绿地分量对浙北地区PM2.5浓度估算精度影响分析

摘要

大量研究表明绿地能够吸滞颗粒物，净化空气，然而绿地对PM2.5浓度缓解作用的定量研究较少，本文采用2014年平均PM2.5浓度代表平均水平，冬季PM2.5浓度代表高浓度污染水平。首先通过时空分析,了解浙北地区PM2.5浓度特征并初步判断其影响因子。其次通过Landsat8影像混合像元分解得到浙北地区绿地分布状况，并分析绿地分布状况与监测站点全年平均PM2.5浓度和冬季PM2.5浓度值间相关性，初步判断绿地覆盖率对PM2.5浓度的影响。另外，通过监测站点周边绿地景观指数分析PM2.5浓度与绿地面积、形状以及空间分布格局间关系。然后，在了解绿地对PM2.5浓度影响的基础上，分析站点PM2.5浓度和道路密度、气象因子以及DEM高程的相关性，为建模因子选择做准备。从道路因子、气象因子以及DEM高程中选择与监测站点PM2.5浓度相关性达到显著水平的因子建立线性逐步回归模型，将所有相关因子与监测站点PM2.5浓度建立Logistic逐步回归模型，并对模拟全年平均值以及冬季浓度值的线性和Logistic模型精度分别评价。为明确绿地对PM2.5浓度估算贡献作用，在已建立模型基础上，引入绿地分量，再次建模，得到新模型，比较结合绿地分量前后模型精度变化，从而判断绿地分量对模型精度的贡献作用。模拟得到全局全年平均PM2.5浓度以及冬季PM2.5浓度，最高精度模型模拟得到的全局PM2.5图进行空间自相关分析，并与MODIS13Q1数据空间自相关结果进行比较以佐证绿地的作用。得到以下结论：　　（1）浙北地区绿地分布主要集中于西南部位，研究区北部以及靠近海岸一侧，也即杭州城区和宁波城区等地域绿地分布较少，以城乡建设用地主，与实际情况较为符合。　　（2）混合像元分解得到的绿地分量值与全年平均PM2.5浓度以及冬季PM2.5浓度存在明显的负相关，分别为-0.376和-0.520，绿地面积指数、斑块幅度、聚集指数以及连通性指数与PM2.5浓度为负相关，分散性指数、破碎性指数与PM2.5浓度为正相关。说明绿地覆盖度高，斑块面积大以及聚集程度较高的绿地相比小面积绿地、斑块形状复杂的绿地以及破碎化程度高的绿地更有利于缓解PM2.5污染。建议提倡绿道建设，并且绿道周边绿地应尽量大面积营造，避免分离度、破碎度高的绿地。　　（3）时间上，监测站点日PM2.5浓度峰值出现时间与交通高峰出现时间基本一致，冬季PM2.5浓度值在四季中最高，夏季最低。空间上监测站点PM2.5浓度存在高值与高值聚集、低值与低值聚集以及低值与高值相异现象。PM2.5浓度的时空变化特征因站点周边气象因子、交通因子等人为因素和自然因素共同作用造成。　　（4）用于估算全年平均PM2.5浓度，结合绿地分量的线性和Logistic模型R2分别为0.855和0.866，RMSE分别为10.671和9.026，相比未结合绿地分量的模型，决定系数分别提高了2.2％和4.96%，均方根误降低了9.5%和31.8%。用于估算冬季PM2.5浓度结合绿地分量的线性和Logistic模型R2分别为0.501和0.588，RMSE分别为51.846和37.884，相比未结合绿地分量的模型，决定系数分别提高了29.5%和18.4%，RMSE分别降低了21.5%和26.9%。绿地分量结合Logistic模型用于估算浙北地区PM2.5浓度精度最高。　　（5）模拟得到的全年平均PM2.5浓度和冬季PM2.5浓度与监测站点PM2.5浓度空间分布基本一致，存在高值与高值聚集、低值与低值聚集现象；NDVI指数亦表现为明显聚集现象，且PM2.5浓度高值聚集区与NDVI低值聚集区较为一致，表明绿地对PM2.5浓度缓解作用明显。