長三角城市土地利用格局與PM_2.5濃度的多尺度關(guān)聯(lián)分析

歐維新 張振 陶宇

摘要 PM2.5引發(fā)的霧霾污染對人體健康和社會可持續(xù)發(fā)展產(chǎn)生了嚴重威脅，已成為中國經(jīng)濟快速發(fā)展地區(qū)共同面臨的問題。長三角是中國城市化進程最快、空氣污染最為嚴重的地區(qū)之一，探尋該地區(qū)土地利用景觀格局變化對PM2.5的影響規(guī)律，有助于對PM2.5“源”“匯”景觀的空間格局進行合理配置，也可以為污染防治決策提供科學依據(jù)。本文運用重心模型、冷熱點分析和景觀指數(shù)，探討了該區(qū)域1995—2015年P(guān)M2.5濃度的時空分布特征以及景觀格局的變化規(guī)律，并使用嶺回歸方法分析了建設(shè)用地、林地、耕地和水體四種土地利用類型的景觀格局在行政區(qū)尺度和外接圓尺度上對PM2.5濃度的影響。結(jié)果顯示：①1995—2015年長三角地區(qū)PM2.5濃度總體呈上升趨勢，并且具有“北高南低”和“南緩北急”空間分異特征。②長三角區(qū)域內(nèi)建設(shè)用地面積大幅上升，且呈聚合狀發(fā)展，而林地和耕地面積卻在不斷減少，并呈破碎狀分布。③建設(shè)用地和林地分別是PM2.5的“源”景觀與“匯”景觀，耕地對PM2.5的“源”“匯”作用交錯，水體對PM2.5無明顯的凈化作用。④相較于行政區(qū)尺度，外接圓尺度下林地PLAND、ED與PM2.5濃度的負相關(guān)更為顯著，可見對城市周邊地區(qū)進行景觀格局優(yōu)化能收到更好的效果。研究表明：控制建設(shè)用地合理有序增長并采用多中心發(fā)展模式，有利于緩解城市主城區(qū)的環(huán)境壓力;提高城市周邊區(qū)域林地的比重和聚集度或加大林地與建設(shè)用地的接觸面積，可以有效地減少城市PM2.5濃度;對耕地進行整理使其形成連片化景觀，并通過科學的耕作方式減少耕地上農(nóng)業(yè)生產(chǎn)所帶來的PM2.5前體物，有助于發(fā)揮其對PM2.5的“匯”作用。

關(guān)鍵詞 景觀格局;PM2.5;嶺回歸;尺度效應(yīng);長三角

中圖分類號 X24文獻標識碼 A文章編號 1002-2104（2019）07-0011-08DOI：10.12062/cpre.20190122

近20 a來中國經(jīng)濟的迅速崛起和城市化進程的不斷加快對區(qū)域空氣質(zhì)量提出了嚴峻的挑戰(zhàn)[1]。城市空氣污染問題已引發(fā)社會廣泛關(guān)注，2013年初大范圍的霧霾事件更是將空氣污染問題推上了風口浪尖[2]。PM2.5作為主要的空氣污染物和霧霾天氣的“罪魁禍首”，對大氣能見度[3]和人體健康[4]會產(chǎn)生顯著影響，引起了學界的高度重視。

國內(nèi)外學者對PM2.5影響因子的研究已取得一定進展，多從自然因素和社會經(jīng)濟因素兩大方面進行考察。自然因素方面，風速、風向、氣溫、降水量、濕度、氣壓等氣象條件和PM2.5濃度具有顯著相關(guān)性已得到廣泛證實[5-7]，地形條件[8]也會通過影響污染物的擴散從而對PM2.5濃度產(chǎn)生作用;對于社會經(jīng)濟因素，已有研究表明工業(yè)活動[9]、產(chǎn)業(yè)結(jié)構(gòu)[10]、人口密度[11]和汽車尾氣排放[12]會顯著影響大氣顆粒物濃度，并且區(qū)域城市化水平和PM2.5之間具有正相關(guān)關(guān)系[13]，城市可持續(xù)性發(fā)展呼聲日益強烈。

隨著遙感和GIS技術(shù)的發(fā)展，部分學者開始從地理學視角切入，將土地利用和景觀格局變化納入PM2.5影響因子的研究內(nèi)容中。建設(shè)用地[14]作為人類活動和能源消耗的主要發(fā)生地，是顆粒物最重要的排放源，而綠地植被[15-16]對大氣顆粒物具有阻滯和吸附作用。景觀格局對PM2.5也具有顯著影響，如She等[17]研究發(fā)現(xiàn)PM2.5濃度同斑塊面積、斑塊數(shù)量成正比，同平均周長-面積比、平均歐式距離成反比。盡管已有研究對景觀格局和PM2.5的關(guān)系進行了有意義的探討，但其PM2.5數(shù)據(jù)多來自地面監(jiān)測點，數(shù)據(jù)質(zhì)量容易受到監(jiān)測點分布和內(nèi)插方法的影響而下降;同時這些工作較少考察不同空間尺度下土地利用景觀格局對PM2.5的影響差異。

長三角作為中國最具有經(jīng)濟活力的地區(qū)，其工業(yè)發(fā)展、人口增長和城市擴張引發(fā)的空氣污染問題日趨嚴峻，直接威脅了當?shù)厝嗣竦纳硇慕】?，并嚴重阻礙其區(qū)域可持續(xù)發(fā)展[18]。鑒于此，本文以長三角作為研究區(qū)，基于1995—2015年遙感反演PM2.5數(shù)據(jù)和土地利用數(shù)據(jù)，從城市行政區(qū)和主城區(qū)外接圓兩個空間尺度上，探討不同尺度下土地利用景觀格局變化對城市PM2.5濃度的影響，以期為長三角城市空氣污染治理政策的制定和城市規(guī)劃提供理論依據(jù)。

1 研究區(qū)域、數(shù)據(jù)來源與研究方法

1.1 研究區(qū)概況

長三角（117°29′～123°01′E，27°64′～34°33′N）地處中國東部沿海，是中國經(jīng)濟增長最迅速、城市化進程最快的地區(qū)之一[19]，其以上海市為主中心，南京市和杭州市為次中心，包括1個直轄市（上海市）和15個地級市（江蘇省的南京市、蘇州市、無錫市、常州市、鎮(zhèn)江市、揚州市、泰州市和南通市，浙江省的杭州市、寧波市、紹興市、嘉興市、臺州市、湖州市和舟山市），總面積約為11.3萬km2。區(qū)域內(nèi)地勢南高北低，北部和中部為地勢平坦的太湖平原，南部的浙江區(qū)域以丘陵和山地分布為主。長三角地處北亞熱帶中部，屬于亞熱帶季風氣候，氣候溫和，降雨充沛，多年平均溫度約為16.7℃，平均降雨量約為1 424.53 mm。

2014年，長三角以1.18%的土地，承載了8.1%的人口，貢獻了15.9%的GDP，在中國經(jīng)濟社會發(fā)展中占據(jù)重要地位[20]。然而，伴隨著工業(yè)化與城市化進程，空氣污染問題也日益突出。Peng等[21]的研究表明，長三角PM2.5污染雖沒有京津冀地區(qū)嚴重，但也位于污染增速最快區(qū)域內(nèi)。此外，參考《環(huán)境空氣質(zhì)量標準（GB3095-2012）》[22]，對長三角各城市進行污染超標統(tǒng)計，發(fā)現(xiàn)2015年長三角區(qū)域尺度上年均PM2.5濃度值為56.02 μg/m3，遠大于年均PM2.5污染二級標準（35 μg/m3）。由此可見，對長三角的PM2.5污染問題進行研究已是實施可持續(xù)發(fā)展戰(zhàn)略的現(xiàn)實需求。

考慮到數(shù)據(jù)獲取的便捷性以及氣象因素的差異，研究區(qū)不包括以島嶼分布為主的浙江省舟山市及其下轄縣;此外，由于湖州市南潯區(qū)、南京市的溧水區(qū)、高淳區(qū)距離其所屬地級市的主城區(qū)斑塊較遠，且具有一定的城市規(guī)模，本研究將其視作獨立的城市單元，最終得城市數(shù)目為70個。

1.2 數(shù)據(jù)來源

（1）土地利用數(shù)據(jù)：源自地理國情監(jiān)測云平臺基于Landsat TM 30 m遙感影像生成的1995年、2000年、2005年、2010年和2015年5期長三角土地利用數(shù)據(jù)。結(jié)合研究區(qū)實際情況，將土地利用分為林地、草地、水域、耕地、建設(shè)用地和未利用地6個地類[23]。

（2）PM2.5濃度數(shù)據(jù)：來自加拿大達爾豪斯大學大氣成分分析小組提供的全球PM2.5遙感反演產(chǎn)品（http：//fizz.phys.dal.ca/～atmos/martin/？page_id=140），數(shù)據(jù)版本為V4.GL.02。該數(shù)據(jù)利用NASA MODIS，MISR和Sea-WIFS儀器監(jiān)測的氣溶膠光學厚度，并結(jié)合地球化學傳輸模型GEOS-CHEM和地理加權(quán)回歸模型估算得到，經(jīng)驗證與地面監(jiān)測點PM2.5監(jiān)控數(shù)據(jù)具有極高的匹配度（R2=0.81）[24]，其空間分辨率為0.01°，在長三角地區(qū)約為1.15 km。該數(shù)據(jù)可獲取到的最早年份為1998年，考慮到數(shù)據(jù)的一致性和可得性，本文使用1998年數(shù)據(jù)代替1995年數(shù)據(jù)進行研究。相較基于地面監(jiān)測點所得的空氣污染物數(shù)據(jù)，遙感反演的全球空氣污染數(shù)據(jù)具有更好的空間連續(xù)性，可以方便地探測到污染物空間分布和變化并進行數(shù)值計算，已被證實可以用來進行景觀格局和空氣污染物的關(guān)系研究[25]。

（3）降水量數(shù)據(jù)：來自中國科學院資源環(huán)境科學數(shù)據(jù)中心的中國1980年以來逐年年降水量空間插值數(shù)據(jù)集。本文使用年均降水量作為控制變量以表征自然氣象條件的影響。

（4）夜間燈光數(shù)據(jù)：來自美國國家海洋和大氣管理局1992—2013年DMSP/OLS夜間燈光數(shù)據(jù)集。由于該數(shù)據(jù)集缺少2015年夜間燈光數(shù)據(jù)，為了保持數(shù)據(jù)一致性，本文使用2013年數(shù)據(jù)代替2015年數(shù)據(jù)。本文使用夜間燈光強度作為控制變量來表征人類活動強度。

1.3? 研究方法

1.3.1 景觀指數(shù)

參考已有研究[17]并結(jié)合研究區(qū)特點，選取4個類型水平指數(shù)PLAND、LPI、ED、AI和1個景觀水平指數(shù)CONTAG，表征1995—2015年長三角地區(qū)建設(shè)用地、林地、耕地和水體四種景觀類型以及總體景觀的組成與布局特征，計算均在Fragstats4.2軟件中完成，指標描述如表1所示。

1.3.2 空間分析尺度

本文分別在行政區(qū)尺度和外接圓尺度上探究城市土地利用景觀格局對PM2.5濃度的影響。城市行政邊界內(nèi)會存在著大量農(nóng)村居民點用地，其與城鎮(zhèn)實體范圍相一致的情況非常少見[26]。為了使研究尺度更加貼合城鎮(zhèn)實體范圍，本文使用主城區(qū)外接圓來表征城市實體及其周邊范圍。外接圓范圍由主城區(qū)質(zhì)心點到主城區(qū)邊界的最大半徑?jīng)Q定，以避免傳統(tǒng)研究使用緩沖區(qū)分析時對緩沖半徑的主觀設(shè)置。主城區(qū)外接圓是通過ArcGIS10.2提供的Arcpy站點包進行Python腳本開發(fā)生成，具體算法為：①獲取主城區(qū)質(zhì)心點坐標;②遍歷主城區(qū)邊界所有折點，從中找到斑塊四至點，并獲取其坐標;③分別計算四至點到主城區(qū)質(zhì)心點的距離，從中選出最大值;④使用上一步所得最大值為緩沖半徑，對主城區(qū)質(zhì)心點做緩沖圓，即可得主城區(qū)外接圓范圍。

1.3.3 嶺回歸分析

嶺回歸分析是20世紀70年代被A.E.Hoerl等[27]提出來的一種用來解決多重共線性的有偏估計回歸方法，其主要思想是通過給樣本數(shù)據(jù)矩陣加上一個正常數(shù)矩陣KI，以犧牲很小精度的代價換取估計結(jié)果穩(wěn)定性的大幅提高，其公式為：

式中，Y為因變量矩陣，即各城市PM2.5濃度值;X為自變量矩陣，即各景觀指數(shù)和控制變量，XT為其轉(zhuǎn)置矩陣;β（K）為回歸系數(shù)矩陣，結(jié)果取決于嶺參數(shù)K值的選取，K值的取值范圍為[0，1）;I為單位矩陣;ε為模型截距。

相比于傳統(tǒng)最小二乘法，嶺回歸具有以下優(yōu)點：①雖然用其得到的參數(shù)估計是有偏的，但是參數(shù)估計的顯著性與穩(wěn)定性明顯高于普通最小二乘法，其接近真實性的可能性較大;②由于K值往往是在一個合理的區(qū)間內(nèi)選取，故而嶺回歸分析的使用會存在一定的主觀性，這種特性可以將定性分析與定量分析有機結(jié)合，對于解決多重共線性問題有獨特作用[28]。為了提高回歸系數(shù)的穩(wěn)健性，本文使用嶺回歸分析來研究城市景觀格局與PM2.5濃度的定量關(guān)系，并比較行政區(qū)尺度和外接圓尺度下的差異。

1.3.4 重心模型

參考人口重心的概念[29]，通過對比重心位置相對區(qū)域幾何中心位置的偏移，可以識別PM2.5在空間上的濃度傾向。設(shè)某個柵格的中心坐標為（Xi，Yi），Mi為該柵格在某個屬性意義下的“重量”，則PM2.5濃度的重心坐標計算公式為：

式中，n為柵格總數(shù)，Mi為第i個柵格的PM2.5濃度值。

1.3.5 冷熱點分析

使用Getis-OrdGi指數(shù)來揭示空間地域中PM2.5濃度較顯著的高值簇及低值簇，也即識別區(qū)域中冷熱點區(qū)的空間分布，其計算公式為[30]：

式中，Wij為其空間矩陣（本文使用鄰接矩陣）;E（Gi）和Var（Gi）分別為Gi的數(shù)學期望和方差。若Z（Gi）為正且顯著，表明空間單元i為熱點區(qū)，反之則為冷點區(qū)。

2 結(jié)果分析

2.1 長三角PM2.5時空分布特征

長三角PM2.5濃度總體呈上升趨勢，并且具有“南緩北急”的增長規(guī)律（見圖1）。1995年長三角PM2.5濃度均值為29.51 μg/m3，而到2015年已攀升至56.02 μg/m3，增幅為89.85%。在1995—2000年，浙江地區(qū)PM2.5濃度增長速度明顯大于江蘇地區(qū)和上海市，年均增長率為6.45%，而在2000年之后，其增長速度較之江蘇和上海明顯放緩，2005年以后則出現(xiàn)下降趨勢;上海市在2000—2015年P(guān)M2.5濃度年均增長率為5.56%，明顯高于年均增長率為3.82%的江蘇地區(qū)，且其增幅最大，2015年P(guān)M2.5濃度均值約為2000年的2.25倍。江蘇地區(qū)PM2.5濃度增長速度在2000年后一直高于浙江地區(qū)但低于上海市，由于江蘇地區(qū)顆粒物濃度本底值較高，故在研究期間其顆粒物濃度始終高于上海和浙江地區(qū)。

長三角地區(qū)PM2.5濃度在空間分布上總體呈“北高南低”特征（見圖1），從省級行政區(qū)劃來看，則為江蘇地區(qū)>上海市>浙江地區(qū)。計算PM2.5濃度重心坐標可知，PM2.5重心點始終位于區(qū)域幾何中心點的北方，且從2000年開始，PM2.5重心向北方移動，到2015年北移24.41 km，PM2.5峰值點除2000年在杭州外，也一直位于研究區(qū)北部的江蘇區(qū)域內(nèi)。以PM2.5濃度為變量進行冷熱點位置探測，可以發(fā)現(xiàn)南京、鎮(zhèn)江等北部城市20年來都屬于熱點區(qū)，淳安、臨安等南部城市長期處于冷點區(qū)（見表2）。研究區(qū)PM2.5濃度的空間分布總體上與土地利用類型的分布格局一致，PM2.5濃度熱點區(qū)與建設(shè)用地比重較大城市、冷點區(qū)與林地比重較大城市對應(yīng)關(guān)系顯著。

2.2 長三角土地利用景觀格局演變規(guī)律分析

1995—2015年，研究區(qū)70個城市總建設(shè)用地面積從9 283.18 km2增至18 506.5 km2，整體增長99.36%，增幅明顯，尤其是在2005年到2010年的這五年間，增長了4 004.17 km2，占總增長面積的42.94%。與此同時，林地和耕地面積在這20年間分別下降了1 282.25 km2和9 839.06 km2，可見長三角地區(qū)在這20年間進行了快速的城市擴張過程，且該過程侵占了大量的生態(tài)用地和農(nóng)業(yè)生產(chǎn)用地（見圖2）。

表3展示了五個年份長三角地區(qū)四種主要土地利用類型的景觀格局指數(shù)。從中可見，耕地與林地所占比重分別下降了8.45%和0.46%，建設(shè)用地和水體所占比重分別上升了8.39%和0.77%，反映出城市擴張過程對耕地與林地的占用。耕地的最大斑塊指數(shù)（LPI）下降了2.5，建設(shè)用地、林地和水體的最大斑塊指數(shù)（LPI）分別上升了1.38，0.18和0.05，說明了耕地在整體比重減小的同時，破碎化程度還在加劇，而建設(shè)用地呈現(xiàn)了連片化發(fā)展，林地和水體變化微弱。和最大斑塊指數(shù)（LPI）的趨勢相似，耕地聚集度指數(shù)（AI）的減少反映出其斑塊間隙的加大，而建設(shè)用地聚集度指數(shù)（AI）的提高表明長三角城市建設(shè)用地呈聚合狀發(fā)展，空間格局呈現(xiàn)“攤大餅”形式。耕地、水體和建設(shè)用地的邊緣密度（ED）呈上升趨勢，表明其形狀的復雜化與不規(guī)則趨勢，林地的邊緣密度（ED）變化幅度微弱?？傮w而言，長三角地區(qū)耕地景觀呈減少趨勢，且其破碎度加深，聚合度減弱，形狀趨向復雜化;建設(shè)用地的擴張占用了大量耕地，且呈現(xiàn)連片化發(fā)展趨勢;林地與水體研究時段內(nèi)景觀格局變化幅度較小。

2.3 景觀格局對PM2.5的影響及其尺度分異特征

人類活動是中國PM2.5污染加劇的最主要原因，因此研究不同土地利用類型上PM2.5濃度的差異是必要的[31]。由于長三角地區(qū)草地以及未利用地所占比重極小，人類活動多是發(fā)生在建設(shè)用地、林地、耕地和水體之上，故而本文對比了四種土地利用類型上PM2.5濃度的差異，結(jié)果如圖3所示。可以看出，建設(shè)用地是PM2.5最大的“源”景觀，其上污染情況最為嚴重，而林地是PM2.5最大的“匯”景觀[32]，其上污染情況最輕，這也與已有研究相吻合[31，33-35]。

本文分別從行政區(qū)尺度和外接圓尺度探討景觀格局和PM2.5的定量關(guān)系，行政區(qū)尺度上因變量為1995、2000、2005、2010和2015五個年份各城市行政范圍內(nèi)的PM2.5濃度均值和濃度峰值，外接圓尺度上因變量為五個年份各城市主城區(qū)外接圓內(nèi)的PM2.5濃度均值和濃度峰值，樣本總量皆為350個。濃度均值能夠反映城市PM2.5濃度的總體情況，濃度峰值和建設(shè)用地斑塊具有密切的對應(yīng)關(guān)系，可以補充描繪城市霧霾污染水平，故本文將兩者結(jié)合考察。

通過Pearson相關(guān)性分析可以發(fā)現(xiàn)，PM2.5濃度無論是均值還是峰值，都和自變量存在顯著相關(guān)性，但與此同時，自變量之間也存在顯著的相關(guān)性。進一步地，計算各自變量的VIF值，發(fā)現(xiàn)建設(shè)用地PLAND、建設(shè)用地ED、林地ED、耕地ED等自變量的VIF值遠大于10。因此，本文懷疑變量之間存在著共線性問題，故而使用嶺回歸來分析自變量對因變量的影響。嶺回歸的分析方法雖然犧牲了一定的模型預測精度，但可以換來更穩(wěn)健的解釋效果。

2.3.1 行政區(qū)尺度

結(jié)果顯示（見表4），模型R2值均在0.5左右，并且F檢驗下的P值顯著，可見模型擬合效果理想。在類型水平上，建設(shè)用地PLAND、ED、AI和PM2.5濃度值呈顯著正相關(guān)，反映出城市建設(shè)用地的擴張會加劇PM2.5的污染程度，并且建設(shè)用地斑塊形狀越復雜、聚合度越高，PM2.5濃度值也越高;林地PLAND、ED、AI和行政區(qū)尺度上的PM2.5濃度均值具有顯著的負相關(guān)關(guān)系，但對于PM2.5峰值卻無明顯相關(guān)性，可見在行政區(qū)范圍內(nèi)對林地景觀格局進行優(yōu)化調(diào)控（如增加林地面積占比、提高林地斑塊的邊緣密度、提高林地斑塊的連通性）可以顯著降低PM2.5濃度平均水平，但對PM2.5濃度峰值的影響甚微;耕地PLAND與PM2.5具有顯著的正相關(guān)關(guān)系，但提高耕地斑塊的聚集度水平可顯著降低PM2.5濃度;水體PLAND與城市PM2.5濃度均值呈正比，可能原因是長江、太湖等水域周邊城市皆是經(jīng)濟發(fā)達地區(qū)，人類活動強烈，從而直接增加了PM2.5的排放強度，但這也反映出水體對PM2.5濃度并無明顯的削弱作用。在整體景觀水平上，CONTAG反映了景觀中不同類型斑塊之間相互散布的程度，而其和PM2.5的關(guān)系并不顯著;降雨可顯著削減區(qū)域內(nèi)的PM2.5平均濃度，但從其對PM2.5峰值無顯著影響可以看出，其并不能有效地抑制城市的霧霾污染;夜間燈光強度和PM2.5呈強烈正相關(guān)性，反映了城市經(jīng)濟、人口等活動對空氣質(zhì)量的負面作用，這也與建設(shè)用地指標反映的內(nèi)容相吻合。

2.3.2 外接圓尺度

在外接圓尺度下，建設(shè)用地PLAND、AI與PM2.5平均濃度仍具有顯著的正相關(guān)關(guān)系;林地PLAND與PM2.5平均濃度具有顯著的負相關(guān)關(guān)系，但同行政區(qū)尺度下的結(jié)果不同的是，林地ED在外接圓尺度內(nèi)和PM2.5濃度峰值顯著負相關(guān)，說明提高建設(shè)用地與林地斑塊的接觸面可顯著降低PM2.5污染的峰值水平，外接圓尺度下林地AI對PM2.5的影響不顯著，原因為城市外接圓范圍較小，林地的聚集程度普遍不高;耕地PLAND、ED同PM2.5成正比，但其LPI與PM2.5成反比，說明城市周邊連片化的耕地斑塊對PM2.5具有顯著的“匯”作用;水體和PM2.5的關(guān)系仍然是顯著正相關(guān)，反映了人類生活、生產(chǎn)活動的親水性所引致的高PM2.5排放，而城市周邊水域在吸附或凈化PM2.5作用相對不足的特征。整體景觀水平上，結(jié)果同行政區(qū)尺度相一致，景觀蔓延度對城市PM2.5并無顯著影響，夜間燈光強度與PM2.5濃度顯著正相關(guān)，而降雨與PM2.5濃度顯著負相關(guān)。

3 結(jié)論與展望

3.1 結(jié)論與建議

本文使用土地利用數(shù)據(jù)和遙感反演PM2.5濃度數(shù)據(jù)，選取斑塊類型水平上的PLAND、LPI、ED、AI四個景觀指數(shù)以及景觀水平上的CONTAG指數(shù)，并使用城市年均降雨量和夜間燈光強度作為控制變量，分析了1995—2015年長三角PM2.5時空分布規(guī)律和景觀格局變化規(guī)律，并進一步探討了兩種尺度下不同類型的土地利用景觀格局對PM2.5濃度的影響。主要結(jié)論包括。

（1）1995—2015年長三角地區(qū)PM2.5濃度整體呈上升趨勢，并且具有顯著的空間分布特征。長三角PM2.5分布具有“北高南低”和“南緩北急”的規(guī)律，其重心點和峰值點都位于北部城市區(qū)，呈現(xiàn)高值聚集于北部、低值聚集于南部的特征。

（2）長三角地區(qū)建設(shè)用地擴張明顯，并且呈現(xiàn)“攤大餅”的空間形態(tài)，而林地和耕地面積卻在萎縮，其LPI、AI在下降，反映出建設(shè)用地斑塊對生態(tài)用地和農(nóng)業(yè)生產(chǎn)用地的侵占以及建設(shè)用地斑塊優(yōu)勢度在整個城市區(qū)域內(nèi)的不斷凸顯。

（3）土地利用景觀格局與PM2.5濃度具有顯著的相關(guān)關(guān)系，不同土地利用類型對PM2.5具有不盡相同的“源”“匯”作用。具體來說，建設(shè)用地是PM2.5最主要的“源”景觀類型，林地是PM2.5最主要的“匯”景觀類型，耕地對PM2.5的“源”“匯”作用交錯，水體對PM2.5無明顯削弱作用。

基于上述結(jié)論提出如下建議措施：①建設(shè)用地擴張和其聚集度的提高會顯著增加PM2.5污染水平，表明控制建設(shè)用地合理有序增長、采用多中心城市發(fā)展策略對城市空氣質(zhì)量更為有利;②林地在外接圓尺度下比行政區(qū)尺度下的空氣凈化作用更為明顯，并且其與建設(shè)用地斑塊接觸面積的增大有助于降低城市PM2.5濃度，城市規(guī)劃部門可以通過提高城市斑塊周邊的林地面積比重，并使其形成林帶，加大其與建設(shè)用地斑塊的接觸面積，來達到減少大氣顆粒物的目的;③提高耕地的聚集度有助于發(fā)揮其對大氣顆粒物的滯塵作用，使城市周邊范圍的耕地連片可以有效降低大氣顆粒物濃度。

3.2 研究展望

本文的貢獻在于對長三角地區(qū)PM2.5濃度含量進行了長時間尺度的觀測，并在此基礎(chǔ)上系統(tǒng)探討了不同土地利用類型及其景觀格局對PM2.5濃度的影響機制，發(fā)現(xiàn)外接圓尺度上林地和耕地對PM2.5的“匯”作用較之行政區(qū)尺度上更加顯著，可為政府部門進行污染防治決策提供科學依據(jù)。下一步研究可以從以下四點開展。

（1）為了保證樣本量充足使得回歸分析得以順利進行，本文以縣域為分析單元開展了縣級行政區(qū)和外接圓兩個尺度上的規(guī)律分析，而現(xiàn)有研究多是以地級市作為分析單元。探討縣級尺度和地級市尺度上的規(guī)律差異將是下一步的研究重點。

（2）PM2.5除了受到本區(qū)域的影響之外，也很可能受到相鄰地區(qū)土地利用景觀格局的影響。圖3中可以觀察到耕地和水體上具有較高的PM2.5濃度值，這很可能是受到鄰近建設(shè)用地PM2.5的溢出作用所致。因此，探討不同區(qū)域之間PM2.5的空間交互作用，是未來研究的重點。

（3）本文在斑塊類型水平上選取了PLAND、LPI、ED和AI四個景觀指數(shù)，其中LPI和AI分別表示斑塊類型的最大斑塊占比和總體聚合程度，兩者在含義上具有不同的側(cè)重點，但也具有一定的互相解釋能力。本文雖然使用嶺回歸方法減少了自變量多重共線性的影響，但對景觀指數(shù)進行精簡，并從有利于土地利用管理和景觀規(guī)劃的視角開發(fā)特定的景觀格局表征指標也是下一步研究應(yīng)做的努力。

（4）本文選取了年均降雨量和夜間燈光作為控制變量，從整體上反映了自然氣象和社會經(jīng)濟條件對PM2.5的影響。進一步的研究可以考慮風速、風向、溫度和濕度等其他自然氣象條件，以及具體的產(chǎn)業(yè)類型和PM2.5分布的聯(lián)系，以期獲得更加細致的結(jié)果。

（編輯：王愛萍）

參考文獻

[1]王勇， 劉備， 劉嚴萍. 基于小波變換的北京、上海等城市PM2.5濃度時空演化特征分析[J]. 災(zāi)害學， 2017， 32（2）：39-42.

[2]毛婉柳， 徐建華， 盧德彬， 等. 2015年長三角地區(qū)城市PM2.5時空格局及影響因素分析[J]. 長江流域資源與環(huán)境， 2017， 26（2）： 264-272.

[3]HYSLOP N P. Impaired visibility： the air pollution people see[J]. Atmospheric environment， 2009， 43（1）： 182-195.

[4]LIM S S， VOS T， FLAXMAN A D， et al. A comparative risk assessment of burden of disease and injury attributable to 67 risk factors[J]. The lancet， 2012， 380：2224-2260.

[5]黃亞林， 劉超， 曾克峰， 等. 2013─2014年武漢市PM2.5的時空分布特征及其與氣象條件的關(guān)系[J]. 生態(tài)環(huán)境學報， 2015， 24（8）： 1330-1335.

[6]曾靜， 王美娥， 張紅星. 北京市夏秋季大氣PM2.5濃度與氣象要素的相關(guān)性[J]. 應(yīng)用生態(tài)學報， 2014， 25（9）： 2695-2699.

[7]李會霞， 史興民. 西安市PM2.5時空分布特征及氣象成因[J]. 生態(tài)環(huán)境學報， 2016， 25（2）： 266-271.

[8]王躍思， 姚利， 王莉莉， 等. 2013年元月我國中東部地區(qū)強霾污染成因分析[J]. 中國科學： 地球科學， 2014， 44（1）： 15-26.

[9]LIN X， WANG D. Spatiotemporal evolution of urban air quality and socioeconomic driving forces in China[J]. Journal of geographical sciences， 2016， 26（11）： 1533-1549.

[10]孫建如， 鐘韻. 我國大城市PM2.5影響因素的經(jīng)濟分析——基于市級面板數(shù)據(jù)的實證研究[J]. 生態(tài)經(jīng)濟， 2015， 31（3）：62-65，77.

[11]項佳娥， 徐麗華， 張方方， 等. 杭州城區(qū)PM2.5和PM10污染特征及其影響因子分析[J]. 中國環(huán)境監(jiān)測， 2016， 32（6）： 36-42.

[12]HARRISON R M， DEACON A R， JONES M R， et al. Sources and processes affecting concentrations of PM10 and PM2.5 particulate matter in Birmingham（U.K.）[J]. Atmospheric environment， 1997，31：4103-4117.

[13]莫莉， 余新曉， 趙陽， 等. 北京市區(qū)域城市化程度與顆粒物污染的相關(guān)性分析[J]. 生態(tài)環(huán)境學報， 2014， 23（5）： 806-811.

[14]唐昀凱， 劉勝華. 城市土地利用類型與PM2.5濃度相關(guān)性研究——以武漢市為例[J]. 長江流域資源與環(huán)境， 2015， 24（9）： 1458-1463.

[15]肖玉， 王碩， 李娜， 等. 北京城市綠地對大氣PM2.5的削減作用[J]. 資源科學， 2015， 37（6）： 1149-1155.

[16]NGUYEN T， YU X X， ZHANG Z M， et al. Relationship between types of urban forest and PM2.5 capture at three growth stages of leaves[J]. Journal of environmental sciences， 2015， 27： 33-41.

[17]SHE Q， PENG X， XU Q， et al. Air quality and its response to satellite-derived urban form in the Yangtze River Delta， China[J]. Ecological indicators， 2017， 75： 297-306.

[18]戴昭鑫， 張云芝， 胡云鋒， 等. 基于地面監(jiān)測數(shù)據(jù)的2013—2015年長三角地區(qū)PM2.5時空特征[J]. 長江流域資源與環(huán)境， 2016， 25（5）： 813-821.

[19]徐建輝， 江洪. 長江三角洲PM2.5質(zhì)量濃度遙感估算與時空分布特征[J]. 環(huán)境科學， 2015， 36（9）： 3119-3127.

[20]TAO Y， WANG H， OU W， et al. A land-cover-based approach to assessing ecosystem services supply and demand dynamics in the rapidly urbanizing Yangtze River Delta Region[J]. Land use policy， 2018， 72： 250-258.

[21]PENG J， CHEN S， LV H， et al. Spatiotemporal patterns of remotely sensed PM2.5 concentration in China from 1999 to 2011[J]. Remote sensing of environment， 2016， 174： 109-121.

[22]中華人民共和國環(huán)境保護部. GB3095-2012： 環(huán)境空氣質(zhì)量標準[S]. 北京： 中國環(huán)境科學出版社， 2012.

[23]歐維新， 張倫嘉， 陶宇， 等. 基于土地利用變化的長三角生態(tài)系統(tǒng)健康時空動態(tài)研究[J]. 中國人口·資源與環(huán)境， 2018， 28（5）： 84-92.

[24]VAN D A， MARTIN R V， BRAUER M， et al. Global estimates of fine particulate matter using a combined geophysical-statistical method with information from satellites， models， and monitors[J]. Environmental science & technology， 2016， 50（7）： 3762-3772.

[25]BECHLE M J， MILLET D B， MARSHALL J D. Does urban form affect urban NO2？ satellite-based evidence for more than 1 200 cities[J]. Environmental science & technology， 2017， 51（21）： 12707-12716.

[26]許學強， 周一星， 寧越敏. 城市地理學[M].第2版. 北京：高等教育出版社， 2009.

[27]HOERAL A E， KENNARD R W. Ridge regression： biased estimation for nonorthogonal problems [J]. Technometrics， 1970， 42（1）： 80-86.

[28]孫海玲， 王紅平. 基于嶺回歸的城市建筑能耗增長驅(qū)動因素研究[J]. 城市發(fā)展研究， 2013， 20（5）： 21-24.

[29]徐建華， 岳文澤. 近20年來中國人口重心與經(jīng)濟重心的演變及其對比分析[J]. 地理科學， 2001（5）： 385-389.

[30]GETIS A， ORD J K. The analysis of spatial association by the use of distance statistics geographyical analysis[J].1992， 24（1）：189-206.

[31]HAN L， ZHOU W， LI W. City as a major source area of fine particulate （PM2.5） in China[J]. Environmental pollution， 2015， 206： 183-187.

[32]陳利頂， 傅伯杰， 趙文武. “源”“匯”景觀理論及其生態(tài)學意義[J]. 生態(tài)學報， 2006（5）： 1444-1449.

[33]韓立建. 城市化與PM2.5時空格局演變及其影響因素的研究進展[J]. 地理科學進展， 2018， 37（8）： 1011-1021.

[34]HAN L， ZHOU W， LI W. Impact of urbanization level on urban air quality： a case of fine particles （PM2.5） in Chinese cities[J]. Environmental pollution，2014，194：163-170.

[35]HAN L， ZHOU W， LI W. Meteorological and urban landscape factors on severe air pollution in Beijing[J]. Journal of the air & waste management association，2015，65：7，782-787.

Abstract Haze pollution caused by PM2.5 has threated human health and sustainable development in many rapidly developing regions of China over the past decade. The Yangtze River Delta （YRD） region is one of the rapidly urbanizing regions in China with severe PM2.5 pollution. Therefore， it is critical to explore the impact of urban landscape dynamics on PM2.5 variations in this region to optimize the spatial arrangement of the ‘source and ‘sink elements in the landscape. In this paper， we used the gravity model， hotspot analysis， and landscape indices to explore the spatio-temporal variations of PM2.5 concentration and landscape pattern in the YRD region during 1995-2015. We also used the ridge regression model to analyze the effects of landscape pattern of four land use types （including construction land， woodland， cropland， and water body） on PM2.5 concentration at multiple spatial scales. The results showed that ①the PM2.5 concentration increased significantly from 1995 to 2015， especially in the northern part of the YRD. Moreover， the PM2.5 concentration also increased more rapidly in the northern part than in the southern part of the region. ②During 1995-2015， construction land had an increasing area and aggregation， while woodland and cropland have been decreasing， and their distribution is fragmented. ③Construction land and woodland are the ‘source and ‘sink landscape for haze pollution， respectively. Cropland has both effects of ‘source and ‘sink on PM2.5 concentration. Water body has no obvious effect on haze pollution. ④Higher PLAND and ED values of woodland were related with lower PM2.5 concentration at the smaller spatial scale. Based on these findings， we recommend the following land management measures for mitigating PM2.5 pollution for the YRD region： Encouraging the ‘leap frogging pattern of urban growth; distributing and managing woodland near the construction land to increase the contact area between the two land use types; and preserving large cropland patches.

Key words landscape pattern; PM2.5; ridge regression; scaling effect; Yangtze River Delta