PM2.5 是大气重要污染物之一, 模拟 PM2.5 浓度空间分布对于大气污染防治具有重要意义。将土地利用回归模型 (LUR) 应用到安徽省污染较重的皖北地区, 以监测点为中心, 建立半径分别为 0.5、1、1.5、2、3、4、5 km 的缓冲区, 结合土地利用因子、道路因子、污染源因子、气象因子、高程因子及人口因子共 105 个变量, 建立了该地区四季和年均 LUR 模型, 并通过留一交叉互验, 验证了模型精度。结果表明: 研究区 PM2.5 浓度受草地、湿地、降水量、相关湿度、气压、风速、二级公路、三级公路、废气污染企业、人口数量影响较大。调整 R2 分别为 0.828 (春)、0.731 (夏)、0.831 (秋)、0.775 (冬)、0.892 (年均); 均方根误差 (RMSE) 分别为 6.34 μg·m-3 (春)、7.01 μg·m-3 (夏)、6.28 μg·m-3 (秋)、6.71 μg·m-3 (冬)、5.33 μg·m-3 (年均); 模拟精度 R2 分别为 0.825 (春)、0.730 (夏)、0.834 (秋)、0.772 (冬)、0.897 (年均), 模型表现良好, 解释力强。从模拟的 PM2.5 浓度空间分布可以看出, 不同季节呈现明显不同的空间分布特征, 这与来自北方的大量污染颗粒物、当地的煤矿开采以及秋耕秸秆燃烧等潜在污染源有关。

针对传统土地利用回归模型(Land use regression, LUR)未考虑影响因子与大气污染物之间非线性复杂关系 和易出现多重共线性的问题。以PM10为例,采用支持向量回归机(Support vector machine regression, SVR) 改进土地利用回归模型的建模方法构建SVR-LUR模型,对上海市南浦大桥周边区域PM10空 间分布进行模拟。研究结果表明: 1)研究区域PM10浓度与100 m缓冲区内的空地面积, 150 m缓冲区内的建筑工地面积、 空地面积、河流面积, 200 m缓冲区内的绿地面积和河流面积,以及湿度、交通流量和背景浓度相关性较高。 2) SVR-LUR模型可较好地对研究区PM10浓度进行空间分布预测。SVR-LUR模型与LUR模型相比, SVR-LUR模型预测精 度较高,其测试集比LUR模型测试集的平均绝对误差(Mean absolute error, MAE)及均方根误差(Root mean squares error, RMSE)分别减小了22.92%、33.51%,拟合指数(Index of agreement, IA)值增加了13.20%。 相较于普通克里金插值模型所得到的单一梯度空间分布预测结果, SVR-LUR 模型能够更有效揭示小范围内的空间差异。 3)研究区PM10浓度空间分布呈现出西高东低的总格局,在建筑物和路网密集的地方浓度较高,而在靠近江面和空地 的区域浓度相对较低。模拟结果与实际情况相符。