基于GIS技术与LUR模型的福州市核心区污染物时空动态及其影响因素

杨 柳, 张兰怡, 胡喜生, 邱荣祖

(福建农林大学交通与土木工程学院,福建 福州 350002)

随着我国城市化进程的不断加快，城市大气污染问题逐渐成为研究热点[1,2].为了更好地模拟区域尺度的大气污染浓度的时空分布，国内外学者提出了许多研究方法，如污染物—气象逐步回归模型[3]、扩散模型[4]、大气数值模拟技术[5]，但上述方法对数据精度的要求高，难以获得小范围内污染物浓度的空间变化.与上述方法相比， LUR模型[6]具有明显的优势，数据精度要求相对低，模型构建简单，且能充分反映小尺度污染物浓度的空间分异，该模型在近年来逐渐受到关注[7-14].XU et al[15]利用LUR模型结合卫星遥感和普通克里金法，研究中国PM2.5和NO2的空间分布，结果表明80%中国人口生活在超过PM2.5标准的地区.阳海鸥等[16]探索了城市土地利用与大气污染相耦合的新思路，利用LUR模型研究不同功能区大气污染物分布.

福州市空气质量较好，但与国际标准相比还存在一定差距.本研究以福州市城市核心区为研究区域，根据各监测点获得的污染物数据和影响其空间分布的因素，以污染物浓度作为因变量，利用GIS获取的研究区域内道路交通、土地利用、人口密度、工业污染源等数据作为自变量建立回归模型，探讨各因素对污染物浓度的影响，分析城市污染物时空分布规律，为福州市城市中心区大气污染防治提供参考.

1 研究区概况

福州市地处北纬25°15′—26°39′，东经118°08′—120°31′，位于福建省东部、闽江下游及东海之滨.福州属于典型的河口盆地，四周被群山峻岭所包围，海拔600～1 000 m，城市面积1 219.37 km2，包括鼓楼、台江、仓山、晋安、马尾、长乐等6个区，常住人口达390.5万人.福州属于亚热带季风气候，年均降雨量900～2 100 mm，年均气温20～25 ℃，年均相对湿度约77%;森林覆盖率约57.8%，绿化程度高达88.6%.2017年福州市民用车辆拥有量达143.07万辆，市区公路通车里程为642.63 km.

福州市区共设6个国家环境监测控制点，根据较为密集的4个监测点(点1～4)确定研究区域，如图1所示.福州市为城市核心区，覆盖了晋安区、鼓楼区、台江区和仓山区部分地区，鼓楼区作为福州市文化中心，名胜古迹及自然景观也较多，带动该区经济的发展，居民区密集，路网发达；晋安区和台江区等主要为福州商贸中心，人流量较大，其旅游景点也较多；仓山区近年来逐渐发展起来，路网渐渐密集，居住人口也逐年上升，工业区也较多，因此产生的工业污染也较多.污染物(CO、NOx等)数据为2017年1月1日至2017年12月31日的监测数据，监测频率为每5 min 1次，全年采集数据约10万个.由于福州市四季温度变化不明显，根据气温与污染物浓度变化趋势将污染物数据分为暖季(5—7月)和冷季(11—翌年2月)进行分析[17].数据来源于福州市环保局官方网站http://hbt.fujian.gov.cn/.本研究以站点周边缓冲区各影响因素分布的形式来体现模型自变量[18]，考虑到监测站点数量及分布情况，基于文献[19]本研究的缓冲区半径设为500 m、1 km、1.5 km和2 km 4种.

1.1 道路交通数据

路网数据是基于Landsat TM数据，并通过Google Earth矢量化后得到.近年来，机动车尾气污染也逐渐成为城市主要污染源之一，道路交通污染问题不容忽视.在建模过程中道路交通数据通常较笼统地以一定范围内道路总长[18]表示，而在实际中不同等级道路的实际交通量往往存在很大差异，即使同一等级不同路段之间也可能存在较大差别，因此采用上述方法并不能完全表征某一范围内的交通污染排放.机动车尾气排放和道路扬尘排放主要与车流量和道路类型有关，因此本文采用基于交通量与道路类型的机动车污染物排放“标准道路长度”的方法[20]，即假设存在这样一条虚拟道路，该道路的单位长度计为单位标准道路长度，其交通流量定义为标准交通量.而道路折算系数是将不同类型道路的实际长度转化为标准道路长度的折算系数，其大小是对应类型的道路实际交通流量和标准交通流量的比值.采用该方法可进一步探究道路交通带来的污染，提高机动车污染物排放空间分配方法精度，同时也可提高模型精度.本文基于交通量与道路系统机动车污染物排放的“标准道路长度”空间分配的方法，以离主要道路距离来表征机动车污染排放.“标准道路长度”计算方法表示如下：

(1)

式中，k(k=1,2,3,4；1为快速路，2为主干道，3为次干道，4为支路)为道路类型；UWk为城市第k种道路类型的路段道路折算系数；UTFk为城市第k种道路类型路段的交通流量；STF为标准交通流量，为自定义常量.

运用ArcGIS 10.0，以监测点为中心建立不同半径(500 m、1 km、1.5 km、2 km)缓冲区；采用空间叠置分析法统计不同缓冲区内不同类型道路的总长，再结合不同类型道路的实际交通量及标准交通量计算不同缓冲区内的标准道路长度；并计算各监测站点离主干道的最近距离.

1.2 遥感数据

遥感影像数据来源于中国科学院资源环境科学数据中心(http://www.resdc.cn)，经拼接、裁剪和坐标变换等预处理后，利用ENVI结合监督分类和目视解译将影像解译为耕地、林地、草地、水域、城市用地、未开发用地六大类，空间分辨率为30 m.考虑到其他用地对研究区域内污染物的影响较小，将土地利用类型分为植被、水体、建设用地三大类.将土地利用栅格数据导入ArcGIS中，同样以监测点为中心建立不同半径(500 m、1 km、1.5 km、2 km)缓冲区，通过空间叠置分析分别统计缓冲区内3种土地利用类型的面积.

1.3 人口数据

福州市人口多，本研究参考文献[16]中的方法，通过研究区域内的行政区(仓山区、鼓楼区、晋安区、马尾区、台江区)总人口数及总建设用地面积求得各行政区平均人口密度；先利用ArcGIS计算出各监测点缓冲区内的建设用地面积，再进行计算[21]，具体公式表示如下：

(2)

式中，RD为缓冲区内人口密度；TP为行政区总人口数；TA为行政区总建设用地面积；RA为缓冲区内建设用地面积；A为缓冲区面积.

1.4 气象数据

采用福州市2017年1月至12月每隔1 h的气象数据(气温、湿度、降雨量)，统计出气象数据的月平均值，探究其与污染物浓度的关系.数据来源于中国天气网http://www.weather.com.cn/.

1.5 工业污染源

工业污染排放也是污染物的重要来源，从福建省重点污染源信息综合发布平台(http://wryfb.fjemc.org.cn)获取了主要的废气排放企业的名单及地址，各监测站点主要处于城市核心区，工业污染源较为稀疏，部分监测点半径1.5 km范围内无工业污染源，且理论上最大缓冲半径与污染源和污染物的扩散模式有关[22].梁娟珠等[23]研究表明，通过对福州市内实测站点各大气污染物浓度作地学统计分析，确定2 km为比较合适的抽样间隔.因此，通过研究空间尺度、其他建模数据的空间分辨率[24]，将工业污染源的研究半径取值2 km，即以各监测站点2 km范围内的工业污染源个数作为反映工业污染源对监测站点影响的指标.

2 LUR模型的构建

采用时间序列的污染物浓度数据与地理相关变量分别进行双变量相关性分析，识别出与污染物浓度相关性最高的目标地理要素，对识别出的地理要素与对应的污染物浓度进行多元线性回归分析，得到多元线性回归方程；然后在研究区域内生成1 km×1 km的均匀网格，以每个网格中心作为预测点，计算各个预测点的相关地理变量值，经过标准化处理计算各个网格点相应的污染物浓度估计值，通过空间插值得到研究区域内污染物浓度空间分布模拟图，其流程图如图2所示.

2.1 影响因素的选取

地理变量分别由道路交通、土地利用、人口密度和气象因素衍生而来.自变量缓冲区均设置为500 m、1 km、1.5 km、2 km.各个类型变量设置见表1，共28个子变量作为预测变量.

2.2 变量相关性分析

利用Pearson系数进行双变量相关性分析，识别出与各污染物浓度在暖季和冷季相关性较高的变量，即通过相关性检验的变量(P<0.05)，以及最高排序变量，再去除每个子类别中与最高排序变量相关的变量(Pearson检验r>0.6)，剩余变量进行Stepwise线性回归,构建LUR模型.

2.3 模型构建

本研究采用如下线性回归方程：

W=α0+∑αi×Xi

(3)

式中，W为大气污染物浓度；α0为常数，αi(i=1,2,…,n)为待定系数；Xi(i=0,1,…)为自变量.

根据污染物浓度数据和变量数据建立模型，具体算法包括以下步骤：将符合要求的变量进行逐步回归分析，进一步剔除不同类别变量之间的共线性，并将不满足t检验(P>0.05)的变量剔除，重复上述步骤，得出最优回归模型.

2.4 回归映射

在得到最优回归模型后，根据模型得到非监测点的污染物浓度模拟值，并将模拟值导入ArcGIS中，利用克里金插值法模拟研究区域内各污染物空间分布，实现污染物空间分布的可视化.

2.5 模型检验

通过回归映射结果得到各监测点的平均模拟浓度，并计算各监测点的误差率.

(4)

式中，E为误差率；S为根据回归映射得到的污染物浓度模拟值；M为污染物浓度监测值.

3 结果与分析

3.1 污染物平均浓度

从图3可以看出，各个监测点的污染物浓度的变化趋势趋于一致，CO浓度为0.401～0.859 μg·m-3，NOx浓度为12.548～63.097 μg·m-3，位于晋安区的紫阳监测点NOx、CO的平均浓度值最高，师大、杨桥西次之.从时间上看，5—8月各污染物浓度较低，11—翌年2月浓度较高.

3.2 相关性分析

通过Pearson相关性分析，分析了28个变量和污染物的相关性，得出污染物与变量的Pearson系数(表2).从表2可以看出，在暖季，与CO相关性较高的是500 m范围内建设用地面积，其次是2 000 m范围内植被面积；与NOx相关性较高的是500 m范围内植被面积，其次是2 000 m范围内标准道路总长.在冷季，与CO相关性较高的是1 000 m范围内建设用地面积，其次是2 000 m范围内植被面积；与NOx相关性较高的是道路距离，其次是500 m范围内的植被面积.

根据模型的设置将模型变量按其与污染物浓度的相关性进行排序，找出每个子类别中排序最高的变量；再对各个子类别所包含的变量和对应的最高排序变量进行相关性分析，剔除最高排序变量Pearson系数大于0.6的变量，最终得到与各污染物相关性较高并进入多元线性回归的变量(表3).

3.3 多元线性回归分析

将上述相关性较高的地理相关变量进行标准化处理.以污染物浓度为因变量，以地理相关变量为自变量进行逐步多元线性回归，构建多元线性回归方程.

从表4可知，R2均较大，即模型拟合情况很好，解释能力较强.对回归方程进行F检验，在显著水平α=0.05下均通过F检验.

3.4 回归映射

将进入回归模型的变量的1 km×1 km栅格数据代入方程，并进行回归映射，得出研究区域污染物浓度空间分布情况(图4～5).

表2 双变量相关性分析1)

1)*和**分别表示相关系数达到0.05和0.01的显著水平.

表3 污染物与高相关变量

根据回归映射结果得到各监测点模拟浓度值.本研究随机选取6月份及1月份的污染物数据进行检验，各监测点的误差率如表5所示，污染物CO的平均绝对误差率为7.51%，污染物NOx的平均绝对误差率为12.51%，说明构建的LUR模型误差小，可以精确地进行研究区污染物浓度估计.其中误差最大的为NOx1月份快安站预测值，该点处于山体与居民区之间，受二者相互影响，污染物扩散较为复杂.

3.5 回归映射

从暖季和冷季两个时期的浓度分布图(图4)可知，CO浓度在暖季时期为0.385～0.839 μg·m-3，均值为0.609 μg·m-3；在冷季时期为0.630～0.803 μg·m-3，均值为0.721 μg·m-3.CO浓度均呈现由外向内逐渐升高的趋势，浓度空间梯度变化明显，且浓度高值区域分布相似.浓度高值区主要分布于鼓楼区、台江区和仓山区部分地区，通过分析路网信息和土地利用数据发现，该区域路网密集，植被面积相对较少，土地利用类型主要为建设用地面积，说明频繁的交通活动和居民活动会导致CO浓度升高.

NOx在暖季时期浓度为17.376～37.507 μg·m-3，均值为26.875 μg·m-3；冷季时期浓度为32.702～55.676 μg·m-3，均值为41.101 μg·m-3.在暖季，NOx浓度自南向北逐渐增大，并呈现由左至右逐渐升高的趋势.高浓度区域主要分布于鼓楼区、晋安区和台江区，仓山区浓度偏低.鼓楼区、晋安区和台江区的道路密度、人口密度均较大，机动车尾气污染及人类活动产生的污染相对较大，进一步造成污染物的产生.在冷季，NOx高浓度区主要集中于鼓楼区和仓山区，其浓度呈现由右至左逐渐升高的趋势；而在暖季位于台江区的高浓度区在冷季则为低浓度区，通过分析发现该低浓度区路网相对稀疏，道路交通产生的污染源相对较少.位于仓山区的高浓度区路网虽更为稀疏，但NOx浓度偏高的原因可能是该区域工业污染源较多，说明该区域工业污染较为严重.

表4 土地利用回归模型结果

表5 监测点污染物浓度拟合结果

4 小结

通过相关性分析筛选出与污染物浓度相关性较大的地理相关变量，建立了污染物浓度模拟的LUR模型，并基于该模型以及空间插值法得到了较高分辨率的福州市城市核心区暖季和冷季污染物浓度的空间分布图.本研究结果表明：

(1)在暖季，与CO、NOx浓度相关性最高的分别是缓冲区(500 m)的建设用地面积和植被面积，Pearson系数均为0.962；在冷季，与CO浓度相关性最高的是1 000 m范围内建设用地面积，Pearson系数为0.922；与NOx浓度相关性最大的是道路距离，Pearson系数为-0.732.

(2)CO的LUR模型R2在暖季和冷季分别为0.972和0.784，NOx的LUR模型R2在暖季和冷季分别为0.998和0.969，且上述模型均通过F检验，模型回归效果显著，符合研究区域污染物浓度分布的实际情况，具有一定的指导意义.

(3)对比各污染物空间分布发现，CO高浓度区主要集中于鼓楼区、台江区和仓山区，NOx高浓度区主要集中于鼓楼区和台江区.