基于空间异质性分析和线性核心区模型构建的光污染评估模型：以天津市（华北地区）为研究案例

《Ecological Indicators》：Light pollution assessment model based on spatial heterogeneity analysis and a linear coregionalization model: a study case in Tianjin Municipality (North China)

本研究基于空间统计分析和线性核心区回归模型（LCM），构建了天津光污染综合评估框架。通过网格化监测设计，量化了空间异质性指数（SCLPI）和区域协方差矩阵，识别出核心城区及滨海新区为高污染风险区，并建立了包含光照强度、空间分布、城市形态和人为活动的综合评价模型（LPI）。该成果为城市光污染治理提供科学决策支持，并形成可推广的评估方法体系。

　　城市化进程的加快和经济发展，使得全球范围内的人工照明的范围和强度显著增加，导致了普遍的光污染现象。光污染已成为对生态环境和人类健康造成威胁的重要问题，不仅影响天文观测，还对生物多样性、动植物的分布和栖息地产生破坏，并加剧气候变化。本研究以天津为案例，通过建立基于空间统计分析和线性共区域化方法（LCM）的光污染评估模型，分析了天津各监测点的光污染程度及其区域间的相关性，并开发了一套综合管理标准，考虑了影响城市光污染的因素。该模型的应用不仅直接评估了天津当前的光污染状况，还揭示了其空间异质性，并精准识别了城市内的高风险区域。研究结果不仅展示了天津光污染的范围，还为其他城市优化夜间照明环境提供了有价值的参考。本研究解决了光污染评估中的一些关键问题，提供了科学依据以支持光污染的管理与缓解。

在方法论上，本研究提出了一种基于空间统计分析和LCM的评估框架，以应对当前光污染研究中存在的不足。传统的光污染评估方法往往关注单一因素或假设性模型，而本研究则通过整合空间异质性分析和LCM，构建了一个更全面的评估模型。空间异质性分析用于识别光污染在城市不同区域的分布特征，而LCM则用于揭示不同区域之间的相互依赖关系。这种整合避免了现有模型在单一维度上的局限性，使得光污染的评估更加科学和全面。

天津作为中国北方的重要港口城市和工业基地，其光污染水平和环境管理策略对于全球沿海城市和类似区域具有重要参考价值。研究采用了基于网格的监测设计，根据人口密度和功能区划将城市划分为不同精度的网格。商业区采用更细密的网格，而住宅区则采用较粗的网格。这一设计有助于直接、数据驱动地评估天津的近地面光环境，同时避免了复杂的数据预处理步骤。研究还结合了人口密度、土地利用类型等数据，以进一步揭示光污染的驱动因素。

在光污染评估模型中，研究采用了空间异质性指标，通过计算各监测点的邻近区域之间的相互作用，评估其空间相关性。该模型基于“八邻域”方法，即每个监测点的周围八个最近的点作为其邻近区域，以量化不同区域之间的光污染相关性。同时，模型还引入了Moran's I指数，用于衡量光污染水平的聚类程度。Moran's I指数的计算不仅考虑了每个邻近点对目标点的影响，还通过权重矩阵和标准化统计量Z，进一步评估了光污染的空间自相关性。这种评估方式使得研究能够识别出高污染风险区域，并为制定针对性的治理策略提供依据。

研究还通过线性共区域化模型（LCM）分析了不同区域之间的光污染相互依赖关系。LCM是一种灵活的多变量空间统计模型，能够同时分析多个空间变量之间的交叉依赖关系，揭示光污染在不同区域之间的关联模式。通过该模型，研究发现天津的六个中心区和滨海新区之间的光污染水平具有较强的共变性，说明这些区域的光污染不仅在局部形成热点，还具有跨区域的扩散趋势。因此，这些区域需要协同治理，制定统一的照明标准，以防止光污染向周边区域扩散。

此外，研究引入了光污染指数（LPI）作为综合评估指标，整合了空间相关性（SCLPI）和局部异质性（ΔZ）等要素。LPI的计算不仅考虑了光污染的强度，还结合了区域间的相互影响和治理优先级。通过设置合适的权重因子γ，研究平衡了空间相关性和局部异质性对整体评估的影响。LPI的应用使得城市管理者能够精准识别高污染区域，并制定相应的治理措施。研究发现，天津的高污染区域主要集中在中心区和滨海新区，而外围区域则具有较低的光污染风险。这一发现为城市规划和政策制定提供了明确的空间参考，有助于在未来的城市发展中优化夜间照明环境。

本研究的创新点在于其提出的评估框架能够有效整合空间异质性和区域间关联，为光污染治理提供科学依据。该模型不仅适用于天津，还可推广到其他具有复杂空间结构的沿海工业港口城市和快速城市化地区。通过基于网格的监测和空间统计分析，模型能够识别光污染的热点区域，并为制定精准的治理策略提供支持。同时，模型的灵活性和可扩展性也使其能够在不同地理环境和城市形态中进行应用和验证，从而为全球范围内的光污染管理提供理论和实践上的指导。

研究还指出，光污染的治理不仅需要考虑环境影响，还应结合人类活动需求和城市空间结构。例如，城市中心区和工业区由于夜间活动频繁，照明需求高，因此光污染水平较高，治理难度较大。而住宅区和生态区由于夜间活动较少，照明需求较低，因此光污染压力较小。这种基于空间异质性和区域相关性的分析，使得光污染治理策略能够更具针对性和实效性。

未来的研究可以进一步拓展数据维度，引入更多与生态和健康影响相关的指标，如鸟类迁徙雷达数据、蝙蝠声学监测数据或社区健康调查数据。这将有助于建立LPI与生态和健康影响之间的定量关系，使模型从单纯的污染特征识别工具，发展为具有预警功能的风险评估系统。此外，研究还可以探索更高效的数据采集方法，如自动化光污染监测，以克服当前研究中数据获取时间滞后和人工调查不足的问题。同时，模型应在更多地理和城市发展背景下进行应用和验证，以进一步提升其通用性和政策相关性。

总之，本研究通过整合空间统计分析和LCM，构建了一个新的光污染评估模型，为城市管理者提供了科学依据和实用工具，以优化夜间照明环境，减少光污染对生态环境和人类健康的负面影响。研究结果不仅揭示了天津光污染的空间分布特征和治理重点，还为其他城市和地区的光污染管理提供了理论和实践上的借鉴。