基于ENVI-met的城市居住区空间形态 与PM2.5浓度关联性研究

祝玲玲，顾康康, ，方云皓

1. 安徽建筑大学建筑与规划学院，安徽 合肥 230022；2. 安徽省城镇化发展研究中心，安徽 合肥 230022

随着城市化与工业化的快速推进，中国关于城市发展的重点在增加城市数量而忽略提升城市质量，城市开发强度、人口密度不断增长，城市发展面临着交通拥堵、环境污染、空气质量下降等现实问题，其中，PM2.5污染已经成为世界各国面临的巨大挑战，对维护城市可持续发展产生严重威胁。PM2.5来源广泛、扩散范围广、危害大，已成为影响我国城市空气质量的首要污染物，不仅降低空气品质、危害人们安全健康，作为形成雾霾天气的主要因素严重阻碍了城市运转（葛跃等，2017；李名升等，2016）。城市土地利用格局决定了城市污染物的空间分布特征，空间形态决定了污染物的扩散特征（顾康康等，2018；牛慧敏等，2016；Li et al.，2017）。居住用地自身造成的污染物浓度较低，但容易受周边污染扩散影响（于静等，2011）。城市居住区较比其他类型用地构成要素多样，进而居住区空间形态差异较大，不同的城市居住区空间形态直接影响污染物扩散状态（吴正旺等，2016a；吴正旺等，2016b）。因此，在研究城市污染物扩散中，无法完全消除污染源的存在，但是可人为调控空间形态，营造良好的通风环境，降低污染物浓度。

目前，国内外关于PM2.5污染模拟研究，主要采用CFD软件模拟居住区、街区的PM2.5污染特征及其影响因素（马西娜等，2017；裴晶晶，2006；裴会义，2016；袁磊等，2019），采用ENVI-met软件模拟道路两旁的植被对PM2.5浓度的影响（Skelhorn et al.，2014；王佳等，2018；Morakinyo et al.，2016；Li et al.，2016），较少采用ENVI-met软件模拟居住区PM2.5扩散，本论文运用ENVI-met软件模拟不同居住区空间形态指标下的PM2.5浓度，为研究居住区PM2.5扩散提供新的模拟方法。

1 研究区域与方法

1.1 研究区域

合肥（30°57′-32°32′N、116°41′-117°58′E）地处中国华东地区、长江三角洲西沿，海拔平均高度8 m，地势以丘陵岗地为主。位于中纬度地带，气候属于北亚热带湿润季风气候，四季分明，春秋季短而潮湿，夏季长而闷热，冬季寒冷、干燥，全年主导风向以西北风为主，年均相对湿度为77%，年均气温15.7 ℃，年均降水量约1000 mm。

1.2 测试内容及仪器

测试指标包括大气颗粒物PM2.5浓度和气候要素指标气温、相对湿度、风速。选择2018年12月2日的测试，测试时间为09:00-17:00，每隔半小时进行测试。采用中国ETEST-100 PM2.5空气质量检测仪测定气温、相对湿度、PM2.5浓度。采用美国Kestrel 5500风速气象仪器测定空气风速。

1.3 测点布置

选择位于合肥市老城区的宝业城市绿苑西区为研究对象，在居住区内部设置两个测点进行实地监测，监测点1处于建筑间，监测点2处于中心广场，其具体位置如图1。

图1 宝业城市绿苑西区居住区监测点布置图 Fig. 1 Baoyechengshilvyuanxiqu monitoring point distribution map

1.4 研究方法

对合肥市老城区宝业城市绿苑西区进行PM2.5浓度监测，并采用ENVI-met数值模拟方法模拟宝业城市绿苑西区的PM2.5浓度，将模拟数据与实测数据进行对比，从而验证数值模拟的可行性，为进一步研究提供可靠的方法。在实地调研基础上归纳总结合肥市居住区空间形态特征，凝练居住区空间形态指标，包括居住区住宅群体平面组合形式、风向角度、容积率、绿地率等。运用ENVI-met软件模拟不同居住区空间形态指标下的PM2.5浓度，定量比较各项空间形态指标包括容积率、绿地率、住宅群体平面组合、风向角度对PM2.5浓度的影响机理。

2 结果与分析

2.1 宝业城市绿苑西区PM2.5浓度模拟

2.1.1 模型构建

将宝业城市绿苑西区的平面图导入ENVI-met软件里面就可以在此基础上准确建模（图2、图3），进而对居住区温湿度、风速、PM2.5浓度模拟。

图2 宝业城市绿苑西区的卫星图 Fig. 2 Satellite image of Baoyechengshilvyuanxiqu

图3 宝业城市绿苑西区的平面图 Fig. 3 Floor plan of Baoyechengshilvyuanxiqu

2.1.2 模拟数据与实测数据对比

图4 宝业城市绿苑西区PM2.5浓度分布图 Fig. 4 PM2.5 concentration distribution map of Baoyechengshilvyuanxiqu

图4是冬季以宝业城市绿苑西区为对象进行模拟后，获得的2018年12月2日15:00，水平高度在1.4 m的PM2.5浓度分布图。数值变化随颜色变化，由数值较大区域显示颜色黑色向数值较小区域蓝色递进变化。从图4可以看出，在当地湿度、风向、云层厚度等天气条件下，居住区内不同的空间PM2.5浓度存在较大差异。分析发现，在东南风的条件下，在居住区的下风向容易形成PM2.5浓度集聚与沉积的高值区域，从而该区域呈现紫红色、红色；周边式布局的居住区内部PM2.5浓度明显增加，该区域呈现紫红色。在建筑的背风向PM2.5浓度较大，且当建筑密集排列时十分明显；在建筑稀疏的空间开阔区域，PM2.5浓度逐渐被疏散，PM2.5浓度较低，呈现黄色、绿色。

图5是对宝业城市绿苑西区的9:00-17:00的模拟PM2.5浓度与实测PM2.5浓度对比图，模拟PM2.5与实测PM2.5数值都是先下降后上升。模拟与实测测点1平均PM2.5浓度都要低于测点2的平均PM2.5浓度，测点1与2模拟的平均PM2.5浓度分别为194.85、229.21 μg·m-3，两者相差35 μg·m-3，测点1与测点2实测平均PM2.5浓度分别为216.41，235.53 μg·m-3，两者相差19 μg·m-3；测点1与测点2模拟PM2.5浓度与实测PM2.5浓度误差分别为11.06%、2.8%。由于实测环境为复杂的城市建设环境，而模拟建立的模拟环境更加简单，使得实测值高于模拟值，此外，当天实测天气属于雾霾天气，加剧了这种现象，但两者PM2.5浓度空间分布和趋势变化基本一致，因此模拟能够反映居住区PM2.5浓度的分布与扩散。

图5 宝业城市绿苑西区实测PM2.5与模拟PM2.5浓度对比图 Fig. 5 Comparison of measured PM2.5 and simulated PM2.5 concentrations in Baoyechengshilvyuanxiqu

2.2 平面布局模拟

2.2.1 住宅群体平面组合形式

图6是东北风的条件下，时间为冬季15:00点，不同住宅群体平面组合形式的居住区1.4 m高度的PM2.5浓度分布图。图7是在不同住宅群体平面组合形式的居住区内1.4 m高度西侧到东侧建筑间PM2.5浓度对比图。从图可以看出，不同住宅群体平面组合形式的居住区PM2.5浓度分布呈现出较大的差异。

从图6可以看出，在周边式的居住区内部的西侧与西南角PM2.5容易积聚，且面积较大，模拟分析图中呈现红色、黄色，而混合式与之类似，略低于周边式，表明周边式和混合式较其他形式居住区内部PM2.5难以扩散。行列式与点群式的居住区内部没有出现PM2.5聚集的现象，且PM2.5浓度分布较为稳定，但是点群式居住区外西南角较行列式PM2.5积聚的面积大，紫红色部分。由图7的数据对比发现，周边式与混合式的浓度较高且非常接近，周边式略高于混合式，其次为行列式，浓度最低的为点群式，其平均浓度分别为：171.78、170.0213、169.255、172.365 μg·m-3，在西侧开阔地间十分明显，且4种布局方式浓度均达到最高，分别是265.51、25.91、174.96、203.7 μg·m-3。综上所述，最有利的布局模式为：行列式。因此，居住区住宅群体平面组合的最佳方式为行列式，其次为点群式，混合式和周边式不利于居住区的PM2.5扩散。

在对合肥市居住区住宅群体平面组合形式进行分析总结，提炼最常见的4种住宅群体平面组合形式，对4种住宅群体平面组合形式的居住区PM2.5浓度分别进行数值模拟，最终得到居住区住宅群体平面组合的最佳方式为行列式，其次为点群式，混合式和周边式不利于居住区的PM2.5扩散。

2.2.2 风向角度

图8是风向角度分别为15°、30°、45°、60°、75°、90°的情况下，居住区1.4 m高度的PM2.5浓度分布图。图9是风向角度分别为15°、30°、45°、60°、75°、90°的居住区内1.4 m高度西侧到东侧建筑间PM2.5浓度对比图。从图可以看出，不同风向角度的居住区PM2.5浓度分布呈现较为复杂的变化状况。

图6 不同住宅群体平面组合形式的居住区PM2.5浓度分布图 Fig. 6 Distribution of PM2.5 concentration in residential areas with different combinations of residential groups

图7 不同住宅群体平面组合形式的居住区内西侧到东侧建筑间 PM2.5浓度对比图 Fig. 7 Comparison of PM2.5 concentrations between buildings on the west to east side in residential areas with different combinations of residential groups

从图8可以看出，当风向角度达到45°的时候，居住区的整体风环境随着迎风口的方向改变而转变，从而对整个居住区内部的PM2.5浓度产生影响。从图8看出，当风向角度小于30°时，PM2.5得不到有效的扩散，尤其是在居住区南边建筑间，此时，PM2.5浓度随着风向角度的增大而增大，浓度较大的红色区域增大程度明显；从30°-45°时，居住区内部空间的PM2.5浓度逐渐降低，浓度较大的红色区域明显减小，且整个居住区PM2.5浓度分布较为平稳；风向角度达到60°之后，整个居住区内部PM2.5浓度分布很不均匀，空间差异明显，呈现阶梯状色块。由图9的数据对比发现，当风向角度从15°-30°时，其浓度排序为15°＜30°，平均浓度分别为136.7962、140.7962 μg·m-3，由此可知，PM2.5浓度随着风向角度的增大而增大，十分显著；增加到45°时，其浓度有所降低，平均浓度为135.6054 μg·m-3，由此可知，PM2.5浓度随着风向角度的增大而降低；当风向角度从60°-90°度时，其浓度排序为60°＜75°＜90°，平均浓度分别为132.0254、133.87、141.3338 μg·m-3，由此可知，居住区内部空间的PM2.5浓度随着风向角度的增大逐渐递增，但增幅较小。此外，若风向角度过大，冷空气直接贯穿居住区，从而增大居住区的热工耗能，人为增加PM2.5污染，因此，在选择最优方案时，综合考虑各项因素。

风环境是PM2.5浓度的主要影响因素（贾小芳等，2019）。通过数值模拟，随着风向投射角度的改变，在居住区的PM2.5浓度分布呈现出较为复杂的变化。可以看出，风经过居住区的内部空间，会带走居住区内部的PM2.5，但是随着居住区风向角度不同，主导风被建筑不同程度的阻挡，居住区内部空间的PM2.5呈现出不同的浓度状况。

对不同风向角度的居住区PM2.5浓度进行模拟，当风向角度为15°-30°时，PM2.5浓度随着风向角度的增大而增大，十分显著，但是45°时，PM2.5浓度有所减小，当风向角度为60°-90°时，PM2.5浓度随着角度的增大而增大，变化幅度较小。综合分析，最终得到风向角度最优方案为60°，而45°、75°为可选方案，15°、30°、90°为不可选方案。

图8 不同风向角度的居住区PM2.5浓度分布图 Fig. 8 Distribution of PM2.5 concentration in residential area with different wind direction angle

2.3 开发强度模拟

2.3.1 容积率

图10是在以东北风为主导风向，时间为冬季下午3点，容积率分别为0.8、1.2、1.6、2的居住区1.4 m高度的PM2.5浓度分布图。图11是容积率分别为0.8、1.2、1.6、2的居住区1.4 m高度西侧到东侧建筑间PM2.5浓度对比图。整体来看，不同容积率的居住区的PM2.5浓度变化较为明显。

从图10可以看出，随着容积率的增大，建筑间距的减小，居住区整体空间内的PM2.5浓度增加较为明显，浓度较低的蓝色区域缩减程度明显，在居住区建筑间尤其明显；居住区外西南角重度污染区（紫色、红色）面积随着容积率的增大而增大。此外，建筑背风向的PM2.5浓度较大，尤其是贴近建筑处的区域PM2.5浓度，建筑间开阔地空间浓度较建筑附近的浓度小。由图11的数据对比可以发现，PM2.5浓度较低的为容积率0.8、其次为1.2，容积率为1.6和2的居住区PM2.5浓度较高，其平均浓度分别为131.678、139.402、159.906、154.638 μg·m-3。综上所述，可以基本认为居住区整体空间内的PM2.5浓度随着居住区容积率的增大而逐渐增大。

图9 不同风向角度的居住区西侧到东侧建筑间PM2.5浓度对比图 Fig. 9 Comparison of PM2.5 concentrations between the west and east sides of the residential area with different wind direction angles

图10 不同容积率的居住区的PM2.5浓度分布图 Fig. 10 Distribution of PM2.5 concentration in residential areas with different floor area ratios

图11 不同容积率的居住区内西侧到东侧建筑间PM2.5浓度对比图 Fig. 11 Comparison of PM2.5 concentrations between the west and east sides of the residential area with different floor area ratios

对不同容积率的城市居住区PM2.5浓度进行模拟，从而对其PM2.5浓度进行比较分析，在居住区内建筑间1.4 m高度下，居住区整体空间内的PM2.5浓度随着居住区容积率的增大而逐渐增大。

2.3.2 绿地率

图12是绿地率分别为20%、25%、30%、35%、40%的居住区1.4 m高度的PM2.5浓度分布图。图13是绿地率分别为20%、25%、30%、35%、40%的居住区内1.4 m高度西侧到东侧建筑间PM2.5浓度对比图，PM2.5浓度随着绿地率大小不同呈现出一定的规律。

图12 不同绿地率的居住区PM2.5浓度分布图 Fig. 12 Distribution of PM2.5 concentration in residential areas with different green rates

从图12可以看出，建筑背风向的PM2.5浓度较大，尤其是贴近建筑处的PM2.5浓度，PM2.5浓度较小的为建筑间的开阔地带，居住区的西南侧PM2.5浓度较大。由图13的数据对比可以发现，呈现出PM2.5浓度随着绿地率的增大而减小的趋势，其浓度分别为：104.076、105.676、107.496、108.878、106.764 μg·m-3。但是当绿地率大小超过35%，PM2.5浓度随着绿地率的增大而减小的趋势逐渐减缓。绿地植被通过植物表面体吸附颗粒物，降低PM2.5的浓度（乔冠皓等，2017；Lu et al.，2018；Xie et al.，2018）；此外，绿地能改善居住区温湿环境，也可防止扬尘的二次污染。但是植被密度过大能阻挡风的流动，使得居住区内空间内的PM2.5处于稳定的环境中，不利于扩散（Sanchez et al.，2015；马杰等，2013）。

图13 不同绿地率的的居住区内西侧到东侧建筑间PM2.5浓度对比图 Fig. 13 Comparison of PM2.5 concentrations between the west and east sides of the residential area with different green rates

增加绿地率可缓解PM2.5污染。通过综合分析，绿地率应该在35%以上，才能有效缓解居住区的PM2.5浓度。绿化植被具有滞留吸纳颗粒物的能力，可改善热岛效应，此外，绿地植被可以防止扬尘的二次污染。但是，植被郁闭度过大能阻挡空气中的风，使得大气颗粒物处于一个稳定的环境中。

3 结论

本文在实地调研基础上归纳总结合肥市居住区空间形态特征，凝练居住区空间形态指标，包括居住区住宅群体平面组合形式、容积率、绿地率等。运用ENVI-met软件模拟不同居住区空间形态指标下的PM2.5浓度，定量比较各项城市居住区空间形态与PM2.5浓度的相关性，主要结论如下：

（1）居住区住宅群体平面组合形式的最佳方式为行列式，其次为点群式，混合式和周边式不利于居住区的PM2.5扩散。

（2）当风向角度为15°-30°时，PM2.5浓度随着风向角度的增大而增大，十分显著，但是45°时，PM2.5浓度有所减小，当风向角度为60°-90°时，PM2.5浓度随着风向角度的增大而增大，但变化幅度较小。综合分析，最终得到风向角度最优方案为60°，而45°、75°为可选方案，15°为不可选方案。

（3）居住区整体空间内的PM2.5浓度随着居住区容积率的增大而逐渐增大。因此，控制居住区开发强度指标有利于居住区整体人居环境的提升。

（4）绿地率与PM2.5浓度负相关。但是，植被密度过大能阻挡风的流动，使得大气颗粒物处于一个稳定的环境中。通过分析，绿地率应该在35%以上，才能有效缓解居住区的PM2.5浓度。