京津冀城市群景观格局变化机制与预测

"城市群"是我国新型城镇化的主体形态,对推进国民经济发展具有重大意义,但其聚集连片的快速扩张模式对资源环境的压力持续增加,已经成为制约未来可持续的瓶颈。以我国经济发展最为活跃,但生态环境问题十分突出的京津冀城市群为例,基于CLUE-S模型,模拟分析了1990—2010年京津冀城市群景观格局的变化特征及其驱动机制,并预测了未来景观格局的变化趋势。结果表明,(1)1990—2010年京津冀城市群景观格局变化显著。其中,人工表面持续增加,耕地明显下降,林地和草地格局的变化也存在明显的时序差异;(2)京津冀城市群景观格局的变化主要受自然和社会经济要素的综合影响,且不同景观类型之间的驱动机制存在明显差异。其中,林地更易在地势较高、坡度较大的西部地区分布,而河流、人工表面等更易在平坦低洼的区域分布;此外,不同景观类型变化的驱动机制存在显著的时序差异,例如,人工表面受地形的影响程度逐步降低,呈现更加离散的分布,且其分布特征由较早时期的向市中心集聚分布发展为逐渐远离市中心并向铁路、高速路周边集聚的趋势;(3)经检验,CLUE-S模型能够较好地动态模拟京津冀城市群的土地覆盖格局的变化特征,模型的Kappa指数达0.84。模拟预测结果显示,未来(2020年)景观格局演变的显著特征是人工表面将持续增加,耕地将继续显著减少。北京、天津、唐山和石家庄等核心城市的景观格局变化将最为显著。     

冬季PM2.5的气象影响因素解析

气象因素能够显著影响PM_(2.5)浓度,可减轻或加剧城市空气污染,尤其是在雾霾严重的冬季。同时由于城市间污染物排放强度和扩散条件的差异,雾霾的发生往往具有较强的区域性。选择了石家庄、西安、北京、太原、广州5个不同污染区域的典型城市,首先分析多个气象因子与PM_(2.5)浓度的关系,进而研究气象因素对PM_(2.5)浓度变异解释度的差异,以及气象因子对PM_(2.5)浓度影响的相对重要性,进一步对比分析气象因素对PM_(2.5)浓度影响在不同污染程度的城市之间的差异,解析了不同城市的主要气象影响因素和气象因素的综合影响程度。研究结果表明:(1)气象条件与PM_(2.5)日浓度显著相关,且在不同污染程度的城市与PM_(2.5)浓度相关的气象因子不同。与石家庄冬季PM_(2.5)浓度相关的气象因素为相对湿度、平均风速;与西安PM_(2.5)浓度相关的主要气象因素为相对湿度、平均风速和最大持续风速;与北京PM_(2.5)浓度相关的主要气象因素相对湿度、日均温度、平均风速、最大持续风速和最低温;与太原PM_(2.5)浓度相关的主要气象因素为日均温、相对湿度、平均风速、最高温、最低温和最大持续风速;与广州PM_(2.5)浓度相关的主要气象因素为相对湿度、平均风速、最高温和降雨量。(2)PM_(2.5)浓度越高的地区,气象因素能够解释的PM_(2.5)浓度变异越小。严重污染区的石家庄气象因素多元回归分析的R~2为0.27,重污染区的西安气象因素多元回归分析R~2为0.29,中污染区的北京气象因素多元回归分析R~2为0.46,污染地区的太原气象因素多元回归分析R~2为0.67。研究结果揭示了不同城市的主要气象影响因素及其综合影响程度,可为城市PM_(2.5)控制和预测精度提高提供理论参考,并为区域生态环境规划和城市协调发展提供科学依据。