王瑋，王建國

摘要：為了掌握石家莊市區(qū)域PM2.5濃度的空間分布情況及其時間變化規(guī)律，更好地向大氣污染治理及環(huán)境行政執(zhí)法部門提供技術支持，利用衛(wèi)星遙感數據開展了區(qū)域顆粒物濃度時空動態(tài)分析研究?；贖imawari-8衛(wèi)星遙感數據，通過建立時空回歸模型反演PM2.5濃度，并對所得到的石家莊市2019年近地面PM2.5的濃度，進行了時間和空間的動態(tài)分析。結果表明：1）從時間上來看，2019年PM2.5月度變化基本呈兩邊高中間低的態(tài)勢，取暖季月均濃度明顯高于其他月份，且相對于2018年監(jiān)測濃度有所上升;2）從空間來看，2019 年PM2.5平均濃度呈現西低東高的形勢，且東部各個縣區(qū)高濃度“熱點”聚集程度明顯高于西部縣區(qū)，但熱點聚集性從第一季度到第四季度呈現出逐漸轉弱的現象;3）遙感監(jiān)測與地面監(jiān)測的PM2.5濃度相關性系數在0.7以上，驗證了基于遙感反演進行PM2.5濃度監(jiān)測的可行性。因此，采用遙感手段對大氣環(huán)境進行監(jiān)測，可以全面獲取區(qū)域大氣環(huán)境的時空分布特征，并能夠協助環(huán)保人員有針對性地核查與防范污染事件，具有較大的應用潛力。

關鍵詞：大氣環(huán)境學;Himawari-8;石家莊市;PM2.5濃度;遙感監(jiān)測;變化分析

中圖分類號：X610文獻標識碼：ADOI： 10.7535/hbgykj.2021yx06009

Spatial-temporal dynamic analysis of PM2.5 concentration near ground

in Shijiazhuang based on satellite remote sensing monitoring

WANG Wei1，WANG Jianguo2

（1.Shijiazhuang Environmental Prediction Center，Shijiazhuang，Hebei 050022，China;2.Shijiazhuang Ecological Environment Monitoring Center of Hebei Province，Shijiazhuang，Hebei 050041，China）

Abstract：In order to master the spatial distribution and temporal variation of PM2.5 concentration in Shijiazhuang and provide technical support for air pollution control and environmental administrative law enforcement departments，the spatial and temporal dynamic analysis of regional particulate concentration was carried out by using satellite remote sensing data.Based on Himawari-8 satellite remote sensing data，a spatial-temporal regression model was established to retrieve PM2.5 concentration，and the spatial-temporal dynamic analysis of the obtained PM2.5 concentration near the ground in Shijiazhuang City in 2019 was carried out.The results show that：1） from the perspective of time，the monthly variation of PM2.5 in 2019 shows a trend of high on both sides and low in the middle.The monthly average concentration of PM2.5 in heating season is significantly higher than that in other months，and the monitored concentration has increased compared with that in 2018;2） from the perspective of space，the average PM2.5 concentration in 2019 is low in the west and high in the east，and the aggregation level of concentrated "hot spots" in the eastern counties is significantly higher than that in the western counties，but the aggregation of hot spots gradually weakens from the first quarter to the fourth quarter;3） the correlation coefficient of PM2.5 concentration between remote sensing monitoring and ground monitoring is above 0.7，which verifies the feasibility of PM2.5 concentration monitoring based on remote sensing inversion.Therefore，using remote sensing to monitor the atmospheric environment can comprehensively obtain the spatial and temporal distribution characteristics of regional atmospheric environment and assist environmental protection personnel to check and prevent pollution events in a targeted manner，which has strong application potential.

Keywords：atmospheric environmental science;Himawari-8;Shijiazhuang City;PM2.5 concentration;remote sensing monito-ring;change analysis

大氣污染程度直接影響空氣質量，并且對生態(tài)環(huán)境和人類健康均構成嚴重威脅。減少大氣污染已經成為全世界普遍存在而亟待解決的課題。目前，中國北方地區(qū)，特別是太行山以東區(qū)域，在重污染過程中存在污染程度重、涉及范圍廣、歷時時間長等特點，這種現象在世界范圍內較少見。

大氣氣溶膠中的可吸入顆粒物（PM10，PM2.5）作為大氣主要污染物之一，具有粒徑小、有毒物質含量高、傳播路徑遠、能在大氣中長時間停留等特點，對大氣環(huán)境質量及人體健康均有嚴重危害[1-2]。近年來，雖然在城市地區(qū)建立了監(jiān)測站來實時監(jiān)測PM10與PM2.5的濃度，但由于站點數量有限、大多分布在市區(qū)且只能探測近地面濃度，很難全面反映區(qū)域范圍內PM10與PM2.5的空間分布情況。

隨著衛(wèi)星遙感技術和激光雷達技術的發(fā)展，在大范圍空間尺度和近地面垂直分布上有效估算PM10與PM2.5濃度成為可能。通過地基觀測氣溶膠光學厚度（AOD）與近地面顆粒物濃度的相關性分析，驗證了AOD估算近地面顆粒物濃度的可行性，從而開辟了衛(wèi)星反演近地面PM10與PM2.5的研究之路[3-4]。將衛(wèi)星遙感AOD直接與近地面顆粒物濃度進行相關分析，較好地表征了近地面PM10濃度的分布特征[5-7]。利用大氣濕度等影響因素對AOD與PM10濃度間的相關性進行訂正，一度成為衛(wèi)星反演PM10濃度的研究熱點[8-14]。在PM2.5反演估算方面，Engel-Cox利用衛(wèi)星氣溶膠光學厚度與近地面PM2.5的相關性估算了整個美國地區(qū)的PM2.5分布[15]。衛(wèi)星觀測的氣溶膠光學厚度為整層大氣粒子消光特性，其與近地面顆粒物濃度的關系受氣溶膠的垂直分布、化學組分、吸濕特性等影響。后續(xù)研究通過考慮氣象參數、氣溶膠的垂直分布和濕度等條件對兩者的關系進行了改進[11，16]。PM2.5的衛(wèi)星反演方法受反演區(qū)域的空間尺度、氣溶膠理化特性影響較大，目前常用的主要有多元回歸統計方法和基于垂直和濕度訂正的反演算法。本文借鑒成熟的反演計算模型，以石家莊市為研究區(qū)域，2019年度為時間區(qū)間，對石家莊市區(qū)域PM2.5濃度的空間分布情況及時間變化規(guī)律進行研究與剖析。

1研究區(qū)域

石家莊市地處河北省中南部，環(huán)渤海經濟區(qū)，地理位置為37°27′～38°N，113°30′～115°20′E，現轄8個區(qū)、13個縣，總面積為13 504 km2，如圖1所示;其位于太行山地和華北平原兩大地貌的交接位置，地貌由西向東依次排列為中山、低山、丘陵、盆地、平原。屬溫帶季風氣候，四季分明，干濕期明顯，夏冬季長，春秋季短。石家莊市工業(yè)發(fā)展迅速，能源結構以煤炭為主，高耗能的第二產業(yè)比例偏高，且工業(yè)布局不甚合理。這些特定的自然因素和社會因素，使其大氣污染防治工作形勢日益嚴峻。石家莊市在全國重點城市中大氣污染排名穩(wěn)居后十位，具有很強的代表性。

2數據與監(jiān)測方法

2.1數據

1）衛(wèi)星數據

Himawari-8（簡稱H-8）衛(wèi)星是日本氣象廳于2014年10月發(fā)射成功的新一代靜止氣象衛(wèi)星，星上搭載了世界上最先進的可見光和紅外掃描輻射計AHI （advanced himawari imager），可實現全區(qū)域空間分辨率為2 km，時間分辨率為10 min/次的高頻次對地觀測。H-8靜止衛(wèi)星搭載的AHI傳感器具有16個波段，見表1，相關研究發(fā)現AOD反演采取選擇0.46，0.64，2.3 μm波段的情況下，傳感器定標精度較高[13]。本文利用2019 01 01至2019 12 31數據，進行石家莊市PM2.5濃度監(jiān)測與分析，選用2017年6月數據進行模型訓練，選用2017年7—8月數據進行結果精度驗證。

2）地面數據

下載石家莊市2019年1—12月以及2017年6—8月2個時間段的國控站點（見表2）的PM2.5濃度監(jiān)測數據，剔除無效值與空值后，計算有效時間內的均值作為當日地面PM2.5濃度值。

3）模型的數據匹配

地面數據與衛(wèi)星數據進行地理匹配時，如果一個像元中涉及一個站點，則將此站點的濃度值作為像元的對應值;若一個像元對應多個站點，則將所有站點的濃度平均值作為此像元對應值;若像元中未涉及到站點，則賦值為NaN。對于衛(wèi)星像元值缺失情況，選擇將該像元進行剔除，不參與模型運算。

2.2監(jiān)測方法

基于衛(wèi)星遙感反演PM2.5濃度，首先進行AOD的遙感反演，然后利用時空回歸模型估計近地面顆粒物的濃度。

2.2.1AOD反演方法

目前基于衛(wèi)星數據反演氣溶膠光學厚度的主要方法有暗像元法和深藍算法。暗像元法反演氣溶膠光學厚度的原理，是通過統計波段間的經驗關系作為先驗知識，利用受大氣影響小的短波紅外波段（2.3 μm）估計紅（0.64 μm）、藍（0.47 μm） 波段的地表反射率，結合假設的氣溶膠類型利用輻射傳輸模型建立査找表LUT，利用輻射傳輸模型模擬衛(wèi)星觀測的表觀反射率TOA（top of atmosphere），將模擬值與衛(wèi)星真實觀測的表觀反射率進行匹配，按照一定的價值函數約束反演AOD[13-14]。深藍算法是利用在藍波段大氣反射較強，地表反射較弱的特點，假定同期的地表反射率不變，基于晴好天氣的地表反射率反演氣溶膠。深藍算法與暗像元算法的不同在于其利用的是MOD09的地表反射率產品作為實際地表反射率，其他反演過程類似。

具體算法流程如下。

1）確定地表反射率本文利用植被波譜庫與儀器的波譜響應函數建立紅藍波段與短波紅外波段之間的關系，將精確大氣校正后的短波紅外表觀反射率視為真實地表反射率，從而可獲得紅藍波段中地表的貢獻。

2）確定暗像元短波紅外受氣溶膠的影響較小且反射率較低，可以利用其閾值（表觀反射率大于0.01，小于0.15）來確定。

3）去云、水像元采用云檢測算法得到云像元，利用歸一化水體指數識別水體像元并去除。

4）構建查找表利用6S輻射傳輸模型，設置不同的AOD、太陽天頂角、觀測天頂角、相對方位角的組合，建立查找表。

5）利用暗像元算法完成氣溶膠反演。

2.2.2PM2.5反演方法

大量研究表明衛(wèi)星遙感獲取的AOD與PM2.5濃度之間存在很大的相關性，并可經過訂正獲取區(qū)域PM2.5的空間分布。針對區(qū)域尺度上AOD-PM2.5之間的關系存在較大的時間和空間變化特性，建立基于氣溶膠光學厚度的PM2.5時空回歸模型有利于保證PM2.5反演的精準度[17-20]。

具體算法流程如下。

1）數據收集與處理下載2017年6—8月石家莊市PM2.5地面監(jiān)測數據，收集對應時間葵花AHI氣溶膠光學厚度數據。

2）建立混合效應模型利用混合效應模型對AOD-PM2.5每天的關系進行建模，通過不同的斜率與截距項來考慮時間變化特征，見式（1）。

PMs，t=（b0+b0，t）+（b1+b1，t）×AODs，t+St，（1）

式中：PMs，t表示在第s個站點第t天的PM2.5濃度觀測值;AODs，t表示格網中對應第s個觀測站點在第t天的AOD值;b0和b0，t分別表示固定截距和隨機的截距;b1和b1，t分別表示AOD的固定斜率和隨機斜率;St表示站點的隨機效應的影響。

3）建立地理加權回歸模型地理加權回歸在時間尺度上是單一的，也就是說每次地理加權回歸只能針對一個時間截面。建立模型方程見式（2）。

PM_resis，t=β0，s+β1，tAODst+εst，（2）

式中：PM_resis，t表示利用混合效應模型得到的第t天，站點s的殘差部分;AODst表示第t天站點s的AOD值;β0，s和β1，t表示特定地理位置的截距與斜率。

4）構建時空回歸模型利用混合效應模型對AOD-PM2.5關系建模，通過隨機效應來解決時間差異，利用地理加權回歸模型對殘差與AOD的關系建模，解決空間差異性，最后將混合效應模型與地理加權回歸模型結合起來組成時空回歸模型。使用時空回歸模型，利用AOD進行區(qū)域尺度的PM2.5估算研究。

3監(jiān)測結果與分析

3.1反演結果驗證

1）模型精度驗證

針對石家莊市8個國控點的2017年7—8月的部分地面監(jiān)測PM2.5質量濃度（以下簡稱濃度）數據和時空回歸模型反演PM2.5濃度數據進行比較（見圖2），并對上述數據進行相關性分析，以達到對本模型的有效性驗證的目的。

根據圖2可以發(fā)現，8個國控點地面監(jiān)測數據的PM2.5濃度與模型反演PM2.5濃度數據相近，變化趨勢一致，數值差距較小，驗證了時空回歸模型反演PM2.5濃度的可行性。

2）模型時空適用性驗證

通過對石家莊市區(qū)域2019年全部國控點PM2.5濃度監(jiān)測數據日均值與時空回歸模型反演對應時間的PM2.5濃度均值的相關性分析，實現了時空回歸模型的反演結果在一定時空范圍內的適用性和可靠性的驗證分析證明。具體分析結果如圖3所示。

圖3顯示時空回歸模型反演大氣PM2.5濃度和石家莊市全部國控點地面監(jiān)測PM2.5濃度的各點位濃度值的相關性分析結果，相關系數近似為0.75，結果顯示反演數據結果與地面監(jiān)測數據相關性很高，完全符合反演要求。結果表明，時空回歸模型反演大氣PM2.5濃度結果在石家莊市整個區(qū)域具有高時空適用性和可靠性。

3.22019年PM2.5濃度時間動態(tài)分析

1）2019年PM2.5平均濃度分析

如圖4所示，2019 01 01至2019 12 31，基于H-8遙感衛(wèi)星每天10：00～14：00遙感數據，獲取PM2.5濃度（質量濃度，下同）。進一步篩選無云覆蓋情況下的有效數據，共得到205 d衛(wèi)星數據，基于此進行2019年度的PM2.5濃度反演、計算、分析。2019年石家莊市PM2.5平均質量濃度為73.6 μg/m3，其中東部地區(qū)PM2.5平均濃度高于西部地區(qū)，尤其以高新區(qū)、裕華區(qū)、橋西區(qū)濃度最高，靈壽縣、井陘縣、平山縣濃度最低，各縣區(qū)PM2.5濃度大小具體見圖5。

由圖6可知，2019年石家莊市PM2.5濃度月變化基本呈現兩邊高中間低的形勢，尤其是取暖季（12月、1月、2月）月均濃度明顯高于其他月份，其中8月份處于整年低谷期，另外PM2.5濃度在取暖期前后（3月、11月）出現小低谷。不同月份的PM2.5濃度排序為12月>2月>1月>6月>4月>5月>3月>10月>9月>7月>11月>8月。

衛(wèi)星監(jiān)測數據反演結果顯示，2019年PM2.5平均濃度高于2018年均值，年均值增加40%。從具體月份來看，PM2.5濃度在7月份降低2.14%，8月份降低8.97%，11月份降低51.91%，其他月份濃度均有不同程度增加。

3.32019年PM2.5濃度空間分布動態(tài)分析

將每天的PM2.5濃度的柵格數值排序后，提取前50個高質量濃度像元，作為“熱點”，然后將每個季度的所有熱點提取出來，進行密度分析，見圖7。結果顯示，2019年各個季度的PM2.5高濃度“熱點”均在市區(qū)呈現聚集分布，尤其第一季度、第四季度熱點在市區(qū)聚集分布最明顯;另外，第一季度、第四季度熱點分布聚集性均呈現東部地區(qū)高于西部地區(qū)的現象;各個縣區(qū)熱點聚集性從第一季度到第四季度呈現出逐漸轉弱的現象。

3.4結果討論

綜合利用衛(wèi)星遙感技術對區(qū)域進行大氣環(huán)境監(jiān)測，可以全面獲取區(qū)域環(huán)境狀況本底信息，有效協助環(huán)保部門掌控轄區(qū)環(huán)境輿情處置的主動權。

根據研究結果，石家莊市PM2.5濃度空間分布呈現東高西低的形勢，是因為一方面石家莊市西北部為山區(qū)，污染傳輸受西部山脈阻擋容易在中東部累積，另一方面污染企業(yè)多分布于中東部平原地區(qū)，且中部市區(qū)的機動車流量較大，本地排放源明顯多于西部地區(qū)。從時間動態(tài)來看，石家莊市PM2.5濃度呈現兩頭高中間低的“凹”形變化，這與付桂琴等[21]的研究結果相同，主要是由于石家莊市10—12月以及1—3月逆溫頻率較高，而逆溫是影響污染物垂直擴散的主要原因。

4結語

為了解石家莊市區(qū)域PM2.5濃度的空間分布情況及時間變化規(guī)律，從而為空氣污染治理措施及環(huán)境行政執(zhí)法提供數據參考和技術支持。本文利用H-8衛(wèi)星數據對石家莊市2019年PM2.5濃度進行了時空動態(tài)分析，得到以下結論。

1）從時間動態(tài)分析來看，2019 年月度變化基本呈兩邊高中間低的態(tài)勢，取暖季月均濃度明顯高于其他月份;相對于2018年PM2.5濃度有所增加，但8月與11月平均濃度有所下降。

2）從空間動態(tài)分析來看，2019 年PM2.5平均濃度呈現西低東高的形勢，其中市區(qū)平均濃度最高;2019年各個季度的PM2.5高濃度“熱點”在市區(qū)呈現聚集分布，并且東部各個縣區(qū)熱點聚集程度明顯高于西部縣區(qū)，但各個縣區(qū)熱點聚集性從第一季度到第四季度呈現出逐漸轉弱的現象。

3）從PM2.5濃度遙感監(jiān)測有效性來看，遙感監(jiān)測與地面監(jiān)測的濃度相關性系數大于0.7，驗證了區(qū)域尺度衛(wèi)星遙感反演監(jiān)測PM2.5的可行性。證明采用遙感手段對石家莊市的大氣環(huán)境進行監(jiān)測，可以全面獲取區(qū)域環(huán)境狀況本底信息，協助環(huán)保人員有針對性的核查，具有較大的應用潛力。但本模型未考慮到PM2.5與AOD之間的關系在不同季節(jié)可能有不同的表現，因此在后續(xù)研究中，將進行分季節(jié)模型訓練，進一步提高反演精度，為區(qū)域大氣監(jiān)測提供更高精度的數據支撐。

參考文獻/References：

[1]GENT J F，KOUTRAKIS P，BELANGE K，et al.Symptoms and medication use in children with asthma and traffic-related sources of fine particle pollution[J].Environmental Health Perspectives，2009，117（7）：1168-1174.

[2]ARDEN POPE III C，BURNETT R T，THUN M J，et al.Lung cancer，cardiopulmonary mortality，and long-term exposure to fine particulate air pollution[J].JAMA，2002，287（9）：1132-1141.

[3]CHU D A，KAUFMAN Y J，ZIBORDI G，et al.Global monitoring of air pollution over land from the Earth Observing System-Terra Moderate Resolution Imaging Spectroradiometer（MODIS）[J].Journal of Geophysical Research，2003，108（D21）：4661.

[4]SLATER J F，DIBB J E，CAMPBELL J W，et al.Physical and chemical properties of surface and column aerosols at a rural New England site during MODIS overpass[J].Remote Sensing Environment，2004，92（2）：173-180.

[5]WANG Jun，CHRISTOPHER S A.Intercomparison between satellite derived aerosol optical thickness and PM2.5 mass：Implications for air quality studies[J].Geophysics Research Letters，2003，30（21）：2095.

[6]KOELEMEIJER R B A，HOMAN C D，MATTHIJSEN J.Comparison of spatial and temporal variations of aerosol optical thickness and particulate matter over Europe[J].Atmospheric Environment，2006，40（27）：5304-5315.

[7]GUO Jianping，ZHANG Xiaoye，CHE Huizheng，et al.Correlation between PM concentrations and aerosol optical depth in eastern China[J].Atmospheric Environment，2009，43（37）：5876-5886.

[8]ENGEL-COX J A，HOFF R M，ROGERS R，et al.Integrating lidar and satellite optical depth with ambient monitoring for 3-dimensional particulate characterization[J].Atmospheric Environment，2006，40（40）：8056-8067.

[9]HUTCHISON K D，FARUQUI S J，SMITH S.Improving correlations between MODIS aerosol optical thickness and ground-based PM2.5 observations through 3D spatial analyses[J].Atmospheric Environment，2008，42（3）：530-543.

[10]VAN DONKELAAR A，MARTIN R V，BRAUER M，et al.Global estimates of ambient fine particulate matter concentrations from satellite-based aerosol optical depth：Development and application[J].Environmental Health Perspectives，2010，118（6）：847-855.

[11]WANG Zifeng，CHEN Liangfeng，TAO Jinhua，et al.Satellite-based estimation of regional particulate matter（PM）in Beijing using vertical-and-RH correcting method[J].Remote Sensing of Environment，2010，114（1）：50-63.

[12]陶金花，張美根，陳良富，等.一種基于衛(wèi)星遙感AOT估算近地面顆粒物的方法[J].中國科學（地球科學），2013，43（1）：143-154.

TAO Jinhua，ZHANG Meigen，CHEN Liangfu，et al.Method to estimate concentration of surface-level particulate matter from satellite-based aerosol optical thickness[J].Science China（Earth Sciences），2013，43（1）：143-154.

[13]葛邦宇，楊磊庫，陳興峰，等.暗目標法的Himawari-8靜止衛(wèi)星數據氣溶膠反演[J].遙感學報，2018，22（1）：38-50.

GE Bangyu，YANG Leiku，CHEN Xingfeng，et al.Study on aerosol optical depth retrieval over land from Himawari-8 data based on dark target method[J].Journal of Remote Sensing，2018，22（1）：38-50.

[14]YU Fangfang，WU Xiangqian.Radiometric inter-calibration between Himawari-8 AHI and S-NPP VIIRS for the solar reflective bands[J].Remote Sensing，2016，8（3）：165.

[15]ENGEL-COX J A，HOLLOMAN C H，COUTANT B W，et al.Qualitative and quantitative evaluation of MODIS satellite sensor data for regional and urban scale air quality[J].Atmospheric Environment，2004，38（16）：2495-2509.

[16]GUPTA P，CHRISTOPHER S A.Particulate matter air quality assessment using integrated surface，satellite，and meteorological products：Multiple regression approach[J].Journal of Geophysical Research Atmospheres，2009.DOI：10.1029/2008JD011496.

[17]付宏臣，孫艷玲，王斌，等.基于AOD數據和GWR模型估算京津冀地區(qū)PM2.5濃度[J].中國環(huán)境科學，2019，39（11）：4530-4537.

FU Hongchen，SUN Yanling，WANG Bin，et al.Estimation of PM2.5 concentration in Beijing-Tianjin-Hebei region based on AOD data and GWR model[J].China Environmental Science，2019，39（11）：4530-4537.

[18]張永宏，朱靈龍，闞希，等.基于衛(wèi)星遙感和氣象數據的2015年徐州市PM2.5時空特征[J].科學技術與工程，2017，17（36）：124-129.

ZHANG Yonghong，ZHU Linglong，KAN Xi，et al.Temporal and spatial variations of PM2.5 in Xuzhou 2015 based on satellite remote sensing and meteorological data[J].Science Technology and Engineering，2017，17（36）：124-129.

[19]KING M D，KAUFMAN Y J，TANR D.Remote sensing of tropospheric aerosols from space：Past，present，and future[J].American Meteorological Society，1999，80（11）：2229-2259.

[20]婁拴柱，劉乙淼，任春雷，等.基于衛(wèi)星遙感及SPAMS的石家莊市2017年秋冬季首次污染過程研究[J].河北工業(yè)科技，2018，35（5）：354-362.

LOU Shuanzhu，LIU Yimiao，REN Chunlei，et al.Study on the first pollution process in autumn-winter of 2017 in Shijiazhuang City based on satellite remote sensing and SPAMS[J].Hebei Journal of Industrial Science and Technology，2018，35（5）：354-362.

[21]付桂琴，張杏敏，尤鳳春，等.氣象條件對石家莊PM2.5濃度的影響分析[J].干旱氣象，2016，34（2）：349-355.

FU Guiqin，ZHANG Xingmin，YOU Fengchun，et al.Effect of meteorological conditions on PM2.5 concentration in Shijiazhuang of Hebei[J].Journal of Arid Meteorology，2016，34（2）：349-355.