近年来，中国经历了经济的飞速发展。随着工业化和城市化进程的不断加快，能源消耗不断攀升，环境问题引发公众的强烈关注。PM_2.5作为中国城市大气中的首要污染物，对居民健康和生态稳定构成了巨大威胁（Wang et al.，2019; 王泓等，2019）。在城市中，工业区的化石燃料燃烧和人群聚集区的人为排放是PM_2.5的主要排放源（银燕等，2009; 庞杨等，2013; Dimitriou and Kassomenos，2014; Zhan et al.，2017; Huang et al.，2021），而不同城市因其排放和大气边界层动力、热力学结构的差异，呈现不同的PM_2.5空间分布特征（Tran and Mölders，2011; Hu et al.，2013; Chai et al.，2014; Zhang and Cao，2015; Zhang et al.，2016; Li et al.，2017; 王康宏和倪婷，2019; Lü et al.，2020）。特别地，城市的PM_2.5城乡分布特征对其污染防治具有重要的指导作用，从而吸引了国内外科技工作者进行大量研究，如Lin et al.（2018）基于中国东部地区气溶胶光学厚度反演数据发现在“十一五”（2006—2010年）期间，多数省份城区PM_2.5浓度降幅低于乡村，而在“十五”（2001—2005年）和“十二五”（2011—2015年）期间，多数省份城区PM_2.5浓度降幅高于农村; Dimitriou and Kassomenos（2013）分别在伦敦、巴黎、汉堡、哥本哈根和斯德哥尔摩对大气颗粒物的来源进行解析，结果显示在城区交通站附近大气颗粒物浓度的增加主要受到移动源排放的影响，而乡村站大气颗粒物浓度受长距离传输影响更强。王占山等（2015）统计分析地面监测站点的PM_2.5数据发现北京市PM_2.5浓度由高到低依次为交通站、城区站、郊区站和乡村站，且交通站PM_2.5浓度日变化呈单峰分布，其余站点呈双峰分布。

西安市位于关中平原城市群，是我国污染较严重的城市之一（Wang et al.，2015; Li et al.，2017; Zhang et al.，2018）。但与高污染城市往往伴随着高城乡PM_2.5浓度差值的规律不同，西安市城乡PM_2.5浓度差异微小（姜蕴聪等，2019）。科技工作者也从不同角度对西安市PM_2.5来源及分布特征进行了研究。Wang et al.（2015）在西安市城乡6站点进行PM_2.5采集并测定其质量与化学组成，发现2010年西安市城乡PM_2.5呈较强的一致性且春夏秋冬季PM_2.5的主要贡献源均不相同。李瑾等（2018）于2016年夏季分别在西安市高新区（城区）和蔺村（乡村）设置观测站点，发现西安城区与乡村PM_2.5化学组成存在显著差异，推断城区PM_2.5受机动车尾气和扬尘影响较大，乡村则主要来自生物质的燃烧。Zhang et al.（2018）研究西安市4个环境监测站点大气污染物的时空变化特征，发现工业区站、商业区站、乡村背景站、住宅区站PM_2.5浓度依次减小，并认为乡村地区PM_2.5浓度高于住宅区是沙尘所致。

城市热岛效应（Urban Heat Island，UHI）是城市城区气温明显高于周边乡村的现象，形成原因为城区建筑林立，地表以不透水面为主，相较于乡村的自然地表，不透水面具有反照率低、波文比大、蓄能能力强的特点，从而形成城区的“高温化”（Clinton and Gong，2013; 吴昊等，2014; Cao et al.，2016）。相关研究发现，PM_2.5的城乡分布与UHI间存在较强的关联性。主要研究方法有二:一是基于模式模拟，如Sarrat et al.（2006）在使用城市化参数模拟城市污染的基础上，将城市土地替换为自然土地进行模拟对照，发现UHI导致城市中心大气边界层高度和湍流增加，从而利于PM_2.5向高处扩散。与之类似，Zhong et al.（2017）、Chen et al.（2018）、Li et al.（2020a）也分别使用WRF-Chem等大气（化学）模式模拟了长三角、北京和柏林UHI对城市污染的影响; 二是基于观测资料的统计分析，Lai（2018）、Li et al.（2018）、Zheng et al.（2018）、Li et al.（2020b）、Ngarambe et al.（2021）分别对台北、柏林、北京、首尔地面观测站获取的污染物浓度和气象要素数据进行统计学分析，发现UHI会改变城市的气象条件，进而对PM_2.5的城乡分布产生影响。

相较于国外，目前国内PM_2.5城乡分布与UHI的关联研究较少且均集中于京津冀、长三角和粤港澳大湾区。而西安作为我国高污染城市之一，PM_2.5具有不同于其他城市的特性，值得进行深入研究。因此，本文使用西安市2015—2017年逐小时的环境监测站点污染物（PM_2.5，PM₁₀，NO₂，SO₂）浓度数据和地面气象观测站点（气温、风速、气压）数据，提出一种基于建筑用地比例和土地利用信息熵的城乡划分方法，将站点划分为城区站、郊区站（具备城区和乡村双重土地特征，故仅作浓度对照，不做具体分析）、上风向乡村站（乡村U）和下风向乡村站（乡村D）。归纳分析2015—2017年西安市PM_2.5浓度的城乡分布特征，并在此基础上探求UHII对城乡PM_2.5浓度及相对浓度差值（RUPII）的影响。

1 数据与方法

1.1 数据介绍与预处理

本文研究样本为“国家环境空气质量监测网”发布的西安市污染物（PM_2.5，PM₁₀，NO₂，SO₂）浓度数据和国家气象局发布的西安市地面气象观测站点（气温、风速、气压）数据，研究时间范围为2015—2017年，数据时间分辨率为1 h。因环境监测站点数量（11个）明显少于地面气象观测站点且两类站点存在位置差异，故以环境监测站点为基准，选取距其直线距离最短的地面气象观测站点（图1），将其气象数据赋予环境监测站点，其中气温依据海拔高度按照递减率-0.65 K/（100 m）修正（Zheng et al.，2018）。得到污染物浓度与气象数据的对应关系（表1）。根据《环境空气质量标准:GB 3095—2012》对数据有效性的要求（国家质量监督检验检疫总局和中国国家标准化管理委员会，2016），参考王振波等（2015）所提方法，对污染物浓度数据进行质量控制。为了保持数据一致性，气象数据作相同处理。

1.2 城乡站点划分

城乡站点划分的科学与否直接影响PM_2.5的城乡差异和UHI的准确性（Li et al.，2019; Niu et al.，2020）。欧洲是较早进行PM_2.5城乡研究的地区，并有一套完整的环境监测站点划分标准（EEA，1999），欧洲国家PM_2.5的城乡差异研究往往照此标准对站点进行划分（Dimitriou and Kassomenos，2013; Kaminski et al.，2013; Gouveia et al.，2015）。考虑站点密度、地域面积、数据可获得性等差异，国内站点的城乡划分不能照搬欧洲标准。且相较欧洲，国内PM_2.5城乡差异研究起步较晚。2012年发布的《环境空气质量标准》中仅把归属于地级及以上城市的监测站点归为城市站，难以体现城乡特征。因此，对中国境内PM_2.5的城乡差异研究没有统一的站点划分标准，常用的方法有三:一是选取具有明显的城区、乡村土地特征的两个站点作为城乡站点（Zhao et al.，2009; Zheng et al.，2018）; 二是借助遥感图像对站点进行目视判读（Li et al.，2014）; 三是对站点做缓冲区，判断缓冲区内建筑用地比例（Yang et al.，2013; Li et al.，2015）。不难发现上述方法易受主观因素影响或判定条件单一，划分的准确性存疑。

因此，本文结合站点的实际位置与欧洲环境署（EEA，1999）发布的划分规则，提出一种基于建筑用地比例和土地利用信息熵的站点划分方法，将站点细分为城区站（监测站点位于城区内）、郊区站（监测站点位于城乡过渡带内，会受到城区和乡村双重影响）和乡村站（监测站点位于农业区及自然区内）。其原理在于城市郊区处于城区与乡村的过渡地带，土地利用从农业用地、自然土地等非建筑用地向工业、商业、居住用地等建筑用地转变，从而同时具备城区和乡村的双重土地特征，土地利用类型呈现不确定性（Sheryl and Wu，2004）。而无论是城区还是乡村，土地利用要么是以建设用地为主，要么以非建筑用地为主。信息熵是对有序性的度量，土地利用的信息熵模型可以很好地提取城市的郊区区域（蔡栋等，2010）。其表达式为:

式中:H为土地利用信息熵，其单位为bit，H越大，有序性越小; P_i反映某个区域单一土地利用类型占总土地面积的百分比; i =1，2，···，n表示土地利用类型的数量。蔡栋等（2010）研究发现从城市外围到市区，依次出现低熵值的农业区（乡村）、高熵值的城乡转换地带（郊区）和低熵值的城市中心区（城区），且城乡转换地带熵值大于0.6，因此选用H =0.6为区分郊区站点的阈值。

将西安市Landsat OLI遥感影像进行图像拼接、裁剪，选择最大似然法进行监督分类，结果如图2a。因后续操作仅需要区分是否为建筑用地，故对分类结果做二值化。基于二值化结果（图2b）对西安市11个环境监测站点做4 km缓冲区，缓冲区半径选择参考中华人民共和国环境保护部（2013）发布的《环境空气质量监测点位布设技术规范》，其中规定监测站点代表范围半径不超过4 km。计算每个站点缓冲区内建筑用地占比及土地利用信息熵:若信息熵大于0.60，该站点为郊区站点; 若信息熵小于0.60且建筑用地比例大于0.5，该站点为城区站点; 若信息熵小于0.60且建筑用地比例小于0.5，该站点为乡村站点。西安市基于建筑用地比例与土地利用信息熵相结合的城乡站点划分结果见表1、图2b。

1.3 PM_2.5城乡差异和城市热岛强度

乡村位于城市的最外围，相较于城区，其PM_2.5浓度更易受到外部传输的影响（Dimitriou and Kassomenos，2013）。众所周知，风对PM_2.5的传输扩散起着至关重要的作用（Lü et al.，2020）。西安市属暖温带半湿润大陆性季风气候，全年盛行东北风。而三个乡村站点分别位于城市东北部和西南部，分别对应城市上风向和下风向，传输扩散的影响不尽相同，因此不能做简单的平均处理。所以在本研究中，将城市东北部的99432、99434站点定义为上风向乡村站点（乡村U），西南部的99435站点定义为下风向乡村站点（乡村D）。旨在通过对照分析，尽可能地保证结果的准确性。

基于地表温度和近地面气温，可以使用多个指数对UHI进行量化（Li et al.，2018）。本研究采用一种基于气温的UHI指数，即城市热岛效应强度（UHII）来量化UHI的强弱。UHII被定义为某一特定城市城区气温与乡村气温的差值，其计算公式为:

其中:U _HHIU、U _HHID为不同乡村站点对应的城市热岛效应强度（℃）; T _URBAN、T _RURALU、T _RURALD分别为该城市城区和乡村U、乡村D的平均气温（多站点求平均值; 单位:℃）。

与气温等气象要素不同，PM_2.5浓度受到明显的本地排放的影响。在对PM_2.5城乡差异和城市热岛效应关联研究时，若直接使用城乡PM_2.5浓度差值（即城市污染岛强度，UPII）量化PM_2.5的城乡差异，则可能会弱化了城市热岛的影响作用。因此，2.3节中使用城乡PM_2.5的相对浓度差值（RUPII）量化PM_2.5的城乡差异，其计算公式为:

其中:R _UPIIU、R _UPIID为不同乡村站点对应的城乡PM_2.5的相对浓度差值; P _MURBAN、P _MRURALU、P _MRURALD分别为该城市城区和乡村U、乡村D的平均PM_2.5浓度（多站点求平均值; 单位:μg/m³）。

1.4 相关性分析

本研究相关性分析方法选用Pearson积矩相关系数，在样本分布明确且2个连续变量间呈线性相关时，Pearson积矩相关系数更加准确高效（Artusi et al.，2002）。因此被广泛应用于PM_2.5相关分析中（Wang et al.，2014; Lai，2018）。其计算公式为:

式中:R为Pearson积矩相关系数，代表x、y两个要素之间的相关程度。

2 结果与讨论

2.1 西安市城乡PM_2.5浓度的年变化、季节变化和日变化特征

2015、2016、2017年西安市年平均PM_2.5浓度分别为55.67、69.54、68.07 μg/m³，3 a间PM_2.5浓度呈先增加，后略微降低的趋势（图3a）。区域差异在3 a间均表现为郊区最高，乡村D最低，城区和乡村U居中。与其他年份不同的是，2016年城区PM_2.5浓度略低于乡村U，但明显高于乡村D，其城区与乡村差值分别为-0.18、12.15 μg/m³。季节上，西安市PM_2.5浓度呈现冬高夏低，春秋居中的季节变化规律（图3b），这与全国PM_2.5污染的季节变化规律相一致（Li et al.，2017）。冬季高PM_2.5浓度主要受燃煤取暖、较稳定的大气结构和较少的降水影响（Wang et al.，2015; Zhang and Cao，2015; Li et al.，2017）。除夏季乡村PM_2.5浓度最高外，其他季节PM_2.5浓度最高值均出现于郊区; 但PM_2.5浓度最低值在各个季节均出现于乡村D。四季节城区与乡村U差值分别为2.72、-3.87、4.60、1.29 μg/m³，均小于城区与乡村D差值（7.92、3.71、7.32、4.83 μg/m³）。值得注意的是，尽管冬季西安市PM_2.5浓度最高且气象条件不利于PM_2.5的扩散（Zhang and Cao，2015），但其城区与乡村差值明显小于春秋季。

西安市城乡PM_2.5日变化在春夏季呈现较明显的单峰，出现于09:00—12:00（北京时，下同），谷值出现于17:00—19:00（图4a，b）; 在秋季表现为双峰分布，峰值出现于11:00—13:00和22:00—次日02:00，谷值出现于06:00—08:00和16:00—17:00（图4c）。春夏秋季，同一季节西安市城区、郊区、乡村U、乡村D PM_2.5日变化趋势相似，但冬季不同:冬季城区和郊区PM_2.5日变化呈单峰分布，峰值出现在23:00—次日02:00，谷值出现于16:00—19:00，而乡村U和乡村D在11:00—13:00会出现小于夜间峰值的另一峰值（图4d）。特别地，日中时刻（约10:00—12:00）和午夜前后（约22:00—次日02:00）城区与乡村U PM_2.5浓度差值较小; 而城区与乡村D PM_2.5浓度差值在夜间，尤其是20:00—次日02:00时明显小于白天。

化石燃料燃烧、机动车尾气排放等人为排放源是PM_2.5的主要污染源（Dimitriou and Kassomenos，2014; Zhan et al.，2017; Huang et al.，2021）。除PM_2.5外，化石燃料燃烧还会产生NO₂、SO₂等气态污染物，机动车尾气排放会产生NO₂，且SO₂、NO₂经过复杂的化学反应会形成SO^2-₄和NO^-₃，从而增加PM_2.5浓度，因此气态污染物的浓度差异常被用来反推PM_2.5的人为污染源类型（Wang et al.，2014; Zhang and Cao，2015）。此外，PM_2.5也存在扬尘等自然来源，研究表明，自然来源形成的颗粒物中PM_2.5较少而PM_2.5~10（空气动力学当量直径大于2.5小于10 μm的颗粒物）较多，且相较于PM_2.5~10、PM_2.5更易发生传输扩散（Lai，2018）。在不考虑人为影响和气象条件的情况下，同一区域PM_2.5与PM₁₀的比值（PM_2.5/PM₁₀）在一固定值附近波动（Han et al.，2006）。所以引起PM_2.5/PM₁₀差异的原因有二，即人为排放源的多少和污染物的传输扩散作用。综合分析城区、乡村U和乡村D的PM_2.5/PM₁₀和NO₂、SO₂浓度变化（表2，图5），可以在一定程度上解释PM_2.5的城乡差异特征。因PM_2.5/PM₁₀无明显日变化规律，故仅统计其各区域季节平均值（表2）。PM_2.5/PM₁₀、NO₂、SO₂统计结果显示，除冬季外，乡村U SO₂浓度与城区相近且明显大于乡村D，此结果与乡村U对应站点所在“临潼区”“阎良区”工业发达的事实相一致，基于此推断乡村D工业较少; 而乡村D NO₂浓度与城区接近且明显大于乡村U，NO₂受化石燃料燃烧和机动车尾气排放的共同影响，但乡村D工业较少，其站点所在长安区发达的路网交通是PM_2.5的重要来源。此外，乡村D NO₂（乡村U SO₂）的高值时刻正对应城区与乡村D（乡村U）PM_2.5浓度差值的低值时刻。基于此，可以初步推断乡村U和乡村D PM_2.5的人为排放源存在差异。对于PM_2.5/PM₁₀，各个季节呈现不同的城乡规律，整体表现为城区与乡村U相近且大于乡村D，但夏季的乡村U和冬季的乡村D出现例外:夏季乡村U的PM_2.5/PM₁₀（0.50）明显大于城区（0.43），但其SO₂浓度与城区相近且NO₂浓度明显低于城区，此外，乡村U位于上风向且夏季良好的气象条件利于污染物的传输扩散（Zhang and Cao，2015; Li et al.，2017），基于此推测夏季西安市外的传输会对乡村U的PM_2.5浓度产生影响; 而冬季乡村D的PM_2.5/PM₁₀（0.58）大于城区（0.56），且其SO₂浓度长时段（11:00—21:00）高于城区，加之冬季稳定的大气结构不利于污染物的传输扩散，因此判断乡村D冬季的化石燃料燃烧明显多于其他季节，这可能是乡村低效率的燃煤取暖所致。

2.2 西安市UHII对城区（或乡村）PM_2.5浓度影响差异

除人为排放的影响外，气象条件对PM_2.5的影响不可忽视。随着城市化进程的不断加快，高度城市化导致的UHI也会影响PM_2.5的城乡分布特征。前人研究表明，受UHI影响，城市城区与乡村间形成热岛环流，表现为高空风由城区吹向乡村，近地面风由乡村吹向城区（Zhang et al.，2014; 朱丽等，2020）。在不考虑其他气象要素的情况下，城区排放的PM_2.5随热岛环流的上升气流升至高空并向外扩散，在乡村随下沉气流降至地面（Sarrat et al.，2006）。乡村PM_2.5因此受到UHI影响，乡村PM_2.5浓度与UHII的相关系数大小反映其影响程度的强弱; 乡村的PM_2.5也会随近地面的风向城区传输（Sarrat et al.，2006），城区PM_2.5同样受UHI影响，影响程度由城区PM_2.5浓度与UHII相关性体现。

西安市城区（或乡村）PM_2.5浓度与UHII_U（或UHII_D）相关系数（R）如表3所示，因为无法排除PM_2.5排放的影响，所以R值普遍较低。对于全天而言，除夏季的城区外，城区（或乡村）PM_2.5浓度与UHII_D的相关系数（R _URBAN-D，R _RURAL-D）在所有季节均大于城区（或乡村）PM_2.5浓度与 UHII_U的相关系数（R _URBAN-U，R _RURAL-U），下风向乡村站点对应的UHII对城区和乡村的影响程度大于上风向乡村站点，这可能与上风向易接收外部传输而来的PM_2.5有关。此外，乡村PM_2.5浓度与UHII_U（或UHII_D）在四季节均呈显著正相关，通过0.01信度的显著性水平检验，且R _RURAL-D和R _RURAL-U均分别大于R _URBAN-D和R _URBAN-U。有研究表明，西安城区PM_2.5排放速率大于乡村（姜蕴聪等，2019），城区较多的本地排放削减了UHI对其PM_2.5的影响程度。值得注意的是，城区（或乡村）PM_2.5浓度与UHII_U（或UHII_D）的相关系数均表现为秋季最高，夏季最低。多位科技工作者研究发现PM_2.5浓度与UHII的相关性在不同城市呈现不同的季节特征（Chen et al.，2018; Lai，2018; Ngarambe et al.，2021），值得在以后的工作中做进一步分析。

受边界层高度、温度、湿度等气象条件等因素变化的影响，UHII对城区（或乡村）PM_2.5浓度的影响也存在日夜差异（Li et al.，2018）。分别以1月15日、4月15日、7月15日、10月15日日出、日中、日落时间为冬、春、夏、秋季的日出、日中、日落时间，以四季节日出时间至日中时间为上午时段，日中时间至日落时间为下午时段，其余时间为夜间时段，探讨上午、下午、夜间时段城区（或乡村）PM_2.5浓度与 UHII_U（或UHII_D）相关关系。结果显示，除夏季上午时段的城区PM_2.5浓度与UHII_U外，城区（或乡村）PM_2.5浓度与 UHII_U（或UHII_D）在所有季节的上午和夜间时段都呈显著正相关，并通过0.01信度的显著性水平检验，且其R值多明显大于同季节下午时段。这与大气边界层的日变化规律相适应:夜间大气边界层处于较低水平，日出后开始发育，至午后发育完全（Zhang and Cao，2015）。故上午和夜间时段其他气象要素对PM_2.5浓度的影响小于下午时段。此外，夜间较少的排放也是导致其相关性较高的原因，但冬季例外，夜晚的取暖排放依旧会削减UHI对PM_2.5的影响。

注:1）表示通过0.01信度的显著性水平检验; 2）表示通过0.05信度的显著性水平检验.

2.3 西安市UHII对RUPII的影响及原因初探

上述结果证明，UHI会对西安市城乡PM_2.5浓度产生影响，但影响轻微（显著相关但R值普遍较小）。这可能是因为大量的PM_2.5排放和弱化了UHI的影响作用。为了尽可能减少排放的影响，本节对RUPII和UHII进行统计分析。上文结果显示R _URBAN-D和R _RURAL-D在所有季节均大于R _URBAN-U和R _RURAL-U，UHII_D对西安市城区、乡村D的PM_2.5浓度影响更明显，且西安市外的传输对乡村U的PM_2.5浓度产生影响。因此，选用城区与乡村D评估西安市UHII对RUPII的影响，以减少外部传输对研究结果的影响。

为了从数据集中提取清晰的规律，同时忽略微小误差的影响，本研究将UHII_D数据分成0.5℃间隔的聚类，得到12组UHII_D。计算每组UHII_D对应的RUPII_D的平均值，如表4所示。总体上RUPII_D在春夏季较高，秋季次之，冬季最低。春夏秋冬季RUPII_D的平均值分别为0.110、0.104、0.674、-0.016。秋冬季的低值可能与乡村低效率的燃煤取暖有关。在各个季节，随着UHII_D的增加，RUPII_D整体呈现下降的趋势。对各组UHII_D的中间值（即-1.25、-0.75、-0.25、0.25、0.75、1.25、1.75、2.25、2.75、3.25、3.75、4.25℃）及该组对应的RUPII_D平均值做相关分析，春、夏、秋、冬季的R值分别为-0.653、-0.698、-0.656、-0.490。因此UHII_D与RUPII_D在春夏秋季呈显著负相关，并通过0.05信度的显著性水平检验，且夏季相关性最强。

注:1）表示通过0.05信度的显著性水平检验.

UHII对RUPII的影响是通过热岛环流影响PM_2.5的传输扩散特征实现的。在实际分析中，常把风速作为大气水平扩散的指标，近地面气压作为大气垂直运动的指标（Lai，2018）。因此城区、乡村D PM_2.5的传输扩散特征可以使用城乡风速差和近地面气压差进行量化（表5、6）。结果显示，在所有季节，城区风速均大于乡村D，但随着UHII_D的增大，城区与乡村D的风速差呈减小趋势。各组UHII_D的中间值及该组对应的城乡风速差的相关分析结果显示，春夏秋季均为显著负相关，并通过0.05信度的显著性水平检验。这与Chen et al.（2018）发现的规律像一致，近地面由下风向乡村D吹向城区的风削弱了盛行风向的东北风，从而不利于城区近地面PM_2.5的水平扩散，且UHII_D越大，城区近地面PM_2.5的水平扩散能力越弱; 在所有季节，城区近地面气压均小于乡村，且随着UHII_D的增大，城区与乡村D近地面气压差呈减小趋势，所有季节均为显著负相关，并通过0.01信度的显著性水平检验。更小的近地面气压意味着更强烈的PM_2.5垂直扩散，因此，UHII越大，城区和乡村PM_2.5的垂直扩散能力差别越明显。

综上，尽管UHII的增大削弱了近地面PM_2.5的水平扩散能力，但会使城区PM_2.5的垂直扩散能力较乡村更强。UHII通过影响PM_2.5的传输扩散特征，进一步影响了西安市RUPII。此外，Chen et al.（2018）还提出UHII形成的热岛环流上支在高层大气中会促进盛行风。特别地，冬季UHII_D与城乡风速差相关性不显著且UHII_D与城乡近地面气压差的R值也小于其他季节，说明冬季大气稳定，UHII对 PM_2.5的传输扩散的影响较弱，从而导致UHII_D与RUPII_D相关性不显著。

注:1）表示通过0.01信度的显著性水平检验; 2）表示通过0.05信度的显著性水平检验.

注:1）表示通过0.05信度的显著性水平检验.

3 结论

1）2015—2017年西安市PM_2.5浓度呈冬高夏低，春秋居中的季节变化规律，除夏季乡村U PM_2.5浓度最高外，其他季节PM_2.5浓度最高值均出现于郊区，但PM_2.5浓度最低值在各个季节均出现于乡村D; 西安市城区、郊区、乡村PM_2.5日变化在不同季节呈现不同的峰谷特征。特别地，城区与乡村U PM_2.5浓度差值在日中时刻（约10:00—12:00）和夜间（约22:00—次日02:00）较小，而城区与乡村D PM_2.5浓度差值仅在夜间（20:00—次日02:00）较小; 乡村U人为排放以工业等化石燃料燃烧为主，且夏季西安市外的传输对会对乡村U的PM_2.5浓度产生影响。而乡村D以机动车尾气排放为主，但冬季化石燃料燃烧明显多于其他季节。

2）西安市城区（或乡村）PM_2.5浓度与UHII_D的相关系数（R _URBAN-D，R _RURAL-D）在所有季节均大于城区（或乡村）PM_2.5浓度与 UHII_U的相关系数（R _URBAN-U，R _RURAL-U），下风向乡村站点对应的UHII对城区和乡村的影响程度大于上风向乡村站点; 乡村PM_2.5浓度与UHII_U（或UHII_D）在所有季节均呈显著正相关，并通过0.01信度的显著性水平检验，且R _RURAL-D和R _RURAL-U均分别大于R _URBAN-D和R _URBAN-U，城区较多的本地排放削减了UHI对其PM_2.5的影响程度; 与大气边界层的日变化规律相适应，城区（或乡村）PM_2.5浓度与UHII_U（或UHII_D）在上午和夜间时段呈显著正相关，并通过0.01信度的显著性水平检验，且其R值多明显大于同季节下午时段。

3）为减少外部传输对研究结果的影响，选择城区和乡村D评估西安市UHII对RUPII的影响。总体上RUPII_D在春夏季较高，秋季次之，冬季最低。随着UHII_D的增加，RUPII_D整体呈现下降的趋势且UHII_D与RUPII_D在春夏秋季呈显著负相关（通过0.05信度的显著性水平检验），夏季相关性最强; UHII_D与城乡风速差和UHII_D与城乡近地面气压差的相关分析显示，随着UHII越大，城区近地面PM_2.5的水平扩散能力减弱，但PM_2.5的垂直扩散能力较乡村更强，从而UHII通过影响PM_2.5的传输扩散特征，进一步影响了西安市RUPII。

致谢:感谢“国家环境空气质量监测网”及国家气象局提供的相关数据集。本文的数值计算得到了南京信息工程大学高性能计算中心的计算支持和帮助。感谢审稿专家和编辑对本文提出的宝贵意见。

参考文献