兰西城市群大气污染时空分布特征及其对土地利用的响应

Characteristics of spatial and temporal distribution of air pollution in the Lanzhou-Xining urban agglomeration and its response to land use

摘要

目的 研究兰西城市群大气污染物时空变化，探讨土地利用方式对大气污染物的影响。 方法 以兰西城市群大气污染数据和土地利用数据为基础，运用反距离权重法、泰森多边形法分析兰西城市群土地利用与大气污染物的时空变化特征，通过Pearson相关系数分析土地利用与大气污染间的相关关系。 结果 2015~2020年兰西城市群土地利用变化速度相对较快，耕地、林地、草地和未利用土地面积减少，建设用地和水域面积增加；大气污染物除O₃浓度先降后升，其它浓度总体呈现下降趋势；6种大气污染物有显著的季节性、月度差异性和空间异质性；土地利用变化与大气污染之间存在响应关系，建设用地和耕地面积比例与CO、NO₂、PM_2.5、PM₁₀的污染程度呈正比，水域和未利用地面积比例与CO、NO₂、PM_2.5、PM₁₀浓度呈负相关，林地面积比例与SO₂浓度呈负相关。 结论 兰西城市群大气污染的时空分布对土地利用变化给予了积极的响应，不同的土地利用类型与大气污染物之间的相应关系不同。

Abstract

Objective To study the spatial and temporal variation of air pollutants in the Lanzhou-Xining urban agglomeration and to investigate the influence of land use patterns on air pollutants. Method Based on the air pollution data and land use data of Lanzhou-Xining urban agglomeration，the inverse distance weight method and Tyson polygon method were used to analyze the spatial and temporal change characteristics of land use and air pollutants in Lanzhou-Xining urban agglomeration，and the correlation between land use and air pollution was analyzed by Pearson correlation coefficient. Result The land use of the Lanzhou-Xining urban agglomeration changed relatively rapidly from 2015 to 2020，with the area of arable land，forest land，grassland and unused land decreasing and the area of built-up land and water increasing;the concentrations of air pollutants showed a general decreasing trend，except for O₃，which first decreased and then increased; the six air pollutants showed significant seasonality，monthly variability and spatial heterogeneity.There is a response relationship between land use change and air pollution，the proportion of built-up and arable land area is positively correlated with the pollution level of CO，NO₂，PM_2.5 and PM₁₀，the proportion of water area and vacant land is negatively correlated with the pollution level of CO，NO₂，PM_2.5 and PM₁₀，and the proportion of forest land area is negatively correlated with the concentration of SO₂. Conclusion The spatial and temporal distribution of air pollution in the Lanzhou-Xining urban agglomeration responds positively responses to land use changes，and the corresponding relationships between different land use types and air pollutants are different.

Graphical abstract

关键词

大气污染 / 土地利用 / 兰西城市群 / 时空变化 / 相关性分析

Key words

air pollution / land use / Lanzhou-Xining urban agglomeration / temporal and spatial variation / correlation analysis

Author summay

郁文婷，硕士研究生。E-mail：[e-mail]

由于人类活动的增加和城市化进程的加快，全球土地利用发生了巨大变化，这也对当地、区域和全球环境造成了巨大的压力。大气污染问题便是城市化最重要的环境结果之一，它已经成为威胁生态环境、城市可持续发展、居民身体健康的关键环境问题^［1-2］，也是许多大城市在城镇化进程中面临的一个难题^［3］。

已有大量研究表明^［3-6］大气污染受气象因素影响显著，但也有研究发现^［7-12］土地利用模式和变化也与大气污染密切相关。目前，国内外对土地利用与大气污染的研究大多是将土地利用作为LUR模型中的重要解释变量，利用LUR模型模拟污染物浓度的空间分异^{［3，7-9，13-15］}。也有一些学者从土地利用和景观格局入手，分析了土地利用与大气污染物的相关性^{［11-12，16-23］}，但这些研究大多集中于单一类污染物研究，特别是PM_2.5，而缺少对其他类型空气污染物和综合污染指数的研究^［24］，且现有研究多针对城市小尺度空间区域，鲜有城市群大尺度的研究。土地利用数据具有相对的动态性，所以土地利用对大气污染的影响在长期尺度上更为显著，而现有的研究^{［3，7-8，10-11，19-20］}大多采用了一年的空气质量数据。因此，本文从城市群尺度研究近6年土地利用类型对多种大气污染物的影响是有意义的。

兰西城市群是黄河流域重要的工业基地和能源基地，在“一带一路”战略的推动下，兰西城市群经济发展迅速，而石油化工、有色冶金等污染密集型产业在兰西城市群的地区经济总量中占有绝对优势^［25］。这同样也加重了大气污染问题，但有关兰西城市群大气污染方面的研究很少，且对于大气污染物时空分布与土地利用之间的关系，尚无全面、系统的研究。因此，本研究在分析兰西城市群大气污染时空变化特征的基础上，着重探讨土地利用类型对大气污染浓度的影响，旨在为兰西城市群大气污染防治和生态城市建设提供理论依据。

1 材料与方法

1.1 研究区概况

兰西城市群是黄河流域国家重点引导培育的跨省区城市群，以兰州、西宁为中心城市，包括兰州市、西宁市、白银市、定西市、临夏州、海东市等地市（州）所辖的41个县（区）^［26］。如图1所示，兰西城市群整体地势西北高、东南低，属大陆性干旱气候和高原半干旱气候区^［27］。因为兰西城市群是西部重要的工业和能源基地，导致该区域成为了中国工业污染物排放的高强度区域，因此政府部门在《兰州-西宁城市群发展规划》中提出了大气环境保护与治理工程。所以，以兰西城市群作为研究区，开展大气污染与土地利用相关性的研究具有合理性和代表性。

1.2 数据来源

1.2.1 大气监测数据

空气质量数据来源于兰西城市群16个空气质量监测站点6种污染物SO₂、NO₂、CO、O₃、PM₁₀、PM_2.5自2015年1月1日~2021年2月28日的日监测数据。按照以往研究^［19］中的季度划分，3~5月为春季，6~8月为夏季，9~11月为秋季，12月和来年1~2月为冬季，并统计各监测站点在月、季、年尺度上的各污染物的浓度均值。

1.2.2 土地利用数据

三期土地利用数据（2015、2018和2020年）来源于中国科学院资源环境科学与数据中心（http：//www.resdc.cn/），如图2所示，该数据是由中国科学院地理科学与资源研究所、遥感应用研究所组织全国各区科研力量，通过解译30 m分辨率TM/ETM遥感影像得到并通过大量控制点验证，将土地利用类型划分为耕地、林地、草地、水域、建设用地和未利用地６个一级类和25个二级类，本文采用的土地利用分类与一级类一致^［28］。

1.3 研究方法

1.3.1 土地利用变化分析

本文借助Arcgis软件，完成对兰州城市群的土地利用数据的空间提取、重分类和制图，并通过Arcgis和Excel软件，计算得到2015~2020年兰西城市群各土地利用类型的面积、面积占比、变化量、单一土地动态度和综合土地动态度，分析2015~2020年兰西城市群的土地利用变化。

1.3.2 大气污染物空间分布分析

本文借助Arcgis软件，采用反距离权重法对2015~2020年兰西城市群的 16个监测站大气污染物浓度数据进行空间插值计算，从年尺度模拟兰西城市群6项大气污染物空间分布情况，其表达式为：

Z={\sum }_{i=\mathrm{1}}^n\frac{\mathrm{1}}{(D_i{)}^p}{Z}_i/{\sum }_{i=\mathrm{1}}^n\frac{\mathrm{1}}{(D_i{)}^p}（1）

式中：Z是监测点估计值，Z_i(i=\mathrm{1}\wedge n)是各监测点大气污染浓度实测值；n为参与计算的实测样本数；D_i 为插值点与第i个站点间的距离；p是加权幂指数。

1.3.3 大气污染物和土地利用之间的相关关系分析

1.3.3.1 泰森多边形法

泰森多边形又叫Voronoi图，可以用于划分空间尺度，它是由荷兰气象学家A•H•Thiessen提出的一种计算区域平均雨量的方法，即将相邻的离散雨量点连成三角形，再做出三角形各边的垂线，于是每个离散点周围被垂线围成一个泰森多边形，利用这个泰森多边形中的唯一雨量观测点的降雨量数据来代表这个多边形范围内的降雨量^［29］。本文基于泰森多边形的思想，利用ArcGIS10.2软件建立泰森多边形网，将兰西城市群按照空气质量监测站点划分为16个研究区域，每个区域中包括唯一的空气质量监测站点，其站点监测值可代表该区域的平均大气污染物质量浓度。

1.3.3.2 Pearson相关性分析

Pearson相关系数^［19-20］一般用于分析两组研究对象之间是否存在相互关系，而Pearson相关性分析则是对这种相互关系的相关程度、相关性方向进行讨论。其表达式为：

r=\frac{{\sum }_{i=\mathrm{1}}^n(x_i-\overline{x})(y_i-\overline{y})}{\sqrt[]{{{\sum }_{i=\mathrm{1}}^n(x_i-\overline{x})}^{\mathrm{2}}{{\sum }_{i=\mathrm{1}}^n(y_i-\overline{y})}^{\mathrm{2}}}}（2）

式中：r为Pearson相关系数；x_i 和y_i 分别为变量集x中和y中的第i个变量；n表示样本量；\overline{x}和\overline{y}分别为变量集x和y的样本平均数。

本文运用SPSS软件中的Pearson相关分析方法，分析研究区大气污染物和土地利用之间的相关关系。

2 结果与分析

2.1 土地利用时空格局变化分析

兰西城市群土地利用现状如图2所示，2015~2020年土地利用面积如表1所示，2015~2020年兰西城市群土地利用类型以草地、耕地、林地、未利用土地为主，其中草地分布范围较广，林地主要分布于兰西城市群的西部海拔较高的地方，建设用地则主要分布在兰州市、西宁市、白银市、海东市、临夏市的主城区并有周边逐渐发展的趋势。由表1可知，兰西城市群2015~2020年耕地、林地、草地、未利用土地的面积减少，建设用地和水域面积增加，其中建设用地面积增加尤其明显。草地在2015~2020年的单一土地利用动态度是-0.09%，说明在这5年期间草地在缓慢减少，但草地依然是兰西城市群的主要用地类型。2015~2020年耕地面积减少，但建设用地面积不断增加，从建设用地的动态度（5.87%）可以看出在2015~2020年建设用地的变化最为活跃。未利用地的动态度为-0.57%，变化速率也相对较快，总体面积不断减少。从表1中的综合土地利用动态度（0.13%）可以看出2015~2020年兰西城市群土地利用变化速度相对较快。这与兰西城市群工业化和城市化速度加快，城市建设活动活跃，人口城镇化率大幅增长，公共设施的建设与完善有一定的关系。

2.2 大气污染物时序变化分析

2.2.1 月度变化

由兰西城市群空气质量监测站点监测数据统计得到各大气污染物的月均浓度值，并绘制月度变化点线图，如图3所示，2015~2020年，兰西城市群NO₂、SO₂、CO、PM_2.5月均浓度随着月份整体呈现先降后增趋势，如图3所示呈现非常显著的“Ｕ”字型变化。2015~2020年污染物CO、NO₂、SO₂、PM_2.5月均浓度高值均出现于1月和12月，6~8月最低，但NO₂浓度在2~8月之间呈现波动变化并分别在3月和6月出现小波峰。2015~2020年污染物PM₁₀浓度在1~5月呈倒“V”字型变化，且在3月出现峰值，5~12月呈“U”型变化，低值出现在8月。2015~2020年污染物O₃浓度呈倒“V”字型变化，变化趋势与其他污染物相反，波峰出现在6月和7月，12月和1月最低。

2.2.2 季度变化

由兰西城市群空气质量站点监测数据统计得到各大气污染物的季均浓度值，并绘制季节变化柱状图，如图4所示。总体来看，O₃、CO、NO₂、SO₂、PM_2.5和PM₁₀浓度均季节性特征明显，SO₂、NO₂、CO浓度整体呈现出秋冬高、春夏低的变化趋势。夏季SO₂、NO₂、CO浓度偏低，主要是因为气象因素，同时也与春夏非采暖季燃煤排放的污染物减少，大气环流旺盛，植被生长茂盛有一定关系。PM₁₀和PM_2.5浓度的高低顺序分别为春季>冬季>秋季>夏季和冬季>春季>秋季>夏季，兰西城市群冬春季PM_2.5和PM₁₀污染较严重，主要与采暖期污染源排放强度较大以及春季兰西城市群频繁出现的沙尘天气有一定关系。O₃的季节性变化趋势与其他污染物相反，呈夏季>春季>秋季>冬季的趋势。这是因为夏季温度高、辐射强，而前体物NO_x和VOCs等在强烈的光化学反应下极易形成O₃^［5］；而冬季O₃浓度较低的原因是冬季多静稳天气，颗粒物浓度的增加对太阳辐射强度具有削弱作用，光化学反应的发生受到抑制，从而O₃的生成量减少^［5］。

2.2.3 年际变化

兰西城市群空气综合污染指数和空气污染物年际变化折线图，如图5~6所示。空气综合污染指数（简称P值）是反映空气受污染程度的综合指标^［30］，2015~2020年兰西城市群空气综合污染指数呈明显的下降趋势。空气污染物NO₂、SO₂、CO、PM_2.5和PM₁₀年均浓度在个别年份有所波动，但整体上仍呈现下降趋势。而O₃年均浓度呈现先增加后降低的趋势，2015~2017年O₃浓度逐年上升且2017年达到最高值115 μg/m³，随后O₃浓度呈现缓慢下降趋势，５ a内累计增加8.41 μg/m³。虽然2020年颗粒物PM_2.5和PM₁₀年均浓度与2015年相比分别下降15.28 μg/m³和32.89 μg/m³。但2015~2020年之间PM_2.5 的浓度范围为28.44~43.72 μg/m³，PM₁₀ 的浓度范围为63.63~96.81 μg/m³，而《环境空气质量标准》中PM_2.5和PM₁₀的年二级标准分别为35 μg/m³和70 μg/m³，所以PM_2.5、PM₁₀浓度在2015~2018年均超过年二级标准，2019年首次达到年二级标准。综上所述，近6 a来兰西城市群大气污染形势逐步好转，一定程度上体现出甘肃省和青海省实行的《大气污染防治行动计划》和《打赢蓝天保卫战三年行动计划》等一系列策略对兰西城市群的空气质量地改善效果显著。但兰西城市群PM_2.5和PM₁₀2项指标刚达到年二级标准还不稳定，在未来的兰西城市群的大气污染防控中应予以重视。

2.3 大气污染物空间变化分析

2.3.1 大气污染物空间分布特征

2015年、2018年和2020年兰西城市群大气污染物浓度空间分布图，如图7~9所示。2015年O₃浓度空间分布呈现“西高东低”的趋势，高值区域主要分布于兰州市区、海晏县、共和县；低值区域主要分布在榆中县、白银区、景泰县、靖远县。2018年O₃的高值区主要集中分布在兰州市。2020年O₃浓度空间分布与2015年相比，整体呈向东延伸的态势，而且2020年的O₃浓度的高值与低值均高于2015年，高值区域除榆中县低值区域上升为高值区域外其他区域不变。2015年、2018年、2020年CO浓度的空间分布都整体呈现“中部高两边低”的态势，高值区域主要分布在兰州市区、西宁市区；低值区域主要分布在海晏县、共和县、安定区，但2020年CO浓度高值、低值都有小幅度的下降。NO₂浓度在2015年、2018年、2020年的空间分布趋势为“中部和东部高西部低”，高值区域主要分布在兰州市区、西宁市区，但与2015年相比2018年和2020年NO₂浓度的高值有所降低，特别是临夏市；低值区域主要分布在海晏县、共和县、同仁县。2015年SO₂浓度空间分布呈现“东北和中部高西部低”的态势，2018年和2020年SO₂浓度空间分布范围缩小呈现出“东北高其他区域低”的趋势，但2015年、2018年、2020年的高值区域都是由白银区向四周扩散的；低值区域主要分布在海晏县、共和县、同仁县、榆中县。PM_2.5与PM₁₀浓度空间分布特征基本相同，2015年、2018年、2020年都呈现出“中部和东部高西部低”的特征，高值区域主要分布在兰州市区、西宁市区、海东市平安区；低值区域主要分布在低值区域主要分布在海晏县、共和县、同仁县。

2.3.2 污染物空间分布成因分析

O₃高值区主要集中在兰州市区、海晏县、共和县，原因是兰州市区作为兰西城市群的核心城市经济发达、工业集聚、人口密集、污染源相对较多，所以NO_x和VOCs等O₃的前驱物排放较多，进行光化学反应后产生的O₃也就越多^［1］。海晏县和同仁县O₃浓度较高，与该区域海拔高，光照强烈，会产生强烈的光化学反应，以及当地独特的气象条件和人类活动污染有关^［19］。2020年O₃高值区由兰州市区向榆中县扩散是因为O₃是二次污染物，O₃的前驱物主要来源于城市一次污染物的排放，而且O₃的形成通常需要较长时间^［20］。在这期间，由于O₃与风向、风速存在相关性所以在风的运输下，导致O₃和其前驱物传送至在下风方向的榆中县，且榆中县有较充足的光照和O₂，这加快了O₃的形成使榆中县出现了O₃浓度较高的现象^［31-32］。

NO₂、CO高值区主要分布在兰州市区、西宁市区，原因为兰州市和西宁市既是兰西城市群的中心城市，也是传统重工业城市，城市和经济发展较快，车辆、人口、机动车和工厂污染源也相对较多，所以CO、NO₂浓度较高。

SO₂高值区主要集中在白银区，原因为该区域是白银市主城区且分布有银光化工公司和有色金属公司等多个工业企业，污染源相对较多而且有色金属冶炼过程会排放SO₂。但随着白银市调整产业结构，优化能源结构，推进清洁生产等SO₂污染综合治理措施地实施^［33］，2020年SO₂浓度的高值明显下降。

PM_2.5、PM₁₀高值区域主要分布在兰州市区、海东市平安区、西宁市区。这是因为兰州市区与海东市平安区降水少，风力小、静风多，地形呈河谷型地带，不利于污染物扩散，且兰州市区与海东市平安区都存在建筑工地扬尘污染、采暖期燃煤污染、春季沙尘天气等现象^［34］。

2.4 土地利用类型对大气污染物浓度的影响

本文为了更好地探讨土地利用对大气污染物浓度的影响，依据谢远扬等^［35］的研究，泰森多边形法可以科学合理地反映区域总体水平和区域内空气污染物整体的浓度情况，并且可以用于估算区域内空气污染物质量总量。运用泰森多边形法将兰西城市群按照空气质量监测点划分为16个区域，如图10所示，并且利用ArcGIS10.2软件将构建的泰森多边形网与兰西城市群的土地利用类型进行叠加，统计各区域中每类土地利用类型面积比例。利用Pearson相关性分析法对各站点所在各区域土地利用类型面积比例和各站点大气污染物年浓度进行相关性分析和显著性检验，并绘制成相关性图，如图11所示。

由图11可知，耕地面积比例与NO₂、PM_2.5、PM₁₀浓度呈显著正相关，表明耕地对NO₂、PM_2.5、PM₁₀的积累有正向促进作用，建设用地面积比例与CO、NO₂、PM_2.5、PM₁₀浓度也呈正相关关系，这说明城镇化扩张引起的建筑工地扬尘污染、道路交通的增多引起的汽车尾气污染以及工业用地带来的污染气体排放这些都是造成兰西城市群CO、NO₂、PM_2.5、PM₁₀污染元凶之一；林地面积占比与SO₂浓度呈负相关关系，所以林地面积比例的增加对SO₂浓度有一定的消减作用。这与林地本身具有一定的调控和吸收空气中污染物质的功能有关^［36］。

水域和未利用土地面积比例与CO、NO₂、PM_2.5、PM₁₀浓度呈显著负相关关系，这意味着水域和未利用土地对CO、NO₂、PM_2.5、PM₁₀浓度有一定的沉降作用。水域面积比例与PM₁₀、PM_2.5浓度相关性更强一些，这是因为水域可以增加空气中的湿度，空气湿度的适度增加有利于大气颗粒污染物的吸附、吸收和沉降。

各区域的空气综合污染指数（P）与土地利用类型面积比例之间的相关性与除O₃外的各污染物基本一致，建设用地对兰西城市群造成的污染最为严重，而水域与未利用土地都有利于降低大气污染物的污染，改善空气质量。

综上所述，不同的土地利用类型对大气污染物质量浓度的影响不同，这是因为土地利用/覆被变化一方面会引起地表下垫面物理性质的改变，从而引起气象要素的变化，进而对当地的气候变化、空气质量、大气污染造成一定的影响^［37］。另一方面，土地利用/覆被变化通过与大气之间相互作用使大气成分发生变化，造成CO、NO₂、PM_2.5、PM₁₀大气污染物的排放量增加，从而产生大气污染等问题^［38］。

3 讨论

从研究内容来看，在土地利用与大气污染的现有研究中，多将土地利用作为一个模型中的影响因子来模拟大气污染物扩散，并且多选用单一污染物，但单一污染物不能完全反映某个地方的空气质量状况^{［3，10，12，16，18］}。本研究选取了６项参与空气质量评价的污染物以及空气综合污染指数，弥补了以往大气污染指标体系的不足，使得结果更加全面。

从研究方法来看，本文选取反距离权重法对兰西城市群大气污染物的空间分布进行可视化，该方法与阳海鸥、吴健生、冯春莉等^{［3，10，14］}研究中用于模拟污染物浓度的空间分异的LUR模型相比其可视化结果与实际状况存在一定误差，所以对于大气污染物浓度空间分布的精细化有待进一步研究。

从研究结果来看，在大气污染的时间变化方面，兰西城市群大气污染物的月度和季度变化规律与刘盺^［38］对北方地区大气污染特征分析所得到的结果基本一致。在土地利用对大气污染的影响方面，研究发现建设用地和耕地的增加会加剧大气污染，而水域、林地和未利用土地的增加会减弱大气污染。这与谢舞丹等^［12］、李玉玲等^［18］、胡荣明等^［20］从城市尺度分析土地利用与大气污染相关性的研究结论相一致。我们的研究结果，对于正处在推动高质量发展阶段的兰西城市群来说，可以从土地利用角度出发保护草地、林地和水域，控制建设用地的发展，减少农田生态系统的污染气体排放，适宜性地开发未利用土地，提高未利用土地的植被覆盖度，从而提高空气质量。

4 结论

1） 2015~2020年草地、耕地、林地一直是兰西城市群的优势景观类型，土地利用变化速度相对较快，耕地、林地、草地、未利用土地的面积减少，建设用地和水域面积增加，其中兰州新区作为兰州市未来发展的重点建设用地大面积增加，总的来说兰州市和西宁市两个兰西城市群的中心城市的建设用地面积增加最多。

2） 2015~2020年间，兰西城市群O₃年均浓度呈现出先增加后降低的趋势，其他大气污染物年均浓度在个别年份有所波动，但整体上呈现下降趋势。6种大气污染物存在显著的月度差异性和季节性。

3） 兰西城市群６种大气污染物浓度在空间分布上有明显差异。总体呈现出两个中心城市兰州市和西宁市主城区所在区域的大气污染较严重，其他区域除白银市白银区SO₂污染严重和东部海晏县、共和县O₃污染严重外，其他区域大气污染情况较轻的特征。

4） CO、NO₂、PM_2.5、PM₁₀浓度会随水域和未利用土地面积比例的增大而减小，这些土地利用类型有利于降低CO、NO₂、大气颗粒污染物的污染，提高空气质量，建设用地和耕地则反之。林地面积比例的增加对SO₂浓度有一定的消减作用。此外，O₃浓度与各土地利用类型面积比例虽然都表现出一定程度上的正相关或者负相关，但并不显著。

参考文献

[1] 孙爽，李令军，赵文吉，等.京津冀大气污染变化规律及其与植被指数相关性分析［J］.环境科学，2019，40（4）：1585-1593.

[2] 肖嘉玉，何超，慕航，等.中国城市空气污染时空分布格局和人口暴露风险［J］.地理科学进展，2021，40（10）：1650-1663.

[3] 吴健生，王茜，李嘉诚，等.PM_（2.5）浓度空间分异模拟模型对比：以京津冀地区为例［J］.环境科学，2017，38（6）：2191-2201.

[4] 江琪，王飞，张恒德，等.北京市PM_（2.5）和气态前体物相关关系分析［J］.环境科学与技术，2018，41（4）：77-84.

[5] 郝永佩，宋晓伟，赵文珺，等.汾渭平原大气污染时空分布及相关因子分析［J］.生态环境学报，2022，31（3）：512-523.

[6] 张娜，周国富，黄启芬，等.贵阳市主城区大气污染物时空分布特征及成因分析［J］.生态科学，2022，41（2）：137-148.

[7] Yan C， Wang L， Zhang Q.Study on coupled relationship between urban Air quality and land use in Lanzhou，China［J］.Sustainability，2021，13（14）：7724.

[8] Xu G， Jiao L， Zhao S，et al.Examining the impacts of land use on air quality from a spatio-temporal perspective in Wuhan，China［J］.Atmosphere，2016，7（5）：62.

[9] Li C， Zhang K， Dai Z，et al.Investigation of the impact of land-use distribution on PM_2.5 in Wei fang：seasonal variations［J］.International Journal of Environmental Researchand Public Health，2020，17（14）：5135.

[10] 阳海鸥，陈文波，梁照凤.LUR模型模拟的南昌市PM_（2.5）浓度与土地利用类型的关系［J］.农业工程学报，2017，33（6）：232-239.

[11] 赵修研，张四方，郑辉，等.土地利用与大气污染的耦合影响测度及空间分异：以河南省为例［J］.河南大学学报（自然科学版），2018，48（6）：650-659.

[12] 谢舞丹，吴健生.土地利用与景观格局对PM_（2.5）浓度的影响：以深圳市为例［J］.北京大学学报（自然科学版），2017，53（1）：160-170.

[13] Hennig F， Sugiri D， Tzivian L，et al.Comparison of land-use regression modeling with dispersion and chemistry transport modeling to assign air pollution concentrations withinthe Ruhr area［J］.Atmosphere，2016，7（3）：48.

[14] 冯春莉，李润奎.基于土地利用回归模型的北京市2013—2019年大气污染时空变化分析［J］.环境科学学报，2021，41（4）：1231-1238.

[15] 黄翰林，朱慧敏，李阳，等.基于LUR模型模拟汾渭平原PM_（2.5）浓度空间分布［J］.绿色科技，2022，24（8）：137-140.

[16] 郭二辉，陈家林，郑敏，等.郑州市不同道路等级对近地空气PM（2.5）PM（10）分布特征的影响［J］.河南农业大学学报，2016，50（3）：416-421.

[17] 杨伟，姜晓丽.华北地区大气细颗粒物（PM_（2.5））年际变化及其对土地利用/覆被变化的响应［J］.环境科学，2020，41（7）：2995-3003.

[18] 李玉玲，刘红玉，娄彩荣，等.江苏省PM_（2.5）时空变化及土地利用影响研究［J］.环境科学与技术，2016，39（8）：10-15.

[19] 高龙，唐力，侯浩然，等.深圳市大气污染时空分布及其与景观格局的关系［J］.生态学报，2021，41（22）：8758-8770.

[20] 胡荣明，王睿哲，李朋飞，等.西安市大气污染物时空特征及其与土地利用因素的关系［J］.中国科技论文，2021，16（9）：925-934.

[21] 万伟华.土地利用变化对PM_（2.5）浓度的影响及空间效应研究［D］.杭州：浙江大学，2019.

[22] 邹滨，许珊，张静.土地利用视角空气污染空间分异的地理分析［J］.武汉大学学报（信息科学版），2017，42（2）：216-222.

[23] 李浩楠，曾胜兰.土地利用变化与大气污染物的相关性研究［J］.成都信息工程大学学报，2022，37（2）：221-233.

[24] 滕堂伟，谌丹华，胡森林.黄河流域空气污染的空间格局演化及影响因素［J］.地理科学，2021，41（10）：1852-1861.

[25] 贾卓，杨永春，赵锦瑶，等.黄河流域兰西城市群工业集聚与污染集聚的空间交互影响［J］.地理研究，2021，40（10）：2897-2913.

[26] 闫敏，李晓丹，刘学录，等.黄河上游兰西城市群城市用地结构变化特征分析［J］.自然资源情报，2022（2）：39-45.

[27] 潘竟虎，董磊磊，王娜云，等.兰西城市群热环境格局多尺度研究［J］.国土资源遥感，2018，30（2）：138-146.

[28] 路茜，盖艾鸿，刘玉洁，等.基于GIS的澜沧江流域土地利用变化及其对景观格局的影响［J］.甘肃农业大学学报，2018，53（2）：113-119.

[29] 王玉德.基于ArcGIS的泰森多边形法计算区域平均雨量［J］.吉林水利，2014（6）：58-60.

[30] 陆雅静，王辉，鲍晓磊，等.石家庄市2005-2012年环境空气质量变化及影响因素分析［J］.河北工业科技，2014，31（5）：401-406.

[31] 马秉吉，马玉霞，虞志昂，等.兰州市近地面臭氧污染分布特征［J］.环境保护科学，2019，45（3）：60-65.

[32] 杨燕萍，王莉娜，杨丽丽，等.兰州市O_3污染特征及气象因子相关性研究［J］.环境与发展，2019，31（11）：51-52.

[33] 刘庆华.关于甘肃省白银市二氧化硫污染综合治理的对策研究［J］.新西部（下半月），2007（11）：14+31.

[34] 张宏霞.青海省海东市平安区环境空气质量状况变化分析及对策［J］.青海环境，2021，31（3）：139-142.

[35] 谢远扬，王森.泰森多边形在分析西安市PM_（2.5）污染状况中的应用［J］.环境科学与技术，2017，40（7）：22-27.

[36] 苏维，赖新云，赖胜男，等.南昌市城市空气PM_（2.5）和PM_（10）时空变异特征及其与景观格局的关系［J］.环境科学学报，2017，37（7）：2431-2439.

[37] 万炜，魏伟，钱大文，等.土地利用/覆被变化的环境效应研究进展［J］.福建农林大学学报（自然科学版），2017，46（4）：361-372.

[38] 刘昕.陕甘宁29城市空气污染物时空特征及潜在源区研究［D］.兰州：西北师范大学，2020.

基金资助

甘肃省国土空间规划前期专题研究项目(XZ-20190606)