长三角城市土地利用格局与PM2.5浓度的多尺度关联分析

欧维新 张振 陶宇

摘要 PM2.5引发的雾霾污染对人体健康和社会可持续发展产生了严重威胁，已成为中国经济快速发展地区共同面临的问题。长三角是中国城市化进程最快、空气污染最为严重的地区之一，探寻该地区土地利用景观格局變化对PM2.5的影响规律，有助于对PM2.5“源”“汇”景观的空间格局进行合理配置，也可以为污染防治决策提供科学依据。本文运用重心模型、冷热点分析和景观指数，探讨了该区域1995—2015年PM2.5浓度的时空分布特征以及景观格局的变化规律，并使用岭回归方法分析了建设用地、林地、耕地和水体四种土地利用类型的景观格局在行政区尺度和外接圆尺度上对PM2.5浓度的影响。结果显示：①1995—2015年长三角地区PM2.5浓度总体呈上升趋势，并且具有“北高南低”和“南缓北急”空间分异特征。②长三角区域内建设用地面积大幅上升，且呈聚合状发展，而林地和耕地面积却在不断减少，并呈破碎状分布。③建设用地和林地分别是PM2.5的“源”景观与“汇”景观，耕地对PM2.5的“源”“汇”作用交错，水体对PM2.5无明显的净化作用。④相较于行政区尺度，外接圆尺度下林地PLAND、ED与PM2.5浓度的负相关更为显著，可见对城市周边地区进行景观格局优化能收到更好的效果。研究表明：控制建设用地合理有序增长并采用多中心发展模式，有利于缓解城市主城区的环境压力;提高城市周边区域林地的比重和聚集度或加大林地与建设用地的接触面积，可以有效地减少城市PM2.5浓度;对耕地进行整理使其形成连片化景观，并通过科学的耕作方式减少耕地上农业生产所带来的PM2.5前体物，有助于发挥其对PM2.5的“汇”作用。

关键词 景观格局;PM2.5;岭回归;尺度效应;长三角

中图分类号 X24文献标识码 A文章编号 1002-2104（2019）07-0011-08DOI：10.12062/cpre.20190122

近20 a来中国经济的迅速崛起和城市化进程的不断加快对区域空气质量提出了严峻的挑战[1]。城市空气污染问题已引发社会广泛关注，2013年初大范围的雾霾事件更是将空气污染问题推上了风口浪尖[2]。PM2.5作为主要的空气污染物和雾霾天气的“罪魁祸首”，对大气能见度[3]和人体健康[4]会产生显著影响，引起了学界的高度重视。

国内外学者对PM2.5影响因子的研究已取得一定进展，多从自然因素和社会经济因素两大方面进行考察。自然因素方面，风速、风向、气温、降水量、湿度、气压等气象条件和PM2.5浓度具有显著相关性已得到广泛证实[5-7]，地形条件[8]也会通过影响污染物的扩散从而对PM2.5浓度产生作用;对于社会经济因素，已有研究表明工业活动[9]、产业结构[10]、人口密度[11]和汽车尾气排放[12]会显著影响大气颗粒物浓度，并且区域城市化水平和PM2.5之间具有正相关关系[13]，城市可持续性发展呼声日益强烈。

随着遥感和GIS技术的发展，部分学者开始从地理学视角切入，将土地利用和景观格局变化纳入PM2.5影响因子的研究内容中。建设用地[14]作为人类活动和能源消耗的主要发生地，是颗粒物最重要的排放源，而绿地植被[15-16]对大气颗粒物具有阻滞和吸附作用。景观格局对PM2.5也具有显著影响，如She等[17]研究发现PM2.5浓度同斑块面积、斑块数量成正比，同平均周长-面积比、平均欧式距离成反比。尽管已有研究对景观格局和PM2.5的关系进行了有意义的探讨，但其PM2.5数据多来自地面监测点，数据质量容易受到监测点分布和内插方法的影响而下降;同时这些工作较少考察不同空间尺度下土地利用景观格局对PM2.5的影响差异。

长三角作为中国最具有经济活力的地区，其工业发展、人口增长和城市扩张引发的空气污染问题日趋严峻，直接威胁了当地人民的身心健康，并严重阻碍其区域可持续发展[18]。鉴于此，本文以长三角作为研究区，基于1995—2015年遥感反演PM2.5数据和土地利用数据，从城市行政区和主城区外接圆两个空间尺度上，探讨不同尺度下土地利用景观格局变化对城市PM2.5浓度的影响，以期为长三角城市空气污染治理政策的制定和城市规划提供理论依据。

1 研究区域、数据来源与研究方法

1.1 研究区概况

长三角（117°29′～123°01′E，27°64′～34°33′N）地处中国东部沿海，是中国经济增长最迅速、城市化进程最快的地区之一[19]，其以上海市为主中心，南京市和杭州市为次中心，包括1个直辖市（上海市）和15个地级市（江苏省的南京市、苏州市、无锡市、常州市、镇江市、扬州市、泰州市和南通市，浙江省的杭州市、宁波市、绍兴市、嘉兴市、台州市、湖州市和舟山市），总面积约为11.3万km2。区域内地势南高北低，北部和中部为地势平坦的太湖平原，南部的浙江区域以丘陵和山地分布为主。长三角地处北亚热带中部，属于亚热带季风气候，气候温和，降雨充沛，多年平均温度约为16.7℃，平均降雨量约为1 424.53 mm。

2014年，长三角以1.18%的土地，承载了8.1%的人口，贡献了15.9%的GDP，在中国经济社会发展中占据重要地位[20]。然而，伴随着工业化与城市化进程，空气污染问题也日益突出。Peng等[21]的研究表明，长三角PM2.5污染虽没有京津冀地区严重，但也位于污染增速最快区域内。此外，参考《环境空气质量标准（GB3095-2012）》[22]，对长三角各城市进行污染超标统计，发现2015年长三角区域尺度上年均PM2.5浓度值为56.02 μg/m3，远大于年均PM2.5污染二级标准（35 μg/m3）。由此可见，对长三角的PM2.5污染问题进行研究已是实施可持续发展战略的现实需求。

考虑到数据获取的便捷性以及气象因素的差异，研究区不包括以岛屿分布为主的浙江省舟山市及其下辖县;此外，由于湖州市南浔区、南京市的溧水区、高淳区距离其所属地级市的主城区斑块较远，且具有一定的城市规模，本研究将其视作独立的城市单元，最终得城市数目为70个。

1.2 数据来源

（1）土地利用数据：源自地理国情监测云平台基于Landsat TM 30 m遥感影像生成的1995年、2000年、2005年、2010年和2015年5期长三角土地利用数据。结合研究区实际情况，将土地利用分为林地、草地、水域、耕地、建设用地和未利用地6个地类[23]。

（2）PM2.5浓度数据：来自加拿大达尔豪斯大学大气成分分析小组提供的全球PM2.5遥感反演产品（http：//fizz.phys.dal.ca/～atmos/martin/？page_id=140），数据版本为V4.GL.02。该数据利用NASA MODIS，MISR和Sea-WIFS仪器监测的气溶胶光学厚度，并结合地球化学传输模型GEOS-CHEM和地理加权回归模型估算得到，经验证与地面监测点PM2.5监控数据具有极高的匹配度（R2=0.81）[24]，其空间分辨率为0.01°，在长三角地区约为1.15 km。该数据可获取到的最早年份为1998年，考虑到数据的一致性和可得性，本文使用1998年数据代替1995年数据进行研究。相较基于地面监测点所得的空气污染物数据，遥感反演的全球空气污染数据具有更好的空间连续性，可以方便地探测到污染物空间分布和变化并进行数值计算，已被证实可以用来进行景观格局和空气污染物的关系研究[25]。

（3）降水量数据：来自中国科学院资源环境科学数据中心的中国1980年以来逐年年降水量空间插值数据集。本文使用年均降水量作为控制变量以表征自然气象条件的影响。

（4）夜间灯光数据：来自美国国家海洋和大气管理局1992—2013年DMSP/OLS夜间灯光数据集。由于该数据集缺少2015年夜间灯光数据，为了保持数据一致性，本文使用2013年数据代替2015年数据。本文使用夜间灯光强度作为控制变量来表征人类活动强度。

1.3  研究方法

1.3.1 景观指数

参考已有研究[17]并结合研究区特点，选取4个类型水平指数PLAND、LPI、ED、AI和1个景观水平指数CONTAG，表征1995—2015年长三角地区建设用地、林地、耕地和水体四种景观类型以及总体景观的组成与布局特征，计算均在Fragstats4.2软件中完成，指标描述如表1所示。

1.3.2 空间分析尺度

本文分别在行政区尺度和外接圆尺度上探究城市土地利用景观格局对PM2.5浓度的影响。城市行政边界内会存在着大量农村居民点用地，其与城镇实体范围相一致的情况非常少见[26]。为了使研究尺度更加贴合城镇实体范围，本文使用主城区外接圆来表征城市实体及其周边范围。外接圆范围由主城区质心点到主城区边界的最大半径决定，以避免传统研究使用缓冲区分析时对缓冲半径的主观设置。主城区外接圆是通过ArcGIS10.2提供的Arcpy站点包进行Python脚本开发生成，具体算法为：①获取主城区质心点坐标;②遍历主城区边界所有折点，从中找到斑块四至点，并获取其坐标;③分别计算四至点到主城区质心点的距离，从中选出最大值;④使用上一步所得最大值为缓冲半径，对主城区质心点做缓冲圆，即可得主城区外接圆范围。

1.3.3 岭回归分析

岭回归分析是20世纪70年代被A.E.Hoerl等[27]提出来的一种用来解决多重共线性的有偏估计回归方法，其主要思想是通过给样本数据矩阵加上一个正常数矩阵KI，以牺牲很小精度的代价换取估计结果稳定性的大幅提高，其公式为：

式中，Y为因变量矩阵，即各城市PM2.5浓度值;X为自变量矩阵，即各景观指数和控制变量，XT为其转置矩阵;β（K）为回归系数矩阵，结果取决于岭参数K值的选取，K值的取值范围为[0，1）;I为单位矩阵;ε为模型截距。

相比于传统最小二乘法，岭回归具有以下优点：①虽然用其得到的参数估计是有偏的，但是参数估计的显著性与稳定性明显高于普通最小二乘法，其接近真实性的可能性较大;②由于K值往往是在一个合理的区间内选取，故而岭回归分析的使用会存在一定的主观性，这种特性可以将定性分析与定量分析有机结合，对于解决多重共线性问题有独特作用[28]。为了提高回归系數的稳健性，本文使用岭回归分析来研究城市景观格局与PM2.5浓度的定量关系，并比较行政区尺度和外接圆尺度下的差异。

1.3.4 重心模型

参考人口重心的概念[29]，通过对比重心位置相对区域几何中心位置的偏移，可以识别PM2.5在空间上的浓度倾向。设某个栅格的中心坐标为（Xi，Yi），Mi为该栅格在某个属性意义下的“重量”，则PM2.5浓度的重心坐标计算公式为：

式中，n为栅格总数，Mi为第i个栅格的PM2.5浓度值。

1.3.5 冷热点分析

使用Getis-OrdGi指数来揭示空间地域中PM2.5浓度较显著的高值簇及低值簇，也即识别区域中冷热点区的空间分布，其计算公式为[30]：

式中，Wij为其空间矩阵（本文使用邻接矩阵）;E（Gi）和Var（Gi）分别为Gi的数学期望和方差。若Z（Gi）为正且显著，表明空间单元i为热点区，反之则为冷点区。

2 结果分析

2.1 长三角PM2.5时空分布特征

长三角PM2.5浓度总体呈上升趋势，并且具有“南缓北急”的增长规律（见图1）。1995年长三角PM2.5浓度均值为29.51 μg/m3，而到2015年已攀升至56.02 μg/m3，增幅为89.85%。在1995—2000年，浙江地区PM2.5浓度增长速度明显大于江苏地区和上海市，年均增长率为6.45%，而在2000年之后，其增长速度较之江苏和上海明显放缓，2005年以后则出现下降趋势;上海市在2000—2015年PM2.5浓度年均增长率为5.56%，明显高于年均增长率为3.82%的江苏地区，且其增幅最大，2015年PM2.5浓度均值约为2000年的2.25倍。江苏地区PM2.5浓度增长速度在2000年后一直高于浙江地区但低于上海市，由于江苏地区颗粒物浓度本底值较高，故在研究期间其颗粒物浓度始终高于上海和浙江地区。

长三角地区PM2.5浓度在空间分布上总体呈“北高南低”特征（见图1），从省级行政区划来看，则为江苏地区>上海市>浙江地区。计算PM2.5浓度重心坐标可知，PM2.5重心点始终位于区域几何中心点的北方，且从2000年开始，PM2.5重心向北方移动，到2015年北移24.41 km，PM2.5峰值点除2000年在杭州外，也一直位于研究区北部的江苏区域内。以PM2.5浓度为变量进行冷热点位置探测，可以发现南京、镇江等北部城市20年来都属于热点区，淳安、临安等南部城市长期处于冷点区（见表2）。研究区PM2.5浓度的空间分布总体上与土地利用类型的分布格局一致，PM2.5浓度热点区与建设用地比重较大城市、冷点区与林地比重较大城市对应关系显著。

2.2 长三角土地利用景观格局演变规律分析

1995—2015年，研究区70个城市总建设用地面积从9 283.18 km2增至18 506.5 km2，整体增长99.36%，增幅明显，尤其是在2005年到2010年的这五年间，增长了4 004.17 km2，占总增长面积的42.94%。与此同时，林地和耕地面积在这20年间分别下降了1 282.25 km2和9 839.06 km2，可见长三角地区在这20年间进行了快速的城市扩张过程，且该过程侵占了大量的生态用地和农业生产用地（见图2）。

表3展示了五个年份长三角地区四种主要土地利用类型的景观格局指数。从中可见，耕地与林地所占比重分别下降了8.45%和0.46%，建设用地和水体所占比重分别上升了8.39%和0.77%，反映出城市扩张过程对耕地与林地的占用。耕地的最大斑块指数（LPI）下降了2.5，建设用地、林地和水体的最大斑块指数（LPI）分别上升了1.38，0.18和0.05，说明了耕地在整体比重减小的同时，破碎化程度还在加剧，而建设用地呈现了连片化发展，林地和水体变化微弱。和最大斑块指数（LPI）的趋势相似，耕地聚集度指数（AI）的减少反映出其斑块间隙的加大，而建设用地聚集度指数（AI）的提高表明长三角城市建设用地呈聚合状发展，空间格局呈现“摊大饼”形式。耕地、水体和建设用地的边缘密度（ED）呈上升趋势，表明其形状的复杂化与不规则趋势，林地的边缘密度（ED）变化幅度微弱。总体而言，长三角地区耕地景观呈减少趋势，且其破碎度加深，聚合度减弱，形状趋向复杂化;建设用地的扩张占用了大量耕地，且呈现连片化发展趋势;林地与水体研究时段内景观格局变化幅度较小。

2.3 景观格局对PM2.5的影响及其尺度分异特征

人类活动是中国PM2.5污染加剧的最主要原因，因此研究不同土地利用类型上PM2.5浓度的差异是必要的[31]。由于长三角地区草地以及未利用地所占比重极小，人类活动多是发生在建设用地、林地、耕地和水体之上，故而本文对比了四种土地利用类型上PM2.5浓度的差异，结果如图3所示。可以看出，建设用地是PM2.5最大的“源”景观，其上污染情况最为严重，而林地是PM2.5最大的“汇”景观[32]，其上污染情况最轻，这也与已有研究相吻合[31，33-35]。

本文分别从行政区尺度和外接圆尺度探讨景观格局和PM2.5的定量关系，行政区尺度上因变量为1995、2000、2005、2010和2015五个年份各城市行政范围内的PM2.5浓度均值和浓度峰值，外接圆尺度上因变量为五个年份各城市主城区外接圆内的PM2.5浓度均值和浓度峰值，样本总量皆为350个。浓度均值能够反映城市PM2.5浓度的总体情况，浓度峰值和建设用地斑块具有密切的对应关系，可以补充描绘城市雾霾污染水平，故本文将两者结合考察。

通过Pearson相关性分析可以发现，PM2.5浓度无论是均值还是峰值，都和自变量存在显著相关性，但与此同时，自变量之间也存在显著的相关性。进一步地，计算各自变量的VIF值，发现建设用地PLAND、建设用地ED、林地ED、耕地ED等自变量的VIF值远大于10。因此，本文怀疑变量之间存在着共线性问题，故而使用岭回归来分析自变量对因变量的影响。岭回归的分析方法虽然牺牲了一定的模型预测精度，但可以换来更稳健的解释效果。

2.3.1 行政区尺度

结果显示（见表4），模型R2值均在0.5左右，并且F检验下的P值显著，可见模型拟合效果理想。在类型水平上，建设用地PLAND、ED、AI和PM2.5浓度值呈显著正相关，反映出城市建设用地的扩张会加剧PM2.5的污染程度，并且建设用地斑块形状越复杂、聚合度越高，PM2.5浓度值也越高;林地PLAND、ED、AI和行政区尺度上的PM2.5浓度均值具有显著的负相关关系，但对于PM2.5峰值却无明显相关性，可见在行政区范围内对林地景观格局进行优化调控（如增加林地面积占比、提高林地斑块的边缘密度、提高林地斑块的连通性）可以显著降低PM2.5浓度平均水平，但对PM2.5浓度峰值的影响甚微;耕地PLAND与PM2.5具有显著的正相关关系，但提高耕地斑块的聚集度水平可显著降低PM2.5浓度;水体PLAND与城市PM2.5浓度均值呈正比，可能原因是长江、太湖等水域周边城市皆是经济发达地区，人类活动强烈，从而直接增加了PM2.5的排放强度，但这也反映出水体对PM2.5浓度并无明显的削弱作用。在整体景观水平上，CONTAG反映了景观中不同类型斑块之间相互散布的程度，而其和PM2.5的关系并不显著;降雨可显著削减区域内的PM2.5平均浓度，但从其对PM2.5峰值无显著影响可以看出，其并不能有效地抑制城市的雾霾污染;夜间灯光强度和PM2.5呈强烈正相关性，反映了城市经济、人口等活动对空气质量的负面作用，这也与建设用地指标反映的内容相吻合。

2.3.2 外接圓尺度

在外接圆尺度下，建设用地PLAND、AI与PM2.5平均浓度仍具有显著的正相关关系;林地PLAND与PM2.5平均浓度具有显著的负相关关系，但同行政区尺度下的结果不同的是，林地ED在外接圆尺度内和PM2.5浓度峰值显著负相关，说明提高建设用地与林地斑块的接触面可显著降低PM2.5污染的峰值水平，外接圆尺度下林地AI对PM2.5的影响不显著，原因为城市外接圆范围较小，林地的聚集程度普遍不高;耕地PLAND、ED同PM2.5成正比，但其LPI与PM2.5成反比，说明城市周边连片化的耕地斑块对PM2.5具有显著的“汇”作用;水体和PM2.5的关系仍然是显著正相关，反映了人类生活、生产活动的亲水性所引致的高PM2.5排放，而城市周边水域在吸附或净化PM2.5作用相对不足的特征。整体景观水平上，结果同行政区尺度相一致，景观蔓延度对城市PM2.5并无显著影响，夜间灯光强度与PM2.5浓度显著正相关，而降雨与PM2.5浓度显著负相关。

3 结论与展望

3.1 结论与建议

本文使用土地利用数据和遥感反演PM2.5浓度数据，选取斑块类型水平上的PLAND、LPI、ED、AI四个景观指数以及景观水平上的CONTAG指数，并使用城市年均降雨量和夜间灯光强度作为控制变量，分析了1995—2015年长三角PM2.5时空分布规律和景观格局变化规律，并进一步探讨了两种尺度下不同类型的土地利用景观格局对PM2.5浓度的影响。主要结论包括。

（1）1995—2015年长三角地区PM2.5浓度整体呈上升趋势，并且具有显著的空间分布特征。长三角PM2.5分布具有“北高南低”和“南缓北急”的规律，其重心点和峰值点都位于北部城市区，呈现高值聚集于北部、低值聚集于南部的特征。

（2）长三角地区建设用地扩张明显，并且呈现“摊大饼”的空间形态，而林地和耕地面积却在萎缩，其LPI、AI在下降，反映出建设用地斑块对生态用地和农业生产用地的侵占以及建设用地斑块优势度在整个城市区域内的不断凸显。

（3）土地利用景观格局与PM2.5浓度具有显著的相关关系，不同土地利用类型对PM2.5具有不尽相同的“源”“汇”作用。具体来说，建设用地是PM2.5最主要的“源”景观类型，林地是PM2.5最主要的“汇”景观类型，耕地对PM2.5的“源”“汇”作用交错，水体对PM2.5无明显削弱作用。

基于上述结论提出如下建议措施：①建设用地扩张和其聚集度的提高会显著增加PM2.5污染水平，表明控制建设用地合理有序增长、采用多中心城市发展策略对城市空气质量更为有利;②林地在外接圆尺度下比行政区尺度下的空气净化作用更为明显，并且其与建设用地斑块接触面积的增大有助于降低城市PM2.5浓度，城市规划部门可以通过提高城市斑块周边的林地面积比重，并使其形成林带，加大其与建设用地斑块的接触面积，来达到减少大气颗粒物的目的;③提高耕地的聚集度有助于发挥其对大气颗粒物的滞尘作用，使城市周边范围的耕地连片可以有效降低大气颗粒物浓度。

3.2 研究展望

本文的贡献在于对长三角地区PM2.5浓度含量进行了长时间尺度的观测，并在此基础上系统探讨了不同土地利用类型及其景观格局对PM2.5浓度的影响机制，发现外接圆尺度上林地和耕地对PM2.5的“汇”作用较之行政区尺度上更加显著，可为政府部门进行污染防治决策提供科学依据。下一步研究可以从以下四点开展。

（1）为了保证样本量充足使得回归分析得以顺利进行，本文以县域为分析单元开展了县级行政区和外接圆两个尺度上的规律分析，而现有研究多是以地级市作为分析单元。探讨县级尺度和地级市尺度上的规律差异将是下一步的研究重点。

（2）PM2.5除了受到本区域的影响之外，也很可能受到相邻地区土地利用景观格局的影响。图3中可以观察到耕地和水体上具有较高的PM2.5浓度值，这很可能是受到邻近建设用地PM2.5的溢出作用所致。因此，探讨不同区域之间PM2.5的空间交互作用，是未來研究的重点。

（3）本文在斑块类型水平上选取了PLAND、LPI、ED和AI四个景观指数，其中LPI和AI分别表示斑块类型的最大斑块占比和总体聚合程度，两者在含义上具有不同的侧重点，但也具有一定的互相解释能力。本文虽然使用岭回归方法减少了自变量多重共线性的影响，但对景观指数进行精简，并从有利于土地利用管理和景观规划的视角开发特定的景观格局表征指标也是下一步研究应做的努力。

（4）本文选取了年均降雨量和夜间灯光作为控制变量，从整体上反映了自然气象和社会经济条件对PM2.5的影响。进一步的研究可以考虑风速、风向、温度和湿度等其他自然气象条件，以及具体的产业类型和PM2.5分布的联系，以期获得更加细致的结果。

（编辑：王爱萍）

参考文献

[1]王勇， 刘备， 刘严萍. 基于小波变换的北京、上海等城市PM2.5浓度时空演化特征分析[J]. 灾害学， 2017， 32（2）：39-42.

[2]毛婉柳， 徐建华， 卢德彬， 等. 2015年长三角地区城市PM2.5时空格局及影响因素分析[J]. 长江流域资源与环境， 2017， 26（2）： 264-272.

[3]HYSLOP N P. Impaired visibility： the air pollution people see[J]. Atmospheric environment， 2009， 43（1）： 182-195.

[4]LIM S S， VOS T， FLAXMAN A D， et al. A comparative risk assessment of burden of disease and injury attributable to 67 risk factors[J]. The lancet， 2012， 380：2224-2260.

[5]黄亚林， 刘超， 曾克峰， 等. 2013─2014年武汉市PM2.5的时空分布特征及其与气象条件的关系[J]. 生态环境学报， 2015， 24（8）： 1330-1335.

[6]曾静， 王美娥， 张红星. 北京市夏秋季大气PM2.5浓度与气象要素的相关性[J]. 应用生态学报， 2014， 25（9）： 2695-2699.

[7]李会霞， 史兴民. 西安市PM2.5时空分布特征及气象成因[J]. 生态环境学报， 2016， 25（2）： 266-271.

[8]王跃思， 姚利， 王莉莉， 等. 2013年元月我国中东部地区强霾污染成因分析[J]. 中国科学： 地球科学， 2014， 44（1）： 15-26.

[9]LIN X， WANG D. Spatiotemporal evolution of urban air quality and socioeconomic driving forces in China[J]. Journal of geographical sciences， 2016， 26（11）： 1533-1549.

[10]孙建如， 钟韵. 我国大城市PM2.5影响因素的经济分析——基于市级面板数据的实证研究[J]. 生态经济， 2015， 31（3）：62-65，77.

[11]项佳娥， 徐丽华， 张方方， 等. 杭州城区PM2.5和PM10污染特征及其影响因子分析[J]. 中国环境监测， 2016， 32（6）： 36-42.

[12]HARRISON R M， DEACON A R， JONES M R， et al. Sources and processes affecting concentrations of PM10 and PM2.5 particulate matter in Birmingham（U.K.）[J]. Atmospheric environment， 1997，31：4103-4117.

[13]莫莉， 余新晓， 赵阳， 等. 北京市区域城市化程度与颗粒物污染的相关性分析[J]. 生态环境学报， 2014， 23（5）： 806-811.

[14]唐昀凯， 刘胜华. 城市土地利用类型与PM2.5浓度相关性研究——以武汉市为例[J]. 长江流域资源与环境， 2015， 24（9）： 1458-1463.

[15]肖玉， 王硕， 李娜， 等. 北京城市绿地对大气PM2.5的削减作用[J]. 资源科学， 2015， 37（6）： 1149-1155.

[16]NGUYEN T， YU X X， ZHANG Z M， et al. Relationship between types of urban forest and PM2.5 capture at three growth stages of leaves[J]. Journal of environmental sciences， 2015， 27： 33-41.

[17]SHE Q， PENG X， XU Q， et al. Air quality and its response to satellite-derived urban form in the Yangtze River Delta， China[J]. Ecological indicators， 2017， 75： 297-306.

[18]戴昭鑫， 张云芝， 胡云锋， 等. 基于地面监测数据的2013—2015年长三角地区PM2.5时空特征[J]. 长江流域资源与环境， 2016， 25（5）： 813-821.

[19]徐建辉， 江洪. 长江三角洲PM2.5质量浓度遥感估算与时空分布特征[J]. 环境科学， 2015， 36（9）： 3119-3127.

[20]TAO Y， WANG H， OU W， et al. A land-cover-based approach to assessing ecosystem services supply and demand dynamics in the rapidly urbanizing Yangtze River Delta Region[J]. Land use policy， 2018， 72： 250-258.

[21]PENG J， CHEN S， LV H， et al. Spatiotemporal patterns of remotely sensed PM2.5 concentration in China from 1999 to 2011[J]. Remote sensing of environment， 2016， 174： 109-121.

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

[23]欧维新， 张伦嘉， 陶宇， 等. 基于土地利用变化的长三角生态系统健康时空动态研究[J]. 中国人口·资源与环境， 2018， 28（5）： 84-92.

[24]VAN D 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）： 3762-3772.

[25]BECHLE M J， MILLET D B， MARSHALL J D. Does urban form affect urban NO2？ satellite-based evidence for more than 1 200 cities[J]. Environmental science & technology， 2017， 51（21）： 12707-12716.

[26]许学强， 周一星， 宁越敏. 城市地理学[M].第2版. 北京：高等教育出版社， 2009.

[27]HOERAL A E， KENNARD R W. Ridge regression： biased estimation for nonorthogonal problems [J]. Technometrics， 1970， 42（1）： 80-86.

[28]孙海玲， 王红平. 基于岭回归的城市建筑能耗增长驱动因素研究[J]. 城市发展研究， 2013， 20（5）： 21-24.

[29]徐建華， 岳文泽. 近20年来中国人口重心与经济重心的演变及其对比分析[J]. 地理科学， 2001（5）： 385-389.

[30]GETIS A， ORD J K. The analysis of spatial association by the use of distance statistics geographyical analysis[J].1992， 24（1）：189-206.

[31]HAN L， ZHOU W， LI W. City as a major source area of fine particulate （PM2.5） in China[J]. Environmental pollution， 2015， 206： 183-187.

[32]陈利顶， 傅伯杰， 赵文武. “源”“汇”景观理论及其生态学意义[J]. 生态学报， 2006（5）： 1444-1449.

[33]韩立建. 城市化与PM2.5时空格局演变及其影响因素的研究进展[J]. 地理科学进展， 2018， 37（8）： 1011-1021.

[34]HAN L， ZHOU W， LI W. Impact of urbanization level on urban air quality： a case of fine particles （PM2.5） in Chinese cities[J]. Environmental pollution，2014，194：163-170.

[35]HAN L， ZHOU W， LI W. Meteorological and urban landscape factors on severe air pollution in Beijing[J]. Journal of the air & waste management association，2015，65：7，782-787.

Abstract Haze pollution caused by PM2.5 has threated human health and sustainable development in many rapidly developing regions of China over the past decade. The Yangtze River Delta （YRD） region is one of the rapidly urbanizing regions in China with severe PM2.5 pollution. Therefore， it is critical to explore the impact of urban landscape dynamics on PM2.5 variations in this region to optimize the spatial arrangement of the ‘source and ‘sink elements in the landscape. In this paper， we used the gravity model， hotspot analysis， and landscape indices to explore the spatio-temporal variations of PM2.5 concentration and landscape pattern in the YRD region during 1995-2015. We also used the ridge regression model to analyze the effects of landscape pattern of four land use types （including construction land， woodland， cropland， and water body） on PM2.5 concentration at multiple spatial scales. The results showed that ①the PM2.5 concentration increased significantly from 1995 to 2015， especially in the northern part of the YRD. Moreover， the PM2.5 concentration also increased more rapidly in the northern part than in the southern part of the region. ②During 1995-2015， construction land had an increasing area and aggregation， while woodland and cropland have been decreasing， and their distribution is fragmented. ③Construction land and woodland are the ‘source and ‘sink landscape for haze pollution， respectively. Cropland has both effects of ‘source and ‘sink on PM2.5 concentration. Water body has no obvious effect on haze pollution. ④Higher PLAND and ED values of woodland were related with lower PM2.5 concentration at the smaller spatial scale. Based on these findings， we recommend the following land management measures for mitigating PM2.5 pollution for the YRD region： Encouraging the ‘leap frogging pattern of urban growth; distributing and managing woodland near the construction land to increase the contact area between the two land use types; and preserving large cropland patches.

Key words landscape pattern; PM2.5; ridge regression; scaling effect; Yangtze River Delta