基于GIS的贵阳PM2.5质量浓度城乡过渡特征及影响因素研究

李松，邓宝昆，邵技新，徐红勤，李恋

1. 贵州师范学院资源环境与灾害研究所，贵州 贵阳 550018；2. 中国科学院遥感与数字地球研究所，北京 100101

基于GIS的贵阳PM2.5质量浓度城乡过渡特征及影响因素研究

李松1,2，邓宝昆1，邵技新1，徐红勤1，李恋1

1. 贵州师范学院资源环境与灾害研究所，贵州 贵阳 550018；2. 中国科学院遥感与数字地球研究所，北京 100101

PM2.5是影响城市空气质量和身体健康的主要污染物，也是气候和环境问题的热点研究问题之一。PM2.5即大气污染细颗粒物，是大气污染的主要物质来源，通过选取具有明显城乡过渡趋势的环保局、太慈桥、小河、花溪、马鞍山、金阳和桐木岭监测点，采集2013年12月20日到2014年2月27日的PM2.5日均质量浓度数据，以及2014年1月20日到2月18日的时均质量浓度数据，分析研究 PM2.5质量浓度的时空变化特征和浓度变化的影响因素。PM2.5数据覆盖了优良中差多种污染类型，在数据平均抽样误差分析的基础上，参考世界卫生组织的空气质量准则，探索性地利用遥感、GIS技术和统计分析方法，分析贵阳市 PM2.5质量浓度的城乡变化特征，以及与气象因素、土地利用信息和城市区域之间的关系。1973、1990年的贵阳城区信息分别提取自1973年12月30日的LANDSAT MSS影像（辅以1:50000地形图）、1990年10月16日的LANDSAT 5影像，土地利用现状信息和2010年贵阳建成区信息提取自2010年9月21日的LANDSAT 5。以监测点为原点生成监测点500 m缓冲区，以资源1号02C星遥感影像为数据源，采用目视解译方法提取土地利用信息，分析PM2.5质量浓度与土地利用类型的关系。利用GIS量取监测点与1973年贵阳市主城区边缘的最短距离，分析其与监测点PM2.5质量浓度的关系。结果表明，①PM2.5日均质量浓度值呈现由农村向城市递增的趋势，并随着监测时间的推移形成明显的递减趋势，7个监测点日均数据均值是77 μg·m-3，农村监测点桐木岭的监测值是56 μg·m-3，马鞍山74 μg·m-3，和金阳73 μg·m-3，花溪81 μg·m-3，小河86 μg·m-3，太慈桥86 μg·m-3，环保局85 μg·m-3。质量浓度＞100 μg·m-3的总时数，桐木岭为13 h，金阳81 h，环保局、马鞍山106 h，花溪118 h，小河154 h，太慈桥157 h。②PM2.5日均质量浓度总体上呈下降的趋势，除夕以后PM2.5浓度显著下降，平均浓度相差47 μg·m-3。PM2.5时均浓度在总体下降的趋势下，还表现出明显的24小时周期性变化，并有明显的城乡差异。③PM2.5质量浓度和气象因素间表现出复杂的非线性关系。PM2.5质量浓度与主城区距离的相关系数高达-0.89，与建筑用地密度的相关系数为-0.69。

贵阳；PM2.5质量浓度；城乡；影响因素；GIS

随着国家以“经济建设为中心”战略的确立，中国的经济取得了飞速的增长。同时，中国的环境问题却变得越来越严峻，空气污染也是其中严重的环境问题之一。2003年监测的城市中，空气质量为三级及劣于三级的城市占58.3%。大气悬浮颗粒物是影响城市空气质量和人们健康的主要污染物，严重影响了局地气候的良性变化，是如今气候和环境问题的热点研究问题之一(Lohmann和 Feichter，2005)。研究表明，受自然环境、气候因素（Liu J等，2014；秦良伟和许影，2014）和社会经济条件（Lin G等，2013）的影响，中国城市PM2.5表现出相对加剧的趋势(Houghton等，2001)。2013年初以来，中国出现大范围持续雾霾天气，受雾霾影响的区域包括华北平原、黄淮、江淮、江汉、江南、华南北部等，受影响面积约占国土面积的25%，受影响人口约6亿人。2013年12月中国20省份的104个城市的PM2.5达到重度污染。2014年2月20日开始，北京为中心的京津冀周边，包括北京、天津、石家庄、保定等 16个城市空气重度污染，并呈现污染加剧，范围持续扩大的趋势。到25日，161个监测城市中，45个城市为重度以上污染，霾情持续一周之久。

PM2.5因其粒径较小，更容易富集有毒物质，对人体健康的危害远比其他空气污染物大。PM2.5主要物质来源是人类生产和生活中排放的废弃物，它的物质组成复杂，主要包括有机化合物、铵盐、硝酸盐、硫酸盐，以及钠、镁、铝、铁等金属，也包括铅、锌、砷、镉、铜等重金属元素。国内对PM2.5的研究起步较晚，研究内容主要集中在污染特征和影响因素（蒲维维等，2011；孟晓艳等，2013；李龙凤等，2005；于建华等，2004；邱天雪等，2013）、污染物质构成和来源解析（Karnae和J等，2011；Xu L L等，2012；廖旭等，2013；周颖等，2013）、污染的疾病和健康影响（谢元博等，2014；Ma Y等，2011；Guo Y等，2010）等方面，研究区域主要集中在北京、上海、广州、深圳等发达地区的大城市，而对于农村的研究则比较缺乏。本研究以国家环保局的PM2.5国控点质量浓度为数据源，结合GPS确定监测点位置，在此基础上利用GIS及其空间分析功能，结合1973、1990和2010年的贵阳市城区矢量图，以及 2010年贵阳市土地利用现状矢量图，对比研究贵阳市PM2.5的城市和乡村的质量浓度特征差异，并在GIS分析的基础上，结合气象数据，分析影响贵阳PM2.5质量浓度变化的因素，以期对区域环境保护和人民的健康，提供有参考价值的建议和对策。

1 研究方法

1.1 数据源

贵阳属黔中，因位于贵山之南而得名，地处106°7′～107°17′E，26°11′～27°22′N，是贵州省会、政治、经济和文化中心，辖云岩区、花溪区、南明区、乌当区、白云区、观山湖区，市区面积2403 km2。地势西南高，东北低。市内最高海拔 1595 m，最低海拔861 m，平均海拔1196 m。2010年森林覆盖率41.8%。气候潮湿多雨，多年平均降水量1096 mm，属亚热带湿润温和型气候，有明显的高原季风气候特征，平均气温约 15.3 ℃，极端气温分别为32.5 ℃和-4.1 ℃。2013年平均风速8.3 km/h，月均最小和最大风速分别为6 km/h（10月）和13 km/h（7月），年平均气压1015.4 hPa，最低、最高月均气压为1008 km/h（夏季）和1023 hPa（冬季）。2010年建成区面积188.16 km2（图1），城镇人口294.63万。

图1 研究区PM2.5监测点位置Fig. 1 Location of PM2.5monitoring points at study

PM2.5日均和时均质量浓度为数据源，数据及监测点位置信息来自环保部国家空气质量自动监测站，质量浓度数据单位为μg·m-3。PM2.5对应的气象数据来自国际交换站，主要包括气压、气温、风速、湿度、能见度。数据日期为2013年12月20日到2014年2月27日的PM2.5日均质量浓度数据，以及2014年1月20日到2月18日的时均质量浓度数据，数据覆盖了优良中差各种污染类型。影响因素分析的地理数据和贵阳建成区信息提取自2010年9月21日的Landsat 5和资源1号02C星遥感影像。1973年贵阳城区提取自1973年12月30日的LANDSAT MSS影像和1:50000地形图（编号7-48-58-甲），1990年贵阳城区提取自1990年10月16日的LANDSAT TM影像。

1.2 研究方法

为了对比 PM2.5质量浓度的城乡差异，从离城区最远的桐木岭监测点开始，依次选取花溪、小河、太慈桥、市环保局、马鞍山和金阳监测点，它们的距离依次是21.2、9.6、3.9、2.4、4.0、6.6 km，其中小河、太慈桥、市环保局由南而北的穿过主城区。7个监测点（图1）位置分别是：太慈桥(贵阳发电厂大门旁神奇水厂)、市环保站(环保局办公楼)、马鞍山(黔灵公园园林科研所)、小河区(小河区政府)、金阳新区(贵阳一中)、桐木岭(民族高坡中学)和花溪（吉麟村）监测点。其中：主城区监测点市环保局、太慈桥、小河，近郊区监测点马鞍山和花溪，其中金阳由于位于新建城区，以贵阳郊区处理。桐木岭为农村监测点，距离城郊花溪距离21.2 km，距离主城区小河26.4 km。

以年为基准，不重复采样的抽样平均误差公式，分析数据选择的有效性：

依据采集日期，新建字段录入监测点PM2.5质量浓度信息以及与其对应的气象和社会经济要素。以1:50000地形图为地理参考，配准最新时相的高分辨率遥感影像，分析PM2.5与下垫面的关系——包括土地利用现状和地形，并分析PM2.5质量浓度与气象因素的关系。城区信息用建筑指数辅助监督分类完成，林地和草地用监督分类结合目视解译提取。利用Pearson相关和指标变异分析，不重复采样下的抽样平均误差分析，研究贵阳PM2.5城乡质量浓度变化及影响因素。WHO的PM2.5质量浓度和等级标准(World Health Organization,2005)划分阈值分别是25、37.5、50、75 μg·m-3。参考WHO的日均质量浓度标准，研究贵阳市 PM2.5的城乡污染特征，见表1。

表1 世界卫生组织的日均质量浓度标准Table 1 Daily concentration Criteria of WHO μg·m-3

2 结果和分析

2.1 质量浓度变化

PM2.5质量浓度与距离主城区的距离高度负相关，呈现由主城区向农村逐步降低的趋势：太慈桥、小河、环保局→花溪、马鞍山、金阳→桐木岭。2013年12月20日到2014年2月27日PM2.5日均质量浓度均值是77 μg·m-3，主城区的小河86 μg·m-3、太慈桥86 μg·m-3、环保局85 μg·m-3，城市外缘的花溪81 μg·m-3，城市外缘区的马鞍山74 μg·m-3和金阳73 μg·m-3，农村监测点桐木岭56 μg·m-3，图2。日均质量浓度≤25 μg·m-3的日数，农村监测点桐木岭显著优于城镇监测点，但主城市和城市外缘区的差别较小：桐木岭11 d（图3），占监测日数的15.5%，马鞍山5 d，占7%，其他监测点3日，占4.2%。质量浓度≤37.5 μg·m-3的日数，表现出由农村向城市外缘区，再向主城区逐步减少的趋势：桐木岭 23d，占32.4%，马鞍山12 d，占16.9%，金阳11 d，占15.5%，花溪4 d，占5.6%，小河5 d，占7%，环保局7 d，占9.9%，太慈桥8 d，占11.3%。质量浓度小于50 μg·m-3并大于37.5 μg·m-3的日数，没有显著的城乡变异规律：农村监测点桐木岭和城市外缘区监测点花溪均为12 d，占监测日数的16.9%，主城区监测点小河11 d，占监测日数的15.5%，金阳9 d，占12.7%，环保局和太慈桥8 d，占11.3%，城市外缘区的马鞍山6 d，占8.5%。质量浓度大于50 μg·m-3小于75 μg·m-3的日数，城乡差异较小：桐木岭和马鞍山16 d，占监测日数的22.6%，金阳21 d，占29.6%，花溪17 d，占24.0%，小河、太慈桥和环保局14 d，占19.7%。质量浓度＞75 μg·m-3的日数，有农村向城市显著增加的趋势：农村监测点桐木岭仅20 d，占监测日数的28.2%，金阳30 d，占42.3%，马鞍山37 d，占52.1%，花溪38 d，占53.5%，小河、太慈桥41 d，占57.7%，环保局42 d，占59.5%。2014年1月20日到2月18日，PM2.5时均质量浓度的均值是69 μg·m-3，并表现出从农村向城市升高的趋势：农村的桐木岭45 μg·m-3，城市外缘区的金阳64 μg·m-3、马鞍山68 μg·m-3、花溪72 μg·m-3，主城区的太慈桥 76 μg·m-3、小河 77 μg·m-3、环保局80 μg·m-3。质量浓度＞70 μg·m-3的总时数：农村监测点桐木岭为91 h，占其有效数据总时数的13.2%；城市外缘区的花溪35 h，占45%，马鞍山300 h，占42.8%，金阳240 h，占34.8%；主城区的环保局346，占49.3%，太慈桥326 h，占46.6%，小河317 h，占46.9%。质量浓度＞100 μg·m-3的总时数，除了主城区的环保局稍低外，基本上呈现由农村向城市降低的趋势：桐木岭为13 h，占有效数据总时数的1.9%，金阳81 h，占11.8%，环保局、马鞍山106 h，占15.1%，花溪118 h，占17.4%，太慈桥157 h，占22.5%，小河154 h，占22.8%。

图2 贵阳PM2.5时均质量浓度城乡对比监测时刻Fig. 2 Hourly concentration of urban and rural PM2.5

图3 贵阳PM2.5质量浓度的城乡差异对比Fig. 3 Comparison of urban and rural PM2.5concentration

图4 PM2.5质量浓度变化趋势Fig. 4 Tendency of PM2.5 concentration change

为分析监测期间贵阳城乡PM2.5质量浓度的变化趋势，以监测日数为自变量，7个监测点的PM2.5日均质量浓度均值为因变量生成散点图，如图4，由图4可见，尽管各监测点日均质量浓度变化各异，但总体上却表现出随时间推移逐步降低的趋势。2014年1月30日（农历除夕）前后，贵阳PM2.5日均质量浓度分别为97、50 μg·m-3，各监测点分别是：桐木岭73、32 μg·m-3，金阳90、47 μg·m-3，马鞍山93、47 μg·m-3，花溪100、53 μg·m-3，环保局105、56 μg·m-3，小河108、54 μg·m-3，太慈桥108、53 μg·m-3。2013年12月22日到2014年1月6日 PM2.5质量浓度持续偏高，各监测点平均质量浓度111 μg·m-3，最高、低质量浓度分别是小河的 123 μg·m-3，以及桐木岭的95 μg·m-3。2014年2月5日到9日，是监测期间空气质量最好时段，平均质量浓度 25 μg·m-3，最高、低质量浓度分别是花溪的29 μg·m-3和桐木岭的19 μg·m-3。除了出现总体下降的趋势外，PM2.5质量浓度还表现出24小时周期性变化的特征，并表现出鲜明的城乡差异。农村监测点PM2.5的最低质量浓度出现在早晨7时，并在随后逐步升高，在11时达到次高峰，18时以后质量浓度逐步升高，在 21时达到最大值后逐步下降，并在次日7时达到最低值。城市区域的PM2.5的24小时周期性趋势比农村复杂，最大质量浓度出现在凌晨2时到3时，随后质量浓度逐步下降，并在11时到12时出现次高峰，并在16时出现最低值。

2.2 PM2.5质量浓度的影响因素分析

2.2.1 PM2.5质量浓度特征的城乡差异

PM2.5质量浓度受到城市下垫面的显著影响，如图1和表2，研究区监测点分为3类：第一类位于主城区的环保局、小河、太慈桥，PM2.5质量浓度最高，空气质量最差；第二类位于城市外缘区的花溪、马鞍山、金阳，其质量浓度较第一类有显著好转；第三类为离主城区超过26 km的远郊农村监测点桐木岭，其平均质量浓度与郊区的差异超过20 μg·m-3，与主城区的差异超过30 μg·m-3。PM2.5质量浓度不仅与主城区相关也与其局地环境相关。如马鞍山虽然处于主城区的边缘，但其地处黔灵山森林，其质量浓度明显低于远离主城区的花溪监测点。金阳监测点周围有植被分布，这是其质量浓度较低的重要原因。质量浓度最高的3个监测点中，小河和太慈桥监测点都有工业用地布局，而环保局位于主城区的交通干道附件。质量浓度最低的桐木岭离主城区边缘超过26 km，被耕地和植被包围，周围建筑很少。如表 2，监测点的时均质量浓度与其距离 1973年贵阳主城区的距离成高度负相关，相关系数-0.89。

表2 贵阳监测点PM2.5及其相关因素统计Table 2 PM2.5concentration value and the related influencing factors

2.2.2 PM2.5质量浓度和土地利用类型的关系

为了分析PM2.5和土地利用的关系，PM2.5监测点为圆点生成500 m的缓冲区。以2014年1月1日资源1号02C星影像为数据源，以目视解译方法提取缓冲区土地利用信息，见表 2和图 7。PM2.5和500 m缓冲区内的建筑用地密度、林地密度的相关系数分别为 0.69、-0.23。植被尤其森林植被对PM2.5的扩散有着积极的作用(赵晨曦等，2013)，而建筑用地面积，因为直接和人类活动有关，是导致PM2.5质量浓度升高的重要因素。在本研究中，500 m缓冲区内，森林覆盖率最高的是黔灵湖林区的马鞍山监测点，高达 77.4%。而其建筑用地密度仅1.2%。水域（黔灵湖）占21.4%。林地覆盖率第二高的花溪48.2%，建筑用地占32.2%。其次是金阳的林地密度占缓冲区的46.0%，建筑密度占54.0%。桐木岭林地密度占21.3%，建筑密度占13.0%，耕地占65.7%。太慈桥监测点林地密度占18.0%，建筑用地密度占73.1%。环保局林地密度占5.6%，建筑用地密度为88.1%。小河建筑用地密度100%。马鞍山是森林密度最高而建筑用地密度最低的监测点，从有利于 PM2.5扩散的角度，马鞍山监测点显著优于质量浓度最低的桐木岭。土地利用类型中，影响PM2.5质量浓度的首要因素是城市建设用地，同为主城区的太慈桥和小河相比，太慈桥林地密度18.0%，而建筑用地密度在主城区属于比较低的区域，但由于其处于原贵阳发电厂北缘，其PM2.5质量浓度和小河相当，可见工业用地是导致PM2.5质量浓度升高的另一个重要因素。

2.2.3 PM2.5质量浓度和气象因素的关系

气象数据来自于国际交换站和中国气象局公共气象服务中心。气温对PM2.5时均质量浓度的影响很小，它们的相关系数平均为0.07，最大为0.12。风速(km/s)对PM2.5时均质量浓度有一定影响，它们的平均相关系数-0.36。气压与PM2.5时均质量浓度正相关，相关系数0.37。能见度与PM2.5成负相关，相关系数平均-0.44，其中桐木岭0.13，太慈桥和小河相关性最显著，分别为-0.48和-0.45。日均质量浓度和最大湿度、最大能见度和最高风速的相关系数分别为-0.48、-0.43、-0.45。

PM2.5和气象因素间是复杂的非线性相关关系，与同一因素会出现正负相关的相互转化。监测期间能见度和PM2.5相关系数-0.44，但2014年2月4日9时-8日15时平均质量浓度的相关系数超过0.3，其中相关系数最高的金阳为 0.38。总体上气温和PM2.5质量浓度相关系数0.07，但2月5日19时到9日15时相关系数高达0.74，属于显著相关；1月20日22时到25日11时为负相关，相关系数-0.45。湿度和PM2.5时均质量浓度相似系数-0.01，无明显相关性，但1月28日5时-2月5日13时却呈现0.61的显著正相关，1月20日22时到25日12时相关系数0.66，2月6日17时到11日6时相关系数为-0.8的高度负相关，如图 5，图中：坐标底部的时间格式：X.Y.Z:00，X是月，Y是日，Z时。

图5 PM2.5质量浓度与湿度(×70)的相关性Fig. 5 Relationship of PM2.5concentration and moisture(×60)

图6 监测期不同风向的编号Fig. 6 Code of different wind directions

图7 PM2.5监测点500 m缓冲区土地利用类型Fig. 7 Landuse of buffer zone(500 m) with center at PM2.5points

为了分析PM2.5和风向的关系，从北风开始，以顺时针顺序对不同风向进行编号，其中不定风向编号为17，如图6。结果显示，考虑所有方向的情况下，风向和PM2.5质量浓度的Pearson相关系数为0.26，不考虑南风则相关系数提高到 0.49，南风对贵阳PM2.5的扩散相对比较有利。

3 结论和讨论

农村监测点桐木岭的PM2.5时均质量浓度均值45 μg·m-3，城市外缘区的金阳64 μg·m-3，马鞍山68 μg·m-3，花溪72 μg·m-3，主城区的太慈桥76 μg·m-3，小河77 μg·m-3，环保局80 μg·m-3。桐木岭日均质量浓度的均值56 μg·m-3，小河86 μg·m-3，太慈桥86 μg·m-3，环保局85 μg·m-3，花溪81 μg·m-3，马鞍山74 μg·m-3，金阳73 μg·m-3。受气象因素、煤炭为主的能源结构等多种因素的综合影响，贵阳PM2.5质量浓度有明显的城乡差异，各监测点质量浓度与距离主城区的距离高度负相关，并呈现由主城区向农村逐步降低的趋势。一般污染状态下，城乡 PM2.5质量浓度差异显著，空气质量优劣状态下的城乡差异较小。

PM2.5日均质量浓度的时间变化趋势随着时间推移而升高逐步降低，时均质量浓度则表现出明显的24小时周期性变化特征。2014年1月30日（农历除夕）后，贵阳PM2.5日均质量浓度从97 μg·m-3降低为50 μg·m-3。乡村日均质量浓度空间变化比城市剧烈，城市时均质量浓度比乡村剧烈。为了对比分析城乡PM2.5质量浓度的空间变化特征，采用质量浓度标准差/质量浓度平均值计算变异系数，分析各监测点质量浓度变异情况。PM2.5日均质量浓度的变异程度表现出由农村向城市降低的趋势：桐木岭0.54，金阳0.44，马鞍山0.43，小河、太慈桥0.42，环保局 0.41，花溪 0.4。时均质量浓度的空间变异程度表现出由城市向农村降低的趋势由：小河0.63，环保局0.62，太慈桥0.61，马鞍山0.58，花溪0.57，金阳0.55，桐木岭0.54。

时均质量浓度与相应监测点距离贵阳主城区的距离高度负相关，相关系数高达-0.89。PM2.5与监测点500 m缓冲区内的建筑用地密度的相关系数为 0.69。PM2.5和气象因素间是复杂的非线性相关关系，不同时段内同一因素会出现正负相关的相互转化。尽管相关系数计算结果并不高，2014年入春以来，随着温度的总体上升，空气流动加大，城乡间的质量浓度差异正在减小，贵阳市的PM2.5质量浓度逐步减低并趋于平稳。

PM2.5主要来源于土壤扬尘，快速城镇化背景下的建筑施工扬尘，数量急剧增长的汽车尾气，工业强省战略背景下的工业企业污染，燃煤为主的能源结构。PM2.5及其影响间复杂的关系表明，PM2.5为代表的大气污染和环境问题治理，是一项复杂的系统工程，问题的根本解决非一蹴能就，问题的解决需要较长的时间，需要变革区域发展模式，优化产业结构，通过发展科学技术，大力提高生产力。在此基础上，彻底淘汰落后产能，通过技术的革新和规章制度的完善，从根本上解决环境问题。目前，一些有效的区域性政策和规划，例如贵阳火电厂关停，汽车限号，对污染企业的有效监管，在 PM2.5质量浓度限制方面效果显著，目前的治标之策，应该加强对企业污染的监管，进一步淘汰落后产能，进一步控制剧增的汽车数量，适度放缓过快的城镇化步伐。

GUO Y, BARNETT A G, ZHANG Y, et al. 2010. The short-term effect of air pollution on cardiovascular mortality in Tianjin, China: comparison of time series and case-crossover analyses[J]. Science of the Total Environment, 409(2): 300-306.

HOUGHTON J T, DING Y, GRIGGS D J, et al. 2001. IPCC(Intergovernmental Panel on Climate Change) 2001:The scientific basis.5. aerosols, their direct and effects[M]. London: Cambridge University Press, London, UK: 289-348.

KARNAE S, JOHN K. 2011. Source apportionment of fine particulate matter measured in an industrialized coastal urban area of South Texas[J]. Atmospheric Environment, 45(23): 3769-3776.

LIN G, FU J, DONG J, et al. 2013. Spatio-temporal variation of PM2.5concentrations and their relationship with geographic and socioeconomic factors in China[J]. Int. J. Environ. Res. Public Health, 11(1): 173-186.

LIU J, LI Y P, SADIQ R, et al. 2014. Quantifying influence of weather indices on PM2.5based on relation map[J]. Stochastic Environmental Research and Risk Assessment, 28(6): 1323-1331.

LOHMANN U, FEICHTER J. 2005. Global indirect aerosol effects: a review[J]. Atmospheric Chemistry and Physics, 5(3): 715-737.

MA Y, CHEN R, PAN G, et al. 2011. Fine particulate air pollution and daily mortality in Shenyang, China[J]. Science of the Total Environment, 409(13): 2473-2477.

World Health Organization(WHO). 2005. Air Quality Guidelines for Particulate Matter, Ozone, Nitrogen Dioxide and Sulfur Dioxide-Global Update 2005-Summary of Risk Assessment[R].

XU L L, CHEN X Q, CHEN J S, et al. 2012. Seasonal variations and chemical compositions of PM2.5 aerosol in the urban area of Fuzhou, China[J]. Atmospheric Research, 104: 104-105.

李龙凤, 王新明, 赵利容, 等. 2005. 广州市街道环境PM10和PM2.5质量浓度的变化特征[J]. 地球与环境, 33(2): 57-60.

廖旭, 胡安谊, 杨晓永, 等. 2013. 厦门冬季 PM2.5颗粒物中细菌和真核微型生物群落组成及其来源分析[J]. 生态环境学报, 22(8): 1395-1400.

孟晓艳, 魏桢, 王瑞斌, 等. 2013. 灰霾试点城市 PM2.5浓度特征及其影响因素分析[J].环境科学与技术, 36(9): 76-80.

蒲维维, 赵秀娟, 张小玲. 2011. 北京地区夏末秋初气象要素对PM2.5污染的影响. 应用气象学报, 22(6): 716-723.

秦良伟, 许影. 2014. 基于地统计学的江苏 PM2.5空间变异性分析[J].环境工程, (1): 73-76, 91.

邱天雪, 陈进生, 尹丽倩, 等. 2013. 闽南重点城市春季 PM2.5中水溶性无机离子特征研究[J].生态环境学报, 22(3): 512-516.

谢元博, 陈娟, 李巍. 2014. 雾霾重污染期间北京居民对高浓度PM2.5持续暴露的健康风险及其损害价值评估[J]. 环境科学, 35(1): 1-8.

于建华, 虞统, 魏强, 等. 2004. 北京地区PM10和PM2.5质量浓度的变化特征[J]. 环境科学研究, 17(1): 45-47.

赵晨曦, 王玉杰, 王云琦, 等. 2013. 细颗粒物(PM2.5)与植被关系的研究综述[J]. 生态学杂志, 32(8): 2203-2210.

周颖, 周家斌, 王磊, 等. 2013. 武汉秋冬季大气 PM2.5中多环芳烃的分布特征及来源[J]. 生态环境学报, 22(8): 506-511.

Study on Characteristics of Urban and Rural PM2.5Concentrations Alternation and Main Influencing Factors Using GIS in Guiyang

LI Song1,2, DENG Baokun1, SHAO Jixin1, XU Hongqin1, LI lian1

1. Institute of region tourism Guizhou Normal College, Guiyang 550018, China;
2. Institute of Remote Sensing and Digital Earth, Chinese Academy of Sciences, Beijing 100101, China

PM2.5reduces urban atmospheric quality and physical health. Additionally, PM2.5is a hot issue of climatic and environmental problems. PM2.5, a fine particulate matter, is the main atmospheric pollutant. To study the spatiotemporal variation characteristics of PM2.5and its influencing factors, both daily and hourly average concentrations of PM2.5were captured. It involves such monitoring points as Tongmuling, Manshan, Jinyang, Huaxi, Xiaohe, Taiciqiao and Huanbaoju in Guiyang, covering from December 20, 2013 to February 27, 2014, and January 20 to February 18, 2014 respectively. On sampling mean error basis, this paper studied variation characteristics of PM2.5concentration using remote sensing, GIS technology and statistical analysis method referred to Air Quality Criteria of the World Health Organization. Consequentially, relationship of PM2.5concentrations and related factors, including meteorological elements and land use, was analyzed. The spatial range of Guiyang urban in 1973, 1990 and 2010 was extracted from LANDSAT MSS and topographic map (1973) and LANDSAT 5(1990 and 2010). In order to analyze the relationship of concentration and land use, this paper interpreted land use within circles 250 m around these monitoring points utilizing 02C image on January 1, 2014. The minimum distances between PM2.5monitoring points and main urban area in 1973 were calculated by using GIS. The findings were as follows: ①there was a complex relationship between PM2.5concentrations and related influencing factors, and there was an obvious spatial downward tendency of PM2.5concentrations from urban to rural, and a temporal downward tendency. Coefficient between density of urban built-up land and PM2.5concentration was -0.69, and one of concentration and the minimum distance was -0.89. The average daily concentration value was 77 μg·m-3among all points. Daily concentrations were 56 μg·m-3, 74 μg·m-3, 73 μg·m-3, 81 μg·m-3, 86 μg·m-3, 86 μg·m-3and 85 μg·m-3, respectively. The hours of hourly average concentrations above 100 μg·m-3were 13, 106, 81, 118, 154, 157 and 106. PM2.5daily average concentration showed an obvious downward trend within the study period. There was a significant change around the Spring Festival’s Eve, and the difference was 47 μg·m-3. PM2.5hourly average concentrations showed an obvious downturn and a daily periodic variation during the study period, and there is an obvious difference between urban and rural.

Guiyang; PM2.5concentration; urban and rural; influencing factor; GIS

X16

：A

：1674-5906（2014）08-1298-07

李松，邓宝昆，邵技新，徐红勤，李恋. 基于GIS的贵阳PM2.5质量浓度城乡过渡特征及影响因素研究[J]. 生态环境学报, 2014, 23(8): 1298-1304.

LI Song, DENG Baokun, SHAO Jixin, XU Hongqin, LI lian. Study on Characteristics of Urban and Rural PM2.5Concentrations Alternation and Main Influencing Factors Using GIS in Guiyang [J]. Ecology and Environmental Sciences, 2014, 23(8): 1298-1304.

国家科技支撑计划项目（2011BAC09B01）；贵州教育厅项目（13GH069）；乌当科技局项目（[2012]乌科技合同字第48号）；贵州省环境特色重点学科专项基金

李松（1980年生），男，副教授，博士，主要从事灾害与遥感应用研究。E-mail：zhijinese@163.com

2014-04-21