深圳市大气污染时空分布及其与景观格局的关系

气溶胶和臭氧是我国大部分地区的两种主要大气污染物,对城市生态环境和人类身体健康影响严重。以深圳市为研究区,利用大气监测站点提供的监测数据和普通kriging空间插值法,从年、季、月尺度上开展近5年（2015-2019）深圳全市PM_2.5和臭氧的时空分布研究,通过皮尔逊分析和显著性检验从月尺度上分析土地覆盖类型及其景观格局对大气污染的影响。结果表明：（1）近5年内深圳市PM_2.5浓度总体呈现下降趋势,臭氧浓度则先降后升,二者季节性和月度差异显著。（2）PM_2.5和臭氧在年、季、月尺度上空间差异明显,全市PM_2.5浓度整体为西北高、东南低;臭氧浓度西北、东南较高,其余区域相对较低。（3）植被占比的增多对PM_2.5浓度有明显的抑制和调控作用,植被斑块间距离越近,对PM_2.5浓度的调控作用越明显;水体占比的增高会导致臭氧浓度增高和变化幅度增大。研究结果可为城市大气污染防治和景观格局规划管理提供参考。     

粤港澳大湾区PM2.5时空分布特征及其与气象要素的关系

细颗粒物（PM_2.5）污染不仅是现代社会城市化进程中的痛点,也是城市大气环境研究不可忽略的重要焦点。粤港澳大湾区作为世界级城市群,既是城市区域经济社会文化发展的重要体现,更是国家区域发展战略的重要构成与政策实施落脚点,其生态环境的优劣尤其受瞩目。对1999-2016年大湾区地表PM_2.5浓度栅格数据集进行了时空分布特征分析,其中空间自相关分析选取莫兰指数（Moran''I指数）作为度量;并利用多元线性回归模型探讨研究区内PM_2.5与气象要素之间关系。结果表明：粤港澳大湾区1999-2016年历年PM_2.5浓度呈先增加后减小的趋势,2008年为时间拐点,该时间节点之后空气质量显著提高,且1999、2009、2016三年,年平均PM_2.5浓度相似值趋于聚集分布。冷热点分析结果表明：热点区域集中于湾区行政核心区域范围内;冷点集中于核心边缘区域,空气质量较优。利用皮尔森相关分析最终筛选出实际蒸散量（aet）、太阳辐射（srad）、最低温度（tmmn）、蒸汽压（vap）、饱和水汽压差（vpd）、风速（ws）等6个气象因子,利用回归分析判断影响PM_2.5浓度时空分布的显著因子。结果表明：本研究区太阳辐射与PM_2.5浓度关系呈负相关,该结果与其他城市相关研究有较大差异,最小温度与PM_2.5浓度呈正相关,风速与PM_2.5浓度呈负相关,饱和水气压差与PM_2.5浓度呈正相关。     

珠三角地区PM2.5浓度估算及其健康效应评估

快速的社会经济发展导致城市出现以PM_2.5为首要污染物的空气污染问题,PM_2.5污染严重危害人群健康。因此,厘清PM_2.5时空分布特征并估算其带来的健康影响,对于PM_2.5的区域联防联控具有重要意义。现有研究中,为弥补地面监测数据的不足,借助机器学习算法估算PM_2.5浓度成为研究热点,此外,基于流行病学研究结果的健康效应模型也被广泛用于评估PM_2.5健康影响的研究中。利用珠江三角洲地区2014-2018年56个空气质量监测站的PM_2.5实时监测数据、气象数据、社会经济数据和归一化植被指数,构建随机森林模型,多要素联合估算2000-2018年监测站点的PM_2.5浓度,并采用克里金插值方法获得PM_2.5浓度的空间分布,在此基础上应用全球暴露死亡（GEMM）模型,评估珠三角地区的PM_2.5健康效应。结果表明：（1）2000-2018年期间,珠三角地区的PM_2.5算术年均浓度维持在35μg/m³左右,呈现"西北-东南"递减空间分异;降水量、温度、风速和水汽压等气象因子对PM_2.5浓度具有负向影响,GDP和人口密度等社会经济因子对PM_2.5浓度具有正向影响。（2）2000-2018年期间,珠三角地区PM_2.5人口加权年均浓度均低于PM_2.5算术年均浓度,表明珠三角地区人口密度和PM_2.5浓度未呈现明显的空间匹配关系,例如肇庆PM_2.5浓度较高但人口密度较低,深圳PM_2.5浓度较低但人口密度较高。（3）2000-2018年期间,珠三角地区PM_2.5污染对于缺血性心脏病和中风的健康影响较显著,而对下呼吸道感染的健康影响较弱。区域PM_2.5相关过早死亡人数逐渐增多,主要集中在PM_2.5浓度和人口密度较高的地区,例如珠三角中心地区,以广州中心城区表现明显。本研究建议珠三角地区加大空气污染治理力度,提高医疗服务水平,同时关注城市人口结构,引导城市人口有序流动迁移,以缓解PM_2.5带来的健康影响,实现城市化的健康发展。     

寒地校园植物群落对大气细颗粒物浓度的消减作用

近年来随着我国城市的快速发展,空气污染作为城市生态环境破坏的首要问题日益严重。因此探究城市绿地中的植物群落是否能够消减大气细颗粒物浓度及其变化特征成为公众和学者广泛关注的焦点。选取位于寒地城市哈尔滨的东北林业大学作为研究对象,通过对校园PM_2.5浓度进行测定和校园植物群落进行调查,定量地分析不同植物群落对PM_2.5浓度的消减作用、PM_2.5浓度的时间变化规律、PM_2.5浓度与温度和空气相对湿度之间的关系。结果显示：（1）PM_2.5浓度日变化呈"双峰单谷"型,早晚偏高;季节变化是夏季PM_2.5浓度最低,秋季PM_2.5浓度最高。（2）不同结构的植物群落对大气细颗粒物的削减效果略有差异,乔灌草配置型绿地的PM_2.5消减率为30.30%,消减效果最佳;乔草和灌草的PM_2.5消减率分别为14.30%和7.77%,消减效果较差。（3）PM_2.5浓度与温度呈负相关关系,与空气相对湿度呈正相关关系。     

植被覆盖度对夏季降温效应的影响——以内蒙古为例

随着全球变暖的加剧,区域热环境问题日益凸显,植被的降温作用逐渐得到广泛关注。目前已有的研究多从样地尺度分析不同类型植被的降温效应。而区域尺度的研究多从定性的角度揭示地表温度与植被覆盖的关系,对评估植被的实际降温效应具有一定的局限性。以内蒙古为研究区,以MODIS地表温度数据为基础,采用近邻分析法,将森林、灌丛和草地的MODIS地表温度与相邻5km范围内的低覆盖地表作为对照,分析植被的降温效应以及植被覆盖度对降温效应的影响。从2015年7月地表温度平均值的结果来看,降温度数在蒙东、蒙中和蒙甘区均呈现森林>灌丛>草地。森林的降温范围在0.67-1.03℃,灌丛为0.60-0.95℃,草地为0.47-0.86℃。植被降温度数与植被覆盖度的回归拟合为对数分布,均呈显著正相关（P<0.01）。且在不同的植被覆盖度范围内植被降温效应具有显著差异,植被覆盖度水平较低时（<40%）,植被覆盖度的增加能更显著地降低地表温度。从整体来看,植被覆盖度每增加10%,森林降温0.12-0.39℃;灌丛降温0.1-0.2℃;草地降温0.049-0.075℃。综上,内蒙古作为全球气候变化最为敏感的区域之一,研究植被的夏季降温效应能够为内蒙古的气候调节服务评估提供重要的理论支撑及案例参考。     

2000-2015年中国PM2.5浓度时空分布特征及其城乡差异

近40年来,中国快速经济发展引发较为严重的大气污染,PM_2.5是一种重要的空气污染物,掌握其时空分布规律是对其进行防治的重要前提。基于遥感反演出的PM_2.5浓度数据集,研究了中国2000-2015年PM_2.5浓度的时空分布特征,并基于界定的1376个城镇城区及对应乡村的边界分析了每年PM_2.5浓度值的城乡差异,用线性趋势分析法计算城镇PM_2.5浓度的年际变化速率及显著性。结果表明,研究期内,PM_2.5浓度高于35 μg/m³的面积比例由18.58%增加至32.03%,低于15 μg/m³的面积从43.92%减少到25.12%。PM_2.5污染最严重的地区分布在塔里木盆地、河北南部、河南北部和山东西部。从2000年到2015年,中国绝大多数城镇PM_2.5浓度显著增加,尤其是在东北平原、太行山以东的河北省西南部、燕山以南的北京天津及河北唐山、鲁中南山地丘陵及周围平原地区、华北平原江苏省北部。PM_2.5城乡差异在河北省、山西省两条东北-西南向S形条带区域、浙江省-福建省条带及天山北部绿洲区域较大。研究对PM_2.5高浓度区域、PM_2.5浓度增长较快区域以及城区PM_2.5浓度对乡村影响较大区域进行图示,为中国进一步控制雾霾污染提供一定科学依据。     

2001-2015年天山北坡植被覆盖对干旱的响应——基于土地利用/土地覆盖分析

天山北坡生态系统脆弱,易受干旱影响,全球变暖和不合理的人类活动加剧了干旱的影响,评估植被覆盖对干旱的响应,为改善生态环境和减轻干旱影响提供科学参考。基于MODIS-NDVI遥感数据以及气象数据,计算了2001-2015年天山北坡多尺度标准化降水蒸散发指数（SPEI）和植被覆盖度,总结出植被覆盖度与多尺度SPEI时空动态变化规律,从土地利用/土地覆盖（LUCC）的角度分析了植被覆盖度对气候干旱的响应。结果表明：（1）天山北坡绝大部分区域呈湿润状态,中部（石河子、呼图壁）、西北部（克拉玛依市）呈轻度干旱。3个月、6个月、12个月时间尺度SPEI均表现出干旱化增强的年际变化趋势;（2）天山北坡植被覆盖度整体上属中低覆盖,总体呈南高北低,天山山区、城市绿洲内部高的分布特点。2001-2015年天山北坡植被覆盖度变化总体呈下降趋势;（3）年尺度天山北坡植被覆盖度与SPEI整体呈正相关关系。不同土地利用/土地覆盖的植被覆盖度与12个月时间尺度SPEI（SPEI 12）的相关性不同,大小依次为：草地 > 未利用地 > 城乡用地 > 林地 > 水域 > 耕地;（4）季节尺度夏季和春季干旱对植被覆盖度的影响最明显,不同季节干旱对不同土地利用/土地覆盖植被覆盖度影响程度不同。     

高原河谷城镇化对植被覆盖度的影响

以典型的高原河谷城市——西宁市为例,定量分析了2000-2015年研究区景观格局及植被覆盖度的时空演变,揭示了高原河谷地区的城镇建设对植被覆盖度的干扰过程及生态环境质量的影响。结果表明：（1）2000-2015年间,西宁市城镇面积增幅为25.99%,总体城镇化率为4.76%,各区县城镇化水平差异较大;（2）西宁市平均植被覆盖度呈增加趋势但不显著（P < 0.57）。植被覆盖度以中高和高植被覆盖度为主,空间上呈现"东西低-南北高"的分布特征,退耕（牧）还林（草）区的植被覆盖度显著增加（P < 0.01）,说明生态恢复工程效果显著;（3）区县尺度上,城镇化速率与中高覆盖植被面积变化呈显著负相关（P < 0.01）,区县内生态质量有所下降,城镇发展程度和区位条件的差异是影响中高覆盖度植被变化的主要因素;（4）格网尺度上,建成区及其周边区域的低覆盖植被面积呈显著增加趋势（P < 0.01）,表明城镇内部区域生态质量有所改善。研究结果对保护和提高西宁市生态环境质量及合理推进城镇建设等方面具有重要意义。     

北方城市绿地对大气颗粒物浓度的削减作用对比研究

尽管城市绿地能够改善空气质量,但由于实践中缺乏统一的绿地分类系统,很难从优化绿地植被结构的角度出发调节城市空气质量。因此,为了探究北方城市不同绿地削减大气颗粒物浓度效果的差异,构建了一套融入植被结构因子和物种组成的绿地分类系统,基于该分类系统,在北京、西安、宝鸡选取了5类共同常见的植被结构绿地类型,通过卫星图像判读与实地监测相结合的方式,探究了不同本底环境、植被结构、植物多样性、气象因子和时间因子对大气颗粒物浓度(PM_2.5与PM₁₀)的影响。结果表明:(1)城市绿地率对大气颗粒物浓度造成显著影响,绿地率越高的本底环境内颗粒物浓度越低,即多绿本底<灰绿参半本底<灰色本底;(2)植被结构和植物多样性水平显著影响绿地的滞尘能力,北方城市中半开敞绿地的滞尘能力最好,其次为半闭合绿地与闭合绿地,开敞绿地滞尘能力最弱,植物多样性的增加将导致绿地内颗粒物浓度增加;(3)不同植被结构绿地内的大气颗粒物浓度受气象因素的显著影响,随温度和风速的增大而减小,随湿度的增大而增大;(4)北方城市绿地大气颗粒物浓度存在明显的季节和日变化规律,一年内大气颗粒物浓度在夏季最低,冬季最高;一天之内颗粒物浓度在8:00-10:00最低。上述研究结果以期为今后不同本底环境下以削减大气颗粒物浓度为导向的北方城市绿地规划与设计提供理论依据和实践方法。     

2006-2016年岷江上游植被覆盖度时空变化及驱动力

基于MODIS NDVI遥感数据,采用像元二分模型估算岷江上游植被覆盖度,运用一元线性回归分析和稳定性分析方法,研究2006-2016年岷江上游植被覆盖度时空变化格局及稳定性,并分段讨论2008年"5.12汶川地震"对岷江上游植被的破坏程度以及震后植被恢复情况,利用地理探测器模型对岷江上游植被覆盖度影响因子及影响力进行探测,分析岷江上游植被覆盖度变化驱动力。结果表明：（1）2006-2016年岷江上游植被覆盖整体状况良好,植被覆盖总体情况较为稳定,多年平均植被覆盖度为0.79,植被覆盖度大于0.8的区域占整个岷江上游地区面积的69%。（2）2008年"5.12汶川地震"给整个岷江上游植被造成了严重的破坏,植被覆盖度退化区域面积为14013.41 km²,占整个岷江上游面积的57%,2008-2016年岷江上游植被恢复状况良好,植被覆盖度改善区域面积为17390.69 km²,占整个岷江上游面积的71%,岷江上游植被覆盖度已经超过震前水平。（3）岷江上游植被覆盖度主要受海拔、气温、土壤类型、降水4个因子的影响,其解释力均在40%以上;地貌类型、植被类型的解释力在20%-40%之间;坡度、坡向的解释力均小于1%。     

Effects of Urban Landscape Pattern on PM2.5 Pollution—A Beijing Case Study

PM_2.5 refers to particulate matter (PM) in air that is less than 2.5μm in aerodynamic diameter, which has negative effects on air quality and human health. PM_2.5 is the main pollutant source in haze occurring in Beijing, and it also has caused many problems in other cities. Previous studies have focused mostly on the relationship between land use and air quality, but less research has specifically explored the effects of urban landscape patterns on PM_2.5. This study considered the rapidly growing and heavily polluted Beijing, China. To better understand the impact of urban landscape pattern on PM_2.5 pollution, five landscape metrics including PLAND, PD, ED, SHEI, and CONTAG were applied in the study. Further, other data, such as street networks, population density, and elevation considered as factors influencing PM_2.5, were obtained through RS and GIS. By means of correlation analysis and stepwise multiple regression, the effects of landscape pattern on PM_2.5 concentration was explored. The results showed that (1) at class-level, vegetation and water were significant landscape components in reducing PM_2.5 concentration, while cropland played a special role in PM_2.5 concentration; (2) landscape configuration (ED and PD) features at class-level had obvious effects on particulate matter; and (3) at the landscape-level, the evenness (SHEI) and fragmentation (CONTAG) of the whole landscape related closely with PM_2.5 concentration. Results of this study could expand our understanding of the role of urban landscape pattern on PM_2.5 and provide useful information for urban planning.     

大气颗粒物(PM2.5、PM10)对地表景观结构的响应研究进展

颗粒物PM_(2.5)、PM_(10)是近年来我国大气首要污染物,威胁环境和人类健康。地表景观结构直接或间接影响PM_(2.5)、PM_(10)浓度,了解其影响过程和机理对于改善生态环境具有重要意义。系统总结了国内外关于PM_(2.5)、PM_(10)对地表景观结构响应的研究成果,指出研究中出现不确定性的可能影响因素,并对今后的发展方向进行展望。得出基本结论:(1)地表景观类型的构成及其格局显著影响大气颗粒物浓度,对PM_(2.5)、PM_(10)起到"源"和"汇"的作用。(2)地表景观结构引起局地气候变化并影响颗粒物的迁移转化,但其影响过程和机理复杂,研究结论并不明确。(3)颗粒物浓度和地表景观数据主要通过实际监测或遥感处理方法获得,但因为获取方法、监测点微观环境及遥感影像等因素影响,导致数据具有不确定性,加上时空尺度相对应的复杂性,大大限制了地表景观结构与PM_(2.5)、PM_(10)响应关系的研究进展,是未来要突破的难点。(4)PM_(2.5)、PM_(10)对地表景观结构响应的区域时空差异及过程,局地小气候变化对颗粒物浓度的影响过程和强度,主要景观类型尤其是水体、湿地景观对大气颗粒物浓度的影响过程、机理与贡献程度等是未来需要关注的方向。     

Spatio-temporal modelling of particulate matter concentrations using satellite derived aerosol optical depth over coastal region of Chennai in India

The present study primarily focuses on describing aerosol optical depth (AOD), its distribution pattern and seasonal variation, and modelling Particulate Matter Concentrations in Chennai. The frequency distribution of AOD and PM_2.5 demonstrates that AOD can be used as a proxy for estimating PM_2.5 in the study region as the occurrence of AOD almost resonates with that of PM_2.5. The seasonal variation of AOD and PM_2.5 revealed that during the winter (October–January) and summer (February–May) seasons, AOD reasonably followed the trend of PM_2.5. However, during the monsoon period, AOD showed random variations. Different models like linear and non-linear regression models and machine learning models such as random forest (RF) have been developed for PM_2.5 estimation. The model's performance in different stations and seasons has been assessed. The effect of meteorology and other factors in the model has also been assessed. From linear and non-linear model analysis, AOD was a significant parameter in estimating PM_2.5. The Random Forest model was the stable model for the study region, with a model R² of 0.53 and an RMSE of 15.89 μg/m³. The inclusion of meteorological parameters like relative humidity, wind speed, and wind direction decreased the error in prediction by 17.45 μg/m³. The seasonal and spatial analysis indicates that the prediction capability of models varies with stations and seasons. The best performing model was found to be Model RF, and the model could explain about 53.14% of the variability in PM_2.5 concentration occurrence in the study region with a prediction error of 15.89 μg/m³.     

植物吸滞PM2.5研究进展——从宏观到微观

PM_2.5严重危害环境安全和人体健康,虽然国内外大气PM_2.5状况已有好转,但雾霾天气仍然时有发生。植物能有效吸附和净化大气中PM_2.5,其净化作用受到生态学广泛关注。随着研究内容的深入,该领域研究尺度由宏观尺度转向微观尺度,研究对象由植被区转向植物个体,研究方法由野外监测转向人工控制法。因此在区域尺度上对比了植被、非植被区PM_2.5浓度差异及不同树种单位叶面积PM_2.5吸滞量,以风洞、熏气法两种研究方法归纳了人工控制条件下植物净化PM_2.5的研究成果,在大气PM_2.5浓度和气象因素两方面探讨了环境因素对植物净化PM_2.5的影响机制。得出宏观研究方面很多城市缺乏植被区与非植被区PM_2.5浓度监测数据,微观方面植物个体吸滞PM_2.5机理研究不够深入,缺乏植物吸滞PM_2.5过程与机理的室内模拟外界环境的高精度对比试验,更缺乏环境因素直接影响植物吸收、分...     

PM2.5 Spatiotemporal Variations and the Relationship with Meteorological Factors during 2013-2014 in Beijing,China

Objective

Limited information is available regarding spatiotemporal variations of particles with median aerodynamic diameter < 2.5 μm (PM_2.5) at high resolutions, and their relationships with meteorological factors in Beijing, China. This study aimed to detect spatiotemporal change patterns of PM_2.5 from August 2013 to July 2014 in Beijing, and to assess the relationship between PM_2.5 and meteorological factors.

Methods

Daily and hourly PM_2.5 data from the Beijing Environmental Protection Bureau (BJEPB) were analyzed separately. Ordinary kriging (OK) interpolation, time-series graphs, Spearman correlation coefficient and coefficient of divergence (COD) were used to describe the spatiotemporal variations of PM_2.5. The Kruskal-Wallis H test, Bonferroni correction, and Mann-Whitney U test were used to assess differences in PM_2.5 levels associated with spatial and temporal factors including season, region, daytime and day of week. Relationships between daily PM_2.5 and meteorological variables were analyzed using the generalized additive mixed model (GAMM).

Results

Annual mean and median of PM_2.5 concentrations were 88.07 μg/m³ and 71.00 μg/m³, respectively, from August 2013 to July 2014. PM_2.5 concentration was significantly higher in winter (P < 0.0083) and in the southern part of the city (P < 0.0167). Day to day variation of PM_2.5 showed a long-term trend of fluctuations, with 2–6 peaks each month. PM_2.5 concentration was significantly higher in the night than day (P < 0.0167). Meteorological factors were associated with daily PM_2.5 concentration using the GAMM model (R ² = 0.59, AIC = 7373.84).

Conclusion

PM_2.5 pollution in Beijing shows strong spatiotemporal variations. Meteorological factors influence the PM_2.5 concentration with certain patterns. Generally, prior day wind speed, sunlight hours and precipitation are negatively correlated with PM_2.5, whereas relative humidity and air pressure three days earlier are positively correlated with PM_2.5.     

不同时空尺度下土地利用对洱海入湖河流水质的影响

土地利用与入湖河流水质的关系存在时空差异。以洱海西部入湖河流及其小流域为研究对象,综合空间分析和数理统计手段,探讨两者随空间尺度和时间变化的关系,结果表明:选取的小流域、河岸带30m缓冲区、河岸带60m缓冲区和河岸带90m缓冲区4种尺度下,对入湖河流水质影响显著的土地利用类型为建设用地和植被(包括林地和牧草地),影响最大的空间尺度为小流域尺度,河岸带30m缓冲区次之;小流域尺度下,建设用地面积百分比与入湖河流COD和TP浓度呈正相关,植被面积百分比与NH_4~+-N浓度呈负相关,响应土地利用的主要水质指标为TN和TP,回归调整系数分别为0.624和0.579;季节性关联分析表明建设用地与COD、NH_4~+-N、TP的回归关系在雨季强于旱季,植被与COD、TP的回归关系在雨季强于旱季,雨季建设用地和植被面积变化引起COD浓度变化更快。在流域管理中,针对植被覆盖率低、建设用地占比高的白鹤溪和中和溪应重点加强雨季土地利用管控,增加植被覆盖率,合理开发建设用地。     

内蒙古不同类型草原光合植被覆盖度对降水变化的响应

植被是影响土壤侵蚀过程的重要因素。论文基于MODIS遥感数据和同期降水数据,用相关和回归分析方法从不同时间尺度揭示了内蒙古草甸草原、典型草原和荒漠草原2002—2016年光合植被覆盖度(Fractional Photosynthetic Vegetation,f_(PV))的变化规律及其对降水变化的响应。结果表明:(1)2002—2016年间多年平均f_(PV)草甸草原为46.5%,典型草原和荒漠草原分别为36.3%和22.4%;草甸草原f_(PV)随时间变化呈不显著增长趋势(线性变化斜率为0.29%/a),典型草原和荒漠草原f_(PV)呈不显著下降趋势(线性变化斜率分别为-0.04%/a和-0.21%/a);相应时期年降水量随时间变化都呈现不显著波动上升趋势。(2)内蒙古草原的月植被覆盖度对月降水量存在明显的1—2个月滞后效应和显著的累积效应,且表现出草原类型越干旱,滞后效应越明显的特征;相比草甸草原和典型草原,荒漠草原植被对降水量变化更加敏感。(3)内蒙古3类草原年平均植被覆盖度对降水量的响应,均表现出年、季、月尺度上分别受当年降水量、生长季降水量以及6、7、8月份降水量的显著影响的特征;3类草原年植被覆盖度与生长季降水线性拟合结果都较好,内蒙古3种草原类型的年植被覆盖度与降水量具有的强相关性,可为区域土壤侵蚀动态评价提供科学依据。