公园绿地不同景观空间PM2.5分布特征及其影响因素研究

闫珊珊 洪波

快速城市化导致城市空气污染不断加剧，其中PM2.5对人类健康产生极大威胁[1-6]。城市公园作为城市绿色基础设施的重要组成部分，其一方面为居民进行户外活动提供了场所，同时城市公园在提升空气质量、缓解城市热岛等方面发挥了积极作用[7-9]。

通过控制污染物在行人空间的传播是提高空气质量的有效途径之一[10]。风速和温湿条件是影响空气中PM2.5扩散和沉降的主要因素[11-12]。良好的自然通风能稀释污染物浓度，加快其局部扩散，但风速过大会造成地面扬尘，形成二次污染[13]。环境中风场的垂直和水平方向气流能够影响较大范围内的颗粒物分布，空间中不同障碍物的阻挡作用会造成局部气流变化[14-15]。空气温度和相对湿度也是造成地面附近颗粒物浓度变化的主要原因，气温上升、降水量增加都易于PM2.5沉降[16-17]。

1 公园位置及测点环境Location of the study sites and the environment of monitored points in the park

2 各测点景观要素平面占比Plane proportion of landscape elements of each measuring point

不同景观要素会对空间颗粒物浓度分布产生影响，其中植物能够发挥明显的滞尘作用[18-20]。粗糙的树皮和茂密的枝干使得植物在冬季落叶之后还能降低18%～20%的空气含尘量[21]；乔木滞尘能力优于灌木和草本，乔灌草复合型植物群落结构的降尘效果更为显著[22]；道路和行人之间的灌木绿篱能够有效阻挡空气污染物与行人接触，更有利于在行人高度尺度下形成较为清洁的空间[23]。在不同风向条件下，植物会影响街谷通风，造成颗粒物空间分布发生变化[24]；而且植物叶片表面湿润粗糙的生理特征和气孔的吸附作用，也会造成颗粒物浓度下降[25]。建筑布局和朝向对局部风环境有着至关重要的影响，不同建筑外形[26-28]和建筑遮阴[29-30]会造成建筑外立面和局地风场发生明显变化，进而影响颗粒物浓度的空间分布。水域环境与林地环境的颗粒物浓度存在差别，由于水体蒸发降温造成的通风环境和温湿环境的改善，其是影响PM2.5扩散和沉降的重要因素[31-32]。

在不同尺度悬浮颗粒污染物扩散的相关研究中，城市作为重要的颗粒物“源”，其污染物浓度高于郊区、农村、林地和农田等其他景观类型[33-34]，蔓延发展型城市相较于紧凑型城市会产生更多的颗粒物污染[35-36]。在城市内部，由于工业生产和居民生活活动，使得居住区、工业区以及交通空间颗粒物浓度更高[37]。

综上可见，不同景观空间的要素组成、局部通风状况以及温湿条件的差异是造成颗粒污染物空间分布不均的主要原因。当前研究多从区域或城市尺度考虑PM2.5的污染特征，缺乏从不同园林空间视角考虑小尺度的景观要素组成、局地空气温度、相对湿度和风速对行人空间颗粒物空间分布影响[38]64。笔者研究通过实地测试，分析不同景观空间园林要素组合比例与PM2.5浓度之间的关系，比较不同景观空间PM2.5浓度、温湿度、风速的差异并探讨气象因子与PM2.5浓度的相关性。旨在探明城市公园不同景观空间中PM2.5分布特征，为城市公园不同空间小气候适宜性设计提供理论依据和方法。

1 实验方法

1.1 场地概况

研究场地位于陕西省杨凌高新农业示范区（34°16'N， 108°54'E），该地区以农业高新技术产业示范为主，无大型工厂等污染源，大气输送是造成该地区冬季雾霾污染的主要原因[39]。实测公园占地13.3 hm2，总建筑面积1.6 hm2，周围紧邻高校和绿化区，东、北两面虽靠近城市道路，但车流量较小。场地内有4栋主要建筑，室外空间植被类型多样，由植物、建筑、水体、道路铺装等要素构成丰富的景观空间，能够很好地体现PM2.5的空间分布特征。根据场地建成环境选取6个不同景观空间进行研究（图1）。

1.2 景观要素调查

据前人研究，景观对微气候影响范围的最小距离为10 m[40-41]，因此划定测点周围半径10 m的圆形场地为研究区域，并对各景观要素平面占比进行统计。各景观要素位置和面积可由CAD平面图计算获得，其中乔灌木、草本及地被统一归于植被覆盖（图2）。

为了详细描述植物空间，引入绿量作为指标[42]，其计算公式为：

D=S×LAI

D为植物绿量（m2）；S为种植面积（m2）；LAI为叶面积指数，单位为1。

现场辨识植物种类，利用卷尺、测距仪确定植物相对位置、乔木冠径和灌木冠幅，利用LAI 2200C 冠层分析仪（LI-COR. USA）获得植物叶面积指数。根据上式计算绿量（表1）。

1.3 空间围合度分析

使用天空开阔度（sky view factor，简称SVF）作为反映空间围合度的指标。使用鱼眼相机在各空间点距地面垂直距离为1.5 m处拍摄，照片显示测点的遮蔽物轮廓线在一个圆形的平面上，将处理后的黑白照片导入Raman 2.1计算得出天空开阔度的状况（图3）。

1.4 数据收集及处理

该地区秋冬季污染严重，研究选定2017年11月天气晴好，污染程度相近的3 d，在居民户外活动的频繁的时间段10：00—17：00对各个空间进行连续监测。采用气溶胶颗粒物测试仪Aerocet 531S（Metone Ins. USA）每间隔20 min在行人高度（1.5 m）收集颗粒物数据。为减少单次测量产生的误差，每20 min采集2组数据以算术平均值代表该时段内颗粒物浓度的平均水平。采用便携气象站Kestrel 5500（Nielsen-Kellerman. USA）对温湿度、风速和风向进行实时监测，每分钟自动记录一次。

采用EXCEL 2010和SPSS 22.0 软件进行数据整理分析。将20 min收集记录的颗粒物浓度数值和温湿度、风速数值进行算数平均，再将3个测试日相同时段内的颗粒物以及温湿度、风速数据进行算术平均。

表1 各测点植物种类及绿量Tab. 1 Vegetation species and corresponding green volume in each monitored points

3 各测点天空开阔度Sky view factors in six landscape spaces

表2 不同空间PM2.5浓度方差分析Tab. 2 One-way ANOVA analysis of PM2.5 concentration in six landscape spaces

表3 PM2.5浓度与各景观要素平面占比及植物绿量相关分析Tab. 3 Correlation coefficients between PM2.5 and six variables

2 结果与讨论

2.1 景观要素对PM2.5浓度分布的影响

2.1.1 不同景观空间PM2.5浓度差异分析

对6组数据进行单因素方差分析（表2）。结果表明：F值为21.15，大于临界值；P值远小于显著性水平0.05。各景观空间的日平均PM2.5浓度从A到F依次为：136.18、131.12、131.50、96.33、129.58、131.40。表明6个景观空间颗粒物浓度存在显著差异。

2.1.2 各要素与PM2.5浓度相关性分析

为判断造成上述差异的原因，对各景观要素的平面占比、绿量和PM2.5浓度进行显著相关分析（表3），绿量和PM2.5浓度的R值为－0.903，显著性0.014（＜0.05），绿地占比与PM2.5的R值为0.370，显著性0.046（＜0.05）。水体、建筑、园路及铺装平面占比与PM2.5浓度的相关系数依次为：－0.440、0.170、－0.180。说明PM2.5浓度与绿量呈显著负相关而与绿地平面占比呈弱正相关，即绿地占比小，绿量大的景观空间PM2.5浓度低，反之则越高。

根据绿量与浓度的相关性分析结果，建立二者间回归模型。将测点在10：00—13：00和13：00—17：00两个时间段内的PM2.5浓度数值分别进行算术平均，再将3 d同一时间段内的数值再平均，进而得出绿量和PM2.5浓度之间关系（图4），即y=－0.001x2+0.213x+121.32（R2=0.966）。可以看出，在局地范围内，当绿量在113.57～204.81 m2区间时，PM2.5浓度随绿量增加降低较弱；当绿量在216.78～370.38 m2区间变化时，污染物浓度随绿量增加呈明显下降趋势。说明区域内植物绿量对PM2.5浓度的影响是不均衡变化的，随着绿量的增加，PM2.5浓度降低越明显。

绿量是表示空间植物总叶面积的二维指标，SVF能够体现空间围合度，SVF越大，空间围合度越低。结合二者对PM2.5浓度空间差异进行分析得出D点PM2.5浓度最低，空间绿量Dd=370.38 m2最大，植被群落结构为复杂的乔灌草结构（以常绿植物棕榈、构骨为主），并在行人高度尺度下形成较为闭合的空间，SVF=0.328最小；而浓度最高的A点位于草坪处，Da=113.57 m2最小，周围几无遮挡物，SVF=0.784最大；由于绿量De＞Db＞Df（ΔDe-b=15.9 m2，ΔDb-f=24.87 m2）， 并且 空 间 围 合 度 F＜B＜E（ΔSVFf-b=0.168；ΔSVFb-e=0.048），所以B点的PM2.5浓度高于E点而低于F点；C点主要栽植鸡爪槭和迎春，绿量虽稍高于由常绿灌木和针叶乔木围合的F点（ΔDc-f=11.97 m2），但在行人空间的围合度小于F（ΔSVFc-f=0.145），而围合度较低的空间更容易暴露于污染物浓度较高的环境中，并且在落叶季，常绿灌木和针叶乔木的滞尘能力要强于落叶灌木[43]，所以造成C点PM2.5浓度高于F点。

4 局地范围（314 m2）内绿量与PM2.5浓度之间的关系The relations between the green volume and concentration of PM2.5 in the local area (314 m2)

5 各景观空间空气温度（5-1）、相对湿度（5-2）和风速（5-3）Observations of temperature (5-1);relative humidity(5-2); and wind velocity(5-3) in six landscape spaces

表4 各测点空间空气温度、相对湿度、风速的上下四分位数值以及四分位内距数值Tab. 4 The quartile value（Q1&Q3）and IQR of temperature, relative humidity and wind velocity in sampling sites

由于杨凌地区污染源主要来自大气输送的颗粒物，所以在微观尺度上由植被群落形成的多孔屏障在隔离、过滤和污染物沉降方面发挥了重要作用[44]。在行人空间中由植物围合形成的固体屏障能够有效降低行人暴露在PM2.5的水平，即使在落叶的冬季，植物密集的枝干仍能增加空气湍流，加速颗粒物沉降[45-47]。C和D点均存在水体要素，水域面积小且相差不大，而植物绿量差异较大，因此水体对PM2.5浓度的影响并不明显。上述结果表明，绿量是影响不同景观空间PM2.5浓度的关键因素，当绿量差异不大（ΔD≤11.97 m2）时，空间围合度越低，污染物浓度越高。

2.2 景观空间PM2.5浓度与气象因子的关系

2.2.1 各景观空间气象因子比较分析

分别对污染程度不同的景观空间中的空气温度、相对湿度及风速进行比较，分析颗粒物浓度分布和各气象因子之间的关系。

四分位距IQR表示变量总体的分散情况，可以体现空间温湿度及风速的日变化范围，从图5-1可以看出D点的温度数值50%集中在6.73～8.20 ℃，IQR为1.47（表4），说明相较于其他测点温度分布范围最为集中且偏高，可能原因是D点周围无高大建筑及乔木遮阴，且水体比热容较大，在吸收太阳辐射之后能稳定环境温度，减小日间温度变化范围，相对稳定较高的温度与周围较低的环境温度形成持续的空气对流，有利于PM2.5的扩散[38]66。从图5-2可以看出，D点的相对湿度50%集中在33.95%～38.80%，IQR为4.85（表4），湿度分布范围最为集中且偏低；而A点的相对湿度50%集中在34.80%～41.32%，IQR为6.52，分布范围最为分散且偏高，其余测点的湿度变化范围及分布与PM2.5浓度变化一致。说明景观空间的湿度变化范围越小，PM2.5浓度越低，反之则越高。从图5-3可以看出，各空间风速分布规律不明显，但D点风速数值IQR为0.15（表4），相较于其他测点风速变化范围最小，据分析：由于D点行人空间由灌丛围合，植物作为多孔屏障其茂密的枝叶对气流起到很好的疏透作用，能够在气流通过时滞留部分颗粒物。综上可见：各点PM2.5浓度与其温湿度和风速大小无直接关系，但与空间温湿度和风速的变化范围有关，浓度最低的D点温湿度和风速的日变化范围最小。

2.2.2 各空间气象因子与PM2.5浓度相关性分析

计算各测点每小时内PM2.5浓度数值和温度、湿度以及风速的平均值，再将3 d同一时段内的数值进行算术平均，得到各测点颗粒物浓度和气象因子的数值，对测量时段每个空间PM2.5浓度与各气象因子分别进行拟合分析（表5）。可以看出：各点PM2.5浓度与空气温度在0.01层上均呈显著负相关，与相对湿度呈显著正相关，大气逆温和PM2.5的吸湿沉降可以很好地解释该变化过程[48-49]，这与区域尺度上的研究结果一致[50-52]，表明温湿度与PM2.5浓度的关系不受研究尺度的影响。其中温度模型的拟合优度R2最大值为0.93，最小值为0.72，平均拟合优度为0.86；湿度模型的拟合优度最大值为R2=0.94，最小值为0.85，平均拟合优度为0.90。表明在冬季气温较低的情况下，局部空间的PM2.5浓度变化与湿度变化更为相关。浓度与风速之间规律不明显，在A、B、D点的风速与PM2.5浓度虽呈显著相关，但其余各点均无相关性。对上述3个测点风速和PM2.5浓度进行拟合，但结果不够理想。

根据各点建立的温湿度与PM2.5浓度的回归模型得出，气温每升高10%，浓度分别降低1.16、0.93、1.00、1.20、0.77、0.90；湿度每降低10%，浓度分别降低0.38、0.36、0.34、0.42、0.29、0.39，其中D点浓度随温湿度变化降低得最快，E点最慢。造成该现象的原因可能是由灌木围合的空间D，其环境结构比较复杂，当温湿条件发生变化时茂密的植物枝叶能增加与微粒的接触机会并为PM2.5沉降提供充分的空间。而E点空间由建筑和高大的乔木围合，行人空间并没有复杂的结构物，所以PM2.5更难沉降。

表5 6个测点温湿度及风速与PM2.5浓度相关分析及模型建立Tab. 5 The correlation analysis and regression models of PM2.5 concentration between temperature, relative humidity and wind speed in six sampling sites

3 结论与展望

研究通过对城市公园不同景观空间中的PM2.5浓度以及气象因子的监测，分析不同景观空间要素组合与PM2.5浓度之间的关系，比较不同景观空间PM2.5浓度、温湿度、风速的差异并探讨环境温湿度、风速与PM2.5浓度的相关性。得出以下结论。

1）不同景观空间的PM2.5浓度分布存在明显差异（P＜0.05），空间浓度从低到高依次为：D＜E＜B＜F＜C＜A；其中以草坪地被与道路铺装构成的开敞空间A浓度最高，由乔灌草结构、水体以及硬质铺装构成的半开敞空间D浓度最低。

2）PM2.5浓度与水体、建筑、道路及铺装等平面占比无明显相关关系，与植物平面占比呈弱正相关，与植物绿量（D）呈显著负相关。其中绿量与PM2.5浓度存在关系：y=－0.001x2+0.213x+121.32（R2=0.966）；当113.57 m2＜D＜ 204.81 m2时，PM2.5浓度随绿量增加降低较弱；当216.78 m2＜D＜ 370.38 m2时，污染物浓度随绿量增加呈明显下降趋势。

3）PM2.5浓度与温湿度及风速的变化范围有关，湿度变化范围越大，PM2.5浓度越高，反之则越低；PM2.5浓度较低的景观空间具有温湿度和风速的变化范围较小的特征。

研究阐明了局地尺度下不同景观要素的组成在秋季对PM2.5浓度分布的影响，以及不同景观空间颗粒污染物与温湿度、风速的关系。随着季节更替，PM2.5污染特征和植物景观均会呈现季相变化[53-54]。因此，针对不同景观空间在其他季节对颗粒物影响的实测研究有待进一步开展。研究揭示了公园中不同景观空间的PM2.5分布规律，探明了不同景观要素组成对局地微气候的调控机理，为城市公园景观空间设计提供相应的理论依据和科学指导。

致谢(Acknowledgements)：

感谢硕士研究生秦红巧、米家熠、姜润声、贺晓云、安乐、牛佳琦、周蕴涵、许佳等对数据采集提供的帮助。

图表来源(Sources of Figures and Tables)：

文中所有图表均作者拍摄、绘制。