基于ENVI-met的道路綠帶植物配植對PM2.5濃度影響模擬

袁楚陽，章銀柯，朱國亮，李曉璐，于慧，張?zhí)烊?，黃芳，莫莉，邵鋒

（1.浙江農(nóng)林大學 風景園林與建筑學院，浙江 杭州 311300；2.杭州植物園，浙江 杭州 310012；3.縉云縣林業(yè)局，浙江 縉云321400；4.生態(tài)環(huán)境部土壤與農(nóng)業(yè)農(nóng)村生態(tài)環(huán)境監(jiān)管技術(shù)中心，北京 100012）

隨著城市化和工業(yè)化進程的加快，大氣污染已成為我國面臨的重大環(huán)境問題。細顆粒物（Fine P articulate Matter，PM2.5）作為主要的大氣污染物之一，會對人體健康造成嚴重危害[1-2]。研究表明，汽車尾氣排放是PM2.5的重要來源之一[3-4]。植物可以滯留和吸附PM2.5，植物樹冠能通過降低風速使PM2.5沉落至葉片或地面，從而降低PM2.5的濃度[5-9]。道路綠帶植物配植可有效消減道路上的PM2.5。于麗胖等[10]認為，道路綠化中結(jié)構(gòu)疏松的植物配植方式要比緊密的方式更有利于 PM2.5的擴散。李新宇等[11]研究證實，群落內(nèi)郁閉度高的復層結(jié)構(gòu)綠地對PM2.5的消減作用優(yōu)于郁閉度低的單層結(jié)構(gòu)綠地。但也有研究表明，植被對于 PM2.5的阻礙作用強于其對 PM2.5的吸附與沉降作用，從而不利于PM2.5的擴散，反而可能增加PM2.5的濃度[12-13]。

與FLUENT和PHOENICS等軟件側(cè)重對建筑內(nèi)外氣流和傳熱過程的模擬不同，ENVI-met基于流體動力學模型計算和熱力學對三維微氣候模型進行分析，更加關(guān)注植物對環(huán)境微氣候的影響，因此，更適合研究中小尺度區(qū)域內(nèi)植物與大氣污染物之間的關(guān)系[14-16]。該軟件在住宅微氣候[17]、街區(qū)熱舒適度[18]和大氣顆粒物擴散[19]等方面已有較多應用，而有關(guān)植物與大氣顆粒物之間的模擬研究較少。本文以杭州市臨安區(qū)武肅街為研究對象，采用實地監(jiān)測與 ENVI-met軟件模擬相結(jié)合的方法，探究城市道路分車綠帶和行道樹綠帶內(nèi)不同植物配植方式對PM2.5的影響，分析PM2.5的擴散規(guī)律，為城市道路綠帶的植物配植提供科學依據(jù)。

1 研究區(qū)概況

杭州市臨安區(qū)，地理坐標為29°56'～30°23' N，118°51'～119°52' E，地處長三角南翼、杭州市西部，與安徽省接壤。屬季風型氣候，年平均氣溫為16.4℃，年均日照時數(shù)為1 837.9 h，年均降水量為1 613.9 mm。本研究選擇武肅街作為試驗樣地。該樣地位于臨安主城區(qū)東北部，道路全長約3.7 km，東臨科技大道、西接臨天路，途經(jīng)浙江農(nóng)林大學地鐵站、浙江農(nóng)林大學南門、寶龍廣場、浙皖農(nóng)貿(mào)城和林水山居小區(qū)等，是臨安重要的城市主干道之一。武肅街道路斷面為三板四帶式雙向四車道，其交通流量大（監(jiān)測車流量為1 068 veh·h-1）。道路紅線內(nèi)機動車道寬16 m，兩側(cè)各有一條分車綠帶（寬2.5 m）、非機動車道（寬4.5 m）和人行道（寬5 m），人行道靠近非機動車一側(cè)是行道樹綠帶。分車綠帶的植物配植為：銀杏Ginkgo bi loba-紅花檵木Loropetalum chinensevar.rubrum（籬）+金邊大葉黃楊Euonymus japonicusvar.aurea-marginatus（籬）、木犀Osmanthus fragrans-紅花檵木（球）-麥冬Ophiopogon japonicus和側(cè)柏Platycladus orientalis-紅花檵木（球）+金邊大葉黃楊（籬）；行道樹綠帶配植為：樟Cinnamomum camphora-麥冬。

2 研究方法

2.1 PM2.5濃度實地監(jiān)測

為總結(jié)道路綠帶內(nèi)PM2.5濃度的日變化規(guī)律，并為后續(xù)軟件模型驗證提供基礎(chǔ)數(shù)據(jù)，試驗首先開展了綠帶內(nèi) PM2.5濃度實地監(jiān)測。調(diào)查發(fā)現(xiàn)，樣地周邊以住宅和商業(yè)建筑為主，主要污染源是機動車尾氣。通常機動車道處產(chǎn)生的 PM2.5會向非機動車道和人行道擴散，因此，充分考慮現(xiàn)場環(huán)境條件及試驗安全性等因素，本研究在靠近分車綠帶的機動車道處和人行道處各設(shè)置1個監(jiān)測點，其中，監(jiān)測點1的數(shù)據(jù)主要用于模型驗證時污染源的參數(shù)設(shè)置，監(jiān)測點2的數(shù)據(jù)主要用于模型驗證時的對比檢驗及分析和總結(jié) PM2.5濃度的變化規(guī)律（圖1）。

圖1 監(jiān)測點位置Figure 1 Location of monitoring points

于天氣晴朗、微風條件下，在2個監(jiān)測點各布置1臺微電腦激光粉塵儀LD-5C（B）進行PM2.5濃度監(jiān)測。儀器架設(shè)高度距離地面為1.5 m（同成人呼吸高度）。監(jiān)測數(shù)據(jù)采集頻率為1次·min-1，設(shè)置精度（k值）為0.001。實地監(jiān)測時間為2019年9月12日、10月22日和11月23日。由于夜晚的PM2.5濃度變化不如白天的變化明顯，因此，本研究僅監(jiān)測白天（8:00-16:00）的PM2.5濃度。在監(jiān)測點1處設(shè)置1臺數(shù)字風速儀MS6252B測定溫度、相對濕度和風速等氣象因子數(shù)據(jù)，儀器架設(shè)高度與粉塵儀一致。

2.2 EN VI-met模型設(shè)置

本研究為小尺度場地范圍內(nèi)的數(shù)值模擬，因此，網(wǎng)格尺寸精度設(shè)置較高，以提高模擬的準確性，同時，不影響模擬效率。在水平方向上，X軸代表研究范圍內(nèi)道路的寬度，而Y軸為道路長度，兩者均選擇1 m的最高分辨率，網(wǎng)格數(shù)均為60，為減少邊界失真，最外圍2格為嵌套網(wǎng)格。Z軸表示模型中的垂直高度，單元網(wǎng)格為1 m，共設(shè)置30格，采用等距網(wǎng)格劃分方式，軟件會將最底層的網(wǎng)格自動細劃分成5等份。綜上，本次模擬試驗中的模型網(wǎng)格為60 × 60 × 30格，每個網(wǎng)格大小為 1 m × 1 m × 1 m，總區(qū)域大小為 60 m ×60 m × 30 m。將監(jiān)測地段的道路平面圖導入ENVI-met軟件，建立實地模型。污染源的參數(shù)為監(jiān)測點1的PM2.5濃度值，氣象參數(shù)來自風速儀記錄的數(shù)據(jù)。經(jīng)模擬后得到人行道處的 PM2.5濃度模擬值，然后將模擬值與實測值進行比較和分析，以此驗證模擬研究的可行性、準確性和可靠性。隨后，以實地模型為基礎(chǔ)，改變道路綠帶中的植物配植方式。分車綠帶選擇“喬灌”和“灌草”，行道樹綠帶選擇“喬灌”和“喬草”，通過兩兩組合，構(gòu)成喬灌-喬草（I）、喬灌-喬灌（II）、灌草-喬草（III）和灌草-喬灌（IV）4種配植方式的研究模型，并以無植物種植的道路（CK）為參照模型，5種模型的道路斷面如圖2所示。

4種研究模型中的植物種植間距與實地模型的一致，分車綠帶的植物株距為7 m，行道樹綠帶的為6 m。為研究不同植物配植方式對汽車尾氣排放產(chǎn)生的PM2.5濃度的影響，需忽略城市背景濃度值，在軟件中根據(jù)機動車的PM2.5排放特點估算其排放速率[20]。實地監(jiān)測的單向車流量q= 534 veh·h-1，參考CHENG等[21]研究成果，機動車尾氣PM2.5排放因子E值確定為 0.131 g·veh-1·km-1，根據(jù)公式v=E·q，求得排放速率v。

經(jīng)計算，本試驗中單向車道 PM2.5線源污染物排放速率約為 19.4 μg·s-1·m-1。武肅街為雙向四車道，故設(shè) 2條線性污染源，排放高度為0.3 m，排放速率恒定，不考慮車流量變化對PM2.5排放速率的影響。在11月23日的天氣條件下，PM2.5濃度日變化表現(xiàn)為典型的“雙峰單谷”型變化趨勢。為使模型更好地反映PM2.5濃度的變化規(guī)律，以該日的氣象因子數(shù)據(jù)作為研究模型的氣象參數(shù)，風向采用杭州市臨安區(qū)氣象局提供的數(shù)據(jù)（270°），模擬時間則與實測時間相同（8 h）。

2.3 PM2.5消減率計算

參考王佳等[22]的研究方法，將4種植物配植方式與CK進行疊加比較。同一位置處PM2.5濃度變化值（C值）=某一植物配植方式的PM2.5濃度-CK的PM2.5濃度，得到剖面差值圖和平面差值圖。剖面圖選取Y= 30 m，為PM2.5擴散較穩(wěn)定區(qū)域；平面圖選取Z= 1.5 m，為行人呼吸高度。而非機動車道（X= 42～45 m）和人行道（X=48～50 m）處PM2.5的濃度變化是本文的研究重點。

在各模型的平面圖上，從機動車道邊緣Y= 3 m開始，縱向每間隔10 m選取1個監(jiān)測點，共計5個；在非機動車道處和人行道處分別選取對應監(jiān)測點，即縱向與機動車道監(jiān)測點設(shè)置相同，每種模型共計15個點，計算各模型的PM2.5濃度平均消減率。消減率計算公式為：

式中，P為 PM2.5濃度消減率，Cs是機動車道邊緣的 PM2.5濃度，Cm是不同模型中非機動車道處或人行道處的PM2.5濃度[23]。

3 結(jié)果與分析

3.1 實測PM2.5濃度日變化

人行道處實測PM2.5濃度日變化情況如圖3。由圖 3可知，人行道處PM2.5濃度日變化總體呈現(xiàn)上午和下午較高，中午低的趨勢。PM2.5濃度最大值（157 μg·m-3）出現(xiàn)在 11 月 23 日的 9:30，最小值（6 μg·m-3）出現(xiàn)在 11月 23日的 13:30。9月 12日，PM2.5濃度在9:50達到高峰值（152 μg·m-3）后持續(xù)下降，12:40降到低谷值（49 μg·m-3），之后呈平緩上升趨勢，16:00 時濃度升高至 61 μg·m-3。10 月 22 日 10:10-12:45，PM2.5濃度從高峰值（148 μg·m-3）下降至低谷值（41 μg·m-3）；12:45-14:30，濃度有所上升；14:30-16:00，濃度又從 70 μg·m-3降至 46 μg·m-3。11月23日，PM2.5濃度日變化與9月12日的相似。

圖3 人行道處PM2.5濃度日變化Figure 3 Daily variation of PM2.5 concentration on the pavement

3.2 實地模型驗證

圖4 人行道處PM2.5濃度實測值與模擬值Figure 4 Measured and simulated PM2.5 concentration on the pavement

圖4為人行道處PM2.5濃度實測值（以下稱實測值）和PM2.5濃度模擬值（以下稱模擬值）的對比圖。由圖4可知，模擬值與實測值的變化趨勢基本相同，且模擬值均小于實測值。利用 Pearson分析方法對實測值與模擬值進行相關(guān)性分析，2019年9月12日、10月22日和11月23日的相關(guān)系數(shù)分別為0.955、0.964和0.976，P< 0.01，兩者之間存在極顯著正相關(guān)。通過趨勢擬合可得到線性方程Y= 2.267 6 4 +0.872 11X（R2= 0.944）（圖5），模擬值與實測值相關(guān)性較高，符合PM2.5擴散規(guī)律，表明ENVI-met可用于PM2.5濃度模擬。

圖5 PM2.5濃度實測值與模擬值擬合方程圖Figure 5 Fitted equation for measured and simulated PM2.5 concentration

3.3 EN VI-met模型道路PM2.5濃度分布

3.3.1 無植物種植的道路 PM2.5濃度分布 對無植物種植的道路進行可視化分析，得到剖面圖和平面圖，分別表示 PM2.5濃度在垂直方向和水平方向上的分布情況，如圖6。由圖6可知，在剖面圖上，垂直方向PM2.5濃度最大值（33.94 μg·m-3）出現(xiàn)在Z= 1 m的機動車道處；在平面圖上，水平方向PM2.5呈扇形擴散，下風向的PM2.5濃度高于上風向的，PM2.5濃度最大值（11.19 μg·m-3）出現(xiàn)在X= 38 m的機動車道處。研究表明，CK的PM2.5濃度在污染源處（機動車道處）最高，且隨風向向外擴散。

圖6 無植物種植道路內(nèi)PM2.5濃度垂直方向和水平方向分布模擬Figure 6 Vertical and horizontal simulation of PM2.5 concentration in the road without plants

3.3.2 不同植物配植方式對PM2.5濃度的影響

（1）垂直方向。將4種植物配植方式的道路分別與CK疊加，得到PM2.5濃度剖面差值圖，見圖7。由圖7可知，在垂直方向上，Z< 2 m時，機動車道處的C值均為正值，其中，Ⅰ和Ⅱ的C值較大，而Ⅲ和Ⅳ的較小，表明4種配植方式的道路機動車道處均有PM2.5聚集現(xiàn)象。此外，非機動車道和人行道處Ⅰ和Ⅱ的PM2.5僅擴散至3 m高度處，低于Ⅲ和Ⅳ的，且人行道處Ⅲ和Ⅳ在Z= 4～6 m高度處均有PM2.5聚集現(xiàn)象。其原因是分車綠帶為“灌草”時，植物配植對PM2.5影響較小，部分PM2.5會擴散至高空，而行道樹綠帶的喬木會滯留這部分PM2.5。

圖7 不同植物配植方式的PM2.5濃度剖面差值圖Figure 7 Section differential diagram of PM2.5 concentration with different plant distribution

圖8 不同植物配植方式的PM2.5濃度平面差值圖Figure 8 Plane differential diagram of PM2.5 concentration with different plant distribution

（2）水平方向。圖8為4種植物配植方式的道路分別與CK疊加后的PM2.5濃度平面差值圖，其中，Y軸邊界處出現(xiàn)邊界失真，故取Y= 3～58 m進行研究。由圖8可知，在水平方向上，非機動車道處I和III部分點的C值為負值，且III的PM2.5濃度下降區(qū)域略大于I的；其余兩組的非機動車道處的C值均為正值，無濃度下降區(qū)域。對模擬結(jié)果進行方差分析，結(jié)果見表 1。由表 1可知，非機動車道處C1值為：II（0.648 ± 0.086 4 μg·m-3）>IV（0.499 ± 0.086 2 μg·m-3）>I（0.475 ± 0.088 8 μg·m-3）>III（0.195 ± 0.089 0 μg·m-3），均為正值，即相較于 CK，水平方向上非機動車道處的 PM2.5濃度均呈上升趨勢。I和IV的C1值之間不存在顯著差異（P≥0.05），其他配植方式間的C1值間均存在顯著差異（P< 0.05）。

表1 非機動車道處PM2.5濃度方差分析與多重比較Table 1 ANOVA and multiple comparison of PM2.5 concentration in bicycle lane

計算非機動車道處4種植物配植方式與CK的PM2.5平均消減率，結(jié)果見圖9。由圖9可知，5種模型PM2.5的平均消減率均為負值，其大小排序為：CK（-11.19%）>III（-12.92%）>I（-14.21%）>IV（-16.02%）>II（-16.53%）。植物對非機動車道處的PM2.5有聚集作用。相較于CK，II、IV、I和III的PM2.5消減率分別下降5.34%、4.83%、3.02%和1.73%。非機動車道處PM2.5消減率下降，這可能是其距離污染源較近，且兩側(cè)有綠帶阻擋，PM2.5無法快速擴散，導致濃度升高。

表2 人行道處PM2.5濃度方差分析與多重比較Table 2 ANOVA and multiple comparison of PM2.5 concentrationon the pavement

由圖8可知，在水平方向上，人行道處（X= 48～50 m）I和 II各點的C值大多為負值，即相較于 CK，其PM2.5濃度普遍呈下降趨勢；IV相反，各點的C值基本均為正值，相較于 CK，其 PM2.5濃度呈上升趨勢；III的 PM2.5濃度變化相對均衡。對人行道處模擬結(jié)果進行方差分析，結(jié)果見表 2。由表 2 可知，人行道處的C2值為：IV（0.237 ± 0.138 μg·m-3）>III（0.043 ± 0.063 μg·m-3）>II（-0.103 ± 0.143 μg·m-3）>I（-0.161 ± 0.081 μg·m-3）。4種植物配植方式的C2值之間均存在顯著差異（P< 0.05）。

圖9 非機動車道處不同植物配植方式的PM2.5濃度消減率Figure 9 Reduction rate of PM2.5 concentration with different plant distribution in bicycle lane

圖10 人行道處不同植物配植方式的PM2.5濃度消減率Figure 10 Reduction rate of PM2.5 concentration with different plant distribution on the pavement

計算人行道處4種植物配植方式與CK的PM2.5平均消減率，結(jié)果見圖10。由圖10可知，人行道處的PM2.5平均消減率大小排序為：I（1.36%）>II（0.29%）>CK（-0.58%）>III（-1.09%）>IV（-1.47%）。相較于CK，I和II的PM2.5消減率為正值，即人行道處PM2.5濃度有所下降，I和II的消減率分別增加1.94%和0.87%，而III和IV的消減率分別減少0.51%和0.89%。造成III和IV消減率減少的原因是分車綠帶中“灌草”無法有效消減PM2.5，導致其人行道處濃度升高。

4 結(jié)論與討論

4.1 討論

實測表明，武肅街人行道處 PM2.5濃度日變化表現(xiàn)為上午和下午較高、中午低的趨勢，這與劉浩棟等[24]、王成等[25]和郭建超等[26]的研究結(jié)果一致。其主要原因是監(jiān)測的前一天夜晚溫度較低、濕度較大，PM2.5不斷沉降，當日早晨空氣濕度較大、逆溫層變厚，不利于PM2.5擴散，而8:00-9:30又是上班早高峰，導致PM2.5濃度達到高峰值；9:30-13:30，隨著車流量的減少及氣象因子的影響，使得PM2.5濃度持續(xù)降低；13:30以后，PM2.5濃度略有升高。10月 22日，14:30-16:00，PM2.5濃度有所下降，這可能與當日風速和風向變化有關(guān)，風速和風向變化是影響PM2.5擴散的重要因素之一[26-27]。

模擬研究表明，機動車道處 PM2.5濃度在垂直方向上的分布情況與郭曉華等[23]的研究結(jié)果相同，而水平方向上則不同；相較于CK，在水平方向上，非機動車道處4種配植方式的PM2.5消減率均下降，這與其他學者[12,28-29]的研究結(jié)論基本一致。其原因可能是本研究模擬的區(qū)域尺度較小、道路綠帶長度有限，道路中PM2.5濃度會受到綠帶的相互影響而升高，也可能是植物已滯留的部分PM2.5會受到氣流影響再次擴散，形成二次揚塵（上層喬木分枝點高，不易受低空氣流影響；下層草本低矮，能夠有效阻滯地面揚塵；中層密植的灌木反而會受到氣流影響使部分 PM2.5再次擴散至空中）。此外，楊貌等[30]和張靈藝等[31]研究認為，喬草型植物配植方式在水平方向上吸附PM2.5效果好，這與本研究結(jié)果一致。

4.2 結(jié)論

對杭州市臨安區(qū)武肅街道路綠帶內(nèi)不同植物配植方式對PM2.5濃度的影響研究結(jié)果表明，人行道處PM2.5濃度實測值與模擬值呈極顯著正相關(guān)（P< 0.01，R2= 0.944），表明ENVI-met可用于PM2.5濃度模擬。模擬研究顯示，CK中PM2.5濃度最高值出現(xiàn)在機動車道處，PM2.5隨風向向外擴散，下風向的PM2.5濃度高于上風向的。相較于CK，在垂直方向上，非機動車道和人行道處I和II的PM2.5擴散高度均低于III和IV的，且人行道處III和IV在4～6 m高度處均有PM2.5聚集現(xiàn)象；在水平方向上，非機動車道處4種配植方式的PM2.5消減率均下降，降幅大小依次為II（5.34%）>IV（4.83%）>I（3.02%）>III（1.73%），人行道處I和II的消減率分別增加1.94%和0.87%，而III和IV的消減率分別減少0.51%和0.89%。喬灌型分車綠帶和喬草型行道樹綠帶是道路綠帶的最佳植物配植方式。