西安市PM10、PM2.5的时空特征及其与土地利用的关系

王梦迪，吉文丽，李凯媛

(西北农林科技大学 风景园林艺术学院，陕西 杨陵 712100)

近几十年，随着我国社会经济水平不断提高，城市变得拥挤，污染问题加剧[1]，以PM10、PM2.5为首要的颗粒物污染问题，已经成为中国城市面临的严峻挑战，也对人们的健康造成了巨大威胁[2]。现有研究证实，高浓度的PM2.5会导致心血管和呼吸系统疾病的增加[3]，也会导致癌症和过早死亡[4]。因此，如何降低PM10、PM2.5浓度，改善城市居民生活，已成为研究的热点问题。气象条件对颗粒物浓度分布具有重要的影响[5]，但即使在同一气象条件下，颗粒物的分布也存在差异，这表明城市下垫面对颗粒物的分布有影响[6]。

目前，较多学者从PM10、PM2.5的化学组成和来源、时空差异、污染过程、测量与模拟、健康评估以及气象因素与颗粒物之间的关系进行研究，逐步开始探究地表景观类型、组分、格局及时空变换对PM10、PM2.5的影响[7]。大多数研究关注的是城市规划空间以及森林植被，如武晓红等[8]研究林带对PM2.5的净化效率时发现林带宽度在20～60 m净化效率逐渐提高，并且在12:30-17:00净化效率高。少量研究以城市街区为对象，其中苏维[9]等发现在以监测点为圆心的500 m和1 000 m的缓冲区内，大气颗粒物浓度与绿地面积呈显著负相关，与建筑面积呈显著正相关，并且在景观尺度上探讨土地利用LPI与MPS的关系，但是未在更精细的模型尺度上探讨城市下垫面的贡献。Cheng Ming等[10]探究绿地(树、灌木、草)的不同形式在减少颗粒物污染中所做的贡献，发现植被组合在一起是减少PM的理想方法。以及在城市街区尺度上减少PM2.5浓度的最佳规划空间尺度并建立了模型，表明在400～800 m时，PM2.5的缓解能力达到峰值。研究多从城市单一的绿地进行探索，缺乏对城市土地利用进行综合的研究。而城市社区尺度的下垫面土地利用类型更易通过规划设计手段得到改善，具有更大的实操性。因此，本研究通过分析空气污染的时空特征、城市建成区社区尺度下土地利用与颗粒物的关系并构建模型，对于城市规划设计、建成区的更新改造具有参考意义。

1 研究地区与研究方法

1.1 研究区概况

西安位于我国的西北部属于大陆性温带季风气候。西安市国家空气质量监测站共有13个，对监测站进行筛选，排除位于大型城市公园以及污染源附近的站点，这些站点不属于城市建成区环境。筛选后得到9个监测点。这些站点呈现了典型的城市风貌，包括建筑物、道路、绿地和其他地面物体，在城市建成区中的分布相对平均(表1)。

西安的空气污染在2019年全国168个重点城市阶段排名中，位于第136位，排名较后。根据西安市环保局发布的《西安市环境质量公报》显示， 2017年3月-2020年2月，西安市优良天气数为635 d，良的天数占优良总天数的82.99%，轻度污染289 d、中度污染89 d、重度污染65 d、严重污染13 d。

1.2 数据来源与方法

1.2.1 遥感影像 通过Google Earth高清卫星，获取 2019年的9个站点附近街区1 km2范围的遥感影像，以往的研究发现居民舒适步行距离(500 m)内的空气环境对人们的日常生活质量起着重要作用[11]。因此，以监测站为中心的1 km2的方形面积为试验的样本。利用eCognition Developer8.9软件处理遥感影像，软件采用面向对象的分类技术，能够避免人工目视解读的繁琐以及误差，更有利于提取光谱分辨率不高，而空间分辨率高的图像，所以通常被用来提取土地利用特征[12]。参考相关研究通过多尺度分割影像、对分割对象选取样本、配置最近邻特征、再进行样本分类的步骤，将土地利用类型分为水体、裸地、绿地、建设用地、道路等5类[13]。本研究使用的遥感影像有RGB 3个波段，选取标准差异化植被指数(VDVI)用于样本的识别[14-15]，计算公式为：

(1)

式中，G为绿波段像素值；R为红波段像素值；B为蓝波段像素值。

本研究主要针对绿地、道路以及建设用地的相关指数展开研究，用G-PLAND、G-LPI(Green)等表示绿地斑块特征，用B-PLAND、B-LPI(Building)等表示建设用地斑块特征，道路没有其余斑块特征，用R-PLAND(Road)表示道路面积率。绿地和建设用地的景观格局指数利用Fragstats软件[16-17]进行计算(表2)。

1.2.2 颗粒物浓度数据 通过中国城市质量实时监测平台，得到各个站点2017年3月1日-2020年2月29日的大气污染小时数据，剔除缺失数据和明显有误的数据。按照四季划分(3-5月是春季、6-8月为夏季、9-11月为秋季、12月-次年2月为冬季[18])，计算季度平均值。这样即可以假定在气象条件相对一致的情况下突出城市土地利用对PM10、PM2.5的影响。

表1 西安市环境空气质量监测点详情

表2 景观格局指数类型

1.3 数据处理

对2017年3月-2020年2月的3 a PM10、PM2.5均值分析，再对不同站点的颗粒物浓度数据整理，比较季节差异；利用系统聚类分析(欧式平方距离)计算站点空间差异。研究大气污染与土地利用景观格局指数的Pearson双变量相关。以3 a平均PM10、PM2.5浓度、G-PLAND及R-PLAND进行一元线性回归分析，量化G-PLAND及R-PLAND对PM10、PM2.5的消减和增加作用。

2 结果与分析

2.1 PM10、PM2.5浓度的时空差异

2.1.1 不同年份分析 由表3可知，从2017年3月-2020年2月，西安市PM10、PM2.5浓度逐年降低，2019年的下降最为明显。2019年下降最多可能是由于2020年2月的疫情国家采取限制措施，以至于人口流动减弱，交通运输减少，导致大气污染的数值急剧下降。以西安市城市3 a平均PM10、PM2.5浓度为参考发现PM10、PM2.5的浓度限值均超过国家《环境空气质量标准》(GB3095-2012)的要求(70、35 μg/m3)，超过率分别为71.84%、71.31%、37.6%、86.94%、77%、54.31%。

表3 景观格局指数类型

2.1.2 季节分析 3 a PM10、PM2.5数据逐月均值统计分析，监测点月均空气质量差异性极显著(P<0.01)，PM10、PM2.5的月份变化趋势较一致，曲线均大致呈现先降后升再降的“小U形”模式(图1)。PM10、PM2.5浓度最高的月份分别为12月(185.60 μg/m3)和1月(144.13 μg/m3)，最低的月份都是7月(52.91、23.78 μg/m3)按照当地气候条件，西安市PM10和PM2.5浓度表现出冬季>春季>秋季>夏季的季节差异(图2)。可能与冬季取暖，夏季降雨、植被较多有关。

图1 西安市9个站点空气PM10和PM2.5浓度的月变化

图2 西安市9个站点空气PM10和PM2.5浓度的季节变化

2.1.3 空间分析 以2017年3月-2020年2月3 a 9个站点的年均值比较，由表4可知，得出站点的PM10、PM2.5浓度在城市平均水平约6.7%～9.7%、6.4%～6.8%浮动。PM10浓度最高在XA1，最低在XA7，PM2.5浓度最高在XA3， 最低在XA7。

表4 PM10、PM2.5各个站点3 a均值

对9个监测点的PM10、PM2.5浓度的3年均值进行标准化处理，采用系统聚类法分析，将9个监测点分为3类(图3)： XA1、XA2、XA3为一类；XA4、XA5、XA6、XA8、 XA9为一类；XA7为一类。采用单因素ANOVA对上述分类结果进行验证(P<0.05)，说明分类结果准确。结合分析发现PM10、PM2.5浓度存在较强的空间自相关性，且呈高值相聚、低值相聚、西北高东南低的分布特点。可能与每个监测点所在区域的工业活动、生产模式、城市下垫面等因素有关。

2.2 PM10、PM2.5浓度与土地利用景观指数的相关性与回归分析

2.2.1 相关性分析 由表5可知，G-PLAND对PM10、PM2.5的影响受到季节的干扰，与PM10的相关性强于PM2.5。在年均、春、夏、秋、冬季PM10与G-PLAND的相关系数依次为-0.839、-0.839、-0.864、-0.820、-0.785，都呈显著负相关关系。PM2.5浓度与G-PLAND仅在年均、夏、冬季呈负相关关系(P<0.05)。PM10、PM2.5浓度都与G-LPI呈负相关关系，但PM10相关性显著，PM2.5相关性不显著。说明绿地斑块的面积越大优势越强、相互的耦合关系越好，对颗粒物的消减作用越明显。

图3 西安站点聚类分析

年均春、夏、秋、冬季的PM10浓度与G-DIVISION均呈显著正相关关系，与G-ED仅在冬季呈显著负相关关系，PM2.5浓度与G-DIVISION、G-ED分别呈正相关、负相关，但相关性不显著。PM10、PM2.5浓度与G-LSI均基本无相关性，表明绿地斑块分离度越高越不连通、景观异质性越低越容易导致PM10、PM2.5浓度增加。PM10、PM2.5浓度与G-AI均呈负相关关系，表明斑块越聚合越高，颗粒物浓度越低。

PM10、PM2.5浓度与B-PLAND、B-LPI、B-DIVISION、B-ED、B-LSI均无相关性，相关系数在0.004～0.6。PM10浓度与B-AI仅在冬季呈显著相关，相关系数为0.667，PM2.5浓度与B-AI仅在春季呈显著相关，相关系数为0.669。说明建设用地斑块越聚集，颗粒物浓度越高。

PM10、PM2.5浓度与R-PLAND的相关性均呈显著正相关，说明大气污染颗粒物浓度与R-PLAND的关系密切。道路面积增加，颗粒物污染加剧。

2.2.2 一元回归分析 PLAND表征了斑块分类在整个景观中所占的百分比，在城市建成区，不同监测点附近地表覆盖面积率(PLAND)的差异显著(图4)。建成区的绿地覆盖率G-PLAND普遍在20%～30%，最高的是XA7，最低的是XA1。建设用地面积率B-PLAND在50%～70%，最高的为XA8、最低的为XA7。道路面积率R-PLAND的最高值和最低值分别是XA3(21.49%)、XA7(10.51%)。

由表6可知，3年平均PM10、PM2.5浓度(112.13 μg/m3、60.46 μg/m3)所对应的G-PLAND、R-PLAND分别约为22.58%、13.88%，当G-PLAND每增加10%，PM10就消减11.29%；当 R-PLAND每增加10%，PM10就增加5.39%。同理，对PM2.5浓度的消减和增加作用分别为8.6%和6.03%。

图4 土地覆盖类型差异

3 结论与讨论

3.1 颗粒物浓度的时间规律

PM10、PM2.5浓度逐年递减，说明西安市蓝天保卫战的举措成效显著，并且2019年的颗粒物浓度减少幅度最大，这与Bao Rui[19]的对疫情封闭期间大气污染物减少的研究结果一致，表明限制人口流动，工厂停工等限制措施有利于颗粒物的减少。PM10浓度与PM2.5浓度的年变化趋势较一致，呈现“小U形”模式，季节特征呈现为冬>春>秋>夏。这与Huang Ping[20]对西安(2013-2014年)的季节研究结果一致。站点间的差异明显，不同站点的PM10、PM2.5浓度在城市平均水平约6.7%～9.7%、6.4%～6.8%浮动，并呈现高值相聚、低值相聚、北高南低的空间自相关性。

西安市属于温带大陆性季风气候，夏季炎热多雨，较多雷雨大风天气，使得大气沉降功能提高，同时大风也有利于PM10、PM2.5的迅速扩散，因此西安市夏季PM10、PM2.5浓度明显比其他季度低，而秋季气温下降，凉爽，静风、逆温等气候条件使得污染物不易扩散和迁移，导致PM10、PM2.5污染加重。北方颗粒物污染在冬季加剧，主要是因为冬季供暖燃煤，加上冬季气象条件不利于颗粒物的扩散，同时由于空间供暖和大气逆温频率的上升，使得北方城市冬季更容易出现持续性污染事件。

3.2 颗粒物浓度的空间规律

颗粒物污染的空间自相关性，表明PM10、PM2.5浓度的空间区域分布变化规律与其所在的地理位置无直接联系， XA2站点的颗粒物浓度较大，其中15%为裸地，说明裸露土地的二次扬尘造成污染大于城市其余站点。并且通过站点分类结果可以发现，高值相聚主要出现在工业集中、人流量较大、交通密集处；低值相聚主要出现于城市居住区，公园旅游景点较多，绿化良好，工业等产业较少的地区(表7)。并且XA5的颗粒物浓度相对较高，因为城市中心区高楼降低了风速，形成了热岛更不利于颗粒物的扩散。有研究表明，风速越大，颗粒物浓度越低。城市中心区相较于周边较近的站点污染浓度稍高，但是没有出现明显的“城市-郊区”梯度分布，与苏维[9]的试验不同，可能是西安市选取的9个站点的距离分布较近，都属于城市建成区环境，没有处于城市郊区的站点。

表5 不同街区土地利用斑块指标与PM10、PM2.5的相关性

表6 一元回归分析

表7 西安市各区域工业活动特点

3.3 颗粒物浓度与土地利用的关系

G-PLAND、R-PLAND是影响PM10、PM2.5浓度变化的主要因素，B-PLAND与PM10、PM2.5不相关。这与戴菲等[21]的研究结果一致，但是与苏维等[9]对南昌市城市大气污染与景观格局的研究结果不一致，可能是由于本研究和戴菲的研究均将城市交通用地从城市建设用地中提取出来，而苏维的分类建设用地包含交通用地。PM10、PM2.5浓度与G-LPI、G-DIVISION、G-ED、G-AI分别呈负相关、正相关、负相关、负相关，表明绿地斑块面积越大、优势度越强、景观内部的物种丰富度及抗干扰能力提升，分离化程度越低、聚集度越高会导致PM10、PM2.5浓度的降低。这与Bagheri等[22]对大面积绿地斑块面积的减少促进了空气污染的研究结果较一致。说明城市中大片的茂盛树林更有利于大气污染物的消减，例如，纽约中央公园、北京奥林匹克森林公园等。 基于景观生态学理论中斑块-廊道-基质理论，打造城市大面积的绿色斑块之后，如果可以打通斑块之间的廊道，建立斑块之间的交流频率，将更有利于生态环境的稳定。PM10浓度与G-ED仅在冬季呈相关系，可能是北方冬季燃烧暖气，且气象条件的影响，使得植被的作用弱化，并且试验站点较少造成实验差异。增强绿地边缘的树种抗性，也对PM10、PM2.5浓度的降低有一定的影响。PM10、PM2.5与B-AI的正相关关系表明，建设用地的聚集度增大会增加PM10、PM2.5的浓度。当G-PLAND每增加10%，PM10、PM2.5浓度分别消减11.29%、8.6%；当 R-PLAND每增加10%，PM10、PM2.5浓度分别增加了5.39%、6.03%。表明绿地对PM10的沉积作用强于PM2.5，这与赵松婷等[23]通过试验对植物叶片滞留PM10、PM2.5的质量研究结果相符。且道路与PM2.5的关系更加密切。与陆平等[24]对PM10、PM2.5来源贡献率结果较一致。

城市建成区土地利用类型丰富，造成了不同的景观格局，也间接反映了人类活动对PM10、PM2.5浓度的影响。汽车排放以及工业生产是颗粒物的主要来源，植被作为汇景观通过干、湿沉降作用，可吸收PM10、PM2.5，是天然的颗粒物净化器，这就是“源-汇”景观理论[21]。

在城市建成区应采取见缝插绿的措施[25]，可以增加绿地面积率G-PLAND，但是更应使绿地面积更加聚集，这样更有利于斑块分割指数G-DIVISION以及绿地聚集度AI的提高；现有绿地提质增量，增加绿地斑块优势度G-LPI，增加生物多样性；在绿地的边缘增加抗性强的树种，增加绿地的边缘密度指数G-ED；减少大面积的城市建设用地，可以在建筑周围增加绿篱的围挡，使建设用地AI指数减小更趋向于破碎化；其次是在条件允许的情况下降低道路面积率等都有利于颗粒物的减少。

城市大气污染不是单一的土地利用就可以揭示其规律的，今后的研究应在城市三维空间，结合建筑物的高度以及密度、建筑布局、气象、水体等因素多角度认识空气颗粒物浓度受多种影响的动态机制[26]。