在城市化和工业化快速发展的背景下, 空气颗粒物成为很多城市空气中的首要污染物(Dai et al., 2013), 颗粒物中以PM_2.5和PM₁₀受到的关注最为广泛(Pui et al., 2014; Ostro et al., 1999).PM_2.5又名细颗粒物(空气动力学当量直径≤2.5 μm的颗粒物)、PM₁₀又名可吸入颗粒物(空气动力学当量直径≤10 μm的颗粒物), 由于其危害市民健康(Kan et al., 2004; André, 2005)、降低能见度(刘庆阳等, 2014), 对城市空气环境造成不利影响, 其质量浓度(以下简称浓度)已成为我国环境空气监测的固定监测指标.进入21世纪以来, 国内一些城市陆续开展了PM₁₀、PM_2.5的成分组成(杨复沫等, 2003; 王姣等, 2012), 来源解析(宋少杰等, 2012)、时空动态(Querol et al., 2004; 王占山等, 2015)等方面的研究, 土地利用对PM_2.5浓度的影响(李松等, 2014), 基于土地利用变化对颗粒物污染的影响(韦晶等, 2015; Bart et al., 2010)也有报道.不同城市土地利用形式下的景观指数, 可以指示PM₁₀浓度, 体现了城市景观对空气污染物的作用(Weber et al., 2014), 不同的景观格局影响到林地、水体和空气颗粒物的相互作用(Wu et al., 2015).随着城市化进程加快, 空气污染问题在我国南北方城市日益突出, 而颗粒物浓度是判断空气质量的直接标准, 因此, 研究不同地域城市PM_2.5、PM₁₀浓度的时间动态规律、空间格局分布、以及土地利用对它们的影响具有理论和实践上的重要意义.

南昌作为我国传统的“四大火炉”之一, 其气候状况、城市空间布局、城市景观元素具有典型的南方城市特点, 本文基于南昌市9个国家环境空气自动监测站点2013—2015年的连续数据, 研究了南昌市PM_2.5、PM₁₀浓度的时间变异规律、空间分布格局以及与站点500 m、1000 m半径范围内景观格局的关系, 旨在：① 系统地探索南昌市PM_2.5、PM₁₀浓度的时空变化规律；② 在斑块类型尺度和景观尺度上, 探讨监测点周边缓冲区景观格局对PM_2.5、PM₁₀浓度分布格局的长期影响.研究结果可以为其他条件相近城市在不同时间尺度、空间区域PM_2.5、PM₁₀污染的防控提供技术支撑, 从改善城市空气质量的角度出发, 为合理进行城市规划和建设提供科学依据.

本研究的数据由南昌市9个国家环境空气自动监测站点(以下简称站点)提供, 监测方法、监测数据质量均符合国家相关标准规范, 各站点的位置分布见图 1.数据包括PM_2.5浓度、PM₁₀浓度日均值(24 h监测数据平均值), 记录时间从2013年1月—2015年12月, 剔除缺失数据和明显有误的数据, 共获得有效数据7009组(2013年2217组, 2014年2492组, 2015年2390组).由于存在部分缺失数据, 且PM_2.5浓度、PM₁₀浓度日均值变化并无明显的规律性, 因此, 未做缺失数据插补, 参照前人对数据处理的方式(赵晨曦等, 2014), 先将各站点PM_2.5浓度、PM₁₀浓度的月均值计算得出, 再由月均值进一步计算出该站点PM_2.5浓度、PM₁₀浓度的年均值.

图 1(Fig. 1)

图 1 南昌市环境空气质量监测站点分布 Fig. 1 Locations of the state-controlled ambient air quality monitoring stations in Nanchang

各站点分布较均匀, 覆盖了南昌市几个主要行政区, 站点多集中在城区和城区边缘, 仅有武术学校站点位于城郊作为清洁区对照点.依据南昌市城市发展现状, 以及对9个站点的实地踏查, 对站点编号、位置及周边详情统计如下(表 1).

表 1(Table 1)

表 1 南昌市环境空气质量监测站点详情 Table 1 Details of ambient air quality monitoring stations in Nanchang

表 1 南昌市环境空气质量监测站点详情 Table 1 Details of ambient air quality monitoring stations in Nanchang

通过对监测点实地踏查, 以监测点为中心, 以500 m半径、1000 m半径生成缓冲区, 以2014年的南昌市彩色高分辨率卫星图像资料(Google Earth)为主要资料, 结合Landsat TM(来自地理空间数据云)辅助判读, 运用ARCGIS 9软件, 以目视解译方法在高分辨率卫星图中较为准确地绘制斑块图, 并提取缓冲区土地利用信息.斑块最小面积可达到200 m²以内, 为研究缓冲区景观斑块特征提供了可靠的精度.

人类活动影响城市景观格局, 前人将城市景观要素一般分为建设用地、交通用地、城市森林、草地、水体5种(吴泽民等, 2003), 本研究中缓冲区的选择基本符合城市规模下具有代表性的研究尺度(许珊等, 2015), 能够将地圈、生物圈、智能圈的人类建筑和制造物综合在一起, 以景观指数表达了供人类生存的总体空间可见实体.依据土地利用类型, 在ARCGIS 9中以建筑用地、林地、水体、农田4种景观元素绘制两种缓冲区的斑块图(图 2), 进一步运用几何运算提取斑块基本信息, 再计算各种景观指数.

图 2(Fig. 2)

图 2 环境空气质量监测站点500 m和1000 m缓冲区土地利用类型(注:虚线以上为500 m半径缓冲区, 以下为1000 m半径缓冲区, S1~S9为站点编号) Fig. 2 Land-use in buffer zones of 500 m and 1000 m around ambient air quality monitoring stations

结合FRAGSTATS软件中相关的常规景观指数和前人对城市森林景观格局指数的选取方法(刘常富等, 2009), 依据理论与实际的重要性、便于计算、能较好表现景观格局和景观构成的指数选择原则(Wu et al., 2015), 在斑块图(图 2)中提取的面积、周长、数量等基本指标, 进而计算出两种缓冲区斑块类型水平(Class-Level)和景观水平(Landscape-Level)的11类景观指数(表 2), 作为景观格局的定量指标.对缓冲区景观指数和对应中心站点的PM_2.5、PM₁₀年均浓度进行相关性分析, 以此研究土地利用造成的景观格局变化对PM_2.5、PM₁₀浓度长期的影响机制.

表 2(Table 2)

表 2 主要景观指数生态意义和计算公式 Table 2 Ecological significance and calculation formula of landscape metrics

表 2 主要景观指数生态意义和计算公式 Table 2 Ecological significance and calculation formula of landscape metrics

基于本文颗粒物浓度数据符合多年多点的观测, 参考前人相关研究中分析数据的理论依据(李军等, 2009; Zhang et al., 2015), 对不同年份、站点间PM_2.5、PM₁₀浓度的比较, 采用一般线性模型中的多元方差分析(Manova), 多重比较采用新复极差法(Duncan).聚类分析, 采用系统聚类(Ward法), 本研究中对原始数据进行探索性研究, 无需对变量标准化处理, 因此选用欧式平方距离(Squared Euclidean distance).各站点年均PM_2.5、PM₁₀浓度与景观指数的相关性分析, 在对各组独立数据进行K-S(Kolmogorov-Smirnov)正态分布检验通过后, 采用检验功效较高的皮尔逊相关系数(Pearson correlation coefficient).数据分析采用SPSS 19.0软件分析数据, EXCEL 2007软件绘制图表.

通过表 3可以看出, 从2013—2015年, 南昌市PM_2.5浓度逐年显著降低, 年均值70.92 μg·m^-3＞53.70 μg·m^-3＞43.65 μg·m^-3.参照《环境空气质量标准》(GB3095—2012) 的要求, 南昌2013—2015年的PM_2.5年均值全部超出国家空气质量二级标准(年均值35 μg·m^-3), 分别超过标准的102.63%、53.43%和24.71%.

表 3(Table 3)

表 3 2013—2015年南昌市PM2.5和PM10浓度年均值 Table 3 Annual average values of PM2.5 and PM10 concentrations in Nanchang from 2013 to 2015

表 3 2013—2015年南昌市PM2.5和PM10浓度年均值 Table 3 Annual average values of PM2.5 and PM10 concentrations in Nanchang from 2013 to 2015

PM₁₀浓度变化规律与PM_2.5相似, 年均值119.72 μg·m^-3＞86.11 μg·m^-3＞73.32 μg·m^-3, 虽有明显好转, 但2013—2015年的PM₁₀年均值全部超出国家空气质量二级标准(年均值70 μg·m^-3), 分别超过标准的71.03%、23.01%和4.74%.对比国家环境空气质量二级标准, 南昌市PM_2.5比PM₁₀超标幅度更大, 污染形势更加严峻.

2013—2015年, 南昌市空气PM_2.5、PM₁₀浓度在不同月份的变化趋势较一致, 因此, 对9个站点月均值的3年重复数据进行分析, 发现南昌市PM_2.5、PM₁₀浓度的年变化均呈现“单峰单谷”的趋势(图 3), 二者变化的幅度和趋势基本相同.南昌市PM_2.5和PM₁₀浓度月份间的差异显著(p＜0.01), 最高的月份都是1月(PM_2.5浓度98.84 μg·m^-3, PM₁₀浓度150.49 μg·m^-3), 最低的月份都是6、7、8月(PM_2.5浓度33.43~36.92 μg·m^-3, PM₁₀浓度63.68~69.00 μg·m^-3).按照当地气象条件的划分方法, 春、夏、秋、冬四季分别为3—5月、6—8月、9—11月、12—2月, 因此, 南昌市PM_2.5和PM₁₀浓度表现出较强的季节变异, 呈现出冬季＞秋季/春季＞夏季的季节动态规律.

图 3(Fig. 3)

图 3 南昌市9个站点空气PM2.5和PM10浓度的月变化 Fig. 3 Monthly variations of PM2.5 and PM10 concentrations in 9 sites in Nanchang

通过月均值数据比较(图 3), S6站点PM_2.5浓度最高(74.01 μg·m^-3), S8站点最低(41.83 μg·m^-3), 结合表 1资料, 发现对应站点空间位置符合从城市中心至城市郊区的变化趋势, 说明南昌市PM_2.5浓度呈现城区高、郊区低的空间格局.PM₁₀浓度具有相似的空间变化规律, 在S6站点最高(113.77 μg·m^-3), S8站点最低(65.04 μg·m^-3), 从高到低排序与PM_2.5站点分布近似, 对应站点空间位置符合从城市中心至城市郊区逐渐降低的变化趋势.

在分析了9个监测站颗粒物污染时空规律的基础上, 采用系统聚类法对南昌市不同站点的PM_2.5、PM₁₀浓度每年的均值进行分析(图 4), 分类结果表明：S1、S5、S9站点分为一类(位于城市中心区工业集中、交通繁忙地段)；S4、S6、S7站点分为一类(位于城市中心区居住区地段)；S2、S3站点分为一类(位于城市边缘)；S8站点分为一类(位于城市郊区).聚类结果反映了城市中心、城市边缘、城市郊区的站点处于不同的分类, S5站点位于江大南路城市繁华地段, 其PM_2.5和PM₁₀浓度均为所有站点中最高的；S8站点作为清洁对照点, 位于市郊梅岭风景区, 其PM_2.5和PM₁₀浓度均为所有站点中最低的.

图 4(Fig. 4)

图 4 南昌市环境监测站点颗粒物污染状况聚类分析 Fig. 4 Cluster analysis of particulate matter pollutants on environmental monitoring sites in Nanchang

通过所有站点颗粒物浓度的聚类分析, 发现不同站点颗粒物浓度年均值多重比较的结果与之相互印证.南昌市PM_2.5、PM₁₀浓度呈现城区高、郊区低的空间分布格局, 与国内其他城市的相关研究结果一致(隋珂珂等, 2007; Gang et al., 2015), 这是城市土地利用的规划决定城市功能的空间布局, 进而影响了交通、建筑、生产等一系列人为活动的颗粒物排放(宋彦等, 2014), 从引起的PM_2.5、PM₁₀浓度在空间上的“城市-郊区”环境梯度分布格局.

斑块类型水平上, 在500 m半径缓冲区的尺度上, PM_2.5、PM₁₀质量浓度与F-PLAND、F-MPS和C-Fi显著负相关, 与C-PLAND和C-SHDI显著正相关.在1000 m半径缓冲区尺度上, PM_2.5、PM₁₀质量浓度与F-PLAND、F-MPS和C-Fi显著负相关, 与C-PLAND、C-SHDI和F-ED显著正相关(表 3).在两种缓冲区的研究尺度下, F-PLAND(林地斑块覆盖率)、F-MPS(林地平均斑块面积)是所有景观指数中对PM_2.5、PM₁₀浓度负相关关系最强的, 这是由于城市森林对空气颗粒物具有滞留作用(Beckett et al., 2000)、还能加快颗粒物的沉降速率(Sun et al., 2014)、通过调节小气候、降低林内颗粒物质量浓度(Cavanagh et al., 2009), 有学者指出, 城市森林在显著降低空气颗粒物浓度, 改善局地空气质量方面起到了积极的作用(Nowak et al., 2006).F-ED(林地斑块边界密度)在1000 m半径缓冲区与PM_2.5浓度、PM₁₀浓度显著正相关, 说明在较大的缓冲区内, 林地总面积达到一定量的前提下, 林地斑块的破碎程度越大, 空气颗粒物浓度越高, 反映出林地降低空气颗粒物浓度的能力随着林地斑块的破碎程度增加而减弱, 大块的、低破碎化的林地才能有效发挥其降低空气颗粒物浓度的功能.C-SHDI(建筑用地多样性指数)、C-PLAND(建筑用地覆盖率)与两种颗粒物的正相关关系表明城市建筑用地破碎程度越大, 建筑用地占据比例越多, 越能显著增加局地的PM_2.5和PM₁₀质量浓度, 这一结果反映了各种复杂的人为活动对城市空气颗粒物的显著贡献.

表 3(Table 3)

表 3 PM2.5和PM10年均质量浓度与景观指数的相关系数及差异显著性① Table 3 Correlation coefficients of annual average PM2.5 and PM10 mass concentrations with landscape metrics

表 3 PM2.5和PM10年均质量浓度与景观指数的相关系数及差异显著性① Table 3 Correlation coefficients of annual average PM2.5 and PM10 mass concentrations with landscape metrics

景观水平上, LPI(最大斑块面积占所在景观比例)直接反映了人类活动的强弱, 也反映了景观破碎性, 其与500 m半径缓冲区内PM_2.5和PM₁₀浓度均显著负相关, 城市中心最大面积斑块多为建筑用地, 景观破碎化程度较大, 颗粒物排放多、浓度大；而城市边缘、郊区最大面积斑块多为大片林地, 景观破碎化程度较小, 颗粒物排放少、浓度低.同时, 仅在500 m半径缓冲区有显著相关性, 表明PM_2.5和PM₁₀质量浓度对500 m半径范围缓冲区的LPI更为敏感, 在较小尺度上受景观破碎化程度影响更明显.MPS(斑块平均面积)反映了景观整体上的破碎程度, 与PM_2.5和PM₁₀的浓度在1000 m半径缓冲区显著负相关, 说明在此景观尺度上, 斑块总量较500 m缓冲区更大, 以MPS为依据的景观破碎程度才能较好地反映其对空气颗粒物污染影响的功能, 而在更小的500 m缓冲区, 由于斑块面积、数量较小, 相关性不显著.城市建筑用地发生了建筑、生产、交通等一系列人类活动, 本文研究范围的城市建筑用地近3年来主要用途为修建各种建筑物, 建筑活动造成的扬尘是城市PM₁₀的主要来源(Yin et al., 2010), 因此, LSI(景观形状指数)与两种缓冲区的PM₁₀浓度呈现显著的正相关关系, 体现了建筑活动改变景观格局, 造成斑块形状复杂程度更大, 对PM₁₀浓度的升高影响更显著.PM_2.5和PM₁₀的人为源(建筑用地)和自然汇(城市林地), 二者也体现了在城市复杂的生态系统中, 空气颗粒物循环流动、排放沉积的基本关系, 从景观水平上体现了生态学中的“源汇”理论.

南昌市2013—2015年PM_2.5和PM₁₀的年均浓度显著下降, 空气质量得到明显改善.不同月份的颗粒物浓度有显著差异, 呈现冬季＞春/秋季＞夏季的季节变化规律, 与国内其他南方城市的表现较一致(马廷, 2006; 魏玉香等, 2009).尽管南昌没有北方城市冬燃煤季供暖造成的颗粒物污染加剧(张晶和陈宗良, 1998; Chen et al., 2015), 但是在污染物源强度较为一致的条件下, 污染物的积累、稀释、扩散和清除主要取决于气象条件(郭利等, 2011), 相比较其他季节, 冬季的气象条件利于颗粒物积累却不利于颗粒物的扩散, 造成了冬季空气颗粒物浓度较高的局面.

颗粒物浓度呈现明显的城乡梯度差异, 城市中心至城市郊区逐渐降低.各种人为活动使得城区污染物排放量远大于郊区, 成为造成这种空间分布差异的主要原因(Wang et al., 2006; Buchan et al., 2008), 城市内建筑施工、工业排放、车辆尾气等因素造成大量的颗粒物来源, 加之土地利用造成的城市的热岛效应(Onishi et al., 2010)、市区相比郊区风速更低等不利因素(Robert et al., 1977), 形成了不利于颗粒物消散、沉降的环境条件, 同时, 粒径越小的颗粒物越能较长时间地悬浮于空气中(王华等, 2013).综上所述, 城市PM_2.5、PM₁₀浓度呈现城乡梯度差异是土地利用、人为活动、气象因素等多方面综合作用的结果, 但最主要的原因还是土地利用导致的局地景观格局变化, 进而从来源上影响到颗粒物排放所致.

城市土地利用的形式造成了不同的景观格局, 间接反映了人类活动对PM_2.5、PM₁₀等颗粒物的排放强弱, 是景观尺度上城市空气颗粒物的主要来源(Janhäll, 2015), 而城市森林具有较强的吸附、滞留空气颗粒物的功能, 对空气颗粒物浓度具有消减作用(Nowak et al., 2006), 本研究的结果与前人研究结论相符.Li等认为, 亚热带和热带气候区森林阻滞吸收的PM_2.5和PM₁₀较北温带、温带更多, 从而使这两种空气颗粒物浓度降低(Li et al., 2010), 城市森林更是成为城市生态系统中空气颗粒物的汇(Wu et al., 2015).通过研究城市中森林、湖面、裸地3种土地利用方式对PM_2.5和PM₁₀的捕获能力, 发现由于干沉降速率的不同, 森林捕获PM_2.5和PM₁₀的能力最强, 湖面次之, 而裸地由于很多细颗粒物再悬浮于空气中, 其捕获颗粒物的能力最弱(Liu et al., 2015).由于森林植被能有效地吸附和移除空气中的颗粒物, 从而降低空气颗粒物浓度, 随着植被覆盖面积的减少, 必然导致地表吸附、阻挡扬尘的能力降低, 加剧了周边颗粒物浓度升高；另一方面, 本研究中的城市建筑用地涉及到城市居住、工程建设、交通、工业生产等各种活动, 这些复杂的人为活动是空气中PM_2.5、PM₁₀颗粒物的重要来源(Wu et al., 2015; 宋彦等, 2014), 城市建筑用地覆盖率较高的区域, 城市林地覆盖率会更低, 二者也体现出此消彼长的关系, 对应的影响到PM_2.5、PM₁₀浓度的升高与降低.研究发现, 城市景观中绿地斑块平均面积越大、破碎度指数越低, 则其对大气灰尘污染和噪声污染净化的作用越大(邵天一等, 2004), 本研究中F-MPS(林地平均斑块面积)也体现了林地作为优势斑块时, 对两种缓冲区PM_2.5、PM₁₀浓度的降低起到显著作用.在城市景观格局中, 城市森林是天然的、具有多种有益生态功能的景观元素, 能够降低不同粒径的颗粒物浓度和NO₂、O₃等气态污染物浓度(邵天一等, 2004; Cavanagh et al., 2009; Janhäll, 2015), 其改善空气质量的功能已经受到许多学者关注.城市森林作为空气颗粒物污染的汇, 同时还能发挥多种有益的生态功能, 因此, 在城市生态环境建设中应给予城市森林足够的重视.

本研究中C-PLAND(建筑用地覆盖率)与两种颗粒物浓度正相关关系最强, F-PLAND(林地斑块覆盖率)与两种颗粒物浓度负相关关系最强, 并且在两种尺度的缓冲区相关关系都表现一致, 直接反映了建筑用地、林地这两种基本土地利用形式对空气PM_2.5、PM₁₀浓度的贡献和消除作用.本研究采用的两种缓冲区尺度下, C-SHDI(建筑用地多样性指数)与两种颗粒物浓度正相关, 反映了建筑用地斑块的分布不均匀, 人为土地利用造成的破碎化程度能显著增高空气PM_2.5、PM₁₀浓度, 而这种相关性在1000 m半径缓冲区全部强于500 m半径缓冲区.F-MPS(林地平均斑块面积)与两种颗粒物浓度负相关关系, 在1000 m半径缓冲区全部强于500 m半径缓冲区, 该结果也表明作为城市空气颗粒物的汇, 林地必须达到更大的面积、更大的总量才能更有效地发挥其降低PM_2.5、PM₁₀浓度的功能.建筑用地和林地是城市下垫面的两种重要表现形式, 二者体现了土地利用造成的不同景观格局对空气颗粒物“源汇”的相互关系, 这种“源汇”关系在更大范围的缓冲区相关性更强.以此推论, 在斑块类型水平上, 城市建筑用地、林地也存在发挥调节PM_2.5、PM₁₀浓度作用的阈值.

南昌市从2013年开始全面监测PM_2.5和PM₁₀浓度, 而景观格局的变化对空气颗粒物污染的影响是长期的, 因此, 本研究的时间跨度还很有限, 只分析了不同范围缓冲区景观格局的水平分布, 探讨了年均污染物浓度与景观格局指数的关系.由于年均尺度下的土地利用(覆盖)与空气质量间的关系通常容易被气象等季节性因素所掩盖(许珊等, 2015), 故景观指数对PM_2.5、PM₁₀质量浓度的季节影响未进行分析.将来可以基于更长时间尺度、更多监测站点的长期观测数据, 结合土地利用在更大的时间和空间尺度上的动态变化、固态与气态空气污染物的时空动态关系、气象因素的季节变化, 从更多的角度认识空气颗粒物浓度受多种因素影响的时空动态机制.

1) 南昌市2013—2015年PM_2.5和PM₁₀浓度逐年显著降低, 空气颗粒物污染状况逐年好转.

2) 南昌市PM_2.5和PM₁₀浓度表现出较强的季节变异, 呈现出冬季＞秋季/春季＞夏季的季节动态规律.

3) 南昌市PM_2.5和PM₁₀浓度的空间分布格局呈现城市中心高、郊区低的城乡梯度变化.

4) 景观格局与局地PM_2.5和PM₁₀浓度变化显著相关, C-PLAND(建筑用地覆盖率)和F-PLAND(林地斑块覆盖率)与PM_2.5和PM₁₀浓度正、负相关性最为显著, 这种相关关系表现出生态学中典型的“源汇景观”关系.