基于LUR模型模拟汾渭平原PM2.5浓度空间分布

黄翰林，朱慧敏，李 阳，滕坤儒，张 平

(西安工程大学 环境与化学工程学院，陕西 西安 710600)

1 引言

随着城市化的快速发展，经济的飞速增长、工业发展和能源消耗带来大气污染不断增加，细颗粒物PM2.5污染日益严重。PM2.5颗粒由于本身特点，富含有毒有害物质，影响人类健康，社会经济发展，并会带来相关的环境问题。因此，全面掌握PM2.5的空间分布，提高PM2.5污染模拟精度，了解时空分布规律十分必要，对于PM2.5污染防治措施的制定、降低人体暴露于高浓度PM2.5污染的风险、减少经济损失具有重要作用，对大气环境中绿水蓝天的保护具有一定的借鉴意义。

目前，国内外学者在PM2.5污染、健康风险、源解析、监测方法、模拟预测、空间分布特征等方面开展了大量工作[1～5]。其中对于PM2.5浓度的空间预测模拟方法众多，主要方法有空间插值法[6]、MODIS遥感影像反演[7]、大气扩散模型[8]，但是这些方法还存在模拟精度不高、模型构建复杂、建模数据需求多、数据不易获取等问题。土地利用回归模型具有很强的模拟污染物浓度空间分布的能力，而且考虑因素周全，操作简单，适用范围广，能够实现相对高分辨率、高精度的大气污染空间分布制图，得到了广大学者的认可。1997年，Briggs等[9]在流行病学研究中针对小区域空气质量和健康风险进行探索,利用LUR模型对4个研究区的大气污染状况进行空间分析，是首次在GIS环境中开发了一种基于回归的方法来绘制与交通有关的空气污染情况，对研究区的大气污染浓度空间分布进行模拟预测，相关系数R2为0.51。2009年，陈莉等[10]是中国最早利用LUR模型来模拟预测大气污染情况，以天津市PM2.5和NO2为因变量，道路、人口、风速、距海远近等为自变量进行空间模拟预测，其中相关系数R2分别达到0.946和0.691，模拟结果与实际相符合。近年来,我国LUR模型已经广泛的运用于重庆市、武汉市、杭州市、北京市等地区空气污染分布研究中，分别进行了PM2.5、PM10、NO2等污染物的模拟预测，其中模拟预测的相关系数R2>0.7，而调整后R2>0.6表明LUR模型模拟预测效果较好[11～14]。

因此，本文在前人的研究基础上，采用土地利用回归模型(LUR)，借助LUR模型揭示汾渭平原2018年PM2.5污染空间分布特征，可为区域大气污染预警机制建立和城市大气污染防控提供参考依据。

2 研究内容与方法

2.1 研究区概况

汾渭平原地处黄河流域汾河和渭河平原及其周边台塬阶地等，是我国第四大平原，西起山西省阳曲县，南到陕西省秦岭山脉，西达陕西省宝鸡市，呈东北-西南方向延伸。地跨三省，陕西省、山西省、河南省。气候类型为温带季风半湿润气候，一年四季各不相同，夏季酷热降水相对与其他季节较多，冬季冷而干燥。地形以平原为主；人口密集、交通便利、农业比较发达；同时南部，东部被山脉环绕，北部和西部为黄土高原，不利于PM2.5的扩散，一定程度上会影响大气的污染浓度。

2.2 数据源与研究方法

2.2.1 LUR模型

土地利用回归[15～17](Land use regression，LUR)模型以地理学中的自然，人文，社会经济等多种因素为研究对象，在流行病学，大气污染物的空间分布模拟预测等研究中应用较多。利用LUR模型模拟污染物的空间分布，不仅可以了解污染物的空间分布的影响因素，还能对未来大气浓度空间分布的模拟预测提供一定的参考依据。LUR模型的构建取决于监测站点数量与分布及对地理相关变量的选取，并且决定模型模拟大气污染物浓度的可靠性。本文以地理变量中的道路交通，土地利用类型，人口密度，NDVI等为自变量，PM2.5浓度为因变量进行回归分析。以研究区61个监测站点为中心建立100～5000 m为半径的缓冲区分析，对自变量进行初步筛选，再利用SPSS进行各个变量在不同缓冲区下是否会构成共线性分析，将未共线的因素进行皮尔逊相关分析，筛选出相关性显著(P>0.6)的影响因子。将显著性较强的影响因子进行逐步多元回归分析模拟PM2.5浓度预测值，公式如下：

y=a+b1x1+b2x2+…+bnxn

(1)

式(1)中，a为常数，bn是各预测变量对应的系数，xn是各预测变量。将最终5类相关性较强的变量进行线性回归，检验模型模拟效果，证明LUR模型的可行性。

2.2.2 数据来源

本文采用2018年1月1日至12月31日的全国空气质量检测数据来自中国环境监测总站的全国城市空气质量实时发布平台(http:www.mee.gov.cn/hjzl/dqhj/qgkqzlssfb/)，该数据包括PM2.5浓度，NO2，SO2等大气污染物数据；气象数据有降水、温度、湿度、风向、风速等来源自ECMWF欧洲中期天气预报中心；道路交通数据来自OpenStreetMap的矢量路网；NTL数据来源于美国国防气象卫星计划(DefenseMeteorologicalSatelliteProgram，DMSP)；GDP和人口数据来自陕西、山西、河南三省统计年鉴2018；从地理空间数据云(http://www.gscloud.cn/)得到汾渭平原30m空间分辨率DEM数据；从中国科学院资源环境科学与数据中心(http://www.resdc.cn/)得到30 m空间分辨率的土地利用数据和NDVI。在数据预处理中使用ENVI5.3得到土地利用类型(耕地、草地、林地、建设用地、水域、未利用地)；利用ArcGIS10.2对不同变量进行缓冲区分析，对气象数据，NDVI，人口等进行无量纲处理，代入SPSS中进行双变量相关性分析，筛选出显著性较强的因素，进入逐步多元线性回归分析；利用ArcGIS对研究区进行均匀布点，得出各个网格相互对应地理变量的PM2.5浓度的模拟预测值，进行Kriging插值，最终得到汾渭平原2018年PM2.5浓度模拟预测空间分布。

3 研究结果与分析

3.1 双变量相关分析

在相关分析中，首先分析不同的地理变量与PM2.5平均浓度的相关性。将具有相关性的影响因素，进行皮尔逊相关分析，筛选出显著性较强的影响因子(a<0.05和a<0.01)，最终得到相关性较强的12个影响因子。由表1可知，100 m缓冲区内的NTL、SO2、NO2、蒸发等因素与PM2.5呈显著正相关，其中，NO2相关系数最高，达到0.690；4000 m缓冲区内的林地面积、3000 m缓冲区内的NDVI、5000 m缓冲区内的草地面积，湿度，风向和降水等因素与PM2.5呈显著负相关。表明汾渭平原各地区经济的发展主要是以重工业为主，导致NO2和SO2的污染排放较多，对人类的生活生产、动植物生长、环境产生不同程度的影响。

表1 PM2.5浓度与影响因子双变量相关分析

3.2 逐步多元线性回归

利用SPSS将相关分析中的12个影响因子与PM2.5进行皮尔逊相关分析，剔除产生共线性和相关性不显著的变量，最终留下SO2、NO2、3000 m缓冲区内的NDVI、边界层高度、风向、湿度等7个相关性最强的因子作为自变量输入模型，得到的模型结果如表2所示。

表2 2018年逐步多元线性回归结果

通过逐步多元线性回归得到的LUR模型R2为0.852，调整后的R2为0.844。说明影响因子与PM2.5浓度具有密切的相关性，模型的模拟效果较好，解释能力强。

3.3 模型模拟与预测

通过逐步多元线性回归检验模拟，得到标准化系数表，构建LUR回归模型，将各个自变量的数值代入到模型中计算2018年1～12月份PM2.5浓度的预测值，构建汾渭平原PM2.5浓度散点图(图1)，分析两者之间的线性关系，以此来直观分析模型的拟合程度。

由图1可知，各个数值分散程度较小，拟合后方程斜率为0.8776，数值比较接近y=x直线斜率，表明模型拟合较好。整体上模拟精度较高，监测值与预测值之间的线性相关性R2为0.8095，可解释80.95%的PM2.5浓度，说明构建LUR模型可以对实际中的PM2.5浓度有较好估计。

图1 汾渭平原2018年PM2.5监测值-预测值散点图

3.4 PM2.5模拟预测空间分布

利用ArcGIS10.2结合相关变量分析数据进行制图，通过构建LUR模型模拟PM2.5浓度分布图与实际监测站点监测得到的PM2.5浓度分布图之间的差异，由此验证本研究构建的LUR模型是否与实际模拟相符合。

在汾渭平原的南部和东部地区PM2.5污染较严重，西北部地区PM2.5污染相对较低(图2)。高值区大多分布在陕西省西安、咸阳、渭南西南部、宝鸡东部地区，PM2.5浓度值为53.56 μg/m3；低值区主要集中在山西省临汾、吕梁、运城地区，PM2.5浓度值为24.28 μg/m3。LUR模型对研究区PM2.5浓度空间分布具有一定程度的解释能力，与实际PM2.5浓度空间分布基本一致。PM2.5污染浓度从南向北逐渐降低；污染严重的南部与东部地区地形以平原为主，经济发展迅速，交通设施齐全，人口分布密集，而陕西、山西冬季燃煤，天然气供暖也会导致空气污染严重，而且汾渭平原南部，东部分别为秦岭和太行山山脉，北部和西部为黄土高原，“四面高中间低”不利于污染物的自然扩散；污染较轻的地区，海拔相对较高，多山地，人口稀疏，经济水平相对低，空气质量优良。

图2 汾渭平原2018年PM2.5浓度空间分布

4 结论与讨论

本研究基于2018年汾渭平原61个监测站点PM2.5浓度数据，考虑自然气象，社会经济等多种因素，考察PM2.5污染的最优驱动因子，构建了土地利用回归模型，对PM2.5的空间分布进行了模拟预测。结果表明：

(1)人类活动、社会经济和自然气象因素都对PM2.5污染有显著影响，其中夜间灯光、污染源、蒸发和气温与PM2.5浓度呈正相关；湿度、风向、边界层高度、降水和土地利用的林地、草地与PM2.5浓度呈负相关。人类活动的相关性最强，NO2达到0.690。

(2)土地利用回归模型对汾渭平原地区的PM2.5污染具有较好的模拟预测效果，通过模拟值与真实值的线性回归检验，R2为0.8095。

(3)由土地利用回归模型反演汾渭平原PM2.5污染浓度分布可知，陕西省西安、咸阳、宝鸡东部、渭南西南部地区的PM2.5污染比较严重；山西省临汾、吕梁，运城地区污染程度较轻，整体上PM2.5浓度呈南向北逐渐降低的趋势。

LUR模型被认为是预测空气污染物浓度空间变化的合适方法之一，本文对汾渭平原2018年PM2.5浓度的模拟预测与实际情况基本一致。说明了LUR模型对于跨区域研究的可行性。但LUR模型的使用过于单一，未来可以结合机器学习，深度神经网络，随机森林算法等进行模型的完善与改进。LUR模型对大气污染模拟预测的研究全面且准确，可以为未来大气污染治理提供更精准的参考依据。