阳海鸥，陈文波，梁照凤



LUR模型模拟的南昌市PM2.5浓度与土地利用类型的关系

阳海鸥1,2,3，陈文波2※，梁照凤2

（1. 江西农业大学林学院，南昌 330045； 2. 南昌市景观与环境重点实验室, 南昌 330045；3. 九江学院旅游与国土资源学院，九江 332005）

城市土地利用对城市大气污染具有重要影响，探究两者间的关系对于促进城市大气污染治理、保障人体健康具有重要意义。该研究首先利用土地利用回归（land use regression, LUR）模型模拟南昌市中心城区PM2.5浓度空间分布。其次，根据土地利用主导方式的不同，在南昌市中心城区选择商业区、工业区、居住区、教育区和对照区各5个，作为样本功能区，分春、夏、秋、冬四季统计各样本功能区PM2.5浓度，运用方差分析与多重比较法定量研究不同类型功能区四季PM2.5浓度差异。研究结果表明：1）四季LUR模型调整2分别为0.713、0.741、0.898、0.964，检验样本平均绝对误差率为12.03%，说明构建的四季LUR模型拟合情况好，可以有效地对监测点以外区域PM2.5浓度进行估计；2）功能区类型对PM2.5浓度影响显著，城市土地利用方式显著影响PM2.5浓度，且这种影响与季节无关；3）各类功能区之间PM2.5浓度差异显著水平不一致，工业区与商业区、居住区与教育区均无显著差异，工业区、商业区均与教育区和居住区有显著差异，对照区与其他4类功能区均有显著差异。该研究探索了城市土地利用与大气污染耦合的新思路，研究结果为优化城市土地利用，缓解大气污染提供参考。

模型；土地利用；方差分析；功能区；PM2.5；耦合

0 引 言

改革开放以来，中国的城市化率一直保持快速增长，由1978年的17.92%增长到2013年的53.73%[1]，大量的自然用地被转化为建设用地以支撑城市发展，土地利用 /土地覆盖发生了巨大改变，带来了一系列生态环境问题[2-4]。其中，城市大气污染日益严重，已成为制约中国城市健康发展的重要因素。已有研究表明，大气污染在宏观层面上与气候气象条件密切相关，但在微观层面上却与局部的土地利用情况紧密相联[5-7]，特别是城市绿地和建设用地的空间布局对城市大气污染具有重要影响[8]。目前关于土地利用与大气污染关系的研究较少，分散于大气科学、土地科学等领域，各个领域的学者往往从自身学科特点出发进行相关研究，尚未形成统一的理论。大气科学领域的学者并不特别关注土地利用与大气污染的关系，只是在用数值模拟技术模拟大气污染物扩散时常将土地利用变化作为其中的一个影响因子[6]；土地科学领域的学者侧重于从土地利用入手，运用简单的定量分析法分析土地利用类型与大气污染的相关性[9-11]，缺少深入的定量研究，且现有研究多针对大尺度空间区域，鲜有城市小尺度的研究。因此，土地利用与大气污染关系的研究有待进一步深入。

PM2.5是指空气中直径小于等于2.5m的固态或液态细颗粒物，常聚集大量有毒物质且能伴随着人类呼吸进入肺部并长期残留其中，严重危害人类身体健康[12]。相关研究表明，长期处于受PM2.5污染空气中的人，呼吸系统和心血管疾病的发病率和死亡率都大大提高[13]。PM2.5目前是中国城市的首要大气污染物，准确把握PM2.5的时空分布，揭示其分布的内在机理及传输规律是亟待研究的热点。现阶段，城市地区的PM2.5日常监测主要通过固定监测点进行，这种传统的定点监测方式存在覆盖范围小、密度低、成本高等缺点，无法实现PM2.5浓度高分辨率空间分布制图。国内外不少学者尝试通过建模的方法来实现此目的，常见的方法有大气数值模拟[14]、空间差值[15]、MODIS遥感影像反演[16]、神经网络[17-18]以及土地利用回归（land use regression，LUR）模型[19-20]。LUR模型是一个基于GIS平台建立的大气污染物浓度与周边地理变量之间关系的统计回归模型，它具有考虑因素齐全、使用范围广、成本低、估算精度和空间分辨率高等优点[20-21]。LUR模型对大气污染物的模拟过程结合了污染物产生的原理，能在一定程度从机制层面解释大气污染物浓度的时空分布特征。目前，LUR模型在中国的应用较少[20]，在欧洲和北美等地区应用广泛[22-23]，实践经验也证明其模拟大气污染物浓度的效果比较好，甚至优于其他的统计方法如克里金插值、离散模型、暴露指标法等[24-27]。

本文以南昌市中心城区为研究区域，以PM2.5为典型大气污染物，基于空气质量监测点的PM2.5实测数据，利用LUR模型实现区域PM2.5浓度空间分布模拟；然后根据主导土地利用方式，在研究区内选取商业区、工业区、居住区、教育区和对照区各5个，作为样本功能区。运用方差分析与多重比较法定量研究不同类型功能区与大气污染物浓度的空间分布关系，将土地利用与PM2.5浓度进行空间耦合，探讨土地利用对大气污染的影响，旨在为通过城市土地利用优化缓解大气污染提供参考。

1 研究区域概况与数据来源

1.1 研究区域概况

南昌市是江西省省会，地处江西省中北部（115°27′－116°35′E，28°09′－29°11′N），位于赣江、抚河下游，属于中亚热带湿润季风气候。全市总面积7 402.36 km2，下辖东湖区、西湖区、青云谱区、青山湖区、湾里区、新建区6个市辖区，以及南昌县、进贤县、安义县3个县。截至2014年末，南昌市常住总人口524.02万人，机动车保有量64万。本研究选取南昌市土地利用总体规划划定的中心城区为研究范围，面积562.46 km2。目前南昌市有9个空气质量监测点对空气中的PM2.5、PM10、O3、NO2等大气污染物进行实时监测，其中有8个监测点位于中心城区范围内（图1），另一个监测点属于清洁对照点，位于梅岭风景区内。2014年，在全国190个城市PM2.5浓度由高到低排名中，南昌排名第133位。

1.2 数据来源

研究所用2014年PM2.5监测数据来源于南昌市环保局，2014年南昌气象站的气象数据来源于中国气象科学数据共享服务网（http://data.cma.cn/），2014年南昌市土地利用数据来自于南昌市国土局的城镇地籍调查图。数据处理采用ArcGIS10.2和SPSS19.0软件。

2 研究方法

2.1 研究思路

本研究主要分为3步：1）基于LUR模型的PM2.5浓度空间分布模拟。利用南昌市空气质量监测点的PM2.5浓度数据，结合道路、人口、土地利用、气象等相关地理变量，构建四季PM2.5浓度的LUR模型。2）样本功能区的选择。以南昌市地籍、城市规划数据为基础，根据完整性和显著性原则，选取商业、工业、居住、教育、对照区5类样本功能区各5个。3）样本功能区PM2.5浓度统计与分析。根据步骤1）得到的LUR模型计算各个样本功能区的四季PM2.5浓度，分析城市土地利用对大气污染的影响。

2.2 LUR模型建立

LUR模型通常包含1个因变量和2个或者2个以上自变量，模型基本公式为

式中为因变量，在本文中即监测点的月均PM2.5浓度，1,2, …,X为自变量，即与PM2.5浓度相关的地理变量，1，2, …,β为待定系数，为随机变量。模型的算法本文采用吴健生等[20,28]提出的后向算法，先计算各个自变量与PM2.5浓度的相关性，然后用逐步多元线性回归方法构建模型。具体包括以下5个步骤：1）计算各自变量与PM2.5浓度的相关性；2）剔除与PM2.5浓度相关性不合常理的变量；3）找出每类因子中与PM2.5浓度相关性最高的变量，即排序最高变量；4）去除每类因子中与排序最高变量皮尔森相关系数大于0.6的变量；5）用剩余变量进行逐步多元线性回归。模型精度验证采用Holdout Validation法[20]，从每个季度的数据随机抽取18个作为训练样本建模，剩余的6个作为检验样本，利用检验样本模拟值与实测值之间的吻合度检验模型精度。为了避免模型结果受数据分组的影响，每个季度的上述建模操作重复3次，取拟合度最优的LUR模型作为预测模型。

本文根据LUR模型中常见的相关地理变量并考虑南昌市的实际情况及数据的可获取性，选取道路、人口、土地利用、气象4类因子42个变量作为模型的自变量（见表1），利用位于南昌市中心城区8个监测点2014年PM2.5月均浓度数据作为因变量，构建PM2.5浓度的LUR模型。道路因子采用缓冲区内道路密度表示。考虑到城市规模、研究尺度以及南昌市的实际情况，在参考Liu等[29]做法的基础上，缓冲区半径本文设为300、600、900、1 200、2 400和4 800 m 6种。根据南昌市城市总体规划道路交通规划图，将南昌市的道路分为主干道和次干道2类，然后以8个监测点为中心进行缓冲区分析，统计得到每个缓冲区内主干道长度、次干道长度、以及道路总长度，除以缓冲区的面积得到主干道密度、次干道密度、以及道路总密度。人口因子采用缓冲区内居住用地面积比表示。具体做法是以监测点为中心，进行6种半径的缓冲区分析，分别统计缓冲区内居住区面积，除以缓冲区面积得到居住用地面积比。土地利用因子采用缓冲区内生态用地面积比、工业用地面积比和距离大型生态用地的距离表示。将城市中的水体、绿地、农业种植用地定义为生态用地，然后以监测点为中心进行6种半径的缓冲区分析，得到缓冲区内生态用地面积，除以缓冲区面积即得到缓冲区内生态用地面积比。工业用地面积比与生态用地面积比计算方法相同。南昌市森林资源、水资源丰富，本文选取梅岭风景区、赣江、以及黄家湖、前湖、青山湖、艾溪湖等湖泊作为大型生态用地，用与最近的大型生态用地的距离表示大型生态用地的影响。气象因子包括月平均相对湿度、气压、水气压、温度和风速。

表1 自变量的分类与处理

注：MROAD、SROAD、TROAD、RLP、ELP、ILP均取300、600、900、1 200、2 400、4 800 m 6种缓冲区半径。

Note: Variables ofMROAD、SROAD、、TROAD、RLP、ELP、ILPhave six kinds of buffer zone radii of 300, 600, 900, 1 200, 2 400 and 4 800 m.

2.3 土地利用样本功能区选择

利用南昌市城镇地籍调查图，结合城市发展规划，在中心城区选取商业、工业、住宅、教育和对照区5类样本功能区。选取样本功能区时，按照地形、地物边界一致原则，严格保持宗地的完整性；同时充分保持功能区内土地利用类型的显著性。其中居住区内住宅用地面积占居住功能区总面积的50%以上；商业区范围内商业用地（含商务、金融、服务业等用地）面积比例达到商业功能区总面积的60%以上，并包含居住区级以上（不含居住区级）的商业金融等公共服务设施用地；工业区内工业用地（含高新技术产业用地和仓储用地）面积比例达到工业功能区总面积的40%以上；教育区选择高等院校用地，一个教育功能区由一个教育机构构成；对照区选择主导地类为林地、耕地、水域等人类污染活动少的区域，对照区内林地、耕地、水域的面积比例达到对照功能区总面积的80%以上。

3 结果与分析

3.1 基于LUR模型的PM2.5浓度空间分布模拟

各个自变量与因变量PM2.5浓度的相关分析结果见表2，可以看出4类因子中对PM2.5浓度有显著影响的是道路因子和气象因子，人口因子和土地利用因子与PM2.5浓度的相关性相对较弱。

表2 自变量与PM2.5的相关性

根据相关分析结果和LUR模型算法，剔除与PM2.5相关性不合假定相关性质的变量，找出每类因子中与PM2.5相关性排序最高的变量，再去除每类因子中与排序最高变量皮尔森相关系数大于0.6的变量，最终剩余的参与LUR建模的自变量有10个，分别是300 m缓冲区内主干道密度、300 m缓冲区内次干道密度、300 m缓冲区内道路总密度、1 200 m缓冲区内居住用地面积比、300 m缓冲区内生态用地面积比、2 400 m缓冲区内生态用地面积比、300 m缓冲区内工业用地面积比、风速、温度和相对湿度。考虑到各个季节对PM2.5浓度起主导作用的影响因素可能不同，分别对春、夏、秋、冬四季PM2.5浓度进行LUR建模。构建的四季12个LUR模型中，春季和夏季LUR模型调整2波动稍大，秋季和冬季LUR模型调整2相对稳定，变化幅度不大，各个季度分别取拟合度最优的作为PM2.5预测模型，最终四季LUR建模结果见表3。从表3可以看出，最终进入4个LUR模型的自变量不尽相同，始终进入模型的自变量是300 m缓冲区内主干道密度，说明对研究区四季PM2.5浓度空间分布都具有明显影响的因素是300 m缓冲区内主干道密度；气象因子中的相对湿度自变量最终进入春、夏、秋季LUR模型，温度自变量最终进入春、冬季LUR模型，说明相对湿度对研究区PM2.5浓度影响大、而温度在低温季节对PM2.5浓度影响较大。由模型的调整2（表3）可知，模型的自变量能够解释70%以上的PM2.5浓度变化，构建的四季LUR模型拟合情况好，解释能力强。

表3 四季最优LUR模型结果

图2列出了每个季度6个检验样本的模拟值和实测值。通过计算各个检验样本模拟值与实测值的差异，得出检验样本的平均绝对误差率为12.03%，说明上文构建的四季LUR模型误差小，可以有效地实现研究区PM2.5浓度估计。

根据上文得到的四季最优LUR模型，对研究区进行四季PM2.5浓度模拟。先对研究区进行1 km× 1 km网格化处理，以每个网格中心点作为预测点，计算各个预测点的相关地理变量值，然后在标准化处理的基础上根据LUR模型计算各个预测点的四季PM2.5浓度，最后借助普通克里格空间差值法生成研究区的四季PM2.5浓度空间分布图，见图3。

从图3中可以看出研究区PM2.5浓度夏季低、冬季高，且呈明显的空间分布特征。全年PM2.5高值区都集中在城市中心，冬季尤为明显，呈现出4个平均PM2.5质量浓度85.73g/m3以上高值区，分别分布于蛟桥、红谷滩、八一广场和洪城市场区域。低值区主要分布在城市周边的大型绿地或水体区域，其中西北区的梅岭和西南区的生米镇PM2.5浓度始终处于区域较低水平，夏季平均PM2.5质量浓度不超过38.56g/m3。

3.2 样本功能区的选择

根据上文提到的土地利用样本功能区选取原则，结合实际情况，最终样本功能区选择如图4。

3.3 样本功能区PM2.5浓度差异分析

首先对25个样本功能区四季PM2.5浓度进行正态分布检验和方差齐性检验，检验通过后进行方差分析。方差分析结果中春、夏、秋、冬四季检验统计量分别为16.714、19.230、18.454和20.164，通过查表可知，在0.01显著性水平上，0.99(4，20)=4.43，由于四季值均大于4.43，故认为功能区类型对PM2.5浓度影响显著，与季节无关。

春季检验统计量为16.714，对应的概率值小于0.01，说明春季不同类型功能区的PM2.5浓度有显著差异。同理夏秋冬三季不同类型功能区的PM2.5浓度也有显著差异。因此可知，各样本功能区PM2.5浓度具有显著差异，与季节无关。

为进一步分析哪些功能区之间PM2.5浓度差异显著，用LSD（least significant difference test）方法进行多重比较，结果见表4。从表中结果看，在春、夏、秋、冬四季里，各类功能区之间PM2.5浓度差异显著性结果相同。说明季节对于区域PM2.5污染水平的影响是整体性的。多重比较研究结果还表明，工业区与商业区、居住区与教育区均无显著差异，工业区、商业区均与教育区和居住区有显著差异，对照区与其他4类功能区均有显著差异。在0.05的显著性水平下，根据PM2.5污染情况5类功能区可以分成3组。第1组包括工业区和商业区，第2组包括居住区和教育区，第3组是对照区，3组功能区的PM2.5浓度值依次递减。

表4 样本功能区四季PM2.5浓度多重比较

注：同列不同的小写字母表示不同功能区同一季节PM2.5浓度差异达5%显著水平。

Note: Different lowercase letters in the same column indicate significantly different PM2.5concentrations in different function districts of the same season at 5% level.

4 讨 论

关于构建LUR模型需要的污染物监测点数目，Hoek等[19]认为，城市尺度LUR建模一般需要40～80个监测点，但是也应该考虑城市的人口和规模。本文选取8个监测点，研究区域面积562 km2，平均每个监测点覆盖面积70 km2，从单个点覆盖面积来看与Ross等[24,28,30]的研究相当，且本文结果显示LUR模型的拟合效果好。LUR建模时，本文只考虑了研究区域内的污染因素，没有考虑南昌周边的PM2.5污染，主要是由于根据已有关于南昌市PM2.5来源解析的研究，南昌市PM2.5污染主要来自于本地的汽车排放、建筑扬尘、生活和工业燃煤[31-33]，受周边区域污染影响不大。各类功能区之间PM2.5浓度差异显著水平不一致是由人类土地利用活动的性质决定的。对照区PM2.5浓度显著低于其他4类功能区，这是因为对照区内基本无人类生产活动，且以生态用地为主导地类的对照区对PM2.5有一定缓解作用；工业区和商业区PM2.5浓度显著高于居住区和教育区，可能主要由于工业区化石燃料燃烧多、商业区汽车尾气排放量大导致；商业区PM2.5浓度略高于工业区、居住区PM2.5浓度略高于教育区，但差异均不显著，原因有待进一步挖掘。本研究得出的各类功能区PM2.5浓度差异结果既符合预期，也与其他学者的研究结论基本一致[34]，但本研究采用的方法克服了PM2.5样本数据少的缺陷，并进一步从统计学意义上说明了哪些功能区之间PM2.5浓度差异是显著的。而且本文以功能区为单位进行研究，相比单一的土地利用类型而言，城市功能区作为一种包含了多种土地利用要素、具有特定社会经济功能的区域，可以更好地体现城市土地利用与大气污染的耦合关系[8]。因此，研究认为：基于较少监测点建立LUR模型、通过样本功能区分析城市土地利用对大气环境的影响是可行的，研究为城市土地利用与大气环境因子的耦合研究提供了新思路。

5 结 论

本文利用南昌市中心城区8个空气质量监测点2014年的PM2.5浓度数据，结合道路、人口、土地利用和气象4类因子42个变量，构建了四季PM2.5浓度的LUR模型。运用方差分析与多重比较法定量研究不同类型功能区与PM2.5浓度的空间分布关系，结果表明：1）构建的四季PM2.5浓度LUR模型调整2分别为0.713、0.741、0.898、0.964，检验样本平均绝对误差率12.03%，说明模型的拟合效果较好，可以有效地实现对监测点区域外PM2.5浓度的估计。2）功能区类型对PM2.5浓度影响显著，城市土地利用方式显著影响PM2.5浓度，且这种影响与季节无关。3）各类功能区之间PM2.5浓度差异显著水平不一致，工业区与商业区、居住区与教育区均无显著差异，工业区、商业区均与教育区和居住区有显著差异，对照区与其他4类功能区均有显著差异。

[1] 中国市长协会. 中国城市发展报告2013-2014[R]. 北京：中国城市出版社，2014.

Chinese Mayors Association. The Report of 2013-2014 Chinese Urban Development[R]. Beijing: ChinaCity Press, 2014. (in Chinese with English abstract)

[2] 吴莉，侯西勇，徐新良，等. 山东沿海地区土地利用和景观格局变化[J]. 农业工程学报，2013，29(5)：207－216.

Wu Li, Hou Xiyong, Xu Xinliang, et al. Land use and landscape pattern changes in coastal areas of Shandong province, China[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2013, 29(5): 207－216. (in Chinese with English abstract)

[3] 王瑞燕，赵庚星，于振文，等. 利用生态位适宜度模型评价土地利用环境脆弱性效应[J]. 农业工程学报，2012，28(11)：218－224.

Wang Ruiyan, Zhao Gengxing, Yu Zhenwen, et al. Assessment of land use effects on environmental vulnerability by ecological niche suitability model[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2012, 28(11): 218－224. (in Chinese with English abstract)

[4] 何玲，贾启建，李超，等. 基于生态系统服务价值和生态安全格局的土地利用格局模拟[J]. 农业工程学报，2016，32(3)：275－284.

He Ling, Jia Qijian, Li Chao, et al. Land use pattern simulation based on ecosystem service value and ecological security pattern[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2016, 32(3): 275－284. (in Chinese with English abstract)

[5] 张惠远，饶胜，迟妍妍，等. 城市景观格局的大气环境效应研究进展[J]. 地球科学进展，2006，21(10)：1025－1032.

Zhang Huiyuan, Rao Sheng, Chi Yanyan, et al. Advances in the impacts of urban landscape pattern on urban air environment[J]. Advances in Earth Science, 2006, 21(10): 1025－1032. (in Chinese with English abstract)

[6] 张润森，濮励杰，刘振. 土地利用/覆被变化的大气环境效应研究进展[J]. 地域研究与开发，2013，32(4)：123－128.

Zhang Runsen, Pu Lijie, Liu Zhen. Advances in research on atmospheric environment effects of land use and land cover change[J]. Areal Research and Development, 2013, 32(4): 123－128. (in Chinese with English abstract)

[7] 汪光焘，王晓云，苗世光，等. 城市规划大气环境影响多尺度评估技术体系的研究与应用[J]. 中国科学（D辑：地球科学），2005，35(增刊1)：145－155.

Wang Guangtao, Wang Xiaoyun, Miao Shiguang, et al. Research and application on the technology system of multi-scale assessment of the impact on the atmospheric environment by urban planning[J]. Science In China (Ser. D Earth Sciences), 2005, 35(Supp.1): 145－155. (in Chinese with English abstract)

[8] 陈利顶，孙然好，刘海莲. 城市景观格局演变的生态环境效应研究进展[J]. 生态学报，2013，33(4)：1042－1050.

Chen Liding, Sun Ranhao, Liu Hailian. Eco-environmental effects of urban landscape pattern changes: Progresses, problems and perspectives[J]. Acta Ecologica Sinica, 2013, 33(4): 1042－1050. (in Chinese with English abstract)

[9] 史军，崔林丽，贺千山，等. 华东雾和霾日数的变化特征及成因分析[J]. 地理学报，2010，65(5)：533－542.

Shi Jun, Cui Linli, He Qianshan, et al. The changes and causes of fog and haze days in eastern China[J]. Acta Geographic Sinica, 2010, 65(5): 533－542. (in Chinese with English abstract)

[10] 韦晶，孙林，刘双双，等. 大气颗粒物污染对土地覆盖变化的响应[J]. 生态学报，2015，35(16)：5495－5506.

Wei Jing, Sun Lin, Liu Shuangshuang, et al. Response analysis of particulate air pollution to Land-use and land-cover change[J]. Acta Ecologica Sinica, 2015, 35(16): 5495－5506. (in Chinese with English abstract)

[11] 唐新明，刘浩，李京，等. 北京地区霾/颗粒物污染与土地利用/覆盖的时空关联分析[J]. 中国环境科学，2015，35(9)：2561－2569.

Tang Xinming, Liu Hao, Li Jing, et al. Response analysis of haze/particulate matter pollution to land use/cover in Beijing[J]. China Environmental Science, 2015, 35(9): 2561－2569. (in Chinese with English abstract)

[12] Pope III C A, Dockery D W. Health effects of fine particulate air pollution: Lines that connect[J]. Journal of the Air &Waste Management Association, 2006, 56(6): 709－742.

[13] Pope III C A, Burnett R T, Thun M J, et al. Lung cancer, cardiopulmonary mortality, and long-term exposure to fine particulate air pollution[J]. The Journal of the American Medical Association, 2002, 287(9): 1132－1141.

[14] Chen H, Bai S, Eisinger D, et al. Predicting near-road PM2.5concentrations: Comparative assessment of CALINE4, CAL3QHC, and AERMOD[J]. Transportation Research Record: Journal of the Transportation Research Board, 2009, 2123: 26－37.

[15] 刘杰，杨鹏，吕文生. 北京大气颗粒物污染特征及空间分布插值分析[J]. 北京科技大学学报，2014，36(9)：1269－1279.

Liu Jie, Yang Peng, LüWensheng. Pollution characteristics of particulate matter and interpolation analysis of its spatial distribution in the Beijing area[J]. Journal of University of Science and Technology Beijing, 2014, 36(9): 1269－1279. (in Chinese with English abstract)

[16] 陈辉，厉青，王中挺，等. 利用MODIS资料监测京津冀地区近地面PM2.5方法研究[J]. 气象与环境学报，2014，30(5)：27－37.

Chen Hui, Li Qing, Wang Zhongting, et al. Study on monitoring surface PM2.5concentration in Jing-Jin-Ji regions using MODIS data[J]. Journal of Meteorology and Environment, 2014, 30(5): 27－37. (in Chinese with English abstract)

[17] Lu W Z, Fan H Y, Lo S M. Application of evolutionary neural network method in predicting pollutant levels in downtown area of Hong Kong[J]. Neurocomputing, 2003, 51(2): 387－400.

[18] 王敏，邹滨，郭宇. 基于BP人工神经网络的城市PM2.5浓度空间预测[J]. 环境污染与防治，2013，35(9)：63－66.

Wang Min, Zou Bin, Guo Yu. BP artificial neural network-based analysis of spatial variability of urban PM2.5concentration[J]. Environment Pollution and Control, 2013, 35(9): 63－66. (in Chinese with English abstract)

[19] Hoek G, Beelen R, De Hoogh K, et al. A review of land-use regression models to assess spatial variation of outdoor air pollution[J]. Atmospheric Environment, 2008, 42(33): 7561－7578.

[20] 吴健生，谢舞丹，李嘉诚. 土地利用回归模型在大气污染时空分异研究中的应用[J]. 环境科学，2016，37(2)：413－419.

Wu Jiansheng, Xie Wudan, Li Jiacheng. Application of land-use regression models in spatial-temporal differentiation of air pollution[J]. Environment Science, 2016, 37(2): 413－419. (in Chinese with English abstract)

[21] 罗艳青. PM2.5浓度土地利用回归建模关键问题研究[D]. 长沙：中南大学，2014. Luo Yanqing. Critical Issues in Land Use Regression Modeling of PM2.5Concentration[D]. Changsha: Central South University, 2014. (in Chinese with English abstract)

[22] Beelen R, Hoek G, Vienneau D, et al. Development of NO2and NOx land use regression models for estimating air pollution exposure in 36 study areas in Europe–the ESCAPE project[J]. Atmospheric Environment, 2013, 72(2012): 10－23.

[23] Bernardo S. Beckerman, Michael Jerrett, Marc S, et al. A hybrid approach to estimating national scale spatiotemporal variability of PM2.5in the contiguous United States[J]. Environment Science and Technology, 2013, 47(13): 7233－7241.

[24] Ross Z, Jerrett M, Ito K, et al. A land use regression for predicting fine particulate matter concentrations in the New York City region[J]. Atmospheric Environment, 2007, 41(11): 2255－2269.

[25] Yu H L, Wang C H, Liu M C, et al. Estimation of fine particulate matter in Taipei using land use regression and Bayesian maximum entropy methods[J]. International Journal of Environmental Research and Public Health, 2011, 8(6): 2153－2169.

[26] Adam-Poupart A, Brand A, Fournier M, et al. Spatiotemporal modeling of ozone levels in Quebec (Canada): A comparison of kriging, land-use regression (LUR), and combined Bayesian maximum entropy-LUR approaches[J]. Environmental Health Perspectives, 2014, 122(9): 970－976.

[27] Zou B, Luo Y Q, Wan N, et al. Performance comparison of LUR and OK in PM2.5concentration mapping: A multidimensional perspective[J]. Scientific Reports, 2015, 5(5): 8698.

[28] Henderson S B, Beckerman B, Jerrett M, et al. Application of land use regression to estimate long-term concentrations of traffic related nitrogen oxides and fine particulate matter[J]. Environmental Science and Technology, 2007, 41(7): 2422－2428.

[29] Liu W, Li X, Chen Z, et al. Land use regression models coupled with meteorology to model spatial and temporal variability of NO2and PM10in Changsha, China[J]. Atmospheric Environment, 2015, 116: 272－280.

[30] Olvera H A, Garcia M, Li W W, et al. Principal component analysis optimization of a PM2.5land use regression model with small monitoring network[J]. Science of the Total Environment, 2012, 425(3): 27－34.

[31] 彭希珑. 南昌市大气PM10、PM2.5的污染特征及来源解析[D]. 南昌：南昌大学，2009.

Peng Xilong. Research on Characteristic of Pollution and Sources Appointment of PM10, PM2.5in Nanchang[D]. Nanchang: Nanchang University, 2009. (in Chinese with English abstract)

[32] 郭琳，何宗健，尹丽. 南昌市夏季PM2.5中多环芳烃来源解析[J]. 环境污染与防治，2010，32(11)：58－62.

Guo Lin, He Zongjian, Yin Li. Source apportionment of polycyclic aromatic hydrocarbons in PM2.5in summer of Nanchang[J]. Environmental Pollution & Control, 2010, 32(11): 58－62. (in Chinese with English abstract)

[33] 刘忠马，徐义邦，樊孝俊，等. 南昌市秋季大气PM2.5浓度及化学组分特征分析[J]. 环境污染与防治，2015，37(9)：55－59.

Liu Zhongma, Xu Yibang, Fan Xiaojun, et al. Content and chemical composition characteristics of PM2.5in autumn in Nanchang[J]. Environmental Pollution & Control, 2015, 37(9): 55－59. (in Chinese with English abstract)

[34] 何宗健，袁胜玲，肖美. 夏季南昌市大气颗粒物PM10、PM2.5污染水平研究[J]. 安徽农业科学，2010，38(3)：1336－1338. He Zongjian, Yuan Shenling, Xiao Mei. Pollution levels of airborne particulate matter PM10and PM2.5in summer in Nanchang city[J]. Journal of Anhui Agriculture Science, 2010, 38(3): 1336－1338. (in Chinese with English abstract)

Relationship of PM2.5concentration and land use type in Nanchang City based on LUR simulation

Yang Haiou1,2,3, Chen Wenbo2※, Liang Zhaofeng2

(1.,,330045,;2.,330045,;3.,,332005,)

Urban land use can greatly influence the urban atmospheric pollution conditions. Obtaining a deeper understanding of the relationship between urban land use and atmospheric pollution has an important practical significance in preventing atmospheric pollution and protecting human health. However, the relationship between urban land use and atmospheric pollution has rarely been investigated and the consensus about the exact nature of the relationship has not been reached, which is yet to be fully explored. The purpose of this paper was to study the relationship through coupling land use and atmospheric pollution at city scale. PM2.5, consisting of particles with aerodynamic diameters no greater than 2.5m, can absorb various toxic substances and easily enter the lungs, resulting in respiratory and cardiovascular diseases. Now, PM2.5has already become one of the major air pollutants in many Chinese cities. Therefore, PM2.5was chosen as the typical atmospheric pollutant in our paper. However, getting sufficient PM2.5data is a big challenge due to the sparsely distributed air quality monitoring sites. Then LUR (land use regression) models, in which atmospheric pollutant concentrations are as the dependent variables and surrounding geographical data as the independent variables, were applied to PM2.5concentrations simulation to strengthen insufficient PM2.5data. Central area of Nanchang City was selected as the study area in this paper. According to the dominated land use type, 5 groups of sample function districts including commercial function districts, industrial function districts, residential function districts, educational function districts and control function districts were selected in the study area. The PM2.5concentrations of four seasons in these sample function districts were calculated. Methods of variance analysis and multiple comparisons were employed to quantitatively study the seasonal PM2.5concentration differences among different function districts. The results showed that: 1) The best fitting LUR models for four seasons were established and the adjusted2values were 0.713, 0.741, 0.898 and 0.964 respectively. The mean absolute percentage error of 24 test samples was 12.03%. These results illustrated that the fitting degree of the 4 LUR models were good and the estimation of PM2.5concentrations in the study area could be effectively achieved through LUR models. 2) The PM2.5concentration differences among sample function districts were significant, indicating that urban land use had an obvious impact on PM2.5concentrations. And the impact would not change as the seasons changed. 3) The significance levels of PM2.5concentration differences among different function districts were not all the same. The PM2.5concentration differences between industrial function districts and commercial function districts, residential function districts and educational function districts were insignificant. The PM2.5concentrations in industrial function districts or commercial function districts were significantly different from those in residential function districts or educational function districts. The PM2.5concentration differences between control function districts and the other 4 categories of function districts were all significant. The results demonstrated that the layout of function districts could impact the spatial distribution characteristics of PM2.5concentration. This research explores a new approach to couple urban land use and atmospheric pollution. The results can provide valuable references for urban land-use optimization and atmospheric pollution control in future.

models; land use; analysis of variance; function district; PM2.5; coupling

10.11975/j.issn.1002-6819.2017.06.030

F310.24; X511

A

1002-6819(2017)-06-0232-08

2016-09-30

2016-12-14

国家自然科学基金项目（41561043）

阳海鸥（1988-），女（汉族），湖南衡阳人，讲师，研究方向：土地利用、景观生态。南昌 江西农业大学林学院，330045。Email：yanghaiou2007@163.com

陈文波，男（汉族），江西上饶人，教授，博士生导师，研究方向：土地利用、景观生态。南昌 南昌市景观与环境重点实验室，330045。Email：cwb1974@126.com