京津冀地区不透水表面扩张对PM2.5污染的影响研究

王桂林,杨 昆,*,杨 扬(1.云南师范大学信息学院,云南 昆明 650500；2.西部资源环境地理信息技术教育部工程研究中心,云南 昆明 650500)

京津冀地区不透水表面扩张对PM2.5污染的影响研究

王桂林1,2,杨 昆1,2,*,杨 扬1,2(1.云南师范大学信息学院,云南 昆明 650500；2.西部资源环境地理信息技术教育部工程研究中心,云南 昆明 650500)

基于2000年、2003年、2006年、2009年、2014年的遥感影像提取不透水表面数据以及相应年份的PM2.5质量浓度估算值.以不透水表面覆盖率(ISC)为城市化指标来分析城市化对PM2.5质量浓度的影响,分别从城市、县区尺度探讨城市扩张对PM2.5污染时空分布及演变的影响机制,定量研究二者相互关系;以京津冀地区为例,其ISC 从2000年的0.7%增长到2014年的1.5%,而PM2.5浓度从45.7µg/m3飙升到77.3µg/m3.根据2000与2014年的PM2.5浓度差值,把京津冀地区划分为轻度(0～9.9µg/m3)、中度(10～29.9µg/m3)、重度(30～49.9µg/m3)、严重(50～77µg/m3)污染区域,相应的不透水表面增长率分别为 43.3%、110.5%、 165.5%和 208.3%.严重污染区域位于北京-廊坊-天津-唐山(沿高速公路G1)和北京-保定-石家庄-邢台-邯郸(沿高速公路G4),伴随着较高的不透水面增长率(208.3%).同时,在2000～2014年期间,京津冀地区ISC空间分布与PM2.5污染空间分布高度一致,以太行山和燕山山脉为界的东南地区的不透水表面增长率为160.0%,显著高于西北地区的增长率50%,同时东南地区的PM2.5浓度增长值45.5µg/m3也显著高于西北地区的17.0 µg/m3.此外,把京津冀地区174个乡镇按照其ISC划分为5个级别:松散型(0～4.9%)、轻度紧凑型(5%～9.9%)、紧凑型(10%～14.9%)、密集型(15%～24.9%)、高度密集型(＞25%),乡镇数量分别为42、35、52、34、11,对应的PM2.5浓度均值分别为(42.7±10.5)、(79.9±11.9)、(95.6±15.4)、(99.1±10.8)、(115.3±9.2) µg/m3.其中松散型乡镇的空气质量较好,而严重雾霾笼罩在高度密集型的乡镇中.结果表明当乡镇ISC为5%和25%时,对区域PM2.5质量浓度带来剧烈的增长.当ISC ＞5%时,PM2.5浓度发生了激烈增长,其比＜5%的乡镇高了87.2%.当ISC ＞25%时,其PM2.5浓度飙升到(115.3±9.2) µg/m3,大约是＜5%乡镇的3倍.结论表明,在城市化进程中,不透水表面扩张对PM2.5污染的加剧带来严重影响,不透水表面扩张应该成为城市空气污染一个不可忽视的影响因素之一.

不透水表面；PM2.5污染；城市扩张；京津冀城市群；城市环境效应

人类改变自然地表的一个重要体现为不透水表面增长.不透水表面作为一种典型的城市地表覆盖组分,是一种由不透水性材料构造的人为地表,主要包括建筑物屋面系统和交通运输系统,如房顶、广场、道路、停车场等.不透水表面的扩张改变了城市生态系统结构[1],破坏城市生态功能,导致城市大气环境恶化,生物多样性减少和水环境退化等城市生态环境问题[2-3].不透水表面是反映人类活动对自然地表改造的频度与强度重要指标,可作为一个关键的城市生态和环境指标来反映伴随城市扩张的负面生态环境影响[3],快速城市化和工业化导致中国城市空气污染日益严重,尤其在京津冀区域.尽管中国 PM2.5污染的主要来源煤炭燃烧已经在2013年得到控制,并开始减少[4],然而空气污染仍在持续爆发,并在2015年12月华北地区首次发布PM2.5污染”红色预警”[5],即中国空气污染最高级别预警. 2016年入秋以来,京津冀地区又开始持续出现PM2.5高污染状态.中国空气污染引起各界人士的广泛关注,中国政府迫于压力采取了一系列措施来治理城市空气污染,例如汽车限行,工业污染排放控制等,然而中国空气污染问题并没有从根本上解决.近15a以来,中国许多大城市频繁发生的严重灰霾天气,与发达国家历史上分阶段的大气污染不同,伴随中国快速经济和城市化发展的燃煤,交通和工业等各类污染源的排放导致我国形成复合型大气污染.灰霾天气是不利的气象条件(外因)[6]和污染物排放(内因)[7]的综合结果,要解决灰霾天气[8],首先需要准确评估污染态势,确定各个污染源的权重,才能科学制定消减污染物排放的具体计划.已有研究表明城市气象条件主要受城市建筑用地密度,建筑用地高度等控制[9],城市不透水表面覆盖几乎控制整个城市空气动力学,影响和控制城市气象条件,进而影响城市污染物的传播,扩散与汇集[2,10].城市空气污染严重危害人们的身体和身心健康[11].工业排放[12-13]、汽车尾气排放、烹饪和供暖排放是城市空气污染的主要来源[14],均可归因于城市规划的不合理和不科学性,例如过度密集的建筑用地和高楼大厦[15]会阻碍和降低风速,进而降低空气污染物的扩散[9]. Zhang[9]认为作为城市空气污染的主要污染源-工业排放是可以通过控制和限制排放来有效降低,但是汽车尾气、烹饪和供暖的排放属于人们日常生活的一部分,难以有效地监测与控制[16]且不可避免.但这些人类活动均依附在不透水表面上.因此,研究采用ISC作为可量化的城市化指标来研究快速城市化的大气环境效应具有重大意义.掌握不透水表面扩张程度对 PM2.5时空过程的影响是控制和治理 PM2.5污染的基础.采用ISC来综合反映人类活动强度具有可行性.通过该研究可以为未来城市化建设提供一个定量的可控的城市化指标,即通过分析ISC和及其空间分布格局来宏观调控城市生态系统的结构和功能,为新型城镇化建设提供理论依据.为此,本文提取了京津冀地区近15a来的ISC和PM2.5质量浓度空间分布数据,分析了二者的时空变化规律.

1 材料与方法

1.1 研究区概况

研究区为京津冀城市群.其位于华北平原,经纬度为113.51°～119.91°E、36.02°～45.56°N,拥有1.1亿人口,总面积为21.8万km2,建成区面积为0.33万 km2[2014年].京津冀地区属于大陆性季风气候,具有明显的季节变化,平均气温为12.3℃,年均降雨量大约为572mm.本研究区空间范围包括北京、天津2个直辖市和河北省的石家庄、保定、唐山、廊坊、秦皇岛、衡水、承德、张家口、邢台、邯郸、沧州 11个地级市,城市常住人口2936.86万人.京津冀城市群是我国三大城市群空气污染最为严重的都市圈[17].随着城市化进程不断推进,京津冀地区 PM2.5污染已经成为世界范围内最严重的区域之一.京津冀城市群示意如图1所示.

图1 京津冀地区示意Fig.1 The sketch map of the BTH region

1.2 研究方法

1.2.1 不透水表面提取 采用归一化建筑指数(NDBI)来提取研究区的不透水表面信息,归一化建筑指数由杨山[18]最早提出,该指数主要基于城市建筑用地(多为不透水表面)在TM影像短波红外波段的反射率高于近红外波段的特点而创建.因此,通过归一化处理,得到NDBI指数:

式中:TM7为短波红外波段;TM4为近红外波段.在NDBI算法中,对于landsat数据,有2个短波红外波段(TM5与TM7),反射率都高于近红外波段,该文通过对京津冀地区大量对比实验分析发现,对于TM数据中TM7及TM4提取不透水表面的效果比TM5及TM4更好,能够去除大部分裸地、山地等地类的影响.NDBI值分布在[-1,1]之间,值越大代表建筑用地比例越高,建筑密度越大.当NDBI大于0,即为不透水表面;当小于0时,即为非不透水表面.对提取出来的不透水表面覆盖数据随机选取1900个点(不透水表面和透水表面各950个),以Google Earth作为参考依据,对随机点进行验证,得出2000、2003、2006、2009、2014年的不透水表面提取的总体精度分别为86.96%、90.17%、88.56%、91.68%和92.66%.

不透水表面覆盖率指在10×10像元区域(即为 300m×300m范围)不透水表面所占比例.该指标可作为一个关键的城市化指标来综合反映人类开发活动强度.基于不透水表面空间分布图, ISC计算如下:

式中:不透水表面面积是区域10×10像元范围内不透水表面面积,总面积是10×10像元区域总面积.

1.2.2 PM2.5质量浓度数据

(1)PM2.5地面监测数据

我国从2013年1月开始就典型区域以及各省会城市部署环境质量自动监测点并监测城市每小时空气质量数据,到今为止已经在全国范围369个城市共部署了1540个空气质量自动监测站,实时记录每小时空气质量浓度数据,并在国家环境保护局网站上实时公布.空气质量数据包括的指标:(PM2.5_1h、PM2.5_24h、AQI,O3、O3_24h、O3_8h、O3_8h_24h、SO2、SO2_24h、CO、CO_24h、NO2、NO2_24h、 PM10、PM10_24h).该文采集了2013年4月2日～2016年6月17日国家环境保护部发布的每小时监测数据.京津冀地区,到目前为止,总共有84个站点数据,其中有80个站点数据收集时间从2013年4月2日开始,而其他4个站点的数据从在2015年1月2日新增设的.京津冀地区各城市的站点数目是根据城市的人口数量来制定,其中北京有12个、天津有17个、石家庄7个、保定5个、廊坊4个、邢台4个、衡水3个、沧州3个、唐山4个、秦皇岛4个、承德3个、张家口3个.对异常每小时数据进行删除,使所有数据符合实际要求.

(2)PM2.5遥感提取

地面监测数据实时、准确,然后地面控制点稀少,且主要部署于城市中心,对京津冀大范围研究来说其数据有限,且时间跨度较短,难以从长时间尺度地来分析城市空气质量的变化趋势[19-23].因此,本文采用了2000～2014年基于卫星影像提取的 PM2.5质量浓度估算值,该数据是采用地理加权模型(GWR)结合遥感卫星数据、模拟数据以及地面监测值来估算区域 PM2.5浓度值,空间分辨率为 1km[24],该模型不仅考虑了气溶胶中的化学组分,土地利用信息和少量的地面监测数据,把来自多个卫星产品(MISR,MODIS Dark Target, MODIS和SeaWiFS Deep Blue,MODIS MAIAC)的气溶胶光学厚度数据并入到 GEOS-Chem模型中,还结合地面稀释的监测站点值,来提高PM2.5质量浓度的估算精度.基于交叉验证方法,该模型的PM2.5估算值与地面监测值具有很高的相关性(R2=0.81),符合该实验精度要求.

1.2.3 关联规则挖掘 采用关联规则挖掘技术挖掘隐含在海量大数据中每小时 PM2.5质量浓度与不透水表面覆盖率之间有意义的模式.关联规则是由X⇒Y式子导出,X和Y都是数据集.直观的意思是在一个事务数据集中,包含 X的事务往往也包含 Y.例如 80%的缓冲区 ISC＞50%的区域发生 PM2.5六级以上污染.设 T={i1, i2,…, in}是项的集合.设D是数据库事务的集合,其中每个事务 T是一个非空项集,使得 T⊆T;每个事务都有一个标识符,称为TID.设X是一个项集,事务T包含A,当且仅当X⊂T.关联规则是形如 X⇒Y的蕴涵式,其中 X⊂T, Y⊂T,并且 X∩Y =Φ.规则X⇒Y在事务集D中成立,具有支持度s和置信度c,其中s是D中事务包含X∪Y的百分比,c是D中包含X的事务同时也包含Y的事务的百分比.

同时满足最小支持度阈值和最小置信度阈值的规则称之为强规则.当支持度和置信度度量不足以过滤掉无用的关联规则时,为了处理这个问题,可以使用相关性度量来扩充关联规则的支持度-置信度框架.本文采用适合挖掘大型数据集的提升度来度量.提升度(lift)是一种简单的相关性度量,通过一下定义得到:

lift值小于1,则X的出现与Y的出现是负相关的,意味着一个出现可能导致另一个不出现.如果结果值大于1,则X和Y是正相关,意味每一个的出现都蕴含另一个的出现.如果值等于 1,则 X和Y是独立的,它们之间没有相关性.

2 结果与讨论

2.1 PM2.5污染时空变化规律

依据京津冀地区 2000～2014年的空间分布,其 PM2.5污染越来越严重,从 2000年均值45.65µg/m3增长到2003年59.58µg/m3,年均增长率为10.17%;从2003年59.58µg/m3增长到2006年64.81µg/m3,年均增长率为2.93%.从2006年的64.81µg/m3增长到2009年的69.72µg/m3,年均增长率2.53%;从2009年的69.72µg/m3飙升到2014年均值 77.3µg/m3,年均增长率为 3.62%.可见, 2000～2003年间其 PM2.5质量浓度的年均增长率最高,是其他时间段的 3倍左右.其次为 2009～2014年间,其年均增长率为 3.62%.把京津冀地区按PM2.5质量浓度进行划分展示,划分为7个污染水平区域:优(0～10µg/m3),良好(10～30µg/m3),轻度污染(30～50µg/m3),中度污染(50～70µg/m3),重度污染(70～90µg/m3),严重污染(90～115µg/m3), 污染危险水平(＞115µg/m3),采用不同的颜色来代表不同污染水平(图 2).结果表明:2000年,只有沧州市小部分处于重度污染,其余区域都处于中度污染;到2003年,重度污染开始在京津冀东南地区大面积蔓延,其中天津的东北区域和唐山的东南区首次从轻度污染加剧为中度污染,而PM2.5严重污染水平开始出现在邢台和衡水的交界处;到 2006年,PM2.5重度污染继续从东南往西北地区蔓延与扩散,PM2.5严重污染情况持续在东南区扩散和加剧,主要位于石家庄-邢台-邯郸.到 2009年,PM2.5严重污染水平往保定-北京-衡水区域扩散,其中PM2.5危险污染水平开始出现在京津冀东南区域,虽然处于该危险污染水平的面积不多.到2012年,最严重的PM2.5污染开始在石家庄-邢台-邯郸地带扩散和蔓延.逐步形成二个污染最严重污染地带,一个区域位于北京-廊坊-天津-唐山;一个污染带位于北京-保定-石家庄-邢台-邯郸.

PM2.5污染逐步从河北南部城市往北京和天津移动,整体 PM2.5污染往北边移动,污染逐步加剧,其中唐山、天津、北京污染加剧最快.从京津冀地区的 PM2.5浓度空间格局分布来看,以太行山和燕山山脉为界,位于京津冀东南区域的城市PM2.5污染严重,西北地区相对较好;其中靠近渤海的沿海城市污染又较轻于东南地区内陆城市,且高污染地区主要为污染企业、人口密集的平原和市中心区.另外,根据2000～2014年PM2.5质量浓度差值空间分布图(图 3),得出以沧州为中心,包括廊坊南部-保定(东北部)-衡水(北部)污染带,分析原因该地带从2000年,甚至之前的PM2.5质量浓度就已经很高,早在2000年,唐山、天津、北京、廊坊北部,以及这一地带周边的地段空气质量还良好的时候,该地段的空气质量一直处于高浓度污染状态,至今 PM2.5质量浓度依然保持在较高水平,因此,其变化的浓度值较小,但是其本身污染很严重,这是因为这一地带,地势低,空气不容易扩散,因此这一地带污染开始的最早,也是浓度较高的区域.

图2 京津冀地区PM2.5质量浓度时空分布变化趋势Fig.2 The changes of the PM2.5concentration in the BTH region

图3 2000～2014年PM2.5质量浓度差值空间分布Fig.3 The differences in PM2.5concentration between 2000 and 2014

2.2 PM2.5质量浓度与不透水表面覆盖率时空变化关系

采用归一化建筑指数提取了京津冀地区2000、2003、2006、2009、2014年的不透水表面数据,在此基础上估算了京津冀地区的 ISC.在最近 15a的城市化进程中,京津冀地区土地利用粗放现象突出,森林生态系统功能退化严重,尤其是城市不断往外扩张.不透水表面扩张不仅仅局限于大城市中,不透水表面增长与蔓延也发生于乡镇之间,主要以”组团”方式从城中心往边缘地带蔓延.与 PM2.5空间分布规律一致,主要以太行山和燕山山脉为界,东南地区的城市化水平,不透水表面扩张程度明显高于西北地区.

图4显示了京津冀地区从2000～2014年不透水地表面积变化趋势.京津冀地区不透水表面面积从2000年1521km2增长到2014年3324km2,增长了 1803km2,增长率为 118.54%,年均增长率为8.47%.其中从2000～2003年,不透水表面增长了413km2,年均增长率为9.05%. 2003～2006年,京津冀不透水表面增长了653km2,年均增长率为11.25%.2003～2006年期间不透水表面增长面积大于2000～2003年期间,年均增长率增加了2.2%. 2006～2009年期间,不透水表面增长了563km2,年均增长率为 7.25%.2009～2014年,不透水表面增长了 174km2,年均增长率为 1.1%.得出2003～2006年期间,其不透水表面增长面积最大,年均增长率最高,其次为2000～2003年期间,第三为2006～2009年期间,到了2009～2014年,中国城市扩展速度放缓,年均增长率降为 1.1%.15a间,京津冀地区城市化扩张速度迅速,城市化进程速度快,到 2009年开始,中国城市化扩张已经到了瓶颈之处,中国房地产库存大,城市扩张放缓,不透水表面增长率下降.

图4 2000～2014年京津冀地区不透水表面扩张趋势Fig.4 The changes of impervious surface areaduring 2000 to 2014 in the BTH region

图5展示京津冀地区ISC的时空变化趋势,对比分析京津冀地区ISC与PM2.5质量浓度的空间分布规律.得出京津冀不透水表面和 PM2.5污染的空间分布格局一致:以太行山-燕山山脉为界,东南部不透水表面覆盖率明显高于西北区域,而东南部 PM2.5污染严重,西北部较轻,且高污染地区主要为企业,人口密集的平原和市中心区.京津冀地区 PM2.5污染加剧明显,尽管该地区植被覆盖状况总体趋好,但仍然形成了北京(东南)-天津-廊坊(北部)-唐山(沿高速公路 G1)和北京-保定(东南)-石家庄(东部)-邢台-邯郸(沿高速公路G4)两个重污染带.这与2014年京津冀地区不透水表面覆盖率的高浓度值分布一致,得出京津冀地区PM2.5质量浓度增长与ISC保持高度一致性,即京津冀地区不透水表面也是围绕沿高速公路G1的北京-保定-石家庄-邢台-邯郸地带和北京-廊坊-天津-唐山地带扩张.二个污染带的不透水表面增长率为 141.67%,其 PM2.5质量浓度从2000年的 64.9µg/m3增长到 2014年的 136.2 µg/m3,同比增长 109.86%.以太行山和燕山为界的东南地区 PM2.5质量浓度从 2000年的52.5µg/m3到 2014年 98.0µg/m3,同比增长了45.5µg/m3;而西北地区的PM2.5质量浓度从2000年的22.7µg/m3增长到2014年39.7µg/m3,同比增长17µg/m3.东南地区的PM2.5污染的加剧程度远大于西北地区.同时,不透水表面扩张也遵循以太行山和燕山山脉为界,东南地区的不透水表面扩张(从2000年的1.0%到2014年2.6%)远比西北地区的扩张(从2000年的0.4%到2014年的0.6%)激烈.由此可见,PM2.5污染加剧程度与不透水表面扩张程度在空间分布和时间变化上都保持高度的一致.通过拟合京津冀地区 PM2.5质量浓度与 ISC,表明二者相关性显著(R2=0.92, P＜0.001),得出ISC影响PM2.5污染变化(表1).

图5 京津冀地区不透水表面覆盖率变化趋势Fig.5 Variations of the ISC in the BTH region

表1 ISC与PM2.5质量浓度变化Table 1 The changes of the ISC and PM2.5concentrations

为了进一步分析京津冀地区ISC与PM2.5质量浓度水平的关系,依据2014年与2000年的京津冀 PM2.5质量浓度的差值划分为轻度区(0～10µg/m3),中度区(10.01～30µg/m3), 重度区(30.01～50µg/m3),严重区(50.01～77µg/m3).

依据京津冀地区15a期间的PM2.5质量浓度加剧空间分布,得出京津冀地区有 42374.00km2的轻度区,PM2.5质量浓度加剧范围为0～10µg/m3;有90700.5km2中度区,主要位于沧州、张家口、承德、秦皇岛,重度区的面积有60635.1km2,主要位于北京-廊坊-天津-唐山和保定-石家庄-衡水-邢台区域.而 PM2.5严重加剧区域面积为20279.0km2,主要位于保定-石家庄-邢台-邯郸沿高速公路 G1的线路上以及北京-廊坊-天津-唐山沿高速公路G4的沿线上.

计算各区域的不透水表面覆盖增长率,得出PM2.5污染轻度加剧的不透水表面增长率为43.3%,中度加剧区域的不透水表面增长率为110.5%,重度加剧区域的不透水表面增长率为165.5%,严重加剧区域的不透水表面增长率为208.3%,该结果表明 PM2.5污染加剧越严重的区域,其不透水表面增长率越高.结合 2014年与2000年的PM2.5质量浓度差值空间分布图和ISC空间分布图,得出 PM2.5质量浓度加剧与不透水表面扩张在空间分布上保持高度一致.

2.3 不透水表面扩张对PM2.5质量浓度的影响

2.3.1 城市尺度分析 依据ISC和PM2.5时空分布图,采用空间数理统计工具,分别计算各城市的 ISC和PM2.5质量浓度均值在2000年到2014年期间的变化特征,分析二者潜在的相关关系(表2).

表2 2000年～2014年城市不透水表面面积与PM2.5质量浓度变化关系Table 2 The changes of the ISC and PM2.5concentration from 2000 to 2014

其中北京不透水面积增长最大,为 818km2,其增长率为 167.62%,其次是天津市(356km2),其增长率为 93.68%;第三为唐山市,其增长面积为130km2,增长率为 109.24%.相应 PM2.5质量浓度加剧情况:北京市增长了34.77µg/m3,天津增长了25.88µg/m3,唐山市飙升 52.13µg/m3,其中唐山污染加剧最为严重.城市不透水表面的增长和PM2.5质量浓度加剧成显著正比关系,京津冀城市化水平影响着该区域的空气污染.唐山是个特例,其不透水表面增长不是最快,但是其污染最为严重,这是因为不透水表面与 PM2.5是一个间接关系,其不会直接产生污染物,污染物排放还受依附于不透水表面上的建筑用地用途的影响,例如工业用地的污染排放大于商业用地和居住用地,而居住用地大于商业用地,而北京、天津重工业全部迁往河北地区.

2.3.2 乡镇尺度分析 为了进一步分析不透水表面扩张对 PM2.5质量浓度的影响,从京津冀地区乡镇尺度分析京津冀地区 174个乡镇的 ISC和PM2.5质量浓度年均值的相关关系.

表3表明京津冀地区乡镇PM2.5质量浓度和ISC具有显著的空间自相关特征,其Moran’s I分别为0.58(P＜0.001)和0.29(P＜0.001),均通过显著性检验.该结论表明京津冀地区乡镇 PM2.5质量浓度和ISC存在明显的空间自相关性,具有显著的高值聚集,低值聚集特征.另外,依据乡镇 PM2.5质量浓度和ISC的G指数,得出二者均存在热点和冷点,且二者的热点均分布在东南地区,冷点均分布在西北地区,二者的热点和冷点在空间分布格局上基本保持一致.

表3 Moran’s I and General GTable 3 Summary global Moran's I and General G

图6展示了2014年京津冀地区174个乡镇的 ISC和 PM2.5质量浓度分布图.得出乡镇 ISC越大,其 PM2.5污染越严重,二者在空间分布上保持相对一致.

按照乡镇ISC值,把京津冀174个乡镇划分为:松散型(0～5%),轻度紧凑型(5%～10%),紧凑型(10%～15%),密集型(15%～25%),高度密集型(＞25%)[25].各类型乡镇的个数分别为42、35、52、34、11,PM2.5质量浓度年均值分别为(42.7 ± 10.5)、(79.9 ± 11.9)、(95.6 ± 15.4)、(99.1 ± 10.8)、(115.3± 9.2)µg/m3(表 4).分析各类型乡镇的 ISC和 PM2.5质量浓度值,得出结果:松散型的乡镇往往具有良好的空气质量;而当乡镇 ISC处于5%～25%之间时,其空气质量具有明显的恶化迹象.当ISC＞5%时, PM2.5浓度发生了激烈增长,其比＜5%的乡镇高了 87.2%.当 ISC＞25%时,其PM2.5浓度飙升为(115.3±9.2)µg/m3,大约是＜5%的乡镇的3倍.因此,城市化进程中不透水表面扩张对 PM2.5污染的加剧带来显著影响,不透水表面扩张应该成为城市空气污染一个不可忽视的影响因素之一.

图6 京津冀地区乡镇的ISC和PM2.5质量浓度空间分布Fig.6 The spatial distribution of the counties’ ISC and PM2.5concentrations in the BTH region

表4 乡镇的ISC与PM2.5质量浓度关系Table 4 The counties’ISC degrees and their PM2.5summary information

2.4 不透水表面扩张对 PM2.5质量浓度影响的拐点判定

选择京津冀地区84个自动监测站点,依据站点每小时自动监测数据和和站点缓冲区范围(3500m)的 ISC数据,采用数据挖掘技术来寻找ISC对 PM2.5污染影响的拐点.在数据挖掘之前,需要对PM2.5每小时浓度数据和ISC进行预处理,使之符合数据挖掘的格式.首先,对站点的连续ISC和PM2.5质量浓度值进行离散化处理.

根据中华人民共和国国家环境保护标准(HJ633-2012)[26]各浓度级别范围,把 PM2.5质量浓度划分为6个级别.并经过多次试验反复验证,把ISC划分为5个等级,如表5所示.

表5 离散化处理Table 5 Data discretization

在关联规则挖掘实验中,需先设定支持度和置信度阈值,不断尝试和组合不同支持度和置信度才能找到合适的阈值,该文根据数据挖掘结果不断调整参数,这也是数据挖掘方法的特点.找到相应的支持度和置信度阈值,然后挖掘出符合强关联规则的关联规则总库,最后筛选出有意义的不同级别的PM2.5规则.

首先把所有经过处理符合时空数据挖掘格式的数据全部转换为CSV格式.然后进行各种支持度、置信度进行设置实验,挖掘PM2.5污染规则,试验结果如下所示:

表6 规则库Table 6 Rules

表7 ISC与PM2.5污染的强关联规则Table 7 The strong association rules between ISC and PM2.5

表 6分别对不同的支持度和置信度进行了实验分析,并对不同的规则库进行了评估、识别,最终认为规则库8最符合实验要求,因此,把规则库 8进行评估分析并识别出有意义的关联规则.采用数据挖掘技术分析ISC对PM2.5质量浓度的影响.根据数据挖掘的设计方案,经过反复试验最终选择支持度=0.0001和置信度=0.2的参数,43条关于ISC导致PM2.5各个等级污染的强关联规则(表6).支持度大于0.0001,置信度大于0.15,以及lift＞1筛选出强关联规则,规则库如表7所示.

表7是用关联规则挖掘技术产生的ISC与PM2.5污染级别之间的强关联规则库.规则1的置信度为0.516,表明51.6%的事务包括ISC=2级别,也同时包括 PM2.5=1级别.这说明 ISC级别为2(35% ＜ ISC ＜ 50%)的站点能促进PM2.5处于一级污染范围之内,也就是空气质量良好的状态.规则1的提升度为1.75,这说明ISC = 2级对保持PM2.5处于一级污染提升了175%.规则2的置信度为0.423,这表明42.3%的事务包括ISC=1同时也包括 PM2.5=1级别.上述二个规则得出当站点的ISC＜50%时,其PM2.5质量浓度较低,很大部分都处于良好状态.规则 2的提升度为 1.537,即ISC=1级对该站点 PM2.5处于良好状态提升了153.7%.当ISC 级别大于3级时,也就是＞50% 的站点,那么这些站点的空气质量差,带来了 PM2.5重度污染.对比规则3、8和13发现,随着ISC从3级别到 5级别,其 PM2.5六级污染的置信度从0.042～0.049,再到0.317,增长达6.5倍,尤其当ISC等于5级别时,其置信度直接是3、4级别的站点大约10倍的关系.再看包括PM2.5五级污染的规则5、9、14,其置信度分别为0.294、0.129、0.107,随着ISC的增长,其同时包括PM2.5五级污染的事务关联增长,从ISC=3级的10.7%增长到ISC=5的29.4%.其提升度也是随着ISC级别增长而相应地提高.另外,包括 PM2.5四级污染的规则 4、10、15,其置信度分别为0.301、0.112、0.097,随着ISC增长,其置信度从0.097增长到0.301,提升度分别为1.298、1.186、1.024,随着ISC的增长,提升度也有所增长.所有的规则都随着ISC的增长,置信度和提升度都有相应的升高,尤其是 ISC＞50%.ISC=50%的拐点对未来京津冀地区城市规划和建设具有指导性的作用,也为规划者提供一个定量指标作为参考,在未来中国新型城市建设和管理过程中,尽量把ISC控制在50%之内,增长绿地空间面积和水体面积.

3 结论

3.1 2000～2014年京津冀地区ISC的空间分布与 PM2.5质量浓度空间分布总体一致.京津冀城市快速扩张的同时伴随着严重的空气污染.在空间分布格局上遵循以下规律:(1)在秦皇岛南部-唐山-天津-廊坊(北部)-北京(东南)地带,这与2014年京津冀地区ISC的高浓度值分布一致;(2)保定(东南)-石家庄(东部)-邢台-邯郸,对比 ISC的空间分布图,与 PM2.5质量浓度增长分布图一致.可见,京津冀地区 PM2.5质量浓度的增长与ISC保持高度一致性.

3.2 对京津冀地区174个乡/区的ISC与PM2.5质量浓度进行空间相关性分析,PM2.5质量浓度和ISC的Moran’s I分别为0.58,0.29,表明二者存在显著的空间聚集特征.PM2.5高浓度值聚集在邯郸-邢台-石家庄-衡水一带,而京津冀地区ISC高值聚集在北京-廊坊-天津-唐山一带;二者低值聚集都分布在京津冀地区北部.

3.3 把乡镇ISC划为0～5%;5%～10%;10%～15%; 15%～25%;＞25%五个级别,对应的 PM2.5浓度均值分别为:(42.7 ± 10.5)、(79.9 ± 11.9)、(95.6 ± 15.4)、(99.1 ± 10.8)、(115.3± 9.2) µg/m3.可见从乡镇尺度,随着ISC增长,其PM2.5质量浓度也相应地增长.

3.4 京津冀地区ISC从2000年的0.7%增长到2015年的1.5%,增长率为114.29%,而其PM2.5浓度从 45.7µg/m3飙升到 77.3µg/m3,增长率为69.15%.最后采用数据挖掘技术得到不透水表面扩张对 PM2.5质量浓度的影响拐点为 50%.当站点缓冲区范围 ISC＞50%时,其 PM2.5六级、五级污染发生概率比 ISC＜50%分别增长了72.25%、33.13%;是 ISC＜35%的站点六级污染概率的470%倍,是其五级污染发生的158.88%倍.其中其四、三级污染发生的概率也随着ISC增长升高.

[1] EXUM L R, BIRD S L, HARRISON J, et al. Estimating and projecting impervious cover in the Southeastern United States [M]//AGENCY E P. Environmental Protection Agency(EPA) Ecosystems Research Division. 2005.

[2] HEALD C L, SPRACKLEN D V. Land use change impacts on air quality and climate [J]. Chemical Reviews, 2015,115(10):4476-96.

[3] EDITORS. Rise of the city [N]. Science, 2016-05-20.

[4] QI Y, STERN N, WU T, et al. China's post-coal growth [J].Nature Geoscience, 2016,9(8):564-6.

[5] NEWS X. 40cities issue alerts for pollution in N China [M]. 2015.

[6] 马志强,徐 敬,张小玲,等.北京PM2.5背景值定值方法及其变化特征研究 [J]. 中国环境科学, 2015,35(1):7-12.

[7] 杨 昆,杨玉莲,朱彦辉,等.中国PM2.5污染与社会经济的空间关系及成因 [J]. 地理研究, 2016,35(6):1051-1060.

[8] 吴 兑,陈慧忠,吴 蒙,等.三种霾日统计方法的比较分析_以环首都圈京津冀晋为例 [J]. 中国环境科学, 2014,34(3):545-554.

[9] ZHANG Y, GU Z. Air quality by urban design [J]. Nature Geoscience, 2013,6(7):506-.

[10] XIA C, YE Y, ZHANG S, et al. Effects of Urban Construction Land Spatial Form on PM2.5Dispersion [M]. 2017.

[11] 周 磊,武建军,贾瑞静,等.京津冀PM2.5时空分布特征及其污染风险因素 [J]. 环境科学研究, 2016,29(4):483-493.

[12] 李 璇,聂 滕,齐 珺,等.2013年1月北京市PM2.5区域来源解析 [J]. 环境科学, 2015,36(4):1148-1153.

[13] 王 琴,张大伟,刘保献,等.基于PMF模型的北京市PM2.5来源的时空分布特征 [J]. 中国环境科学, 2015,35(10):2917-2924.

[14] 李珊珊,程念亮,徐 峻,等.2014年京津冀地区 PM2.5浓度时空分布及来源模拟 [J]. 中国环境科学, 2015,35(10):2908-2916.

[15] 朱 强,亢燕铭,杨 方,等.上游建筑对街道峡谷内流场和污染物分布特征的影响 [J]. 中国环境科学, 2015,35(1):45-54.

[16] 黄德生,张世秋.京津冀地区控制 PM2.5污染的健康效益评估[J]. 中国环境科学, 2013,33(1):166-174.

[17] 王郭臣,王东启,陈振楼.北京冬季严重污染过程的PM2.5污染特征和输送路径及潜在源区 [J]. 中国环境科学, 2016,36(7): 1931-1937.

[18] 杨 山.发达地区城乡聚落形态的信息提取与分形研究_以无锡市为例 [J]. 地理学报, 2000,55(6):671-678.

[19] LARKIN A, VAN DONKELAAR A, GEDDES J A, et al. Relationships between changes in urban characteristics and air quality in East Asia from 2000 to 2010 [J]. Environmental Science & Technology, 2016,50(17):9142-9.

[20] HAN L, ZHOU W, PICKETT S T A, et al. An optimum city size? The scaling relationship for urban population and fine particulate (PM2.5) concentration [J]. Environmental Pollution, 2016,208: 96-101.

[21] HAN L, ZHOU W, LI W. Increasing impact of urban fine particles (PM2.5) on areas surrounding Chinese cities [J]. Scientific Reports, 2015,5(12467.

[22] HAN L, ZHOU W, LI W, et al. Impact of urbanization level on urban air quality: a case of fine particles (PM2.5) in Chinese cities [J]. Environmental Pollution, 2014,194(163-70.

[23] 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): 847-55.

[24] VAN DONKELAAR A, MARTIN R V, BRAUER M, et al. Global Estimates of Fine Particulate Matter using a Combined Geophysical-Statistical Method with Information from Satellites, Models, and Monitors [J]. Environmental Science & Technology, 2016,50(7):3762-72.

[25] BIERWAGEN B G, THEOBALD D M, PYKE C R, et al. National housing and impervious surface scenarios for integrated climate impact assessments [J]. Proceedings of the National Academy of Sciences of the United States of America, 2010, 107(49):20887-92.

[26] HJ633-2012 环境空气质量指数(AQI)技术规定(试行) [S].

致谢：本实验的数据收集工作由云南省云南师范大学西部资源环境地理信息技术教育部工程中心人员协助完成,在此表示感谢.

The spatio-temporal variation of PM2.5pollution and the its correlation with the impervious surface expansion.

WANG Gui-lin1,2, YANG Kun1,2*, YANG Yang1,2(1.School of Information Science and Technology, Yunnan Normal University, Kunming 650500, China；2.The Engineering Research Center of GIS Technology in Western China of Ministry of Education of China, Kunming 650500, China). China Environmental Science, 2017,37(7)：2470～2481

Human development activities should be incorporated as integral components of Earth’s ecosystems. The land use/land cover change with rapid urbanization, especially the growth and spread of impervious surface, was changing the structures, degrading the functions of the urban ecological systems and posing threats to air quality. The ISC had been recognized as a geographical indicator to reflect the intensity of human development activities. The ISC in the BTH, which were interpreted from Landsat imagery, rose from 0.7% to 1.5% during 2000 to 2014. The mean of the PM2.5concentration had soared from 45.7 to 77.3µg/m3. We stratified the BTH by differences in the PM2.5concentration between 2000 and 2014 into slight (0～9.9µg/m3), moderate (10～29.9µg/m3), heavy (30～49.9µg/m3), hazardous (50～77µg/m3), the area for slight, moderate, heavy, hazardous was 42374, 90700.5, 60635.1, and 20279.0km2, respectively. The result revealed that the hazardous zone (Beijing-Langfang-Tianjin-Tangshan along the highway G1 and Beijing-Baoding-Shijiazhuang-Xingtai-Handan along the highway G4) were accompanied by the ISC growth rate of 208.3%. Meanwhile, the spatial distribution of PM2.5aggravation was consistent with the impervious surface expansion in the BTHregion, such as the growth rate of the ISC in the southeast (160%) was greater than that in the northwest (50%), and the increase of the PM2.5concentration in the southeast (45.5µg/m3) was also greater than that in the northwest (17.0µg/m3). Moreover, at the county level, we had found that larger county, in term of the ISC, have higher PM2.5concentration. 176counties within BTH region were stratified by ISC into unstressed (0～4.9%), lightly stressed (5%～9.9%), stressed (10%～14.9%), impacted (15%～24.9%), degraded (＞25%), and the corresponding mean of the PM2.5are (42.7±10.5), (79.9±11.9), (95.6±15.4), (99.1±10.8), (115.3±9.2)µg/m3, respectively. The unstressed counties had 0～5% imperviousness and typically had good air quality, and the counties have 5%～25% imperviousness and showed clear signs of degradation. The degraded counties have ＞25% imperviousness and averaged (115.3±9.2)µg/m3of the PM2.5concentration, reaching three times that of the unstressed counties. The proportion and spatial distribution of impervious surface should be considered in the National New-type Urbanization development of China, making the cities surrounded by enough greenbelt and water areas and controlling the county with ISC ＜25% on the basis of the existing impervious surface spatial distribution to form a remedy for the PM2.5pollution.

impervious surface；PM2.5pollution；urbanization；Beijing-Tianjin-Hebei (BTH) region; environment effect

X513

A

1000-6923(2017)07-2470-12

王桂林(1986-),女,江西上饶人,博士研究生,主要从事城市空气污染,城市化带来的环境效益研究.发表论文13余篇.

2016-12-07

教育部博士点专项基金资助项目(20115303110002);国家863计划(2012AA121402);国家自然科学基金资助项目(50578020);科研创新基金资助项目(yjs201580)

* 责任作者, 教授, kmdcynu@163.com