城市道路绿地三维绿量与大气污染物浓度的耦合关系
时间：2023-02-11 15:00:04 来源：柠檬阅读网 本文已影响 人 
戴安琪，刘聪哲，圣倩倩，祝遵凌，c
（南京林业大学 a.风景园林学院；
b.南方现代林业协同创新中心；
c.艺术设计学院，江苏 南京 210037）
交通污染是城市主要污染源之一，并随着城市化进程的加快持续上升[1]。相比于工业排放等，机动车尾气属于低空污染[2]，对城市环境质量和市民健康具有更加直接的影响。2016—2019 年全国生态环境统计公报显示，2019 年移动源氮氧化物（Nitrogen Oxides、NOx）和颗粒物（Particulate Matter、PM）的排放量分别为633.6 万t 和7.4 万t[3]，其中机动车是污染物排放总量的主要贡献者。2019 年全国机动车保有量达到3.48 亿辆，排放的氮氧化物和颗粒物超过90%[4]。NOx是一种有刺激性气味且毒性很强的气体，机动车排放的NOx不仅会形成氮浓度增加的走廊，影响周围的生态系统[6-7]，而且对人体也有极大的危害性[5]。PM 是对人类健康影响最大的大气污染物，与呼吸系统疾病和心血管疾病的恶化都有一定关联[8-9]。研究表明，PM 污染包括一次颗粒物所造成的污染以及各类气态污染物在一定温湿度下经过光化学反应产生的二次气溶胶污染[10],其中NOx就是二次气溶胶的重要前体物[11-12]。因此，探索道路中NOx和PM 污染物之间的关系十分必要。
目前，评估道路绿地对大气污染的影响已有一定的研究，如Wagh 等[13]在马哈拉施特拉邦贾尔冈市进行了大气和生物监测实验，通过对生物监测、叶面积、总叶绿素、植物蛋白进行分析，评估大气污染对公路沿线植被的污染影响，发现植物的叶面积减少，叶绿素和蛋白质总含量显著下降，可以用作城市大气污染的指标。Gromke等[14]通过风洞实验发现，人行道与车行道之间设置2 条高度为1.5 及2.25 m 的连续绿化带，可以降低人行道18%～61%的污染物浓度；
在街道中央设置1 条连续绿化带，可以降低45%～61%污染物浓度。Bao 等[15]也发现行道树在降低PM 浓度中起着重要作用，叶片PM 负荷指数是道路系统中大气污染的有用指标。
已有研究常使用耦合协调关系探究经济发展与生态环境[16-17]的耦合过程和演进趋势，包括采用耦合协调度分析大气气溶胶与污染物[18]、大气污染物间的相互关系等[19]。但目前缺少采用耦合协调度分析植被三维绿量与大气污染物浓度之间相关性的研究，而使用该指标能够更全面、系统地反映道路绿地对大气污染物的吸收净化能力。因此，研究选取江苏省南京市标志性的景观大道—诚信大道作为研究对象，使用大气质量检测仪和氮氧化物分析仪实地监测大气污染物浓度，研究其周变化和日变化规律，同时在该地进行绿地植被调研，分析植被三维绿量及与大气污染物浓度变化之间的耦合协调关系，以期为南京市城市道路的绿化植物配置和多用途树种筛选提供理论依据。
1.1 研究对象
选取江苏省南京市江宁区诚信大道作为研究对象（图1），该大道建成于2003 年，机动车和非机动车分离，是江宁区“五纵五横”的快速路布局之一，在快速化改造后将替代天元路成为高新区横向交通主通道。诚信大道东起秦淮河彩虹桥、西至宁丹路，全长约10.7 km。目前，该道路的高架桥长1 335 m，最大跨径82 m，道路结构为双向机动车道2 板，双向非机动慢车道2 板，绿化分布有中分带、侧分带、道路两侧绿化，道路宽约70 m，是城市一级道路和城市快速路，也是国家环保部门大气质量定位观测选择的道路。
图1 研究区域区位分析Fig.1 Location analysis of the study region
1.2 研究监测区分布
在前期调研的基础上，本研究根据诚信大道植物种植频率和三维绿量选择3 个代表监测区，希望以此探究诚信大道道路绿地常规植物配植和不同三维绿量对大气污染物的影响。如表1 所示，监测区1 主要植物配植为乔木香樟Cinnamomum camphora、栾树Koelreuteria paniculata、紫薇Lagerstroemia indica、桂花Osmanthus fragrans，红花檵木Loropetalum chinensevar.rubrum、海桐Euonymus tobira、金边黄杨Euonymus japonicusvar.aurea-marginatus，三维绿量为279.31 m3，与其他两个监测区相比，可视为三维绿量较低区域。监测区2 位于诚信大道恒丰广场处，为宽阔的广场区域，监测范围内没有植被覆盖，三维绿量为0 m3，视为无三维绿量区域。监测区3 主要植物配植为乔木广玉兰Magnolia grandiflora、垂柳Salix babylonica、桂花，灌木海桐、红花檵木、黄杨Buxus sinica、卫矛Euonymus alatus、十大功劳Mahonia fortunei、南天竹Nandina domestica，三维绿量为567.71 m3，视为三维绿量较高区域。每个监测区长30 m，宽30 m。
表1 监测区植被信息†Table 1 Vegetation information of the monitoring section
1.3 道路污染物浓度数据采集
本研究所用监测设备由南京林业大学理化分析测试中心提供，设备型号为博朗通HOL 系列专业大气质量检测仪（测量范围0～999 μg/m3、精度±15%读数值或±20 μg/m3、温度范围0～50℃）和美国Theremo 42i 型氮氧化物分析仪（用户量程0～150 mg/m3、量程漂移±1%满量程、温度范围15～35℃），装载在福特新世代全顺车上，实现全天候可移动实时监测。为记录采集数据的时间和位置，各监测区采用探险家GPS data logger（型号为V-1000）进行定位。
监测时间从2018 年9 月17—23 日，分别为周一到周日，每天7:00—11:00，11:00—15:00，15:00—19:00，19:00—23:00，受降雨影响，9 月26 日进行部分数据补测。实地监测气压变化值为1 005.9～1 013.7 hPa，温度变化范围为22～28℃，日照时间为0～9.9 h，其中包括阴雨天和晴天，相对湿度变化范围为60%～92%。降水量为0～21.1 mm(10.0～24.9 mm 为中雨)，在观测时间段内，仅9 月19 日与9 月21 日出现降水。
1.4 道路污染物浓度数据分析
数据统计分析采用Excel 2016、SPSS 16.0 和SPSSAU 统计软件，进行各监测区的道路污染物浓度均值比较、相关性（Pearson 相关分析法）及耦合协调度分析。耦合协调度模型一般用于分析事物的协调发展水平，耦合协调度是度量系统之间或系统内部要素之间在发展过程中彼此和谐一致的程度，体现了系统由无序走向有序的趋势[22]。耦合协调度模型包括耦合度C值、协调度T值和耦合协调度D值。借鉴相关文献[23]，耦合度模型如下：
表2 2018 年9.17—9.23 相关天气数据†Table 2 9.17—9.23 weather data
式中，U1和U2分别代表监测区三维绿量和大气污染物浓度。在此基础上,借鉴相关学者的研究成果[24]，耦合协调度模型如下：
式中，β1、β2分别代表监测区三维绿量和大气污染物浓度的权重，本文设置U1和U2的权重一致。
1.5 植被三维绿量
植被三维绿量的数据采集时间为2018 年6 月27 日上午10:00，该时间为植物生长旺盛的初夏时节，风力较小，天气能见度高，使用小型固定翼无人机大疆DJI 精灵4 Pro 拍摄5 472×3 648 像素照片并生成数字正射影像图(DOM)，结合人工现场调研确定植物种类、数量和规格，以确定三个监测区的三维绿量。根据三维绿量的情况，将监测区划分为：三维绿量较低区域、无三维绿量区域、三维绿量较高区域，分别对应文中1.2 的监测区1、监测区2、监测区3。
2.1 不同大气污染物浓度的周变化趋势
如图2 所示，大气PM1、PM2.5、PM10的周平均浓度从高到低变化顺序为监测区1、监测区2、监测区3，在监测区1 分别为43.3、66.2、78.8 μg/m3；
在监测区3分别为37.9、59.2、70.9 μg/m3，均低于国家浓度标准24 h 平均限值（二级）。三个监测区的大气颗粒物浓度变化趋势一致，总体呈双峰双谷型，在周二、周六达到峰值，周四、周日达到谷值。对不同监测区的大气PM1、PM2.5、PM10浓度变化情况分别进行方差齐性分析，结果表明大气颗粒物浓度变化差异均不显著（P＜0.05）。
图2 不同大气污染物的浓度周变化趋势Fig.2 Weekly variation trend of the concentrations of different air pollutants
NO、NO2、NOx的周平均浓度从高到低变化顺序为监测区1、监测区2、监测区3，在监测区1分别为9.1、29.2、38.4 μg/m3；
在监测区3 分别为4.3、25.8、30.1 μg/m3，均低于国家浓度标准24 h平均限值（二级）。与大气颗粒物相比，氮氧化物浓度的变化趋势没有一定的规律性。对不同监测区的大气NO、NO2、NOx浓度变化情况分别进行方差齐性分析，结果表明氮氧化物浓度变化差异均不显著（P＜0.05）。
大气质量检测仪记录的不同大气污染物浓度超过国家浓度标准24 h 平均限值（二级）的监测值数量占比（表3）显示，监测期间大气颗粒物污染较氮氧化物污染严重。PM2.5超过浓度限值的监测值在监测区1、监测区2、监测区3 中分别占比35.7%、28.6%、25.0%。
表3 不同大气污染物浓度超过国家浓度标准24 小时平均限值（二级）监测值占比†Table 3 Proportions of the air pollutants with concentrations above the 24-hour average limit (level 2) of national concentration standards %
2.2 不同监测区大气污染物之间的相关性
通过2.1 分析发现，大气颗粒物浓度变化趋势相对一致，氮氧化物变化趋势则缺乏一致性，在此基础上进行不同大气污染物浓度之间相关性分析（表4），发现大气PM1、PM2.5、PM10浓度相互之间具有显著相关性（P＜0.01），说明三者浓度变化趋势一致。监测区1 中NO 与NOx、NO2与NOx、监测区2 中NO 与NOx、监测区3 中NO2与NOx具有显著正相关性（P＜0.01），而NO与NO2在监测区中正负相关程度不同，说明NO与NO2存在相互转化关系。三个监测区之间的氮氧化物与大气颗粒物之间没有显著相关性，并且正负相关程度也不尽相同，说明两者间浓度变化影响缺乏规律性。
表4 不同大气污染物浓度之间的相关性分析†Table 4 Correlation analysis of different concentrations of the air pollutants
2.3 三维绿量与大气污染物浓度之间的耦合关系
由表5 可知，监测区1 的三维绿量与大气污染物浓度之间的耦合协调度变化范围在0.623～0.711，除了NO2为中级协调外，其他大气污染物浓度与监测区三维绿量的耦合协调等级都为初级协调。监测区2 的耦合协调度变化范围在0.221～0.248，所有大气污染物浓度与监测区三维绿量的耦合协调等级都为中度失调。监测区3的变化范围在0.582～0.808，二者之间的耦合协调等级变化较大，NO 为勉强协调，PM1与NOx为初级协调，NO2为良好协调，其他大气污染物浓度与监测区三维绿量之间的耦合协调等级为中级协调。除去植被三维绿量与NO、NOx的耦合协调度中，监测区1 ＞监测区3，整体而言监测区2 的耦合协调等级最低，监测区1 次之，监测区3 最高，说明就大气污染物与三维绿量之间的联系紧密性与相互作用而言，监测区2 ＜监测区1 ＜监测区3。
表5 监测区三维绿量与大气污染物浓度之间的耦合关系†Table 5 Coupling relationship between three-dimensional green quantity and concentrations of air pollutants in the sample area
3.1 不同大气污染物浓度变化间的关系
大气颗粒物和氮氧化物会受到气象因素的影响。在相对湿度较大时,大气颗粒物会因为吸湿作用与水蒸气发生凝结,导致其体积变大、质量增加，并在植被群落中聚集,不利于颗粒物的扩散[25]。本研究中，周六周日湿度降低、降水量减少、日照时数增加后颗粒物浓度降低，说明大气颗粒物受到了空气湿度、降水、日照时数的影响。李琛等[26]对NO2与空气湿度之间的关系研究表明，二者之间显著负相关，即随着湿度增加，NO2浓度逐渐降低。研究推测该过程同样影响了氮氧化物之间的相互转化，导致了该周氮氧化物浓度的变化。
同一城市的PM2.5与PM10之间具有显著相关性，且颗粒物浓度的日变化与人为活动密切相关，呈现出早晚高峰的双峰型特征[27]。本研究发现虽然颗粒物浓度并没有表现出统一的日变化规律，但是不同粒径颗粒物之间呈高度正相关（P＜0.01），这与已有研究结果相一致[28]。张淑兰等[29]对2017 年10 月至2018 年10 月的佳木斯市氮氧化物浓度进行了监测调查研究，发现各典型道路NOx的主要组成成分NO2和NO，二者浓度变化呈相反趋势，且相较于NO2与NOx，NO与NOx浓度的相关性更为显著，这也与本文的研究结果符合。已有研究发现，NO2与大气颗粒物之间有密切的关系，并且呈现一致的季节性变化规律[30]。然而，本研究发现氮氧化物与大气颗粒物之间并没有显著的相关性，并且变化规律也并不相同。
3.2 三维绿量与大气污染物浓度变化之间的关系
本研究发现，诚信大道乔木和灌木树种大部分为乡土树种和外地引种并已适应南京市气候条件、栽种面积和数量较多的树种。乡土植物受气候障碍因子影响较小[31]，通过改变形态和生理可塑性能够进一步适应交通尾气污染环境[32]。已有研究表明，绿化带可以在一定程度上改善人行道大气质量（7%～15%）[33]。而作为代表树木树冠所占空间体积的三维绿量，则能较为简易地反映绿化实体的生态环境效益[34]。因此，本研究发现诚信大道道路绿地植物群落结构基本合理，并在此基础上选择了具有不同三维绿量的三个监测区作为研究对象。
一般来说，植被屏障的体积增加，能够增加整体质量的清除[35]。如果种植符合高度、厚度和密度等重要特征，实现从地面到树冠顶部的全覆盖，就可以在公路和其他局部污染源沿线保存或种植路边灌木和树木，以减轻道路污染物浓度和其对人类健康影响[36]。具有高叶面积密度的宽植被屏障和植被固体屏障组合能够显著降低颗粒物浓度[37]，这也与本文发现相较于监测区1、2，三维绿量较高的监测区3 的大气污染物与植被之间具有显著的相关关系，且耦合性最高相一致。大气中的NO 在日间光照下会发生光化学反应转换为NO2，并且该过程决定了NOx中NO 和NO2的构成比例[38]，这也与本文的耦合协调度数据分析的结果一致。已有研究表明，NO 在大气中的停留时间越久,距离污染源越远,其转换成NO2的比例就越高[39]。此外，温度与日照会促进臭氧等氧化剂的生成，会加速NO 转换为NO2[40]，本研究在数据采集期间，温度为22.0～28℃，日照时间为0～9.9 h，具有从阴雨天向晴天的转变过程，在这种环境条件下，监测时间后期促进了NO 转换为NO2。因此，在这种氮氧化物相互转化的情况下，发现在三维绿量与氮氧化物浓度的耦合协调度中，监测区1 的耦合协调度＞监测区3 的耦合协调度。研究结果受到监测环境因子影响较大，但总的来说，在三维绿量与大气污染浓度的耦合协调度中，监测区2 ＜监测区1 ＜监测区3，推测认为植被对大气污染物浓度的降低具有一定的促进作用。由于本研究并未进行车流量监测，污染物监测时间较短，下一步将继续开展结合多种环境因子的长期监测分析研究。
大气污染物周平均浓度顺序为监测区1 ＞监测区2 ＞监测区3，浓度变化差异不显著。监测期间大气颗粒物污染较氮氧化物污染严重。大气颗粒物浓度变化趋势相对一致，彼此间具有显著正相关性，而氮氧化物变化趋势则缺乏一致性，受NO 与NO2相互转化影响，NO 与NOx、NO2与
NOx间分别具有显著相关性。监测区植被三维绿量与大气污染物浓度之间的耦合协调关系显示，植被三维绿量较高的监测区对大气污染物的消减具有一定的促进作用。
猜你喜欢 氮氧化物颗粒物植被 呼和浩特市和林格尔县植被覆盖度变化遥感监测科学技术创新(2022年30期)2022-10-21基于植被复绿技术的孔植试验及应用河北地质(2022年2期)2022-08-22道路空气颗粒物污染与骑行流的相关性研究环境保护与循环经济(2021年7期)2021-11-02与生命赛跑的“沙漠植被之王”——梭梭科学大众(2020年17期)2020-10-27公路水土保持与植被恢复新技术中国公路(2017年11期)2017-07-31低温废气再循环及低压缩比对降低欧6柴油机氮氧化物排放的影响汽车与新动力(2014年6期)2014-02-27对于我国环境空气颗粒物术语定名的建议中国科技术语(2013年2期)2013-12-27关于环境领域英文符号PM2.5 中文名称的建议中国科技术语(2013年2期)2013-12-27PM2.5中文名中国科技术语(2012年2期)2012-12-28通过高压直接喷射实现高效率和低氮氧化物排放的氢燃烧方式汽车与新动力(2012年4期)2012-03-25
