基于泰森多边形的南京市PM 2.5时空特征及其与土地利用的相关性研究

陈晓杰, 张金亭, 张长城， 彭晓军

(1.武汉大学 资源与环境科学学院, 湖北 武汉430079;2.湖北省地质局 武汉水文地质工程地质大队, 湖北 武汉430051; 3.荆州市国土资源局，湖北 荆州 434000)

随着中国经济的快速发展，空气污染形势也日益严峻。而引发环境问题的首要污染物是大气颗粒物[1-2]。与PM10等粗颗粒相比，细颗粒PM 2.5由于其危害性更大而备受关注。PM 2.5指环境空气中空气动力学当量直径小于等于2.5 μm的颗粒物，也称细颗粒物[3],由于其颗粒小，组成较复杂，吸附性及易黏带重金属、硫酸盐等有害物质进入呼吸道和肺部[4]，严重危害人体健康。相关监测数据统计结果显示，中国目前已经成为世界PM 2.5污染最严重的地区[5]。2013年1月14日，亚洲银行和清华大学发布的《迈向环境可持续的未来：中华人民共和国国家环境分析》[6]中显示，中国的污染严重城市数量占据世界上污染严重城市数量的绝大比例，其中前10名有7个城市位于中国，由此可以看出中国环境污染问题的严重性。

目前国际上普遍采用设立大气环境监测点的方式来监测各个城市的污染状况，中国从2013年开始在全国范围内设立监测点位，同时发布主要城市监测点位的PM 2.5浓度数据。然而，地面监测点数据只可表征监测点周围一定范围内的浓度情况，由于城市内部PM 2.5浓度具有显著的空间异质性[7]，无法通过稀疏点监测数据直接表征整个城市的污染状况及其空间差异，这将阻碍了城市PM 2.5浓度时空特征分析以及空气污染暴露评估等相关研究[8]。因此利用空间分析技术分析通过离散监测点的监测浓度数据表征整个城市的污染连续空间曲面成为了值得研究的关键问题。中国有关PM 2.5的研究主要集中在大城市，尤其是北京[9-10]、上海[11]、广州[12]、深圳[13]、武汉[14]、重庆[15]等大城市，本研究拟以南京市为实例研究区，首先，基于研究区监测点PM 2.5浓度数据利用泰森多边形将研究区域进行分区，建立高分辨率PM 2.5浓度的空间分布模拟，分析研究区内PM 2.5的时空分布规律，为PM 2.5的季节性治理提供依据。最后，建立回归模型分析土地利用类型与PM 2.5的相关性，为从下垫面土地利用角度认识PM 2.5时空变化提供科学依据。对南京市土地利用类型和PM 2.5污染相关性研究，以期为南京市城市空气质量改善，控制城市PM 2.5污染及土地利用规划，城市生态建设提供理论和实践依据。

1 数据来源与研究区域

1.1 数据来源

研究涉及两方面数据。其一,PM 2.5数据来源中国环境监测总站(http:∥www.cnemc.cn/)发布的监测点时间序列数据，具体时段为2013年1月至2013年12月。南京市现有9个空气质量国家控制监测点(如图1所示)，分别是迈皋桥、草场门、山西路、中华门、瑞金路、玄武湖、浦口、奥体中心、仙林大学城，获取监测点的质量浓度日均监测数据，求算每个监测点PM 2.5质量浓度月均值，汇总得到各个监测点PM 2.5年均值浓度。其二，南京市土地利用数据来源于国家科技基础条件平台：国家地球系统科学数据共享平台(http:∥nnu.geodata.cn)—长江三角洲科学数据中心—南京市土地利用及城镇用地结构分布图。

图1 2013年南京市PM 2.5监测点分布

1.2 研究区域

南京市位于江苏省西南部，中国东部重要的中心城市，位于东经118°22′—119°14′，北纬31°14′—32°37′，属于北亚热带湿润气候。年均降雨量1 106 mm。2013年国务院批复南京调整区划，调整后，南京辖11个区，全市行政区域面积6 595 km2，建成区面积为923.8 km2。2013年全市常住人口为818.78万人。2013年末民用汽车拥有量达到140.41万辆，比上年增长19.3%，其中私人汽车拥有量达到117.73万辆。作为长江三角洲最为重要的经济中心之一，随着经济的不断发展，由此带来的环境污染问题也日益严重。

2 研究方法

2.1 泰森多边形

泰森多边形图定义：设二维平面空间中有1离散点集P={p1，p2，…，pn}，其中任意2点不相等，任意4点不共圆。点集中任一元素pi(1≤i≤n)根据空间邻接关系确定泰森多边形tpi(1≤i≤n)[16]：

tpi={s:‖s-pi‖≤‖s-pj‖，pi，pj∈P，i≠j}

(1)

式中：‖·‖——2点间的欧氏距离，点pi称为泰森多边形tpi的生成元，则由tpi(1≤i≤n)组合成的平面图形称为离散点集P的泰森多边形图。至此，离散点集完成对二维平面的空间剖分。

2.2 相关性分析

本文运用相关性分析方法对PM 2.5和土地利用类型进行分析，通过计算相关系数反应二者之间的相关性。相关系数是描述两个测量值变量之间的离散程度的指标。用于判断2个测量值变量的变化是否相关，即，一组数据与另一组数据的关系的分析(正相关、负相关、不相关)。设(X,Y)为二元随机变量，那么:

(2)

式中：ρ——随机变量X和Y的相关系数，是度量随机变量X和Y之间线性相关密切程度的数字特征。

3 结果与分析

3.1 南京市PM 2.5浓度时空变化

3.1.1 PM 2.5浓度时间变化 根据《2013年江苏省环境状况公报》显示[17]，全省空气质量达标率为60.3%，其中全省空气质量中PM 2.5 年均浓度为73 μg/m3。而南京市的PM 2.5年均浓度已达到77 μg/m3，超出了国家二级标准1.20倍，由此可见南京市为省内空气污染较为严重的城市。根据国家要求，南京市作为长三角重点城市和省会城市，从2013年1月1日起，采用新的标准对环境空气质量进行检测及评价。

按照《环境空气质量标准》，南京市建成区空气质量达标202 d，达标率55.3%，同比下降约5%。空气质量超标163 d，其中轻度污染98 d，中度污染32 d，重度污染27 d，严重污染6 d。全市各个监测点在研究期内的月均浓度如图2所示。各监测点在全年各个月份呈现出开口向上的抛物线的形状，12和1月份的PM 2.5浓度普遍偏高，12月PM 2.5浓度最高，达到151.78 μg/m3。7和8月的PM 2.5浓度最低，分别为32.02和41.82 μg/m3。

南京市各季节PM 2.5浓度[17]变化大体表现为从冬到秋、夏、春持续下降(如图3所示)。冬季PM 2.5污染最为严重，各监测点平均浓度达到129.93 μg/m3，秋季其次为70.15 μg/m3，春季与秋季相差不大，平均浓度为66.33 μg/m3，夏季是一年中污染浓度最低的季节，平均浓度仅为44.65 μg/m3，与冬季相差85.27 μg/m3。由此可见一年内空气污染严重程度的差别之大，季节效应显著。秋冬较高，夏秋较低。经分析，其原因可以总结为，一是冬季取暖期期燃煤量显著升高，导致PM 2.5及其他污染物排放量增加，二是逆温等气象条件不利于PM 2.5大气污染物扩散。

图3 南京市9个监测点各季PM 2.5浓度

3.1.2 PM 2.5浓度空间差异 本文以整个南京市为研究区域，以9个PM 2.5监测点为基础，利用泰森多边形进行分区。根据泰森多边形的定义，即多边形内的任一点到生成元的距离小于到其他生成元的距离。将PM 2.5监测点作为生成元生成的泰森多边形代表了监测点辐射范围。将整个研究区划分为9个区域，各区域以监测点名称区分，9个区域的面积及比例[18]如下：迈皋桥(898 km2,13.56%)、草场门(64 km2，0.97%)、山西路(21 km2，0.32%)、中华门(1 715 km2，25.90%)、瑞金路(578 km2，8.73%)、玄武湖(21 km2，0.32%)、浦口(1 015 km2，15.33%)、奥体中心(897 km2，13.55%)、仙林大学城(1 412 km2，21.33%)。

以泰森多边形分区为基础，得到研究区域内每个季节PM 2.5浓度的空间分布。结果表明，南京市内空气质量差异明显，9个空气质量监测点相对集中在主城区内。四季的空气质量差异明显，冬秋PM 2.5污染普遍很严重。山西路监测点已经达到141.57 μg/m3，多数监测点都在130 μg/m3以上，中华门监测点最低为107.42 μg/m3。秋季，草场门和迈皋桥监测点污染最严重，分别为74.20和74.03 μg/m3。山西路最低，为65.38 μg/m3。春季，瑞金路污染最严重，浓度为73.09 μg/m3，而仙林大学城仅为59.20 μg/m3。夏季是一年中污染最轻的季节，PM 2.5浓度最高的地方是中华门为49.21 μg/m3，最低仍然是仙林大学城39.04 μg/m3。从整体来看，每个季度内的不同监测点，PM 2.5浓度差异不是很大，相对而言，山西路、草场门、中华门一带为市中心聚集区，污染相对严重，而仙林大学城由于地处郊区，聚集各大高校没有太多污染产业，空气质量较好，玄武湖和浦口监测点由于周围分别有玄武湖和长江，所以空气污染也得到一定的缓解。

3.2 土地利用对PM 2.5的影响

有关PM 2.5的形成、发展机制及时空分布特征和影响因素，许多学者已经做了较为全面的研究[19-21]，土地利用类型也是其影响因素之一[22]。由于数据受限，本文将研究区域以泰森分区的方法划分为9个区域，各区域内统计6种土地利用类型的面积[18]与PM 2.5浓度[17]做相关性分析，得到不同时间尺度下的相关系数，由于面积比例与时间尺度不同，相关系数的大小也有显著差异，相关系数越大说明关系越密切[23]。

从表1可以看出4个季节6种用地类型与PM 2.5浓度的偏相关性和显著性(p值)。年均PM 2.5浓度受水域用地的影响最明显，成负相关，且通过置信度为95%的显著性检验。水域面积相对较大，仅次于耕地和城镇建设用地。同时，已有相关研究证明大面积水域对空气污染有缓解作用，并且比植被作用明显[24]，因此对PM 2.5浓度的影响相对较大。除水域外，年均PM 2.5浓度与耕地、林地、绿地(主要包括全市范围内的道路两旁绿化带以及公园、风景名胜区用地)以及城镇建设用地均呈负相关。其中与耕地、林地和绿地呈负相关，且耕地和林地通过置信度为90%的边缘显著性检验。这与大量相关研究的结果相一致，表明这些用地类型中的植被的净化能力对环境污染起到改善作用。然而城镇建设用地与年度PM 2.5浓度呈负相关且相关系数较低与已有的研究成果略有差异。这可能是由于南京市PM 2.5监测点分布过于集中在市区内，使得城镇建设用地对其的相对影响被削弱；6种用地类型中只有农村居民点与年度PM 2.5浓度呈正相关。农村中秸秆、木柴燃烧以及垃圾焚烧等人类活动对PM 2.5浓度起到增强作用。

表1 PM 2.5浓度与土地利用类型的相关性分析

注：***表示在0.01水平上显著；**表示在0.05水平上显著；*表示在0.1水平上显著。

从各个季度PM 2.5浓度与不同土地利用类型的关系来看，不同季节土地利用类型对PM 2.5浓度的影响不同，以冬季，即PM 2.5浓度高值期最为显著。秋冬季空气湿度较低，植物净化能力也较弱。冬季，除农村居民点外，其他5种土地类型均与PM 2.5浓度呈负相关，与年均PM 2.5浓度的相关性一致。春夏秋3个季节各类土地与PM 2.5浓度关系不显著。

从不同的土地类型来看，不同时期对PM 2.5有正负不同的效应。例如耕地、水域用地、林地、绿地仅在PM 2.5浓度较高时(冬季)发挥其削弱作用。这也是由于PM 2.5的影响因素众多，用地类型作为其中一种非首要因素，耕地、水域用地、林地和绿地对其正负效应相对与其较低的PM 2.5浓度值显得微弱。只有在PM 2.5浓度较高时其正负作用才得以显现。农村居民点与PM 2.5浓度在春夏呈负相关，在秋冬季呈正相关，其面积相对较小，主要受人类活动影响。城镇建设用地在各个季节对PM 2.5的影响相对不显著，可能是由于PM 2.5监测点过于集中在主城区，因监测点用泰森多边形分区时，造成主城区内几块区域面积相对外围区域较小，而城镇建设用地基本集中在主城区，从而使得其与PM.5的相关性不显著。

上述结果大体反映出PM 2.5浓度会因耕地、水域用地、林地和绿地比例的增大而减小，这些用地有利于降低PM 2.5污染，提高空气质量，居民点及建设用地反之。

4 结 论

(1) 时间上，冬季是PM 2.5浓度最高的季节，且远高于浓度最低的夏季，秋季和春季依次居中。分析原因，PM 2.5浓度季节性变化主要受气象和污染源排放两个条件影响。气象方面，冬季下冷上热的逆温现象使得空气无法对流，污染物很难扩散，而且，与夏季的暴雨相比，冬季气团干燥，降雨量少且持续时间较短，风力较小，对空气中污染物的冲刷效果不明显。污染源排放方面，相比夏季，冬季多采用煤炭取暖，燃煤量显著升高，排放的煤烟粉尘在逆温层天气下蓄积不散；而且由于气温降低，使得汽车发动机工作循环的气体压力与温度不高，混合气体的燃烧速度减慢，引起不完全燃烧，机动车尾气排放增加，从而导致PM 2.5的排放量增加。因此，4个季度中，冬季PM 2.5的治理更应被格外重视，应针对不同的原因制定相应的改善政策。例如减少燃煤粉尘及汽车尾气的排放，适当的人工降雨等措施。

(2) 空间分布上，对南京市9个监测点利用泰森多边形分别划分监测区，统计各个监测区的PM 2.5浓度可知迈皋桥和瑞金路监测点污染较严重，仙林大学城和中华门监测点浓度最低。研究结果显示，PM 2.5的高低基本与人口的密集程度成正比，在市中心人口较密集的地方，PM 2.5的浓度偏高，原因可能是市区内车流量较大，同时绿化率较低，都使得空气污染更严重。相比在仙林大学城这样的郊区，多为各大高校聚集，绿化环境较好，车流量小，污染相对较轻。玄武湖以及浦口监测点由于监测范围内水域面积较大，PM 2.5浓度也相对较低。

其次，土地利用对PM 2.5浓度变化存在一定的影响。本文采用泰森多边形对研究区域进行分区，再对每个区域内不同的土地用途与PM 2.5浓度做相关性分析，通过相关系数与显著水平，分析不同土地用途对PM 2.5浓度的影响。结果显示PM 2.5浓度会因耕地、水域用地、林地、绿地比例的增大而减小，其中受水域用地的影响最大。这些用地类型有利于降低PM 2.5的污染，提高空气质量。而城镇建设用地与PM 2.5相关性不显著的结果与多数研究结果不符，可能是由于PM 2.5监测点过于集中在主城区，监测点用泰森多边形分区时，分区区域面积相对差异较大，而城镇建设用地基本集中在主城区，从而使得其与PM 2.5的相关性不显著。这也是本文的不足之处，以后的研究还需继续深入。综合本文的研究成果，对于正处于快速发展的南京市来说，为了降低PM 2.5浓度，提高环境质量，应从土地利用角度应保护植被和水域，控制农村居民点中人类活动产生的影响。

[1] Huang Desheng, Xu Jianhua, Zhang Shiqiu. Valuing the health risks of particulate air pollution in the Pearl River Delta, China[J]. Environmental Science & Policy, 2012, 15(1):38-47.

[2] 任阵海,万本太,苏福庆,等.当前我国大气环境质量的几个特征[J].环境科学研究,2004,17(1):1-6.

[3] 中华人民共和国共和国环境保护部.GB3095-2012环境空气质量标准[S].北京:中国环境科学出版社,2012.

[4] 张智胜,陶俊,谢绍东,等.成都城PM 2.5季节污染特征及来源解析[J].环境科学学报,2013,33(11):2947-2952.

[5] 汉瑞英,陈健,王彬.利用LUR模型模拟杭州市PM 2.5质量浓度空间分布[J].环境科学学报,2016,36(9):3379-3385.

[6] 张庆丰.迈向环境可持续的未来:中华人民共和国国家环境分析[M].北京:中国财政经济出版社,2012.

[7] 刘永红,余志,黄艳玲,等.城市空气污染分布不均匀特征分析[J].中国环境监测,2011,27(3):93-96.

[8] Gerard H, Beelen R, Kees de H, et al. A review of land use regression models to assess spatial variation of outdoor air pollution[J]. Atmosphric Environment, 2008,40:7561-7578.

[9] 谢元博,陈娟,李巍.雾霾重污染期间北京居民对高浓度PM 2.5持续暴露的健康风险及其损害价值评估[J].环境科学,2014,35(1):1-8.

[10] Duan Jingchun,Tan Jihua,Wang Shulan, et al.Size distributions and sources of elements in particulate matter at curbside, urban and rural sites in Beijing[J]. Journal of Environmental Sciences, 2012,24(1):87-94.

[11] 吕森林,陈小慧,吴明红,等.上海市PM 2.5的物理化学特征及其生物活性研究[J].环境科学,2007,28(3):472-477.

[12] 李龙凤,王新明,赵利容,等.广州市街道环境PM10和PM 2.5质量浓度的变化特征[J].地球与环境,2005,33(2):57-60.

[13] 戴伟,高佳琪,曹罡,等.深圳市郊区大气中PM 2.5的特征分析[J].环境科学,2012,33(6):1952-1957.

[14] 焦利民,许刚,赵素丽,等.基于LUR的武汉市PM 2.5浓度空间分布模拟[J].武汉大学学报:信息科学版,2015,40(8):1088-1094.

[15] 吴健生,廖星,彭建,等.重庆市PM 2.5浓度空间分异模拟及影响因子[J].环境科学,2015,36(3):759-767.

[16] Skare Ø, Møller J, Vedel Jensen E B. Bayesian analysis of spatial point processes in the neighbourhood of Voronoi networks[J]. Statistics & Computing, 2007,17(4):369-379.

[17] 中国环境监测总站.空气质量预报[EB/OL].空气质量状况报告(2017-01-01)[2017-05-04].http:∥www. cnemc. cn/.

[18] 国家地球系统科学数据共享平台.长江三角洲科学数据中心[EB/OL].南京市土地利用及城镇用地结构分布图(2016-08-01)[2017-05-10]. http:∥nnu. geodata. cn.

[19] Bruse M, Fleer H. Simulating surface-plant-air interactions inside urban environments with a three dimensional numerical model[J]. Environmental Modelling & Software, 1998(13):373-384.

[20] Edward N, Chen Liang, Wang Yingna, et al. A study on the cooling effects of greening in a high-density city:an experience from Hong Kong[J]. Building and Environment, 2012(47):256-271.

[21]Ali-Toudert F, Mayer H. Numerical study on the effects of aspect ratio and orientation of an urban street canyon on outdoor thermal comfort in hot and dry climate[J]. Building and Environment, 2006,41(2):94-108.

[22] Krüger E L, Minella F O, Rasia F. Impact of urban geometry on outdoor thermal comfort and air quality from field measurements in Curitiba, Brazil[J]. Building and Environment, 2011,46(3):621-634.

[23] 王飞,吴开亚,王慧慧,等.合肥市PM 2.5与用地类型特征比较及建设性方案研究[J].环境科学与管理,2014,39(10):73-79.

[24] 李玉玲,刘红玉,娄彩荣,等.江苏省PM 2.5时空变化及土地利用影响研究[J].环境科学与技术,2016,39(8):10-15.