基于时间序列遥感的武汉绿地景观格局与气溶胶光学厚度的相关性*

岳 峰 戴 菲 傅 凡 何 伟

1 华中科技大学 武汉 430074

2 北京建筑大学 北京 100144

3 广州美术学院 广州 510200

空气污染是与城镇化和土地利用变化相关的关键环境问题之一。快速城镇化加剧了我国空气污染,据国家环保部门统计,2016年中国338个地级及以上城市中,仅有21.6%的城市空气质量达标。空气污染导致中国每年有120万人过早死亡[1],同时随着污染的增加,森林树叶覆盖以及无脊椎动物的生物量都会减少[2]。由于空气污染复杂的物理、化学、理化反应等[3],单独对某种或者某几种空气污染物的危害及缓解的研究对综合消减空气污染具有一定的局限性。遥感气溶胶光厚度 (AerosolOpticalDepth,下文简称AOD)数据可以大尺度长时空序列观测,发现颗粒污染的空间属性特征。大气气溶胶是雾霾形成的基础和前提[4],大气气溶胶光学厚度是描述气溶胶的一个无量纲量,能在一定程度上反映区域空气污染程度[5],大量研究表明,用AOD估算近地面空气污染物浓度具有可行性[6-9]。因此,以遥感获取的AOD数据作为综合衡量综合空气污染物的一个代表,与绿地进行消减空气污染的研究具有一定的意义。

绿地作为有生命的媒介,是缓解空气污染的重要载体[10],植物及叶片的滞尘和缓解污染的能力已得到广泛认可[11-13],许多专家学者也呼吁通过综合的绿地体系缓解空气污染[14-15]。目前关于绿地消减空气污染的研究,国内外主要集中在对PM2.5、PM10、臭氧等污染物的研究上。在研究尺度上,微观尺度研究较多,主要集中在植物单体[16-17]、植物群落[18-22]方面;中观尺度以点状或线状短期实测污染物浓度数据为基础,或者结合遥感影像进行研究为主,实验对象主要是街区[23]、居住区[24]、道路[25-27]及公园绿地等[28-29];宏观尺度主要以区域污染物的遥感反演结合土地利用为主,虽有部分学者运用植被覆盖度或者土地利用回归 (LUR)[30-32]和某种污染物[33-34]或者综合污染物的关系进行了研究,但大都从绿地的一个时间截面或者数量上进行研究,从遥感的时间序列进行绿地的空间形态指标与综合空气污染物的相关规律及其深层次的研究却鲜少涉及。

武汉作为中国中部中心城市具有高密度的城市空间形态以及市域较好的植被覆盖,在我国大城市地区具有一定的典型性。本文选取2000—2015年近15年中武汉市4个年份的绿地及其因子的景观指数与AOD的数据探究时间序列的遥感解译绿地景观格局与空气污染的相关性和规律模型,拟重点揭示影响AOD的绿地整体、绿地因子的核心景观指数形态指标,以及它们与AOD的规律模型,从缓解综合空气污染物的角度为城乡规划设计提供定量化的参考。

1 数据处理与方法

在运用ENVI5.5提取绿地和AOD的基础上,运用ArcGIS10.5软件将绿地和对应的4期AOD数据分割为10km×10km的网格[35],导入Fragstats软件计算绿地及其因子的景观格局指数,并在SPSS软件中与对应的MODISAOD影像值进行统计分析。

1.1 绿地及其景观指数的获取及处理

绿地数据来源于2000年、2005年、2010年和2015年共4期分辨率为30m的Landsat5TM和Landsat7影像。在ENVI5.5软件中对影像运用随机森林法[36]提取森林、草地、水体和农田4个绿地因子 (图1),使各用地的可分离性达到1.95以上(大于1.9为分离良好),分类后Kappa系数达到0.9763,解译结果满足研究要求[37-38]。

运用ArcGIS10.5软件将影像分割为10km×10km的网格,得到118个网格数据,以便进行后续的景观格局指数计算。

景观指数能够高度浓缩景观格局信息,并反映其结构组成和空间配置某些方面的特征,对类型水平的格局分析,可以更好地把握绿地景观格局类型变化的特点。研究从面积、集聚性以及连接度等方面考虑,在类型水平上选择了8个指数,即面积类指标为 CA、PLAND、LPI,聚集度指标为PD、LSI、IJI、AI,连接度指标为COHESION[39],较为全面地描述不同类型景观要素的特征 (表1);然后将各绿地因子和绿地整体数据分别导入Fragstats软件计算景观指数[40]。

表1 类型水平指数及其描述

图1 研究期绿地提取图

1.2 AOD数据获取及处理

AOD受云雾降水天气的影响较大,为减小数据误差,通过筛选得到接近上述选取的每一期landsat影像数据连续3天及以上天气晴朗、风力在3级及以下的日期的MODISAOD影像作为理想的研究对象。基于上述原则,筛选出2000年9月14日、2005年5月6日、2010年9月17日、2015年7月31日的MODIS数据,运用ENVI5.5对AOD数据进行校正、云检测、裁剪,运用ENVIModeler进行二次开发,批量处理MODIS AOD数据等操作后得到4期AOD的空间分布图[5](图 2)。

图2 研究期遥感反演AOD空间分布图

1.3 景观指数与AOD的统计分析

为保证数据的严谨性,互相对应着删除4个年份绿地因子景观指数值和AOD平均值残缺的网格,以保持4个因子样本数量一致,最终得到研究期4个年份4个绿地因子各98个网格、每个网格9组数据作为最终的研究样本;然后在SPSS软件中进行相关分析和回归分析。

2 绿地景观指数与AOD的相关规律

2.1 绿地景观指数与AOD的相关性

2.1.1 整体景观指数与AOD的相关性

为探究绿地与AOD的整体相关规律,分析发现PD、LSI、IJI与AOD在0.01水平极显著负相关,COHESION与AOD在0.05水平显著负相关(表2),说明绿地斑块密度、形状指数复杂度和散布与并列指数是缓解AOD为代表的空气污染物的核心景观指数,而绿地连接度对空气污染的缓解也有关键作用。

为进一步研究各年份的景观指数与AOD的相关情况,分析发现PD、LSI、IJI与AOD在3个年份极显著负相关,说明绿地斑块密度越大、斑块形状越复杂、分布越均匀,越有利于AOD的浓度降低,对空气净化越有利,3个景观指数是绿地净化空气的核心指标;COHESION与AOD在3个年份呈显著负相关,说明绿地连接度的提高对降低AOD浓度有关键作用,这跟绿地与AOD的整体相关规律一致。LPI与AOD负相关,但未达到显著水平,说明绿地最大斑块面积占比对缓解空气污染具有积极作用。

表2 时间序列下绿地景观指数与AOD的Pearson相关统计表

2.1.2 因子景观指数与AOD的相关性

为探究各绿地因子与空气污染的相关关系,分析发现 (表3),森林的8个景观指数以及草地的7个景观指数 (AI指数除外)都与对应的AOD在0.01水平极显著负相关,说明森林和草地 (草地聚集度指数除外)的指数的增大对缓解空气污染具有核心作用。森林的聚集度变大会极大消减空气污染,揭示了森林和草地是空气净化的主体绿地因子[41]。水体的PD、LSI、IJI与AOD呈极显著负相关,说明水体斑块的密度增加、形状的复杂化和均匀分布对AOD缓解有核心作用,而CA、PLAND、LPI、COHESION、AI与AOD呈极显著正相关,说明水体斑块面积、斑块占比、最大斑块面积占比、连接度和聚集度的增加对空气污染加重有核心影响,这与Ye[36]、Zhu[42]等学者的研究结果类似。对农田因子而言,仅LPI、IJI与AOD呈极显著负相关,说明农田最大斑块面积比、农田分布均匀性的提高对AOD浓度具有核心缓解作用;COHESION与AOD显著负相关,说明农田连接度的增加对AOD浓度具有关键的缓解作用。其他景观指数与AOD的相关关系没有达显著性水平,可能跟农田的作物种植种类和收播季节性有关。

表3 绿地因子景观指数与AOD的Pearson相关统计表

2.2 绿地景观指数与AOD的模型构建

2.2.1 整体景观指数与AOD的回归

构建回归模型,样本数据越多,模型的参数估计将越精确,统计越有意义。孙爽等[43]学者在对不同空气污染物与植被NDVI的相关分析研究中将两者12个月的月均变化的数据进行汇总分析,李娟娟[44]利用1997—2005年的多种空气污染物与城市化强度的年度指标进行相关分析,本研究参考孙爽和李娟娟的研究方法,对所选所有年份的全部绿地因子的AOD及其对应的8个景观指数进行汇总,通过多元线性回归分析,发现回归方程调整后R2=0.220,Sig为0.000,VIF＜2,特征值＞0,F为148.396,通过F值检验,排除了多重共线性问题,模型满足要求。这也证明可用景观格局指数对区域AOD值进行估算[40],从而得到绿地景观格局与AOD代表的综合空气污染物的规律模型:

Y=0.818-0.003IJI-0.027PD-0.001COHESION

2.2.2 因子景观指数与AOD的模型规律

为进一步探究各绿地因子与AOD的规律,通过多元线性回归分析,发现各因子回归模型Sig都在0.01水平极显著,VIF＜3,F值处于39～138,通过F检验,并排除了多重共线性问题,模型调整后R2介于0.166-0.511,满足模型要求 (表4)。

表4 研究期各绿地因子与AOD的回归模型

3 结论

1)就绿地整体而言,PD、LSI、IJI是绿地净化空气的核心景观指数指标,与AOD呈极显著负相关关系;COHESION是缓解AOD浓度的显著负相关的关键指标。

2)就绿地因子而言,森林的8个景观指数都对AOD为代表的综合空气污染具有核心作用。草地中除AI指数外的其他7个景观指数都是缓解AOD浓度的显著负相关的核心指标。水体斑块的密度增加、形状的复杂化和均匀分布对AOD缓解有核心作用,而水体斑块面积、斑块占比、最大斑块面积占比、连接度和聚集度的增加对空气污染加重有核心影响。农田LPI、IJI的增大对AOD浓度具有核心的缓解作用。COHESION的增加对AOD浓度具有关键的缓解作用。

3)研究得出了绿地整体景观格局与AOD代表的空气污染物的规律模型,进一步得到了森林、草地、水体、农田因子与AOD代表的空气污染物的规律模型 (表4)。

4 缓解空气污染的规划设计对策

1)绿地作为风景园林学科的核心研究内容之一,使该学科可以深入研究绿地作为有机生命体缓解空气污染的生态效能,发挥该学科在人居环境和公共健康等领域的特长。本研究证实增加绿地的PD、LSI、IJI,达到科学合理的绿地空间布局或许是缓解空气污染的重要举措。

2)总体层面,结合土地现状进行用地适宜性评价、生态敏感性分析评价等,合理增加国土空间规划等规划中关于绿地类指标的总量,特别是对消减空气污染具有最重要作用的森林、草地的总量。这与某些学者建议增加绿化覆盖率总量的研究一致[24]。

3)专项专类层面,进行绿地系统规划、生态区总体规划、城乡绿道规划、水体湖泊保护规划等绿地相关的规划,注重保护及扩充森林和草地的面积、增加其斑块密度和形状复杂度,注重分布的均匀性,通过绿道和扩增块状绿地等提高森林、草地的斑块连接度和聚集性。通过规划增加水体斑块的密度和形状的复杂度,同时注意水体的均匀分布,但是对于水体面积占比较大的城市,适度地控制水体面积、斑块占比、最大斑块面积占比、连接度和聚集度的增加,有利于空气污染的缓解。农田方面,应该增大最大斑块面积占比、农田连接度并适度增加均匀分布度。

5 展望

本文主要从遥感时间序列研究了绿地及其因子的景观指数形态指标与AOD为代表的综合空气污染的相关规律,未考虑雨雪等天气的影响,只是关于时间序列遥感的绿地与AOD关系的初步探讨。后续研究将选取AOD数据每年的同一个时段,以多天内连续的AOD数值反映该年度的本时段大气污染水平,建议从两方面入手:一方面探讨绿地空间形态指标与空气污染物的量化变化关系;另一方面从三维绿量方面探讨绿地与空气污染物的量化变化关系,从而完善缓解空气污染的绿地规划设计综合调控体系。