城市綠地及其溢出效應(yīng)對PM2.5濃度影響研究
——以合肥市主城區(qū)為例

王麗宸，董冬，顧康康*，羅毅

1.安徽建筑大學(xué)建筑與規(guī)劃學(xué)院

2.安徽省國土空間規(guī)劃與生態(tài)研究院

隨著城鎮(zhèn)化進程和工業(yè)化的快速發(fā)展，大氣污染成為制約城市發(fā)展和影響人類健康的重要因素之一。顆粒物是空氣污染的重要來源，其中細顆粒物（PM2.5）由于粒徑小，有利于在大氣中停留與傳播，且富含有害物質(zhì)，對大氣環(huán)境和人體健康影響更大[1-2]。醫(yī)學(xué)研究表明，PM2.5會增加呼吸系統(tǒng)疾病的發(fā)病風(fēng)險[3-5]。

綠地是城市結(jié)構(gòu)中的自然主體，其中植被（包括樹木和草本植物等）對大氣顆粒物存在一定的消減作用，可以改善大氣環(huán)境，是緩解城市空氣污染的重要途徑。近年來，國內(nèi)外學(xué)者開展的大量顆粒物與城市綠地的相關(guān)研究，多集中在植物對顆粒物的作用機理[6-7]、植被類型與植物種類對顆粒物的作用[8-9]、綠地特征以及環(huán)境因子對顆粒物消減的影響[10-11]等方面。研究表明，綠化覆蓋率、道路面積率和相對高程等綠地特征對PM2.5濃度有顯著影響，景觀破碎化程度的增加和聚集度的降低會使PM2.5濃度增加[12-14]。因此，通過增加綠地數(shù)量、優(yōu)化綠地形態(tài)等方式可以有效降低PM2.5濃度[10,15]。有學(xué)者進一步利用模型（如CFD模型等）量化研究不同因素對PM2.5空間分布的影響。研究發(fā)現(xiàn)植物的空氣動力學(xué)效應(yīng)優(yōu)先于沉積效應(yīng)[16]，改變植物的空間布局形式和植物尺度會影響PM2.5的擴散[17]。目前的研究多采用實測數(shù)據(jù)或氣象站數(shù)據(jù)，通過比較各監(jiān)測點間數(shù)據(jù)得出結(jié)論，研究范圍受到較大限制，監(jiān)測點位置的選擇也會對研究結(jié)果產(chǎn)生影響。

溢出效應(yīng)（spillover effect）的概念與經(jīng)濟學(xué)中的外部性類似，指的是一個組織的某種行為不僅會對本組織產(chǎn)生影響，還會對相鄰的組織產(chǎn)生相同或相反的影響[18]。城市綠地具有非常明顯的外部性，參考溢出效應(yīng)的概念，將城市綠地大于其主體成本的物理、生化作用對周邊區(qū)域大氣顆粒物濃度的影響定義為綠地對PM2.5濃度影響的溢出效應(yīng)?？紤]到城市綠地對內(nèi)部PM2.5濃度的影響與綠地溢出效應(yīng)的作用機理不同，且在目前的研究中對綠地溢出效應(yīng)的關(guān)注較少，筆者以合肥市主城區(qū)為例，利用衛(wèi)星數(shù)據(jù)，分別對綠地內(nèi)、外部PM2.5濃度進行統(tǒng)計分析，研究不同區(qū)域的城市綠地及其溢出效應(yīng)對PM2.5濃度的影響，以期為城市綠地規(guī)劃提供指引。

1 材料與方法

1.1 研究區(qū)概況

合肥市（116°41′E～117°58′E，30°57′N～32°32′N）位于安徽省中部，地處中緯度地帶，屬亞熱帶季風(fēng)性濕潤氣候，季風(fēng)明顯，四季分明，氣候溫和，雨量適中，年均氣溫15.7 ℃，年均降水量約1 000 mm，年日照時間約2 000 h，年均無霜期228 d，平均相對濕度為77%。境內(nèi)有丘陵崗地、低山殘丘、低洼平原3種地貌，以丘陵崗地為主，全年主導(dǎo)風(fēng)向為西北風(fēng)。截至2020年，合肥市總面積11 445.06 km2，建成區(qū)面積502.50 km2，常住人口936.99萬人，建成區(qū)綠化覆蓋率為46.53%?？諝赓|(zhì)量在線監(jiān)測分析平臺發(fā)布的數(shù)據(jù)顯示，2018年1月合肥空氣有19天達到輕度污染級別，其中有2天為重度污染，大氣污染問題嚴(yán)重，主要大氣污染物是NO2、SO2和顆粒物（PM2.5、PM10）等。

1.2 數(shù)據(jù)來源

合肥市的10個國控環(huán)境監(jiān)測點可以監(jiān)測PM2.5濃度及其變化情況，但數(shù)據(jù)有限，難以反映PM2.5的空間分布情況。研究表明，利用衛(wèi)星數(shù)據(jù)得到氣溶膠光學(xué)深度（aerosol optical depths，AODs），并通過GEOS-Chem模型模擬地表PM2.5濃度和AODs之間的關(guān)系，PM2.5模擬值與地面實際監(jiān)測值相關(guān)性較好（R2為 0.81，斜率為 0.90）[19]。

PM2.5柵格數(shù)據(jù)來源于華盛頓大學(xué)大氣成分分析組（https://sites.wustl.edu/acag/）2018 年4 月中國的PM2.5柵格數(shù)據(jù)，并通過ArcGIS軟件進行校準(zhǔn)與處理。遙感圖像來源于中國科學(xué)院計算機網(wǎng)絡(luò)信息中心地理空間數(shù)據(jù)云平臺（http://www.gscloud.cn），選用合肥市2018年4月10日的遙感影像，條代號為121，行列號為38，影像質(zhì)量較好，云量為0.03%。

1.3 研究方法

1.3.1 PM2.5效應(yīng)區(qū)劃分

利用ArcGIS軟件對合肥市主城區(qū)4月的PM2.5柵格數(shù)據(jù)進行空間插值處理（處理后圖像空間分辨率為50 m×50 m），得到PM2.5的空間分布情況，并進行空間自相關(guān)分析，將研究區(qū)劃分為不同的PM2.5效應(yīng)區(qū)，分別為 HH（high-high）效應(yīng)區(qū)、LL（low-low）效應(yīng)區(qū)和無明顯效應(yīng)區(qū)。其中HH效應(yīng)區(qū)和LL效應(yīng)區(qū)代表的是正的空間自相關(guān)關(guān)系，揭示了區(qū)域的集聚和相似性，無明顯效應(yīng)區(qū)則表示的是地區(qū)間不存在空間自相關(guān)性的區(qū)域。由于空間自相關(guān)分析結(jié)果中沒有像元表示低集聚增長地區(qū)被高集聚增長的其他區(qū)域所包圍（LH）和高集聚增長地區(qū)被低集聚增長的其他區(qū)域所包圍（HL），在研究區(qū)的劃分中不考慮LH效應(yīng)區(qū)和HL效應(yīng)區(qū)。

1.3.2 綠地解譯與篩選

通過對2018年的遙感圖像進行分類，得到城市各綠地的范圍，并通過目視解譯對所得范圍進行校準(zhǔn)和整理。為減少周邊綠地、水體對研究結(jié)果的影響，剔除了周邊有大型綠地或水體的樣本。考慮到PM2.5柵格數(shù)據(jù)處理后圖像的空間分辨率為50 m×50 m，保留面積大于4 hm2的綠地作為研究對象。

1.3.3 綠地空間形態(tài)與景觀構(gòu)成指標(biāo)

參照文獻[20]，以綠地的面積、形狀衡量綠地空間形態(tài)，以綠地的植被、水體的覆蓋情況衡量綠地的景觀構(gòu)成，確定綠地相關(guān)指標(biāo)（表1），并將解譯綠地轉(zhuǎn)換為1 m分辨率的柵格文件，利用Fragstats軟件計算綠地的相關(guān)指標(biāo)，分析不同區(qū)域的城市綠地對PM2.5濃度的影響。

表1 綠地空間形態(tài)與景觀構(gòu)成指標(biāo)Table 1 Spatial form and landscape component index of green space

1.3.4 數(shù)據(jù)處理與分析

設(shè)定綠地外圍500 m為城市綠地溢出效應(yīng)對PM2.5濃度的最大影響范圍。使用ArcGIS軟件，統(tǒng)計各綠地內(nèi)部的PM2.5平均濃度，并以50 m為間隔，分別作出各綠地0～500 m的緩沖區(qū)，與PM2.5濃度分布數(shù)據(jù)疊加，計算各綠地內(nèi)部和各緩沖區(qū)內(nèi)的PM2.5平均濃度，分析各緩沖區(qū)PM2.5平均濃度及其與綠地間距離的關(guān)系，并將綠地內(nèi)部和綠地邊緣PM2.5平均濃度分別與500 m緩沖區(qū)PM2.5平均濃度進行比較，計算得到綠地內(nèi)部和綠地外圍PM2.5濃度變化量（正值表示PM2.5平均濃度增加，負值表示PM2.5平均濃度減少），利用SPSS軟件將PM2.5濃度變化量與綠地指標(biāo)進行相關(guān)分析和回歸分析。為消除PM2.5背景濃度的影響，對綠地外圍各緩沖區(qū)內(nèi)的PM2.5平均濃度進行歸一化處理。

2 結(jié)果與分析

2.1 PM2.5空間分布特征與自相關(guān)分析

研究區(qū)域內(nèi)，4月的PM2.5濃度平均值為67.80μg/m3，高于 GB 3095——2012《環(huán)境空氣質(zhì)量標(biāo)準(zhǔn)》二級標(biāo)準(zhǔn)值（35.00 μg/m3），空氣質(zhì)量較差。從主城區(qū)PM2.5濃度空間分布（圖1）可以看出，合肥市東北部新站高新技術(shù)產(chǎn)業(yè)開發(fā)區(qū)（新站區(qū)）、中部老城區(qū)及西南部經(jīng)濟技術(shù)開發(fā)區(qū)（經(jīng)開區(qū)）PM2.5濃度較高，最高達到71.60 μg/m3；西部高新技術(shù)產(chǎn)業(yè)開發(fā)區(qū)（高新區(qū)）和南部濱湖新區(qū)濃度較低，最低為62.40 μg/m3。

圖1 合肥市主城區(qū)PM2.5濃度空間分布Fig.1 Spatial distribution of PM2.5 in major urban districts of Hefei

對PM2.5濃度數(shù)據(jù)進行空間自相關(guān)分析（圖2），結(jié)果表明：中部老城區(qū)、東北部新站區(qū)、西南部經(jīng)開區(qū)等區(qū)域為PM2.5濃度高集群區(qū)；研究區(qū)PM2.5濃度空間自相關(guān)顯著，且PM2.5濃度的空間分布并不是隨機的。

圖2 合肥市主城區(qū)PM2.5濃度自相關(guān)分析Fig.2 Autocorrelation analysis of PM2.5 in the main urban districts of Hefei

2.2 不同效應(yīng)區(qū)城市綠地的選擇

通過解譯和篩選，共獲得18塊綠地（表2），各綠地面積大于4 hm2，對應(yīng)HH效應(yīng)區(qū)、LL效應(yīng)區(qū)以及無明顯效應(yīng)區(qū)數(shù)量分別為7、5和6塊，具體分布情況如圖3所示。

圖3 不同PM2.5效應(yīng)區(qū)綠地分布情況Fig.3 Distribution of green spaces in different PM2.5 effect areas

表2 不同區(qū)域綠地數(shù)量Table 2 Amount of green space in different areas

將各緩沖區(qū)PM2.5平均濃度進行歸一化處理后，利用Origin軟件繪制綠地外圍PM2.5平均濃度變化曲線，結(jié)果見圖4。由圖4可知，不同區(qū)域的綠地溢出效應(yīng)對PM2.5濃度影響不同：在HH效應(yīng)區(qū)內(nèi)，隨著與綠地之間距離的增加，PM2.5平均濃度降低；在LL效應(yīng)區(qū)中，PM2.5平均濃度隨距離增加而增加；無明顯效應(yīng)區(qū)內(nèi)，PM2.5平均濃度變化無規(guī)律，其中綠地1、5、12、17周邊PM2.5平均濃度隨距離增加而增加，而綠地7和13隨距離增加而波動。

圖4 不同區(qū)域綠地外圍PM2.5平均濃度變化曲線Fig.4 Variation curves of average concentration of PM2.5 outside green spaces in different areas

為進一步判斷距離與PM2.5平均濃度之間的關(guān)系，將研究數(shù)據(jù)導(dǎo)入SPSS軟件進行相關(guān)性分析。結(jié)果表明：在HH效應(yīng)區(qū)內(nèi)，距離與PM2.5平均濃度呈負相關(guān)（r＜-0.461），即距離越遠，PM2.5平均濃度越低；在LL效應(yīng)區(qū)內(nèi)，距離與PM2.5平均濃度呈顯著正相關(guān)（r＞0.783，p＜0.01），即距離越遠，PM2.5平均濃度越高；在無明顯效應(yīng)區(qū)內(nèi)，距離與PM2.5平均濃度相關(guān)性顯著（p＜0.05）（表3）。

表3 距離與綠地外圍PM2.5平均濃度相關(guān)性分析Table 3 Correlation analysis between distance and average concentration of PM2.5 outside green spaces

2.3 不同效應(yīng)區(qū)城市綠地對PM2.5濃度的影響

2.3.1 PM2.5濃度影響因素

利用Fragstats軟件計算綠地的空間形態(tài)與景觀構(gòu)成指標(biāo)，分別將3個區(qū)域的PM2.5濃度變化值與綠地指標(biāo)值導(dǎo)入SPSS軟件進行相關(guān)性分析，結(jié)果如表4所示。從表4可以看出，在HH效應(yīng)區(qū)，PM2.5濃度變化與綠地的Sg和Cg呈顯著正相關(guān)，與綠地的LSIg和NDVIg呈正相關(guān)，與綠地的RCCg和PWg呈負相關(guān)。表明在其他條件相同時，綠地的面積越大、周長越長、植被覆蓋率越高，PM2.5濃度越高；越接近長條形、水體占比越大的綠地PM2.5濃度越低。在LL效應(yīng)區(qū)，PM2.5濃度變化與綠地的Sg、Cg、RCCg呈正相關(guān)，與綠地的 LSIg、FDIg、NDVIg、PWg呈負相關(guān)。表明面積越大、周長越長、越接近長條形、水體占比越大的綠地內(nèi)PM2.5濃度越高；形狀越不規(guī)則、植被覆蓋率越高的綠地內(nèi)PM2.5濃度越低。在無明顯效應(yīng)區(qū)，PM2.5濃度變化與綠地的Sg、Cg、LSIg、FDIg、RCCg和 NDVIg呈負相關(guān)，與 PWg呈正相關(guān)，表明面積越大、周長越長、形狀越不規(guī)則越復(fù)雜、植被覆蓋度越高、水體占比越低的綠地PM2.5濃度越低。

表4 綠地指標(biāo)與PM2.5濃度變化的相關(guān)性Table 4 Correlation between green space index and PM2.5 concentration

2.3.2 回歸分析

在將PM2.5濃度變化量與綠地指標(biāo)數(shù)據(jù)進行回歸分析前，首先需對各影響因素進行相關(guān)性分析，排除存在較強相關(guān)關(guān)系的因素，結(jié)果見表5。從表5可以看出，Sg與Cg呈極顯著正相關(guān)，保留Sg；LSIg、FDIg、RCCg間呈顯著正相關(guān)，保留 LSIg；NDVIg與PWg呈極顯著負相關(guān)，這可能是由于綠地主要由植被、不透水面和水面3種要素組成，保留NDVIg。Sg、LSIg、NDVIg三者間相關(guān)性不顯著，可以作為獨立的影響因素進行分析。

表5 PM2.5濃度影響因素相關(guān)性分析Table 5 Correlation analysis of influencing factors of PM2.5 concentration

利用不同區(qū)域綠地的數(shù)據(jù)進行多元線性回歸分析，并以不同綠地指標(biāo)為指數(shù)構(gòu)建模型，通過比較得出貢獻度最大的指標(biāo)和PM2.5濃度變化量與Sg、LSIg、NDVIg之間的最適模型（表6）?；貧w分析結(jié)果表明，在LL效應(yīng)區(qū)NDVIg對PM2.5濃度變化影響最大，在HH效應(yīng)區(qū)和無明顯效應(yīng)區(qū)Sg對PM2.5濃度變化影響最大。

表6 PM2.5濃度變化量與各影響因素最適模型Table 6 Optimum model of PM2.5 concentration variation and influencing factors

3 討論

相關(guān)研究表明，大氣顆粒物濃度水平越高（不超過一定的閾值），植被葉片的滯塵量和林冠層的沉降量越大[21]。當(dāng)大氣顆粒物的濃度達到一定的閾值時，植物對顆粒物的消減作用降低，此時綠地內(nèi)相對封閉的空間不利于顆粒物的擴散，使得綠地內(nèi)PM2.5濃度顯著高于林外[22]。實地試驗結(jié)果表明，當(dāng)PM2.5濃度較低時消減作用明顯，中度污染（101～200 μg/m3）條件下僅郁閉度較高的綠地有消減作用，當(dāng)PM2.5濃度達到200 μg/m3以上時各監(jiān)測點消減率均為負值[23]。本研究結(jié)果表明，綠地周邊PM2.5濃度的增加主要發(fā)生在PM2.5濃度較高且集聚的區(qū)域，原因可能是在PM2.5濃度較高且集聚的區(qū)域，相鄰區(qū)域間濃度差較低，顆粒物的擴散速率受到很大的影響，而植物的存在一定程度上加劇了這種影響。顆粒物受其重力的作用，卻又難以沉降或被沉積在植物表面而在大氣中懸浮，造成綠地及周邊區(qū)域PM2.5濃度的增加。在這個過程中，PM2.5顆粒之間及PM2.5顆粒與大氣成分之間可能發(fā)生多種化學(xué)反應(yīng)（包括光化學(xué)反應(yīng)、催化氧化反應(yīng)等），導(dǎo)致PM2.5的二次轉(zhuǎn)化，進一步增加PM2.5的濃度[24]。

研究表明，植物的種類、尺度、豐富度、組合形式等均會對顆粒物的消減作用產(chǎn)生影響[12,17,25]。植物的消減作用與植物群落的郁閉度正相關(guān)，與疏透度負相關(guān)。然而，植物的存在也可能對PM2.5濃度的消減不利，例如黃櫨與油松對PM2.5濃度沒有消減作用，反而會增加PM2.5濃度[26]。這是因為植物不僅可以沉降、阻滯和吸附顆粒物，還會排放植物源揮發(fā)性有機化合物（volatile organic compounds，VOCs），二次生成PM2.5[27-29]，使其對PM2.5濃度的消減產(chǎn)生負作用。植物均會不同程度釋放VOCs，但與其對顆粒物的消減作用相比，大多數(shù)植物本身對顆粒物的貢獻量較少[30-31]，可以有效減少空氣中顆粒物的濃度。規(guī)劃中應(yīng)注意因地制宜，合理選擇植物種類，并根據(jù)不同植物的特性合理控制植被覆蓋率，充分發(fā)揮綠地對PM2.5濃度的消減作用。

此外，PM2.5濃度受季節(jié)和風(fēng)速、濕度等氣象因素的影響。研究表明，PM2.5濃度消減量春季＞冬季＞秋季＞夏季，消減率春季＞夏季＞秋季＞冬季[12]，且與相對濕度呈顯著正相關(guān)，與溫度、風(fēng)速、太陽輻射、大氣壓等呈顯著負相關(guān)[32]。不利的氣象條件加劇了PM2.5污染，其影響可能超過污染物排放增加對PM2.5濃度的貢獻[33]。本研究發(fā)現(xiàn)PM2.5濃度較高的區(qū)域主要集中于城市化程度較高的區(qū)域，其原因不僅在于該區(qū)域內(nèi)人口、交通及各類污染源較為密集，還可能與建筑物的集中布置增加了地表粗糙度，減少了城市內(nèi)部空氣流通，阻礙了污染物擴散有關(guān)。

對于城市綠地及其溢出效應(yīng)對PM2.5濃度的不同影響，規(guī)劃中首先要對規(guī)劃區(qū)的PM2.5濃度背景值及空間分布規(guī)律進行分析，針對不同PM2.5濃度效應(yīng)區(qū)合理進行綠地系統(tǒng)規(guī)劃，適當(dāng)提高植物的密度與豐富度。規(guī)劃中應(yīng)充分考慮城市地形、氣候、環(huán)境和城市內(nèi)部污染源位置，結(jié)合城市特點、土地利用情況、綠地水系及城市生態(tài)，合理調(diào)整城市形態(tài)，適當(dāng)增加開敞空間，營造良好的城市通風(fēng)廊道，加強城市內(nèi)部空氣流動，減小背景PM2.5濃度，防止PM2.5在城市內(nèi)聚集造成局部區(qū)域PM2.5濃度升高。

4 結(jié)論與展望

綠地周邊PM2.5濃度平均值與距離綠地的距離顯著相關(guān)，其中在HH效應(yīng)區(qū)內(nèi)呈負相關(guān)，在LL效應(yīng)區(qū)內(nèi)呈正相關(guān)。在不同的區(qū)域中，各類綠地指標(biāo)對PM2.5濃度變化的影響效應(yīng)不同。在HH效應(yīng)區(qū)及LL效應(yīng)區(qū)的綠地內(nèi)部，Sg、Cg與PM2.5濃度變化呈正相關(guān)，而在無明顯效應(yīng)區(qū)及LL效應(yīng)區(qū)的綠地外圍則表現(xiàn)為負相關(guān)；在LL效應(yīng)區(qū)NDVIg對PM2.5濃度變化影響最大，在HH效應(yīng)區(qū)和無明顯效應(yīng)區(qū)Sg對PM2.5濃度變化影響最大。

本研究受樣本數(shù)量的影響，部分分析效果不夠顯著；使用的PM2.5柵格數(shù)據(jù)精度較低，濃度變化絕對值存在誤差；且僅對2018年4月的PM2.5柵格數(shù)據(jù)進行了分析，難以反映出不同氣象條件、不同季節(jié)對結(jié)果的影響。在之后的研究中，應(yīng)增加不同季節(jié)PM2.5的數(shù)據(jù)和其他城市或區(qū)域的數(shù)據(jù)，更加深入地分析綠地指標(biāo)與PM2.5濃度變化值的關(guān)系。并應(yīng)結(jié)合實測數(shù)據(jù)和模型，更精確地量化不同氣象條件下PM2.5濃度的變化。同時可以通過研究單位綠地對PM2.5濃度影響程度與綠地指標(biāo)的關(guān)系，探究對PM2.5濃度消減率最大的綠地指標(biāo)。此外，還應(yīng)考慮地形、濕度、風(fēng)環(huán)境、植物種類及組合等因素對PM2.5濃度的影響，使研究更加科學(xué)、全面。