本推文来源：
园林与规划SCI
摘要
Abstract
较高的地表温度（LST）和细颗粒物（PM2.5）对城市生态环境构成严重威胁。LST 和PM2.5密切相关，土地利用/覆盖变化（LUCC）对其影响显著。然而，缺乏对 LUCC 背景下二者关系的多尺度分析。因此，
本研究设计了一个多尺度分析框架，采用皮尔逊相关分析、双变量 Moran's I 和耦合协调度（D）来研究基于遥感数据的不同土地利用类型中 LST 与 PM2.5 的关系，并利用 Geodetector 分析其影响因素。
结果表明，LST与PM2.5呈正相关关系，随着研究尺度的扩大，两者的相关性会减小，在国家、城市群和城市尺度上，Moran's I的绝对值分别为0.229～0.577、0.415～0.754和0.551～0.852。在三个尺度上，森林和水域的 LST、PM2.5 及其相关性较低，而建设用地的 LST、PM2.5 及其相关性最高，且 D 值相差约 0.3。此外，归一化差异植被指数（NDVI）和建设用地面积在这一关系的空间模式中发挥了最重要的作用，其次是人口和 GDP。最后，对环境污染减少的成本进行了分析，该研究可为不同地区正确的公共卫生政策制定和环境保护提供支持。
关键词：
地表温度，PM2.5，关系，土地利用/覆盖变化，因素，多尺度
材料与方法
Materials and Methods
研究区域
本研究在中国进行，分为
全国
（整个研究区域）
、
城市群
（京津冀，简称 BTH）
和
城市
（北京）
三个尺度（图2）。
本研究案例是快速城市化导致环境问题严重的典型地区，可以加深对 LST 与 PM2.5 关系的理解。
图 2.
2020年土地利用/覆盖情况及三个讨论尺度的位置（a-c分别为全国尺度、城市群尺度和城市尺度）
数据来源
以往的研究表明，LST 具有显著的季节特征，PM2.5 也具有显著的季节特征，因此本研究选择了 2020 年的四季数据。此外，本研究还选取了数字高程模型（DEM）、降水量、建设用地面积、土壤类型、坡度、归一化差异植被指数（NDVI）、夜间灯光、人口密度和 GDP 作为影响 LST 与 PM2.5 关系的因素。
方法
采用皮尔逊相关分析法分析 LST 与 PM2.5 污染之间的关系。双变量 Moran's I 可以描述相邻区域两个变量之间的空间关系，并确定是否存在空间溢出效应。
此外，本文采用耦合协调度来分析不同土地利用类型下 LST 与 PM2.5 的相互作用特征。
为了更有效地识别LST与PM2.5关系的影响因素，采用
皮尔逊
相关分析来检验LST、PM2.5与因素之间的正相关或负相关。GeoDetector 是一种统计工具，用于研究地理异质性以及两个变量之间可能的因果关系。
LST 的下降取决于城市土地利用类型的变化，而这是很难改变的。因此，本研究根据方向距离函数（DDF）采用二次函数计算 PM2.5 的影子价格。影子价格指的是去除一个单位的非期望产出时，期望产出的边际损失。
结果
Results
LST 和 PM2.5 的特点
中国 LST 和 PM2.5 的空间分布见图 3。基于 ArcGIS 10.8 计算了不同土地利用类型的平均 LST 和 PM2.5 浓度（图 4）。结果表明，建设用地的 LST 和 PM2.5 明显高于其他土地利用类型，其次是荒地和耕地。冰地和水地的 LST 最低，而森林的 PM 2.5 浓度最低。
图 3.
全国尺度地表温度（LST）和PM2.5分布
图 4.
全国尺度土地利用类型平均地表温度（LST）和 PM2.5 浓度
在城市群尺度上，LST 和 PM2.5 的分布存在明显的空间差异（图 5）。它们都呈现出由北向南逐渐增加的趋势。建筑用地和耕地的平均 LST 和 PM2.5 浓度最高，分别比森林高 5 ℃和 40 μg/m³ （图 6）。
图 5.
城市群尺度地表温度（LST）和PM2.5分布
图 6.
城市群尺度土地利用类型平均地表温度（LST）和PM2.5浓度
在城市尺度上，LST 和 PM2.5 浓度的分布从西北向东南逐渐增加（图 7）。从图 8 中可以看出，建设用地和耕地这两种土地利用类型的含氮量均高于其他土地利用类型（图 8）。总体而言，LST 和 PM2.5 的高值区在空间分布上是一致的，且不同土地利用类型中两者的平均值在三个讨论尺度上以建设用地最高，森林较低。
图 7.
城市尺度地表温度（LST）和PM2.5分布
图 8.
城市尺度土地利用类型平均地表温度（LST）和PM2.5浓度
LST 与 PM2.5 的关系
利用 LST 和 PM2.5 的相应像素值分析两者之间的相关性（表2）。结果表明，2015 年和冬季，在全国尺度上，LST 与 PM2.5 在 0.05 水平上呈正相关；在其他时段，在三个尺度上，LST 与 PM2.5 在 0.01 水平上呈显著正相关。这说明PM2.5浓度与 LST 同步上升。相关系数随研究尺度的减小而增大。
全球双变量 Moran's I 显示，在三个讨论的尺度中，LST 和 PM2.5 之间存在正空间相关性（图 9-11）。这表明LST与PM2.5存在空间溢出效应，LST的增加可能导致周边地区PM2.5的增加。此外，Moran's I的绝对值随着研究量表的减小而增大。
图 9.
全国尺度地表温度（LST）和PM2.5的空间聚集。P≤0.05。a-e 分别是2000年、2005年、2010年、2015年和2020年的空间聚合图。f-i 分别是春季到冬季的空间聚合图。
图 10.
城市群尺度地表温度（LST）和PM2.5的空间聚集。P≤0.05。a-e分别是2000年、2005年、2010年、2015年和2020年的空间聚合图。f-i分别是春季到冬季的空间聚合图。
图 11.
城市尺度地表温度（LST）和PM2.5的空间聚集。P≤0.05。a-e分别是2000年、2005年、2010年、2015年和2020年的空间聚合图。f-i分别是春季到冬季的空间聚合图。
局部双变量 Moran's I 显示，
在三个尺度上，
LST 和 PM2.5 之间存在显著的空间聚集。这表明 LST 的变化会影响邻近地区的 PM2.5 浓度。总体而言，高-高聚集的空间分布与 LST、PM2.5 高值的空间分布一致。
LST 与 PM2.5 的耦合协调度（D）表明，在所讨论的三个尺度上，高质量耦合协调度的空间分布与高聚集度的空间分布是一致的。
LST 与 PM2.5 关系的影响因素
影响因子与 LST 的相关性表明，人口、GDP、建设用地、土壤类型和夜间光照与 LST 呈正相关，降水、DEM、坡度和 NDVI 呈负相关，且 NDVI、建设用地和夜间光照的相关系数高于其他因子。
