城市綠地及其溢出效應對PM2.5濃度影響研究
——以合肥市主城區為例

王麗宸，董冬，顧康康*，羅毅

1.安徽建筑大學建筑與規劃學院

2.安徽省國土空間規劃與生態研究院

隨著城鎮化進程和工業化的快速發展，大氣污染成為制約城市發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，對大氣環境和人體健康影響更大[1-2]。醫學研究表明，PM2.5會增加呼吸系統疾病的發病風險[3-5]。

綠地是城市結構中的自然主體，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，可以改善大氣環境，是緩解城市空氣污染的重要途徑。近年來，國內外學者開展的大量顆粒物與城市綠地的相關研究，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，通過增加綠地數量、優化綠地形態等方式可以有效降低PM2.5濃度[10,15]。有學者進一步利用模型（如CFD模型等）量化研究不同因素對PM2.5空間分布的影響。研究發現植物的空氣動力學效應優先于沉積效應[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據或氣象站數據，通過比較各監測點間數據得出結論，研究范圍受到較大限制，監測點位置的選擇也會對研究結果產生影響。

溢出效應（spillover effect）的概念與經濟學中的外部性類似，指的是一個組織的某種行為不僅會對本組織產生影響，還會對相鄰的組織產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。考慮到城市綠地對內部PM2.5濃度的影響與綠地溢出效應的作用機理不同，且在目前的研究中對綠地溢出效應的關注較少，筆者以合肥市主城區為例，利用衛星數據，分別對綠地內、外部PM2.5濃度進行統計分析，研究不同區域的城市綠地及其溢出效應對PM2.5濃度的影響，以期為城市綠地規劃提供指引。

1 材料與方法

1.1 研究區概況

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，屬亞熱帶季風性濕潤氣候，季風明顯，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，全年主導風向為西北風。截至2020年，合肥市總面積11 445.06 km2，建成區面積502.50 km2，常住人口936.99萬人，建成區綠化覆蓋率為46.53%?？諝赓|量在線監測分析平臺發布的數據顯示，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，大氣污染問題嚴重，主要大氣污染物是NO2、SO2和顆粒物（PM2.5、PM10）等。

1.2 數據來源

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

PM2.5柵格數據來源于華盛頓大學大氣成分分析組（https://sites.wustl.edu/acag/）2018 年4 月中國的PM2.5柵格數據，并通過ArcGIS軟件進行校準與處理。遙感圖像來源于中國科學院計算機網絡信息中心地理空間數據云平臺（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，影像質量較好，云量為0.03%。

1.3 研究方法

1.3.1 PM2.5效應區劃分

利用ArcGIS軟件對合肥市主城區4月的PM2.5柵格數據進行空間插值處理（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，并進行空間自相關分析，將研究區劃分為不同的PM2.5效應區，分別為 HH（high-high）效應區、LL（low-low）效應區和無明顯效應區。其中HH效應區和LL效應區代表的是正的空間自相關關系，揭示了區域的集聚和相似性，無明顯效應區則表示的是地區間不存在空間自相關性的區域。由于空間自相關分析結果中沒有像元表示低集聚增長地區被高集聚增長的其他區域所包圍（LH）和高集聚增長地區被低集聚增長的其他區域所包圍（HL），在研究區的劃分中不考慮LH效應區和HL效應區。

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和整理。為減少周邊綠地、水體對研究結果的影響，剔除了周邊有大型綠地或水體的樣本?？紤]到PM2.5柵格數據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 綠地空間形態與景觀構成指標

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

表1 綠地空間形態與景觀構成指標Table 1 Spatial form and landscape component index of green space

1.3.4 數據處理與分析

設定綠地外圍500 m為城市綠地溢出效應對PM2.5濃度的最大影響范圍。使用ArcGIS軟件，統計各綠地內部的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，與PM2.5濃度分布數據疊加，計算各綠地內部和各緩沖區內的PM2.5平均濃度，分析各緩沖區PM2.5平均濃度及其與綠地間距離的關系，并將綠地內部和綠地邊緣PM2.5平均濃度分別與500 m緩沖區PM2.5平均濃度進行比較，計算得到綠地內部和綠地外圍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進行相關分析和回歸分析。為消除PM2.5背景濃度的影響，對綠地外圍各緩沖區內的PM2.5平均濃度進行歸一化處理。

2 結果與分析

2.1 PM2.5空間分布特征與自相關分析

研究區域內，4月的PM2.5濃度平均值為67.80μg/m3，高于 GB 3095——2012《環境空氣質量標準》二級標準值（35.00 μg/m3），空氣質量較差。從主城區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產業開發區（新站區）、中部老城區及西南部經濟技術開發區（經開區）PM2.5濃度較高，最高達到71.60 μg/m3；西部高新技術產業開發區（高新區）和南部濱湖新區濃度較低，最低為62.40 μg/m3。

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

對PM2.5濃度數據進行空間自相關分析（圖2），結果表明：中部老城區、東北部新站區、西南部經開區等區域為PM2.5濃度高集群區；研究區PM2.5濃度空間自相關顯著，且PM2.5濃度的空間分布并不是隨機的。

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

2.2 不同效應區城市綠地的選擇

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HH效應區、LL效應區以及無明顯效應區數量分別為7、5和6塊，具體分布情況如圖3所示。

圖3 不同PM2.5效應區綠地分布情況Fig.3 Distribution of green spaces in different PM2.5 effect areas

表2 不同區域綠地數量Table 2 Amount of green space in different areas

將各緩沖區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，結果見圖4。由圖4可知，不同區域的綠地溢出效應對PM2.5濃度影響不同：在HH效應區內，隨著與綠地之間距離的增加，PM2.5平均濃度降低；在LL效應區中，PM2.5平均濃度隨距離增加而增加；無明顯效應區內，PM2.5平均濃度變化無規律，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平均濃度之間的關系，將研究數據導入SPSS軟件進行相關性分析。結果表明：在HH效應區內，距離與PM2.5平均濃度呈負相關（r＜-0.461），即距離越遠，PM2.5平均濃度越低；在LL效應區內，距離與PM2.5平均濃度呈顯著正相關（r＞0.783，p＜0.01），即距離越遠，PM2.5平均濃度越高；在無明顯效應區內，距離與PM2.5平均濃度相關性顯著（p＜0.05）（表3）。

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

2.3 不同效應區城市綠地對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與景觀構成指標，分別將3個區域的PM2.5濃度變化值與綠地指標值導入SPSS軟件進行相關性分析，結果如表4所示。從表4可以看出，在HH效應區，PM2.5濃度變化與綠地的Sg和Cg呈顯著正相關，與綠地的LSIg和NDVIg呈正相關，與綠地的RCCg和PWg呈負相關。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效應區，PM2.5濃度變化與綠地的Sg、Cg、RCCg呈正相關，與綠地的 LSIg、FDIg、NDVIg、PWg呈負相關。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PM2.5濃度越高；形狀越不規則、植被覆蓋率越高的綠地內PM2.5濃度越低。在無明顯效應區，PM2.5濃度變化與綠地的Sg、Cg、LSIg、FDIg、RCCg和 NDVIg呈負相關，與 PWg呈正相關，表明面積越大、周長越長、形狀越不規則越復雜、植被覆蓋度越高、水體占比越低的綠地PM2.5濃度越低。

表4 綠地指標與PM2.5濃度變化的相關性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數據進行回歸分析前，首先需對各影響因素進行相關性分析，排除存在較強相關關系的因素，結果見表5。從表5可以看出，Sg與Cg呈極顯著正相關，保留Sg；LSIg、FDIg、RCCg間呈顯著正相關，保留 LSIg；NDVIg與PWg呈極顯著負相關，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濃度影響因素相關性分析Table 5 Correlation analysis of influencing factors of PM2.5 concentration

利用不同區域綠地的數據進行多元線性回歸分析，并以不同綠地指標為指數構建模型，通過比較得出貢獻度最大的指標和PM2.5濃度變化量與Sg、LSIg、NDVIg之間的最適模型（表6）?；貧w分析結果表明，在LL效應區NDVIg對PM2.5濃度變化影響最大，在HH效應區和無明顯效應區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，此時綠地內相對封閉的空間不利于顆粒物的擴散，使得綠地內PM2.5濃度顯著高于林外[22]。實地試驗結果表明，當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PM2.5濃度達到200 μg/m3以上時各監測點消減率均為負值[23]。本研究結果表明，綠地周邊PM2.5濃度的增加主要發生在PM2.5濃度較高且集聚的區域，原因可能是在PM2.5濃度較高且集聚的區域，相鄰區域間濃度差較低，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生多種化學反應（包括光化學反應、催化氧化反應等），導致PM2.5的二次轉化，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，與疏透度負相關。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。規劃中應注意因地制宜，合理選擇植物種類，并根據不同植物的特性合理控制植被覆蓋率，充分發揮綠地對PM2.5濃度的消減作用。

此外，PM2.5濃度受季節和風速、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，與溫度、風速、太陽輻射、大氣壓等呈顯著負相關[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]。本研究發現PM2.5濃度較高的區域主要集中于城市化程度較高的區域，其原因不僅在于該區域內人口、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，減少了城市內部空氣流通，阻礙了污染物擴散有關。

對于城市綠地及其溢出效應對PM2.5濃度的不同影響，規劃中首先要對規劃區的PM2.5濃度背景值及空間分布規律進行分析，針對不同PM2.5濃度效應區合理進行綠地系統規劃，適當提高植物的密度與豐富度。規劃中應充分考慮城市地形、氣候、環境和城市內部污染源位置，結合城市特點、土地利用情況、綠地水系及城市生態，合理調整城市形態，適當增加開敞空間，營造良好的城市通風廊道，加強城市內部空氣流動，減小背景PM2.5濃度，防止PM2.5在城市內聚集造成局部區域PM2.5濃度升高。

4 結論與展望

綠地周邊PM2.5濃度平均值與距離綠地的距離顯著相關，其中在HH效應區內呈負相關，在LL效應區內呈正相關。在不同的區域中，各類綠地指標對PM2.5濃度變化的影響效應不同。在HH效應區及LL效應區的綠地內部，Sg、Cg與PM2.5濃度變化呈正相關，而在無明顯效應區及LL效應區的綠地外圍則表現為負相關；在LL效應區NDVIg對PM2.5濃度變化影響最大，在HH效應區和無明顯效應區Sg對PM2.5濃度變化影響最大。

本研究受樣本數量的影響，部分分析效果不夠顯著；使用的PM2.5柵格數據精度較低，濃度變化絕對值存在誤差；且僅對2018年4月的PM2.5柵格數據進行了分析，難以反映出不同氣象條件、不同季節對結果的影響。在之后的研究中，應增加不同季節PM2.5的數據和其他城市或區域的數據，更加深入地分析綠地指標與PM2.5濃度變化值的關系。并應結合實測數據和模型，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的關系，探究對PM2.5濃度消減率最大的綠地指標。此外，還應考慮地形、濕度、風環境、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、全面。