2017, Vol. 38
2. 成都理工大学地球科学学院, 成都 610059;
3. 国网北京经济技术研究院, 北京 100010;
4. 武汉大学遥感信息工程学院, 武汉 430079
2. Faculty of Earth Science, Chengdu University of Technology, Chengdu 610059, China;
3. China State Power Economic Research Institute, Beijing 100010, China;
4. Shool of Remote Sensing and Information Engineering, Wuhan University, Wuhan 430079, China
近年来, 随着城市经济的迅速发展, 城市大气污染日趋严重, 霾天气频频发生.霾是悬浮在大气中的大量微小尘粒、烟粒或盐粒的集合体, 是在大气相对湿度小于80%, 水平能见度低于10 km的一种天气现象[1]. “源”“汇”景观理论是基于大气污染研究提出的, 对于大气霾污染, 景观生态学认为, “源”景观是指增大霾浓度的景观, “汇”景观是指抑制霾浓度增大、降低大气污染的景观[2].城市化过程中, 如何在有限的土地资源条件下合理布置各类景观类型的空间分布至关重要, “源”“汇”景观分布不均衡, 会影响城市内污染物的扩散速度和浓度分布, 导致城市大气组成的变化, 从而引起城市大气环境的变化[3~5].合理规划城市“源”“汇”景观格局, 可以减少大气霾污染, 降低城市建设本身引起的大气环境的负面变化[6].
目前, 大气霾污染的研究多集中于研究气象因素对霾形成及发展的影响、霾的质量浓度和化学成分以及持续性霾污染的传输轨迹[7~9]这3个方面.而对于城市“源”“汇”景观格局与城市大气霾污染之间关系的研究还不够充分[10, 11].城市发生大气霾污染的一个重要原因是城市景观格局不合理、“源”“汇”景观分布失衡、城市内部污染难以及时扩散[4, 12], 因此准确判别“源”“汇”景观、分析城市“源”“汇”景观格局与大气霾污染的相关关系、合理规划城市“源”“汇”景观格局, 是降低大气霾污染的有效途径.
本文以武汉市为例, 基于Landsat8和MODIS气溶胶光学厚度产品两种遥感数据, 使用地理加权回归模型分析了城市“源”“汇”景观格局与大气霾污染的相关关系, 并在工业区、商业区和居民区这3种功能区内分析建筑物这一复合地表要素对大气霾污染影响的差异, 以期为城市“源”“汇”景观格局的合理规划、减轻大气霾污染、改善城市大气环境提供理论参考.
1 材料与方法地表覆盖数据为Landsat8影像分类后处理数据, 包括建筑、林地、水域、耕地、灌木等地物类别, 如图 1所示.
|
图 1 武汉市景观分类结果 Fig. 1 Classification result for Wuhan |
气溶胶光学厚度数据使用MODIS气溶胶光学厚度产品MOD04, 经过几何校正、镶嵌、裁剪、波段运算等处理, 得到武汉市2015年年平均气溶胶光学厚度(剔除极端天气, 如阴雨、大风、沙尘暴等), 如图 2所示.
|
图 2 武汉市AOD分布 Fig. 2 AOD distribution of Wuhan |
每种土地覆盖类型对应的AOD均值和标准差如表 1所示.
|
表 1 每种土地覆盖类型对应的AOD的均值和标准差 Table 1 Mean value and standard deviation of AOD corresponding to each land cover type |
2 尺度选择与“源”“汇”景观判别 2.1 景观格局和景观指数
地表上大小和形状各异的景观要素在空间上的排列和组合构成景观格局, 包括景观组成单元的类型、数目及空间分布配置.景观指数是高度浓缩景观格局信息反映其结构组成和空间配置某些方面特征的简单定量指标, 适合定量表达景观格局和生态过程之间的关联的空间分析方法[13].
景观指数的计算可以在斑块、类别和整体景观3个层次上进行.其中斑块层次上的景观指数尺度过小, 对描述整体景观格局不具有很大价值; 类别层次指数可以相应计算一些统计学指标; 整体景观层次上, 可以计算各种多样性指数和聚集度指数等以反映整体景观的异质性程度[14, 15].
2.2 尺度效应景观格局具有尺度效应.尺度效应表现为, 景观指数的计算结果随空间尺度的变化而变化[16].尺度的大小选择决定了景观格局的研究结果, 研究尺度过大或过小都会降低景观与环境的相关性和解释性[17].景观的异质性决定了景观空间格局的研究重要性[18].对于大气环境来说, 在一定的研究区域内, 异质性越好, 表明各景观类型分布越均匀, 越有利于大气中物质、能量等的流动和传播, 从而保持优良的大气环境.因此本文分析不同尺度下整体景观的异质性程度, 选择异质性最高的尺度来进行景观格局的大气霾效应研究.
选取能够从不同角度反映整体景观异质性特征、便于景观格局全面分析的景观指数进行最优尺度分析(如表 2), 在2~9 km空间尺度计算景观指数.
|
|
表 2 所选取景观指数及意义 Table 2 Landscape index selected in this study |
将反映整体景观异质性的各景观指数线性归一化, 最终各指数在不同尺度下的计算结果如图 3所示.
|
图 3 不同尺度下归一化后的异质性指数 Fig. 3 Heterogeneity index after normalization at different scales |
从图 3可以看出, 归一化后的整体景观的异质性指数除SHEI在5 km处达到最大值外, 其他指数均在6 km处达到最大.总体而言, 各指数在6 km时, 整体景观的异质性表现的最为明显, 因此本文基于6 km尺度来研究“源”“汇”景观格局与AOD的相关关系.
2.3 “源”“汇”景观判别类别级景观指数可以反映各类景观的排列分布特征, 本文基于类别级景观指数来区分大气霾污染的“源”“汇”景观.将地表覆盖分类结果分割为6 km的格网, 计算每个格网内的类别级景观指数; 对AOD进行同样的分割, 取每个分割块的AOD均值作为格网的中心值, 并对二者进行相关性分析, 以判别大气霾污染的“源”“汇”景观.所选取的类别级景观指数如表 3所示.各类别的景观指数与AOD的相关系数如表 4所示.
|
|
表 3 所选取景观指数及意义 Table 3 Landscape index selected in this study |
|
|
表 4 类别级各景观指数与AOD的相关性分析结果1) Table 4 Correlation analysis results of landscape index and AOD by class level |
表 4可以看出, 建筑物的PLAND、LPI、FRAC_MN、COHESION均与AOD呈正相关, 而PD与其呈负相关.即一定尺度内建筑物所占面积越大、单个斑块面积越大、几何形状越规则、斑块之间越紧促, AOD值就越高.因此, 可以认为大气霾污染的“源”景观为建筑物.而对于林地和灌木, 各指数均与AOD呈负相关.即灌木和林地在一定尺度内所占面积越大、连接性越好、分布越均匀, AOD值就越低.因此, 可以认为大气霾污染的“汇”景观为林地和灌木.
而在景观格局的环境效应研究中, 一直被看作“汇”景观的水域却与AOD无明显的相关性.通过分析, 可能是以下两个原因造成的：①从图 2可以看出, 长江上空气溶胶浓度很高, 这是由于路经武汉市的船只较多, 其消耗的化石燃料放出的废气很容易在相对湿度很高的江面发生反应生成气溶胶[19]; ②武汉市气候条件的原因, 武汉常年处于相对湿度高、近地风速低的状态[20].较高的相对湿度成为凝结而形成气溶胶的“催化剂”; 较低的近地风速不利于气溶胶前体物的扩散.
对于耕地, 由于其种类多样：普通田地和有塑料大棚的田地[图 4(a)]、旱田和水田[图 4(b)]、生长期和收割期的耕地[图 4(c)]等等, 在对大气霾污染的作用中差别很大, 且多种农田混合交叉分布, 这是与AOD相关性不明显的主要原因.
|
图 4 各种类型农田示意 Fig. 4 Various types of cultivated land |
综上所述, 本文选择建筑物为大气霾污染的“源”景观, 灌木和林地作为大气霾污染为“汇”景观, 进行“源”“汇”景观与AOD的地理加权回归分析, 反映“源”“汇”景观格局对大气霾污染的影响.
3 地理加权回归分析对景观格局的大气霾效应定量分析常使用的基于统计学的模型, 如相关性分析、线性回归模型、指数模型等, 均为全局模型, 实际上大气霾污染与景观格局往往表现出局部变化特征, 即使是同样的景观类型, 其排列布局不同对应的霾严重程度也会有所不同, 因此使用局部模型可以更准确地反映景观格局与大气环境的耦合关系[21, 22].地理加权回归(geographically weighted regression)作为一种局部统计模型, 可以避免由地理位置引起的空间非平稳性的影响, 因此本文选取地理加权回归模型, 对因变量AOD和自变量各景观指数进行回归分析.
3.1 地理加权回归分析原理地理加权回归模型是对普通线性回归模型的扩展, 将数据的地理位置嵌入到回归参数中, 即：
|
式中, (ui, vi)为第i个采样点的坐标(如经纬度), β0(ui, vi)为第i个采样点上的第k个回归系数, 是地理位置的函数.
本文使用地理加权回归模型进行“源”“汇”景观的大气霾效应分析, 以“类别级”景观指数为自变量, AOD为因变量, 分析“源”“汇”景观分布的均衡性和排列组合方式的合理性对大气霾污染的影响.
3.2 景观指数选择景观指数之间存在很大的相关性[23], 这就使得在与AOD进行地理加权回归分析时出现自变量组合冗余现象, 导致模型不稳定、不可靠.因此, 本文在6km尺度下分析各景观指数之间的相关性(如表 5), 取相关性较小的景观指数进行地理加权回归分析.
|
|
表 5 景观类别级别上各景观指数的自相关性分析表1) Table 5 Self correlation of landscape index by landscape class |
表 5显示, 各个类别中, PD与PLAND、LPI无相关性, 但PLAND和LPI相关性明显, 而PLAND意义更直观, 因此这里选取PLAND和PD对各类别景观进行地理加权回归分析.
3.3 地理加权回归分析 3.3.1 “源”景观的地理加权回归建筑区的PLAND和PD指数分布如图 5所示, 对其进行地理加权回归分析的拟合度为0.752 1, 具体分析结果如图 6所示.
|
图 5 建筑物类别PLAND和PD指数分布 Fig. 5 Distribution of PLAND and PD index for building class |
|
图 6 建筑物类别地理加权回归分析结果 Fig. 6 Geographical weighted regression analysis results for building category |
图 6(a)显示, 总体上在主城区斑块密度PD的回归系数为负, 而在非主城区系数为正. 图 6(b)显示PLAND系数几乎全部为正.这是由于在主城区建筑区呈大片斑块出现, 虽然建筑物的斑块密度小, 但是其在景观格局中所占比例极大; 而在非主城区, 建筑与其他类别混合交叉排列, 其斑块密度增大, 建筑所占面积有所减小.由此可得, 减小建筑物面积所占比例, 增大其斑块密度有降低AOD的作用, 即建筑物类型斑块破碎化程度越低、占面积百分比越大, AOD浓度越高.
建筑物等地面要素对大气污染的影响具有一定的差异, 即排放与地表要素呈非线性关系, 同样是建筑物, 在工业区、商业区和居民区具有显著的差异, 为了探究复合地表要素对大气霾污染的影响, 本文在6 km网格中划分工业区、居民区、商业区、水域等7种城市功能区(如图 7), 在工业区、商业区和居民区3种功能区内分析建筑物对大气污染影响的差异.并分别统计3种功能区对应的PD、PLAND和AOD均值和标准差如表 6所示.
|
|
表 6 3种城市功能区对应的PD、PLAND和AOD均值和标准差 Table 6 Mean values and standard deviationof PD, PLAND, and AOD ofurban functional areas |
|
图 7 3种城市功能区的分布 Fig. 7 Distribution of urban functional areas |
表 6印证了减小建筑物面积所占比例, 增大其斑块密度可降低AOD的结论, 同时也显示出, 同样的建筑物, 在工业区、商业区和居民区对大气霾污染具有显著差异的特点.对于武汉市来说, 大气霾污染的真正之源为商业区和居民区, 即来源于市民生活.而工业区的污染排放监管不断加强使得工业区已不再是大气霾污染的主要源头.
3.3.2 “汇”景观的地理加权回归灌木的PLAND和PD的分布图及地理加权回归分析结果分别如图 8、9所示, 对其分别进行地理加权回归分析的拟合度为0.7708. 图 9显示, 在主城区灌木的斑块密度很大, 但面积所占比例极小, 此时PLAND占主导作用, 而非主城区, 灌木分布的面积所占比例相当, 此时PD占主导作用, 总体上PD和PLAND的回归系数均为负值, 由此可得, 灌木类别对AOD浓度具有降低的作用, 且其分布均匀度越高、占面积百分比越大, 其降低AOD浓度作用越明显.
|
图 8 灌木类别PLAND和PD指数分布 Fig. 8 Distribution of PLAND and PD index for shrubs |
|
图 9 灌木类别地理加权回归分析结果 Fig. 9 Geographic weighted regression analysis results for shrub types |
林地类别的PLAND和PD的分布图及地理加权回归分析结果分别如图 10、11所示, 拟合度为0.699 7. 图 10显示出林地分布的不均衡性, 图 11(a)显示, 除在耕地处, 其他类别地区的回归系数均为负值; 图 11(b)可以看出, 林地PLAND大的区域其系数绝对值越大, 即对大气颗粒物的减小能力越强.总体分析, 林地对大气的作用同灌木几乎相同, 即增大其分布面积和分布均匀度可有效降低大气颗粒物浓度.
|
图 10 林地类别PLAND和PD指数分布 Fig. 10 Distribution of PLAND and PD index for forest |
|
图 11 林地类别地理加权回归分析结果 Fig. 11 Geographical weighted regression analysis results for the forest category |
(1) 在2~9 km尺度下分析整体景观异质性, 各景观指数值归一化后, 整体上在6 km时达到最大, 即6 km时整体景观的异质性表现得最为明显;
(2) 对于大气霾污染来说, 其“源”景观为建筑物, “汇”景观为林地和灌木;
(3) 减小“源”景观的面积所占比例(PLAND值)、增大“源”“汇”景观斑块密度(PD值), 即增大“源”景观破碎化程度, “源”“汇”景观穿插均匀分布, 可以有效减小气溶胶光学厚度, 降低大气霾污染程度.
(4) 武汉市大气霾污染的主要来源为中心城区的商业区和居民区, 即来自于市民生活.而中心城区由于需要发挥其经济、交通等功能, 已有的建设用地不宜大面积改动, 针对这一现状, 可以采取小幅度优化措施, 重点调整景观斑块的密度.而对于非建成区, 可采取建前优化规划方案的措施, 均衡“源”“汇”景观的面积和空间分布.
| [1] |
吴兑. 近十年中国灰霾天气研究综述[J]. 环境科学学报, 2012, 32(2): 257-269. Wu D. Hazy weather research in China in the last decade:a review[J]. Acta Scientiae Circumstantiae, 2012, 32(2): 257-269. |
| [2] |
陈利顶, 傅伯杰, 赵文武. "源""汇"景观理论及其生态学意义[J]. 生态学报, 2006, 26(5): 1444-1449. Chen L D, Fu B J, Zhao WW. Source-sink landscape theory and its ecological significance[J]. Acta Ecologica Sinica, 2006, 26(5): 1444-1449. |
| [3] |
彭建, 党威雄, 刘焱序, 等. 景观生态风险评价研究进展与展望[J]. 地理学报, 2015, 70(4): 664-677. Peng J, Dang W X, Liu Y X, et al. Review on landscape ecological risk assessment[J]. Acta Geographica Sinica, 2015, 70(4): 664-677. |
| [4] |
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 L D, Sun R H, Liu H L. Eco-environmental effects of urban landscape pattern changes:progresses, problems, and perspectives[J]. Acta Ecologica Sinica, 2013, 33(4): 1042-1050. |
| [5] | Peng J, Xie P, Liu Y X, et al. Urban thermal environment dynamics and associated landscape pattern factors:A case study in the Beijing metropolitan region[J]. Remote Sensing of Environment, 2016, 173: 145-155. DOI:10.1016/j.rse.2015.11.027 |
| [6] |
孙然好, 许忠良, 陈利顶, 等. 城市生态景观研究的基础理论框架与技术构架[J]. 生态学报, 2012, 32(7): 1979-1986. Sun R H, Xu Z L, Chen L D, et al. Theoretical framework and key techniques of urban ecological landscape research[J]. Acta Ecologica Sinica, 2012, 32(7): 1979-1986. |
| [7] |
张南, 熊黑钢, 葛秀秀, 等. 北京市冬季雾霾天人体呼吸高度PM2.5变化特征对气象因素的响应[J]. 环境科学, 2016, 37(7): 2419-2427. Zhang N, Xiong H G, Ge X X, et al. Response of human respiratory height PM2.5 variation characteristics to meteorological Factors during winter haze days in Beijing[J]. Environmental Science, 2016, 37(7): 2419-2427. |
| [8] |
刘景云, 刘子锐, 温天雪, 等. 石家庄秋季一次典型霾污染过程水溶性离子粒径分布特征[J]. 环境科学, 2016, 37(9): 3258-3267. Liu J Y, Liu Z R, Wen T X, et al. Characteristics of the size distribution of water soluble inorganic ions during a typical Haze pollution in the Autumn in Shijiazhuang[J]. Environmental Science, 2016, 37(9): 3258-3267. |
| [9] |
李莉, 蔡鋆琳, 周敏. 2013年12月中国中东部地区严重灰霾期间上海市颗粒物的输送途径及潜在源区贡献分析[J]. 环境科学, 2015, 36(7): 2327-2336. Li L, Cai J L, Zhou M. Potential source contribution analysis of the particulate matters in Shanghai during the heavy haze episode in eastern and middle China in December 2013[J]. Environmental Science, 2015, 36(7): 2327-2336. |
| [10] |
韩晔, 周忠学. 西安市绿地景观吸收雾霾生态系统服务测算及空间格局[J]. 地理研究, 2015, 34(7): 1247-1258. Han Y, Zhou Z X. Evaluation on ecosystem services in haze absorption by urban green land and its spatial pattern analysis in Xi'an[J]. Geographical Research, 2015, 34(7): 1247-1258. |
| [11] | Fameli K M, Assimakopoulos V D, Kotroni V, et al. Effect of the land use change characteristics on the air pollution patterns above the Greater Athens Area(GAA) after 2004[J]. Global Nest Journal, 2013, 15(2): 169-177. |
| [12] | 滕明君. 快速城市化地区生态安全格局构建研究——以武汉市为例[D]. 武汉: 华中农业大学, 2011. http://cdmd.cnki.com.cn/Article/CDMD-10504-1012458138.htm |
| [13] | 关键. 石家庄城市景观格局对灰霾效应的影响研究[D]. 南京: 南京师范大学, 2015. http://cdmd.cnki.com.cn/Article/CDMD-10319-1015430413.htm |
| [14] | Tian G J, Jiang J, Yang Z F, et al. The urban growth, size distribution and spatio-temporal dynamic pattern of the Yangtze River Delta megalopolitan region, China[J]. Ecological Modelling, 2011, 222(3): 865-878. DOI:10.1016/j.ecolmodel.2010.09.036 |
| [15] | 邬建国. 景观生态学:格局、过程、尺度与等级[M]. 北京: 高等教育出版社, 2000: 104-105. |
| [16] | Johnson C J, Boyce M S, Mulders R, et al. Quantifying patch distribution at multiple spatial scales:applications to wildlife-habitat models[J]. Landscape Ecology, 2004, 19(8): 869-882. DOI:10.1007/s10980-004-0246-7 |
| [17] |
陈利顶, 刘洋, 吕一河, 等. 景观生态学中的格局分析:现状、困境与未来[J]. 生态学报, 2008, 28(11): 5521-5531. Chen L D, Liu Y, Lv Y H, et al. Landscape pattern analysis in landscape ecology:current, challenges and future[J]. Acta Ecologica Sinica, 2008, 28(11): 5521-5531. DOI:10.3321/j.issn:1000-0933.2008.11.037 |
| [18] |
韩黎阳, 黄志霖, 肖文发, 等. 三峡库区兰陵溪小流域土地利用及景观格局对氮磷输出的影响[J]. 环境科学, 2014, 35(3): 1091-1097. Han L Y, Huang Z L, Xiao W F, et al. Effects of land use and landscape pattern on nitrogen and phosphorus exports in Lanlingxi Watershed of the Three Gorges Reservoir Area, China[J]. Environmental Science, 2014, 35(3): 1091-1097. |
| [19] | 张明明. 大气气溶胶光学厚度遥感反演及其环境效应研究[D]. 南京: 南京信息工程大学, 2014. http://cdmd.cnki.com.cn/Article/CDMD-10300-1015566608.htm |
| [20] | Wang L C, Gong W, Xia X, et al. Long-term observations of aerosol optical properties at Wuhan, an urban site in Central China[J]. Atmospheric Environment, 2015, 101: 94-102. DOI:10.1016/j.atmosenv.2014.11.021 |
| [21] | Brown S, Versace V L, Laurenson L, et al. Assessment of spatiotemporal varying relationships between rainfall, land cover and surface water area using geographically weighted regression[J]. Environmental Modeling & Assessment, 2012, 17(3): 241-254. |
| [22] |
吴建生, 王茜, 李嘉诚, 等. PM2.5浓度空间分异模拟模型对比:以京津冀地区为例[J]. 环境科学, 2017, 38(6): 2191-2201. Wu J S, Wang X, Li J C, et al. Comparison of models on spatial variation of PM2.5 concentration:a case of Beijing-Tianjin-Hebei region[J]. Environmental Science, 2017, 38(6): 2191-2201. |
| [23] | Turner M G, Gardner R H. Landscape ecology in theory and practice:pattern and process (2nd ed.)[M]. New York: Springer-Verlag, 2015: 325-332. |