PM_2.5指环境空气中空气动力学当量直径小于等于2.5 μm的颗粒物，也称细颗粒物^[1]。PM_2.5因其易吸入性和长期残留性，严重危害了人体健康^[2]。流行病学研究发现，长期暴露于PM_2.5污染的空气中，会导致呼吸系统和心血管等疾病的发病率和死亡率的上升^{[3, 4]}。中国城市PM_2.5浓度远高于美洲和欧洲城市，PM_2.5是中国大多数城市的首要污染物^{[5, 6]}。中国从2013年开始在全国范围内监测并发布主要城市监测点位的PM_2.5浓度数据。然而，地面监测数据只能代表监测点局部污染物浓度，城市内部PM_2.5浓度具有显著空间异质性^[7]，无法通过稀疏监测点数据直接获得高空间分辨率的PM_2.5浓度分布，这给城市PM_2.5浓度时空特征分析、空气污染暴露评估等相关研究带来很大挑战^[8]。空间分析技术的发展为高空间分辨率城市空气污染建模提供了技术手段^[9]，结合空间分析技术的土地利用回归(land use regression，LUR)模型被引入城市内部空气污染物空间分布状况模拟，弥补了这一缺陷^[8]。

LUR模型最初是由SAVIAH(Small Area Variations In Air quality and Health)研究计划引入，应用于空气污染制图，称为回归制图^[10]。LUR模型基于监测数据和监测点一定半径内的土地利用信息、道路交通特征和其他相关地理变量构建回归方程^[11]，利用回归方程模拟未监测位置的大气污染物浓度。大气污染物浓度的空间分布具有统计学规律，并与污染源、地形、地表覆盖、土地利用等地理空间要素存在相关性。Gerard Hoek等总结了之前关于LUR的25项研究，指出LUR在研究长时间尺度大气污染物浓度时优于其他空间分析技术^{[8, 9]}。在欧洲和北美一些地区，LUR模型已被成功地应用于预测NO₂、NO_X、PM_2.5和挥发性有机污染物等的空间分布^{[8, 12, 13, 14]}。国内关于LUR的应用研究较少，陈莉等利用LUR模型模拟了天津市^{[15, 16, 17]}和济南市^[18]的PM10、NO₂等大气污染物的浓度空间分布。

由于我国在2013年之前没有把PM_2.5纳入常规监测范围，缺少大范围和长时间序列的实时监测数据，关于PM_2.5浓度的LUR建模非常少，相关研究亟待开展。本研究以武汉市为实例研究区，研究城市地区PM_2.5浓度的相关因素，构建LUR模型，进一步建立高分辨率PM_2.5浓度的空间分布模拟，并分析其空间分布规律。

武汉市地处东经113°41′~115°05′，北纬29°58′~31°22′，位于华中腹地，江汉平原东南部，属北亚热带季风性湿润气候，年降水量为1 205 mm。全市面积8 494.4 km²，其中水域面积2 217.6 km²，主城区建成面积约500 km²。2012年底，武汉市中心城区常住人口有620万人。武汉是我国重要交通枢纽，素有九省通衢之称，也是全国重要的工业基地。2012年全市机动车保有量突破130万辆，预计每年将以20万辆速度增加^[19]。城市空气污染形势日益严峻。

利用LUR模型模拟大气污染物浓度的可靠性取决于监测点数量与分布以及地理相关变量的选择。使用武汉市环保局发布的9个城区监测点监测数据，清洁对照点因远离市区而未被纳入。总结了常见地理相关变量，包括交通、土地利用、人口密度、自然地理要素以及气象要素等^{[8, 10]}。PM_2.5源解析结果表明城市大气环境中PM_2.5主要来源于机动车尾气、工业排放、土壤扬尘和二次污染^{[20, 21, 22]}，而二次污染又与气象条件有关。Ross等利用LUR模拟纽约市区PM_2.5浓度分布时选取了车流量数据，工业用地、居民地、植被、水体和裸地不同地类的土地利用数据，人口数据以及点源排放数据^[12]。车流量数据是刻画交通变量的最有效数据，但因为较难获取，更多的研究采用路网密度代替^{[23, 24]}。陈莉等利用LUR研究天津市大气污染浓度空间分布时，选用缓冲区内道路长度表征交通变量，考虑了长期 风向因素，同时结合天津市实际考虑了距海洋的距离^[17]。

依据PM_2.5源解析结果和LUR模型中常见地理相关变量并考虑武汉实际情况，选用了道路交通状况、土地利用状况、人口密度、工业污染影响和大型水域影响等5类地理相关变量。采用缓冲区内道路长度表征道路交通状况，缓冲内建设用地、植被、水体面积表征土地利用状况。通常采用相关性分析方法确定显著相关的缓冲区半径^{[8, 17, 18]}。

采用时间序列的PM_2.5浓度数据与地理相关变量分别进行双变量相关分析，识别出与PM_2.5浓度相关性最高的目标地理要素。同时顾及月平均温度和月降水量等气象条件数据，对识别出的地理要素与对应的PM_2.5月平均浓度进行多元线性回归分析，得到多元线性回归方程。然后在研究区内生成2 km×2 km的均匀网格，计算格网点相应自变量值，利用回归方程计算得到每一格网点PM_2.5浓度估计值；通过空间插值得到武汉市夏季月均PM_2.5浓度空间分布模拟图。技术路线如图 1所示。

图 1 武汉市LUR模型构建及PM2.5浓度空间分布估计 Fig. 1 LUR Modeling and the Spatial Estimation of PM2.5 Concentration in Wuhan

图选项

采集武汉市环境空气质量实时发布系统(http://ft.whepb.gov.cn:8090/Default.aspx)发布的监测点时间序列数据，具体时段为2013年6月1日至9月30日。武汉市现有10个空气质量国家控制监测点，除其中1个清洁对照点(沉湖七壕)外，其余9个点均分布在主城区，如图 2所示。

图 2 空气污染监测点分布图 Fig. 2 Distribution Map of Air Pollutant Monitoring Sites

图选项

LUR模型中使用的数据是主城区9个监测点的PM_2.5月平均浓度数据，数据见表 1。从表 1中可以看出，总体而言，位于青山工业区的青山钢花监测点PM_2.5平均浓度值最高，沌口新区(开发区)和东湖高新技术开发区PM_2.5平均浓度值次之；吴家山、武昌紫阳、汉口花桥3个监测点位于人口集中区，其浓度值相对较高；位于公园内或附近的东湖梨园、汉阳月湖、汉口江滩的浓度值相对较低。从时间上来看，6月、9月PM_2.5浓度较高，7月、8月浓度较低。利用SPSS对监测数据进行正态分布检验，正态Q-Q图如图 3所示，数据总体上符合正态分布。

图 3 PM2.5月平均浓度数据正态(Q-Q)图 Fig. 3 Normal Q-Q Plot of PM2.5 Monthly Average Concentration

图选项

采用一定范围内的道路长度表示道路影响变量。在ArcGIS 10.0中,以9个国控监测点为中心建立不同半径缓冲区(500 m，1 km，1.5 km，2 km)，采用空间叠置分析统计缓冲区内道路长度。

遥感影像来自中国科学院计算机网络信息中心地理空间数据云(http://www.gscloud.cn/)，选择多影像局部自适应回归分析模型，在线修复条带后，下载陆地卫星武汉市2013年8月8日ETM+影像，利用ENVI 4.5进行监督分类，得到水体、居民地、植被三种地类(整体精度达到98.34%，Kappa系数为0.94)。将监督分类结果导入ArcGIS 10.0，同样以9个国控监测点为中心建立不同半径缓冲区(500 m，1 km，1.5 km，2 km)，通过空间叠置分析分别统计缓冲区内3种土地利用类型的面积。

由于没有高精度的人口分布数据，也没有监测点周边不同范围内的人口密度统计数据，以2013年武汉市统计年鉴^[25]分区人口数据为依据，LUR建模时采用监测点所在行政区的人口密度。

工业排放是PM_2.5污染的重要来源^{[20, 21, 22, 23, 24, 26]}。武汉市环保局重点污染源信息发布系统公布了11个重点废气排污企业排放数据,重点调查了位于武汉市的发电厂、钢铁厂、水泥厂等较大的空气污染物排放单位，最终得到19个企业的空气污染物排放数据。

计算点污染源到每个监测点的距离 D，考虑点污染源排放值C，采用距离反比加权的方式计算点污染源对监测点的累计影响值，计算公式如下：

式中，C_i为第i个点污染源排污值(mg\5m^-3\5d)，D_i为第i 个点污染源到相应监测点的距离(km)。

武汉市水域面积较大，长江、汉水在市区交汇，市内湖泊众多。相关研究表明，大面积水域对于空气污染有缓解作用。选取长江、汉水以及武汉市主城区内的东湖、南湖、沙湖等9个面积较大的湖泊为大型水域，以监测点距离最近大型水域边缘的距离D为水域影响变量。

采用2013年6月至9月武汉市气象站的气象数据，具体见表 2。

将PM_2.5月平均浓度和各类地理要素中选取的影响因子进行双变量相关分析，计算相关系数R²见表 3。

根据双变量相关分析结果，选择与PM_2.5月平均浓度相关性显著的影响因子，同类影响因子不同缓冲半径的变量选择相关性最大的变量。最终选择的变量是：1 000 m半径缓冲区内道路长度(x2)，500 m半径缓冲区内水域面积(x₅)，500 m半径缓冲区内建设用地面积(x₉)以及工业污染影响(x₁₈)，表 3中用加粗的字体表示。绿地面积、人口密度、距大型水域距离与PM_2.5浓度相关性不显著。

对自变量进行0-1标准化处理，包括根据相 关分析识别出的与PM_2.5浓度相关性较高的地理相关变量(x₂,x₅,x₉,x₁₈)，以及月平均气温和月降水量。以PM_2.5月平均浓度为因变量，构建多元线性回归方程，回归系数R²=0.905，调整后的R²=0.885，标准估计误差为4.03 μg/m³。回归结果见表 4。

线性回归方程为：

对回归方程进行F检验，检验统计量 T=45.809，在显著性水平α=0.01 下通过F检验。线性回归方程(2)在各监测点6~9月份PM_2.5浓度拟合结果如表 5。

从表 5中可以看出，多监测点的PM_2.5浓度拟合效果良好。从监测点来看，汉阳月湖监测点预测误差最大，4个月预测值均高于监测值。该点距离长江汉水交汇处较近，局部特殊地形导致大气稳定度低，污染物较易于扩散。但是本研究未能考虑所有微区域因素，这从一定程度上反映了城市空气污染区域分异的复杂性。

在研究区均匀布点(2 km×2 km)，并计算网格点相应地理相关变量数值，标准化处理后，代入回归方程式(2)，计算出网格点处PM_2.5浓度预测值。采用Kriging插值生成PM_2.5浓度分布模拟图，见图 4。

图 4 武汉市夏季PM2.5浓度分布模拟图(8月) Fig. 4 Map of PM2.5 Concentration of Wuhan in Summer (August)

图选项

模拟结果显示，武汉市夏季PM_2.5浓度呈现三个区域高值中心，分别分布于青山工业区、江北工业区和汉口汉西建材市场区域。主城区和工业区的PM_2.5浓度明显高于其他地区。汉阳南部和武昌南部的大型湖泊和水域面积比例较大的区域表现为两个PM_2.5浓度低值中心。汉阳南部的沌口新区虽然是工业区，但是由于周围水域面积比例较大，且相对独立远离主城区，平均PM_2.5浓度较低。武昌的东湖地区，虽然水域面积比例较大，但是几乎完全被主城区包围，属于人类活动密集区域，没有表现为PM_2.5浓度低值中心。

本文通过相关分析识别出与PM_2.5浓度相关性较高的地理相关变量，建立了PM_2.5浓度模拟的LUR模型，基于该模型和空间插值得到了高空间分辨率的武汉市夏季PM_2.5浓度空间分布图。建立的LUR模型回归效果显著，得到的PM_2.5浓度分布符合武汉市实际情况。实验表明，基于现有监测数据、地理相关变量和气象数据，采用空间分析技术和LUR模型建立高分辨率城市PM_2.5浓度空间分布的方法是可行的。通过本研究，识别了武汉市PM_2.5浓度的地理相关因素，得到了PM_2.5浓度的空间分布规律，为大气PM_2.5污染防控策略制定、人群的污染暴露评估和健康影响分析提供了支撑。

我国城市地区大气PM_2.5污染监测、分析和应对才刚刚开始，并且在污染物浓度、污染物分布和污染物来源等方面与欧美国家的情况有很大不同。针对我国实际情况的城市和区域PM_2.5浓度空间模拟方面的研究还需要继续深入。将来的研究包括密集布设监测点获得更丰富的监测数据，以及获取高质量的道路车流量、人口分布等数据，从而提高空间建模精度。