济南市PM2.5时空分布特征及其与土地利用的相关性研究*

明安远，胡 晓，，李新举，向学成

(1.山东农业大学 信息科学与工程学院，山东 泰安 271018；2.山东农业大学 资源与环境学院，山东 泰安 271018；3.贵州兰诚硕测绘有限责任公司， 贵州 遵义 563000)

随着我国城市化的快速发展，从20世纪80年代开始，出现了很多环境问题，尤其是细颗粒物PM2.5(Particulate matter with aerodynamic≤2.5 ug/m3)的污染格外严重[1]。PM2.5粒径小，能在空气中长时间停留和远距离运输，具有较强的活性，容易附着各种有毒和有害物质)，甚至可以直达人体肺部危害人类健康。同时，PM2.5的浓度和空气污染程度成正比，即PM2.5在空气中的浓度越高，空气污染就越严重[2]。因此PM2.5对人类健康和大气环境质量都有着重大的影响，对PM2.5的污染组成、时空分异和污染防控的研究刻不容缓。

目前，国内外很多学者利用大气污染物的监测数据对不同省市的PM2.5的组成、时空分布及其影响因素展开了大量的研究，发现PM2.5的污染程度会随季节、工业化程度、集聚特性和其他污染物的浓度等因素的改变而变化[3]。针对济南市，尹承美[4]、刘雨思[5]、张桂芹[6]等人分别开展了PM2.5污染特征的研究，陈飞龙[7]等人分析了基于济南市5个站点的PM2.5时空特征及其与气溶胶光学厚度的相关性，但是鲜有人研究济南市的PM2.5浓度与土地利用的相关性研究。

因此，本文分析济南市的PM2.5时空特征，并探究土地利用类型和PM2.5浓度的相关性，研究结果可为济南市PM2.5的防治规划提供参考。

1 研究区域与数据

1.1 研究区概况

济南市位于山东省的中西部，北纬36°40′，东经117°00′，属于温带季风气候，夏季炎热多雨，冬季寒冷干燥，一年的平均气温在14 ℃左右，雨水光照比较充足。

1.2 数据来源和处理

本研究使用的2018年济南市8个国控点的PM2.5日均浓度数据来自由中国环境监测总站，时间段为2018年1月1日至2018年12月31日，现有的8个空气质量国家控制监测点的具体位置如图1所示。济南市Landsat8 OLI遥感影像数据来自于地理空间数据云，时间是2018年5月份，采用ENVI对影像进行了辐射定标、大气校正、镶嵌和裁剪、监督分类、精度评定等。

图1 2018年济南市PM2.5监测点分布

2 研究方法

2.1 时间序列分析法

时间序列分析法是一种动态的、基于数理统计学和随机过程理论来分析时间序列中的数据统计特征的方法[8-9]，本文运用此方法对PM2.5月度、季度浓度依次进行了EXCEL的绘图和分析。

2.2 反距离权重插值法

反距离权重插值法是依据插值点与样本点之间的距离为权重进行加权平均，对于插值点越近的样本点的权重越大，其权重贡献与距离成反比[10]，反距离权重法主要适用于输入点的采样足够密集，适合本研究的国控点地理位置的分布情况。本文在ArcGIS10.6中使用反距离权重插值分析PM2.5空间分布差异。

2.3 泰森多边形空间插值

泰森多边形是一种由采样点到面的内插方法，它的基本原理是未知点的最佳值由最邻近的观测值产生。应用内插泰森多边形方法需要满足每个采样点必须都能代替邻近的区域，否则内插的结果没有意义[11-12]。本文在ArcGIS10.6中对国控点使用了泰森多边形空间插值，对每个泰森多边形进行了面积提取。

2.4 相关性分析

相关性分析是指通过分析两个及以上具有一定相关性的变量来衡量他们的的相关密切程度。一般通过计算相关系数来判断两个变量之间的离散程度(即相关性)。而相关系数的结果一般包括三种情况：正相关、负相关和不相关。本文运用了Stata SE 15进行了相关性分析。

2.5 最大似然法

假设每个波段的每类统计都呈正态分布，计算给定像元属于某一训练样本的似然度，像元最终被归并到似然度最大的一类。本文在ENVI5.3中运用最大似然法对遥感影像进行了土地利用分类。

3 结果与分析

3.1 PM2.5时间变化特征

3.1.1 PM2.5月度浓度特征

根据日平均PM2.5浓度数据取平均汇总得到PM2.5的月度均值，如图2所示。从月度均值图中可以看出，全年中1月份PM2.5浓度最大(88.6 μg·m-3)，9月的PM2.5浓度达到了最低(32.2 μg·m-3)。从1～9月，PM2.5浓度一直呈现下降趋势，9～11月PM2.5浓度开始保持上升趋势，其中9～10月，上升幅度较小，10～11月呈现急剧上升，11～12月略有下降，但依旧保持较大数值。

图2 PM2.5月度浓度变化图

3.1.2 PM2.5季度浓度特征

PM2.5的季度变化是月度变化的更为综合的描述，济南市的PM2.5季度浓度统计情况如图3所示。

图3 济南市8个监测点PM2.5季度浓度变化图

从图中可以看出，济南市夏季PM2.5浓度最低，主要原因为夏季多雨，频繁的雨季将空气的悬浮颗粒带到了地面上，从而使得空气中的PM2.5浓度较低[13]；冬季PM2.5浓度最高，一方面由于冬季北风盛行，济南三面环山，PM2.5不易扩散[14]；另一方面就是冬季采暖，化石燃料频繁使用，导致空气中PM2.5急剧上升。

3.2 PM2.5空间特征

3.2.1 PM2.5空间分布差异

将济南市8个监测点的PM2.5年均浓度值在ArcGIS10.6软件中可视化后如图4所示。从图中可以看出，开发区监测点的PM2.5年均浓度值最小，机床二厂监测点的PM2.5年均浓度值最大，采用反距离插值法获取了各国控点PM2.5年均浓度空间分布(如图5所示)。

从图中可以看出，济南市西部地区PM2.5浓度在整体上明显高于东部地区，西部地区以机床二厂为中心向外浓度依次降低，东部地区以开发区为中心向外浓度依次升高，主要原因是一些重工企业分布在西部和西北部。开发区浓度低是由于工业污染较少，人口分布稀疏的原因。由于周围分布着一些污染企业[15]，因此机床二厂、化工厂、省种子仓库三地的PM2.5浓度较高。

图4 济南市国控点PM2.5年均值浓度空间分布

图5 PM2.5年均值浓度的反距离权重插值结果

3.2.2 PM2.5空间变化差异

为探究PM2.5的空间变化差异，本文采用了Stata SE 15软件对济南市国控点的PM2.5全年日均浓度进行了双变量相关分析，得到了各自的相关系数(如表1所示)。从全年日均值浓度相关系数可以明显发现各个国控点之间的相关系数非常大，均达到了0.95以上，相关性非常高，说明各国控点的浓度存在同升同降的情况。

为了进一步研究PM2.5日均浓度相关系数与空间距离的关系，使用EXCEL散点图统计全年、各季度的相关系数与空间距离的关系(图6)。由散点图可知，PM2.5日均值浓度相关系数和空间距离的相关性均较低。农科所与机床二厂间距离最近(2.22 km)，全年相关系数为0.98，相关性高，主要由于人口密集以及周围一些污染企业的共同影响所致。开发区与长清党校间的相关系数达到了0.96，这说明二者之间虽然相距最远(38.52 km)，但是相关性较高，这说明距离不是影响PM2.5浓度的唯一要素。开发区位于高新区，长清党校位于长清区，二者周围的工业企业较少、人口密度较低，这说明二者周围环境的相似性导致了PM2.5的相关系数较高。因此，各监测点的PM2.5日均浓度的相关性不仅与距离有关，同时也受监测点周围环境的影响。

表1 8个国控点的日均浓度的相关系数(R)

图6 济南市国控点点间距离与PM2.5日均浓度相关系数散点图

3.3 基于泰森多边形的土地利用类型与PM2.5浓度的相关分析

3.3.1 土地利用分布现状

采用最大似然法对影像执行监督分类，得到2018年的济南市土地利用现状分类结果图，如图7所示。统计面积结果见表2，济南市各类土地利用类型面积大小占比是：耕地>建设用地>林地>水体>草地>未利用地。

图7 2018年济南市土地利用现状分类图

表2 2018年济南市土地各类型面积汇总表/km2

3.3.2 基于泰森多边形的PM2.5与土地利用类型的相关分析

鉴于PM2.5国控监测点主要分布在济南市主城区，为了更加准确的进行空间分析，本文选取济南市主城区作为泰森多边形的划分区域。对各个监测点的泰森多边形进行面积统计，如表3所示。

然后将统计后的面积占比和7个监测点的PM2.5春夏秋冬和全年的浓度均值进行相关性分析，得到不同时间尺度下的相关系数，具体结果如表4所示。

表3 泰森多边形下的各片区中各种土地类型的比例

表4 PM2.5与土地利用类型的相关性

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

从表中可以看出，林地、耕地、草地三种地类与全年PM2.5浓度均值的相关系数均呈现负相关，并且相关系数较大，说明它们消散PM2.5的能力较强，但是草地的消散能力在时间上表现的更稳定一些，而林地在秋冬季相关系数较大，达到了0.1水平上的显著，消散PM2.5能力较强。耕地在春夏季相关系数较大，达到了0.05水平上的显著，消散PM2.5能力较强。水体与全年PM2.5浓度均值呈现较低负相关，相关系数较小，能力较弱，但是在春夏季的相关系数较大，而且在春季达到了0.1水平上的显著。未利用地与全年PM2.5浓度均值呈现最低负相关，主要是原因是未利用地周围比较开阔，空气流通好，有利于PM2.5向外传播，降低城市PM2.5浓度。此时只有建设用地与年均和四季的PM2.5浓度均呈现正相关，且相关系数比较大，在夏季，建设用地达到了0.05水平显著，在春季达到了0.1水平显著，说明了建设用地数量多的地方即为城市密集区极大促进了PM2.5的形成。原因是市区人多车多，还有一些污染的企业，给当地的环境造成了不小的影响。

4 结 论

在时间序列上，2018年济南市PM2.5季度浓度夏季最低，冬季最高；月度浓度在1月份最高，9月份最低。在空间上，济南市西部地区PM2.5浓度在整体上明显高于东部地区。

林地、耕地、水体、草地、未利用地都与年均PM2.5浓度呈现负相关，说明这五种地类均对PM2.5有一定的消散能力，仅有建设用地与年均PM2.5呈现正相关，表明建设用地代表着城市密集区，给当地的环境造成了影响。秋冬季节的林地、春季的耕地、水体可以显著降低PM2.5浓度。春夏季的建设用地可以显著增加PM2.5浓度。