留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

城市景观格局对PM2.5污染的影响

孙敏 陈健 林鑫涛 杨山

孙敏, 陈健, 林鑫涛, 杨山. 城市景观格局对PM2.5污染的影响[J]. 浙江农林大学学报, 2018, 35(1): 135-144. doi: 10.11833/j.issn.2095-0756.2018.01.018
引用本文: 孙敏, 陈健, 林鑫涛, 杨山. 城市景观格局对PM2.5污染的影响[J]. 浙江农林大学学报, 2018, 35(1): 135-144. doi: 10.11833/j.issn.2095-0756.2018.01.018
SUN Min, CHEN Jian, LIN Xintao, YANG Shan. Urban landscape patterns and PM2.5 pollution[J]. Journal of Zhejiang A&F University, 2018, 35(1): 135-144. doi: 10.11833/j.issn.2095-0756.2018.01.018
Citation: SUN Min, CHEN Jian, LIN Xintao, YANG Shan. Urban landscape patterns and PM2.5 pollution[J]. Journal of Zhejiang A&F University, 2018, 35(1): 135-144. doi: 10.11833/j.issn.2095-0756.2018.01.018

城市景观格局对PM2.5污染的影响

doi: 10.11833/j.issn.2095-0756.2018.01.018
基金项目: 

国家自然科学基金资助项目 41101421

国家自然科学基金资助项目 41471442

浙江省重点创新团队资助项目 2011R50027

详细信息
    作者简介: 孙敏, 从事景观生态研究.E-mail:18120197876@163.com
    通信作者: 陈健, 副教授, 博士, 从事环境遥感和景观生态研究.E-mail:chenjian@126.com
  • 中图分类号: X131;S718.45

Urban landscape patterns and PM2.5 pollution

图(2) / 表(2)
计量
  • 文章访问数:  890
  • HTML全文浏览量:  118
  • PDF下载量:  549
  • 被引次数: 0
出版历程
  • 收稿日期:  2017-02-20
  • 修回日期:  2017-05-01
  • 刊出日期:  2018-02-20

城市景观格局对PM2.5污染的影响

doi: 10.11833/j.issn.2095-0756.2018.01.018
    基金项目:

    国家自然科学基金资助项目 41101421

    国家自然科学基金资助项目 41471442

    浙江省重点创新团队资助项目 2011R50027

    作者简介:

    孙敏, 从事景观生态研究.E-mail:18120197876@163.com

    通信作者: 陈健, 副教授, 博士, 从事环境遥感和景观生态研究.E-mail:chenjian@126.com
  • 中图分类号: X131;S718.45

摘要: 随着城市大气环境日益恶化,细颗粒物(PM2.5)作为大气污染的重要组成部分,逐渐成为环境与健康领域的研究重点。在获取浙江省47个监测站点PM2.5监测数据及站点周边的土地利用景观格局的基础上,运用相关分析和逐步多元回归分析方法探讨景观格局对PM2.5质量浓度的影响。结果表明:①在5类景观格局指标中(景观格局指标表达格式:类型_指标,或类型_指标_范围),与PM2.5质量浓度相关性较高的是PLAND(景观中各斑块类型所占比例)和ED(边缘密度),其中相关性最高的是年度水平上的住宅_PLAND_5指标,相关系数为0.633。②各回归模型中,对PM2.5质量浓度影响最大的是住宅_PLAND,不同建筑用地的景观格局指标[住宅_ED,住宅_PD(斑块密度),商服_PD,商服_PLAND]也出现在不同季节的回归模型中;水域、道路、林地的不同景观指标等也在不同季节对PM2.5产生影响。不同土地利用类型及其景观格局对PM2.5质量浓度产生不同的影响,可为城市景观格局规划和PM2.5污染防治提供参考。

English Abstract

孙敏, 陈健, 林鑫涛, 杨山. 城市景观格局对PM2.5污染的影响[J]. 浙江农林大学学报, 2018, 35(1): 135-144. doi: 10.11833/j.issn.2095-0756.2018.01.018
引用本文: 孙敏, 陈健, 林鑫涛, 杨山. 城市景观格局对PM2.5污染的影响[J]. 浙江农林大学学报, 2018, 35(1): 135-144. doi: 10.11833/j.issn.2095-0756.2018.01.018
SUN Min, CHEN Jian, LIN Xintao, YANG Shan. Urban landscape patterns and PM2.5 pollution[J]. Journal of Zhejiang A&F University, 2018, 35(1): 135-144. doi: 10.11833/j.issn.2095-0756.2018.01.018
Citation: SUN Min, CHEN Jian, LIN Xintao, YANG Shan. Urban landscape patterns and PM2.5 pollution[J]. Journal of Zhejiang A&F University, 2018, 35(1): 135-144. doi: 10.11833/j.issn.2095-0756.2018.01.018
  • 细颗粒物(PM2.5)是指空气动力学当量直径小于或等于2.5 μm的颗粒物,由于其独有的特性,对城市空气质量和人体健康均产生了巨大的消极影响。自2012年以来,中国多地区雾霾频繁发生,使PM2.5污染得到了更广泛的关注[1]。伴随城市化进程的不断加快,城市区域土地利用/覆盖类型及其景观格局也在不断发生重大改变,这些区域的PM2.5污染状况也随之发生改变[2-4]。土地利用/覆盖类型及其景观格局的改变,能间接反映污染物排放源的空间差异。目前,国内外对城市不同土地利用类型与大气环境的关系开展了一系列研究。HOEK等[5]对比分析不同土地利用类型下PM2.5质量浓度空间分布,发现交通用地比其他城市用地类型的空间变异程度更高。MARTUZEVICIUS等[6]研究发现辛辛那提市PM2.5质量浓度与城市土地利用结构密切相关。国内也在这方面开展了大量研究,LI等[7]利用城市森林效应模型,探讨城市森林对大气污染的影响,认为北京中部的树木可以去除1 261.400 t·a-1的污染物,其中大部分都是颗粒物。唐昀凯等[8]发现绿化面积比例与PM2.5质量浓度呈显著负相关,建设用地面积比例则与PM2.5质量浓度呈显著正相关。崔岩岩[9]发现居民点和道路交通用地的面积与大气颗粒物质量浓度的相关系数分别为0.798和0.743,而林地和耕地面积与大气颗粒物质量浓度的相关系数分别为-0.834和-0.353。唐新明等[10]发现在500和1 000 m缓冲区内,绿地面积与大气颗粒物质量浓度呈显著负相关,建筑面积与大气颗粒物质量浓度呈显著正相关。这些研究主要集中在土地类型构成及变化或植被覆盖指数等单个要素的景观格局指数和空气质量相关性分析[11-14],但甚少从宏观土地利用/覆盖类型及不同范围内的微观景观格局的双重角度,探讨城市景观格局对可入肺颗粒物污染的影响。因此,本研究以浙江省为研究对象,分析47个PM2.5国控点周边5 km范围内不同层次的景观格局与PM2.5污染相关性,探讨景观格局对PM2.5质量浓度的影响,为中国东部地区城市PM2.5污染控制,土地利用规划制定,以及城市生态建设提供理论和实践的依据。

    • 浙江省处在长江三角洲南翼,属于亚热带季风气候,季风显著,四季分明。随着浙江省经济的快速发展和城市化水平的不断提高,大气环境问题逐渐成为了经济社会发展中突出的问题。《2015年浙江环境状况公报》显示:2015年全省平均霾日数为53 d,雾霾天气主要集中在杭州、嘉兴、金华部分城市化水平较高的地区,舟山、丽水、台州等地区雾霾天气出现较少。11个设区城市日空气质量(AQI)未达优良天数比例平均为21.8%。69个县级城市日空气质量达到国家二级标准的只有13个。虽然在社会各界的共同努力下,城市环境空气质量总体好于上年,重污染天气明显减少,全省环境空气质量逐步改善,但持续控制PM2.5污染,改善城市大气环境质量,依然是浙江省亟待解决的问题。

    • PM2.5日均质量浓度数据采用分布在浙江地区的47个空气质量监测国控点发布数据(图 1),数据来源于国家环保部全国空气质量实时发布平台发布的日平均数据(http://106.37.208.233:20035/),通过人工记录的方式获取整年的PM2.5数据,数据时段为2014年12月至2015年11月,各站点不同季节和年度质量浓度根据PM2.5日均质量浓度统计求均值得到。

      图  1  监测站点分布图

      Figure 1.  Distribution map of monitoring sites in Zhejiang

    • 通过Google Earth高清卫星影像,采用目视解译的方法获取47个监测站点5 km缓冲区内的近期土地利用数据。在参考相关研究成果的基础上,结合实际情况,将土地利用类型分为9类,分别为道路(含高速道路和城市道路)、住宅用地、商服用地、工矿仓储用地、交通绿地、林地(大面积城市森林)、水域、农业、裸地[15-18]

    • 景观格局指数主要用于描述景观的空间结构特征,是反映景观结构组成、空间配置特征的简单量化指标。景观中各斑块类型所占比例(PLAND)反映的是土地利用类型在整个景观中所占的面积大小,已经被广泛证明它与颗粒物质量浓度相关性较高[19]。边缘密度(ED)和斑块密度(PD)反映的是景观类型的破碎化程度,已有研究表明斑块密度与大气颗粒物质量浓度呈负相关,而边缘密度和大气颗粒物质量浓度呈正相关。香农均匀度指数(SHEI)表征景观被分割的破碎程度,反映景观空间结构的复杂性。而蔓延度指数(CONTAG)描述了景观里不同斑块类型的团聚程度和延展趋势,包含空间信息,也是描述景观格局最重要的指数之一。因此,本研究共选择反映类型水平特征的PLAND,ED和PD指标,以及反映景观水平特征的SHEI和CONTAG等5个景观格局指数来描述监测点周边的景观格局特征。

    • 缓冲区半径的设置对于模型结果有着重要影响,因此,本研究以站点周边不同缓冲区内的影响因素分布情况作为不同变量形式[5]。理论上最小缓冲半径需要根据地理数据的空间精度来确定,而最大缓冲半径则与污染源和污染物的扩散模式有关。交通变量的最大缓冲半径一般为1 km,而土地利用和人口密度等变量的最大缓冲半径可达5 km[20]。本研究以5 km为最大缓冲区半径,1 km为单位,计算各单位半径内的景观格局指数,以此作为分析与PM2.5质量浓度关系的自变量[21]

    • ① 以各监测点为中心,利用Fragstat 4.2分别计算1,2,3,4和5 km半径范围内的5种景观格局指数(文中标为类型_指标_范围);②运用皮尔森相关分析法对各景观格局指标和PM2.5质量浓度间相关性进行分析,以确定和PM2.5质量浓度显著相关的景观格局指标;③运用多元逐步回归法剔除相关性不显著的变量,建立回归模型并分析景观格局指标对PM2.5质量浓度的影响。

    • 47个站点的PM2.5质量浓度均值为54.341 μg·m-3·a-1,季节水平上各个站点间PM2.5质量浓度差异显著,季节间质量浓度差异显著(图 2)。其中临平镇监测点的年均质量浓度最大,为63.952 μg·m-3·a-1。临平镇站点位于杭州市余杭区中心,近年来该地区城市化进程发展迅速,建筑用地和道路用地密集,人为排放源多且不利于污染物扩散。最小值为千岛湖监测点(33.197 μg·m-3·a-1),千岛湖站点周围的土地利用类型以林地和水域为主,污染源少且利于污染物扩散。不同站点间的PM2.5季节质量浓度存在显著差异,且不同季节变化规律十分明显,即PM2.5质量浓度均值在夏季最低,冬季最高。其中和睦小学冬季均值最高,为95.130 μg·m-3,监测站大楼夏季均值最低,为20.346 μg·m-3

      图  2  PM2.5质量浓度季度均值对比图

      Figure 2.  PM2.5 concentration quarterly average contrast diagram

    • 通过皮尔森相关分析得到PM2.5质量浓度与景观格局指数间的相关性。表 1为各土地利用类型在季度和年度水平上的最优独立变量。本研究以不同缓冲区范围内,不同土地利用类型的景观格局指标作为变量,变量以土地类型_景观指标_缓冲区半径的形式表现(其中PLAND以P表示,以区分PD)。

      表 1  景观指标与PM2.5质量浓度相关性(r值)

      Table 1.  Correlation between landscape indexes and PM2.5 concentration (r value)

      季节 PLAND ED FD SHEI CONTAGE
      冬季 0.586**(住宅_P_5) 0.093(住宅_ED_5) -0.395**(住宅_PD_5) -0.140(SHEI_2) 0.194(CONTAGE_3)
      -0.478** (林地_P_5) -0.561**(林地_ED_5> -0.419*(林地PD_5)
      -0.401 *(水域_P_4) -0.227(水域_ED_2) -0.256** (水域_PD_4)
      0.359(道路_P_5) 0.348*(道路_ED_5) 0.256*(道路_PD_4)
      0.181(商服_P_4) -0.182(商服_ED_1) -0.401*(商服_PD_4)
      _0.166*(农业上_3) -0.261 (农业_ED_2) -0.247 (农业_PD_3)
      0.141(裸地_P_1) -0.181(裸地_ED_1) 0.228 (裸地_PD_4)
      0.105(道绿_P_5) 0.081 (道绿_ED_4) -0.056(道绿_PD_1)
      -0.061 (工矿_P_4) -0.411**(工矿_ED_4) -0.426*(工矿_PD_5)
      春季 0.540** (住宅_P_5) 0.131(住宅_ED_5) -0.372** (住宅_PD_5) -0.270(SHEI_3) 0.381*(CONTAGE_3)
      -0.343 (工矿_P_4) -0.415*(工矿_ED_4) -0.345 (工矿_PD_5)
      -0.307*(水域_P_5) -0.227(水域_ED_2) -0.138(水域_PD_5)
      -0.263*(林地_P_5〉 -0.314**(林地_ED_4) -0.264*(林地_PD_3)
      -0.214*(农业_P_2) -0.327*(农业_ED_5) -0.280**(农业_PD_2)
      0.147*(裸地_P_1) -0.168(裸地_ED_l) -0.172(裸地_PD_1)
      0.091 (道绿_P_1) -0.172(道绿_ED_3) -0.176(道绿_PD_3
      0.083(道路_P_5) 0.087(道路_ED_5) 0.061(道路_PD_5)
      0.085 (商服_P_5) -0.210(商服_ED_1) -0.480** (商服_PD_4)
      夏季 0.441 *(住宅_P_4) 0.130*(住宅_ED_3) -0449*(住宅_PD_5) 0.243(SHEI_5) 0.142(CONTAGE_3)
      -0.411** (林地_P_5) -0.383** (林地_ED_4) -0.301**(林地_PD_l)
      -0.292*(农业_P_2) -0.364*(农业_ED_2) -0.372(农业_PD_2)
      0.262(商服_P_5) -0.106(商服_ED_5) -0.388*(商服_PD_3)
      0.247*(裸地_P_1) -0.269(裸地_ED_1) -0.221 (裸地_PD_1)
      -0.208(水域_P_5) -0.062(水域_ED_5) 0.192(水域_PD_2
      -0.205*(工矿_P_4〉 -0.308*(工矿_ED_4) -0.318(工矿_PD_3)
      0.157(道绿_P_1) -0.195(道绿_ED_1) 0.134(道绿_PD_1)
      0.028(道路_P_5) 0.048(道路_ED_5) 0.338*(道路_PD_5)
      秋季 0.649*(住宅_P_4) 0.255**(住宅_ED_4) -0.415**(住宅_PD_5) -0.135 (SHEI_5) 0.220(CONTAGE_2)
      -0.540**(林地_P_5) -0.515**(林地_ED_4) -0.398$$(林地_PD_2)
      -0.398*(水域_P_5) -0.181(水域_ED_1) 0.120 (水域_PD_3)
      0.378(商服_P_5) 0.287 (商服_ED_5) -0.339(商服_PD_1)
      0.267*(道路_P_5) 0.246*(道路_ED_5) 0.457**(道路_PD_4)
      -0.215 (农业_P_2) -0.327**(农业_ED_3) -0.248 (农业_PD_2)
      0.181(裸地_P_1) -0.207 (裸地_ED_1) -0.149*(裸地_PD_1)
      -0.104 (工矿_P_4) -0.202(工矿_ED_4) -0.287 (工矿_PD_5)
      0.037(道绿_P_1) 0.112(道绿_ED_5) 0.065 (道绿_PD_3)
      0.633**(住宅_P_5) 0.165 (住宅_ED_4) -0.463**(住宅_PD_5) -0.202 (SHEI_2) 0.260(CONTAGE_3)
      -0.484**(林地_P_5) -0.530**(林地_ED_1) -0.516*(林地_PD_1)
      -0.375*(水域_P_5) -0.224(水域_ED_2) -0.373*(水域_PD_4)
      -0.233 (农业_P_2) -0.261$(农业_ED_2) -0.272 (农业_PD_2)
      0.206 (道路_P_5) 0.225 (道路_ED_5) 0.307*(道路_PD_5)
      0.198 (裸地_P_1) -0.230 (裸地_ED_1) -0.171 (裸地_PD_1)
      -0.197 (工矿_P_4) -0.296$(工矿_ED_4) -0.339$(工矿_PD_5)
      0.196 (商服_P_4) -0.167 (商服_ED_1) -0.409*(商服_PD_1)
      0.095 (道绿_P_1) 0.041 (道绿_ED_5) -0.033 (道绿_PD_3)
        说明:**表示在0.01水平上显著相关,*表示在0.05水平上显著相关。PLAND为景观中各斑块类型所占比例(%),ED为边缘密度,PD为斑块密度,SHEI为香农均匀度指数,CONTAG为蔓延度指数。

      PLAND指标中,住宅_PLAND与PM2.5质量浓度的相关性在各季和年均水平上均最高,并呈正相关。商业_P虽均与PM2.5质量浓度呈正相关,但相关性略低于住宅_P。这可能是由于监测站点多集中在城市地区,人口密度较大,住宅用地面积在土地利用中占比较高。工矿仓储用地面积与PM2.5质量浓度则呈负相关,这与以往研究结果并不一致[22],这可能与两方面因素有关。首先,浙江地区的工矿仓储用地以高新产业及仓储用地为主,与传统工业用地相比,污染物质量浓度较低,且周边建筑物密度及高度均较低,有利于污染物的扩散。其次,监测点附近的工矿用地占比较少,大多不超过5%,部分站点周边甚至不存在工矿用地。

      所有绿地景观中,林地_P与PM2.5相关性较高,且季节间差异不明显,说明林地_P与PM2.5质量浓度之间有明显的相关关系且不受季节影响,这与以往的研究结果一致[23-24]。这可能是因为城市林地较其他城市绿地景观的面积大,而大面积植被景观不仅植被本身有吸附颗粒物的功能,而且可以通过降低风速迫使颗粒物沉降,并能有效抑制地面扬尘。农业_P与PM2.5在各季节均呈负相关,但相关性在夏秋季节明显高于冬春季,这与农作物自身受物候限制有关。根据这一特点,可以通过合理安排农业生产在一定程度上改善空气质量。道路绿地仅分布在道路沿线,连接度差,破碎度高,因此道路绿地_P与PM2.5质量浓度相关性在3类绿地类型中最低。水域_P与PM2.5质量浓度呈负相关,相关性在各季节均较高,这表明水域面积所占比重与PM2.5质量浓度之间的关系十分密切。与PM2.5质量浓度相关性高的面积占比较大的土地类型的缓冲半径多为4~5 km。

      虽然从理论上来讲,可以通过改变不同土地利用类型在城市用地中所占的比例来改变与颗粒物之间的关系[24],但在城市人口日益增多,用地日益紧张的背景下,大面积减少建筑用地或增加林地景观面积并不现实,以往有研究表明,斑块密度与大气颗粒物质量浓度呈负相关[14],因此,本研究选择ED和PD作为重要指标进一步探讨景观结构与PM2.5质量浓度的关系。从表 2可以看出:林地_PD与PM2.5质量浓度的相关性较高,且呈显著负相关。ED指标中,与PM2.5质量浓度相关性最高的是年均水平下的林地_ED,且在四季水平下均呈较高的负相关性,城市林地的斑块密度和边缘密度是影响颗粒物质量浓度的重要指标。因此,在城市规划中,合理化林地斑块布局及尽可能优化林地形状显得尤为重要。在春季,农业_ED_5与PM2.5质量浓度相关性是四季中最高的,这可能是因为春季农业用地变化较大。

      表 2  回归模型分析

      Table 2.  Regression model analysis

      回归模型 变量 模型参数 显著性
      截距B 统计量t P
      常量 61.198 22.325 0.000 调整R2=0.578
      住宅_P_5 0.600 7.080 0.000 F=21.977
      住宅_ED_5 -0.495 -4.845 0.000 (P=0.000)
      道路_ED_5 0.262 3.468 0.001
      常量 46.418 15.567 0.000 调整R2=0.517
      住宅_P_5 0.261 4.133 0.000 F=17.418
      商服_PD_4 -10.517 -4.570 0.000 (P=0.000)
      水域_PD_5 -0.272 -2.437 0.019
      常量 8.988 1.372 0.000 调整R2=0.532
      住宅_P_4 0.228 4.863 0.000 F=14.047
      商服_PD_3 -7.020 -4.796 0.000 (P=0.000)
      SHEI_5 24.930 3.066 0.004
      商服_P_5 0.271 2.586 0.013
      常量 47.273 14.852 0.000 调整R2=0.614
      住宅_P_4 0.144 2.216 0.015 F= 19.286
      住宅_PD_5 -3.565 -3.370 0.002 (P=0.000)
      水域_P_5 -0.348 -3.726 0.001
      林地_P_5 -0.120 -2.729 0.009
      年度 常量 44.779 18.759 0.000 调整R2=0.514
      住宅_P_5 0.423 6.154 0.000 F=17.241
      住宅_ED_4 -0.193 -3.112 0.003 (P=0.000)
      水域_P_4 -0.194 -2.247 0.030

      各建筑用地(即住宅用地、商服用地和工矿仓储用地)与PM2.5质量浓度相关性差异明显。住宅_ED与PM2.5正相关,但相关性较低。住宅_PD则呈负相关,且相关性较高,这就表明,在不减少城市住宅面积的情况下,适当分散住宅区可以改变其与PM2.5的关系。因此,在城市建设中有必要对住宅区进行合理规划。工矿和商服的ED和PD与PM2.5均呈负相关,且相关性要高于PLAND,适当调整工矿、商服用地的边缘密度和密集程度可能对控制监测点周边PM2.5质量浓度具有一定意义。道路_ED和道路_PD与PM2.5的相关性不高。

      与PM2.5相关性最高的SHEI的缓冲半径在不同季节存在差别,而CONTAG的范围主要集中在2~3 km。殷杉等[25]的研究显示城市景观格局的SHEI和PM2.5质量浓度呈负相关,而聚集度指数与PM2.5质量浓度呈正相关[26],这与本研究结果一致。

    • 多元逐步回归分析的变量包括各土地利用类型的PLAND,ED和PD,以及整个景观水平上的SHEI和CONTAG,根据不同季节不同类型的最优独立变量,分别得到4个季节和年度回归模型。

      年度和4个季节的模型中出现的指标各不相同,冬季有3个对PM2.5具有重要影响的变量最终进入模型,分别为住宅_P_5,住宅_ED_5,道路_ED_5。从进入模型的序列可以看出住宅_P_5对PM2.5的影响是最显著的。春季模型中住宅_P_5对PM2.5质量浓度的影响仍然最为重要,商服_PD_4和水域_P_5也是影响春季PM2.5质量浓度的重要因子。夏天回归模型中,出现了3类指标。在秋季最终有4个变量进入模型。总的看来,对PM2.5产生影响的土地利用类型包括住宅、林地、水域,住宅_P是对PM2.5质量浓度影响最重要的因子(表 2)。这也说明景观格局对PM2.5质量浓度的影响会随时间尺度的变化而变化。

      在4个季节和年度的回归模型中,出现次数最多的与可吸入颗粒物质量浓度相关的土地利用类型是住宅,其中住宅_P的系数为正值,且均是第1个进入模型的,说明住宅面积的增加是造成PM2.5质量浓度升高的重要因素。本研究中的住宅用地包括在建住宅和建成住宅2部分,由于城镇化扩张导致的建设扬尘以及密集人类活动与生产活动产生的大量空气污染均会导致雾霾天气的产生。除此以外,住宅_ED出现在了冬季和年度模型中,住宅_PD出现在了秋季模型中,且系数为负值,系数较大,在用地面积不变的情况下,说明合理分散住宅用地空间分布,规划住宅用地的结构,增加住宅用地的边缘密度,对降低PM2.5质量浓度十分重要。

      冬季模型中,道路_ED系数为正,这就表明冬季道路边缘密度越大的监测点,城市PM2.5污染越严重,因此合理规划道路布局十分重要。在保持道路面积不变的情况下,应当尽量降低道路的边缘密度。

      商服_PD出现在了春夏2季模型中,系数为负值,且绝对值较大,说明在保持面积不变的情况下,商服用地的聚集程度适当降低,可降低PM2.5质量浓度。虽然商服_P在夏季对PM2.5产生正面影响,这表明商服用地面积扩大会导致污染物质量浓度增加,但是从进入模型的顺序和系数大小可以看出其对颗粒物影响要低于商服_PD。因此,在城市建设过程中,合理规划商服用地的分布比控制商服用地面积更易实现且更有意义。夏季的回归模型中,SHEI_5与PM2.5质量浓度呈正相关,且系数较大,也是4季和年度模型中,唯一一次出现景观水平的指标。可见,SHEI也是影响夏季可入肺颗粒物质量浓度的重要因素之一,控制城市整体景观破碎化程度有利于控制PM2.5质量浓度。

      春秋2季及年度模型中出现了水域_P和林地_P这2个景观格局指标,且系数均为负值。水域能有效地减少空气中的细颗粒物数量,而植被叶片则可以通过干、湿沉降吸附颗粒物,降低可入肺颗粒物的质量浓度,因此,水域和成片的植被面积增加,对控制城市可入肺颗粒物质量浓度有重要意义。

    • 对浙江省47个监测点的景观格局和PM2.5质量浓度进行多元回归分析发现,PM2.5随建筑用地PLAND越高而质量浓度越高,说明大面积、高密度的以水泥为下垫面的建设用地会加大城市空气污染。城市化的快速发展导致了建设用地面积的迅速扩大,大量的不透水表面的增加意味着频繁的人类活动和大量的交通污染物的排放,且高密度的建筑不利于污染物扩散,因此加重了可入肺颗粒物污染。TAN等[27]以中国台湾作为案例研究表明,在任何季节,低城市化地区的空气质量都优于城市化水平较高的地区。因此,在城市建设中控制建设用地面积比例,减少城市无序扩张,对减缓PM2.5污染具有显著效果。除此以外,水域和城市林地面积的扩大也有利于污染物质量浓度的降低。之前已经有许多研究表明,植被是重要的降低PM2.5质量浓度的土地利用类型。植被可以通过干湿沉降吸收颗粒物。如YANG等[28]利用城市森林效应模型探讨城市森林效应对大气污染的研究,表明北京中部树木可清除1 261.400 t·a-1污染物,其中大部分都是颗粒物。此外,水域也对降低PM2.5发挥了重要作用。水域不仅可以通过沉积和吸收颗粒物污染,且通常表面开阔,有利于污染物扩散[29]。本研究区域位于南方地区,水域面积所占比例较北方地区大,对PM2.5的作用更明显。本研究的模型证实了水域的重要性,因此,在今后的研究中应给予更多的关注。另外皮尔森相关分析表明农业_P与PM2.5存在相关关系,但并未出现在最终的模型中,这与TAO等[30]的研究认为农作物可作为一种植被吸收污染物的结论不符。其原因主要是由于浙江省这47个站点绝大部分位于城市,周边农业用地所占比例相对较小,相比农业_P未对PM2.5造成影响。道路绿地与城市森林相比发挥的作用也不够明显,这是因为道路绿地连接度差,破碎度高,其效应研究适合在小尺度上进行,城市尺度和区域尺度不适用于道路绿地对PM2.5影响的研究[31]。建筑用地ED及PD越高,PM2.5质量浓度越低。ED可以反映一定的景观边缘复杂性,PD则可以反映景观之间的相互作用程度。首先,随着ED和PD的升高,土地利用类型之间的相互作用可以更加密切,可以提高绿地和周围斑块之间的物质流动和交换,促进周边地区PM2.5沉积,从而导致可入肺颗粒物质量浓度降低[32]。其次,城市景观结构对环境微气候有影响,例如风和温度等。城市的道路结构可以改变风速和风向,城市结构对热岛产生重要影响[33],而这些正是影响PM2.5质量浓度的重要因素。因此,ED和PD可能间接影响环境空气污染。此外,边缘密度和斑块密度的改变会对人类活动产生影响,这也可能是使PM2.5质量浓度降低的另一个重要原因。综上可以看出:土地利用类型及其景观格局对PM2.5质量浓度有着较强影响,与遥感影像的结合是未来研究和预测区域PM2.5空间分布格局的一个重要方向。

      本研究在数据获取可行性的基础上,确定了47个站点,但是这些站点布设主要是由政府部门设置。出于对站点代表性的考虑,在以后的研究中可利用可移动监测仪器进行布点监测,获得更加准确的研究结果。之前有许多研究已经证明了景观破碎度会对PM2.5质量浓度产生影响,但由于研究区域及站点分布与以往研究的差异,所以本研究的研究结果不够理想。另外,表征城市景观格局状况的指标有很多,由于数据获取的局限性,综合前人研究和数据量等多方面的考虑本文仅仅选用了5个指标分析它们对PM2.5质量浓度的影响,不足以表征全部的城市景观格局。其他指标如城市景观组分的形状也会影响到景观功能的发展,特别是城市规模形态的三维空间分布将显著影响污染物扩散的范围与速度[31];建筑物的高度和密度会降低城区风速,从而使得大气污染物的质量浓度成倍地增加[34]。因此,仅靠二维的方法已经不能准确描述现代城市立体空间的发展和变化,城市三维研究扩展应该作为景观生态研究的发展趋势,以此判断城市规划布局的合理性,也可以丰富景观生态学在景观格局研究方面的理论和方法。在今后的研究中应当结合研究区的现实状况,选择更加合适和丰富的景观格局指标。

    • 本研究以浙江省为例,利用皮尔森相关分析和多元逐步回归方法,分析土地利用景观格局对PM2.5质量浓度的影响,结果表明:①监测点的PM2.5质量浓度均值时空差异明显,PM2.5质量浓度均值在冬季最高,夏季最低。②与PM2.5质量浓度的相关程度较高的是PLAND和ED,相关性最高的指标是年度水平上的住宅_P_5。③住宅_P和住宅_ED在4和5 km范围内会对PM2.5质量浓度产生比较重要的影响。不同季节中水域_P,林地_P,林地_ED在不同范围均对PM2.5质量浓度产生削减作用。商服用地或道路会在特定季节对PM2.5产生一定程度的影响。

参考文献 (34)

目录

    /

    返回文章
    返回