陳文波,謝 濤,鄭 蕉,吳 雙

1 南昌市景觀與環(huán)境重點(diǎn)實(shí)驗(yàn)室, 南昌 330045 2 江西農(nóng)業(yè)大學(xué)國土資源與環(huán)境學(xué)院, 南昌 330045 3 江西農(nóng)業(yè)大學(xué)計(jì)算機(jī)信息與工程學(xué)院, 南昌 330045

近年來,隨著我國城市化、工業(yè)化進(jìn)程的加速,大多數(shù)城市面臨著日益嚴(yán)峻的大氣環(huán)境問題[1-2]。其中以PM2.5為主要污染物的大氣環(huán)境污染因?yàn)橛绊懛秶鷱V、程度深,對人類健康產(chǎn)生嚴(yán)重威脅而備受關(guān)注,制約著城市可持續(xù)發(fā)展[3]。當(dāng)前對PM2.5的研究主要集中在PM2.5的來源和形成機(jī)制[4]、時空分布特征[5]、影響因素[6]等方面。研究表明,PM2.5在某一區(qū)域段時間尺度上(如,日)主要受氣象條件影響[7-8],氣象條件主要通過對污染物的稀釋、清除、擴(kuò)散與轉(zhuǎn)化等作用,改變并影響污染物的分布情況[9],風(fēng)速、降水量、溫度、濕度、相對濕度、風(fēng)向等氣象氣候條件是導(dǎo)致PM2.5濃度出現(xiàn)分布差異的顯著影響因子[10]。但在較長時間尺度上(如季,年),由于氣象條件基本相似,則PM2.5濃度主要受土地利用特別是地表植被景觀的影響。即使在在氣象條件相對一致的情況下,區(qū)域尺度的PM2.5濃度仍呈現(xiàn)出顯著的空間差異,這種差異與土地覆蓋,特別是地表植被覆蓋有較大關(guān)系,因?yàn)橹脖痪哂袑︻w粒物的組織吸收作用和適宜顆粒物沉降環(huán)境的營造作用[11-12]。不同的土地覆蓋類型,呈現(xiàn)出的氣體的調(diào)節(jié)效益也不同,是影響PM2.5空間分布的重要因素[13], 以往相關(guān)研究主要集中在不同植被類型[14-16]與分布格局[17-18],如不同林種、樹種、綠地等分布格局對PM2.5濃度的影響。

在研究植被景觀格局對PM2.5的的影響中,基于景觀鑲嵌性特征的方法如景觀格局指數(shù)是最常用的方法[19]。研究者通過計(jì)算景觀格局指數(shù)及其對應(yīng)監(jiān)測點(diǎn)PM2.5濃度的相關(guān)性大小來表達(dá)植被分布格局PM2.5的影響。由于PM2.5分布具有外溢性,即PM2.5影響不僅受到對應(yīng)景觀組分的影響,也受到來自相鄰景觀組分的影響,導(dǎo)致不同區(qū)域、不同時間、不同研究者研究結(jié)果有較大差異[20]。且由于采用的景觀格局指數(shù)生態(tài)學(xué)意義不夠明確,研究結(jié)果易受到質(zhì)疑。對于區(qū)域尺度而言,如何表達(dá)植被分布格局并在空間上耦合PM2.5,定量分析其對PM2.5分布的影響需要充分考慮植被景觀梯度性特征,基于遙感反演的地表植被覆蓋度是植被景觀梯度性格局表征有效方法[21]。

如何高精度模擬PM2.5濃度分布是在區(qū)域尺度上研究地表植被覆蓋度對PM2.5濃度分布影響的前提與基礎(chǔ)。國內(nèi)外學(xué)者研究發(fā)展了多種模型構(gòu)建方法,主要有地統(tǒng)計(jì)空間插值模型[22]、大氣擴(kuò)散模型[23]、神經(jīng)網(wǎng)絡(luò)以及土地利用回歸(Land Use Regression, LUR)模型[24-25]?，F(xiàn)階段,城區(qū)的大氣環(huán)境日常監(jiān)測主要通過固定監(jiān)測點(diǎn)進(jìn)行,由于監(jiān)測站點(diǎn)個數(shù)有限,不能滿足空間插值對樣點(diǎn)數(shù)量的要求,需要借助模型模擬配合空間插值來客觀反映出城市空氣污染物濃度分布。多數(shù)研究表明,LUR模型對PM2.5濃度的模擬過程在考慮周圍地理變量的基礎(chǔ)上,還結(jié)合了PM2.5的來源與影響因素,能在一定程度上從機(jī)制層面解釋PM2.5濃度的時空分布特征[26-27],是模擬大氣污染物空間分布的科學(xué)、有效方法,可以利用有限的空氣質(zhì)量監(jiān)測站點(diǎn)數(shù)據(jù)模擬高精度的PM2.5濃度分布。

為了顯化地表植被景觀對PM2.5分布的影響,需要在研究中盡量減少氣象條件對研究的影響。本研究基于相同季節(jié)氣象條件基本一致的科學(xué)假設(shè),采用了PM2.5季平均濃度。以南昌市中心城區(qū)為研究區(qū)域,采用2016—2018年間研究區(qū)9個實(shí)時空氣質(zhì)量監(jiān)測點(diǎn)PM2.5的實(shí)測數(shù)據(jù),選擇對PM2.5有顯著影響作用的因子構(gòu)建LUR模型,進(jìn)行空間插值,分四季高精度模擬研究區(qū)三年各季PM2.5平均濃度空間分布。其次采用對應(yīng)2016—2018年間四季典型月份的Landsat8 OLI影像,運(yùn)用像元二分模型,基于歸一化植被指數(shù)估算研究區(qū)三年植被平均覆蓋度。最后采用隨機(jī)抽樣,以像元樣點(diǎn)為中心,構(gòu)建大小不同緩沖區(qū),耦合分析兩者關(guān)系特征并構(gòu)建最優(yōu)回歸模型,探討地表植被覆蓋度對PM2.5的影響形式與尺度效應(yīng)。本研究為定量分析城市地表植被對PM2.5濃度的影響提供了新思路與方法,也為通過優(yōu)化城市土地利用緩解大氣污染提供一定參考。

1 研究區(qū)概況與數(shù)據(jù)來源

1.1 研究區(qū)概況

南昌市是江西省省會,位于江西省中北部,下轄六區(qū)三縣(圖1)。南昌市全境處于亞熱帶季風(fēng)氣候區(qū),氣候濕潤溫和,日照充足,是典型的南方城市。本次選擇的研究區(qū)是南昌市土地利用總體規(guī)劃確定的中心城區(qū),面積為562.46 km2。據(jù)統(tǒng)計(jì),2018年南昌市全年有313天的AQI指數(shù)低于100,低于50的有125 d；有312天的PM2.5濃度值低于75 μg/m3,低于35 μg/m3的有195d,但時空分布差異顯著。中心城區(qū)范圍內(nèi)分布有較豐富的植物種類與人工綠地,分布差異也較為顯著。

圖1 南昌市中心城區(qū)與空氣質(zhì)量監(jiān)測點(diǎn) Fig.1 Air quality monitoring sites in the center area of Nanchang city

1.2 數(shù)據(jù)來源

2016—2018年南昌市氣象數(shù)據(jù)來源于中國氣象科學(xué)數(shù)據(jù)共享服務(wù)網(wǎng)(http://data.cma.cn/)。研究所用的南昌市2016—2018年的PM2.5監(jiān)測數(shù)據(jù)來源于南昌市環(huán)境監(jiān)測中心?？紤]到遙感影像時間與監(jiān)測點(diǎn)數(shù)據(jù)的對應(yīng)性,采用的遙感數(shù)據(jù)為2016—2018年3月、5月、8月、12月這4個季度典型月份的Landsat8 OLI數(shù)據(jù),該遙感數(shù)據(jù)來源于“地理空間數(shù)據(jù)云”遙感數(shù)據(jù)共享平臺(http://www.gscloud.cn/),空間分辨率為30 m,影像數(shù)據(jù)平均云量均低于5%,數(shù)據(jù)質(zhì)量良好。土地利用數(shù)據(jù)來源于南昌市自然資源局的《土地利用總體規(guī)劃》(2006—2020)、南昌市各縣(市、區(qū))的2018土地利用變更數(shù)據(jù)。

2 研究思路與方法

本研究主要分為4步進(jìn)行：1)高精度模擬中心城區(qū)PM2.5濃度分布?；贚UR模型,利用所收集的9個監(jiān)測樣點(diǎn)2016—2018年P(guān)M2.5監(jiān)測數(shù)據(jù),與道路、人口等影響因子數(shù)據(jù),構(gòu)建關(guān)系模型,加密樣點(diǎn),并通過Kriging空間插值法分四季模擬南昌市中心城區(qū)PM2.5濃度空間分布,插值的精度與遙感數(shù)據(jù)分辨率保持一致,為30 m。2)基于2016—2018年四季典型月份遙感數(shù)據(jù),運(yùn)用像元二分模型,采用歸一化植被指數(shù),估算研究區(qū)四季植被覆蓋度平均值；3)采用隨機(jī)抽樣的方法,在研究區(qū)2240個像元中隨機(jī)抽取約10%的數(shù)量, 構(gòu)建不同半徑建立緩沖區(qū),統(tǒng)計(jì)每個緩沖區(qū)(不同尺度)內(nèi)PM2.5濃度、植被覆蓋度的平均值,并進(jìn)行相關(guān)性分析；4)結(jié)合相關(guān)分析結(jié)果,構(gòu)建植被覆蓋度與PM2.5濃度的回歸方程并進(jìn)行精度檢驗(yàn),選擇最優(yōu)模型,研其對PM2.5的影響與尺度效應(yīng)。

2.1 基于LUR的PM2.5濃度模擬

土地利用回歸(Land use regression,LUR)模型通常包含一個因變量或多個自變量,模型基本公式為：

Y=?0+?1X1+?2X2+......?nXn+ε

式中,y為因變量,表示監(jiān)測點(diǎn)的月均PM2.5濃度,X1X2…Xn為自變量,代表與PM2.5濃度相關(guān)的地理變量,?1?2…?n為待定系數(shù),ε為隨機(jī)變量。采用時間序列的PM2.5濃度數(shù)據(jù)與地理相關(guān)變量分別進(jìn)行雙變量相關(guān)分析,識別出與PM2.5濃度相關(guān)性最強(qiáng)的目標(biāo)地理要素。對識別出的地理要素與對應(yīng)的PM2.5季平均濃度進(jìn)行多元線性回歸分析。然后在研究區(qū)生成一定空間分辨率的網(wǎng)格(本研究為1 km×1km),利用得到的回歸方程計(jì)算各個預(yù)測點(diǎn)的相關(guān)地理變量,標(biāo)準(zhǔn)化處理后根據(jù)模型方程算出各個網(wǎng)格點(diǎn)的PM2.5濃度預(yù)測值,加密樣點(diǎn)并采用Kriging空間插值法得到南昌市中心城區(qū)各季PM2.5濃度空間模擬圖。

2.2 植被覆蓋度計(jì)算方法

像元二分模型的基本原理是：假設(shè)某像元信息由植被部分和無植被覆蓋部分(裸土)構(gòu)成。因此得到像元信息的計(jì)算公式：

R=Fc×Rv+(1-Fc)×Rs

式中,任意像元信息的值為R,植被部分像元信息為Rv,無植被覆蓋部分為Rs,Fc為植被覆蓋度。

植被覆蓋度是指植被冠層垂直投影面積與土壤總面積的比值。歸一化植被指數(shù)是反映地表植被狀況的最佳定量值之一,與植被覆蓋度具有顯著的正相關(guān)關(guān)系。因此將NDVI與像元二分模型相結(jié)合,將像元信息選擇為NDVI時,植被覆蓋度計(jì)算公式可表示為：

式中,NDVI為柵格圖上某像元的NDVI實(shí)際值,NDVIsoil代表全裸土區(qū)域的NDVI值,NDVIveg代表完全被植被覆蓋區(qū)域的NDVI值。由于遙感影像受大氣環(huán)境和地表溫濕度變化的影響,存在干擾和噪音產(chǎn)生誤差,NDVIsoil與NDVIveg的值會隨著時間的變化而改變。利用ENVI 5.3軟件統(tǒng)計(jì)分析,得到NDVI累計(jì)概率分布表,選擇合適的置信度,選取5%附近的NDVI值作為NDVIsoil,選取95%附近的NDVI值為NDVIveg。

2.3 隨機(jī)抽樣與尺度效應(yīng)分析

本研究首先采用隨機(jī)抽樣的方法,在研究區(qū)域內(nèi)2240個像元中選取10%,以選取柵格為中心,以LUR模型構(gòu)建尺度為參考,設(shè)定系列半徑的緩沖區(qū),統(tǒng)計(jì)每個緩沖區(qū)內(nèi)PM2.5濃度、植被覆蓋度的平均值。對四季的PM2.5濃度與各不同緩沖區(qū)范圍內(nèi)的植被覆蓋度進(jìn)行相關(guān)性分析,結(jié)合相關(guān)分析結(jié)果,建立最優(yōu)回歸模型,并進(jìn)行尺度效應(yīng)分析。

3 結(jié)果與分析

3.1 PM2.5濃度分布模擬

3.1.1LUR模型變量的確定

根據(jù)已有關(guān)于LUR模型的研究,常用于LUR模型構(gòu)建的自變量有土地利用、道路交通、人口密度、地理要素(氣候、氣象、位置等)[24,27]。本文基于LUR模型常用的地理變量,在綜合考慮數(shù)據(jù)可獲取性和影響PM2.5濃度的主要因素的基礎(chǔ)上,選取了人口、土地利用、道路與氣象等4大類預(yù)測因子共12個變量作為模型的自變量(表1)。參照陽海鷗等對南昌市中心城區(qū)的相關(guān)研究成果[25],考慮城市規(guī)模與研究尺度,以研究區(qū)9個監(jiān)測點(diǎn)為中心,建立6種半徑(300、600、900、1200、2400、4800 m)的緩沖區(qū)。道路因子用緩沖區(qū)內(nèi)道路密度表示,統(tǒng)計(jì)緩沖區(qū)內(nèi)各類道路長度除以緩沖區(qū)的面積得到道路密度比；土地利用因子中選取了對PM2.5濃度影響最為明顯的生態(tài)用地與工業(yè)用地兩個變量,生態(tài)用地面積比用研究區(qū)域內(nèi)林地、草地等綠地與大型水體面積除以緩沖區(qū)面積表示；南昌市流動人口較多,通常使用的戶籍人口不能完全反映人口現(xiàn)狀,而且戶籍人口是按行政單位統(tǒng)計(jì)的,與構(gòu)建的緩沖區(qū)范圍的對應(yīng)性不強(qiáng)。綜合分析認(rèn)為,南昌市人口主要依附于居住用地,與居住用地具有正相關(guān)關(guān)系,因此人口因子在本研究中采用緩沖區(qū)內(nèi)居住用地面積近似表示[11]。

表1 預(yù)測變量分類與處理Table 1 Classification and processing of predictive variables

3.1.2LUR模型構(gòu)建和精度檢驗(yàn)

在將自變量與PM2.5進(jìn)行相關(guān)分析之后,根據(jù)相關(guān)性分析的結(jié)果,進(jìn)行變量篩選,最終構(gòu)建的最優(yōu)多元回歸如表2所示。從表2可知,春、夏、秋、冬四季的LUR模型調(diào)整的R2值分別為0.86、0.76、0.87、0.54,構(gòu)建模型的自變量能解釋50%以上的PM2.5濃度變化,模型擬合情況好,解釋能力強(qiáng)。

表2 四季最優(yōu)LUR模型結(jié)果Table 2 Results for the optimal LUR models of four seasons

根據(jù)得到的四季最優(yōu)LUR模型,對研究區(qū)進(jìn)行四季PM2.5濃度模擬。先對研究區(qū)進(jìn)行1km×1km網(wǎng)格化處理生成400個預(yù)測點(diǎn),計(jì)算各個預(yù)測點(diǎn)的相關(guān)地理變量,標(biāo)準(zhǔn)化處理后根據(jù)模型方程算出各個網(wǎng)格點(diǎn)出PM2.5濃度預(yù)測值,從中抽取80%的預(yù)測點(diǎn),利用Kriging空間插值法生成四季的PM2.5濃度空間分布圖(圖2),再用剩余20%的濃度數(shù)據(jù),采用交叉檢驗(yàn)法對插值結(jié)果進(jìn)行檢驗(yàn)。檢驗(yàn)結(jié)果表明,春、夏、秋、冬平均絕對誤差率分別為0.01、0.05、0.03、0.05；均方根誤差分別為0.76、2.89、4.58和5.52,說明四季PM2.5指標(biāo)插值誤差較小,PM2.5濃度模擬效果良好。

圖2 PM2.5濃度空間分布圖Fig.2 Spatial distribution of PM2.5 concentrations of the four seasons

從圖2可以看出,南昌市中心城區(qū)PM2.5分布具有明顯的時空分異特征。不同季節(jié)PM2.5濃度具有明顯差異。相對而言,冬季高,夏低。冬季低溫少雨的氣候氣象條件不利于污染物擴(kuò)散,使得南昌市冬季PM2.5濃度一直處于較高水平。而夏季的氣象條件有利于PM2.5擴(kuò)散,因此濃度相對較低。從空間上來看,PM2.5濃度分布由城市中心向城市周邊遞減的層次明顯。全年的高值區(qū)都集中在市中心,冬季尤其明顯；低值區(qū)則主要分布在城市周邊的植被與水體較多區(qū)域,如梅嶺風(fēng)景區(qū)、瑤湖和揚(yáng)子洲附近。

3.2 植被覆蓋度時空分布特征

南昌市中心城區(qū)植被覆蓋度計(jì)算結(jié)果如圖3所示。統(tǒng)計(jì)分析表明,研究區(qū)2016—2018年四季植被覆蓋度均值分別為0.52、0.57、0.55和0.50(圖3)。研究區(qū)域內(nèi)植被高度覆蓋區(qū)主要分布在梅嶺風(fēng)景區(qū),中低度覆蓋區(qū)主要在青云譜區(qū)、青山湖區(qū)。

圖3 植被覆蓋度空間分布圖Fig.3 Spatial distribution of vegetation coverage of four seasons

3.3 地表植被覆蓋度與PM2.5濃度空間分布的影響分析

初步對比PM2.5濃度與植被覆蓋度空間分布結(jié)果發(fā)現(xiàn),PM2.5濃度高(低)值分布區(qū)與植被覆蓋度低(高)值分布區(qū)相近。不同季節(jié)而言,夏秋兩季PM2.5濃度值較低,冬春偏高；而研究區(qū)植被覆蓋度則正好相反,夏秋高、冬春低。為了進(jìn)一步研究植被覆蓋度對PM2.5的影響及其對尺度的依賴性,我們在研究區(qū)2240個像元中,隨機(jī)抽取了約10%的像元,共生成230個樣點(diǎn),并以各樣點(diǎn)為中心,以LUR模型模擬尺度為基礎(chǔ),保證了研究尺度的對應(yīng)性,構(gòu)建300、500、1000、1500 m為半徑的緩沖區(qū),統(tǒng)計(jì)各緩沖區(qū)內(nèi)的PM2.5濃度與植被覆蓋度的平均值,進(jìn)行相關(guān)分析(表3)。

表3 植被覆蓋度與PM2.5的相關(guān)性分析Table 3 Correlation between vegetation coverage and PM2.5

從表3可以看出,植被覆蓋度與PM2.5濃度在本研究所選擇的任何尺度上,都呈顯著負(fù)相關(guān)關(guān)系,但同一個季節(jié)不同尺度下以及同一個尺度下不同季節(jié),植被覆蓋度與PM2.5濃度相關(guān)系數(shù)存在明顯差異。春季、夏季和冬季的植被覆蓋度與PM2.5濃度相關(guān)性在500 m尺度上表現(xiàn)最顯著,而秋季則是在300 m尺度上相關(guān)性最顯著?？傮w而言,四季均在500 m尺度上表現(xiàn)出較強(qiáng)的相關(guān)性,這個關(guān)系可以近似理解為地表植被覆蓋對PM2.5影響作用范圍為500 m。

為進(jìn)一步研究南昌市中心城區(qū)植被覆蓋度以何種方式影響PM2.5濃度與分布,結(jié)合相關(guān)分析結(jié)果,選擇四季最優(yōu)尺度(春、夏、冬季為500 m,秋季300 m)下植被覆蓋度與PM2.5濃度值數(shù)據(jù),選用了線性、對數(shù)、逆函數(shù)、二次曲線、三次曲線、冪函數(shù)、復(fù)合模型、Logistic回歸模型、增長模型以及指數(shù)分布等10個模型進(jìn)行回歸分析,并對各擬合曲線進(jìn)行擬合度以及檢驗(yàn)精度進(jìn)行比較,選擇每季最優(yōu)回歸模型,結(jié)果如表4與圖4所示。

表4 四季最優(yōu)回歸模型及參數(shù)Table 4 The results of the optimal regression models and parameter evaluation in four seasons

圖4 四季PM2.5與植被覆蓋度最優(yōu)回歸方程Fig.4 Optimal equation models of PM2.5 and vegetation coverage in four seasons

由表4可知,四季最優(yōu)回歸模型的R2分別為0.601、0.464、0.516、0.549。除夏季R2略低于0.5,其余都在0.5以上,說明回歸模型具有良好的解釋能力。運(yùn)用交叉檢驗(yàn)法對建立的四季PM2.5與植被覆蓋度關(guān)系最優(yōu)模型進(jìn)行精度檢驗(yàn),得出春、夏、秋、冬四季檢驗(yàn)樣本均方根誤差分別為5.423、5.486、5.836、5.149,說明構(gòu)建的四季擬合模型誤差小,效果良好。春、秋兩季植被覆蓋度與PM2.5濃度之間二次曲線模型擬合度最高,夏季則是線性模型表現(xiàn)較好,冬季的植被覆蓋度與PM2.5濃度之間呈顯著的指數(shù)關(guān)系?？傮w而言,植被覆蓋度與PM2.5濃度之間存在非線性關(guān)系,影響方式比較復(fù)雜。

進(jìn)一步研究發(fā)現(xiàn),不同的PM2.5濃度水平下,植被覆蓋度對PM2.5濃度的影響程度也存在差異。PM2.5濃度越高,PM2.5隨植被覆蓋度變化的幅度就越大。通過圖4結(jié)合計(jì)算結(jié)果可知,當(dāng)PM2.5濃度水平低于35 μg/m3,擬合的曲線比較平緩,植被覆蓋度的增減對PM2.5濃度的影響相對較?。划?dāng)PM2.5濃度在30—50 μg/m3之間,曲線變化幅度開始加速；當(dāng)PM2.5濃度水平達(dá)到55 μg/m3以上,曲線變化幅度繼續(xù)增大,每增加10%的植被覆蓋度,PM2.5質(zhì)量濃度大約下降3—6 μg/m3。

4 結(jié)論與討論

本文利用南昌市中心城區(qū)9個空氣質(zhì)量監(jiān)測點(diǎn)2016—2018年三年P(guān)M2.5日均濃度數(shù)據(jù),在收集相關(guān)地理要素的基礎(chǔ)上,建立LUR模型加密樣點(diǎn),并采用Kriging空間插值法高精度模擬研究區(qū)四季PM2.5濃度分布；基于NDVI的像元二分模型,基于2016—2018年三年典型月份遙感數(shù)據(jù),估算南昌市中心城區(qū)四季平均植被覆蓋度；基于統(tǒng)計(jì)回歸與隨機(jī)抽樣,耦合不同尺度上PM2.5濃度與植被覆蓋度,構(gòu)建最優(yōu)回歸模型,研究植被覆蓋度對PM2.5濃度的影響方式。研究結(jié)果表明：

1)基于同一季節(jié)氣象條件基本相似的假設(shè),分別季節(jié),通過構(gòu)建LUR模型加密樣點(diǎn),采用Kriging空間插值能高精度模擬PM2.5空間分布。這種模擬方法與思路在很大程度上彌補(bǔ)了監(jiān)測點(diǎn)不足、難以單純采用空間插值法高精度模擬的問題,使得準(zhǔn)確、定量分析植被覆蓋度對PM2.5濃度的影響成為可能。

2)植被覆蓋度與PM2.5濃度在本研究選擇的空間尺度上,都是呈顯著負(fù)相關(guān)關(guān)系。不同尺度下,植被覆蓋度與PM2.5濃度的相關(guān)性有一定差異,春、夏、冬季500 m尺度下,秋季則在300 m尺度下相關(guān)性最強(qiáng),。

3)植被覆蓋度對PM2.5濃度影響的方式比較復(fù)雜,不同的季節(jié),表現(xiàn)方式具有一定差異?？傮w來說,曲線回歸模型的擬合度優(yōu)于線性回歸模型擬合度,植被覆蓋度與PM2.5濃度之間存在較為復(fù)雜非線性關(guān)系。

4)不同的PM2.5濃度水平下,植被覆蓋度對PM2.5濃度的影響程度也存在差異。PM2.5濃度越高,構(gòu)建的模型曲線變化幅度越大,植被覆蓋度對PM2.5濃度的影響越明顯。

本研究提出的基于景觀梯度性特征的耦合植被景觀格局與PM2.5濃度的研究思路,有效的揭示了地表植被景觀對PM2.5濃度分布的影響與尺度效應(yīng),與基于景觀鑲嵌性特征的相關(guān)研究相互補(bǔ)充,完善了地表植被景觀格局對PM2.5濃度影響研究的理論與方法。需要指出的是,本研究雖然得出了植被覆蓋度對PM2.5濃度的影響與尺度效應(yīng),構(gòu)建了最優(yōu)回歸模型,但這是基于宏觀區(qū)域尺度而言的。在更為微觀的尺度研究影響機(jī)理還不夠,這需要從PM2.5產(chǎn)生的源、植被生理過程對PM2.5的吸附影響等方進(jìn)行解析。只有這兩方面的研究都齊全,研究結(jié)論才能為編制科學(xué)合理的城市綠地空間規(guī)劃提供依據(jù)。此外,為了盡量使得PM2.5季平均濃度與植被覆蓋度對應(yīng),本研究采用了與PM2.5監(jiān)測時期較為一致的各季節(jié)代表性月份數(shù)據(jù)。由于遙感數(shù)據(jù)是某一天的瞬時數(shù)據(jù),與真實(shí)的季平均數(shù)據(jù)有差異,存在一定誤差,結(jié)果還要經(jīng)過實(shí)踐的檢驗(yàn),這些都是是本研究下一步深入的方向。