唐新明,刘 浩,李 京,谢志英,赵文慧（.国家测绘地理信息局卫星测绘应用中心,北京 000；.北京师范大学减灾与应急管理研究院,北京 00875；.兰州交通大学,甘肃 兰州 70070；.北京市环境保护监测中心,北京 0008）

大气污染与控制

北京地区霾/颗粒物污染与土地利用/覆盖的时空关联分析

唐新明1,刘 浩2*,李 京2,谢志英3,赵文慧4（1.国家测绘地理信息局卫星测绘应用中心,北京 101300；2.北京师范大学减灾与应急管理研究院,北京 100875；3.兰州交通大学,甘肃 兰州 730070；4.北京市环境保护监测中心,北京 100048）

土地利用/覆盖变化（LUCC）直接或间接影响颗粒物污染,为定量评价颗粒物污染与土地利用在时序变化和空间分布上的关系,使用北京市长期气象资料、土地利用数据、实测颗粒物浓度数据和遥感影像,结合 GIS空间分析和典型相关分析方法,对北京市霾日数与土地利用变化的响应关系、以及局地土地利用类型对颗粒物污染浓度空间分布的影响进行了定量评价.结果表明：从时序变化的角度看,北京市（行政区内）1996～2008年间霾日数与生态用地和耕地表现为显著负相关,相关系数分别为-0.574和-0.592,与建设用地、居民点及工矿用地和交通用地则呈显著正相关,相关系数分别为0.595、0.609和0.590；北京城区（五环内）1989～2012年间霾日数与生态用地、耕地和建设用地变化趋势具有良好的响应关系,其中城市区域扩张对霾日数影响显著,建成区面积与霾日数显著正相关,相关系数为 0.876.从空间分布的角度看,建筑工地、道路和裸地3种下垫面类型的颗粒物浓度要明显高于其他类型；在0.5km和1km缓冲区内,绿地面积与PM1.0浓度呈显著负相关,相关系数分别为-0.542和-0.507,建筑面积与PM1.0浓度呈显著正相关,相关系数分别为0.469和0.537.总体来看,北京地区颗粒物污染水平、空间分布格局与土地利用/覆盖状况具有良好的时空关联性.

颗粒物污染；霾日数；土地利用/覆盖；相关性分析

大气颗粒物是我国北方地区城市空气的首要污染物.目前有关城市大气颗粒物的研究主要集中在动态变化特征［1-3］、时空演化［4-5］、来源解析［6-7］和成分分析［8-10］等方面.对大气颗粒物变化的影响因素研究,多集中于温度、湿度等气象要素［11-13］,以及交通车辆和人流量［14-15］等人为活动的影响.近年来,随着我国城市化进程的加快,土地利用变化的快速发展,尤其是植被覆盖被建筑物所替代,导致地表吸附、阻挡扬尘的能力降低,带来一系列生态环境问题,人们逐渐意识到区域下垫面条件的改变可能与大气颗粒物污染有密切关系.目前相关研究还较少,且尚不成熟,史军等［16］基于华东气象站点雾、霾、温度等数据及土地利用数据概括性的分析了华东雾、霾日数的变化及土地利用变化对其的影响,但以定性评价为主,缺乏基于数据的定量分析.韦晶等［17］使用MODIS数据提取山东省青岛市、淄博市和济南市的城市用地和林地信息,并与 MODIS气溶胶光学厚度产品进行相关性分析,探讨了二者的响应关系.由于 MODIS气溶胶光学厚度是整层大气颗粒物的光学参数,与近地表颗粒物数据有较大差异,难以反映真实情况.莫莉等［18］通过分析北京市PM2.5和PM10质量浓度与不同城市化程度地区的相关关系,探索了城市化程度对颗粒物浓度的影响.其主要局限在于利用仅4个月的研究数据难以解释城市化对颗粒物污染的的长效影响机制.此外,还有一些研究［19-21］对土地利用与颗粒物污染的关系进行了探讨,但多数只选取了短期内的少数样本点进行简单相关分析,结果具有局限性.

为进一步探讨颗粒物污染与土地利用的关系,一方面从多年长时序的宏观角度,基于霾日和土地利用统计数据,分析北京地区近20年霾日数和土地利用面积的变化特征和趋势,进而利用典型相关分析对北京地区长时序的霾日变化与土地利用面积变化的响应关系进行定量评价,探讨土地利用变化对霾日数的影响.另一方面从空间分布的角度,以实测颗粒物浓度数据为基础,利用克里金（Kriging）空间插值模拟整个北京城区不同粒径颗粒物浓度的空间分布,然后与下垫面影响因子进行关联分析,探讨土地利用类型对颗粒物污染浓度空间分布的影响.

1　数据来源与处理

1.1北京地区近20年逐年霾日数

利用北京地区气象台站 1989～2012年观测资料,运用目前运用最为广泛的 14：00值法［22-24］完成北京地区逐年霾日数的统计.当观测能见度小于 10km,相对湿度小于 90%,并排除降水、降雪、沙尘、大风、扬沙、沙尘暴等其他影响能见度的天气现象的情况为一个霾日［22］.选取具有连续观测记录的海淀站作为典型城区站点、上甸子站（位于密云县内）作为典型郊区站点,并利用多站点平均值法完成北京市霾日数的统计.

1.2北京城区颗粒物污染浓度实测数据

采用日本加野麦克斯（Kanomax）手持激光粒子计数器（3886GEOX）和Trimble GPS手持机仪器分别测量北京市城区（五环内）2008～2012年不同粒径可吸入颗粒物浓度和采样点的点位坐标,监测时间为每年的12月4日～12月14日,采样点均匀、规律、广泛地布置在北京市五环内（图1）,每一次采样都在天气晴朗且相对稳定的气象条件下进行,采样路线均相同,每年的采样点地理位置都比较固定,每年有效采样点数据达80～90个.对于野外采集获取的颗粒物污染浓度数据,首先将其与手持GPS记录的采样点的空间坐标进行属性关联,使颗粒物数据具有空间属性.然后,在ArcGIS中通过地理编码,使颗粒物数据的空间属性形成空间坐标点,将其投影方式与北京城区行政区划图等基础地理数据保持一致.

图1　实测数据范围及采样点分布Fig.4　Distribution of sampling sites

1.3北京地区土地利用数据

土地利用数据包括北京市和北京城区 2个范围.其中,北京市土地利用面积数据来源于北京市国土资源局,包含1996～2008年逐年的10种土地利用类型的面积数据.北京城区土地利用数据是利用1989年、2000年两期Landsat TM5遥感影像监督分类生成,以及北京市2012年度土地利用现状数据（来源于北京市国土资源局）.

1.4其他数据

研究所用到的其他数据还包括北京地区2008年冬季的SPOT遥感影像、北京城六区行政区划图、北京环路矢量图等.

2　结果与分析

2.1北京地区霾日数与土地利用变化的关系

2.1.1北京地区霾日变化 图 2给出了海淀站（典型城区站点）、上甸子站（典型郊区站点）和北京市霾日数（多站点平均）近 20年逐年霾日数的统计结果.

由图2可见,城区霾日数要明显高于郊区,而北京市霾日数则处于城区和郊区之间.虽然城区、郊区和北京市霾日数变化波动有所差异,但总体上呈现明显的增长趋势.城区、郊区和北京市霾日数分别从1988年的82,7,38d增加到2012年的 144,65,95d.其中城区霾日数和北京市霾日数的变化趋势更为接近,以城区为例分析其变化趋势,首先在1995～1998年出现了较大的持续性增长,从82d增加132d；1998～2006年处于较为平稳的高值区,平均霾日数（128d）比20年总平均年霾日（106d）高出22d,并且于2006年达到奥运前的最高值（142d）；2006～2008年呈现显著的下降趋势,从142d减少到88d,并且2008-2010年间平均霾日（93d）要明显低于往年,推测其与 2008年北京奥运会前后明显减少了污染物排放有密切关系.郊区的霾日变化与城区最大的差异在于2008年后并未减少反而继续增长,但增长率明显下降.可以推测,北京市针对奥运采取的减排治污措施对城区的影响更加显著.

图2　海淀、上甸子和北京市霾日年际变化Fig.4　Annual hazy day trends at Haidian, Shangdianzi and Beijing

2.1.2北京地区土地利用变化 （1）北京市土地利用变化：根据北京市土地利用数据可知,1996～2008年间北京市土地利用变化特征为：生态用地（包括耕地、园地、林地、牧草地和其他农用地）呈逐年减少趋势,建设用地（包括居民点及工矿用地、水利设施和交通用地）呈逐年增加趋势.在二级类别里,变化比较明显的是耕地、居民点及工矿用地和交通用地几类,其中耕地逐年减少,居名点及工矿用地和交通用地逐年增加（图3）.

图3　北京市1996～2008年各类土地利用面积变化Fig.4　Land use change of Beijing from 1996 to 2008

1996～2008年间,耕地以平均每年 3.15%的速率减少,12年间共减少了1122km2,因此即使在采取植树造林等措施的情况下,林地和园地面积有所增长,但生态用地总面积仍然明显减少,12年共减少了444km2；居民点及工矿用地和交通用地明显增长,分别以平均每年 2.00%和 5.06%的速率增长,12年间面积分别增加了 584,144km2,居民点及工矿用地和交通用地的迅速增长使得建设用地呈明显增长趋势,12年间面积共增加了742km2.

（2）城区土地利用变化：根据 1989年、2000年和2012年3期土地利用变化情况（表1）可知, 近20年北京城区变化最大的是耕地,尤其在第2阶段以平均每年8.70%的速率减少,23年间共减少了467km2；林地在植树造林等措施的积极影响下,面积有所增长,但耕地的大幅减少使得城区生态用地总面积仍减少明显,23年共减少了443km2,与之相对的是建设用地的大幅增加,23年间以平均每年 3.53%的速率增长,面积共增加了437km2.

此外,城市扩展过程就是土地利用中的城镇建设用地的动态变化过程,这一过程中因为建设用地的增加而使城市建成区扩大,并导致其周边其他土地利用类型的变化［25］.为进一步探讨北京城市区域扩张的特征和趋势,搜集了近20年北京市建成区面积数据,数据来源于文献［22］.分析可知,北京市建成区的扩展基本上呈现出以旧城区为中心向四周扩展的方式,1984年面积约265.48km2,以平均每年 45km2的速度扩展,至2005年总面积已达1209.97km2,较1984年净增面积超过900km2.

表1　1989年、2000年与2012年北京城区土地利用变化统计Table 1　Land use change of Beijing urban areas from 1989 to 2012

以上结果表明,随着城市化进程的加快,北京市大量耕地消失、城镇和交通等建设用地迅速增加,城市区域向外扩张明显.

2.1.3霾日数与土地利用变化的关系 通常较高的大气颗粒物浓度是引起灰霾天气的重要原因,霾日数一定程度上代表了颗粒物污染状况,可以认为探讨霾日数与土地利用的关系间接上探讨了颗粒物污染与土地利用的关系.

（1）生态用地对霾日数的影响：北京地区生态用地包含了耕地、林地、园地、牧草地和其他农用地等,其中耕地占生态用地的1/4左右,近20年北京市耕地锐减,是生态用地中变化最大的类型.由图4可以看出,生态用地和耕地面积与霾日数具有明显的负相关关系,其相关系数分别为-0.574和-0.592,均在置信度为95%（双侧）上呈显著相关.对城区而言,由图4（g）可知,海淀霾日变化与生态用地和耕地面积变化趋势正好相反,说明二者具有很好的负相关响应关系.由于生态用地多以植被覆盖为主,植被能有效吸附和移除空气中的颗粒物,对雾霾天气具有一定的抑制作用,随着植被覆盖面积的大幅减少必然导致地表吸附、阻挡扬尘的能力降低,从而加剧雾霾天发生的频率和强度［26］.

图4　北京地区霾日数与土地利用面积的相关性Fig.4　The correlation between Beijing hazy days and land use areas

（2）建设用地对霾日数的影响

随着城市化进程的加快,北京市建设用地一直处于增长态势,其中居民点及工矿用地和交通用地表现较为突出,从图 4（c）、（d）和（e）可以看出,建设用地、居民点及工矿用地以及交通用地均与霾日数具有明显的正相关关系,其相关系数分别为0.595、0.590和0.609,均在置信度为95%（双侧）上呈显著相关,说明城镇、交通等建设用地的不断增长一定程度上加重了大气污染程度.以居民点及工矿用地为主的建设用地逐年增加,不仅加剧了人类活动造成的燃煤排放、工业排放、施工扬尘、汽车尾气等各种污染物,提供直接污染源［5］；同时,还改变了区域下垫面属性,其中建筑密度的增加使水平方向静风现象增多,阻碍污染物的扩散和稀释［16］,对雾霾天的加重产生重要影响.

北京市 2000多万人口、大量的生产和服务活动都集中在 6000km2的平原地区,污染排放强度大,是城区霾日数远远高于郊区的重要原因.由图 4（g）可知,海淀霾日变化与建设用地面积变化趋势一致,说明二者具有很好的正相关响应关系.对近 20年城区霾日数与建成区面积进行相关分析（图4f）可知,北京市建成区面积与城区霾日数具有明显的正相关关系,相关系数为0.876,在置信度为99%（两侧）上显著相关,进一步说明了建成区的扩张对城区雾霾天气的加重具有重要影响.

2.2北京城区颗粒物浓度分布与土地利用类型的关系

2.2.1颗粒物污染浓度统计分析 Kanomax手持激光粒子计数器能够获取 PM0.3、PM0.3～0.5、PM0.5～1.0、PM1.0～3.0、PM3.0～5.0 5个粒径区间的颗粒物浓度,5a的平均浓度统计结果如表2所示.

表2　颗粒物浓度统计（×107个/m3）Table 1　Concentration of particulate matter （×107c/m3）

由表2可知,虽然PM1.0～3.0和PM3.0～5.0在建筑工地和道路 2种下垫面的浓度要明显高于其他下垫面类型,但综合而言,PM1.0～3.0和 PM3.0～5.0浓度与其他粒径颗粒物浓度在数量级上相差较大.由此可知,监测得到的5.0um以下颗粒物主要集中在前 3个区间,因此选取 PM0.3、PM0.3～0.5和PM0.5～1.0以及三者之和PM1.0开展研究.

图5　不同下垫面颗粒物浓度统计Fig.4　Concentration of particulate matter on different underlying surfaces

根据采样时记录的对应下垫面类型,统计不同下垫面的颗粒物浓度值（图 5）.可以看出,绿地和裸地的 PM0.3浓度要高于其他下垫面, 对于PM0.3～0.5和PM0.5～1.0两种粒径,道路和建筑工地两种下垫面的浓度较高；总体而言（PM1.0）,颗粒物浓度由高到低依次为：建筑工地＞道路＞裸地＞商业区＞居民区＞绿地,建筑工地、道路和裸地相对浓度要高于其他下垫面,这是由于在空气污染物排放条件较差的情况下,建筑工地、道路和裸地是城市空气中颗粒物污染浓度集聚的主要场所.其中,建筑工地主要由于施工扬尘使得颗粒物浓度较高,并且其对粗细粒径的颗粒物浓度贡献均较大；道路上的颗粒物主要是交通扬尘和汽车尾气排放引起；裸地则因其地表缺少植被覆盖,而易受到风蚀作用,导致区域颗粒物浓度较高.

2.2.2颗粒物污染浓度空间分布特征 在ARCGIS10.1的支持下,插值生成PM0.3、PM0.3～0.5、PM0.5～1.0和PM1.0颗粒物污染浓度分布（图6）.

从图6可以看出,PM0.3～0.5和PM0.5～1.0的空间分布特征极为相似,而与 PM0.3则差异较大,三者之和PM1.0则根据各区间颗粒物浓度的贡献度不一样而表现出不同的格局.从各年的情况来看,2008～2009年在北京奥运大气污染控制措施的积极影响下,整体污染浓度较小,2008年高值区主要位于东南方向朝阳区和丰台区,2009年虽然高值区比较分散,但是平均浓度在5a中为最小；从 2010年开始颗粒物浓度有所提高,2010年PM0.3高值区域扩大,但总浓度主要集中于西南部的丰台区,平均浓度有所提升；2011年各区间的颗粒物浓度高值区域均较大,污染范围呈蔓延趋势；2012年的颗粒物浓度均值为5a最高,其空间分布呈明显的环岛形状,PM0.3高值区位于人口集中、生产活动密集的城中心（东城区和西城区）,PM0.3～0.5、PM0.5～1.0和总浓度 PM1.0则集中于四环与五环之间.

2008～2012年的污染浓度空间分布主要由两个因素引起,一是污染源因素,浓度高值区通常具有高热量和高能量的工业区,工业排放的污染物增加了颗粒物污染浓度；二是下垫面性质,浓度高值区通常有正在动工的建筑工地,人口集中、生产活动密集的商业区,以及交通繁忙、车辆集中的道路区.因此可见,下垫面条件是影响颗粒物污染浓度空间分布的重要因素,但颗粒物浓度总体分布趋势并非完全由下垫面性质决定,同时还受污染源和风速、风向等天气条件影响.

图6　2008～2012年颗粒物浓度插值结果Fig.4　Spatial distribution of particulate matter from 2008 to 2012

2.2.3局地下垫面类型对颗粒物浓度的影响为进一步验证下垫面类型对颗粒物浓度空间分布的影响,以 2008年为例,基于均匀分布和覆盖不同下垫面的原则,在五环内选取了18个采样点,并生成 0.5km和 1km缓冲区,以 2008年冬季SPOT卫星影像为数据源,以目视解译方法提取缓冲区内土地利用信息,颗粒物浓度采用总浓度（PM1.0）,分析采样点 PM1.0与缓冲区内绿地和建筑占比的相关性.

由图7可以看出,在0.5km和1km缓冲区内绿地、建筑面积占比均与PM1.0浓度具有明显的相关性,均在置信度为 95%（双侧）上呈显著相关.其中绿地面积占比与 PM1.0浓度呈显著负相关,相关系数分别为-0.542（0.5km）和-0.507（1km）；建筑面积占比与 PM1.0浓度呈显著正相关,相关系数分别为 0.469（0.5km）和 0.537（1km）.由此说明,在局部区域内绿地和建筑面积的占比对PM1.0的浓度具有重要影响,城市绿地由于能够吸附或滞留空气中的粉尘,对颗粒物的扩散有着积极的作用；而建筑区的人类活动密集、污染排放集中,同时密集的高层大楼不利于污染物的扩散,是导致污染物累积的重要因素.

图7　绿地和建筑0.5km（a, b）、1km（c, d）缓冲区面积占比与PM1.0的相关性Fig.4　The correlation between PM1.0and green land and construction land within buffer zone 0.5km （a, b） and buffer zone 1km （c, d）

3　结论

3.1北京市（行政区内）霾日数与土地利用变化有明显的关系,霾日数与生态用地、耕地、建设用地、居民点及工矿用地、交通用地均在置信度为 95%（双侧）上显著相关,其中与生态用地和耕地呈显著正相关,相关系数分别为-0.574和-0.592,与建设用地、居民点及工矿用地、交通用地呈显著负相关,相关系数为 0.595、0.609和0.590.

3.2北京城区（五环内）霾日数与土地利用变化有明显的关系,霾日数与生态用地、耕地和建设用地的变化趋势具有良好的响应关系.建设用地对霾日数影响显著,霾日数与建成区面积在置信度为99%（两侧）上显著正相关,相关系数为0.876.

3.3实测颗粒物浓度数据显示,不同下垫面上PM1.0（PM0.3、PM0.3～0.5和PM0.5～1.0三者之和）污染浓度由高到低依次为：建筑工地＞道路＞裸地＞商业区＞居民区＞绿地,也就是说,建筑工地、道路和裸地 3种下垫面类型更容易产生和集聚细颗粒污染物.

3.4在局部区域内绿地和建筑面积的占比对PM1.0的浓度具有重要影响,在0.5km和1km缓冲区内绿地、建筑面积占比均与PM1.0浓度具有明显的关系,在置信度为 95%（双侧）上呈显著相关.其中绿地面积与 PM1.0浓度呈显著负相关,相关系数为-0.542和-0.507；建筑面积与PM1.0浓度呈显著正相关,相关系数为0.469和0.537.

［1］ Cheng Z, Jiang J K, Fajardo O, et al. Characteristics and health impacts of particulate matter pollution in China （2001-2011） ［J］. Atmos. Environ., 2013,65：186-194.

［2］ Zhao P S, Dong F, He D, et al. Characteristics of concentrations and chemical compositions for PM2.5in the region of Beijing, Tianjin and Hebei, China ［J］. Atmos. Chem. Phys., 2013,13：4631-4644.

［3］ 王 英,李令军,李成才.北京大气能见度和消光特性变化规律及影响因素 ［J］. 中国环境科学, 2015,35（5）：1310-1318.

［4］ Wang Z F, Li J, Wang Z, et al. Modeling study of regional severe hazes over mid-eastern China in January 2013 and its implications on pollution prevention and control ［J］. Science China： Earth Sciences, 2014,44 （1）：3-13.

［5］ 肖致美,毕晓辉,冯银厂,等.宁波市环境空气中PM10和PM2.5来源解析 ［J］. 环境科学研究, 2012,25（5）：549-555.

［6］ Huang R J, Zhang Y L, Carlo B, et al. High secondary aerosol contribution to particulate pollution during haze events in China ［J］. Nature, 2014,514：218-222.

［7］ 王 超,张霖琳,刀 谞,等.京津冀地区城市空气颗粒物中多环芳烃的污染特征及来源 ［J］. 中国环境科学, 2015,35（1）：1-6.

［8］ Duan J C, Tan J H, Wang S L, et al. Size distribution and sources of elements in particulate matter at curbside, urban and rural sites in Beijing ［J］. Environ. Sci., 2012,24（1）：87-94.

［9］ Tian Y Z, Wu J H, Shi G L, et al. Long-term variation of the levels, compositions and sources of size-resolved particulate matter in a megacity in China ［J］. Sci. Total Environ, 2013,463：462-468.

［10］ 范雪波,刘 卫,王广华,等.杭州市大气颗粒物浓度及组分的粒径分布 ［J］. 中国环境科学, 2011,31（1）：13-18.

［11］ Tai A P, Mickley L J, Jacob D J. Correlations between fine particulate matter （PM2.5） and meterorological variables in the United States： implications for the sensitivity of PM2.5to climate change ［J］. Atmos. Envirom., 2010,44（32）：3976-3984.

［12］ Chen Z H, Cheng S Y, Li J B. et al. Relationship between atmospheric pollution processes and synoptic pressure patterns in northern China ［J］. Atmos. Environ., 2008,42（24）：6078-6087.

［13］ 邓利群,钱 骏,廖瑞雪,等.2009年8～9月成都市颗粒物污染及其与气象条件的关系 ［J］. 中国环境科学, 2012,32（8）：1433-1438.

［14］ Johansson C, Norman M, Burman L, et al. Road traffic emission factors for heavy metals ［J］. Atmos. Environ., 2009,43（31）：4681-4688.

［15］ Lough G C, Schauer J J, Lawson D R. Day-of-week trends in carbonaceous aerosol composition in the urban atmosphere ［J］. Atmospheric Environment, 2006,40（22）：4137-4149.

［16］ 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.

［17］ 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分析 ［J］. 生态学报, 2015,35（16）：1-14.

［18］ 莫 莉,余新晓,赵 阳,等.北京市区域城市化程度与颗粒物污染的相关性分析 ［J］. 生态环境学报, 2014,23（5）：806-811.

［19］ 孙 娜.珠三角地区可吸入颗粒物的遥感监测及其与下垫面的相关性分析 ［D］. 北京：中国地质大学（北京）, 2013.

［20］ 唐 明.北京城区可吸入颗粒物分布与土地覆盖类型的关系研究 ［D］. 北京：首都师范大学, 2011.

［21］ 岳 辉.武汉市大气 PM10浓度空间分布特征及其影响因素研究 ［D］. 北京：华中农业大学, 2012.

［22］ 赵普生,徐晓峰,孟 伟,等.京津冀区域霾天气特征 ［J］. 中国环境科学, 2012,32（1）：31-36.

［23］ Che H Z, Zhang X Y, Li Y, et al. Haze trends over the capital cities of 31 provinces in China, 1981-2005 ［J］. Theoretical and Applied Climatology, 2009,97：235-242.

［24］ Wu D, Mao J T, Deng X J, et al. Black carbon aerosols and their radiative properties in the Pearl River Delta region ［J］. Sci. China （Series D）, 2009,52（8）：1152-1163.

［25］ 牟凤云,张增祥,迟耀斌,等.基于多源遥感数据的北京市1973-2005年间城市建成区的动态监测与驱动力分析 ［J］. 遥感学报, 2007,11（2）：257-268.

［26］ McDonald A G, Bealey W J, Fowler D, et al. Quantifying the effect of urban tree planting on concentrations and depositions of PM10in two UK conurbations ［J］. Atmospheric Environment, 2007,41：8455-8467.

Response analysis of haze/particulate matter pollution to Land Use/Cover in Beijing.

TANG Xin-ming1, LIU Hao2*,LI Jing2, XIE Zhi-ying3, ZHAO Wen-hui4（1.Satellite Surveying and Mapping Application Center, National Administration of Surveying, Mapping and Geo-information, Beijing 100830, China；2.Academy of Disaster Reduction and Emergency Management, Beijing Normal University, Beijing 100875, China；3.Lanzhou Jiaotong University, Lanzhou 730070, China；3.Beijing Municipal Environmental Monitoring Center, Beijing 100048, China）.

China Environmental Science, 2015,35（9）：2561～2569

Land-Use/Cover Change （LUCC） has direct or indirect effects on particulate matter pollution. To quantitatively evaluate the correlation between particulate matter pollution and land use in terms of temporal variation and spatial distribution, long-term meteorological data, land use data, measured particulate concentration data and remote sensing images, as well as the GIS spatial analysis methods and canonical correlation analysis methods were used to perform quantitative evaluation of the correlation between the number of haze days and land use change in Beijing, as well as the effects of local land use types on spatial distribution of particle pollution. The results showed that： （1） In respect of temporal variation, from 1996 to 2008, the number of haze days in Beijing presented a significant negative correlation with ecological land and agricultural land, with the correlation coefficients being -0.574 and -0.592 respectively, but presented a significant positive correlation with construction land, residential settlements and industry and mining, and transportation land, with the correlation coefficients being 0.595, 0.609, and 0.590 respectively； from 1989 to 2012, the number of haze days in urban areas of Beijing presented good responding relationship with the variation trend of ecological land, agricultural land, and construction land, in which the expansion of urban areas has significant effect on the number of haze days, and the coverage of built-up areas presented a significant positive correlation with the number of haze days, with the correlation coefficient being 0.876. （2） In terms of spatial distribution, the concentration of particulatesat underlying surface including construction sites, roads, and bare land was obviously higher than that at land of other types； within the 0.5km and 1km buffer area, the area of green land presented a significant negative correlation with the PM1.0concentration, with the correlation coefficients being -0.542 and -0.507 respectively, and the area of construction land presented a significant positive correlation with the PM1.0concentration, with the correlation coefficients being 0.469 and 0.537 respectively. As a whole, the pollution level and spatial distribution pattern of particulate matter were closely related to the Land Use/Cover status.

particle pollution；number of haze days；land use/cover；correlation analysis

X513

A

1000-6923（2015）09-2561-09

2015-01-15

测绘地理信息公益性行业科研专项（201412007）；国际科技合作项目（S2014ZR0347）

*责任作者, 讲师, lihaha1985@126.com

唐新明（1966-）,男,江苏如东人,研究员,博士,主要从事GIS与RS技术与应用研究.发表论文100余篇.