近年来，随着我国城市化进程的加快，土地利用变化的快速发展，尤其是植被覆盖被建筑物所替代，导致地表吸附、阻挡扬尘的能力降低，带来一系列的生态环境问题，其中大气污染问题日益严重，城市建设、工业生产等都直接导致了空气中颗粒物的增加。大气颗粒物已经成为影响我国城市空气质量的首要污染物^{[1, 2, 3]}，颗粒物污染问题愈发严重且来源比较复杂^{[4, 5]}，目前已经严重影响到人们的正常生产生活。

国内外学者利用遥感技术研究土地利用-覆盖变化的历史较长，并取得了较多成果，土地利用信息提取、过程趋势及驱动力分析是当前研究的重点内容，目前，土地利用-覆盖变化(LUCC)的研究主要集中在空间分布规律及变化趋势探讨^[6,7,8,9]、多源遥感数据的LUCC过程动态监测^{[6, 10]}及LUCC对全球气候变化的影响、机理研究^{[11, 12, 13, 14, 15]}等方面。同时，气溶胶的研究在国内外已经广泛开展，其信息获取经历了由最初的地面实时监测到利用卫星遥感数据定量反演的过程。研究学者在气溶胶光学特性及时空分布规律^{[16, 17, 18]}、近地表颗粒物浓度预测与模拟^{[19, 20, 21]}、大气污染动态监测^{[22, 23, 24]}、全球气候变化影响^{[25, 26]}等方面做了大量研究，并取得了较大进展。以往的研究对LUCC、气溶胶的进一步发展具有重要的推动作用，然而对于LUCC与气溶胶之间关系的研究相对较少^[22]，多针对短时间内的特定区域，缺乏长时间序列的研究。卫星遥感技术的不断发展为长时间土地覆盖信息及大气颗粒物污染信息的提取提供了便利。本文利用长时间序列MODIS数据研究大气颗粒物污染对LUCC的响应，探讨气溶胶随土地利用类型的变化趋势。

文中考虑到沿海地区由于受海洋环境的直接调节，空气质量受海洋影响比较明显，大气污染相对较轻；内陆地区远离海洋，空气质量受海洋影响较小，而城市扩张、森林砍伐等人为因素使绿色植被大面积减少，导致地表吸附颗粒物的能力降低，空气污染加重，森林、城市的变化对内陆地区空气质量的影响相对较大，初步推测城市大气颗粒物污染与土地覆盖变化存在着密切关系。因此，为探讨LUCC对大气颗粒物污染的影响，本文分别选取山东省青岛市、淄博市和济南市3个典型城市作为研究区，模拟沿海到内陆城市区域的变化，以RS和GIS为技术支撑，利用广尺度、长时间序列MODIS标准产品分别提取各城市近10年来土地覆盖信息与大气颗粒物污染时空分布信息，分析大气颗粒物污染与LUCC之间的相关性，确定LUCC对大气颗粒物污染的响应机制，该研究不但可以为区域和周边经济发展以及环境保护提供决策依据，而且对维持城市群生态环境安全也具有重要的理论和现实意义。

本文以山东省的3个典型城市，青岛市、淄博市和济南市为研究对象，开展大气颗粒物污染与土地覆盖变化的响应分析研究。青岛市位于山东省东南部，太平洋西岸，东、南濒临黄海，由于海洋环境的直接调节，青岛受东南季风及海流等因素的影响比较明显，海洋性气候显著，属于典型的东部沿海城市；该市经济发展迅速，人口分布比较集中。淄博市位于山东省中部，地处暖温带，属半湿润、半干旱的温带季风气候；是全国重要的石油化工基地，重工业发展迅速、经济发达。济南市位于山东省西部，南依泰山，北跨黄河，属于暖温带半湿润季风型气候；全市工业、软件等产业快速发展，旅游资源非常丰富，人口分布集中。3个城市横向分布，由沿海到内陆延伸，空间分布规律明显(图1)。

图 1 研究区地理位置示意图 Fig.1 Location of the research area

图选项

文章所需的数据源主要包括2001—2010年山东省青岛、淄博和济南3个城市的大气颗粒物污染数据和土地覆盖分类数据，两种数据主要来源于MODIS标准产品，其中还包括Landsat TM、ETM+、MODIS地表反射率产品等辅助数据，以上数据均统一到同一投影和坐标系中，采用的投影为阿尔伯斯圆锥等面积投影(Albers conical equal area projection)，简称阿尔伯斯投影，坐标系为WGS-1984，所有数据在处理过程中保证像元大小一致。本文研究所采用的数据统一来源于http://ladsweb.nascom.nasa.gov/data/search.html，具体介绍如表1所示。

本文使用的大气颗粒物污染数据是MODIS Level 2中的气溶胶产品(MOD04)。MODIS(中分辨率成像光谱仪)是搭载在Terra和Aqua上的重要传感器，具有36个光谱通道，分布在可见光、近红外到热红外波谱范围内，刈幅宽达到2330km。MODIS数据因重访周期短、数据质量高的特点，被广泛应用到资源环境监测、全球气候变化等多个方面；同时，基于MODIS的提取结果，NASA业务化提供了表观反射率、云、气溶胶、土地覆盖等多种标准产品，其中MOD04是NASA提供的气溶胶产品，该产品包括470、550、660nm等7个波长处逐日的气溶胶数据，陆地地区的气溶胶数据是通过浓密植被法反演获得，该产品在近地面颗粒物浓度模拟转换、大尺度地区气溶胶研究等方面得到广泛应用^{[16,17,18,19,20,27]}。文中分别提取青岛、淄博、济南3个城市2001—2010年夏季的MOD04数据，时间为每年第150—245天，共96d。

土地覆盖数据是根据山东省3个典型城市近年来的土地利用变化特点，以林地、城市用地2种主要土地利用类型来分析二者的相关性。林地是使用MODIS土地覆盖分类产品(MOD12Q1)，该数据主要根据国际生物圈计划的分类系统，利用决策树和人工神经网络的分类算法分类得到^[28]，共包含5种土地利用分类方案，空间分辨率为500m。该产品是区域土地覆盖变化监测的重要数据源，已被广泛应用到土地利用变化动态监测、土地覆盖及土地利用分类研究中，研究表明，MODIS土地覆盖产品在中国区域有较高的整体分类精度^[29]，尤其对于大面积的主要自然植被类型如作物、林地、草地等，分类精度较高。城市用地选用MODIS 8d合成的地表反射率产品(MOD09A1)，该数据是经过了大气校正和气溶胶订正后作进一步处理后生成的栅格化3级数据产品(L3G)，是表面波谱的反射估计，包含了8d之内最有可能的L2G观测数值，空间分辨率为500m。文中分别提取青岛、淄博、济南3个城市2001—2010年MOD12Q1数据及每年8月份各四景MOD09A1数据。

本文涉及到的数据处理主要包括气溶胶数据及土地覆盖类型数据的获取、投影转换、影像裁剪、数据合成、类别合并及信息统计等。对于MOD04气溶胶数据，文中研究采用的是550nm波长处的AOD数据集，为保证投影信息一致，首先对AOD数据进行投影转换，即由原来的正弦曲线投影转为Albers投影，AOD数据处理主要包括两个方面：季度合成和日均AOD计算。在数据处理过程中，获取的MOD04气溶胶产品中普遍存在两个问题：部分数据有效观测值较少及数据中存在奇异值，因此，为保证本文研究的精度，文中对获 取的气溶胶数据逐一进行筛选，仅保留有效气溶胶数据(影像中有效像元数大于等于50%视为有效数据)，利用公式(1)和(2)对气溶胶数据进行季度合成和日均AOD计算，在计算过程中剔除数据中的无效像元值及奇异值。

点击浏览公式

点击浏览公式

图2为青岛、淄博、济南2001—2010年夏季气溶胶空间分布图，可以看出10年间3个城市夏季气溶胶的空间分布现状和变化规律：青岛市AOD浓度整体较低，空气污染程度较小，淄博市、济南市的AOD浓度明显高于青岛市，空气污染相对严重；同时，各城市AOD浓度的年际变化规律不稳定，波动起伏较大，不同城市的空气染年际变化情况也有所不同。

图 2 山东省典型城市2001—2010年夏季气溶胶空间分布图 Fig.2 The summer aerosol space distribution of Shandong typical cities from 2001 to 2010

图选项

文中考虑到大气能见度(V)与空气污染之间的相关关系，把能见度分为4个等级。V在10km以上时，颗粒物浓度低，大气污染轻，可视为无污染天气；V在5—10km时，大气污染较轻，空气质量稍差，为轻微污染天气；V在2.5—5km时，大气污染较为严重，空气质量较差，为中度污染天气；然而在V不足2.5km时，空气质量差，为重度污染天气。根据Koschmieder提出的能见度与光学厚度的相关关系^[30]，

点击浏览公式

对于MOD12Q1土地覆盖分类数据，本文选择国际地圈生物圈计划(IGBP)全球植被分类方案，数据处理主要包括投影转换和土地利用类型合并。文中参照中国土地资源分类系统对IGBP分类体系进行类别合并(表4)，最终分为水体、林地、草地、耕地、城市用地及未利用地6类，以此提取林地信息。MOD09A1地表反射率数据的处理主要为去云处理，文中对每年获取的4景MOD09A1数据利用最小值合成法合成一幅无云影像，计算归一化建筑指数(NDBI)^[31]，突出影像中的城市用地信息；城市信息提取，文中考虑到城市用地面积相对较小，具有整体集中、局部分散的特点，分布散落的城市在遥感影像中受周围地物的影响较大，在分类过程中容易出现错分现象，导致分类精度较低。因此，为保证城市用地的提取精度，本文采用遥感目视解译与参考研究区NDBI、高分辨率遥感影像等辅助数据相结合的手段提取城市用地信息。NDBI的计算公式如下所示：

点击浏览公式

土地分类结果更新，文中将遥感目视解译提取的城市用地替代MOD12Q1中的城市用地，同时更新分类结果，得到山东省3个典型城市2001—2010年土地利用分类图(图3)，由图3可以看出，3个城市主要以耕地为主，所占面积达到80%以上，分布较为稳定；水体、草地、未利用地所占面积较小，年际变化不明显，而林地与城市用地的变化相对较为明显；信息统计，文中分别统计青岛、济南、淄博10年间林地和城市用地的面积，进行百分比统计，表5为统计结果。

图 3 山东省典型城市2001年—2010年土地利用分类图 Fig.3 The land use classification of Shandong typical cities from 2001 to 2010

图选项

本文选用皮氏积矩相关系数(PPCC)分析LUCC与大气颗粒物污染之间的相关性，该数值是用来衡量两个随机变量之间线性相关程度的指标，取值范围为[-1,1]，通常R表示样本的相关系数，该方法简单灵活，已被广泛的应用于各个领域。相关系数的具体计算公式如下所示：

点击浏览公式

为了探讨城市颗粒物污染随土地覆盖变化的发展趋势，分别计算2001—2010年青岛、淄博、济南三个城市各空气污染等级天气与林地、城市用地之间的相关系数(表6)，结合表3、表5中的统计数据，分析两者之间的相关性，确定青岛、淄博、济南颗粒物污染随LUCC的变化趋势。

由表3可以看出青岛市各空气污染等级天气的年际变化不稳定，起伏变化较大，其中城市高污染天气(包含中度污染、重度污染天气)所占比例明显低于淄博市和济南市，空气污染相对较低。由表5可以发现青岛市林地、城市用地整体呈现增长的趋势，其中城市扩张速度较快，10年来城市面积增加了3个多百分点，而由表6可以看出林地、城市用地与颗粒物污染之间的相关性相对较差，尤其与极端的无污染、重度污染天气间的相关性整体偏低，相关性多出现相反交叉的情况。产生该现象的原因主要是青岛市作为典型的沿海城市，受海洋性季风气候影响明显，气候湿润，夏季受西太平洋副热带高压控制，东南季风显占优势，降水、风速等因素可显著稀释城市空气中的污染物，有效降低城市的大气污染^[32]，林地、城市用地对颗粒物污染的影响低于海洋的直接调节作用，致使两者之间的相关性较差。

由表3可以看出淄博市整体呈现无污染天气减少、重度污染天气增加的趋势，空气质量逐渐恶化。由表5可以发现淄博市城市用地整体呈现增加的趋势，林地面积在近几年来逐渐减少。结合表6可以看出林地、城市用地与颗粒物污染之间具有较高的相关性，林地与低污染天气(包含无污染、轻微污染天气)均表现为正相关，而与高污染天气均表现为负相关，其中林地与轻微污染天气的响应系数达到0.808，在置信度为99%(双侧)显著相关；同时，城市用地与无污染天气存在明显的负相关性，相关系数为0.615，而与其他天气均呈为正相关，且相关性逐渐增加(R分别为0.224、0.312和0.367)。可以说明，随着城市用地不断扩张，特别是近年来林地减少，导致地表吸附颗粒物的能力下降，城市高污染天气有明显增加、低污染天气有明显减少的趋势，城市空气污染进一步加重。

由表3可以看出，济南市高污染天气所占比例明显高于青岛市和淄博市，空气污染较为严重，但整体呈现减少的趋势，空气质量逐渐得到改善。由表5可以看出，济南市林地、城市用地面积均呈现稳定增加的趋势，10a内林地和城市用地的面积分别增加了1.5、1.8个百分点左右。结合表6可以看出林地与低污染天气均存在正相关性，而与高污染天气均存在较高的负相关性，相关系数分别为-0.507、-0.206；而城市用地与重度污染天气存在较高的正相关性，相关系数为0.465，而与其他空气污染天气均表现为负相关。林地与颗粒物污染之间的相关性整体高于城市用地，可以说明，随着济南市林地面积的不断增加，地表吸附颗粒物的能力有所提高，高污染天气有明显减少，低污染天气有不断增加的趋势，城市空气污染逐步减轻，空气质量得以改善。

由于地理位置、自然和人文条件等因素的不同，不同的土地覆盖类型对城市颗粒物污染的影响程度可能存在较大的差异，为进一步探讨颗粒物污染对LUCC的响应程度，文中分别计算了2001—2010年青岛、淄博、济南各空气污染等级天气与林地、城市用地变化幅度之间的相关性(表7)，同时，绘制3个城市各空气污染天气与土地覆盖变化幅度曲线图(图4)，结合表7和图4具体展开LUCC对颗粒物污染影响程度的分析。

图 4 空气污染天气与土地覆盖变化幅度曲线图 Fig.4 The graph of the scale of air pollution weather change and LUCC

图选项

尽管青岛市LUCC与颗粒物污染之间的变化趋势不明显，两者间相关性较低，但城市用地对颗粒物污染仍具有一定的影响。结合表7和图4可以得出，城市用地与重度污染天气变化幅度之间呈现较高的正相关性，相关系数为0.511，图中除2007年外，两条曲线的变化趋势基本一致；而与轻微污染、中度污染天气均存在负相关性，由图中可以明显看出，除少数年份外，轻微污染、中度污染天气与城市用地的变化趋势整体相同，即城市用地与重度污染天气的变化规律存在较好的一致性，与其他空气污染等级天气基本相反，可以说明城市的不断扩张对青岛市颗粒物污染产生了一定的副作用，在一定程度上增加了空气中的颗粒物浓度。

由上述分析可知林地、城市用地均能较好地反映淄博市颗粒物污染的变化趋势，其中城市用地对颗粒物污染的影响最为明显。由表7和图4可以得出，城市用地与高污染天气变化幅度之间存在明显的正相关性，其中城市用地与中度污染天气的相关系数达到0.759，在置信度为95%(双侧)显著相关，图中城市用地与中度污染、重度污染天气的变化趋势几乎一致；与低污染天气呈现明显的负相关性，图中可以看出两条曲线变化趋势正好相反，即城市用地与高污染天气的变化规律比较一致，而与低污染天气的变化规律刚好相反。造成该现象的原因主要是淄博市作为全国重要的重工业生产基地，近年来城市用地面积的不断增加，主要体现在工业用地的不断扩张，然而工业扩张建设、工业生产等人为活动直接导致空气中颗粒物浓度的增加，带来严重的颗粒物污染，进一步加重了城市的大气污染程度。

由上述分析可知林地、城市用地对济南市颗粒物污染的影响趋势均比较明显，其中林地对颗粒物污染的影响程度最大。由表7和图4可以得出，林地与无污染天气变化幅度之间呈现负相关性，而由图中可以看出2006年后两条曲线的变化趋势基本相同；与轻微污染天气存在非常高的正相关性，相关系数达到0.859，在置信度为99%(双侧)显著相关，两条曲线变化趋势几乎一致；而与高污染天气均呈现明显的负相关性，相关系数分别为-0.753(在置信度为95%(双侧)显著相关)、-0.309，图中除极少数年份外，两者之间的变化趋势正好相反，即林地与高污染天气的变化规律基本一致，而与低污染天气的变化规律正好相反。造成该现象的原因主要是济南市城市空间格局较为稳定，城市扩张缓慢，而济南林业建设成为该市发展规划的重要产业，近年来呈现出持续、快速发展的良好态势，林地的不断增加，对颗粒物的吸收、净化作用增强，有效降低了空气中的颗粒物污染。

考虑到不同的地区，影响颗粒物污染的主导因素可能不同，文中通过分析在城市类型由沿海到内陆的变化中，颗粒物污染与LUCC之间的相关性变化，探讨影响和决定城市环境主导因素的变化规律。

由表6可以看出，青岛市、淄博市、济南市林地与高污染天气均呈现负相关性，相关系数逐渐增加，其中林地与中度污染天气的相关性变化比较明显，相关系数分别为-0.451、-0.473、-0.507；城市用地与重度污染天气均呈现正相关性，相关性逐渐增加，响应系数分别为0.241、0.367、0.465。林地、城市用地与青岛市颗粒物污染之间的相关性相对较低，在由沿海到内陆城市类型的变化中，两者之间的相关性逐渐提高。由表7可以得出，城市用地的变化对淄博市颗粒物污染的影响明显高于济南市和青岛市，两者之间存在更高的相关性，相关系数分别为-0.561、-0.389、0.759和0.374；林地的变化对济南市颗粒物污染的影响最明显，两者之间的相关性最高，响应系数分别为-0.176、0.859、-0.753和-0.309，整体来看，林地、城市用地对淄博市、济南市颗粒物污染的影响程度明显高于青岛市。

综合上述，青岛市作为典型的东部沿海城市，海洋成为影响该市空气污染的主导因素，受海洋的影响显著，颗粒物污染对林地、城市用地对的响应不敏感；淄博市、济南市作为典型的内陆城市，距海较远，受海洋影响较小，城市用地对淄博市颗粒物污染的影响比较明显，两者存在较好的相关性；林地对济南市颗粒物污染的影响非常明显，两者之间的相关性较高。LUCC对城市颗粒物污染的影响具有较大的差异，在由沿海到内陆城市类型的变化中，颗粒物污染的对城市用地、林地变化的响应逐步增强。

文中利用长时间序列的MODIS标准产品数据，分别提取青岛、淄博、济南3个城市2001—2010年夏季的气溶胶数据及林地、城市用地两种主要土地利用类型，对气溶胶数据进行分段、分级处理。分别从林地、城市用地对城市颗粒物污染的影响趋势、影响程度及城市颗粒物污染的主导因素变化3个方面进行相关性分析，最终得出以下结论：(1)由于受海洋因素的直接调节，土地覆盖变化与青岛市颗粒物污染之间的相关性较低；而林地、城市用地与济南市、淄博市颗粒物污染存在较高的相关性。(2)城市用地对淄博市颗粒物污染的影响程度整体高于青岛市，而林地对济南市颗粒物污染的影响最大，其中林地与各空气污染等级天气变化幅度之间的相关系数分别达到-0.176，0.859、-0.753、-0.309，相关性显著。(3)不同的城市类型，颗粒物污染对LUCC的响应存在明显的差异，在由沿海到内陆城市类型的变化中，影响和决定城市环境的主导因素由海洋因素逐渐转变为城市用地、林地。

本文的分析结果较好地解释了大气颗粒物分布与不同类型区域地表覆盖变化的相关性，在一定程度上可以为区域发展规划提供借鉴作用。本文的研究同时存在以下几个问题：(1)在颗粒物空间分布与地表覆盖变化相关性因素的表达上，本文对地表类型的分析，受数据源以及分析手段的限制，仅使用了选择区域内几个主要的地表类型，探讨其变化与颗粒物空间分布的相关性，而实际上对颗粒物空间分布影响的地表因素很多，且随区域的空间位置和职能特征有较大的相关性，因此，在该方法向其它区域的推广上受到一定限制。基于更为复杂地表系统的分析有待于以后的工作中继续完善；(2)尽管在研究的过程中，对数据源进行了精心的筛选和严密的质量控制，但受当前定量遥感以及地物类型信息提取技术水平的限制，大气颗粒物污染数据和地表覆盖类型数据仍存在一定的误差，会对分析的相关性结果有相应的影响，所以在使用不同时期、不同数据源分析时，在相似趋势的框架下，相关性大小上可能会有相当的差异；(3)本文在分析二者的相关性时，用到的颗粒物污染数据是整层大气颗粒物的光学参数，而人类所接触最多的是近地表颗粒物数据，尽管当前的研究表明二者具有较高的相关性，但却并不十分吻合，所以分析的结果与常识性的感受可能会有一定的差异。

致谢：美国NASA网站提供大气气溶胶数据和地表覆盖类型数据，北京林业大学黄华国教授对写作给予帮助，特此致谢。