基于改进LUR模型的区域土壤重金属空间分布预测

以江苏省常州市金坛区为例,借鉴传统LUR模型思路,考虑土壤重金属的源汇关系,加入土壤属性因子,构建LUR-S模型模拟预测了研究区土壤重金属含量空间分布,并与传统LUR模型及普通克里格插值模型结果进行对比,结果表明:(1)研究区土壤重金属含量受到以土地利用为主的源因子及反映重金属在土壤中赋存环境的汇因子的共同影响.就源影响因子而言,土壤Cu、Zn含量分别与2 000 m缓冲区内交通用地面积、2 000 m缓冲区内城市建设用地面积极显著相关(P0.01);就汇影响因子而言,土壤Cr、Cu、Zn含量与OM、Corg、TC、TN极显著相关(P0.01).(2)研究区土壤重金属Pb、Cr、Cu、Zn空间分布预测的LUR-S模型方程R2较传统LUR模型分别提高了0.041、0.406、0.102、0.501,精度检验R2较普通克里格插值模型分别提高了0.147 7、0.011 6、0.231 0、0.081,RMSE较普通克里格插值分别减少了2.413、0.631、1.112、2.138,表明考虑了源汇关系的LUR-S模型预测精度高于传统LUR模型和普通克里格插值模型;(3)LUR-S模型对污染较低、变异较小重金属空间分布预测的适用性较好,而对污染较高、变异较大重金属则较差.     

PyLUR: Efficient software for land use regression modeling the spatial distribution of air pollutants using GDAL/OGR library in Python

• PyLUR comprises four modules for developing and applying a LUR model. • It considers both conventional and novel potential predictor variables. • GDAL/OGR libraries are used to do spatial analysis in the modeling and prediction. • Developed on Python platform, PyLUR is rather efficient in data processing. Land use regression (LUR) models have been widely used in air pollution modeling. This regression-based approach estimates the ambient pollutant concentrations at un-sampled points of interest by considering the relationship between ambient concentrations and several predictor variables selected from the surrounding environment. Although conceptually quite simple, its successful implementation requires detailed knowledge of the area, expertise in GIS, statistics, and programming skills, which makes this modeling approach relatively inaccessible to novice users. In this contribution, we present a LUR modeling and pollution-mapping software named PyLUR. It uses GDAL/OGR libraries based on the Python platform and can build a LUR model and generate pollutant concentration maps efficiently. This self-developed software comprises four modules: a potential predictor variable generation module, a regression modeling module, a model validation module, and a prediction and mapping module. The performance of the newly developed PyLUR is compared to an existing LUR modeling software called RLUR (with similar functions implemented on R language platform) in terms of model accuracy, processing efficiency and software stability. The results show that PyLUR out-performs RLUR for modeling in the Bradford and Auckland case studies examined. Furthermore, PyLUR is much more efficient in data processing and it has a capability to handle detailed GIS input data.     

上海市湖泊沉积物重金属的空间分布

上海快速城市化发展导致公园湖泊表层沉积物中重金属Cd、Hg、Cu、Pb和Zn含量出现富集,其最大值已超出各自土壤背景值3.8~5.8倍.这5种重金属的污染热点主要出现在核心城区的人口和交通密集区、浦西沿江老工业区以及郊区新兴工业区附近.基于土地利用类型、交通变量、人口密度和工业点源等预测变量构建了高精度的土地利用回归模型,推测沉积物中Cd和Pb浓度分别主要受路网密度和商业用地影响,Hg和Cu主要受商业用地和工业点源数影响,Zn主要受居住用地和工业点源数影响.     

土地利用回归模型在大气污染时空分异研究中的应用

随着城市化、工业化、机动化进程的加快,大气污染已成为我国最严重的环境问题之一,对公众健康和生态环境造成了诸多负面影响.土地利用回归,即Land-use Regression(LUR)模型是目前模拟城市尺度大气污染时空分异的常用方法之一,其在欧洲和北美得到广泛的应用,而在国内,相关研究却不多.本文在整理国内外文献的基础上,从构建LUR模型的主要步骤入手,包括监测数据获取、模型自变量生成、模型构建、模型检验和回归映射等方面,对LUR模型在大气污染时空分异研究中的进展进行归纳总结,进而展望了未来的研究重点与方向,即突出时空分异、扩展模型变量类别和改进模型构建方法.本文旨在普及LUR模型在我国的应用,为人口暴露、流行病学研究和健康风险评价等提供方法论基础.     

基于LUR模型的中国PM2.5时空变化分析

土地利用回归(LUR)模型是模拟大气污染物浓度时空分异最主要、最体系化的方法之一,为了探索LUR模型在中国国家尺度空气污染物模拟的适应性,挖掘中国2015年空气细颗粒物(PM_(2.5))的时空变化特征及其与不同地理要素相关关系,以2015年国家控制监测站点PM_(2.5)数据为因变量,土地利用类型、地形地貌、人口、道路交通与气象要素等影响因素为自变量,构建基于地理加权的LUR模型,通过模型回归制图得到2015年全国月均与年均PM_(2.5)浓度分布图,以胡焕庸线为参考线分析中国2015年PM_(2.5)浓度的时空变化特征.结果表明,引入地理加权算法的LUR模型残差Moran'sⅠ显著降低,残差空间自相关性明显减弱,判别系数R2明显提高,更好地揭示出PM_(2.5)空间分布和各影响因子间的复杂关系;耕地、林地、草地和城镇居民工矿用地以及气象要素、主干道路对PM_(2.5)浓度的影响比较显著.不同地理要素的不同空间分布对PM_(2.5)影响作用不同;胡焕庸线两侧PM_(2.5)表现出明显的时空差异,人口规模大、工业化水平高的发达城市PM_(2.5)浓度较高; PM_(2.5)浓度在冬季月份较高,秋季、春季、夏季月份污染情况逐渐减弱.     

基于LUR模型的2019年北京地区PM2.5与PM10浓度空间分异模拟

在城市区域内,空气污染物的浓度在小范围内存在显著差异,而离散的地面监测点分布不均匀,且监测范围有限,无法满足污染物暴露评估等研究的需求.本研究基于GIS空间分析和多元逐步回归的模型构建的方法,建立了土地利用回归（LUR）模型,并模拟了北京市2019年PM_2.5和PM₁₀浓度的空间分布特征.选择土地覆盖数据、气象数据（风速、降水、温度）和植被覆盖度数据等预测变量,以研究区34个监测站点为中心建立0.1~5 km共7个系列缓冲区,表征不同尺度下各变量对PM_2.5和PM₁₀浓度的影响.研究结果表明：①进入PM_2.5回归模型中的变量有：年均风速、温度、降水量和周围中等植被覆盖、耕地和不透水面的面积;进入PM₁₀回归模型中的变量有：年均风速和周围中等植被覆盖的面积.两个模型的调整R²分别为0.829和0.677,模型精度较高.②抑制污染物浓度的变量,影响力随着空间范围扩大而增强;使污染物浓度增加的变量,影响力随着空间范围缩小而增强.③浓度模拟结果显示,PM_2.5和PM₁₀在西北部山区浓度较低,南偏东的城区浓度较高,并且向南有逐渐增加趋势.4植被覆盖度这一变量不仅进入了上述两个方程,且影响力都强于其他土地利用类型,故以后的模型改进应该考虑植被覆盖度这一因素.