环境科学研究  2017, Vol. 30 Issue (4): 499-509  DOI: 10.13198/j.issn.1001-6929.2017.01.75

引用本文  

杨昆, 王桂林, 杨扬, 等. 昆明市不透水表面扩张与PM2.5质量浓度变化相关性分析[J]. 环境科学研究, 2017, 30(4): 499-509.
YANG Kun, WANG Guilin, YANG Yang, et al. Association Between Impervious Surface and PM2.5 Concentrations in Kunming, China[J]. Research of Environmental Sciences, 2017, 30(4): 499-509.

基金项目

国家高技术研究发展计划(863)项目(2012AA121402);高等学校博士学科点专项科研基金项目(20115303110002);国家自然科学基金项目(41561086);科研创新基金(yjs201580)

责任作者

王桂林(1986-), 女, 江西上饶人, 博士, 主要从事城市环境研究和城市地理系统研究, kawgl@126.com

作者简介

杨昆(1963-), 男, 云南昆明人, 教授, 博导, 主要从事城市环境研究, kmdcynu@163.com

文章历史

收稿日期:2016-07-07
修订日期:2016-12-16
昆明市不透水表面扩张与PM2.5质量浓度变化相关性分析
杨昆1,2 , 王桂林2,3 , 杨扬2,3 , 罗毅1,2     
1. 云南师范大学信息学院, 云南 昆明 650500;
2. 云南师范大学西部资源环境地理信息技术教育部工程研究中心, 云南 昆明 650500;
3. 云南师范大学旅游与地理科学学院, 云南 昆明 650500
摘要:为分析城市化进程导致的城市生态环境问题,采用不透水表面覆盖率(impervious surface coverage,ISC)作为宏观地理指标表征昆明市城市化水平,以ρ(PM2.5)反映城市化进程带来的大气环境问题,基于不同空间尺度和空间数理统计研究了ISC与ρ(PM2.5)的对应关系.结果表明:2000-2015年,昆明ISC从9.36%增至16.37%,ρ(PM2.5)年均值从17.12μg/m3增至28.63μg/m3,并且二者空间分布总体一致.从乡镇尺度分析,乡镇ρ(PM2.5)和ISC具有显著空间自相关性,二者2015年Moran's I指数分别为0.58和0.29(P < 0.001),具有显著正相关性(R2=0.803,P < 0.001).当乡镇ISC>5%时,有58.14%(25/43)的乡镇已污染[ρ(PM2.5)>25μg/m3];当乡镇ISC>10%时,有71.43%(25/35)的乡镇已污染;当乡镇ISC>25%时,有100%(26/26)的乡镇处于污染状态;但当乡镇ISC < 5%时,所有乡镇的ρ(PM2.5)都低于25μg/m3.从站点尺度分析,所有站点旱季比雨季污染严重;主城区站点(ISC高)比城郊区站点(ISC低)污染严重,其中前者季节变化为冬天>春天>秋天>夏天,后者为春天>冬天>夏天>秋天;站点缓冲区ISC与ρ(PM2.5)的相关性显著(R2=0.893,P < 0.001).研究显示,未来中国新型城市化建设中应当考虑城市不透水表面比例和空间分布,保证新型城市拥有足够的绿色空间,建设生态城市.
关键词不透水表面覆盖率    PM2.5污染    城市化    环境效应    
Association Between Impervious Surface and PM2.5 Concentrations in Kunming, China
YANG Kun1,2 , WANG Guilin2,3 , YANG Yang2,3 , LUO Yi1,2     
1. School of Information Science and Technology, Yunnan Normal University, Kunming 650500, China;
2. Engineering Research Center of GIS Technology in Western China of Ministry of Education, Kunming 650500, China;
3. School of Tourism and Geographic Sciences, Yunnan Normal University, Kunming 650500, China
Abstract: In order to understand the effects of urbanization on the Earth's ecosystem, the impervious surface coverage(ISC) has been recognized as a geographical indicator to reflect the intensity of human development activities with rapid urbanization.The PM2.5 pollution is used to indicate air quality.The relationship between ISC and PM2.5 pollution was explored with two levels based on spatial statistics.From 2000 to 2015, the ISC in Kunming increased from 9.36% to 16.37%, while the PM2.5 concentration increased from 17.12 μg/m3 to 28.63 μg/m3.The spatial distribution of the PM2.5 aggravation was consistent with the impervious surface expansion in Kunming.The growth of ISC in the southeast(11.56 to 25.78%) was greater than that in the northwest(2.12 to 5.15%), and the increase of PM2.5 concentration in the southeast(21.37 to 36.75 μg/m3) was also greater than that in the northwest(4.56 to 10.65 μg/m3).The relationship between ISC and PM2.5 concentrations was explored at the town level and the station level.The impervious surface and the PM2.5 pollution in Kunming both had significant spatial autocorrelation between the towns with Moran's Index of 0.29 and 0.58(P < 0.001), respectively.For towns' ISC greater than 5%:58.14%(25/43) of the towns were degraded; for ISC > 10%:71.43%(25/35) of the towns were degraded; for ISC > 25%:100%(26/26) of the towns were degraded.In contrast, for towns with ISC < 5%:none of the towns were degraded.With the least square method, the results showed a good fitting(R2=0.803, P < 0.001) between the towns' ISC and PM2.5 concentrations.Moreover, at the station level, the relationship between ISC of the stations' buffer(2000 m) and PM2.5 concentrations were explored(R2=0.893, P < 0.001) with Pearson's Correlation, indicating ISC has strong association with PM2.5 concentration.Thus, the proportion and spatial distribution of impervious surface should be considered in National New-Type Urbanization Development, making cities surrounded by enough green belt and water areas.
Keywords: impervious surface coverage    PM2.5 pollution    urbanization    environmental effect    

不透水表面(impervious surfaces)作为一种典型的城市地表覆盖组分,是指一种由不透水性材料构造的人为地表,主要包括建筑物屋面系统和交通运输系统,如房顶、广场、道路、停车场等.中国近30年改革开放以来,城市化进程越来越激烈,越来越多的人口涌入城市生活,为满足城市人口、经济需求,城市不断往四周蔓延,人工地表不断扩张,即不透水表面不断增加.国内外的诸多研究表明,不透水表面扩张对城市生态系统[1]、水文循环[2]、水质[2]、大气环境[3-4]和城市热岛[5]等有显著的影响,已经成为城市生态环境问题的重要指标[6].假如说“人口”、GDP是城市的软件,具有“流动性”和“不稳定性”,对城市的影响具有短暂性,不能准确量化城市化水平,那么城市不透水表面则是城市的“硬件”,其对城市生态系统具有永久性影响[7].不透水表面的扩张改变了城市生态系统的结构,破坏了地表系统的自然生态功能,导致城市大气环境恶化,生物多样性减少和水环境退化等;ISC能够综合反映人类开发活动强度,且易于用遥感技术大范围提取和量化,能够定性和定量地反映人类活动对陆地生态系统影响.该研究采用ISC作为可量化地理空间指标来研究近年来快速城市化的大气环境效应.目前,ISC作为一种城市指标来研究城市生态环境的研究主要应用在水环境[6]、城市热环境[4, 8-10],把不透水表面应用于大气环境效应还处于探索阶段.早在1996年,Arnold等[6]研究表明,采用ISC作为一个城市化指标来分析城市化带来的水环境污染问题,认为ISC能够有效地解析一系列复杂的城市环境问题.Bierwagen等[1]研究表明,美国马里兰流域不透水表面扩展影响流域径流、水渗透能力、水质状况,认为当子流域ISC>25%时,其流域水质明显退化,并且如果不加以控制,其将带来不可逆转的生态破坏.美国国家环境保护局[11]研究表明,美国北卡罗来纳州流域的子流域ISC与水质呈显著负相关,当子流域ISC>10%时,有62%的监测站点的水质下降;当ISC>15%时,有78%的监测站点水质下降;当ISC>25%时,有83%的监测站点水质退化;当ISC>30%时,有91%的站点水质退化.相反,当ISC<10%时,只有10%的站点水质下降.把ISC用来研究城市空气质量的研究有:Larkin[12]研究表明,城市扩张与城市NO2浓度呈显著相关性,认为城市规划和土地利用政策对区域空气污染具有巨大影响.Heald等[13]研究表明,人工地表-不透水表面扩张影响城市景观、搅动能量循环、空气湿度、化学通量和影响地表气候,认为其对地表O3约有±5 μg/m3的搅动作用.Han等[14]研究表明,城市不透水表面对空气污染具有很大的影响,认为一定区域内,ISC越大,空气污染越严重.

研究[12-16]表明,不透水表面对城市大气环境产生影响的原因:① 不透水表面扩张改变区域能量平衡和气候循环,直接改变地表污染物与大气层的气流交换,影响大气污染的扩散、稀释和汇集;② 不透水表面格局几乎控制整个城市空气动力学粗糙度,影响区域气候;③ 形成城市“热岛”效应;④ 改变城市地貌形态;⑤ 大部分人类活动都集中在不透水表面上,间接综合各种人类开发活动的强度.目前研究主要把ISC作为一个城市特征来研究其与城市空气污染的相关关系,该研究以ISC作为一个可控、可量测的宏观地理指标来研究城市化进程中城市下垫面的改变导致的生态环境问题,认为不透水表面扩张是人类改变自然的一个最直接的行为方式,其直接改变地表结构导致区域下垫面结构发生变化,进而影响区域风场[17]、温度场、气流、大气边界层的改变[18],形成大气逆温层,阻碍大气污染物的扩散,使得局地污染物浓度持续居高不下,是研究城市大气环境的一个重要指标.中国PM2.5污染严重且对人类健康危害巨大,因此以ρ(PM2.5)来表征城市空气质量,以此来研究城市化带来的城市大气环境效应.现在对PM2.5污染的研究主要集中在源解析[19-20]、化学组分[21]、与气象条件的关系[22]、污染时空分布特征[23-24]等,并主要集中在京津冀[25]、长三角[26-28]、珠三角[29]、川渝[30-31]等污染严重地区,而研究中国西部污染相对较少.其中毕丽玫等[32]研究表明昆明市主城区的PAHs主要来源于机动车尾气排放、燃煤排放、生物质燃烧等.尚未有文献分析昆明市城市化过程中不透水表面扩张与PM2.5污染的相关关系.该研究以昆明市为例从不透水表面扩张的视角,探索了城市化进程中不透水表面扩张与城市PM2.5污染的相关关系,即用ISC表征昆明市城市化水平程度,用PM2.5污染代表大气污染指标,来挖掘这二者之间的关系,得出ISC与PM2.5相关性显著.

1 研究区概况与数据

由于独特的区位优势,昆明市近几年城市化发展迅速,滇池已因城市化而被严重污染,引起了国家高度重视,但昆明大气环境污染还没有引起广泛关注.相比于中国其他污染严重的区域,昆明市空气质量相对较好.通过环境保护部按小时发布的空气质量数据,得出昆明市71.43%站点的ρ(PM2.5)年均值高于GB 3095—2012二级标准(35 μg/m3)[33],全部站点的ρ(PM2.5)年均值都没有达到世界卫生组织(WHO)标准(10 μg/m3)[34],昆明的空气污染也已经进入我们的生活,昆明市空气污染需要及时预防,而不是先污染,后治理.研究区示意图见图 1.

注:底图采用云南省1:25万矢量地图,来源于云南省测绘地理信息局.DEM数据是采用国家1:5万30 m分辨数据,来源于国际科学数据服务平台(http://datamirror.csdb.cn), 下载日期:2015年11月2日. 图 1 研究区PM2.5自动监测站点分布 Figure 1 The spatial distribution of automatic PM2.5 monitoring stations in study area
1.1 空气质量数据

昆明市空气质量浓度数据包括:地面实时监测数据和遥感影像提取数据.地面实时监测数据来自于国家环境保护部按小时发布的空气质量数据(来源于http://pm25.in).主要有7个国家空气质量自动监测站点(见表 1),数据收集时间为2013年4月2日到2016年6月2日,共有3年2个月的每h质量数据,国家监测的主要污染物包括PM2.5、CO、NO2、O3、SO2、PM10,以及相应的24 h污染物浓度数据,外加AQI指数.该研究采用ρ(PM2.5)数据,根据空气质量自动监测点的经纬度,生成点图层数据,形成与昆明市土地利用分类数据一样的空间数据,以便分析站点周边土地利用格局和结构对ρ(PM2.5)的影响.

表 1 昆明监测点信息 Table 1 The station information of Kunming

虽然地面自动监测数据具有实时性、准确性,但是地面空气质量自动监测站点稀少零散,监测成本高,难以大范围地获取区域空气质量数据.为了弥补这个缺点,该研究采用了基于大气层反射率的优化算法[35-36],利用MODIS(Moderate Resolution Imaging Spectroradiometer)数据,反演了2000—2015年的ρ(PM2.5)空间分布,空间分辨率为0.01°,其反演结果与地面监测数据具有较高的相关性(R2=0.82),该数据来源于美国大气成分分析组(Group,http://fizz.phys.dal.ca/~at-mos/martin).由于地面监测站点的数据收集在2013年4月—2016年6月期间,只有2014年和2015年有全年的监测数据,因此该研究对2014年和2015年的昆明市7个监测站点的观测值以及MODIS反演值的差异进行分析(见表 2).

表 2 监测站点ρ(PM2.5)观测值与反演值对比分析 Table 2 Compare the simulation value with monitoring value

图 2可以看出,昆明市MODIS反演的ρ(PM2.5)与地面监测值高度相关,虽然没有达到一直的效果,有一定的误差(见表 2).但是二者具有很高的相关性,模拟结果符合实际情况,符合实验精度要求.昆明市MODIS反演的ρ(PM2.5)空间分布见图 3,由于篇幅以及不透水提取的数据有限,这里只展示2000年、2005年、2008年、2010年、2013年、2015年的空间分布图.

图 2 2014年ρ(PM2.5)模拟值与监测值的相关性分析 Figure 2 The relationship between the monitoring value and the simulation value in 2014

图 3 昆明市ρ(PM2.5)时空变化趋势 Figure 3 The change of the PM2.5 concentration in Kunming

图 3可以看出,昆明已经不再是人们以为的“春城”,PM2.5污染一样地袭击该城,并出现越演越剧烈的趋势.昆明市东南地区明显高于西北区域.2015年,整个昆明的南边区域都处于轻度污染水平.因此,研究昆明市大气环境污染的意义重大,要把PM2.5污染扼杀在摇篮里,而不是等到跟华北平原污染一样严重的时候才来治理,要预防在先.下面章节依据PM2.5空间分布数据,采用空间分析工具(分区统计)计算昆明市各乡镇从2000年到2015年ρ(PM2.5)变化,充分发挥MODIS数据的多时相、大尺度、连续性的优势以及地面监测站监测数据的实时性、准确性的优点.

1.2 土地利用数据

该研究选用2000年3月21日、2005年4月9日、2008年3月1日、2010年3月11日的Landsat/ETM+以及2015年4月3日的Landsat 8+OLI遥感影像数据,采用监督分类方法提取昆明市土地利用数据:建筑用地;林地;草地;水体;裸地〔见图 4(a)〕.采用混淆矩阵对土地利用分类数据进行精度验证,表明分类结果可靠(见表 3).根据土地利用数据计算昆明市的ISC空间分布〔见图 4(b)〕.

图 4 2015年昆明市土地利用分类数据和ISC空间分布 Figure 4 The land use and land cover and the spatial distribution of ISC in Kunming, 2015

表 3 昆明市土地利用分类精度评价表 Table 3 The precision evaluation of the Land use and land cover classification
2 ISC和PM2.5时空耦合关系 2.1 ISC与PM2.5时空演变

昆明市ISC从2000年的9.36%增至2015年16.37%,ρ(PM2.5)年均值从2000年的17.12 μg/m3升至2015年的28.63 μg/m3,二者变化趋势一致(见表 4).昆明市2000—2008年以来,城市化发展迅速,不透水表面扩张速度较快,相对于2008—2015年,其发展速度快了1倍.同理,两个时期的ρ(PM2.5)增长模式与ISC总体相似.ρ(PM2.5)的最高值从2000年的17.12 μg/m3增至2015年的28.63 μg/m3,增长了11.51 μg/m3,增长率为67.23%.ρ(PM2.5)空间分布表明昆明市所有乡镇没有达到WHO标准.

表 4 2000—2015年昆明市ISC与ρ(PM2.5)变化 Table 4 The trends of the ISC and PM2.5 concentraton during 2000 to 2015

2000年昆明市有55.47%(76/137) 的乡镇达到中国目标Ⅰ标准(15 μg/m3),到2005年只有10.22%(14/137) 达到该目标,到2010年只有7.3%(10/137) 的乡镇满足该标准,到2013年,只有1个乡镇满足中国目标Ⅰ标准.因2013年,中国PM2.5污染引起了高度关注,各种企业开始控制排放,因此相对于污染最为严重的2013年,2015年的PM2.5污染有所减缓.在时空分布上,昆明市主城区ISC最高,其次是不透水表面围绕主城区向东南、东北方向蔓延和增长.ρ(PM2.5)也是往东南、东北方向扩散、加剧.2000—2015年,昆明市东南区的ISC(从11.56%增至25.78%)比西北地区(从2.12%增至5.15%)增长的快(见图 5).ISC快速增长区域往往也伴随着快的PM2.5增长,东南区的ρ(PM2.5)(从21.37 μg/m3增至36.75 μg/m3)的增长快于西北地区(从4.56 μg/m3增至10.65 μg/m3)(见图 6).昆明市ISC和ρ(PM2.5)时空演变规律总体保持一致.

图 5 2000—2015年昆明市乡镇ISC时空变化趋势 Figure 5 The spatial distribution of ISC changes at the town level during 2000 to 2015

图 6 2000—2015年昆明市乡镇PM2.5时空变化趋势 Figure 6 The spatial distribution of PM2.5 concentration changes at the town level during 2000 to 2015
2.2 ISC与ρ(PM2.5)空间自相关性分析

空间计量经济学理论[37]认为,一个地区空间单元上的某一种地理现象或某一属性值与邻近地区空间单元上同一现象或属性值是相关的.徐伟嘉等[29]研究表明,采用地统计学定性、定量分析了珠三角州ρ(PM2.5)的时空变异特征,认为ρ(PM2.5)的分布差异主要由区域结构导致.该研究对2015年昆明市的乡镇ISC和ρ(PM2.5)分布数据进行空间自相关性分析,采用Moran′s I指数进行全局空间自相关性分析得出PM2.5与ISC具有明显的空间自相关性(见表 5).

表 5 Moran′s I分析 Table 5 The Moran′s I index

其中ρ(PM2.5)的Moran′s I为0.58,P<0.001,ISC的Moran′s I为0.29,P<0.001,其值都大于0,且P值通过显著性检验,表明PM2.5和ISC都具有明显的高值和低值的聚集特征,具有显著的空间自相关性.ISC和ρ(PM2.5)的高值和高值聚集于昆明主城区及其东南乡镇上,低值与低值聚集在昆明市西北区域.

3 不透水表面扩张与PM2.5污染相关性分析 3.1 乡镇尺度分析

按照2015年ρ(PM2.5)年均值,把昆明市137个乡镇划分为优(0~15 μg/m3)、良(>15~25 μg/m3)、污染(>25 μg/m3)三个等级的乡镇群;基于空间叠加统计分析获得各级别乡镇群的ISC(见表 6).

表 6 2015年昆明乡镇PM2.5污染级别与ISC Table 6 The ISC of different PM2.5 concentrations

昆明市所有乡镇都没有达到世界卫生组织标准(10 μg/m3);只有32.11%(44/137) 满足的乡镇满足中国过渡目标Ⅰ标准(15 μg/m3);高达15.25%(25/137) 的乡镇处于污染状态.ρ(PM2.5)<15 μg/m3的乡镇群的ISC均值为0.34%;ρ(PM2.5)处于15~25 μg/m3之间的乡镇群,其ISC均值为5.29%;而ρ(PM2.5)>25 μg/m3所对应的ISC均值高达71.39%.结论表明,在城市化进程中,ISC与ρ(PM2.5)呈显著正相关.

此外,把昆明市137个乡镇按照2015年的ISC划分为不密集(0%~5%)、轻度密集(>5%~10%)、密集(>10%~25%)、非常密集(>25%)4个等级的乡镇群;通过空间分区统计各等级乡镇群的ρ(PM2.5)平均值(见表 7).

表 7 2015年昆明乡镇ISC级别与PM2.5污染 Table 7 The PM2.5 concentrations of different ISC levels

结论表明,当乡镇ISC>5%时,有58.14%(25/43) 的乡镇已污染(>25 μg/m3);当乡镇ISC>10%时,有71.43%(25/35) 的乡镇已污染;当乡镇ISC>25%时,有100%(26/26) 的乡镇处于污染状态.结论表明,随着ISC等级的升高,其被PM2.5污染的乡镇数量也相应增长.此外,采用最小二乘法(OLS)空间回归模型,得出昆明市乡镇ISC和ρ(PM2.5)呈显著现正相关(R2=0.803,P<0.001).

3.2 空气质量监测站点缓冲区尺度分析 3.2.1 各站点ISC

昆明市空气质量自动监测站与昆明市土地利用分类图叠加(见图 7)表明,碧鸡广场、金鼎山、龙泉镇、东风东路、关上等站点位于主城区,ISC高,植被覆盖率低,人类活动密集;呈贡新区位于城郊区,建筑用地相对较低,属于新开发区;西山森林公园站点,属于清洁对照区,植被覆盖度高、ISC低.

图 7 昆明市空气质量监测站点分布图及其缓冲区(2 km)土地利用结构 Figure 7 The spatial distribution of the stations and their buffers(2 km)land use and land cover

为了分析各监测站点周边土地利用格局与其ρ(PM2.5)的相关关系,把站点缓冲区图层与2015年土地利用分类数据进行空间叠加分析,获得各站点缓冲区2 km范围内的土地利用结构,计算每个监测站点周边的ISC(见表 8).

表 8 昆明监测点周边土地利用类型 Table 8 The impervious area and vegetation area surrounding the stations

其中东风东路为市区最繁华地带,ISC最高,植被覆盖率低;呈贡新区由于是新开发的城郊,ISC对于主城区的站点来说,其ISC相对较低;西山森林公园的植被覆盖率最高,达到92.61%,其ISC仅为4.91%,各站点的ISC提取结果符合实际情况.

3.2.2 站点ISC与ρ(PM2.5)的相关性分析

依据站点缓冲区范围的ISC,把站点划分主城区(龙泉路、金鼎山、关上、东风东路、碧鸡广场)、城郊区(呈贡新区、西山森林公园).依据中国气象划分,把一年划分为冬季(12月、1月、2月)、秋季(9月、10月、11月)、夏季(6月、7月、8月)、春季(3月、4月、5月),根据各站点每小时空气质量数据,分别计算2015年各站点季节均值和年均值,分析各站点ρ(PM2.5)季节变化规律(见表 9).

表 9 2015年昆明市ρ(PM2.5)季节变化及其与ISC的关系 Table 9 The seasonal variation of PM2.5 and the relationship between ISC and PM2.5 in 2015

主城区站点的ρ(PM2.5)的季节变化是冬季>春季>秋季>夏季;而城郊区站点ρ(PM2.5)季节变化是春季>冬季>夏季>秋季.结果表明:① 主城区的站点PM2.5污染严重于城郊区站点,表明站点ISC越高,其PM2.5污染越严重.② 由于昆明分旱季(春、冬)和雨季(夏、秋),得出所有站点都是旱季污染大于雨季.③ 主城区站点与城郊区站点在旱季和雨季期间的变化规律不一样,在旱季期,主城区是冬季>春季,而城郊区是春季>冬季;在雨季期,主城区是秋季>夏季,而城郊区是夏季>秋季,这是因为主城区ISC高,人类活动密集,由于冬天气温低,使得各种跟人类活动相关的燃煤、机动车汽油等燃烧不全,导致冬天污染重于春天,同理在雨季期,秋季污染大于夏季;而在城郊区,ISC越低,受人类活动的影响越少,主要受风速、风向等影响,由于昆明春季风大,西山森林公园受其周边二条高速公路机动车排放的影响巨大(81.84%)[16]以及受西南边的安宁化工厂污染的远距离传输影响,外加大部分游客会选择春季前往西山森林公园游玩,相对较高的游客也是导致其春季浓度大于其他季节的重要原因.然后由于西山森林公园ISC最低(4.91%),植被覆盖率高(92.61%),其ρ(PM2.5)相对于其他站点来说,总体浓度也是最低.主城区之东风东路、关上、金鼎山站点是昆明市ρ(PM2.5)最高的3个站点,分别为39.17、37.81、35.95 μg/m3,均远高于ρ(PM2.5)年均中国二级标准(25 μg/m3),同样这3个站点的ISC也名列前三,分别为91.95%、80.16%、79.80%,二者变化趋势一致.城郊区之呈贡新区站点的ISC相对较低,ρ(PM2.5)比主城区的站点低.

此外,采用线性回归模型,对各站点ρ(PM2.5)年均值和缓冲区(2 km)内ISC进行回归分析,得出ρ(PM2.5)年均值与ISC呈显著线性正相关(R2=0.893,P<0.001)(见图 8),不符合库兹涅茨倒U曲线关系,因为昆明市城市化发展带来的环境污染尚未达到峰值,城市环境污染还会随着城市化进程加速,不透水表面扩张而加剧,因此如何有效通过控制宏观ISC来预防城市大气污染问题显得非常重要.

图 8 昆明市站点ISC与ρ(PM2.5)年均值的线性相关关系 Figure 8 The linear relation between the stations′I SC and the PM2.5 concentrations
4 结论

a)从城市化进程中由人类开发活动主导的不透水表面扩张的视角出发,分析城市化过程带来的城市环境问题.昆明市ISC从2000年的9.36%增至2015年的16.37%,ρ(PM2.5)也从2000年的17.12 μg/m3增至2015年的28.63 μg/m3;2000—2015年,不透水表面主要围绕主城区向东南、东北方向蔓延和增长,ρ(PM2.5)也是往东南、东北方向扩散、加剧;昆明市东南区的ISC(从11.56%增至25.78%)比西北地区(从2.12%增至5.15%)增长得快.ISC快速增长区域往往也伴随着快的ρ(PM2.5)增长,东南区的ρ(PM2.5)(从21.37 μg/m3增至36.75 μg/m3))的增长快于西北地区(从4.56 μg/m3增至10.65 μg/m3).昆明市ISC和ρ(PM2.5)时空演变规律总体保持一致.

b)以乡镇为空间单元,分析昆明市乡镇ISC与ρ(PM2.5)的相关关系,充分利用ρ(PM2.5)的遥感数据大范围、多时相的优势,得出昆明市乡镇ISC和ρ(PM2.5)都有显著的空间自相关性,其Moran′s I指数分别为0.58,0.29(P<0.001),具有高值和高值聚集,低值和低值聚集特征显著.结果表明,当乡镇ISC>5%时,有58.14%(25/43) 的乡镇已污染(>25 μg/m3);当乡镇ISC>10%时,有71.43%(25/35) 的乡镇已污染;当乡镇ISC>25%时,有100%(26/26) 的乡镇处于污染状态.随着ISC等级的升高,其被PM2.5污染的乡镇数量也相应地增长.此外,采用最小二乘法(OLS)空间回归模型,得出昆明市乡镇ISC和ρ(PM2.5)呈显著正相关(R2=0.803,P<0.001).

c)昆明站点ρ(PM2.5)的季节变化规律是主城区站点ρ(PM2.5)的季节变化规律是冬季>春季>秋季>夏季;而城郊区站点ρ(PM2.5)季节变化是春季>冬季>夏季>秋季.以站点缓冲区范围2 km为空间单元,采用线性回归分析得出站点缓冲区ISC与ρ(PM2.5)呈显著线性正相关(R2=0.893,P<0.001),由于地面监测站点的ρ(PM2.5)实时性和准确性,使得站点缓冲区ISC与PM2.5线性相关系数更高.但多尺度分析都表明不透水表面扩张与ρ(PM2.5)具有显著正相关关系,表明ISC作为一个综合、可控、可量测的城市地理空间指标,能很好反映出城市化过程中,人类开发活动对PM2.5污染的影响.

d)研究表明,不透水表面扩张与PM2.5污染具有强相关性.在未来城市化建设中,可以通过分析ISC及其空间分布格局来宏观调控城市生态系统的结构和功能,为新型城镇化建设提供理论依据.

参考文献
[1]
BIERWAGEN B G, THEOBALD D M, PYKE C R, et al. National housing and impervious surface scenarios for integrated climate impact assessments[J]. Proceedings of the National Academy of Sciences of the United States of America, 2010, 107(49): 20887-20892. DOI:10.1073/pnas.1002096107 (0)
[2]
BAI P, LIU W, GUO M. Impacts of climate variability and human activities on decrease in streamflow in the Qinhe River, China[J]. Theoretical and Applied Climatology, 2013, 117(1/2): 293-301. (0)
[3]
HAN L, ZHOU W, LI W. Increasing impact of urban fine particles(PM2.5) on areas surrounding Chinese cities[J]. Scientific Reports, 2015, 5: 12467. DOI:10.1038/srep12467 (0)
[4]
GEDDES J A, HEALD C L, SILVA S J, et al. Land cover change impacts on atmospheric chemistry:simulating projected large-scale tree mortality in the United States[J]. Atmospheric Chemistry and Physics Discussions, 2015, 15(20): 29303-29345. DOI:10.5194/acpd-15-29303-2015 (0)
[5]
ADEYEMI A, BOTAI J, RAMOELO A, et al. Effect of impervious surface area and vegetation changes on mean surface temperature over Tshwane metropolis, Gauteng Province, South Africa[J]. South African Journal of Geomatics, 2015, 4(4): 351. DOI:10.4314/sajg.v4i4.1 (0)
[6]
ARNOLD C L, GIBBONS C J. Impervious surface coverage:the emergence of a key environmental indicator[J]. Journal of the American Planning Association, 1996, 62(2): 243-258. DOI:10.1080/01944369608975688 (0)
[7]
BAI X, CHEN J, SHI P. Landscape urbanization and economic growth in China:positive feedbacks and sustainability dilemmas[J]. Environmental Science & Technology, 2012, 46(1): 132-139. (0)
[8]
BOURBIA F, AWBI H B. Building cluster and shading in urban canyon for hot dry climate[J]. Renewable Energy, 2004, 29(2): 249-262. DOI:10.1016/S0960-1481(03)00170-8 (0)
[9]
CHEN L, ZHANG M, WANG Y. Model analysis of urbanization impacts on boundary layer meteorology under hot weather conditions:a case study of Nanjing, China[J]. Theoretical and Applied Climatology, 2015, 34(4): 346-352. (0)
[10]
CUI L, SHI J. Urbanization and its environmental effects in Shanghai, China[J]. Urban Climate, 2012, 2: 1-15. DOI:10.1016/j.uclim.2012.10.008 (0)
[11]
EXUM L R, BIRD S L, HARRISON J, et al.Estimating and Projecting Impervious Cover in the Southeastern United States[R].Environmental Protection Agency(EPA), 2005. (0)
[12]
LARKIN A, VAN DONKELAAR A, GEDDES J A, et al. Relationships between changes in urban characteristics and air quality in East Asia from 2000 to 2010[J]. Environmental Science & Technology, 2016, 35(12): 440-556. (0)
[13]
HEALD C L, SPRACKLEN D V. Land use change impacts on air quality and climate[J]. Chemical Reviews, 2015, 115(10): 4476-4496. DOI:10.1021/cr500446g (0)
[14]
HAN L, ZHOU W, LI W, et al. Meteorological and urban landscape factors on severe air pollution in Beijing[J]. Journal of the Air & Waste Management Association, 2015, 65(7): 782-787. (0)
[15]
XIA C, YE Y, ZHANG S, et al.Effects of Urban Construction Land Spatial Form on PM2.5 Dispersion[M]//Proceedings of the 20th International Symposium on Advancement of Construction Management and Real Estate.Springer Singapore, 2017. (0)
[16]
HAO Y, LIU Y-M. The influential factors of urban PM2.5 concentrations in China:a spatial econometric analysis[J]. Journal of Cleaner Production, 2016, 112: 1443-1453. DOI:10.1016/j.jclepro.2015.05.005 (0)
[17]
何建军, 吴琳, 毛洪钧, 等. 气象条件对河北廊坊城市空气质量的影响[J]. 环境科学研究, 2016, 29(6): 791-799.
HE Jianjun, WU Lin, MAO Hongjun, et al. Impacts of meteorological conditions on air quality in urban Langfang, Hebei Province[J]. Research of Environmental Sciences, 2016, 29(6): 791-799. (0)
[18]
尚可, 杨晓亮, 张叶, 等. 河北省边界层气象要素与PM2.5关系的统计特征[J]. 环境科学研究, 2016, 29(3): 232-333.
SHANG Ke, YANG Xiaoliang, ZHANG Ye, et al. Statistical analysis of the relationship between meteorological factors and PM2.5 in the boundary layer over Hebei Province[J]. Research of Environmental Sciences, 2016, 29(3): 323-333. (0)
[19]
方冬青, 魏永杰, 黄伟, 等. 北京市2014年10月重霾污染特征及有机碳来源解析[J]. 环境科学研究, 2016, 29(1): 12-19.
FANG Dongqing, WEI Yongjie, HUANG Wei, et al. Characterization and source apportionment of organic carbon during a heavy haze episode in Beijing in October 2014[J]. Research of Environmental Sciences, 2016, 29(1): 12-19. (0)
[20]
陈云波, 徐峻, 何友江, 等. 北京市冬季典型重污染时段PM2.5污染来源模式解析[J]. 环境科学研究, 2016, 29(5): 627-636.
CHEN Yunbo, XU Jun, HE Youjiang, et al. Model analytic research of typical heavy PM2.5 pollution periods in winter in Beijing[J]. Research of Environmental Sciences, 2016, 29(5): 627-636. (0)
[21]
云慧, 何凌燕, 黄晓锋, 等. 深圳市PM2.5化学组成与时空分布特征[J]. 环境科学, 2013, 34(4): 1245-1251.
YUN Hui, HE Lingyan, HUANG Xiaofeng, et al. Characterising seasonal variation and spatial distribution of PM2.5 species in Shenzhen[J]. Environment Science, 2013, 34(4): 1245-1251. (0)
[22]
周磊, 武建军, 贾瑞静, 等. 京津冀PM2.5时空分布特征及其污染风险因素[J]. 环境科学研究, 2016, 29(4): 483-493.
ZHOU Lei, WU Jianjun, JIA Ruijing, et al. Investigation of temporal-spatial characteristics and underlying risk factors of PM2.5 pollution in Beijing-Tianjin-Hebei Area[J]. Research of Environmental Sciences, 2016, 29(4): 483-493. (0)
[23]
王振波, 方创琳, 许光, 等. 2014年中国城市PM2.5浓度的时空变化规律[J]. 地理学报, 2015, 70(11): 1720-1734.
WANG Zhenbo, FANG Chuanglin, XU Guang, et al. Spatial-temporal characteristics of the PM2.5 in China in 2014[J]. Acta Geographica Sinica, 2015, 70(11): 1720-1734. (0)
[24]
李名升, 任晓霞, 于洋, 等. 中国大陆城市PM2.5污染时空分布规律[J]. 中国环境科学, 2016, 36(3): 641-650.
LI Mingsheng, REN Xiaoxia, YU Yang, et al. Spatiotemporal pattern of ground-level fine particulate matter(PM2.5) pollution in mainland China[J]. China Environmental Science, 2016, 36(3): 641-650. (0)
[25]
王浩, 高健, 李慧, 等. 2007-2014年北京地区PM2.5质量浓度变化特征[J]. 环境科学研究, 2016, 29(6): 783-790.
WANG Hao, GAO Jian, LI Hui, et al. Variation of PM2.5 mass concentration in Beijing Area during 2007-2014[J]. Research of Environmental Sciences, 2016, 29(6): 783-790. (0)
[26]
庄智一. 上海地区霾的统计分析研究[D]. 上海: 华东师范大学, 2012. (0)
[27]
郑玫, 张延君, 闫才青, 等. 上海PM2.5工业源谱的建立[J]. 中国环境科学, 2013, 33(8): 1354-1359.
ZHENG Mei, ZHANG Yanjun, YAN Caiqing, et al. Establishing PM2.5 industrial source profiles in Shangha[J]. China Environmental Science, 2013, 33(8): 1354-1359. (0)
[28]
王佳, 郑君瑜, 柯钊跃, 等. 典型工业源下风向居民住宅区PM2.5暴露评价[J]. 环境科学研究, 2012, 25(7): 745-750.
WANG Jia, ZHENG Junyu, KE Zhaoyue, et al. Assessment of PM2.5 exposure of residents in a community downwind of a typical industrial source[J]. Research of Environmental Sciences, 2012, 25(7): 745-750. (0)
[29]
徐伟嘉, 何芳芳, 李红霞, 等. 珠三角区域PM2.5时空变异特征[J]. 环境科学研究, 2014, 27(9): 951-957.
XU Weijia, HE Fangfang, LI Hongxia, et al. Spatial and temporal variations of PM2.5 in the Pearl River Delta[J]. Research of Environmental Sciences, 2014, 27(9): 951-957. (0)
[30]
吴健生, 廖星, 彭建, 等. 重庆市PM2.5浓度空间分异模拟及影响因子[J]. 环境科学, 2015, 36(3): 759-767.
WU Jiansheng, LIAO Xing, PENG Jian, et al. Simulation and influencing factors of spatial distribution of PM2.5 concentrations in Chongqing[J]. Environmental Science, 2015, 36(3): 759-767. (0)
[31]
彭征. 重庆市中心城区土地利用_覆盖变化及其对地表温度影响研究[D]. 重庆: 西南大学, 2009. http://cdmd.cnki.com.cn/Article/CDMD-10635-2009197953.htm (0)
[32]
毕丽玫, 郝吉明, 宁平, 等. 昆明城区大气PM2.5中PAHs的污染特征及来源分析[J]. 中国环境科学, 2015, 35(3): 659-667.
BI Limei, HAO Jiming, NING Ping, et al. Characteristics and sources apportionment of PM2.5-bound PAHs in Kunming[J]. China Environmental Science, 2015, 35(3): 659-667. (0)
[33]
环境保护部. GB 3095-2012环境空气质量标准[S]. 北京: 环境保护部, 2012. (0)
[34]
World Health Organization.Standards of the world air quality[S].Geneva:World Health Organization, 2006. (0)
[35]
VAN DONKELAAR A, MARTIN R V, BRAUER M, et al. Use of satellite observations for long-term exposure assessment of global concentrations of fine particulate matter[J]. Environmental Health Perspectives, 2015, 123(2): 135-143. (0)
[36]
BRAUER A D R M M. Global estimates of average ground-level fine particulate matter concentrations from satellite-based aerosol optical depth[J]. Environment Health Perspect, 2010, 118. (0)
[37]
Anselin L.Conclusions[M]//Spatial econometrics:methods and Models.Berlin:Springer Netherlands, 1988:253-254. (0)