下载:
-
随着城镇化进程加快，以细颗粒物(PM2.5)为首的大气颗粒物污染越来越严重。大气环境的质量评价和污染防治已成为大气污染研究领域的主要方向之一[1-2]。PM2.5会通过呼吸进入肺部，其粒径小[3]、比表面积大[4]，同时携带大量重金属元素和其他有毒物质[5-7]。长期生活在严重污染的大气环境下，人们患心血管、呼吸系统等疾病的风险明显增加[8-9]，身体健康受到严重危害[10]。研究表明：铬、钴、镍和砷等易引发细胞癌变[11]；过量的锌则会引发贫血和食欲下降[12]；镉容易造成细胞癌变和骨质疏松[13]；铅对儿童和妊娠妇女的影响极大[14]。绿地在生态系统中具有自净功能，在调节生态平衡、改善环境质量和保护人体健康等方面发挥着积极作用[15]。目前，有关城市绿地与大气颗粒物关系的研究集中在2个方面：一是植物枝干和叶片的滞尘效应[16]。如李超群等[17]研究表明：5种地被植物叶片的滞尘量与叶表面微观结构有关，被毛或边缘有齿的叶片滞尘效果较好。二是植物群落对大气颗粒物的消减作用[18]。如刘宇等[19]发现：江苏省宿迁市不同植物群落类型绿地内PM2.5浓度由大到小依次为草坪、篱草、大阔叶乔草、乔灌草、针叶乔草和小阔叶乔草。近年来，有学者采用ArcGIS对大气中重金属元素含量进行空间分析，发现铜、锌和镉的空间分布特征较为相似，高值出现在车流量大的区域[20]。于瑞莲等[21]分析了福建省泉州市不同功能区大气降尘中重金属含量，发现重金属的生态危害程度从大到小依次为工业区、商业区、交通区、居民区、农业区。以上研究大多集中在城市功能区，而公园绿地、附属绿地等城市绿地内的重金属分布及污染研究鲜有报道。本研究选取杭州市临安区4种城市绿地作为研究对象，分析绿地内PM2.5中重金属的时空变化规律及其影响因素，探究重金属来源，为城市绿地的科学规划和大气污染防治提供参考。
-
杭州市临安区地处浙西中低山丘陵区，呈东西狭长形地貌，境内多高山[22]。属季风型气候，四季分明，温暖湿润，光照充足，雨量充沛。年平均气温16.4 ℃，年平均日照时数1 837.9 h，年平均降水量1 613.9 mm。植被类型为亚热带常绿阔叶林，素有“大树华盖闻九州”之誉的天目山位于临安境内。近年来，随着工业、运输业的快速发展，大气污染问题愈发突出[23-24]。
根据CJJ/T 85−2017《城市绿地分类标准》[25]，选取居住绿地、商业绿地、广场绿地和公共绿地等4种绿地作为研究对象，分别位于春天小区、衣锦商业街、五舟广场和浙江农林大学东湖校区。居住绿地、商业绿地和公共绿地植物配植均为乔木-灌木-地被3层结构，其植物种类、郁闭度、种植密度及成熟度等群落结构特征基本一致。春天小区坐落在玲珑山脚，小区四周被城市主干道围合，交通便捷，有3个出入口，绿地率为42.5%。样地位于小区的3号楼与4号楼之间，四周均由高层建筑围合，私密性高，面积约1 500 m2。乔木层植物主要有杜英Elaeocarpus decipiens、乐昌含笑Michelia chapensis、桂花Osmanthus fragrans，灌木层植物有海桐Pittosporum tobira、红花檵木Loropetalum chinense var. rubrum，地被植物有麦冬Ophiopogon japonicus等。衣锦商业街位于临安区中心位置，是重要的商业街区之一，人流及车流量大。样地选择在紧邻浙江农林大学衣锦校区南门处的公共区域，面积约1 800 m2。乔木层植物主要为樟树Cinnamomum camphora、紫楠Phoebe sheareri、荷花玉兰Magnolia grandiflora，灌木层有石楠Photinia serrulata、荚蒾Viburnum dilatatum，地被植物为麦冬。五舟广场位于临安区东北部，是重要的市民活动广场，日常人流量较大。广场以硬质铺装为主，少量点缀紫薇Lagerstroemia indica和杨梅Myrica rubra，四周空旷，总面积约4 500 m2。公共绿地选择在浙江农林大学东湖校区的学院楼4号楼南侧，为师生活动、交流空间，面积约1 600 m2。乔木层植物主要有冬青Ilex chinensis、玉兰Magnolia denudate、鹅掌楸Liriodendron chinense，灌木层为山茶Camellia japonica，地被植物为麦冬。
-
在4个绿地的近中心位置，距离地面1.5 m处各布置1台智能中流量TSP采样器(KC-120H)，并安装QMA石英纤维滤纸同步采集空气中的PM2.5。因持续低温、降雪及梅雨季降雨等影响，采样时间选择2017年3月、4月(春季)和2月、12月(冬季)，每月分别于月初、月中和月末各1 d采样。每天连续采样8.5 h(8:00−16:30)。要求试验前1周内无降雨、大风等情况发生，采样当天天气晴朗、无风或微风。采样前用锡箔纸包裹滤纸，置于马弗炉(设定温度450 ℃)中灼烧4 h，除去滤纸上原有的有机物及杂质，之后将滤纸静置于恒温恒湿箱(Premium ICH，设定温度25 ℃、相对湿度50%)内48 h。取出后使用电子天平(SI-234，精度0.1 mg)称量和记录滤纸质量，重复称量3次，取平均值作为滤纸采样前的质量。采样完成后将滤纸再次在恒温恒湿条件下处理并称量，记录滤纸质量，方法及步骤同采样前。滤纸前后称得差值即为该时段内采集的PM2.5质量。将采样后的滤纸放置在特氟隆容器中，依次加入去离子水、浓硝酸、氢氟酸和高氯酸消解。通过电感耦合等离子体质谱仪(Elan 9000)检测滤纸上镁、铝、钾、钙、钛、钒、铬、锰、铁、钴、镍、铜、锌、砷、镉、锑和铅等17种元素及各元素质量浓度。为确保试验结果的有效性，同步检测空白滤纸上的元素，结果表明空白滤纸上的各元素质量浓度均低于检出限值，因此检测结果有效。
-
富集因子(enrichment factor，FE)是用以定量评价污染程度与污染来源的重要指标，以满足一定条件的元素作为参考元素，以样品中污染元素质量分数与参考元素质量分数的比值与背景区中两者质量分数的比率[26]来表示。公式为：
$${F_{\rm{E}}} = \frac{{{{\left( {{C_{\rm{i}}}/{C_{\rm{R}}}} \right)}_{\text{样品}}}}}{{{{\left( {{C_{\rm{i}}}/{C_{\rm{R}}}} \right)}_{\text{背景}}}}}\text{。}$$ 其中：Ci和CR分别表示污染元素i和参考元素R的质量浓度。铝是常用的参考元素，杭州市锰、锌、钡、铬、铅、镍、铜、钴、砷和镉的土壤背景值分别为346.00、62.10、62.00、49.70、22.40、20.90、15.00、11.60、7.50和0.06 mg·kg−1。当富集因子值小于10，表明元素是非富集的，主要为自然污染；当富集因子值大于10，表明元素已富集，主要为人为污染。
主成分分析是通过正交变换将一组可能存在相关性的变量转换为一组线性不相关的变量，转换后的这组变量叫主成分[27]。大气污染物来源广泛，通常多种污染源会存在一定的相关性，找出有一定相关性的污染物重新组合成一个新成分，在此基础上用Spearman相关系数分析污染源的相关性，可以进一步明确污染物的来源。
-
采用Excel 2010统计和整理数据、SPSS 22.0进行Spearman相关性分析、Origin 8.0作图。
-
由图1可知：4种绿地内PM2.5质量浓度冬季平均值为(102.68±9.43) μg·m−3，春季为(48.34±5.13) μg·m−3。2个季节PM2.5质量浓度均超过GB 3095−2012《环境空气质量标准》[28]规定的二级质量浓度限值(35 μg·m−3)和欧洲空气质量准则[29]规定的质量浓度日均值(25 μg·m−3)。在空间上，位于城市道路旁边的商业绿地，春、冬季PM2.5质量浓度平均值最高，为(84.12±6.15) μg·m−3，居住绿地[(76.41±7.30) μg·m−3]和广场绿地[(75.55±8.20) μg·m−3]次之，公共绿地[(65.98±7.40) μg·m−3]最低。
图 1 不同绿地内PM2.5质量浓度季变化
Figure 1. Seasonal variation of PM2.5 concentrations in different green spaces
-
春、冬季不同绿地内PM2.5中铬、锰、铜、锌、砷和铅等6种重金属平均质量浓度占所测元素总质量浓度的17.95%，而钒、钴、镍和镉等4种重金属仅占0.56%。10种重金属平均质量浓度为(2.83±0.52)~(429.69±22.59) ng·m−3，其中：锌和铅较高，分别为(429.69±22.59)和(278.23±18.29) ng·m−3，分别占元素总质量浓度的8.65%和5.60%；钒和钴较低，仅为(6.22±0.59)和(2.83±0.52) ng·m−3，分别占元素总质量浓度的0.13%和0.06%(图2和图3)。
图 2 PM2.5中元素质量浓度占比
Figure 2. Proportion of element concentrations in PM2.5
图 3 PM2.5中重金属平均质量浓度
Figure 3. Mean value of heavy metal concentrations in PM2.5
由图4可知：4种绿地内重金属总质量浓度平均值不同，冬季为(950.13±90.15) ng·m−3，春季为(843.55±80.70) ng·m−3。春季不同重金属质量浓度为(2.10±0.60)~(459.30±43.00) ng·m−3，商业绿地内锌和铅较高，分别为(459.30±43.00)和(259.70±23.00) ng·m−3，公共绿地内钴最低，仅为(2.10±0.60) ng·m−3；冬季不同重金属质量浓度为(2.85±0.80)~(458.98±40.00) ng·m−3，与春季相似，商业绿地内锌[(458.98±40.00) ng·m−3]和铅[(361.30±35.00) ng·m−3]较高，公共绿地内钴[(2.85±0.80) ng·m−3]最低。4种绿地内，钒、锰、钴、镍、铜、砷、镉和铅的质量浓度均表现为冬季大于春季，与PM2.5质量浓度的季节变化趋势一致，锰、铜、砷和铅季节差异显著(P＜0.05)，钒、钴、镍和镉的季节差异不显著(P＞0.05)。此外，铬和锌的质量浓度季节差异亦不显著(P＞0.05)。
图 4 春、冬季绿地内PM2.5中重金属质量浓度
Figure 4. Heavy metal concentrations in PM2.5 in green spaces in spring and winter
在空间上，春、冬季重金属总质量浓度平均值从大到小依次为商业绿地[(1 023.18±94.10) ng·m−3]、居住绿地[(942.20±89.20) ng·m−3]、广场绿地[(861.85±84.05) ng·m−3]、公共绿地[(760.18±80.48) ng·m−3]。10种重金属质量浓度最高值均出现在商业绿地内，最低值均在公共绿地内，其中：锌最高，为(459.14±38.00) ng·m−3；钴最低，仅为(2.48±0.60) ng·m−3。另外，居住绿地和广场绿地内锌质量浓度均最高，分别为(426.94±40.00)和(403.00±38.00) ng·m−3；钴均最低，分别为(3.07±0.80)和(2.65±0.65) ng·m−3；重金属质量浓度从大到小依次均为锌、铅、锰、铬、砷、镉、镍、钒、钴(除铜以外，图5)。
图 5 不同绿地内PM2.5中重金属质量浓度
Figure 5. Heavy metal concentrations in PM2.5 in different green spaces
-
富集因子值反映了重金属元素在大气颗粒物中的富集程度，可分析自然来源和人为来源对大气污染的相对贡献[26]。如图6所示：春、冬季绿地内重金属元素的富集因子平均值从大到小依次为镉、铅、锌、砷、铜、铬、镍、钴、锰、钒。由于天气条件和污染排放源不同，钒、锰、钴、镍、铜、砷、镉和铅的富集因子值均呈现为冬季大于春季。钒、锰和钴的富集因子值小于10，表明这3种元素来自自然污染；铬、镍、铜、锌、砷、镉和铅大于10，表明这7种元素来自人为污染。
图 6 不同绿地内PM2.5中重金属元素的富集因子
Figure 6. Enrichment factors of heavy metals in PM2.5 in different green spaces
采用主成分分析法进一步明确绿地内PM2.5中重金属的来源，结果见表1和表2。由表1可知：主成分1的贡献率达63.43%，载荷较高的为铬、锰、铜和锌。研究认为：铬是钢铁冶炼的标志性元素[30]，锰为地壳源，铜和锌主要来自机动车尾气排放和轮胎磨损[6, 31]。绿地内铬的富集因子值为24.51~31.10，且与锰、铜和锌呈极显著相关(P＜0.01，表2)。主成分1是自然源、道路扬尘、机动车尾气和工业排放组成的复合源。主成分2的贡献率为13.17%，载荷较高的为钒、砷、镉和铅。钒的富集因子值小于10，表明其为自然源，镉与电镀镀种和工艺有很大关系[32]，砷和铅为燃煤排放。同时，铅是机动车尾气排放的标志性元素[33]。随着中国全面进入无铅化汽油时代，机动车尾气排放已不再是铅的主要来源[34]，因此，砷和铅主要来自燃煤污染，工业排放对主成分2的贡献较大。主成分3的贡献率为8.30%，载荷较高的为镍和锌，镍和锌主要来自机动车尾气和燃油[35]，所以主成分3为交通污染源。综上所述，绿地内钒为自然源；铬、锰、铜和锌为自然源、道路扬尘、机动车尾气和工业排放的复合源；砷、镉和铅来自工业源；镍和锌为交通源。
表 1 PM2.5中重金属元素在前3个主成分中的因子荷载
Table 1. Factor loading of heavy metals in PM2.5 in the first three principal components
元素 旋转后主成分因子载荷 元素 旋转后主成分因子载荷 主成分1 主成分2 主成分3 主成分1 主成分2 主成分3 钒 0.193 0.821 0.142 锌 0.873 0.267 0.804 铬 0.915 0.197 0.110 砷 0.478 0.669 0.322 锰 0.711 0.503 0.305 镉 0.271 0.762 −0.507 钴 0.581 0.507 0.512 铅 0.445 0.732 0.414 镍 0.272 0.130 0.896 贡献率/% 63.430 13.170 8.300 铜 0.798 0.327 0.294 累积贡献率/% 63.430 76.600 84.900 表 2 绿地内PM2.5中重金属元素的相关性分析
Table 2. Correlation analysis of heavy metals in PM2.5 in green spaces
钒 铬 锰 钴 镍 铜 锌 砷 镉 铅 钒 1 铬 0.400** 1 锰 0.593** 0.795** 1 钴 0.601** 0.718** 0.769** 1 镍 0.328* 0.366* 0.507** 0.647** 1 铜 0.434** 0.758** 0.795** 0.700** 0.546** 1 锌 0.481** 0.791** 0.726** 0.706** 0.379** 0.777** 1 砷 0.515** 0.602** 0.780** 0.751** 0.431** 0.699** 0.550** 1 镉 0.551** 0.326* 0.390** 0.278 0.206 0.350* 0.391** 0.455** 1 铅 0.625** 0.562** 0.812** 0.841** 0.533** 0.736** 0.594** 0.907** 0.463** 1 说明：**表示在0.01水平(双侧)上极显著相关；*表示在0.05水平(双侧)上显著相关 -
4种绿地内重金属总质量浓度平均值与PM2.5质量浓度的季节变化趋势一致，均表现为冬季大于春季。临安地区冬季寒冷，近地层大气稳定，远距离输送的污染物不易扩散，加之植物进入休眠期，滞尘能力下降，因此冬季大气污染较重。春季，随着天气回暖，植物生长迅速，对颗粒物的滞留和吸附能力增强，这对改善空气质量起到积极作用。研究[36]表明：PM2.5质量浓度日变化呈现“早晚高、中午低”的现象，峰值出现在8:00和18:00。绿地内钒、锰、钴、镍、铜、砷、镉和铅的质量浓度均为冬季大于春季，铬和锌的季节差异不显著。雷文凯等[37]研究表明：保定市PM2.5及其重金属质量浓度为秋冬季大于春夏季，这与本研究结果一致。在空间上，由于机动车尾气排放和其他人为活动的影响，春、冬季重金属总质量浓度平均值从大到小为商业绿地[(1 023.18±94.10) ng·m−3]、居住绿地[(942.20±89.20) ng·m−3]、广场绿地[(861.85±84.05 ng·m−3]、公共绿地[(760.18±80.48) ng·m−3]。不同功能区内重金属质量浓度差异较大，生态危害程度从大到小为商业区、居民区、农业区[21]。本研究中10种重金属质量浓度最高值均出现在商业绿地内，与其所处的地理位置有很大关系。商业绿地周边人流、车流量大，早晚高峰明显，道路车辆的增加，导致排放的大气颗粒物浓度升高，其次是早晚温度低、空气湿度大，不利于大气的输送和扩散[36]。田春辉等[38]研究也证实：商业区内的钛、钒、镍和钡污染较其他区域严重。本研究表明：绿地内的重金属主要来自复合源(自然源、道路扬尘、汽车尾气和工业污染)、以燃煤为主的工业源和交通源等。杨怀金等[35]研究发现：成都西南郊区PM2.5中重金属主要来自交通源、工业尘源和生物质燃烧源，而杭州西湖景区PM2.5中重金属主要来自人为污染，其中，机动车尾气和交通的二次扬尘贡献率较高[39]。周雪明等[40]研究得出：北京大气中少量重金属污染为外地排放的一次污染在传输过程中形成的二次污染，说明重金属受气象因素的影响较大，并且具有不稳定性。绿地内镉质量浓度较低，而富集因子最高，表明这种元素存在强烈的人为富集，和人为排放有很大关系，这与TIAN等[41]的观点相似。城市绿地能有效滞留和吸附大气颗粒物。合理增加绿地面积，可有效减轻城市重金属污染，同时，减少工业污染排放，在商业绿地周边控制车流量、推广新能源汽车也能显著降低重金属质量浓度。今后应增加绿地类型和数量开展研究，为改善城市空气质量提供更科学的依据。
Pollution characteristics of heavy metals in PM2.5 in four kinds of green space in Lin’an District of Hangzhou City
-
摘要:
目的 分析城市绿地内细颗粒物(PM2.5)中重金属质量浓度的时空变化规律及其影响因素，可为科学规划城市绿地、改善人居环境质量提供依据。 方法 在杭州市临安区选取居住绿地、商业绿地、广场绿地和公共绿地等4种类型绿地作为研究对象，采用智能中流量TSP采样器采集空气中的PM2.5，通过电感耦合等离子体质谱仪(ICP-MS)检测样品中重金属的组成及质量浓度，分析其来源。 结果 4种绿地内重金属总质量浓度平均值为冬季[(950.13±90.15) ng·m−3]大于春季[(843.55±80.70) ng·m−3]，春、冬季重金属总质量浓度平均值从大到小依次为商业绿地[(1 023.18±94.10) ng·m−3]、居住绿地[(942.20±89.20) ng·m−3]、广场绿地[(861.85±84.05) ng·m−3]、公共绿地[(760.18±80.48) ng·m−3]。绿地内的重金属主要来自复合源(自然源、道路扬尘、汽车尾气和工业污染)、以燃煤为主的工业源和交通源等。 结论 合理增加绿地面积，可有效减轻城市重金属污染，在商业绿地周边控制车流量、推广新能源汽车能显著降低重金属质量浓度。图6表2参41 -
关键词:
- 城市绿地 /
- 细颗粒物(PM2.5) /
- 重金属 /
- 时空变化 /
- 污染源
Abstract:Objective This study aims to analyze the spatio-temporal variation of heavy metal concentration in PM2.5 in urban green space and probe into its influencing factors, so as to provide reference for scientific planning of urban green space and improvement of the quality of human settlement environment. Method Four kinds of green space in Lin’an District of Hangzhou were taken as the research objects, including residential green space, commercial green space, square green space and public green space. The intelligent medium volume TSP sampler was used to collect the airborne PM2.5. The component and mass concentration of heavy metals in the samples were detected by the inductively coupled plasma mass spectrometer (ICP-MS), and their sources were analyzed. Result The average concentrations of heavy metals in four kinds of green space were higher in winter [(950.13±90.15) ng·m−3] than those in spring [(843.55±80.70) ng·m−3]. The average concentrations of heavy metals ranging from large to small in these two seasons were commercial green space [(1 023.18±94.10) ng·m−3], residential green space [(942.20±89.20) ng·m−3], square green space [(861.85±84.05) ng·m−3] and public green space [(760.18±80.48) ng·m−3]. The heavy metals in green space mainly came from complex pollution sources (natural sources, road dust, vehicle exhaust and industrial pollution), coal-based industrial sources and traffic sources, etc. Conclusion Reasonable increase of green space area can effectively reduce the heavy metal pollution in cities. Controlling traffic flow around commercial green space and promoting new energy vehicles can significantly lower the heavy metal concentration. [Ch, 6 fig. 2 tab. 41 ref.] -
Key words:
- urban green space /
- PM2.5 /
- heavy metals /
- spatio-temporal variation /
- pollution sources
-
植物种群的空间分布格局是指种群在水平空间上的配置和分布状况[1]，除了种群自身特性和环境条件因素与其形成密切相关外[2]，种间关系也是促使其形成的主要动力之一[3]，在判断植物种间关系时，生态学家们通常会运用种间联结性分析来探究物种之间的内在联系[4]。此外，生态位的重叠程度在一定程度上能够反映物种联结关系以及空间配置关系[5-6]。对植物种间关系及空间分布格局的研究，有助于认识种群与生境的相互关系、空间资源获取能力与生态适应对策，预测群落消长动态，是深入了解维持树木物种共存机制，并了解产生空间格局的过程的重要手段[7-9]，对于正确认识群落的组成、功能及演替规律具有重要意义。次生林是中国森林资源的主体，它既保持着原始森林的物种组成成分与生境，又与原始森林在结构组成、林木生长、生产力、林分环境和生态功能等诸多方面有着显著的不同，原始林退化导致的次生林面积扩大将引起森林生态系统中生物多样性的下降[10]。如何恢复和保护次生林群落的物种多样性成为生态学家面临的重要问题。而对森林木本植物的空间分布格局及种间关系的研究有助于揭示群落结构的形成机制与潜在的生态学过程，对次生林的经营抚育具有一定指导意义[11]。以松林、松阔混交林和常绿阔叶林中幼龄林为主体的天然次生林是浙江省建德市的森林资源主体，主要由被过度干扰破坏的天然林地逐渐恢复、演替而来[12]。次生林中仍保有原始森林的部分物种，但不同类型次生林在群落结构、林木年龄组成、植物生产力及生境等方面都存在显著差异[13]。本研究对浙江建德的次生林群落进行每木调查，分析主要树种间的相互关系及空间分布格局特征，以增强对该区域次生林群落结构特征和空间分布格局的认识，促进区域生物多样性保护与木本植物资源的可持续利用，预测群落的演替方向并探索其驱动力来源，进而为该区域次生林群落的恢复、改造及抚育经营提供依据，更好发挥其生态社会效益。
1. 研究区概况
研究区位于浙江省建德市新安江林场(29°29′N，119°16′E)，属亚热带北缘季风气候，温暖湿润，四季分明，年平均气温为16.9 ℃，最冷月平均气温为4.7 ℃，最热月平均气温为29.2 ℃，年均降水量为1 504.0 mm。据《中国植被》区划，该地区森林植被属亚热带常绿阔叶林北部亚地带，地带性植被为常绿阔叶林。主要森林植被类型有常绿阔叶林、落叶阔叶林、常绿落叶阔叶混交林、针阔混交林等[14]。
2. 研究方法
2.1 样地设置及调查
在实地踏查的基础上，在浙江建德典型常绿阔叶林、松阔混交林和松林群落中分别设置面积为100 m×100 m的样地(表1)，用木桩、塑料带进行围封标记。将每块样地划分为25小块(20 m×20 m)，并以此为基本单位对乔木层进行每木调查。记录样地群落类型、海拔、坡度、坡向、土壤等环境因子；记录样方中胸径≥5 cm的木本植物的基础数据，包括种名、树高、胸径、冠幅及其相对应的坐标[15-16]。
表 1 样地基本信息Table 1 Basic information of sample plots样地类型 海拔/m 纬度(N) 经度(E) 坡度/(°) 坡向 土壤类型 地点 常绿阔叶林 172 29°40′ 119°23′ 44 西 红壤 杨村桥镇徐坑村 松阔混交林 165 29°28′ 119°12′ 38 南 红壤 新安江林场朱家埠林区 松林 90 29°21′ 119°09′ 33 东 红壤 新安江林场朱家埠林区 2.2 重要值
重要值(IV)计算[17]：IV=(相对多度+相对显著度+相对频度)/3×100%。
2.3 生态位重叠
采用Pianka重叠指数计算物种间的生态位重叠系数，公式[18]如下：
$${O_{ik}}{\rm{ = }}\mathop \sum \limits_{j = 1}^w \left( {{P_{i\!j}}{P_{k\!j}}} \right) \div \sqrt {{{\left( {\mathop \sum \limits_{j = 1}^w {P_{i\!j}}} \right)}^2}{{\left( {\mathop \sum \limits_{j = 1}^w {P_{k\!j}}} \right)}^2}} \text{。}$$ 其中：Oik为种i和种k的生态位重叠系数[1]；w为划分的资源位总数；Pij和Pkj分别是种i和种k在资源位j中的重要值占该物种在整个资源中总重要值的比例。Oik的值域为[0，1]，当2个种对群落中所有的资源都不存在共享状态时，该种对之间生态位完全不重叠，其值为0；当2个种对群落中所有资源利用完全重叠时，该种对的生态位重叠程度为1，达到最大状态。
2.4 空间分布格局
2.4.1 种内空间分布格局
Ripley’s K(r)函数是进行种内空间分布格局分析的基础函数，公式如下[19]：
$$ K\left( r \right) = \frac{A}{{{n^2}}}\sum\limits_{p = 1}^n {\sum\limits_q^n {e_{pq}^{ - 1}} } {I_r}{\rm{(}}{u_{pq}}{\rm{)}}\text{。} $$ 其中：r为分析的空间尺度(m)，A为样方面积(m2)，n为植物种个体数，upq表示点p和点q之间的距离(m)；Ir(upq)为指示函数，当upq≤r时，Ir(upq)=1，当upq＞r时，Ir(upq)=0；epq为权重值，用于边缘校正。为了更直观地解释实际的空间格局，通常用Ripley’s L(r)函数表示：
$$L\left( r \right) = \sqrt {\frac{{K\left( r \right)}}{\text{π} }} {\rm{ - }}r\text{。}$$ 当L(r)=0，种群分布类型为随机分布，对种群的聚集分布研究基于随机分布的基础，以样地中的任意一点为圆心，r为半径画圆，如果在圆中出现的个体数多于随机状态下的个体数，那么表示该种群呈现聚集分布；当圆中出现的个体数少于随机分布状态下的个体数时，该种群呈现均匀分布[20-22]。采用Monte-Carlo模拟99%置信区间，进行结果偏离随机状态的显著性检验。若L(r)值位于置信区间之上，种群呈聚集分布，L(r)值位于置信区间之下，种群呈均匀分布，L(r)值位于置信区间之内，种群呈随机分布[23]。
2.4.2 种间空间分布格局
种间空间分布格局基础函数计算公式[24]如下：
$${K_{12}}\left( r \right) = \frac{A}{{{n_1}{n_2}}}\sum\limits_{g = 1}^n {\sum\limits_f^n {w_{gf}^{ - 1}} } {I_r}({u_{gf}})\text{。}$$ 其中：n1和n2分别为种1和种2的个体数，f和g分别代表种1和种2的个体。同样，用L12(r)取代K12(r)，公式为：
$${L_{12}}\left( r \right) = \sqrt {\frac{{{K_{12}}\left( r \right)}}{\text{π} }} {\rm{ - }}r\text{。}$$ 当L12(r)=0，表明2个种在r尺度下无关联；当L12(r)＞0，表明两者为空间正关联；当L12(r)＜0，表明两者为空间负相关。采用Monte-Carlo模拟99%置信区间，进行结果偏离随机状态的显著性检验。当L12(r)值位于置信区间之上，2个变量显著正相关；L12(r)值位于置信区间之下，2个变量显著负相关；L12(r)值位于置信区间之内，2个变量相互独立[23]。本研究根据实际样地面积，在参考同类研究及毗邻地区森林群落空间格局研究的基础上[25-26]，将格局分析的尺度限定为0~25.0 m。
2.5 种间联结
2.5.1 总体联结性检验
采用方差比率法来测定各类型次生林群落中主要树种间的总体联结性，并利用统计量W来检验总体联结是否显著，计算公式[27]如下：
$${V_{\rm{R}}} = \frac{{\dfrac{1}{N}\displaystyle\sum\limits_{z = 1}^N {{{({T_z} - t)}^2}} }}{{\displaystyle\sum\limits_{i = 1}^S {(1 - {P_i})} }}\text{。}$$ 其中：VR为方差比率，N为样方总数，
$ T_z $ 为样方$ z $ 内出现的目标物种总数；t为样方中物种的平均数，S为总物种数，Pi为物种i的频度。以VR作为不同类型次生林中主要树种总体联结性指数，在独立性零假设条件下，VR期望值为1，即当VR=1时认为种间无联结；若VR＜1则表示物种间存在正联结；若VR＜1则表示物种间存在负联结。对于VR偏离1的显著程度采用统计量W来验证，W=VRN，若$W{\text{＜}}$ ${\textit{χ}}_{0.95}^2\left( N \right)$ 或$W{\text{＞}}{\textit{χ}} _{0.05}^2\left( N \right)$ 则说明种间总体联结性性显著，若${\textit{χ}} _{0.05}^2\left( N \right) {\text{＞}}W {\text{＞}} {\textit{χ}}_{0.95}^2\left( N \right)$ 则说明种间总体联结性不显著[28]。2.5.2 种间联结性分析
采用经Yates连续校正系数纠正的χ2统计量对种间联结性进行定性研究。公式[18]如下：
$${\textit{χ} ^2} = \frac{{N{{[ad - bc - 0.5N]}^2}}}{{(a + b)(b + d)(a + c)(c + d)}}\text{。}$$ 其中，N为取样总数，
$ a $ 为2物种均出现的样方数，b、c分别为2个种单独出现的样方数，d为2物种均不出现的样方数。当$ ad-bc=0 $ 时，2个种相互独立；$ ad-bc{\text{＞}}0 $ 时，2个种之间呈正联结；$ ad- $ bc＜0时，2个种之间呈负联结。${\textit{χ}}^{2}$ ＜3.841时，表示种间联结性不显著；当3.841＜${\textit{χ}}^{2}$ ＜6.635时，表示种间联结性显著；当${\textit{χ}}^{2}$ ＞6.635时，表示种间联结性极显著[17]。为避免出现分母为0无法计算分析的状况，把a、b、c、d凡是为0的都加权为1[29-30]。2.5.3 种间相关性测定
本研究以多度作为Spearman秩相关系数的数量指标，对种对间的线性关系做定量分析，计算公式[31]如下：
$$r\left( {i,k} \right) = 1 - \frac{{6\displaystyle\sum\limits_{z = 1}^N {{{\left( {{x_{iz}} - {{\bar x}_i}} \right)}^2}} {{\left( {{x_{kz}} - {{\bar x}_k}} \right)}^2}}}{{{N^3} - N}}\text{。}$$ 其中，
$ r\left(i,k\right) $ 是种$ i $ 和种$ k $ 在样方$ z $ 中的Spearman秩相关系数；$ N $ 为样方总数；$ {x}_{iz} $ 和$ {x}_{kz} $ 分别是种$ i $ 和种$ k $ 在样方$ z $ 中的秩；$ {\bar{x}}_{i} $ 和$ {\bar{x}}_{k} $ 分别是种$ i $ 和种$ k $ 在所有样方中多度的平均值。$ r\left(i,\;k\right) $ 的值域为[−1, 1]，正值表示正相关，负值表示负相关。3. 结果与分析
3.1 重要值
根据重要值大于5%选出各植被类型主要树种。常绿阔叶林中主要树种是青冈Cyclobalanopsis glauca、石栎Lithocarpus glaber、苦槠Castanopsis sclerophylla及木荷Schima superba等4种；松阔混交林的主要树种分别是马尾松Pinus massoniana、苦槠、杉木Cunninghamia lanceolata、檵木Loropetalum chinense、石栎等5种；松林的主要树种分别是马尾松、杉木、苦槠、化香Platycarya strobilacea、枫香Liquidambar formosana等5种。
3.2 生态位重叠
从表2可以看出：在常绿阔叶林中，主要树种之间生态位重叠程度最高的是木荷-石栎(0.861 4)、其次是苦槠-青冈(0.615 4)，最低的是苦槠-木荷(0.377 2)；在松阔混交林中，重叠程度最高的是檵木-苦槠(0.801 8)，其次是马尾松-石栎(0.753 1)，最低的是石栎-杉木(0.340 9)；在松林中，重叠程度最高的是枫香-化香(0.757 5)，其次是枫香-苦槠(0.720 1)，最低的是苦槠-马尾松(0.442 7)。
表 2 不同森林类型主要树种生态位重叠数值矩阵Table 2 Niche overlap of dominant tree species of different forest types常绿阔叶林 松阔混交林 松林 树种 苦槠 木荷 青冈 树种 檵木 苦槠 马尾松 石栎 树种 枫香 化香树 苦槠 马尾松 木荷 0.377 2 苦槠 0.801 8 化香 0.757 5 青冈 0.615 4 0.518 2 马尾松 0.631 2 0.632 4 苦槠 0.720 1 0.625 8 石栎 0.421 9 0.861 4 0.473 3 石栎 0.451 3 0.458 4 0.753 1 马尾松 0.676 9 0.567 6 0.442 7 杉木 0.393 7 0.521 8 0.646 2 0.340 9 杉木 0.466 2 0.470 7 0.600 1 0.567 5 3.3 空间分布格局
3.3.1 种内空间分布格局
在所有研究样地中，主要树种在0~25.0 m的尺度内均表现为显著的聚集分布(P＜0.05)(图1~3)。
图 1 常绿阔叶林主要树种空间分布格局Figure 1 Spatial distribution pattern of dominant tree species in evergreen broad-leaved forest
图 2 松阔混交林主要树种空间分布格局Figure 2 Spatial distribution pattern of dominant tree species in mason pine and broad-leaved mixed forest
图 3 松林主要树种空间分布格局Figure 3 Spatial distribution pattern of dominant tree species in mason pine forest3.3.2 种间空间分布格局
常绿阔叶林主要树种空间分布格局特征如下(图4)：青冈-石栎在0~25.0 m尺度上均呈现负相关，其中6.0~10.0 m、15.0~17.0 m尺度上负相关达到显著(P＜0.05)；青冈-木荷在0~25.0 m尺度上均为负相关，其中8.0~14.0 m尺度范围内达到显著(P＜0.05)；石栎-木荷在0~25.0 m尺度上均呈现显著的正相关(P＜0.05)。其他种对的空间关联性则以不显著相关为主。
图 4 常绿阔叶林主要树种间空间分布格局图Figure 4 Spatial distribution pattern of dominant tree species in evergreen broad-leaved forest松阔混交林主要树种空间分布格局特征如下(图5)：马尾松-石栎在0~25.0 m尺度上呈现正相关，10.0~25.0 m尺度内达到显著(P＜0.05)；苦槠-石栎在0~20.0 m尺度范围内为正相关，其中7.0~8.0 m尺度上达到显著(P＜0.05)，而在20.0~25.0 m尺度范围内呈现不显著负相关。其他种对的空间关联性以不显著相关或无关联为主。
图 5 松阔混交林主要树种间空间分布格局图Figure 5 Spatial distribution pattern of dominant tree species in mason pine and broad-leaved mixed forest松林主要树种间空间分布格局特征如下(图6)：马尾松-化香在0~25.0 m尺度上为负相关，其中4.0 m时达到显著(P＜0.05)；杉木-苦槠在0~25.0 m尺度范围内为正相关，其中15.0~25.0 m尺度上达到显著(P＜0.05)；杉木-化香在0~25.0 m尺度范围内为负相关，其中7.5~17.0 m尺度上达到显著(P＜0.05)；化香-枫香在0~25.0 m尺度范围内表现为正相关，其中12.0~13.0 m尺度上达到显著(P＜0.05)。除此之外其他种对的空间关联性表现为不显著相关或无关联。
图 6 松林主要树种间空间分布格局图Figure 6 Spatial distribution pattern of dominant tree species in mason pine forest3.4 种间联结
3.4.1 总体联结性
各类型次生林的方差比率(表3)结果表明：3种类型次生林主要树种的总体关联性均为不显著正关联。
表 3 不同森林类型主要树种的总体关联性Table 3 Overall interspecific associations among dominant tree species of different forest types样地类型 方差比率 W ${\; \textit{χ}^{2}_{0.95}(N)} $，${ \; \textit{χ}^{2}_{0.05}(N)} $ 结果 常绿阔叶林 1.389 34.722 14.611, 37.652 不显著正关联 松阔混交林 1.397 34.930 14.611, 37.652 不显著正关联 松林 1.199 29.966 14.611, 37.652 不显著正关联 3.4.2 种间联结性检验
χ2检验结果表明(表4)：样地中所有类型次生林的主要树种种对均呈不显著的正联结(χ2＜3.841，
$ ad-bc $ ＞0)。表 4 不同森林类型的种间联结χ2统计量矩阵Table 4 Value of χ2 of different forest types常绿阔叶林 松阔混交林 松林 树种 苦槠 木荷 青冈 树种 檵木 苦槠 马尾松 杉木 树种 枫香 化香 马尾松 杉木 木荷 0.001 苦槠 1.223 化香 0.179 青冈 0.230 0.092 马尾松 1.103 1.103 马尾松 0.230 1.103 石栎 0.039 0.001 0.230 杉木 0.001 0.001 0.010 杉木 0.020 0.179 0.230 石栎 0.089 0.089 0.069 0.110 苦槠 2.214 0.069 0.038 0.368 3.4.3 种间相关性分析
据图7可知：在常绿阔叶林中，呈负相关的种对有苦槠-木荷、木荷-青冈和青冈-石栎等3对，其中木荷-青冈和青冈-石栎种对的负相关达极显著(P＜0.01)；呈正相关的有苦槠-青冈、苦槠-石栎和木荷-石栎等3对，其中木荷-石栎种对的正相关达到极显著(P＜0.01)。在松阔混交林中，呈现负相关的种对有檵木-杉木、檵木-石栎2对；其余8对均呈正相关，其中马尾松-石栎的正相关达极显著(P＜0.01)。在松林中，呈现负相关的种对有枫香-杉木、化香-马尾松、化香-杉木、化香-苦槠和马尾松-苦槠等5对，其中化香-杉木的负相关达显著(P＜0.05)；其余5对呈正相关，其中枫香-苦槠的正相关达显著(P＜0.05)。
图 7 不同森林类型种间Spearman秩相关半矩阵图Figure 7 Semi-matrix of Spearman’s rank correlation coefficients of dominant tree species of different forest types4. 讨论
森林在向顶级群落演替的过程中，植物种内空间分布格局一般会由聚集分布渐渐过渡为随机分布[12]，而在本研究中，0~25.0 m尺度上不同类型次生林的主要树种均呈显著(P＜0.05)聚集分布，这说明样地群落还未进入演替成熟期。物种自身的生物学特性是造成群落演替过程中物种聚集分布的主要原因，即相同物种对环境等条件有着相似的需求[32]。样地群落种间生态位重叠程度也能佐证其所处的演替阶段，顶级群落中树种间的生态位重叠程度一般处在较低的水平，即树种间的竞争并不活跃，这是因为经过长时间演替后，群落趋于稳定，内部树种间达到了一种相对平衡的状态[33-34]，主要树种间的生态位重叠程度仍普遍较高，群落整体呈正关联，正相关种对仍有较高占比。这反映了群落中的主要树种具有相似的环境需求和生态适应性，由此造成了样地中主要树种的聚集分布。此外，种子的扩散限制和生境异质性也被认为是影响物种分布的主要因素[20]，样地中主要树种的种子传播方式以重力传播为主，种子传播距离有限，多聚集在母树周围，离母树越远种子越少，这也导致了树种的聚集分布。在松林中，马尾松和杉木作为建群早期先锋种最先入侵林地，在光竞争中占据优势，对光的有效利用是形成林分空间格局的主要决定因素[35]，因而马尾松和杉木与群落中其他优势树种多呈负空间关联。枫香幼树稍耐荫，所以与群落中其他优势树种多呈正空间关联。在松阔混交林中，主要树种间空间关联显著程度较低，这或许与群落中的针叶树种同群落中其他较晚发育起来的常绿阔叶树种产生了垂直分层现象有关，这种垂直分层现象能够减轻群落内的光竞争，进而影响群落内的树种空间分布格局。马尾松和杉木作为早期先锋树种入侵林地后，逐渐改善了立地条件，为其他树种进入群落创造了条件，使得松林能够向松阔混交林方向演替。随后由于马尾松和杉木生物学特性在垂直结构上与其他树种产生了分层现象，加之密度制约和扩散限制等因素[12]共同作用，群落中的常绿阔叶树种逐渐获得更多的环境资源并对针叶树种和落叶阔叶树种的幼苗更新产生负作用，松阔混交林逐渐向常绿阔叶林演替。这种演替机制与XIANG等[9]的研究结果一致，即在不发生干扰的情况下，次生林群落中的不耐荫落叶树种将逐渐被耐荫的常绿阔叶树种所取代。
通过比较不同森林类型主要树种组成可以发现：3类森林群落的主要树种组成存在差异，落叶阔叶树种枫香和化香仅出现在松林主要树种中，而松阔混交林中已经没有落叶树种，但出现了常绿阔叶树种石栎和檵木。在常绿阔叶林中，主要树种则由木荷及青冈、石栎和苦槠等3种壳斗科Fagaceae树种组成。树种组成的变化是群落演替的结果，森林经营管理可根据此对松林和松阔混交林进行适当抚育，伐除部分针叶树种及清理林内枯立木，改善林分内的光照条件，促进常绿阔叶树种的生长。在常绿阔叶林中，则可通过修枝来改善林内光照条件，也可通过为森林土壤施加养分来改善目标树种的营养状况，通过人为栽种苗木等手段来加快木荷、石栎等目标树种的更新、生长和郁闭，促进森林群落向顶级群落发展并促进生物多样性的恢复。
本研究通过方差比率法、χ2检验和Spearman秩相关系数检验，对不同类型次生林群落种间的联结性和相关性进行了分析。其中，χ2检验结果是由种对的二元数据转换计算而来，反映的是物种能否共存和共存的概率，不能表达低显著度种对的内在相关性情况和强度。Spearman秩相关系数属定量检验方法，能够在一定程度上检验种对数量关系上的变化，对种对间的相关性及其显著性水平更为敏感。Spearman秩相关系数属定量检验与定性的方差比率法、χ2检验结合使用能够更全面地反映物种的种间关系[36]。
5. 结论
通过测度常绿阔叶林、松阔混交林和松林群落中主要树种的生态位重叠程度、空间分布格局和种间联结分析可以发现：本研究各群落乔木层主要树种在空间分布格局中独立性相对较强，物种间虽存在比较相似的环境资源需求，但种间联结关系比较松散，群落演替尚未进入成熟期。此外也可以看出：树种间的空间分布格局、联结性与种群的生态位重叠之间存在密切关联。一般情况下，群落内优势树种种间正联结性越强，其生态位重叠程度越高，种间负联结性越强，生态位重叠程度越低[37]。样地群落的总体关联性检验结果显示：各群落种间总体关联性呈不显著的正相关。χ2检验发现：多数种对都呈不显著的正联结，这与各群落物种生态位重叠程度的分析结果基本吻合。各群落主要树种间的Spearman秩相关分析结果与种间空间关联性结果也有比较一致的表现，这也说明植物种间关系对植物种群空间分布格局的形成有重要意义。本研究可为进一步揭示物种自身生物特性、环境条件及种间关系等综合作用下的种群空间分布格局形成机制提供依据，但群落中植物种间关系及空间分布格局是处在动态变化过程中的，本研究结果仅反映某一特定时间节点的群落状态，有待长期的群落动态监测研究。
-
图 1 不同绿地内PM2.5质量浓度季变化
Figure 1 Seasonal variation of PM2.5 concentrations in different green spaces
图 4 春、冬季绿地内PM2.5中重金属质量浓度
Figure 4 Heavy metal concentrations in PM2.5 in green spaces in spring and winter
图 5 不同绿地内PM2.5中重金属质量浓度
Figure 5 Heavy metal concentrations in PM2.5 in different green spaces
图 6 不同绿地内PM2.5中重金属元素的富集因子
Figure 6 Enrichment factors of heavy metals in PM2.5 in different green spaces
表 1 PM2.5中重金属元素在前3个主成分中的因子荷载
Table 1. Factor loading of heavy metals in PM2.5 in the first three principal components
元素 旋转后主成分因子载荷 元素 旋转后主成分因子载荷 主成分1 主成分2 主成分3 主成分1 主成分2 主成分3 钒 0.193 0.821 0.142 锌 0.873 0.267 0.804 铬 0.915 0.197 0.110 砷 0.478 0.669 0.322 锰 0.711 0.503 0.305 镉 0.271 0.762 −0.507 钴 0.581 0.507 0.512 铅 0.445 0.732 0.414 镍 0.272 0.130 0.896 贡献率/% 63.430 13.170 8.300 铜 0.798 0.327 0.294 累积贡献率/% 63.430 76.600 84.900 
下载: 导出CSV
表 2 绿地内PM2.5中重金属元素的相关性分析
Table 2. Correlation analysis of heavy metals in PM2.5 in green spaces
钒 铬 锰 钴 镍 铜 锌 砷 镉 铅 钒 1 铬 0.400** 1 锰 0.593** 0.795** 1 钴 0.601** 0.718** 0.769** 1 镍 0.328* 0.366* 0.507** 0.647** 1 铜 0.434** 0.758** 0.795** 0.700** 0.546** 1 锌 0.481** 0.791** 0.726** 0.706** 0.379** 0.777** 1 砷 0.515** 0.602** 0.780** 0.751** 0.431** 0.699** 0.550** 1 镉 0.551** 0.326* 0.390** 0.278 0.206 0.350* 0.391** 0.455** 1 铅 0.625** 0.562** 0.812** 0.841** 0.533** 0.736** 0.594** 0.907** 0.463** 1 说明：**表示在0.01水平(双侧)上极显著相关；*表示在0.05水平(双侧)上显著相关
下载: 导出CSV
-
[1] LIANG Xuan, ZOU Tao, GUO Bin, et al. Assessing Beijing’s PM2.5 pollution: severity, weather impact, APEC and winter heating [J]. Proc Royal Soc A, 2015, 471. [2] 赵晨曦, 王云琦, 王玉杰, 等. 北京地区冬春PM2.5和PM10污染水平时空分布及其与气象条件的关系[J]. 环境科学, 2014, 35(2): 418 − 427. ZHAO Chenxi, WANG Yunqi, WANG Yujie, et al. Temporal and spatial distribution of PM2.5 and PM10 pollution status and the correlation of particulate matters and meteorological factors during winter and spring in Beijing [J]. Chin J Environ Sci, 2014, 35(2): 418 − 427. [3] 魏复盛, 滕恩江, 吴国平, 等. 我国4个大城市空气PM2.5、PM10污染及其化学组成[J]. 中国环境监测, 2001, 17(7): 1 − 6. WEI Fusheng, TENG Enjiang, WU Guoping, et al. Concentrations and elemental components of PM2.5, PM10 in ambient air in four large Chinese cities [J]. Environ Monit China, 2001, 17(7): 1 − 6. [4] 杨洪斌, 邹旭东, 汪宏宇, 等. 大气环境中PM2.5的研究进展与展望[J]. 气象与环境学报, 2012, 28(3): 77 − 82. YANG Hongbin, ZOU Xudong, WANG Hongyu, et al. Study progress on PM2.5 in atmospheric environment [J]. J Meteorol Environ, 2012, 28(3): 77 − 82. [5] LÜ Senlin, ZHANG Rui, YAO Zhenkun, et al. Size distribution of chemical elements and their source apportionment in ambient coarse, fine, and ultrafine particles in Shanghai urban summer atmosphere [J]. J Environ Sci, 2012, 24(5): 882 − 890. [6] HU Xin, ZHANG Yun, DING Zhuhong, et al. Bioaccessibility and health risk of arsenic and heavy metals (Cd, Co, Cr, Cu, Ni, Pb, Zn and Mn) in TSP and PM2.5 in Nanjing, China [J]. Atmos Environ, 2012, 57: 146 − 152. [7] LIU Pingping, REN Huarui, XU Hongmei, et al. Assessment of heavy metal characteristics and health risks associated with PM2.5 in Xi’an, the largest city in northwestern China [J]. Air Qual Atmos Health, 2018, 11(9): 1037 − 1047. [8] 齐爱, 张亚娟, 杨惠芳. 大气PM2.5对心血管系统影响及其作用机制研究进展[J]. 环境与健康杂志, 2016, 33(5): 465 − 469. QI Ai, ZHANG Yajuan, YANG Huifang. Adverse effects of atmospheric PM2.5 on cardiovascular system and mechanism: a review of recent studies [J]. J Environ Health, 2016, 33(5): 465 − 469. [9] PANWAR P, PRABHU V, SONI A, et al. Sources and health risks of atmospheric particulate matter at Bhagwanpur, an industrial site along the Himalayan foothills [J]. SN Appl Sci, 2020, 2: 632. doi: 10.1007/s42452-020-2420-1. [10] KHANNA I, KHARE M, GARGAVA P. Health risks associated with heavy metals in fine particulate matter: a case study in Delhi city, India [J]. J Geosci Environ Prot, 2015, 3(2): 72 − 77. [11] 陶俊, 张仁健, 段菁春, 等. 北京城区PM2.5中致癌重金属季节变化特征及其来源分析[J]. 环境科学, 2014, 35(2): 411 − 417. TAO Jun, ZHANG Renjian, DUAN Jingchun, et al. Seasonal variation of carcinogenic heavy metals in PM2.5 and source analysis in Beijing [J]. Environ Sci, 2014, 35(2): 411 − 417. [12] 滕德智, 何作顺. 锌镉毒性研究进展[J]. 微量元素与健康研究, 2012, 29(1): 51 − 53. TENG Dezhi, HE Zuoshun. Progress on toxicity studies of zinc and cadmium [J]. Stud Trace Elem Health, 2012, 29(1): 51 − 53. [13] 董婷, 李天昕, 赵秀阁, 等. 某焦化厂周边大气PM10重金属来源及健康风险评价[J]. 环境科学, 2014, 35(4): 1238 − 1244. DONG Ting, LI Tianxin, ZHAO Xiuge, et al. Source and health risk assessment of heavy metals in ambient air PM10 from one coking plant [J]. Environ Sci, 2014, 35(4): 1238 − 1244. [14] NEEDLEMAN H L. The future challenge of lead toxicity [J]. Environ Health Perspect, 1990, 89: 85 − 89. [15] 彭镇华. 中国城市森林[M]. 北京: 中国林业出版社, 2014. [16] 柴一新, 祝宁, 韩焕金. 城市绿化树种的滞尘效应: 以哈尔滨市为例[J]. 应用生态学报, 2000, 13(9): 1121 − 1126. CHAI Yixin, ZHU Ning, HAN Huanjin. Dust removal effect of urban tree species in Harbin [J]. Chin J Appl Ecol, 2000, 13(9): 1121 − 1126. [17] 李超群, 钟梦莹, 武瑞鑫, 等. 常见地被植物叶片特征及滞尘效应研究[J]. 生态环境学报, 2015, 24(12): 2050 − 2055. LI Chaoqun, ZHONG Mengying, WU Ruixin, et al. Study on leaf characteristics and dust-capturing capability of common ground cover plants [J]. Ecol Environ Sci, 2015, 24(12): 2050 − 2055. [18] 罗曼. 不同群落结构绿地对大气污染物的消减作用研究[D]. 武汉: 华中农业大学, 2013. LUO Man. Study on Air Pollutants Removal Effects of Green Space with Different Community Structures[D]. Wuhan: Huazhong Agricultural University, 2013. [19] 刘宇, 黄旭, 偶春, 等. 夏季不同结构绿地空气PM2.5浓度与气象因子关系[J]. 西北林学院学报, 2015, 30(5): 241 − 245. LIU Yu, HUANG Xu, OU Chun, et al. Relationships between PM2.5 concentrations in different greenbelts and climate factors in summer [J]. J Northwest For Univ, 2015, 30(5): 241 − 245. [20] 耿雅妮, 梁青芳, 杨宁宁, 等. 宝鸡市城区灰尘重金属空间分布、来源及健康风险[J]. 地球与环境, 2019, 47(5): 696 − 706. GENG Yani, LIANG Qingfang, YANG Ningning, et al. Distribution, sources and health risk assessment of heavy metals in dusts of the urban area of the Baoji city [J]. Earth Environ, 2019, 47(5): 696 − 706. [21] 于瑞莲, 胡恭任, 戚红璐, 等. 泉州市不同功能区大气降尘重金属污染及生态风险评价[J]. 环境化学, 2010, 29(6): 1086 − 1090. YU Ruilian, HU Gongren, QI Honglu, et al. Pollution and ecological risk assessment of heavy metals in the dustfall from different functional areas of Quanzhou City [J]. Environ Chem, 2010, 29(6): 1086 − 1090. [22] 邱栩文. 临安市环境保护“十一五”规划研究[D]. 杭州: 浙江大学, 2006. QIU Xuwen. Research on Eleventh Five Years Environmental Planning of Lin’an[D]. Hangzhou: Zhejiang University, 2006. [23] 杭州市统计局. 2017杭州统计年鉴[M]. 北京: 中国统计出版社, 2017. [24] 王维, 侯平, 严淑娴, 等. 杭州临安一次严重大气污染过程的气温与污染物特征[J]. 浙江农林大学学报, 2018, 35(6): 997 − 1006. WANG Wei, HOU Ping, YAN Shuxian, et al. Atmospheric temperature and pollutants on heavy pollution days in Lin’an, Hangzhou [J]. J Zhejiang A&F Univ, 2018, 35(6): 997 − 1006. [25] 中华人民共和国住房和城乡建设部. 城市绿地分类标准: CJJ/T 85−2017[S]. 北京: 中国建筑工业出版社, 2017. [26] 张秀芝, 鲍征宇, 唐俊红. 富集因子在环境地球化学重金属污染评价中的应用[J]. 地质科技情报, 2006, 25(1): 65 − 72. ZHANG Xiuzhi, BAO Zhengyu, TANG Junhong. Application of the enrichment factor in evaluating of heavy metals contamination in the environmental geochemistry [J]. Geol Sci Technol Inf, 2006, 25(1): 65 − 72. [27] GHOSH S, RABHA R, CHOWDHURY M, et al. Source and chemical species characterization of PM10 and human health risk assessment of semi-urban, urban and industrial areas of West Bengal, India [J]. Chemosphere, 2018, 207: 626 − 636. [28] 中华人民共和国环境保护部. 环境空气质量标准: GB 3095−2012[S]. 北京: 中国环境科学出版社, 2012. [29] World Health Organization. Air Quality Guidelines for Europe[M]. Copenhagen: WHO Library Cataloguing in Publication Data, 2000. [30] LÜ Weiwei, WANG Yanxin, QUEROL X, et al. Geochemical and statistical analysis of trace metals in atmospheric particulates in Wuhan, central China [J]. Environ Geol, 2006, 51(1): 121 − 132. [31] DUONG T T T, LEE B K. Determining contamination level of heavy metals in road dust from busy traffic areas with different characteristics [J]. J Environ Manage, 2011, 92: 554 − 562. [32] 赵珍丽, 赵委托, 黄庭, 等. 电镀厂周边大气PM10中重金属季节性分布特征及生态风险评价[J]. 环境科学, 2018, 39(1): 18 − 26. ZHAO Zhenli, ZHAO Weituo, HUANG Ting, et al. Seasonal characteristics and ecological risk assessment of heavy metals in PM10 around electroplating plants [J]. Environ Sci, 2018, 39(1): 18 − 26. [33] 谭吉华, 段菁春. 中国大气颗粒物重金属污染、来源及控制建议[J]. 中国科学院研究生院学报, 2013, 30(2): 145 − 155. TAN Jihua, DUAN Jingchun. Heavy metals in aerosol in China: pollution, sources, and control strategies [J]. J Grad Univ Chin Acad Sci, 2013, 30(2): 145 − 155. [34] 朱玉琴, 司云航, 朱忆宁, 等. 我国车用汽油标准现状及发展趋势[J]. 天然气化工, 2014, 39(6): 77 − 81. ZHU Yuqin, SI Yunhang, ZHU Yining, et al. Current situation and development trend of motor gasoline standards in China [J]. Nat Gas Cheml Ind, 2014, 39(6): 77 − 81. [35] 杨怀金, 杨德容, 叶芝祥, 等. 成都西南郊区春季PM2.5中元素特征及重金属潜在生态风险评价[J]. 环境科学, 2016, 37(12): 4490 − 4503. YANG Huaijin, YANG Derong, YE Zhixiang, et al. Characteristics of elements and potential ecological risk assessment of heavy metals in PM2.5 at the southwest suburb of Chengdu in spring [J]. Environ Sci, 2016, 37(12): 4490 − 4503. [36] 刘浩栋, 陈亚静, 李清殿, 等. 城市道路林对细颗粒物(PM2.5)的阻滞作用解析[J]. 浙江农林大学学报, 2020, 37(3): 397 − 406. LIU Haodong, CHEN Yajing, LI Qingdian, et al. Analysis of blocking effects of urban roadside forests on PM2.5 [J]. J Zhejiang A&F Univ, 2020, 37(3): 397 − 406. [37] 雷文凯, 李杏茹, 张兰, 等. 保定地区PM2.5中重金属元素的污染特征及健康风险评价[J]. 环境科学, 2021, 42(1): 38 − 44. LEI Wenkai, LI Xingru, ZHANG Lan, et al. Pollution characteristics and health risk assessment of heavy metals in PM2.5 collected in Baoding [J]. Environ Sci, 2021, 42(1): 38 − 44. [38] 田春辉, 杨若杼, 古丽扎尔·依力哈木, 等. 南京市大气降尘重金属污染水平及风险评价[J]. 环境科学, 2018, 39(7): 3118 − 3125. TIAN Chunhui, YANG Ruozhu, Gulizhaer Yilihamu, et al. Pollution levels and risk assessment of heavy metals from atmospheric deposition in Nanjing [J]. Environ Sci, 2018, 39(7): 3118 − 3125. [39] 沈建东, 周玉强, 王蕴赟, 等. 杭州西湖景区PM2.5中重金属来源及健康风险评价[J]. 环境污染与防治, 2020, 42(2): 199 − 203. SHEN Jiandong, ZHOU Yuqiang, WANG Yunyun, et al. Sources and health risk assessment of heavy metals in PM2.5 of West Lake scenic area in Hangzhou [J]. Environ Poll Control, 2020, 42(2): 199 − 203. [40] 周雪明, 郑乃嘉, 李英红, 等. 2011-2012北京大气PM2.5中重金属的污染特征与来源分析[J]. 环境科学, 2017, 38(10): 4054 − 4060. ZHOU Xueming, ZHENG Naijia, LI Yinghong, et al. Chemical characteristics and sources of heavy metals in fine particles in Beijing in 2011-2012 [J]. Environ Sci, 2017, 38(10): 4054 − 4060. [41] TIAN Hezhong, CHENG Ke, WANG Yan, et al. Temporal and spatial variation characteristics of atmospheric emissions of Cd, Cr, and Pb from coal in China [J]. Atmos Environ, 2012, 50: 157 − 163. 期刊类型引用(4)
1. 张泽宇，朱明喜，陈昊泽，刘明源，张紫微，郑威. 龙眼DlFNS蛋白的生物信息学分析. 分子植物育种. 2024(01): 61-67 . 
百度学术2. 杨欣蓉，于旭东，吴繁花，蔡泽坪，罗佳佳，曹佩娜. 菠萝蜜BRI1家族成员生物信息学的预测与对比. 分子植物育种. 2021(01): 100-110 . 百度学术3. 宋丽娟，陈冬丽，李留振. 探究几种核桃花芽分化规律及分化时间. 天津农林科技. 2019(02): 37-38 . 百度学术4. 张云婷，江雷雨，叶云天，冯琛，孙勃，王小蓉，汤浩茹. 草莓FaCOP1的克隆及其表达特异性分析. 园艺学报. 2017(03): 547-556 . 百度学术其他类型引用(1)
-
-
链接本文:
https://zlxb.zafu.edu.cn/article/doi/10.11833/j.issn.2095-0756.20200558
点击查看大图
计量
- 文章访问数: 1729
- HTML全文浏览量: 249
- PDF下载量: 186
- 被引次数: 5
