayor (|r| > 0.3) y menor (0.3 > |r| > 0.2) de los siete
área donde la concentración de PM2.5 está positivamente correlacionada con la HR pero, en general, PM2.5 solo está débilmente
Para obtener una evaluación exacta de la diferencia regional de las correlaciones entre PM2.5
resultados del análisis de correlación regional. En la figura, hay un histograma para cada área, y los diferentes
este de China, suroeste de China y noroeste de China, la temperatura es el único factor que tiene correlación
Como se ha mencionado antes, dividimos China continental en siete regiones. La figura 8 muestra la
Los factores importantes que influyen en las PM2.5 en el sur de China son la temperatura y la humedad relativa. Superficie
correlacionado con factores meteorológicos en el norte de China en comparación con las otras áreas. lo mas
Una barra hacia arriba significa una correlación positiva y hacia abajo significa una correlación negativa. El norte de China es el único
concentración y factores meteorológicos, realizamos un análisis de correlación a escala regional. Como
coeficientes superiores a 0,3 con concentración de PM2,5 .
la presión juega un papel importante en el centro y el norte de China, además de la temperatura. Como para
este de China, suroeste de China y noroeste de China, la temperatura es el único factor que tiene correlación
Figura 8. Histogramas de los valores del coeficiente de correlación (r) en las siete regiones.
3.3. Variación estacional de las relaciones de correlación
tienen el mismo significado que en la figura 6.
coeficientes superiores a 0,3 con concentración de PM2,5 .

Figura 9. La distribución de los valores del coeficiente de correlación (r) en las cuatro estaciones.
En la segunda fila de la Figura 9, la correlación entre PM2.5 y TEM varía mucho con el Por último, el
resultado de la presión se muestra en la última fila de la Figura 9. La variación estacional de las estaciones.
En general, PM2.5 está positivamente correlacionado con TEM en invierno y negativamente correlacionado en
la relación entre la concentración de PM2.5 y la presión es extrema, pero el patrón de variación no es otoño. En
primavera, la concentración de PM2.5 se correlaciona negativamente con TEM en el sur de China y es obvio. En
general, la correlación positiva en otoño es más fuerte que en las otras estaciones, y Urumqi está débilmente
correlacionada con TEM en las otras ciudades. También podemos ver que hay dos distribuciones de coeficientes
de correlación que son similares en primavera e invierno. puntos en color rojo brillante en el este de China en la
Figura 10, pero estos resultados no son precisos porque Además del análisis a escala de la ciudad, también
realizamos un análisis de correlación regional en la cantidad de muestra es demasiado pequeña. Debido a
la falta de datos en estas dos ciudades, los datos de concentración de PM2.5 corresponden a las cuatro
estaciones. La Figura 10 muestra el resultado del análisis regional, y los valores del coeficiente de correlación (r)
y los parámetros meteorológicos correspondientes utilizados en el análisis de correlación en primavera se
muestran en detalle en la Tabla 3. El color de cada celda representa el signo y la magnitud de los 10 pares. En
verano, la situación es la contraria a la de primavera. La correlación positiva débil es el valor del coeficiente de
correlación (r). La concentración de PM2.5 tiene la correlación más fuerte con la meteorología que se encuentra
en el sur de China, el norte de China, el noreste de China, el suroeste de China y el noroeste de China, y los
factores en invierno, y la correlación es la más débil en verano. Este resultado es similar a la conclusión de que
la correlación entre PM2.5 y TEM es muy débil en el centro y el este de China. de un estudio previo [28]. Los
principales factores que influyen en las cuatro estaciones son WS en primavera, TEM en verano, TEM y WS en
otoño y WS en invierno. La fuerte correlación entre WS y PM2.5
En t. En t. J. Medio Ambiente. Res. Salud Pública
J. Medio Ambiente. Res. Salud Pública 2017 2017, 14, 14, 1510 12 de 19
11 de 19
ÿ ÿ
Figura 9. La distribución de los valores del coeficiente de correlación (r) en las cuatro estaciones.
El aumento de la combustión de carbón puede resultar en una mayor emisión de SO2 y otros contaminantes del
aire, cuyo valor puede ser siempre positivo en las otras estaciones. Especulamos que esto se debe a que el
viento de mar a tierra promueve la formación de sulfato, hasta cierto punto [46,47]. Como se mencionó
anteriormente, el sulfato en PM2.5 prevalece en verano [48], lo que promueve la difusión y dilución de
contaminantes. Por el contrario, el es uno de los componentes más importantes que da como resultado la relación
positiva entre PM2.5 y el viento de otras estaciones suele tomar la dirección opuesta y así promover el transporte
de HR. Por lo tanto, el aumento en el contenido de sulfato hace que la correlación positiva sea más fuerte.
contaminantes desde el interior hasta la isla de Hainan.
En la tercera fila de la Figura 9, la relación entre WS y PM2.5 es estable, y la Figura 9 negativa muestra
las variaciones estacionales de los valores del coeficiente de correlación (r) de PM2.5 y se detectan cuatro
correlaciones en cada temporada, pero la la correlación se vuelve débil en verano en algunas ciudades. Tenemos
factores meteorológicos. Como se muestra en la primera fila de la figura, la relación entre PM2.5 y HR deduce
que esto se debe a que la capa límite atmosférica es alta en verano y la convección del aire varía solo levemente
con las estaciones, y la correlación positiva en primavera e invierno es sólo ligeramente la dirección vertical es
fuerte debido a la temperatura elevada [30]. Las partículas se difunden principalmente y son más fuertes que en
verano y otoño. El número de ciudades con una correlación positiva también es mayor diluido verticalmente, por
lo que la correlación con el factor de impacto del transporte (velocidad del viento) se reduce. La primavera y el
invierno. Inferimos que esto es resultado del aumento del consumo de carbón en la estación fría. correlación en
la isla de Hainan también se vuelve negativa en verano, mientras que el coeficiente de correlación (r)
1510
,

en invierno puede ser debido a la baja altura de la capa límite atmosférica y la dependencia de horizontal
no es obvio. En general, la correlación positiva en otoño es más fuerte que en las otras estaciones, y la
En la tercera fila de la Figura 9, la relación entre WS y PM2.5 es estable y negativa
Primavera la dirección vertical es fuerte debido a la temperatura elevada [30]. Las partículas se difunden principalmente
en invierno, y la correlación es más débil en verano. Este resultado es similar a la conclusión de un
Por último, el resultado de la presión se muestra en la última fila de la Figura 9. La variación estacional de
valor del coeficiente (r). La concentración de PM2.5 tiene la correlación más fuerte con los factores meteorológicos
la relación entre la concentración de PM2.5 y la presión es extrema, pero el patrón de variación es
que esto se debe a que la capa límite atmosférica es alta en verano y la convección del aire en
12 de 19
En t. J. Medio Ambiente. Res. Salud Pública 2017, 14,
1510 difusión.
y diluido verticalmente, por lo que la correlación con el factor de impacto del transporte (velocidad del viento) se reduce.
La correlación en la isla de Hainan también se vuelve negativa en verano, mientras que el coeficiente de correlación (r)
puede deberse a la baja altura de la capa límite atmosférica y la dependencia de la difusión horizontal.
Figura 10. Distribución estacional de los histogramas del valor del coeficiente de correlación (r) en las siete regiones.
Tabla 3. Los factores de influencia mayor y menor de las siete regiones (el color de cada celda destaca
para el signo y la magnitud del valor del coeficiente de correlación (r), donde el rojo representa un valor positivo
correlación y el azul significa negativo).
el valor es siempre positivo en las otras temporadas. Especulamos que esto se debe a que el viento de mar a tierra
estudio previo [28]. Los principales factores que influyen en las cuatro estaciones son WS en primavera, TEM en verano,
se detecta correlación en cada estación, pero la correlación se debilita en verano en algunas ciudades. inferimos
Además del análisis a escala de ciudad, también realizamos un análisis de correlación regional en el
prevalece en verano [48], lo que favorece la difusión y dilución de los contaminantes. En cambio, el viento
se muestra en la Tabla 3 en detalle. El color de cada celda representa el signo y la magnitud de la correlación.
Figura 10. Distribución estacional de los histogramas del valor del coeficiente de correlación (r) en las siete regiones.
Invierno
Promedio
Promedio
0.30
0.15
este de china
0,27 ÿ0,43 ÿ0,19
Sudoeste de China ÿ0,22 ÿ0,02 ÿ0,17 0,09 Sudoeste de China ÿ0,21 0,20 ÿ0,18 ÿ0,07
El verano
ÿ0,18 ÿ0,48 ÿ0,33
ÿ0,20 0,27 ÿ0,36 ÿ0,12
sur de China
norte de china
ÿ0,12 0,16 ÿ0,30 ÿ0,10
Región
Sudoeste de China ÿ0,30 ÿ0,15 ÿ0,34
0.14
Promedio
HR TIENE WS PS
0,34 ÿ0,07 ÿ0,30 ÿ0,15
0.16
ÿ0,05 0,14 ÿ0,16 ÿ0,08
este de china
este de china
Noroeste de China ÿ0,01 ÿ0,20 ÿ0,14 ÿ0,08 Noroeste de China ÿ0,10 0,24 ÿ0,02 ÿ0,20
0,06 ÿ0,13 ÿ0,32 0,00
0.54
0,14 Noreste de China ÿ0,08 0,26 ÿ0,02 0,14
0,25 Noreste de China 0,52
sur de China
Centro de China
0,09 ÿ0,54 0,14
0.16
ÿ0,17 ÿ0,35 ÿ0,33
13 de 19
ÿ0,27 0,26 ÿ0,28 ÿ0,26
0,03 ÿ0,15
HR TIENE WS PS
norte de china
0.07
Promedio
0,48 ÿ0,03 ÿ0,28 ÿ0,16
0,07 Sudoeste de China 0,08 ÿ0,01 ÿ0,38 0,07
Las
distribuciones de los coeficientes de correlación de la región son similares en primavera e invierno.
Noreste de China 0,13 ÿ0,25 ÿ0,16
HR TIENE WS PS
China central ÿ0,03 0,26 ÿ0,33 ÿ0,05
norte de china
0.01
Noroeste de China ÿ0,10 ÿ0,29 ÿ0,28 ÿ0,14 Noroeste de China 0,13
0,12 ÿ0,39 ÿ0,03
0.21
Región
HR TIENE WS PS
sur de China ÿ0,44 ÿ0,35 ÿ0,10
0,03 ÿ0,22
Otoño
Noreste de China ÿ0.05
este de china
China central ÿ0,23 ÿ0,01 ÿ0,10
ÿ0,08 ÿ0,05 ÿ0,32 0,05
0.04
ÿ0,48 ÿ0,05 ÿ0,37 0,03
0.08
sur de China
ÿ0,01 ÿ0,08 ÿ0,24
Centro de China
ÿ0,11 ÿ0,21 ÿ0,23
Región
0,00 ÿ0,34 ÿ0,07
0,04 ÿ0,01 ÿ0,28
norte de china
TEM y WS en otoño y WS en invierno. La fuerte correlación entre WS y PM2.5 en invierno
de otras estaciones suele tomar la dirección opuesta y así promover el transporte de contaminantes
desde el interior hasta la isla de Hainan.
cuatro estaciones. La Figura 10 muestra el resultado del análisis regional y los valores del coeficiente de correlación (r) son

se necesita investigación en el futuro.
3.4. Resultados de regresión lineal multivariable
Tabla 3. Los factores de influencia mayor y menor de las siete regiones (el color de cada celda destaca
correlación y el azul significa negativo).
Figura 11. Continuación.
para el signo y la magnitud del valor del coeficiente de correlación (r), donde el rojo representa un valor positivo
cambio de PM2.5 como un todo y no como algunos factores aislados. Así, además de univariado
De hecho, muchos factores meteorológicos están altamente correlacionados entre sí, influyen en la
los factores meteorológicos cambiarían en un análisis multivariado. Realizamos los experimentos en
resultados del análisis de correlación. La HR tiene una influencia positiva en la concentración de PM2.5 en el norte de China y
análisis de correlación, llevamos a cabo una regresión lineal multivariante para ver si el impacto de
14 de 19
inversamente en el sur de China; TEM y WS tienen una influencia negativa en las concentraciones de PM2.5 . Sin embargo,
China central
China del norte
China del sur ÿ0,44 ÿ0,35 ÿ0,10 China del suroeste ÿ0,30
ÿ0,15 ÿ0,34 China del noroeste ÿ0,10 ÿ0,29 ÿ0,28 ÿ0,14
China del noroeste 0,13 China del noreste 0,13 China del noreste 0,52 China del este China del este ÿ0,20
HR TIENE WS PS
0.07
ÿ0,02 0,14
0.14
este de china
ÿ0,01 ÿ0,28 ÿ0,03
ÿ0,28 ÿ0,16
ÿ0,43 ÿ0,19
HR TIENE WS PS
0.08
ÿ0,22
Región
ÿ0,16 ÿ0,08
ÿ0,36 ÿ0,12
ÿ0,13 ÿ0,32 0,21
0,03
Promedio
ÿ0,03
0,54
0,09
0,27
Primavera
ÿ0,02 ÿ0,20
0.34
ÿ0,30 ÿ0,10
0.04
ÿ0,33 ÿ0,05
0.00
Otoño
Promedio
HR TIENE WS PS
ÿ0,54 0,14
China central China central China del norte China del norte China del sur China del sur ÿ0,18
ÿ0,48 ÿ0,33 0,16 ÿ0,27 China del suroeste ÿ0,22 ÿ0,02 ÿ0,17 0,09 China del suroeste ÿ0,21
China del noroeste
ÿ0,01 ÿ0,20 ÿ0,14 ÿ0,08 China del noroeste ÿ0,10 China del noreste ÿ0,05 0,03 ÿ0,15 Noreste
de China ÿ0,08
Centro de China
Norte de China
0,16 Sur de China 0,07 Sudoeste
de China 0,08
ÿ0,05 0,14
ÿ0,39 ÿ0,03
ÿ0,01 ÿ0,38 0,00
Región
De hecho, muchos factores meteorológicos están altamente correlacionados entre sí, influyen en la
ÿ0,18 ÿ0,07
0,25
0,15
Este de China ÿ0,12 0,16 Int. J. Medio
Ambiente. Res. Salud Pública 2017, 14, 1510 Promedio
ÿ0.01 ÿ0.08 ÿ0.24 0.01
ÿ0,23 ÿ0,01 ÿ0,10
0,04
0,48
HR TIENE WS PS
0,24
0,26
0.26
ÿ0,11 ÿ0,21 ÿ0,23 0,07
0.05
El verano
ÿ0,34 ÿ0,07
ÿ0,07 ÿ0,30 ÿ0,15
0,06
0,30
ÿ0,08 ÿ0,05 ÿ0,32
0,27
ÿ0,48 ÿ0,05 ÿ0,37 0,03
0.12
ÿ0,28 ÿ0,26
Región
0.14
ÿ0,25 ÿ0,16 ÿ0,17
ÿ0,35 ÿ0,33
Región
Invierno
0,26
0,20
Promedio
tampoco se puede negar que la diferencia entre los resultados de la presión es un poco mayor, y más
relaciones entre los factores meteorológicos y la concentración de PM2.5 .
escala y escala estacional, respectivamente, y luego dibujar los mapas de los coeficientes de regresión de cuatro
la relación entre PM2.5 y HR varía solo levemente con las estaciones y el positivo
relación en el norte de China sigue siendo la más alta en invierno. La relación entre PM2.5 y TEM
factores meteorológicos. Como se muestra en la Figura 11, el patrón variable es casi el mismo que el univariante
PM2.5 y PS varían en gran medida con las estaciones y el patrón de variación aún no es obvio.
En general, los resultados del análisis de correlación univariante y la regresión lineal multivariante son
varía mucho con las estaciones y, en general, TEM tiene un efecto positivo en PM2.5 en invierno y tiene un
similares entre sí, lo que puede agregar algo de fuerza a la confiabilidad de nuestras conclusiones sobre el
resultados del análisis de correlación. La HR tiene una influencia positiva en la concentración de PM2.5 en el norte de China y
3.4. Resultados de regresión lineal multivariable
cambio de PM2.5 como un todo y no como algunos factores aislados. Así, además de univariado
efecto negativo en otoño. En cuanto a la velocidad del viento, el impacto es casi siempre negativo, espere que en
inversamente en el sur de China; TEM y WS tienen una influencia negativa en las concentraciones de PM2.5 . Sin embargo,
análisis de correlación, llevamos a cabo una regresión lineal multivariante para ver si el impacto de
La Figura 12 muestra los resultados de la regresión lineal multivariante estacional. Como podemos ver en la figura,
tampoco se puede negar que la diferencia entre los resultados de la presión es un poco mayor, y más
se necesita investigación en el futuro.
los factores meteorológicos cambiarían en un análisis multivariado. Realizamos los experimentos en el año
verano, la relación en algunas ciudades del norte de China se vuelve débilmente positiva. La relación entre
escala anual y escala estacional, respectivamente, y luego dibujar los mapas de los coeficientes de regresión de cuatro
factores meteorológicos. Como se muestra en la Figura 11, el patrón variable es casi el mismo que el univariante

La Figura 12 muestra los resultados de la regresión lineal multivariante estacional. Como podemos ver
en la figura, la relación entre PM2.5 y HR varía solo ligeramente con las estaciones y la relación positiva en
el norte de China sigue siendo la más alta en invierno. La relación entre PM2.5 y TEM varía mucho con las
estaciones y, en general, TEM tiene un efecto positivo sobre PM2.5 en invierno y un efecto negativo en
otoño. En cuanto a la velocidad del viento, el impacto es casi siempre negativo, espere que en verano la
relación en algunas ciudades del norte de China se vuelva débilmente positiva. La relación entre Int. J.
Medio Ambiente. Res. Public Health 2017, 14, 1510 PM2.5 y PS varían en gran medida con las estaciones y
el patrón de variación aún no es obvio.
4. Discusión
Como muestran los resultados de los experimentos, la correlación entre la HR y la concentración de
PM2.5 es negativa en el sur de China pero positiva en el norte de China, lo cual es un fenómeno muy
interesante. En lo que a nosotros respecta, la principal causa de este fenómeno es la diferencia de tipo de
aerosol entre el sur y el norte de China. El norte de China es una región de industria pesada, y el tipo de
aerosol común de esta región es el tipo City-Industry [49], en el que el nitrato y el sulfato representan una gran proporción de
Figura 12. La distribución del coeficiente de regresión de cuatro factores en cuatro estaciones.
Figura 11. La distribución del coeficiente de regresión de cuatro factores a escala de año.
15 de 19
Figura 11. La distribución del coeficiente de regresión de cuatro factores a escala de año.
Figura 12. La distribución del coeficiente de regresión de cuatro factores en cuatro estaciones.

En general, los resultados del análisis de correlación univariante y la regresión lineal multivariante son
similares entre sí, lo que puede fortalecer la confiabilidad de nuestras conclusiones sobre las relaciones entre los
factores meteorológicos y la concentración de PM2.5 .
Como muestran los resultados de los experimentos, la correlación entre la HR y la concentración de PM2.5
es negativa en el sur de China pero positiva en el norte de China, lo cual es un fenómeno muy interesante. En lo
que a nosotros respecta, la principal causa de este fenómeno es la diferencia de tipo de aerosol entre el sur y el
norte de China. El norte de China es una región de industria pesada, y el tipo de aerosol común de esta región
es el tipo City-Industry [49], en el que el nitrato y el sulfato representan una gran proporción de PM2.5 [9,32]. Sin
embargo, en el sur de China, el tipo de aerosol es del tipo Clean-Ocean [49], y el NaCl es uno de los principales
componentes de las PM2,5 de esta región. Según estudios relacionados [50,51], es más probable que el NaCl
absorba grandes cantidades de humedad y caiga al suelo en la situación de alta humedad del sureste de China,
pero la higroscopicidad del nitrato y el sulfato es débil, y simplemente se vuelven más pesados en lugar de que
caer al suelo bajo la situación más seca en el norte de China. Además, según el estudio de Dawson et al., la alta
humedad puede beneficiar la formación de nitrato de amonio, lo que provoca aún más la correlación positiva en
el norte de China [52].
Muchos académicos han trabajado en la investigación de la recuperación espacial de PM2.5 [53–56]. Entre
todos los métodos existentes, los modelos que consideran las variaciones espaciotemporales [56,57] suelen
obtener mayores precisiones de recuperación. Tomando como ejemplo el modelo de regresión ponderada
geográficamente (GWR) [57] , considera las variaciones espaciotemporales cambiando los coeficientes de las
variables auxiliares en diferentes áreas y estaciones, en lugar de usar un modelo para todas las circunstancias.
Para este tipo de modelo de recuperación, los resultados de nuestro trabajo podrían brindar algunas sugerencias
para la selección de variables auxiliares en diferentes regiones y estaciones. Por ejemplo, el valor del coeficiente
de correlación (r) entre PM2.5 y PS es casi cero en verano, por lo que podemos sugerir que este factor podría
excluirse en el modelo de verano de China central. El cambio de tipo de variable auxiliar en el modelo de
recuperación podría mejorar la precisión de recuperación de PM2.5 .
4. Discusión
Otro fenómeno que vale la pena señalar es que la concentración de PM2.5 tiene una fuerte correlación con
TEM en el análisis a escala anual (es decir, el análisis que incluye los datos de cada temporada), pero, en el
análisis estacional, los valores del coeficiente de correlación (r) cambiar a valores pequeños. Llamamos a este
fenómeno “variación de escala”, lo que indica que la correlación entre PM2.5 y los factores meteorológicos varía
con la escala temporal. Por ejemplo, en la mayoría de los análisis de series de tiempo prolongado (más de 10
años), la correlación entre PM2.5 y TEM es positiva [30], pero, en la mayoría de los análisis de 1 a 2 años [24], la
relación se vuelve negativo, y cuando se trata del análisis estacional, el resultado cambia nuevamente [25,27].
Creemos que esto se debe a que los análisis de series de tiempo largo reflejan principalmente la variación de un
año a otro, y los análisis anuales reflejan principalmente la variación dentro de las estaciones. Por lo tanto, los
resultados de nuestros análisis en las cuatro estaciones y durante todo un año pueden verse como evidencia de
la variación de la escala, que debe tenerse en cuenta en estudios futuros.
Se necesitan más análisis multivariantes. Además, los modelos físicos como el modelo de transporte químico
(CTM) también pueden simular y describir mejor la relación compleja. En el estudio futuro, prestaremos más
atención al análisis multivariante y CTM, la combinación de los dos métodos diferentes también sería muy
interesante y merecería una mayor investigación. En segundo lugar, la concentración de PM2.5 se mide
principalmente usando TEOM o un monitor de atenuación beta; los resultados de monitoreo de estos dos métodos
pueden ser susceptibles a las condiciones meteorológicas, aunque hemos realizado una prueba de sensibilidad
para verificar nuestros resultados, que se proporciona en los Materiales complementarios en la Tabla S4, se
necesitan más estudios sobre las relaciones entre la precisión de la medición y los factores meteorológicos en el futuro.
También hay algunas limitaciones e incertidumbres en nuestro estudio. Primero, las relaciones entre
la concentración de PM2.5 y los factores meteorológicos son muy complejas, y no podemos determinar el
proceso de interacción específico solo a través del análisis de correlación y la regresión lineal multivariada.

(a) Espacialmente, las correlaciones entre la concentración de PM2.5 y los factores meteorológicos variarían
según las regiones. La evidencia es que la HR está positivamente correlacionada con la concentración de
PM2.5 en el norte de China, pero negativamente correlacionada con PM2.5 en el sur de China y otras
áreas. La correlación positiva entre TEM y PM2.5 es más débil en el norte de China que en otras áreas.
WS tiene una correlación negativa con PM2.5 en casi todas las regiones, excepto en la isla de Hainan. PS
tiene una fuerte correlación positiva con PM2.5 en el noreste de China y el centro de China, pero la
correlación es débil en otros lugares. El tipo de aerosol, el terreno y el clima local pueden ser inductores
de las variaciones regionales. (b) Estacionalmente, existen variaciones estacionales de la correlación
entre la concentración de PM2.5 y los factores meteorológicos. La correlación positiva entre HR y PM2.5 es
más fuerte en invierno y primavera; TEM se correlaciona positivamente con PM2.5 en invierno y
negativamente con PM2.5 en otoño; y WS tiene la correlación más fuerte con PM2.5 en invierno; y la
correlación entre PM2.5 y PS es más fuerte en otoño. Todas las diferencias antropogénicas y naturales,
como el uso de sistemas de calefacción en el invierno del norte de China y las variaciones climáticas en
las cuatro estaciones, pueden provocar variaciones estacionales.
En este estudio, investigamos las relaciones entre la concentración de PM2.5 y los factores meteorológicos
en términos de variaciones regionales y estacionales, y generamos mapas que muestran los distintos patrones
de las relaciones. De esta forma, podríamos obtener una comprensión más completa y precisa de cómo la
concentración de PM2.5 se correlaciona con los factores meteorológicos. Este conocimiento podría proporcionar
una base sólida para una recuperación más precisa de la concentración de PM2.5 y para hacer políticas de
protección ambiental más efectivas para diferentes regiones. Aunque se ha trabajado mucho en esta área de
investigación, todavía queda mucho por mejorar. En primer lugar, un análisis global con una serie temporal más
larga y más factores, como la precipitación, la duración de la luz solar y el terreno, nos permitiría explicar la
variación de forma más exhaustiva. En segundo lugar, todavía hay algunos fenómenos que no podemos explicar
por completo y para los cuales se necesita más investigación, como la variación regional de la correlación
PM2.5-PS . La exploración de la causa de esta variación regional y estacional nos ayudaría a comprender mejor
el problema de la contaminación del aire en China. A pesar de estas limitaciones, nuestro trabajo aún podría
brindar una mejor oportunidad para un pronóstico más preciso de la concentración de PM2.5 . Al considerar las
variaciones espaciales y estacionales de las relaciones entre la concentración de PM2.5 y los factores
meteorológicos, el modelo de recuperación de la concentración de PM2.5 podría ser más preciso a una escala
más fina, y la mejora concomitante de la precisión del pronóstico de neblina sería de gran beneficio.
Materiales complementarios: Los siguientes están disponibles en línea en www.mdpi.com/1660-4601/14/12/1510/s1, Tabla
S1: El resultado de la prueba de sensibilidad de parámetros en Beijing, Tabla S2: Las relaciones correspondientes entre
ciudades, provincias y regiones, Tabla S3: Los valores del coeficiente de correlación (r) y los valores p entre la concentración
de PM2.5 y los cuatro valores meteorológicos . factores en las 68 ciudades, Tabla S4: Los resultados de la prueba de
sensibilidad. Figura S1: Las siete regiones de China.
Agradecimientos: Este trabajo fue apoyado por el Programa Nacional de I+D Clave de China (No. 2016YFC0200900).
Contribuciones de los autores: Qiangqiang Yuan concibió y diseñó el estudio; Qianqian Yang analizó los datos y escribió el
artículo; y Tongwen Li contribuyeron con la recopilación de datos y las instrucciones experimentales. Todos los autores
contribuyen a la edición y revisión del artículo.
Conflictos de interés: Los autores declaran no tener ningún conflicto de interés.
También nos gustaría agradecer a los proveedores de datos del Centro Nacional de Monitoreo Ambiental de China (CNEMC)
y el Centro de Servicio de Datos Meteorológicos de China (CMDC).
5. Conclusiones
La heterogeneidad espacial y temporal es una de las propiedades más importantes de la contaminación por
PM2.5 , pero muchos estudios han ignorado este aspecto. En este estudio, a través de análisis de 68 ciudades y
siete regiones en cuatro estaciones durante un período de dos años, hemos probado la existencia de variaciones
regionales y estacionales de las correlaciones entre la concentración de PM2.5 y los factores meteorológicos.

Referencias
[PubMed]
2.
12. Chen, T.; Guo, J.; Li, Z.; Zhao, C.; Liu, H.; Cribb, M.; Wang, F.; He, J. Una perspectiva de CloudSat sobre la climatología de nubes y su asociación con
la perturbación de aerosoles en la vertical sobre el este de China. J. Atmos. ciencia 2016, 73, 3599–3616. [Referencia cruzada]
13. Muro, C.; Zipser, E.; Liu, C. Una investigación del efecto indirecto del aerosol sobre la intensidad convectiva usando
3. Organización Mundial de la Salud; ONUSIDA. Pautas de Calidad del Aire: Actualización Global 2005; Organización Mundial de la Salud:
4. Zhang, F.; Cheng, Recursos Humanos; Wang, ZW; nivel, EXP; Zhu, ZM; Zhang, G.; Wang, XM Partículas finas (PM2.5) en un sitio de fondo de CAWNET
en China central: composiciones químicas, variaciones estacionales y eventos regionales de contaminación. atmósfera Reinar. 2014, 86, 193–202.
[Referencia cruzada]
[PubMed]
atmósfera Res. 2016, 167, 208–215. [Referencia cruzada]
Ginebra, Suiza, 2006.
[Referencia cruzada]
8. Zhao, C.; Corbata, X.; Lin, Y. Una posible retroalimentación positiva de la reducción de las precipitaciones y el aumento de los aerosoles en el este de
China central. Geofísico. Res. Letón. 2006, 33. [Referencia cruzada]
Observaciones Satelitales. J. Atmos. ciencia 2014, 71, 430–447. [Referencia cruzada]
14. Lee, S.-S.; Guo, JP; Li, Z. Retraso de la precipitación por la contaminación del aire sobre el delta del río Pearl. Parte 2: Modelo
10. J. Liu, KM Rühland, J. Chen, Y. Xu, S. Chen, Q. Chen, W. Huang, Q. Xu, F. Chen, JP Smol
Reinar. ciencia contaminar Res. 2017, 24, 10695–10707. [Referencia cruzada] [PubMed]
15. Guo, J.; Li, Z.; Miao, Y.; Li, J.; Liu, H.; Xu, H.; Cribb, M.; Zhai, P. Frecuencia decreciente de la precipitación a escala local durante el verano sobre el este
de China entre 1970 y 2010 y su vínculo potencial con los aerosoles. Geofísico. Res.
simulaciones J. Geophys. Res. atmósfera 2016, 121, 11739–11760. [Referencia cruzada]
Letón. 2017, 44, 5700–5708. [Referencia cruzada]
6. Guo, Y.; Zeng, H.; Zheng, R.; Li, S.; Barnett, AG; Zhang, S.; Zou, X.; Huxley, R.; Chen, W.; Williams, G.
18. Cai, W.; Li, K.; Liao, H.; Wang, H.; Wu, L. Las condiciones climáticas propicias para que la neblina severa de Beijing sea más frecuente debido al cambio
climático. Nat. Clima Chang. 2017, 7, 257–262. [Referencia cruzada]
los Estados Unidos. atmósfera Reinar. 2017, 148, 297–305. [Referencia cruzada]
20. Zhang, H.; Wang, Y.; parque, TW; Deng, Y. Cuantificación de la relación entre los eventos extremos de contaminación del aire y los eventos climáticos
extremos. atmósfera Res. 2017, 188, 64–79. [Referencia cruzada]
Chang. 2017, 7, 190–194. [Referencia cruzada]
11. Xie, Y.; Dai, H.; Dong, H.; Hanaoka, T.; Masui, T. Impactos económicos de los efectos en la salud relacionados con la contaminación por PM2.5 en
China: un análisis a nivel provincial. Reinar. ciencia Tecnología 2016, 50, 4836–4843. [Referencia cruzada] [PubMed]
Reinar. Res. 2016, 144, 60–65. [Referencia cruzada] [PubMed]
de Shenzhen, China. atmósfera Res. 2013, 122, 391–400. [Referencia cruzada]
7. Lu, X.; Lin, C.; Li, Y.; Yao, T.; Fung, JC; Lau, AK Evaluación de la carga de salud causada por partículas en el sur de China utilizando observación satelital
de alta resolución. Reinar. En t. 2017, 98, 160–170. [Referencia cruzada]
Los monzones de verano debilitados por aerosoles disminuyen la fertilización del lago en la meseta china de Loess. Nat. Clima
19. Liu, Y.; Zhao, N.; Vanos, JK; Cao, G. Efectos del clima sinóptico en las concentraciones de PM2.5 a nivel del suelo en
Li, G.; Colmillo, C.; Wang, S.; Sun, S. El efecto del crecimiento económico, la urbanización y la industrialización en las
concentraciones de partículas finas (PM2.5) en China. Reinar. ciencia Tecnología 2016, 50, 11452–11459. [Referencia cruzada]
1. Luo, J.; Du, P.; Samat, A.; Xia, J.; Che, M.; Xue, Z. Patrón espaciotemporal de concentraciones de PM2.5 en China
continental y análisis de sus factores influyentes mediante regresión ponderada geográficamente. ciencia Reps.
9. Cao, JJ; Shen, ZX; Chow, JC; Watson, JG; Lee, Carolina del Sur; Corbata, XX; Ho, KF; Wang, GH; Han, YM Composición
química de PM2.5 en invierno y verano en catorce ciudades chinas. J. Gestión de residuos de aire. 2012, 62, 1214–1226.
5. Wu, J.; Zhu, J.; Li, W.; Xu, D.; Liu, J. Estimación de los efectos en la salud de PM2.5 en China durante 2000–2011.
16. Dai, W.; Gao, J.; Cao, G.; Ouyang, F. Composición química e identificación de fuente de PM2.5 en el suburbio
17 de 19
2017, 7, 40607. [Referencia cruzada] [PubMed]
La asociación entre la incidencia del cáncer de pulmón y la contaminación del aire ambiental en China: un análisis espaciotemporal.
17. Lai, S.; Zhao, Y.; Ding, A.; Zhang, Y.; Canción, T.; Zheng, J.; Canción, T.; Zheng, J.; Lee, S.; Zhong, L. Caracterización de PM2.5 y
los principales componentes químicos durante una campaña de 1 año en la zona rural de Guangzhou, sur de China.

31. Tran, HN; Mölders, N. Investigaciones sobre condiciones meteorológicas para niveles elevados de PM2.5 en Fairbanks, Alaska.
36. Yan, S.; Cao, H.; Chen, Y.; Wu, C.; Hong, T.; Fan, H. Características espaciales y temporales de la calidad del aire y del aire.
Cuenca de Sichuan y su relación con los factores meteorológicos. Atmósfera 2015, 6, 150–163. [Referencia cruzada]
2010, 44, 3976–3984. [Referencia cruzada]
Sensores Remotos Entorno. 2015, 166, 262–270. [Referencia cruzada]
25. Huang, F.; Li, X.; Wang, C.; Xu, Q.; Wang, W.; Luo, Y.; Tao, L.; Gao, Q.; Guo, J.; Chen, S.; et al. Variaciones espaciotemporales de PM2.5 y la relación
con factores meteorológicos durante 2013–2014 en Beijing, China. PLoS UNO 2015, 10, e0141642. [Referencia cruzada] [PubMed]
27. Zhang, H.; Wang, Y.; Hu, J.; Ying, Q.; Hu, XM Relaciones entre parámetros y criterios meteorológicos
32. Wang, Y.; Ying, Q.; Hu, J.; Zhang, H. Variaciones espaciales y temporales de seis contaminantes atmosféricos de criterio en 31 capitales provinciales de
China durante 2013–2014. Reinar. En t. 2014, 73, 413–422. [Referencia cruzada] [PubMed]
contaminantes en 2013 en Beijing. Reinar. ciencia contaminar Res. 2016, 23, 13996–14007. [Referencia cruzada] [PubMed]
atmósfera Res. 2011, 99, 39–49. [Referencia cruzada]
33. Daly, C.; Gibson, WP; Taylor, GH; Johnson, GL; Pasteris, P. Un enfoque basado en el conocimiento para la estadística
22. Jones, AM; Harrison, RM; Baker, J. La dependencia de la velocidad del viento de las concentraciones de aire
contaminantes del aire en tres megaciudades de China. Reinar. Res. 2015, 140, 242–254. [Referencia cruzada] [PubMed]
37. Kassomenos, Pensilvania; Vardoulakis, S.; Chaloulakou, A.; Paschalidou, Alaska; Grivas, G.; Borge, R.; Lumbreras, J.
atmósfera Reinar. 2014, 87, 153–163. [Referencia cruzada]
34. Krivoruchko, K. Kriging bayesiano empírico; ESRI: Redlands, CA, EE. UU., 2012. Disponible en línea: www.esri. com/NOTICIAS/ARCUSER/1012/files/
ebk.pdf (consultado el 30 de noviembre de 2017).
partículas y NOx. atmósfera Reinar. 2010, 44, 1682–1690. [Referencia cruzada]
38. Bernabé, F.; Gobbi, GP Aerosol variabilidad estacional sobre la región mediterránea e impacto relativo de las partículas de polvo marítimo, continental y
sahariano sobre la cuenca a partir de datos MODIS en el año 2001.
41. Li, T.; Shen, H.; Zeng, C.; Yuan, Q.; Zhang, L. Fusión punto-superficie de mediciones de estaciones y observaciones satelitales para mapear la distribución
de PM2.5 en China: Métodos y evaluación. atmósfera Reinar. 2017, 152, 477–489. [Referencia cruzada]
atmósfera química física 2004, 4, 2367–2391. [Referencia cruzada]
23. Chen, T.; Él, J.; Lu, X.; Ella, J.; Guan, Z. Variaciones espaciales y temporales de PM2.5 y su relación con factores meteorológicos en el área urbana de
Nanjing, China. En t. J. Medio Ambiente. Res. Salud Pública 2016, 13, 921.
42. Li, T.; Shen, H.; Yuan, Q.; Zhang, X.; Zhang, L. Estimación de PM2.5 a nivel del suelo mediante la fusión de observaciones de estaciones y satélites : un
enfoque de aprendizaje profundo geointeligente. Geofísico. Res. Letón. 2017, 44. [Referencia cruzada]
cartografía del clima. Clima Res. 2002, 22, 99–113. [Referencia cruzada]
[Referencia cruzada] [PubMed]
29. Li, J.; Wang, G.; Wang, X.; Cao, J.; Sol, T.; Chen, C.; Meng, J.; Cabaña.; Liu, S. Abundancia, composición y fuente de PM2.5 atmosférico en un sitio
remoto en la meseta tibetana, China. Tellus B Chem. física Meteorol. 2013, 65, 20281.
Reinar. ciencia Tecnología 2014, 48, 7436–7444. [Referencia cruzada] [PubMed]
observaciones para 190 ciudades. Reinar. contaminar 2016, 216, 559–567. [Referencia cruzada] [PubMed]
35. Zhang, H.; Wang, Z.; Zhang, W. Exploración de patrones espaciotemporales de PM2.5 en China basados en el nivel del suelo
40. Geng, G.; Zhang, Q.; Martín, RV; van Donkelaar, A.; Huo, H.; Che, H.; Lin, J.; He, K. Estimación de las concentraciones de
PM2.5 a largo plazo en China utilizando la profundidad óptica de aerosoles satelitales y un modelo de transporte químico.
24. Li, Y.; Chen, Q.; Zhao, H.; Wang, L.; Tao, R. Variaciones en PM10, PM2.5 y PM1.0 en un área urbana del
39. Ma, Z.; Hu, X.; Huang, L.; Bi, J.; Liu, Y. Estimación de PM2.5 a nivel del suelo en China utilizando sensores remotos satelitales.
26. Xu, J.; Yan, F.; Xie, Y.; Wang, F.; Wu, J.; Fu, Q. Impacto de las condiciones meteorológicas en un evento de contaminación por
partículas de nueve días observado en diciembre de 2013, Shanghái, China. Particuología 2015, 20, 69–79. [Referencia cruzada]
21. Chang, W.; Zhan, J. La asociación de patrones climáticos con episodios de neblina: reconocimiento por clasificación de circulación orientada de PM2.5 aplicada
en Xiamen, sureste de China. atmósfera Res. 2017, 197, 425–436. [Referencia cruzada]
[Referencia cruzada] [PubMed]
28. Chen, Z.; Cai, J.; Gao, B.; Xu, B.; Dai, S.; El, B.; Xie, X. Detección de la influencia causal de factores
meteorológicos individuales en la concentración local de PM2.5 en la región de Jing-Jin-Ji. ciencia Rep. 2017, 7, 40735.
30. Tai, AP; Mickley, LJ; Jacob, DJ Correlaciones entre partículas finas, PM2.5 y variables meteorológicas en los
Estados Unidos: Implicaciones para la sensibilidad de PM2.5 al cambio climático. atmósfera Reinar.
Estudio de niveles de PM10 y PM2,5 en tres ciudades europeas: Análisis de variaciones intra e interurbanas.

56. Colmillo, X.; Zou, B.; Liu, X.; Sternberg, T.; Zhai, L. Estimación de PM2.5 terrestre basada en satélites utilizando
51. Dawson, JP; Adams, PJ; Pandis, SN Sensibilidad de PM2.5 al clima en el este de EE. UU.: un caso modelo
43. Lu, D.; Xu, J.; Yang, D.; Zhao, J. Variación espacio-temporal y factores de influencia de las concentraciones de PM2.5 en
55. Ma, X.; Wang, J.; Yu, F.; Jia, H.; Hu, Y. ¿Se puede emplear MODIS AOD para derivar PM2.5 en Beijing-Tianjin-Hebei?
© 2017 por los autores. Licenciatario MDPI, Basilea, Suiza. Este artículo es un artículo de acceso abierto distribuido bajo los
términos y condiciones de Creative Commons Attribution
(CC BY) licencia (http://creativecommons.org/licenses/by/4.0/).
46. Zheng, M.; salmón, LG; Schauer, JJ; Zeng, L.; Kiang, CS; Zhang, Y.; Cass, GR Tendencias estacionales en las contribuciones de fuentes de PM2.5 en
Beijing, China. atmósfera Reinar. 2005, 39, 3967–3976. [Referencia cruzada]
48. Wang, B.; Wu, R.; Lau, KM Variabilidad interanual del monzón de verano asiático: contrastes entre los monzones de la India y del Pacífico norte occidental
y Asia oriental. J. Clim. 2001, 14, 4073–4090. [Referencia cruzada]
atmósfera Reinar. 2009, 43, 5876–5886. [Referencia cruzada]
47. Dan, M.; Zhuang, G.; Li, X.; Tao, H.; Zhuang, Y. Las características de las especies carbonáceas y sus fuentes en PM2.5 en Beijing. atmósfera Reinar.
49. Hu, D.; Qiao, L.; Chen, J.; Vosotros, X.; Yang, X.; Chen, T.; Fang, W. Higroscopicidad de aerosoles inorgánicos: Tamaño y
53. Wu, YR; Guo, JP; Zhang, XY; Tian, X.; Zhang, JH; Wang, YQ; Duan, J.; Li, XW Sinergia de observaciones satelitales y terrestres en la estimación de
partículas en el este de China. ciencia Entorno Total. 2012, 433, 20–30. [Referencia cruzada] [PubMed]
54. Chu, Y.; Liu, Y.; Li, X.; Liu, Z.; Lu, H.; Lu, Y.; Mao, Z.; Chen, X.; Li, N.; Ren, M.; et al. Una revisión sobre la predicción de la concentración de PM2.5 en el
suelo utilizando la profundidad óptica del aerosol satelital. Atmósfera 2016, 7, 129. [Referencia cruzada]
sobre China? atmósfera Res. 2016, 181, 250–256. [Referencia cruzada]
China de 1998 a 2014. Atmos. contaminar Res. 2017, 8, 1151–1159. [Referencia cruzada]
Efectos de la humedad relativa sobre el factor de crecimiento. Aerosol. Calidad del aire Res. 2010, 10, 255–264. [Referencia cruzada]
44. Wu, P.; Ding, Y.; Liu, Y. Circulación atmosférica y mecanismo dinámico para eventos de neblina persistentes en el
50. Vosotros, X.; Chen, J. Haze y crecimiento higroscópico. Barbilla. J.Nat. 2013, 35, 337–341.
modelado adaptativo de estructuras. Sensores Remotos Entorno. 2016, 186, 152–163. [Referencia cruzada]
Región de Pekín-Tianjin-Hebei. Adv. atmósfera ciencia 2017, 34, 429–440. [Referencia cruzada]
57. Hu, X.; Waller, LA; Al Hamdan, MZ; Crosson, WL; Estes, MG; Estes, SM; Quattrochi, DA; Sarnat, JA; Liu, Y. Estimación de las concentraciones de PM2.5
a nivel del suelo en el sureste de los EE. UU. mediante una regresión ponderada geográficamente. Reinar. Res. 2013, 121, 1–10. [Referencia cruzada]
[PubMed]
estudiar. atmósfera química física 2007, 7, 4295–4309. [Referencia cruzada]
45. Guo, J.; Miao, Y.; Zhang, Y.; Liu, H.; Li, Z.; Zhang, W.; Él, J.; Lou, M.; Yan, Y.; Bian, L.; et al. La climatología de la altura de la capa límite planetaria en
China derivada de datos de radiosondeo y reanálisis. atmósfera química física
52. Guo, JP; Zhang, XY; Che, HZ; Gong, SL; An, XQ; Cao, CX; Guang, J.; Zhang, H.; Wang, YQ; Zhang, XC; et al. Correlación entre las concentraciones de
PM y la profundidad óptica del aerosol en el este de China.

Reproducido con permiso del propietario de los derechos de autor.
Prohibida la reproducción sin permiso.

Relaciones PM2.5-Meteorológicas China

Recomendados

Recomendados

Más contenido relacionado

Último

Último (20)

Destacado

Destacado (20)

Relaciones PM2.5-Meteorológicas China