基于土地利用回归模型的福建省PM2.5质量浓度时空分布研究

林雨，汪洋,b*

(福建师范大学 a.地理科学学院，b.地理研究所，福州 350007)

0 引言

在中国城市化进程中，快速的经济发展和日益增加的能源消耗所造成的空气污染问题日趋严重，特别是细颗粒物污染[1]。对于福建省来说，细颗粒污染物的平均浓度相对较低，但省内不同地区的细颗粒污染物分布存在明显的时空差异。截至2018年，福建省共建设39个国控空气质量监测站，其中有37个空气质量监测站在使用中。由于监测站数量十分有限，难以覆盖整个城市或全省范围，且大多数站点分布在地级市区域内，其他县市和农村的区域站点数量少，因此，难以使用一个笼统的数据来概括整个城市或更大范围的空气质量状况。

目前在国际上已开发出许多关于室外空气污染物浓度空间分布的预测方法，包括指标暴露法、空间内插法、大气扩散模型、土地利用回归模型(land use regression model)[2-3]等。相对于其他预测方法来说，土地利用回归模型综合考虑了城市的空间结构、土地利用、交通、绿地、气象条件等多方面因素对空气污染物分布的影响[4-5]，通过结合空气质量监测站周围环境来模拟研究区内整体的大气污染状况，能够较为真实地反映大气污染物的空间分布。

在土地利用回归模型方法开发初期，该方法主要应用在欧美国家[6]。近些年来，该方法也广泛应用于中国空气污染物的时空分布研究，如吴健生等[1]利用土地利用回归模型分析京津冀PM2.5空间分异；LIU等[7]利用土地利用回归模型，评估上海市内PM2.5和NO2浓度的空间变化；汉瑞英等[8]基于地理加权算法建立杭州市四季的土地利用回归模型；彭霞等[9]利用车载移动监测设备获得污染物浓度数据，结合土地利用回归模型，模拟上海市近地面黑碳浓度的空间分布，得出上海市黑碳空间分布在一定程度上与上海市交通限行政策有关的结论。综合先前的研究结论，运用土地利用回归模型模拟污染物空间分布的方法对大气污染物监测管理、城市规划建设以及环境流行病学研究都具有重要意义。

除此之外，将大气气溶胶光学厚度数据加入土地利用回归模型中用于地面PM2.5质量浓度模拟，能够弥补空气质量监测站分布不足的缺陷，进一步提高模型的模拟精度。在近些年的研究中，Suomi NPP卫星搭载的VIIRS(Visible Infrared Imaging Radiometer，可见光红外辐射计组合仪)所提供的AOD(aerosol optical depth，气溶胶光学厚度)数据成为PM2.5遥感反演的热点，相较于传统的MODIS(Moderate Resolution Imaging Spectroradiometer)AOD数据来说，VIIRS AOD有着空间覆盖度广、空间分辨率高、条带间无间隔等优势，在模拟地面污染物空间分布的研究中有更大的优势[1,10-12]。

因此，针对目前福建省空气质量监测站数量少和空间分布不均等问题，为了实现PM2.5质量浓度分布以高空间分辨率覆盖全省范围，本研究基于气溶胶光学厚度和PM2.5质量浓度之间具有较高的相关性[13]，利用福建省2018年各空气质量监测站点的PM2.5监测数据，结合VIIRS AOD数据、土地利用数据、道路分布、气象数据、人口密度、国家重点监控废气排放企业分布、DEM数据，分别构建包含VIIRS AOD数据的土地利用回归模型和不包含VIIRS AOD数据的四季土地利用回归模型，应用统计学的方法对模型进行精度评价，对比2个模型的拟合精度，最后利用精度较高的模型对福建省2018年的PM2.5质量浓度进行时空分布模拟，综合分析各种因素对PM2.5质量浓度的影响，揭示PM2.5的时空分布格局及其影响因素，为福建省PM2.5的环境管理提供支撑。

1 数据与方法

1.1 研究区概况

福建省地处中国东南沿海，东隔台湾海峡，山地、丘陵面积占全省总面积的80%以上，地势总体上西北高东南低，地形横剖面近似马鞍形[14]。2018年末全省常住人口3 941万人，相较于2010年的第六次全国普查增加了约252万人，同年福建省的地区生产总值为35 804.04亿元，比上年增长8.3%，其中工业增加值14 183.20亿元，比上年增长8.9%[15]。根据2018年福建省环境质量公报显示，相较于其他省份来说，福建省空气质量总体保持良好，全省优良率94.9%，相较于2017年下降1.3%。2018年福建省各城市优良率由高到低依次为：三明、龙岩、厦门、南平、泉州、宁德、福州、漳州、莆田。从区域分布看，内陆山区城市环境质量好于沿海城市。与2017年相比，2018年三明优良率升高0.3%，其他城市下降0.3%～3.6%，其中福州下降幅度最大,其次为宁德、漳州、泉州等城市，下降幅度较大的城市主要分布在沿海区域[16]。随着近年来经济增长，能源生产和消费规模的不断扩大，给环境带来越来越大的压力。

1.2 数据来源及预处理

1.2.1PM2.5数据

PM2.5数据来自中国环境监测总站的全国城市空气质量实时发布平台(http://106.37.208.233:20035/)公布的2018年1月1日至2018年12月31日的PM2.5小时监测数据。福建省共有39个国控空气质量监测站，其中37个监测站点有数据，各站点的空间分布情况如图1所示。

图1 福建省空气质量监测站点分布情况示意Figure 1 Distribution of air quality monitoring sites in Fujian Province

1.2.2气象数据

同期所使用的2018年福建省气象数据来源于国家气象数据科学中心提供的中国地面气象资料日值数据集，该数据集包含福建省共27个气象站点的每日气象数据，其中用于模型建立的数据包含平均气温(℃)、平均相对湿度(%)、平均气压(hpa)、平均风速(m·s-1)、平均最大风速(m·s-1)、日平均降水量(mm)。针对地面气象资料数据，利用ArcGIS 10.6 建立泰森多边形，采用最近邻原则进行数据匹配，选取距离空气质量监测站点最近的气象站资料作为该空气质量监测站的气象要素自变量。

1.2.3VIIRS AOD数据

气溶胶光学厚度数据来源于美国国家海洋和大气管理局(NOAA)官方网站(https://www.bou.class.noaa.gov/)提供的VIIRS Aerosol Environmental Data Record (EDR)数据，分辨率为6 km。本研究以福建省空气质量监测站为基点，对VIIRS AOD 数据进行空间匹配，以获得空气质量监测站所在位置的AOD数据。由于Suomi NPP卫星的过境时间为13：30，因此，当模型中使用VIIRS AOD 数据作为自变量时，模型中的因变量选用对应卫星过境时刻前后1小时(即13：00和14：00)各空气质量监测站的PM2.5质量浓度值。

在筛选出有效数据后获得37个监测站点6 778条空气质量和AOD的匹配数据。为了避免各月份数据资料数量分布不均的情况，在本研究中将获得的数据分季度统计，最后获得各空间质量监测站PM2.5以及对应的AOD数据的季节平均值，用于后续的研究。

1.2.4土地利用类型

土地利用类型数据(2010)来源于国家基础地理信息中心GlobeLand30网站(http://www.globallandcover.com/GLC30Download/index.aspx)，空间分辨率为30 m。该土地利用类型数据共分为耕地、森林、草地、灌木、湿地、水体、冰川、人造表面、裸地、永久性冰雪10类，其中福建省所拥有的土地利用类型为农田、森林、草地、灌木、湿地、水体、人造表面、裸地，综合考虑土地利用类型对PM2.5的影响，将森林、草地、灌木三类归并为植被，湿地、水体两类归并为水体。最终用于构建模型的土地利用类型为农田、植被、水体、人造表面、裸地。利用ArcGIS 10.6对每个空气质量监测站点分别建立100、200、300、500、1 000、2 000、3 000、5 000 m的缓冲区，提取每个缓冲区内的各种土地利用类型的占地总面积。

1.2.5道路交通

交通路网用于表征机动车污染物排放量，路网数据来自于OpenStreetMap (https://www.openstreetmap.org/) 开放道路数据，并将其分为主干道和次要道路两类。利用ArcGIS 10.6对每个空气质量监测站点分别建立100、200、300、500、750、1 000 m半径的缓冲区，并计算每个缓冲区内各类型道路的总长度，得到模型中的道路变量。由于缓冲区的半径对模型的结果有重要影响，理论上，最小缓冲半径是根据地理数据的空间精度来确定，而最大缓冲区半径则与污染源和污染物的扩散模式有关[17]，对于交通数据来说，交通相关的排放物浓度与道路距离呈负相关关系[18]，因此，交通变量的最大缓冲半径一般为1 000 m，而土地利用类型、人口密度等变量的最大缓冲半径可达5 000 m[3]。

1.2.6人口数据

人口数据来源于福建省公共信息资源统一开放平台(https://data.fujian.gov.cn/)的福建省2017年年末户籍统计人口数据。利用ArcGIS 10.6 将人口数据与福建省县域矢量数据相连接，并计算出每个县域范围内的人口密度。对每个空气质量监测站点建立1 000、2 000、3 000、5 000 m半径的缓冲区，将缓冲区所在县域的人口密度赋予各个缓冲区，当缓冲区跨越两个及以上县域时，计算多个县域的平均人口密度，赋予该缓冲区。

1.2.7地形数据

利用DEM数据表征研究区的地形地貌条件。福建省境内丘陵连绵，山地、丘陵占全省总面积的80%以上，因此，利用DEM数据讨论地形对PM2.5质量浓度空间分布的影响。从地理空间数据云(www.gscloud.cn/)获得空间分辨率为30 m的ASTER GDEM V2全球数字高程数据，利用ArcGIS 10.6中的Extract Multi Values to Points功能获得每个空气质量监测站点的高程数据。

1.2.8污染源数据

污染源数据来源于环境保护部发布的2014年国家重点监控废气排放企业名单，废气排放企业分布情况利用经纬度地址批量转换工具获得各企业的经纬度坐标，而后通过ArcGIS 10.6得到福建省内106家废气排放企业的分布情况，利用ArcGIS 10.6 软件计算空气质量监测站点与最近排放企业的距离。

1.3 土地利用回归模型构建

大气污染物浓度的空间分布具有统计学规律，并且与污染源、地形、土地利用类型等地理空间要素存在明显的相关性，而土地利用回归模型的核心就是通过在空气质量监测站周边建立不同尺度的缓冲区，分析不同地理要素对空气质量的影响[19]。

1.3.1预测变量的选取

选取了67个预测变量参与土地利用回归模型的拟合，预测变量分别由土地利用类型、道路分布数据、人口密度、气象数据、DEM、污染源数据、AOD数据七大类衍生出来，变量的缓冲区设置参考了吴健生等[1]和Hoek G等[17]的研究结果，各个变量的具体设置如表1所示。

表1 自变量类别、描述、缓冲区设定及系数符号规定Table 1 Classification and description of independent variables, buffer setting, and assumption of coefficient symbol

1.3.2多元线性回归模型函数形式

由于PM2.5的浓度往往是由多种因素引起的，当进行回归分析时，单个因变量所对应的自变量往往大于1个，因此，在建立土地利用回归模型时采用多元线性回归。

土地利用回归模型的多元线性回归公式表示如下：

c=a0+a1x1+a2x2+…+aixi+ε

(1)

式(1)中：c为因变量，表示PM2.5质量浓度；a0为回归常量；a1，……，ai称为回归影响系数；x1,x2,……，xi为进入回归模型的地理要素；ε为随机变量。

1.3.3模型构建方法

本研究采用由Henderson等提出的向后算法来建立模型，主要包含以下步骤[2,20-22]：①利用双变量相关性分析计算PM2.5质量浓度与选取变量之间的相关性；②剔除变量与PM2.5质量浓度的正负相关性与先前假定时不一致的变量；③将所有变量按其与PM2.5相关性的绝对强度进行排序；④找出每个子类别中排序最高的变量；⑤剔除每个子类别中与最高排序变量相关的变量(皮尔森检验r≥0.6)；⑥将所有剩余的变量输入逐步线性回归模型中；⑦将不满足t检验(α=0.05)的变量从有效变量库中剔除；⑧重复步

骤⑥和⑦，直至剔除一个变量后模型R2变化小于1%停止。

1.3.4模型检验

为了避免模型出现过度拟合的情况，本研究采取了交叉验证的方法。由于研究区内的样本数较少，因此，采用了留一交叉验证法(LOOCV)。此前的研究证明，留一交叉验证法能够有效评估土地利用回归模型。此方法是将每个空气质量监测站的数据依次从模型中排除，将剩余的n-1个站点用于训练模型，并重复该过程n次，直至所有的数据都被预测出来，之后将n次验证获得的结果用于预测模型的精度估计。

在本研究中，利用模型预测值和空气质量监测站实测值间的均方根误差(RMSE)、平均绝对误差(MAE)、相对误差(δ)等统计指标来估计模型的精度。其中,RMSE、MAE、δ的计算公式如下：

(2)

(3)

(4)

式(2～4)中：Yi为地面监测站PM2.5质量浓度的实际监测值；yi为模型中的PM2.5质量浓度的预测值；n为建模数据集中的样本总数。

1.3.5回归映射

回归映射(regression mapping)是指在得到土地利用回归方程后，利用方程对非监测点的位置进行空间模拟[17]。针对福建省的空气质量监测站点数量少且空间分布不平衡，采用传统的插值方法难以获得较为精确的PM2.5空间分布结果。因此，本研究利用ArcGIS 10.6中的create fishnet 工具在福建省范围内建立尺度为5 km×5 km的网格，并获取网格的中心点，通过构建的土地利用回归模型方程，在网格的中心点上提取影响PM2.5质量浓度的相关地理特征要素，通过属性计算获得模拟值并将值赋予对应栅格点，最后，利用IDW空间插值的方法获得尺度为1 km×1 km的福建省PM2.5空间分布图，进而提高模型空间模拟的精度。

2 结果与分析

2.1 AOD与PM2.5时间分布特征

根据福建省各空气质量监测站所对应的AOD值显示，随着季节的更替，AOD值存在着明显的季节性变化，其中，春季、夏季、秋季、冬季的平均AOD值分别为0.484、0.358、0.366、0.456。总体呈现春冬季节高，夏秋季节较低的分布情况。根据PM2.5空气质量监测站点的统计资料显示，在卫星过境时刻，春季、夏季、秋季、冬季PM2.5的平均浓度分别是30.45、18.65、19.38、23.35 μg·m-3。PM2.5质量浓度总体分布情况为春季>冬季>秋季>夏季。

总体来看，福建省四季AOD值与PM2.5的浓度大小在时间分布上相一致，都是春季和冬季较高，夏季、秋季较低。该结果与先前针对福建省空气质量研究的结论一致[16,23-25]。因此，在本研究中，以季节为时间尺度，研究福建省不同季节的AOD值与PM2.5的相关性以及PM2.5的时空分布情况。

2.2 AOD与PM2.5站点相关性特征

利用SPSS 软件进行双变量相关性分析可得福建省不同季节PM2.5与AOD之间的皮尔森相关系数。2018年福建省春季、夏季、秋季、冬季的PM2.5和AOD的相关系数分别是：0.608、0.395、0.470、0.548。福建省不同季节的PM2.5与AOD之间存在一定的空间相关性，但不同季节的相关性有一定的起伏。其中，春季、秋季、冬季是在0.01水平(双侧)上显著相关，夏季在0.05水平(双侧)上显著相关，夏季的相关性较春季、秋季、冬季低。

该现象与AOD受季节性大气边界层高度变化、吸湿增长因子、太阳辐射、对流层热力环流和其他因素的影响有关[19]。因此，在夏季多云雨的气候条件下，PM2.5与AOD的相关性较其他季节低。

2.3 多元回归模型结果分析

2.3.1土地利用回归模型构建结果

分别对包含VIIRS AOD数据和不包含VIIRS AOD数据这两种情况对2018年福建省PM2.5质量浓度进行多元线性回归模型构建，结果如表2所示。其中，当模型中包含VIIRS AOD数据时，使用的因变量为卫星过境时刻的PM2.5平均浓度；当模型中不包含VIIRS AOD数据时，模型中使用的因变量为日平均PM2.5质量浓度。从建立的模型上看，相对于其他的气象要素而言，各季节的平均风速对PM2.5质量浓度的影响较大。冬季福建省主要盛行东北风，冷空气活动比较频繁，容易带来一些输入性的污染物，但风的运动也能够稀释污染物，降低污染物的浓度。夏季福建省盛行东南风，对缓解空气污染有一定作用，从模型的结果上看，风对空气污染起到的是负效应。

表2 土地利用回归模型结果Table 2 Results of the land use regression

在模型中除气象要素外，值得注意的有土地利用类型中的耕地，相较于其他土地利用类型来说，较难界定耕地是否会对空气造成污染，因此在自变量研究中，耕地的系数符号规定为不确定。在两类模型中除包含AOD数据的夏季土地利用回归模型没包含耕地要素外，其他模型中均含有不同尺度缓冲区内的耕地面积，缓冲区半径分别为200、300、500、3 000、5 000 m，可见耕地对构建土地利用回归模型的重要性。其中，从模型的系数上看200 m缓冲区范围内的耕地面积对空气污染的影响最大。耕地对于空气质量的影响具有两面性，当耕地中有较多农作物时，耕地中的农作物会在一定程度上改善空气质量，降低PM2.5质量浓度，但耕地中燃烧农作物秸秆，是大气颗粒物的重要来源，除此之外，耕地撂荒变成裸地，也会对空气质量造成重要影响[2]。从建立的模型中可以很好地证明这一点，在模型中耕地起到的作用都是正效应，会加剧空气污染，尤其是在包含AOD数据的春季土地利用回归模型中，200 m缓冲区范围内的耕地面积对模型的影响系数最大。

在模型中，经纬度坐标及DEM海拔数据多次进入模型，说明福建省内不同地理位置及海拔对PM2.5质量浓度的影响较大，PM2.5质量浓度存在较大的地区差异。

2.3.2土地利用回归模型验证结果

从模型验证结果来看，除包含AOD的春季土地利用回归模型的PM2.5模拟值的误差率大于不包含AOD的模型外，其他的季节包含AOD的模型检验结果都优于不包含AOD的模型。如表2所示，包含AOD数据的四季PM2.5模型的均方根误差在1.33～2.80 μg·m-3之间，平均绝对误差在1.09～1.46 μg·m-3，相对误差在5.4%～7.4%之间；未包含AOD数据的四季PM2.5模型的均方根误差在1.38～2.40 μg·m-3之间，平均绝对误差在1.11～1.91 μg·m-3，相对误差在5.9%～6.3%之间。其中，在所有的模拟结果中夏季的模拟效果较好，模拟误差最低。

图2为37个样本数据包含VIIRS AOD数据和不包含VIIRS AOD数据的各季节PM2.5模拟值与实际监测值的拟合结果与交叉验证结果的散点图。从模型的交叉验证结果上看，不包含 VIIRS AOD数据的春、夏、秋、冬四季模型预测结果与交叉验证结果的拟合精度分别相差1%、2.6%、0.7%、0.2%；包含VIIRS AOD数据的四季模型预测结果与交叉验证结果的拟合精度分别相差0.4%、0.8%、0.2%、0.1%，从结果上看，两组模型的都有较好的稳定性，预测结果与交叉验证结果的拟合精度相差不大，但总体而言包含VIIRS AOD 数据模型的预测性能更好，能够获得更高精度的模拟结果。

图2 土地利用回归模型散点图Figure 2 Scatter diagrams of the land use regression

从散点图的离散程度上看，两组模型中春季的PM2.5质量浓度值的离散程度相对较高。因此，相对应春季的拟合精度也是4个季节中最差的，而其他季节相对于春季来说，样本点较为集中分布与拟合线两侧，其中，冬季的样本点最为集中的分布在直线的两侧，体现出冬季的模型的拟合精度最高。

2.4 PM2.5时空分布模拟结果

图3为利用包含AOD数据的土地利用回归模型模拟的2018年福建省四季PM2.5平均浓度空间分布结果，从结果上看，全省各季节的PM2.5平均浓度的预测结果分别为27.45、16.77、18.19、18.98 μg·m-3，而各监测站实测四季PM2.5平均浓度分别是30.45、22.08、19.38、26.50 μg·m-3，该结果相较于各监测站PM2.5质量浓度的实测值及模拟值的平均浓度低。这是因为福建省内的空气质量监测站相对较少，且多集中分布在城市区域，而许多山区或者农村地区没有空气质量监测站，而这些区域为PM2.5质量浓度相对较低的区域，因此，在利用土地利用回归模型模拟福建省内的整体空气质量状况时会呈现PM2.5预测结果相对较低的情况。从中也体现了土地利用回归模型能够较为真实地反映较大范围内空气污染物浓度值。

图3 2018年福建省四季PM2.5质量浓度的空间分布Figure 3 Spatial distribution of PM2.5 seasonal concentration in Fujian Province in 2018

从季节浓度特征上看福建省2018年PM2.5质量浓度呈现春季最高、冬季和秋季次之、夏季最低的预测结果。模型模拟的结果与地面监测站实际监测数据呈现相同的时间分布差异，该分布特征与北方地区冬季PM2.5质量浓度最高的认识有所差别。由于福建省内总体的污染水平较低，没有供暖期和非供暖期之分，且冬季时受北方污染物影响较小，多为本土污染物，所以冬季的PM2.5质量浓度并不是最高的；相对于春季来说，进入了春耕时期，许多地方都会燃烧耕地中的秸秆，导致空气中的颗粒物浓度上升。从PM2.5质量浓度空间分布特征上看，福建省内的PM2.5质量浓度有较强的空间差异性，如经度差异、纬度差异、海陆分布差异以及海拔分布差异。从经度差异上看，随着经度增加，PM2.5质量浓度稍有增加，这一点从海陆分布上也可以看出，越靠近海岸线，PM2.5质量浓度越高，沿海地区的PM2.5质量浓度要高于中西部山区；从纬度差异上看，福建北部的PM2.5质量浓度略低于南部地区；在这些分布差异中，海拔分布差异最为明显，随着海拔的升高，PM2.5质量浓度明显降低，从4个季节的PM2.5分布特征上看，中部山区海拔较高处的PM2.5质量浓度都相对较低。相较于全省而言，闽南地区和闽东地区的PM2.5质量浓度相对较高，主要包含福州、厦门、泉州、漳州等地区，其中漳州地区又相对较高，由于这些地区位于沿海地区，地势低平，城市化水平较高，城市用地占比高，生态用地占比少，工厂数量较多，交通排放及生产生活排放相对较多，因此，PM2.5质量浓度较高；中西部山区的PM2.5质量浓度较低，主要是因为地势较高，且植被覆盖率较高，对空气污染有较好的防护作用。

从PM2.5的平均浓度和对应季节的AOD数据的相关性特征来看，春季二者的相关性在0.01水平(双侧)上显著相关，且相关系数达到0.608，为四季中最高。这是因为福建省春季在暖区辐合与高压槽前系统的影响下，空气的相对湿度较高，PM2.5附着在水汽中，悬浮在空气里不易扩散，从而造成春季的PM2.5质量浓度较高；而夏季受副热带高压、台风系统的影响，气温较高，大气稳定度低，有利于PM2.5的扩散，因此，夏季的PM2.5质量浓度相对较低[26]。

3 结语

通过利用地面空气质量监测站的PM2.5质量浓度数据，结合VIIRS AOD、气象要素、土地利用类型、交通路网、人口密度、污染源数据、经纬度坐标及DEM数据，构建土地利用回归模型，通过对比添加VIIRS AOD数据的土地利用回归模型和未添加VIIRS AOD 数据的土地利用回归模型，以探求一种有效的近地面PM2.5模拟方法，进一步获得福建省2018年近地面PM2.5质量浓度的分布情况。通过本研究可以获得以下结论：

(1)福建省2018年春季、夏季、秋季、冬季的PM2.5质量浓度和AOD数据之间存在一定的相关性，但不同季节的相关性有一定的起伏。其中，春季、秋季、冬季是在0.01水平(双侧)上显著相关，夏季在0.05水平(双侧)上显著相关，夏季的相关性较春季、秋季、冬季低。结合VIIRS AOD数据的土地利用回归模型模拟的PM2.5质量浓度分布的拟合精度有显著的提高，由该组模型模拟出的2018年福建省四季的PM2.5质量浓度分布能够有效地反映出福建省土地利用类型、道路交通、海拔等因素对PM2.5质量浓度的影响。PM2.5质量浓度分布的格局与福建省的森林、海拔、城市、道路交通等分布格局相一致，从而也证明了卫星遥感数据对提高PM2.5时空分布精度具有较大意义。

(2)利用土地利用回归模型模拟的全省PM2.5平均浓度的结果比监测站实测的PM2.5平均浓度低。这是因为福建省空气质量监测站相对较少，且多集中分布在城市区域，许多山区或者农村地区没有空气质量监测站，而这些区域为PM2.5质量浓度相对较低的区域，因此，在利用土地利用回归模型模拟福建省内的整体空气质量状况时PM2.5的预测结果相对较低。

(3)从PM2.5质量浓度时间分布上看，2018年福建省PM2.5质量浓度季节变化明显，其中春季最高、冬季和秋季次之、夏季最低，该结论与先前的研究者针对福建省内的空气质量研究结果相一致。在本研究中，通过利用福建省内的37个空气质量监测站点并结合VIIRS AOD数据，构建土地利用回归模型获得整个研究区1 km×1 km的PM2.5空间分布结果，更加清晰地揭示了2018年福建省四季PM2.5的空间分布存在经度差异、纬度差异、海陆分布差异以及海拔分布差异。其中，海拔差异造成的PM2.5质量浓度分布差异最为明显。

利用VIIRS AOD 数据构建土地利用回归模型，分析PM2.5与气象因子、人口密度、土地利用、污染源分布、海拔等之间的相关关系，可以获得拟合精度较高的PM2.5预测模型，但是本研究中还存在一些不足：由于福建省气候多云雨的情况，导致可以使用AOD非零值数据相对较少，影响模型的模拟精度；其次，本研究只探讨了一种模型构建方法，没有对比不同的空气污染物浓度分布模拟的方法，需要进一步探讨不同模型构建方法之间的差异与优劣。