封城前后綠地景觀格局對氣溶膠影響的比較

向 煬 周志翔

大氣污染是城市環境中的典型問題[1]。世界上超過一半的人居住在世界衛生組織對空氣質量安全閾值之外，長期暴露在高污染區域會導致嚴重的健康風險[2]。因此，了解驅動因子對大氣污染的影響，并制定緩解策略對于城市規劃和政策制定者是極其重要的信息。

站點和移動監測是傳統測量大氣污染的方法[2]。但由于這些測量方式的限制，無法精確地獲取大氣污染的空間分布，在一定程度上限制了探究大氣污染的影響機制。得益于遙感技術的發展，越來越多的研究通過反演的方式獲取氣溶膠光學厚度(AOD)數據來表征大氣污染狀態。與先前的監測方法相比較，氣溶膠數據能夠更加快速地獲取更大尺度的大氣污染狀態，是一種更加有效獲取城市甚至更大尺度的空間分布和時間變異的數據源[3]。大氣氣溶膠是由大氣中固態或液態顆粒所組成，能夠影響大氣中的許多過程[4]。

先前的研究表明，不同土地利用類型能夠顯著地影響大氣污染，其中綠地被當作是緩解大氣污染的重要組成部分[5]。綠地中的植物能夠通過葉片或枝干對顆粒污染物進行吸附和阻擋等滯塵作用[6]。綠地滯塵往往會受到葉片特征、綠地結構和環境因子的影響[7]。上海的研究表明，林地和草地削減PM2.5的年均值分別為20.24kg/hm2和9.11kg/hm2[8]。隨著景觀生態學的不斷發展，綠地景觀格局與大氣污染的關系受到了極大的關注[9]。增加綠地覆蓋率能有效地緩解大氣污染[10]。更大且聚集的綠地有利于緩解大氣污染，綠地的邊界密度與AOD呈負相關關系[5，11]。盡管先前許多研究量化了景觀指數與AOD之間的相互關系，但是仍然存在一定的限制。首先，大多數研究并未比較剔除交通和工業排放前后對影響因子與大氣污染之間的相互關系，因為大氣污染不僅受綠地影響，而且受到交通及工業排放的影響[12]。其次，先前大多數研究都是基于全局回歸模型，例如最小二乘法(OLS)。OLS模型是基于空間平穩性、樣本之間相互獨立的假設之上。然而，大量研究表明，景觀指數和AOD均存在空間自相關的特征[13]，這導致OLS的結果存在一定的偏差。盡管少數研究采用地理加權回歸(GWR)的方法在一定程度上降低了偏差，但GWR平均了所有影響因子的帶寬，忽略了驅動因子對AOD產生影響的尺度效應[14]。最后，景觀指數之間存在顯著的強相關性，存在嚴重的共線性問題[15]。因此，先前的研究大多數通過降維或通過降低景觀指數的數量來解決共線性問題，然而影響AOD的主導的景觀指數并不清晰。基于上述問題，本研究擬采用結構方程模型比較分析新冠疫情封城前后社會經濟、路網密度、綠地景觀指數之間的因果關系，并引入隨機森林的方法來探測主導的綠地景觀指數，再采用多尺度地理加權回歸(MGWR)比較封城前后綠地景觀指數對AOD的影響。希望通過優化綠地景觀格局來緩解大氣污染，為城市規劃和政策制定者提供基礎信息。

1 研究區域和方法

1.1 研究區域

選取中國中部的特大城市武漢，包含13個區，面積約為8 500km2。武漢市人口超過1 000萬，地處江漢平原，地勢平坦。其氣候四季分明，為亞熱帶季風氣候。武漢經歷過相對嚴重的大氣污染[16]，2020年武漢生態環境局發布的公報顯示，全年武漢市空氣質量為優的僅占100天，因此選取其為研究區域。

1.2 數據來源

AOD數據來自國家科技基礎條件平臺——國家地球系統科學數據中心(http://www.geodata.cn)中國1km分辨率逐日無縫氣溶膠光學厚度數據集，選取新冠疫情封城前的時間分別為2020年1月19、20日，封城后的時間為2020年1月30、31日及2020年2月2—4日，這幾天風速小(≤0.9m/s)，且當天和前2天均無降雨。疫情封城前后的AOD均通過平均值合成用于后續分析。夜間燈光來自VIIRS數據集中2020年度合成的產品，該產品空間分辨率為500m[17]。人口數據來自WorldPop數據集，本研究選取1 000m的空間分辨率下聯合國調整的人口數據。道路數據來自Open Street Map。

1.3 研究方法

1.3.1 土地利用類型分類

基于哨兵二號數據采用隨機森林的方法對土地利用進行分類，最終獲取到10m空間分辨率的6類土地利用分布圖(圖1)。其中，分類結果的總體分類精度為0.94，kappa系數為0.92。本研究中的綠地主要為喬木植被覆蓋區，被選取為目標土地利用類型。

圖1 武漢市土地利用空間分布圖

1.3.2 分析網格的選擇

選擇所有數據的整數倍1km×1km的網格作為分析基礎，由于土地利用數據為10m，人口數據的空間分辨率為1 000m，夜間燈光數據為500m。通過歸一化差值水體指數剔除了包含水體和水田的網格，由于水體區域存在高AOD，最終獲取4 254個網格用于綠地景觀指數的后續分析。

1.3.3 貢獻指數

采用貢獻指數量化出疫情前后不同行政區下綠地景觀指數和AOD對武漢對應指標的貢獻。

貢獻指數的計算公式如下：

1.3.4 結構方程模型的設定

結構方程模型能夠描述影響因子之間的因果關系。選取新冠疫情前后來探索社會經濟、路網密度、綠地景觀指數和AOD之間的因果關系。設定由夜間燈光和人口所表征的社會經濟能夠直接影響路網密度[18]和綠地景觀指數[19]，然后綠地景觀指數和路網密度影響AOD[20-21]。標準化的路徑系數被用于表征影響大小。在執行結構方程模型之前，分別對綠地景觀指數和夜間燈光與人口進行了主成分分析來降低共線性。最后通過(1)CFI、GFI和NFI指數接近1和(2)RMSEA小于0.8來描述模型的優劣。在R語言中“lavaan”包來執行結構方程模型。

1.3.5 主導綠地景觀指數的因子

采用R語言“randomForest”包中隨機森林模型探測對AOD產生影響的主導因子。隨機森林相較于傳統的OLS，能夠很好地克服景觀指數之間共線性所帶來不確定性。本研究選取12個綠地景觀指數作為解釋變量，AOD為響應變量。通過最大值-最小值對重要性的結果進行標準化，并加權平均IncMSE和IncNodePurity2個指標來獲取最終的重要性。

1.3.6 回歸模型中景觀指數的選擇

景觀指數是量化景觀格局的指標，能夠反映景觀的組成和配置特征。初步選擇景觀百分比(PLAND)、最大斑塊指數(LPI)、斑塊密度(PD)、邊界密度(ED)、景觀形狀指數(LSI)、平均斑塊面積(AREA_MN)、平均形狀指數(SHAPE_MN)、平均斑塊分維數(FRAC_MN)、平均斑塊回轉半徑(GYRATE_MN)和斑塊內聚力指數(COHESION)，然后通過逐步回歸模型和方差膨脹因子(V＜7.5)選擇景觀指數。在Fragstats 4.2中采用八鄰域規則來計算景觀指數。景觀指數的生態意義能夠在研究中被發現[22]。

1.3.7 空間自相關特征的測量

采用局部和全局莫蘭指數來量化綠地景觀指數和AOD的空間自相關特征。全局莫蘭指數被用來量化武漢綠地景觀指數和AOD整體的空間聚集特征；局部莫蘭指數則被用來量化具體位置的空間聚集特征。全局和局部莫蘭指數的值域從-1到1，值越接近于1或-1表明變量在空間上表現為高值或低值聚集特征。局部莫蘭指數能夠被劃分為4種類型：“高-高”“低-低”“高-低”“低-高”。“高-高”或“低-低”指高值或低值呈現空間聚集特征；“高-低”或“低-高”指高值被低值或低值被高值所包圍的空間聚集特征。

1.3.8 多尺度地理加權回歸

MGWR是GWR的擴展，通過考慮不同影響因子的多個帶寬來描述因子在不同空間尺度上的空間變化[23]。本研究在軟件MGWR 2.2中進行MGWR分析綠地景觀指數對AOD的影響。

2 結果與分析

2.1 綠地景觀指數和氣溶膠光學厚度的統計特征

通過逐步回歸模型和VIF不斷調整模型，選擇PLAND、PD、AREA_MN和PARA_MN作為疫情封城前后影響AOD的因子。圖2描述了不同行政單元對篩選后的景觀指數與AOD的貢獻。圖2表明，黃陂區為武漢市PLAND和AREA_MN提供最高的正貢獻，而對PD、PARA_MN和疫情前后AOD提供了最高的負貢獻。總體而言，主城區范圍內行政單元的面積和遠城區對比較小，因此在主城區范圍內因子對武漢整體的貢獻有限。

圖2 不同行政單元下篩選后綠地景觀指數和氣溶膠光學厚度對武漢市的貢獻(注：CI為貢獻指數，a、b、c、d、e和f分別指PLAND、PD、AREA_MN、PARA_MN、疫情封城前的AOD和封城后的AOD)

2.2 疫情封城前后社會經濟、路網密度、綠地景觀指數與AOD之間的因果關系

在執行結構方程模型之前，對綠地景觀指數和社會經濟指標進行了主成分分析和最大方差旋轉，最終獲取了不同主要因子荷載下景觀指數主成分1(AREA_MN、GYRATE_MN和PARA_MN)、2(PLAND、LPI、COHESION和DIVISION)、3(PD、ED、LSI)和4(SHAPE_MN和FRAC_MN)及社會經濟主成分1(夜間燈光和人口)。路網密度和AOD經過了標準化處理。基于主成分分析的結果，比較了疫情前后由夜間燈光和人口數據所表征的社會經濟、路網密度、綠地景觀指數與AOD之間因果關系(圖3)。發現2個結構方程模型均具有較好的解釋效果，其中GFI＞0.90、CFI＞0.90、CFI＞0.90和RMSEA＜0.08表明模型的擬合效果好[21]。

圖3 疫情封城前后由社會經濟、路網密度、綠地景觀指數和氣溶膠光學厚度所構建的結構方程模型

社會經濟、路網密度和綠地景觀指數在疫情前后分別解釋了64%和21%AOD的空間變異。新冠疫情封城前后由夜間燈光和人口所表征的社會經濟均能夠直接促進路網密度，表明社會經濟的發展增加了路網密度。社會經濟和路網密度對綠地景觀指數為限制作用，表明社會經濟的發展需要更多的灰色基礎設施，從而限制了綠地的配置。路網密度會顯著影響AOD，路網密度越高，交通排放量也會更大，從而導致AOD升高，而新冠疫情封城后交通排放地被降低了，因此與封城前相比較，封城后路網密度對AOD的直接影響被降低了。綠地景觀指數對AOD的影響在疫情封城前后存在差異，與疫情封城前相比，封城后綠地景觀指數對AOD的負相關影響被減弱了，這可能是因為疫情封城后氣溶膠污染降低了，因此減弱了綠地對AOD的削減作用。結構方程模型的結果還表明，綠地景觀指數中的主成分2是綠地景觀指數的主要潛變量。

2.3 疫情封城前后影響AOD的主導綠地景觀指數

采用隨機森林的方法探測疫情前后影響AOD的主導綠地景觀指數(圖4)。盡管疫情前后，綠地景觀指數對AOD的重要性存在差異，但PLAND仍然是最重要的綠地景觀指標，提升綠地能夠很好地緩解AOD。進一步對不同綠地景觀百分比下景觀指數對AOD的重要性進行了分析。圖4以25%為間隔，將綠地景觀百分比劃分為4個等級。總體來說，與疫情封城前相比較，疫情封城后綠地景觀指數對AOD的相對重要性增大，這表明更多的綠地景觀指數能夠對AOD產生較大的影響。新冠疫情封城前，綠地景觀百分比在[0，25)、[25，50)、[50，75)和[75，100]時，主導因子分別為PARA_MN和ED、PLAND和PLAND；新冠疫情封城后，主導因子分別為PLAND和LSI、ED和PLAND。這表明優化綠地的景觀配置也能很好地減少氣溶膠污染。

圖4 疫情封城前后綠地景觀指數對氣溶膠光學厚度的重要性[注：1～5分別指在PLAND中[0，100]、[0，25)、[25，50)、[50，75)、[75，100]，b和a分別指疫情封城前和后。]

2.4 綠地景觀指數和AOD的空間自相關特征

表1結果顯示，綠地景觀指數和AOD均存在顯著的全局空間自相關特征(p＜0.001)，在空間上表現為聚集分布的特征。進一步采用局部MoranI指數來探測局部空間自相關的特征。圖5描述了綠地景觀指數與AOD的局部空間自相關特征。武漢的北部為PLAND和AREA_MN高值聚集區，PD和PARA_MN及疫情封城前后AOD的低值聚集區；武漢中部為PD和疫情封城前后AOD的高值聚集區，PLAND的低值聚集區。

表1 景觀指數和氣溶膠光學厚度全局莫蘭指數的結果

圖5 綠地景觀指數和氣溶膠光學厚度局部莫蘭指數的結果

2.5 不同回歸模型的對比

采用3個擬合優度的指標來測量模型優劣，包括調整R2、矯正后的赤池信息準則(AICc)和殘差平方和(RSS)。更高的調整R2、更低的AICc和RSS表明更好的擬合效果。表2結果顯示，疫情前后MGWR的擬合優度指標均優于其他模型，得到了更加接近真實值的結果。因此，本研究選擇MGWR模型來分析疫情封城前后綠地景觀指數對AOD的影響。

表2 不同模型擬合優度的對比

2.6 多尺度地理加權回歸中景觀指數的尺度變化

MGWR和GWR所確定的最佳帶寬具有明顯差異(表3)。MGWR強調了尺度在探索綠地景觀指數和AOD之間空間非平穩性的重要性。疫情封城前后的帶寬存在差異，但總體來說，在疫情封城前AREA_MN的影響尺度相對全局，表明在較大范圍內，其對AOD的影響均有顯著影響，而PLAND、PD和PARA_MN的影響尺度較為局部，在具體位置進行優化這些指標才能發揮較為顯著的作用；對于疫情封城之后，PLAND、PD和AREA_MN的影響相對全局，PARA_MN的影響較為局部。

表3 GWR和MGWR確定的最佳帶寬

2.7 疫情封城前后回歸系數的空間差異

為了深入分析綠地景觀指數對AOD的影響，采用MGWR中顯著的回歸系數(p＜0.05)來量化它們之間的相互關系(圖6)。與疫情封城前相比較，疫情封城后回歸系數降低了，綠地削減AOD的能力降低了，這可能是因為封城后武漢市AOD降低了。具體來說，對于PLAND和PD，疫情封城前后武漢從北部到南部，回歸系數的大小呈現逐漸遞減的趨勢。AREA_MN和PARA_MN的回歸系數在疫情封城前后表現為從武漢東北部往西南部逐漸遞減。對于PD來說，在疫情封城前的武漢中部表現為正相關關系，而在封城后表現為相反的關系，這可能是由于氣溶膠污染程度的差異，對于氣溶膠污染相對更大的疫情封城前，部分分散配置的綠地無法很好地緩解AOD。

圖6 在多尺度地理加權回歸中顯著回歸系數的空間分布

3 討論

結構方程模型和隨機森林的結果在新冠疫情封城前后存在差異。與疫情封城前相比，由于AOD的降低，封城后綠地景觀指數對AOD的削減作用被減弱了，但更多綠地景觀指數對AOD的相對重要性被增強了。

綠地能夠通過自身葉片或枝干與污染物發生碰撞，從而產生沉積來緩解大氣污染物[7]。不同的綠地景觀格局能夠影響能量和物質的分布，改變了這種沉積的過程，進而影響綠地削減污染物的功能[11]。總的來說，增加綠地景觀百分比能很好地降低AOD，這與先前的部分研究一致[21]，但有部分研究指出樹木降低了街道峽谷中的風速，降低了空氣交換，導致污染物的積累[24]，這種矛盾的結果可能和城市街區形態及通風條件相關。綠地景觀的破碎化和復雜性也能緩解AOD，這可能是因為綠地邊界長度和形狀的復雜性增加后提升了污染物在綠地滯留的可能性[25]。總的來說，在武漢北部增加綠地景觀百分比并分散配置；在東北部增加綠地景觀的平均斑塊面積并配置復雜形狀的綠地；在武漢中部配置復雜的綠地斑塊能更有效地削減AOD。

4 結論

1)黃陂區為武漢市綠地景觀百分比和平均斑塊面積提供了最高的正貢獻，而對綠地斑塊密度和形狀復雜性的負貢獻最高。

2)由夜間燈光和人口所表征的社會經濟能夠顯著且直接地促進路網密度和限制綠地的發展，從而間接地影響AOD。路網密度提升了氣溶膠污染的水平，綠地景觀指數能夠有效地限制氣溶膠污染。與疫情封城前相比，封城后綠地景觀指數對AOD的削減作用降低了。

3)不同綠地景觀百分比下，影響AOD的主導因子具有差異。與疫情封城前相比較，封城后綠地景觀指數對AOD的相對重要性增大了。

4)綠地景觀指數和AOD表現為顯著的空間聚集特征。

5)與OLS和GWR模型相比，MGWR能夠獲取更好的擬合效果，調整R2更高，AICc和RSS更小。

6)AOD在新冠疫情封城前后受到綠地景觀指數的影響，這種影響的大小和尺度均存在空間異質性。

注：文中圖片均由作者繪制。