深圳市大气污染时空分布及其与景观格局的关系

高 龙,唐 力,侯浩然,王 煜,麦有全,何伟彪,王伟民,苏红波

1 中国科学院地理科学与资源研究所, 北京 100101 2 中国科学院大学, 北京 100049 3 深圳市生态环境监测站,深圳 518049 4 深圳市环境监测中心站,深圳 518049

随着我国工业化、城市化进程的加速,气溶胶和臭氧已然成为我国大部分地区的两种主要大气污染物[1-2],这对城市的可持续发展和国民的身体健康造成了巨大威胁[3-4]。作为气溶胶污染物的主要代表,PM2.5具有粒径小,粘附性强,污染范围广,可夹杂多种有毒组分等特点,是目前气溶胶污染研究的热点之一[5-6]；而臭氧则会损害植被叶片、影响植被光合作用,并可与PM2.5在一定条件下相互作用形成更为复杂的复合污染,进而直接威胁到当地生态系统生产力[7]。深圳是我国改革开放后的第一个经济特区,更是粤港澳大湾区的重要节点城市之一,对深圳全市开展新时期PM2.5及臭氧时空污染格局分析,研究其动态变化规律及与环境因素的相互关系,可以为深圳市大气污染治理与城市规划提供有利借鉴,进而保障粤港澳大湾区生态环境建设顺利进行[8]。

近年来,对深圳大气污染的时空分布规律开展研究并探索其背后的形成机制与影响因素是大气环境研究的热点之一[9]。黄晓峰等[10]利用2009年深圳市采样数据,对PM2.5污染的主要来源及时空变化规律进行了研究,并针对性的提出了PM2.5污染防治的若干建议。韩立建等[11-12]从长时序角度估计了深圳PM2.5浓度的变化情况,探讨了政策因素对大气污染的影响,并发现深圳市PM2.5浓度呈倒U型变化。Liu等[13]对珠江三角洲城市群典型污染事件中PM2.5的源-受体关系进行了分析,认为深圳市PM2.5污染主要源于当地排放。冯凝等[14]探索了深圳市城区内部PM2.5与臭氧之间的协同污染特征,证明了秋季臭氧的日最大8h平均值与PM2.5浓度在日间具有较强的正相关。方晓婷等[15]分析了深圳市气象及PM2.5监测数据,探讨了气象因素对PM2.5影响的季节性差异,并通过构建线性和非线性模型预测了PM2.5的浓度。张丽等[16]对深圳市2014—2016年局域PM2.5污染事件进行了时空特征分析,并探索了典型背景环流对局域污染事件的影响关系,从而明确了污染产生的气象原因。“十三五”以来,以臭氧污染为代表的大气污染呈现增加趋势,谈建国等[17]指出自然界中温度的升高可促进光化学反应进而促进臭氧的生成,而晴天少云的天气会导致太阳辐射增强进而增加臭氧浓度。陆克定等[18]利用环境监测站点数据在珠三角地区开展相关臭氧研究,分析得出珠三角地区臭氧污染主要发生在夏季,且城市地区的臭氧浓度要高于周边远郊区。Li等[19]借助珠江三角洲气象塔监测数据,对当地PM2.5和臭氧之间关系进行了分析,发现PM2.5和臭氧之间的相关系数会随着高度增加而保持正值。梁碧玲等[20]通过对深圳市2013—2015年的臭氧污染时空分布及与气象条件的相互关系进行分析,认为臭氧污染的发生是多种气象因素共同作用的结果,而高温强辐射、干燥无雨的弱风环境最有利于臭氧的生成。以上学者从不同时间范围、不同区域尺度、不同影响因素出发对深圳市的大气环境污染状况开展了深入分析,并提供了诸多可以借鉴的防治方案。

然而,以上有关深圳大气污染的研究也存在着一些不足,比如现有研究大多集中在2015年以前,从而缺乏对深圳市在新时期政策下PM2.5和臭氧时空变化规律的研究；或大多聚焦于探索土地覆盖类型对大气污染的影响[21-22],如庄立跃等[23]发现臭氧浓度的分布与同一城市群内不同区域的发达程度间有着明显相关性,何剑锋等[24]发现不同的土地覆盖则可能会影响周边环境温度及降水进而影响到大气污染物的分布趋势等,从而缺少了对土地利用结构及其景观格局与大气污染之间相互作用的探索[25]。随着GIS技术的飞速发展,不少学者已经意识到景观格局与城市大气污染之间是典型的格局-过程关系[26],而城市景观与大气污染之间则存在相互作用关系[27-28]。因此,开展新时期深圳市不同时间尺度大气污染的时空分布规律研究,探索土地覆盖类型及其景观格局与大气污染的关系,可进一步明确城市景观对大气污染的影响,加强城市管理者对景观格局的认知,从而优化城市格局,为深圳市生态环境可持续发展提供切入点和突破口。

鉴于此,本文通过深圳市19个监测站点提供的大气监测数据,从年、季、月不同时间尺度上系统分析了深圳全市PM2.5及臭氧的时空分布格局及变化趋势,并在月尺度上深入探索了土地覆盖类型及其景观格局与大气污染的定量关系。以上研究可为促进深圳地区土地资源合理利用及环境保护工作平稳推进提供有力借鉴,进而一定程度上保障粤港澳大湾区生态文明建设顺利进行。

1 研究区与数据

1.1 研究区概况

深圳市(图1)地处广东省南部沿海地区,处于东经113°46′—114°37′,北纬22°27′—22°52′之间, 东临大亚湾与惠州市相连,西濒珠江口伶仃洋与中山市、珠海市相望, 南至深圳河与香港毗邻,北与东莞市、惠州市接壤。深圳全市目前共有10个行政区,全市陆地总面积约1997.47km2,地势东南部较高、西北部较低,全市海岸线总长230km。2019年2月,随着《粤港澳大湾区发展规划纲要》的发布,深圳成为粤港澳大湾区四大中心城市之一。

图1 研究区位图Fig.1 Location of study area

1.2 数据来源及预处理

1.2.1大气监测数据

研究所用的深圳市PM2.5和臭氧数据来源于92个监测站点自2015年1月1日—2020年8月22日的日监测数据。本文对数据进行了预处理操作,剔除了原始数据中缺失、异常(如值小于等于0)的站点,并最终保留了19个监测站点2015年1月1日—2020年2月29日的日监测数据,站点分布位置如图1所示。借鉴既往研究中[29]的季度划分,选择3—5月为春季,6—8月为夏季,9—11月为秋季,12月及来年1月、2月为冬季,并最终计算得到19个监测站点在月、季、年尺度上的PM2.5及臭氧浓度均值。

1.2.2土地覆盖数据

深圳市土地覆盖数据来源于中国科学院空天信息创新研究院发布的2020年全球30m精细地表覆盖产品(GLC_FCS30-2020),空间分辨率为30m,包含了30种土地覆盖类型[30]。该数据可在地球大数据科学工程数据网(http://data.casearth.cn)免费下载。

2 研究方法2.1 Kriging插值

本文中PM2.5和臭氧的时空分布研究主要基于2015—2020年深圳市大气站点监测数据,采用普通Kriging空间插值法分别从年、季、月尺度模拟全市PM2.5和臭氧的浓度分布情况,空间插值结果分辨率控制在1km。普通Kriging插值法是结合半变异函数和结构分析,对待预测区域的大气污染值进行无偏最优估计的一种方法[31],其表达式为：

(1)

式中,Z为待估计的大气污染值,n为参与插值的监测点数目,λi为监测点i的一组权重系数,Z(xi)为监测点的实测值。

普通Kriging插值法中涉及到半变异函数,它可以相对准确的描述大气特性随观测距离改变的空间变异情况[32],其表达式为：

(2)

式中,r(h)为半变异函数；h为监测点之间的距离,称为步长；N(h)为间隔为h的样点个数；z(xi)和z(xi+h)分别为变量z(x)在空间位置xi和xi+h上的实测值。

一个合适的半变异函数模型是基于对实验数据进行分析之后结合数据自身特征如呈现出的某种趋势(一阶、二阶变化等)不断调整尝试才能取得的,而半变异函数模型的拟合效果也直接决定了随后的插值精度,当平均预测误差的绝对值趋近于0,标准均方根误差最接近于1时,认为此时的半变异函数是较为理想的。

2.2 景观指数

景观指数能够高度概括景观格局信息,反应不同土地覆盖类型的结构组成和空间信息[33]。本文基于2020年土地覆盖数据,分别创建19个大气监测站点周边一定距离的缓冲区,缓冲区半径参考现有研究设置为1km[25],随后分析缓冲区范围内的土地覆盖类型及景观指数与站点监测数据之间的相互关系。

参考相关研究[34]及本文研究重点,选取类型级别斑块所占景观面积的比例(PLAND)、面积加权平均形状指数( SHAPE_AM)、平均临近指数(PROX_MN)及聚合度(AI)作为景观评价指标。以上指数分别从以下3方面来描述景观格局特征：

(1)数量特征 类型级别斑块所占景观面积的比例(PLAND)可以用来描述特定区域内土地覆盖类型的占比及明确优势景观元素,其值越大,则该种地物类型的占比越高；

(2)形态特征 面积加权平均形状指数( SHAPE_AM)用以描述斑块的形状复杂度,其值越接近于1,形状越接近于正方形,其值越高,斑块形状越复杂；

(3)结构特征 平均临近指数(PROX_MN)从类型水平上反映各斑块之间的临近情况,当一定搜索半径内(本研究采用默认设置100m)无同类型斑块时,其值为0,当同类斑块越接近时,其值越大；聚合度(AI)从类型水平描绘同一类型的像素聚合成斑块的情况,其值越大,表明同一类型像素的聚合程度越高。

2.3 皮尔逊分析

皮尔逊相关系数[35-36]可用来判断两组变量X和Y之间是否存在线性相关,其值处于-1—1之间,越接近于1,正相关性越强；反之,负相关性越强；当接近于0时,则认为两组变量之间相关性较差。其表达式如(3)所示：

(3)

式中,xi表示变量集X中第i个变量；yi表示变量集Y中第i个变量；N表示变量数目。

3 结果与分析

3.1 PM2.5及臭氧浓度的时序变化

3.1.1年际变化

图2 2015—2019年深圳市PM2.5和臭氧浓度变化 Fig.2 Changes of PM2.5 and O3 concentration in Shenzhen from 2015 to 2019

由深圳市大气质量站点监测数据统计得到PM2.5和臭氧的年均浓度值,如图2所示。总体上看,PM2.5浓度在2015—2019年间呈现下降趋势,5年内累计下降幅度达到8.36μg/m3,且自2015年起,深圳市的PM2.5年均浓度已经低于国家24h标准一级限制(35μg/m3)。臭氧方面,年均浓度呈现出先降后增的趋势,2015年深圳全市臭氧浓度值为107.72μg/m3,之后逐年下降,2017年臭氧浓度达到最低值101.14μg/m3,随后年均臭氧浓度呈现上升趋势,并于2019年达到116.84μg/m3,5年内累计增加9.11μg/m3。

3.1.2季节变化

2015—2019年深圳市PM2.5及臭氧浓度的季节变化如图3所示。总体来看,PM2.5浓度季节性特征较为明显,整体为秋冬高、春夏低的分布趋势,其中春季和夏季的浓度整体维持在一个较为稳定的状态,约26μg/m3；而冬季浓度总体维持在一个相对较高的水平,约30—40μg/m3(除2018年外)。PM2.5季节性变化受季度气候的影响较大,深圳市北邻内陆,南接海洋,是典型的南亚热带季风气候,夏季高温多雨且盛行偏南风,雨水的净化及海洋吹向内陆的干净空气使得深圳市夏季大气中的细小颗粒物容易扩散,由此夏季的PM2.5浓度维持在一个相对较低水平。冬季全市空气干燥,雨水较少,来自内陆的北风极易带来灰霾,同时当冷气出海,风力减弱,而海面的湿暖气流较为无力,二者相遇容易形成较为稳定的大气状态,使得大气中的细小颗粒物堆积在一起无法散去,由此PM2.5呈现出较高的浓度[37]。

图3 2015—2019年深圳市PM2.5和臭氧季平均浓度变化Fig.3 Change of PM2.5 and O3 seasonal concentration in Shenzhen from 2015 to 2019

近地面臭氧的产生主要受光照和气象因子的影响,一般与湿度、风速、温度呈负相关,与日照呈正相关,而季节要素则因具备不同的温度、光照、湿度等环境因子而影响臭氧浓度变化情况[38-39]。总体来看,深圳市2015—2019年臭氧浓度呈现出秋季高,夏季次之,冬春较低的分布特点(图3)。春季温度相对较低、日照和雨量情况适中,平均臭氧浓度为109.24μg/m3,之后进入夏季,高温多雨、日照强烈,臭氧浓度上升为112.97μg/m3；而秋季太阳辐射依然较强、但雨水较少,有利于臭氧的光化学反应,平均浓度达到125.57μg/m3；冬季太阳辐射最弱,气温较低,臭氧浓度下降至101.71μg/m3。5年中2018年冬季的臭氧浓度相对较低,这主要是因为2018年冬季为暖冬,温度较往年高,在冬季太阳辐射较弱的情况下,较高的温度可能加速了臭氧的分解,因此2018年冬季臭氧浓度维持在一个较低水平。

3.1.3月度变化

2015—2019年深圳市PM2.5月均浓度呈现非常显著的“U”型分布(图4)。其中1月和12月由于环境温度较低,来自内陆的冷气流与来自海洋的暖气流相遇形成较为稳定的大气状态,造成大气边界层对流缓慢,大气颗粒物堆积难以扩散,由此PM2.5的浓度相对较高,分别为41.09μg/m3和38.80μg/m3。随着春季温度上升,冷热气流交替且易形成降雨,对大气中颗粒物有较为明显的净化作用,由此PM2.5含量呈现明显下降趋势,并于6月份达到浓度最低值,为13.24μg/m3。

臭氧月均浓度分布呈现出“两段式”分布状态(图4)。第一阶段为1—5月,该阶段内臭氧含量波动幅度较小,约100μg/m3；第二阶段为6—12月,臭氧浓度表现出先升后降的“倒U型”分布,其中6月、12月臭氧浓度相对较低,分别为78.54μg/m3与105.75μg/m3,10月浓度最高,为138.57μg/m3。1—5月主要为上一年的冬季与本年度的春季,环境整体温度相对较低、日照和雨量等环境要素变化不大,由此该时间范围内臭氧浓度的变化幅度较小；而6—12月主要为该年度的夏季和秋季,太阳辐射、降雨、温度、风向等环境因素有了较大变化,由此也对臭氧浓度产生了较大影响。6—10月为当年夏季转秋季的月份,该时间范围内,臭氧浓度呈现逐月增加的趋势,并于秋季的10月份达到年度峰值,这与季尺度上臭氧浓度的变化相一致。

图4 2015—2019年深圳市PM2.5及臭氧月平均浓度变化Fig.4 Change of PM2.5 and O3 monthly concentration in Shenzhen from 2015 to 2019

3.2 PM2.5及臭氧浓度的空间变化

3.2.1PM2.5

结合深圳全市19个监测站点的年度监测数据,通过Kriging插值获得深圳全市PM2.5年浓度空间分布情况。从图5可以看出,全市PM2.5浓度空间分布上整体规律明显,2015—2016年PM2.5浓度西北高,东南低,且由西北向东南、由内陆向海洋逐渐降低。自2017年及以后,西北部及北部地区PM2.5浓度逐渐降低,尤其是西北部光明新区全区PM2.5浓度下降显著。与之相比,宝安区与龙华新区作为深圳市的工业大区,工厂等污染物排放相对较多,PM2.5下降趋势略滞后于光明新区,但截止于2019年末,深圳全市PM2.5年均浓度皆符合国家24小时一级限制标准。

季节尺度上(图6),全市PM2.5浓度在秋季和冬季较高,尤其是以西北部及北部各区最为明显,如宝安区、光明新区、龙华新区、南山区等,而东南部的大鹏新区浓度则相对较低；夏季和春季的PM2.5浓度则维持在一个相对较低的水平,其中春季也表现出较为明显的空间分布差异。尽管季节性因素一定程度上净化了大气颗粒物的污染,但总的来看,春季时龙华新区北部与宝安区西部的PM2.5含量依然相对较高,这可能与当地的产业分布及土地覆盖情况相关。

图6 深圳市各季节PM2.5空间分布Fig.6 PM2.5 spatial distribution of each season in Shenzhen

月尺度上(图7),PM2.5浓度月空间分布与季尺度的空间分布格局较为相似,但具体到不同月份,西北地区及东南地区的浓度差异又具有不同特点。1—3月及10—12月深圳全市PM2.5浓度西北、东南差异较为明显,且由西北向东南逐渐降低；4—9月间,西北部与东南部浓度差异较小,全市PM2.5浓度处于相对较低的水平。

图7 深圳市各月份PM2.5浓度空间分布Fig.7 Monthly spatial distribution of PM2.5 concentration in Shenzhen

3.2.2臭氧

如图8所示,2015—2019年间,深圳市臭氧浓度呈现出明显上升趋势,如2015—2016年全市臭氧浓度较高的区域只有西北部的光明新区、宝安区、龙华新区以及大鹏新区的东南部等,但到了2018—2019年间,既往臭氧浓度较高的区域其臭氧浓度继续上升,其余各区臭氧浓度也都有了不同程度的上升。西北部的光明新区、宝安区、龙华新区及大鹏新区东南部仍是全市臭氧浓度相对较高的区域。值得注意的是,2017年全市的臭氧浓度分布格局与其他年份相比存在较大差异,全年臭氧浓度整体相对较低,以往年份中臭氧浓度较高的光明新区和大鹏新区其臭氧浓度下降明显,这可能与当年具体的环境气候、产业经营、相关政策等有关。

图8 2015—2019年深圳市臭氧浓度空间分布Fig.8 The spatial distribution of O3 concentration in Shenzhen from 2015 to 2019

季节尺度上(图9),全市臭氧分布存在显著的季节性差异,整体表现为秋季高,春、夏、冬相对较低的分布。空间分布上,深圳西北部与东南部、内陆地区与沿海地区存在阶梯型变化,这与PM2.5浓度在空间分布上差异较大。10个行政区中,臭氧浓度相对较高的是光明新区、宝安区、龙华新区的西北部、大鹏新区的东南部。值得注意的是,光明新区、宝安区、龙华新区为深圳市经济较为发达的地区、工业集聚、人口密集、污染源相对较多,而大鹏新区整体并不是工业重区、车辆和人口相对较少,其东南部臭氧浓度相对较高,可能与当地独特的气象条件和人类活动污染有关[40]。

图9 深圳市各季节臭氧浓度空间分布Fig.9 O3 spatial distribution of each season in Shenzhen

月尺度上(图10),1—5月臭氧浓度空间差异明显,全市臭氧浓度呈现西北、东南高,其余各地相对较低且相差不大的分布格局；6月是全年臭氧浓度最低的月份,空间分布上差异不大；进入7月份,臭氧浓度空间分布出现南北差异,其中南部临海区域臭氧浓度继续维持在一个相对较低的水平,而西北靠近内陆的区域其臭氧浓度开始升高；8—11月是深圳市全年臭氧浓度相对较高的月份,全市臭氧浓度大幅度增加；而进入12月份,部分地区臭氧浓度又开始降低。

图10 深圳市各月份O3浓度空间分布Fig.10 Monthly spatial distribution of O3 concentration in Shenzhen

3.3 土地覆盖类型对PM2.5和臭氧的影响

不同土地覆盖有可能促进或抑制PM2.5及臭氧污染[21],考虑到天尺度的大气监测值具有偶然性和误差性,而年、季尺度的值过度平滑了大气变化信息,所以本文主要统计2019年深圳市月尺度上19个大气监测站点PM2.5浓度的均值、最大差值(最高浓度值减去最低浓度值),臭氧浓度的均值及最大差值(最高浓度值减去最低浓度值)。

本研究中监测站点周边1km范围内的土地覆盖类型主要包括植被、农田、不透水表面及水体四类,它们的分布如图11所示。其中,植被主要包括常绿阔叶林、常绿针叶林及常绿灌木3种,19个监测站点中,南湖站、通心岭站、松岗站及南海站周边1km范围内没有植被分布,而杨梅坑站及南澳站周边1km范围内植被覆盖度较高,分别为56.57%与66.58%,其余站点周边植被占比维持在0.48%—16%左右。不透水表面指不能被水渗透的表面,主要包括柏油道路、停车场、建筑物的屋顶等人工建筑物,大多数不透水表面都与人类活动有着密切的关系。19个监测站点中,除杨梅坑站和南澳站周边的不透水表面占比相对较小之外,其余站点周边不透水表面的占比都在30%以上,较高的如南湖站、西乡站等可达到85%以上。水体主要包括坑塘、湖泊、河渠等,19个站点中,杨梅坑站、沙井站周边1km范围内的水体占比为40.45%和19.50%,其余站点附近水体占比大多在10%以下,整体差异不大。农田方面,沙井站、观澜站及华侨站周边的农田占比相对较大,约40%以上,而其余站点整体差异不大,维持在10%—30%之间,其中杨梅坑站附近的农田占比较小。

图11 深圳市大气监测站点周边(1km)土地覆盖Fig.11 Landcovers around atmospheric monitoring station (1km) in Shenzhen

利用皮尔逊系数对不同土地覆盖的占比和月尺度上PM2.5均值、PM2.5最大差值、臭氧均值及臭氧最大差值这4个指标间开展相关性分析和显著性检验,结果如表1所示。其中,植被占比与PM2.5均值和PM2.5最大差值之间都存在着显著的负相关,这意味着植被对PM2.5浓度有较为明显的吸收和调控作用,其占比的增高会抑制PM2.5的浓度和变化幅度。农田和不透水表面对PM2.5和臭氧虽然都表现出一定程度上的正相关或者负相关,但并不显著。水体占比与PM2.5均值及最大差值方面存在负相关,说明水体的增湿效应对PM2.5具有一定抑制作用；水体与臭氧的均值和最大差值方面存在着显著性正相关,这意味着水体占比会影响到臭氧浓度的变化。

3.4 景观格局对PM2.5和臭氧的影响

由3.3节可知,植被和水体分别对PM2.5和臭氧浓度的影响显著,利用皮尔逊分析和显著性检验进一步开展植被、水体的景观指数与大气监测数据间的定量分析,得到以下结果(表2)：

表1 土地覆盖占比与PM2.5及臭氧的相关系数

表2 景观因子与 PM2.5及臭氧的相关系数

由上表可知,PLAND与PM2.5均值和PM2.5月最大差值间存在负相关,但对臭氧浓度及其变化并没有显著的影响。SHAPE_AM与PM2.5和臭氧之间虽然存在着负相关,但并不显著,这说明植被斑块的形状对PM2.5及臭氧的影响关系暂不明确,在开展具体绿化工作时植被斑块的形状有了更大的选择空间。与之相比,PROX_MN与臭氧浓度均值之间存在着较为显著的负相关,表明植被斑块间越接近,对臭氧浓度的抑制作用就越强。AI与PM2.5浓度呈显著性负相关,这说明当植被块相距越近时,其对PM2.5浓度有着良好的抑制和调控作用,这可为城市绿化工程日后的开展提供了借鉴意义。

水体景观指数方面,PLAND对臭氧的影响表现出较为显著的正相关,这意味着水体的增加可能会导致臭氧的浓度的提升。然而,由于本研究中周边水体占比较高的一些站点多处于临海旅游区域(如杨梅坑等),而现有研究[40]指出深圳臭氧浓度变化易受到本地或者外地污染源的影响,如太阳辐射、气象条件、前提排放物及人类活动等,所以临近海岸的站点可能存在更加复杂的气象环境条件进而协同地表覆盖对臭氧产生共同作用,因此需要进一步分析当地环境气象资料,开展更加深入的研究。此外, SHAPE_AM、 PROX_MN和AI对PM2.5和臭氧的浓度及其变化并没有显著影响。

4 结论

本文以大气监测站点提供的PM2.5和臭氧监测值为数据源,通过kriging空间插值法从年、季、月尺度系统分析了深圳市2015—2019年PM2.5及臭氧的时空分布趋势,并运用皮尔逊分析和显著性检验探索了土地覆盖类型及其景观格局对PM2.5及臭氧的影响,得到以下结论：

(1)2015—2019年间,深圳市PM2.5浓度符合国家24h标准一级限制(35μg/m3),且总体呈现下降趋势；臭氧浓度则先降后升,年均浓度在5年内累计增加9.11μg/m3。PM2.5浓度的季节性特征明显,整体表现为秋冬高、春夏低；臭氧浓度则表现为秋季高、夏季次之、冬春较低的趋势。月度变化方面,PM2.5浓度在12个月间呈现典型的“U”型分布,1月、12月较高,6月最低；而臭氧则呈现出明显的“两段式”分布,即1—5月整体波动不大,6—12月呈现“倒U型”先增后减趋势。

(2)全市PM2.5和臭氧在年、季、月尺度上表现出较为明显的空间差异, PM2.5整体呈现出西北高、东南低的分布格局,这可能与全市的产业分布、人类活动、土地覆盖等因素有关；臭氧则整体表现出西北、东南高,其余区域相对较低的分布格局。

(3)植被占比的增加对PM2.5浓度及其变化幅度有较好的抑制和调控作用,当植被斑块距离越近并融合成较大斑块时,对PM2.5浓度的调控作用越明显,由此未来城市建设中当植被等绿色资源有限时,可以通过进行合理的空间配置来优化绿色空间的分布进而最大程度上调控PM2.5浓度。水体占比的增高可能会导致臭氧浓度增高或变化幅度加大,但不排除是当地复杂的气象环境条件及人类活动协同地表覆盖共同对臭氧产生作用,需要开展进一步的研究。