LUR模型模擬的南昌市PM2.5濃度與土地利用類型的關(guān)系

陽海鷗，陳文波，梁照鳳

?

LUR模型模擬的南昌市PM2.5濃度與土地利用類型的關(guān)系

陽海鷗1,2,3，陳文波2※，梁照鳳2

（1. 江西農(nóng)業(yè)大學林學院，南昌 330045； 2. 南昌市景觀與環(huán)境重點實驗室, 南昌 330045；3. 九江學院旅游與國土資源學院，九江 332005）

城市土地利用對城市大氣污染具有重要影響，探究兩者間的關(guān)系對于促進城市大氣污染治理、保障人體健康具有重要意義。該研究首先利用土地利用回歸（land use regression, LUR）模型模擬南昌市中心城區(qū)PM2.5濃度空間分布。其次，根據(jù)土地利用主導方式的不同，在南昌市中心城區(qū)選擇商業(yè)區(qū)、工業(yè)區(qū)、居住區(qū)、教育區(qū)和對照區(qū)各5個，作為樣本功能區(qū)，分春、夏、秋、冬四季統(tǒng)計各樣本功能區(qū)PM2.5濃度，運用方差分析與多重比較法定量研究不同類型功能區(qū)四季PM2.5濃度差異。研究結(jié)果表明：1）四季LUR模型調(diào)整2分別為0.713、0.741、0.898、0.964，檢驗樣本平均絕對誤差率為12.03%，說明構(gòu)建的四季LUR模型擬合情況好，可以有效地對監(jiān)測點以外區(qū)域PM2.5濃度進行估計；2）功能區(qū)類型對PM2.5濃度影響顯著，城市土地利用方式顯著影響PM2.5濃度，且這種影響與季節(jié)無關(guān)；3）各類功能區(qū)之間PM2.5濃度差異顯著水平不一致，工業(yè)區(qū)與商業(yè)區(qū)、居住區(qū)與教育區(qū)均無顯著差異，工業(yè)區(qū)、商業(yè)區(qū)均與教育區(qū)和居住區(qū)有顯著差異，對照區(qū)與其他4類功能區(qū)均有顯著差異。該研究探索了城市土地利用與大氣污染耦合的新思路，研究結(jié)果為優(yōu)化城市土地利用，緩解大氣污染提供參考。

模型；土地利用；方差分析；功能區(qū)；PM2.5；耦合

0 引 言

改革開放以來，中國的城市化率一直保持快速增長，由1978年的17.92%增長到2013年的53.73%[1]，大量的自然用地被轉(zhuǎn)化為建設(shè)用地以支撐城市發(fā)展，土地利用 /土地覆蓋發(fā)生了巨大改變，帶來了一系列生態(tài)環(huán)境問題[2-4]。其中，城市大氣污染日益嚴重，已成為制約中國城市健康發(fā)展的重要因素。已有研究表明，大氣污染在宏觀層面上與氣候氣象條件密切相關(guān)，但在微觀層面上卻與局部的土地利用情況緊密相聯(lián)[5-7]，特別是城市綠地和建設(shè)用地的空間布局對城市大氣污染具有重要影響[8]。目前關(guān)于土地利用與大氣污染關(guān)系的研究較少，分散于大氣科學、土地科學等領(lǐng)域，各個領(lǐng)域的學者往往從自身學科特點出發(fā)進行相關(guān)研究，尚未形成統(tǒng)一的理論。大氣科學領(lǐng)域的學者并不特別關(guān)注土地利用與大氣污染的關(guān)系，只是在用數(shù)值模擬技術(shù)模擬大氣污染物擴散時常將土地利用變化作為其中的一個影響因子[6]；土地科學領(lǐng)域的學者側(cè)重于從土地利用入手，運用簡單的定量分析法分析土地利用類型與大氣污染的相關(guān)性[9-11]，缺少深入的定量研究，且現(xiàn)有研究多針對大尺度空間區(qū)域，鮮有城市小尺度的研究。因此，土地利用與大氣污染關(guān)系的研究有待進一步深入。

PM2.5是指空氣中直徑小于等于2.5m的固態(tài)或液態(tài)細顆粒物，常聚集大量有毒物質(zhì)且能伴隨著人類呼吸進入肺部并長期殘留其中，嚴重危害人類身體健康[12]。相關(guān)研究表明，長期處于受PM2.5污染空氣中的人，呼吸系統(tǒng)和心血管疾病的發(fā)病率和死亡率都大大提高[13]。PM2.5目前是中國城市的首要大氣污染物，準確把握PM2.5的時空分布，揭示其分布的內(nèi)在機理及傳輸規(guī)律是亟待研究的熱點。現(xiàn)階段，城市地區(qū)的PM2.5日常監(jiān)測主要通過固定監(jiān)測點進行，這種傳統(tǒng)的定點監(jiān)測方式存在覆蓋范圍小、密度低、成本高等缺點，無法實現(xiàn)PM2.5濃度高分辨率空間分布制圖。國內(nèi)外不少學者嘗試通過建模的方法來實現(xiàn)此目的，常見的方法有大氣數(shù)值模擬[14]、空間差值[15]、MODIS遙感影像反演[16]、神經(jīng)網(wǎng)絡(luò)[17-18]以及土地利用回歸（land use regression，LUR）模型[19-20]。LUR模型是一個基于GIS平臺建立的大氣污染物濃度與周邊地理變量之間關(guān)系的統(tǒng)計回歸模型，它具有考慮因素齊全、使用范圍廣、成本低、估算精度和空間分辨率高等優(yōu)點[20-21]。LUR模型對大氣污染物的模擬過程結(jié)合了污染物產(chǎn)生的原理，能在一定程度從機制層面解釋大氣污染物濃度的時空分布特征。目前，LUR模型在中國的應用較少[20]，在歐洲和北美等地區(qū)應用廣泛[22-23]，實踐經(jīng)驗也證明其模擬大氣污染物濃度的效果比較好，甚至優(yōu)于其他的統(tǒng)計方法如克里金插值、離散模型、暴露指標法等[24-27]。

本文以南昌市中心城區(qū)為研究區(qū)域，以PM2.5為典型大氣污染物，基于空氣質(zhì)量監(jiān)測點的PM2.5實測數(shù)據(jù)，利用LUR模型實現(xiàn)區(qū)域PM2.5濃度空間分布模擬；然后根據(jù)主導土地利用方式，在研究區(qū)內(nèi)選取商業(yè)區(qū)、工業(yè)區(qū)、居住區(qū)、教育區(qū)和對照區(qū)各5個，作為樣本功能區(qū)。運用方差分析與多重比較法定量研究不同類型功能區(qū)與大氣污染物濃度的空間分布關(guān)系，將土地利用與PM2.5濃度進行空間耦合，探討土地利用對大氣污染的影響，旨在為通過城市土地利用優(yōu)化緩解大氣污染提供參考。

1 研究區(qū)域概況與數(shù)據(jù)來源

1.1 研究區(qū)域概況

南昌市是江西省省會，地處江西省中北部（115°27′－116°35′E，28°09′－29°11′N），位于贛江、撫河下游，屬于中亞熱帶濕潤季風氣候。全市總面積7 402.36 km2，下轄東湖區(qū)、西湖區(qū)、青云譜區(qū)、青山湖區(qū)、灣里區(qū)、新建區(qū)6個市轄區(qū)，以及南昌縣、進賢縣、安義縣3個縣。截至2014年末，南昌市常住總?cè)丝?24.02萬人，機動車保有量64萬。本研究選取南昌市土地利用總體規(guī)劃劃定的中心城區(qū)為研究范圍，面積562.46 km2。目前南昌市有9個空氣質(zhì)量監(jiān)測點對空氣中的PM2.5、PM10、O3、NO2等大氣污染物進行實時監(jiān)測，其中有8個監(jiān)測點位于中心城區(qū)范圍內(nèi)（圖1），另一個監(jiān)測點屬于清潔對照點，位于梅嶺風景區(qū)內(nèi)。2014年，在全國190個城市PM2.5濃度由高到低排名中，南昌排名第133位。

1.2 數(shù)據(jù)來源

研究所用2014年P(guān)M2.5監(jiān)測數(shù)據(jù)來源于南昌市環(huán)保局，2014年南昌氣象站的氣象數(shù)據(jù)來源于中國氣象科學數(shù)據(jù)共享服務(wù)網(wǎng)（http://data.cma.cn/），2014年南昌市土地利用數(shù)據(jù)來自于南昌市國土局的城鎮(zhèn)地籍調(diào)查圖。數(shù)據(jù)處理采用ArcGIS10.2和SPSS19.0軟件。

2 研究方法

2.1 研究思路

本研究主要分為3步：1）基于LUR模型的PM2.5濃度空間分布模擬。利用南昌市空氣質(zhì)量監(jiān)測點的PM2.5濃度數(shù)據(jù)，結(jié)合道路、人口、土地利用、氣象等相關(guān)地理變量，構(gòu)建四季PM2.5濃度的LUR模型。2）樣本功能區(qū)的選擇。以南昌市地籍、城市規(guī)劃數(shù)據(jù)為基礎(chǔ)，根據(jù)完整性和顯著性原則，選取商業(yè)、工業(yè)、居住、教育、對照區(qū)5類樣本功能區(qū)各5個。3）樣本功能區(qū)PM2.5濃度統(tǒng)計與分析。根據(jù)步驟1）得到的LUR模型計算各個樣本功能區(qū)的四季PM2.5濃度，分析城市土地利用對大氣污染的影響。

2.2 LUR模型建立

LUR模型通常包含1個因變量和2個或者2個以上自變量，模型基本公式為

式中為因變量，在本文中即監(jiān)測點的月均PM2.5濃度，1,2, …,X為自變量，即與PM2.5濃度相關(guān)的地理變量，1，2, …,β為待定系數(shù)，為隨機變量。模型的算法本文采用吳健生等[20,28]提出的后向算法，先計算各個自變量與PM2.5濃度的相關(guān)性，然后用逐步多元線性回歸方法構(gòu)建模型。具體包括以下5個步驟：1）計算各自變量與PM2.5濃度的相關(guān)性；2）剔除與PM2.5濃度相關(guān)性不合常理的變量；3）找出每類因子中與PM2.5濃度相關(guān)性最高的變量，即排序最高變量；4）去除每類因子中與排序最高變量皮爾森相關(guān)系數(shù)大于0.6的變量；5）用剩余變量進行逐步多元線性回歸。模型精度驗證采用Holdout Validation法[20]，從每個季度的數(shù)據(jù)隨機抽取18個作為訓練樣本建模，剩余的6個作為檢驗樣本，利用檢驗樣本模擬值與實測值之間的吻合度檢驗模型精度。為了避免模型結(jié)果受數(shù)據(jù)分組的影響，每個季度的上述建模操作重復3次，取擬合度最優(yōu)的LUR模型作為預測模型。

本文根據(jù)LUR模型中常見的相關(guān)地理變量并考慮南昌市的實際情況及數(shù)據(jù)的可獲取性，選取道路、人口、土地利用、氣象4類因子42個變量作為模型的自變量（見表1），利用位于南昌市中心城區(qū)8個監(jiān)測點2014年P(guān)M2.5月均濃度數(shù)據(jù)作為因變量，構(gòu)建PM2.5濃度的LUR模型。道路因子采用緩沖區(qū)內(nèi)道路密度表示。考慮到城市規(guī)模、研究尺度以及南昌市的實際情況，在參考Liu等[29]做法的基礎(chǔ)上，緩沖區(qū)半徑本文設(shè)為300、600、900、1 200、2 400和4 800 m 6種。根據(jù)南昌市城市總體規(guī)劃道路交通規(guī)劃圖，將南昌市的道路分為主干道和次干道2類，然后以8個監(jiān)測點為中心進行緩沖區(qū)分析，統(tǒng)計得到每個緩沖區(qū)內(nèi)主干道長度、次干道長度、以及道路總長度，除以緩沖區(qū)的面積得到主干道密度、次干道密度、以及道路總密度。人口因子采用緩沖區(qū)內(nèi)居住用地面積比表示。具體做法是以監(jiān)測點為中心，進行6種半徑的緩沖區(qū)分析，分別統(tǒng)計緩沖區(qū)內(nèi)居住區(qū)面積，除以緩沖區(qū)面積得到居住用地面積比。土地利用因子采用緩沖區(qū)內(nèi)生態(tài)用地面積比、工業(yè)用地面積比和距離大型生態(tài)用地的距離表示。將城市中的水體、綠地、農(nóng)業(yè)種植用地定義為生態(tài)用地，然后以監(jiān)測點為中心進行6種半徑的緩沖區(qū)分析，得到緩沖區(qū)內(nèi)生態(tài)用地面積，除以緩沖區(qū)面積即得到緩沖區(qū)內(nèi)生態(tài)用地面積比。工業(yè)用地面積比與生態(tài)用地面積比計算方法相同。南昌市森林資源、水資源豐富，本文選取梅嶺風景區(qū)、贛江、以及黃家湖、前湖、青山湖、艾溪湖等湖泊作為大型生態(tài)用地，用與最近的大型生態(tài)用地的距離表示大型生態(tài)用地的影響。氣象因子包括月平均相對濕度、氣壓、水氣壓、溫度和風速。

表1 自變量的分類與處理

注：MROAD、SROAD、TROAD、RLP、ELP、ILP均取300、600、900、1 200、2 400、4 800 m 6種緩沖區(qū)半徑。

Note: Variables ofMROAD、SROAD、、TROAD、RLP、ELP、ILPhave six kinds of buffer zone radii of 300, 600, 900, 1 200, 2 400 and 4 800 m.

2.3 土地利用樣本功能區(qū)選擇

利用南昌市城鎮(zhèn)地籍調(diào)查圖，結(jié)合城市發(fā)展規(guī)劃，在中心城區(qū)選取商業(yè)、工業(yè)、住宅、教育和對照區(qū)5類樣本功能區(qū)。選取樣本功能區(qū)時，按照地形、地物邊界一致原則，嚴格保持宗地的完整性；同時充分保持功能區(qū)內(nèi)土地利用類型的顯著性。其中居住區(qū)內(nèi)住宅用地面積占居住功能區(qū)總面積的50%以上；商業(yè)區(qū)范圍內(nèi)商業(yè)用地（含商務(wù)、金融、服務(wù)業(yè)等用地）面積比例達到商業(yè)功能區(qū)總面積的60%以上，并包含居住區(qū)級以上（不含居住區(qū)級）的商業(yè)金融等公共服務(wù)設(shè)施用地；工業(yè)區(qū)內(nèi)工業(yè)用地（含高新技術(shù)產(chǎn)業(yè)用地和倉儲用地）面積比例達到工業(yè)功能區(qū)總面積的40%以上；教育區(qū)選擇高等院校用地，一個教育功能區(qū)由一個教育機構(gòu)構(gòu)成；對照區(qū)選擇主導地類為林地、耕地、水域等人類污染活動少的區(qū)域，對照區(qū)內(nèi)林地、耕地、水域的面積比例達到對照功能區(qū)總面積的80%以上。

3 結(jié)果與分析

3.1 基于LUR模型的PM2.5濃度空間分布模擬

各個自變量與因變量PM2.5濃度的相關(guān)分析結(jié)果見表2，可以看出4類因子中對PM2.5濃度有顯著影響的是道路因子和氣象因子，人口因子和土地利用因子與PM2.5濃度的相關(guān)性相對較弱。

表2 自變量與PM2.5的相關(guān)性

根據(jù)相關(guān)分析結(jié)果和LUR模型算法，剔除與PM2.5相關(guān)性不合假定相關(guān)性質(zhì)的變量，找出每類因子中與PM2.5相關(guān)性排序最高的變量，再去除每類因子中與排序最高變量皮爾森相關(guān)系數(shù)大于0.6的變量，最終剩余的參與LUR建模的自變量有10個，分別是300 m緩沖區(qū)內(nèi)主干道密度、300 m緩沖區(qū)內(nèi)次干道密度、300 m緩沖區(qū)內(nèi)道路總密度、1 200 m緩沖區(qū)內(nèi)居住用地面積比、300 m緩沖區(qū)內(nèi)生態(tài)用地面積比、2 400 m緩沖區(qū)內(nèi)生態(tài)用地面積比、300 m緩沖區(qū)內(nèi)工業(yè)用地面積比、風速、溫度和相對濕度。考慮到各個季節(jié)對PM2.5濃度起主導作用的影響因素可能不同，分別對春、夏、秋、冬四季PM2.5濃度進行LUR建模。構(gòu)建的四季12個LUR模型中，春季和夏季LUR模型調(diào)整2波動稍大，秋季和冬季LUR模型調(diào)整2相對穩(wěn)定，變化幅度不大，各個季度分別取擬合度最優(yōu)的作為PM2.5預測模型，最終四季LUR建模結(jié)果見表3。從表3可以看出，最終進入4個LUR模型的自變量不盡相同，始終進入模型的自變量是300 m緩沖區(qū)內(nèi)主干道密度，說明對研究區(qū)四季PM2.5濃度空間分布都具有明顯影響的因素是300 m緩沖區(qū)內(nèi)主干道密度；氣象因子中的相對濕度自變量最終進入春、夏、秋季LUR模型，溫度自變量最終進入春、冬季LUR模型，說明相對濕度對研究區(qū)PM2.5濃度影響大、而溫度在低溫季節(jié)對PM2.5濃度影響較大。由模型的調(diào)整2（表3）可知，模型的自變量能夠解釋70%以上的PM2.5濃度變化，構(gòu)建的四季LUR模型擬合情況好，解釋能力強。

表3 四季最優(yōu)LUR模型結(jié)果

圖2列出了每個季度6個檢驗樣本的模擬值和實測值。通過計算各個檢驗樣本模擬值與實測值的差異，得出檢驗樣本的平均絕對誤差率為12.03%，說明上文構(gòu)建的四季LUR模型誤差小，可以有效地實現(xiàn)研究區(qū)PM2.5濃度估計。

根據(jù)上文得到的四季最優(yōu)LUR模型，對研究區(qū)進行四季PM2.5濃度模擬。先對研究區(qū)進行1 km× 1 km網(wǎng)格化處理，以每個網(wǎng)格中心點作為預測點，計算各個預測點的相關(guān)地理變量值，然后在標準化處理的基礎(chǔ)上根據(jù)LUR模型計算各個預測點的四季PM2.5濃度，最后借助普通克里格空間差值法生成研究區(qū)的四季PM2.5濃度空間分布圖，見圖3。

從圖3中可以看出研究區(qū)PM2.5濃度夏季低、冬季高，且呈明顯的空間分布特征。全年P(guān)M2.5高值區(qū)都集中在城市中心，冬季尤為明顯，呈現(xiàn)出4個平均PM2.5質(zhì)量濃度85.73g/m3以上高值區(qū)，分別分布于蛟橋、紅谷灘、八一廣場和洪城市場區(qū)域。低值區(qū)主要分布在城市周邊的大型綠地或水體區(qū)域，其中西北區(qū)的梅嶺和西南區(qū)的生米鎮(zhèn)PM2.5濃度始終處于區(qū)域較低水平，夏季平均PM2.5質(zhì)量濃度不超過38.56g/m3。

3.2 樣本功能區(qū)的選擇

根據(jù)上文提到的土地利用樣本功能區(qū)選取原則，結(jié)合實際情況，最終樣本功能區(qū)選擇如圖4。

3.3 樣本功能區(qū)PM2.5濃度差異分析

首先對25個樣本功能區(qū)四季PM2.5濃度進行正態(tài)分布檢驗和方差齊性檢驗，檢驗通過后進行方差分析。方差分析結(jié)果中春、夏、秋、冬四季檢驗統(tǒng)計量分別為16.714、19.230、18.454和20.164，通過查表可知，在0.01顯著性水平上，0.99(4，20)=4.43，由于四季值均大于4.43，故認為功能區(qū)類型對PM2.5濃度影響顯著，與季節(jié)無關(guān)。

春季檢驗統(tǒng)計量為16.714，對應的概率值小于0.01，說明春季不同類型功能區(qū)的PM2.5濃度有顯著差異。同理夏秋冬三季不同類型功能區(qū)的PM2.5濃度也有顯著差異。因此可知，各樣本功能區(qū)PM2.5濃度具有顯著差異，與季節(jié)無關(guān)。

為進一步分析哪些功能區(qū)之間PM2.5濃度差異顯著，用LSD（least significant difference test）方法進行多重比較，結(jié)果見表4。從表中結(jié)果看，在春、夏、秋、冬四季里，各類功能區(qū)之間PM2.5濃度差異顯著性結(jié)果相同。說明季節(jié)對于區(qū)域PM2.5污染水平的影響是整體性的。多重比較研究結(jié)果還表明，工業(yè)區(qū)與商業(yè)區(qū)、居住區(qū)與教育區(qū)均無顯著差異，工業(yè)區(qū)、商業(yè)區(qū)均與教育區(qū)和居住區(qū)有顯著差異，對照區(qū)與其他4類功能區(qū)均有顯著差異。在0.05的顯著性水平下，根據(jù)PM2.5污染情況5類功能區(qū)可以分成3組。第1組包括工業(yè)區(qū)和商業(yè)區(qū)，第2組包括居住區(qū)和教育區(qū)，第3組是對照區(qū)，3組功能區(qū)的PM2.5濃度值依次遞減。

表4 樣本功能區(qū)四季PM2.5濃度多重比較

注：同列不同的小寫字母表示不同功能區(qū)同一季節(jié)PM2.5濃度差異達5%顯著水平。

Note: Different lowercase letters in the same column indicate significantly different PM2.5concentrations in different function districts of the same season at 5% level.

4 討 論

關(guān)于構(gòu)建LUR模型需要的污染物監(jiān)測點數(shù)目，Hoek等[19]認為，城市尺度LUR建模一般需要40～80個監(jiān)測點，但是也應該考慮城市的人口和規(guī)模。本文選取8個監(jiān)測點，研究區(qū)域面積562 km2，平均每個監(jiān)測點覆蓋面積70 km2，從單個點覆蓋面積來看與Ross等[24,28,30]的研究相當，且本文結(jié)果顯示LUR模型的擬合效果好。LUR建模時，本文只考慮了研究區(qū)域內(nèi)的污染因素，沒有考慮南昌周邊的PM2.5污染，主要是由于根據(jù)已有關(guān)于南昌市PM2.5來源解析的研究，南昌市PM2.5污染主要來自于本地的汽車排放、建筑揚塵、生活和工業(yè)燃煤[31-33]，受周邊區(qū)域污染影響不大。各類功能區(qū)之間PM2.5濃度差異顯著水平不一致是由人類土地利用活動的性質(zhì)決定的。對照區(qū)PM2.5濃度顯著低于其他4類功能區(qū)，這是因為對照區(qū)內(nèi)基本無人類生產(chǎn)活動，且以生態(tài)用地為主導地類的對照區(qū)對PM2.5有一定緩解作用；工業(yè)區(qū)和商業(yè)區(qū)PM2.5濃度顯著高于居住區(qū)和教育區(qū)，可能主要由于工業(yè)區(qū)化石燃料燃燒多、商業(yè)區(qū)汽車尾氣排放量大導致；商業(yè)區(qū)PM2.5濃度略高于工業(yè)區(qū)、居住區(qū)PM2.5濃度略高于教育區(qū)，但差異均不顯著，原因有待進一步挖掘。本研究得出的各類功能區(qū)PM2.5濃度差異結(jié)果既符合預期，也與其他學者的研究結(jié)論基本一致[34]，但本研究采用的方法克服了PM2.5樣本數(shù)據(jù)少的缺陷，并進一步從統(tǒng)計學意義上說明了哪些功能區(qū)之間PM2.5濃度差異是顯著的。而且本文以功能區(qū)為單位進行研究，相比單一的土地利用類型而言，城市功能區(qū)作為一種包含了多種土地利用要素、具有特定社會經(jīng)濟功能的區(qū)域，可以更好地體現(xiàn)城市土地利用與大氣污染的耦合關(guān)系[8]。因此，研究認為：基于較少監(jiān)測點建立LUR模型、通過樣本功能區(qū)分析城市土地利用對大氣環(huán)境的影響是可行的，研究為城市土地利用與大氣環(huán)境因子的耦合研究提供了新思路。

5 結(jié) 論

本文利用南昌市中心城區(qū)8個空氣質(zhì)量監(jiān)測點2014年的PM2.5濃度數(shù)據(jù)，結(jié)合道路、人口、土地利用和氣象4類因子42個變量，構(gòu)建了四季PM2.5濃度的LUR模型。運用方差分析與多重比較法定量研究不同類型功能區(qū)與PM2.5濃度的空間分布關(guān)系，結(jié)果表明：1）構(gòu)建的四季PM2.5濃度LUR模型調(diào)整2分別為0.713、0.741、0.898、0.964，檢驗樣本平均絕對誤差率12.03%，說明模型的擬合效果較好，可以有效地實現(xiàn)對監(jiān)測點區(qū)域外PM2.5濃度的估計。2）功能區(qū)類型對PM2.5濃度影響顯著，城市土地利用方式顯著影響PM2.5濃度，且這種影響與季節(jié)無關(guān)。3）各類功能區(qū)之間PM2.5濃度差異顯著水平不一致，工業(yè)區(qū)與商業(yè)區(qū)、居住區(qū)與教育區(qū)均無顯著差異，工業(yè)區(qū)、商業(yè)區(qū)均與教育區(qū)和居住區(qū)有顯著差異，對照區(qū)與其他4類功能區(qū)均有顯著差異。

[1] 中國市長協(xié)會. 中國城市發(fā)展報告2013-2014[R]. 北京：中國城市出版社，2014.

Chinese Mayors Association. The Report of 2013-2014 Chinese Urban Development[R]. Beijing: ChinaCity Press, 2014. (in Chinese with English abstract)

[2] 吳莉，侯西勇，徐新良，等. 山東沿海地區(qū)土地利用和景觀格局變化[J]. 農(nóng)業(yè)工程學報，2013，29(5)：207－216.

Wu Li, Hou Xiyong, Xu Xinliang, et al. Land use and landscape pattern changes in coastal areas of Shandong province, China[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2013, 29(5): 207－216. (in Chinese with English abstract)

[3] 王瑞燕，趙庚星，于振文，等. 利用生態(tài)位適宜度模型評價土地利用環(huán)境脆弱性效應[J]. 農(nóng)業(yè)工程學報，2012，28(11)：218－224.

Wang Ruiyan, Zhao Gengxing, Yu Zhenwen, et al. Assessment of land use effects on environmental vulnerability by ecological niche suitability model[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2012, 28(11): 218－224. (in Chinese with English abstract)

[4] 何玲，賈啟建，李超，等. 基于生態(tài)系統(tǒng)服務(wù)價值和生態(tài)安全格局的土地利用格局模擬[J]. 農(nóng)業(yè)工程學報，2016，32(3)：275－284.

He Ling, Jia Qijian, Li Chao, et al. Land use pattern simulation based on ecosystem service value and ecological security pattern[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2016, 32(3): 275－284. (in Chinese with English abstract)

[5] 張惠遠，饒勝，遲妍妍，等. 城市景觀格局的大氣環(huán)境效應研究進展[J]. 地球科學進展，2006，21(10)：1025－1032.

Zhang Huiyuan, Rao Sheng, Chi Yanyan, et al. Advances in the impacts of urban landscape pattern on urban air environment[J]. Advances in Earth Science, 2006, 21(10): 1025－1032. (in Chinese with English abstract)

[6] 張潤森，濮勵杰，劉振. 土地利用/覆被變化的大氣環(huán)境效應研究進展[J]. 地域研究與開發(fā)，2013，32(4)：123－128.

Zhang Runsen, Pu Lijie, Liu Zhen. Advances in research on atmospheric environment effects of land use and land cover change[J]. Areal Research and Development, 2013, 32(4): 123－128. (in Chinese with English abstract)

[7] 汪光燾，王曉云，苗世光，等. 城市規(guī)劃大氣環(huán)境影響多尺度評估技術(shù)體系的研究與應用[J]. 中國科學（D輯：地球科學），2005，35(增刊1)：145－155.

Wang Guangtao, Wang Xiaoyun, Miao Shiguang, et al. Research and application on the technology system of multi-scale assessment of the impact on the atmospheric environment by urban planning[J]. Science In China (Ser. D Earth Sciences), 2005, 35(Supp.1): 145－155. (in Chinese with English abstract)

[8] 陳利頂，孫然好，劉海蓮. 城市景觀格局演變的生態(tài)環(huán)境效應研究進展[J]. 生態(tài)學報，2013，33(4)：1042－1050.

Chen Liding, Sun Ranhao, Liu Hailian. Eco-environmental effects of urban landscape pattern changes: Progresses, problems and perspectives[J]. Acta Ecologica Sinica, 2013, 33(4): 1042－1050. (in Chinese with English abstract)

[9] 史軍，崔林麗，賀千山，等. 華東霧和霾日數(shù)的變化特征及成因分析[J]. 地理學報，2010，65(5)：533－542.

Shi Jun, Cui Linli, He Qianshan, et al. The changes and causes of fog and haze days in eastern China[J]. Acta Geographic Sinica, 2010, 65(5): 533－542. (in Chinese with English abstract)

[10] 韋晶，孫林，劉雙雙，等. 大氣顆粒物污染對土地覆蓋變化的響應[J]. 生態(tài)學報，2015，35(16)：5495－5506.

Wei Jing, Sun Lin, Liu Shuangshuang, et al. Response analysis of particulate air pollution to Land-use and land-cover change[J]. Acta Ecologica Sinica, 2015, 35(16): 5495－5506. (in Chinese with English abstract)

[11] 唐新明，劉浩，李京，等. 北京地區(qū)霾/顆粒物污染與土地利用/覆蓋的時空關(guān)聯(lián)分析[J]. 中國環(huán)境科學，2015，35(9)：2561－2569.

Tang Xinming, Liu Hao, Li Jing, et al. Response analysis of haze/particulate matter pollution to land use/cover in Beijing[J]. China Environmental Science, 2015, 35(9): 2561－2569. (in Chinese with English abstract)

[12] Pope III C A, Dockery D W. Health effects of fine particulate air pollution: Lines that connect[J]. Journal of the Air &Waste Management Association, 2006, 56(6): 709－742.

[13] Pope III C A, Burnett R T, Thun M J, et al. Lung cancer, cardiopulmonary mortality, and long-term exposure to fine particulate air pollution[J]. The Journal of the American Medical Association, 2002, 287(9): 1132－1141.

[14] Chen H, Bai S, Eisinger D, et al. Predicting near-road PM2.5concentrations: Comparative assessment of CALINE4, CAL3QHC, and AERMOD[J]. Transportation Research Record: Journal of the Transportation Research Board, 2009, 2123: 26－37.

[15] 劉杰，楊鵬，呂文生. 北京大氣顆粒物污染特征及空間分布插值分析[J]. 北京科技大學學報，2014，36(9)：1269－1279.

Liu Jie, Yang Peng, LüWensheng. Pollution characteristics of particulate matter and interpolation analysis of its spatial distribution in the Beijing area[J]. Journal of University of Science and Technology Beijing, 2014, 36(9): 1269－1279. (in Chinese with English abstract)

[16] 陳輝，厲青，王中挺，等. 利用MODIS資料監(jiān)測京津冀地區(qū)近地面PM2.5方法研究[J]. 氣象與環(huán)境學報，2014，30(5)：27－37.

Chen Hui, Li Qing, Wang Zhongting, et al. Study on monitoring surface PM2.5concentration in Jing-Jin-Ji regions using MODIS data[J]. Journal of Meteorology and Environment, 2014, 30(5): 27－37. (in Chinese with English abstract)

[17] Lu W Z, Fan H Y, Lo S M. Application of evolutionary neural network method in predicting pollutant levels in downtown area of Hong Kong[J]. Neurocomputing, 2003, 51(2): 387－400.

[18] 王敏，鄒濱，郭宇. 基于BP人工神經(jīng)網(wǎng)絡(luò)的城市PM2.5濃度空間預測[J]. 環(huán)境污染與防治，2013，35(9)：63－66.

Wang Min, Zou Bin, Guo Yu. BP artificial neural network-based analysis of spatial variability of urban PM2.5concentration[J]. Environment Pollution and Control, 2013, 35(9): 63－66. (in Chinese with English abstract)

[19] Hoek G, Beelen R, De Hoogh K, et al. A review of land-use regression models to assess spatial variation of outdoor air pollution[J]. Atmospheric Environment, 2008, 42(33): 7561－7578.

[20] 吳健生，謝舞丹，李嘉誠. 土地利用回歸模型在大氣污染時空分異研究中的應用[J]. 環(huán)境科學，2016，37(2)：413－419.

Wu Jiansheng, Xie Wudan, Li Jiacheng. Application of land-use regression models in spatial-temporal differentiation of air pollution[J]. Environment Science, 2016, 37(2): 413－419. (in Chinese with English abstract)

[21] 羅艷青. PM2.5濃度土地利用回歸建模關(guān)鍵問題研究[D]. 長沙：中南大學，2014. Luo Yanqing. Critical Issues in Land Use Regression Modeling of PM2.5Concentration[D]. Changsha: Central South University, 2014. (in Chinese with English abstract)

[22] Beelen R, Hoek G, Vienneau D, et al. Development of NO2and NOx land use regression models for estimating air pollution exposure in 36 study areas in Europe–the ESCAPE project[J]. Atmospheric Environment, 2013, 72(2012): 10－23.

[23] Bernardo S. Beckerman, Michael Jerrett, Marc S, et al. A hybrid approach to estimating national scale spatiotemporal variability of PM2.5in the contiguous United States[J]. Environment Science and Technology, 2013, 47(13): 7233－7241.

[24] Ross Z, Jerrett M, Ito K, et al. A land use regression for predicting fine particulate matter concentrations in the New York City region[J]. Atmospheric Environment, 2007, 41(11): 2255－2269.

[25] Yu H L, Wang C H, Liu M C, et al. Estimation of fine particulate matter in Taipei using land use regression and Bayesian maximum entropy methods[J]. International Journal of Environmental Research and Public Health, 2011, 8(6): 2153－2169.

[26] Adam-Poupart A, Brand A, Fournier M, et al. Spatiotemporal modeling of ozone levels in Quebec (Canada): A comparison of kriging, land-use regression (LUR), and combined Bayesian maximum entropy-LUR approaches[J]. Environmental Health Perspectives, 2014, 122(9): 970－976.

[27] Zou B, Luo Y Q, Wan N, et al. Performance comparison of LUR and OK in PM2.5concentration mapping: A multidimensional perspective[J]. Scientific Reports, 2015, 5(5): 8698.

[28] Henderson S B, Beckerman B, Jerrett M, et al. Application of land use regression to estimate long-term concentrations of traffic related nitrogen oxides and fine particulate matter[J]. Environmental Science and Technology, 2007, 41(7): 2422－2428.

[29] Liu W, Li X, Chen Z, et al. Land use regression models coupled with meteorology to model spatial and temporal variability of NO2and PM10in Changsha, China[J]. Atmospheric Environment, 2015, 116: 272－280.

[30] Olvera H A, Garcia M, Li W W, et al. Principal component analysis optimization of a PM2.5land use regression model with small monitoring network[J]. Science of the Total Environment, 2012, 425(3): 27－34.

[31] 彭希瓏. 南昌市大氣PM10、PM2.5的污染特征及來源解析[D]. 南昌：南昌大學，2009.

Peng Xilong. Research on Characteristic of Pollution and Sources Appointment of PM10, PM2.5in Nanchang[D]. Nanchang: Nanchang University, 2009. (in Chinese with English abstract)

[32] 郭琳，何宗健，尹麗. 南昌市夏季PM2.5中多環(huán)芳烴來源解析[J]. 環(huán)境污染與防治，2010，32(11)：58－62.

Guo Lin, He Zongjian, Yin Li. Source apportionment of polycyclic aromatic hydrocarbons in PM2.5in summer of Nanchang[J]. Environmental Pollution & Control, 2010, 32(11): 58－62. (in Chinese with English abstract)

[33] 劉忠馬，徐義邦，樊孝俊，等. 南昌市秋季大氣PM2.5濃度及化學組分特征分析[J]. 環(huán)境污染與防治，2015，37(9)：55－59.

Liu Zhongma, Xu Yibang, Fan Xiaojun, et al. Content and chemical composition characteristics of PM2.5in autumn in Nanchang[J]. Environmental Pollution & Control, 2015, 37(9): 55－59. (in Chinese with English abstract)

[34] 何宗健，袁勝玲，肖美. 夏季南昌市大氣顆粒物PM10、PM2.5污染水平研究[J]. 安徽農(nóng)業(yè)科學，2010，38(3)：1336－1338. He Zongjian, Yuan Shenling, Xiao Mei. Pollution levels of airborne particulate matter PM10and PM2.5in summer in Nanchang city[J]. Journal of Anhui Agriculture Science, 2010, 38(3): 1336－1338. (in Chinese with English abstract)

Relationship of PM2.5concentration and land use type in Nanchang City based on LUR simulation

Yang Haiou1,2,3, Chen Wenbo2※, Liang Zhaofeng2

(1.,,330045,;2.,330045,;3.,,332005,)

Urban land use can greatly influence the urban atmospheric pollution conditions. Obtaining a deeper understanding of the relationship between urban land use and atmospheric pollution has an important practical signi?cance in preventing atmospheric pollution and protecting human health. However, the relationship between urban land use and atmospheric pollution has rarely been investigated and the consensus about the exact nature of the relationship has not been reached, which is yet to be fully explored. The purpose of this paper was to study the relationship through coupling land use and atmospheric pollution at city scale. PM2.5, consisting of particles with aerodynamic diameters no greater than 2.5m, can absorb various toxic substances and easily enter the lungs, resulting in respiratory and cardiovascular diseases. Now, PM2.5has already become one of the major air pollutants in many Chinese cities. Therefore, PM2.5was chosen as the typical atmospheric pollutant in our paper. However, getting sufficient PM2.5data is a big challenge due to the sparsely distributed air quality monitoring sites. Then LUR (land use regression) models, in which atmospheric pollutant concentrations are as the dependent variables and surrounding geographical data as the independent variables, were applied to PM2.5concentrations simulation to strengthen insufficient PM2.5data. Central area of Nanchang City was selected as the study area in this paper. According to the dominated land use type, 5 groups of sample function districts including commercial function districts, industrial function districts, residential function districts, educational function districts and control function districts were selected in the study area. The PM2.5concentrations of four seasons in these sample function districts were calculated. Methods of variance analysis and multiple comparisons were employed to quantitatively study the seasonal PM2.5concentration differences among different function districts. The results showed that: 1) The best fitting LUR models for four seasons were established and the adjusted2values were 0.713, 0.741, 0.898 and 0.964 respectively. The mean absolute percentage error of 24 test samples was 12.03%. These results illustrated that the fitting degree of the 4 LUR models were good and the estimation of PM2.5concentrations in the study area could be effectively achieved through LUR models. 2) The PM2.5concentration differences among sample function districts were significant, indicating that urban land use had an obvious impact on PM2.5concentrations. And the impact would not change as the seasons changed. 3) The significance levels of PM2.5concentration differences among different function districts were not all the same. The PM2.5concentration differences between industrial function districts and commercial function districts, residential function districts and educational function districts were insignificant. The PM2.5concentrations in industrial function districts or commercial function districts were significantly different from those in residential function districts or educational function districts. The PM2.5concentration differences between control function districts and the other 4 categories of function districts were all significant. The results demonstrated that the layout of function districts could impact the spatial distribution characteristics of PM2.5concentration. This research explores a new approach to couple urban land use and atmospheric pollution. The results can provide valuable references for urban land-use optimization and atmospheric pollution control in future.

models; land use; analysis of variance; function district; PM2.5; coupling

10.11975/j.issn.1002-6819.2017.06.030

F310.24; X511

A

1002-6819(2017)-06-0232-08

2016-09-30

2016-12-14

國家自然科學基金項目（41561043）

陽海鷗（1988-），女（漢族），湖南衡陽人，講師，研究方向：土地利用、景觀生態(tài)。南昌 江西農(nóng)業(yè)大學林學院，330045。Email：yanghaiou2007@163.com

陳文波，男（漢族），江西上饒人，教授，博士生導師，研究方向：土地利用、景觀生態(tài)。南昌 南昌市景觀與環(huán)境重點實驗室，330045。Email：cwb1974@126.com