| 基于LUR模型的2019年北京地区PM2.5与PM10浓度空间分异模拟 |
| |
| 引用本文： | 赵雪,侯丽丽,王鑫龙,武高峰,梁爽,赵文吉.基于LUR模型的2019年北京地区PM2.5与PM10浓度空间分异模拟[J].环境科学学报,2020,40(11):4060-4069. |
| |
| 作者姓名： | 赵雪 侯丽丽 王鑫龙 武高峰 梁爽 赵文吉 |
| |
| 作者单位： | 首都师范大学资源环境与旅游学院,北京100048,首都师范大学资源环境与旅游学院,北京100048,首都师范大学资源环境与旅游学院,北京100048,首都师范大学资源环境与旅游学院,北京100048,首都师范大学资源环境与旅游学院,北京100048,首都师范大学资源环境与旅游学院,北京100048 |
| |
| 基金项目： | 国家重点研发计划（No.2018YFC0706004） |
| |
| 摘 要： | 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PM2.5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PM2.5和PM10浓度的影响.研究结果表明：①进入PM2.5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，PM2.5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.
|
| 关 键 词： | 土地利用回归(LUR)模型 空间分异 PM2.5 PM10 |
| 收稿时间： | 2020/3/24 0:00:00 |
| 修稿时间： | 2020/4/22 0:00:00 |
Simulation of spatial distribution of PM2.5 and PM10 concentrations in Beijing in 2019 based on LUR model |
| |
| ZHAO Xue,HOU Lili,WANG Xinlong,WU Gaofeng,LIANG Shuang,ZHAO Wenji.Simulation of spatial distribution of PM2.5 and PM10 concentrations in Beijing in 2019 based on LUR model[J].Acta Scientiae Circumstantiae,2020,40(11):4060-4069. |
| |
| Authors: | ZHAO Xue HOU Lili WANG Xinlong WU Gaofeng LIANG Shuang ZHAO Wenji |
| |
| Institution: | College of Resource Environment and Tourism, Capital Normal University, Beijing 100048 |
| |
| Abstract: | |
| |
| Keywords: | land use regression (LUR) model spatial distribution PM2 5 PM10 |
| 本文献已被 万方数据 等数据库收录！ |
| 点击此处可从《环境科学学报》浏览原始摘要信息 |
| 点击此处可从《环境科学学报》下载免费的PDF全文 |
|
