论文部分内容阅读
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Landsat 8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MODIS 13Q1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。