北京市细颗粒污染物与土地覆被景观格局关联分析

doi:10.13466/j.cnki.lyzygl.2021.04.013

摘要/Abstract

摘要：

空气污染是当今重点环境问题,了解不同土地覆被景观格局与空气细颗粒污染物的相互影响,对改善城市生态环境具有重要意义。气溶胶光学厚度(Aerosol Optical Depth,AOD)是空气细颗粒污染物生成的前提,研究通过引入AERONET北京地面检测点所测AOD数据和地面细颗粒污染物数据进行拟合分析,随后运用MODIS数据反演北京地区四季AOD,处理Landsat 8影像得到2018年北京市景观类型指数,并与四季AOD数据进行关联分析。结果表明:1)细颗粒污染物与LPI(最大斑块指数)、ED(边界密度)、COHESION(斑块连接度)、AI(斑块聚集度)4个指数均为显著负相关,但与PD(斑块破碎度)、LSI(景观形状指数)两个指数则存在极显著正相关;2)全年森林与草地是与细颗粒污染物呈显著负相关的核心类型,农田与水体的相关性则与季节变化有显著关系;3)利用多元线性回归分析得出森林、草地、农田、水体与四季细颗粒污染物的规律模型,进一步证明可用景观指数对区域细颗粒污染物质量浓度值进行估算。

关键词: 遥感, 气溶胶, 细颗粒污染物, 景观格局指数

Abstract:

Air pollution is a key environmental issue nowadays.It is of great significance to understand the interaction between different land cover landscape patterns and air fine particulate pollutants for improving urban ecological environment.Aerosol optical depth(AOD) is the premise of the generation of fine particulate pollutants in the air.The AOD data measured by the AERONET ground monitoring points in Beijing and the surface fine particulate pollutants data were used for fitting analysis,and then the AOD of four seasons in Beijing was retrieved by using MODIS data.The Landsat8 image was processed to obtain the landscape type index of Beijing in 2018,and the correlation analysis was conducted with four seasons AOD data.The results showed that:1) fine particulate pollutants were negatively correlated with LPI(maximum patch index),ED(boundary density),COHESION(patch connectivity) and AI(patch aggregation),but positively correlated with PD(patch fragmentation) and LSI(landscape shape index);2) The annual forest and grassland were the core types with significant negative correlation with fine particulate pollutants,while the correlation between farmland and water body was significantly related to seasonal changes;3) Multiple linear regression analysis was used to get the regular model of forest,grassland,farmland,water and fine particulate pollutants in four seasons,which further proved that landscape index could be used to estimate the mass concentration of regional fine particulate pollutants.

Key words: remote sensing, aerosol, fine particulate pollutants, landscape pattern index

中图分类号:

X513

马博伦, 王雷, 滑永春. 北京市细颗粒污染物与土地覆被景观格局关联分析[J]. 林业资源管理, 2021, 0(4): 94-103.

MA Bolun, WANG Lei, HUA Yongchun. Correlation Analysis of Fine Particulate Pollutants and Land Cover Landscape Pattern in Beijing[J]. FOREST RESOURCES WANAGEMENT, 2021, 0(4): 94-103.

图/表 10

图1

表1

景观指数与描述

景观指数	公式	描述
PLAND	PLAND= $∑ j = 1 n a ij A$ ×100	PLAND为某一斑块类型的总面积占整个景观面积的百分比;a_ij为斑块ij的面积;A是所有景观的总面积,其值越小则景观斑块类型越少
PD	PD= $N ij A$	PD为斑块破碎度,其值越大,则破碎化程度越高;N_ij为斑块数目,A为斑块面积之和
LPI	LPI= $Max (a 1 × a n) A$ ×100	LPI为最大斑块占景观面积的比例,其值的变化可以改变干扰的强度和频率,反映人类活动的方向和强弱;Max(a₁×a_n)为景观中最大斑块面积;A为景观总面积
ED	ED= $∑ k = 1 m E ik A$	ED为边界密度;E_ik为优势斑块的边缘总长度;A为景观总面积,其反映斑块中相互影响的强度与能量物质交换的潜力
LSI	LSI= $0.25 E A$	LSI为景观形状指数,可衡量整体几何景观的复杂性,其值越大,斑块形状越接近正方形;E为景观边缘的总长度;A为景观总面积
IJI	IJI= $- ∑ k = 1 m [e ik ∑ k = 1 m e ik In (e ik ∑ k = 1 m e ik)] In (m - 1)$ ×100	IJI为斑块类型i在其他斑块类型中的平均平均分散占最大可能分散的比例,取值范围为0~100,值越小聚集性越强,e_ik为斑块类型i与k相邻的总边缘长度
COHESION	COHESION=(1- $∑ i = 1 n p ∑ i = 1 n p a$ )(1- $1 A$ )	COHESION为斑块连接度;反映相应斑块之间的物理连通性P为斑块在该类型中的周长;a为斑块i在该类型中的面积;A为斑块总面积
AI	AI=MAX×G_ii×100	AI反映景观中不同斑块类型的非随机性或聚集程度;G_ii为景观类型的相似邻接斑块数量

表1

表2

图2

表3

图3

图4

表4

表5

表6

参考文献 38

[1]	Belskii E A, Belskaya E A. Bird population in birch forests of the Southern Urals affected by industrial pollution:Report 2.Relationship with habitat variables[J]. Contemporary Problems of Ecology, 2013, 6(3):323-329. doi: 10.1134/S1995425513030037
[2]	范辰乾. 基于MODIS数据的气溶胶光学厚度与PM2.5浓度关系研究[D]. 济南:山东师范大学, 2014.
[3]	Liu Xiaohua, Yu Xixi, Zhang Zimei. PM2.5 concentration differences between various forest types and its correlation with forest structure[J]. Atmosphere, 2015, 6(11):1801-1815. doi: 10.3390/atmos6111801
[4]	王兵, 张维康, 牛香, 等. 北京10个常绿树种颗粒物吸附能力研究[J]. 环境科学, 2015, 36(2):408-414.
[5]	张维康, 王兵, 牛香. 北京不同污染地区园林植物对空气颗粒物的滞纳能力[J]. 环境科学, 2015, 36(7):2381-2388.
[6]	王赞红, 李纪标. 城市街道常绿灌木植物叶片滞尘能力及滞尘颗粒物形态[J]. 生态环境, 2006, 15(2):327-330.
[7]	杜春兰. 降减PM2.5的绿色基础设施途径的思索[J]. 风景园林, 2013, 3(2):147-148.
[8]	Gourdji S. Review of plants to mitigate particulate matter,ozone as well as nitrogen dioxide air pollutants and applicable recommendations for green roofs in Montreal,Quebec[J]. Environmental Pollution, 2018, 241:378-387. doi: 10.1016/j.envpol.2018.05.053
[9]	Viecco M, Vera S, Jorquera H, et al. Potential of particle matter dry deposition on green roofs and living walls vegetation for mitigating urban atmospheric pollution in semiarid climates[J]. Sustainability, 2018, 10(7):2431-2438. doi: 10.3390/su10072431
[10]	Mori J, Fini A, Galimberti M, et al. Air pollution deposition on a roadside vegetation barrier in a Mediterranean environment:combined effect of evergreen shrub species and planting density[J]. Science of the Total Environment. 2018, 643:725-737. doi: 10.1016/j.scitotenv.2018.06.217
[11]	Popek R, Przybysz A, Gawronska H, et al. Impact of particulate matter accumulation on the photosynthetic apparatus of roadside woody plants growing in the urban conditions[J]. Ecotoxicology and Environmental Safety, 2018, 163:56-62. doi: 10.1016/j.ecoenv.2018.07.051
[12]	常亚敏, 闫蓬勃, 杨军. 北京地区控制PM2.5污染的城市绿化树种选择建议[J]. 中国园林, 2015, 31(1):69-73.
[13]	王蕾, 刘连友, 王志, 等. 北京市园林植物吸附PM10与SO₂总量及其健康效益[J]. 环境科学与技术, 2006, 29(9):1-3.
[14]	赵越, 金荷仙. 西湖景区滨水绿地植物群落可吸入颗粒物PM10浓度变化规律[J]. 中国园林, 2012, 28(9):78-82.
[15]	戴菲, 陈明, 朱晟伟, 等. 街区尺度不同绿化覆盖率对PM10、PM2.5的消减研究:以武汉主城区为例[J]. 中国园林, 2018, 34(3):105-110.
[16]	韩世明. 南昌市红谷滩新区居住绿地的生态效应研究[D]. 抚州:东华理工大学, 2017.
[17]	张灵艺, 秦华. 城市道路行道树绿带对PM2.5的滞尘效应及其变化分析[J]. 中国园林, 2015, 31(5):106-110.
[18]	牟浩. 城市道路绿带宽度对空气污染物的削减效率研究[D]. 武汉:华中农业大学, 2013.
[19]	徐欢, 赵晶晶, 李红. 道路绿地植物配置对PM2.5浓度分布与消减作用的影响[J]. 北方园艺, 2016, 9(24):65-69.
[20]	雷雅凯, 段彦博, 马格, 等. 城市绿地景观格局对PM2.5、PM10分布的影响及尺度效应[J]. 中国园林, 2018, 34(7):98-103.
[21]	李新宇, 赵松婷, 郭佳, 等. 公园绿地植物配置对空气PM2.5浓度的消减作用及影响因子[J]. 中国园林, 2016, 32(8):10-13.
[22]	Champendal A, Kanevski M, Huguenot P E. Air pollution mapping using nonlinear land use regression models[C]// international conference on computational science and its applications.springer international publishing, 2014.
[23]	Morleyd W, Gulliver J A. Land use regression variable generation,modelling and prediction tool for air pollution exposure assessment[J]. Environmental Modelling and Software, 2018, 105:17-23. doi: 10.1016/j.envsoft.2018.03.030
[24]	岳峰, 戴菲, 郭晓华. 基于遥感反演的武汉市空气污染物与植被覆盖度相关性研究[J]. 风景园林, 2019, 26(1):76-81.
[25]	戴一枫, 张广何, 韦旭. 中国地区AERONET站点数据的使用概述[J]. 科技创新导报, 2018, 15(6):153-156.
[26]	李放, 吕达仁. 北京地区气溶胶光学厚度中长期变化特征[J]. 空气科学, 1996, 20(4):385-394.
[27]	黄印博, 黄红莲, 韩永, 等. 合肥、东南沿海地区气溶胶光学特性测量及模式分析[J]. 空气与环境光学报, 2007, 2(4):423-433.
[28]	赵胡笳, 马雁军, 王扬锋, 等. 沈阳空气气溶胶光学特性及其影响因子[J]. 气象与环境学报, 2015, 31(3):43-49.
[29]	晏利斌, 刘晓东. 京津冀地区气溶胶季节变化及与云量的关系[J]. 环境科学研究, 2009, 22(8):924-931.
[30]	任团伟, 郭照冰, 刘唯佳. 2009—2011年北京地区空气气溶胶光学特性季节变化规律研究[J]. 环境化学, 2015, 34(12):2239-2247.
[31]	吴奕霄, 银燕, 顾雪松, 等. 南京北郊空气气溶胶的吸湿性观测研究[J]. 中国环境科学, 2014, 34(8):1938-1949.
[32]	Stafoggia M, Bellander T, Bucci S, et al. Estimation of daily PM10 and PM2.5 concentrations in Italy,2013—2015,using a spatiotemporal land-use random-forest model. Environment International, 2019, 124:170-179. doi: 10.1016/j.envint.2019.01.016
[33]	于文婧, 刘晓娜, 孙丹峰, 等. 基于HJ-CCD数据和决策树法的干旱半干旱灌区土地利用分类[J]. 农业工程学报, 2016, 32(2):212-219.
[34]	Wang Xiaoping, Zhang Fei, Jing Yunqing, et al. Relationship between land cover-landscape spatial characteristics and aerosol optical depth in Ebinur Lake Watershed[J]. Transactions of the Chinese Society of Agricultural Engineering, 2016, 32(22):273-283.
[35]	D A Chu, Kaufman Y J, Zibordi G, et al. Global monitoring of air pollution over land from the earth observing system-terra moderate resolution imaging spectroadiometer MODIS[J]. Journal of Geophysics Research, 2003, 108(21):4661-4679.
[36]	Wang Jing, Christopher S A. Inter-comparison between satellite-derives aerosol optical thickness and PM2.5 mass:implication for air quality studies[J]. Geophysical Research Letters, 2003, 30(21):465-471.
[37]	岳峰, 戴菲, 傅凡等. 基于时间序列遥感的武汉绿地景观格局与气溶胶光学厚度的相关性[J]. 中国城市林业, 2020, 18(1):13-19.
[38]	刘秀位, 张小雨, 张喜英. 大气气溶胶增加对作物的影响研究进展[J]. 生态学报, 2016, 36(7):2084-2090.

季节	拟合方程	R²	皮尔逊相关系数	残差平方和
春季	y=0.0024x+0.0245	0.682	0.787^**	8.7071
夏季	y=-0.0026x-0.0188	0.796	0.853^**	4.4395
秋季	y=0.0017x+0.0418	0.732	0.817^**	5.8095
冬季	y=0.0012x+0.0919	0.634	0.728^**	7.6319

季节	景观破碎度 (PD)	最大斑块指数 (LPI)	边界密度 (ED)	形状指数 (LSI)	散布并列指数 (IJI)	斑块连接度 (COHESION)	聚集程度 (AI)
春季	0.063	-0.070	-0.271^*	-0.052	-0.084	-0.047	-0.056
夏季	-0.163	-0.222^*	-0.176	0.438^**	0.137	-0.343^**	-0.500^**
秋季	0.301^**	-0.171	-0.347^**	0.453^**	0.074	-0.173	-0.381^**
冬季	0.400^**	-0.138	-0.295^**	0.329^**	0.006	-0.261^**	-0.422^**
全年	0.552^**	-0.241^**	-0.234^*	0.420^**	0.101	-0.400^**	-0.556^**

类型	景观类型比 (PLAND)	景观破碎度 (PD)	最大斑块指数 (LPI)	边界密度 (ED)	形状指数 (LSI)	散布并列指数 (IJI)	斑块连接度 (COHESION)	聚集程度 (AI)
农田	0.666^**	0.224^*	0.571^**	-0.134	0.400^**	-0.231^*	0.610^**	0.647^**
森林	-0.567^**	0.569^**	-0.544^**	-0.369^**	-0.126	-0.091	-0.545^**	-0.580^**
草地	-0.054	0.220	-0.002	-0.340^**	-0.359^**	0.117	-0.285^*	-0.142
水体	0.332^*	0.615^**	0.099	0.259	0.343^**	-0.134	0.039	-0.191

类型	回归方程	调整后R²	F	系数VIF
农田	Y=-0.082+0.337PD-0.246ED+0.253LSI-0.108IJI+0.670AI	0.549	60.682	<2
森林	Y=0.121+0.580PD-0.778ED+0.475LSI+0.007IJI	0.534	94.809	<3
草地	Y=0.189+0.517PD-0.683ED+0.163IJI+0.68COHESION+0.008AI	0.398	37.366	<4
水体	Y=0.187+0.946PD-0.487ED-0.056LSI-0.153IJI+0.486COHESION	0.423	49.063	<4